CN114567588A - 基于时延预测及双蚁群的软件定义网络QoS路由算法 - Google Patents

基于时延预测及双蚁群的软件定义网络QoS路由算法 Download PDF

Info

Publication number
CN114567588A
CN114567588A CN202210451701.1A CN202210451701A CN114567588A CN 114567588 A CN114567588 A CN 114567588A CN 202210451701 A CN202210451701 A CN 202210451701A CN 114567588 A CN114567588 A CN 114567588A
Authority
CN
China
Prior art keywords
network
link
ant
ant colony
pheromone
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
CN202210451701.1A
Other languages
English (en)
Other versions
CN114567588B (zh
Inventor
郭永安
张啸
佘昊
钱琪杰
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 of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210451701.1A priority Critical patent/CN114567588B/zh
Publication of CN114567588A publication Critical patent/CN114567588A/zh
Application granted granted Critical
Publication of CN114567588B publication Critical patent/CN114567588B/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
    • H04L45/02—Topology update or discovery
    • H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial 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]
    • 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
    • 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
    • H04L45/121—Shortest path evaluation by minimising delays
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate

Abstract

本发明公开了基于时延预测及双蚁群的软件定义网络QoS路由算法。包括步骤：搭建网络时延预测网络，并选取网络流量的时延数据样本对所述网络时延预测网络进行训练；将SDN网络中的网络流量输入所述网络时延预测网络，所述网络时延预测网络采集所述网络流量的历史时延数据，并基于所述网络流量的历史时延数据进行预测，然后输出所述网络流量的预测时延数据；采用双蚁群算法，基于所述网络流量的预测时延数据在所述SDN网络中寻找最优路径用来传递网络流量。本发明基于时延预测网络引导双蚁群算法计算得出时延更低、占用带宽更少的路径用来传输网络数据，大大降低了网络传输过程中的丢包率，提高了网络传输的效率。

Description

基于时延预测及双蚁群的软件定义网络QoS路由算法
技术领域
本发明涉及通信技术领域，尤其涉及基于时延预测及双蚁群的软件定义网络QoS路由算法。
背景技术
随着网络技术的高速发展，网络规模的扩大和应用数量的增加，使得用户对网络的服务质量保证提出了新的要求，亟需高效的路由算法对业务流的服务质量（Quality OfService，QoS）需求进行保障。但是传统的网络架构复杂，难以获取全局视图，限制了路由算法的设计和部署，无法提供理想的QoS保障。一旦网络发生拥塞，传统的路由协议不能及时地调整策略来适应流量的分布，从而导致高延时、丢包和抖动。
