CN110311863B - 一种路由路径确定方法及装置 - Google Patents
一种路由路径确定方法及装置 Download PDFInfo
- Publication number
- CN110311863B CN110311863B CN201910383518.0A CN201910383518A CN110311863B CN 110311863 B CN110311863 B CN 110311863B CN 201910383518 A CN201910383518 A CN 201910383518A CN 110311863 B CN110311863 B CN 110311863B
- Authority
- CN
- China
- Prior art keywords
- router
- utilization rate
- queue utilization
- determining
- current
- 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
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
-
- 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
- H04L45/20—Hop count for routing purposes, e.g. TTL
-
- 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
- H04L45/70—Routing based on monitoring results
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/50—Queue scheduling
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供了一种路由路径确定方法及装置,涉及网络通信技术领域,其中,该方法包括:确定当前网络中每个路由器当前的运行信息和网络拓扑结构的降维后的邻接矩阵,其中,所述运行信息包括分组的到达情况和队列利用率;基于所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率;基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器。与现有技术中的路由路径确定方法相比,本申请通过预测预设时间段每个路由器的队列利用率来确定路由下一跳的目标路由,降低数据传输的丢包率,减少数据传输时延。
Description
技术领域
本申请涉及网络通信技术领域,尤其是涉及一种路由路径确定方法及装置。
背景技术
目前,互联网所提供的服务越来越多样。在分组交换网络中,由于诸如因特网视频,移动流媒体和交互式网络电视之类的数字视频服务的快速发展,数据流量急剧增长。传统的路由协议无法有效避免网络拥塞的出现。为了实现网络资源的负载均衡,需要调用智能路由方案。
现有技术中,路由算法通常从节省网络资源消耗出发,采用的是基于目的地址的最短路径路由,在选择路径时没有综合考虑网络的实际资源情况,只根据业务流的目的地址选择一条度量值最短的路径。申请人在研究中发现,这种方式会造成传输时延以及丢包率增加。
发明内容
有鉴于此,本申请的目的在于提供一种路由路径确定方法及装置,降低数据传输的丢包率,减少数据传输时延。
本申请实施例提供了一种路由路径确定方法,所述方法包括:
确定当前网络中每个路由器当前的运行信息和网络拓扑结构的降维后的邻接矩阵,其中,所述运行信息包括分组的到达情况和队列利用率;
基于所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率;
基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器。
进一步的,所述确定当前网络中每个路由器当前的运行信息和网络拓扑结构的降维后的邻接矩阵,包括:
获取当前网络中每个路由器当前的运行信息和网络拓扑结构;
基于所述网络拓扑结构确定所述网络拓扑结构的邻接矩阵;
基于所述网络拓扑结构的邻接矩阵和主成分分析法,确定所述降维后的邻接矩阵。
进一步的,所述基于所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率,包括:
基于训练好的神经网络,根据所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率。
进一步的,所述方法还包括训练神经网络的步骤:
获取当前网络中每个路由器历史的运行信息和所述降维后的邻接矩阵;
基于所述历史的运行信息和所述降维后的邻接矩阵确定所述神经网络的训练集,并对所述神经网络的参数进行初始化设置,其中,所述神经网络的参数包括权重和偏差;
基于Adam算法对所述神经网络的参数进行调整,确定所述训练好的神经网络。
进一步的,所述基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器,包括:
分别对每个路由器当前的队列利用率、预测得到的队列利用率,与其邻近路由器当前的队列利用率、预测得到的队列利用率进行整合,确定每个路由器当前的整合队列利用率和预测得到的整合队列利用率;
