CN109120458A - 空间信息网络的网络拓扑生成、路由分配方法和装置 - Google Patents
空间信息网络的网络拓扑生成、路由分配方法和装置 Download PDFInfo
- Publication number
- CN109120458A CN109120458A CN201811092934.7A CN201811092934A CN109120458A CN 109120458 A CN109120458 A CN 109120458A CN 201811092934 A CN201811092934 A CN 201811092934A CN 109120458 A CN109120458 A CN 109120458A
- Authority
- CN
- China
- Prior art keywords
- network
- network node
- node
- transition probability
- topology
- 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.)
- Pending
Links
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
- 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
- H04L45/74—Address processing for routing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种空间信息网络的网络拓扑生成、路由分配方法和装置,所述方法包括:根据所述空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率;根据所述网络节点间的转移概率,在二维空间中矢量化网络节点间的关系得到所述空间信息网络的网络拓扑。应用本发明生成的网络拓扑不仅可以反映网络节点间的连接状况,还反映网络节点间链路性能的优劣;不仅能直观反映网络节点的一阶邻近度,还能直观表现二阶以上的邻近度信息;且提供了一种高效存储方式。
Description
技术领域
本发明涉及空间信息网络技术领域,特别是指一种星地协同网络的网络拓扑生成、路由分配方法和装置。
背景技术
空间信息网络是以空间平台(如高、中、低轨道卫星,气球和飞机等)为载体,实时获取、传输和处理空间信息的网络系统。作为国家重要基础设施,空间信息网络在服务移动网络系统、远洋航行、应急救援、导航定位、航空运输、航天测控等重大应用的同时,向下可支持对地观测的高动态、宽带实时传输,向上可支持深空探测的超远程、大时延可靠传输,从而将人类科学、文化、生产活动拓展至空间、远洋、乃至深空,是全球范围的研究热点。
基于星地协同的空间信息网络主要由地面网络和高中低轨道卫星网络构成,卫星是网络主体,由于卫星围绕地球在一条椭圆的轨道上做圆周运动,除了地球同步卫星,大部分卫星相对与地面处于时刻运行的状态。并且不同轨道上的卫星由于其轨道不同,也都处于相对运动状态。因此,不同于一般性地面网络,星地协同网络具有较为突出的高动态特性,并且卫星网络间相对移动模型相对复杂,时变的拓扑结构是基于星地协同的空间信息网络(即星地协同网络)的主要内容。
在星地协同网络中,由于通信网络节点的运行轨迹、速度各不相同,以及空间环境的多变性使得某些障碍物对激光信号造成遮挡,导致星地协同网络拓扑具有高动态性的特点。星地协同网络的拓扑结构是控制器为业务分配路由和链路资源的基础,拓扑的不确定性将导致网络层无法对业务规划路由方案,即便是规划了路由,拓扑没有实时性的更新会使业务在服务期间的连接性得不到保障,从而影响业务的QoS(服务质量)。因此需要一种机制能够解决星地协同网络拓扑结构的高动态性问题。
星地协同网络是涉及星、空、地的大范围组网,包括高、中、低轨道卫星,气球,飞机,地面基站等,因此星地协同网络拓扑具有网络节点多、链路复杂的特征。传统的拓扑表示采用矩阵的方式,拓扑中的网络节点数决定矩阵的维度,并用一个比特位表示两个网络节点间的连接状况,如图1所示。其中,V1~V5网络节点的网络拓扑关系是用右图的二维矩阵表示,矩阵中的1表示两网络节点间具有连接关系,0表示两网络节点间不具有连接关系。
在实际应用中,本发明的发明人发现这种表示方式具有如下缺点:1、该拓扑表示方式仅能反映网络节点间是连接,或者不连接的状况,无法进一步提供两网络节点间链路的性能的优劣状况;2、矩阵过于稀疏,而且只能直观反映网络节点的一阶邻近度,不能直观表现二阶以上的邻近度信息,对拓扑的整体特征信息有所丢失;3、对于星地协同网络这一类大规模网络,这种表示方式将占用大量的存储资源。因此,需要一种更有效的方式表示拓扑信息,进而提升存储和计算效率。
发明内容
有鉴于此,本发明的目的在于提出一种空间信息网络的网络拓扑生成、路由分配方法和装置,以二维矢量化的网络节点在二维空间中表征网络节点的拓扑结构,网络节点间的矢量距离不仅可以反映网络节点间的连接状况,还反映网络节点间链路性能的优劣;且不仅能直观反映网络节点的一阶邻近度,还能直观表现二阶以上的邻近度信息;且为星地协同网络这一类大规模网络提供了一种高效存储方式。
基于上述目的本发明提供一种空间信息网络的网络拓扑生成方法,包括:
