CN113014484A - 一种基于bp神经网络蚁群算法的网络路由规划方法及系统 - Google Patents

一种基于bp神经网络蚁群算法的网络路由规划方法及系统 Download PDF

Info

Publication number
CN113014484A
CN113014484A CN202110181751.8A CN202110181751A CN113014484A CN 113014484 A CN113014484 A CN 113014484A CN 202110181751 A CN202110181751 A CN 202110181751A CN 113014484 A CN113014484 A CN 113014484A
Authority
CN
China
Prior art keywords
node
path
network
pheromone
information
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
CN202110181751.8A
Other languages
English (en)
Other versions
CN113014484B (zh
Inventor
宋杨
诸葛斌
董黎刚
蒋献
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.)
Hangzhou Breeze Enterprise Technology Co ltd
Original Assignee
Zhejiang Gongshang 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 Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN202110181751.8A priority Critical patent/CN113014484B/zh
Publication of CN113014484A publication Critical patent/CN113014484A/zh
Application granted granted Critical
Publication of CN113014484B publication Critical patent/CN113014484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00Routing or path finding of packets in data switching networks
    • H04L45/38Flow based routing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/047Probabilistic or stochastic networks
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/02Standardisation; Integration
    • H04L41/0213Standardised network management protocols, e.g. simple network management protocol [SNMP]
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00Routing or path finding of packets in data switching networks
    • H04L45/12Shortest path evaluation
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00Traffic control in data switching networks
    • H04L47/10Flow control; Congestion control
    • H04L47/12Avoiding congestion; Recovering from congestion
    • H04L47/125Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明提供了一种基于BP神经网络蚁群算法的网络路由规划方法和系统,涉及网络路由规划的领域,克服了现有技术中传统蚁群算法很难适用于当前日益复杂的网络环境且无法保证在网络设备资源有限的约束下提供相对较优的丢包率、时延、带宽、拥塞率以及时延抖动的不足,通过本发明的方法和系统可以有效得躲避预测流量过高的网络节点,避免网络流量只走“最短路径”减少网络拥塞,避免链路局部产生不必要的恶化,从而最终达到网络负载均衡。

