CN113630268B - 时变网络中定长随机中断场景最大错误分离路径获取方法 - Google Patents

Abstract

本发明属于网络技术领域，公开了一种时变网络中定长随机中断场景最大错误分离路径获取方法，搜索出源到汇的所有路径，再为每条路径计算冲突边集，将对应的冲突边集有交集的两条路径视为冲突路径；对冲突路径采用贪心的策略，从空集开始，不断的以迭代的方式扩充一个路径集合，在每次迭代中选择权重最小的新的路径，对选出的权重最小路径和当前该集合中所有路径不冲突，则将新路径并入集合，构造出在时间上保持一定安全距离的最大的空间分离路径。本发明有效提高了从源到汇的发送数据的成功率。本发明在问题建模的过程中，本发明还从经济性的角度，考虑了总通信开销的限定，确保所求得的路径集合是满足成本限制的最大集合。

Description

时变网络中定长随机中断场景最大错误分离路径获取方法

技术领域

本发明属于网络技术领域，尤其涉及一种时变网络中定长随机中断场景最大错误分离路径获取方法，具体涉及一种带权时变网络在定长随机中断下的最大错误分离路径的启发式构造方法。

背景技术

目前，在时变网络的许多应用中，传输可靠性分析能够预估网络对错误的抵抗力，从而为改善网络传输性能提供理论基础和指导。例如，保证在空间通信中交换紧急信息的卫星网络的传输可靠性至关重要。但是，由于两种不同形式的中断导致网络拓扑不断变化，时变网络特别容易受到攻击。

第一种类型的中断被称为固有中断，这源自网络的固有特性。例如，移动网络中手机携带者周期性移动；公路交通网中的车辆在每天特定时间段内发车；卫星网中通信卫星在轨道上周期性运动等。这类中断具有规律性，链接的变化可提前预知。第二类中断表现为外在的和具有不可预测性，被称为随机中断。例如，关于网络拓扑演变的预测本身出错，或是由于意外的物理遮挡、硬件故障和自然灾害等种种不可预见的因素导致的链接或节点出错。不可预测的中断会大大降低网络性能，而随机性的引入，也会进一步增加网络建模和在理论上进行可靠性分析的难度。

时变图对于具有动态连通性的网络(如车辆网络)是一种有用的模型，然而，尽管它们具有强大的建模能力，但时变图的许多重要特征仍未得到很好的理解。在研究时变图基本性质方面存在大量工作，诸如连通性、距离、组合性质等。但是，对于时变图鲁棒特性的研究的工作很少。传统的静态网络是通过研究网络的最小割集，来度量网络在面对数次中断后依然能够保持连通的能力。不幸的是，这种度量方法在时变网络中是完全无效的。这是因为时变网络在不同时刻有着不同的拓扑，而网络中断的时间非常长，它的连通性必须在更长的时间间隔内来测量。为了考虑时变网络中的可靠传输问题，就必须关注故障的时间特性，即故障发生的时刻和该故障持续的时间。已有工作研究基于随机时变图的鲁棒性，在关注确定性时变图这方面的现有工作中，并未充分考虑故障的时间特性，也没有精确刻画时变网中通信特点。一些工作假设每个链路仅仅在一个时间切片中处于活动状态，并且网络中只发生永久性的故障，显然这些假设并不符合实际情况。

已有工作通过计算最大独立路径来反应网络本身鲁棒特性，未考虑网络中边上的权重和传输成本的限制。

通过上述分析，现有技术存在的问题及缺陷为：

(1)有关时变图鲁棒特性的研究的工作很少。传统静态网中，往往通过找寻节点分离路径或者边分离路径来增强鲁棒性，而这种方法在时变网中不适用。这是因为，静态网中的链路中断是永久的，时变网中连接故障后之后随着拓扑本身的变化，该连接可能会重现，而连接的稀疏性，使得在物理上完全分离的节点/边分离路径并不存在。

(2)时变网络鲁棒性的研究着眼于随机时变图，而本发明关注的是确定性时变图。

(3)有关确定性时变图鲁棒性的工作，采用了不恰当的假设，未充分考虑故障的时间特性，也没有精确刻画时变网中通信特点，并不符合实际情况。这些假设包括：每个链路仅仅在一个时间切片中处于活动状态，并且网络中只发生永久性的故障等。

(4)现有技术考虑了在网络中进行多重备份路由来降低端到端的丢包率，但是现有技术页没有合理的控制备份路径的权重和以满足通信耗费的限制，造成通信成本增加。

(5)现有技术的路径计算方法在迭代中反复构造线型图，对一些不发生变化的信息重复计算，复杂度太高。

为了更好的理解时变图的鲁棒特性，本发明提出了一种时变网络在随机中断场景下的鲁棒性增强技术。时变网络中的连接时断时续，每条链路上的错误也会持续一段时间，连通性稀疏且链路容易受到破坏和攻击导致失效，有关时变条件下的鲁棒性研究非常关键。本发明特别关注时变网中故障的时间特性，在空间中搜寻最多的在时间上保持一定‘安全距离’的路径集合。这个条件比静态网中严格的空间分离路径更松弛，更能符合时变网中边的稀疏性，和链路出错间歇性影响连通性的特点。本发明能够将时变网络中，由于意外故障带来的单个链路中断的影响，限制在单条从数据源到汇的路径中，并在增强鲁棒性的同时考虑成本控制，使总的通信花费满足给定的限制。

发明内容

针对现有技术存在的问题，本发明提供了一种时变网络中定长随机中断场景最大错误分离路径获取方法。

本发明目的在于更关注在应用层面，在利用最大独立路径进行多路径路由提高发送数据成功率的同时，有效控制通信成本。本发明关注随机中断下的鲁棒性增强技术，将所有的链路预测失误都直接当错误来处理。本发明用时变图表示网络。

本发明构造出的错误分离路径个数非常接近于直接使用当前最先进的数学规划工具包得出的最优解，以确保足够多的错误分离路径可用于多路径传输，有效提高从源到汇的发送数据的成功率。同时，在问题建模的过程中，本发明还从经济性的角度，考虑了总通信开销的限定，确保所求得的路径集合是满足成本限制的最大集合。

本发明是这样实现的，一种时变网络中定长随机中断场景最大错误分离路径获取方法，包括：

搜索出源到汇的所有路径，再为每条路径计算冲突边集，将对应的冲突边集有交集的两条路径视为冲突路径；

对所述冲突路径采用贪心的策略，从空集开始，不断的以迭代的方式扩充一个路径集合，在每次迭代中选择权重最小的新的路径，对选出的权重最小路径和当前该集合中所有路径不冲突，则将新路径并入集合，构造出在时间上保持一定安全距离的最大的空间分离路径。

进一步，所述时变网络中定长随机中断场景最大错误分离路径获取方法进一步包括：

步骤一，进行图的变换，将时变网络

转化为线型图

步骤二，在

中从源s出发进行深度优先搜索，求解从s到汇点d的所有路径集合

步骤三，计算路径集合

中每条路径J对应的阻断集合R(δ,J)；其中，δ是已知的链路错误的最长持续时间，即单个链路中断持续时间不超过δ个时隙。

进一步，R的计算方法是：首先，将路径J上的每个节点代表的连接加到R(δ,J)中，因为每一条链接的错误都将影响J的正确性。之后，再次检查路径J上的每个节点代表的连接(e,t’)。若t’比t落后的时间不超过t，即t’-t<δ，说明连接(e,t’)的正确性会被另一连接(e,t)的正确性影响，则把(e,t)加入R(δ,J)中。

步骤四，基于每条路径J对应的阻断集合R(δ,J)构造路径冲突矩阵M；其中，第i行第k列的元素M_ik代表第i条路径J_i和第k条路径J_k的冲突情况,M_ik＝0说明J_i和J_k是相容的，彼此之间是错误分离路径；M_ik＝0代表两条路径冲突。

步骤五，计算每条路径J对应的权重w_J，将路径集合

中的所有路径按照路径权重从小到大的顺序排序；

步骤六，基于冲突矩阵M和排序后的路径集合构建最终选出的错误分离路径集合S,其初始值为空集。具体的，采用迭代的方法不断的将排序后的路径集合中的路径依次拿出，试图加入S。若第i次拿出的路径J_i与S中任意路径J_p(1≤p≤|S|)都不冲突，将J_i加入S；否则放弃，继续检查下一条路径。当搜索过

中所有的路径后，过程结束，此时S不能容纳更多路径，S是最大的错误分离路径集合。

进一步，所述步骤一转化方法包括：对于每个在时变图

中的连接(e,t)，在线图中转换为一个对应的节点，并将此节点命名为v_e,t；同时，为源节点s和汇节点d各自单独创建一个节点；若从(e₁，t₁)到(e₂，t₂)为一条可行路径，则在线图中为节点

到节点

添加一条有向连接；

若前一个节点为s则从s到v_e，t添加一条有向边，若后一个节点为d则从v_e，t到d添加一条有向边。

进一步，所述时变网络中定长随机中断场景最大错误分离路径获取方法进一步包括：

第一步：从数据源s出发，采用深度优先遍历的方法，找到从s到目标节点d的所有路径，将这些路径存储在集合

中；

第二步：在给定δ的情况下，计算每条路径J的阻断边集R(δ，J)，阻断集合可表示为R(δ，J)＝{(e，t)|(e，t’)∈C_J，s.t.0≤t’-t＜δ}；其中C_J是路径J的边集集合。

进一步，R的计算方法是：首先，将路径J上的每个节点代表的连接加到R(δ，J)中，因为每一条链接的错误都将影响J的正确性。之后，再次检查路径J上的每个节点代表的连接(e，t’)。若t’比t落后的时间不超过t，即t’-t＜δ，说明连接(e，t’)的正确性会被另一连接(e，t)的正确性影响，则把(e，t)加入R(δ，J)中。

第三步：计算每条路径J_i的权值

具体计算方法为

第四步：对J_sd集合中的所有的路径按照权值从小到大的顺序进行排序为

其中，q₁，q₂，q₃，...，q_m是序列1，2，...，m的置换且

第五步：用集合S存储所有的最终选出的路径，初始时设置

第六步：计算路径冲突矩阵M_m×m.冲突矩阵的内容和每条路径阻断集合密切相关。比如为了确定J_i和J_k是否冲突，即M_ik的值，则需要看R(δ，J_i)和R(δ，J_k)是否有交集，有交集则M_ik＝1，无交集则M_ik＝0；

第七步：从头开始遍历1，2，...，m的序列，在第k次的迭代中

首先计算集合S中所有路径的权重和

试图将J_k加入集合S。如果J_k与S中的每条路径都不冲突，且同时

那么，将J_k并入集合S,S＝S∪J_k。反之，若J_k与S中的某条路径冲突，或者

则令k＝k+1,进行下一次迭代；

第八步：当

时，整个迭代过程结束，当前集合S为所求的时变网络中定长随机中断场景下的最大错误分离路径。

进一步，所述第二步计算方法包括：将路径J上的每个节点代表的连接加到R(δ,J)中；再次检查路径J上的每个节点代表的连接(e,t’)；若t’比t落后的时间不超过t，其中，t’-t<δ，连接(e,t’)的正确性一定会被另一连接(e,t)的正确性影响，则把(e,t)加入R(δ,J)中。

进一步，所述第六步中，若J_i和J_k是否冲突，需判断R(δ,J_i)和R(δ,J_k)是否有交集；若

则这两个集合包括相同的元素，则M_i,k＝M_k,i＝1，反之则M_i,k＝M_k,i＝0；

所述第七步具体包括：从头开始遍历1,2,...,m的序列，在第k次的迭代中

计算集合S中所有路径的权重和

试图将J_k加入集合S；若J_k与S中的每条路径都不冲突，且同时

那么，将J_k并入集合S,S＝S∪J_k；反之，若J_k与S中的某条路径冲突，或者

则令k＝k+1,进行下一次迭代。

进一步，所述时变网络中定长随机中断场景最大错误分离路径获取方法进一步包括：

Computing Maxflow_δ Problem

C是时变图中所有连接的集合，C_J是路径J的连接的集合，B是最终的总开销限制，x_J是0/1变量，代表最终路径J是否被选为最优的错误分离路径集合，若x_J＝0则路径J未被选中，x_J＝1说明路径J被选中加入最终的路径集合；式(3)中w_J是路径J的权重上的连接的权重和，最终被选中的路径集合的加权需要满足总的通信开销的限定，为式(4)；条件(1)是本发明的关键：任取时变图中的任意一条连接(e，t)，对于每个包含这条连接(e，t)的所有阻断集合R(δ，J)，其对应的路径J的通畅性都直接被(e，t)的正确性所影响；那么，为了将单条链接发生错误的影响力有效限定在一条路径上，所有包含(e，t)的阻断集合所对应的路径J中，最多只能有一条路径被加入最终选出错误分离路径的集合。

本发明的另一目的在于提供一种时变网络中定长随机中断场景下的最大错误分离路径获取系统包括：

配置网络模块，用于生成随机无标度有向图；

对网络配置计算准备信息模块，用于用深度优先搜索，计算数据源和汇之间的所有路径的集合

计算每条路径J对应的冲突边集R(δ，J)；

按照整数规划的数学模型求解模块，用于用数学规划工具包Gurobi对模型进行最优解的求解；

排序模块，用于对集合

中的路径按照权重大小从小到大排序；

最大错误分离路径获取模块，用于以迭代的方式将路径不断的将排序后的

中的路径加入集合S中，初始时S是空集；若当前路径和S中的所有路径都不冲突，且S集合中路径的权重和加上当前路径的权重，不超过给定的权重限制B，则将当前路径加入集合S中；当所有路径都被检查过之后，整个过程结束，S为在给定随机中断的长度和满足一定通信耗费的限制下，求出的最大的错误分离路径；

分离路径个数对比模块，用于将贪心算法计算出的次优解中分离路径的个数，与按照整数规划的数学模型求解模块计算出的最优解相比较。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述时变网络中定长随机中断场景最大错误分离路径获取方法。

本发明的另一目的在于提供一种所述时变网络中定长随机中断场景最大错误分离路径获取方法在空间通信中交换紧急信息的卫星网络的传输上的应用。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：

本发明关注的时变网络的连接随时间变化，且连接较为稀疏，连接上的权重代表该连接的通信开销。由于网络拓扑不断变化，时变网络特别容易受到破坏和攻击，网络性能大大降低，本发明中的方法可用于增强网络的鲁棒性。本方法能够准确的捕捉链路故障的时间特性，通过使不同的路径在时间上保持一定的‘安全距离’，将单个链路故障对路径通畅性的影响限制在单条路径。同时，该方法构造出的错误分离路径个数非常接近于直接使用当前最先进的数学规划工具包得出的最优解，以确保足够多的错误分离路径可用于多路径传输，有效提高从源到汇的发送数据的成功率。同时，在问题建模的过程中，本发明还从经济性的角度，考虑了总通信开销的限定，确保所求得的路径集合是满足成本限制的最大集合。

附图说明

图1是本发明实施例提供的时变网络中定长随机中断场景最大错误分离路径获取方法流程图。

图2是本发明实施例提供的本发明实施例提供的时变网络中定长随机中断场景下的最大错误分离路径获取系统示意图图。

图中：1、配置网络模块；2、对网络配置计算准备信息模块。3、按照整数规划的数学模型求解模块；4、排序模块。5、最大错误分离路径获取模块；6、分离路径个数对比模块。

图3是本发明实施例提供的通信网络基图G(V,E)。

图4是本发明实施例提供的时变网络的示意图

图5是本发明实施例提供的时变图的线型图

其中,s＝A,d＝D。

图6是本发明实施例提供的当δ＝1和δ＝2时每条路径对应的的阻断集合说明图。

图7是本发明实施例提供的当δ＝1和δ＝2两种情况分别对应的冲突矩阵图。

图8是本发明实施例提供的贪心算法与最优解在不同δ值下获得的错误分离路径数量图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种时变网络中定长随机中断场景最大错误分离路径获取方法，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的时变网络中定长随机中断场景最大错误分离路径获取方法包括：

S101：进行图的变换，将时变网络

转化为线型图

转化方法为：对于每个在时变图

中的连接(e,t)，在线图中将其转换为一个对应的节点，并将此节点命名为v_e,t。另外，为源节点s和汇节点d各自单独创建一个节点。如果从(e₁,t₁)到(e₂,t₂)为一条可行路径，则在线图中为节点

到节点

添加一条有向连接。另外，如果前一个节点为s则从s到v_e,t添加一条有向边，如果后一个节点为d则从v_e,t到d添加一条有向边。

S102:在

中从源s出发进行深度优先搜索，求解从s到汇点t的所有路径集合

S103:计算路径集合

中每条路径J对应的阻断集合R(δ,J)。

S104：基于阻断集合构造路径冲突矩阵M。

S105:将路径集合

中的路径按照权重从小到大的顺序排序。

S106:基于冲突矩阵M,用迭代的方法不断的将排序后的路径集合中的路径依次加入最终的集合S,直到S不能容纳更多路径。当搜索过

中的路径之后，整个过程结束。

本发明提供的时变网络中定长随机中断场景最大错误分离路径获取方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的时变网络中定长随机中断场景最大错误分离路径获取方法仅仅是一个具体实施例而已。

如图2所示，本发明实施例提供的时变网络中定长随机中断场景下的最大错误分离路径获取系统包括：

配置网络模块1，用于测试1000个随机的时变图，每个网络具有10个节点，底层静态图是一个随机的无标度图。时间范围是10个时隙，每个连接在每个时隙都有50％的概率是活动的。即两点之间连通的概率，生成随机无标度有向图。对于每组实验，源点和汇点的节点对也是随机选择的。

对网络配置计算准备信息模块2，用于用深度优先搜索，计算数据源和汇之间的所有路径的集合

计算每条路径J对应的冲突边集R(δ,J)。

按照整数规划的数学模型求解模块3，用于用数学规划工具包Gurobi对模型进行最优解的求解。

排序模块4，用于对集合

中的路径按照权重大小从小到大排序。

最大错误分离路径获取模块5，用于以迭代的方式将路径不断的将排序后的

中的路径加入集合S中，初始时S是空集。如果当前路径和S中的所有路径都不冲突，且S集合中路径的权重和加上当前路径的权重，不超过给定的权重限制B，那么，将当前路径加入集合S中。当所有路径都被检查过之后，整个过程结束，S即为在给定随机中断的长度和满足一定通信耗费的限制下，求出的最大的错误分离路径。

分离路径个数对比模块6，用于将贪心算法计算出的次优解中分离路径的个数，与按照整数规划的数学模型求解模块3计算出的最优解相比较。

其中，如图3所示，本发明设计的贪心计算方法构造出的错误分离路径个数非常接近于直接使用当前最先进的数学规划工具包得出的最优解。

下面结合具体实施例对本发明的技术方案作进一步描述。

实施例

本发明将连续的时间切片为等长、离散的时隙，保证每个时隙中的连接固定不变。本发明用带权的线型图来表达时变网络，边上的权重是该连接的通信耗费。假设每个链路故障持续δ的时间，本发明的目标是在定长随机中断和总耗费的约束下，用启发式方法求解最大的错误分离路径。本发明改造了传统的用于静态图中最大流求解的建模、分析、求解方法。在实现上，本发明先搜索出源到汇的所有路径，之后为每条路径计算冲突边集，将对应的冲突边集有交集的两条路径视为冲突路径。本发明采用贪心的思想，从空集开始，不断的以迭代的方式扩充一个路径集合，在每次迭代中选择权重最小的新的路径，只要选出的权重最小路径和当前该集合中所有路径不冲突，就将新路径并入集合，最终构造出在时间上保持一定‘安全距离’的最大的空间分离路径。本发明通过在网络中进行多重备份路由来降低端到端的丢包率，并合理的控制备份路径的权重和以满足通信耗费的限制。

与本发明相关的必要的术语包括：

时变图(G,T,ρ)：包括每个时隙的底层静态有向图G＝(V,E)，其中V是节点集合，E是边集；时间跨度

其中τ是整个时域；连接存在函数ρ:E×T→{0,1}，此函数指示了链接在该时刻是否处于活动状态。边缘存在函数ρ表示时变网络中不可预测的拓扑结构变化，包括由链接之间的意外遮挡、未计划的信道回收、硬件故障等引起的变化等。

连接e：若e＝(u，v)∈E并且ρ(e，t)＝1，则节点u和节点v之间在t时隙内存在一个连接。这个连接被表示为(e，t)或者(uv，t)，表示在t时隙有向连接(u，v)处于激活状态。

路径J：J是一条从s到d的路径由一系列连接(e₁，t₁)到(e₂，t₂)......到(e_n，t_n)组成。则对于任何i＜n而言，满足(1)源(e₁)＝s，汇(e_n)＝d；(2)汇(e_i)＝源(e_i+1)；(3)p(e_i，t_i)＝1；(4)t_i+1＞t_i，并且t_n≤T。

从s到d的所有路径的集合。

且

J_i≠J_k。m是所有路径的集合

中路径的总个数。

节点对(n，δ)生存性：在时变图

中，如果发生任意的n次故障，每次故障持续δ时隙，源点仍然可以到达汇点，则这一节点对拥有节点对(n，δ)生存性。

阻断集合R(δ，J)：R(δ，J)是给定δ的情况下，每条路径J的阻断边集R(δ，J)。R(δ，J)＝{(e，t)|(e，t’)∈C_J，s.t.0≤t’-t＜δ}，其中，C_J代表路径J经过的所有的边。阻断集合的意思是，任何其中的一条边被选为δ-移除的起始边时，路径J上至少有一条边会受到影响，即J的连通性会受影响。

δ不相交路径：设J是一组δ不相交路径集合。对于任意的两个路径J₁，J₂∈J，如果J₁在时隙t中使用了边e，那么J₂就无法在时隙t-δ+1到时隙t+δ-1中使用连接e。本发明的目的是用启发式算法快速找寻最大数量的δ不相交路径。

二维冲突矩阵M_m×m：M为布尔型矩阵，用来描述所有路径之间的两两冲突关系或者二者的相容性。m是所有路径的集合

中路径的总个数。其中第i行第k列的值M_i，k＝1或0。若M_i，k＝1代表路径J_i和路径J_k相冲突，即此两条路径并不是错误独立路径；反之，若M_i，k＝0说明J_i和J_k是相容的，没有任何链路的错误会同时影响这两条数据传输路径的正确性。只有相容的路径，彼此之间才是错误独立路径。

在本发明一优选实施例中，所采用的技术方案如下：

首先，将搜寻最大错误分离路径的问题建模如下：

Computing Maxflow_δ Problem

在以上模型中，本发明做出了如下假设：C是时变图中所有连接的集合，C_J是路径J的连接的集合，B是最终的总开销限制，x_J是0/1变量，代表最终路径J是否被选为最优的错误分离路径集合，若x_J＝0则路径J未被选中，x_J＝1说明路径J被选中加入最终的路径集合。条件(3)中w_J是路径J的权重上的连接的权重和，最终被选中的路径集合的加权需要满足总的通信开销的限定，即条件(4)。条件(1)是本发明的关键：任取时变图中的任意一条连接(e，t)，对于每个包含这条连接(e，t)的所有阻断集合R(δ，J)，其对应的路径J的通畅性都直接被(e，t)的正确性所影响；那么，为了将单条链接发生错误的影响力有效限定在一条路径上，所有包含(e，t)的阻断集合所对应的路径J中，最多只能有一条路径被加入最终选出错误分离路径的集合。

本发明的思想是，采用迭代的方式来构造出最终的从源s到汇d的独立路径集合S。开始时

而最终这个集合中的路径，都是两两相容的。每次迭代都通过贪心的策略，选择当前未被试探过的权重最小路径J_k进行试探。若J_k与当前所有在集合S中的路径都不冲突，则将J_k加入S。反之，则试探下一条权重最小路径。本发明所采用的技术方案如下：

第一步：从数据源s出发，采用深度优先遍历的方法，找到从s到目标节点d的所有路径，将这些路径存储在集合

中。

第二步：在给定δ的情况下，计算每条路径J的阻断边集R(δ，J)，阻断集合可表示为R(δ，J)＝{(e，t)|(e，t’)∈C_J，s.t.0≤t’-t＜δ}，其中C_J是路径J的边集集合。

计算方法是：首先，将路径J上的每个节点代表的连接加到R(δ，J)中，因为每一条链接的错误都将影响J的正确性。之后，再次检查路径J上的每个节点代表的连接(e，t’)。若t’比t落后的时间不超过t，即t’-t＜δ，说明连接(e，t’)的正确性会被另一连接(e，t)的正确性影响，则把(e，t)加入R(δ，J)中。

第三步：计算每条路径J_i的权值

具体计算方法为

第四步：对J_sd集合中的所有的路径按照权值从小到大的顺序进行排序为

其中，q₁，q₂，q₃，...，q_m是序列1，2，...，m的置换且

第五步：用集合S存储所有的最终选出的路径，初始时

第六步：计算路径冲突矩阵M_m×m.冲突矩阵和阻断集合密切相关。比如J_i和J_k是否冲突，需要看R(δ，J_i)和R(δ，J_k)是否有交集。如果

说明这两个集合包括相同的元素，则那么M_i，k＝M_k，i＝1，反之则M_i，k＝M_k，i＝0。

第七步：从头开始遍历1，2，...，m的序列，在第k次的迭代中

首先计算集合S中所有路径的权重和

试图将J_k加入集合S。如果J_k与S中的每条路径都不冲突，且同时

那么，将J_k并入集合S，S＝S∪J_k。反之，若J_k与S中的某条路径冲突，或者

则令k＝k+1，进行下一次迭代。

第八步：当

时，整个迭代过程结束，当前集合S即为所求的时变网络中定长随机中断场景下的最大错误分离路径。至此，本发明主要步骤结束。

在本发明中，图3中所示的时变图基图，每条链接上的数字是该链接活跃的时隙。其对应的时变网络

如图4所示。将图4中的时变网络转化为线型图，且选择数据源为节点A,汇点为节点D，转换的结果如图5所示。转化的过程是，为每一条连接和时隙的配对构造一个节点，比如连接AB在时隙1中活动，则添加节点V_AB,1,并从节点A发出一条连接指向V_AB,1.本发明可以清楚地看出，从节点A到节点D之间有三条路径J₁,J₂和J₃.当δ＝1时，线型图中每个节点的错误只影响包含该节点的路径，故三个阻断集合为三条路径除了源和汇的其他经过的点，在图6中所示。根据图5中的路径和对应的图6中的阻断集合，本发明可以看出，路径J₁和J₃在δ＝1时是错误分离路径，不会相互影响。当δ＝2时，每个链路错误持续两个时隙，V_AB,1出错则会影响V_AB,2的正确性，而V_AB,1∈J₁，V_AB,2∈J₂所以J₁和J₂互为冲突路径。两个δ值对应的冲突矩阵如图7所示。图8中展示了用数学规划工具包Gurobi按照整数线性规划ILP(integer linear programming)模型计算出的最优解，与本发明中的贪心方法计算出的次优解的对比结果。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种时变网络中定长随机中断场景最大错误分离路径获取方法，其特征在于，所述时变网络中定长随机中断场景最大错误分离路径获取方法包括：

搜索出源到汇的所有路径，再为每条路径计算冲突边集，将对应的冲突边集有交集的两条路径视为冲突路径；

对所述冲突路径采用贪心的策略，从空集开始，不断的以迭代的方式扩充一个路径集合，在每次迭代中选择权重最小的新的路径，对选出的权重最小路径和当前该集合中所有路径不冲突，则将新路径并入集合，构造出在时间上保持一定安全距离的最大的空间分离路径；

所述时变网络中定长随机中断场景最大错误分离路径获取方法进一步包括：

步骤一，进行图的变换，将时变网络

转化为线型图

(linear graph)；

步骤二，在

中从源s出发进行深度优先搜索，求解从s到汇点d的所有路径集合

步骤三，计算路径集合

中每条路径J对应的阻断集合R(δ,J)；R的计算方法是：首先，将路径J上的每个节点代表的连接加到R(δ,J)中，因为每一条链接的错误都将影响J的正确性；之后，再次检查路径J上的每个节点代表的连接(e,t’)；若t’比t落后的时间不超过t，即t’-t<δ，说明连接(e,t’)的正确性会被另一连接(e,t)的正确性影响，则把(e,t)加入R(δ,J)中；其中，δ是已知的链路错误的最长持续时间，即单个链路中断持续时间不超过δ个时隙；

步骤四，基于每条路径J对应的阻断集合R(δ,J)构造路径冲突矩阵M；其中，第i行第k列的元素M_ik代表第i条路径J_i和第k条路径J_k的冲突情况,M_ik＝0说明J_i和J_k是相容的，彼此之间是错误分离路径；M_ik＝0代表两条路径冲突；

步骤五，计算每条路径J对应的权重w_J，将路径集合

中的所有路径按照路径权重从小到大的顺序排序；

步骤六，基于冲突矩阵M和排序后的路径集合构建最终选出的错误分离路径集合S,其初始值为空集；具体的，采用迭代的方法不断的将排序后的路径集合中的路径依次拿出，试图加入S；若第i次拿出的路径J_i与S中任意路径J_p(1≤p≤|S|)都不冲突，将J_i加入S；否则放弃，继续检查下一条路径；当搜索过

中所有的路径后，过程结束，此时S不能容纳更多路径，S是最大的错误分离路径集合；

所述步骤一转化方法包括：对于每个在时变图

中的连接(e,t)，在线型图中转换为一个对应的节点，并将此节点命名为v_e,t；同时，为源节点s和汇节点d各自单独创建一个节点；若从(e₁,t₁)到(e₂,t₂)为一条可行路径，则在线型图中为节点

到节点

添加一条有向连接；

若前一个节点为s则从s到v_e,t添加一条有向边，若后一个节点为d则从v_e,t到d添加一条有向边；

所述时变网络中定长随机中断场景最大错误分离路径获取方法进一步包括：

第一步：从数据源s出发，采用深度优先遍历的方法，找到从s到目标节点d的所有路径，将这些路径存储在集合J_sd中；

第二步：在给定错误持续时间δ的情况下，计算每条路径J的阻断边集R(δ,J)，阻断集合可表示为R(δ，J)＝{(e，t)|(e，t′)∈C_J，s.t.0≤t’-t＜δ}；其中C_J是路径J的边集集合；

第三步：计算每条路径J_i的权值

具体计算方法为

第四步：对J_sd集合中的所有的路径按照权值从小到大的顺序进行排序为

(m＝|J_sd|)其中，q₁,q₂,q₃,...,q_m是序列1,2,...,m的置换且

第五步：用集合S存储所有的最终选出的路径，初始时设置

第六步：计算路径冲突矩阵M_m×m.冲突矩阵的内容和每条路径阻断集合密切相关；为了确定J_i和J_k是否冲突，即M_ik的值，则需要看R(δ,J_i)和R(δ,J_k)是否有交集，有交集则M_ik＝1，无交集则M_ik＝0；

第七步：从头开始遍历1,2,...,m的序列，在第k次的迭代中

首先计算集合S中所有路径的权重和

试图将J_k加入集合S；如果J_k与S中的每条路径都不冲突，且同时

那么，将J_k并入集合S,S＝S∪J_k；反之，若J_k与S中的某条路径冲突，或者

则令k＝k+1,进行下一次迭代；

第八步：当k＝m+1，

时，整个迭代过程结束，当前集合S为所求的时变网络中定长随机中断场景下的最大错误分离路径。

2.如权利要求1所述的时变网络中定长随机中断场景最大错误分离路径获取方法，其特征在于，所述第六步中，若J_i和J_k是否冲突，需判断R(δ,J_i)和R(δ,J_k)是否有交集；若

则这两个集合包括相同的元素，则M_i,_k＝M_k,i＝1，反之则M_i,k＝M_k,i＝0。

3.如权利要求1所述的时变网络中定长随机中断场景最大错误分离路径获取方法，其特征在于，所述时变网络中定长随机中断场景最大错误分离路径获取方法进一步包括：

Computing The Maximumδ-disjoint Journeys

上述模型中，C是时变图中所有连接的集合,C_J是路径J的连接的集合，B是给定的总开销限制，x_J是0/1变量，代表最终路径J是否被选为最优的错误分离路径集合,若x_J＝0则路径J未被选中，x_J＝1说明路径J被选中加入最终的路径集合；w_J是路径J的权重上的连接的权重和，最终被选中的路径集合的加权需要满足总的通信开销的限定，为式(4)；任取时变图中的任意一条连接(e,t),对于每个包含这条连接(e,t)的所有阻断集合R(δ,J)，其对应的路径J的通畅性都直接被(e,t)的正确性所影响；那么，为了将单条链接发生错误的影响力有效限定在一条路径上，所有包含(e,t)的阻断集合所对应的路径J中，最多只能有一条路径被加入最终选出错误分离路径的集合。

4.一种时变网络中定长随机中断场景下的最大错误分离路径获取系统，其特征在于，所述系统用于实现权利要求1～3任意一项所述时变网络中定长随机中断场景最大错误分离路径获取方法。

5.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～3任意一项所述时变网络中定长随机中断场景最大错误分离路径获取方法。

Images