基于所述当前的整合队列利用率和所述预测得到的整合队列利用率,确定每个路由器的负载等级,并确定满足到达目的路由器的跳数小于或等于当前路由器到达目的路由器的跳数,且当前的整合队列利用率及预测得到的整合队列利用率小于1的路由器集合;
基于所述负载等级和所述路由器集合,确定作为路由下一跳的目标路由器。
本申请实施例还提供了一种路由路径确定装置,所述路由路径确定装置包括:
第一确定模块,用于确定当前网络中每个路由器当前的运行信息和网络拓扑结构的降维后的邻接矩阵,其中,所述运行信息包括分组的到达情况和队列利用率;
预测模块,用于基于所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率;
第二确定模块,用于基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器。
进一步的,所述第一确定模块,包括:
第一获取单元,用于获取当前网络中每个路由器当前的运行信息和网络拓扑结构;
第一确定单元,用于基于所述网络拓扑结构确定所述网络拓扑结构的邻接矩阵;
第二确定单元,用于基于所述网络拓扑结构的邻接矩阵和主成分分析法,确定所述降维后的邻接矩阵。
进一步的,所述预测模块具体用于:
基于训练好的神经网络,根据所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率。
进一步的,所述路由路径确定装置还包括训练模块,所述训练模块包括:
第二获取单元,用于获取当前网络中每个路由器历史的运行信息和所述降维后的邻接矩阵;
参数初始化单元,用于基于所述历史的运行信息和所述降维后的邻接矩阵确定所述神经网络的训练集,并对所述神经网络的参数进行初始化设置,其中,所述神经网络的参数包括权重和偏差;
参数调整单元,用于基于Adam算法对所述神经网络的参数进行调整,确定所述训练好的神经网络。
进一步的,所述第二确定模块包括:
整合单元,用于分别对每个路由器当前的队列利用率、预测得到的队列利用率,与其邻近路由器当前的队列利用率、预测得到的队列利用率进行整合,确定每个路由器当前的整合队列利用率和预测得到的整合队列利用率;
第三确定单元,用于基于所述当前的整合队列利用率和所述预测得到的整合队列利用率,确定每个路由器的负载等级,并确定满足到达目的路由器的跳数小于或等于当前路由器到达目的路由器的跳数,且当前的整合队列利用率及预测得到的整合队列利用率小于1的路由器集合;
第四确定单元,用于基于所述负载等级和所述路由器集合,确定作为路由下一跳的目标路由器。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的路由路径确定方法的步骤。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的路由路径确定方法的步骤。
本申请实施例提供的路由路径确定方法及装置,确定当前网络中每个路由器当前的运行信息和网络拓扑结构的降维后的邻接矩阵,其中,所述运行信息包括分组的到达情况和队列利用率;基于所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率;基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器。与现有技术中的路由路径确定方法相比,本申请通过预测预设时间段每个路由器的队列利用率来确定路由下一跳的目标路由,降低数据传输的丢包率,减少数据传输时延。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的一种路由路径确定方法的流程图;
图2示出了本申请实施例所提供的另一种路由路径确定方法的流程图;
图3示出了本申请实施例所提供的一种路由路径确定装置的结构示意图;
图4示出了本申请实施例所提供的另一种路由路径确定装置的结构示意图;
图5示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于网络通信技术领域中,具体而言,可应用与路由器在选择最优通信路径的场景中。比如,在有多个路由器的网络中,路由器A需要向路由器B的某个地址传输数据,路由器A到B之间有数个路由器,路由器A需要选择最优的路径来传输数据。
经研究发现,路由算法通常从节省网络资源消耗出发,采用的是基于目的地址的最短路径路由,在选择路径时没有综合考虑网络的实际资源情况,只根据业务流的目的地址选择一条度量值最短的路径。申请人在研究中发现,这种方式会造成传输时延的增加和丢包率增加。
基于此,本申请实施例提供了一种路由路径确定方法,以降低数据传输的丢包率,减少数据传输时延。
请参阅图1,图1为本申请实施例所提供的一种路由路径确定方法的流程图。所述路由路径确定方法可应用于路由器,如图1中所示,本申请实施例提供的路由路径确定方法,包括:
S101、确定当前网络中每个路由器当前的运行信息和网络拓扑结构的降维后的邻接矩阵,其中,所述运行信息包括分组的到达情况和队列利用率。
该步骤中,进行路径选择的路由器可以通过当前网络中的主路由器获取每个路由器当前的运行信息,在获取到运行信息后,可以将运行信息中的分组到达情况和队列利用率从运行信息中提取出来;同时,获取当前网络中的软件定义网络架构,基于软件定义网络架构确定网络拓扑结构,并确定能表现网络拓扑结构的邻接矩阵,再对邻接矩阵进行降维,得到降维后的邻接矩阵。
这里,网络拓扑结构与和队列利用率的关系是通过机器学习确定的。
其中,运行信息可以包括该路由器的数据传输速率、队列利用率、丢包率、分组到达情况、IP地址等,降维后的邻接矩阵可以是一个一维的矢量矩阵。
