CN108076158B - 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 - Google Patents
基于朴素贝叶斯分类器的最小负载路由选择方法及系统 Download PDFInfo
- Publication number
- CN108076158B CN108076158B CN201810015643.1A CN201810015643A CN108076158B CN 108076158 B CN108076158 B CN 108076158B CN 201810015643 A CN201810015643 A CN 201810015643A CN 108076158 B CN108076158 B CN 108076158B
- Authority
- CN
- China
- Prior art keywords
- network
- service
- load
- link
- route
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
- H04L67/63—Routing a service request depending on the request content or context
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
- H04L47/127—Avoiding congestion; Recovering from congestion by using congestion prediction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04L45/123—Evaluation of link metrics
-
- 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
- H04L45/14—Routing performance; Theoretical aspects
-
- 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
- H04L45/22—Alternate 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
- H04L45/38—Flow based routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
- H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
Abstract
本发明涉及一种基于朴素贝叶斯分类器的最小负载路由选择方法及系统,提高最小负载路由选择方法的性能,网络快照记录历史网络状态信息,使用朴素贝叶斯分类器预测每个节点对之间的所有候选路由的潜在网络阻塞率。网络快照对应于每个到达的服务请求,记录每个链路上的被占用的网络资源单元的数目。如果当前服务请求在候选路由上建立连接,那么朴素贝叶斯分类器会预测未来服务连接建立的潜在阻塞率,同时计算各候选路由的负载。最后从节点对之间的所有候选路由中,选择负载小且未来建立服务连接的潜在阻塞率最低的路由来建立服务连接,以实现负载和阻塞率之间的最佳平衡。
Description
技术领域
本发明具体涉及一种基于朴素贝叶斯分类器的最小负载路由选择方法及系统。
背景技术
电路交换网络中的路由算法是一个成熟的课题。路由算法可以分为三类:固定最短路由算法,固定备选路由算法和自适应路由算法。
固定最短路由算法:预先为节点对找到一条固定的最短路由,节点对间的业务都将沿这条路由建立。
固定备选路由算法:为节点对之间选择多条固定路由,然后依次尝试建立业务,即首选采用第一条路由建立业务,如不成功,则尝试第二条路由,直到所有的路由都被尝试建立业务。
自适应路由算法:根据网络中的实时链路状态,动态地选择最优的路由,该算法可根据网络的不同负载情况实现最优的路由选择。
机器学习由于其解决不同类型优化问题的出色能力而在各个领域变得流行起来。这些技术已经被用来解决通信网络中的优化问题。例如,在光网络中,将机器学习应用于碎片整理,从而提出了一套智能预调整策略。将贝叶斯推理应用于虚拟网络重构框架,同时引入贝叶斯吸引子模型(Bayesian attractormodel)来推断当前业务状况。使用随机森林(random forest) 方法来预测候选光路的概率。同样,在无线网络中,总结了将机器学习技术应用于无线传感网络(WSNs)和移动自组织网络(MANETs)中的路由选择。通过机器学习技术提出了一个更好的无线自适应路由协议。将强化学习应用于无线网络管理,可以减少协议开销,提高分组传输率。
同时,机器学习技术也早已被用在电路交换网络中。首先将强化学习技术应用到电路交换网络的路由选择,同时提出了Q-routing算法。提出了基于Q-routing的梯度算法。以上这些电路交换路由算法都是选择固定路由的。由于路由选择的不灵活,固定路由算法极大地限制了路由性能。
在电路交换网中,最小负载路由算法已经成为近三十年来所有路由算法之中性能最佳的路由算法。尽管机器学习技术已经在包括通信网络在内的各个领域中广泛运用,但是,目前还没有机器学习技术被用于提高电路交换网络中的路由算法性能。
发明内容
为解决上述技术问题,本发明的目的是提供一种利用机器学习方法实现路由负载和阻塞率的最佳平衡的基于朴素贝叶斯分类器的最小负载路由选择方法及系统。
为达到上述发明目的,本发明基于朴素贝叶斯分类器的最小负载路由选择方法,包括:
确定节点对sd之间建立服务连接时的候选路由,并将其放入集合Rsd中;
各候选路由在节点对之间建立服务连接时,根据当前网络链路资源的使用状态信息,计算各候选路由的负载,运行朴素贝叶斯分类器预测,未来整个网络的潜在连接阻塞率;
根据路由选择公式确定节点对sd之间的最佳路由,所述路由选择公式为:
进一步地,所述的运行朴素贝叶斯分类器预测未来整个网络的潜在连接阻塞率包括:
当节点对之间有服务请求时,将当前网络链路资源的使用状态记录为网络快照,随着时间推移逐步形成网路快照序列,所述网络快照通过向量表示,表达式如下:
式中,ls'd'是整个网络中节点对s'd'之间的业务负载的比例,∑s'd'ls'd'=1,ls'd'的计算如下
I{s'd'(i)=s'd'}是指示函数,如果第i个服务请求是由节点对s'd'发起的,则指示函数的值为1,否则为0;
所述的计算各候选路由的负载包括:
具体地,所述的朴素贝叶斯分类器预测潜在阻塞率的具体计算方法包括:将网络快照和请求服务连接的节点对序号作为朴素贝叶斯分类器问题实例,数学表达式为:
X=[S,sd]T
式中,S表示为网络快照,sd是请求服务连接的节点对的索引,是问题实例的特征,根据当前网络资源使用的情况,确定建立或拒绝这个服务请求;使用二进制变量Y来表示分类器对输入X的分类结果;
如果sd之间的服务请求成功建立,设置Y=0,否则设置Y=1表示sd之间服务请求被拒绝;
定义了一个条件概率P(Y=1|X)=P(Y=1|S,sd)来表示基于当前网络快照S的节点对 sd之间的服务连接的潜在阻塞率,遵循贝叶斯定理,这个条件概率表示为
对于具有动态到达的连接请求的电路交换网络,P(Y=1)表示到达的服务请求被拒绝的概率