根据所述空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率;
根据所述网络节点间的转移概率,在二维空间中矢量化网络节点间的关系得到所述空间信息网络的网络拓扑。
其中,所述根据所述空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率,具体包括:
采用具有偏置策略的随机游走对网络采样过程中,根据所述空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率。
其中,所述根据所述网络节点间的转移概率,在二维空间中矢量化网络节点间的关系得到所述空间信息网络的网络拓扑,具体包括:
将所述网络节点间的转移概率作为训练样本数据对Skip-Gram模型进行训练;
从训练过的Skip-Gram模型结构中获取每个网络节点的矢量化表示结果构建所述网络拓扑。
本发明还提供一种空间信息网络的网络拓扑生成装置,包括:
节点转移概率确定模块,用于根据所述空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率;
拓扑构建模块,用于根据所述网络节点间的转移概率,在二维空间中矢量化网络节点间的关系得到所述空间信息网络的网络拓扑。
本发明实施例的技术方案中,根据空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率;进而根据所述网络节点间的转移概率,在二维空间中矢量化网络节点间的关系得到所述空间信息网络的网络拓扑。这样实现了将节点之间的链接性能矢量化,即以网络节点间的矢量距离反映网络节点间的连接性。以这种方式表示的网络拓扑结构,相比于传统的矩阵化拓扑表示方式,矢量化拓扑的方式能够保存更多的网络拓扑信息,矢量距离不仅可以表示出网络节点间是否连接的关系,还可以表示出链接性能的优劣;此外,不仅限于一阶邻近度的连接性,也可以直观反映二阶邻近度的信息。而且,矢量化的拓扑信息,无论拓扑中网络节点数如何变化,网络节点的表示总是二维矢量,有效降低了拓扑维度,节约大量存储资源,相比于传统的矩阵化拓扑表示方式,占用存储资源更少,可以为星地协同网络这一类大规模网络提供更高效的存储方式。
附图说明
图1为现有技术的矩阵化表示的网络拓扑的示意图;
图2为本发明实施例提供的映射到二维矢量空间后的网络拓扑示意图;
图3为本发明实施例提供的一种空间信息网络的网络拓扑生成方法流程图;
图4为本发明实施例提供的一种空间信息网络的网络拓扑生成装置和路由分配装置的内部结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
本发明的发明人考虑到,将节点之间的链接性能矢量化,即以网络节点间的矢量距离反映网络节点间的连接性。如图2所示,左图为直观反映网络节点连接关系的网络拓扑示意图,右图为将其映射到二维矢量空间后的网络拓扑示意图。以这种方式表示的网络拓扑结构,相比于传统的矩阵化拓扑表示方式,矢量化拓扑的方式能够保存更多的网络拓扑信息,矢量距离不仅可以表示出网络节点间是否连接的关系,还可以表示出链接性能的优劣;此外,不仅限于一阶邻近度的连接性,也可以直观反映二阶邻近度的信息。从图2可以看出,传统的网络拓扑示意图中连接较为紧密的网络节点,在二维矢量空间的网络拓扑中分布也较为密集。
而且,矢量化的拓扑信息,无论拓扑中网络节点数如何变化,网络节点的表示总是二维矢量,有效降低了拓扑维度,节约大量存储资源,相比于传统的矩阵化拓扑表示方式,占用存储资源更少,可以为星地协同网络这一类大规模网络提供更高效的存储方式。
下面结合附图详细说明本发明实施例的技术方案。
本发明实施例提供的一种空间信息网络的网络拓扑生成方法,如图3所示,包括如下步骤:
步骤S301:根据所述空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率。
本步骤中,可以采用具有偏置策略的随机游走对网络采样过程中,根据所述空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率。
具体地,空间信息网络的控制器可以根据当前网络状况计算每条链路的权重,权重是链路性能的量化结果,权重越大表示当前链路的性能越优。本发明选择时延带宽积、可用吞吐量和丢包率作为链路性能的评判指标,对于某一时刻t0来说,链路的时延带宽积W0代表链路的容量,链路的可用吞吐率R0代表链路的负载状况,用链路丢包率E0衡量链路的可靠性,kW,kR,kE分别代表链路的容量、负载状况、可靠性性能参数的估计等级,且kW+kR+kE=1。控制器根据业务需求调整各个性能参数间的比例以更好地适应不同业务的不同特殊需求,于是(u,v)两节点间链路的权重wu,v可以如下表达式一表示为:
由于空间信息网络的动态性,网络的负载状况是时变的,因此链路权重也具有动态变化的特性,因此,控制器在采用具有偏置策略的随机游走对网络采样过程中,可以根据上述方法计算出每条链路的权重,从而不断捕捉动态的节点对间的连接关系和链路性能,并根据网络节点间的链路性能,确定网络节点间的转移概率。例如,已知节点u,转移到下一跳采样到的节点v的概率可以用如下表达式二表示:
其中,wu,v是网络节点u和网络节点v之间的链路权重;∑wu,i是所有相连于网络节点u的网络节点与网络节点u之间的链路权重之和;E表示网络节点集合。
