CN109714263A - 一种在卫星通信网络中的路径选择方法及装置 - Google Patents
一种在卫星通信网络中的路径选择方法及装置 Download PDFInfo
- Publication number
- CN109714263A CN109714263A CN201910049943.6A CN201910049943A CN109714263A CN 109714263 A CN109714263 A CN 109714263A CN 201910049943 A CN201910049943 A CN 201910049943A CN 109714263 A CN109714263 A CN 109714263A
- Authority
- CN
- China
- Prior art keywords
- link
- trained
- layer
- business
- failure rate
- 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
Landscapes
- Radio Relay Systems (AREA)
Abstract
本发明实施例提供了一种在卫星通信网络中的路径选择方法及装置,其中方法包括:获取低轨道LEO卫星之间建立的各链路,在历史时刻内链路故障率的第一样本序列,所述历史时刻为当前时刻之前的预设历史时间段;将各链路的所有第一样本序列输入至已训练神经网络中,预测各链路所述历史时刻的下一时刻的故障率,所述已训练神经网络是按照时序基于第一样本序列进行分组,得到的多组数据训练的,所述多组数据中各组数据包含待训练样本序列及与所述待训练样本序列中最后一个样本时序相邻的下一时刻的期望映射结果;从各链路中选择所述下一时刻的故障率最小,且满足业务的服务质量QoS需求的链路,确定为优选路径。
Description
技术领域
本发明涉及卫星通信网络技术领域,特别是涉及一种在卫星通信网络中的路径选择方法及装置。
背景技术
随着卫星通信网络技术的不断发展,卫星可以提供广泛的地理区域覆盖及远程地面网络的互联。目前混合异构的多层卫星通信网络得到广泛应用,然而,多层卫星通信网络中节点数目多,链路数目大,由于卫星节点不断运动,多层卫星通信网络拓扑不断动态变化,路由技术也相较更复杂。目前卫星网络路由技术将动态的网络拓扑进行静止化和不变化的处理,从而对静态的拓扑结构确定优选路径。
现有技术中主要采用如下步骤确定优选路径:
卫星接收数据传输要求及目的节点;然后,从可行链路集合中,根据业务分类,判断并筛选出最接近理想链路的路径作为下一通信链路。
由于现有技术中确定最优路径时针对当前业务分类和实时的链路状态选择合适的路径,但是最接近理想链路的路径可用,实际使用链路的时候,并不一定是最接近理想链路的路径直接就使用,而是在后续通信时使用。但在后续通信时使用过程中,可能这个最接近理想链路的路径发生故障,那么这条最接近理想链路的路径的可靠性比较低。
发明内容
本发明实施例的目的在于提供一种在卫星通信网络中的路径选择方法及装置,用以解决现有技术中最接近理想链路的路径的可靠性比较低的技术问题。
具体技术方案如下:
第一方面,本发明实施提供了在卫星通信网络中的路径选择方法,应用于中轨道MEO卫星,所述方法包括:
获取低轨道LEO卫星之间建立的各链路,在历史时刻内链路故障率的第一样本序列,所述历史时刻为当前时刻之前的预设历史时间段;
将各链路的所有第一样本序列输入至已训练神经网络中,预测各链路所述历史时刻的下一时刻的故障率,所述已训练神经网络是按照时序基于第一样本序列进行分组,得到的多组数据训练的,所述多组数据中各组数据包含待训练样本序列及与所述待训练样本序列中最后一个样本时序相邻的下一时刻的期望映射结果;
从各链路中选择所述下一时刻的故障率最小,且满足业务的服务质量QoS需求的链路,确定为优选路径。
第二方面,本发明实施提供了在卫星通信网络中的路径选择装置,应用于中轨道MEO卫星,所述装置包括:
获取模块,用于获取低轨道LEO卫星之间建立的各链路,在历史时刻内链路故障率的第一样本序列,所述历史时刻为当前时刻之前的预设历史时间段;
预测模块,用于将各链路的所有第一样本序列输入至已训练神经网络中,预测各链路所述历史时刻的下一时刻的故障率,所述已训练神经网络是按照时序基于第一样本序列进行分组,得到的多组数据训练的,所述多组数据中各组数据包含待训练样本序列及与所述待训练样本序列中最后一个样本时序相邻的下一时刻的期望映射结果;
确定模块,用于从各链路中选择所述下一时刻的故障率最小,且满足业务的服务质量QoS需求的链路,确定为优选路径。
第三方面,本发明实施提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面所述的方法步骤。
第四方面,本发明实施提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述第一方面任一的方法。
第五方面,本申请实施例提供了一种应用程序,当其在计算机上运行时,使得计算机执行上述第一方面任一方法。
第六方面,本发明实施还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面任一的方法。
本发明实施例提供的一种在卫星通信网络中的路径选择方法及装置,获取与低轨道卫星(Low Earth Orbit,简称LEO)卫星之间建立的各链路,在历史时刻内链路故障率的第一样本序列,将各链路的所有第一样本序列输入至已训练神经网络中,预测各链路在历史时刻的下一时刻的故障率,从各链路中选择下一时刻的故障率最小,且满足业务的服务质量(Quality of Service,简称QoS)需求的链路,确定为优选路径。
由此可见,获取的LEO卫星之间建立的各链路,在历史时刻内的链路故障率的第一样本序列,利用已训练神经网络,预测各链路历史时刻的下一时刻的故障率,这样可以预测出下一时刻链路发生故障的故障率,在后续使用链路时,考虑下一时刻链路发生故障的故障率以及时延,因此确定的优选路径不仅下一时刻的故障率最小,且时延最小,相较于现有技术,确定的优选路径稳定可靠。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的在卫星通信网络中的路径选择方法的第一流程示意图;
图2为本发明实施例的遗传算法染色体相对交叉的示意图;
图3为本发明实施例提供的在卫星通信网络中的路径选择方法的第二流程示意图;
图4为本发明实施例的虚拟映射三层结构图;
图5为本发明实施例提供的在卫星通信网络中的路径选择方法的具体实现流程示意图;
图6为本发明实施例的各类业务数据丢包率的比较示意图;
图7为本发明实施例的PFPR算法,DSP算法和BMDP算法在不同发送速率下的总丢包率的比较示意图;
图8为本发明实施例的地面终端在不同发送速率下的平均吞吐量的示意图;
图9为本发明实施例的各类业务的端到端时延的示意图;
图10为本发明实施例的PFPR算法,DSP算法和BMDP算法在不同发送速率下的业务总时延的比较示意图;
图11为本发明实施例的在卫星通信网络中的路径选择装置的结构示意图;
图12为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
针对现有技术中最接近理想链路的路径的可靠性比较低的问题,本发明实施例提供一种在卫星通信网络中的路径选择方法及装置,采用如下步骤确定优选路径:
获取与低轨道卫星(Low Earth Orbit,简称LEO)卫星之间建立的各链路,在历史时刻内链路故障率的第一样本序列,将各链路的所有第一样本序列输入至已训练神经网络中,预测各链路在历史时刻的下一时刻的故障率,从各链路中选择下一时刻的故障率最小,且满足业务的服务质量QoS需求的链路,确定为优选路径。
由此可见,获取的LEO卫星之间建立的各链路,在历史时刻内的链路故障率的第一样本序列,利用已训练神经网络,预测各链路历史时刻的下一时刻的故障率,这样可以预测出下一时刻链路发生故障的故障率,在后续使用链路时,考虑下一时刻链路发生故障的故障率以及时延,因此确定的优选路径不仅下一时刻的故障率最小,且时延最小,相较于现有技术,确定的优选路径稳定可靠。
下面首先对本发明实施例提供的在卫星通信网络中的路径选择方法进行介绍。
参见图1,图1为本发明实施例提供的在卫星通信网络中的路径选择方法的第一流程示意图。
如图1所示,本发明实施例提供的在卫星通信网络中的路径选择方法,应用于中地球轨道(Medium Earth Orbit,简称MEO)/LEO卫星的卫星通信网络,进一步的应用于中地球轨道(Medium Earth Orbit,简称MEO),该MEO用于管理LEO卫星,也可以称为管理MEO卫星,该方法可以包括如下步骤:
步骤110,获取LEO卫星之间建立的各链路,在历史时刻内链路故障率的第一样本序列,历史时刻为当前时刻之前的预设历史时间段。其中,预设历史时间段可以但不限于是根据用户需求或工业需求设置的。
本步骤110之前,所述方法还包括:在一个路由周期开始,LEO卫星按照星间链路切换策略与MEO卫星建立链路,LEO卫星选择自身的管理MEO卫星,并成为管理MEO卫星的组成员;此时,LEO卫星将链路信息发送给管理MEO卫星。本步骤110具体包括:管理MEO卫星接收链路信息,将链路信息实现与其他MEO的共享,并且从链路信息中获取LEO卫星之间建立的各链路,在历史时刻内链路故障率的第一样本序列,其中,链路信息包含:管理MEO卫星获取LEO卫星之间建立的各链路,以及LEO卫星之间建立的各链路,在历史时刻内链路故障率的第一样本序列。其中,其他MEO是指除管理MEO卫星自身以外的MEO,星间链路切换策略包含:虚拟节点和虚拟拓扑结合的策略。一般管理MEO卫星下的组成员发生变化,也就是LEO卫星的连接关系发生变化,则说明路由周期结束。
