CN108667650B - 考虑业务流程特征的网络拓扑优化设计方法 - Google Patents

考虑业务流程特征的网络拓扑优化设计方法 Download PDF

Info

Publication number
CN108667650B
CN108667650B CN201810316194.4A CN201810316194A CN108667650B CN 108667650 B CN108667650 B CN 108667650B CN 201810316194 A CN201810316194 A CN 201810316194A CN 108667650 B CN108667650 B CN 108667650B
Authority
CN
China
Prior art keywords
network
network topology
service
services
optimal
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
Application number
CN201810316194.4A
Other languages
English (en)
Other versions
CN108667650A (zh
Inventor
黄宁
王春霖
孙利娜
张朔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201810316194.4A priority Critical patent/CN108667650B/zh
Publication of CN108667650A publication Critical patent/CN108667650A/zh
Application granted granted Critical
Publication of CN108667650B publication Critical patent/CN108667650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L41/12—Discovery or management of network topologies
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种考虑业务流程特征的网络拓扑优化设计方法：步骤一：根据工程应用所需，确定网络信息，包括：网络节点数目、网络业务信息以及工程应用时所需的其他信息。步骤二：建立考虑业务的网络拓扑优化设计模型。将考虑业务的网络拓扑设计问题视为一个带有约束条件的目标函数最优化问题。约束条件根据工程实际情况而定，优化目标是具体业务加载后的网络性能指标，解是最优的网络拓扑结构。步骤三：基于遗传算法求解最优网络拓扑。本发明优点在于：(1)能够支持在网络拓扑设计时对业务流程特征进行考虑，并获得性能最优的网络拓扑。(2)所获得的考虑业务流程特征的网络拓扑，能够提高网络运行时的业务的可靠性，具有重要的工程意义。

