CN105704026B - 一种区分服务网络中低风险路由方法 - Google Patents

Abstract

本发明公开了通信网络技术领域中一种区分服务网络中低风险路由方法，用于解决传统低风险路由方法考虑的风险层面单一、网元失效方式单一的问题。该方法首先针对区分服务网络中业务重要程度差异化的特征，分别从业务层、传输层和物理拓扑层建立单层网络路由风险模型；然后根据不同层面对网络的影响程度以及承载业务情况，建立了具有自适应参数的综合路由风险模型；最后将网络综合风险作为优化目标，利用人工免疫算法求解使网络综合风险最小的路由。本发明克服了已有研究从单一层面考虑网络路由风险的片面性和针对单一网络单元失效方式的局限性，并从网络服务于业务的本质出发，确定综合路由风险的计算参数，更能体现网络用户对网络路由风险的要求。

Description

一种区分服务网络中低风险路由方法

技术领域

本发明属于通信网络技术领域，尤其涉及一种区分服务网络中低风险路由方法。

背景技术

优化路由是在不改变网络拓扑前提下降低网络风险的最有效方法。许多研究人员从不同层面对网络低风险路由问题进行了研究。Ming Xia,MassimoTornatore等人以光网络为研究对象，在传输层通过参考链路来描述链路的主要风险特征，并基于此提出了风险感知路由方法，该方法有效降低了网络服务违反服务等级协议(SLA)的比例；Sang-WoonJeon等人基于Dijkstra算法提出了实现重负载网络时延最小路由方法，其实质是利用全部或部分链路信息达到网络负载均衡，使传输层上的网络风险最小。Bruno Vidalenc等人基于开放式最短路径优先(OSPF)协议，在物理拓扑层提出动态风险感知路由方法，该方法可预判链路状态，并通过调整链路权重来引导路由绕过高风险链路，降低网络物理拓扑层的风险。蔡伟、杨洪等人在业务层提出了一种区分服务网络―电力通信网络的路由优化方法，该方法以业务风险度和业务风险均衡度作为网络可靠性评价指标，利用多目标优化算法NSGA-II进行最优路由的求解。

上述方法解决网络低风险路由问题的角度均集中的单一层面上，没有对多个层面的风险性进行清晰的分析和研究。

曾庆涛、邱雪松等人综合考虑电力通信网络节点和链路的设备失效概率与承载的业务重要程度提出了业务通道可用性、网络风险均衡度和网络总体风险度的概念，并将这些指标作为优化目标，利用Dijkstra算法和最小最大原则进行最优路由的求解。该方法虽然综合考虑了物理层和业务层风险，但仅考虑了物理层设备的自然失效风险，而没有考虑被人为攻击下的失效风险，同时缺乏对物理层拓扑和传输层风险的分析。

发明内容

本发明的目的在于，提供一种区分服务网络中低风险路由方法，用于解决现有技术中考虑路由风险的层面单一、失效方式单一等缺陷。

为了实现上述目的，本发明的技术方案是，一种区分服务网络中低风险路由方法，其特征是该方法包括：

步骤1：根据区分服务网络中业务重要程度存在差异的特征分别创建网络业务层、传输层和物理拓扑层的路由风险的计算公式。

所述业务层路由风险的计算公式是：

式中，R_X∈(0,1)为网络的业务层路由风险，E为网络的链路集和，|E|为集合E的基数，I_k为链路k上承载业务的重要度，在网络总业务不变的情况下，其取值由路由方法决定，是I_k的归一化值，其计算公式是

所述传输层路由风险的计算公式是：

式中，R_Y∈(0,1)为网络的传输层路由风险，F_k为链路k上的业务流量，在网络总业务不变的情况下，其取值由路由方法决定，是F_k的归一化值，其计算公式是

所述物理拓扑层路由风险的计算公式是：

式中，R_Z∈(0,1)为网络的物理拓扑层风险，Q为网络中业务集合，p(q)为业务q的实际路径，D_p(q)为路径p(q)的长度，p⁰(q)为业务q在网络物理拓扑层的最短路径，为业务q在网络物理拓扑层的最短路径长度。

