CN108809839A - 无线Mesh骨干网络流量控制方法与装置 - Google Patents
无线Mesh骨干网络流量控制方法与装置 Download PDFInfo
- Publication number
- CN108809839A CN108809839A CN201810784954.4A CN201810784954A CN108809839A CN 108809839 A CN108809839 A CN 108809839A CN 201810784954 A CN201810784954 A CN 201810784954A CN 108809839 A CN108809839 A CN 108809839A
- Authority
- CN
- China
- Prior art keywords
- routing
- routing iinformation
- route path
- network
- optimization 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.)
- Granted
Links
Classifications
-
- 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
- H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/248—Connectivity information update
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供一种无线Mesh骨干网络流量控制方法、装置、计算机设备和存储介质,其中,方法包括采集各路由节点的路由信息,获取路由信息与最佳路由路径对应关系,根据路由信息以及路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径,根据最佳路由路径,对无线Mesh骨干网络中流量进行控制。整个过程中,由于通过对历史路由信息进行深度学习‑卷积神经网络训练得出的预设路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径准确得出最佳路由路径,再基于最佳路径,有效实现对无线Mesh骨干网络中流量控制。
Description
技术领域
本申请涉及无线通信技术领域,特别是涉及一种无线Mesh骨干网络流量控制方法、装置、计算机设备和存储介质。
背景技术
近年来,随着无线网络技术和基础设施的发展,现实生活中连接的移动设备越来越多,无线Mesh网络(无线网格网络)作为解决“最后一公里”的高速率、高容量、多点对多点的分布式网络在世界各地得到了充分的运用。
无线Mesh网络作为一种多点对多点的分布式网络,其骨干网络中的节点间通信主要依靠路由协议来维持流量控制和多跳路由的功能,传统的无线Mesh骨干网络采用基于距离向量和链路成本来计算从源到目的地的多跳路由,这种方式在网络规模较小、网络环境固定的情况下能达到较好的效果。
但随着通信需求的增加带来的网络流量的快速增长和可变性变大,对其进行有效流量控制的难度也随之变大。
发明内容
基于此,有必要针对上述技术问题,提供一种有效进行流量控制的无线Mesh骨干网络流量控制方法、装置、计算机设备和存储介质。
一种无线Mesh骨干网络流量控制方法,所述方法包括:
采集各路由节点的路由信息;
获取路由信息与最佳路由路径对应关系,所述路由信息与最佳路由路径对应关系为对路由信息进行深度学习-卷积神经网络训练得出的对应关系;
根据所述路由信息以及所述路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径;
根据所述最佳路由路径,对无线Mesh骨干网络中流量进行控制。
在其中一个实施例中,所述获取路由信息与最佳路由路径对应关系包括:
获取预设时间内各路由节点的路由信息;
对所述路由信息进行深度学习,提取各路由节点对应的网络特征,并对所述各路由节点对应的网络特征进行卷积神经网络训练,得到路由信息与最佳路由路径对应关系。
在其中一个实施例中,所述对所述路由信息进行深度学习,提取各路由节点对应的网络特征,并对所述各路由节点对应的网络特征进行卷积神经网络训练,得到路由信息与最佳路由路径对应关系,包括:
对所述路由信息进行深度学习,计算每个单位时间内,各所述路由节点与相邻路由节点的压差,并记录所述单位时间内各路由节点对应的端到端丢包率和时延,所述压差为不同路由节点发送缓存队列长度的差值;
以单位时间内各所述路由节点对应的压差作为样本输入以及最佳目的路由节点编号作为样本输出进行卷积神经网络训练,得到路由信息与最佳路由路径对应关系,所述最佳目的路由节点与对应的路由节点之间的端到端丢包率和时延最低。
在其中一个实施例中,所述以单位时间内各所述路由节点对应的压差作为样本输入以及最佳目的路由节点标识作为样本输出进行卷积神经网络训练,包括:
构建训练样本输入矩阵,所述训练样本输入矩阵的行与列表征各所述路由节点的编号,所述训练样本输入矩阵中数据表征各路由节点之间的压差;
构建训练样本输出矩阵,所述训练样本输出矩阵为一行多列的矩阵,所述训练样本输出矩阵中列表征各所述目的路由节点的编号,所述训练样本输出矩阵中数据表征当前路由节点与目的路由节点之间端到端丢包率和时延是否最低;
将所述训练样本输入矩阵通过卷积神经网络模型进行训练。
在其中一个实施例中,所述卷积神经网络模型为6层结构,所述卷积神经网络模型包括2个卷积层、2个下采样层、1个输入层以及1个输出层,所述卷积神经网络模型的卷积核为9。
在其中一个实施例中,所述获取路由信息与最佳路由路径对应关系包括:
获取预设路由信息与最佳路由路径对应关系;
根据采集的各路由节点的路由信息,更新所述预设路由信息与最佳路由路径对应关系。
在其中一个实施例中,所述根据所述最佳路由路径,对无线Mesh骨干网络中流量进行控制,之后还包括:
当检测到网络状况发生改变时,返回所述采集各路由节点的路由信息的步骤。
一种无线Mesh骨干网络流量控制装置,包括:
采集模块,用于采集各路由节点的路由信息;
对应关系获取模块,用于获取路由信息与最佳路由路径对应关系,所述路由信息与最佳路由路径对应关系为对路由信息进行深度学习-卷积神经网络训练得出的对应关系;
最佳路由路径获取模块,用于根据所述路由信息以及所述路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径;
流量控制模块,用于根据所述最佳路由路径,对无线Mesh骨干网络中流量进行控制。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的方法的步骤。
上述无线Mesh骨干网络流量控制方法、装置、计算机设备和存储介质,采集各路由节点的路由信息,获取路由信息与最佳路由路径对应关系,根据所述路由信息以及所述路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径,根据所述最佳路由路径,对无线Mesh骨干网络中流量进行控制。整个过程中,由于通过对历史路由信息进行深度学习-卷积神经网络训练得出的预设路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径准确得出最佳路由路径,再基于最佳路径,有效实现对无线Mesh骨干网络中流量控制。
附图说明
图1为无线Mesh网络的典型架构图;
图2为一个实施例中无线Mesh骨干网络流量控制方法的流程示意图;
图3为训练样本数据结构示意图;
图4为卷积神经网络结构示意图;
图5为另一个实施例中无线Mesh骨干网络流量控制方法的流程示意图;
图6为一个实施例中无线Mesh骨干网络流量控制装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
为更进一步详细解释本申请无线Mesh骨干网络流量控制方法与装置的技术方案、原理及其实现的效果,下面将首先针无线Mesh骨干网络技术原理进行介绍,并且详细说明本申请的整个发明构思。
如图1所示为无线Mesh网络的典型架构图,整个网络由终端节点(Station,STA)、MESH节点(Mesh Point,MP)、MESH接入点(Mesh Access Point,MAP)和MESH入口点(MeshPortal Point,MPP)构成,其中STA节点构成无线局域网并通过MAP节点接入无线MESH网络中,而MAP节点、MP节点和MPP节点构成无线MESH骨干网络进行网络流量传输。从图中可以看出,网络中来自无线局域网的所有流量必须经MAP节点转发才能进入无线骨干网进行发送,由于各个无线局域网中所接入的STA数量不尽相同,因此某些MAP节点相对于其他节点来说可能变得负荷严重,尽管MAP节点到其他的MAP节点和MPP节点间存在多条多跳路径,但如果整个网络仍然只根据传统路由协议基于距离向量和链路成本计算最佳路由路径,最终可能会导致某些节点承受过多的业务负载,从而导致整个网络负载不均衡、网络性能下降。
以往针对采用传统路由协议的无线Mesh骨干网会出现负载不均衡、网络性能差的缺点进行的研究都是基于对现有路由协议进行的改进研究,此种方式在某种特定网络场景下能达到较好的效果,但在网络特征变化快、流量突变性大的场景下并不能有效地进行网络流量控制。继续深入研究发现,究其原因是由于路由协议是根据预先设置好的路由策略进行的多跳路由抉择,而路由策略一般是由具体的网络特征决策好的一种或几种流量控制方式,在无线Mesh网络中由于节点移动、随机接入等原因,其网络特征处在不断变化过程之中,因此路由协议很难实时捕捉到当前最新的网络特征,也很难在变化的网络特征下选择有效的最佳多跳路由路径。
深度学习(Deep Learning,DL)作为一种突破性的机器学习技术,在无人驾驶、图像识别等领域已得到广泛应用,并不断向其他领域迅速渗透。其主要特点是具有自学习和自适应的能力,可以通过对预先提供的一批相互对应的输入、输出数据进行特征抽取,分析掌握两者之间的潜在规律,从而对于新的数据,可以根据之前训练出来的规律进行更加有效的检测判决。因此,在无线Mesh骨干网络中,有必要运用深度学习技术,对路由协议难以捕捉的网络特征进行在线学习,并在对应的网络特征下对有效和无效的路由路径进行训练,从而根据训练结果对实际运行阶段出现的网络场景作出有效判断并决策出最佳的多跳路由路径,以此来辅助路由协议达到更加高效的流量控制效果。
本申请提供的无线Mesh骨干网络流量控制方法,可以应用于如图1所示的无线Mesh骨干网络中。采集各无线Mesh骨干网络中路由节点的路由信息,路由节点包括MAP、MP和MPP节点,根据路由信息以及预设路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径,根据最佳路由路径,对无线Mesh骨干网络中流量进行控制。
如图2所示,一种无线Mesh骨干网络流量控制方法,方法包括:
S200:采集各路由节点的路由信息。
如图1所示,在无线Mesh骨干网络中路由节点包括MAP、MP和MPP节点,采集这些路由节点的路由信息。路由信息用于表征节点的通信情况,例如可以包括与当前节点连接目的节点地址、当前节点与目的节点之间端到端的丢包率以及时延、当前节点的流量等。
S400:获取路由信息与最佳路由路径对应关系,路由信息与最佳路由路径对应关系为对路由信息进行深度学习-卷积神经网络训练得出的对应关系。
路由信息与最佳路由路径对应关系可以是历史经验得出预先存储到服务器中,预设路由信息与最佳路由路径对应关系是对历史路由信息进行深度学习-卷积神经网络训练得到的对应关系;另外,路由信息与最佳路由路径对应关系还可以是服务器基于采集到的路由信息进行深度学习-卷积神经网络训练得出的。非必要的,深度学习-卷积神经网络训练是一个持续学习、训练的过程,服务器可以基于预设路由信息与最佳路由路径对应关系进行初始计算处理,在后续日常运行过程中通过不断积累、学习、更新得到的最新的对应关系。具体来说,服务器收集无线Mesh骨干网络中各路由节点的通信情况来进行深度学习,提取和记忆复杂多变的网络特征,并在对应的网络特征下对有效和无效的路由路径进行训练,训练得出最佳路由路径。更进一步来说,网络特征可以包括压差,以不同路由节点之间的压差作为卷积神经网络的样本输入值,以最佳目的路由节点编号作为样本输出值,进行卷积神经网络训练,得出路由信息与最佳路由路径对应关系。