软件定义网络是近年来一种新兴的网络架构，受到广泛关注，它基于逻辑控制与数据转发分离的思想，简化了网络业务的部署，可以灵活的满足不同用户的差异化需求，为研发网络新应用和未来互联网技术提供了一种新的解决方案。
但是软件定义网络（Software Defined Network，简称SDN）通常依靠OpenFlow协议统计网络链路上的时延，再把时延带入算法，但这样的统计具有滞后性，如果网络中发生拥塞，不能立即做出反应来调整流量，往往会导致端到端时延、抖动和丢包率。
发明内容
针对以上问题，本发明提出基于时延预测及双蚁群的软件定义网络Qos路由算法。
为实现本发明的目的，提供基于时延预测及双蚁群的软件定义网络QoS路由算法，包括如下步骤：
S1:搭建网络时延预测网络，并选取样本网络流量对所述网络时延预测网络进行训练；
S2:将SDN网络中的网络流量输入所述网络时延预测网络，所述网络时延预测网络采集所述网络流量的历史时延数据，并基于所述网络流量的历史时延数据进行预测，然后输出所述网络流量的预测时延数据；
S3:采用双蚁群算法，基于所述网络流量的预测时延数据在所述SDN网络中寻找最优路径用来传递网络流量。
进一步地，所述网络时延预测网络包括：注意力模块、图卷积模块、门控循环单元和全连接层；所述注意力模块，用于计算注意力权重和注意力量；所述图卷积模块，用于提取所述历史流量的时延数据的空间特征；所述门控循环单元，用于提取所述历史流量的时延数据的时间特征；所述网络流量按顺序依次输入所述注意力模块、所述图卷积模块和所述门控循环单元，最后经过所述全连接层线性变换后输出，完成对所述网络流量时延数据的预测。
进一步地，所述步骤S3具体包括如下步骤：
（1）建立彼此独立的主蚁群系统
Figure 815316DEST_PATH_IMAGE001
和副蚁群系统
Figure 7263DEST_PATH_IMAGE002
，设定所述主蚁群系统
Figure 835018DEST_PATH_IMAGE003
和所述副蚁群系统
Figure 719797DEST_PATH_IMAGE004
的路径起始节点和路径目标节点，并初始化各蚁群参数，初始 化所述主蚁群系统
Figure 517989DEST_PATH_IMAGE005
链路上的信息素初始值
Figure 998780DEST_PATH_IMAGE006
和所述副蚁群系统
Figure 198817DEST_PATH_IMAGE007
链路上的信 息素初始值
Figure 988918DEST_PATH_IMAGE008
，所述主蚁群系统
Figure 290718DEST_PATH_IMAGE009
和副蚁群系统
Figure 558888DEST_PATH_IMAGE010
的蚂蚁数量均为m，总的迭代 次数为
Figure 879011DEST_PATH_IMAGE011
，当前迭代次数为
Figure 840014DEST_PATH_IMAGE012
，且
Figure 363530DEST_PATH_IMAGE013
，其中，
Figure 435391DEST_PATH_IMAGE014
表示每段链路的源节点，
Figure 875600DEST_PATH_IMAGE015
表示每段链 路的目标节点；
找出所述主蚁群系统
Figure 501446DEST_PATH_IMAGE016
和副蚁群系统
Figure 27106DEST_PATH_IMAGE017
的网络拓扑中不符合预设的所述网 络流量QoS带宽需求的各条链路，并将该各条链路上的信息素初始值均设为正无穷；
（2）更新当前迭代次数:
Figure 637079DEST_PATH_IMAGE018
，初始化所述主蚁群系统
Figure 682526DEST_PATH_IMAGE019
和所述副蚁 群系统
Figure 719752DEST_PATH_IMAGE020
中所有蚂蚁当前所在的节点，并得到每只蚂蚁的初始节点，再将所述每只蚂蚁 的初始节点加入其对应的禁忌链表tab中；
（3）所述每只蚂蚁根据各自下一段链路的信息素浓度
Figure 732708DEST_PATH_IMAGE021
和启发式信息
Figure 897104DEST_PATH_IMAGE022
，计算 出各自从当前节点转移到下一节点的转移概率
Figure 46325DEST_PATH_IMAGE023
，再利用轮盘赌法选择转移概率
Figure 520032DEST_PATH_IMAGE024
最大 的下一节点作为下一目的节点，并转移到此下一目的节点，再将此下一目的节点添加到各 蚂蚁对应的禁忌链表tab中；