这样,当前的队列利用率、分组的到达信息及降维后的邻接矩阵就可以用于预测预设时间段每个路由器的队列利用率。
S102、基于所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率。
该步骤中,可以将当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵输入到算法当中,通过训练好的神经网络等算法的计算,预测预设时间段每个路由器的队列利用率。
其中,预设时间段可以是一秒或数秒,也可以是数个小时。预测预设时间段每个路由器的队列利用率,可以是预测预设时间段中的平均队列利用率,也可以是预测预设时间段结束时刻的队列利用率。
这样,可确定用于评判路由下一跳的指标,即预测得到的每个路由器的队列利用率和当前的运行信息中的队列利用率,该指标反映了其对应路由器资源的使用程度,队列利用率越高,说明该路由器越容易出现丢包等现象。
S103、基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器。
该步骤中,进行路径选择的路由器可以通过预设好的算法确定作为路由下一跳的目标路由器,通过将每个路由器及其邻近的路由器当前和预测的队列利用率整合,并根据整合的队列利用率对每个路由器进行优选,将最优的路由器作为路由下一跳的目标路由器。
这样,可以降低数据传输的丢包率,减少数据传输时延。
本申请实施例提供的路由路径确定方法,确定当前网络中每个路由器当前的运行信息和网络拓扑结构的降维后的邻接矩阵,其中,所述运行信息包括分组的到达情况和队列利用率;基于所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率;基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器。
与现有技术中的路由路径确定方法相比,本申请通过预测预设时间段每个路由器的队列利用率来确定路由下一跳的目标路由,降低数据传输的丢包率,减少数据传输时延。
请参阅图2,图2为本申请另一实施例提供的路由路径确定方法的流程图。如图2中所示,本申请实施例提供的路由路径确定方法,包括:
S201、获取当前网络中每个路由器当前的运行信息和网络拓扑结构。
在该步骤中,当前网络中的主路由器可以监测每个路由器运行信息,进行路径选择的路由器可以获取主路由器监测的数据,并获取当前网络的网络拓扑结构。
其中,网络拓扑结构是指用传输媒体互连各种设备的物理布局,可以是分布式结构、树型结构、网状结构、蜂窝状结构、总线结构等。
S202、基于所述网络拓扑结构确定所述网络拓扑结构的邻接矩阵。
该步骤中,可以将网络拓扑结构整理变形为邻接矩阵。邻接矩阵中各项表示了每个路由器之间的相邻关系,比如,表示所有路由器中的一个路由器与多个路由器相连,邻接矩阵是一个多维度的矩阵。
S203、基于所述网络拓扑结构的邻接矩阵和主成分分析法,确定所述降维后的邻接矩阵。
该步骤中,进行路径选择的路由器在确定网络拓扑结构的邻接矩阵后,将多维的邻接矩阵通过主成分分析法,提取预测预设时间段每个路由器的队列利用率所需要的拓扑特征,即对邻接矩阵进行降维,得到降维后的邻接矩阵。
这样,通过主成分分析得到的降维后的邻接矩阵能更直观、简洁地反应网络中的拓扑情况减少了预测预设时间段每个路由器的队列利用率的计算量。
S204、基于所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率。
S205、基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器。
其中,S204至S205的描述可以参照S102至S103的描述,并且能达到相同的技术效果,对此不做赘述。
可选的,所述基于所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率,包括:
基于训练好的神经网络,根据所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率。
在该步骤中,将当前的分组信息中分组到达情况、队列利用率和降维后的邻接矩阵输入到训练好的神经网络中,即可预测到预设时间段每个路由器的队列利用率。
这样,通过训练好的神经网络,可以免去复杂的计算,简化预测的过程,降低出现错误的概率。
同时,该训练好的神经网络可以定期通过历史的预测结果和其预测结果是否正确进行自我学习,能进一步的提升预测的准确性。神经网络自我学习的频率可以是数小时一次,也可以是数天至数个月一次。
可选的,所述方法还包括训练神经网络的步骤:
获取当前网络中每个路由器历史的运行信息和所述降维后的邻接矩阵;
基于所述历史的运行信息和所述降维后的邻接矩阵确定所述神经网络的训练集,并对所述神经网络的参数进行初始化设置,其中,所述神经网络的参数包括权重和偏差;
基于Adam算法对所述神经网络的参数进行调整,确定所述训练好的神经网络。
该步骤中,网络中可以采用Bellman Ford算法(贝尔曼-福特算法)进行路由,在获取当前网络中每个路由器历史的运行信息和降维后的邻接矩阵后,将两者作为训练集。
在一种可行的实施例中,路由器历史的运行信息中分组到达情况可以表示为T1×N=[t(1),t(2),...,t(N)],队列利用率可以表示为Q1×N=[q(1),q(2),...,q(N)],降维后的邻接矩阵可以表示为P1×N=[p(1),p(2),...,p(N)],其中,N表示当前网络中路由器的总数,t、q、p表示每个路由器对应的数值,T、Q、P表示所有路由器对应的数值的合集;神经网络的输入可以表示为x1×3N=[Q1×N,T1×N,P1×N]和y1×N=[Q1×N]。
