CN107710696A - 区域导向和变化容忍的快速最短路径算法和图形预处理框架 - Google Patents
区域导向和变化容忍的快速最短路径算法和图形预处理框架 Download PDFInfo
- Publication number
- CN107710696A CN107710696A CN201680034375.7A CN201680034375A CN107710696A CN 107710696 A CN107710696 A CN 107710696A CN 201680034375 A CN201680034375 A CN 201680034375A CN 107710696 A CN107710696 A CN 107710696A
- Authority
- CN
- China
- Prior art keywords
- node
- region
- path
- networking component
- spacing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/392—Floor-planning or layout, e.g. partitioning or placement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
- H04L45/04—Interdomain routing, e.g. hierarchical routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/122—Shortest path evaluation by minimising distances, e.g. by selecting a route with minimum of number of hops
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/126—Shortest path evaluation minimising geographical or physical path length
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/46—Cluster building
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Automation & Control Theory (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Architecture (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请记载用于确定区域导向和变化容忍的快速最短路径并进行图形预处理的方法,该方法包括:网络组件将多个网络节点划分为多个区域;网络组件为每个区域确定边界节点;网络组件根据边界节点确定区域之间的间距,每个间距包括两个区域之间的最小距离和最大距离;网络组件根据间距确定从源节点到目标节点的路径。
Description
相关申请案交叉申请
本申请要求2015年6月24日递交的发明名称为“区域导向和变化容忍的快速最短路径算法和图形预处理框架(Region Guided and Change Tolerant Fast Shortest PathAlgorithm and Graph Preprocessing Framework)”的第14/749,354号美国非临时专利申请案的在先申请优先权和权益,该在先申请的内容以引用的方式并入本文本中。
技术领域
本发明大体上涉及网络,且在具体实施例中,涉及一种用于通信网络管理和控制的系统和方法、涉及一种用于道路网络方向的系统和方法、涉及一种用于社交网络的系统和方法,以及涉及一种用于电路网络中的路径确定的系统和方法。
背景技术
通信网络管理和业务一直处于巨大变革之中。随着软件定义网络(Software-Defined Networking,SDN)和物联网(Internet of Things,IoT)的快速发展,需要无缝、动态地支持数十亿新设备,因此新业务比以往任何时候都承担更多的控制和管理责任。网络路由中的路径计算单元(Path Computation Element,PCE)和生存性分析是这类业务的一些示例,其中最短路径算法是维护网络稳健性、灵活性、经济状况和快速需求(例如,服务水平协议(Service Level Agreement,SLA))响应的技术的核心。
典型最短路径问题已经进行长期研究。假设在图形G中,V是节点数,E是边缘数。众所周知的单对最短路径(Single-Pair Shortest Path,SPSP)算法包括Dijkstra算法(O(V**2))、Bellman-Ford算法(O(VE))和其它变体算法(围绕O(E+V*log(V)))。Floyd–Warshall算法(O(V**3))为图中的每对节点计算所有最短路径。典型最短路径(ShortestPath,SP)算法的主要问题是,在原样使用时,典型算法都不实用。具体而言,当G是非常大的图形(V是数百万或更大)且SPSP在几秒内完成时,情况会如此。SPSP在大型图上的典型应用是电信网络、社交网络和道路网络等。即使是对于节点数可能不是很大的通信网络,也要求根据业务供应在几毫秒内完成SPSP的计算等,这实际上与大型图的情况类似。现实生活中的应用所施加的硬性要求促使寻求新方案来加速SPSP计算。
发明内容
根据本发明一个实施例,一种网络组件中的用于通信网络管理和控制的方法包括:所述网络组件将多个网络节点划分为多个区域,每个网络节点属于所述多个区域之一;所述网络组件为所述多个区域中的每个区域确定边界节点,一所述区域中的每个边界节点连接到连接区域中的至少一个边界节点;所述网络组件根据所述多个边界节点确定所述多个区域之间的多个间距,每个所述间距包括一对区域的边界节点之间的最小距离和最大距离;以及所述网络组件根据所述多个间距确定从源节点到目标节点的路径。
根据本发明另一个实施例,一种用于路径确定的网络组件包括处理器和存储由所述处理器执行的程序的非瞬时性计算机可读存储介质,所述程序包括执行以下操作的指令:将多个网络节点划分为多个区域,每个网络节点属于所述多个区域之一;为所述多个区域中的每个区域确定边界节点,一所述区域中的每个边界节点连接到连接区域中的至少一个边界节点;根据所述多个边界节点确定所述多个区域之间的多个间距,每个所述间距包括一对区域的边界节点之间的最小距离和最大距离;以及根据所述多个间距确定从源节点到目标节点的路径。
附图说明
为了更完整地理解本发明及其优点,现在参考下文结合附图进行的描述,其中:
图1示出了本发明的系统和方法可以在其中实施的网络的一个实施例;
图2是划分网络中的节点的一个实施例系统的图;
图3是图2所示的原始图的高级视图的图;
图4是间距矩阵的一个实施例的图;
图5是示出用于计算哪个sbx有可能使用区域导向搜索并进一步使用预处理的间距矩阵R搜索区域的一个实施例系统的图;
图6是图示用于搜索内区的最短路径的系统的一个实施例的图;
图7是图示拓扑变化的示例的方框图;
图8是图示用于将节点聚集到区域中的系统的一个实施例的图;
图9是展示图形算法如何能与各个组件交互以获得快速最短路径决定的系统的一个实施例的方框图;
图10是用于确定跨节点网络的路径的方法的一个实施例的流程图;