（4）查询所述禁忌链表tab，判断当前节点是否为路径目标节点，如果当前节点为 路径目标节点，则将此蚂蚁从路径起始节点到路径目标节点的路径花费
Figure 489125DEST_PATH_IMAGE025
值与当前全 局最优解的路径花费
Figure 457212DEST_PATH_IMAGE026
值对比，若所述路径花费
Figure 460940DEST_PATH_IMAGE026
值小于当前全局最优解的路径花 费
Figure 839969DEST_PATH_IMAGE027
值，则将此蚂蚁从路径起始节点到路径目标节点的路径设为新的全局最优解，并进 入步骤（5），反之则直接进入步骤（5）；如果当前节点不是路径目标节点，则直接返回上述步 骤（3）进行下一次的节点转移；其中，全局最优解的初始值为第一只到达路径目标结点的蚂 蚁的转移路径；
（5）判断所述主蚁群系统
Figure 44161DEST_PATH_IMAGE005
和所述副蚁群系统
Figure 65207DEST_PATH_IMAGE028
中的所有蚂蚁是否都找 到了路径目标节点，若所有蚂蚁都找到了路径目标节点，则执行步骤（6），否则继续等待，直 到所有蚂蚁都找到了路径目标节点；
（6）根据所述主蚁群系统
Figure 189020DEST_PATH_IMAGE005
和所述副蚁群系统
Figure 755262DEST_PATH_IMAGE020
网络拓扑中各链路的信息 素更新规则，分别对所述主蚁群系统
Figure 964526DEST_PATH_IMAGE029
和所述副蚁群系统
Figure 523684DEST_PATH_IMAGE020
网络拓扑中各链路的 信息素进行更新；再根据信息素浓度
Figure 987157DEST_PATH_IMAGE030
的矫正规则，对更新后的链路
Figure 239147DEST_PATH_IMAGE031
在
Figure 670128DEST_PATH_IMAGE032
时刻的 信息素浓度
Figure 783709DEST_PATH_IMAGE033
进行矫正；
（7）根据本轮迭代内所述主蚁群系统
Figure 350957DEST_PATH_IMAGE034
和所述副蚁群系统
Figure 508268DEST_PATH_IMAGE035
的全局最优 解，进行蚁群系统之间信息素浓度的更新；判断当前迭代次数
Figure 426546DEST_PATH_IMAGE036
是否大于或等于
Figure 75309DEST_PATH_IMAGE037
，若满 足，则执行步骤（8），否则返回所述步骤（2）；
（8）输出全局最优解以及全局最优解对应的路径花费
Figure 762642DEST_PATH_IMAGE038
值，全局最优解即为全 局最优路径。
进一步地，所述主蚁群系统
Figure 356434DEST_PATH_IMAGE034
网络拓扑中各链路的信息素浓度
Figure 247161DEST_PATH_IMAGE039
的定义过 程:
Figure 217391DEST_PATH_IMAGE040
；
所述副蚁群系统
Figure 759231DEST_PATH_IMAGE004
网络拓扑中各链路的信息素浓度
Figure 258345DEST_PATH_IMAGE041
的定义过程:
Figure 901947DEST_PATH_IMAGE042
；
其中，
Figure 879131DEST_PATH_IMAGE043
表示时延保障系数，
Figure 806635DEST_PATH_IMAGE044
表示时延预测等级，具体地，
Figure 227383DEST_PATH_IMAGE045
表示链路
Figure 607549DEST_PATH_IMAGE046
的时延预测等级，
Figure 388423DEST_PATH_IMAGE047
表示链路
Figure 652658DEST_PATH_IMAGE048
的剩余带宽，
Figure 759154DEST_PATH_IMAGE049
表示链路
Figure 361037DEST_PATH_IMAGE048
的总带宽，
Figure 961914DEST_PATH_IMAGE050
表 示剩余带宽占比的重要程度；
所述的转移概率
Figure 332852DEST_PATH_IMAGE051
的计算过程：
Figure 610250DEST_PATH_IMAGE052
；
其中，
Figure 433849DEST_PATH_IMAGE053
表示链路
