CN111865793B - 基于功能学习的IPv6网络服务定制化可靠路由系统及方法 - Google Patents
基于功能学习的IPv6网络服务定制化可靠路由系统及方法 Download PDFInfo
- Publication number
- CN111865793B CN111865793B CN202010772253.6A CN202010772253A CN111865793B CN 111865793 B CN111865793 B CN 111865793B CN 202010772253 A CN202010772253 A CN 202010772253A CN 111865793 B CN111865793 B CN 111865793B
- Authority
- CN
- China
- Prior art keywords
- service
- user
- routing
- path
- requirement
- 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
- H04L45/14—Routing performance; Theoretical aspects
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
- H04L41/5051—Service on demand, e.g. definition and deployment of services in real time
-
- 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
- H04L45/54—Organization of routing tables
Abstract
本发明公开一种基于功能学习的IPv6网络服务定制化可靠路由系统及方法,属于网络路由管理技术领域,该系统包括服务定制层和数据转发层,其中服务定制层将用户的需求类型进行整合,实现微观上为每个用户进行定制化服务;数据转发层则根据计算得到的服务路径对路由节点中的路由表进行更新,从而使得用户提出需求的业务数据流沿着服务路径进行传输。本发明面向巨大的用户业务需求量,基于功能学习的服务定制可以有效保证业务传输的性能可靠性和连通可靠性,具有重大的实用意义。
Description
技术领域
本发明涉及网络路由管理技术领域,尤其涉及一种基于功能学习的IPv6网络服务定制化可靠路由系统及方法。
背景技术
随着互联网的发展,IPv6网络的推广很好的解决了现有的IPv4网络地址个数有限的问题,有效地推动了网络产业的发展。网络产业的发展产生了类型各异的应用,不同的应用类型对网络性能的需求不同,每一个用户也会提出个性化的业务需求。而用户在针对不同应用类型所提出的个性化需求对传统路由服务模型产生了巨大的挑战。传统的路由服务配置模型在忽略网络服务提供商利益的因素下,为用户提供了尽力而为的服务模式,这使得网络环境和用户服务满意度进一步恶化。服务定制化概念的提出使得对服务模型的扩展有了新的思路,结合IPv6包头支持流量差异化处理的特性,实现在IPv6网络中从微观上为每一个用户的业务流提供定制化服务。此外,服务路径的性能和连通性极大地影响了端到端服务的可靠性。因此,网络可靠性作为可以很好衡量针对用户的不同业务需求所提供服务的能力的指标。一方面,在当前网络环境中,为用户个性化的业务需求提供传输服务时,网络是否具备服务配置的能力是需要考虑的。另一方面,网络配置的成本逐渐降低,并且随着互联网中节点或者连接设备的性能逐步提升,具有业务需求的用户更加注重网络的可靠性。近年来,有一些研究工作结合服务定制化方法在保证网络路由可靠性方面进行了研究,但是这些工作普遍存在以下问题:(1)对于IPv6网络环境下的路由问题没有很好的适用性,网络功能与专用设备仍存在耦合。(2)在可靠路由的设计上无法实现主动保护和被动恢复两种方式的权衡。
发明内容
针对上述现有技术的不足,本发明提供一种基于功能学习的IPv6网络服务定制化可靠路由系统及方法。
为解决上述技术问题,本发明所采取的技术方案是:一种基于功能学习的IPv6网络服务定制化可靠路由系统,该系统架构如图1所示,包括:服务定制层和数据转发层;
所述服务定制层包含服务定制子模块、功能学习模块和路由计算模块,将用户的需求类型进行整合,并且实现微观上为每个用户进行定制化服务;
所述数据转发层包含可靠性评估模块和状态监控模块,计算服务路径,并根据服务路径对路由节点中的路径表进行更新,使得用户提出需求的业务数据流沿着服务路径进行传输。
所述服务定制子模块对用户的需求文档进行分析处理,然后根据用户的个性化服务需求与ITU-T G.1010中所规定的八大业务的基本业务需求进行服务划分,最终通过经济模型计算得到定制化的路由服务策略。
所述需求文档包含IPv6在传输中所包含的路由特性、对QoS的基础性能需求和增值需求。
所述路由计算模块负责根据得到的定制化路由服务策略中的信息进行路由计算,根据约束的个数分为默认的单约束路由算法和多约束路由算法。
所述路由计算模块在路由计算的过程中需调用可靠性评估模块所得到的可靠性量化指标以提高路由的可靠性。
所述功能学习模块负责结合对用户业务的服务配置信息进行训练以节省基础服务定制流程所花费的时间,并通过用户的服务体验不断优化模型。