H是到达的服务请求总数,I{Y(i)=1}是一个指示函数,如果第i个到达的请求被拒绝,则指示函数的值等于1,否则为0;
P(X|Y=1)表示在节点对之间发起服务请求被拒绝时,当前网络状态在网络快照S中的概率;若发起服务请求的节点对是sd,进一步推导这个式子
式中,是指示函数,如果第i个服务请求被拒绝,同时链路j上使用的资源单元数是时,指示函数的值等于1,否则为0;I{sd(i)=sdΛY(i)=1}是指示函数,如果第i个服务请求被拒绝,同时服务请求是节点对sd发起的,则指示函数的值为1,否则为 0;
P(X)的推导如下
是指示函数,如果第i个服务请求到达时,链路j上使用的资源单元数是时,则指示函数的值为1,否则为0;I{sd(i)=sd}是指示函数,如果第i个服务请求到达时,发起请求的节点对是sd时,则指示函数的值为1,否则为0。
优选地,利用并行算法进行朴素贝叶斯分类器的运算,具体方法包括:集群控制器将计算任务分配给多个计算机,收集计算机反馈的结果,多个计算机并行执行任务,将计算得到的结果反馈给集群控制器;一旦集群控制器接收到这个消息,它将通过聚集来自所有集群计算机的所有反馈信息来更新整个仿真系统中的阻塞事件总数和朴素贝叶斯分类器计算未来服务连接的潜在阻塞率过程中的相关参数。
为达到上述发明目的,本发明基于朴素贝叶斯分类器的最小负载路由选择系统,包括:
候选路由集合建立单元,用于确定节点对sd之间建立服务连接的所有候选路由,并将其放入集合Rsd中;
未来网络的潜在阻塞率、路由负载计算单元,用于各候选路由在节点对之间建立服务连接时,根据当前网络链路资源的使用状态信息,计算各候选路由的负载,运行朴素贝叶斯分类器预测未来整个网络的潜在连接阻塞率;
最佳路由确定单元,用于运行路由选择公式确定节点对sd之间的最佳路由,所述路由选择公式为:
进一步地,还包括网络序列生成单元,用于记录当前网络链路资源的使用状态信息,具体包括:当节点对之间有服务请求时,将当前网络链路资源的使用状态记录为网络快照,随着时间推移逐步形成网路快照序列,所述网络快照通过向量表示,表达式如下:
所述未来网络的潜在阻塞率、路由负载计算单元包括:未来网络的潜在阻塞率计算模块、负载计算模块,其中,
所述未来网络的潜在阻塞率计算模块,用于计算各候选路由在节点对之间建立服务连接时,未来整个网络的潜在连接阻塞率,具体计算过程包括:
式中,ls'd'是整个网络中节点对s'd'之间的业务负载的比例,∑s'd'ls'd'=1,ls'd'的计算如下
I{s'd'(i)=s'd'}是指示函数;如果第i个服务请求是由节点对s'd'发起的,则指示函数的值为1,否则为0;
具体地,所述的未来网络的潜在阻塞率计算模块通过运行朴素贝叶斯分类器预测未来整个网络的潜在阻塞率,其中朴素贝叶斯分类器的运行方法包括:
将网络快照和请求服务连接的节点对序号作为朴素贝叶斯分类器问题实例,数学表达式为:
X=[S,sd]T
式中,S表示为网络快照,sd是请求服务连接的节点对的索引,是问题实例的特征,根据当前网络资源使用的情况,确定建立或拒绝这个服务请求;使用二进制变量Y来表示分类器对输入X的分类结果;
如果sd之间的服务请求成功建立,设置Y=0,否则设置Y=1表示sd之间服务请求被拒绝;
定义了一个条件概率P(Y=1|X)=P(Y=1|S,sd)来表示基于当前网络快照S的节点对 sd之间的服务请求的潜在阻塞率,遵循贝叶斯定理,这个条件概率表示为
对于具有动态到达的连接请求的电路交换网络,P(Y=1)表示到达的服务请求被拒绝的概率
H是到达的服务请求总数,I{Y(i)=1}是一个指示函数,如果第i个到达的请求被阻塞,则指示函数的值等于1,否则为0;
P(X|Y=1)表示在节点对之间发起服务请求被拒绝时,当前网络状态在网络快照S中的概率;若发起服务请求的节点对是sd,进一步推导这个式子
式中,是指示函数,如果第i个服务请求被拒绝,同时链路j上使用的资源单元数是时,指示函数的值等于1,否则为0;I{sd(i)=sd∧Y(i)=1}是指示函数,如果第i个服务请求被拒绝,同时服务请求是节点对sd发起的,则指示函数的值为1,否则为 0;
P(X)的推导如下
是指示函数,如果第i个服务请求到达时,链路j上使用的资源单元数是时,则指示函数的值为1,否则为0;I{sd(i)=sd}是指示函数,如果第i个服务请求到达时,发起请求的节点对是sd时,则指示函数的值为1,否则为0。
优选地,利用并行计算系统进行朴素贝叶斯分类器计算未来整个网络的潜在阻塞率,并行计算系统包括一个集群控制器和若干集群计算机,集群控制器用于将计算任务分配给集群计算机,收集集群计算机反馈的结果;集群计算机用于并行执行任务,将计算得到的结果反馈给集群控制器;一旦集群控制器接收到反馈消息,将基于聚集来自所有集群计算机的所有反馈信息来更新整个仿真系统中的阻塞事件总数和朴素贝叶斯分类器计算未来服务连接的潜在阻塞率过程中的相关参数。
具体地,并行系统执行的每个子仿真任务仿真1000万个到达事件,运行10轮子仿真,其中每完成一轮子仿真任务时,集群控制器将启动第二轮子仿真任务;与此同时,集群控制器也会将前一轮获知的朴素贝叶斯分类器中的参数转发给每个计算机,计算机将使用这些更新的参数运行另一轮到达事件的仿真,同时收集并更新相关参数的信息,当到达计划的仿真事件总数时,整个过程将终止;然后,集群控制器将在朴素贝叶斯分类器运算的参数找到最终的服务连接的潜在阻塞率和最终的更新参数。
借由上述方案,本发明基于朴素贝叶斯分类器的最小负载路由选择方法及系统至少具有以下优点:
使用朴素贝叶斯分类器去预测每个节点对之间的所有候选路由的潜在网络阻塞率。网络快照对应于每个到达的服务请求,记录每个链路上的被占用的网络资源单元的数目。基于这些网络快照,如果当前服务请求在候选路由上建立连接,那么朴素贝叶斯分类器会预测未来服务连接建立的潜在阻塞率,最后从节点对之间的所有候选路由中,选择未来服务连接建立的潜在阻塞率最低的路由来建立服务。
通过仿真来评估该方法的性能,同时将其与标准最小负载路由算法进行比较。结果表明,朴素贝叶斯分类器辅助的最小负载路由算法对于进一步降低服务连接的阻塞率是有效的,且性能比标准最小负载路由算法的性能好。
上述说明仅是本发明 技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1网络快照序列图;
图2并行计算系统框图;
图3测试网络,(a)14节点21链路NSFNET网络,(b)21节点25链路ARPA-2网络;
图4三种算法的阻塞性能比较,(a)NSFNET网络,(b)ARPA-2网络;
图5比较在不同数量的网络快照下进行学习的各路由算法之间的阻塞性能和计算时间, (a)NSFNET网络,(b)ARPA-2网络;
图6不同路由算法的额外跳数分布,(a)NSFNET(平均额外跳数=0.2576(SP),0.2781(LLA),0.2194(ML-NB-LL));(b)ARPA-2(平均额外跳数=0.1602(SP),0.3942(LLA),0.3575(MB-NB-LL));
图7最小负载路由(NSFNET)的阻塞率与跳数限制。Δ:最小负载路由跳数与每个节点对之间最短路由跳数的差值。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