S600:根据路由信息以及路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径。
S800:根据最佳路由路径,对无线Mesh骨干网络中流量进行控制。
在最佳路由路径中,标注有该路径选择的各个路由节点,服务器面对不同通信任务时,选择对应的最佳路由路径进行数据传输,合理且有效实现对无线Mesh骨干网络中流量控制。
上述无线Mesh骨干网络流量控制方法,采集各路由节点的路由信息,获取路由信息与最佳路由路径对应关系,根据路由信息以及路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径,根据最佳路由路径,对无线Mesh骨干网络中流量进行控制。整个过程中,由于通过对历史路由信息进行深度学习-卷积神经网络训练得出的预设路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径准确得出最佳路由路径,再基于最佳路径,有效实现对无线Mesh骨干网络中流量控制。
在其中一个实施例中,获取路由信息与最佳路由路径对应关系包括:获取预设时间内各路由节点的路由信息;对路由信息进行深度学习,提取各路由节点对应的网络特征,并对各路由节点对应的网络特征进行卷积神经网络训练,得到各路由信息与最佳路由路径对应关系。
在本实施例中,针对预设时间段内各路由节点的路由信息,进行深度学习,提取各路由节点对应的网络特征,网络特征具体可以为压差,将这些网络特征作为卷积神经网络预测的输入值,得到当前路由节点对应的端到端丢包率和时延最低对应的最佳目的路由节点,各路由节点连接上各自对应的最佳目的路由节点即可构成最佳路径。换言之,在最佳路径中,各路由节点与下一路由节点端到端丢包率和时延最低,整个路径可以极大降低本次通信任务的丢包率和时延,有效提高通信质量,实现良好流量控制。
在其中一个实施例中,对路由信息进行深度学习,提取各路由节点对应的网络特征,并对各路由节点对应的网络特征进行卷积神经网络训练,得到各路由信息与最佳路由路径对应关系,包括:
步骤一:对路由信息进行深度学习,计算每个单位时间内,各路由节点与相邻路由节点的压差,并记录单位时间内各路由节点对应的端到端丢包率和时延,压差为不同路由节点发送缓存队列长度的差值。
步骤二:以单位时间内各路由节点对应的压差作为样本输入以及最佳目的路由节点编号作为样本输出进行卷积神经网络训练,得到路由信息与最佳路由路径对应关系,最佳目的路由节点与对应的路由节点之间的端到端丢包率和时延最低。
在本实施例中,网络特征统一采用压差体现,压差在复杂多变的网络场景中能更好地反映路由器所处的网络特征。以各路由节点对应的压差作为训练样本进行卷积神经网络训练,查找到当前路由节点对应的最佳目的路由节点,以使当前路由节点与下一跳路由节点(最佳目的路由节点)相较于其他邻居路由节点具备最低的端到端丢包率和时延。将各路由节点与对应的最佳目的路由节点连接上,即可到当前网络特征对应的最佳路径,针对不同网络特征采用上述相同处理方式,即可得到各网络特征对应的最佳路径。
在其中一个实施例中,以各路由节点对应的压差作为训练样本进行卷积神经网络训练,包括:构建训练样本输入矩阵,训练样本输入矩阵的行与列表征各路由节点的编号,训练样本输入矩阵中数据表征各路由节点之间的压差;构建训练样本输出矩阵,训练样本输出矩阵为一行多列的矩阵,训练样本输出矩阵中列表征各目的路由节点的编号,训练样本输出矩阵中数据表征当前路由节点与目的路由节点之间端到端丢包率和时延是否最低;将训练样本输入矩阵通过卷积神经网络模型进行训练。
为更进一步解释上述实施例中,本申请无线Mesh骨干网络流量控制方法的技术方案,下面将采用实例描述。
在数据收集时每个路由节点(MAP、MP、MPP)需要完成以下几项任务。首先,在每个时间片T内,所有路由节点计算其与每个邻居节点的压差,然后记录时间片T内的端到端丢包率Ri以及时延ti,最后以路由报文的形式扩散到网络中的每个路由节点,每个节点在时间片T内收到路由报文后,构建训练样本,如图3所示需要训练的数据样本是一个M*M的矩阵(即图3中输入样本矩阵),M表示网络中的路由器总数,矩阵的行和列代表路由器的编号,矩阵中的数据代表互相之间的压差。以M*M的矩阵作为训练输入值,以当前时间片Ti内节点到每个目的节点具有最低端到端时延ti和丢包率Ri的下一跳节点编号作为输出结果(即图3中输出样本矩阵),在卷积神经网络中进行训练。
在其中一个实施例中,卷积神经网络模型为6层结构,卷积神经网络模型包括2个卷积层、2个下采样层、1个输入层以及1个输出层,卷积神经网络模型的卷积核为9。
如图4所示,卷积神经网络模型为6层结构,其具体包括2个卷积层、2个下采样层、1个输入层以及1个输出层。卷积神经网络模型训练为分类器模型,在特征提取部分利用多个卷积层对输入数据的低层特征进行过滤,同时利用池层逐步缩小特征和参数的大小,提高卷积神经网络的计算量。卷积和池层被用来最终提取输入数据的特征,根据提取的特征,分类部分完成最后的训练过程。完全连接层提供核心工作空间,计算提取的输入数据,并输出为M*1维向量,表示最终分类结果。在具体应用中,卷积神经网络模型的卷积核大小均为9,最大迭代次数为1000,每个输入样本的卷积神经网络最终输出为一个M*1维的向量,代表当前路由节点到所有目的路由节点中最优下一跳的路由节点编号。
如图5所示,在其中一个实施例中,步骤S400包括:
S420:获取预设路由信息与最佳路由路径对应关系;
S440:根据采集的各路由节点的路由信息,更新预设路由信息与最佳路由路径对应关系。
预设路由信息与最佳路由路径对应关系是预先存储到服务器中的,其可以理解为初始经验数据,在服务器后期日常运行过程中,可能随着网络情况、通信任务的改变,导致该初始的路由信息与最佳路由路径对应关系无法得出准确的最佳路由路径,基于此,在本实施例中,以步骤S200采集的各路由节点的路由信息为基础,采用深度学习-卷积神经网络训练更新该初始的路由信息与最佳路由路径对应关系,这样一方面实现服务器自主深度学习的操作;另一方面,路由信息与最佳路由路径对应关系随着时间推移持续更新,能够更加准确得出当前网络环境对应的最佳路由路径,实现对无线Mesh骨干网络流量准确控制。