所述可靠性评估模块结合链路失效分析方法计算得到网络中的链路失效概率符合幂率分布,并将此作为基础进行不交化计算得到不同的失效情形,最终通过加权系数和得到可靠性的量化指标。
所述状态监控模块负责对当前提供业务传输服务的路径状态进行监控,当发现不满足用户需求或ISP需求时,即服务指标低于用户的最低体验值或高于ISP的最大满意度时,对当前服务进行重配置;另外,对配置服务以及相应的服务路径进行记录,当用户的业务需求存在于历史记录中时,直接检验路径连通性并快速地提供传输服务。
采用所述基于功能学习的IPv6网络服务定制化可靠路由系统进行路由定制的方法,其流程如图2所示,包括如下步骤:
步骤1:获得用户的需求文档,分析用户的业务请求,选择基础服务定制流程或默认定制流程,若选择基础服务定制流程则执行步骤2至步骤5,反之转至执行步骤6;
步骤2:基于对用户业务请求的分析结果,提取用户的基础服务需求和增值服务需求;
步骤3:查询该业务或用户是否存在历史路由配置记录,若具有同样的配置信息且映射的服务路径连通则直接转发;
步骤4:若无历史配置信息或服务路径不连通,则执行步骤5开始定制流程;
步骤5:基础服务定制流程首先启动服务定制子模块针对用户QoS需求进行分析处理,结合用户的需求和当前业务请求的类型进行服务级别的划分,进而根据服务划分的级别和ISP的定价策略设计双赢的服务定制策略,最后路由计算模块根据服务策略中的约束条件计算得到最终的服务路径;
步骤6:默认定制流程基于一种前馈型神经网络的功能学习模型,功能学习模块输入用户对不同类型应用的路由服务需求,输出详细的由功能属性组成的用户功能需求,根据需求调用路由算法得到服务路径;
步骤7:基于确定的定制策略得到服务路径,将路由策略下发到网络节点中,使满足要求的业务流在当前服务路径上进行传输;
步骤8:在传输过程中,可靠性评估模块会量化链路的可靠概率以避免链路失效,状态监控模块会实时对性能指标和路径状态进行监控。
采用上述技术方案所产生的有益效果在于:
1、本发明提出的路由机制将在具有巨大潜力的IPv6环境下,针对用户差异化的服务需求以及对性能和连通性的可靠性需求,实现满足用户个性化需求条件下的一种路由映射,从而实现面向未来的健康合理的网络服务模式。
2、本发明面向巨大的用户业务需求量,基于功能学习的服务定制可以有效保证业务传输的性能可靠性和连通可靠性,具有重大的实用意义。
附图说明
图1为本发明路由机制系统架构图;
图2为本发明服务定制化可靠路由机制流程图;
图3为本发明MAGWO算法流程图;
图4为本发明路由服务功能属性图;
图5为本发明功能学习模型图;
图6为本发明邻居节点缓存条目的状态图;
图7为本发明网络拓扑结构图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,IPv6中基于功能学习的服务定制化可靠路由系统将网络视为一个两层框架的整体,即服务定制层和数据转发层。服务定制层首先需要将用户的需求类型进行整合,并且实现微观上为每个用户进行定制化服务。数据转发层则根据计算得到的服务路径对路由节点中的路由表进行更新,从而使得用户提出需求的业务数据流沿着服务路径进行传输。
服务定制层中包含服务定制模块、功能学习模块和路由计算模块:根据用户的需求信息进行基础的定制化服务流程,包括服务级别的划分以及策略对的构建。结合路由服务的特性,将用户需求与其相映射,最终得到路由实例。在该模块中实现用户和ISP之间的博弈选择,由此不仅需要满足基本需求,还要考虑经济元素,实现多维度的路由决策。另外,在进行路径计算时,进行了多约束路由算法的优化,使得路由算法具有易实现、收敛速度快、种群多样性强的特点。
在数据转发层包含可靠性评估模块和状态监控模块,依据IPv6本身的路由协议,将路由实例下发到网络节点的路由表中。并且在基于可靠性评估算法的基础之外,还需对已配置的服务进行存储,以减少再配置的时间。另外对当前服务路径的性能状态进行监控,当发现不满足需求时及时地进行重配置。
如图2所示,采用所述基于功能学习的IPv6网络服务定制化可靠路由系统进行路由定制的方法,包括如下步骤:
步骤1:获得用户的需求文档,分析用户的业务请求,选择基础服务定制流程或默认定制流程,若选择基础服务定制流程则执行步骤2至步骤5,反之转至执行步骤6;
步骤2:基于对用户业务请求的分析结果,提取用户的基础服务需求和增值服务需求;
步骤2.1:基础服务定义:
定义基础服务属性时,本实施例考虑了带宽、延迟、抖动和丢包率这四个性能指标,并根据这四个指标进行差异化的定制服务过程。由此分析得到的需求如下表1所示,其中表示用户RS个基础需求信息,由于用户提出的请求都是最优的,因此MaxBw1、MinDy1、MinJr1、MinLp1分别为对应指标的最优值。
表1基础服务需求分析表
步骤2.2:增值服务定义:
本实施例在衡量服务性能时,为了适应用户提出的越来越高级的服务需求,考虑了可靠性,安全性的用户增值服务需求。具体表示如下表2所示:
表2增值服务需求表
其中安全类型包含了防火墙和加密操作。加密主要分为三种加密方式:一种是节点加密,一种是链路加密,最后一种是端点加密。三种方式所面对的应用场景是各不相同的。节点加密有效地保证了数据在传输过程中的安全性。与链路加密类似的是都会在传输路径上对数据进行加密操作。在每个中间结点都需要进行解密,然后再进行加密,这样会造成较大时延问题,但是安全性较高。端到端加密提供一种对用户透明的加密方法,使得消息在中间结点不进行加密和解密操作,有效避免了同步问题。这里举例文件传输业务在一般情况下满足其基本服务需求进行路由转发则可。但是有关机密文件等类型的业务进行数据传输时,需要进行增值服务对其进行安全性保障,例如需要一些额外的加密节点或者进行链路加密。在IPv6网络中,这些网络功能仍然与一些专用设备相耦合。所以当用户有增值服务需求时,进行路由选择需要考虑专用化功能设备的位置,基于这些约束进行路由选择。