其中,上述第一样本序列可以但不限于包含按照固定时间间隔确定的预设数量个第一样本,其中,预设数量及固定时间间隔可以但不限于是根据用户需求设置的。为了能够使用部分第一样本学习,预测另一部分第一样本的故障率,这些第一样本之间需要有关联,也就是,相邻时序的第一样本中时序在前的第一样本的故障率,会直接影响时序在后第一样本的故障率,因此本发明实施例采用第一样本之间的时序关联,即本发明实施例的待训练样本序列及期望映射结果,来提高预测的准确性。
步骤120,将各链路的所有第一样本序列输入至已训练神经网络中,预测各链路历史时刻的下一时刻的故障率,已训练神经网络是按照时序基于第一样本序列进行分组,得到的多组数据训练的,多组数据中各组数据包含待训练样本序列及与待训练样本序列中最后一个样本时序相邻的下一时刻的期望映射结果。
由于已训练神经网络是经过大量时序相关的第一样本序列训练得到的,因此准确性较高。待训练神经网络可以但不限于是单隐层神经网络,为了得到已训练神经网络,所述方法还包括:采用如下步骤进行训练,得到已训练神经网络:
第一步,按照时序,将第一样本序列进行分组,得到多组数据。
上述分组具体实现过程:把第一样本序列的n个故障率第一样本序列分为n-m个小组,每组包含m+1个值,将前m个值作为训练用的待训练样本序列,则第m+1个值为期望映射结果,其中,n表示第一样本序列的总数,n-m为组数,分组情况如表1。
表1
组号 | 输入样本 | 期望值 |
1 | λ′<sub>1</sub>,λ′<sub>2</sub>,…,λ′<sub>m</sub> | λ′<sub>m+1</sub> |
2 | λ′<sub>2</sub>,λ′<sub>3</sub>,…,λ′<sub>m+1</sub> | λ′<sub>m+2</sub> |
… | … | … |
n-m | λ′<sub>n-m</sub>,λ′<sub>n-m+1</sub>,…,λ′<sub>n-1</sub> | λ′<sub>n</sub> |
每组数据的前m个故障率对第m+1个故障率有直接影响,所以,m过大会增加不必要信息,过小会忽略部分有用信息,因此,m的取值可以是根据用户需求进行设置,一般为了预测准确,选取m∈[6,12]。
第二步,针对每组数据,将该组数据中待训练样本序列作为待训练神经网络的输入,将该组数据中的期望映射结果作为待训练神经网络的输出,采用学习函数对待训练神经网络进行训练,得到已训练神经网络,其中,学习函数可以但不限于采用基于梯度下降法的tranigd。为了保证收敛效果,可以在上述第二步之前,对待训练神经网络进行初始化。
其中,待训练神经网络包含:n个输入层神经元,1个输出层神经元,1个中间隐含层,中间隐含层神经元未知,这个中间隐含层神经元是通过训练得到的,输入层至所述中间隐含层的传递函数为S型正切函数tansig,即 上述中间隐含层至输出层的传递函数为对数函数logsig,上述已训练神经网络包含训练得到的中间隐含层的神经元个数。
其中,ex为以自然常数e为底,x为变量的指数函数,e-x为以自然常数e为底,-x为变量的指数函数,上述f1(x)为输入层的神经元的激活函数,并且f1(x)为神经网络输入层的输出,x为输入层的输入。这个S型正切函数tansig是一个神经元激活函数,将变量映射到(-1,1)之间,用来计算输入层的神经元的相应输出,适用于输出含有负值的情况,通常作为输入层到隐含层的传递函数;上述f2(x)为输出层的神经元的激活函数,并且f2(x)为输出层的输出,这个对数函数logsig是一个神经元激活函数,将变量映射到(0,1)之间,用来计算隐含层的神经元的相应输出,适用于输出不含负值的情况,通常作为隐含层到输出层的传递函数。
为了便于收敛,本步骤120可以进一步的包括如下第1步至第3步:
第1步,将各链路的所有第一样本序列进行归一化处理,即,第一样本序列为λ1,λ2,λ3,…,λn,用这些第一样本序列预测下一时刻的故障率λn+1。
其中,角标i为当前链路故障率的第一样本的序号,1≤i≤n,λ′i为第i个归一化后的链路故障率的第一样本;λn中的下角标n为历史时刻内第一样本序列的总数量,λi为选取的第i个历史时刻的第一样本,λmin和λmax分别为所有n个链路故障率的第一样本中的最小值和最大值。
第2步,执行上述得到已训练神经网络的第一步及第二步,然后以λ′n-m+1,λ′n-m+2,…,λ′n为已训练神经网络的输入,即可预测出已归一化下一时刻的故障率λ′n+1。
第3步,将下一时刻的故障概率λ′n+1反归一化,得到故障率预测结果λn+1,即
λn+1=λ′n+1(λmax-λmin)+λmin。
对于基础设施层的物理链路集中的每一条链路,采用上述第1步至第3步的步骤,进行故障概率预测,即可得到每条链路的下一时刻的故障率,即
其中,Fault(l)为每条链路的下一时刻的故障率,l为链路序号,ES为基础设施层的物理链路集,n+1为下一时刻,n为历史时刻,本发明实施例中选取的n个第一样本序列的总数,每个样本代表一个时刻的故障率,相当于,选取了n个时刻的历史样本,n+1代表下一时刻。
步骤130,从各链路中选择下一时刻的故障率最小,且满足业务的服务质量QoS需求的链路,确定为优选路径。
本步骤130可以采用多种方式确定优选路径:
在一种方式中,可以采用最优路径算法,确定优选路径,这里的最优路径算法用于得到从各链路中选择下一时刻的故障率最小,且时延最小的链路的算法。该最优路径算法可以但不限于为Dijkstra算法,这Dijkstra算法是从一个顶点到其余各顶点的最短路径算法,解决的是有向图中最短路径问题。这样可以计算得到优选路径。
为了提高优选路径确定的准确性,在另一种方式中,第1步骤,获取虚拟网络提供层中通过基础设施层的链路,映射的虚拟映射链路作为遗传算法的初始种群;
第2步骤,基于初始种群,使用遗传算法进行运算,在达到终止条件时,得出下一时刻的故障率最小,且时延最小的链路,终止条件包含最大迭代次数。
上述第2步骤中,使用遗传算法对初始种群,分别计算适应度函数、选择算子,交叉算子以及变异算子;使用适应度函数、选择算子,交叉算子以及变异算子进行迭代运算,在达到终止条件时,得出下一时刻的故障率最小,且时延最小的链路。具体实现过程如下:
1)编码:本发明实施例的研究采用自然数编码的方式,假设虚拟网络提供层共有k条链路。将0到k之间的自然数进行排序,不同的排序方式表示从起点到终点不同的路径选择。每个染色体就是一个虚拟链路的映射排序。
2)创建初始种群:使用随机方法生成初始种群,初始种群可以均匀分布在整个解空间。传统的遗传算法在编码完成后直接随机生成初始种群,会出现大量无用映射方案,造成迭代次数成倍增加,加大模型求解时长。故本发明实施例在对链路编码完成后,生成初始种群时,对每一个初始映射方案进行过滤,若映射方案为无用映射方案,直接过滤不放入初始种群中。
3)计算适应度函数:在遗传算法中,染色体的适应度越大,性能越好。因此需要把模型中的目标函数转化为适应度函数。本发明实施例采用如下的方式进行转化:
其中,fi为第i条染色体对应的适应度,fi决定了该染色体产生下一代的概率,其中,Penalty()为因基础设施层链路故障导致服务层业务故障的概率与基础设施层链路的期望时延的加权和,是基于min:Penalty()得到的,即
s.t.C1,C2,C3,C4,C5,这里的min:Penalty(),也可以称为卫星通信网络路由优化模型,就是为了求出符合业务的QoS需求的路径。C1,C2,C3,C4,C5都是对选择路径的约束,可以理解为,先在所有的路径中选出满足这些约束条件的路径,再从这些选出的路径中去找能够使目标函数Penalty()最小化的路径;
其中,min:Penalty()为最小化业务故障概率与期望时延的加权和,j为实时业务,J为接收到的业务集合,service_j为不同优先级业务的不同权重,Faultbusiness(j)为每个业务的故障率,ES为基础设施层的物理链路集,ES中的下标s为基础设施层,δ(l)为基础设施层链路上是否有虚拟链路映射,若基础设施层链路上有虚拟链路映射则δ(l)=1,否则δ(l)=0,l为基础设施层的物理链路,service_j为不同优先级业务的不同权重,Faultbusiness(j)为每个业务的故障率,故障率越小则能更好保障业务的QoS需求,γ为时延的权重,C(l)为一条路径中任意两节点之间的链路的时延度量,定义如下公式(1):
C(u,v)=Td(u,v)+TB(u,v) (1)
其中,(u,v)为卫星节点u到v的链路,Td(u,v)为从节点u到v的传播时延,TB(u,v)为从节点u到v传输所需排队时延,Td(u,v)下角标d代表传播时延,TB(u,v)下角标B为代表排队时延,C(u,v)为从节点u到节点v的链路上传输一个数据包的总时延,主要是为了用两个节点作为示例,来解释上述C(l)的计算,Td(u,v)和TB(u,v)分别由下面公式(2)和公式(3)计算得到:
Td(u,v)=duv/c (2)
其中,duv为从节点u到v的星间链路长度,c为光速3×108m/s,Δt为一个路由周期,t0为一个路由周期的起始时间,A为卫星处理能力,即链路容量,quv(t)为当前时刻(u,v)链路上的业务量,Pavg为平均报文长度。