Description

一种基于BP神经网络蚁群算法的网络路由规划方法及系统
技术领域
本发明涉及网络路由规划的领域,特别涉及一种基于BP神经网络蚁群算法的网络路由规划方法及系统。
背景技术
路由规划是指根据网络现有结构,设计比较适合的路由算法,在能够实现优化的网络路径选择的同时具有路径均衡功能,保证在网络结构发生变化时数据能够通过其他路径迂回,保证网络的通畅。
目前的路由规划方案基本上是使用传统蚁群算法来优化路径,解决受限路由问题。该算法应用于解决优化问题的基本思路为:用蚂蚁的行走路径表示待优化问题的可行解,整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的,蚂蚁释放的信息素量较多,随着时间的推进,较短的路径上累积的信息素浓度逐渐增高,选择该路径的蚂蚁个数也愈来愈多。最终,整个蚂蚁会在正反馈的作用下集中到最佳的路径上,此时对应的便是待优化问题的最优解。从而来达到优化路径的目的。
针对传统蚁群算法很难适用于当前这种日益复杂的网络环境,一方面基本的蚁群算法只考虑怎么寻找最短路径,未考虑网络的QoS(Quality of Service,服务质量)以及转发层网络设备的负载能力。计算出来的路径,无法保证在网络设备资源有限的约束下提供相对较优的丢包率、时延、带宽、拥塞率以及时延抖动。另一方面基本蚁群算法收敛速度过慢而且非常容易陷入局部最优解。
发明内容
本发明为了克服现有技术的不足,提供一种基于BP神经网络蚁群算法的网络路由规划方法及系统,可以有效的躲避预测流量过高的网络节点,避免网络流量只走“最短路径”减少网络拥塞,避免链路局部产生不必要的恶化。从而最终达到网络负载均衡。
为了实现上述目的,本发明实施例提供了一种基于BP神经网络蚁群算法的网络路由规划方法,包括:
初始化网络节点信息、节点距离信息、QoS信息、网络节点资源约束信息、启发因子信息、信息素因子信息;
设定起点并将蚂蚁放到所述起点位置;
以当前网络节点上的速率作为数据集,通过BL-LSTM基于线性回归的长短时记忆网络算法预测出短时间内到达下一跳所有可能节点的O-D出发节点-目的节点流大小并保存至数据到控制器;
通过公式
Figure BDA0002941664010000021
过滤掉一部分负载即将过高的节点,其中所述θij(t)是躲避函数,α是调节函数,
Figure BDA0002941664010000022
表示从节点i到节点j当前的流量,
Figure BDA0002941664010000023
表示从节点i到节点j最大带宽容量,b为偏置用来调节函数的高低;
对路径中的信息素进行更新并将每条路径的信息素按照挥发因子进行挥发:
根据信息素重置蚂蚁的初始位置并从起点到终点重新开始循环;
获得路由的最优路径。
可选的,所述对路径中的信息素进行更新并将每条路径上的信息素按照挥发因子进行挥发包括:根据需求设置不同的约束条件、不同的节点类型使用不同的启发函数,所述启发函数表示数据包从节点i转移到节点j的期望程度;
获取状态转移概率,把所有路径概率分布在一个轮盘上,一条路径对应一个扇面,通过一个随机函数来生成一个0~1之间的随机变量i,通过变量i来确定指针落在轮盘的哪个扇面上;
根据公式
Figure BDA0002941664010000031
计算状态转移概率,其中gij(t)表示选择下一跳为j结点的概率,τij(t)表示信息的浓度,ηij(t)表示启发函数,α表示信息素浓度影响因子,β表示启发函数的影响因子,L表示下一跳可选结点的集合,θij(t)表示躲避函数,γ表示剩余带宽对路径选择的作用;
根据状态转移概率与增长或减少前的信息素增减量的关系计算信息素变化量,如果gij(t)增长,则信息素变化量为
Figure BDA0002941664010000032
Figure BDA0002941664010000033
表示数据包第k次路由之后经过某一节点的上面残留的信息素,如果gij(t)减小,则
Figure BDA0002941664010000034
可选的,所述根据信息素重置蚂蚁的初始位置并从起点到终点重新开始循环包括:从起点到终点经过的路径作为一次循环,计算路径总长度并更新资源信息;通过SNMP简单网络管理协议记录当前链路的流量并上传到控制器;控制器根据新的流量数据集进行流量预测;控制器根据新的流量信息和资源信息计算最优路径,并过滤掉负载状况不好的节点;每次循环结束之后将当前路径和当前的最短路径进行比较,如果当前路径更短就记录当前路径到best_path数组当中去,如果状况持平或更长就选择当前路径进行转发。
可选的,所述设定起点并将蚂蚁放到所述起点位置后还包括:初始化网络拓扑禁忌表,为了防止走重复节点导致网络路径成环,未走过的节点用false表示;查找缓存表内是不是有相同拓扑和约束下的路径,如果有就输出路径,否则进行下一步。
本发明实施例还提供了一种基于BP神经网络蚁群算法的网络路由规划系统,包括:初始化模块,所述初始化模块被配置为初始化网络节点信息、节点距离信息、QoS信息、网络节点资源约束信息、启发因子信息、信息素因子信息;起点设定模块,所述起点设定模块被配置为设定起点并将蚂蚁放到所述起点位置;出发目的节点流计算模块,所述出发目的节点流计算模块被配置为以当前网络节点上的速率作为数据集,通过BL-LSTM基于线性回归的长短时记忆网络算法预测出短时间内到达下一跳所有可能节点的O-D出发节点-目的节点流大小并保存至数据到控制器;节点过滤模块,所述节点过滤模块被配置为:
通过公式
Figure BDA0002941664010000041
过滤掉一部分负载即将过高的节点,其中所述θij(t)是躲避函数,α是调节函数,
Figure BDA0002941664010000042
表示从节点i到节点j当前的流量,
Figure BDA0002941664010000043