常规最小负载路由算法的阻塞率基准性能可以被提升,因为在选择最小负载路由来提供服务连接时,在某些情况下,最小负载路由可能会过度消耗网络资源。资源的过度消耗是指,相对于最短路由,最小负载路由所需要的额外资源。过去,很难解决这种低效率的问题。本发明采用机器学习技术来开发一种朴素贝叶斯分类器辅助最小负载路由算法,以解决上述资源利用效率低下的问题,并进一步突破常规最小负载路由算法的阻塞性能基准。网络快照作为机器学习的历史数据。被应用于有监督的朴素贝叶斯分类器,以预测如果在合适的路由上建立服务请求,整个网络中未来呼叫请求的潜在阻塞率。有了这个信息,这个路由会有较低的负载以及对未来服务连接建立成功的负面影响较小。
有监督的朴素贝叶斯分类器介绍:在机器学习中,朴素贝叶斯分类器是简单的概率分类器,它是基于贝叶斯定理和特征之间强独立性假设。它能够为每个输入实例计算不同输出类别的概率。
设向量X代表一个问题实例,x1,…,xn代表一个实例的n个特征。假设有k个类别的标签, C1,…,Ck。朴素贝叶斯是一个条件概率模型,用P(Ck|X)表示X属于Ck类别的概率。根据贝叶斯定理,我们可以得到的条件概率为:
“朴素”条件独立性假设认为每个特征都是条件独立的,所以条件概率可以表示为:
为了进一步提升最小负载路由算法的性能,本发明使用朴素贝叶斯分类器,在一对节点之间的候选路由上建立服务连接之后,基于当前网络链路资源利用率的情况,来预测未来整个网络的潜在连接阻塞率。然后根据这个预测信息和每个候选路由上的负载,选择负载最小和对未来服务连接建立影响最小的一个路由来建立服务连接。能够帮助最小负载路由算法进一步降低整个电路交换网络中的所有服务连接的阻塞率。
网络快照介绍:
在有监督的朴素贝叶斯分类器中,将网络快照定义为问题实例的一部分。这个网络快照记录了网路链路资源的使用状态的信息。每当节点对之间有服务请求时,将当前网络的链路资源使用状态记录为网络快照。随着时间的推移,可以形成如图1所示的网络快照序列。在每个快照中,每条链路的资源单元总数和使用的资源单元数都将被记录。例如,在图1中,在ti处存在服务请求,并且当前链路状态被记录为其中表示链路j上资源单元的总数,并且表示链路j上使用的资源单元数。
预测在候选路由上建立服务连接的未来网络的潜在阻塞率
已知包含网络链路资源使用信息的网络快照,对于节点对之间的服务请求,我们可以使用有监督的朴素贝叶斯分类器来预测在节点对之间的路由上建立服务连接的潜在阻塞率。
首先定义一个要分类的问题实例或者向量
X=[S,sd]T (4)
这里S表示上面的网络快照,sd是请求服务连接的节点对的索引,它也是向量的特征,根据当前网络资源使用的情况,可以建立或拒绝这个服务请求。我们使用二进制变量Y来表示分类器对输入X的分类结果。具体来说,如果sd之间的服务请求成功建立,那么设置Y=0,否则设置Y=1表示sd之间服务请求被拒绝。
本发明采用实验室内搭建的并行计算系统来实现并行学习和性能评估。仿真研究表明,朴素贝叶斯分类器辅助的最小负载路由算法确实可以提高常规最小负载路由算法的基准性能。常规的最小负载路由算法具有比朴素贝叶斯分类器辅助的最小负载路由算法更多额外跳数用于建立服务连接。因此,朴素贝叶斯分类器辅助的最小负载路由算法在负载较小的路由上建立服务连接时,可以有效控制服务连接的额外跳数。另外,其阻塞性能与所学习的网络快照数量密切相关。随着网络快照的数量的增加,阻塞率会降低。专门用来学习大量网络快照的并行计算系统在计算上市高效的。在学习过程中可节省90%的时间。
实施例1
本实施例基于朴素贝叶斯分类器的最小负载路由选择方法,包括:确定节点对sd之间建立服务连接时的候选路由,并将其放入集合Rsd中;根据当前网络链路资源的使用状态信息,当各候选路由用于节点对sd之间服务连接时,计算各候选路由的负载,运行朴素贝叶斯分类器预测未来整个网络的潜在连接阻塞率;根据路由选择公式确定节点对sd之间的最佳路由,所述路由选择公式为:
式中,为节点对sd之间所有候选路由中的最佳路由;是候选路由在节点对sd 之间建立服务连接时,未来整个网络的潜在阻塞率;是该候选路由的负载。本实施例在一对节点之间的候选路由上建立业务之后,朴素贝叶斯分类器基于当前网络链路资源利用率的情况,预测未来整个网络的潜在连接阻塞率;根据所述的潜在连接阻塞率和候选路由上的负载,选择能够达到未来服务连接建立影响和路由负载两者平衡的一个路由来建立服务连接。本实施例中,所述的方法具体包括:
定义了一个条件概率P(Y=1|X)=P(Y=1|S,sd)来表示基于当前网络快照S的节点对sd 之间的服务请求的潜在阻塞率。遵循贝叶斯定理,这个条件概率可以表示为
对于具有动态到达的连接请求的电路交换网络,P(Y=1)表示到达的服务请求被拒绝的概率
H是到达的服务请求总数,I{Y(i)=1}是一个指示函数,如果第i个到达的请求被阻塞,则指示函数的值等于1,否则为0。因此,(6)计算所有到达的服务请求中被拒绝的服务请求的比例。
P(X|Y=1)表示在节点对之间发起服务请求被拒绝时,当前网络状态在网络快照S中的概率。若发起服务请求的节点对是sd,可以进一步推导这个式子
在(8)中,是指示函数,如果第i个服务请求被拒绝,同时链路j 上使用的资源单元数是时,则指示函数的值为1,否则为0。在(9)中,I{sd(i)=sdΛY(i)=1} 是指示函数,如果第i个服务请求被拒绝,同时服务请求是节点对sd发起的,则指示函数的值为1,否则为0。
还需要为公式(3)找到P(X),其推导如下
是指示函数,如果第i个服务请求到达时,链路j上使用的资源单元数是时,则指示函数的值为1,否则为0。I{sd(i)=sd}是指示函数,如果第i个服务请求到达时,发起请求的节点对是sd时,则指示函数的值为1,否则为0。
假设在节点对sd之间有一个新的服务请求,同时有一个网络快照S记录了每条链路使用的资源单位数。而且在节点对sd之间,假设有多条候选路由来建立服务连接。现在需要面对的问题是,应该选择哪条路由来建立服务连接?传统的最小负载路由算法选择负载最小的路由,但在某些情况下会导致网络资源过度消耗。资源的过度消耗是指,相对于最短路由,最小负载路由所需要的额外资源。在朴素贝叶斯辅助的最小负载路由算法中,除了路由上的负载之外,还要考虑如何在这条路由上建立服务连接,以及服务连接建立之后,从整个网络的角度看,对未来业务连接的成功建立会产生什么样的影响。朴素贝叶斯分类器辅助最小负载路由算法旨在实现最佳平衡。
对于节点对sd之间的每个服务请求,找出全部有资格建立服务连接的候选路由,并从中删除没有空闲资源的候选路由放入集合Rsd。接下来,如果在其中一条路由上建立一个服务连接,则未来服务连接的建立将会受到影响。对于每条路由首先假设使用它来建立一个服务连接,网络快照Sc将更新为
这个潜在阻塞率可以通过公式(5)-(12)来计算。
这里ls'd'是整个网络中节点对s'd'之间的业务负载的比例。∑s'd'ls'd'=1,ls'd'的计算如下
I{s'd'(i)=s'd'}是指示函数,如果第i个服务请求是由节点对s'd'发起的,则指示函数的值为1,否则为0。很显然,最小的路由优先建立服务连接,因此,在此路由上建立的服务连接会使未来服务连接的潜在阻塞率最低。
朴素贝叶斯分类器辅助最小负载路由既考虑每条路由上的负载,又考虑路由上服务连接的建立对网络未来服务连接成功建立的影响。因此,根据路由选择公式确定节点对sd之间的最佳路由,所述路由选择公式为:
本实施例,在节点对sd之间有一个新的服务请求,有一个网络快照S记录了每条链路使用的资源单位数。而且在节点对sd之间,有多条候选路由来建立服务连接。需要面对的问题是,应该选择哪条路由来建立服务连接?传统的最小负载路由算法选择负载最小的路由,但在某些情况下会导致网络资源过度消耗。资源的过度消耗是指,相对于最短路由,最小负载路由所需要的额外资源。在朴素贝叶斯辅助的最小负载路由算法中,除了路由上的业务负载之外,考虑如何在这条路由上建立服务连接,以及服务连接建立之后,从整个网络的角度看,对未来业务连接的成功建立会产生什么样的影响。朴素贝叶斯分类器辅助最小负载路由算法旨在实现最佳平衡。
本实施例中,为了进一步提升最小负载路由算法的性能,使用朴素贝叶斯分类器,在一对节点之间的候选路由上建立业务之后,基于当前网络链路资源利用率的情况,来预测未来整个网络的潜在连接阻塞率。然后根据这个预测信息和每个候选路由上的负载,选择负载小和对未来服务连接建立影响最小的一个路由来建立服务连接。这种方法能够帮助最小负载路由算法进一步降低整个电路交换网络中的所有服务连接的阻塞率。
实施例2
本实施例基于朴素贝叶斯分类器的最小负载路由选择系统,能够用于运行上述实施例1 所述的方法,该系统包括:候选路由集合建立单元以及未来网络的潜在阻塞率、路由负载计算单元。
候选路由集合建立单元,用于确定节点对sd之间建立服务连接的所有候选路由,并将其放入集合Rsd中;
未来网络的潜在阻塞率、路由负载计算单元,用于根据当前网络链路资源的使用状态信息,运行朴素贝叶斯分类器分别预测各候选路由在节点对之间建立服务连接时,未来整个网络的潜在连接阻塞率以及各候选路由的负载;
最佳路由确定单元,用于运行路由选择公式确定节点对sd之间的最佳路由,所述路由选择公式为:
网络序列生成单元,用于记录当前网络链路资源的使用状态信息,具体包括:当节点对之间有服务请求时,将当前网络链路资源的使用状态记录为网络快照,随着时间推移逐步形成网路快照序列,所述网络快照通过向量表示,表达式如下:
本实施例中,未来网络的潜在阻塞率、路由负载计算单元包括:未来网络的潜在阻塞率计算模块、负载计算模块。
未来网络的潜在阻塞率计算模块,用于计算当各候选路由用于连接节点对sd时,未来整个网络的潜在连接阻塞率,具体计算过程包括:
当节点对之间有服务请求时,将当前网络链路资源的使用状态记录为网络快照,随着时间推移逐步形成网路快照序列,所述网络快照通过向量表示,表达式如下:
式中,ls'd'是整个网络中节点对s'd'之间的业务负载的比例,∑s'd'ls'd'=1,ls'd'的计算如下
I{s'd'(i)=s'd'}是指示函数,如果第i个服务请求是由节点对s'd'发起的,则指示函数的值为1,否则为0;
本实施例中,阻塞率计算模块通过运行朴素贝叶斯分类器预测未来整个网络的潜在阻塞率,其中朴素贝叶斯分类器的运行方法具体包括:将网络快照和请求服务连接的节点对序号作为朴素贝叶斯分类器问题实例,数学表达式为:
X=[S,sd]T
式中,S表示为网络快照,sd是请求服务连接的节点对的索引,是问题实例的特征,根据当前网络资源使用的情况,确定建立或拒绝这个服务请求;使用二进制变量Y来表示分类器对输入X的分类结果;
如果sd之间的服务请求成功建立,那么本发明设置Y=0,否则设置Y=1表示sd之间服务请求被拒绝;
定义了一个条件概率P(Y=1|X)=P(Y=1|S,sd)来表示基于当前网络快照S的节点对 sd之间的服务请求的潜在阻塞率,遵循贝叶斯定理,这个条件概率表示为
对于具有动态到达的连接请求的电路交换网络,P(Y=1)表示到达的服务请求被拒绝的概率
H是到达的服务请求总数,I{Y(i)=1}是一个指示函数,如果第i个到达的请求被拒绝,则指示函数的值等于1,否则为0;
P(X|Y=1)表示在节点对之间发起服务请求被拒绝时,当前网络状态在网络快照S中的概率;若发起服务请求的节点对是sd,进一步推导这个式子
式中,是指示函数,如果第i个服务请求被拒绝,同时链路j上使用的资源单元数是时,指示函数的值等于1,否则为0;I{sd(i)=sd∧Y(i)=1}是指示函数,如果第i个服务请求被拒绝,同时服务请求是节点对sd发起的,则指示函数的值为1,否则为 0;
P(X)的推导如下
是指示函数,如果第i个服务请求到达时,链路j上使用的资源单元数是时,则指示函数的值为1,否则为0;I{sd(i)=sd}是指示函数,如果第i个服务请求到达时,发起请求的节点对是sd时,则指示函数的值为1,否则为0。
上述各实施例,如何实现朴素贝叶斯分类器辅助最小负载路由算法的具体介绍如下:
在上述学习过程中,有些计算需要用到拉普拉斯平滑,如下所示
Wj是链路j上资源单元总数,m是网络中节点对的总数,α是一个极小值,本发明设为 10-6。
本发明为机器学习过程设计了一个并行学习系统。并行学习系统,它由一个集群控制器和集群计算机组成。集群控制器是并行计算系统的主要组成部分,负责将计算任务分配给计算资源,并收集集群计算机反馈的结果。集群计算机是一组计算机,并行执行任务同时将计算得到的结果反馈给集群控制器。本发明在实验室中构建了这个并行学习系统的原型,该系统包含10台小型计算机,一个以太网交换机,一个电源模块和三个风扇。每台小型计算机都有一个4.0GHz的四核CPU和8GB的内存。
一旦集群控制器接收到这个消息,它将通过聚集来自所有集群计算机的所有反馈信息来更新整个仿真系统中的阻塞事件总数和公式(5)-(18)中的相关参数。例如, 统计当第i个服务请求被阻塞,并且在第H个到达事件的仿真中,链路j上使用的资源单元的数量正好等于的数目。对于每个集群计算机,在仿真一百万个到达事件后,可以找到其对应的数字其中n是并行系统中的集群计算机的索引,k是集群计算机执行的子仿真的轮数索引。因此,对于每一轮子仿真任务,在集群计算机并行执行任务的情况下,将会得到第k轮的参数和其中Cluster表示一组集群计算机。以类似的方式,本发明可以更新学习过程的其他相关参数。
为了尽可能地学习整个路由系统,本发明需要进行多轮的子仿真和学习过程。由于仿真到达时间的总数量是1亿次,并行系统执行的每个子仿真可以仿真1000万个到达事件,需要运行10轮子仿真。每完成一轮子仿真任务时,集群控制器将启动第二轮子仿真任务。与此同时,集群控制器也会将前一轮获知的公式(5)-(18)中的参数转发给每个集群计算机。后者将使用这些更新的参数运行另一轮到达事件的仿真,同时收集并更新相关参数的信息。当到达计划的仿真事件总数时,整个过程将终止。然后,集群控制器将在(5)-(18)中找到最终的服务连接的潜在阻塞率和最终的更新参数。
本发明描述了应用朴素贝叶斯分类器辅助的最小负载路由算法的数学公式。本发明展示了如何基于网络链路资源的使用状态信息,为学习系统生成各种到达事件和网络快照,以便有足够的网络快照进行学习。本发明将介绍如何将机器学习辅助的路由算法应用于实际的网络中,以处理实时需求请求。
本发明拥有单一网络控制器的集中式网络控制系统。这个系统和软件定义网络(SDN) 控制系统类似,它们都是以集中的方式实现的。中央控制器除了为用户提供接口外,对于业务应用,还监控和记录整个网络的状态信息。此外,还根据当前的网络状态接收用户建立服务连接的业务请求。在提供服务连接时,如果服务请求被接受,它将会询问机器学习处理器以提供关于该请求是被阻止还是在最佳路由上建立服务连接。
机器学习处理器负责两个任务。第一个任务是基于实际网络的仿真模型和预测的业务负载矩阵来实现初始学习过程,在初始学习之后,机器学习处理器可以使用(5)-(18)提供一组初始学习参数。在此基础上,可以进行第二个任务,决定是否可以提供服务连接并决定路由,同时继续基于真实的网络服务请求数据和网络快照信息进行在线学习,例如,通过更新(5)-(18) 中的相关学习参数。
