CN112469102A - 一种面向时变网络的主动网络拓扑构建方法及系统 - Google Patents
一种面向时变网络的主动网络拓扑构建方法及系统 Download PDFInfo
- Publication number
- CN112469102A CN112469102A CN202011250831.6A CN202011250831A CN112469102A CN 112469102 A CN112469102 A CN 112469102A CN 202011250831 A CN202011250831 A CN 202011250831A CN 112469102 A CN112469102 A CN 112469102A
- Authority
- CN
- China
- Prior art keywords
- network
- situation
- time
- varying
- topology construction
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 230000010354 integration Effects 0.000 claims abstract description 11
- 230000002776 aggregation Effects 0.000 claims abstract description 8
- 238000004220 aggregation Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000008447 perception Effects 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 230000010485 coping Effects 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013144 data compression Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012067 mathematical method Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出一种面向时变网络的主动网络拓扑构建方法及系统，该方法包括以下步骤：(1)采集时变网络中与网络态势相关的原始数据并进行预处理；(2)对预处理后的原始数据进行特征提取，得到时变网络态势特征，并基于提取的特征数据构建态势参数集；(3)基于步骤(2)构建的态势参数集，通过广播的方式进行态势参数信息全网共享，实现全网态势信息聚合；(4)进行全网态势信息整合和态势预测，获得当前时刻和下一时刻的时变网络态势参数值，依据实际业务约束条件做相应的拓扑构建决策。本发明解决了现有拓扑构建方法应对时变网络自适应能力不足的问题。
Description
技术领域
本发明涉及无线通信领域，具体涉及一种面向时变网络的主动网络拓扑构建方法及系统。
背景技术
网络拓扑构建是进行网络信息高效传输的重要条件。网络的数据承载能力、鲁棒性等重要性能都和网络拓扑结构息息相关，高效合理的网络拓扑结构在提高网络传输能力和网络稳定性方面起着重要的作用。
时变网络是当今网络通信领域的研究热点，呈现出网络拓扑时变、网络资源时变、承载业务时变等特性。具体来说，网络拓扑时变性质指的是网络链路频繁中断，链路时延随时间动态变化，导致网络拓扑出现较大的变动，具有很强的动态属性；网络资源时变性质指的是链路带宽、节点存储、节点计算等网络资源随时间动态变化；承载业务时变性，网络中承载着各式各样的业务流，业务大小及数量动态变化，且不同业务具有差异化的QoS需求。
但是现有的大多数网络拓扑构建方法本质上是静态的，忽视了网络中遍历链路需要的时间，且默认网络节点态势信息是稳定维持的，采取单一的拓扑构建策略。难以满足实际业务的需求，随着网络规模快速扩张，网络流的数量和类型急剧增加，为了利用有效的网络资源，保证不同类型的业务需求，针对不同业务制定合理的拓扑构建策略是迫切的需求。
发明内容
发明目的：本发明旨在针对现有网络拓扑构建方法存在的拓扑构建策略单一、适应时变网络能力弱的问题，提出一种面向时变网络的主动网络拓扑构建方法与系统，以解决了现有拓扑构建方法应对时变网络自适应能力不足的问题。
技术方案：为实现上述目的，本发明提出一种面向时变网络的主动网络拓扑构建方法，包括以下步骤：
(1)采集时变网络中与网络态势相关的原始数据并进行预处理；
(2)对预处理后的原始数据进行特征提取，得到时变网络态势特征，并基于提取的特征数据构建态势参数集；
(3)基于步骤(2)构建的态势参数集，通过广播的方式进行态势参数信息全网共享，实现全网态势信息聚合；