表示从节点i到节点j最大带宽容量,b为偏置用来调节函数的高低;信息素更新模块,所述信息素更新模块被配置为对路径中的信息素进行更新并将每条路径的信息素按照挥发因子进行挥发:循环模块,所述循环模块被配置为根据信息素重置蚂蚁的初始位置并从起点到终点重新开始循环;最优路径获取模块,所述最优路径获取模块被配置为获得路由的最优路径。
可选的,所述信息素更新模块还包括:启发函数设定模块,所述启发函数设定模块被配置为根据需求设置不同的约束条件、不同的节点类型使用不同的启发函数,所述启发函数表示数据包从节点i转移到节点j的期望程度;状态转移概率获取模块,所述状态转移概率获取模块被配置为获取状态转移概率,把所有路径概率分布在一个轮盘上,一条路径对应一个扇面,通过一个随机函数来生成一个0~1之间的随机变量i,通过变量i来确定指针落在轮盘的哪个扇面上;状态转移概率计算模块,所述状态转移概率计算模块被配置为
根据公式
Figure BDA0002941664010000044
计算状态转移概率,其中gij(t)表示选择下一跳为j结点的概率,τij(t)表示信息的浓度,ηij(t)表示启发函数,α表示信息素浓度影响因子,β表示启发函数的影响因子,L表示下一跳可选结点的集合,θij(t)表示躲避函数,γ表示剩余带宽对路径选择的作用;信息素变化量计算模块,所述信息素变化量计算模块被配置为根据状态转移概率与增长或减少前的信息素增减量的关系计算信息素变化量,如果gij(t)增长,则信息素变化量为
Figure BDA0002941664010000051
表示数据包第k次路由之后经过某一节点的上面残留的信息素,如果gij(t)减小,则
Figure BDA0002941664010000052
可选的,所述循环模块还包括:路径长度计算模块,所述路径长度计算模块被配置为从起点到终点经过的路径作为一次循环,计算路径总长度并更新资源信息;流量记录模块,所述流量记录模块被配置为通过SNMP简单网络管理协议记录当前链路的流量并上传到控制器;流量预测模块,所述流量预测模块被配置为根据新的流量数据集进行流量预测;最优路径计算模块,所述最优路径计算模块被配置为根据新的流量信息和资源信息计算最优路径,并过滤掉负载状况不好的节点;记录和转发模块,所述记录和转发模块被配置为每次循环结束之后将当前路径和当前的最短路径进行比较,如果当前路径更短就记录当前路径到best_path数组当中去,如果状况持平或更长就选择当前路径进行转发。
可选的,还包括:初始化模块,所述初始化模块被配置为初始化网络拓扑禁忌表,为了防止走重复节点导致网络路径成环,未走过的节点用false表示;查找模块,所述查找模块被配置为查找缓存表内是不是有相同拓扑和约束下的路径,如果有就输出路径,否则进行下一步。
综上所述,本发明的有益效果在于:
本发明实施例的一种基于BP神经网络蚁群算法的网络路由规划方法可以在预测网络流量的指导下,使用改进的蚁群算法BP-ACO(Based Prediction-ACO,基于流量预测的蚁群算法)来进行路由规划,可以有效的躲避预测流量过高的网络节点,避免网络流量只走“最短路径”减少网络拥塞,避免链路局部产生不必要的恶化。从而最终达到网络负载均衡。且采用本发明提供的基于基于BP神经网络蚁群算法的网络路由规划方法能考虑网络的服务质量以及转发层网络设备的负载能力,能在网络设备资源有限的约束下提供相对较优的丢包率、时延、带宽、拥塞率以及时延抖动。
为让本发明的上述和其它目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合附图,作详细说明如下。
附图说明
图1是本发明实施例提供的基于BP神经网络蚁群算法的网络路由规划方法流程图;
图2是本发明实施例提供的初始化和查找步骤的流程图;
图3是本发明实施例提供的部分流量数据集示意图;
图4是本发明实施例提供的将路径中的信息素进行更新并按照挥发因子进行挥发的具体流程图;
图5是本发明实施例提供的根据信息素重置蚂蚁初始位置并重新开始循环的流程图;
图6是本发明实施例提供的采用改进的蚁群算法BP-ACO的路由规划方法仿真图;
图7是本发明实施例提供的采用改进的蚁群算法BP-ACO的路由规划方法与采用传统蚁群算法的拥塞性能对比图;
图8是本发明实施例提供的采用改进的蚁群算法BP-ACO路由规划方法与采用传统蚁群算法的时延性能对比图;
图9是本发明实施例提供的基于BP神经网络蚁群算法的网络路由规划系统框图;
图10是本发明实施例提供的基于BP神经网络蚁群算法的网络路由规划系统中信息素更新模块的具体框图;
图11是本发明实施例提供的基于BP神经网络蚁群算法的网络路由规划系统中循环模块具体框图。
具体实施方式
为了便于本领域技术人员的理解,下面将结合具体实施例对本发明作进一步详细描述。
本发明实施例首先提供了一种基于BP神经网络蚁群算法的网络路由规划方法,图1是本发明实施例提供的基于BP神经网络蚁群算法的网络路由规划方法流程图。
如图1所示,步骤S100:初始化所有信息,其中首先初始化网络节点信息,节点距离信息,QoS(Quality of Service,服务质量)信息,网络节点资源约束信息,启发因子信息,信息素因子信息。
步骤S200:设定起点并将蚂蚁放到所述起点位置;
在本实施例中,如图2所示,所述设定起点并将蚂蚁放到所述起点位置后还包括:
步骤S210:初始化网络拓扑禁忌表,为了防止走重复节点导致网络路径成环,未走过的节点用false表示;
步骤S220:查找缓存表内是不是有相同拓扑和约束下的路径,如果有就输出路径,否则进行下一步。
步骤S300:计算出到达下一跳所有可能节点的O-D节点流大小并保存,其中以当前网络节点上的速率作为数据集,将如图3所示的流量数据集通过BL-LSTM(based linearregression-LSTM,基于线性回归的长短时记忆网络)算法预测出短时间内到达下一跳所有可能节点的O-D(origin-destination,出发节点-目的节点)流大小,保存数据到控制器。
步骤S400:过滤掉一部分负载即将过高的节点,其中
通过公式
