CN113285875B - 一种基于脉冲神经网络的空间路由预测方法 - Google Patents

一种基于脉冲神经网络的空间路由预测方法 Download PDF

Info

Publication number
CN113285875B
CN113285875B CN202110526718.4A CN202110526718A CN113285875B CN 113285875 B CN113285875 B CN 113285875B CN 202110526718 A CN202110526718 A CN 202110526718A CN 113285875 B CN113285875 B CN 113285875B
Authority
CN
China
Prior art keywords
time
neural network
pulse
information
data
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
CN202110526718.4A
Other languages
English (en)
Other versions
CN113285875A (zh
Inventor
李文峰
戴明桓
赵康僆
方元
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.)
Nanjing University
Original Assignee
Nanjing 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 Nanjing University filed Critical Nanjing University
Priority to CN202110526718.4A priority Critical patent/CN113285875B/zh
Publication of CN113285875A publication Critical patent/CN113285875A/zh
Application granted granted Critical
Publication of CN113285875B publication Critical patent/CN113285875B/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
    • H04L45/12—Shortest path evaluation
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods

Landscapes

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

Abstract

一种基于脉冲神经网络的空间路由预测方法，将空间通信任务给定的连接计划和实时链路状态信息以及排队信息编码为时域信息，作为脉冲神经网络的输入；利用存储层(Reservoir)将这些特征信息转换为高维特征空间；然后，由线性分类器通过存储层产生的特定脉冲干扰来区分输入从而得到特定的选路结果；具体为：1)选择训练数据集的时间点，即模拟数据包从源节点发送的时间；2)测试和验证数据获取；把所有的连接按照开始时间排序，选择从最小值到最大值的范围；3)对脉冲神经网络SNN模型进行训练，神经网络由全连接的LIF神经元组成，权重更新规则为扩展STDP，直接调用训练好的验证模块；对于每个节点，需要计算当前时间对应的特征向量V。