(4)进行全网态势信息整合和态势预测，获得当前时刻和下一时刻的时变网络态势参数值，依据实际业务约束条件做相应的拓扑构建决策。
进一步的，所述态势参数集内的特征数据包括：节点拥塞概率、节点对相对稳定度、平均带宽、平均时延、平均丢包率。
进一步的，所述特征提取的方式包括：将单个节点指标转变为节点对特性，以及将多个单一的指标融合转换为少数的综合指标。
进一步的，所述步骤(3)中进行态势参数信息全网共享之前，还要对所要共享的数据进行网络编码和网络解码，以降低节点转发的数据量，然后再依据实际业务需求判断相关态势参数信息的变化，自适应调整态势信息的分发速率。
进一步的，所述全网态势信息整合的方法为：将多组点到点态势数据整合成全局态势信息图，以对态势参数集中的参数进行全局表征；所述全局态势信息图的实现方式包括：全网邻接矩阵、全网连通矩阵、全网拥塞态势三元组、全网稳定性态势三元组、全网带宽态势三元组、全网时延态势三元组、全网丢包率态势三元组。
进一步的，所述步骤(4)中进行态势预测的方法包括：时间序列方法、SVM、神经网络模型。
进一步的，所述拓扑构建决策的具体步骤为：
(a)获取节点业务需求，提取QoS约束条件及源节点和目的节点，构建指标体系；
(b)判断业务的源节点和目的节点路径可达性；
(c)依据节点对稳定态势和节点拥塞态势当前值和预测值对网络的邻接矩阵添加惩罚因子，构建加权邻接矩阵；
(d)依据QoS约束条件对步骤(c)的加权邻接矩阵进行减枝处理；
(f)采用最短路径算法，基于步骤(d)生成的加权邻接矩阵，按照最稳定原则生成最短链路，做出业务拓扑构建决策。
本发明还提出一种面向时变网络的主动网络拓扑构建系统，用于实现所述方法，该系统包括：网络态势感知模块、网络信息分发模块、网络拓扑构建模块；下面分别阐述各模块的组成：
(一)网络态势感知模块，实现网络原始数据到表征网络态势的态势参数的转化，包括(1)网络态势监测单元、(2)态势参数集构建单元，具体构成如下：
(1)网络态势监测单元
网络态势监测单元，完成网络原始数据提取和参数预处理。具体分为二步：(a)原始数据提取过程，①通过物理层感知信号强度来监测节点的信噪比等；②通过统计数据链路层的分组接收重传情况来感知节点的容量以及节点对之间的通信带宽、时延、丢包率。(b)原始数据预处理过程包括：①去量纲处理，将数据统一变换为无单位的数据集，实现数据格式统一；②平滑处理，将单一时间参数值转化为一个时间段的平均值。
(2)态势参数集构建单元
网络态势特征提取单元，对网络态势监测单元处理后的原始数据进行特征提取，构建态势参数集。
(a)特征提取步骤主要采取两种方法：①将单个节点指标转变为节点对特性；②将多个单一的指标融合转换为少数的综合指标。(b)态势参数集的构成包括：①节点拥塞概率②节点对相对稳定度③平均带宽④平均时延⑤平均丢包率。
(二)网络信息分发模块
网络信息分发模块，通过广播的方式进行态势参数信息全网共享，实现全网态势信息聚合。包括(1)信息编解码单元、(2)广播控制单元，具体构成如下：
(1)信息编解码单元
信息编解码单元实现数据压缩和解压缩，对转发的态势参数信息进行网络编码和网络解码，降低节点转发的数据量，可采用的数据压缩方式，如线性网络编码、随机线性网络编码。
(2)广播控制单元
广播控制单元，依据实际业务需求判断相关态势参数信息的变化，实现自适应调整态势信息的分发速率。
(三)网络拓扑构建模块
网络拓扑构建模块，完成了基于全局态势感知结果的拓扑构建决策功能，由(1)态势整合单元、(2)态势预测单元、(3)拓扑构建决策单元组成，具体组成如下：
(1)态势整合单元
态势整合单元，将多组点到点态势数据整合成全局态势信息图，对态势参数集中的参数进行全局表征，全局态势信息图包括①全网邻接矩阵②全网连通矩阵③全网拥塞态势三元组④全网稳定性态势三元组⑤全网带宽态势三元组⑥全网时延态势三元组⑦全网丢包率态势三元组。
(2)态势预测单元
态势预测单元，根据态势的历史数据和当前态势参数值，借助一定的数学模型和方法，如时间序列方法、SVM、神经网络模型，对下一时刻的态势值做预测。
(3)拓扑构建决策单元
拓扑构建决策单元，基于态势整合和态势预测结果，结合实际业务需求构建的指标体系完成拓扑构建决策。包括以下步骤：
(a)获取节点业务需求，提取QoS约束条件及源节点和目的节点，构建指标体系；
(b)判断业务的源节点和目的节点路径可达性；
(c)依据节点对稳定态势和节点拥塞态势当前值和预测值对网络的邻接矩阵添加惩罚因子，构建加权邻接矩阵；
(d)依据QoS约束条件对步骤(c)的加权邻接矩阵进行减枝处理；
(f)根据最短路径算法，如迪杰斯特拉算法或Bellman-Ford算法，根据步骤(d)生成的加权邻接矩阵按照最稳定原则生成最短链路，做出业务拓扑构建决策。
有益效果：与现有技术相比，本发明具有以下优势：