神经网络的前向网络可以表示为A[l]=g[l](Z[l]),其中,A为非线性处理的结果,g为激活函数,对Z做非线性处理,Z为线性处理结果,l为神经网络的层数;其中,线性处理可以表示为Z[l]=W[l]X+b[l],W为权重的矩阵,X为输入的数据的矩阵,b为偏差矩阵;神经网络的隐藏层可以表示为g(x)=ReLu(x)=max(0,x),其中,ReLu为线性整流函数;输出层可以表示为:
神经网络的反馈网络为:
dZ[l]=dA[l]·g[l]'(Z[l])
dA[l-1]=W[l]T·dZ[l]
神经网络的损失函数可以表示为:
lossmn=∑∑(yi-outputi)2
可选的,所述基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器,包括:
分别对每个路由器当前的队列利用率、预测得到的队列利用率,与其邻近路由器当前的队列利用率、预测得到的队列利用率进行整合,确定每个路由器当前的整合队列利用率和预测得到的整合队列利用率;
基于所述当前的整合队列利用率和所述预测得到的整合队列利用率,确定每个路由器的负载等级,并确定满足到达目的路由器的跳数小于或等于当前路由器到达目的路由器的跳数,且当前的整合队列利用率及预测得到的整合队列利用率小于1的路由器集合;
基于所述负载等级和所述路由器集合,确定作为路由下一跳的目标路由器。
计算每个路由器的负载等级的步骤可以表示为RANK(k)=α·qi(k)+β·qi+1(k),其中,RANK(k)为第k个路由器的负载等级,α和β是由实验确定的参数,本实施例中α可以设定为0.7,β可以设定为0.3。
确定作为路由下一跳的目标路由器的步骤可以表示为:
Hk={n∈N(k)|hn(d)≤hk(d),qi(n),qi+1(n)<1}
其中,N(k)表示第k个路由器的邻近路由器的集合,n表示第n个路由器,第n个路由器是第k个路由器的邻近路由器,hn(d)表示第n个邻近路由器到第d个路由器的跳数,hk(d)表示第k个路由器到第d个路由器的跳数,qi(n)表示第n个路由器在时刻i的队列利用率,qi+1(n)表示第n个路由器在时刻i的预设时间段末时的队列利用率,H(k)是满足上述步骤条件的所有路由器的集合,为作为路由下一跳的目标路由器。
这样,通过考虑路由器的队列利用率、分组到达情况,确定目标路由器,同时考虑路由器的实际资源和路径的长短,可以降低数据传输的丢包率,减少数据传输时延。
本申请实施例提供的路由路径确定方法,确定当前网络中每个路由器当前的运行信息和网络拓扑结构的降维后的邻接矩阵,其中,所述运行信息包括分组的到达情况和队列利用率;基于所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率;基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器。
与现有技术中的路由路径确定方法相比,本申请通过预测预设时间段每个路由器的队列利用率来确定路由下一跳的目标路由,降低数据传输的丢包率,减少数据传输时延。
请参阅图3、图4,图3为本申请实施例所提供的一种路由路径确定装置的结构示意图,图4为本申请实施例所提供的另一种路由路径确定装置的结构示意图。如图3中所示,所述路由路径确定装置300包括:
第一确定模块310,用于确定当前网络中每个路由器当前的运行信息和网络拓扑结构的降维后的邻接矩阵,其中,所述运行信息包括分组的到达情况和队列利用率。
预测模块320,用于基于所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率。
第二确定模块330,用于基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器。
进一步的,如图4所示,所述第一确定模块310,包括:
第一获取单元311,用于获取当前网络中每个路由器当前的运行信息和网络拓扑结构。
第一确定单元312,用于基于所述网络拓扑结构确定所述网络拓扑结构的邻接矩阵。
第二确定单元313,用于基于所述网络拓扑结构的邻接矩阵和主成分分析法,确定所述降维后的邻接矩阵。
进一步的,所述预测模块320具体用于:
基于训练好的神经网络,根据所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率。
进一步的,所述路由路径确定装置300还包括训练模块,所述训练模块包括:
第二获取单元,用于获取当前网络中每个路由器历史的运行信息和所述降维后的邻接矩阵;
参数初始化单元,用于基于所述历史的运行信息和所述降维后的邻接矩阵确定所述神经网络的训练集,并对所述神经网络的参数进行初始化设置,其中,所述神经网络的参数包括权重和偏差;
参数调整单元,用于基于Adam算法对所述神经网络的参数进行调整,确定所述训练好的神经网络。
进一步的,所述第二确定模块330包括:
整合单元,用于分别对每个路由器当前的队列利用率、预测得到的队列利用率,与其邻近路由器当前的队列利用率、预测得到的队列利用率进行整合,确定每个路由器当前的整合队列利用率和预测得到的整合队列利用率;
第三确定单元,用于基于所述当前的整合队列利用率和所述预测得到的整合队列利用率,确定每个路由器的负载等级,并确定满足到达目的路由器的跳数小于或等于当前路由器到达目的路由器的跳数,且当前的整合队列利用率及预测得到的整合队列利用率小于1的路由器集合;