Figure 838417DEST_PATH_IMAGE048
的信息素浓度，
Figure 63862DEST_PATH_IMAGE054
表示链路
Figure 512161DEST_PATH_IMAGE048
的启发式信息，
Figure 839368DEST_PATH_IMAGE055
表示每 只蚂蚁在寻路时自动生成的一个随机数，且
Figure 31315DEST_PATH_IMAGE056
，
Figure 111267DEST_PATH_IMAGE057
表示伪随机概率阈值，
Figure 489988DEST_PATH_IMAGE058
表示蚂蚁
Figure 553759DEST_PATH_IMAGE059
当前能够前往的节点的集合，且
Figure 18239DEST_PATH_IMAGE060
中不包括所述蚂蚁
Figure 234587DEST_PATH_IMAGE061
对应的禁忌链 表tab中已有的节点；
若
Figure 24689DEST_PATH_IMAGE062
，则该蚂蚁选择转移到使
Figure 44597DEST_PATH_IMAGE063
取值最大的节点； 反之则转移到使
Figure 843926DEST_PATH_IMAGE064
取值最大的节点；
其中，
Figure 649202DEST_PATH_IMAGE065
和
Figure 610205DEST_PATH_IMAGE066
分别表示各链路的信息素浓度
Figure 382989DEST_PATH_IMAGE067
和启发式信息
Figure 205583DEST_PATH_IMAGE068
的权重因子，且 所述主蚁群系统
Figure 380212DEST_PATH_IMAGE034
网络拓扑中各链路的信息素浓度的权重因子
Figure 512116DEST_PATH_IMAGE069
和所述副蚁群系统
Figure 519999DEST_PATH_IMAGE070
网络拓扑中各链路的信息素浓度的权重因子
Figure 395551DEST_PATH_IMAGE071
的关系表示为：
Figure 690266DEST_PATH_IMAGE072
；所述主 蚁群系统
Figure 727492DEST_PATH_IMAGE034
网络拓扑中各链路的启发式信息的权重因子
Figure 491180DEST_PATH_IMAGE073
和所述副蚁群系统
Figure 170423DEST_PATH_IMAGE074
网络 拓扑中各链路的启发式信息的权重因子
Figure 54065DEST_PATH_IMAGE075
的关系表示为：
Figure 278504DEST_PATH_IMAGE076
；
所述伪随机概率阈值
Figure 247598DEST_PATH_IMAGE077
的计算公式：
Figure 730531DEST_PATH_IMAGE078
；
其中，
Figure 219413DEST_PATH_IMAGE079
与
Figure 129600DEST_PATH_IMAGE080
均是小于1的概率常数，且
Figure 585989DEST_PATH_IMAGE081
，
Figure 89258DEST_PATH_IMAGE082
是上一轮循环开始时 的全局最优解的路径花费
Figure 213072DEST_PATH_IMAGE083
值，
Figure 28581DEST_PATH_IMAGE084
是上一轮循环结束时的全局最优解的路径花费
Figure 722999DEST_PATH_IMAGE085
值；
所述链路花费
Figure 282156DEST_PATH_IMAGE086
；
其中，
Figure 260477DEST_PATH_IMAGE087
表示链路
Figure 246887DEST_PATH_IMAGE088
的花费，路径花费
Figure 428601DEST_PATH_IMAGE089
由构成路径的各链路花费
Figure 791449DEST_PATH_IMAGE090
累加而成；
Figure 624276DEST_PATH_IMAGE091
表示软件定义网络QoS度量值的正向偏移；
路径花费
Figure 532320DEST_PATH_IMAGE092
的计算公式：
Figure 185018DEST_PATH_IMAGE093
；
其中，
Figure 351557DEST_PATH_IMAGE094
、
Figure 786694DEST_PATH_IMAGE095
分别表示