具体地,网络节点间的转移概率具体为条件概率,如表达式三所示:
所述表达式三表示以网络节点vi为起点,进行所述偏置策略的随机游走得到的路径是v1,v2,…,vi-1的概率。
步骤S302:根据网络节点间的转移概率,在二维空间中矢量化网络节点间的关系得到所述空间信息网络的网络拓扑。
本发明的技术方案中,利用Skip-Gram(连续跳跃元语法)模型根据网络节点间的转移概率,在二维空间中矢量化网络节点间的关系。
这里先简单介绍一下Skip-Gram模型:Skip-Gram模型起初运用在Word2Vec(词语转化为向量)中,Word2Vec是将词语表示为向量的模型。直观上的理解,Skip-Gram模型是给定一个词语,来预测这个词语的上下文是什么。Skip-Gram模型涉及两个部分,第一部分为建立模型,第二部分是通过模型获取输入词的上下文的可能性,实现对输入词的上下文的预测。即先基于训练数据即大量的句子构建一个神经网络,而句子则反映了词语间的转移概率;在利用句子对这个基于神经网络的模型训练好以后,获得模型的参数,这个参数即词语的向量。在运用训练好的Skip-Gram模型时,输入是一个词,输出是一个概率分布,每个概率代表着词典中的每个词是给定词语上下文的可能性。
由此,本发明的发明人考虑到,将网络节点间的转移概率替代词语间的转移概率,作为训练样本数据对Skip-Gram模型进行训练;则获得的Skip-Gram模型的参数即为网络节点的向量,即从训练过的Skip-Gram模型结构中可以获取每个网络节点的矢量化表示结果,从而构建了在二维空间中以矢量化表征网络节点间的关系的网络拓扑。
而通过上述步骤S301的具有偏置策略的随机游走采样得到业务敏感的拓扑结构仅反映了空间信息网络中的部分网络结构,利用部分网络结构中的网络节点间的转移概率作为先验知识对Skip-Gram模型进行训练,从而在训练过程中Skip-Gram模型可以预测出网络节点间的所有网络节点的向量(矢量),生成空间信息网络的所有网络节点的网络拓扑。
所述Skip-Gram模型的训练目标为寻找最大的条件概率,如表达式四所示:
其中,f(vi)表示网络节点vi的矢量化表示结果。
更优地,在对Skip-Gram模型进行训练的过程中,可以利用softmax算法的二叉树计算网络节点间的转移概率,以加快模型的训练速度,具体过程如下:
上述表达式三所示的多维空间的网络节点间的转移概率,即以网络节点vi为起点,进行所述偏置策略的随机游走得到的路径是v1,v2,…,vi-1的概率,在利用Skip-Gram模型中的映射规则将其从多维空间映射到低维空间后,得到低维空间的网络节点间的转移概率,如下表达式五所示:
上述表达式五表示由映射规则所得的低维空间中vi到vj的转移概率。
利用softmax(归一化指数函数)计算网络节点间的转移概率:将每个网络节点分别映射为二叉树的各叶节点,将网络节点vi到其它节点的转移概率建模为二叉树中表示vi的根节点到表示其它节点的叶节点之间的路径,则条件概率Pr(vj|f(vi))改写为如下表达式六:
其中,l是从所述二叉树的根节点vi到vj所映射的叶节点的路径长度,是网络节点vj对应于二叉树中的标识为k的叶节点的父节点的d维向量表示,的值定义为:vj所映射的标识为k的叶节点为正样本时为0,为负样本时为1;其中,正样本指的是一次随机游走采样中被取样到的网络节点组成的集合;负采样指的是从正样本以外的网络节点中随机挑选的一部分节点组成的集合;是叶节点k为正样本的概率,且:
则所述Skip-Gram模型的训练目标的表达式四转化为如下表达式八:
在所述训练过程中,用SGD(Stochastic Gradient Decent随机梯度下降)算法更新所述Skip-Gram模型结构中的参数f(vi)和具体根据如下表达式九、十更新:
其中,η表示学习率,即表示当前梯度多大程度上会受参数更新影响,本领域技术人员可根据经验设置。
基于上述的网络拓扑生成方法,本发明实例提供的一种路由分配方法为,当业务请求到达时,根据以上述方法生成的网络拓扑中的网络节点间的矢量距离,选取网络节点为业务分配路由。
基于上述的网络拓扑生成方法,本发明实施例提供的一种空间信息网络的网络拓扑生成装置,可以设置于空间信息网络的控制器中,如图4所示,包括:节点转移概率确定模块401和拓扑构建模块402。
其中,节点转移概率确定模块401用于根据所述空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率;
拓扑构建模块402用于根据所述网络节点间的转移概率,在二维空间中矢量化网络节点间的关系得到所述空间信息网络的网络拓扑。
具体地,节点转移概率确定模块401采用具有偏置策略的随机游走对网络采样过程中,根据所述空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率。节点转移概率确定模块401确定网络节点间的转移概率的具体方法可参考上述步骤S301中的方法,此处不再赘述。
拓扑构建模块402具体用于将所述网络节点间的转移概率作为训练样本数据对Skip-Gram模型进行训练;从训练过的Skip-Gram模型结构中获取每个网络节点的矢量化表示结果构建所述网络拓扑。拓扑构建模块402构建所述网络拓扑的具体方法可参考上述步骤S302中的方法,此处不再赘述。