每个业务的每条虚拟链路mj,在基础设施层映射的链路集为参见如下公式(4)业务j的虚拟链路mj的路径发生故障的概率为:
其中,Fault_prij(m)为业务j的虚拟链路mj的路径下一时刻发生故障的概率,pri为虚拟链路,这样只要路径中有一条链路发生故障,就认为整条路径故障,因此要求整条路径发生故障的概率,先求不发生故障的概率,即则整条路径发生故障的概率是Fault_prij(m)。
故参见如下公式(5)每个业务j的故障率为:
其中,为业务j中的链路集合,中上角标j为业务j,中下角标V为业务请求。
基础设施层主链路和辅链路映射过程中的带宽计算公式(6)和公式(7)如下:
α*Bs(l)=α*B′S(l)-BVj(mi) (6)
β*BS(l)=β*B′S(l)-BVj(mj) (7)
其中,Bs(l)为已映射业务的请求链路的带宽,B′S(l)为在未映射业务的请求链路的带宽,上角标S为基础设施层,BVj(mj)为业务j的虚拟链路mj所需的带宽大小,BVj(mj)中上角标Vj为第j个业务请求,α为主链路在虚拟网络提供层链路所占的百分比,β为辅链路在虚拟网络提供层所占百分比,α+β=1。
参见如下公式(8)和公式(9)映射过程中的带宽约束为:
其中,为业务j中的链路集合,中上角标j为业务j,中下角标V为业务请求,表示业务j的请求链路mj在基础设施层是否有主链路映射;BVj(mj)为业务j的虚拟链路mj所需的带宽大小,BVj(mj)中上角标Vj为业务请求j。B′S(x)为在未映射业务的请求链路x的带宽,为表示业务j的请求链路mj在基础设施层是否有辅链路映射。
公式(8)和公式(9)分别是对虚拟网络提供主链路映射与辅链路映射的带宽约束,当业务j的请求链路mj在基础设施层有主链路映射时,否则为0。同理,当业务j的请求链路mj在基础设施层有辅链路映射时,否则为0。
同时主链路与辅链路互不相交,约束公式为:
由于C3,C4,C5的目的是约束主链路和辅链路不能相交,就是一条链路作为主链路,就不能再作为辅链路了,所以如果一条路径是主链路,则那么就不能再作为辅链路了,所以因此
这样,针对卫星通信网络中长时延、带宽资源有限的特点,确定以排队时延和传输时延之和的时延度量为最小化目标,使用链路可用带宽为约束,同时,引入神经网络对链路的故障概率进行预测,构建基于卫星通信网络路由优化模型,最后使用以上遗传算法求解QoS路由,确定的优选路径更加准确。
4)确定选择算子:选择算子有很多种方法,轮盘赌方法在随机性方面有较大的优势,因此本发明实施例采用这种方法来选择算子。
5)确定交叉算子:由于本发明实施例的求解方案是采用自然编码方式,所以在交叉算子过程中,采用相对交叉顺序进行染色体交叉,如图2所示,染色体A、B分别是交叉前染色体,在选定交叉线后,新生成的染色体C的前半部分是染色体A的基因,后半部分为了防止出现重复基因的现象,使用相对顺序来填充,即在从染色体B的头部开始查找在染色体C中未出现的基因5,2,4填充进C中,得到的新染色体C即为新的链路映射方案。
6)确定变异算子:遗传算法中的变异运算,是指将个体染色体编码串中的某些基因座上的基因值用该基因座上的其它等位基因来替换,从而形成新的个体。本发明实施例采用翻转变异方式,即在一条染色体上随机选取2个变异点,将这2点的基因相互交换,即得到一条新的染色体。
7)终止条件:在卫星网络中,由于链路状态是不断动态变化的,设计的算法无法确切确定最优界值,故本发明实施例采用最大迭代次数作为终止条件,多次迭代既可以逼近最优值又避免陷入局部最优的问题。
这样本发明实施例对创建的初始种群和交叉算子进行了适当改进,以适应卫星通信的特点。
第3步骤,将下一时刻的故障率最小,且时延最小的链路形成的路径,作为优选路径。
本发明实施例中,获取的LEO卫星之间建立的各链路,在历史时刻内的链路故障率的第一样本序列,利用已训练神经网络,预测各链路历史时刻的下一时刻的故障率,这样可以预测出下一时刻链路发生故障的故障率,在后续使用链路时,考虑下一时刻链路发生故障的故障率以及时延,因此确定的优选路径不仅下一时刻的故障率最小,且时延最小,相较于现有技术,确定的优选路径稳定可靠。
结合图1和图2所示,参见图3和图4所示,本发明实施例还提供一种在卫星通信网络中的路径选择方法,在步骤110之前,所述方法还包括:
步骤101,接收第一业务请求,第一业务请求为由基础设施层中的LEO卫星接收的第一业务请求发送的,并且第一业务请求中的业务包为预设第一优先级的业务,预设第一优先级是按照业务请求与针对业务请求所需响应的要求时延确定的。
其中,预设第一优先级的业务可以是指针对业务请求所需响应的要求时延并不是最大时延的业务,也就是要求时延最小或较小的业务。上述预设第一优先级可以是按照业务请求与针对业务请求所需响应的要求时延确定的,可以按照字母顺序设置优先等级,也可以是按照数字符号顺序区分优先等级。示例性,预设第一优先级的业务可以但不限于为优先等级A的语音业务、优先等级B的流媒体业务。最大时延的业务,也就是对时延没有多大要求,相较于预设第一优先级的业务,时延最大,比如,优先等级C的数据业务,并且,优先等级A的优先级高于优先等级B的优先级及优先等级C的优先级,并且,优先等级B的优先级高于优先等级C的优先级。其中,语音业务优先级最高,属于实时性业务,需要网络提供尽可能低的时延;流媒体业务较语音业务对时延的要求稍低,可允许一定时延;数据业务优先级最低,对时延的要求不高,用户可以在一定的时间内等待。
具体的,预设第一优先级的确定过程如下:将业务对业务的QoS的需求进行划分,归为语音业务、流媒体业务和数据业务3类,并为这3类业务,设置的不同优先级。针对不同优先级的业务采用不同的传输策略,优先等级A及优先等级B是针对业务请求所需响应的要求时延较高,在LEO卫星层进行传输,而优先等级C业务是针对业务请求所需响应的要求时延不敏感,由LEO卫星转发至MEO层采用泛洪算法进行传输。
参见图4所示,网络虚拟化技术作为实现未来网络的关键技术,一般两种虚拟映射架构得到了普遍认可,一种是三层网络架构,另一种是四层网络架构。四层网络结构通常应用于互联网,卫星通信网络中的业务种类少于互联网,采用四层架构会造成不必要的资源浪费,故本发明实施例采用三层虚拟化架构,即服务层21直接与用户交互,作为三层结构中的顶层,负责接收和管理用户请求。虚拟网络提供层22是三层映射结构的中间层,也是映射结构的核心层,它不仅需要为服务层21的业务提供虚拟资源,还需要抽象和管理基础设施层23的卫星节点和链路资源,比如分配资源,分配业务。基础设施层23是三层结构中的最底层,此层为LEO层中LEO卫星和卫星间建立的星际链路。虚拟网络提供层22是管理基础设施层23映射的链路关系服务层21产生用户请求,虚拟网络提供层22接收用户请求,为基础设施层23映射的链路分配带宽资源,将用户请求转发给基础设施层23,由基础设施层23去执行。
在三层虚拟化结构中,根据实时业务的QoS需求,基础设施层23网络被动态地映射成多个相互隔离的、承载不同业务的虚拟网络提供层22,使得不同虚拟网络提供层22中的链路可以映射至同一物理链路上,最终实现一个基础设施层23网络可以承载多个独立的虚拟网络提供层22的功能,以实现网络资源的共享。
步骤102,将第一业务请求映射至虚拟网络提供层,返回继续执行步骤103至步骤105。
步骤103,获取LEO卫星之间建立的各链路,在历史时刻内链路故障率的第一样本序列,历史时刻为当前时刻之前的预设历史时间段。其中,预设历史时间段可以但不限于是根据用户需求或工业需求设置的。
步骤104,将各链路的所有第一样本序列输入至已训练神经网络中,预测各链路历史时刻的下一时刻的故障率,已训练神经网络是按照时序基于第一样本序列进行分组,得到的多组数据训练的,多组数据中各组数据包含待训练样本序列及与待训练样本序列中最后一个样本时序相邻的下一时刻的期望映射结果。
步骤105,从各链路中选择下一时刻的故障率最小,且满足业务的服务质量QoS需求的链路,确定为优选路径。
上述步骤103至步骤105,分别与图1中的步骤110至步骤130相同,限定内容及有益效果均相同,在此不再赘述。
步骤106,向LEO卫星发送针对第一业务请求返回的反馈消息,反馈消息用于告知由LEO卫星使用优选路径中的一条路径,传输业务包。
在传统的虚拟资源映射机制为每一条虚拟链路映射一条物理路径,当底层网络发生故障时,会因网络性能下降而无法满足卫星通信业务的QoS需求,则将无法正常为上层服务提供所需资源,无法满足网络通讯的需求。因此为了解决此问题。本发明实施例上述步骤105中优选路径的数目可以但不限于为2,这样采用2条优选路径,是基于路径保护技术以冗余备份策略为基本思想,通过为每一条虚拟链路在物理层备份一条备用路径的方法,避免单点网络故障的影响,从而提高网络可靠性。
本发明实施例中,将路径保护技术应用到虚拟资源映射过程中,服务层的每个业务在虚拟网络提供层都会有两条链路映射,一条主链路,一条辅链路,只有当主链路发生故障时,主链路上传输的业务信息才会由辅链路进行传输,这种机制同时也优化了当路径发生故障需要重新寻找一条新的路由所耗费的时延问题。而,对于这2条优选路径中任一条优选路径均可以作为主链路或辅链路,主链路和辅链路只是为了区分两条链路,并不作为使用链路上的顺序限定。