安全性级别针对网络节点在物理环境中所处的情形,不同网络节点有不同的安全级别,本实施例共设三个安全级别。可靠类型包含了默认的被动恢复和主动的备份路径保护。当采用主动保护时,需要额外占用备份路径的资源,由此需要考虑不同的问题情形。默认的被动恢复则通过原始路由算法进行重新的路由计算,并且达到收敛时,完成路由的恢复过程。可靠级别代表了可靠性指标对路由计算的影响程度,通过路由计算中适应度函数里的权值决定。
步骤3:查询该业务或用户是否存在历史路由配置记录,若具有同样的配置信息且映射的服务路径连通则直接转发;
步骤4:若无历史配置信息或服务路径不连通,则执行步骤5开始定制流程;
步骤5:基础服务定制流程首先启动服务定制子模块针对用户QoS需求进行分析处理,结合用户的需求和当前业务请求的类型进行服务级别的划分,进而根据服务划分的级别和ISP的定价策略设计双赢的服务定制策略,最后路由计算模块根据服务策略中的约束条件计算得到最终的服务路径;
步骤5.1:服务等级划分:
当服务定制模块完成对用户需求的分析处理以后,结合用户的需求和当前业务请求的类型进行服务级别的划分。为了提供差异化的区分服务,本实施例根据参数区间对服务进行划分,假设划分了SL个级别,对应的服务划分表如下表3所示。根据ITU-T G.1010定义了八类应用的基本QoS性能需求,由此结合用户需求得到针对不同参数的需求范围。设ITU标准中定义的某类业务的基本QoS性能参数分别为Bwn、Dyn、Jrn、Lpn,即带宽、延迟、抖动、丢包率。由此根据用户需求得到对应的参数区间为[Bwn,MaxBwn]、[MinDyn,Dyn]、[MinJrn,Jrn]、[MinLpn,Lpn]。
表3登记划分表
步骤5.2:经济模型计算:
本实施例根据服务划分的级别和ISP的定价策略评估用户方和收益方的满意度,构成策略矩阵进行博弈计算,最终实现双赢的服务定制策略。
首先通过模糊数学中的隶属度函数概念拟合双方的满意度曲线,由此得到评估值。评估值越大表明双方对当前业务的性能越认同,即该效用也很大。本实施例设SE(bw),SE(dy),SE(jr),SE(lp)是分别与带宽、延迟、抖动和丢包率相对应的性能满意度。计算到第n类业务的性能指标区间为[Bwn,MaxBwn]、[MinDyn,Dyn]、[MinJrn,Jrn]、[MinLpn,Lpn],其中下限为此类业务的基本性能需求,上限为用户提出的最优需求。假设某个配置服务策略对某一类业务所提供的性能指标为bw、dy、jr和lp,对不同的性能参数的隶属度函数如下方所示。针对用户的带宽需求,定义的带宽评估函数属于一个极大型的高斯隶属度函数,即取值越大,所对应的隶属度越大。由于当带宽等于该类业务最低下限时,用户仍存在满意度,所以这里用趋近于0的ε值来表示。式1是用户的带宽满意度评估函数,其中,Maxbwn和Bwn分别为该类业务的性能指标区间的边界值,且在其他性能指标满意度如延迟、抖动和丢包率的隶属度计算公式中同理。
由此根据所定义的满意度评估函数可以看到,当提供的指标等于或者超过用户期望的服务需求时,代表用户满意度是1,即用户非常满意服务提供的性能。然而当服务提供的性能指标等于此类服务的最基本标准时,用户的满意度是一个属于(0,1)之间且无限趋近于0的常数ε。
用户的服务体验度UBSE计算方法由式2表示,其中表示为四种性能指标满意度的加权和。A为常数,表示对应指标的对用户体验影响的重要程度,且这四个参数的和为1。
UBSE=A1SE(bw)+A2SE(dy)+A3SE(jr)+A4SE (2)
然而用户除了服务满意度之外,用户对价格也存在着满意度,即服务超过用户最大承受价格,则用户不会接受提供的服务。用户对价格的满意度通过式3的隶属度函数评估。其中,price是当前定价策略下的服务价格,Expn是用户对当前业务的期望价格,Maxpn是用户对当前业务的最大承受价格,并假设已知
综合考虑用户服务满意度和价格满意度,最终得到用户的服务满意度为USE,其为用户基础服务满意度与价格满意度的加权和。计算公式如下:
USE=αUBSE+β (4)
α+β=1 (5)
本发明考虑通过调整α和β的值考虑了三种类型的用户:
当α>β时,表示该用户属于追求高质量服务类。
当α=β时,表示该用户属于追求性价比类。
当α<β时,表示该用户属于追求廉价类。
在考虑网络服务提供商的满意度时,本发明通过评估利益满意度来实现评估函数。随着网络的发展,服务提供商是以盈利为目的的商业机构,由此无论是企业管理人员还是技术开发人员,他们是以提供最少的资源来获得最大的利润。由此,在考虑每一个用户服务满意度不为0时,服务提供商将采用相应的服务定价策略使自身获得最大的利润。
步骤5.3:服务定价策略:
结合目前的市场发展,本发明设定了三种服务提供商的定价策略:
第一种是以成本为导向的定价策略,这种定价方法以成本的组成成分着手,考虑固定的不变成本和提供定制化服务时所需的变动成本。在网络路由场景中,固定成本为链路的费用、网络节点的物理安全维护成本等,可变成本为用户预留资源的费用以及备用路径所占用的资源花费。最终使用成本加成法进行服务定价,如下式,fixcostn为路由服务的固定成本,varcostn为可变成本。