如图5所示,在其中一个实施例中,S800之后还包括:
S900:当检测到网络状况发生改变时,返回步骤S200。
当网络状况发生改变时,最佳路由路径已经发生改变,则表示当前路由路径已不再适合进行网络传输,服务器返回采集各路由节点的路由信息的步骤,重新得出当前的最佳路由路径,服务器会在网络状况变化时不断迭代判断,从而辅助路由协议找到最佳路由路径进行流量控制。
如图6所示,一种无线Mesh骨干网络流量控制装置,包括:
采集模块200,用于采集各路由节点的路由信息;
对应关系获取模块400,用于获取路由信息与最佳路由路径对应关系,路由信息与最佳路由路径对应关系为对路由信息进行深度学习-卷积神经网络训练得出的对应关系;
最佳路由路径获取模块600,用于根据路由信息以及路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径;
流量控制模块800,用于根据最佳路由路径,对无线Mesh骨干网络中流量进行控制。
上述无线Mesh骨干网络流量控制装置,采集模块200采集各路由节点的路由信息,对应关系获取模块400获取路由信息与最佳路由路径对应关系,最佳路由路径获取模块600根据路由信息以及路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径,流量控制模块800根据最佳路由路径,对无线Mesh骨干网络中流量进行控制。整个过程中,由于通过对历史路由信息进行深度学习-卷积神经网络训练得出的预设路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径准确得出最佳路由路径,再基于最佳路径,有效实现对无线Mesh骨干网络中流量控制。
在其中一个实施例中,对应关系获取模块400还用于获取预设时间内各路由节点的路由信息;对路由信息进行深度学习,提取各路由节点对应的网络特征,并对各路由节点对应的网络特征进行卷积神经网络训练,得到路由信息与最佳路由路径对应关系。
在其中一个实施例中,对应关系获取模块400还用于对路由信息进行深度学习,计算每个单位时间内,各路由节点与相邻路由节点的压差,并记录单位时间内各路由节点对应的端到端丢包率和时延,压差为不同路由节点发送缓存队列长度的差值;
以单位时间内各路由节点对应的压差作为样本输入以及最佳目的路由节点编号作为样本输出进行卷积神经网络训练,得到路由信息与最佳路由路径对应关系,最佳目的路由节点与对应的路由节点之间的端到端丢包率和时延最低。
在其中一个实施例中,对应关系获取模块400还用于构建训练样本输入矩阵,训练样本输入矩阵的行与列表征各路由节点的编号,训练样本输入矩阵中数据表征各路由节点之间的压差;构建训练样本输出矩阵,训练样本输出矩阵为一行多列的矩阵,训练样本输出矩阵中列表征各目的路由节点的编号,训练样本输出矩阵中数据表征当前路由节点与目的路由节点之间端到端丢包率和时延是否最低;将训练样本输入矩阵通过卷积神经网络模型进行训练。
在其中一个实施例中,卷积神经网络模型为6层结构,卷积神经网络模型包括2个卷积层、2个下采样层、1个输入层以及1个输出层,卷积神经网络模型的卷积核为9。
在其中一个实施例中,对应关系获取模块400还用于获取预设路由信息与最佳路由路径对应关系;根据采集的各路由节点的路由信息,更新预设路由信息与最佳路由路径对应关系。
在其中一个实施例中,上述无线Mesh骨干网络流量控制装置还包括循环模块,用于当检测到网络状况发生改变时,控制采集模块200重新执行采集各路由节点的路由信息的操作。
关于无线Mesh骨干网络流量控制装置的具体限定可以参见上文中对于无线Mesh骨干网络流量控制方法的限定,在此不再赘述。上述无线Mesh骨干网络流量控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
具体来说,本申请无线Mesh骨干网络流量控制方法与装置在实际应用中主要包括训练阶段和运行阶段两个部分,下面将采用实例分开描述。
在训练阶段
数据收集,在数据收集时每个路由节点(MAP、MP、MPP)需要完成以下几项任务。首先,在每个时间片T内,所有路由节点计算其与每个邻居节点的压差,然后记录时间片T内的端到端丢包率Ri以及时延ti,最后以路由报文的形式扩散到网络中的每个路由节点;每个节点在时间片T内收到路由报文后,构建训练样本,如图3所示需要训练的数据样本是一个M*M的矩阵(即图3中输入样本矩阵),M表示网络中的路由器总数,矩阵的行和列代表路由器的编号,矩阵中的数据代表互相之间的压差。以M*M的矩阵作为训练输入值,以当前时间片Ti内节点到每个目的节点具有最低端到端时延ti和丢包率Ri的下一跳节点编号作为输出结果(即图3中输出样本矩阵),在卷积神经网络中进行训练。卷积神经网络训练,如图4所示为选定的卷积神经训练结构,其中采用的卷积神经为6层结构,包括2个卷积层,2个下采样层,1个输入层和1个输出层,卷积核大小均为9,最大迭代次数为1000。每个输入样本的卷积神经网络最终输出为一个M*1维的向量,代表当前节点到所有目的节点最优下一跳的节点编号。
在运行阶段
运行阶段有两个步骤,即样本收集和路由选择,根据时间片内收集的样本数据,系统智能地根据过去训练和记忆过的网络场景选择到目的节点的最佳路由路径。由于训练阶段已经锁定卷积神经网络的权值,当网络状况发生变化时,若根据卷积神经网络判断本节点到达目的节点的最佳路由已变化,则表示当前路由已不再适合进行网络传输,系统提示路由协议切换到卷积神经计算的最佳路由路径,卷积神经网络会在网络状况变化时不断迭代判断,从而辅助路由协议找到最佳路由路径进行流量控制。在运行阶段同样需要收集样本数据,样本既要用于网络智能选择最优路径,又要作为卷积神经网络不断迭代学习的“大数据”进行存储;在运行阶段收集的数据达到一定程度时则又会进入训练阶段进行数据训练学习,训练完的权重数据再更新到卷积神经网络中进行多跳路由的智能选择。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设路由信息与最佳路由路径对应关系数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种无线Mesh骨干网络流量控制方法