步骤2：根据步骤1中所述网络业务层、传输层和物理拓扑层的路由风险的计算公式创建网络综合路由风险的计算公式：

R＝αR_X+βR_Y+γR_Z， (4)

式中，R∈(0,1)为网络的综合路由风险，α、β和γ的计算公式是：

式中，e为自然常数，η_min和η_max分别为区分服务网络中业务重要度的最小值和最大值，θ_min和θ_max分别为区分服务网络中业务流量的最小值和最大值。

步骤3：根据步骤2中所述网络综合路由风险的计算公式，利用人工免疫算法计算最优路由，使网络综合路由风险最小。

所述步骤3中混沌免疫算法的具体步骤为：

步骤3.1种群初始化：根据新到业务B的源宿节点，随机生成N条路径作为人工免疫算法的抗体种群，|V|表示网络的节点个数，每一条路径即为一个抗体，抗体由路径所经过的节点组成，业务B沿着抗体m所表示的路径进行传输后的网络综合路由风险R用R_m表示，将(1-R_m)作为抗体m亲和度的计算公式；

步骤3.2亲和度计算及抗体选择：令B分别沿抗体种群中的每个抗体进行传输，然后根据B的业务重要度、业务流量和每个抗体的路径长度，计算每个抗体的亲和度，选择亲和度最大的前S个抗体组成记忆种群，1＜S＜N；

步骤3.3：如果进化代数已达到最大，则选择记忆种群中亲和度最大的抗体作为结果进行输出，否则进入步骤3.4；

步骤3.4抗体克隆：对记忆种群中的抗体进行克隆操作，生成克隆种群，第m个抗体的克隆数量的计算公式是：

式中，c_m为第m个抗体的克隆数量，函数round(·)的功能是对括号内的实数进行四舍五入取整；

步骤3.5抗体变异及种群更新：对克隆种群进行变异操作，生成变异克隆种群，将记忆种群与变异克隆种群合并为新一代抗体种群，返回步骤3.2。

本发明的有益效果在于：

(1)本发明在区分服务网络的业务层、传输层和物理拓扑层均给出了明确的路由风险计算方法，所述方法即适用于网络单元的自然失效情况，也适用于网络单元在人为攻击下的失效情况，克服了传统方法中考虑网络单元失效情况单一的问题。同时，本发明所述的三个层面上的路由风险的计算结果均在区间(0,1)上，为三个层面路由风险的融合创造了的条件。

(2)本发明提出了三个层面路由风险的融合方法，即网络综合路由风险的计算方法，克服了传统方法中考虑路由带来的网络风险不够全面的问题。在融合公式中，本发明充分考虑了三个层面对网络性能的影响程度，提出了可根据网络中承载业务的具体情况而自适应变化的计算参数，使融合后的网络综合路由风险更能体现网络用户对网络风险的要求：当网络中业务的重要程度差异较大时，网络综合路由风险主要由业务层路由风险决定；当网络中业务的重要程度差异较小时，网络综合路由风险主要由传输层路由风险决定；当网络中业务的重要程度和流量都差异较小时，网络综合路由风险主要由物理拓扑层路由风险决定，即优先选择最短路径进行业务传输。

附图说明

图1为本发明实施例所使用的网络拓扑结构图；

图2为本发明所述方法中步骤3的流程图；

图3为本发明实施例中人工免疫算法寻找最优路径的过程曲线图；

图4为本发明实施例中单层最优路径与综合最优路径在各层面上风险值的对比柱状图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图1为本发明实施例所使用的网络拓扑结构图，该网络为LATAX网络，28个节点，46条链路。本实施例中，网络中存在5类业务，对应的单位化业务重要度分别为0.99，0.94，0.62，0.29和0.13；对应的单位化流量分别为2.048，2.048，0.133，1.387和3.547。网络中已有业务的总数量为50，每类业务的数量采用随机分配方式，每个业务的源宿节点随机分配，已有业务的路径均是最短路径。图1中，链路上括号外的数字表示节点间的距离，链路上括号内的数字分别表示该链路已经承载的业务重要度和业务流量。