Figure BDA0002941664010000071
过滤掉一部分负载即将过高的节点,其中所述θij(t)是躲避函数,α是调节函数,
Figure BDA0002941664010000072
表示从节点i到节点j当前的流量,
Figure BDA0002941664010000073
表示从节点i到节点j最大带宽容量,b为偏置用来调节函数的高低。
步骤S500:对路径中的信息素进行更新并将每条路径的信息素按照挥发因子进行挥发:
在本实施例中,路径开始更新信息素,每条路径上的信息素按照挥发因子进行挥发,判断当前路径是不是已经达到稳定,如果已达到稳定则执行步骤二,如果未达到稳定则执行步骤一;其中步骤一)保存当前路径到缓存数组中,如果超过缓存上限则删除第一条数据,未超过就继续添加数据到数组中。步骤二)重置蚂蚁的初始位置,并重新开始循环。
步骤S600:根据信息素重置蚂蚁的初始位置并从起点到终点重新开始循环。
步骤S700:获得路由的最优路径。
图4是本发明实施例提供的对步骤S400中路径中的信息素进行更新并将每条路径上的信息素按照挥发因子进行挥发的具体流程图。
步骤S410:根据需求设置不同的约束条件,不同的节点类型使用不同的启发函数。其中需求是指面向5G的三大应用场景:uRLLC超高可靠超低时延通信、eMBB增强移动宽带、mMTC大连接物联网。根据不同的应用场景设置不同的约束条件:uRLLC的约束条件为时延、资源、丢包率、时延抖动;eMBB的约束条件为速率、丢包率、时延抖动、带宽;mMTC的约束条件为带宽、丢包率、时延抖动、物理资源。其中启发函数表示数据包从节点i转移到节点j的期望程度。
步骤S420:获取状态转移概率,其中通过构建轮盘赌方法获取状态转移概率,把所有路径概率分布在一个轮盘上,一条路径对应一个扇面,通过一个随机函数来生成一个0~1之间的随机变量i,通过变量i来确定指针落在轮盘的哪个扇面上,其中因为节点的信息素增量和增长前的状态转移概率
Figure BDA0002941664010000081
成反比。信息素减少量和减少前的状态转移概率成正比,所以本身概率低的优良路径会因此信息素增长迅速,而更容易被选中。自身概率非常高的普通节点会因此信息素下降非常迅速,而更容易被替代。算法通过这种方式鼓励新路径的发现。
步骤S430:计算状态转移概率,
其中根据公式
Figure BDA0002941664010000091
计算状态转移概率,其中gij(t)表示选择下一跳为j结点的概率,τij(t)表示信息的浓度,ηij(t)表示启发函数,α表示信息素浓度影响因子,β表示启发函数的影响因子,L表示下一跳可选结点的集合,θij(t)表示躲避函数,γ表示剩余带宽对路径选择的作用。
步骤S440:计算信息素变化量,如果公式中状态转移概率gij(t)增长,则信息素变化量
Figure BDA0002941664010000092
表示数据包第k次路由之后经过某一节点的上面残留的信息素,如果状态转移概率减小,则
Figure BDA0002941664010000093
图5是本发明实施例提供的根据信息素重置蚂蚁初始位置并重新开始循环的流程图,如图5所示:
步骤S610:计算路径总长度并更新资源信息,其中从起点到终点经过的路径作为一次循环,每一次循环结束之后,计算路径总长度并更新资源信息。
步骤S620:记录当前链路的流量并上传到控制器,其中通过SNMP(简单网络管理协议)记录当前链路的流量上传到控制器,
步骤S630:控制器再根据新的流量数据集进行流量预测。
步骤S640:控制器再根据新的流量信息和资源信息计算最优路径,并过滤掉负载状况不好的节点。
步骤S650:每次循环结束之后和当前的最短路径进行比较,如果当前路径更短就记录当前路径到best_path数组当中去,如果状况持平或更差就选择当前路径进行转发。
综上,本发明提供了一种基于BP神经网络蚁群算法的网络路由规划方法,使用本方法可以有效的躲避预测流量过高的网络节点,避免网络流量只走“最短路径”减少网络拥塞,避免链路局部产生不必要的恶化。从而最终达到网络负载均衡。图6是本发明实施例提供的采用BP-ACO蚁群算法的路由规划方法仿真图;其中如图6所示,黑点是默认路径上的结点,当流量预测到负载过高的结点时,通过蚁群算法来躲避这些负载过高的结点,选择性能较好的新结点即白点,实现一个路径的切换,最终达到网络负载均衡。
图7是本发明实施例提供的采用BP-ACO蚁群算法的路由规划方法与采用传统蚁群算法的拥塞性能对比图;图8是本发明实施例提供的采用BP-ACO算法的路由规划方法与采用传统蚁群算法的时延性能对比图;如图7和图8是与传统蚁群算法的性能比较,在图7中,实线是采用传统蚁群算法ACO得到的拥塞率,虚线是采用本发明提供的基于BP神经网络蚁群算法的网络路由规划方法得到的拥塞率。在图8中,实线是采用传统蚁群算法ACO得到的时延,虚线是采用本发明提供的基于BP神经网络蚁群算法的网络路由规划方法得到的时延。可以明显看出,BP-ACO相比ACO具有更好的拥塞性能和时延性能。
此外,本发明还提供了一种基于BP神经网络蚁群算法的网络路由规划系统,如图9所示,所述系统包括:
初始化模块100,所述初始化模块被配置为初始化网络节点信息、节点距离信息、QoS信息、网络节点资源约束信息、启发因子信息、信息素因子信息;
起点设定模块200,所述起点设定模块被配置为设定起点并将蚂蚁放到所述起点位置;
出发目的节点流计算模块300,所述出发目的节点流计算模块被配置为以当前网络节点上的速率作为数据集,通过BL-LSTM基于线性回归的长短时记忆网络算法预测出短时间内到达下一跳所有可能节点的O-D出发节点-目的节点流大小并保存至数据到控制器;
节点过滤模块400,所述节点过滤模块被配置为:
通过公式
Figure BDA0002941664010000111
过滤掉一部分负载即将过高的节点,其中所述θij(t)是躲避函数,α是调节函数,
Figure BDA0002941664010000112