Description

考虑业务流程特征的网络拓扑优化设计方法
技术领域
本发明属于可靠性及安全(安全系统工程)技术领域，具体涉及一种考虑业务流程特征的网络拓扑优化设计方法。
背景技术
通信网络设计的目的是满足用户对不同网络业务的使用需求，但随着网络技术和网络业务的发展，用户对资源需求的不断增长与变化，导致网络业务流量纷繁交织，网络规模越来越大。此时传统的网络设计方法，如以经验、试验或者估算为主的方法对于一些大型复杂网络的设计呈现出一定的局限性。网络拓扑结构设计作为网络设计的基础环节具有至关重要的作用。合理的网络拓扑设计不但能够在成本约束下获得较高网络可靠性，而且能满足用户的业务使用需求。当前的网络拓扑设计方法大致可分为两类。一类是在满足一定的成本约束条件下，以获得最大的连通可靠性为目标，或者是在满足一定连通可靠性的约束条件下，构建成本最小的网络拓扑结构。这类网络拓扑设计研究大都只是考虑网络成本、连通可靠性等物理层相关参数。另一类对物理拓扑和业务逻辑拓扑同时优化设计的方法不仅考虑成本、可靠性等约束条件，更注重体现网络性能。当前第二类网络拓扑设计研究仅从流量的角度考虑业务使用，但流量仅是网络业务运行的结果，并不是网络的设计要素。网络业务是网络中用户对服务的使用，现实生活中的网络业务都有着明显的流程特征，并从网络业务流程的角度出发可将网络业务分为随机型业务、定制型业务和程序化业务三类。不同的网络业务类型及数量能够导致网络中流量分布的差异，从而对网络性能产生重要影响。因此，本发明提供一种考虑业务流程特征的网络拓扑优化设计方法，在网络设计初期为网络拓扑设计提供指导，能够提高业务的可靠性，具有重要的工程意义。
发明内容
本发明的目的是在网络拓扑设计时提高网络业务的可靠性，提出一种考虑业务流程特征的网络拓扑优化设计方法，能够在一定约束条件下获得性能最优的网络拓扑，同时给出一种流程化的方法，便于工程实际中应用。
本发明提出一种网络拓扑优化设计模型，旨在一定约束条件下获得网络性能最优的网络拓扑。其中，网络性能与加载网络业务后产生的流量相关，这里网络业务指的是根据业务流程特征划分的随机型业务、定制型业务和程序化业务三类。由于遗传算法对于带约束、多目标函数优化问题在算法效率以及具体实现方式上具有一定的优势，因此本发明采用遗传算法来解决网络拓扑优化设计问题。
所述的考虑业务流程特征的网络拓扑优化设计方法，具体流程如下：
步骤一：根据工程应用所需，确定网络信息。
所需确定的初始网络信息包括：网络节点数目、网络业务信息以及工程应用时所需的其他信息。其中，网络业务信息具体包含网络业务总量，以及随机型业务、定制型业务和程序化业务的比例。三类业务的定义如下：
(1)随机型业务：根据一定的路由算法，随机选择源节点与目的节点之间的业务路径发送数据；
(2)定制型业务：规定某节点为必须访问的节点，同时依据一定的路由算法选择业务路径；
(3)程序化业务：规定某链路为业务流程中必须经过的链路，同时依据一定的路由算法选择业务路径。
步骤一明确了工程应用时所要设计的网络的信息，包括要设计的网络节点规模、要设计的网络上运行的网络业务、对所设计的网络进行评估时所需的网络信息。接下来需要明确怎样设计网络拓扑并得到最优的网络拓扑，即建立网络拓扑优化设计模型并求得模型的最优解。
步骤二：建立考虑业务的网络拓扑优化设计模型。
本发明将考虑业务的网络拓扑设计问题视为一个带有约束条件的目标函数最优化问题。其中，约束条件根据工程实际情况而定，优化目标是具体业务加载后的网络性能指标，解是最优的网络拓扑结构。
步骤二明确了要设计一个怎样的网络拓扑以及怎样设计网络拓扑，由此建立了网络拓扑优化设计模型。接下来需要求得优化设计模型的最优解，获得最优的网络拓扑。
步骤三：基于遗传算法求解最优网络拓扑。
依据遗传算法的一般流程步骤，结合网络拓扑设计的特征，本发明提出了基于遗传算法的网络拓扑设计算法以及实现方式，如图1所示，具体流程为：
(1)生成初始网络拓扑结构。
(2)在网络拓扑上加载网络业务，计算每个网络拓扑的适应度函数值F(x)。其中适应度函数F(x)与步骤二中的目标函数相关：如果网络拓扑优化设计模型所求为目标函数最大，则适应度函数与目标函数正相关；如果网络拓扑优化设计模型所求为目标函数最小，则适应度函数与目标函数负相关。
(3)对种群进行编码，对每一个网络拓扑生成相应的染色体。
(4)对染色体进行遗传操作，具体包括选择算子、交叉算子和变异算子。
(5)对每一个体检查其是否满足步骤二中的约束条件。如果不满足约束条件，则替换为原来的个体；如果满足约束条件，则保留新的个体。由此产生新的种群，并且根据(2)计算每一个个体的适应度函数值。
(6)检查迭代次数是否满足终止条件。如果不满足迭代终止条件，则返回(4)，并且迭代次数加一；如果满足迭代终止条件，则获取适应度函数值最大的最优染色体。
(7)对最优染色体进行解码，获得最优网络拓扑的邻接矩阵。解码过程与编码过程相反。
其中，遗传算法的运行参数选取如下：一般建议的种群大小的取值范围是20～100，建议的交叉概率取值范围是0.4～0.99，建议的变异概率的取值范围是0.0001～0.1，建议的迭代终止代数取值范围是100～1000(参考文献：周明,孙树栋.遗传算法原理及应用[M].国防工业出版社,1999.)。
本发明提出一种考虑业务流程特征的网络拓扑优化设计方法，优点在于：
(1)本发明提供的网络拓扑优化设计方法，能够支持在网络拓扑设计时对业务流程特征进行考虑，并获得性能最优的网络拓扑。
(2)本发明所获得的考虑业务流程特征的网络拓扑，能够提高网络运行时的业务的可靠性，具有重要的工程意义。
附图说明
图1是基于遗传算法的网络拓扑设计流程。
图2是染色体编码过程示例图。
图3是迭代结果图。
具体实施方式
下面将结合附图和实例对本发明做进一步详细说明。
本发明是一种考虑业务流程特征的网络拓扑优化设计方法，可以提高网络业务的可靠性。以下为一个网络拓扑设计案例，具体步骤如下：
步骤一：根据工程应用所需，确定网络信息。