本实施例的新到业务B为第二类业务，即业务B的重要度是B_i＝0.94，流量是B_t＝2.048，业务B的源节点为v₁号节点，宿节点为v₂₅号节点。

图2是本发明所述方法中步骤3的流程图，下面结合图2说明步骤3的具体实施过程。

步骤3.1(种群初始化)：

本实施例的种群规模即种群中的路径个数N＝30，进化最大代数G＝50，利用深度搜索或广度搜索算法生成30条节点v₁到节点v₂₅的路径作为初始种群。根据本实施例中的不同类别业务的业务重要度和业务流量值以及公式(4)和公式(5)，可得到本实施例的亲和度函数为：

f＝1-(0.869R_X+0.126R_Y+0.005R_Z)； (7)

步骤3.2(亲和度计算及抗体选择)：

令业务B沿种群中每一个抗体进行传输，并利用公式(7)计算每一个抗体的亲和度，公式(7)中R_X、R_Y和R_Z的计算方法如下：

设种群中第n个抗体表示的路径为p_n，网络中已有业务的集合为Q⁰，链路e上已有的业务重要度和业务流量分别为和则计算R_X所用的公式(1)中计算R_Y所用的公式(2)中计算R_Z所用的公式(3)中，Q＝Q⁰+B，本实施例中，抗体选择参数S＝6，即选择亲和度最大的前6个抗体组成记忆种群；

步骤3.3：如果进化代数已达到最大，则选择记忆种群中亲和度最大的抗体作为结果进行输出，否则进入步骤3.4；

步骤3.4(抗体克隆)：

根据公式(6)，计算记忆种群中每个抗体的克隆数量并进行克隆操作，克隆生成的所有抗体组成克隆种群；

步骤3.5(抗体变异及种群更新)：

对克隆种群中的每一个抗体执行变异操作，具体方法为：除源宿节点外，在抗体内随机选取一个节点作为变异起始节点，保留源节点到变异起始节点之间的路径，同时重新搜索变异起始节点到宿节点之间的路径，进而生成变异后的抗体。将变异后的抗体与记忆种群中的抗体共同组成新一代抗体种群，完成种群的更新，并返回步骤3.2。

图3是本实施例中人工免疫算法寻找最优路径的搜索过程，算法在第25代找到了最优解。

为了说明本发明的有益效果，本实施例中将仅考虑单一层面风险情况下的单层最优路径和本发明所述方法得到的综合最优路径进行了对比，如表1和表2所示。结合表1和图1，本发明所述的单层路由方法是有效的。例如节点v7和v10之间的链路所承载的业务重要度和业务流量分别为1.55和17.49，业务重要度相对业务流量来说很小，所以业务层路由选择了这条链路而传输层路由却绕开了这条链路，其目的都是尽量使路径经过本层负载比较小的链路，达到整个网络的负载均衡，降低因某条链路失效而造成巨大网络损失的风险。

表1单层最优路径与综合最优路径

表2各路径在网络单一层面和综合层面的风险值

图4是表2的柱状图表示。从图4中可以看出，综合最优路径(P4)在仅考虑单层风险的情况下其性能都仅仅劣于单层最优路径，性能较佳。而单层最优路径除了在仅考虑本层面情况下最优，在其它层面上却表现欠佳，如：业务层最优路径(P1)在传输层风险大于P2和P4，在物理拓扑层风险大于P3和P4；传输层最优路径(P2)在业务层风险大于P1和P4，在物理拓扑层风险最大，综合风险也大于P1和P4；物理拓扑层最优路径(P3)在其它层面都是风险最大的路径。