Description

一种基于脉冲神经网络的空间路由预测方法
技术领域
本发明涉及应用于空间容迟容断网络技术领域，尤其是涉及到一种高效、快速的空间端到端通信路由预测方法。
背景技术
由于空间网络节点之间的间歇性链接，难以在端到端的不确定路径上使用常规路由协议。信号传播延迟长，信道误码率高，链路上下行速率不对称，节点的计算能力和存储容量受到限制，这使得空间路由非常具有挑战性。
接触图路由算法CGR(Contact Graph Routing)利用已知的拓扑信息，通过使用根据连接计划构建的图为每个数据包查找最短路径来工作。尽管确定了空间网络中的连接计划，但是链路信息(例如信道带宽和链路利用率)一直在变化。当链路不可用时，CGR在每个节点上调用最短路径算法，此过程计算开销较大，且随着节点和链路的不断增加，信息量和计算量开销呈指数增长。使得算法在当前资源有限的节点上运行是不切实际的。基于此动机，本发明提出一种基于脉冲神经网络的空间路由预测方法。
发明内容
发明目的：为了降低空间网络节点之间通信时路由的计算开销和存储开销。这种开销会随着节点数量的增加呈指数型增加。本发明提供一种基于脉冲神经网络的空间路由预测方法，在选路准确率与通过CGR计算结果相当的条件下，计算和存储开销大幅降低。
为实现上述目的，本发明采用的技术方案为：一种基于脉冲神经网络的空间路由预测方法，将空间通信任务给定的连接计划和实时链路状态信息以及排队信息编码为时域信息，作为脉冲神经网络的输入；利用存储层将这些特征信息转换为高维特征空间；然后，由线性分类器通过存储层产生的特定脉冲干扰来区分输入从而得到特定的选路结果，包括以下步骤：步骤(1)，选择训练数据集的时间点，即模拟数据包从源节点发送的时间；选择依据是根据每个连接(Contact)的开始和结束时间点的附近(例如前后一分钟)；根据选择的时间点处理输入数据，处理依据是所选时间点距离每个连接开始时间的时差，记作Ci.TTC(Time to contact)；其中i代表网络中连接的标号；根据所选时间计算每个连接的可用容量记作C.CAP；每个数据包的最早传输机会记作B.ETO；上述三个参数组成特征向量V＝(Ci.TTC,C.CAP,B.ETO)，向量的维度由时间点的数量决定；路由模块使用标准CGR(ContactGraph Routing)路由算法计算所选时间点发送数据包的选路结果和数据包最佳交付时间B.BDT作为训练的标签(Target)；
步骤(2)，测试和验证数据获取；把所有的连接按照开始时间排序，选择从最小值到最大值的范围，根据场景的周期T和所需数据集的大小m选择时间间隔，例如场景周期为7天，所需数据集大小为10000，则时间间隔为T/m≈60s；对于每一时间点，根据步骤(1)的数据处理方法得到C.TTC和C.CAP，B.ETO从CGR路由算法的基础检查阶段获取；
步骤(3)，对SNN网络模型进行训练；如图1所示，步骤(1)得到训练集的输入特征向量V经过泊松编码后喂入神经网络输入层，神经网络由全连接的LIF(Leaky-Integrate-and-Fire)神经元组成，权重wi更新规则为扩展STDP(Spike Timing DependentPlasticity)算法，STDP算法通过监测输出神经元的时空轨迹更新权重；整个训练过程在线下完成；验证集是为了验证模型的泛化能力，防止过拟合或者欠拟合等现象；测试数据集是对模型的性能验证。
由于无法直接使用连接图作为SNN神经网络(SNN即脉冲神经网络，被誉为第三代人工神经网络，能更接近实际地模拟神经元，并把时间信息的影响考虑其中，常被用在信息处理中)的输入，在输入数据的处理中，对连接计划和链路信息建模以适应SNN的输入；为了描述网络的动态特性，使用TTC来表示当前时间和当前网络拓扑的状态，使用C.CAP表征当前链路可用容量；B.ETO表示当前可用连接的最早传输机会，这表征了当前连接的排队情况；对于任何时间产生的数据包发送事件，可以直接调用训练好的验证模块。
对于每个节点，需要计算当前时间对应的特征向量V，即当前时间对应的TTC，当前连接的C.CAP；以及由每个数据包的优先级和当前连接的排队情况计算出的B.ETO；特征向量V存储在数据库模块中，这些信息可以和路由模块中的信息进行交换，从而动态的了解当前网络的特征和状态。
特征向量V数据通过泊松编码后使用SNN网络模块进行信息记忆和存储，然后使用线性分类器对SNN进行训练，包括权重更新和脉冲频率记录。
对于任何时间产生的数据包发送事件，经过验证模块之后，路由模块在此时应该期望并选择返回数据包的最优下一跳节点，或者下一跳网关，或者是无法发送(等到数据包的消亡时间到期之后，数据包便会自动丢失，此时需要上层协议的自动重发策略)；当选择好下一跳节点后，将数据包放入此节点的出栈队列中；完成这样的一次调用的计算量远远小于基于最短路径的CGR路由算法计算下一跳路由所需计算开销。
优选的：步骤(1)中将路由物理意义转化为SNN神经网络输入的建模方法为：
步骤(1.1)，构成数据集过程中，每个数据包括把时间信息转化为高维的时空信息，在使用相同资源的情况下可以表征更多的信息；每个数据经过归一化之后，进行泊松编码；每个一维数据被编码成250个步长为1(根据生物合理性经验选择模拟时间为250ms)的脉冲序列；脉冲信息是二进制信息，即发射脉冲或者不发射脉冲信息进行二进制编制。
步骤(1.2)，当前的连接可用剩余容量是根据当前时间和连接的结束时间较大者乘以链路速率得到；B.ETO可以表征当前连接的排队信息；将链路信息和排队信息加入训练的输入可以增加输入特征数量，从而增加预测准确率和稳定性。
为了使得输入能够表征路由的特征，本发明选择了C.TTC、C.CAP以及B.ETO来表征路由特征，本发明使用了已经经过验证的具有携带大量信息能力以及更加接近生物真实性的SNN，并且使用模拟生物真实权重更新的扩展STDP算法，算法通过监测输出神经元的时空轨迹更新权重。
由于输出函数表达为给定时间内的脉冲数量，也就是脉冲频率，因此本发明选择使用线性分类器对输出进行训练；当模型训练完成后用于预测时，对于新接收到的用于预测选路的数据包：
①先计算此时的C.TTC以及当前连接的C.CAP，根据数据包的优先级和连接的容量计算B.ETO；
②对数据进行泊松编码，所有的数据均编码为时间序列脉冲；输入数据喂给SNN网络，记录每个神经元脉冲触发的时间和数量；
③对记录的脉冲进行训练，包括权重的更新以及输出神经元的脉冲数量记录，迭代完成时，经过验证集验证，重新调整权重得到最终的模型。
优选的：步骤(3)神经网络的初始化全连接权重为正态分布，并且权重更新使用到扩展的STDP算法，扩展STDP算法更新权重wij规则如下：
Figure BDA0003065794930000031
Figure BDA0003065794930000032
其中K(t)是突出后电位核函数；V0是正则化参数，设置为膜电压初始化电位；τm和τs分别指示突触前神经元电流的上升和下降时间常数；参数i代表第i次脉冲发生；i,j别分代表突触前后神经元的标号；p+error表示理论应该发射脉冲，但是事实是没有发生脉冲，p+error为true代表产生此错误；p-error与p+error相反，代表预期是静息电位，但实际产生了脉冲；tmax表示产生最大电压的时间；λ+和λ-分别代表两种情况下的学习率。
本发明提出的预测方法可以降低算法的时间开销和空间开销。每次数据包到达节点时，经过编码的时域信息数据作为为机器学习验证模块的输入，通过简单的模块调用完成最优下一跳选择。本发明的机器学习模型可以在线下完成训练，降低了计算开销，对于处理器和内存受限的星上节点显得尤为重要。
有益效果：本发明相比现有技术，具有以下效果：本发明针对空间路由转发的计算开销和存储开销，作为对比，CGR算法动态调用最短路径算法计算最优下一跳。这使得CGR在节点数量较多以及拓扑变化频繁的场景下很难适用。本发明将表征路由的物理信息转化为时域的高维特征信息。数据转化过程只需要线性映射，时间复杂度较低。并且将数据转化为由数据包发送事件触发的时间点数据，相比于直接导入连接计划的CGR算法，减小了存储开销。使用微分方程对神经元的动态电特性建模，即模拟了生物的真实性，又使得计算快速和高效。此外，模型的训练可以在线下进行，这进一步减小了计算和存储开销。模型训练好之后，在数据包发送事件触发时，本发明只需要简单的数据处理和模块调用。相反，CGR需要调用复杂度较高的最短路径算法。
附图说明
图1是脉冲神经网络结构图。
图2是本发明实施例的网络拓扑示意图。
图3是SNN路由系统框图。
图4a、图4b是三个地面站与ISS的C.TTC(图4a)和C.CAP(图4b)随模拟时间的分布。
图5a、5b、5c是当路由下一跳选择三个地面站(图5a对应选择Madrid,图5b对应选择Goldstone，图5c对应选择Canberra)时输入神经元(上图)和输出神经元(下图)脉冲的时空分布。
图6是不同时间间隔选取的测试集得到加入C.CAP和不加C.CAP时的预测准确率。
图7是本发明的路由预测方法在计算开销方面的性能测试。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提出一种基于脉冲神经网络的空间路由预测方法，用于空间空间通信的路由预测，以图2所示的由国际空间站(ISS)和三个中继地球同步轨道卫星(TDRS)以及四个地面站组成的场景为例，从ISS分发的数据包需要经过不同的节点交付给地面控制中心(MCC)。如图3所示，SNN路由系统核心部件为中央学习单元，包括5个部分，首先是对本地路由数据的获取(连接、链路、排队信息)，然后对数据进行预处理(归一化、编码)，把处理好的数据喂入SNN训练，使用验证数据集验证模型。最后，DTN节点通过调用验证好的模型得到预测结果。具体步骤如下：
1)、首先根据NASA的公开数据模拟场景获取图2拓扑三天的连接计划CP，时间单位为秒，第i(i＝1,2,…,n,n为连接总数量)个连接Ci包括开始时间Ci.start_time，结束时间Ci.end_time，发送节点Ci.from,接收节点Ci.to，链路速率Ci.data_rate。然后把CP中的所有连接按C.start_time升序排序，选择时间ti＝(Ci.start_time-60,Ci.start_time+60,Ci.start_time+(Ci.end_time-Ci.start_time)/2,Ci.end_time-60,Ci.end_time+60)。ti根据时间大小升序排列得到时间点集合T，T中的每个时间点tj(j＝1,2,…,m,m为时间点的总数)作为基于最短路径的CGR算法开始调用时间，连接计划建模为接触图，从而调用算法Cgr_dijkstra(tj,MCC,CP)得到每个时间点对应的最佳选路结果，从而得到训练数据集Training_dataset。其中tj为当前时间，MCC为目的节点的标号(实施例中为MCC)，CP为连接计划。
2)、根据T计算当前时间tj对应的每个连接的Ci.TTC＝Ci.start_time-tj和Ci.CAP＝Ci.data_rate*MAX((Ci.end_time-Ci.start_time),(Ci.end_time-tj))，如图4所示为三个地面站与ISS的C.TTC(图4(a))和C.CAP(图4(b))随三天的模拟时间变化。横轴代表当前时间tj，其中M_ISS、G_ISS、C_ISS分别代表Madrid、Goldstone和Canberra与ISS的contact时间线，纵轴代表TTC(S)以及CAP(kb)值。数据包的优先级B.P可以在数据包头部得到，B.P可以作为是否产生排队的依据，使用B.P和CGR算法转发阶段对每个节点队列的侦察情况可以获得B.ETO。
3)、和T的选取不同，测试和验证时间点选择整个模拟时间的范围，即从t＝0开始到模拟时间结束。时间步长为200、250、300、350递增选择时间点。得到测试时间点集合T_test。根据步骤2的方法得到C.TTC、C.CAP和B.ETO，同样地，使用T_test集合中地时间点作为算法调用的当前时间，调用标准CGR得到的数据集作为测试和验证数据集。训练、验证和测试数据集的比例为7:1.5:1.5。
4)、如图1所示，SNN神经网络由8个输入神经元(根据特征向量的维度确定，本实施例中，3个C.TTC,3个C.CAP以及B.P和B.ETO)，500个(本实施例中实验验证性能最好)存储层(中间层)神经元和3输出神经元组成(三种选路结果，即三个地面站)。输入的特征向量(Ci.TTC,C.CAP,B.ETO)被泊松编码器编码为250个步长为1的脉冲序列，编码方案如下：归一化后的数据作为泊松分布的平均频率λ，最大强度对应于250Hz的脉冲发射频率，发射频率在0和250Hz之间。例如，如果数据中的最大值为1000，则250ms内将发出250个脉冲，如果数据为500，则在编码后将出现500*250/1000＝125个脉冲。此外，在编码策略中，如果在一次的编码过程中产生的脉冲数量小于5，那么就将频率增加最大频率的四分之一，此实施例中，为62.5，直到实际产生的脉冲数量大于5。这样做的目的是避免产生的脉冲数量太少使得部分神经元无法产生超过阈值的电压从而产生脉冲。经过存储层神经元的处理，特征向量变为高维的250*8的时空信息。记录当前时间对应的输出神经元的脉冲时空分布为Map(即脉冲产生的时间和在250个步长中的位置)。
5)、和传统神经网络不同的是，每个神经元的动态特性遵循泄露积分集成发火模型LIF，微分方程建模使得LIF模拟脉冲神经元既高效又不失生物真实性。本发明的选路方法需监督学习，因此，传统的STDP根据突触前后神经元产生脉冲的时差更新权重无法工作，本发明使用扩展的STDP算法，通过脉冲是否产生的误差函数来更新权重，训练过程中使用当前时间产生的脉冲和步骤4存储的Map作为误差函数的输入。判断在输出神经元中的脉冲是否匹配(即误差函数的结果为布尔型值)，p+error表示理论应该发射脉冲，但是事实是没有发生，p+error为true代表产生此错误；p-error与p+error相反，代表预期是静息电位，但实际产生了脉冲。如果没有产生错误，则权重保持不变。(1)是突出后电位核函数，此函数描述了生物真实性的突触更新动态特性；误差函数perror对应的权重wij更新规则为(2)：
Figure BDA0003065794930000061
Figure BDA0003065794930000062
V0是正则化参数，设置为膜电压初始化电位；τm和τs并分别指示突触前神经元电流的上升和下降时间常数；参数k代表第k次脉冲发生，i,j别分代表突触前后神经元的标号。tmax表示产生最大电压的时间；λ+和λ-分别代表两种情况下的学习率。
6)、当训练验证完成后，路由模块通过处理当前数据包所对应的输入信息调用验证过的模块，从而得到最优下一跳的节点。由于训练数据可能过时，对于每次运行时得到正确结果的预测结果，可以进一步扩充数据库，从而给训练模块带来更多的正确的并且经过验证的数据集。对于每次的预测结果，SNN网络可以对输入数据产生一定的扰动，如图5示。对于三次不同的选路结果(分别为三个不同的地面站，即图5(a)对应选择Madrid,图5(b)对应选择Goldstone，图5(c)对应选择Canberra)，每个图中记录了每次输入(上图)和输出(下图)神经元所产生的脉冲扰动，即对于那些输出神经元产生时空接近的脉冲的样本就可以分为一类，线性分类器可以很容易地对这些扰动分类。
7)、根据步骤(1)、(2)、(3)所述的方法，测试不同时间步长的时间点选取方法，在加入链路信息的场景下，如图6展示了加入链路信息前后模型预测的平均准确率，四组数据平均进行15次实验。模型的准确率平均升高2％，且能够达到97％的准确率，因此，加入对链路容量的考虑对模型性能有一定的提升。
8)、为了对比CGR和基于脉冲神经网络的空间路由预测方法的计算开销，本发明通过一定数量的节点和连接的空间网络测试算法调用的时间复杂度。节点数量从10-140，步长为10增加，连接数量从100-1400，步长为100增加，如图7所示，基于脉冲神经网络的空间路由预测方法的计算开销随着节点和连接数量的增加近似于线性的增长，远远低于基于最短路径算法的CGR路由方法。
综上所述，相较于CGR算法，本发明实现的一种基于脉冲神经网络的空间路由预测方法，能够解决CGR由方案的较高的计算开销和存储开销；对于数据的处理和编码仅仅通过线性映射就可以转化为高维的特征信息，并且数据训练和验证可以在线下完成，降低了节点的资源开销；相较于其他的基于机器学习的路由预测，本方案不需要历史的流量数据，也不需要大量的泛洪消息传播，不需要路由表消息的交换，这进一步减小了节点的计算和存储开销。与CGR不同的是，本方法不需要维护路由表信息，不需要维护路由的动态信息，因为路由的动态信息已经在输入数据的建模中表达。基于LIF的神经网络SNN不但能够携带大量的信息，而且表征了生物真实性。此外，由于微分方程的建模，使得训练、测试和实际调用过程都很快。本发明通过实验验证，在节点数量巨大、链路量多的场景下，SNN路由在选路结果与CGR路由算法相当的条件下，在计算和存储开销方面有明显降低。
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 (3)

1.一种基于脉冲神经网络的空间路由预测方法，其特征在于，将空间通信任务给定的连接计划和实时链路状态信息以及排队信息编码为时域信息，作为脉冲神经网络的输入；利用存储层将这些特征信息转换为高维特征空间；然后，由线性分类器通过存储层产生的特定脉冲干扰来区分输入从而得到特定的选路结果，包括以下步骤：
步骤(1)，选择训练数据集的时间点，即模拟数据包从源节点发送的时间；选择依据是根据每个连接的开始和结束时间点的前后一分钟；根据选择的时间点处理输入数据，处理依据是所选时间点距离每个连接开始时间的时差，记作Ci.TTC；其中i代表网络中连接的标号；根据所选时间计算每个连接的可用容量记作C.CAP；每个数据包的最早传输机会记作B.ETO；上述三个参数组成特征向量V＝(Ci.TTC,C.CAP,B.ETO)，向量的维度由时间点的数量决定；路由模块使用标准CGR路由算法计算所选时间点发送数据包的选路结果和数据包交付时间B.BDT作为训练的标签Target；
步骤(2)，测试和验证数据获取；把所有的连接按照开始时间排序，选择从最小值到最大值的范围，根据场景的周期T和所需数据集的大小m选择时间间隔，所需数据集大小为10000，则时间间隔为T/m≈60s；对于每一时间点，根据步骤(1)的数据处理方法得到C.TTC和C.CAP，B.ETO从CGR路由算法的基础检查阶段获取；
步骤(2)，测试和验证数据获取；把所有的连接按照开始时间排序，选择从最小值到最大值的范围，根据场景的周期T和所需数据集的大小m选择时间间隔，场景周期T为7天,即T＝604800s，所需数据集大小为10000，则时间间隔为T/m≈60s；对于每一时间点，根据步骤(1)的数据处理方法得到C.TTC和C.CAP，B.ETO从CGR路由算法的基础检查阶段获取；
步骤(3)，对脉冲神经网络SNN模型进行训练，步骤(1)得到训练集的输入特征向量V经过泊松编码后喂入神经网络输入层，神经网络由全连接的LIF神经元组成，权重更新规则为扩展STDP，算法通过监测输出神经元的时空轨迹更新权重；整个训练过程在线下完成；验证集是为了验证模型的泛化能力；测试数据集是对模型的性能验证；
对于任何时间产生的数据包发送事件；直接调用训练好的验证模块；对于每个节点，需要计算当前时间对应的特征向量V，即当前时间对应的C.TTC,当前连接的C.CAP；以及由每个数据包的优先级和当前连接的排队情况计算出的B.ETO；
特征向量V存储在数据库模块，通过编码后使用SNN网络模块进行信息记忆和存储，使用线性分类器对SNN进行训练，包括权重更新和脉冲频率记录；经过验证模块之后，路由模块在此时应该期望返回数据包的最优下一跳节点，或者下一跳网关，或者是无法发送；当选择好下一跳节点后，将数据包放入此节点的出栈队列中；完成这样的一次调用的开销远远小于基于最短路径的CGR算法。
2.根据权利要求1所述基于脉冲神经网络的空间路由预测方法，其特征在于，将路由物理意义转化为神经网络输入的训练数据的建模方法为：
步骤(1.1)，把时间信息转化为高维的时空信息，在使用相同资源的情况下表征更多的信息；每个数据经过归一化之后，进行泊松编码；每个一维数据被编码成250个步长为1ms模拟时间为250ms的脉冲序列；脉冲信息是二进制信息，即发射脉冲或者不发射脉冲；
步骤(1.2)，当前的连接用剩余容量是根据当前时间和连接的结束时间较大者乘以链路速率得到；B.ETO可以表征当前连接的排队信息；将链路信息和排队信息加入训练的输入增加输入特征数量，从而增加预测准确率和稳定性。
3.根据权利要求1所述基于脉冲神经网络的空间路由预测方法，其特征在于，神经网络的初始化全连接权重为正态分布，并且权重更新使用到扩展的STDP算法，扩展STDP算法更新权重wij规则如下：
Figure FDA0003651396950000021
Figure FDA0003651396950000031
其中K(t)是突出后电位核函数，V0是正则化参数，设置为膜电压初始化电位；τm和τs分别指示突触前神经元电流的上升和下降时间常数；参数k代表第k次脉冲发生；i,j分别代表突触前后神经元的标号；tj代表当前时间；p+error表示理论应该发射脉冲，但是事实是没有发生脉冲，p+error为true代表产生此错误；p-error与p+error相反，代表预期是静息电位，但实际产生了脉冲；tmax表示产生最大电压的时间；λ+和λ-分别代表两种情况下的学习率。
CN202110526718.4A 2021-05-14 2021-05-14 一种基于脉冲神经网络的空间路由预测方法 Active CN113285875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110526718.4A CN113285875B (zh) 2021-05-14 2021-05-14 一种基于脉冲神经网络的空间路由预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110526718.4A CN113285875B (zh) 2021-05-14 2021-05-14 一种基于脉冲神经网络的空间路由预测方法

Publications (2)

Publication Number Publication Date
CN113285875A CN113285875A (zh) 2021-08-20
CN113285875B true CN113285875B (zh) 2022-07-29

Family

ID=77279128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110526718.4A Active CN113285875B (zh) 2021-05-14 2021-05-14 一种基于脉冲神经网络的空间路由预测方法

Country Status (1)

Country Link
CN (1) CN113285875B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114124973B (zh) * 2021-09-27 2023-06-09 烽火通信科技股份有限公司 一种面向多云场景的镜像同步方法和装置
CN114124823B (zh) * 2021-10-18 2023-08-11 西安电子科技大学 面向高动态网络拓扑下的自适应路由方法、系统、设备
CN116011563B (zh) * 2023-03-28 2023-07-21 之江实验室 一种面向脉冲中继的高性能脉冲发送仿真方法和装置
CN116806044B (zh) * 2023-08-25 2023-12-22 三峡科技有限责任公司 一种无线传感器网络的数据传输方法、装置及电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095961A (zh) * 2015-07-16 2015-11-25 清华大学 一种人工神经网络和脉冲神经网络的混合系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150269482A1 (en) * 2014-03-24 2015-09-24 Qualcomm Incorporated Artificial neural network and perceptron learning using spiking neurons
US10846590B2 (en) * 2016-12-20 2020-11-24 Intel Corporation Autonomous navigation using spiking neuromorphic computers
US10885425B2 (en) * 2016-12-20 2021-01-05 Intel Corporation Network traversal using neuromorphic instantiations of spike-time-dependent plasticity
US11934946B2 (en) * 2019-08-01 2024-03-19 International Business Machines Corporation Learning and recall in spiking neural networks

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095961A (zh) * 2015-07-16 2015-11-25 清华大学 一种人工神经网络和脉冲神经网络的混合系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Low-latency K-means based Multicast Routing Algorithm and Architecture for Three Dimensional Spiking Neuromorphic Chips;The H. Vu等;《2019 IEEE International Conference on Big Data and Smart Computing(BigComp)》;20190302;全文 *

Also Published As

Publication number Publication date
CN113285875A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN113285875B (zh) 一种基于脉冲神经网络的空间路由预测方法
CN112181666B (zh) 一种基于边缘智能的设备评估和联邦学习重要性聚合方法
US10885424B2 (en) Structural plasticity in spiking neural networks with symmetric dual of an electronic neuron
CN110601777B (zh) 一种低轨移动卫星星座下星地下行链路同频干扰估计方法
JP2017509953A (ja) 低スパイキングレートのためのニューラルネットワークを構成すること
ul Islam et al. Optimization of neural network architecture using genetic algorithm for load forecasting
CN110188872B (zh) 一种异构协同系统及其通信方法
Zhang et al. Spike-timing-dependent back propagation in deep spiking neural networks
WO2023109699A1 (zh) 一种多智能体的通信学习方法
Lent A cognitive network controller based on spiking neurons
CN111325340A (zh) 信息网络关系预测方法及系统
CN114372581A (zh) 基于区块链的联邦学习方法、装置和计算机设备
CN112770256B (zh) 一种无人机自组织网络中的节点轨迹预测方法
Lent Resource selection in cognitive networks with spiking neural networks
Pakhomova et al. Intelligent routing in the network of information and telecommunication system of railway transport
CN116259057A (zh) 基于联盟博弈解决联邦学习中数据异质性问题的方法
CN115758643A (zh) 一种基于时空特征融合的网络流量预测方法、装置及存储介质
CN110213165B (zh) 一种异构协同系统及其通信方法
Lent Adaptive DTN routing: A neuromorphic networking perspective
CN114500561A (zh) 电力物联网网络资源分配决策方法、系统、设备及介质
CN114298244A (zh) 一种智能体群体交互的决策控制方法、装置及系统
Sorheim A combined network architecture using ART2 and back propagation for adaptive estimation of dynamical processes
Zhang et al. Network partition for switched industrial Ethernet using genetic algorithm
Yousefi'Zadeh A neural-based technique for estimating self-similar traffic average queueing delay
JP2005517330A (ja) パルスニューロンを備えたネットワークを用いてネットワーク通信のトラフィック動特性を分類する方法

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