图11是可以用来实施本文公开的设备和方法的处理系统的方框图。
具体实施方式
下文将详细论述实施例的制作和使用。然而,应了解,本发明提供可在各种具体上下文中体现的许多适用的发明性概念。所论述的具体实施例仅说明用以实施和使用本发明的具体方式,而不限制本发明的范围。
典型SP算法的并行化是解决实际问题的一种方案。单节点多线程方案可以处理相对较小的图上的SPSP。大量多线程方案通过利用提供海量数据并行能力的图形处理器(Graphics Processing Unit,GPU)架构取得了一定的成功。Pregel(谷歌)采用批量同步并行(Bulk Synchronous Parallel,BSP)模型跨分布式计算节点分布图形节点。这样,计算节点能够共享全部工作负载,代价是进行一定的通信和网络管理。基于BSP,Apache Gigraph利用Apache Hadoop平台来加速SPSP算法。Apache Spark平台上的GraphX还享有内存计算来实现尤其是迭代图形算法的更快加速。使SPSP并行且在分布式系统上运行算法显然是当前的主流。然而所有实施方式都没有减少计算量。虽然使用了大型集群,但是SPSP的执行时间仍然很长。
预处理是其它方法中用来加速SPSP算法的替代方案。这些方法中的部分使用2阶段处理。阶段1产生图形的附加信息;阶段2使用阶段1产生的附加信息加快预处理图形上的SPSP计算。一些替代方法通过选择属于最短路径的某些路径分段来将搜索指向目标,并且根据预处理信息忽略不属于最佳路径的其它分段。这样,搜索通过一类地标/路标来引导,因此能够大大缩减搜索空间。
定制化路由规划(Customizable Route Planning,CRP)是另一种方法,其将图形划分为覆盖子图,并且利用子图间的预计算距离来处理查询。
SPSP是现实生活中许多应用的核心。以特定约束最短路径发现(ConstraintShortest Path Finding,CSPF)为例,存在许多实际约束和实时要求。网络状态(图形拓扑)不是恒定的。如果分配了对网络资源的请求,那么除了其它因素引起的改变之外,该请求的承诺还会改变下一个请求的网络可用资源。CSPF所耗费的时间必须在几毫秒内。网络拓扑的动态性质和对查询进行快速响应的要求对所有现有SPSP算法都带来了巨大的挑战。为了加速查询,应通过某些预处理来避免查询期间的任何不必要的计算。
一些现有方法包括基于范围的SPSP算法、基于地标的算法和基于分区的算法。基于范围的SPSP算法ALT[1]对图形进行预处理以便为每个顶点产生“范围”作为包含该顶点的所有路径的上界。在双向搜索期间,范围用于缩小搜索空间。然而,由于该方式基于顶点,所以粒度太低,不适合不断变化的图形。
基于地标的算法[2]使用三角不等式将所有顶点的距离预处理为一组选定地标,以便缩减搜索空间。用于进行预处理的计算量是巨大的,并且如果图形发生改变,则整个预处理都必须重计算。但是对用于缩小搜索的地标的想法明显加快了对查询的响应。
基于分区的算法[3]通过仅具有各个单元格的边界顶点来形成H图形,然后应用双向SPSP算法(Dijkstra)。该方法以更高的水平计算路径,但是不计算任何界限来限制搜索空间。变化容忍也未考虑。基于分区的算法[4]还预计算单元格之间的界限并进行双向搜索,同时维持每个前沿的上界估计。但是,没有利用单元格之间的下界。
本文公开了从三方面解决这个问题的方法:拓扑抽象(图形划分)、目标区域导向SPSP和拓扑抽象更新。
本文公开了一种用于区域导向和变化容忍的快速最短路径算法和图形预处理框架的单对(一个源节点到一个目的节点)最短路径(single pair shortest path,SPSP)系统和方法。一个实施例是针对大型网络上的具有不可预知变化的快速SPSP查询。所公开的系统和方法的实施例系统地、动态地快速处理查询并有效地满足实际需求。
公开了一种两步随机N播种聚类算法。在一个实施例中,第一步,随机N播种合并,确保图形中的每个顶点有相当平等的机会与其最靠近的邻居联合形成一个较大的团体,直到形成N个团体(区域)。这一过程在很大程度上消除了通常与其它方法共存的有偏向的聚类算法。第二步,再平衡,还探索在极端情况下改进偶尔不平衡的集群的机会。
在一个实施例中,借助于分区的附加预处理信息,主要的SPSP计算在很大程度上是由N个较大顶点组成的高层级拓扑。SPSP通过有助于极大地消除很大一部分搜索空间的未来路径长度的间距来引导。因此实现了快速搜索。
在一个实施例中,网络更新主要局部在所公开的框架下。由于所公开的系统和方法的实施例的搜索速度依赖于子图上的边界顶点之间的距离预处理,所以链路上的变化很可能不会影响距离。如果发生变化,则变化通常在子图中获得,这会导致高层预处理变得多余。由于局部重新预处理是在子图上进行,所以计算量减少。如果局部重新预处理仍然被认为不满足实际需求,则可以将所公开的框架再次分层应用到子图。因此,对网络更新的预处理仍然有效。
虽然本文主要结合通信网络进行描述,但是本文公开的系统和方法也可应用于其它类型的地图和路径计算,例如确定地图上的城市之间的路线。
本文公开了一种网络组件中的用于路径确定的方法的一个实施例。该方法包括:网络组件将多个网络节点划分为多个区域,每个网络节点属于区域之一;网络组件为每个区域确定边界节点,区域中的每个边界节点连接到连接区域中的至少一个边界节点;网络组件根据边界节点确定区域之间的间距,每个间距包括每对区域的边界节点之间的最小距离和最大距离;网络组件根据间距确定从源节点到目标节点的路径。在一个实施例中,所确定的路径用于建立至少一个网络节点。该方法还可包括:在其中一个区域内的边界节点发生变化后,为这个区域重新确定间距。在一个实施例中,根据间距确定从源节点到目标节点的路径包括根据间距消除搜索空间。在一个实施例中,划分是一个两步过程。第一步包括对节点进行分组,使得每个节点具有基本相等的机率与其最靠近的邻居分到同组。第二步包括对区域进行再平衡。在一个实施例中,在节点之间的链路发生变化后,仅重新计算所确定的路径的一部分。在一个实施例中,划分包括将节点划分为组和子组层级,其中,至少一个组包括多个子组,每个子组包括多个节点。在一个实施例中,所确定的路径包括多个子路径,其中,在发生变化后,可仅计算发生变化的节点所在的组或子组内的或者组间的部分预处理信息。在一个实施例中,变化包括到其它节点的链路发生变化、到另一节点的链路发生故障、增加到另一节点的链路、将节点添加到网络。在一个实施例中,变化包括道路的驾驶性发生变化、增加新道路、道路限速发生变化,其中节点是至少两条道路交叉的地点。
本文公开了一种用于路径确定的网络组件。在一个实施例中,网络组件包括处理器和存储由处理器执行的程序的非瞬时性计算机可读存储介质,该程序包括执行以下操作的指令:将多个网络节点划分为多个区域,每个网络节点属于区域之一;为每个区域确定边界节点,区域中的每个边界节点连接到连接区域中的至少一个边界节点;根据边界节点确定区域之间的间距,每个间距包括两个区域的边界节点之间的最小距离和最大距离;根据间距确定从源节点到目标节点的路径。
图1示出了本发明的系统和方法可以在其中实施的网络100的一个实施例。网络100可包括多个节点110、路径计算单元(path computation element,PCE)175和路径计算客户端(path computation client,PCC)171。节点110、PCE 175和PCC 171可通过链路(通过实线示出)彼此通信。链路可以是有线链路(例如光链路、电链路)或无线链路。节点110可以是能够与其它设备建立连接并且无线地或通过有线连接与其它设备通信的任何网络设备。在一个实施例中,PCE 175和/或PCC 171可共置在一个节点110内。网络100可以是无线接入网(radio access network,RAN)、回程网络、互联网骨干网、多种类型的网络的组合,或任何其它类型的通信网络。