本实施例中，网络节点数目为40，网络链路条数限制为105，网络链路容量都为200，网络业务总量为100，随机型业务、定制型业务和程序化业务所占的比例为8:1:1，三类业务的具体实现方式如下：
(1)随机型业务：源节点O到目的节点D之间的业务路径按照最短路径生成，当存在多条最短路径时，随机选择一条作为业务路径。
(2)定制型业务：由于网络中节点度分布一定程度上决定了网络节点的重要程度，本实施例将网络中节点度最大的节点定为必经节点K，则定制型业务的业务路径可以分段看成O到K的最短路径与K到D的最短路径之和。
(3)程序化业务：将网络中节点度第二大的节点与其相邻的一个节点组成的链路定为必经链路:P1→P2，则程序化业务的业务路径可以分段看成：源节点O到P1的最短路径，必经链路:P1→P2，以及P2到目的节点D的最短路径。
步骤二：建立考虑业务的网络拓扑优化设计模型。
本实施例中，约束条件选为网络成本和连通可靠性约束，其中，可靠性约束为保证网络为全端连通；成本约束考虑为网络链路成本，当总成本确定后，成本约束也就转换成对网络中边的条数进行限制。目标函数采用网络平均时延(参考文献：T Fencl,P Burget,JBilek.Network topology design[J].Control Engineering Practice,2011,19(11):1287-1296.)，如下：
Figure BDA0001623852370000041
其中，x表示网络拓扑；m为网络链路条数；Ci为链路i的容量；fi为链路i的流量负载，每条链路上的流量负载由加载的业务确定。由此，可建立网络拓扑优化设计模型具体如下：
Min T(x)
s.t.Cost(G(N,E))≤Cmax
Rel(G(N,E))≥Rmin
其中，Cost(G(N,E))为网络实际的建造成本；Rel(G(N,E))表示网络全端连通可靠性；Cmax为最大成本，Rmin为最小全端连通可靠度，两者根据工程实际而定。
步骤三：基于遗传算法求解最优网络拓扑，具体流程为：
(1)生成初始网络拓扑种群，种群大小为50。本实施例采用节点随机连接的方式生成初始网络拓扑，即采用简单随机网络模型G(N,p)，N为网络节点个数，p为节点连接概率，本例取p＝0.12。
(2)在网络上加载网络业务，计算每个网络拓扑的适应度函数值F(x)。其中适应度函数F(x)与网络时延T(x)间的关系确定为：
Figure BDA0001623852370000051
其中，C的取值可以参考最大目标函数值，这里取C＝5。
(3)对种群进行编码，对每一个网络拓扑生成相应的染色体。用来描述网络拓扑结构的染色体可以一组向量来表示，如下：
i＝{ij:ij∈{0,1}},j＝1,...,l
其中，l＝N(N-1)/2为染色体长度，N为网络节点个数。向量i是由网络邻接矩阵的上三角矩阵中的元素组成，具体来说，取邻接矩阵的上三角矩阵的元素组成一列，形成一条染色体编码，如图2所示为一个染色体编码过程示例。染色体解码的过程与之相反，即将一条染色体反解成为一个网络拓扑结构邻接矩阵形式。
(4)对染色体进行遗传操作，具体为：
①选择算子：采用比例选择算子与精英保留策略相结合的方法。具体做法是：将每代个体中的最优染色体可以遗传到下一代，剩余的个体按比例选择法进行选择操作。
②交叉算子：交叉点越多，个体结构受到破坏的可能性越大，形成的优良基因很可能受到破坏。为了保持种群基因的优良性，这里采用典型的单点交叉算子，取交叉概率为0.6。
③变异算子：采用基本位变异，取变异概率为0.1。
(5)对每一个体检查其是否满足边约束条件和全端连通可靠性约束。如果不满足约束条件，则替换为原来的个体；如果满足约束条件，则保留新的个体。由此产生新的种群，并且根据(2)计算每一个个体的适应度函数值。
(6)检查迭代次数是否满足终止条件，本例取迭代次数为200。当迭代终止时，可以获得迭代过程的相关信息，如图3所示，可以获得本实施例的每一代的最佳适应度和平均适应度值，并且当迭代次数达到83代左右时，最佳适应度值达到最大值3.628，且趋于收敛。由此可获取适应度函数值最大的最优染色体，如下所示：
010000000001001001000010000000000000001100000001000000000000000010000000000011000101100010000110001100010000010110000000000000000100000010000000100000000001000000000010000000000100000000000011000000000011000100000000000000000000010000100010000000010111000000000000010001000100010000000000001100000000000000000000000000010100000000000000001010100000000000000000000000010000010000000000001000000000000000000000011000100000000000000000000000000100000000010001000000001001000001000000000010000100000000000001000000100000001000101010000010000000000000100000001000000000000100000000000000000001000010000000000010010000000000000000100010000000000000000100000000000000000000100010000110000100000000010000000110000000101000000110000000000000001000000100010000000000000000010001000010101100
(7)对最优染色体进行解码，获得最优网络拓扑的40×40邻接矩阵。