相比于传统的拓扑构建方法，本发明通过合理的参数集构建表征时变网络的多种特性，通过动态控制信令消息转发速率，有效避免广播风暴和减少网络资源消耗，通过面向实际QoS需求动态主动构建拓扑避免传统的单一构建策略带来的业务传输效率低下的问题，结合态势感知和态势预测结果进行决策提高决策的准确性和有效性。
附图说明
图1是本发明实例提供的网络态势感知模块示意图；
图2是本发明实例提供的广播控制流程示意图；
图3是本发明实例提供的网络拓扑构建模块示意图；
图4是本发明实例提供的态势预测单元预测流程示意图；
图5是本发明实例提供的拓扑构建决策流程示意图；
图6是本发明实例提供的矩阵表示及剪枝处理示意图；
图7是本发明实例提供的态势参数信息表征示意图；
图8是本发明实例提供的拓扑构建实例示意图；
图9是整体系统架构示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明旨在针对现有网络拓扑构建方法存在的拓扑构建策略单一、适应时变网络能力弱的问题，提出一种面向时变网络的主动网络拓扑构建方法与系统。所述面向时变网络的主动网络拓扑构建方法，包括以下步骤：
(1)采集时变网络中与网络态势相关的原始数据并进行预处理；
(2)对预处理后的原始数据进行特征提取，得到时变网络态势特征，并基于提取的特征数据构建态势参数集；
(3)基于步骤(2)构建的态势参数集，通过广播的方式进行态势参数信息全网共享，实现全网态势信息聚合；
(4)进行全网态势信息整合和态势预测，获得当前时刻和下一时刻的时变网络态势参数值，依据实际业务约束条件做相应的拓扑构建决策。
在上述方法中，所述态势参数集内的特征数据包括：节点拥塞概率、节点对相对稳定度、平均带宽、平均时延、平均丢包率。所述特征提取的方式包括：将单个节点指标转变为节点对特性，以及将多个单一的指标融合转换为少数的综合指标。
具体的，所述步骤(3)中进行态势参数信息全网共享之前，还要对所要共享的数据进行网络编码和网络解码，以降低节点转发的数据量，然后再依据实际业务需求判断相关态势参数信息的变化，自适应调整态势信息的分发速率。
具体的，所述全网态势信息聚合的方法为：将多组点到点态势数据整合成全局态势信息图，以对态势参数集中的参数进行全局表征；所述全局态势信息图的实现方式包括：全网邻接矩阵、全网连通矩阵、全网拥塞态势三元组、全网稳定性态势三元组、全网带宽态势三元组、全网时延态势三元组、全网丢包率态势三元组。
具体的，所述步骤(4)中进行态势预测的方法包括：时间序列方法、SVM、神经网络模型。
进一步的，所述拓扑构建决策的具体步骤为：
(a)获取节点业务需求，提取QoS约束条件及源节点和目的节点，构建指标体系；
(b)判断业务的源节点和目的节点路径可达性；
(c)依据节点对稳定态势和节点拥塞态势当前值和预测值对网络的邻接矩阵添加惩罚因子，构建加权邻接矩阵；
(d)依据QoS约束条件对步骤(c)的加权邻接矩阵进行减枝处理；
(f)采用最短路径算法，基于步骤(d)生成的加权邻接矩阵，按照最稳定原则生成最短链路，做出业务拓扑构建决策。
本发明还提出用于实现上述方法的面向时变网络的主动网络拓扑构建系统，如图9所示，由网络态势感知模块、网络信息分发模块、网络拓扑构建模块组成，下面结合附图和具体实施例来对这三个模块加以说明。
图1是本实例提供的网络态势信息感知模块示意图，由(1)态势监测单元、(2)态势特征提取单元组成，具体构成如下：
(1)网络态势监测单元
态势监测单元实现网络相关原始参数的提取和预处理。包括①原始参数提取②原始参数预处理，具体包括两个步骤：(a)网络原始数据提取方式主要包括两种：①通过物理层感知信号强度来感知信噪比；②通过统计数据链路层的分组发送接收重传情况来评价链路和节点的质量参数，如节点容量及带宽、时延、丢包率。(b)原始数据由于参数形式多种多样，需要进行统一的数据预处理过程，数据进行去量纲处理、平滑处理。①去量纲处理过程，将数据统一变换为无单位的数据集。②平滑处理过程，主要包括对数据进行平均值处理。如获取的QoS原始参数值基本都是瞬时信息，对于评价链路的QoS质量意义不大，需要进行平均处理，表示时刻t到时刻t+Δt之间的平均状态，D(m，n)，B(m，n)，S(m，n)分别表示平均时延、平均带宽、平均抖动，定义如下
(2)态势参数集构建单元
原始数据虽然具有灵敏度高，实时性好的特征，但也存在参数过于细化、涉及的指标面过窄，同时易受阴影衰落和噪声衰落影响等问题。为了合理表征网络的状态，本发明在原始数据的基础上，进行相应的特征提取，构建相应的态势信息参数集。
特征提取主要采取以下两种方式：①将单个节点的中心性指标如节点度和节点的聚集系数转变为节点对特性；②将多个单一的指标融合转换为少数的综合指标，降低维度。
构建出如下的态势信息参数集：
| P<sub>(m，n)</sub> | f<sub>B</sub>(n) | D<sub>(m，n)</sub> | B<sub>(m，n)</sub> | S<sub>(u，v)</sub> |