路径可以由PCC 171和/或PCE 175提供。例如,PCC 171可从PCE 175请求路径或路线,PCE 175计算路径并将计算出的路径信息转发回PCC 171。路径可以是点对点(point-to-point,P2P)路径,其可包括多个节点并从源节点延伸到目标节点。PCC 171向一个或多个节点110提供路径信息或路径信息的子集。
图2是划分网络中节点的实施例系统200的图。系统200包括划分为多个区域208、210、212、214、216的多个节点206。系统200还包括源节点202和目标节点204。需要源节点202与目标节点204之间的最短路径。部分节点(例如206)可以是边界节点,它们位于区域208、210、212、214、216的“边缘”上并与另一区域208、210、212、214、216的边界节点相连。在一个实施例中,系统200可实施为图1中的网络100。节点202可例如为图1中的任意节点110。
虽然主要结合电信网络进行描述,但是本领域普通技术人员将认识到,所公开的系统和方法不限于此,而是可应用于在其中计算网络分段之间的路径的许多其它应用。例如,所公开的系统和方法可应用于路线图以确定地图上的地点之间的最短路径。又例如,所公开的系统和方法可应用于社交网络环境中。又例如,所公开的系统和方法可应用于电路网络以提供电路元件之间的路径。本领域普通技术人员将认识到所公开的系统和方法的其它应用。
通常,术语节点在电信应用中使用,顶点在其它绘图和网络环境中使用,但是出于本发明的目的,这些术语可互换使用。在一个实施例中,节点或顶点是网络中的两个或更多链路交叉的交叉点。在电信环境中,节点可以是网络元件,其连接到其它网络元件。在路线图环境中,节点或顶点可以是两条或更多道路交叉的点。在社交网络环境中,每个用户图像代表一个节点并“链接”到被视为“朋友”或位于用户的“网络”中的其它用户图像。
系统200的图通过G=(V,E)表示,其中,V是一组顶点,E是链接顶点的一组边缘。在不失一般性的情况下,假设G被连接并且不定向。作为人类,我们凭直觉从地图上认出短路径,从不通过穷尽搜索,而是通过以下操作:俯视源和目标区域,然后沿着链接s或t所属区域的路线连接中间区域,最后在以通向目标的大致正确的方向确定路线的区域内进行选择。解决复杂问题的一个方法是通过以下操作将工作分而治之:将原始问题划分为小问题(子问题),然后解决这些小问题,可以通过解决这些小问题来形成对原始问题的解决方案。SPSP也不例外。一个简单搜索,无论是Dijkstra搜索还是Bellman-Ford搜索,都导致在现实中不切实际的穷尽搜索。许多研究已表明图像的高级抽象/划分对于SPSP方案的效率至关重要。一个实施例遵循以下路线:高级图形抽象、目标区域导向的SPSP、图形抽象更新。
I.图形
假设N>0,如果V=∪i=1 to NVi,则V被划分为N个;如果i≠j、0<i、j≤N,则且也就是说,集合V被划分为N个不相交子集。可以从G构造新图形G'=(V',E'),使得V'={V1,…,Vn},V'是V的N分区,E'={始于链接两个集群Vi和Vj的E的所有边缘}。G'被视为G的基于N分区的抽象。
通过抽象,可以在更高层级针对方向和关键交通港口等图像信息来研究G。这与在大陆层级总览世界地图很相似。如果有人想要从纽约旅行到伦敦,那么其不太可能先去到里约热内卢然后再去伦敦,这是由于以下事实:这一方向偏离了去往目标城市的方向。加速SPSP的关键是具有正确的抽象。抽象可以通过各种聚类算法来完成。对于SPSP,在一个实施例中,需要具有表示整体集群紧密度的信息功能。目标是将G划分为N个部分,其中每个部分的顶点紧密相连。有两个基本属性表示两个顶点之间的关系:连通性和距离。但是连通性可以通过距离隐式地表示(e=∞是指不存在边缘)。在不失一般性的情况下,假设在下文的论述中,G最多有N个不相连的集群。在下文中,术语区域和集群可互换使用。
如果集群的任何一对顶点的最短路径都在该集群内,那么该集群称为闭合。闭合的Vi的紧密度,表示为紧密度(Vi),测量为Vi内所有对顶点的最短距离之和。一种特殊情况是,如果Vi包括单个顶点,则紧密度(Vi)=0。假设N>0,聚类算法如下。
(0)首先,每个顶点自身形成集群Vi
(1)随机选择N个集群。
对于每个选定集群,选择一个邻居集群来合并,使得Vi的v与vi之间的任何最短路径都在Vi内。
(2)重复(1),直到G被划分为N个或不再有合并
(3)检查是否有来自Vj的边界顶点u可以合并到相连邻居集群Vi中,使得新形成的集群Vi∪{u}和(Vj–{u})闭合且紧密度(Vi∪{u})+紧密度(Vj–{u})<紧密度(Vi)+紧密度(Vj)。如果是这样,则进行合并。
(4)重复(3),直到不能进行任何操作或者G被划分为N个
以上聚类算法通过2个阶段工作:合并和再平衡。首先,其通过合并紧密相连的邻居从较小的集群形成较大的闭合集群。其次,对划分为N个的图形进行微调以使其更靠近。注意,以下情况是可能的:G可能不是使用聚类算法精确地划分为N个。但是其进行以下区域导向搜索算法不会失败,因为N仅仅是一个经验性提示。由于聚集步骤在预处理阶段完成,所以计算量不是主要问题。
通过聚类算法,可以确定具有图2所示的原始图200的高级视图的图3所示的图300。SPSP算法可以通过将大部分计算移到预处理中来利用高级视图。图300仅示出源节点202和目标节点204以及各个区域208、210、212、214、216,以及从始于各个区域208、210、212、214、216的边界节点到其它区域208、210、212、214、216的边界节点的路径。区域208、210、212、214、216内的节点未示出。
II.目标区域导向SPSP
进一步预处理以构造被划分的图形G'的图像信息。假设G'由N个集群组成。
要对该图进行预处理,首先按上文第I节划分G所描述的进行操作。然后计算以下矩阵,如下文所述。为集群的每对边界顶点计算距离矩阵Bdist。
Rdist(Vk):每个矩阵元素Rdist(Vk)(i,j)是区域Vk的边界顶点对vi与vj之间的最短距离。
基于Rdist计算集群间的距离矩阵Cmin和Cmax,它们分别是一个N×N矩阵。
Cmin:每个元素Cmin(i,j)是从Vi的边界顶点到G'中的Vj的边界顶点的最小最短距离。为简单起见,如果在下文的算法中使用顶点(u和v)代替i和j,则Cmin(u,v)类似地表示顶点u和v所属集群的边界顶点之间的最小最短距离。
Cmax:每个元素Cmax(i,j)是从Vi的边界顶点到G'中的Vj的边界顶点的最大最短距离。Cmax的其它用法与Cmin类似。
假设源顶点s在Vs中,目标顶点t在Vt中。一种快速目标区域导向搜索算法如下:
(0)如果s和t在同一Vi内,则使用表示为distance(s,t)的最短路径算法计算从s到t的最短路径并退出
使len_low_t为从t到其区域的一个边界顶点的最短距离,len_high_t为到边界的最长最短路径。
初始化队列Q和T
初始化V中的每个v:v.length=∞
s.length=0
lowerest_high=∞
(1)对Vs的每个边界顶点v进行
(2)Q=T
清除T
(3)对Q中的每个(v,len_low,len_high)进行
(4)重复(2)、(3),直到T为空