Figure 114907DEST_PATH_IMAGE096
与
Figure 520480DEST_PATH_IMAGE097
的质量系数；
Figure 959552DEST_PATH_IMAGE098
、
Figure 252124DEST_PATH_IMAGE099
分别表示
Figure 16818DEST_PATH_IMAGE100
与
Figure 644108DEST_PATH_IMAGE101
的比例系数；
Figure 903182DEST_PATH_IMAGE102
表示链路
Figure 565108DEST_PATH_IMAGE048
的时延。
进一步地，基于所述网络流量的预测时延数据计算所述时延预测等级
Figure 235124DEST_PATH_IMAGE103
的具体 过程包括：
Figure 100442DEST_PATH_IMAGE104
；
其中，
Figure 146896DEST_PATH_IMAGE105
表示流量时延数据的预测值的分段序列值；
所述时延保障系数
Figure 663328DEST_PATH_IMAGE106
定义5级：
Figure 769824DEST_PATH_IMAGE107
；
其中，
Figure 865649DEST_PATH_IMAGE108
表示用户的时延需求。
进一步地，所述步骤（6）中，蚁群系统内各链路的信息素更新规则如下：
Figure 715793DEST_PATH_IMAGE109
；
Figure 86732DEST_PATH_IMAGE110
；
其中，
Figure 114862DEST_PATH_IMAGE111
是信息素挥发系数；
Figure 204041DEST_PATH_IMAGE112
表示当前为
Figure 326717DEST_PATH_IMAGE112
时刻；
Figure 817742DEST_PATH_IMAGE113
表示控制器参数，
Figure 16773DEST_PATH_IMAGE114
表示 链路
Figure 327668DEST_PATH_IMAGE115
在
Figure 519615DEST_PATH_IMAGE116
时刻的信息素浓度，
Figure 615879DEST_PATH_IMAGE117
表示更新后链路
Figure 969499DEST_PATH_IMAGE118
在
Figure 33270DEST_PATH_IMAGE119
时刻的信 息素浓度，
Figure 511132DEST_PATH_IMAGE120
表示计数变量，
Figure 711169DEST_PATH_IMAGE121
表示中间变量；
信息素挥发系数
Figure 766850DEST_PATH_IMAGE122
计算方式如下：
Figure 68649DEST_PATH_IMAGE123
；
Figure 867978DEST_PATH_IMAGE124
；
其中，
Figure 922522DEST_PATH_IMAGE125
表示中间变量，
Figure 634257DEST_PATH_IMAGE126
和
Figure 407041DEST_PATH_IMAGE127
表示速率常数，且
Figure 744481DEST_PATH_IMAGE128
；
所述信息素浓度
Figure 404264DEST_PATH_IMAGE129
的矫正规则如下：
Figure 536168DEST_PATH_IMAGE130
；
其中，
Figure 796248DEST_PATH_IMAGE131
表示链路上信息素浓度的最小阈值，
Figure 671800DEST_PATH_IMAGE132
表示链路上信息素浓度的 最大阈值。
进一步地，所述步骤（7）中，所述蚁群系统间信息素浓度的更新规则如下：
Figure 183159DEST_PATH_IMAGE133
；
Figure 751544DEST_PATH_IMAGE134
；
其中，
Figure 233341DEST_PATH_IMAGE135
表示动态更新因子，
Figure 663316DEST_PATH_IMAGE136
表示所述主蚁群系统
Figure 546959DEST_PATH_IMAGE034
网络拓扑中链路
Figure 20665DEST_PATH_IMAGE137
在
Figure 6070DEST_PATH_IMAGE138
时刻的信息素浓度，
Figure 223425DEST_PATH_IMAGE139
表示所述副蚁群系统