costn=fixcostn+varcostn (6)
第二种是以利润为导向的定价策略,考虑当前服务的利润为用户接受该服务概率与利润的乘积,其中,服务接受概率是服务满意度和价格满意度的乘积。具体利润的计算如式7,其中pron为服务的利润,pricen为价格,costn为计算的成本,P为接受该服务的概率。
pron=(pricen-costn)*P (7)
第三种则是以销量为导向的定价策略,在降低利润的情况下,最大化用户接受服务的概率。因此接受概率越大,该服务的销量越多。服务接受概率计算方法如下式(8),这种方法一定程度上会减少服务提供商的利益满意度。
P=UPSE*UBSE (8)
通过三种定价策略,本发明计算相应服务级别的网络服务提供商的利益满意度,具体方法如式9所示。其中,pricep代表在定价策略p下的价格,cost对应服务的成本。
在不单考虑单方面的满意度而进行服务定制时,需要博弈的方法来选择使得服务提供商和用户双赢的定制策略。本发明考虑三种定价策略和服务划分的不同级别对用户和服务提供商的体验值,首先设计相应的策略矩阵。当用户请求的资源小于或等于当前网络提供商的配置能力时,服务提供商通过博弈方案从微观上为每一个用户提供最优的满足其业务需求的服务策略。通过以上设计评估函数,本发明设计如下ISP和用户的策略矩阵:
矩阵中的每一个元素都是相对于策略对<Sln,Pri>的偏好度评估,其中Pri对应不同的定价策略,Sln对应某一类业务下的服务划分类别。本实施例通过博弈计算得到满足纳什均衡的结果集,即包含服务级别和定价方案的策略对,满足纳什均衡的条件如式10所示。
在策略矩阵中,如果存在(Sl*,Pri*)使得公式10对应的不等式组成立,则认为这该策略对是一组Nash均衡解,即将其作为使服务提供商和用户双方共赢的策略对。
步骤5.4:路由计算:
如图3所示,本发明针对服务定制流程计算得到的定制化服务策略,通过路由计算模块根据服务策略中的约束条件计算得到最终的服务路径。本实施例针对实验拓扑中的多约束路由问题,将变异和Metropoils算法相结合,提出一种变异退火灰狼优化算法(Mutation Annealing Grey Wolf Optimazer,MAGWO)。在发生变异时以某种概率留下适应度较差的个体,采用这种方法避免陷入局部最优解以及保持种群多样性。
灰狼优化算法模拟了灰狼的领导层次和狩猎模式,将种群按照个体适应度划分为多个等级。由上到下适应度依次降低,并且越靠近顶端的狼群距离最优解的位置越近,等级高的头狼带领狼群搜寻猎物并最终捕获猎物。
本实施例定义源到目的节点之间的路径集为解空间,根据路径随机生成相应的概率矩阵,并且使用适应度函数计算其适应度,式11是本实施例的优化目标,即最小化路径费用cost(esd)和最大化可靠性指标Re(Pi)。
式(12)是问题的约束条件,即带宽、延迟、抖动和丢包率指标均小于服务策略中的参数值,其中s为用户请求的源点,d为目的节点,esd为两点间所包含的链路,根据各个指标的加性、乘性等特征计算路径对应的性能指标。
本实施例针对多约束路由问题,提出一种罚函数法构造辅助函数,该辅助函数将有约束问题转变为无约束问题进行求解。本实施例构造的适应度函数如式(13)所示:
其中,不同的参数T对应指标的权重值,由具体的网络环境和需求情形决定,且和为1。
其中,φ(x)表示惩罚项,若不满足QoS约束则为1,否则为(0,1)之间的惩罚因子,如式(15):
完成适应度函数的构建以后,对MAGWO算法的流程进行阐述。传统的灰狼优化算法在解决连续型的最优化问题上已有很多的研究内容,且具有较好的性能表现。路由问题作为一种离散型的最优化问题,在个体的构建上一直是比较重要问题。
本实施例在传统的一些遗传算法的研究中,将路径中的链路状态值作为个体编码的方法。考虑优化算法的性能,本发明构建狼群个体位置时,通过链路概率矩阵进行实现,具体表示方法如式(16)。
其中,当拓扑中共有Node个节点时,pl(e01)表示从节点0出发,选择节点1的概率值,且概率区间为(0,1)。此时,对应行表示起点坐标,并且与所有可选择的下一坐标之间链路的概率和为1。另外,为了避免在路由选择中形成环路,在概率矩阵更新时,将当前节点到已选择节点之间的链路选择概率设置为0。最终,按照式(17)更新矩阵中链路选择概率的值,并且以行为单位进行归一化处理。其中,pl(esd)为经过灰狼优化算法计算后,概率矩阵中元素的值,pl′(esd)为标准化后的概率值。
在传统的GWO算法中,灰狼位置的更新依靠参数A进行调整,且最优解的搜索过程是以头狼的位置决定的。这个过程存在易陷入局部最优的问题。所以在确定头狼位置后,对其位置以一定概率进行变异操作,提高全局的搜索能力。通过执行变异退火操作,使得头狼的位置在一定条件下发生变化,有效地解决了陷入局部最优解的问题。最终本发明实现的变异退火模拟优化算法的流程图如图3所示。在确保原始种群的最优化的基础之上,对变异后的个体进行判断,有效地解决了在传统算法之中,易陷于局部最优的难题。
步骤6:默认定制流程基于一种前馈型神经网络的功能学习模型,功能学习模块输入用户对不同类型应用的路由服务需求,输出详细的由功能属性组成的用户功能需求,根据需求调用路由算法得到服务路径;
步骤6.1:功能属性定义:
如图4所示:本实施例考虑路由服务的QoS特性,设计了功能需求模型,其中有基础服务属性,包括带宽、延迟等性能指标。增值服务属性是对路由服务的非功能需求,本实施例考虑了安全性、可靠性两个指标,并且具备良好的扩展性能。如图4所示,在基础服务需求中,每个参数的分支分别由用户对该类应用最好的需求到ITU-T标准所定义的该类应用基本QoS参数这一区间进行划分,形成多个类别。增值服务需求则按照所提供的路由功能进行划分,以此为基础设计我们的功能学习模型。
步骤6.2:功能学习网络模型设计:
如图5所示:本实施例设计了一种设计了一种基于前馈型神经网络的功能学习模型。通过输入用户对某类型应用的路由服务需求,如带宽、安全性等,可以输出详细的由功能属性组成的用户功能需求,进而更好的进行服务定制。功能学习模型如图5所示,其中,输入集合IR为用户对某类型应用的路由服务需求,如带宽、安全性等。输出集合OF为模型输出的用户服务需求,其由各个功能属性组成。每层神经元之间是完全互连的,且同层的神经元之间不存在连接。
功能学习网络模型中的相关定义在下表4中进行阐述,其中包含了输入层、隐层和输出层的神经元集合、各个神经元的输入和输出集合以及不同层神经元之间的连接权值的集合等。
表4功能学习网络模型参数定义
根据不同的训练样例,功能学习模型采用反向传播算法对权值参数进行调整,由此不断优化训练目标。
对于神经网络的训练样例定义为<IR,NF>,其中IR作为用户对某类应用需求的粗粒度特性,OF则对应定制化流程得到细粒度的由服务功能。若选择对应的服务功能,则该值为1,反为0。在隐层和输出层的各个神经元内的激活函数使用经典的Sigmoid函数,如下:
因此,经过激活函数处理后的YSR和QF是属于(0,1)内的数值,表示选择对应功能的概率值。由此通过最后得到输出集合OF和训练样例NF计算得到了均方差值E,如下所示:
根据反向传播算法的定义,本发明采用梯度下降的思想,通过训练用例的目标值的负梯度方向对参数进行调整。整个调整方式采用一种感知机学习规则实现的,相应参数的调整方式如式(20)。并且通过式(19)计算的误差E,在给定学习率ε的条件下结合链式法则,得到如下公式(21):
x=x+Δx (20)
可以发现YSRnm首先会影响第m个输出层的神经元输入值ISRm,然后依次再影响输出值直到最后的E,因此有如下公式(22):
另外,结合输出层神经元输入值lSRm的特性可得:
考虑Sigmoid函数导数的良好性质,并结合神经网络输出计算公式和均方差公式可得:
因此,将式(22)和(24)带入(21)就得到了对应权值的更新公式,如式25所示。类似可得到输入层到隐层的连接权值的更新值,如式(26)。
ΔYSRnm=εbkOYn (25)
ΔSYjn=εgnOSj (26)
其中,公式(27)中的gn计算公式如下:
在计算过程中,学习率ε控制着反向传播算法在每一次的迭代过程中都会更新相应的步长大小。学习率数值的大小会对算法的收敛速度产生影响,因此在适当时候将会进行调整。通过对配置信息进行训练,有效节省了基础服务定制流程所花费的计算时间。
步骤7:基于确定的定制策略得到服务路径,将路由策略下发到网络节点中,使满足要求的业务流在当前服务路径上进行传输;
步骤8:在传输过程中,可靠性评估模块会量化链路的可靠概率以避免链路失效,状态监控模块会实时对性能指标和路径状态进行监控。
步骤8.1:首先计算得到节点之间全部的路由;
步骤8.2:计算节点间全部路由各自的不交化链路状态集;
图6所示是邻居节点缓存条目的状态,本实施例在判断邻居节点之间的可达性除了通过上层协议判断以外,在IPv6环境中可以采用邻居请求信息和邻居节点通告信息来确认可达性,即通过监视邻居节点缓存中的邻居节点条目的状态,就可以判断出邻居节点是否是可达的。
本实施例在进行可靠性评估计算时,传统方法是首先找出节点之间可能存在的全部路由R1,R2,...,Rm,路由正常传输表示至少有一条路由畅通,用S表示路由服务正常,则有如下的全概率公式:
可是当网络规模增大,使用全概率公式计算将异常繁琐,另外很难将业务需求特征考虑进来。因此常用的方法是引入不交化计算方法求得不同情形下的路集,并且可靠性指标等于这些不交路集的概率和,这种计算方法简化了节点间不同失效情形下的概率值。
举例在图7的拓扑结构下,评估节点1到节点4的可靠性。其中,节点间状态定义如式(29)所示:
首先通过深度优先搜索算法计算得到节点1与节点4之间全部的路由,并表示为如下:
R=X1X4+X2X5+X1X3X5+X2X3X4 (30)
其中的链路通过两个变量进行表示,当链路正常时,变量取值为Xi。而当链路发生失效时,变量取值为每条路由中,不相关链路通过无关项u表示。例如在路由L1中,通过无关项表示后的路由表达式为X1uuX4u。由此可见,具有无关项多的表达式可以包含对应无关项较少的表达式,例如X1uuX4包含表达式X1uX3X4。所以在全部路由表达式中,需要对表达式的内容进行化简,从而避免两个逻辑表达式产生交集的情况。
其次,不交化链路状态集合计算的方法即将路由表达式中的无关项用正常变量和失效变量逐项替换。在该集合中,链路状态相互之间是互斥的。对L1进行不交化链路状态计算得到:
以上是对端点间路由状态的不交化计算,由此极大降低了传统全概率公式的复杂度。在评估路径的可靠性时,通过不相交计算得到该路径的不交化集合,并且可靠性指标等于这些不交路集的概率和,合理的实现了可靠性的计算。
步骤8.3:计算各不交化链路状态下的带宽容量;
步骤8.4:计算当前路由的加权可靠性指标;