机器学习处理器将决策信息反馈给网络中央控制器,后者将触发所需的信令建立服务连接。同时还将当前网络快照和服务连接的信息发送给网络状态数据库,以存储网络的历史状态信息。随着这些信息的积累,机器学习处理器将会有更多的真实的网络状态数据来学习。
对于机器学习过程,除了最初的离线学习之外,在某些情况也可能发生离线学习。例如,如果本发明可以预测在不久的将来会有一对节点之间的业务负载发生明显的变化,那么本发明可以在学习过程中加入这个变量来调整(5)-(18)中的相关学习参数。这将通过联合考虑仿真生成的数据和存储在网络状态数据库中的真实网络状态信息数据来完成。类似地,如果网络链路资源有所增加,本发明需要实施类似的学习过程来更新那些相关的学习参数。由于机器学习处理器需要对基于仿真和存储在网络状态数据库中的真实网络状态信息数据进行学习,为了这个目的,需要一个并行计算系统。
另外,在完成任务之后,本发明要考虑服务释放的可能性。当发生这种情况的时候,中央控制器将指示数据平面释放相关的网络资源,并通知机器学习处理器更新当前的网络状态信息。但是对于服务释放过程,相关学习参数不需要更新,更不需要将网络快照转发给网络状态数据库进行存储。
本发明假设新到达的服务请求连接服从泊松分布,到达率为λ每秒。每个服务连接请求平均持续时间服从指数分布,为1/μ秒。本发明使用1/μ=1来规范时间统计,那么每对节点之间的业务负载可以被认为是λerlang。本发明考虑两个测试网络:(1)14节点21链路NSFNET 网络和(2)21节点25链路APAR-2网络,如图3所示。每个网络上链路的资源单元数在一定范围内随机分布,同时每个节点对之间的业务负载在一定范围内随机产生。具体而言,在 NSFNET网络中,每条链路的资源的最大单元数在[5,27]范围内随机分布,每个节点对之间的业务负载在[0.45,0.45+X]erlang范围内生成,其中X∈{0.15,0.3,…,1.05}。在ARPA-2网络中,每条链路的资源的最大单元数在[5,31]范围内随机生成,每个节点对之间的业务负载在[0.07,0.07+X]erlang范围内生成,其中X∈{0.07,0.14,…,0.49}。
根据106个服务连接请求到达事件评估最短路由和常规最小负载路由算法的每个阻塞率点。
对于朴素贝叶斯分类器辅助的最小负载路由算法,本发明使用并行计算系统来运行服务请求数量为108的动态事件仿真。在每个节点对之间,根据当前网络资源利用率的情况,在算法中考虑所有合格的候选路由用于路由的选择。本发明采用包含十台小型计算机的并行计算系统来运行仿真和学习过程,其中一台计算机既作为集群控制器又作为集群计算机,其他的九台小型计算机全部作为集群计算机。每台小型计算机都有一个4.0GHz四核CPU和8GB内存。每轮执行10轮子仿真,仿真1000万次服务到达事件,一台计算机仿真100万次服务到达事件。基于108个呼叫到达请求,计算朴素贝叶斯分类器辅助的最小负载路由算法的总体阻塞率。
本发明首先比较不同算法的服务连接阻塞性能。图4显示了NSFNET网络和ARPA-2网络的每个节点对的业务负载增加的阻塞率。在图例中,“LLA”对应于传统的最小负载路由算法,“SP”对应于最短路由算法,“ML-NB-LL”对应于朴素贝叶斯辅助最小负载路由算法。
图4(a)显示了基于Student-t分布的具有95%置信区间的NSFNET网络的最短路由算法和常规最小负载路由算法的结果。对于朴素贝叶斯分类器辅助的最小负载路由算法,由于学习的网络快照数量非常多(108个服务到达请求),本发明并不显示其置信区间。可以看出,朴素贝叶斯辅助最小负载路由算法在所有三种路由算法中表现出最好的阻塞性能,传统最小负载路由算法处于中间,最短路由算法最差。由于传统最小负载路由算法考虑到整个网络的负载均衡,它总是选择一条阻塞最小的路由,所以传统最小负载路由算法的性能比最短路由算法的性能好。同时,朴素贝叶斯分类器辅助最小负载路由算法的性能优于传统最小负载路由算法,因为除了考虑每条路由上的业务负载之外,前者还考虑了在路由上建立服务连接时,基于历史服务请求数据,未来服连接的建立对整个网络的潜在阻塞率。通过学习这个历史数据,如果在这个路由上建立一个服务连接,该算法会选择一条负载较小的路由,对于将来的服务连接的成功建立也是负面影响最小的。在ARPA-2网络中,这三种算法表现出了类似的性能。
网络快照的学习是保证朴素贝叶斯分类器辅助路由算法性能良好的重要步骤。因此,本发明也评估了学习的网络的快照的数量(等于到达的服务请求的数量)是如何影响服务连接的阻塞性能的。结果如图5所示,其中图例“Single”对应于单台计算机进行仿真的情况,图例“Para”对应于并行计算的情况,图例“Time”对应于处理一定数量的到达事件所需要的时间。
在NSFNET网络中,每个节点对之间的业务负载在[0.45,0.6]erlang的范围内随机生成,每条链路的资源单元总数在[5,27]范围内随机分布。对于最小负载路由算法和最短路由算法,由于没有学习过程,其阻塞性能在一百万个服务连接到达之后变得稳定。尽管如此,对于朴素贝叶斯分类器辅助最小负载路由算法,随着服务连接请求的数量的增加,阻塞的性能得到改善,并且在服务连接请求达到5000万个的时候就不再改变了。此外,朴素贝叶斯分类器辅助最小负载路由算法的最终阻塞性能优于其他两种路由算法。
另外,特别是对于朴素贝叶斯分类器辅助的最小负载路由算法,由于有高达1亿个到达事件要仿真,这对于单台计算机来说是非常耗时的,于是并行计算系统被用来进行仿真。在图5(a)中,本发明也比较了单台计算机和并行计算系统所消耗的时间。本发明看到,并行计算系统可以大大缩短仿真时间。例如,对于1亿个到达事件的仿真,使用并行计算系统的计算时间可以从近7小时减少到约1小时,超过85%。这表明了机器学习过程的并行计算系统的计算效率。需要注意的是,由于本发明的系统可以很容易地扩展,所以在未来本发明可以进一步增加并行计算系统中的计算机数量,甚至可以缩短计算时间。
本发明对ARPA-2网络进行了类似的仿真研究,其中每个节点对之间的业务负载在[0.07,0.14]erlang的范围内随机生成,并且每条链路的资源单元总数在[5,31]范围内随机分布。如图5(b)所示,不同方案的阻塞性能和计算时间与NSFNET网络的阻塞性能和计算时间类似。这里,对于朴素贝叶斯分类器辅助的最小负载路由算法,当仿真1000万个到达事件时,阻塞性能几乎不变。而且,朴素贝叶斯分类器辅助的最小负载路由算法总是可以比其他两种路由算法的性能更好。对于机器学习过程,本发明可以看到并行计算系统可以帮助减少90%的计算时间。
在图6中,本发明显示了与最短路由相比,已建立服务连接的路由的额外跳数。例如,节点对(基于物理拓扑)之间建立服务连接的最短路由具有K跳。但是,考虑到网络资源使用状况,最小负载路由算法的最终路由不是最短的,而是更长的路由。这里跳数Δ大于K的跳数被定义为与节点对之间的最短路由相比的额外跳数。最终选定路由的跳数为K+Δ。
因此,在图6中,Δ=0表示选择最短路由,Δ>0表示选择的路由比最短路由长。比较最短路由算法、常规最小负载路由算法和朴素贝叶斯分类器辅助最小负载路由算法的已建立服务连接的额外跳数分布。对于前两者,只有106个到达请求仿真,原因是这个数量的服务请求阻塞率可以最终达到稳定。对于后者,仿真108个到达请求,并收集最后106个达到请求的上述数据分布。