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
采集各路由节点的路由信息;
获取路由信息与最佳路由路径对应关系,路由信息与最佳路由路径对应关系为对路由信息进行深度学习-卷积神经网络训练得出的对应关系;
根据路由信息以及路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径;
根据最佳路由路径,对无线Mesh骨干网络中流量进行控制。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取预设时间内各路由节点的路由信息;
对路由信息进行深度学习,提取各路由节点对应的网络特征,并对各路由节点对应的网络特征进行卷积神经网络训练,得到路由信息与最佳路由路径对应关系。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对路由信息进行深度学习,计算每个单位时间内,各路由节点与相邻路由节点的压差,并记录单位时间内各路由节点对应的端到端丢包率和时延,压差为不同路由节点发送缓存队列长度的差值;以单位时间内各路由节点对应的压差作为样本输入以及最佳目的路由节点编号作为样本输出进行卷积神经网络训练,得到路由信息与最佳路由路径对应关系,最佳目的路由节点与对应的路由节点之间的端到端丢包率和时延最低。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
构建训练样本输入矩阵,训练样本输入矩阵的行与列表征各路由节点的编号,训练样本输入矩阵中数据表征各路由节点之间的压差;构建训练样本输出矩阵,训练样本输出矩阵为一行多列的矩阵,训练样本输出矩阵中列表征各目的路由节点的编号,训练样本输出矩阵中数据表征当前路由节点与目的路由节点之间端到端丢包率和时延是否最低;将训练样本输入矩阵通过卷积神经网络模型进行训练。
在其中一个实施例中,卷积神经网络模型为6层结构,卷积神经网络模型包括2个卷积层、2个下采样层、1个输入层以及1个输出层,卷积神经网络模型的卷积核为9。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取预设路由信息与最佳路由路径对应关系;根据采集的各路由节点的路由信息,更新预设路由信息与最佳路由路径对应关系。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当检测到网络状况发生改变时,返回采集各路由节点的路由信息的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
采集各路由节点的路由信息;
获取路由信息与最佳路由路径对应关系,路由信息与最佳路由路径对应关系为对路由信息进行深度学习-卷积神经网络训练得出的对应关系;
根据路由信息以及路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径;
根据最佳路由路径,对无线Mesh骨干网络中流量进行控制。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取预设时间内各路由节点的路由信息;
对路由信息进行深度学习,提取各路由节点对应的网络特征,并对各路由节点对应的网络特征进行卷积神经网络训练,得到路由信息与最佳路由路径对应关系。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对路由信息进行深度学习,计算每个单位时间内,各路由节点与相邻路由节点的压差,并记录单位时间内各路由节点对应的端到端丢包率和时延,压差为不同路由节点发送缓存队列长度的差值;以单位时间内各路由节点对应的压差作为样本输入以及最佳目的路由节点编号作为样本输出进行卷积神经网络训练,得到路由信息与最佳路由路径对应关系,最佳目的路由节点与对应的路由节点之间的端到端丢包率和时延最低。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
构建训练样本输入矩阵,训练样本输入矩阵的行与列表征各路由节点的编号,训练样本输入矩阵中数据表征各路由节点之间的压差;构建训练样本输出矩阵,训练样本输出矩阵为一行多列的矩阵,训练样本输出矩阵中列表征各目的路由节点的编号,训练样本输出矩阵中数据表征当前路由节点与目的路由节点之间端到端丢包率和时延是否最低;将训练样本输入矩阵通过卷积神经网络模型进行训练。
在其中一个实施例中,卷积神经网络模型为6层结构,卷积神经网络模型包括2个卷积层、2个下采样层、1个输入层以及1个输出层,卷积神经网络模型的卷积核为9。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取预设路由信息与最佳路由路径对应关系;根据采集的各路由节点的路由信息,更新预设路由信息与最佳路由路径对应关系。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当检测到网络状况发生改变时,返回采集各路由节点的路由信息的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍速率SDRAM(DDR-SDRAM)、增强型SDRAM(ESDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种无线Mesh骨干网络流量控制方法,所述方法包括:
采集各路由节点的路由信息;
获取路由信息与最佳路由路径对应关系,所述路由信息与最佳路由路径对应关系为对路由信息进行深度学习-卷积神经网络训练得出的对应关系;