本实施例为了体现差异化的服务特征,在传统的通过连通性评估可靠性的基础上赋予一个不超过1的加权值。通过差异化的服务需求与连通性相结合,进一步的优化了定制化服务的性能。
在设计权值时,根据当前网络带宽容量,定义一个大小与链路数相同的矢量C,其中每个元素为链路当前的可用带宽。例如,根据图7的拓扑情况,设定的带宽容量矢量C表示如下:
C={C1,C2,C3,C4,C5} (32)
其次,为属于某一不交化链路状态的全部路由设定一个BW值,作为能够从Ci中相应一个元素中减掉且不使这些位置上出现符号的最大值,并且记录BW值和修改Ci值,最终BW值的和,即BWij(sij(t))因此就是要计算的链路状态的带宽容量,具体计算公式如下:
其中,Bwij(sij(t))为在不交化网络拓扑状态sij(t)时,节点i到节点j之间理论上能够被利用的带宽容量。Bwij(ST)为节点i到节点j之间业务ST的期望带宽容量。
在上述拓扑中,路由L1的可靠性指标计算如下所示,其中式(34)是路由L1的不交化链路状态集,式(35)是通过加权值的方式计算得到的可靠性指标:
其中,p和q分别为已知链路失效概率和与其对应的互补值。
Claims (4)
1.一种基于功能学习的IPv6网络服务定制化可靠路由系统,其特征在于:包括服务定制层和数据转发层;
所述服务定制层包含服务定制子模块、功能学习模块和路由计算模块,将用户的需求类型进行整合,并且实现微观上为每个用户进行定制化服务;
所述服务定制子模块对用户的需求文档进行分析处理,然后根据用户的个性化服务需求与ITU-T G.1010中所规定的八大业务的基本业务需求进行服务划分,最终通过经济模型计算得到定制化的路由服务策略;
所述路由计算模块负责根据得到的定制化路由服务策略中的信息进行路由计算,根据约束的个数分为默认的单约束路由算法和多约束路由算法;
所述功能学习模块负责对用户业务的服务配置信息进行训练以节省基础服务定制流程所花费的时间,并通过用户的服务体验不断优化模型;
所述数据转发层包含可靠性评估模块和状态监控模块,计算服务路径,并根据服务路径对路由节点中的路径表进行更新,使得用户提出需求的业务数据流沿着服务路径进行传输;
所述可靠性评估模块结合链路失效分析方法计算得到网络中的链路失效概率符合幂率分布,并将此作为基础进行不交化计算得到不同的失效情形,最终通过加权系数和得到可靠性的量化指标;
所述状态监控模块负责对当前提供业务传输服务的路径状态进行监控,当发现不满足用户需求或ISP需求时,即服务指标低于用户的最低体验值或高于ISP的最大满意度时,对当前服务进行重配置;另外,对配置服务以及相应的服务路径进行记录,当用户的业务需求存在于历史记录中时,直接检验路径连通性并快速地提供传输服务。
2.根据权利要求1所述的基于功能学习的IPv6网络服务定制化可靠路由系统,其特征在于:所述需求文档包含在IPv6网络中传输业务数据中所包含的路由特性、对QoS的基础性能需求和增值需求。
3.根据权利要求1所述的基于功能学习的IPv6网络服务定制化可靠路由系统,其特征在于:所述路由计算模块在路由计算的过程中需调用可靠性评估模块所得到的可靠性量化指标以提高路由的可靠性。
4.采用权利要求1所述的基于功能学习的IPv6网络服务定制化可靠路由系统进行路由定制的方法,其特征在于包括如下步骤:
步骤1:获得用户的需求文档,分析用户的业务请求,选择基础服务定制流程或默认定制流程,若选择基础服务定制流程则执行步骤2至步骤5,反之转至执行步骤6;
步骤2:基于对用户业务请求的分析结果,提取用户的基础服务需求和增值服务需求;
步骤3:查询该业务或用户是否存在历史路由配置记录,若具有同样的配置信息且映射的服务路径连通则直接转发;
步骤4:若无历史配置信息或服务路径不连通,则执行步骤5开始定制流程;
步骤5:基础服务定制流程首先启动服务定制子模块针对用户QoS需求进行分析处理,结合用户的需求和当前业务请求的类型进行服务级别的划分,进而根据服务划分的级别和ISP的定价策略设计双赢的服务定制策略,最后路由计算模块根据服务策略中的约束条件计算得到最终的服务路径;
步骤6:默认定制流程基于一种前馈型神经网络的功能学习模型,功能学习模块输入用户对不同类型应用的路由服务需求,输出详细的由功能属性组成的用户功能需求,根据需求调用路由算法得到服务路径;
步骤7:基于确定的定制策略得到服务路径,将路由策略下发到网络节点中,使满足要求的业务流在当前服务路径上进行传输;
步骤8:在传输过程中,可靠性评估模块会量化链路的可靠概率以避免链路失效,状态监控模块会实时对性能指标和路径状态进行监控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010772253.6A CN111865793B (zh) | 2020-08-04 | 2020-08-04 | 基于功能学习的IPv6网络服务定制化可靠路由系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010772253.6A CN111865793B (zh) | 2020-08-04 | 2020-08-04 | 基于功能学习的IPv6网络服务定制化可靠路由系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111865793A CN111865793A (zh) | 2020-10-30 |
CN111865793B true CN111865793B (zh) | 2021-07-13 |