(5)从s到t的最短路径=min{v.length+distance(v,t)|v是Vt的边界顶点}
本发明的一个优势在于,在任何搜索扩展点处都将仅考虑长度范围内的路径。因此偏离目标的任何搜索方向都将因较大的低长度限制而处于不利地位。因此,受下限和上限所限制的路径范围明显缩减了搜索空间,并且在预处理信息的帮助下,算法的计算量很低。
图4是间距矩阵的一个实施例的图。每个单元格包括两个条目Cmin和Cmax。每个单元格的顶部条目是Cmin,底部条目是Cmax。Cmin是两个区域之间的边界顶点间的最小可能距离,Cmax是两个区域之间的边界顶点间的最大可能距离。间距矩阵400关于对角线对称,对角线上的条目对于Cmin为空或零,因为对角线条目表示同一区域(例如,区域1与区域1之间)的边界顶点间的距离,对于最小距离,其必为零,对于Cmax则为其它值。例如,第1列第2行显示区域1与区域2之间的边界顶点间的最小值Cmin=20,最大值Cmax=40。第2列第1行与第1列第2行相同,因为其表示同样的两个区域。
图5是示出用于计算哪个sbx有可能使用区域导向搜索并进一步使用预处理的间距矩阵Cmin和Cmax搜索区域的实施例系统500的图。偏离从源区域到目标区域的最短路径的任何顶点都将在初期阶段被忽略。系统500示出来自系统200的区域1 208和区域5 216。每个区域包括一个或多个边界顶点502、504、506、508、510、512、514、516。区域1 208还包括源节点202,区域5 216包括目标节点204。各个源边界顶点502、504、506、508可以标记为sbi,其中i指示哪个源区域边界节点。类似地,各个目标边界顶点510、512、514、516可以标记为tbj,其中j指示哪个目标区域边界节点。搜索从源202开始,向源区域边界sb1、sb2、sb3和sb4进行。类似地,(使用任何搜索算法进行的)从目标边界tb1、tb2、tb3和tb4向目标204进行搜索。虽然针对源区域208和目标区域216中的每一个以四个边界顶点来显示,但是本领域普通技术人员将认识到,本文公开的系统和方法适用于具有任何数量的边界顶点的区域。此外,本领域普通技术人员将认识到,不同区域中的边界顶点的数量未必相同。接着,进一步使用区域之间的距离的预处理矩阵R来计算哪个sbx有可能进行搜索。因此在任何时候都知道离源有多远,以及离目标有多远。因此,最小和最大长度如下给出:
sbi处的最小路径长度:len(sbi)+Cmin(1,5)+len_low_t(t)
sbi处的最大路径长度:len(sbi)+Cmax(1,5)+len_high_t(t)
其中len_low_t(tbj)和len_high_t(tbj)是从目标顶点到其区域的边界顶点的最短路径的最小和最大长度。
在一个实施例中,可以假设sbi具有一个长度范围。因此,最小长度超过已知范围的当前最小上限的任何顶点都无用,因此被忽略。后续搜索迭代与初始源区域类似。
图6是图示用于搜索内区的最短路径的系统600的一个实施例的图。系统600示出源区域208与目标区域216之间的内区X 602。目标区域216包括目标节点204。区域X 602可以是图2中的区域210、212和214中的任一者。区域X 602包括分别标记为b1、b2、b3、b4和b5的边界顶点604、606、608、610和612。对于内区的后续搜索迭代,在一个实施例中,仅需考虑到目标区域216的边界顶点。假设b1是从到区域X 612的链路扩展的用于搜索这一迭代的顶点。将针对成为潜在最短路径中的候选顶点的可能性,检查区域X 612的所有边界顶点(b1、b2、b3、b4和b5)。图6显示仅选择b5用于下一搜索迭代,而其它的则作为候选被淘汰,因为它们的长度范围在最佳范围之外。因此,在考虑将边界顶点bx扩展到同一区域上的另一边界顶点时,将类似的过程应用到内区X 602:
x区域处的最小值:len(bx)+Rdist(X)(bx,by)+Cmin(X,5)+len_low_t(t)
x区域处的最大值:len(bx)+Rdist(X)(bx,by)+Cmax(X,5)+len_high_t(t)
注意,在内区210、212和214中搜索时仅使用边界顶点,且边界顶点间的距离已被预处理。因此,无需在区域内搜索。此外,候选顶点可以在初期阶段快速淘汰。搜索通过使用预处理的距离在高层进行,间距值(即,范围)有效地缩小搜索空间。
III.拓扑更新和图形画像更新
在现实中,特别是在电信中,网络处于不断变化中。这种变化甚至会发生在两次连续的SPSP计算之间。对SPSP的快速响应对于维护SLA至关重要。因此后续长预处理更新对快速变化的网络来说变得不切实际。由于所公开的基于间距的SPSP算法,改变图形画像所需的计算量减少为非常小的规模,或者在一些情况下甚至不需要。已观察到,在很短的时间内,少量路段或网络链路中几乎一直发生路线图或电信网络变化。这一披露使得发生网络变化后所需的预处理计算的量明显减少。
拓扑变化包括:移除或增加顶点/边缘,或者边缘的权重发生变化。为了更好地描述网络状态并使处理更容易,引入了边缘移除符号和基图。
移除边缘e通过将e的权重设置为∞来表示,∞可以是所公开的框架中足够大的正数。
网络变化可以通过其对应的从G1=(V1,E1)变为G2=(V2,E2)的图形来描述。在时间帧期间,最新网络状态可以视为开始于其初始图形的一系列图形变换:G0=(V0,E0)、G1=(V1,E1)…G+=(V+,E+)。G0被称为G+'的基础。
移除边缘e对应于将e设置为∞,e仍然存在于图形中。移除顶点v可以通过将v的所有边缘设置为∞来表示,v仍然存在于图形中。因此,所有图像变化都成为边缘权重变化。基图足以模拟现实网络,因为网络节点或链路可能变化,但是在合理的时间帧中不可预见新节点或链路很少见。很明显,非常小的一部分顶点或边缘的变化仅引起图形划分下局部变化。对于划分为N个的图形,如果短时间内的变化数远少于N,那么变化将很有可能在很少的分区内发生。如果两个连续SPSP查询的相隔时间较短,则会发生很少的变化或不发生变化。否则,如果两个连续SPSP查询的时间相隔很远,在该时间帧中可能发生更多变化,可以采用一种增量方法来更新图像信息,以便支持做更多的工作,因为支持更多的时间。限制局部范围内的变化可以使预处理有巨大差异。主要的计算仅在基图G0的最初始的预处理处进行。
假设基图是被预处理并划分为N个区域的G0=(V,E0)。用于更新预处理信息的算法如下。
(1)假设发生图形变化事件
先前的图:Gi=(V,Ei)。和被预处理
当前图形:Gi+1=(V,Ei+1)
计算D=Ei+1-Ei∩Ei+1
Dbridge={e|e D,e是连接两个区域的边缘}
Dinner=D-Dbridge
high_level_compute=true,前提是Dbridge不为空,否则是false
(2)对于每个e∈Dinner
标记e所驻留的区域
(3)对于(2)中的每个标记区域
计算
high_level_compute=true,前提是
(4)如果high_level_compute=true
计算
如果一对边界顶点的最短路径上的一个区域内发生变化,则预处理更新中的主要计算针对在较低层进行,或者,针对和潜在地在高层进行。注意,的计算仅针对区域中的边界顶点,该区域需要很少的计算。即使是高层和它们的计算也在O(N**3),其中N通常很小。此外,如果变化可控那么将根本不存在高层重计算。
图7示出了拓扑变化的示例。在第一种情况702下,变化是可控的。在第二种情况704下,这是最坏的情景,在一个实施例中仅需重计算单元格和顶部矩阵。在第三种情况706下,在一个实施例中仅需重计算顶部区域矩阵。