根据图6的结果,绝大部分的服务连接时在最短路由上建立的,即Δ=0。但是,在第二和第三最短路由上建立的服务连接也有很大的百分比。在一些情况下,常规最小负载路由算法会选择Δ=10的长路由,因为它只考虑最不拥塞的路由而忽略所选路由的实际跳数。当然,常规最小负载路由算法在默认情况下也会部分考虑链路资源利用率加权的跳数。计算了三种路由算法建立服务连接的平均额外跳数(参见图4)。可以发现,在NSFNET网络中,与其他两种路由算法相比,朴素贝叶斯分类器辅助的最小负载路由算法显示出最少的额外跳数。这意味着在实施最小负载路由算法时,朴素贝叶斯分类器辅助最小负载路由算法的网络资源过度消耗最低,从而实现较低的总体阻塞率。ARPA-2网络可以进行相同的比较,可以观察到相似的现象。大多数服务连接在节点对之间的第一、第二和第三最短路由建立。最短路由算法的跳数最少,而比较两种最小负载路由算法时,朴素贝叶斯分类器辅助的最小负载路由算法的跳数较小。这意味着选择最小负载路由时的网络资源比常规的最小负载路由算法浪费更少。基于这些结果,本发明可以得出这样的结论:朴素贝叶斯分类器辅助的最小负载路由算法在选择路由时已经很好地控制了路由的额外的跳数,以避免网络资源的过度消耗。因此,如图7所示,其显著降低了服务连接的阻塞率。
本发明通过扩展常规的最小负载阻塞路由算法,通过在网络中搜索最小负载路由时在算法中引入额外的跳数来进行限制。本发明用图7所示的各种额外跳数来显示阻塞性能的相关结果。考虑NSFNET网络,每个链路的资源单元总数在[5,27]范围内随机分布,并且每个节点对之间的业务负载在[0.45,045+X]erlang的范围内随机生成,其中X是不同节点对之间的业务负载间隔。从这个结果可以看到,随着相对于最短路由的额外跳数的增加,光路阻塞性能在开始时就得到了改善,然而在额外跳数达到某个阈值之后,光路阻塞性能将不再变化。更具体地说,当额外跳数增加到4时,这个参数的进一步增加不会带来阻塞性能的提高,直到当额外跳数变为无穷时,它变成常规最小负载路由算法的完整版本。这表明,仅仅通过简单地控制所有节点对的额外跳数来无法提高常规最小负载路由算法的阻塞性能。相反,这种控制额外跳数的方法与朴素贝叶斯分类器辅助的最小负载路由算法根据当前网络状态来控制额外跳数的是不同的。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (7)
1.一种基于朴素贝叶斯分类器的最小负载路由选择方法,其特征在于,包括:
确定节点对sd之间建立服务连接时的候选路由,并将其放入集合Rsd中;
各候选路由在节点对之间建立服务连接时,根据当前网络链路资源的使用状态信息,计算各候选路由的负载,运行朴素贝叶斯分类器预测,未来整个网络的潜在连接阻塞率;
根据路由选择公式确定节点对sd之间的最佳路由,所述路由选择公式为:
所述的运行朴素贝叶斯分类器预测未来整个网络的潜在连接阻塞率包括:
当节点对之间有服务请求时,将当前网络链路资源的使用状态记录为网络快照,随着时间推移逐步形成网路快照序列,所述网络快照通过向量表示,表达式如下:
式中,ls'd'是整个网络中节点对s'd'之间的业务负载的比例,Σs'd'ls'd'=1,ls'd'的计算如下
I{s'd'(i)=s'd'}是指示函数,如果第i个服务请求是由节点对s'd'发起的,则指示函数的值为1,否则为0;
所述的计算各候选路由的负载包括:
2.根据权利要求1所述的基于朴素贝叶斯分类器的最小负载路由选择方法,其特征在于,所述的朴素贝叶斯分类器预测潜在阻塞率的具体计算方法包括:将网络快照和请求服务连接的节点对序号作为朴素贝叶斯分类器问题实例,数学表达式为:
X=[S,sd]T
式中,S表示为网络快照,sd是请求服务连接的节点对的索引,是问题实例的特征,根据当前网络资源使用的情况,确定建立或拒绝这个服务请求;使用二进制变量Y来表示分类器对输入X的分类结果;
如果sd之间的服务请求成功建立,设置Y=0,否则设置Y=1表示sd之间服务请求被拒绝;
定义了一个条件概率P(Y=1|X)=P(Y=1|S,sd)来表示基于当前网络快照S的节点对之间的服务连接的潜在阻塞率,遵循贝叶斯定理,这个条件概率表示为
对于具有动态到达的连接请求的电路交换网络,P(Y=1)表示到达的服务请求被拒绝的概率
H是到达的服务请求总数,I{Y(i)=1}是一个指示函数,如果第i个到达的请求被拒绝,则指示函数的值等于1,否则为0;
P(X|Y=1)表示在节点对之间发起服务请求被拒绝时,当前网络状态在网络快照S中的概率;若发起服务请求的节点对是sd,进一步推导这个式子
式中,是指示函数,如果第i个服务请求被拒绝,同时链路j上使用的资源单元数是时,指示函数的值等于1,否则为0;I{sd(i)=sd∧Y(i)=1}是指示函数,如果第i个服务请求被拒绝,同时服务请求是节点对发起的,则指示函数的值为1,否则为0;
P(X)的推导如下
3.根据权利要求1所述的基于朴素贝叶斯分类器的最小负载路由选择方法,其特征在于,利用并行算法进行朴素贝叶斯分类器的运算,具体方法包括:集群控制器将计算任务分配给多个计算机,收集计算机反馈的结果,多个计算机并行执行任务,将计算得到的结果反馈给集群控制器;一旦集群控制器接收到这个消息,它将通过聚集来自所有集群计算机的所有反馈信息来更新整个仿真系统中的阻塞事件总数和朴素贝叶斯分类器计算未来服务连接的潜在阻塞率过程中的相关参数。
4.一种基于朴素贝叶斯分类器的最小负载路由选择系统,其特征在于,包括:
候选路由集合建立单元,用于确定节点对sd之间建立服务连接的所有候选路由,并将其放入集合Rsd中;
未来网络的潜在阻塞率、路由负载计算单元,用于各候选路由在节点对之间建立服务连接时,根据当前网络链路资源的使用状态信息,计算各候选路由的负载,运行朴素贝叶斯分类器预测未来整个网络的潜在连接阻塞率;
最佳路由确定单元,用于运行路由选择公式确定节点对sd之间的最佳路由,所述路由选择公式为:
还包括网络序列生成单元,用于记录当前网络链路资源的使用状态信息,具体包括:当节点对之间有服务请求时,将当前网络链路资源的使用状态记录为网络快照,随着时间推移逐步形成网路快照序列,所述网络快照通过向量表示,表达式如下:
所述未来网络的潜在阻塞率、路由负载计算单元包括:未来网络的潜在阻塞率计算模块、负载计算模块,其中,
所述未来网络的潜在阻塞率计算模块,用于计算各候选路由在节点对之间建立服务连接时,未来整个网络的潜在连接阻塞率,具体计算过程包括:
式中,ls'd'是整个网络中节点对s'd'之间的业务负载的比例,∑s'd'ls'd'=1,ls'd'的计算如下
I{s'd'(i)=s'd'}是指示函数;如果第i个服务请求是由节点对s'd'发起的,则指示函数的值为1,否则为0;
5.根据权利要求4所述的基于朴素贝叶斯分类器的最小负载路由选择系统,其特征在于,所述的未来网络的潜在阻塞率计算模块通过运行朴素贝叶斯分类器预测未来整个网络的潜在阻塞率,其中朴素贝叶斯分类器的运行方法包括:
将网络快照和请求服务连接的节点对序号作为朴素贝叶斯分类器问题实例,数学表达式为:
X=[S,sd]T
式中,S表示为网络快照,sd是请求服务连接的节点对的索引,是问题实例的特征,根据当前网络资源使用的情况,确定建立或拒绝这个服务请求;使用二进制变量Y来表示分类器对输入X的分类结果;