具体提取过程如下：
(a)P(m，n)表示节点对m，n之间的稳定程度，链路的稳定程度是衡量链路动态性的重要指标，定义为一个采样时间间隔之内，节点对之间传输路径改变数目和节点对之间总数比值。计算公式为：
表示节点对(m，n)在时间t到t-1的采样间隔中，传输路径的改变数目，取值可以实0或者1分别表示有改变和没有改变。
(b)fB(n)用于表征某一节点出现转发队列拥塞的概率，节点m的节点度k，任意时刻与邻居节点交换的信息量为1，那么在任意时刻节点m最大负载定义为L＝kl，假设节点转发队列的容量为C0，那么在任意时刻由数据拥塞造成的节点失效的概率
(c)D(m，n)、B(m，n)、S(u，v)共同表征节点对之间的QoS质量态势，分别表示平均时延、平均带宽、平均丢包率。
网络信息分发模块，将态势参数信息进行全网共享，实现全网态势信息聚合。包括①信息编解码单元②广播控制单元，具体构成如下：
(1)信息编码解码单元
信息编解码单元实现数据压缩和解压缩，对转发的态势参数信息进行网络编码和网络解码，常见的网络编码方式包括机会式网络编码、线性网络编码、随机网络编码，其中随机线性编码方式对高动态的时变网络有很好的适应性，将M个原始数据包线性组合成一个编码包，第i个编码包可以表示为
为随机均匀选取的编码向量，{S1，S2，...SM}为源数据包，编码过程可以通过矩阵形式AS＝Y方式表示，则解码过程源数据包通过S＝A-1Y解出。
(2)广播控制单元
广播控制单元实现动态广播速率控制，可以在Trickle算法的基础上，根据业务情况提出一种动态阈值匹配规则。nickle算法是一种自适应信息分发机制，每个网络节点通过定时器来管理Trickle消息的发送，运用Trickle算法只需要维护很小的开销，就能够适应网络节点密度规模的变化，快速传播网络的更新，均匀分配传输负载。
图2是本发明实例提供的广播控制流程示意图：
(a)初始化定时器时间间隔I为[I1，I2]内的随机值，I1为最小时隙定为100ms，I2为最大时隙，定义为最小时隙的倍数，开始第一个时隙；
(b)第一个时隙开始时，定义一个计数器C为0，t为
内的一个随机值；
(c)收到一个邻居的信令消息之后，首先判断是否重复接收，给每个消息中加上节点时间标签来对比判断分组是否重复接收；
(d)然后判断信令消息所包含态势参数信息的一致性，判断规则为节点检测当前业务需求，给不同态势参数添加权重，态势参数i的权重为wi，满足w1+w2+…+wn＝1，wi表示当前态势指标对于业务传输的影响程度。匹配规则采用变阈值的模糊匹配，态势参数i规定初始的匹配阈值ri，节点缓存在本地的态势参数i的值为Vi1，接收的Trickle消息的信令中相应的值为Vi2，若满足Vi1-Vi2≤wi×ri则判定为一致，否则判定为不一致；
(e)判定消息为一致，则将计数器C加1；
(f)当定时器到达t时刻时，若c小于k，就允许节点发送信令交互消息，k为冗余常量，若k取值较大，就会关闭算法的抑制功能，为能够在冗余和低开销之间保持平衡，本发明将k值取为20；
(g)当定时器的当前时隙结束时，设置下一个时隙大小为min(2I，I2)，重置定时器；
(h)判定消息不一致时，如果I大于I1，就重置定时器，将下一个时隙长度设置为最小时隙，重置定时器，加快和邻居节点间的信息交互；
图3是本发明涉及的网络拓扑构建模块。包括(1)网络态势整合单元、(2)网络态势预测单元、(3)拓扑构建决策单元。
(1)网络态势整合单元
网络态势整合单元，将多组点到点态势数据整合成全局态势信息图，对态势参数集中的参数进行全局表征。具体过程如下：(a)用矩阵的形式构建全局的连通关系，首先从本地获取节点对连通性，构建全局的邻接矩阵，用0和1表征节点之间的一级连通关系。图6(a)涉及本发明邻接关系的表征。但是邻接矩阵不能直观的表现出所有节点的连通关系。要想获得全局的连通关系，需要构建全网的全连通矩阵。邻接矩阵元素为Aij，连通矩阵元素为Gij，连通矩阵元素求解：
(b)在全网的邻接矩阵的基础上，添加相应的态势参数具体数值，但是由于构成的矩阵中非零元素的个数远小于零元素，则采用三元组形式表示，节省存储空间，三列分别记录源节点目的节点和相应的态势参数值。图7所示三元组表征的就是图6(b)所示稀疏矩阵的表征形式。
(2)网络态势预测单元
网络态势预测单元，根据态势的历史数据和当前态势参数值，借助一定的数学模型和方法，实现对下一时刻的态势值做出预测。
在大规模时变Ad Hoc网络中，由于其高动态、拓扑复杂多变的特点，对网络信息的时效性和准确性造成挑战。态势预测单元利用一定的数学模型和方法，对输入模型的网络节点的前N个时刻历史态势参数值进行映射，输出当前时刻下一时刻的态势参数值预测结果，提高节点拓扑构建决策的准确性。常用的态势预测方法有时间序列分析、SVM、神经网络等。