表示从节点i到节点j当前的流量,
Figure BDA0002941664010000113
表示从节点i到节点j最大带宽容量,b为偏置用来调节函数的高低;
信息素更新模块500,所述信息素更新模块被配置为对路径中的信息素进行更新并将每条路径的信息素按照挥发因子进行挥发:
循环模块600,所述循环模块被配置为根据信息素重置蚂蚁的初始位置并从起点到终点重新开始循环;
最优路径获取模块700,所述最优路径获取模块被配置为获得路由的最优路径。
此外,如图10所示,在本发明实施例中所述信息素更新模块具体还包括:
启发函数设定模块410,所述启发函数设定模块被配置为根据需求设置不同的约束条件、不同的节点类型使用不同的启发函数,所述启发函数表示数据包从节点i转移到节点j的期望程度;
状态转移概率获取模块420,所述状态转移概率获取模块被配置为获取状态转移概率,把所有路径概率分布在一个轮盘上,一条路径对应一个扇面,通过一个随机函数来生成一个0~1之间的随机变量i,通过变量i来确定指针落在轮盘的哪个扇面上;
状态转移概率计算模块430,所述状态转移概率计算模块被配置为根据公式
Figure BDA0002941664010000114
计算状态转移概率,其中gij(t)表示选择下一跳为j结点的概率,τij(t)表示信息的浓度,ηij(t)表示启发函数,α表示信息素浓度影响因子,β表示启发函数的影响因子,L表示下一跳可选结点的集合,θij(t)表示躲避函数,γ表示剩余带宽对路径选择的作用;
信息素变化量计算模块440,所述信息素变化量计算模块被配置为根据状态转移概率与增长或减少前的信息素增减量的关系计算信息素变化量,如果gij(t)增长,则信息素变化量为
Figure BDA0002941664010000121
表示数据包第k次路由之后经过某一节点的上面残留的信息素,如果gij(t)减小,则
Figure BDA0002941664010000122
此外,如图11所示,在本发明实施例中所述循环模块还包括:
路径长度计算模块610,所述路径长度计算模块被配置为从起点到终点经过的路径作为一次循环,计算路径总长度并更新资源信息;
流量记录模块620,所述流量记录模块被配置为通过SNMP简单网络管理协议记录当前链路的流量并上传到控制器;
流量预测模块630,所述流量预测模块被配置为根据新的流量数据集进行流量预测;
最优路径计算模块640,所述最优路径计算模块被配置为根据新的流量信息和资源信息计算最优路径,并过滤掉负载状况不好的节点;
记录和转发模块650,所述记录和转发模块被配置为每次循环结束之后将当前路径和当前的最短路径进行比较,如果当前路径更短就记录当前路径到best_path数组当中去,如果状况持平或更长就选择当前路径进行转发。
在本实施例中,本申请提供的基于BP神经网络蚁群算法的网络路由规划系统可以实现为一种程序的形式,程序在智能终端设备上运行。智能终端的存储器中可存储组成该基于BP神经网络蚁群算法的网络路由规划系统的各个程序模块,比如,初始化模块100、起点设定模块200、出发目的节点流计算模块300、节点过滤模块400、信息素更新模块500、循环模块600、最优路径获取模块700等。各个程序模块构成的程序使得处理器执行本说明书中描述的本申请各个实施例的一种基于BP神经网络蚁群算法的网络路由规划方法中的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于BP神经网络蚁群算法的网络路由规划方法,其特征在于,包括:
初始化网络节点信息、节点距离信息、QoS信息、网络节点资源约束信息、启发因子信息、信息素因子信息;
设定起点并将蚂蚁放到所述起点位置;
以当前网络节点上的速率作为数据集,通过BL-LSTM基于线性回归的长短时记忆网络算法预测出短时间内到达下一跳所有可能节点的O-D出发节点-目的节点流大小并保存至数据到控制器;
通过公式
Figure FDA0002941657000000011
过滤掉一部分负载即将过高的节点,其中所述θij(t)是躲避函数,α是调节函数,
Figure FDA0002941657000000012
表示从节点i到节点j当前的流量,
Figure FDA0002941657000000013
表示从节点i到节点j最大带宽容量,b为偏置用来调节函数的高低;
对路径中的信息素进行更新并将每条路径的信息素按照挥发因子进行挥发:
根据信息素重置蚂蚁的初始位置并从起点到终点重新开始循环;
获得路由的最优路径。
2.根据权利要求1所述的基于BP神经网络蚁群算法的网络路由规划方法,其特征在于,所述对路径中的信息素进行更新并将每条路径上的信息素按照挥发因子进行挥发包括:根据需求设置不同的约束条件、不同的节点类型使用不同的启发函数,所述启发函数表示数据包从节点i转移到节点j的期望程度;
获取状态转移概率,把所有路径概率分布在一个轮盘上,一条路径对应一个扇面,通过一个随机函数来生成一个0~1之间的随机变量i,通过变量i来确定指针落在轮盘的哪个扇面上;
根据公式
Figure FDA0002941657000000014
计算状态转移概率,其中gij(t)表示选择下一跳为j结点的概率,τij(t)表示信息的浓度,ηij(t)表示启发函数,α表示信息素浓度影响因子,β表示启发函数的影响因子,L表示下一跳可选结点的集合,θij(t)表示躲避函数,γ表示剩余带宽对路径选择的作用;
根据状态转移概率与增长或减少前的信息素增减量的关系计算信息素变化量,如果gij(t)增长,则信息素变化量为
Figure FDA0002941657000000021
Figure FDA0002941657000000022
表示数据包第k次路由之后经过某一节点的上面残留的信息素,如果gij(t)减小,则
Figure FDA0002941657000000023
Figure FDA0002941657000000024
表示数据包第k次路由之后经过某一节点的上面残留的信息素。