Figure 227153DEST_PATH_IMAGE140
网络拓扑中链路
Figure 888072DEST_PATH_IMAGE141
在
Figure 344462DEST_PATH_IMAGE142
时 刻的信息素浓度，
Figure 365507DEST_PATH_IMAGE143
表示所述主蚁群系统
Figure 237124DEST_PATH_IMAGE034
网络拓扑中链路
Figure 787054DEST_PATH_IMAGE144
在
Figure 996318DEST_PATH_IMAGE145
时 刻时的信息素浓度
Figure 555475DEST_PATH_IMAGE146
表示所述副蚁群系统
Figure 18949DEST_PATH_IMAGE147
网络拓扑中链路
Figure 270939DEST_PATH_IMAGE148
在
Figure 436341DEST_PATH_IMAGE149
时刻的信息素浓度；
动态更新因子
Figure 284342DEST_PATH_IMAGE150
的计算公式：
Figure 382748DEST_PATH_IMAGE151
；
Figure 540060DEST_PATH_IMAGE152
；
其中，
Figure 192758DEST_PATH_IMAGE153
和
Figure 110030DEST_PATH_IMAGE154
分别表示本次迭代内所述主蚁群系统
Figure 797363DEST_PATH_IMAGE034
和所述副蚁群系统
Figure 125576DEST_PATH_IMAGE155
获得的全局最优解的路径花费
Figure 290671DEST_PATH_IMAGE156
值，
Figure 995322DEST_PATH_IMAGE157
表示对应于网络路由场景的修正参数，
Figure 537162DEST_PATH_IMAGE158
表示中间变量。
跟现有技术相比，本发明具有以下有益的技术效果：
（1）本发明对网络中路由选取时的链路花费进行优化，从而可以保障服务质量的问题。
（2）本发明通过基于注意力、图卷积模块和门控循环单元的网络时延预测网络对网络流量的时延进行预测，实现对链路拥塞风险的判断和预防，有效启发蚁群避开拥塞链路。
（3）本发明定义了时延保障系数和时延预测等级以对时延需求和网络流量时延状态进行描述。
（4）本发明设置两个蚁群系统进行最优解的搜索，并在蚁群系统进行信息素更新时，自适应地调整每次迭代后蚁群系统之间的信息素交换，有效降低搜索陷入局部最优解的可能性。
（5）本发明改进了蚁群转移概率公式，采用了动态变化的概率因子实时调整蚂蚁的寻路机制，以此来平衡蚂蚁寻路过程中的对先验知识的利用程度。
附图说明
图1是一个实施例的基于时延预测及双蚁群的软件定义网络QoS路由算法的流程示意图；
图2是一个是实施例的网络时延预测网络的结构示意图；
图3是一个实施例的双蚁群算法的流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
参考图1所示，图1为一个实施例的基于时延预测及双蚁群的软件定义网络QoS路由算法的流程示意图，包括如下步骤：
S1:搭建网络时延预测网络，并选取样本网络流量对所述网络时延预测网络进行训练；
S2:将SDN网络中的网络流量输入所述网络时延预测网络，所述网络时延预测网络采集所述网络流量的历史时延数据，并基于所述网络流量的历史时延数据进行预测，然后输出所述网络流量的预测时延数据；
S3:采用双蚁群算法，基于所述网络流量的预测时延数据在所述SDN网络中寻找最优路径用来传递网络流量。
在一个实施例中，所述网络时延预测网络包括：注意力模块、图卷积模块、门控循环单元和全连接层；
所述注意力模块，用于计算注意力权重和注意力量；
所述图卷积模块，用于提取所述历史流量的时延数据的空间特征；
所述门控循环单元，用于提取所述历史流量的时延数据的时间特征；
所述网络流量按顺序依次输入所述注意力模块、所述图卷积模块和所述门控循环单元，最后经过所述全连接层线性变换后输出，完成对所述网络流量时延数据的预测。
如图2所示，在一个实施例中，首先将采集到的网络流量的前一段时间的链路时延数据输入注意力模块，利用注意力机制模块，对输入的网络流量的时延数据进行学习，从而构建出时空注意力矩阵，然后，将注意力模块的输出输入图卷积模块，获取网络流量的时延数据的空间特征，再经过门控循环单元卷积提取网络流量的时延数据的时间特征，最后，再经过一个全连接层，通过线性变换得出最终的输出结果。
在一个实施例中，所述步骤S3具体包括如下步骤：