利用SVM回归预测方式进行态势预测，原理如下：将训练样本定义为(Xn，tn)，tn定义为连续的时间段，则预测值的形式可以表达为f(Xn)＝WXn+b，使得预测值和真实值尽可能接近。SVM回归使用ε-insensitive误差函数，来获得稀疏解，此函数规定实际的惩罚值的选择，惩罚值取值方式如下：
真实值和预测值之间的误差|yn-tn|小于ε，那么不对样本数据惩罚，否则将惩罚值取为|yn-tn|-ε。模型函数相当于构建一个以f(Xn)为中心，宽度为2ε的隔离带用来判定样本和预测的正确性。则转化为求解
其中c为正则化常数，m为样本数量。
图4是本发明涉及的态势预测流程，拓扑态势预测的流程包括：
(a)态势预测首先从节点缓存的历史数据中选取前N个时刻的态势指标值，构建成N维数据样本。由于节点缓存能力的不同，能够选取样本参数值数目是不同的，基础数目设为10。
(b)训练和检验SVM预测器，针对样本参数训练SVM预测器，并检验预测器性能，将处理过的样本数据中的80％用于训练集，20％用于测试集，利用训练集训练SVM预测器，再使用测试集测试预测器的准确性。
(c)态势参数预测，利用训练好的预测器，对于需要预测的态势信息作实时预测。只需要实时向SVM预测器输入包括当前时刻在内的前10个时刻的样本数据，算法会自动得出下一时刻该指标的预测值。
(3)拓扑构建决策单元
拓扑构建决策单元，当节点面临业务传输需求的时候，进行拓扑构建决策。单纯的根据连通性关系进行拓扑构建并不能适应多变的业务传输要求。无线网络中代表性业务类型主要有：①时延敏感业务，如一些用于交互的实时应用程序；②带宽敏感业务，如视频点播和文件分发；③尽力服务业务，指的是一些没有特定需求的业务。
依据节点业务构建相应的包含带宽、时延、丢包率约束条件的指标体系，将相关度量参数分为加性、乘性以及凹性度量。链路L(i，j)的度量值为M(i，j)，对于任意的一条路径P(i，j，k...l，m)，路径的度量值表示为M(p)，QoS度量值表示如下：
(1)时延是加性度量：表现为M(p)＝M(I，j)+M(j，k)，+…+M(l，m)；
(2)丢包率是乘性度量：M(p)＝1-((1-M(I，j))×(1-M(j，k))，×...×(1-M(l，m)))；
(3)带宽是凹性度量：M(p)＝min[M(I，j)，M(j，k)，...，M(l，m)]。
图5是本发明涉及的拓扑构建决策流程，结合图8所示一个拓扑构建实例，流程如下：
(a)获取节点业务需求。业务需求包括业务源节点S和目标节点T，以及业务的QoS约束条件，包括带宽约束CB、时延约束CD、丢包率约束CDO等，图8所示节点业务类型为带宽敏感网络，目的节点为节点8，约束条件为CB＝25。
(b)等待两个信标周期后，依据SVM预测器的预测结果，判断业务源节点和目的节点之间的路径可达性，即下一时刻连通矩阵中Gst元素是否为0，降低因节点信息不一致造成的误判，如果不连通则告知业务发送失败。
(c)稳定性判断由节点对的稳定态势参数值和节点的拥塞概率参数值共同表征，R＝(Cc，CfB)，通过态势预测提取出表征节点对稳定性和拥塞概率态势的当前参数值和下一时刻态势值，分别按照0.5的权重进行加权计算，获取综合态势参数值fB(n)和P(m，n)将拥塞概率fB(n)和相应的(1-P(m，n))乘以相应的邻接链路，值越高表明稳定性越差。
(d)依据QoS约束进行拓扑构建。针对图8带宽敏感网络，单约束条件下，遍历网络链路集合E，由于带宽是一种凹性变量，所以只需满足链路(u，v)的平均带宽B(u，v)＞CB，CB为带宽约束条件，如不成立，则继续对邻接矩阵进行剪枝处理，将不满足的链路置零。遍历完所有链路集合之后，形成新的连通矩阵。图6(a)根据链路带宽构建出带宽的约束矩阵，约束条件CB设置为25，带宽大于25的链路设置为1，小于设置为0，将带宽约束矩阵和经过拥塞剪枝的连通矩阵进行对应元素相乘，构建出新的满足CB约束的连通矩阵。
(e)图8中虚线表示的链路表征不满足带宽约束的链路。剩下的链路集合中，然后根据最短路径算法，如迪杰斯特拉算法，选择节点数较少的两条路径，降低资源的消耗和信息冗余。有1-＞3-＞11-＞7-＞8和1-＞3-＞5-＞6-＞7-＞8两条链路满足约束条件，作为主要和备选链路，虽然1-＞3-＞11-＞7-＞8有更少的转发节点数目，但是根据稳定性惩罚因子加权结果，选择1-＞3-＞5-＞6-＞7-＞8作为决策结果，当前节点的下一跳转发路径。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种面向时变网络的主动网络拓扑构建方法，其特征在于，包括以下步骤：
(1)采集时变网络中与网络态势相关的原始数据并进行预处理；
(2)对预处理后的原始数据进行特征提取，得到时变网络态势特征，并基于提取的特征数据构建态势参数集；
(3)基于步骤(2)构建的态势参数集，通过广播的方式进行态势参数信息全网共享，实现全网态势信息聚合；
(4)进行全网态势信息整合和态势预测，获得当前时刻和下一时刻的时变网络态势参数值，依据实际业务约束条件做相应的拓扑构建决策。