3.根据权利要求1所述的基于BP神经网络蚁群算法的网络路由规划方法,其特征在于,所述根据信息素重置蚂蚁的初始位置并从起点到终点重新开始循环包括:
从起点到终点经过的路径作为一次循环,计算路径总长度并更新资源信息;
通过SNMP简单网络管理协议记录当前链路的流量并上传到控制器;
控制器根据新的流量数据集进行流量预测;
控制器根据新的流量信息和资源信息计算最优路径,并过滤掉负载状况不好的节点;
每次循环结束之后将当前路径和当前的最短路径进行比较,如果当前路径更短就记录当前路径到best_path数组当中去,如果状况持平或更长就选择当前路径进行转发。
4.根据权利要求1所述的基于BP神经网络蚁群算法的网络路由规划方法,其特征在于,所述设定起点并将蚂蚁放到所述起点位置后还包括:
初始化网络拓扑禁忌表,为了防止走重复节点导致网络路径成环,未走过的节点用false表示;
查找缓存表内是不是有相同拓扑和约束下的路径,如果有就输出路径,否则进行下一步。
5.一种基于BP神经网络蚁群算法的网络路由规划系统,其特征在于,包括:
初始化模块,所述初始化模块被配置为初始化网络节点信息、节点距离信息、QoS信息、网络节点资源约束信息、启发因子信息、信息素因子信息;
起点设定模块,所述起点设定模块被配置为设定起点并将蚂蚁放到所述起点位置;
出发目的节点流计算模块,所述出发目的节点流计算模块被配置为以当前网络节点上的速率作为数据集,通过BL-LSTM基于线性回归的长短时记忆网络算法预测出短时间内到达下一跳所有可能节点的O-D出发节点-目的节点流大小并保存至数据到控制器;
节点过滤模块,所述节点过滤模块被配置为:
通过公式
Figure FDA0002941657000000031
过滤掉一部分负载即将过高的节点,其中所述θij(t)是躲避函数,α是调节函数,
Figure FDA0002941657000000032
表示从节点i到节点j当前的流量,
Figure FDA0002941657000000033
表示从节点i到节点j最大带宽容量,b为偏置用来调节函数的高低;
信息素更新模块,所述信息素更新模块被配置为对路径中的信息素进行更新并将每条路径的信息素按照挥发因子进行挥发:
循环模块,所述循环模块被配置为根据信息素重置蚂蚁的初始位置并从起点到终点重新开始循环;
最优路径获取模块,所述最优路径获取模块被配置为获得路由的最优路径。
6.根据权利要求5所述的基于BP神经网络蚁群算法的网络路由规划系统,其特征在于,所述信息素更新模块还包括:
启发函数设定模块,所述启发函数设定模块被配置为根据需求设置不同的约束条件、不同的节点类型使用不同的启发函数,所述启发函数表示数据包从节点i转移到节点j的期望程度;
状态转移概率获取模块,所述状态转移概率获取模块被配置为获取状态转移概率,把所有路径概率分布在一个轮盘上,一条路径对应一个扇面,通过一个随机函数来生成一个0~1之间的随机变量i,通过变量i来确定指针落在轮盘的哪个扇面上;
状态转移概率计算模块,所述状态转移概率计算模块被配置为
根据公式
Figure FDA0002941657000000041
计算状态转移概率,其中gij(t)表示选择下一跳为j结点的概率,τij(t)表示信息的浓度,ηij(t)表示启发函数,α表示信息素浓度影响因子,β表示启发函数的影响因子,L表示下一跳可选结点的集合,θij(t)表示躲避函数,γ表示剩余带宽对路径选择的作用;
信息素变化量计算模块,所述信息素变化量计算模块被配置为根据状态转移概率与增长或减少前的信息素增减量的关系计算信息素变化量,如果gij(t)增长,则信息素变化量为
Figure FDA0002941657000000042
Figure FDA0002941657000000043
表示数据包第k次路由之后经过某一节点的上面残留的信息素,如果gij(t)减小,则
Figure FDA0002941657000000044
7.根据权利要求5所述的基于BP神经网络蚁群算法的网络路由规划系统,其特征在于,所述循环模块还包括:
路径长度计算模块,所述路径长度计算模块被配置为从起点到终点经过的路径作为一次循环,计算路径总长度并更新资源信息;
流量记录模块,所述流量记录模块被配置为通过SNMP简单网络管理协议记录当前链路的流量并上传到控制器;
流量预测模块,所述流量预测模块被配置为根据新的流量数据集进行流量预测;
最优路径计算模块,所述最优路径计算模块被配置为根据新的流量信息和资源信息计算最优路径,并过滤掉负载状况不好的节点;
记录和转发模块,所述记录和转发模块被配置为每次循环结束之后将当前路径和当前的最短路径进行比较,如果当前路径更短就记录当前路径到best_path数组当中去,如果状况持平或更长就选择当前路径进行转发。
8.根据权利要求5所述的基于BP神经网络蚁群算法的网络路由规划系统,其特征在于,还包括:
初始化模块,所述初始化模块被配置为初始化网络拓扑禁忌表,为了防止走重复节点导致网络路径成环,未走过的节点用false表示;
查找模块,所述查找模块被配置为查找缓存表内是不是有相同拓扑和约束下的路径,如果有就输出路径,否则进行下一步。
CN202110181751.8A 2021-02-09 2021-02-09 一种基于bp神经网络蚁群算法的网络路由规划方法及系统 Active CN113014484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110181751.8A CN113014484B (zh) 2021-02-09 2021-02-09 一种基于bp神经网络蚁群算法的网络路由规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110181751.8A CN113014484B (zh) 2021-02-09 2021-02-09 一种基于bp神经网络蚁群算法的网络路由规划方法及系统