根据所述路由信息以及所述路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径;
根据所述最佳路由路径,对无线Mesh骨干网络中流量进行控制。
2.根据权利要求1所述的方法,其特征在于,所述获取路由信息与最佳路由路径对应关系包括:
获取预设时间内各路由节点的路由信息;
对所述路由信息进行深度学习,提取各路由节点对应的网络特征,并对所述各路由节点对应的网络特征进行卷积神经网络训练,得到路由信息与最佳路由路径对应关系。
3.根据权利要求2所述的方法,其特征在于,所述对所述路由信息进行深度学习,提取各路由节点对应的网络特征,并对所述各路由节点对应的网络特征进行卷积神经网络训练,得到路由信息与最佳路由路径对应关系,包括:
对所述路由信息进行深度学习,计算每个单位时间内,各所述路由节点与相邻路由节点的压差,并记录所述单位时间内各路由节点对应的端到端丢包率和时延,所述压差为不同路由节点发送缓存队列长度的差值;
以单位时间内各所述路由节点对应的压差作为样本输入以及最佳目的路由节点编号作为样本输出进行卷积神经网络训练,得到路由信息与最佳路由路径对应关系,所述最佳目的路由节点与对应的路由节点之间的端到端丢包率和时延最低。
4.根据权利要求3所述的方法,其特征在于,所述以单位时间内各所述路由节点对应的压差作为样本输入以及最佳目的路由节点标识作为样本输出进行卷积神经网络训练,包括:
构建训练样本输入矩阵,所述训练样本输入矩阵的行与列表征各所述路由节点的编号,所述训练样本输入矩阵中数据表征各路由节点之间的压差;
构建训练样本输出矩阵,所述训练样本输出矩阵为一行多列的矩阵,所述训练样本输出矩阵中列表征各所述目的路由节点的编号,所述训练样本输出矩阵中数据表征当前路由节点与目的路由节点之间端到端丢包率和时延是否最低;
将所述训练样本输入矩阵通过卷积神经网络模型进行训练。
5.根据权利要求4所述的方法,其特征在于,所述卷积神经网络模型为6层结构,所述卷积神经网络模型包括2个卷积层、2个下采样层、1个输入层以及1个输出层,所述卷积神经网络模型的卷积核为9。
6.根据权利要求1所述的方法,其特征在于,所述获取路由信息与最佳路由路径对应关系包括:
获取预设路由信息与最佳路由路径对应关系;
根据采集的各路由节点的路由信息,更新所述预设路由信息与最佳路由路径对应关系。
7.根据权利要求1所述的方法,其特征在于,所述根据所述最佳路由路径,对无线Mesh骨干网络中流量进行控制,之后还包括:
当检测到网络状况发生改变时,返回所述采集各路由节点的路由信息的步骤。
8.一种无线Mesh骨干网络流量控制装置,其特征在于,包括:
采集模块,用于采集各路由节点的路由信息;
对应关系获取模块,用于获取路由信息与最佳路由路径对应关系,所述路由信息与最佳路由路径对应关系为对路由信息进行深度学习-卷积神经网络训练得出的对应关系;
最佳路由路径获取模块,用于根据所述路由信息以及所述路由信息与最佳路由路径对应关系,通过卷积神经网络预测最佳路由路径;
流量控制模块,用于根据所述最佳路由路径,对无线Mesh骨干网络中流量进行控制。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810784954.4A CN108809839B (zh) | 2018-07-17 | 2018-07-17 | 无线Mesh骨干网络流量控制方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810784954.4A CN108809839B (zh) | 2018-07-17 | 2018-07-17 | 无线Mesh骨干网络流量控制方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108809839A true CN108809839A (zh) | 2018-11-13 |
CN108809839B CN108809839B (zh) | 2020-12-01 |
Family
ID=64077158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810784954.4A Active CN108809839B (zh) | 2018-07-17 | 2018-07-17 | 无线Mesh骨干网络流量控制方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108809839B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922007A (zh) * | 2019-01-15 | 2019-06-21 | 西安仙农电子科技有限公司 | 一种基于卷积神经网络的负载均衡方法 |
CN110011922A (zh) * | 2019-04-07 | 2019-07-12 | 西安电子科技大学 | 弹性光网络中采用业务预测与频谱转换的rsa方法 |
CN110311863A (zh) * | 2019-05-09 | 2019-10-08 | 北京邮电大学 | 一种路由路径确定方法及装置 |
CN110336754A (zh) * | 2019-05-09 | 2019-10-15 | 北京邮电大学 | 一种网络流量配置方法及装置 |
CN110839253A (zh) * | 2019-11-08 | 2020-02-25 | 西北工业大学青岛研究院 | 一种确定无线网格网络流量的方法 |
CN111382842A (zh) * | 2020-03-06 | 2020-07-07 | 佳源科技有限公司 | 一种高速载波通信动态路由方法及系统 |
CN112215335A (zh) * | 2020-09-25 | 2021-01-12 | 湖南理工学院 | 一种基于深度学习的系统检测方法 |
CN112565078A (zh) * | 2020-11-20 | 2021-03-26 | 普联技术有限公司 | 网络选路方法、装置、设备及计算机可读存储介质 |