传统的路径选择方案中,当一条链路被分配给一个业务进行传输,则不能再分配给其他业务,会导致链路的资源浪费。所以,为了消除在不同星际链路上传送报文时所要考虑的通信因素,以及一条链路只能分配给一个业务所导致的资源浪费,本发明实施例引入了网络虚拟化技术对基础设施层即LEO层的网络资源进行抽象、分配和隔离,使用2条优选路径。具体的,本步骤106中可以采用如下步骤进行传输业务包:
第1步,判断2条优选路径是否可用。
第2步,在2条优选路径均可用的情况下,从2条优选路径中任选一个路径,生成反馈消息,并向LEO卫星发送反馈消息,由LEO卫星使用选择的优选路径,传输业务包;
第3步,在2条优选路径中的一条路径可用的情况下,利用2条优选路径中可用的一条路径,生成反馈消息,并向LEO卫星发送反馈消息,由LEO卫星使用可用的一条路径,传输业务包。
上述优选路径的数目为2时,优选路径举例如下:采用不相交的主链路和辅链路共同映射的方法,服务层的每个业务在虚拟网络提供层都会有2条链路映射,一条主链路,一条辅链路。示例性的,如图4所示,当基础设施层的主链路A->E发生故障无法为高优先级业务提供服务资源时,高优先级业务仍可通过基础设施层的辅链路G->D->E获得所需的资源,保障服务的正常进行。同时,还将考虑基础设施层链路的故障概率,尽可能选择故障概率低的链路,以确保正常的通信需求。
参见图5所示,本发明实施例的具体实现流程如下:
步骤210,在一个路由周期开始,LEO卫星按照星间链路切换策略与MEO卫星建立链路,LEO卫星选择自身的管理MEO卫星,并成为管理MEO卫星的组成员;此时,LEO卫星将链路信息发送给管理MEO卫星。
步骤220,管理MEO卫星接收链路信息,将链路信息实现其他MEO共享,其中,其他MEO是指除管理MEO卫星自身以外的MEO。
步骤230,LEO卫星接收由地面终端发送的业务请求,其中,所述业务请求包含业务包,LEO卫星从业务包中提取携带有优先级的业务,若该业务为优先等级C的业务,转至步骤250;若该业务为优先等级A或者优先等级B的业务,转至步骤240;
步骤240,管理MEO卫星将接收由LEO卫星发送的业务请求,映射到虚拟网络提供层,返回继续执行步骤103至步骤106,向LEO卫星发送针对第一业务请求返回的反馈消息,反馈消息用于告知由LEO卫星使用优选路径中的一条路径,传输业务包,由LEO卫星使用优选路径中的一条路径,传输业务包。
步骤250,管理MEO卫星接收由LEO卫星发送的业务请求,管理MEO卫星采用泛洪算法传输优先等级C的业务,转步骤260;
步骤260:数据传输结束。
步骤270,判断管理MEO卫星管理下的成员是否发生变化,也就是LEO卫星的连接关系发生变化;
步骤280,若管理MEO卫星管理下的成员发生变化,那么这个路由周期结束,转步骤300,反之转步骤230;
步骤300:完成循环,若否,则转到步骤210。
本发明实施例中,由于卫星通信网络可承载多种不同的业务,如果为所有业务分配具有相同QoS的资源,既无法满足需要高QoS的需求,又会导致大量的资源浪费。因此,本发明实施例基于业务区分的思想,将业务对QoS的需求进行划分,归为语音业务、流媒体业务和数据业务3类。本发明将这种数据业务在管理MEO卫星上以泛洪算法进行传输,即原节点将报文发给相邻节点,相邻节点再转发给它们的相邻节点,直至报文到达网络中所有的节点。
对于时延要求小的两类业务,在LEO卫星上进行传输时,由于LEO卫星之间建立的星际链路有激光链路,也有采用毫米波如Ka频段链路,并且在穿越大气层时会受到不同程度复杂电磁环境的干扰,其性能也有所差别。所以,为了消除在不同星际链路上传送报文时所要考虑的通信因素,本发明实施例引入网络虚拟化技术对基础设施层也就是LEO层的通信介质和网络资源进行抽象、分配和隔离。利用管理MEO卫星将接收由LEO卫星发送的业务请求,映射到虚拟网络提供层,将虚拟化技术应用到卫星通信网络中。使得不同虚拟网络中的链路可以映射至同一物理链路上,最终实现一个基础设施层网络可以承载多个独立的虚拟网络的功能,以实现网络资源的共享。
本发明实施例以GEO卫星/LEO卫星的卫星通信网络为例,针对不同业务的QoS需求,选取时延度量参数作为业务的QoS的最小化目标,综合链路故障预测,为业务选择稳定可靠的路径。通过仿真表明,根据本发明实施例的策略选择的路径能够有效降低业务传输过程中的数据丢包率和业务时延,提高业务吞吐量,尤其对时延敏感性业务改善明显。具体说明如下:
为了评估本发明实施例的提出的基于优先级和故障概率的路由(Priority-and-Failure-Probability-based Routing,简称PFPR)算法PFPR算法的性能,我们基于GEO卫星/LEO卫星的卫星通信网络进行实验。其中,LEO层中LEO卫星的星座采用的是铱系统卫星星座,MEO层中MEO卫星的星座采用的是中圆轨道系统(Intermediate Circular Orbit,简称ICO)系统卫星星座,GEO卫星/LEO卫星的卫星通信网络的星座实验参数见表2,卫星网络链路带宽实验参数的设置见表3。卫星通信网络上承载着多种业务,不同的业务有不同的优先级,优先等级A的语音业务、优先等级B的流媒体业务,优先等级C的数据业务。在全球人口最多的100个城市均匀的分布100个地面终端,每个地面终端产生2条数据流,一共200个数据流,数据流的流量走向分布按照表4进行设置,每2秒进行链路负载和卫星状态的更新,传输数据包的大小设为定1000bit,三类业务的数量比为1:1:1。
表2
卫星网络层 | LEO | MEO |
轨道平面个数/个 | 6 | 2 |
卫星个数/颗 | 66 | 10 |
轨道平面倾角/(°) | 86.4 | 45 |
轨道内卫星数目/颗 | 11 | 5 |
高度/km | 780 | 10390 |
表3
接入链路带宽 | 10.0Mbps |
LEO星间链路带宽 | 2.5Mbps |
MEO星间链路带宽 | 25.0Mbps |
LEO/MEO层间链路带宽 | 25.0Mbps |
表4
本发明实施例采用迪杰斯特拉最短路径(Dijkstra Shortest Path,简称DSP)算法和约束带宽的最小时延路径(Bandwidth-constrained Minimum-Delay Path,简称BMDP)算法作为比较对象。DSP算法是最基本的路由算法,采用Dijkstra最短路径计算路由。由于该算法仅考虑最短路径进行数据传输,未对不同业务区分对待,故在图中只有一条线代表DSP算法。BMDP算法是一种约束带宽的最短时延路径算法,在计算路由表时,通过Dijkstra算法以传输时延为权重计算路径,且路径中的每条链路必须满足业务的带宽要求。仿真实验在不同数据发送速率下,测试三类业务的丢包率、吞吐量和时延。
(一)、结合图6和图7,说明丢包率如下:
图6是各类业务在不同发送速率下丢包率的比较,随着平均发送速率的增加,各类算法的丢包率均有所上升,这是因为链路的负载加重,超出链路负载支持的流量包被丢弃所致。可以看出在本发明实施例的PFPR算法中,优先等级A的业务具有最高的服务等级,具有低丢包率,在数据发送率为500Kbps时丢包率控制在6%左右;优先等级C的业务优先级最低,由LEO卫星转发给MEO卫星采用泛洪算法传输,丢包率最高;优先等级B的业务和优先等级C的业务的丢包率曲线陡峭,随着数据发送率的增高而骤然增大。
图7是本发明实施例PFPR算法,DSP算法和BMDP算法在不同发送速率下的总丢包率比较。在不同的数据发送速率下,本发明实施例算法相比于其他两种算法具有最低的丢包率。
(二)、结合图8,说明吞吐量如下:
图8是地面终端在不同发送速率下的平均吞吐量,即单位时间内地面终端发送数据量的平均值。随着业务发送速率的增大,PFPR算法的平均吞吐量与DSP算法和BMDP算法相比较有明显增幅。
(三)、结合图9和图10,说明业务时延如下:
图9是在不同发送速率下,各类业务的时延比较。DSP算法在LEO层的LEO卫星传输信息,MEO卫星周期性地为LEO层的LEO卫星的计算路由,只考虑了时延,不能及时响应链路情况,有过长的操作延迟,尤其是当链路发生拥塞或是故障时,没有相应的机制来解决,导致更长的延迟。BMDP算法不仅考虑时延,还考虑了业务传输带宽,拥有重路由机制,但这种算法的路由表计算和重路由计算都需要一定的时间,本发明实施例PFPR算法相对BMDP算法做了改进,采用不相交的主链路和辅链路映射,省去了重路由计算的时间,而且不需要提前计算路由表。
图10是本发明实施例的PFPR算法,DSP算法和BMDP算法在不同发送速率下的业务总时延比较。在不同的数据发送速率下,本发明实施例算法的业务总时延优于其他两种算法。
下面继续对本发明实施例提供的在卫星通信网络中的路径选择装置进行介绍。
如图11所示,本发明实施例还提供一种在卫星通信网络中的路径选择装置,应用于中轨道MEO卫星,所述装置包括:
获取模块31,用于获取低轨道LEO卫星之间建立的各链路,在历史时刻内链路故障率的第一样本序列,所述历史时刻为当前时刻之前的预设历史时间段;
预测模块32,用于将各链路的所有第一样本序列输入至已训练神经网络中,预测各链路所述历史时刻的下一时刻的故障率,所述已训练神经网络是按照时序基于第一样本序列进行分组,得到的多组数据训练的,所述多组数据中各组数据包含待训练样本序列及与所述待训练样本序列中最后一个样本时序相邻的下一时刻的期望映射结果;
确定模块33,用于从各链路中选择所述下一时刻的故障率最小,且满足业务的服务质量QoS需求的链路,确定为优选路径。