Publications (2)

Publication Number Publication Date
CN113014484A true CN113014484A (zh) 2021-06-22
CN113014484B CN113014484B (zh) 2022-09-27

Family

ID=76402056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110181751.8A Active CN113014484B (zh) 2021-02-09 2021-02-09 一种基于bp神经网络蚁群算法的网络路由规划方法及系统

Country Status (1)

Country Link
CN (1) CN113014484B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422424A (zh) * 2021-12-30 2022-04-29 中国电信股份有限公司 一种传输网络的路由计算方法及装置
CN114666805A (zh) * 2022-04-28 2022-06-24 中国人民解放军国防科技大学 一种适用于多颗粒度业务的光网络规划方法及系统
CN115208821A (zh) * 2022-07-18 2022-10-18 广东电网有限责任公司 一种基于bp神经网络的跨网络路由转发方法和装置
CN115361330A (zh) * 2022-07-09 2022-11-18 中国科学院上海微系统与信息技术研究所 一种用于分布式神经网络的边缘网络通信路径选择方法
CN115567423A (zh) * 2021-12-25 2023-01-03 深圳市奥斯达通信有限公司 Ovs网络流量加速优化方法及其系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107453801A (zh) * 2017-08-28 2017-12-08 西安电子科技大学 一种面向卫星网络的分层多路径路由方法
CN107911299A (zh) * 2017-10-24 2018-04-13 浙江工商大学 一种基于深度q学习的路由规划方法
CN108600103A (zh) * 2018-04-18 2018-09-28 江苏物联网研究发展中心 面向多层级网络的多QoS路由约束的蚁群算法
CN109617819A (zh) * 2019-01-29 2019-04-12 南京邮电大学 基于流量分类的软件定义回程网络路由方法
CN110460538A (zh) * 2019-08-16 2019-11-15 昆明理工大学 一种软件定义的物联网中数据传输方法
US20200136957A1 (en) * 2018-10-25 2020-04-30 Ca, Inc. Efficient machine learning for network optimization