（1）建立彼此独立的主蚁群系统
Figure 787009DEST_PATH_IMAGE001
和副蚁群系统
Figure 679879DEST_PATH_IMAGE002
，设定所述主蚁群系统
Figure 922641DEST_PATH_IMAGE003
和所述副蚁群系统
Figure 318987DEST_PATH_IMAGE004
的路径起始节点和路径目标节点，并初始化各蚁群参数，初始 化所述主蚁群系统
Figure 5315DEST_PATH_IMAGE005
链路上的信息素初始值
Figure 119901DEST_PATH_IMAGE006
和所述副蚁群系统
Figure 431934DEST_PATH_IMAGE007
链路上的信 息素初始值
Figure 433519DEST_PATH_IMAGE008
，所述主蚁群系统
Figure 274436DEST_PATH_IMAGE009
和副蚁群系统
Figure 141898DEST_PATH_IMAGE010
的蚂蚁数量均为m，总的迭代 次数为
Figure 474266DEST_PATH_IMAGE011
，当前迭代次数为
Figure 845204DEST_PATH_IMAGE012
，且
Figure 388181DEST_PATH_IMAGE013
，其中，
Figure 228092DEST_PATH_IMAGE014
表示每段链路的源节点，
Figure 350769DEST_PATH_IMAGE015
表示每段链 路的目标节点；
找出所述主蚁群系统
Figure 841793DEST_PATH_IMAGE016
和副蚁群系统
Figure 306404DEST_PATH_IMAGE017
的网络拓扑中不符合预设的所述网 络流量QoS带宽需求的各条链路，并将该各条链路上的信息素初始值均设为正无穷；
（2）更新当前迭代次数:
Figure 617299DEST_PATH_IMAGE159
，初始化所述主蚁群系统
Figure 809246DEST_PATH_IMAGE019
和所述副 蚁群系统
Figure 154777DEST_PATH_IMAGE020
中所有蚂蚁当前所在的节点，并得到每只蚂蚁的初始节点，再将所述每只蚂 蚁的初始节点加入其对应的禁忌链表tab中；
（3）所述每只蚂蚁根据各自下一段链路的信息素浓度
Figure 524710DEST_PATH_IMAGE021
和启发式信息
Figure 854060DEST_PATH_IMAGE022
，计算 出各自从当前节点转移到下一节点的转移概率
Figure 597500DEST_PATH_IMAGE023
，再利用轮盘赌法选择转移概率
Figure 797538DEST_PATH_IMAGE024
最大 的下一节点作为下一目的节点，并转移到此下一目的节点，再将此下一目的节点添加到各 蚂蚁对应的禁忌链表tab中；
（4）查询所述禁忌链表tab，判断当前节点是否为路径目标节点，如果当前节点为 路径目标节点，则将此蚂蚁从路径起始节点到路径目标节点的路径花费
Figure 587639DEST_PATH_IMAGE025
值与当前全 局最优解的路径花费
Figure 623859DEST_PATH_IMAGE026
值对比，若所述路径花费
Figure 157609DEST_PATH_IMAGE026
值小于当前全局最优解的路径花 费
Figure 212152DEST_PATH_IMAGE027
值，则将此蚂蚁从路径起始节点到路径目标节点的路径设为新的全局最优解，并进 入步骤（5），反之则直接进入步骤（5）；如果当前节点不是路径目标节点，则直接返回上述步 骤（3）进行下一次的节点转移；其中，全局最优解的初始值为第一只到达路径目标结点的蚂 蚁的转移路径；
（5）判断所述主蚁群系统
Figure 173155DEST_PATH_IMAGE005
和所述副蚁群系统
Figure 962251DEST_PATH_IMAGE028
中的所有蚂蚁是否都找 到了路径目标节点，若所有蚂蚁都找到了路径目标节点，则执行步骤（6），否则继续等待，直 到所有蚂蚁都找到了路径目标节点；
（6）根据所述主蚁群系统
Figure 768533DEST_PATH_IMAGE005
和所述副蚁群系统
Figure 943162DEST_PATH_IMAGE020
网络拓扑中各链路的信息 素更新规则，分别对所述主蚁群系统
Figure 825799DEST_PATH_IMAGE029
和所述副蚁群系统
Figure 85879DEST_PATH_IMAGE020