本发明实施例中,获取的LEO卫星之间建立的各链路,在历史时刻内的链路故障率的第一样本序列,利用已训练神经网络,预测各链路历史时刻的下一时刻的故障率,这样可以预测出下一时刻链路发生故障的故障率,在后续使用链路时,考虑下一时刻链路发生故障的故障率以及时延,因此确定的优选路径不仅下一时刻的故障率最小,且时延最小,相较于现有技术,确定的优选路径稳定可靠。
在一种可能的实现方式中,所述装置还包括:训练模块,用于采用如下步骤进行训练,得到所述已训练神经网络:
按照时序,将所述第一样本序列进行分组,得到多组数据;
针对每组数据,将该组数据中的待训练样本序列作为待训练神经网络的输入,将该组数据中的期望映射结果作为待训练神经网络的输出,采用学习函数对所述待训练神经网络进行训练,得到所述已训练神经网络;
其中,所述待训练神经网络包含:n个输入层神经元,1个输出层神经元,1个中间隐含层,所述输入层至所述中间隐含层的传递函数为S型正切函数tansig,所述中间隐含层至所述输出层的传递函数为对数函数logsig,所述已训练神经网络包含训练得到的中间隐含层的神经元个数。
在一种可能的实现方式中,所述确定模块,用于:
获取虚拟网络提供层中通过基础设施层的链路,映射的虚拟映射链路,作为遗传算法的初始种群;
基于所述初始种群,使用所述遗传算法进行运算,在达到终止条件时,得出所述下一时刻的故障率最小,且时延最小的链路,所述终止条件包含最大迭代次数;
将所述下一时刻的故障率最小,且时延最小的链路形成的路径,作为优选路径。
在一种可能的实现方式中,所述装置还包括:
接收模块,用于在所述获取物理链路集中的各链路之前,接收第一业务请求,所述第一业务请求为由基础设施层中的所述LEO卫星接收的第一业务请求发送的,并且所述第一业务请求中的业务包为预设第一优先级的业务,所述预设第一优先级是按照业务请求与针对业务请求所需响应的要求时延确定的;
映射模块,用于将所述第一业务请求映射至虚拟网络提供层,返回继续执行获取物理链路集中的各链路,在历史时刻内链路故障率的第一样本序列的步骤;
发送模块,用于在所述从各链路中选择所述下一时刻的故障率最小,且满足业务的服务质量QoS需求的链路,确定为优选路径之后,向所述LEO卫星发送针对所述第一业务请求返回的反馈消息,所述反馈消息用于告知由所述LEO卫星使用所述优选路径中的一条路径,传输所述业务包。
在一种可能的实现方式中,所述优选路径的数目为2时,所述发送模块,用于:
在2条优选路径均可用的情况下,从2条优选路径中任选一个路径,生成所述反馈消息,并向所述LEO卫星发送所述反馈消息;
在2条优选路径中的一条路径可用的情况下,利用所述2条优选路径中可用的一条路径,生成所述反馈消息,并向所述LEO卫星发送所述反馈消息。
下面继续对本发明实施例提供的电子设备进行介绍。
本发明实施例还提供了一种电子设备,如图12所示,包括处理器41、通信接口42、存储器43和通信总线44,其中,处理器41,通信接口42,存储器43通过通信总线44完成相互间的通信,
存储器43,用于存放计算机程序;
处理器41,用于执行存储器43上所存放的程序时,实现如下步骤:
获取低轨道LEO卫星之间建立的各链路,在历史时刻内链路故障率的第一样本序列,历史时刻为当前时刻之前的预设历史时间段;
将各链路的所有第一样本序列输入至已训练神经网络中,预测各链路历史时刻的下一时刻的故障率,已训练神经网络是按照时序基于第一样本序列进行分组,得到的多组数据训练的,多组数据中各组数据包含待训练样本序列及与待训练样本序列中最后一个样本时序相邻的下一时刻的期望映射结果;
从各链路中选择下一时刻的故障率最小,且满足业务的服务质量QoS需求的链路,确定为优选路径。
上述电子设备提到的通信总线可以是PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于为,图中仅用一条粗线为,但并不为仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM(Random Access Memory,随机存取存储器),也可以包括NVM(Non-Volatile Memory,非易失性存储器),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括CPU(Central Processing Unit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(Digital Signal Processing,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供的方法可以应用于电子设备。具体的,该电子设备可以为:台式计算机、便携式计算机、智能移动终端、服务器等。在此不作限定,任何可以实现本发明的电子设备,均属于本发明的保护范围。
本发明实施例提供了一种计算机可读存储介质,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述的在卫星通信网络中的路径选择方法的步骤。
本发明实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述的在卫星通信网络中的路径选择方法的步骤。
本发明实施例提供了一种计算机程序,当其在计算机上运行时,使得计算机执行上述的在卫星通信网络中的路径选择方法的步骤。
需要说明的是,在本发明实施例中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置/电子设备/存储介质/包含指令的计算机程序产品/计算机程序实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种在卫星通信网络中的路径选择方法,其特征在于,应用于中轨道MEO卫星,所述方法包括:
获取低轨道LEO卫星之间建立的各链路,在历史时刻内链路故障率的第一样本序列,所述历史时刻为当前时刻之前的预设历史时间段;
将各链路的所有第一样本序列输入至已训练神经网络中,预测各链路所述历史时刻的下一时刻的故障率,所述已训练神经网络是按照时序基于第一样本序列进行分组,得到的多组数据训练的,所述多组数据中各组数据包含待训练样本序列及与所述待训练样本序列中最后一个样本时序相邻的下一时刻的期望映射结果;
从各链路中选择所述下一时刻的故障率最小,且满足业务的服务质量QoS需求的链路,确定为优选路径。
2.如权利要求1所述的方法,其特征在于,采用如下步骤进行训练,得到所述已训练神经网络:
按照时序,将所述第一样本序列进行分组,得到多组数据;
针对每组数据,将该组数据中的待训练样本序列作为待训练神经网络的输入,将该组数据中的期望映射结果作为待训练神经网络的输出,采用学习函数对所述待训练神经网络进行训练,得到所述已训练神经网络;
其中,所述待训练神经网络包含:n个输入层神经元,1个输出层神经元,1个中间隐含层,所述输入层至所述中间隐含层的传递函数为S型正切函数tansig,所述中间隐含层至所述输出层的传递函数为对数函数logsig,所述已训练神经网络包含训练得到的中间隐含层的神经元个数。
3.如权利要求1所述的方法,其特征在于,所述从各链路中选择所述下一时刻的故障率最小,且满足业务的服务质量QoS需求的链路,确定为优选路径,包括:
获取虚拟网络提供层中通过基础设施层的链路,映射的虚拟映射链路,作为遗传算法的初始种群;
基于所述初始种群,使用所述遗传算法进行运算,在达到终止条件时,得出所述下一时刻的故障率最小,且时延最小的链路,所述终止条件包含最大迭代次数;
将所述下一时刻的故障率最小,且时延最小的链路形成的路径,作为优选路径。
4.如权利要求1至3任一项所述的方法,其特征在于,在所述获取物理链路集中的各链路之前,所述方法还包括:
接收第一业务请求,所述第一业务请求为由基础设施层中的所述LEO卫星接收的第一业务请求发送的,并且所述第一业务请求中的业务包为预设第一优先级的业务,所述预设第一优先级是按照业务请求与针对业务请求所需响应的要求时延确定的;
将所述第一业务请求映射至虚拟网络提供层,返回继续执行获取物理链路集中的各链路,在历史时刻内链路故障率的第一样本序列的步骤;
在所述从各链路中选择所述下一时刻的故障率最小,且满足业务的服务质量QoS需求的链路,确定为优选路径之后,所述方法还包括:
向所述LEO卫星发送针对所述第一业务请求返回的反馈消息,所述反馈消息用于告知由所述LEO卫星使用所述优选路径中的一条路径,传输所述业务包。
5.如权利要求4所述的方法,其特征在于,所述优选路径的数目为2时,所述向所述LEO卫星发送针对所述第一业务请求返回的反馈消息,包括:
在2条优选路径均可用的情况下,从2条优选路径中任选一个路径,生成所述反馈消息,并向所述LEO卫星发送所述反馈消息;
在2条优选路径中的一条路径可用的情况下,利用所述2条优选路径中可用的一条路径,生成所述反馈消息,并向所述LEO卫星发送所述反馈消息。
6.一种在卫星通信网络中的路径选择装置,其特征在于,应用于中轨道MEO卫星,所述装置包括:
获取模块,用于获取低轨道LEO卫星之间建立的各链路,在历史时刻内链路故障率的第一样本序列,所述历史时刻为当前时刻之前的预设历史时间段;
预测模块,用于将各链路的所有第一样本序列输入至已训练神经网络中,预测各链路所述历史时刻的下一时刻的故障率,所述已训练神经网络是按照时序基于第一样本序列进行分组,得到的多组数据训练的,所述多组数据中各组数据包含待训练样本序列及与所述待训练样本序列中最后一个样本时序相邻的下一时刻的期望映射结果;
确定模块,用于从各链路中选择所述下一时刻的故障率最小,且满足业务的服务质量QoS需求的链路,确定为优选路径。