如果sd之间的服务请求成功建立,设置Y=0,否则设置Y=1表示sd之间服务请求被拒绝;
定义了一个条件概率P(Y=1|X)=P(Y=1|S,sd)来表示基于当前网络快照S的节点对之间的服务请求的潜在阻塞率,遵循贝叶斯定理,这个条件概率表示为
对于具有动态到达的连接请求的电路交换网络,P(Y=1)表示到达的服务请求被拒绝的概率
H是到达的服务请求总数,I{Y(i)=1}是一个指示函数,如果第i个到达的请求被阻塞,则指示函数的值等于1,否则为0;
P(X|Y=1)表示在节点对之间发起服务请求被拒绝时,当前网络状态在网络快照S中的概率;若发起服务请求的节点对是sd,进一步推导这个式子
式中,是指示函数,如果第i个服务请求被拒绝,同时链路j上使用的资源单元数是时,指示函数的值等于1,否则为0;I{sd(i)=sd∧Y(i)=1}是指示函数,如果第i个服务请求被拒绝,同时服务请求是节点对发起的,则指示函数的值为1,否则为0;
P(X)的推导如下
6.根据权利要求4所述的基于朴素贝叶斯分类器的最小负载路由选择系统,其特征在于,利用并行计算系统进行朴素贝叶斯分类器计算未来整个网络的潜在阻塞率,并行计算系统包括一个集群控制器和若干集群计算机,集群控制器用于将计算任务分配给集群计算机,收集集群计算机反馈的结果;集群计算机用于并行执行任务,将计算得到的结果反馈给集群控制器;一旦集群控制器接收到反馈消息,将基于聚集来自所有集群计算机的所有反馈信息来更新整个仿真系统中的阻塞事件总数和朴素贝叶斯分类器计算未来服务连接的潜在阻塞率过程中的相关参数。
7.根据权利要求6所述的基于朴素贝叶斯分类器的最小负载路由选择系统,其特征在于,并行系统执行的每个子仿真任务仿真1000万个到达事件,运行10轮子仿真,其中每完成一轮子仿真任务时,集群控制器将启动第二轮子仿真任务;与此同时,集群控制器也会将前一轮获知的朴素贝叶斯分类器中的参数转发给每个计算机,计算机将使用这些更新的参数运行另一轮到达事件的仿真,同时收集并更新相关参数的信息,当到达计划的仿真事件总数时,整个过程将终止;然后,集群控制器将在朴素贝叶斯分类器运算的参数找到最终的服务连接的潜在阻塞率和最终的更新参数。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810015643.1A CN108076158B (zh) | 2018-01-08 | 2018-01-08 | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 |
PCT/CN2018/073932 WO2019134197A1 (zh) | 2018-01-08 | 2018-01-24 | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 |
US16/317,063 US11201815B2 (en) | 2018-01-08 | 2018-01-24 | Method and system for selecting least-loaded route based on naive Bayes classifier |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810015643.1A CN108076158B (zh) | 2018-01-08 | 2018-01-08 | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108076158A CN108076158A (zh) | 2018-05-25 |
CN108076158B true CN108076158B (zh) | 2020-07-03 |
Family
ID=62156503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810015643.1A Active CN108076158B (zh) | 2018-01-08 | 2018-01-08 | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11201815B2 (zh) |
CN (1) | CN108076158B (zh) |
WO (1) | WO2019134197A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109120435B (zh) * | 2018-07-27 | 2021-05-18 | 南昌航空大学 | 网络链路质量预测方法、装置及可读存储介质 |
CN111148161B (zh) * | 2020-01-06 | 2023-07-11 | 中国科学院微小卫星创新研究院 | 低轨卫星星座星间负载路由均衡方法及系统 |
US11736386B2 (en) * | 2020-09-08 | 2023-08-22 | Ribbon Communications Operating Company, Inc. | Communications methods and apparatus for determining best-quality Realtime-media path in unified communications applications |
CN112583721B (zh) * | 2020-11-30 | 2023-04-18 | 五八到家有限公司 | 业务请求的路由方法、设备、介质 |
CN114650249A (zh) * | 2020-12-02 | 2022-06-21 | 南京中兴软件有限责任公司 | 算法模型及路径的确定方法、电子设备、sdn控制器和介质 |
CN112528111B (zh) * | 2020-12-10 | 2023-10-20 | 重庆大学 | 一种面向变分布数据流的在线分类方法 |
CN113347589B (zh) * | 2021-06-07 | 2022-03-25 | 北京邮电大学 | 一种面向智能配电业务的虚拟网络资源分配方法 |
CN114024891B (zh) * | 2021-09-30 | 2023-05-26 | 哈尔滨工程大学 | 一种基于朴素贝叶斯辅助的接触图路由方法及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7809665B2 (en) | 2006-03-22 | 2010-10-05 | Sony Corporation | Method and system for transitioning from a case-based classifier system to a rule-based classifier system |
CN100471285C (zh) | 2007-06-01 | 2009-03-18 | 清华大学 | 一种能降低波长路由光网络阻塞率的波长缓存方法 |
EP2834951B1 (en) * | 2012-03-30 | 2016-03-23 | British Telecommunications Public Limited Company | Method for selecting a communication link |