IV.聚类算法
图8是图示用于将节点聚集到区域中的系统800的一个实施例的图。系统800包括九个节点802和十二个具有相等权重的边缘。九个节点802通过一个过程进行分组和重组,直到形成N个区域。系统800显示分组的六阶段过程,而其它实施例可包括更多或更少的阶段,直到形成N个区域。
聚类算法有两个阶段:区域形成和区域再平衡。闭合用作选择合并到哪个邻居以形成更大区域的标准。首先,每个单独的顶点802形成一个区域804。随机选择两个区域804作为通过垂直散列标记的种子。标记有水平散列的区域804是来自前一迭代的种子的合并结果。要形成的区域804的数量N通过输入作为以下目标给出:将图形划分为N个区域804。在本实施例中,N是2。接着,随机选择两个区域804以考虑与它们的直接邻居合并。然而,仅选择产生的区域804在其中形成闭合的那些。重复这个选择过程,直到形成了N个区域804或者不能再执行任何操作。形成区域804之后,再平衡阶段尝试从邻居区域804“窃取”顶点以基于紧密度启发函数确定产生的区域804是否更好。
V.基于图形算法框架的预处理
由于使用预处理图形对于许多图形应用通常总是又快又便宜,所以,在一个实施例中,预处理的图像应缓存并与任何与它们相关联的变化同步。图9是展示图形算法可以如何与各个组件交互以获得快速最短路径决定的系统900的一个实施例的方框图。系统900包括基图组件902、图形计算请求组件904、图形预处理组件906、算法引擎组件908、高效分层算法导向图形组件910、图形计算结果承诺组件912、图形变化事件组件914和高效图形更新组件916。基图组件902接收基图,然后图形预处理组件906使用该基图计算顶点分组和每对组之间的间距,并等待来自图形计算请求组件904的用户请求。图形预处理组件906还可将一个组内的顶点再分组为子组,并确定每对子组之间的间距。预处理结果提交给高效分层算法导向图形组件910。图形计算请求组件904从网络设备收到对路径的请求并将请求提交给算法引擎组件908,算法引擎组件908执行例如上述目标区域导向SPSP算法。图形计算请求组件904接收针对图形计算的用户请求,该请求被提交给算法引擎组件908。算法引擎组件908是接收来自高效分层算法导向图形组件910的预处理图形或来自基图902的原始图形的驱动器,其使用合适的图形算法来满足图形计算请求组件904的要求。算法引擎组件908的输出被发送到图形计算结果承诺组件912,图形计算结果承诺组件912将结果呈现给用户。向用户呈现结果可以是在地图上向用户显示或者可以涉及到另一设备的传送方向。图形变化事件组件914从图形计算结果承诺组件912接收结果和变化事件(例如,通信节点不可操作、节点之间的链路断开(例如,道路关闭或者电信链路断开)),并将变化和组件912的输出提供给高效图形更新组件916,高效图形更新组件916更新图形并将更新提供给高效分层算法导向图形组件910。
图10是用于确定跨顶点网络的路径的方法1000的一个实施例的流程图。方法1000开始于方框1002,在方框1002处,将网络划分为顶点组。在一些实施例中,还可将一个或多个组再划分为子组。每个子组还可划分为提供层次级分组的进一步子组。在方框1004处,确定每个组(或子组)的边界顶点。在方框1006处,确定每对组的间距,其中间距是每对组的从第一组的边界顶点到第二组的边界顶点的最大可能路径和最小可能路径。在方框1008处,接收对从源节点到目标节点的路径的请求。在方框1010处,根据包含源节点和目标节点的组的边界顶点之间的最大可能和最小可能路径、从源节点到源组的边界顶点的可能路径以及始于目标组的边界顶点的可能路径,确定从源节点到目标节点的最短路径。在方框1012处,将路径传送给网络设备,然后方法1000可结束。
图11是可以用来实施本文公开的设备和方法的处理系统1100的方框图。特定设备可使用所有所示的组件或仅使用组件的一个子集,且设备之间的集成程度可不同。此外,设备可包含组件的多个实例,例如多个处理单元、处理器、存储器、发射器、接收器等。处理系统1100可包括装备有扬声器、麦克风、鼠标、触摸屏、小键盘、键盘、打印机、显示器等一个或多个输入/输出设备的处理单元1101。处理单元1101可包括中央处理器(centralprocessing unit,CPU)1110、存储器1120、大容量存储设备1130、网络接口1150、I/O接口1160和连接到总线1140的天线电路1170。处理单元1101还包括连接到天线电路的天线振子1175。
总线1140可以是任意类型的若干总线架构中的一个或多个,包括存储总线或存储控制器、外设总线、视频总线,等等。CPU 1110可包括任意类型的电子数据处理器。存储器1120可包括任意类型的系统存储器,例如静态随机存取存储器(static random accessmemory,SRAM)、动态随机存取存储器(dynamic random access memory,DRAM)、同步DRAM(synchronous DRAM,SDRAM)、只读存储器(read-only memory,ROM)、它们的组合,等等。在一个实施例中,存储器1120可包括在开机时使用的ROM以及在执行程序时使用的存储程序和数据的DRAM。
大容量存储设备1130可包括任意类型的存储设备,用于存储数据、程序和其它信息以及使这些数据、程序和其它信息可通过总线1140访问。大容量存储设备1130可包括,例如一个或多个固态驱动器、硬盘驱动器、磁盘驱动器、光盘驱动器等。
大容量存储设备1130和存储器1120可以是非瞬时性计算机可读介质。
I/O接口1160可提供将外部输入和输出设备耦合至处理单元1101的接口。I/O接口1160可包括视频适配器。输入和输出设备的示例包括耦合至该视频适配器的显示器和耦合至该I/O接口的鼠标/键盘/打印机。其它设备可耦合至处理单元1101,并且可使用更多或更少的接口卡。例如,可使用通用串行总线(Universal Serial Bus,USB)(未示出)等串行接口来为打印机提供接口。
天线电路1170和天线振子1175可支持处理单元1101通过网络与远程单元通信。在一个实施例中,天线电路1170和天线振子1175提供对长期演进(Long Term Evolution,LTE)、码分多址(Code Division Multiple Access,CDMA)、宽带CDMA(Wideband CDMA,WCDMA)和全球移动通信系统(Global System for Mobile Communications,GSM)网络等无线广域网(wide area network,WAN)和/或蜂窝网络的接入。在一些实施例中,天线电路1170和天线振子1175还可为其它设备提供蓝牙和/或WiFi连接。
处理单元1101还可包括一个或多个网络接口1150,其可包括有线链路,例如以太网电缆等,和/或无线链路,以接入节点或不同网络。网络接口1101使处理单元1101通过网络1180与远程单元通信。例如,网络接口1150可通过一个或多个发射器/发射天线和一个或多个接收器/接收天线提供无线通信。在一个实施例中,处理单元1101耦合到局域网或广域网上以用于数据处理以及与远程设备通信,远程设备是例如其它处理单元、互联网、远程存储设施等等。
在一个实施例中,处理系统1100包括:分区模块,其通过网络组件将多个网络节点划分为多个区域,每个网络节点属于区域之一;边界节点模块,其通过网络组件为每个区域确定边界节点,区域中的每个边界节点连接到连接区域中的至少一个边界节点;间距模块,其通过网络组件根据边界节点确定区域之间的间距,每个间距包括每对区域的边界节点之间的最小距离和最大距离;以及路径模块,其通过网络组件根据间距确定从源节点到目标节点的路径。在一些实施例中,处理系统1100可包括用于执行实施例中描述的任一步骤或步骤组合的其它或附加模块。
