CN114374636A - 一种智能路由方法、装置及网络设备 - Google Patents

Abstract

本说明书公开了一种智能路由方法、装置及网络设备，包括：确定网络中各路由器在最近预设历史时段内的流量模式；将各路由器的流量模式作为发点路由的预训练神经网络的输入预测出下一路由；若下一路由为非收点路由，则以下一路由为新的发点路由预测出下一路由，以此类推，直至预测出的下一步路由为收点路由；基于路由路径将服务请求方路由到目标服务提供方。由此，可结合深度学习中self‑attention方法，有效的提取了各个路由器之前的隐含特征，能够有效预测当前拓扑网络中信号传输的最优路径。

Description

一种智能路由方法、装置及网络设备

技术领域

本文件涉及通信技术领域，尤其涉及一种智能路由方法、装置及网络设备。

背景技术

在网络通信领域，路由算法是其核心的一项技术，路由器转发分组是通过路由表转发的，而路由表中的路径是通过各种算法得到的。主机通常直接与一台路由器相连接，该路由器即为该主机的默认路由器(defaultrouter)，又称该主机的第一跳路由器(first-hop router)每当主机发送一个分组时，该分组被传送给它的默认路由器。源主机的默认路由器称作源路由器(sourcerouter)，目的主机的默认路由器称作目的路由器(destinationrouter)。一个分组从源主机到目的主机的路由选择问题显然可归结为从源路由器到目的路由器的路由选择问题。路由选择算法又可以分为静态路由算法和动态路由算法。静态路由算法最具有代表性的算法是RIP协议，在该算法中，所有结点都定期地将它们的整个路由选择表传送给所有与之直接相邻的结点。这种路由选择表包含：1、每条路径的目的地(另一结点)。2、路径的代价(也称距离)。然后通过路由表来选择最短路径。动态路由协议的代表性算法是OPSF协议，OPSF协议工作步骤为1、建立邻居。2、向网络中所有路由器广播链路状态，更新路由表。3、通过传统的一些最短路径算法来计算最优路由。现在随着网络用户的增多，数据请求量的激增，这些传统路由算法如OPSF协议只能将庞大的网络结构划分为一个个的自治系统，但由于网络结构过大，传统的OPSF协议也无法很好的解决网络中的拥堵问题，极大的浪费了计算机的网络资源，而且只是增加路由和链路也会导致人力和物力的开销增大。

因此，需要提供更加有效的路由方案。

发明内容

本说明书提供了一种智能路由方法，用以解决无法满足日益增大的网络链路结构而造成的资源浪费、传输延迟的问题。

第一方面，本说明书实施例提供了一种智能路由方法，应用于路由器，包括：

接收到来自服务请求方的传输服务请求时，确定网络中各路由器在最近预设历史时段内的流量模式，所述传输服务请求中包括发点路由和收点路由，所述发点路由和收点路由分别与所述服务请求方和目标服务提供方相对应；

将各路由器的流量模式作为发点路由的预训练神经网络的输入预测出下一路由；若下一路由为非收点路由，则以下一路由为新的发点路由预测出下一路由，以此类推，直至预测出的下一步路由为收点路由；所述预训练神经网络包括注意力模块、残差模块和层归一化模块，所述注意力模块和所述层归一化模块依次连接且堆叠多层，所述残差模块的残差支路连接神经网络的输入端和第一个层归一化模块的输出端，所述预训练神经网络用于基于各路由器的流量模块确定各路由器的概率值并确定概率值最大的路由器为下一路由；

基于路由路径将服务请求方路由到目标服务提供方，所述路由路径用于反映预测出的每一步路由位置的顺序。

可选的，所述确定最近的预设历史时段内网络中各路由器的流量模式，包括：

由网络中各路由器中的流量监控模块记录最近的预设历史时段内其入站数据包的数量；

基于入站数据包的数量，确定本路由器的流量模式，并将本路由器的流量模式以广播的形式分发到其他路由器的边缘路由上。

可选的，所述注意力模块和所述层归一化模块堆叠两层，所述注意力模块包括第一注意力模块和第二注意力模块，所述层归一化模块包括第一层归一化模块和第二层归一化模块，所述第一注意力模块、所述第一层归一化模块、第二注意力模块和所述第二层归一化模块依次连接；