基于上述的路由分配方法,本发明实施例提供的一种路由分配装置,如图4所示,包括:网络拓扑存储模块404、路由分配模块403。
网络拓扑存储模块404用于存储由上述网络拓扑生成装置生成的网络拓扑;
路由分配模块403用于当业务请求到达时,根据网络拓扑存储模块404存储的网络拓扑中网络节点间的矢量距离,选取网络节点为业务分配路由。
本发明实施例的技术方案中,根据空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率;进而根据所述网络节点间的转移概率,在二维空间中矢量化网络节点间的关系得到所述空间信息网络的网络拓扑。这样实现了将节点之间的链接性能矢量化,即以网络节点间的矢量距离反映网络节点间的连接性。以这种方式表示的网络拓扑结构,相比于传统的矩阵化拓扑表示方式,矢量化拓扑的方式能够保存更多的网络拓扑信息,矢量距离不仅可以表示出网络节点间是否连接的关系,还可以表示出链接性能的优劣;此外,不仅限于一阶邻近度的连接性,也可以直观反映二阶邻近度的信息。而且,矢量化的拓扑信息,无论拓扑中网络节点数如何变化,网络节点的表示总是二维矢量,有效降低了拓扑维度,节约大量存储资源,相比于传统的矩阵化拓扑表示方式,占用存储资源更少,可以为星地协同网络这一类大规模网络提供更高效的存储方式。
本技术领域技术人员可以理解,本发明包括涉及用于执行本申请中所述操作中的一项或多项的设备。这些设备可以为所需的目的而专门设计和制造,或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序,这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如,计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中,所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random Access Memory,随即存储器)、EPROM(Erasable ProgrammableRead-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically ErasableProgrammable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,可读介质包括由设备(例如,计算机)以能够读的形式存储或传输信息的任何介质。
本技术领域技术人员可以理解,可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解,可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现,从而通过计算机或其他可编程数据处理方法的处理器来执行本发明公开的结构图和/或框图和/或流图的框或多个框中指定的方案。
本技术领域技术人员可以理解,本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地,具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地,现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种空间信息网络的网络拓扑生成方法,其特征在于,包括:
根据所述空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率;
根据所述网络节点间的转移概率,在二维空间中矢量化网络节点间的关系得到所述空间信息网络的网络拓扑。
2.根据权利要求1所述的方法,其特征在于,所述根据所述空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率,具体包括:
采用具有偏置策略的随机游走对网络采样过程中,根据所述空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述网络节点间的转移概率,在二维空间中矢量化网络节点间的关系得到所述空间信息网络的网络拓扑,具体包括:
将所述网络节点间的转移概率作为训练样本数据对Skip-Gram连续跳跃元语法模型进行训练;
从训练过的Skip-Gram模型结构中获取每个网络节点的矢量化表示结果构建所述网络拓扑。
4.根据权利要求3所述的方法,其特征在于,所述网络节点间的转移概率具体为条件概率,如表达式三所示:
其中,所述表达式三表示以网络节点vi为起点,进行所述偏置策略的随机游走得到的路径是v1,v2,…,vi-1的概率。
5.根据权利要求4所述的方法,其特征在于,所述Skip-Gram模型的训练目标为寻找最大的条件概率,如表达式四所示:
其中,f(vi)表示网络节点vi的矢量化表示结果。
6.根据权利要求5所述的方法,其特征在于,所述对Skip-Gram模型进行训练的过程包括:
将多维空间的所述网络节点间的转移概率利用所述Skip-Gram模型中的映射规则映射到低维空间中,得到低维空间中网络节点间的转移概率,如表达式五所示:
利用归一化指数函数计算网络节点间的转移概率:将每个网络节点分别映射为二叉树的各叶节点,将网络节点vi到其它节点的转移概率建模为二叉树中表示vi的根节点到表示其它节点的叶节点之间的路径,则条件概率Pr(vj|f(vi))改写为如下表达式六:
其中,l是从所述二叉树的根节点vi到vj所映射的叶节点的路径长度,是网络节点vj对应于二叉树中的标识为k的叶节点的父节点的d维向量表示,的值定义为:vj所映射的标识为k的叶节点为正样本时为0,为负样本时为1;其中,正样本指的是一次随机游走采样中被取样到的网络节点组成的集合;负采样指的是从正样本以外的网络节点中随机挑选的一部分节点组成的集合;是叶节点k为正样本的概率,且:
则所述Skip-Gram模型的训练目标的表达式四转化为如下表达式八:
在所述训练过程中,用SGD随机梯度下降算法更新所述Skip-Gram模型结构中的参数f(vi)和
7.一种路由分配方法,其特征在于,包括:
当业务请求到达时,根据生成的网络拓扑中的网络节点间的矢量距离,选取网络节点为业务分配路由;
其中,所述网络拓扑是根据权利要求1-6任一所述的方法预先生成的。
8.一种空间信息网络的网络拓扑生成装置,其特征在于,包括:
节点转移概率确定模块,用于根据所述空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率;
拓扑构建模块,用于根据所述网络节点间的转移概率,在二维空间中矢量化网络节点间的关系得到所述空间信息网络的网络拓扑。
9.根据权利要求8所述的装置,其特征在于,
所述节点转移概率确定模块具体用于采用具有偏置策略的随机游走对网络采样过程中,根据所述空间信息网络中网络节点间的链路性能,确定网络节点间的转移概率;以及
所述拓扑构建模块具体用于将所述网络节点间的转移概率作为训练样本数据对Skip-Gram模型进行训练;从训练过的Skip-Gram模型结构中获取每个网络节点的矢量化表示结果构建所述网络拓扑。
10.一种路由分配装置,其特征在于,包括:
网络拓扑存储模块,用于存储由权利要求8或9所述的网络拓扑生成装置生成的网络拓扑;
路由分配模块,用于当业务请求到达时,根据所述网络拓扑中网络节点间的矢量距离,选取网络节点为业务分配路由。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811092934.7A CN109120458A (zh) | 2018-09-18 | 2018-09-18 | 空间信息网络的网络拓扑生成、路由分配方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811092934.7A CN109120458A (zh) | 2018-09-18 | 2018-09-18 | 空间信息网络的网络拓扑生成、路由分配方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109120458A true CN109120458A (zh) | 2019-01-01 |
Family
ID=64859739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811092934.7A Pending CN109120458A (zh) | 2018-09-18 | 2018-09-18 | 空间信息网络的网络拓扑生成、路由分配方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109120458A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101835277A (zh) * | 2010-02-09 | 2010-09-15 | 重庆理工大学 | 基于leach-ant算法的无线传感器网络拓扑控制方法 |
US20140310200A1 (en) * | 2013-08-22 | 2014-10-16 | Martin Lewis Kelman | Social Investing Network (SIN) that uses mobile communication devices or personal computers to conduct business investments and social connectivity for the Crowd Funding Industry from within a single Network configuration by means of CrowdBoarding |
CN107153525A (zh) * | 2017-03-23 | 2017-09-12 | 北京空间飞行器总体设计部 | 基于柔性带权有向图模型的卫星指令序列生成方法 |
-
2018
- 2018-09-18 CN CN201811092934.7A patent/CN109120458A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101835277A (zh) * | 2010-02-09 | 2010-09-15 | 重庆理工大学 | 基于leach-ant算法的无线传感器网络拓扑控制方法 |