Family
ID=72953213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010772253.6A Active CN111865793B (zh) | 2020-08-04 | 2020-08-04 | 基于功能学习的IPv6网络服务定制化可靠路由系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111865793B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113472659B (zh) * | 2021-07-02 | 2023-04-18 | 中国电信股份有限公司 | 转发路径的确定方法、装置及sdn控制器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102104633A (zh) * | 2009-12-17 | 2011-06-22 | 康佳集团股份有限公司 | 一种基于IPv6组播技术定制实时资讯的方法及系统 |
CN103259717A (zh) * | 2012-02-17 | 2013-08-21 | 华为技术有限公司 | 一种基于策略定制的路由方法和设备 |
CN109802890A (zh) * | 2019-03-29 | 2019-05-24 | 东北大学 | 一种基于IPv6的服务定制化可靠路由系统及方法 |
US10404549B2 (en) * | 2016-07-28 | 2019-09-03 | At&T Intellectual Property I, L.P. | Applying machine learning to heterogeneous data of existing services to generate a new service |
CN111371830A (zh) * | 2019-11-26 | 2020-07-03 | 航天科工网络信息发展有限公司 | 一种万网融合场景下基于数据驱动的智能协同云架构 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100563221C (zh) * | 2006-05-26 | 2009-11-25 | 华为技术有限公司 | 一种终端地址相关信息获取方法及系统 |
US8762464B2 (en) * | 2006-10-31 | 2014-06-24 | Blackberry Limited | Email message creation |
US10719562B2 (en) * | 2013-12-13 | 2020-07-21 | BloomReach Inc. | Distributed and fast data storage layer for large scale web data services |
CN109614419B (zh) * | 2018-12-05 | 2022-04-29 | 湖南科技大学 | 一种面向命名数据网络的知识服务路由挖掘方法 |
-
2020
- 2020-08-04 CN CN202010772253.6A patent/CN111865793B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102104633A (zh) * | 2009-12-17 | 2011-06-22 | 康佳集团股份有限公司 | 一种基于IPv6组播技术定制实时资讯的方法及系统 |
CN103259717A (zh) * | 2012-02-17 | 2013-08-21 | 华为技术有限公司 | 一种基于策略定制的路由方法和设备 |
US10404549B2 (en) * | 2016-07-28 | 2019-09-03 | At&T Intellectual Property I, L.P. | Applying machine learning to heterogeneous data of existing services to generate a new service |
CN109802890A (zh) * | 2019-03-29 | 2019-05-24 | 东北大学 | 一种基于IPv6的服务定制化可靠路由系统及方法 |
CN111371830A (zh) * | 2019-11-26 | 2020-07-03 | 航天科工网络信息发展有限公司 | 一种万网融合场景下基于数据驱动的智能协同云架构 |
Non-Patent Citations (4)
Title |
---|
A case study of IPv6 Network Performance:Packet Delay,Loss,and Reordering;Fuliang Li et al;《MPIE》;20171031;全文 * |
A comprehensive survey of Network Function Virtualization;Bo Yi et al.;《Computer Networks》;20180131;全文 * |