所述残差支路连接神经网络的输入端和所述第一层归一化模块的输出端。

可选的，所述预训练神经网络还包括：输入层、位置编码模块、多个全连接层，其中：

所述输入层、所述位置编码模块和所述第一注意力模块依次连接；

所述多个全连接层依次连接且第一个全连接层与所述第二层归一化模块连接；

其中，所述位置编码模块用于对输入的流量模式对应的向量与对应路由器的位置进行编码。

可选的，所述多个全连接层包括第一全连接层和第二全连接层，其中：

所述第一全连接层和所述第二全连接层的激活函数分别为Relu函数和softmax函数。

可选的，所述以下一路由为新的发点路由预测出下一路由，包括：

重新确定网络中各路由器在最近预设历史时段内的流量模式；

将重新确定的各路由器的流量模式作为预训练神经网络的输入预测出下一路由。

可选的，在基于路由路径将服务请求方路由到目标服务提供方之前，所述方法还包括：

将每一步路由位置按顺序记录在本地路由表内，得到路由路径，以供按照所述路由表存在的所述路由路径将服务请求方路由到目标服务提供方。

第二方面，本说明书实施例还提供了一种智能路由装置，搭载于路由器，包括：中心控制模块和流量监控模块，其中：

所述流量监控模块，用于实时获取网络拓扑结构中的每个路由器在最近预设历史时段内的流量模式；

所述中心控制模块，用于接收到来自服务请求方的传输服务请求，所述传输服务请求中包括发点路由和收点路由，所述发点路由和收点路由分别与所述服务请求方和目标服务提供方相对应；将各路由器的流量模式作为发点路由的预训练神经网络的输入预测出下一路由；若下一路由为非收点路由，则以下一路由为新的发点路由预测出下一路由，以此类推，直至预测出的下一步路由为收点路由；所述预训练神经网络包括注意力模块、残差模块和层归一化模块，所述注意力模块和所述层归一化模块依次连接且堆叠多层，所述残差模块的残差支路连接神经网络的输入端和第一个层归一化模块的输出端，所述预训练神经网络用于基于各路由器的流量模块确定各路由器的概率值并确定概率值最大的路由器为下一路由；基于路由路径将服务请求方路由到目标服务提供方，所述路由路径用于反映预测出的每一步路由位置的顺序。

可选的，所述流量监控模块，具体用于：

由网络中各路由器中的流量监控模块记录最近的预设历史时段内其入站数据包的数量；

基于入站数据包的数量，确定本路由器的流量模式，并将本路由器的流量模式以广播的形式分发到其他路由器的边缘路由上。

可选的，所述注意力模块和所述层归一化模块堆叠两层，所述注意力模块包括第一注意力模块和第二注意力模块，所述层归一化模块包括第一层归一化模块和第二层归一化模块，所述第一注意力模块、所述第一层归一化模块、第二注意力模块和所述第二层归一化模块依次连接；

所述残差支路连接神经网络的输入端和所述第一层归一化模块的输出端。

可选的，所述预训练神经网络还包括：输入层、位置编码模块、多个全连接层，其中：

所述输入层、所述位置编码模块和所述第一注意力模块依次连接；

所述多个全连接层依次连接且第一个全连接层与所述第二层归一化模块连接；

其中，所述位置编码模块用于对输入的流量模式对应的向量与对应路由器的位置进行编码。

可选的，所述多个全连接层包括第一全连接层和第二全连接层，其中：

所述第一全连接层和所述第二全连接层的激活函数分别为Relu函数和softmax函数。

可选的，所述中心控制模块，具体用于：

重新确定网络中各路由器在最近预设历史时段内的流量模式；

将重新确定的各路由器的流量模式作为预训练神经网络的输入预测出下一路由。

可选的，所述装置还包括：

存储模块，用于将每一步路由位置按顺序记录在本地路由表内，得到路由路径，以供按照所述路由表存在的所述路由路径将服务请求方路由到目标服务提供方。

第三方面，本说明书实施例还提供了一种网络设备，包括：通信接口、处理器和存储器；

所述处理器调用所述存储器中的程序指令，用以执行如下动作：

接收到来自服务请求方的传输服务请求时，确定网络中各路由器在最近预设历史时段内的流量模式，所述传输服务请求中包括发点路由和收点路由，所述发点路由和收点路由分别与所述服务请求方和目标服务提供方相对应；