US20140310200A1 (en) * | 2013-08-22 | 2014-10-16 | Martin Lewis Kelman | Social Investing Network (SIN) that uses mobile communication devices or personal computers to conduct business investments and social connectivity for the Crowd Funding Industry from within a single Network configuration by means of CrowdBoarding |
CN107153525A (zh) * | 2017-03-23 | 2017-09-12 | 北京空间飞行器总体设计部 | 基于柔性带权有向图模型的卫星指令序列生成方法 |
Non-Patent Citations (2)
Title |
---|
刘思等: "基于网络表示学习与随机游走的链路预测算法", 《计算机应用》 * |
涂存超等: "网络表示学习综述", 《中国科学》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nie et al. | Network traffic prediction based on deep belief network and spatiotemporal compressive sensing in wireless mesh backbone networks | |
CN106062786A (zh) | 用于训练神经网络的计算系统 | |
US11563651B2 (en) | Method for network slicing, device and storage medium thereof | |
CN113705959B (zh) | 网络资源分配方法及电子设备 | |
CN102158417A (zh) | 实现多约束QoS路由选择的优化方法及装置 | |
CN106961343A (zh) | 一种虚拟映射方法及装置 | |
Gu et al. | Coded storage-and-computation: A new paradigm to enhancing intelligent services in space-air-ground integrated networks | |
CN114760669B (zh) | 一种基于流量预测的路由决策方法及系统 | |
CN110336751A (zh) | 基于隶属函数的低轨卫星网络路由策略 | |
CN109299160A (zh) | 一种基于监控大数据挖掘的电力cps安全性分析方法 | |
CN114007231B (zh) | 异构无人机数据卸载方法、装置、电子设备及存储介质 | |
Sanagavarapu et al. | Sdpredictnet-a topology based sdn neural routing framework with traffic prediction analysis | |
CN116634504A (zh) | 基于改进nsga-ii算法的无人机组网拓扑关系与带宽分配优化策略 | |
CN115456093A (zh) | 一种基于注意力图神经网络的高性能图聚类方法 | |
CN111565430B (zh) | 一种基于预测轨迹的海洋船舶无线网络路由方法 | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
Bayram et al. | Determining optimal paths of virtual links in Avionics Full-Duplex Switched Ethernet networks using modified ant colony optimization algorithm | |
CN109120458A (zh) | 空间信息网络的网络拓扑生成、路由分配方法和装置 | |
WO2023143570A1 (zh) | 一种连接关系预测方法及相关设备 | |
Kurniawan et al. | Mobile computing and communications-driven fog-assisted disaster evacuation techniques for context-aware guidance support: A survey | |
CN116155805A (zh) | 分布式智能路由方法、系统、电子设备和存储介质 | |
CN112511445B (zh) | 一种基于负载加权的最短路径路由生成方法 | |
CN109816174A (zh) | 基于网络演化影响因子的航线开通预测方法 | |
CN115174435A (zh) | 电力通信传输网性能综合评估方法 | |
CN113177636A (zh) | 一种基于多约束条件的网络动态路由方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190101 |
|
RJ01 | Rejection of invention patent application after publication |