Claims (1)

1.一种考虑业务流程特征的网络拓扑优化设计方法，其特征在于：该方法具体流程如下：
步骤一：根据工程应用所需，确定网络信息
所需确定的初始网络信息包括：网络节点数目、网络业务信息以及工程应用所需信息；
步骤二：建立考虑业务的网络拓扑优化设计模型
将考虑业务的网络拓扑设计问题视为一个带有约束条件的目标函数最优化问题；其中，约束条件根据工程实际情况而定，优化目标是具体业务加载后的网络性能指标，解是最优的网络拓扑结构；
步骤三：基于遗传算法求解最优网络拓扑
(1)生成初始网络拓扑结构；
(2)在网络拓扑上加载网络业务，计算每个网络拓扑的适应度函数值F(x)；
(3)对种群进行编码，对每一个网络拓扑生成相应的染色体；
(4)对染色体进行遗传操作，具体包括选择算子、交叉算子和变异算子；
(5)对每一个体检查其是否满足步骤二中的约束条件；如果不满足约束条件，则替换为原来的个体；如果满足约束条件，则保留新的个体；由此产生新的种群，并且根据(2)计算每一个个体的适应度函数值；
(6)检查迭代次数是否满足终止条件；如果不满足迭代终止条件，则返回(4)，并且迭代次数加一；如果满足迭代终止条件，则获取适应度函数值最大的最优染色体；
(7)对最优染色体进行解码，获得最优网络拓扑的邻接矩阵；解码过程与编码过程相反；
所述的网络业务信息具体包含网络业务总量，以及随机型业务、定制型业务和程序化业务的比例，三类业务的定义如下：
(1)随机型业务：根据一定的路由算法，随机选择源节点与目的节点之间的业务路径发送数据；
(2)定制型业务：规定某节点为必须访问的节点，同时依据一定的路由算法选择业务路径；
(3)程序化业务：规定某链路为业务流程中必须经过的链路，同时依据一定的路由算法选择业务路径；
所述的适应度函数F(x)与步骤二中的目标函数相关：如果网络拓扑优化设计模型所求为目标函数最大，则适应度函数与目标函数正相关；如果网络拓扑优化设计模型所求为目标函数最小，则适应度函数与目标函数负相关。
CN201810316194.4A 2018-04-10 2018-04-10 考虑业务流程特征的网络拓扑优化设计方法 Active CN108667650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810316194.4A CN108667650B (zh) 2018-04-10 2018-04-10 考虑业务流程特征的网络拓扑优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810316194.4A CN108667650B (zh) 2018-04-10 2018-04-10 考虑业务流程特征的网络拓扑优化设计方法

Publications (2)

Publication Number Publication Date
CN108667650A CN108667650A (zh) 2018-10-16
CN108667650B true CN108667650B (zh) 2020-10-20

Family

ID=63782269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810316194.4A Active CN108667650B (zh) 2018-04-10 2018-04-10 考虑业务流程特征的网络拓扑优化设计方法

Country Status (1)