将各路由器的流量模式作为发点路由的预训练神经网络的输入预测出下一路由；若下一路由为非收点路由，则以下一路由为新的发点路由预测出下一路由，以此类推，直至预测出的下一步路由为收点路由；所述预训练神经网络包括注意力模块、残差模块和层归一化模块，所述注意力模块和所述层归一化模块依次连接且堆叠多层，所述残差模块的残差支路连接神经网络的输入端和第一个层归一化模块的输出端，所述预训练神经网络用于基于各路由器的流量模块确定各路由器的概率值并确定概率值最大的路由器为下一路由；

基于路由路径将服务请求方路由到目标服务提供方，所述路由路径用于反映预测出的每一步路由位置的顺序。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过结合深度学习中self-attention方法，有效的提取了各个路由器之前的隐含特征，能够有效预测当前拓扑网络中信号传输的最优路径。相较于RIP协议和OPSF协议等传统算法，该发明有效的降低了信号传输的延迟和网络传输信号的开销，相较于结合深度信念网络的路由算法，本专利能够更有效的提取输入向量之间的特征而且降低了训练神经网络的成本。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书一实施例提供的一种智能路由方法的流程示意图；

图2为本说明书一实施例提供的神经网络具体结构的示意图；

图3为本说明书一实施例提供的一种智能路由装置的结构示意图；

图4为本说明书一实施例提供的路由算法整体流程的示意图；

图5为本说明书一实施例提供的预测下一步路由的详细流程示意图；

图6为本说明书一实施例提供的路由算法的运行原理示意图；

图7为本说明书一实施例提供的一种网络设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本说明书一实施例提供的一种智能路由方法的流程示意图，该方法由发点路由器或者发点路由器内部的处理器执行，参见图1，所述方法具体可以包括如下步骤：

步骤102、接收到来自服务请求方的传输服务请求时，确定网络中各路由器在最近预设历史时段内的流量模式，所述传输服务请求可以为相应客户端发送的网络请求，其中可包括发点路由和收点路由，所述发点路由和收点路由分别与所述服务请求方和目标服务提供方相对应；或者，所述传输服务请求可标记服务请求方和目标服务提供方；

其中，流量模式即指每个Δt时刻各个路由器内通过的网络流量；各路由器可以是指网络中当前时段内发起请求的所有路由器。

需要说明的是，步骤102的一种实现方式可以为：

由网络中各路由器中的流量监控模块记录最近的预设历史时段内其入站数据包的数量；基于入站数据包的数量，确定本路由器的流量模式，并将本路由器的流量模式以广播的形式分发到其他路由器的边缘路由上。其中，网络中路由器分为边缘路由和内部路由，边缘路由属于不同网段的服务器，内部路由只有转发功能，其中内部路由和边缘路由将流量模式以广播的形式分发到所有的边缘路由上。

步骤104、将各路由器的流量模式作为发点路由的预训练神经网络的输入预测出下一路由；若下一路由为非收点路由，则以下一路由为新的发点路由预测出新的发点路由的下一路由，以此类推，直至预测出的下一步路由为收点路由；所述预训练神经网络包括注意力模块、残差模块和层归一化模块，所述注意力模块和所述层归一化模块依次连接且堆叠多层，所述残差模块的残差支路连接神经网络的输入端和第一个层归一化模块的输出端，所述预训练神经网络用于基于各路由器的流量模块确定各路由器的概率值并确定概率值最大的路由器为下一路由；

其中，神经网络的具体网络结构可视情况调整，如可视情况调整所述注意力模块和所述层归一化模块的堆叠层数等，此处优选为所述注意力模块和所述层归一化模块堆叠两层，所述注意力模块包括第一注意力模块和第二注意力模块，所述层归一化模块包括第一层归一化模块和第二层归一化模块，所述第一注意力模块、所述第一层归一化模块、第二注意力模块和所述第二层归一化模块依次连接；相应地，所述残差支路连接神经网络的输入端和所述第一层归一化模块的输出端。

由此，可通过self-attention机制和残差连接的组合，有效发掘路由器位置之间的相关特征。

参见图2，在一可行实施例中，神经网络的具体网络结构可以包括：

输入层：输入列向量。

P1层：位置编码模块。对输入列向量进行位置编码。具体地：网络的输入向量是通过每个路由器的流量组成的列向量。这样不能突出每个路由器的位置关系，本实施例通过一个位置编码模块对这个输入向量加上其位置编码，通过对每个路由器的维度简单增加1，即新的输入向量＝旧的输入向量+(0，1，2，3，……)。

A1层：第一注意力模块。该层的输入向量是添加过位置编码的输入向量，使网络提取路由器之间的隐含特征关系的能力更强。

L1层：第一层归一化模块。该模块作为网络的一个组件，可以有助于将向量映射为一个均值为0，方差为1的高斯球，使训练更加稳定。

R1层：残差模块。该层的是一个残差连接结构，该模块只是简单的对上一层的输出向量与神经网络的输入向量做了了一个简单的加法操作，变成了一个包含初始向量信息的特征向量。

A2层：第二注意力模块。

L2层：第二层归一化模块。

D1层：全连接层。该层的激活函数是relu，通过该全连接层再一次增强了神经网络的表达能力。

D2层：全连接层。该层的激活函数是softmax，通过该全连接层输出下一步到达各个路由器的概率值，取最大的作为下一步路由位置的预测。

进一步地，考虑到流量模式的时效性，为确保智能路由的精确度，在所述以下一路由为新的发点路由预测出下一路由之前，重新确定网络中各路由器在最近预设历史时段内的流量模式，并将重新确定的各路由器的流量模式作为预训练神经网络的输入预测出下一路由。

而且，不难理解的是，中心控制模块、流量监控模块和解码模块是存在于每个路由器中，第一路由的中心控制模块确定下一路由(记为第二路由)的位置之后，若第二路由并非收点路由，则由第一路由的流量监控模块重新确定各路由器的流量模式，并由第一路由的中心控制模块以第二路由为发点路由确定新的下一路由的位置(记为第三路由)，以此类推，直至下一路由为收点路由。在此过程中，每确定一下一路由位置则进行记录，从而得到从发点路由到收点路由的路由路径。

步骤106、基于路由路径将服务请求方路由到目标服务提供方，所述路由路径用于反映预测出的每一步路由位置的顺序。

需要说明的是，在执行步骤106之前，还包括：

将每一步路由位置按顺序记录在本地路由表内，得到路由路径，以供按照所述路由表存在的所述路由路径将服务请求方路由到目标服务提供方。

其中，本地路由表是一个存储在路由器或者联网计算机中的电子表格(文件)或类数据库。路由表存储着指向特定网络地址的路径(在有些情况下，还记录有路径的路由度量值)。它可以方便网络在一定时间内按照路由表内记录的路径传输，而非每有一次服务请求就需要进行一次模型计算，减少了服务器资源浪费。而且，最终得到的路由表可以在一段时间内利用，然后再固定时间间隔更新，这样最大化该智能路由算法的效用。

由此可知，本实施例通过结合深度学习中self-attention方法，有效的提取了各个路由器之前的隐含特征，能够有效预测当前拓扑网络中信号传输的最优路径。相较于RIP协议和OPSF协议等传统算法，该发明有效的降低了信号传输的延迟和网络传输信号的开销，相较于结合深度信念网络的路由算法，本专利能够更有效的提取输入向量之间的特征而且降低了训练神经网络的成本。

图3为本说明书一实施例提供的一种智能路由装置的结构示意图，搭载于路由器，参见图3，所述装置具体可以包括：中心控制模块301和流量监控模块302，其中：

所述流量监控模块201，用于实时获取网络拓扑结构中的每个路由器在最近预设历史时段内的流量模式；

所述中心控制模块202，用于接收到来自服务请求方的传输服务请求，所述传输服务请求中包括发点路由和收点路由，所述发点路由和收点路由分别与所述服务请求方和目标服务提供方相对应；将各路由器的流量模式作为发点路由的预训练神经网络的输入预测出下一路由；若下一路由为非收点路由，则以下一路由为新的发点路由预测出下一路由，以此类推，直至预测出的下一步路由为收点路由；所述预训练神经网络包括注意力模块、残差模块和层归一化模块，所述注意力模块和所述层归一化模块依次连接且堆叠多层，所述残差模块的残差支路连接神经网络的输入端和第一个层归一化模块的输出端，所述预训练神经网络用于基于各路由器的流量模块确定各路由器的概率值并确定概率值最大的路由器为下一路由；基于路由路径将服务请求方路由到目标服务提供方，所述路由路径用于反映预测出的每一步路由位置的顺序。

可选的，所述流量监控模块201，具体用于：

由网络中各路由器中的流量监控模块记录最近的预设历史时段内其入站数据包的数量；

基于入站数据包的数量，确定本路由器的流量模式，并将本路由器的流量模式以广播的形式分发到其他路由器的边缘路由上。

可选的，所述注意力模块和所述层归一化模块堆叠两层，所述注意力模块包括第一注意力模块和第二注意力模块，所述层归一化模块包括第一层归一化模块和第二层归一化模块，所述第一注意力模块、所述第一层归一化模块、第二注意力模块和所述第二层归一化模块依次连接；

所述残差支路连接神经网络的输入端和所述第一层归一化模块的输出端。

可选的，所述预训练神经网络还包括：输入层、位置编码模块、多个全连接层，其中：

所述输入层、所述位置编码模块和所述第一注意力模块依次连接；

所述多个全连接层依次连接且第一个全连接层与所述第二层归一化模块连接；

其中，所述位置编码模块用于对输入的流量模式对应的向量与对应路由器的位置进行编码。

可选的，所述多个全连接层包括第一全连接层和第二全连接层，其中：

所述第一全连接层和所述第二全连接层的激活函数分别为Relu函数和softmax函数。

可选的，所述中心控制模块202，具体用于：

重新确定网络中各路由器在最近预设历史时段内的流量模式；

将重新确定的各路由器的流量模式作为预训练神经网络的输入预测出下一路由。

可选的，装置还包括：

存储模块，用于将每一步路由位置按顺序记录在本地路由表内，得到路由路径，以供按照所述路由表存在的所述路由路径将服务请求方路由到目标服务提供方。

本地路由表是一个存储在路由器或者联网计算机中的电子表格(文件)或类数据库。路由表存储着指向特定网络地址的路径(在有些情况下，还记录有路径的路由度量值)。它可以方便网络在一定时间内按照路由表内记录的路径传输，而非每有一次服务请求就需要进行一次模型计算，减少了服务器资源浪费。

由此可知，本实施例通过结合深度学习中self-attention方法，有效的提取了各个路由器之前的隐含特征，能够有效预测当前拓扑网络中信号传输的最优路径。相较于RIP协议和OPSF协议等传统算法，该发明有效的降低了信号传输的延迟和网络传输信号的开销，相较于结合深度信念网络的。

下面对实现原理的角度对上述图1和图3对应的实施例进行详细说明：

首先，整体框架包括：

位置编码模块：网络的输入向量是通过每个路由器的流量组成的列向量。这样不能突出每个路由器的位置关系，可通过一个位置编码模块对这个输入向量加上其位置编码，通过对每个路由器的维度简单增加1，即新的输入向量＝旧的输入向量+(0，1，2，3，……)。

注意力模块：该模块是实现self-attention的核心模块，利用注意力机制，可以提取输入向量中最具有特征的关系的一些特征。

层归一化模块：该模块作为网络的一个组件，可以有助于将向量映射为一个均值为0，方差为1的高斯球，使训练更加稳定。

残差模块：残差模块同样也是神经网络的一个组件，它的输入向量是上一层的输出向量加上网络的输入向量。这样，就可以构造非常深的网络而不会出现梯度消失问题。

中心控制模块，中心控制模块是一个负责进行模型计算的中央服务器，其架构框架是SDN(software define networks，软件定义网络)，通过这种方法可以实现任意分配路由路径的方法，而非固定的路由协议。从而可以使用神经网络在中心控制模块中根据上一个模块中获得的流量模式作为网络输入来预测下一个路由。

流量监控模块，实时获取网络拓扑结构中的前时间内每个路由器的流量模式。

根据图4所示，本发明的总体步骤如下：

步骤1：自治网络接收网络讯号

如接收一信号传输请求，以确定发点和收点。

步骤2：中心控制模块运行神经网络预测下一步路由位置

并在发点路由内的中心控制模块里用神经网络对下一步路由器的位置作预测，若不是终点路由器则继续往下迭代。如图5所示，中心控制模块首先接收一个发点和一个收点的信号作为输入，然后中心控制模块根据发点和收点来选择相应的神经网络参数，此时将拓扑网络中的流量模式作为输入，输入到神经网络中，输出一个代表各个路由器的概率值的列向量，然后根据概率值去选择最大概率的路由器位置即得到了下一步路由的位置。最后将预测的路由路径记录在路由表之中。

步骤3：按照路由表中记录的路径传输信号。

其中，所述的深度神经网络具体结构如下：

输入层：输入列向量。

P1层：位置编码模块。对输入列向量进行位置编码。

A1层：注意力模块。该层的输入向量是添加过位置编码的输入向量，使网络提取路由器之间的隐含特征关系的能力更强。

L1层：层归一化模块。该模块作为网络的一个组件，可以有助于将向量映射为一个均值为0，方差为1的高斯球，使训练更加稳定。

R1层：残差模块。该层的是一个残差连接结构，该模块只是简单的对上一层的输出向量与神经网络的输入向量做了了一个简单的加法操作，变成了一个包含初始向量信息的特征向量。

A2层：注意力模块。

L2层：层归一化模块。

D1层：全连接层。该层的激活函数是relu，通过该全连接层再一次增强了神经网络的表达能力。

D2层：全连接层。该层的激活函数是softmax，通过该全连接层输出下一步到达各个路由器的概率值，取最大的作为下一步路由位置的预测。

下面参见图6对路由算法的运行原理进行示例性说明：

假设接受传输服务请求，传输服务请求中携带发点和收点，例如1号路由器R1到9号路由器R9。

示例1：在R1路由器内运行预训练的神经网络，其中的参数设置为预训练好的WMs1，9，输出下一个路由器的位置，假设为3号路由器，然后再在一号路由器内运行神经网络，参数设置为WMs3，9,再输出下一个路由器的位置，循环迭代，直至到达终点路由器9号。其中，WMs是指代管理所有网络参数的表。

示例2、结合图6，具体步骤包括：

S1、在R1路由器内，基于训练得到所有参数WMs，向R9发送一个数据包，计算R1-R9的路径；

S2、用参数WMs1，9带入模型得到DL1,9，计算下一路由器位置R5；

S3、用参数WMs5，9带入模型得到DL5,9计算下一个路由器位置R6；

S4、用参数WM6,9带入模型得到DL6,9计算下一路由位置R7；

S5、用参数WMs7,9带入模型得到DL7,9计算下一个路由器位置R9；

S6、得到路径R1→R5→R6→R7→R9。

由此可知，相比于传统路由协议，如RIP，OSPF等，本方案通过结合深度学习中self-attention方法，有效的提取了各个路由器之前的隐含特征，能够有效预测当前拓扑网络中信号传输的最优路径。相较于RIP协议和OPSF协议等传统算法，该发明有效的降低了信号传输的延迟和网络传输信号的开销，相较于结合深度信念网络的。

图7为本说明书一实施例提供的一种网络设备的结构示意图，参见图7，所述网络设备能够实现上述实施例中智能路由方法的细节，并达到相同的效果。如图7所示，网络设备700包括：处理器701、收发机702、存储器703、用户接口704和总线接口，其中：

在本发明实施例中，网络设备700还包括：存储在存储器上703并可在处理器701上运行的计算机程序，计算机程序被处理器701、执行时实现如下步骤：

接收到来自服务请求方的传输服务请求时，确定网络中各路由器在最近预设历史时段内的流量模式，所述传输服务请求中包括发点路由和收点路由，所述发点路由和收点路由分别与所述服务请求方和目标服务提供方相对应；

将各路由器的流量模式作为发点路由的预训练神经网络的输入预测出下一路由；若下一路由为非收点路由，则以下一路由为新的发点路由预测出下一路由，以此类推，直至预测出的下一步路由为收点路由；所述预训练神经网络包括注意力模块、残差模块和层归一化模块，所述注意力模块和所述层归一化模块依次连接且堆叠多层，所述残差模块的残差支路连接神经网络的输入端和第一个层归一化模块的输出端，所述预训练神经网络用于基于各路由器的流量模块确定各路由器的概率值并确定概率值最大的路由器为下一路由；

基于路由路径将服务请求方路由到目标服务提供方，所述路由路径用于反映预测出的每一步路由位置的顺序。

在图7中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器701代表的一个或多个处理器和存储器703代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机702可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。针对不同的用户设备，用户接口704还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。

处理器701负责管理总线架构和通常的处理，存储器703可以存储处理器701在执行操作时所使用的数据。

本发明实施例中，通过配置路由器和网关间的动态路由分流方案，筛选出高价值的流量并分流至业务平台，并将绝大部分无效流量数通至公网，从而能够降低对传输带宽和业务平台的消耗。

可选的，计算机程序被处理器703执行时还可实现如下步骤：

所述确定最近的预设历史时段内网络中各路由器的流量模式，包括：

由网络中各路由器中的流量监控模块记录最近的预设历史时段内其入站数据包的数量；

基于入站数据包的数量，确定本路由器的流量模式，并将本路由器的流量模式以广播的形式分发到其他路由器的边缘路由上。

其中，所述注意力模块和所述层归一化模块堆叠两层，所述注意力模块包括第一注意力模块和第二注意力模块，所述层归一化模块包括第一层归一化模块和第二层归一化模块，所述第一注意力模块、所述第一层归一化模块、第二注意力模块和所述第二层归一化模块依次连接；

所述残差支路连接神经网络的输入端和所述第一层归一化模块的输出端。

所述预训练神经网络还包括：输入层、位置编码模块、多个全连接层，其中：

所述输入层、所述位置编码模块和所述第一注意力模块依次连接；

所述多个全连接层依次连接且第一个全连接层与所述第二层归一化模块连接；

其中，所述位置编码模块用于对输入的流量模式对应的向量与对应路由器的位置进行编码。

所述多个全连接层包括第一全连接层和第二全连接层，其中：

所述第一全连接层和所述第二全连接层的激活函数分别为Relu函数和softmax函数。

其中，所述以下一路由为新的发点路由预测出下一路由，包括：

重新确定网络中各路由器在最近预设历史时段内的流量模式；

将重新确定的各路由器的流量模式作为预训练神经网络的输入预测出下一路由。

其中，在基于路由路径将服务请求方路由到目标服务提供方之前，所述方法还包括：

将每一步路由位置按顺序记录在本地路由表内，得到路由路径，以供按照所述路由表存在的所述路由路径将服务请求方路由到目标服务提供方。

相比于传统路由协议，如RIP，OSPF等，本网络设备通过结合深度学习中self-attention方法，有效的提取了各个路由器之前的隐含特征，能够有效预测当前拓扑网络中信号传输的最优路径。相较于RIP协议和OPSF协议等传统算法，该发明有效的降低了信号传输的延迟和网络传输信号的开销，相较于结合深度信念网络的。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种智能路由方法，其特征在于，应用于路由器，包括：

接收到来自服务请求方的传输服务请求时，确定网络中各路由器在最近预设历史时段内的流量模式，所述传输服务请求中包括发点路由和收点路由，所述发点路由和收点路由分别与所述服务请求方和目标服务提供方相对应；

将各路由器的流量模式作为发点路由的预训练神经网络的输入预测出下一路由；若下一路由为非收点路由，则以下一路由为新的发点路由预测出下一路由，以此类推，直至预测出的下一步路由为收点路由；所述预训练神经网络包括注意力模块、残差模块和层归一化模块，所述注意力模块和所述层归一化模块依次连接且堆叠多层，所述残差模块的残差支路连接神经网络的输入端和第一个层归一化模块的输出端，所述预训练神经网络用于基于各路由器的流量模块确定各路由器的概率值并确定概率值最大的路由器为下一路由；

基于路由路径将服务请求方路由到目标服务提供方，所述路由路径用于反映预测出的每一步路由位置的顺序。

2.根据权利要求1所述的方法，其特征在于，所述确定最近的预设历史时段内网络中各路由器的流量模式，包括：

由网络中各路由器中的流量监控模块记录最近的预设历史时段内其入站数据包的数量；

基于入站数据包的数量，确定本路由器的流量模式，并将本路由器的流量模式以广播的形式分发到其他路由器的边缘路由上。

3.根据权利要求1所述的方法，其特征在于，所述注意力模块和所述层归一化模块堆叠两层，所述注意力模块包括第一注意力模块和第二注意力模块，所述层归一化模块包括第一层归一化模块和第二层归一化模块，所述第一注意力模块、所述第一层归一化模块、第二注意力模块和所述第二层归一化模块依次连接；

所述残差支路连接神经网络的输入端和所述第一层归一化模块的输出端。

4.根据权利要求3所述的方法，其特征在于，所述预训练神经网络还包括：输入层、位置编码模块、多个全连接层，其中：

所述输入层、所述位置编码模块和所述第一注意力模块依次连接；

所述多个全连接层依次连接且第一个全连接层与所述第二层归一化模块连接；

其中，所述位置编码模块用于对输入的流量模式对应的向量与对应路由器的位置进行编码。

5.根据权利要求4所述的方法，其特征在于，所述多个全连接层包括第一全连接层和第二全连接层，其中：

所述第一全连接层和所述第二全连接层的激活函数分别为Relu函数和softmax函数。

6.根据权利要求1所述的方法，其特征在于，所述以下一路由为新的发点路由预测出下一路由，包括：

重新确定网络中各路由器在最近预设历史时段内的流量模式；

将重新确定的各路由器的流量模式作为预训练神经网络的输入预测出下一路由。

7.根据权利要求1所述的方法，其特征在于，在基于路由路径将服务请求方路由到目标服务提供方之前，所述方法还包括：

将每一步路由位置按顺序记录在本地路由表内，得到路由路径，以供按照所述路由表存在的所述路由路径将服务请求方路由到目标服务提供方。

8.一种智能路由装置，其特征在于，搭载于路由器，包括：中心控制模块和流量监控模块，其中：

所述流量监控模块，用于实时获取网络拓扑结构中的每个路由器在最近预设历史时段内的流量模式；

所述中心控制模块，用于接收到来自服务请求方的传输服务请求，所述传输服务请求中包括发点路由和收点路由，所述发点路由和收点路由分别与所述服务请求方和目标服务提供方相对应；将各路由器的流量模式作为发点路由的预训练神经网络的输入预测出下一路由；若下一路由为非收点路由，则以下一路由为新的发点路由预测出下一路由，以此类推，直至预测出的下一步路由为收点路由；所述预训练神经网络包括注意力模块、残差模块和层归一化模块，所述注意力模块和所述层归一化模块依次连接且堆叠多层，所述残差模块的残差支路连接神经网络的输入端和第一个层归一化模块的输出端，所述预训练神经网络用于基于各路由器的流量模块确定各路由器的概率值并确定概率值最大的路由器为下一路由；基于路由路径将服务请求方路由到目标服务提供方，所述路由路径用于反映预测出的每一步路由位置的顺序。

9.根据权利要求8所述的装置，其特征在于，所述中心控制模块，具体用于：

重新确定网络中各路由器在最近预设历史时段内的流量模式；将重新确定的各路由器的流量模式作为预训练神经网络的输入预测出下一路由。

10.一种网络设备，其特征在于，包括：通信接口、处理器和存储器；

所述处理器调用所述存储器中的程序指令，用以执行如下动作：

接收到来自服务请求方的传输服务请求时，确定网络中各路由器在最近预设历史时段内的流量模式，所述传输服务请求中包括发点路由和收点路由，所述发点路由和收点路由分别与所述服务请求方和目标服务提供方相对应；

将各路由器的流量模式作为发点路由的预训练神经网络的输入预测出下一路由；若下一路由为非收点路由，则以下一路由为新的发点路由预测出下一路由，以此类推，直至预测出的下一步路由为收点路由；所述预训练神经网络包括注意力模块、残差模块和层归一化模块，所述注意力模块和所述层归一化模块依次连接且堆叠多层，所述残差模块的残差支路连接神经网络的输入端和第一个层归一化模块的输出端，所述预训练神经网络用于基于各路由器的流量模块确定各路由器的概率值并确定概率值最大的路由器为下一路由；

基于路由路径将服务请求方路由到目标服务提供方，所述路由路径用于反映预测出的每一步路由位置的顺序。

Images