以下参考与本申请的主题相关。每个参考文件以全文引入的方式并入本文中。
【1】A.V.Goldberg和C.Harrelson,计算最短路径:A*搜索满足图论(Computingthe shortest path:A*search meets graph theory),2004年关于离散算法的第16次ACM-SIAM研讨会中,第156–165页。
【2】A.Efentakis和D.Pfoser,优化基于地标的路线选择和预处理(OptimizingLandmark-Based Routing and Preprocessing),于2013年11月在美国佛罗里达州奥兰多的第13次IWCTS。
【3】D.Delling、A.V.Goldberg、T.Pajor和R.F.Werneck,定制化路线规划(Customizable route planning),2011年在海德尔堡柏林的关于实验算法的第10次国际会议的会议记录中,SEA’11,第376–387页,施普林格出版社。
【4】J.Maue、P.Sanders和D.Matijevic,使用预计算的集群距离进行目标导向的最短路径查询(Goal-Directed Shortest-Path Queries Using Precomputed ClusterDistances),2009年ACM JEA 14:3.2:1-3.2:27。
虽然已参考说明性实施例描述了本发明,但此描述并不意图限制本发明。所属领域的技术人员在参考该描述后,将会明白说明性实施例的各种修改和组合,以及本发明其他实施例。因此,所附权利要求书意图涵盖任何此类修改或实施例。
Claims (22)
1.一种网络组件中的用于路径确定的方法,其特征在于,包括:
所述网络组件将多个网络节点划分为多个区域,每个网络节点属于所述多个区域之一;
所述网络组件为所述多个区域中的每个区域确定边界节点,一所述区域中的每个边界节点连接到连接区域中的至少一个边界节点;
所述网络组件根据所述多个边界节点确定所述多个区域之间的多个间距,每个所述间距包括一对区域的边界节点之间的最小距离和最大距离;以及
所述网络组件根据所述多个间距确定从源节点到目标节点的路径。
2.根据权利要求1所述的方法,其特征在于,还包括:在所述多个区域中的一个区域内的边界节点发生变化后,为所述多个区域中的所述一个区域重新确定间距。
3.根据权利要求1或2所述的方法,其特征在于,根据所述间距确定从所述源节点到所述目标节点的所述路径包括根据所述间距消除搜索空间。
4.根据权利要求1至3中的任一项所述的方法,其特征在于,所述划分包括一个两步过程。
5.根据权利要求4所述的方法,其特征在于,所述两步过程中的第一步包括对所述多个网络节点进行分组,使得每个节点具有基本相等的机率与其最靠近的邻居分到同组。
6.根据权利要求4所述的方法,其特征在于,所述两步过程中的第二步包括对所述多个区域进行再平衡。
7.根据权利要求1至6中的任一项所述的方法,其特征在于,在节点之间的链路发生变化后,仅重新计算确定的所述从源节点到目标节点的路径的一部分。
8.根据权利要求1至7中的任一项所述的方法,其特征在于,所述划分包括将所述多个节点划分为包括组和子组的层级,其中,至少一个组包括多个子组,所述多个子组的每个子组包括多个节点。
9.根据权利要求1至8中的任一项所述的方法,其特征在于,确定的所述从源节点到目标节点的路径包括多个子路径,在发生变化后,仅重计算发生变化的节点所在的组或子组内的子路径。
10.根据权利要求9所述的方法,其特征在于,所述变化包括以下项之一:到其它节点的链路发生变化、到另一节点的链路发生故障、增加到另一节点的链路、将所述节点添加到所述网络。
11.根据权利要求9所述的方法,其特征在于,所述变化包括以下项之一:道路的驾驶性发生变化、增加新道路、道路限速发生变化,其中所述节点是至少两条道路交叉的地点。
12.一种用于路径确定的网络组件,其特征在于,包括:
处理器;以及
存储由所述处理器执行的程序的非瞬时性计算机可读存储介质,所述程序包括执行以下操作的指令:
将多个网络节点划分为多个区域,每个网络节点属于所述多个区域之一;
为所述多个区域中的每个区域确定边界节点,一所述区域中的每个边界节点连接到连接区域中的至少一个边界节点;
根据所述多个边界节点确定所述多个区域之间的多个间距,每个所述间距包括一对区域的边界节点之间的最小距离和最大距离;以及
根据所述多个间距确定从源节点到目标节点的路径。
13.根据权利要求12所述的网络组件,其特征在于,所述程序还包括执行以下操作的指令:在所述多个区域中的一个区域内的边界节点发生变化后,为所述多个区域中的所述一个区域重新确定间距。
14.根据权利要求12或13所述的网络组件,其特征在于,根据所述间距确定从所述源节点到所述目标节点的所述路径包括根据所述间距消除搜索空间。
15.根据权利要求12至14中的任一项所述的网络组件,其特征在于,所述划分指令包括一个两步过程。
16.根据权利要求15所述的网络组件,其特征在于,所述两步过程中的第一步包括对所述多个网络节点进行分组,使得每个节点具有基本相等的机率与其最靠近的邻居分到同组。
17.根据权利要求15所述的网络组件,其特征在于,所述两步过程中的第二步包括对所述多个区域进行再平衡。
18.根据权利要求12至17中的任一项所述的网络组件,其特征在于,在节点之间的链路发生变化后,仅重新计算确定的所述从源节点到目标节点的路径的一部分。
19.根据权利要求12至18中的任一项所述的网络组件,其特征在于,所述划分指令包括将所述节点划分为组和子组层级的指令,至少一个组包括多个子组,每个子组包括多个节点。
20.根据权利要求12至19中的任一项所述的网络组件,其特征在于,确定的所述从源节点到目标节点的路径包括多个子路径,在发生变化后,所述程序包括的指令仅重计算发生变化的节点所在的组或子组内的子路径。
21.根据权利要求20所述的网络组件,其特征在于,所述变化包括以下项之一:到其它节点的链路发生变化、到另一节点的链路发生故障、增加到另一顶点的链路、将所述节点添加到所述网络。
22.根据权利要求20所述的网络组件,其特征在于,所述变化包括以下项之一:道路的驾驶性发生变化、增加新道路、道路限速发生变化,其中所述节点是至少两条道路交叉的地点。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/749,354 US9599483B2 (en) | 2015-06-24 | 2015-06-24 | Region guided and change tolerant fast shortest path algorithm and graph preprocessing framework |
US14/749,354 | 2015-06-24 | ||
PCT/CN2016/086572 WO2016206578A1 (en) | 2015-06-24 | 2016-06-21 | Region guided and change tolerant fast shortest path algorithm and graph preprocessing framework |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107710696A true CN107710696A (zh) | 2018-02-16 |