7.如权利要求6所述的装置,其特征在于,所述装置还包括:训练模块,用于采用如下步骤进行训练,得到所述已训练神经网络:
按照时序,将所述第一样本序列进行分组,得到多组数据;
针对每组数据,将该组数据中的待训练样本序列作为待训练神经网络的输入,将该组数据中的期望映射结果作为待训练神经网络的输出,采用学习函数对所述待训练神经网络进行训练,得到所述已训练神经网络;
其中,所述待训练神经网络包含:n个输入层神经元,1个输出层神经元,1个中间隐含层,所述输入层至所述中间隐含层的传递函数为S型正切函数tansig,所述中间隐含层至所述输出层的传递函数为对数函数logsig,所述已训练神经网络包含训练得到的中间隐含层的神经元个数。
8.如权利要求6所述的装置,其特征在于,所述确定模块,用于:
获取虚拟网络提供层中通过基础设施层的链路,映射的虚拟映射链路作为遗传算法的初始种群;
基于所述初始种群,使用所述遗传算法进行运算,在达到终止条件时,得出所述下一时刻的故障率最小,且时延最小的链路,所述终止条件包含最大迭代次数;
将所述下一时刻的故障率最小,且时延最小的链路形成的路径,作为优选路径。
9.如权利要求6至8任一项所述的装置,其特征在于,所述装置还包括:
接收模块,用于在所述获取物理链路集中的各链路之前,接收第一业务请求,所述第一业务请求为由基础设施层中的所述LEO卫星接收的第一业务请求发送的,并且所述第一业务请求中的业务包为预设第一优先级的业务,所述预设第一优先级是按照业务请求与针对业务请求所需响应的要求时延确定的;
映射模块,用于将所述第一业务请求映射至虚拟网络提供层,返回继续执行获取物理链路集中的各链路,在历史时刻内链路故障率的第一样本序列的步骤;
发送模块,用于在所述从各链路中选择所述下一时刻的故障率最小,且满足业务的服务质量QoS需求的链路,确定为优选路径之后,向所述LEO卫星发送针对所述第一业务请求返回的反馈消息,所述反馈消息用于告知由所述LEO卫星使用所述优选路径中的一条路径,传输所述业务包。
10.如权利要求9所述的装置,其特征在于,所述优选路径的数目为2时,所述发送模块,用于:
在2条优选路径均可用的情况下,从2条优选路径中任选一个路径,生成所述反馈消息,并向所述LEO卫星发送所述反馈消息;
在2条优选路径中的一条路径可用的情况下,利用所述2条优选路径中可用的一条路径,生成所述反馈消息,并向所述LEO卫星发送所述反馈消息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910049943.6A CN109714263B (zh) | 2019-01-18 | 2019-01-18 | 一种在卫星通信网络中的路径选择方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910049943.6A CN109714263B (zh) | 2019-01-18 | 2019-01-18 | 一种在卫星通信网络中的路径选择方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109714263A true CN109714263A (zh) | 2019-05-03 |
CN109714263B CN109714263B (zh) | 2021-01-29 |
Family
ID=66261673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910049943.6A Expired - Fee Related CN109714263B (zh) | 2019-01-18 | 2019-01-18 | 一种在卫星通信网络中的路径选择方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109714263B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047018A (zh) * | 2020-01-14 | 2020-04-21 | 东方红卫星移动通信有限公司 | 一种低轨卫星移动通信资源智慧调度方法 |
CN111083051A (zh) * | 2019-12-20 | 2020-04-28 | 北京邮电大学 | 一种基于多智能体的路径规划方法、装置及电子设备 |
CN111263417A (zh) * | 2019-12-25 | 2020-06-09 | 北京邮电大学 | 一种基于用户类型的业务请求处理方法及装置 |
CN111314235A (zh) * | 2020-02-19 | 2020-06-19 | 广东技术师范大学 | 一种基于虚拟网络功能资源需求预测的网络延时优化方法 |
CN111324538A (zh) * | 2020-02-20 | 2020-06-23 | 上海赛可出行科技服务有限公司 | 一种基于动态路由的微服务并行测试环境管理方法 |
CN111726338A (zh) * | 2020-05-19 | 2020-09-29 | 中国科学院信息工程研究所 | 一种链路洪泛攻击防护方法及装置 |
CN111954239A (zh) * | 2020-10-19 | 2020-11-17 | 南京信同诚信息技术有限公司 | 基于云计算的公安用基础通信网络优化系统 |
CN112558474A (zh) * | 2020-11-30 | 2021-03-26 | 重庆邮电大学 | 基于多目标遗传算法的低轨卫星通信线路切换控制方法 |
CN112953623A (zh) * | 2021-03-17 | 2021-06-11 | 中科院计算技术研究所南京移动通信与计算创新研究院 | 基于多点协同的低轨卫星的预切换路径确定方法及装置 |
CN113038530A (zh) * | 2021-03-22 | 2021-06-25 | 军事科学院系统工程研究院网络信息研究所 | 卫星移动通信系统QoS保障的分组业务高效传输方法 |
CN113068233A (zh) * | 2020-05-08 | 2021-07-02 | 北京连山科技股份有限公司 | 一种基于链路智选传输技术的手机通话系统 |
CN113141622A (zh) * | 2021-04-30 | 2021-07-20 | 南京大学 | 一种面向超大规模低轨卫星星座的分布式路由管理方法 |
CN113316216A (zh) * | 2021-05-26 | 2021-08-27 | 电子科技大学 | 一种用于微纳卫星网络的路由方法 |
CN113726462A (zh) * | 2021-07-30 | 2021-11-30 | 浪潮电子信息产业股份有限公司 | 一种PCIe虚拟信道选择方法、装置、系统及介质 |
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 |
WO2024077997A1 (zh) * | 2022-10-13 | 2024-04-18 | 中国电子信息产业集团有限公司第六研究所 | 软件定义卫星网络通信方法、系统及存储介质 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1807973A2 (en) * | 2004-10-29 | 2007-07-18 | The Boeing Company | Systems and methods for handling information from wireless nodes, including nodes for communication with aircraft |
US20090064248A1 (en) * | 2007-08-31 | 2009-03-05 | At&T Knowledge Ventures, Lp | System and method of monitoring video data packet delivery |
US20120016804A1 (en) * | 2010-07-16 | 2012-01-19 | National Taiwan University Of Science And Technology | Carrier selection method for logistics network |
US20120140636A1 (en) * | 2010-12-07 | 2012-06-07 | Resende Mauricio Guilherme De Carvalho | Methods and apparatus to determine network link weights |
CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
CN104079496A (zh) * | 2014-07-02 | 2014-10-01 | 南京邮电大学 | 基于链路代价转换的双层卫星负载均衡方法 |
CN104821844A (zh) * | 2015-05-21 | 2015-08-05 | 哈尔滨工业大学 | 一种基于时隙优化的双层卫星网络路由方法 |
CN105471734A (zh) * | 2015-12-24 | 2016-04-06 | 哈尔滨工业大学 | 一种基于时隙的leo/meo双层卫星dtn网络分布式路由的优化方法 |
