CN112511445B - 一种基于负载加权的最短路径路由生成方法 - Google Patents

一种基于负载加权的最短路径路由生成方法 Download PDF

Info

Publication number
CN112511445B
CN112511445B CN202011305134.6A CN202011305134A CN112511445B CN 112511445 B CN112511445 B CN 112511445B CN 202011305134 A CN202011305134 A CN 202011305134A CN 112511445 B CN112511445 B CN 112511445B
Authority
CN
China
Prior art keywords
path
route
chip
weighting
load
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
Application number
CN202011305134.6A
Other languages
English (en)
Other versions
CN112511445A (zh
Inventor
贾浩
郑立荣
梁龙飞
邹卓
闫钰龙
环宇翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai New Helium Brain Intelligence Technology Co ltd
Fudan University
Original Assignee
Shanghai New Helium Brain Intelligence Technology Co ltd
Fudan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai New Helium Brain Intelligence Technology Co ltd, Fudan University filed Critical Shanghai New Helium Brain Intelligence Technology Co ltd
Publication of CN112511445A publication Critical patent/CN112511445A/zh
Application granted granted Critical
Publication of CN112511445B publication Critical patent/CN112511445B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L45/16—Multipoint routing
    • 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
    • H04L45/12—Shortest path evaluation
    • 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
    • H04L45/12—Shortest path evaluation
    • H04L45/122—Shortest path evaluation by minimising distances, e.g. by selecting a route with minimum of number of hops
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/12—Avoiding congestion; Recovering from congestion
    • H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于负载加权的最短路径路由生成方法，涉及路由技术领域，通过迭代计算源芯片到目的地芯片的距离，获取距离最小的路径；以全局负载记录为权重，对所述路径进行加权，广度搜索得最小加权路径。根据每次多播路由的源与目的地，基于芯片间的历史通信负载情况进行加权，离线地计算出多播路由中的最短路径路由，并生成固定路由表来实现最短路径路由策略，固定路由生成方法保证芯片间的路由路径为最短路径，同时全局负载低于现有方法，并保证了芯片间的负载均衡。