第四确定单元,用于基于所述负载等级和所述路由器集合,确定作为路由下一跳的目标路由器。
本申请实施例提供的路由路径确定装置,确定当前网络中每个路由器当前的运行信息和网络拓扑结构的降维后的邻接矩阵,其中,所述运行信息包括分组的到达情况和队列利用率;基于所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率;基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器。
与现有技术中的路由路径确定方法相比,本申请通过预测预设时间段每个路由器的队列利用率来确定路由下一跳的目标路由,降低数据传输的丢包率,减少数据传输时延。
请参阅图5,图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示,所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令,当电子设备500运行时,所述处理器510与所述存储器520之间通过总线530通信,所述机器可读指令被所述处理器510执行时,可以执行如上述图1以及图2所示方法实施例中的路由路径确定方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的路由路径确定方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random AccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种路由路径确定方法,其特征在于,所述方法包括:
确定当前网络中每个路由器当前的运行信息和网络拓扑结构的降维后的邻接矩阵,其中,所述运行信息包括分组的到达情况和队列利用率;
基于训练好的神经网络,根据所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率;
基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器;
所述基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器,包括:
分别对每个路由器当前的队列利用率、预测得到的队列利用率,与其邻近路由器当前的队列利用率、预测得到的队列利用率进行整合,确定每个路由器当前的整合队列利用率和预测得到的整合队列利用率;
基于所述当前的整合队列利用率和所述预测得到的整合队列利用率,确定每个路由器的负载等级,并确定满足到达目的路由器的跳数小于或等于当前路由器到达目的路由器的跳数,且当前的整合队列利用率及预测得到的整合队列利用率小于1的路由器集合;
基于所述负载等级和所述路由器集合,确定作为路由下一跳的目标路由器。
2.根据权利要求1所述的路由路径确定方法,其特征在于,所述确定当前网络中每个路由器当前的运行信息和网络拓扑结构的降维后的邻接矩阵,包括:
获取当前网络中每个路由器当前的运行信息和网络拓扑结构;
基于所述网络拓扑结构确定所述网络拓扑结构的邻接矩阵;
基于所述网络拓扑结构的邻接矩阵和主成分分析法,确定所述降维后的邻接矩阵。
3.根据权利要求1所述的路由路径确定方法,其特征在于,所述方法还包括训练神经网络的步骤:
获取当前网络中每个路由器历史的运行信息和所述降维后的邻接矩阵;
基于所述历史的运行信息和所述降维后的邻接矩阵确定所述神经网络的训练集,并对所述神经网络的参数进行初始化设置,其中,所述神经网络的参数包括权重和偏差;
基于Adam算法对所述神经网络的参数进行调整,确定所述训练好的神经网络。
4.一种路由路径确定装置,其特征在于,所述路由路径确定装置包括:
第一确定模块,用于确定当前网络中每个路由器当前的运行信息和网络拓扑结构的降维后的邻接矩阵,其中,所述运行信息包括分组的到达情况和队列利用率;
预测模块具体用于:
基于训练好的神经网络,根据所述当前的运行信息中分组的到达情况和队列利用率,及所述降维后的邻接矩阵,预测预设时间段每个路由器的队列利用率;
第二确定模块,用于基于所述预测得到的每个路由器的队列利用率和所述当前的运行信息中的队列利用率,确定作为路由下一跳的目标路由器;
所述第二确定模块包括:
整合单元,用于分别对每个路由器当前的队列利用率、预测得到的队列利用率,与其邻近路由器当前的队列利用率、预测得到的队列利用率进行整合,确定每个路由器当前的整合队列利用率和预测得到的整合队列利用率;
第三确定单元,用于基于所述当前的整合队列利用率和所述预测得到的整合队列利用率,确定每个路由器的负载等级,并确定满足到达目的路由器的跳数小于或等于当前路由器到达目的路由器的跳数,且当前的整合队列利用率及预测得到的整合队列利用率小于1的路由器集合;
第四确定单元,用于基于所述负载等级和所述路由器集合,确定作为路由下一跳的目标路由器。
5.根据权利要求4所述的路由路径确定装置,其特征在于,所述第一确定模块,包括:
第一获取单元,用于获取当前网络中每个路由器当前的运行信息和网络拓扑结构;
第一确定单元,用于基于所述网络拓扑结构确定所述网络拓扑结构的邻接矩阵;
第二确定单元,用于基于所述网络拓扑结构的邻接矩阵和主成分分析法,确定所述降维后的邻接矩阵。
6.根据权利要求4所述的路由路径确定装置,其特征在于,所述路由路径确定装置还包括训练模块,所述训练模块包括:
第二获取单元,用于获取当前网络中每个路由器历史的运行信息和所述降维后的邻接矩阵;
参数初始化单元,用于基于所述历史的运行信息和所述降维后的邻接矩阵确定所述神经网络的训练集,并对所述神经网络的参数进行初始化设置,其中,所述神经网络的参数包括权重和偏差;