CN105959232A (zh) * | 2016-06-16 | 2016-09-21 | 清华大学 | 一种基于软件定义网络控制点优化的卫星网络路由方法 |
CN106068017A (zh) * | 2016-04-13 | 2016-11-02 | 合肥工业大学 | 基于小波神经元网络的无线链路质量预测方法 |
CN106100720A (zh) * | 2016-06-08 | 2016-11-09 | 大连大学 | Leo/meo卫星网络的路由快速收敛优化方法 |
CN106408124A (zh) * | 2016-09-22 | 2017-02-15 | 西安科技大学 | 一种面向数据稀疏环境下的移动路径混合预测方法 |
CN106487707A (zh) * | 2016-09-29 | 2017-03-08 | 北京邮电大学 | 一种电力通信虚拟容错网络映射方法及装置 |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN106685834A (zh) * | 2017-03-01 | 2017-05-17 | 西安电子科技大学 | 基于中/低轨道卫星网络的可信路由方法 |
CN106788682A (zh) * | 2016-12-29 | 2017-05-31 | 北京邮电大学 | 一种基于卫星网络的路由确定方法 |
CN106792961A (zh) * | 2016-11-18 | 2017-05-31 | 华东师范大学 | 一种基于卫星通信网络设计的双层拓扑路由方法 |
CN107438015A (zh) * | 2017-06-28 | 2017-12-05 | 北京邮电大学 | 一种智能电力通信网虚拟资源映射方法及装置 |
CN107517077A (zh) * | 2017-08-28 | 2017-12-26 | 西安电子科技大学 | 空间组网双层卫星网络模型及拓扑控制的路由优化方法 |
CN108108815A (zh) * | 2017-12-13 | 2018-06-01 | 北京邮电大学 | 基于改进遗传算法的虚拟网络映射方法及装置 |
CN108540206A (zh) * | 2018-04-11 | 2018-09-14 | 西安邮电大学 | 一种基于流量预测的三层卫星网络负载均衡路由方法 |
CN108667734A (zh) * | 2018-05-18 | 2018-10-16 | 南京邮电大学 | 一种基于q学习和lstm神经网络的快速路由决策算法 |
US20180341887A1 (en) * | 2017-05-23 | 2018-11-29 | Uber Technologies, Inc. | Individualized risk vehicle matching for an on-demand transportation service |
CN108965125A (zh) * | 2017-05-17 | 2018-12-07 | 华东师范大学 | 一种基于网络编码的双层卫星网络多径路由方法 |
-
2019
- 2019-01-18 CN CN201910049943.6A patent/CN109714263B/zh not_active Expired - Fee Related
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1807973A2 (en) * | 2004-10-29 | 2007-07-18 | The Boeing Company | Systems and methods for handling information from wireless nodes, including nodes for communication with aircraft |
US20090064248A1 (en) * | 2007-08-31 | 2009-03-05 | At&T Knowledge Ventures, Lp | System and method of monitoring video data packet delivery |
US20120016804A1 (en) * | 2010-07-16 | 2012-01-19 | National Taiwan University Of Science And Technology | Carrier selection method for logistics network |
US20120140636A1 (en) * | 2010-12-07 | 2012-06-07 | Resende Mauricio Guilherme De Carvalho | Methods and apparatus to determine network link weights |
CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
CN104079496A (zh) * | 2014-07-02 | 2014-10-01 | 南京邮电大学 | 基于链路代价转换的双层卫星负载均衡方法 |
CN104821844A (zh) * | 2015-05-21 | 2015-08-05 | 哈尔滨工业大学 | 一种基于时隙优化的双层卫星网络路由方法 |
CN105471734A (zh) * | 2015-12-24 | 2016-04-06 | 哈尔滨工业大学 | 一种基于时隙的leo/meo双层卫星dtn网络分布式路由的优化方法 |
CN106068017A (zh) * | 2016-04-13 | 2016-11-02 | 合肥工业大学 | 基于小波神经元网络的无线链路质量预测方法 |
CN106100720A (zh) * | 2016-06-08 | 2016-11-09 | 大连大学 | Leo/meo卫星网络的路由快速收敛优化方法 |
CN105959232A (zh) * | 2016-06-16 | 2016-09-21 | 清华大学 | 一种基于软件定义网络控制点优化的卫星网络路由方法 |
CN106408124A (zh) * | 2016-09-22 | 2017-02-15 | 西安科技大学 | 一种面向数据稀疏环境下的移动路径混合预测方法 |
CN106487707A (zh) * | 2016-09-29 | 2017-03-08 | 北京邮电大学 | 一种电力通信虚拟容错网络映射方法及装置 |
CN106792961A (zh) * | 2016-11-18 | 2017-05-31 | 华东师范大学 | 一种基于卫星通信网络设计的双层拓扑路由方法 |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN106788682A (zh) * | 2016-12-29 | 2017-05-31 | 北京邮电大学 | 一种基于卫星网络的路由确定方法 |
CN106685834A (zh) * | 2017-03-01 | 2017-05-17 | 西安电子科技大学 | 基于中/低轨道卫星网络的可信路由方法 |
CN108965125A (zh) * | 2017-05-17 | 2018-12-07 | 华东师范大学 | 一种基于网络编码的双层卫星网络多径路由方法 |
US20180341887A1 (en) * | 2017-05-23 | 2018-11-29 | Uber Technologies, Inc. | Individualized risk vehicle matching for an on-demand transportation service |
CN107438015A (zh) * | 2017-06-28 | 2017-12-05 | 北京邮电大学 | 一种智能电力通信网虚拟资源映射方法及装置 |
CN107517077A (zh) * | 2017-08-28 | 2017-12-26 | 西安电子科技大学 | 空间组网双层卫星网络模型及拓扑控制的路由优化方法 |
CN108108815A (zh) * | 2017-12-13 | 2018-06-01 | 北京邮电大学 | 基于改进遗传算法的虚拟网络映射方法及装置 |
CN108540206A (zh) * | 2018-04-11 | 2018-09-14 | 西安邮电大学 | 一种基于流量预测的三层卫星网络负载均衡路由方法 |
CN108667734A (zh) * | 2018-05-18 | 2018-10-16 | 南京邮电大学 | 一种基于q学习和lstm神经网络的快速路由决策算法 |
Non-Patent Citations (3)
Title |
---|
ISHA PATHAK: "A model for virtual network embedding across multiple infrastructure providers using genetic algorithm", 《SCIENCE CHINA INFORMATION SCIENCES》 * |
冯玺宝: "多层卫星网络QoS路由协议研究", 《中国优秀硕士学位论文全文库》 * |