WO2021243585A1 (en) * | 2020-06-03 | 2021-12-09 | Huawei Technologies Co., Ltd. | Method and system for generating network configurations using graph neural network |
CN114900859A (zh) * | 2022-07-11 | 2022-08-12 | 深圳市华曦达科技股份有限公司 | 一种easymesh网络管理方法及装置 |
CN115278811A (zh) * | 2022-07-28 | 2022-11-01 | 中国科学院计算技术研究所 | 一种基于决策树模型的mptcp连接路径选择方法 |
CN116366133A (zh) * | 2023-04-06 | 2023-06-30 | 广州爱浦路网络技术有限公司 | 基于低轨卫星边缘计算的卸载方法及装置 |
CN116996397A (zh) * | 2023-09-27 | 2023-11-03 | 之江实验室 | 一种网络丢包优化的方法、装置、存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100220596A1 (en) * | 2009-02-27 | 2010-09-02 | Hubbard Robert B | System and method for optimizing the routing of multimedia content |
CN106656798A (zh) * | 2016-12-30 | 2017-05-10 | 先锋支付有限公司 | 一种计算决策路径的方法及分布式节点 |
CN106953802A (zh) * | 2017-03-01 | 2017-07-14 | 浙江工商大学 | 一种基于深度学习的网络最优路径选择方法 |
CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
-
2018
- 2018-07-17 CN CN201810784954.4A patent/CN108809839B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100220596A1 (en) * | 2009-02-27 | 2010-09-02 | Hubbard Robert B | System and method for optimizing the routing of multimedia content |
CN106656798A (zh) * | 2016-12-30 | 2017-05-10 | 先锋支付有限公司 | 一种计算决策路径的方法及分布式节点 |
CN106953802A (zh) * | 2017-03-01 | 2017-07-14 | 浙江工商大学 | 一种基于深度学习的网络最优路径选择方法 |
CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
Non-Patent Citations (1)
Title |
---|
李彦君: "利用机器学习实现快速网络资源分配的研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922007A (zh) * | 2019-01-15 | 2019-06-21 | 西安仙农电子科技有限公司 | 一种基于卷积神经网络的负载均衡方法 |
CN110011922A (zh) * | 2019-04-07 | 2019-07-12 | 西安电子科技大学 | 弹性光网络中采用业务预测与频谱转换的rsa方法 |
CN110311863A (zh) * | 2019-05-09 | 2019-10-08 | 北京邮电大学 | 一种路由路径确定方法及装置 |
CN110336754A (zh) * | 2019-05-09 | 2019-10-15 | 北京邮电大学 | 一种网络流量配置方法及装置 |
CN110336754B (zh) * | 2019-05-09 | 2020-04-21 | 北京邮电大学 | 一种网络流量配置方法及装置 |
CN110839253A (zh) * | 2019-11-08 | 2020-02-25 | 西北工业大学青岛研究院 | 一种确定无线网格网络流量的方法 |
CN111382842A (zh) * | 2020-03-06 | 2020-07-07 | 佳源科技有限公司 | 一种高速载波通信动态路由方法及系统 |
WO2021243585A1 (en) * | 2020-06-03 | 2021-12-09 | Huawei Technologies Co., Ltd. | Method and system for generating network configurations using graph neural network |
US11929912B2 (en) | 2020-06-03 | 2024-03-12 | Huawei Technologies Co., Ltd. | Method and system for generating network configurations using graph neural network |
CN112215335B (zh) * | 2020-09-25 | 2023-05-23 | 湖南理工学院 | 一种基于深度学习的系统检测方法 |
CN112215335A (zh) * | 2020-09-25 | 2021-01-12 | 湖南理工学院 | 一种基于深度学习的系统检测方法 |
CN112565078A (zh) * | 2020-11-20 | 2021-03-26 | 普联技术有限公司 | 网络选路方法、装置、设备及计算机可读存储介质 |
CN114900859B (zh) * | 2022-07-11 | 2022-09-20 | 深圳市华曦达科技股份有限公司 | 一种easymesh网络管理方法及装置 |