CN107710696B CN107710696B (zh) | 2020-09-04 |
Family
ID=57586086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680034375.7A Active CN107710696B (zh) | 2015-06-24 | 2016-06-21 | 用于路径确定的方法和网络组件 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9599483B2 (zh) |
EP (1) | EP3295616B1 (zh) |
CN (1) | CN107710696B (zh) |
WO (1) | WO2016206578A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029447A (zh) * | 2018-06-25 | 2018-12-18 | 陕西科技大学 | 一种多波次导弹发射车路径规划方法 |
WO2022052986A1 (zh) * | 2020-09-09 | 2022-03-17 | 中兴通讯股份有限公司 | 路径搜索的方法、电子设备及存储介质 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10031947B2 (en) * | 2015-06-24 | 2018-07-24 | Advanced Micro Devices, Inc. | Method and apparatus for performing a search operation on heterogeneous computing systems |
US9599459B1 (en) | 2016-02-24 | 2017-03-21 | United Parcel Service Of America, Inc. | Conveyor belt, conveyor belt assembly including an imaging system, and methods of using the same |
KR101850884B1 (ko) * | 2016-07-11 | 2018-04-20 | 주식회사 삼진엘앤디 | 계층적 그래프 기반의 경로 탐색 방법 및 이를 이용한 사물 인터넷 환경에서의 경로 탐색 방법 |
US10437648B2 (en) * | 2016-07-22 | 2019-10-08 | Board Of Regents, The University Of Texas System | Guided load balancing of graph processing workloads on heterogeneous clusters |
CN106980741B (zh) * | 2017-05-05 | 2020-09-01 | 桂林电子科技大学 | 一种面向分支线缆自动布线的路径搜索方法 |
US10693733B2 (en) * | 2017-10-27 | 2020-06-23 | Cisco Technology, Inc. | Horizontal scaling of fabric networks |
US11017304B2 (en) | 2017-10-30 | 2021-05-25 | International Business Machines Corporation | Original idea extraction from written text data using knowledge graphs |
US11082406B2 (en) * | 2018-11-29 | 2021-08-03 | Secret Double Octopus Ltd | System and method for providing end-to-end security of data and metadata |
CN111177874B (zh) * | 2019-12-17 | 2023-06-09 | 北京航空航天大学杭州创新研究院 | 一种利用gpu快速设计航路网络拓扑结构的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201993A (zh) * | 2011-05-25 | 2011-09-28 | 电子科技大学 | 一种跨域工作路径及其保护路径的计算方法 |
US20130163983A1 (en) * | 2011-12-22 | 2013-06-27 | Telcordia Technologies, Inc. | Signaling Protocol for Multi-Domain Optical Networks |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NO321340B1 (no) * | 2003-12-30 | 2006-05-02 | Telenor Asa | Fremgangsmate for a administrere nettverk ved analyse av konnektivitet |
WO2010100655A2 (en) * | 2009-02-12 | 2010-09-10 | Kumar Praveen | Addressing and routing scheme for distributed systems |
US20110258257A1 (en) * | 2010-04-20 | 2011-10-20 | Cisco Technology, Inc. | Proximity aggregated network topology algorithm (panta) |
US20130326494A1 (en) * | 2012-06-01 | 2013-12-05 | Yonesy F. NUNEZ | System and method for distributed patch management |
-
2015
- 2015-06-24 US US14/749,354 patent/US9599483B2/en active Active
-
2016
- 2016-06-21 EP EP16813694.3A patent/EP3295616B1/en active Active
- 2016-06-21 WO PCT/CN2016/086572 patent/WO2016206578A1/en active Application Filing
- 2016-06-21 CN CN201680034375.7A patent/CN107710696B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201993A (zh) * | 2011-05-25 | 2011-09-28 | 电子科技大学 | 一种跨域工作路径及其保护路径的计算方法 |