李瑞莹: "基于神经网络的故障率预测方法", 《航空学报》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111083051A (zh) * | 2019-12-20 | 2020-04-28 | 北京邮电大学 | 一种基于多智能体的路径规划方法、装置及电子设备 |
CN111263417A (zh) * | 2019-12-25 | 2020-06-09 | 北京邮电大学 | 一种基于用户类型的业务请求处理方法及装置 |
CN111263417B (zh) * | 2019-12-25 | 2021-07-09 | 北京邮电大学 | 一种基于用户类型的业务请求处理方法及装置 |
CN111047018A (zh) * | 2020-01-14 | 2020-04-21 | 东方红卫星移动通信有限公司 | 一种低轨卫星移动通信资源智慧调度方法 |
CN111314235A (zh) * | 2020-02-19 | 2020-06-19 | 广东技术师范大学 | 一种基于虚拟网络功能资源需求预测的网络延时优化方法 |
CN111314235B (zh) * | 2020-02-19 | 2023-08-11 | 广东技术师范大学 | 一种基于虚拟网络功能资源需求预测的网络延时优化方法 |
CN111324538A (zh) * | 2020-02-20 | 2020-06-23 | 上海赛可出行科技服务有限公司 | 一种基于动态路由的微服务并行测试环境管理方法 |
CN111324538B (zh) * | 2020-02-20 | 2024-03-08 | 上海赛可出行科技服务有限公司 | 一种基于动态路由的微服务并行测试环境管理方法 |
CN113068233B (zh) * | 2020-05-08 | 2021-09-28 | 北京连山科技股份有限公司 | 一种基于链路智选传输技术的手机通话系统 |
CN113068233A (zh) * | 2020-05-08 | 2021-07-02 | 北京连山科技股份有限公司 | 一种基于链路智选传输技术的手机通话系统 |
CN111726338B (zh) * | 2020-05-19 | 2021-07-13 | 中国科学院信息工程研究所 | 一种链路洪泛攻击防护方法及装置 |
CN111726338A (zh) * | 2020-05-19 | 2020-09-29 | 中国科学院信息工程研究所 | 一种链路洪泛攻击防护方法及装置 |
CN111954239A (zh) * | 2020-10-19 | 2020-11-17 | 南京信同诚信息技术有限公司 | 基于云计算的公安用基础通信网络优化系统 |
CN111954239B (zh) * | 2020-10-19 | 2022-04-19 | 南京信易达计算技术有限公司 | 基于云计算的公安用基础通信网络优化系统 |
CN112558474A (zh) * | 2020-11-30 | 2021-03-26 | 重庆邮电大学 | 基于多目标遗传算法的低轨卫星通信线路切换控制方法 |
CN112558474B (zh) * | 2020-11-30 | 2022-06-03 | 重庆邮电大学 | 基于多目标遗传算法的低轨卫星通信线路切换控制方法 |
CN112953623A (zh) * | 2021-03-17 | 2021-06-11 | 中科院计算技术研究所南京移动通信与计算创新研究院 | 基于多点协同的低轨卫星的预切换路径确定方法及装置 |
CN112953623B (zh) * | 2021-03-17 | 2023-03-14 | 中科南京移动通信与计算创新研究院 | 基于多点协同的低轨卫星的预切换路径确定方法及装置 |
CN113038530A (zh) * | 2021-03-22 | 2021-06-25 | 军事科学院系统工程研究院网络信息研究所 | 卫星移动通信系统QoS保障的分组业务高效传输方法 |
CN113141622A (zh) * | 2021-04-30 | 2021-07-20 | 南京大学 | 一种面向超大规模低轨卫星星座的分布式路由管理方法 |
CN113316216B (zh) * | 2021-05-26 | 2022-04-08 | 电子科技大学 | 一种用于微纳卫星网络的路由方法 |
CN113316216A (zh) * | 2021-05-26 | 2021-08-27 | 电子科技大学 | 一种用于微纳卫星网络的路由方法 |
CN113726462A (zh) * | 2021-07-30 | 2021-11-30 | 浪潮电子信息产业股份有限公司 | 一种PCIe虚拟信道选择方法、装置、系统及介质 |
WO2024077997A1 (zh) * | 2022-10-13 | 2024-04-18 | 中国电子信息产业集团有限公司第六研究所 | 软件定义卫星网络通信方法、系统及存储介质 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109714263B (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109714263A (zh) | 一种在卫星通信网络中的路径选择方法及装置 | |
CN107276662B (zh) | 一种软件定义空间信息网络多控制器动态部署方法 | |
CN109257091B (zh) | 全局负载均衡星地协同网络组网装置和方法 | |
CN101707788B (zh) | 基于差异化定价策略的多层网络业务动态规划方法 | |
Tang | Dynamically adaptive cooperation transmission among satellite-ground integrated networks | |
CN110493131A (zh) | 一种sdn架构下的空间信息网络路由策略的设计方法 | |
CN105282038B (zh) | 用于移动卫星网络中基于稳定性分析的分布式星群组网优化方法 | |
CN108307435A (zh) | 一种基于sdsin的多任务路由选择方法 | |
GB2303996A (en) | Communications arrangement and method | |
Wang et al. | Fuzzy-CNN based multi-task routing for integrated satellite-terrestrial networks | |
CN109614215A (zh) | 基于深度强化学习的流调度方法、装置、设备及介质 | |
CN106817306B (zh) | 一种确定目标路由的方法及装置 | |
CN109343945A (zh) | 一种基于合同网算法的多任务动态分配方法 | |
CN115242295B (zh) | 一种卫星网络sdn多控制器部署方法及系统 | |
CN112543151B (zh) | Sdn控制器部署方法、装置、电子设备和存储介质 | |
CN106817304B (zh) | 基于多业务的卫星全光网络波长路由方法 | |
Jiang et al. | Probabilistic-forecasting-based admission control for network slicing in software-defined networks | |
CN116390164A (zh) | 一种低轨卫星网络可信负载均衡路由方法、系统、设备及介质 | |
CN114268575B (zh) | 天地一体化信息网络中自适应立体传输方法及系统 | |
Li et al. | Knowledge graph aided network representation and routing algorithm for LEO satellite networks | |
Qi et al. | SDN-based dynamic multi-path routing strategy for satellite networks | |
CN106789293A (zh) | 一种空间信息网络空间层控制器选举算法 | |
Bogatyrev et al. | Multipath transmission of heterogeneous traffic in acceptable delays with packet replication and destruction of expired replicas in the nodes that make up the path | |
Zhang et al. | Dynamical controller placement among SDN space-terrestrial integrated networks | |
CN113285832B (zh) | 基于nsga-ii的电力多模态网络资源优化分配方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210129 Termination date: 20220118 |
|
CF01 | Termination of patent right due to non-payment of annual fee |