CN114900859A (zh) * | 2022-07-11 | 2022-08-12 | 深圳市华曦达科技股份有限公司 | 一种easymesh网络管理方法及装置 |
CN115278811A (zh) * | 2022-07-28 | 2022-11-01 | 中国科学院计算技术研究所 | 一种基于决策树模型的mptcp连接路径选择方法 |
CN116366133A (zh) * | 2023-04-06 | 2023-06-30 | 广州爱浦路网络技术有限公司 | 基于低轨卫星边缘计算的卸载方法及装置 |
CN116366133B (zh) * | 2023-04-06 | 2023-10-27 | 广州爱浦路网络技术有限公司 | 基于低轨卫星边缘计算的卸载方法及装置 |
CN116996397A (zh) * | 2023-09-27 | 2023-11-03 | 之江实验室 | 一种网络丢包优化的方法、装置、存储介质及电子设备 |
CN116996397B (zh) * | 2023-09-27 | 2024-01-09 | 之江实验室 | 一种网络丢包优化的方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108809839B (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108809839A (zh) | 无线Mesh骨干网络流量控制方法与装置 | |
CN109039942B (zh) | 一种基于深度强化学习的网络负载均衡系统及均衡方法 | |
Donta et al. | An extended ACO-based mobile sink path determination in wireless sensor networks | |
CN107172166A (zh) | 面向工业智能化服务的云雾计算系统 | |
Deng et al. | A digital twin approach for self-optimization of mobile networks | |
Fadlullah et al. | Value iteration architecture based deep learning for intelligent routing exploiting heterogeneous computing platforms | |
CN107332770B (zh) | 一种必经点路由路径选择方法 | |
CN113485429A (zh) | 空地协同交通巡检的路径优化方法和装置 | |
Gavalas et al. | Energy-efficient multiple itinerary planning for mobile agents-based data aggregation in WSNs | |
CN101706888A (zh) | 一种旅行时间预测的方法 | |
Yu et al. | A multi-objective metaheuristics study on solving constrained relay node deployment problem in WSNS | |
Ren et al. | Spatio-temporal spectrum load prediction using convolutional neural network and ResNet | |
CN111783895A (zh) | 基于神经网络的旅行计划推荐方法、装置、计算机设备和存储介质 | |
CN113691993B (zh) | 基于图神经网络的5g连通簇基站群流量预测方法及系统 | |
Manalastas et al. | Where to go next?: A realistic evaluation of AI-assisted mobility predictors for HetNets | |
CN106658570A (zh) | 基于二次栅格划分的移动sink信息收集路径构建方法 | |
Wang et al. | The use of artificial neural networks for optimal message routing | |
Chen et al. | Context-aware online offloading strategy with mobility prediction for mobile edge computing | |
CN113342029A (zh) | 基于无人机群的最大传感器数据采集路径规划方法及系统 | |
Mpitziopoulos et al. | Deriving efficient mobile agent routes in wireless sensor networks with NOID algorithm | |
CN116781139A (zh) | 一种基于强化学习的流量预测卫星路径选择方法及系统 | |
CN112488343B (zh) | 一种基于超启发式算法的智慧城市智能感知终端选址方法 | |
Chakraborty et al. | R2-d2d: A novel deep learning based content-caching framework for d2d networks | |
Kiliç et al. | A public transit network route generation algorithm | |
Jun et al. | Improved method of ant colonies to search independent data transmission routes in WSN |
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 |