2.根据权利要求1所述的一种面向时变网络的主动网络拓扑构建方法，其特征在于，所述态势参数集内的特征数据包括：节点拥塞概率、节点对相对稳定度、平均带宽、平均时延、平均丢包率。
3.根据权利要求1所述的一种面向时变网络的主动网络拓扑构建方法，其特征在于，所述特征提取的方式包括：将单个节点指标转变为节点对特性，以及将多个单一的指标融合转换为少数的综合指标。
4.根据权利要求1所述的一种面向时变网络的主动网络拓扑构建方法，其特征在于，所述步骤(3)中进行态势参数信息全网共享之前，还要对所要共享的数据进行网络编码和网络解码，以降低节点转发的数据量，然后再依据实际业务需求判断相关态势参数信息的变化，自适应调整态势信息的分发速率。
5.根据权利要求1所述的一种面向时变网络的主动网络拓扑构建方法，其特征在于，所述全网态势信息聚合的方法为：将多组点到点态势数据整合成全局态势信息图，以对态势参数集中的参数进行全局表征；所述全局态势信息图的实现方式包括：全网邻接矩阵、全网连通矩阵、全网拥塞态势三元组、全网稳定性态势三元组、全网带宽态势三元组、全网时延态势三元组、全网丢包率态势三元组。
6.根据权利要求1所述的一种面向时变网络的主动网络拓扑构建方法，其特征在于，所述步骤(4)中进行态势预测的方法包括：时间序列方法、SVM方法、神经网络模型。
7.根据权利要求1所述的一种面向时变网络的主动网络拓扑构建方法，其特征在于，所述拓扑构建决策的具体步骤为：
(a)获取节点业务需求，提取QoS约束条件及源节点和目的节点，构建指标体系；
(b)判断业务的源节点和目的节点路径可达性；
(c)依据节点对稳定态势和节点拥塞态势当前值和预测值对网络的邻接矩阵添加惩罚因子，构建加权邻接矩阵；
(d)依据QoS约束条件对步骤(c)的加权邻接矩阵进行减枝处理；
(f)采用最短路径算法，基于步骤(d)生成的加权邻接矩阵，按照最稳定原则生成最短链路，做出业务拓扑构建决策。
8.一种面向时变网络的主动网络拓扑构建系统，用于实现权利要求1至7任意一项所述方法，其特征在于，包括：网络态势感知模块、网络信息分发模块、网络拓扑构建模块；其中，
网络态势感知模块采集时变网络中与网络态势相关的原始数据并进行预处理，对预处理后的原始数据进行特征提取，得到时变网络态势特征，并基于提取的特征数据构建态势参数集；
网络信息分发模块基于网络态势感知模块构建的态势参数集，通过广播的方式进行态势参数信息全网共享，实现全网态势信息聚合；
网络拓扑构建模块进行全网态势信息整合和态势预测，获得当前时刻和下一时刻的时变网络态势参数值，依据实际业务约束条件做相应的拓扑构建决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011250831.6A CN112469102B (zh) | 2020-11-10 | 2020-11-10 | 一种面向时变网络的主动网络拓扑构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011250831.6A CN112469102B (zh) | 2020-11-10 | 2020-11-10 | 一种面向时变网络的主动网络拓扑构建方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112469102A true CN112469102A (zh) | 2021-03-09 |
| CN112469102B CN112469102B (zh) | 2022-09-23 |
Family
ID=74826428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011250831.6A Active CN112469102B (zh) | 2020-11-10 | 2020-11-10 | 一种面向时变网络的主动网络拓扑构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112469102B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114051273A (zh) * | 2021-11-08 | 2022-02-15 | 南京大学 | 一种基于深度学习的大规模网络动态自适应路径规划方法 |
| CN115442139A (zh) * | 2022-09-02 | 2022-12-06 | 中国人民解放军国防科技大学 | 一种面向局域网的多层网络拓扑关系构建方法和系统 |