Description

一种基于负载加权的最短路径路由生成方法
技术领域
本发明涉及类路由技术领域，尤其是一种基于负载加权的最短路径路由生成方法。
背景技术
脉冲神经网络(SNN)被称为第三代人工神经网络，更加接近于人脑的实际行为，同时将时间信息的纳入考虑。脉冲神经网络通过模拟神经元的活动进行学习和推理。神经元之间通过突触连接，以脉冲的形式传递信息，通过突触可塑性对自身进行调整，达到学习和记忆的效果，实现神经网络的预期功能。
神经拟态计算的具体实现与脉冲神经网络极为相似。不同的是脉冲神经网络是被设计用于特定的应用场景的人工智能，其目的是实现一定的推断功能。而神经拟态计算旨在通过同化人脑的部分生物学信号，从而在一定程度上对人脑进行学习和模仿。这对深入认识大脑的结构和功能，了解思维过程中的意识流向有着重要的作用。
无论是脉冲神经网络或者神经拟态计算，都离不开庞大算力的支持。现有的CPU在大规模并行计算上并不占有优势，而GPU也存在这内存墙瓶颈，通用化的运算单元与存储单元带来了普适性的同时也决定了它并不完美契合类脑计算的需求。因此定制化的FPGA或ASIC芯片能够更好适应类脑计算，有着广阔的应用场景。其计算单元完全依据神经拟态算法来设计，移去了冗余。计算单元也与存储单元更加靠近，减少了数据存取的开销，解除了内存墙瓶颈。神经间的信号传递更契合稀疏的特性，减少了不必要的带宽占用。同时稀疏特性有助于解决超算芯片面临的超高能耗问题。
大规模类脑计算网络可以支持大体量的脉冲神经网络和神经拟态计算，为其提供传统计算平台不具备的超高算力。但是大规模类脑计算网络下，传统路由生成方法并不能够满足类脑芯片间的多播通信的时延要求和负载限制，造成信道堵塞或丢包等问题，影响芯片间的通信质量，因此发展能够支撑大规模类脑计算网络的路由方法至关重要。
发明内容
本发明针对现有技术的不足，提出一种基于负载加权的最短路径路由生成方法，针对组网为二维Mesh网络或二维Torus网络的大规模类脑计算网络，根据每次多播路由的源与目的地，基于芯片间的历史通信负载情况进行加权，离线地计算出多播路由中的最短路径路由，并生成固定路由表来实现最短路径路由策略，固定路由生成方法保证芯片间的路由路径为最短路径，同时全局负载低于现有方法，并保证了芯片间的负载均衡。
为了实现上述发明目的，本发明提供以下技术方案：
一种基于负载加权的最短路径路由生成方法，包括：
迭代计算源芯片到目的地芯片的距离，获取距离最小的路径；
以全局负载记录为权重，对所述路径进行加权，广度搜索得最小加权路径。
优选的，初始化全局负载记录L，
设定发出脉冲的源芯片为s*；
设定集合S为可以对数据包进行转发的芯片集，初始为s*；
设定集合D为所有需要但未获得该数据包的目的地芯片；
设定集合P为所有距离最小的路径，初始值为0，表示暂未计算出路径；
则单次多播路由包括如下步骤：
步骤(1)迭代计算集合S与集合D中所有元素间平面距离，并取距离最小的一对S(i)和D(j)，其中S(i)表示集合S中为i的芯片；D(j)表示集合D中为j的芯片；
若存在多对S(i)和D(j)，则取距离s*最近的S(i)所对应的一对S(i)和D(j)作为最小路径；
步骤(2)以全局负载记录L为权重，对步骤(1)中S(i)和D(j)之间的路径进行广度搜索，得最小加权路径，并将其更新至集合P中形成新集合P；
步骤(3)将步骤(2)中所述新集合P沿途对应的所有芯片更新至集合S中，包括目的地芯片D(j)，同时将集合D中对应的更新至集合S中的目的地芯片D(j)移除；
步骤(4)判断步骤(3)中所述集合D是否为空集，若是，则继续步骤(5)；诺不是，则按步骤(1)操作；
步骤(5)步骤(3)中所述新集合P即为该次多播路由的路由路径；并将所述新集合P累加至全局负载记录L，得更新后全局负载记录L。
根据权利要求2所述一种基于负载加权的最短路径路由生成方法，其特征在于：设定有N个神经元，则需要计算N次多播路由，按步骤(1)～步骤(5)，遍历N次，直至生成所有神经元的多播路由。
有益效果
本发明所提供的一种基于负载加权的最短路径路由生成方法，针对组网为二维Mesh网络或二维Torus网络的大规模类脑计算网络，根据每次多播路由的源与目的地，基于芯片间的历史通信负载情况进行加权，离线地计算出多播路由中的最短路径路由，并生成固定路由表来实现最短路径路由策略，固定路由生成方法保证芯片间的路由路径为最短路径，同时全局负载低于现有方法，并保证了芯片间的负载均衡。
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示出的结构获得其他的附图。
图1为本发明所述一种基于负载加权的最短路径路由生成方法的流程图；
图2为本发明所述一种基于负载加权的最短路径路由生成方法与其他路由方法的对比图。
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的一部分实施例，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。
针对组网为二维Mesh网络或二维Torus网络的大规模类脑计算网络，常用固定路由生成方法如维度路由方法等，尽管有着最短路由路径，但是会重复使用某条固定路径，使得芯片间的通信出现阻塞现象，严重影响通信质量；而路径的复用没有经过合理选择，使得一般路由生成方法的全局负载出现不必要的增长的问题。本发明提出的最短路径路由方法在保证最短路径的同时能够均衡负载，且全局负载优于现有路由生成方法，保证了芯片间通信的最小时延和较高通信质量。，在保证最短路径的同时能够均衡负载，且全局负载优于现有路由生成方法，保证了芯片间通信的最小时延和极高通信质量。
如图1所示，一种基于负载加权的最短路径路由生成方法，包括：
迭代计算源芯片到目的地芯片的距离，获取距离最小的路径；
以全局负载记录为权重，对所述路径进行加权，广度搜索得最小加权路径。
优选的，初始化全局负载记录L，
设定发出脉冲的源芯片为s*；
设定集合S为可以对数据包进行转发的芯片集，初始为s*；
设定集合D为所有需要但未获得该数据包的目的地芯片；
设定集合P为所有距离最小的路径，初始值为0，表示暂未计算出路径；
则单次多播路由包括如下步骤：
步骤(1)迭代计算集合S与集合D中所有元素间平面距离，并取距离最小的一对S(i)和D(j)，其中S(i)表示集合S中为i的芯片；D(j)表示集合D中为j的芯片；
若存在多对S(i)和D(j)，则取距离s*最近的S(i)所对应的一对S(i)和D(j)作为最小路径；
步骤(2)以全局负载记录L为权重，对步骤(1)中S(i)和D(j)之间的路径进行广度搜索，得最小加权路径，并将其更新至集合P中形成新集合P；
步骤(3)将步骤(2)中所述新集合P沿途对应的所有芯片更新至集合S中，包括目的地芯片D(j)，同时将集合D中对应的更新至集合S中的目的地芯片D(j)移除；
步骤(4)判断步骤(3)中所述集合D是否为空集，若是，则继续步骤(5)；诺不是，则按步骤(1)操作；
步骤(5)步骤(3)中所述新集合P即为该次多播路由的路由路径；并将所述新集合P累加至全局负载记录L，得更新后全局负载记录L。
根据权利要求2所述一种基于负载加权的最短路径路由生成方法，其特征在于：设定有N个神经元，则需要计算N次多播路由，按步骤(1)～步骤(5)，遍历N次，直至生成所有神经元的多播路由。
具体的，全局负载记录L中记录了芯片间通信的历史负载，当一条路径被反复使用时，就可能产生堵塞，反应在L中就是对应的值会较高。通过L对路径进行加权，选择一条加权和值更低的路径，就可得到一条更不会可能产生堵塞的路径。
换言之，通过全局负载记录L的加权计算过程，使得所有路径被等可能的使用，实现了全局负载均衡。
在用于大规模类脑计算网络的路由方法中，每个神经元都会产生一次多播路由，因此共需计算N次多播路由，其中全局负载记录在遍历N次生成过程中累加，即为历史负载记录。
对于单次多播路由，发出该脉冲的芯片被记为s*。初始时设集合S为s*，集合S的含义是可以对数据包进行转发的芯片集。多播路由的目的地芯片计入集合D中，集合D的含义为所有需要该数据包但尚未获得的芯片。路径集合p记录了单次多播路由的路径，在单次多播路由的初始阶段被设为空值，表示暂未计算出路径。
对单次多播路由过程，迭代地计算集合S与集合D中所有元素间两两的平面L1距离，并取出距离最小的一对S(i)和D(j)。如果存在多对S(i)和D(j)同时距离最小，则选择距离s*最近的S(i)。如上策略保证了在生成路由路径中的有效路径复用，使得该路由生成方法生成的路由路径总长度显著地低于现有路由生成方法。
对于S(i)和D(j)间的路径，其最短路径长度为S(i)和D(j)间的L1距离，即从S(i)朝向D(j)的路径均是最短路径。
根据全局负载L对S(i)到D(j)之间的路径进行加权，广度搜索得到最小加权路径。该条路径就是最不易堵塞的一条路由路径，将其更新到路径p中。
路径p沿途的所有芯片都获得过数据包，可以再次对其进行转发，因此将其更新至集合S中(D(j)也被更新至S中)。同时D(j)已经获得了数据包，被从集合D中移除。
重复上述过程，直至D为空集，表示所有需要数据包的芯片均已获得，单次多播路由计算完毕。路径p是该次多播路由的路径。对于大规模类脑计算网络中，每个神经元等概地产生兴奋，因此每次多播路由产生的负载也等概地叠加在负载记录上。即p也可以用以表示该次路由产生的负载，将路径p累加在全局负载记录L上就可表示负载记录的更新。
可以证明，因为上述过程中所取全部路径都是从S(i)到D(j)的最短路径，且集合S是历史最短路径的集合以及源芯片s*，所以p中的全部路径都是从s*到D(j)的最短路径。该方法遍历全部神经元后，生成N个路由路径。可以通过转换为每个芯片的片上路由表，完成路由过程。
本发明主要提出了适用于大规模类脑计算网络的负载均衡路由方法，其在全局通信负载和负载均衡方面均优于现有路由生成方法。
如图2所示，其中S表示路由过程中的源芯片，D表示路由过程中的目的地芯片，每张图表示了一个多播路由路径：
其中101为DOR路由生成方法，是一种最短路径路由方法，显著的会带来负载不均衡问题；
102为RTO路由生成方法，较DOR改进了负载不均问题，但是全局负载(路由路径长度)也有着较高的开销；
103为本发明提出的基于负载加权的最短路径固定路由生成方法，其在保证了每条路径都是最短路径的前提下，较前两种方法有着更低的路径总长度和更均衡的全局负载。
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 (2)

1.一种基于负载加权的最短路径路由生成方法，其特征在于：
迭代计算源芯片到目的地芯片的距离，获取距离最小的路径；
以全局负载记录为权重，对所述路径进行加权，广度搜索得最小加权路径；
初始化全局负载记录L，
设定发出脉冲的源芯片为s*；
设定集合S为可以对数据包进行转发的芯片集，初始为s*；
设定集合D为所有需要但未获得该数据包的目的地芯片；
设定集合P为所有距离最小的路径，初始值为0，表示暂未计算出路径；
则单次多播路由包括如下步骤：
步骤(1)迭代计算集合S与集合D中所有元素间平面距离，并取距离最小的一对S(i)和D(j)，其中S(i)表示集合S中为i的芯片；D(j)表示集合D中为j的芯片；
若存在多对S(i)和D(j)，则取距离s*最近的S(i)所对应的一对S(i)和D(j)作为最小路径；
步骤(2)以全局负载记录L为权重，对步骤(1)中S(i)和D(j)之间的路径进行广度搜索，得最小加权路径，并将其更新至集合P中形成新集合P；
步骤(3)将步骤(2)中所述新集合P沿途对应的所有芯片更新至集合S中，包括目的地芯片D(j)，同时将集合D中对应的更新至集合S中的目的地芯片D(j)移除；
步骤(4)判断步骤(3)中所述集合D是否为空集，若是，则继续步骤(5)；诺不是，则按步骤(1)操作；
步骤(5)步骤(3)中所述新集合P即为该次多播路由的路由路径；并将所述新集合P累加至全局负载记录L，得更新后全局负载记录L。
2.根据权利要求1所述一种基于负载加权的最短路径路由生成方法，其特征在于：设定有N个神经元，则需要计算N次多播路由，按步骤(1)～步骤(5)，遍历N次，直至生成所有神经元的多播路由。
CN202011305134.6A 2020-09-28 2020-11-19 一种基于负载加权的最短路径路由生成方法 Active CN112511445B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020110469980 2020-09-28
CN202011046998 2020-09-28

Publications (2)

Publication Number Publication Date
CN112511445A CN112511445A (zh) 2021-03-16
CN112511445B true CN112511445B (zh) 2022-03-25

Family

ID=74958850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011305134.6A Active CN112511445B (zh) 2020-09-28 2020-11-19 一种基于负载加权的最短路径路由生成方法

Country Status (1)

Country Link
CN (1) CN112511445B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114338506B (zh) * 2022-03-15 2022-08-05 之江实验室 一种类脑计算机操作系统的神经任务片内路由方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004019569A1 (en) * 2002-08-20 2004-03-04 Telia Ab (Publ) A method for load balancing using short path routing
CN102684982A (zh) * 2011-03-15 2012-09-19 江苏镇安电力设备有限公司 一种基于最小搜索信息的路由方法
CN104426767A (zh) * 2013-08-28 2015-03-18 Sap欧洲公司 基于路由距离和容量的路由选择的方法和系统
CN108964746A (zh) * 2018-08-04 2018-12-07 西安电子科技大学 时变卫星网络多拓扑搜索最短路由方法
CN109034467A (zh) * 2018-07-13 2018-12-18 国网安徽省电力有限公司合肥供电公司 一种电力系统抗灾型骨干网架多目标优化方法
CN110149671A (zh) * 2019-05-28 2019-08-20 西南电子技术研究所（中国电子科技集团公司第十研究所） 无人机蜂群网络的路由选择方法
KR20190120057A (ko) * 2018-04-13 2019-10-23 한국과학기술원 로드 균형을 위한 확률 기반 적응형 라우팅 알고리즘
CN111240796A (zh) * 2019-12-30 2020-06-05 浙江工业大学 一种基于改进mmas的负载均衡调度方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103685054B (zh) * 2013-12-18 2017-02-01 武汉烽火网络有限责任公司 基于业务感知的多路径负载均衡方法
CN106993310B (zh) * 2017-02-27 2019-10-22 北京中电普华信息技术有限公司 一种无线自组网中基于负载感知的联合路由方法及系统
CN108449266A (zh) * 2018-03-06 2018-08-24 广州西麦科技股份有限公司 一种基于sdn网络的链路负载均衡多路径计算方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004019569A1 (en) * 2002-08-20 2004-03-04 Telia Ab (Publ) A method for load balancing using short path routing
CN102684982A (zh) * 2011-03-15 2012-09-19 江苏镇安电力设备有限公司 一种基于最小搜索信息的路由方法
CN104426767A (zh) * 2013-08-28 2015-03-18 Sap欧洲公司 基于路由距离和容量的路由选择的方法和系统
KR20190120057A (ko) * 2018-04-13 2019-10-23 한국과학기술원 로드 균형을 위한 확률 기반 적응형 라우팅 알고리즘
CN109034467A (zh) * 2018-07-13 2018-12-18 国网安徽省电力有限公司合肥供电公司 一种电力系统抗灾型骨干网架多目标优化方法
CN108964746A (zh) * 2018-08-04 2018-12-07 西安电子科技大学 时变卫星网络多拓扑搜索最短路由方法
CN110149671A (zh) * 2019-05-28 2019-08-20 西南电子技术研究所（中国电子科技集团公司第十研究所） 无人机蜂群网络的路由选择方法
CN111240796A (zh) * 2019-12-30 2020-06-05 浙江工业大学 一种基于改进mmas的负载均衡调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
无线传感器网络多路径路由协议研究;李孟杰;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20191015(第10期);全文 *

Also Published As

Publication number Publication date
CN112511445A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN110012516B (zh) 一种基于深度强化学习架构的低轨卫星路由策略方法
WO2020181761A1 (zh) 一种sdn增强路径装箱装置及方法
CN109039942B (zh) 一种基于深度强化学习的网络负载均衡系统及均衡方法
CN112437020B (zh) 一种基于深度强化学习的数据中心网络负载均衡方法
CN113572686B (zh) 一种基于SDN的天地一体化自适应动态QoS路由方法
CN116527567B (zh) 一种基于深度强化学习的智能网络路径优选方法与系统
CN114697229B (zh) 一种分布式路由规划模型的构建方法及应用
CN113395207B (zh) 一种sdn架构下基于深度强化学习的路由优化架构及方法
CN114143264B (zh) 一种SRv6网络下基于强化学习的流量调度方法
WO2021036414A1 (zh) 一种低轨移动卫星星座下星地下行链路同频干扰预测方法
CN111988225A (zh) 基于强化学习和迁移学习的多路径路由方法
CN111917642B (zh) 分布式深度强化学习的sdn网络智慧路由数据传输方法
CN113285875B (zh) 一种基于脉冲神经网络的空间路由预测方法
CN113938415B (zh) 一种基于链路状态估计的网络路由转发方法及系统
CN111885493B (zh) 一种基于改进布谷鸟搜索算法的微云部署方法
CN112511445B (zh) 一种基于负载加权的最短路径路由生成方法
WO2023045565A1 (zh) 网络管控方法及其系统、存储介质
CN110278571A (zh) 一种基于简单预测-校正环节的分布式信号跟踪方法
CN116170327A (zh) 基于图神经网络和强化学习的分段路由网络增量部署方法
CN116418730A (zh) 一种基于关键节点的分布式可扩展智能路由方法
CN112073983B (zh) 基于流量预测的无线数据中心网络拓扑优化方法及系统
CN117528696A (zh) 位置指引dqn多智能体卫星网络分布式时延优化路由方法
CN114629769B (zh) 自组织网络的流量图谱生成方法
CN112234599B (zh) 一种多元复杂城市电网超前动态自适应分区方法及其系统
Pakhomova et al. Intelligent routing in the network of information and telecommunication system of railway transport

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