Name Lookup in Named Data Networking : A Review;Al-qutwani Majed et al.;《MDPI》;20190226;全文 * |
基于ICN网络架构的社区感知型MSN路由机制;石峻岭;《软件学报》;20200608;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111865793A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106464593B (zh) | 一种优化路由数据流的系统和方法 | |
Zhang et al. | Model and algorithms for the planning of fog computing networks | |
CN112202672A (zh) | 一种基于业务服务质量需求的网络路由转发方法和系统 | |
Liao et al. | Accurate sub-swarms particle swarm optimization algorithm for service composition | |
Ghosh et al. | A cognitive routing framework for reliable communication in IoT for industry 5.0 | |
Zhang et al. | Intelligent content-aware traffic engineering for SDN: An AI-driven approach | |
CN114143264A (zh) | 一种SRv6网络下基于强化学习的流量调度方法 | |
CN105681438A (zh) | 内容中心网络中一种集中式的缓存决策策略 | |
CN114697229A (zh) | 一种分布式路由规划模型的构建方法及应用 | |
Huang et al. | Intelligent traffic control for QoS optimization in hybrid SDNs | |
CN111865793B (zh) | 基于功能学习的IPv6网络服务定制化可靠路由系统及方法 | |
Holme et al. | An integrated model of traffic, geography and economy in the internet | |
Almasan et al. | ENERO: Efficient real-time WAN routing optimization with Deep Reinforcement Learning | |
CN115277115A (zh) | 一种用于解决网络上鲁棒信息传播问题的方法及系统 | |
Tuyishimire et al. | Modelling and analysis of interference diffusion in the internet of things: An epidemic model | |
Wei et al. | GRL-PS: Graph embedding-based DRL approach for adaptive path selection | |
Zhou et al. | Multi-task deep learning based dynamic service function chains routing in SDN/NFV-enabled networks | |
Li et al. | Network topology optimization via deep reinforcement learning | |
CN112260953A (zh) | 一种基于强化学习的多通道数据转发决策方法 | |
Aswini et al. | Artificial Intelligence Based Smart Routing in Software Defined Networks. | |
CN116938810A (zh) | 一种基于图神经网络的深度强化学习sdn智能路由优化方法 | |
Wang et al. | An efficient and reliable service customized routing mechanism based on deep learning in IPv6 network | |
Alipio et al. | Deep Reinforcement Learning perspectives on improving reliable transmissions in IoT networks: Problem formulation, parameter choices, challenges, and future directions | |
Guo et al. | Traffic Engineering in a Shared Inter-DC WAN via Deep Reinforcement Learning | |
Rao et al. | A deep learning-based constrained intelligent routing method |
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 |