| WO2023015777A1 (zh) * | 2021-08-11 | 2023-02-16 | 杭州联芯通半导体有限公司 | 减少g3-plc网络入网程序的流量的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104378771A (zh) * | 2014-11-28 | 2015-02-25 | 北京农业信息技术研究中心 | 盲点预测农田时变异构网络节点部署与交互调度方法 |
| CN106559414A (zh) * | 2016-10-31 | 2017-04-05 | 华中科技大学 | 基于区域态势信息的网络攻击后果动态定量评估方法 |
| CN107404400A (zh) * | 2017-07-20 | 2017-11-28 | 中国电子科技集团公司第二十九研究所 | 一种网络态势感知实现方法及装置 |
| CN109492677A (zh) * | 2018-10-23 | 2019-03-19 | 南京理工大学 | 基于贝叶斯理论的时变网络链路预测方法 |
| CN110474904A (zh) * | 2019-08-16 | 2019-11-19 | 武汉思普崚技术有限公司 | 一种改进预测的态势感知方法和系统 |
-
2020
- 2020-11-10 CN CN202011250831.6A patent/CN112469102B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104378771A (zh) * | 2014-11-28 | 2015-02-25 | 北京农业信息技术研究中心 | 盲点预测农田时变异构网络节点部署与交互调度方法 |
| CN106559414A (zh) * | 2016-10-31 | 2017-04-05 | 华中科技大学 | 基于区域态势信息的网络攻击后果动态定量评估方法 |
| CN107404400A (zh) * | 2017-07-20 | 2017-11-28 | 中国电子科技集团公司第二十九研究所 | 一种网络态势感知实现方法及装置 |
| CN109492677A (zh) * | 2018-10-23 | 2019-03-19 | 南京理工大学 | 基于贝叶斯理论的时变网络链路预测方法 |
| CN110474904A (zh) * | 2019-08-16 | 2019-11-19 | 武汉思普崚技术有限公司 | 一种改进预测的态势感知方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 何凌君等: "时变网络异常检测多视图协同可视分析", 《计算机工程与应用》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023015777A1 (zh) * | 2021-08-11 | 2023-02-16 | 杭州联芯通半导体有限公司 | 减少g3-plc网络入网程序的流量的方法 |
| CN114051273A (zh) * | 2021-11-08 | 2022-02-15 | 南京大学 | 一种基于深度学习的大规模网络动态自适应路径规划方法 |
| CN114051273B (zh) * | 2021-11-08 | 2023-10-13 | 南京大学 | 一种基于深度学习的大规模网络动态自适应路径规划方法 |
| CN115442139A (zh) * | 2022-09-02 | 2022-12-06 | 中国人民解放军国防科技大学 | 一种面向局域网的多层网络拓扑关系构建方法和系统 |
| CN115442139B (zh) * | 2022-09-02 | 2024-04-19 | 中国人民解放军国防科技大学 | 一种面向局域网的多层网络拓扑关系构建方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112469102B (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112469102B (zh) | 一种面向时变网络的主动网络拓扑构建方法及系统 | |
| Von Rickenbach et al. | Gathering correlated data in sensor networks | |
| Cobo et al. | Ant-based routing for wireless multimedia sensor networks using multiple QoS metrics | |
| Dawaliby et al. | Adaptive dynamic network slicing in LoRa networks | |
| Zeydan et al. | Energy-efficient routing for correlated data in wireless sensor networks | |