参数调整单元,用于基于Adam算法对所述神经网络的参数进行调整,确定所述训练好的神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910383518.0A CN110311863B (zh) | 2019-05-09 | 2019-05-09 | 一种路由路径确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910383518.0A CN110311863B (zh) | 2019-05-09 | 2019-05-09 | 一种路由路径确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110311863A CN110311863A (zh) | 2019-10-08 |
CN110311863B true CN110311863B (zh) | 2020-08-21 |
Family
ID=68074584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910383518.0A Active CN110311863B (zh) | 2019-05-09 | 2019-05-09 | 一种路由路径确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110311863B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113206786B (zh) * | 2020-01-31 | 2022-12-27 | 华为技术有限公司 | 训练智能体的方法和装置 |
CN115668877A (zh) * | 2020-06-03 | 2023-01-31 | 华为技术有限公司 | 用于使用图神经网络生成网络配置的方法和系统 |
CN114268577B (zh) * | 2020-09-16 | 2023-07-21 | 中国移动通信有限公司研究院 | 网络连接的建立方法、装置、设备及存储介质 |
CN115474215B (zh) * | 2022-09-06 | 2023-03-21 | 广东九博科技股份有限公司 | 一种基于路由器的组网方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013386A (zh) * | 2007-02-06 | 2007-08-08 | 华中科技大学 | 基于反馈机制的网格任务调度方法 |
CN102571570A (zh) * | 2011-12-27 | 2012-07-11 | 广东电网公司电力科学研究院 | 一种基于强化学习的网络流量负载均衡控制方法 |
US9571384B2 (en) * | 2013-08-30 | 2017-02-14 | Futurewei Technologies, Inc. | Dynamic priority queue mapping for QoS routing in software defined networks |
WO2017157801A1 (en) * | 2016-03-17 | 2017-09-21 | Johann Schlamp | Constructible automata for internet routes |
CN108694109A (zh) * | 2017-03-29 | 2018-10-23 | 谷歌有限责任公司 | 同步硬件事件收集 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040093591A1 (en) * | 2002-11-12 | 2004-05-13 | Spiros Kalogeropulos | Method and apparatus prefetching indexed array references |
CN101938770B (zh) * | 2010-09-20 | 2013-04-10 | 南京邮电大学 | 基于网络信道状态的无线网络最大重传次数的优化方法 |
CN102118312B (zh) * | 2011-01-27 | 2012-07-04 | 南京邮电大学 | 一种分级aodv路由方法 |
US9860140B2 (en) * | 2013-02-05 | 2018-01-02 | Cisco Technology, Inc. | Dynamically adjusting a set of monitored network properties using distributed learning machine feedback |
EP3268870A4 (en) * | 2015-03-11 | 2018-12-05 | Ayasdi, Inc. | Systems and methods for predicting outcomes using a prediction learning model |
CN108809839B (zh) * | 2018-07-17 | 2020-12-01 | 湖南理工学院 | 无线Mesh骨干网络流量控制方法与装置 |
CN109039424B (zh) * | 2018-07-18 | 2020-06-12 | 北京邮电大学 | 卫星星间网络通信路径确定方法、装置及电子设备 |