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107453801A (zh) * 2017-08-28 2017-12-08 西安电子科技大学 一种面向卫星网络的分层多路径路由方法
CN107911299A (zh) * 2017-10-24 2018-04-13 浙江工商大学 一种基于深度q学习的路由规划方法
CN108600103A (zh) * 2018-04-18 2018-09-28 江苏物联网研究发展中心 面向多层级网络的多QoS路由约束的蚁群算法
US20200136957A1 (en) * 2018-10-25 2020-04-30 Ca, Inc. Efficient machine learning for network optimization
CN109617819A (zh) * 2019-01-29 2019-04-12 南京邮电大学 基于流量分类的软件定义回程网络路由方法
CN110460538A (zh) * 2019-08-16 2019-11-15 昆明理工大学 一种软件定义的物联网中数据传输方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHENGZHI CAO等: "Research on optimization of speed identification based on ACO-BP neural network and application", 《2008 7TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115567423A (zh) * 2021-12-25 2023-01-03 深圳市奥斯达通信有限公司 Ovs网络流量加速优化方法及其系统
CN114422424A (zh) * 2021-12-30 2022-04-29 中国电信股份有限公司 一种传输网络的路由计算方法及装置
CN114422424B (zh) * 2021-12-30 2023-08-11 中国电信股份有限公司 一种传输网络的路由计算方法及装置
CN114666805A (zh) * 2022-04-28 2022-06-24 中国人民解放军国防科技大学 一种适用于多颗粒度业务的光网络规划方法及系统
CN114666805B (zh) * 2022-04-28 2023-11-10 中国人民解放军国防科技大学 一种适用于多颗粒度业务的光网络规划方法及系统
CN115361330A (zh) * 2022-07-09 2022-11-18 中国科学院上海微系统与信息技术研究所 一种用于分布式神经网络的边缘网络通信路径选择方法
CN115361330B (zh) * 2022-07-09 2023-09-08 中国科学院上海微系统与信息技术研究所 一种用于分布式神经网络的边缘网络通信路径选择方法
CN115208821A (zh) * 2022-07-18 2022-10-18 广东电网有限责任公司 一种基于bp神经网络的跨网络路由转发方法和装置
CN115208821B (zh) * 2022-07-18 2023-08-08 广东电网有限责任公司 一种基于bp神经网络的跨网络路由转发方法和装置

Also Published As

Publication number Publication date
CN113014484B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN113014484B (zh) 一种基于bp神经网络蚁群算法的网络路由规划方法及系统
US8259736B2 (en) Selecting a path through a network
CN112822109B (zh) 一种基于强化学习的SDN核心网QoS路由优化方法
US7760718B2 (en) Taxonomy based multiple ant colony optimization approach for routing in mobile ad hoc networks
CN108667734A (zh) 一种基于q学习和lstm神经网络的快速路由决策算法
CN105245448A (zh) 命名数据网络中多业务多路径路由优化方法
CN111770019A (zh) 基于Dijkstra算法的Q-learning光片上网络自适应路由规划方法
JP2005311863A (ja) トラフィック分散制御方法、制御装置及びネットワークシステム
EP2063586B1 (en) Method for routing and load balancing in communication networks
CN104969518A (zh) 路由数据
CN112769696B (zh) 路由选择方法、网络控制器、系统和存储介质
US12052159B2 (en) Network communications with optimized quality
WO2018204295A1 (en) Weight setting using inverse optimization
WO2016186861A1 (en) Method and apparatus for self-tuned adaptive routing
Houidi et al. Constrained deep reinforcement learning for smart load balancing
EP3585013B1 (en) Data transmission method and apparatus
Akin et al. Comparison of routing algorithms with static and dynamic link cost in SDN
CN116527565A (zh) 基于图卷积神经网络的互联网路由优化方法及装置
KR101758326B1 (ko) 네트워크에서의 부하 분산 방법
JP2009284448A (ja) オーバーレイネットワーク通信経路制御方法とシステムおよびプログラム
CN117294643A (zh) 一种基于SDN架构的网络QoS保障路由方法
CN116389347A (zh) 一种基于强化学习的动态sdn路由优化算法
CN115665207A (zh) 一种提升软件定义物联网中的数据传输速度的方法
Nguyen et al. Accumulative-load aware routing in software-defined networks
TWI488473B (zh) 自動配置伺服器及其用戶終端設備的管理方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230713

Address after: Room 601, Building 1, Huace Center, Sandun Town, Xihu District, Hangzhou City, Zhejiang Province, 310000

Patentee after: Hangzhou Breeze Enterprise Technology Co.,Ltd.

Address before: No.18 Xuezheng street, Xiasha Higher Education Park, Hangzhou, Zhejiang 310000

Patentee before: ZHEJIANG GONGSHANG University