Country Link
CN (1) CN108667650B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414974B (zh) * 2020-03-30 2022-04-26 中国人民解放军国防科技大学 基于通信基站的微波链路测雨网络拓扑结构优化方法
CN111641525A (zh) * 2020-05-26 2020-09-08 深圳壹账通智能科技有限公司 专线网络拓扑结构建立方法、装置、介质及电子设备
CN113193993B (zh) * 2021-04-19 2022-05-10 天津大学 航天以太网拓扑优化方法
CN114581058B (zh) * 2022-03-10 2023-08-18 杭州电子科技大学 一种基于业务流程的人员组织结构优化方法
CN115150284B (zh) * 2022-06-13 2023-04-25 上海工程技术大学 基于改进麻雀算法的通信网拓扑优化方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289540A (zh) * 2011-07-01 2011-12-21 中国航空工业集团公司科学技术委员会 面向服务异构网格上的工作流驱动遗传算法航空优化系统
CN104036324A (zh) * 2014-06-24 2014-09-10 北京航空航天大学 一种基于遗传算法的通信网络容量可靠性最优设计方法
CN104504198A (zh) * 2014-12-19 2015-04-08 北京航空航天大学 一种基于双层协同进化的航路网络拓扑设计方法
CN105430706A (zh) * 2015-11-03 2016-03-23 国网江西省电力科学研究院 一种基于改进粒子群算法的无线传感网络路由优化方法
CN106127304A (zh) * 2016-06-30 2016-11-16 国网山东省电力公司无棣县供电公司 一种适用于配电网网络拓扑设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8811212B2 (en) * 2012-02-22 2014-08-19 Telefonaktiebolaget L M Ericsson (Publ) Controller placement for fast failover in the split architecture

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289540A (zh) * 2011-07-01 2011-12-21 中国航空工业集团公司科学技术委员会 面向服务异构网格上的工作流驱动遗传算法航空优化系统
CN104036324A (zh) * 2014-06-24 2014-09-10 北京航空航天大学 一种基于遗传算法的通信网络容量可靠性最优设计方法
CN104504198A (zh) * 2014-12-19 2015-04-08 北京航空航天大学 一种基于双层协同进化的航路网络拓扑设计方法
CN105430706A (zh) * 2015-11-03 2016-03-23 国网江西省电力科学研究院 一种基于改进粒子群算法的无线传感网络路由优化方法
CN106127304A (zh) * 2016-06-30 2016-11-16 国网山东省电力公司无棣县供电公司 一种适用于配电网网络拓扑设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于遗传算法的计算机通信网的拓扑优化设计;陈国龙;《计算机科学》;20021115;第141页-143页 *

Also Published As

Publication number Publication date
CN108667650A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
CN108667650B (zh) 考虑业务流程特征的网络拓扑优化设计方法
CN110069325B (zh) 基于任务分类的移动边缘计算任务调度方法
CN104036324B (zh) 一种基于遗传算法的通信网络容量可靠性最优设计方法
CN107862404B (zh) 基于服务相关性的制造服务供应链优化方法
CN112001506B (zh) 一种装备自主保障的供应链成本优化方法
CN111093216A (zh) 一种基于改进二进制粒子群优化的无线传感器网络节点调度方法
CN114640594A (zh) 一种带有分层协作机制的物联网拓扑优化方法
Maniscalco et al. Binary and m-ary encoding in applications of tree-based genetic algorithms for QoS routing
CN110413860B (zh) 一种基于nsga-ii的多云环境下云实例的多目标优化选择方法
Szlachcic Fault tolerant topological design for computer networks
Girgis et al. Routing and capacity assignment problem in computer networks using genetic algorithm
CN105959912A (zh) 基于改进离散差分算法的汇聚节点定位方法
Chitra et al. A nondominated sorting genetic algorithm for shortest path routing problem
CN112990608A (zh) 一种适用于电力设施全覆盖的5g优化建设方法
Hai et al. A novel energy-balanced unequal fuzzy clustering algorithm for 3D wireless sensor networks
CN109996133B (zh) 一种光网络规划方法、装置、电子设备及存储介质
CN114444240B (zh) 一种面向信息物理融合系统的延迟和寿命优化方法
De Marco MOGAMESH: A multi-objective algorithm for node placement in wireless mesh networks based on genetic algorithms
Zhou et al. Redesigning a supply chain distribution network: formulation and genetic algorithm-based solution procedure
Fister et al. Hybridization of evolutionary algorithms
Lin et al. A self-controlled genetic algorithm for reliable communication network design
Fister et al. Hybridization of evolutionary algorithms
Datta et al. Reliability estimation of stochastic flow networks using pre-ordered minimal cuts
CN104767683B (zh) 基于改进nsga‑ⅱ的光组播编码‑链路代价折中方法
Dengiz et al. Genetic algorithm design of networks considering all-terminal reliability

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