-
2019
- 2019-05-09 CN CN201910383518.0A patent/CN110311863B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013386A (zh) * | 2007-02-06 | 2007-08-08 | 华中科技大学 | 基于反馈机制的网格任务调度方法 |
CN102571570A (zh) * | 2011-12-27 | 2012-07-11 | 广东电网公司电力科学研究院 | 一种基于强化学习的网络流量负载均衡控制方法 |
US9571384B2 (en) * | 2013-08-30 | 2017-02-14 | Futurewei Technologies, Inc. | Dynamic priority queue mapping for QoS routing in software defined networks |
WO2017157801A1 (en) * | 2016-03-17 | 2017-09-21 | Johann Schlamp | Constructible automata for internet routes |
CN108694109A (zh) * | 2017-03-29 | 2018-10-23 | 谷歌有限责任公司 | 同步硬件事件收集 |
Also Published As
Publication number | Publication date |
---|---|
CN110311863A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110311863B (zh) | 一种路由路径确定方法及装置 | |
US11082290B2 (en) | Method and apparatus for optimizing a software defined network configuration | |
CN108900419B (zh) | Sdn架构下基于深度强化学习的路由决策方法及装置 | |
EP2453612B1 (en) | Bus control device | |
US20120087377A1 (en) | Methods and apparatus for hierarchical routing in communication networks | |
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 | |
CN108833271B (zh) | 一种电网广域控制业务通信路径选择方法及服务器 | |
CN110149226B (zh) | 一种软件定义网络中多控制器部署问题的改进粒子群算法 | |
CN112636991B (zh) | 一种基于中介中心度的多类vnf部署方法 | |
CN115794407A (zh) | 计算资源分配方法、装置、电子设备及非易失性存储介质 | |
CN113612692B (zh) | 基于dqn算法的集中式光片上网络自适应路由规划方法 | |
JP2012100010A (ja) | ネットワーク監視装置、ネットワーク監視システム、ネットワーク監視方法、及びプログラム | |
Cai et al. | SARM: service function chain active reconfiguration mechanism based on load and demand prediction | |
Lei et al. | Deploying QoS-assured service function chains with stochastic prediction models on VNF latency | |
JP6660283B2 (ja) | トラヒック需要予測装置、トラヒック需要予測方法、及びプログラム | |
EP3585013B1 (en) | Data transmission method and apparatus | |
CN103825963B (zh) | 虚拟服务迁移方法 | |
JP2011091751A (ja) | マルチエージェントシステムを用いた候補トポロジ生成方法とトポロジ生成方法およびトポロジ生成システムならびにプログラム | |
CN111200566B (zh) | 一种网络业务流量信息疏导方法及电子设备 | |
CN111901237B (zh) | 源路由选路方法及系统、相关设备及计算机可读存储介质 | |
Yao et al. | Node isolation model and age-based neighbor selection in unstructured P2P networks | |
WO2023130787A1 (en) | Method and apparatus for managing network traffic via uncertainty | |
CN114448838B (zh) | 系统可靠度评估方法 | |
JP5361001B2 (ja) | 経路制御装置、経路制御方法、およびプログラム | |
CN107592269B (zh) | 传输路径的负载信息的方法和网络节点 |
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 |