CN103179035A (zh) * | 2013-03-01 | 2013-06-26 | 苏州大学 | 一种网络固定路径选择方法、装置及光传输网络 |
US20140247148A1 (en) * | 2013-03-04 | 2014-09-04 | Hello Inc. | Monitoring device with wireless communication using cdma |
CN103259719B (zh) * | 2013-05-27 | 2016-06-01 | 重庆邮电大学 | 一种贝叶斯分类的业务感知路由保护方法 |
CN104363626B (zh) * | 2014-11-07 | 2017-09-19 | 中国人民武装警察部队工程大学 | 一种基于贝叶斯理论的vanet可信路由方法 |
US9722874B2 (en) * | 2015-01-30 | 2017-08-01 | Metaswitch Networks Ltd | Inference-based network route control |
CN104703195B (zh) | 2015-02-16 | 2018-05-25 | 南京邮电大学 | 一种移动自组网路由节点行为预测方法 |
CN106780568B (zh) | 2016-12-20 | 2019-08-13 | 云南大学 | 一种基于压缩不规则分块lbp的视频目标跟踪方法 |
-
2018
- 2018-01-08 CN CN201810015643.1A patent/CN108076158B/zh active Active
- 2018-01-24 WO PCT/CN2018/073932 patent/WO2019134197A1/zh active Application Filing
- 2018-01-24 US US16/317,063 patent/US11201815B2/en active Active
Non-Patent Citations (1)
Title |
---|
RLAR:基于增强学习的自适应路由算法;郑力明等;《计算机工程与设计》;20111231;第32卷(第4期);第1190-1194页 * |
Also Published As
Publication number | Publication date |
---|---|
US20210336869A1 (en) | 2021-10-28 |
CN108076158A (zh) | 2018-05-25 |
US11201815B2 (en) | 2021-12-14 |
WO2019134197A1 (zh) | 2019-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108076158B (zh) | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 | |
CN109818865B (zh) | 一种sdn增强路径装箱装置及方法 | |
CN107579922B (zh) | 网络负载均衡装置和方法 | |
CN113784373B (zh) | 云边协同网络中时延和频谱占用联合优化方法及系统 | |
CN113194034A (zh) | 基于图神经网络和深度强化学习的路由优化方法及系统 | |
CN109167671A (zh) | 一种面向量子密钥分发业务的配用通信系统均衡负载调度算法 | |
Kim et al. | Multi-agent reinforcement learning-based resource management for end-to-end network slicing | |
WO2023040022A1 (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
Otokura et al. | Application of evolutionary mechanism to dynamic virtual network function placement | |
Bhanja et al. | An evolutionary programming algorithm for survivable routing and wavelength assignment in transparent optical networks | |
Pietrabissa et al. | Discrete-time selfish routing converging to the wardrop equilibrium | |
Suzuki et al. | Multi-agent deep reinforcement learning for cooperative offloading in cloud-edge computing | |
CN116541106B (zh) | 计算任务卸载方法、计算设备及存储介质 | |
CN113946455A (zh) | 一种基于瓶颈感知的多级反馈队列Coflow调度方法 | |
CN111800352B (zh) | 基于负载均衡的服务功能链部署方法和存储介质 | |
Kurroliya et al. | Grey wolf aware energy-saving and load-balancing in software defined networks considering real time traffic | |
Liu et al. | Network function migration in softwarization based networks with mobile edge computing | |
Yujie et al. | An effective controller placement algorithm based on clustering in SDN | |
Meng et al. | Intelligent routing orchestration for ultra-low latency transport networks | |
CN112333102B (zh) | 基于知识图谱的软件定义网络路由选择方法和系统 | |
Zhang et al. | Towards stable flow scheduling in data centers | |
Bensalem et al. | Towards optimal serverless function scaling in edge computing network | |
CN114938327A (zh) | 路由方法、路由装置、控制器和计算机可读存储介质 | |
CN112134807A (zh) | 基于纳什议价的sdn负载均衡方法、系统、设备及存储介质 | |
Kuo et al. | Congestion control under traffic awareness in wireless sensor networks |
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 |