本发明所述路由方法某些约束条件下同样适用。如果表1所示综合最优路径过长，无法满足部分业务的时延要求，可以在本发明所述方法基础上加入约束条件，如路径长度小于100，则计算的结果如表3所示。综合最优路径与单层最优路径的性能比较结果与未加约束条件时相同，因此本发明所述路由方法的性能不会受到约束条件的限制。

表3带约束条件的单层最优路径与综合最优路径

综上，本发明所述方法充分考虑区分服务网络中业务重要程度存在差别的特征，从业务层、传输层和物理拓扑层综合考虑路由带来的网络风险，并根据网络承载业务的具体情况动态调整路由风险的计算参数，使依据本发明所述方法计算得到的路径的网络综合风险最小，且在每个单一层面上风险也接近单层最优路径。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (2)

1.一种区分服务网络中低风险路由方法，其特征是该方法包括：

步骤1：根据区分服务网络中业务重要程度存在差异的特征分别创建网络业务层、传输层和物理拓扑层的路由风险的计算公式：

(1)业务层路由风险的计算公式是：

式中，R_X∈(0,1)为网络的业务层路由风险，E为网络的链路集和，|E|为集合E的基数，I_k为链路k上承载业务的重要度，在网络总业务不变的情况下，其取值由路由方法决定，是I_k的归一化值，其计算公式是

(2)传输层路由风险的计算公式是：

式中，R_Y∈(0,1)为网络的传输层路由风险，F_k为链路k上的业务流量，在网络总业务不变的情况下，其取值由路由方法决定，是F_k的归一化值，其计算公式是

(3)物理拓扑层路由风险的计算公式是：

式中，R_Z∈(0,1)为网络的物理拓扑层风险，Q为网络中业务集合，p(q)为业务q 的实际路径，D_p(q)为路径p(q)的长度，p⁰(q)为业务q在网络物理拓扑层的最短路径，为业务q在网络物理拓扑层的最短路径长度；

步骤2：根据步骤1中所述网络业务层、传输层和物理拓扑层的路由风险的计算公式创建网络综合路由风险的计算公式：

R＝αR_X+βR_Y+γR_Z，

式中，R∈(0,1)为网络综合路由风险，α、β和γ的计算公式是：

式中，e为自然常数，η_min和η_max分别为区分服务网络中业务重要度的最小值和最大值，θ_min和θ_max分别为区分服务网络中业务流量的最小值和最大值；

步骤3：根据步骤2中所述网络综合路由风险的计算公式，利用人工免疫算法计算最优路由，使网络综合路由风险最小。

2.根据权利要求1所述方法，其特征是所述步骤3具体包括以下步骤：

步骤3.1种群初始化：根据新到业务B的源宿节点，随机生成N条路径作为人工免疫算法的抗体种群，|V|表示网络的节点个数，每一条路径即为一个抗体，抗体由路径所经过的节点组成，业务B沿着抗体m所表示的路径进行传输后的网络综合路由风险R用R_m表示，将(1-R_m)作为抗体m亲和度的计算公式；

步骤3.2亲和度计算及抗体选择：令B分别沿抗体种群中的每个抗体进行传输，然后根据B的业务重要度、业务流量和每个抗体的路径长度，计算每个抗体的亲和度，选择亲和度最大的前S个抗体组成记忆种群，1＜S＜N；

步骤3.3：如果进化代数已达到最大，则选择记忆种群中亲和度最大的抗体作为结果进行输出，否则进入步骤3.4；

步骤3.4抗体克隆：对记忆种群中的抗体进行克隆操作，生成克隆种群，第m个抗体的克隆数量的计算公式是：

式中，c_m为第m个抗体的克隆数量，函数round(·)的功能是对括号内的实数进行四舍五入取整；

步骤3.5抗体变异及种群更新：对克隆种群进行变异操作，生成变异克隆种群，将记忆种群与变异克隆种群合并为新一代抗体种群，返回步骤3.2。