US20130163983A1 (en) * | 2011-12-22 | 2013-06-27 | Telcordia Technologies, Inc. | Signaling Protocol for Multi-Domain Optical Networks |
Non-Patent Citations (1)
Title |
---|
EDWARD P.F.CHAN等: ""Optimization and evaluation of shortest path queries"", 《THE INTERNATIONAL JOURNAL ON VERY LARGE DATA BASES》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029447A (zh) * | 2018-06-25 | 2018-12-18 | 陕西科技大学 | 一种多波次导弹发射车路径规划方法 |
CN109029447B (zh) * | 2018-06-25 | 2022-05-10 | 陕西科技大学 | 一种多波次导弹发射车路径规划方法 |
WO2022052986A1 (zh) * | 2020-09-09 | 2022-03-17 | 中兴通讯股份有限公司 | 路径搜索的方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20160377442A1 (en) | 2016-12-29 |
EP3295616A4 (en) | 2018-04-04 |
EP3295616B1 (en) | 2020-05-06 |
WO2016206578A1 (en) | 2016-12-29 |
US9599483B2 (en) | 2017-03-21 |
CN107710696B (zh) | 2020-09-04 |
EP3295616A1 (en) | 2018-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107710696A (zh) | 区域导向和变化容忍的快速最短路径算法和图形预处理框架 | |
US11410046B2 (en) | Learning-based service migration in mobile edge computing | |
Zhang et al. | Deep learning empowered task offloading for mobile edge computing in urban informatics | |
CN109635989B (zh) | 一种基于多源异构数据融合的社交网络链路预测方法 | |
Manias et al. | Making a case for federated learning in the internet of vehicles and intelligent transportation systems | |
Faraci et al. | Fog in the clouds: UAVs to provide edge computing to IoT devices | |
Cui et al. | Offloading autonomous driving services via edge computing | |
Konstantopoulos et al. | Effective determination of mobile agent itineraries for data aggregation on sensor networks | |
Kılıç et al. | A demand based route generation algorithm for public transit network design | |
Nguyen et al. | DRL-based intelligent resource allocation for diverse QoS in 5G and toward 6G vehicular networks: a comprehensive survey | |
WO2021238305A1 (zh) | 一种基于强化学习的通用分布式图处理方法及系统 | |
Zhang et al. | An approach of multi-objective computing task offloading scheduling based NSGS for IOV in 5G | |
CN110567459B (zh) | 一种路径规划方法和装置 | |
CN104519106A (zh) | 一种任务迁移方法及网络控制器 | |
Fang et al. | Olive branch learning: A topology-aware federated learning framework for space-air-ground integrated network | |
Liu et al. | Learning based fluctuation-aware computation offloading for vehicular edge computing system | |
Noh et al. | Sparse CNN and deep reinforcement learning-based D2D scheduling in UAV-assisted industrial IoT networks | |
Liu et al. | A novel framework for message dissemination with consideration of destination prediction in VFC | |
JP2017107385A (ja) | タスク割当装置、方法、及びプログラム | |
Zhang et al. | Offloading demand prediction-driven latency-aware resource reservation in edge networks | |
Garg et al. | Guest editorial special issue on intent-based networking for 5G-envisioned Internet of connected vehicles | |
Zhang et al. | Accelerate deep learning in IoT: Human-interaction co-inference networking system for edge | |
CN114024894A (zh) | 软件定义天地一体化网络中的动态传算方法及系统 | |
Senturk et al. | Mobile data collection in smart city applications: the impact of precedence-based route planning on data latency | |
De Mendoza et al. | Optimal Resource Placement in 5G/6G MEC for Connected Autonomous Vehicles Routes Powered by Deep Reinforcement Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |