CN112765204A - 基于神经网络预测rloc的方法、装置、设备及计算机存储介质 - Google Patents

基于神经网络预测rloc的方法、装置、设备及计算机存储介质 Download PDF

Info

Publication number
CN112765204A
CN112765204A CN202110158266.9A CN202110158266A CN112765204A CN 112765204 A CN112765204 A CN 112765204A CN 202110158266 A CN202110158266 A CN 202110158266A CN 112765204 A CN112765204 A CN 112765204A
Authority
CN
China
Prior art keywords
destination
mapping
eid
itr
rloc
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
Application number
CN202110158266.9A
Other languages
English (en)
Other versions
CN112765204B (zh
Inventor
李玥
宋祁朋
吕敏杰
谭宇宇
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.)
Hanyin County Social Governance Intelligent Technology Co ltd
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202110158266.9A priority Critical patent/CN112765204B/zh
Publication of CN112765204A publication Critical patent/CN112765204A/zh
Application granted granted Critical
Publication of CN112765204B publication Critical patent/CN112765204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2237—Vectors, bitmaps or matrices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明实施例公开了一种基于神经网络预测RLOC的方法、装置、设备及计算机存储介质；该方法可以包括：在当前通信时段，接收由入口隧道路由器ITR发送的映射查询请求；基于接收到的映射查询请求统计所述当前通信时段内发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的终端标识EID；根据统计数据预测在所述当前通信时段的下一个通信时段内查询概率最大的多个推荐目的EID；在当前通信时段结束时，为所有推荐目的EID与所有推荐目的EID各自所映射的推荐目的路由定位符RLOC建立推荐目的EID到推荐目的RLOC的推荐映射关系表；将所述推荐映射关系表发送至所述ITR，以使得所述ITR基于所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表。

Description

基于神经网络预测RLOC的方法、装置、设备及计算机存储介质
技术领域
本发明实施例涉及通信技术领域，尤其涉及基于神经网络预测路由定位符地址(RLOC，Routing Locator)的方法、装置、设备及计算机存储介质。
背景技术
定位/标识分离协议(LISP，Locator/Identifier Separation Protocol)是为解决现有Internet网络的诸如全局路由表持续增长、移动性需求而提出的一种新的网络架构协议。其采用了位置和标识分离的建网思想，形成两个独立的地址空间：终端标识(EID，Endpoint Identifier)和路由定位符(RLOC，Routing Locator)；其中，EID用于标识主机，不具备全局路由功能；RLOC用于全网路由。每个LISP隧道中的入口隧道路由器(ITR，Ingress Tunnel Router)可以利用RLOC地址对源主机发送的报文进行LISP封装并通过LISP隧道发送给远端的出口隧道路由器(ETR，Egress Tunnel Router)。在ITR转发由源主机发送的报文过程中，ITR可以查找之前转发报文过程中已缓存的目的EID-目的RLOC映射表，以获取报文的目的EID所对应的ETR的目的RLOC；若由源主机发送的报文中所指示的目的EID并没有在ITR已缓存的映射表内，则需要向网络中的映射系统发送请求，映射系统将请求转发至目的EID对应的ETR后，ETR将目的EID与自身的目的RLOC的映射信息回复至ITR。
在当前的LISP架构中，单个ITR所缓存的映射表仅对之前的报文转发过程所缓存的映射信息进行保存，对于单个ITR来说，若需要向之前报文转发过程中未出现的目的EID转发报文，则需要向网络架构中的映射系统发送请求，从而增加了报文传输的延时，降低了传输效率。
发明内容
有鉴于此，本发明实施例期望提供一种基于神经网络预测RLOC的方法、装置、设备及计算机存储介质；能够降低报文传输的延时，提高传输效率。
本发明实施例的技术方案是这样实现的：
第一方面，本发明实施例提供了一种基于神经网络预测RLOC的方法，所述方法包括：
在当前通信时段，接收由入口隧道路由器ITR发送的映射查询请求；
基于接收到的映射查询请求统计所述当前通信时段内发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的终端标识EID；
根据统计数据预测在所述当前通信时段的下一个通信时段内查询概率最大的多个推荐目的EID；
在当前通信时段结束时，为所有推荐目的EID与所有推荐目的EID各自所映射的推荐目的路由定位符RLOC建立推荐目的EID到推荐目的RLOC的推荐映射关系表；
将所述推荐映射关系表发送至所述ITR，以使得所述ITR基于所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表。
第二方面，本发明实施例提供了一种基于神经网络预测RLOC的方法，所述方法包括：
在当前通信时段结束时，接收在所述当前通信时段的下一个通信时段内的推荐目的EID到推荐目的RLOC的推荐映射关系表；
利用所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表，以供所述下一个通信时段查询目的EID所映射的目的RLOC。
第三方面，本发明实施例提供了一种基于神经网络预测RLOC的装置，所述装置包括：第一接收部分、统计部分、预测部分、建立部分和发送部分；其中，
所述第一接收部分，经配置为：在当前通信时段，接收由入口隧道路由器ITR发送的映射查询请求；
所述统计部分，经配置为基于接收到的映射查询请求统计所述当前通信时段内发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的终端标识EID；
所述预测部分，经配置为根据统计数据预测在所述当前通信时段的下一个通信时段内查询概率最大的多个推荐目的EID；
所述建立部分，经配置为在当前通信时段结束时，为所有推荐目的EID与所有推荐目的EID各自所映射的推荐目的路由定位符RLOC建立推荐目的EID到推荐目的RLOC的推荐映射关系表；
所述发送部分，经配置为将所述推荐映射关系表发送至所述ITR，以使得所述ITR基于所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表。
第四方面，本发明实施例提供了一种基于神经网络预测RLOC的装置，所述装置包括：第二接收部分和更新部分；其中，
所述第二接收部分，经配置为在当前通信时段结束时，接收在所述当前通信时段的下一个通信时段内的推荐目的EID到推荐目的RLOC的推荐映射关系表；
所述更新部分，经配置为利用所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表，以供所述下一个通信时段查询目的EID所映射的目的RLOC。
第五方面，本发明实施例提供了一种计算设备，所述计算设备可以包括：通信接口，存储器和处理器；其中，
所述通信接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
所述存储器，用于存储能够在所述处理器上运行的计算机程序；
所述处理器，用于在运行所述计算机程序时，执行第一方面或者第二方面所述基于神经网络预测RLOC的方法的步骤。
第六方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质存储有基于神经网络预测RLOC的程序，所述基于神经网络预测RLOC的程序被至少一个处理器执行时实现第一方面或者第二方面所述基于神经网络预测RLOC的方法步骤。
本发明实施例提供了一种基于神经网络预测RLOC的方法、装置、设备及计算机存储介质；映射系统，尤其是映射系统中的映射解析器按照当前通信时段接收的映射查询请求对下一个通信时段查询概率最大的目的EID进行预测，并将预测结果发送至ITR，从而使得ITR在下一个通信时段发送LISP数据包的过程中，降低了ITR在下一个通信时段向映射系统，尤其是向映射系统中的映射解析器发送映射查询请求的概率，从而降低了报文传输的延时，提高了传输效率。
附图说明
图1为本发明实施例提供的网络结构示意图；
图2为本发明实施例提供的一种基于神经网络预测RLOC的方法流程示意图；
图3为本发明实施例提供的一种反馈矩阵示意图；
图4为本发明实施例提供的一种神经网络协同过滤模型结构示意图；
图5为本发明实施例提供的另一种基于神经网络预测RLOC的方法流程示意图；
图6为本发明实施例提供的生成基于LFU的映射信息有序命中频率表示意图；
图7为本发明实施例提供的一种基于神经网络预测RLOC的装置组成示意图；
图8为本发明实施例提供的一种计算设备的硬件结构示意图；
图9为本发明实施例提供的另一种基于神经网络预测RLOC的装置组成示意图；
图10为本发明实施例提供的另一种计算设备的硬件结构示意图。
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。
参见图1，其示出了能够应用于本发明实施例技术方案的一种示例性的网络结构1，该结构1通常可以包括：ITR 120、ETR 130以及多个路由器110、112。在一些实施方式中，以两个路由器110、112为例，路由器110、112可以是根路由器、一个或更多个运营商边缘(PE，Provider Edge)路由器、一个或更多个源PE路由器、一个或更多个汇聚点(RP，Rendezvous Point)PE路由器、一个或更多个客户边缘(CE，Customer Edge)路由器或者一个或更多个核心路由器。例如，路由器110、112可以是在服务提供商网络11内的路由器，并且可以被配置成形成服务提供商网络11的骨干或核心的一部分。另外，路由器110、112以及ITR 120、ETR 130可以经由如实线箭头所示的链路(例如，无线链路或有线链路)互相连接并且彼此进行数据通信。可以理解地，在实际的网络结构中，ITR 120的数目以及ETR 130的数目也不止1个，而是多个，本发明实施例对此不做赘述。
在一些实施方式中，ITR 120对应的子网可以称之为源子网12，具体可以是边缘网络或者局域网络，用户设备U1处于源子网12中。ETR 130所对应的子网可称之为目的子网13，用户设备U2处于目的子网13中。可以理解地，用户设备U1以及U2还可以包括蜂窝电话、智能电话、会话发起协议(SIP，Session Initiation Protocol)电话、膝上型计算机、个人数字助理(PDA，Personal DigitalAssistant)、卫星无线电、全球定位系统、多媒体设备、视频设备、数字音频播放器(例如，MP3播放器)、照相机、游戏控制台、平板计算机、或任何其它具有类似功能的设备。与此同时，用户设备U1以及U2还可以被本领域技术人员称为终端、移动站、订户站、移动单元、订户单元、无线单元、远程单元、移动设备、无线设备、无线通信设备、远程设备、移动订户站、接入终端、移动终端、无线终端、远程终端、手持机、用户代理、移动客户端、客户端、或某种其它适当的术语。
在一些示例中，图1所示的架构1还包括映射系统14，而映射系统14可以包括映射解析器142和映射服务器144；在一些示例中，若U1向U2发起通信，U1则会将自身的IP地址作为源EID并将U2的IP地址作为目的EID生成常规IP数据包发送至U1所属的ITR 120；而ITR120会在自身已缓存的映射关系表中查询目的EID所映射的ETR 130的RLOC，并且以自己的RLOC为源RLOC，以ETR 130的RLOC为目的RLOC对U1所发送的常规的IP数据包进行再次封装，从而生成LISP数据包向网络11发送。LISP数据包通过路由器110、112传输至ETR 130；ETR130将LISP数据包解封装后，将解封装所获得常规IP数据包基于目的EID转发至U2；从而完成了在LISP架构下的通信过程。需要说明的是，当ITR 120未缓存目的EID所映射的ETR 130的目的RLOC，那么ITR 120将会在查询已缓存的映射关系表失败后向映射解析器142发送映射查询请求，用于请求获取目的EID所映射的目的RLOC；映射解析器142转发其接收到的映射查询请求至映射服务器144，如虚线箭头所示；由于映射服务器144存储有架构1中的所有UE和网络站点的EID到RLOC的映射关系，因此，映射服务器144基于已存储的映射关系如虚线箭头所示将映射查询请求转发至目的EID所映射的ETR 130，ETR 130基于接收到的映射查询请求向ITR 120反馈目的EID到目的RLOC的映射关系，以供ITR 120将U1所发送的常规的IP数据包封装为LISP数据包。
通过上述示例所阐述的目前LISP架构下的通信过程，可以理解地，由于ITR 120所缓存的映射关系表中，仅包括基于历史通信过程查询所获得的EID到RLOC的映射关系；如果需要向新的目的EID发送LISP数据包，仍旧需要向映射系统14提出映射查询请求，并接收新的目的EID所映射的ETR的目的RLOC才能进行LISP数据包的封装，增加了报文传输的延时，降低了传输效率。
本发明实施例期望能够通过在映射系统14中基于网络内ITR的历史查询对未来一段时间内有可能被查询的目的EID进行预测，并将预测结果向ITR进行推送，使得ITR后续根据推送的预测结果更新自身所缓存的映射关系表。以便ITR后续可以利用根据预测结果更新的映射关系表封装LISP数据包，降低ITR向映射系统14发送映射查询请求的概率，降低了报文传输的延时，提高了传输效率。
基于此，参见图2，其示出了本发明实施例提供的一种基于神经网络预测RLOC的方法，该方法可以应用于图1所示网络结构中的映射系统14，尤其可以应用于映射系统14中的映射解析器142，该方法可以包括：
S201：在当前通信时段，接收由入口隧道路由器ITR发送的映射查询请求；
S202：基于接收到的映射查询请求统计所述当前通信时段内发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的终端标识EID；
S203：根据统计数据预测在所述当前通信时段的下一个通信时段内查询概率最大的多个推荐目的EID；
S204：在当前通信时段结束时，为所有推荐目的EID与所有推荐目的EID各自所映射的推荐目的路由定位符RLOC建立推荐目的EID到推荐目的RLOC的推荐映射关系表；
S205：将所述推荐映射关系表发送至所述ITR，以使得所述ITR基于所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表。
通过图2所示的技术方案，映射系统14，尤其是映射系统14中的映射解析器142，按照当前通信时段接收的映射查询请求对下一个通信时段查询概率最大的目的EID进行预测，并将预测结果发送至ITR，从而使得ITR在下一个通信时段发送LISP数据包的过程中，降低了向映射系统14，尤其是向映射系统14中的映射解析器142发送映射查询请求的概率，从而降低了报文传输的延时，提高了传输效率。
对于图2所示的技术方案，需要说明的是，各通信时段可以按照周期进行划分，比如每隔1分钟或者5分钟划分为一个通信时段；也可以根据需要主动进行划分，本发明实施例对此不做赘述。而且，对于本发明实施例中所涉及的映射关系表，可以有多个条目组成，每个条目各自对应一个目的EID到目的RLOC的映射信息，在一些示例中，映射关系表中每个条目所对应的映射信息可以表示为<目的EID-目的RLOC>这种形式。
对于图2所示的技术方案，在一些示例中，所述基于接收到的映射查询请求统计所述当前通信时段内发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的终端标识EID，包括：
在所述当前通信时段内，根据接收到的所有映射查询请求构建一隐式反馈矩阵；其中，所述隐式反馈矩阵的每一行均对应在所述当前通信时段内发送映射查询请求的每个ITR；所述隐式反馈矩阵的每一列均对应在所述当前通信时段内映射查询请求所需查询的每个目的EID；每个映射查询请求所对应的发送ITR以及所需查询的目的EID在所述隐式反馈矩阵中的元素置1；所述隐式反馈矩阵中除置1元素以外的其他元素均置零。
对于上述示例，可以获知，构建所得到的隐式反馈矩阵可以表征当前通信时段内发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的终端标识EID的统计情况。对于上述隐式反馈矩阵，其具体构建过程可以如下所述，举例来说，在当前通信时段内，映射系统14，尤其是映射系统14中的映射解析器142(后续均以映射解析器142为例进行阐述)可以接收由各ITR在发送LISP数据包过程中所发送的映射查询请求；当接收到映射查询请求时，映射解析器142判断现有隐式反馈矩阵中是否存在对应于发送所述映射查询请求的ITR的矩阵行，若存在，则将所述矩阵行内对应于所述映射查询请求所需查询的目的终端标识EID的矩阵列的元素置1；若不存在，则在所述现有的隐式反馈矩阵中增加所述对应于发送所述映射查询请求的ITR的矩阵行；需要说明的是，若不存在映射查询请求所需查询的目的终端标识EID的矩阵列，也可以在现有隐式反馈矩阵中增加该矩阵列，并将相应位置的元素置1。可以理解地，初始隐式反馈矩阵可以是一个空矩阵，随着接收到的映射查询请求不断对该空矩阵进行上述增加矩阵行、增加矩阵列以及元素赋值这些操作。如此，在当前通信时段结束时，映射解析器142就构建完成了当前通信时段对应的反馈矩阵。
基于上述示例所获得的如图3所示的反馈矩阵，映射解析器142就可以预测当前通信时段的下一个通信时段内查询概率最大的多个推荐目的EID，在本发明实施例中，优选采用基于神经网络的协同过滤方案对推荐目的EID进行推荐。在一些示例中，所述根据统计数据预测在所述当前通信时段的下一个通信时段内查询概率最大的多个推荐目的EID，包括：
根据所述当前通信时段的反馈矩阵，利用广义矩阵分解以及多层感知机形成的神经网络协同过滤模型预测在所述当前通信时段的下一个通信时段内查询概率最大的N个推荐目的EID。
对于上述示例，具体来说，所述根据所述当前通信时段的反馈矩阵，利用广义矩阵分解以及多层感知机形成的神经网络协同过滤模型预测在所述当前通信时段的下一个通信时段内查询概率最大的N个推荐目的EID，包括：
根据所述隐式反馈矩阵中的每一个ITR以及所述隐式反馈矩阵中的每一个目的EID，执行以下过程：
获取所述ITR的特征向量
Figure BDA0002934676450000091
以及所述目的EID的特征向量
Figure BDA0002934676450000092
利用ITR的潜在因子矩阵P以及目的EID的潜在因子矩阵Q分别按照下式获取所述ITR的潜在向量pi以及所述EID的潜在向量qe：
Figure BDA0002934676450000093
针对所述ITR的潜在向量pi以及所述目的EID的潜在向量qe，根据下式获得广义矩阵分解对应的输出分量φGMF：
Figure BDA0002934676450000094
其中，⊙表示向量的逐元素乘积，
Figure BDA0002934676450000095
表示用于广义矩阵分解部分的ITR的嵌入向量，
Figure BDA0002934676450000096
表示用于广义矩阵分解部分的目的EID的嵌入向量；
针对所述ITR的潜在向量pi以及所述目的EID的潜在向量qe，根据下式获得多层感知机对应的输出分量φMLP：
Figure BDA0002934676450000097
其中，
Figure BDA0002934676450000098
表示用于多层感知机部分的ITR的嵌入向量，
Figure BDA0002934676450000099
表示用于多层感知机部分的目的EID的嵌入向量；WL、bL、aL分别表示多层感知机中第L层隐藏层所对应的权重矩阵、偏置向量和激活函数；多层感知机的隐藏层共X层，φMLP＝zX，1<L≤X；
将所述广义矩阵分解对应的输出分量φGMF以及多层感知机对应的输出分量φMLP按照下式输出，获得所述ITR与所述目的EID的交互预测值
Figure BDA0002934676450000101
Figure BDA0002934676450000102
其中，σ表示输出层的激活函数，h表示输出层的连接权重；
基于所述隐式反馈矩阵中所述ITR与所述目的EID对应的元素值以及所述ITR与所述目的EID的交互预测值
Figure BDA0002934676450000103
通过反向传播更新所述多层感知机中第L层隐藏层所对应的权重矩阵和/或偏置向量、以及输出层的连接权重，直至训练获得所述隐式反馈矩阵中所述ITR与所述目的EID对应的元素值以及所述ITR与所述目的EID的交互预测值
Figure BDA0002934676450000104
之间的逐点损失最小；
根据所述隐式反馈矩阵中所有目的EID的通过训练完成后所得到的交互预测值由大到小排列之后，选取前N个目的EID作为在所述当前通信时段的下一个通信时段内的推荐EID。
对于上述具体示例，详细来说，本发明实施例中所涉及的神经网络协同过滤模型优选采用多层感知机的结构来模拟ITR i和目的EID e之间的交互yie，即：
Figure BDA0002934676450000105
基于上述针对yie的定义可知，前述示例中所获得隐式反馈矩阵中的元素值即可以表示上述所定义的yie。
在多层感知机结构中，最底部的输入层是两个特征向量
Figure BDA0002934676450000106
和
Figure BDA0002934676450000107
分别用来描述ITR和目的EID。在本发明实施例中，每次仅使用一个ITR和一个目的EID作为输入特征，用one-hot编码将上述两个特征向量转化为二值稀疏向量。接着，多层感知机结构的输入层上面是嵌入层，它是一个全连接层，用来将输入层的稀疏向量映射为一个密集向量，即通过嵌入层后所得到的嵌入向量，这些嵌入向量同时也可以看作入口隧道路由器或目的EID的潜在向量。随后，可以将这些潜在向量送入多层网络结构，最后得到预测分数，即yie的预测值
Figure BDA0002934676450000111
并且，本发明实施例中，神经网络协同过滤模型的每一层都可以被定制，从而能够用于发现ITR与目的EID交互的一些潜在结构。模型中的最后一个隐藏层X的维度尺寸则决定了该模型的能力。最终输出层的就是预测分数
Figure BDA0002934676450000112
在本发明实施例中，神经网络协同过滤模型的训练目标是将
Figure BDA0002934676450000113
和其目标值yie之间的逐点损失最小化。神经网络协同过滤的预测模型表示为：
Figure BDA0002934676450000114
其中，P∈RM×N，Q∈RN×K，分别表示ITR和目的EID的潜在因子矩阵；
Figure BDA0002934676450000115
表示相互作用函数f的模型参数。将函数f定义为一个多层神经网络，则可表示为：
Figure BDA0002934676450000116
其中，φout和φX分别为输出层和第X个神经网络协同过滤层的映射函数，可以理解地，共X个神经网络协同过滤层。
通常来说，常用的逐点学习方法主要针对均方误差，但并不适合处理隐性数据，本发明实施例采用一种逐点学习的神经网络协同过滤的概率学方法，特别注重隐性数据的二进制属性。举例来说，将yie的值视为一个标签，其中，1表示ITR和目的EID相关，否则为0。如此，
Figure BDA0002934676450000117
就代表了ITR和目的EID相关的可能性大小。于是可以通过在输出层φout使用概率函数(比如：逻辑函数sigmoid或者probit函数)作为激活函数，将网络输出限制在[0，1]的范围内。经过上述设置，似然函数可定义为：
Figure BDA0002934676450000118
对上述似然函数取负对数，可得：
Figure BDA0002934676450000121
由此，可得到神经网络协同过滤模型需要进行最小化的目标函数，并且可以通过使用随机梯度下降来进行训练优化。
基于上述对于神经网络协同过滤模型的说明，本发明实施例优选将神经网络协同过滤模型内部分为两部分，包括广义矩阵分解(GMF，Generalized Matrix Factorization)部分和多层感知机(MLP，Multi-Layer Perceptron)部分。
对于GMF来说，在一些示例中，由于嵌入后的向量可看作潜在向量，那么可以用
Figure BDA0002934676450000122
表示ITR的潜在向量pi，
Figure BDA0002934676450000123
表示目的EID的潜在向量qe，定义第一层隐藏层的映射函数为：
φ1(pi,qe)＝pi⊙qe
其中，⊙表示向量的逐元素乘积。可以理解地，GMF通常仅有一层，因此，通过GMF的第一层隐藏层之后，就直接将向量按照下式映射到输出层：
Figure BDA0002934676450000124
其中，aout和h分别表示输出层的激活函数和连接权重。当aout是一个恒等函数，h权重全为1时，就是普通矩阵分解模型。而在本发明实施例中，优选使用Sigmoid函数σ(x)＝1/(1+e-x)作为激活函数aout，通过对数损失函数log loss学习获得h。上述过程则可称之为广义矩阵分解。
对于MLP部分来说，本发明实施例采用多层感知机来学习ITR和目的EID潜在特征之间的相互作用。神经网络协同过滤模型的框架下，多层感知机模型中的各隐藏层可以定义为：
Figure BDA0002934676450000125
Figure BDA0002934676450000126
……
Figure BDA0002934676450000127
通过上式可知，当1<L≤X时，
Figure BDA0002934676450000131
可以通过由z1开始不断迭代从而计算获得。输出层则可以定义为
Figure BDA0002934676450000132
其中，Wx、bx、ax分别表示第x层感知机中的权重矩阵、偏置向量(即神经网络中的神经元阈值)和激活函数，2≤x≤X。激活函数可以选择sigmoid函数，tanh函数和ReLU函数等。经过分析，本发明实施例优选ReLU函数，实验结果也证明ReLU函数的表现略好于tanh函数和sigmoid函数。在本发明实施例中，多层感知机的层数优选为三层，即X＝3；并且每一层相比于之前一层，神经元数量减少一半。
对于上述GMF和MLP的示例阐述，广义矩阵分解应用了线性内核来模拟潜在的特征交互，而多层感知机使用了非线性内核从数据中学习交互函数。如图4所示，本发明实施例结合两者的优势，将广义矩阵分解和多层感知机共享相同嵌入层，并且再通过连接他们最后隐藏层输出的方式融合二者的优越性能。最终输出层的公式如下：
Figure BDA0002934676450000133
Figure BDA0002934676450000134
Figure BDA0002934676450000135
其中，
Figure BDA0002934676450000136
和
Figure BDA0002934676450000137
分别表示广义矩阵分解部分和多层感知机部分的入口隧道路由器嵌入向量；
Figure BDA0002934676450000138
和
Figure BDA0002934676450000139
分别表示广义矩阵分解部分和多层感知机部分的目的EID的嵌入向量。如前所述，优选使用ReLU函数作为多层感知机部分的激活函数。上述模型结合了矩阵分解的线性和深度神经网络的非线性特点，用于建模入口隧道路由器-目的EID潜在结构，即为前述所阐述的神经网络协同过滤模型。该模型的每个模型参数都能使用标准反向传播算法计算，通过反向传播，利用
Figure BDA00029346764500001310
和其目标值yie之间的逐点损失最小化这一准则不断迭代并更新图4中的第x层感知机中的权重矩阵、偏置向量、以及输出层的连接权重，从而通过最终获得神经网络协同过滤模型获得最终进行排序所使用的
Figure BDA00029346764500001311
基于上述模型，可以将
Figure BDA0002934676450000141
最高的多个目的EID作为推荐目的EID，具体数目N可以根据实际需要进行设定，在获得下一时间段的推荐目的EID之后，映射解析器142就可以根据推荐目的EID查询推荐服务器中所有目的EID及其映射的目的RLOC，从而获得推荐目的EID所映射的目的RLOC，进而根据前述的映射信息条目形式组成推荐映射关系表。并将推荐映射表发送至ITR，以供ITR在当前通信时段结束时对已缓存的映射关系表进行更新。
基于前述技术方案相同的发明构思，参见图5，其示出了本发明实施例提供的一种基于神经网络预测RLOC的方法，该方法可以应用于图1中所阐述的ITR，所述方法包括：
S501：在当前通信时段结束时，接收在所述当前通信时段的下一个通信时段内的推荐目的EID到推荐目的RLOC的推荐映射关系表；
S502：利用所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表，以供所述下一个通信时段查询目的EID所映射的目的RLOC。
对于图5所示的技术方案，在LISP网络启动初期，ITR中的缓存为空，也就是说，当前通信时间段为LISP网络启动后的起始工作时段。此时，ITR若接收到原EID转发的IP数据包后，将会向映射系统14中的映射解析器142发送映射查询请求，映射解析器142除了依照图1中所阐述的LISP网络通信的常规流程执行之外，还会按照前述图2至图4所示实施例的技术方案预测下一时间段的推荐EID。ITR接收由ETR基于映射查询请求的响应信号后，会在自身缓存中建立目的EID以及目的EID所映射的目的RLOC的映射关系，优选地，可以参见前述技术方案中所阐述的映射关系表的条目组成，每个条目各自对应一个目的EID到目的RLOC的映射信息，在一些示例中，映射关系表中每个条目所对应的映射信息可以表示为<目的EID-目的RLOC>这种形式。在一些示例中，相应于所述当前通信时段为LISP网络起始工作时段，所述利用所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表，包括：
将所述当前通信时段内已缓存的映射关系表以及所述推荐映射关系表进行去重合并，获得更新后的映射关系表。
对于上述示例，需要说明的是，ITR在LISP网络起始工作时段内，基于向映射解析器142发送映射查询请求并从ETR接收到的反馈响应可以建立并缓存M个条目的映射关系表；而在LISP网络起始工作时段结束时，ITR还会接收到由映射解析器142发送的下一时间段的推荐映射关系表，推荐映射关系表的条目数目为N；ITR则可以将已缓存的映射关系表中的M个条目与推荐映射关系表中的N个条目进行去重合并，就能够得到L个条目的更新后的映射关系表，其中，L≤M+N。那么当ITR在下一个时间段开始进行通信时，用于本地查询的映射关系表的条目数量大于上一个时间段所缓存的映射关系表的条目数量，从而降低了ITR向映射解析器142发送映射查询请求的概率，降低了报文传输的延时，提高了传输效率。
需要说明的是，随着通信过程的进行，LISP网络通信将逐渐稳定，在一些示例中，相应于所述当前通信时段为LISP网络在起始工作时段之后的已稳定工作的时段，所述方法还包括：
在当前通信时段内，统计已缓存的映射关系表中的各目的EID的被查询频次；
将已缓存的映射表中的目的EID到目的RLOC的映射关系条目按照目的EID的被查询频次进行排列；
相应地，所述利用所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表，包括：
基于所述推荐映射关系表的映射关系条目数量N，将已缓存的映射表中被查询频次最少的N个映射关系条目替换为所述推荐映射关系表中的映射关系条目。
对于上述示例，需要说明的是，若当前通信时段为LISP网络在起始工作时段之后的已稳定工作的时段，那么说明此时ITR所缓存的映射关系表中的条目数量已达到所能缓存的数量上限，比如条目数量上限设置为L；那么在稳定工作时段，从映射解析器142收到推荐映射关系表之后，仍旧需要对已缓存的映射关系表进行更新，本发明实施例优选将已缓存的映射关系表中最不常用的条目进行替换，替换为映射解析器142所发送的推荐映射关系表的条目。基于此，在稳定工作时段，ITR每次查询已缓存的映射关系表中的条目时，针对被查询的条目的查询命中次数进行计数，在当前通信时段结束时，就可以获得如图6所示的映射信息命中频次表；接着，采用最不经常使用算法(LFU，Least Frequently Used)对已缓存的映射关系表中的条目对应的查询次数进行处理，举例来说，设定当前通信时段内已缓存的映射关系表总共被查询T次，然后将已缓存的映射关系表中每个条目对应的查询次数除以T，即可得到每一条映射信息被命中的频率，写入图6中长度为L的基于LFU的映射信息命中频率表中。对该表从大到小排序即可得到图6中长度为L的基于LFU的映射信息有序命中频率表，在图6中，L以10为例进行说明，可以理解地，该数值仅用于示例性说明，并非对本发明实施例的技术方案进行限制。将该表的后N条映射信息替换为由映射解析器推送回来的N条<目的EID-目的RLOC>映射信息，并清空替换之后已缓存的映射关系表中每一条目对应的查询次数，即可得到用于下一通信时段进行本地查找目的EID的缓存内容。
基于前述技术方案相同的发明构思，参见图7，其示出了本发明实施例提供的一种基于神经网络预测RLOC的装置70，该装置70可以应用于前述图1所示的网路结构中的映射系统14，尤其可以应用于映射系统14中的映射解析器142，所述装置70包括：第一接收部分701、统计部分702、预测部分703、建立部分704和发送部分705；其中，
所述第一接收部分701，经配置为：在当前通信时段，接收由入口隧道路由器ITR发送的映射查询请求；
所述统计部分702，经配置为基于接收到的映射查询请求统计所述当前通信时段内发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的终端标识EID；
所述预测部分703，经配置为根据统计数据预测在所述当前通信时段的下一个通信时段内查询概率最大的多个推荐目的EID；
所述建立部分704，经配置为在当前通信时段结束时，为所有推荐目的EID与所有推荐目的EID各自所映射的推荐目的路由定位符RLOC建立推荐目的EID到推荐目的RLOC的推荐映射关系表；
所述发送部分705，经配置为将所述推荐映射关系表发送至所述ITR，以使得所述ITR基于所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表。
在一些示例中，所述统计部分702，经配置为：
构建所述当前通信时段的初始反馈矩阵；其中，所述初始反馈矩阵的每一行各自对应一个ITR；每一列各自对应一个目的EID，所述初始反馈矩阵中的元素均为零；
在所述当前通信时段内，将发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的EID在所述初始反馈矩阵中的对应元素置1，获得所述当前通信时段的反馈矩阵。
在一些示例中，所述预测部分703，经配置为根据所述当前通信时段的反馈矩阵，利用广义矩阵分解以及多层感知机形成的神经网络协同过滤模型预测在所述当前通信时段的下一个通信时段内查询概率最大的N个推荐目的EID。
基于上述示例，所述预测部分703，经配置为：
根据所述反馈矩阵获取任一待预测ITR的特征向量
Figure BDA0002934676450000171
以及任一待预测目的EID的特征向量
Figure BDA0002934676450000172
利用ITR的潜在因子矩阵P以及目的EID的潜在因子矩阵Q分别按照下式获取待预测ITR的潜在向量pi以及待预测目的EID的潜在向量qe：
Figure BDA0002934676450000173
针对待预测ITR的潜在向量pi以及待预测目的EID的潜在向量qe，根据下式获得广义矩阵分解对应的输出分量φGMF：
Figure BDA0002934676450000174
其中，⊙表示向量的逐元素乘积，
Figure BDA0002934676450000175
表示用于广义矩阵分解部分的ITR的嵌入向量，
Figure BDA0002934676450000176
表示用于广义矩阵分解部分的目的EID的嵌入向量；
针对待预测ITR的潜在向量pi以及待预测目的EID的潜在向量qe，根据下式获得多层感知机对应的输出分量φMLP：
Figure BDA0002934676450000181
其中，
Figure BDA0002934676450000182
表示用于多层感知机部分的ITR的嵌入向量，
Figure BDA0002934676450000183
表示用于多层感知机部分的目的EID的嵌入向量；WL、bL、aL分别表示多层感知机中第L层隐藏层所对应的权重矩阵、偏置向量和激活函数；多层感知机的隐藏层共X层，φMLP＝zX，1<L≤X；
将所述广义矩阵分解对应的输出分量φGMF以及多层感知机对应的输出分量φMLP按照下式输出，获得待预测ITR与待预测目的EID的交互预测值
Figure BDA0002934676450000184
Figure BDA0002934676450000185
其中，σ表示输出层的激活函数，h表示输出层的连接权重；
基于所述隐式反馈矩阵中所述ITR与所述目的EID对应的元素值以及所述ITR与所述目的EID的交互预测值
Figure BDA0002934676450000186
通过反向传播更新所述多层感知机中第L层隐藏层所对应的权重矩阵和/或偏置向量、以及输出层的连接权重，直至训练获得所述隐式反馈矩阵中所述ITR与所述目的EID对应的元素值以及所述ITR与所述目的EID的交互预测值
Figure BDA0002934676450000187
之间的逐点损失最小；
根据所述隐式反馈矩阵中所有目的EID的通过训练完成后所得到的交互预测值由大到小排列之后，选取前N个目的EID作为在所述当前通信时段的下一个通信时段内的推荐EID。
可以理解地，上述为本发明实施例提供的关于基于神经网络预测RLOC的装置70的示意性方案。需要说明的是，该基于神经网络预测RLOC的装置70的技术方案与上述图2至图4所示的基于神经网络预测RLOC的方法的技术方案属于同一构思，上述基于神经网络预测RLOC的装置70的技术方案未详细描述的细节内容，均可以参见上述图2至图4所示的基于神经网络预测RLOC的方法的技术方案的描述。本发明实施例对此不做赘述。
可以理解地，在本实施例中，“部分”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是单元，还可以是模块也可以是非模块化的。
另外，在本实施例中的各组成部分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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例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全部或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)或processor(处理器)执行本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(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
因此，本实施例提供了一种计算机存储介质，所述计算机存储介质存储有基于神经网络预测RLOC的方法程序，所述基于神经网络预测RLOC的程序被至少一个处理器执行时实现上述技术方案中图2至图4所示的基于神经网络预测RLOC的方法步骤。
根据上述基于神经网络预测RLOC的装置70以及计算机存储介质，参见图8，其示出了本发明实施例提供的一种能够实施上述基于神经网络预测RLOC的装置70的计算设备80的具体硬件结构，该计算设备80可以包括：第一通信接口801，第一存储器802和第一处理器803；各个组件通过总线系统804耦合在一起。可理解，总线系统804用于实现这些组件之间的连接通信。总线系统804除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为总线系统804。其中，
所述第一通信接口801，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
所述第一存储器802，用于存储能够在所述第一处理器803上运行的计算机程序；
所述第一处理器803，用于在运行所述计算机程序时，执行前述技术方案中图2至图4所示的基于神经网络预测RLOC的方法步骤，这里不再进行赘述。
可以理解，本发明实施例中的第一存储器802可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read-Only Memory)、可编程只读存储器(PROM，Programmable ROM)、可擦除可编程只读存储器(EPROM，Erasable PROM)、电可擦除可编程只读存储器(EEPROM，ElectricallyEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM，Random Access Memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static RAM)、动态随机存取存储器(DRAM，Dynamic RAM)、同步动态随机存取存储器(SDRAM，Synchronous DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate SDRAM，)、增强型同步动态随机存取存储器(ESDRAM，Enhanced SDRAM)、同步连接动态随机存取存储器(SLDRAM，Synchlink DRAM)和直接内存总线随机存取存储器(DRRAM，Direct Rambus RAM)。本文描述的系统和方法的第一存储器802旨在包括但不限于这些和任意其它适合类型的存储器。
而第一处理器803可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过第一处理器803中的硬件的集成逻辑电路或者软件形式的指令完成。上述的第一处理器803可以是通用处理器、数字信号处理器(DSP，DigitalSignal Processor)、专用集成电路(ASIC，Application Specific Integrated Circuit)、现场可编程门阵列(FPGA，Field Programmable Gate Array)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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于第一存储器802，第一处理器803读取第一存储器802中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ASIC，Application Specific Integrated Circuits)、数字信号处理器(DSP，Digital SignalProcessing)、数字信号处理设备(DSPD，DSP Device)、可编程逻辑设备(PLD，ProgrammableLogic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
基于前述技术方案相同的发明构思，参见图9，其示出了本发明实施例提供的一种基于神经网络预测RLOC的装置90，该装置90可以应用于ITR，所述装置90包括：第二接收部分901和更新部分902；其中，
所述第二接收部分901，经配置为在当前通信时段结束时，接收在所述当前通信时段的下一个通信时段内的推荐目的EID到推荐目的RLOC的推荐映射关系表；
所述更新部分902，经配置为利用所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表，以供所述下一个通信时段查询目的EID所映射的目的RLOC。
在一些示例中，所述更新部分902经配置为：相应于所述当前通信时段为LISP网络起始工作时段，将所述当前通信时段内已缓存的映射关系表以及所述推荐映射关系表进行去重合并，获得更新后的映射关系表。
在一些示例中，相应于所述当前通信时段为LISP网络在起始工作时段之后的已稳定工作的时段，所述更新部分902还经配置为：
在当前通信时段内，统计已缓存的映射关系表中的各目的EID的被查询频次；
将已缓存的映射表中的目的EID到目的RLOC的映射关系条目按照目的EID的被查询频次进行排列；
基于所述推荐映射关系表的映射关系条目数量N，将已缓存的映射表中被查询频次最少的N个映射关系条目替换为所述推荐映射关系表中的映射关系条目。
另外，本实施例提供了一种计算机存储介质，该计算机存储介质存储有基于神经网络预测RLOC的程序，所述基于神经网络预测RLOC的程序被至少一个处理器执行时实现上述图5所示的技术方案及其实现方式中所述基于神经网络预测RLOC的方法的步骤。针对计算机存储介质的具体阐述，参见前述相关内容中的说明，在此不再赘述。
基于上述基于神经网络预测RLOC的装置90以及计算机存储介质，参见图10，其示出了本发明实施例提供的一种能够实现上述基于神经网络预测RLOC的装置90的计算设备100的具体硬件组成，可以包括第二网络接口1801、第二存储器1002和第二处理器1003；各个组件通过总线系统1004耦合在一起。可理解，总线系统1004用于实现这些组件之间的连接通信。总线系统1004除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图10中将各种总线都标为总线系统1004。
其中，所述第二网络接口1001，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
第二存储器1002，用于存储能够在第二处理器1003上运行的计算机程序；
第二处理器1003，用于在运行所述计算机程序时，执行上述图5所示的技术方案及其实现方式中所述方法的步骤，这里不再进行赘述。
可以理解地，本实施例中计算设备100的具体硬件结构中的组成部分，与前述技术方案中的相应部分类似，在此不做赘述。
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于神经网络预测RLOC的方法，其特征在于，所述方法包括：
在当前通信时段，接收由入口隧道路由器ITR发送的映射查询请求；
基于接收到的映射查询请求统计所述当前通信时段内发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的终端标识EID；
根据统计数据预测在所述当前通信时段的下一个通信时段内查询概率最大的多个推荐目的EID；
在当前通信时段结束时，为所有推荐目的EID与所有推荐目的EID各自所映射的推荐目的路由定位符RLOC建立推荐目的EID到推荐目的RLOC的推荐映射关系表；
将所述推荐映射关系表发送至所述ITR，以使得所述ITR基于所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表。
2.根据权利要求1所述的方法，其特征在于，所述基于接收到的映射查询请求统计所述当前通信时段内发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的终端标识EID，包括：
在所述当前通信时段内，根据接收到的所有映射查询请求构建一隐式反馈矩阵；其中，所述隐式反馈矩阵的每一行均对应在所述当前通信时段内发送映射查询请求的每个ITR；所述隐式反馈矩阵的每一列均对应在所述当前通信时段内映射查询请求所需查询的每个目的EID；每个映射查询请求所对应的发送ITR以及所需查询的目的EID在所述隐式反馈矩阵中的元素置1；所述隐式反馈矩阵中除置1元素以外的其他元素均置零。
3.根据权利要求2所述的方法，其特征在于，所述根据统计数据预测在所述当前通信时段的下一个通信时段内查询概率最大的多个推荐目的EID，包括：
根据所述隐式反馈矩阵中的每一个ITR以及所述隐式反馈矩阵中的每一个目的EID，执行以下过程：
获取所述ITR的特征向量
Figure FDA0002934676440000011
以及所述目的EID的特征向量
Figure FDA0002934676440000012
利用ITR的潜在因子矩阵P以及目的EID的潜在因子矩阵Q分别按照下式获取所述ITR的潜在向量pi以及所述EID的潜在向量qe：
Figure FDA0002934676440000021
针对所述ITR的潜在向量pi以及所述目的EID的潜在向量qe，根据下式获得广义矩阵分解对应的输出分量φGMF：
Figure FDA0002934676440000022
其中，⊙表示向量的逐元素乘积，
Figure FDA0002934676440000023
表示用于广义矩阵分解部分的ITR的嵌入向量，
Figure FDA0002934676440000024
表示用于广义矩阵分解部分的目的EID的嵌入向量；
针对所述ITR的潜在向量pi以及所述目的EID的潜在向量qe，根据下式获得多层感知机对应的输出分量φMLP：
Figure FDA0002934676440000025
其中，
Figure FDA0002934676440000026
表示用于多层感知机部分的ITR的嵌入向量，
Figure FDA0002934676440000027
表示用于多层感知机部分的目的EID的嵌入向量；WL、bL、aL分别表示多层感知机中第L层隐藏层所对应的权重矩阵、偏置向量和激活函数；多层感知机的隐藏层共X层，φMLP＝zX，1<L≤X；
将所述广义矩阵分解对应的输出分量φGMF以及多层感知机对应的输出分量φMLP按照下式输出，获得所述ITR与所述目的EID的交互预测值
Figure FDA0002934676440000028
Figure FDA0002934676440000029
其中，σ表示输出层的激活函数，h表示输出层的连接权重；
基于所述隐式反馈矩阵中所述ITR与所述目的EID对应的元素值以及所述ITR与所述目的EID的交互预测值
Figure FDA00029346764400000210
通过反向传播更新所述多层感知机中第L层隐藏层所对应的权重矩阵和/或偏置向量、以及输出层的连接权重，直至训练获得所述隐式反馈矩阵中所述ITR与所述目的EID对应的元素值以及所述ITR与所述目的EID的交互预测值
Figure FDA00029346764400000211
之间的逐点损失最小；
根据所述隐式反馈矩阵中所有目的EID的通过训练完成后所得到的交互预测值由大到小排列之后，选取前N个目的EID作为在所述当前通信时段的下一个通信时段内的推荐EID。
4.一种基于神经网络预测RLOC的方法，其特征在于，所述方法包括：
在当前通信时段结束时，接收在所述当前通信时段的下一个通信时段内的推荐目的EID到推荐目的RLOC的推荐映射关系表；
利用所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表，以供所述下一个通信时段查询目的EID所映射的目的RLOC。
5.根据权利要求4所述的方法，其特征在于，相应于所述当前通信时段为LISP网络起始工作时段，所述利用所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表，包括：
将所述当前通信时段内已缓存的映射关系表以及所述推荐映射关系表进行去重合并，获得更新后的映射关系表。
6.根据权利要求4所述的方法，其特征在于，相应于所述当前通信时段为LISP网络在起始工作时段之后的已稳定工作的时段，所述方法还包括：
在当前通信时段内，统计已缓存的映射关系表中的各目的EID的被查询频次；
将已缓存的映射表中的目的EID到目的RLOC的映射关系条目按照目的EID的被查询频次进行排列；
相应地，所述利用所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表，包括：
基于所述推荐映射关系表的映射关系条目数量N，将已缓存的映射表中被查询频次最少的N个映射关系条目替换为所述推荐映射关系表中的映射关系条目。
7.一种基于神经网络预测RLOC的装置，其特征在于，所述装置包括：第一接收部分、统计部分、预测部分、建立部分和发送部分；其中，
所述第一接收部分，经配置为：在当前通信时段，接收由入口隧道路由器ITR发送的映射查询请求；
所述统计部分，经配置为基于接收到的映射查询请求统计所述当前通信时段内发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的终端标识EID；
所述预测部分，经配置为根据统计数据预测在所述当前通信时段的下一个通信时段内查询概率最大的多个推荐目的EID；
所述建立部分，经配置为在当前通信时段结束时，为所有推荐目的EID与所有推荐目的EID各自所映射的推荐目的路由定位符RLOC建立推荐目的EID到推荐目的RLOC的推荐映射关系表；
所述发送部分，经配置为将所述推荐映射关系表发送至所述ITR，以使得所述ITR基于所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表。
8.一种基于神经网络预测RLOC的装置，其特征在于，所述装置包括：第二接收部分和更新部分；其中，
所述第二接收部分，经配置为在当前通信时段结束时，接收在所述当前通信时段的下一个通信时段内的推荐目的EID到推荐目的RLOC的推荐映射关系表；
所述更新部分，经配置为利用所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表，以供所述下一个通信时段查询目的EID所映射的目的RLOC。
9.一种计算设备，其特征在于，所述计算设备可以包括：通信接口，存储器和处理器；其中，
所述通信接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
所述存储器，用于存储能够在所述处理器上运行的计算机程序；
所述处理器，用于在运行所述计算机程序时，执行权利要求1至3任一项所述基于神经网络预测RLOC的方法的步骤，或者执行权利要求4至6任一项所述基于神经网络预测RLOC的方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有基于神经网络预测RLOC的程序，所述基于神经网络预测RLOC的程序被至少一个处理器执行时实现权利要求1至3中任一项或者权利要求4至6中任一项所述基于神经网络预测RLOC的方法步骤。
CN202110158266.9A 2021-02-04 2021-02-04 基于神经网络预测rloc的方法、装置、设备及计算机存储介质 Active CN112765204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110158266.9A CN112765204B (zh) 2021-02-04 2021-02-04 基于神经网络预测rloc的方法、装置、设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110158266.9A CN112765204B (zh) 2021-02-04 2021-02-04 基于神经网络预测rloc的方法、装置、设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN112765204A true CN112765204A (zh) 2021-05-07
CN112765204B CN112765204B (zh) 2023-04-07

Family

ID=75705064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110158266.9A Active CN112765204B (zh) 2021-02-04 2021-02-04 基于神经网络预测rloc的方法、装置、设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN112765204B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115174680A (zh) * 2022-07-05 2022-10-11 广州文远知行科技有限公司 可视化数据播放方法、装置、系统、设备及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1549182A (zh) * 2003-05-15 2004-11-24 季永萍 基于移动计算的新技术专业增值服务的实现装置
CN101841442A (zh) * 2010-02-08 2010-09-22 电子科技大学 一种在名址分离网络中对网络异常进行检测的方法
CN103473248A (zh) * 2012-12-17 2013-12-25 东北大学 一种路网环境下的连续移动k近邻查询方法
CN106059926A (zh) * 2016-05-11 2016-10-26 杭州华三通信技术有限公司 一种lisp组网双归属的实现方法及装置
US9569589B1 (en) * 2015-02-06 2017-02-14 David Laborde System, medical item including RFID chip, data collection engine, server and method for capturing medical data
CN106803930A (zh) * 2017-02-10 2017-06-06 上海斐讯数据通信技术有限公司 一种基于路由器的智能视频监控方法及智能路由器
CN109785062A (zh) * 2019-01-10 2019-05-21 电子科技大学 一种基于协同过滤模型的混合神经网络推荐系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1549182A (zh) * 2003-05-15 2004-11-24 季永萍 基于移动计算的新技术专业增值服务的实现装置
CN101841442A (zh) * 2010-02-08 2010-09-22 电子科技大学 一种在名址分离网络中对网络异常进行检测的方法
CN103473248A (zh) * 2012-12-17 2013-12-25 东北大学 一种路网环境下的连续移动k近邻查询方法
US9569589B1 (en) * 2015-02-06 2017-02-14 David Laborde System, medical item including RFID chip, data collection engine, server and method for capturing medical data
CN106059926A (zh) * 2016-05-11 2016-10-26 杭州华三通信技术有限公司 一种lisp组网双归属的实现方法及装置
CN106803930A (zh) * 2017-02-10 2017-06-06 上海斐讯数据通信技术有限公司 一种基于路由器的智能视频监控方法及智能路由器
CN109785062A (zh) * 2019-01-10 2019-05-21 电子科技大学 一种基于协同过滤模型的混合神经网络推荐系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HIROSHI YAMAMOTO，等: "LISP-based information multicasting system using location-aware P2P network technologies", 《2012 IEEE CONSUMER COMMUNICATIONS AND NETWORKING CONFERENCE (CCNC)》 *
靳明双等: "智慧协同网络研究进展", 《重庆邮电大学学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115174680A (zh) * 2022-07-05 2022-10-11 广州文远知行科技有限公司 可视化数据播放方法、装置、系统、设备及可读存储介质
CN115174680B (zh) * 2022-07-05 2023-07-25 广州文远知行科技有限公司 可视化数据播放方法、装置、系统、设备及可读存储介质

Also Published As

Publication number Publication date
CN112765204B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN103534993B (zh) 连接低功率网络域的标签交换路由选择方法和装置
CN101820386B (zh) 用于促进在以内容为中心的网络中转发分组的方法和系统
US8542686B2 (en) Ethernet forwarding database method
US9356879B2 (en) Optimized path maximum transmission unit discovery
US20080215609A1 (en) Method and system for data aggregation in a sensor network
US20170237689A1 (en) Two-Stage Port-Channel Resolution in a Multistage Fabric Switch
US20150088995A1 (en) Method and apparatus for sharing contents using information of group change in content oriented network environment
CN109842609B (zh) 用于网络地址转换的通信系统和方法
CN112765204B (zh) 基于神经网络预测rloc的方法、装置、设备及计算机存储介质
US20120106395A1 (en) Determining a route advertisement in a reactive routing environment
JP7451689B2 (ja) ネットワーク輻輳処理方法、モデル更新方法、および関連装置
US10136375B2 (en) Method for service data management, apparatus, and system
CN109547350A (zh) 一种路由学习方法及网关设备
CN105991793A (zh) 报文转发的方法和装置
US8862095B2 (en) Managing mobile nodes in a lawful intercept architecture
CN115529266B (zh) 一种路由选择方法、装置及设备
Putra et al. Adaptive LRFU replacement policy for named data network in industrial IoT
KR20210066114A (ko) 이기종 IoT 장치와 IoT 플랫폼의 연동을 위한 프록시, 방법 및 상기 프록시를 포함하는 시스템
CN114979090A (zh) IPv6数据包处理方法、装置、计算机设备和存储介质
CN111935019A (zh) 数字对象寻址方法、装置及设备、存储介质
US10033642B2 (en) System and method for making optimal routing decisions based on device-specific parameters in a content centric network
CN110581802A (zh) 基于深度信念网络的全自主智能路由方法及装置
US20230362279A1 (en) Interest packet orchestration in information centric networking
EP3895390A1 (en) Service chaining mechanism for data flow processing
CN117221224B (zh) 一种表项构建、查找方法、装置、网络设备及存储介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231227

Address after: 725199 Fenghuang international commercial pedestrian street, Chengguan Town, Hanyin County, Ankang City, Shaanxi Province

Patentee after: Hanyin county social governance Intelligent Technology Co.,Ltd.

Address before: 710071 Taibai South Road, Yanta District, Xi'an, Shaanxi Province, No. 2

Patentee before: XIDIAN University