| CN106534333A (zh) | 一种基于mec和mcc的双向选择计算卸载方法 | |
| Jan et al. | An energy-efficient and congestion control data-driven approach for cluster-based sensor network | |
| CN105959988B (zh) | 一种基于支持向量机的认知无线自组织网络节点稳定性判决方法 | |
| CN108282238B (zh) | 一种基于网络编码技术的中继选择方法及装置 | |
| US20220104113A1 (en) | Method of implementing self-organizing network for plurality of access network devices and electronic device for performing the same | |
| Agbulu et al. | AERAA-DAR: Algorithm for Energy-Resourceful Attribute-aware Data Aggregation and Routing In Wireless Sensor Networks. | |
| Hassani et al. | A hybrid objective function with empirical stability aware to improve RPL for IoT applications | |
| Chilukuri et al. | Achieving optimal cache utility in constrained wireless networks through federated learning | |
| Hong et al. | Towards sensitive link quality prediction in ad hoc routing protocol based on grey theory | |
| Wellons et al. | Augmenting predictive with oblivious routing for wireless mesh networks under traffic uncertainty | |
| Rajeswari et al. | He-SERIeS: An inventive communication model for data offloading in MANET | |
| CN113973349B (zh) | 一种基于网络编码的机会式编码感知路由方法 | |
| Wang et al. | Learning From Images: Proactive Caching With Parallel Convolutional Neural Networks | |
| Narayanan et al. | Energy efficient Q learning based Kullback sparse encoder for traffic and congestion control data delivery in WSN | |
| Pham et al. | AD3-GLaM: A cooperative distributed QoE-based approach for SVC video streaming over wireless mesh networks | |
| Koosha et al. | FAHP-OF: a new method for load balancing in rpl-based Internet of Things (IoT) | |
| Jawwharlal et al. | Quality and Energy Aware Multipath Routing in Wireless Multimedia Sensor Networks. | |
| Lohier et al. | A cost function for QoS-aware routing in multi-tier wireless multimedia sensor networks | |
| Yang et al. | An intelligent caching and replacement strategy based on cache profit model for space-ground integrated network | |
| CN110113794A (zh) | 一种无线网络路径质量动静态评估方法 |
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 |