网络拓扑中各链路的 信息素进行更新；再根据信息素浓度
Figure 695852DEST_PATH_IMAGE030
的矫正规则，对更新后的链路
Figure 724987DEST_PATH_IMAGE031
在
Figure 41175DEST_PATH_IMAGE032
时刻的 信息素浓度
Figure 522972DEST_PATH_IMAGE033
进行矫正；
（7）根据本轮迭代内所述主蚁群系统
Figure 202215DEST_PATH_IMAGE034
和所述副蚁群系统
Figure 836590DEST_PATH_IMAGE035
的全局最优 解，进行蚁群系统之间信息素浓度的更新；判断当前迭代次数
Figure 310296DEST_PATH_IMAGE036
是否大于或等于
Figure 544968DEST_PATH_IMAGE037
，若满 足，则执行步骤（8），否则返回所述步骤（2）；
（8）输出全局最优解以及全局最优解对应的路径花费
Figure 247476DEST_PATH_IMAGE038
值，全局最优解即为全 局最优路径。
如图3所示，在一个实施例中，首先将网络流量输入网络时延预测网络，网络时延 预测网络提取网络流量的前一段时间的时延数据，并基于前一段时间的时延数据进行预测 再得到未来一段时间的时延数据，然后将其转化为时延预测等级，0~10ms时DPL=1，11~50ms 时DPL=2，51~100ms时DPL=3，101~150ms时DPL=4，150ms以上时DPL=5。然后初始化蚁群的迭 代次数
Figure 251204DEST_PATH_IMAGE160
，并设置当前迭代次数
Figure 161392DEST_PATH_IMAGE161
。每只蚂蚁根据各条链路上的信息素
Figure 617781DEST_PATH_IMAGE162
计算出 转移概率
Figure 123980DEST_PATH_IMAGE163
，再利用轮盘赌法选择下一节点进行转移，并将此节点添加到各个蚂蚁的禁忌 表中。判断当前节点是否为路径目标节点，若是路径目标节点，则利用搜索到的结果与原全 局最优解对比，若搜索到的结果小于原全局最优解，则搜索结果为新的全局最优解，若不 是，则进行下一轮的转移，直到所有蚂蚁找出路径目的节点，完成全局最优解的更新。然后 进行蚁群内信息素的更新，为下一轮迭代提供指导。之后为了降低搜索陷入局部最优解，进 行蚁群间信息素的更新。再进行下一轮迭代，当迭代结束时，输出全局最优解。
在一个实施例中，所述主蚁群系统
Figure 982214DEST_PATH_IMAGE034
网络拓扑中各链路的信息素浓度
Figure 797723DEST_PATH_IMAGE039
的定 义过程:
Figure 766509DEST_PATH_IMAGE040
；
所述副蚁群系统
Figure 325667DEST_PATH_IMAGE004
网络拓扑中各链路的信息素浓度
Figure 38408DEST_PATH_IMAGE041
的定义过程:
Figure 775551DEST_PATH_IMAGE164
；
其中，
Figure 206532DEST_PATH_IMAGE043
表示时延保障系数，
Figure 303801DEST_PATH_IMAGE044
表示时延预测等级，具体地，
Figure 402207DEST_PATH_IMAGE045
表示链路
Figure 44672DEST_PATH_IMAGE046
的时延预测等级，
Figure 962950DEST_PATH_IMAGE047
表示链路
Figure 129489DEST_PATH_IMAGE048
的剩余带宽，
Figure 301975DEST_PATH_IMAGE049
表示链路
Figure 630188DEST_PATH_IMAGE048
的总带宽，
Figure 770183DEST_PATH_IMAGE050
表 示剩余带宽占比的重要程度；
所述的转移概率
Figure 740413DEST_PATH_IMAGE051
的计算过程：
Figure 30055DEST_PATH_IMAGE165
；
其中，
Figure 60328DEST_PATH_IMAGE053
表示链路
Figure 687619DEST_PATH_IMAGE048
的信息素浓度，
Figure 946693DEST_PATH_IMAGE054
表示链路
Figure 608618DEST_PATH_IMAGE048
的启发式信息，
Figure 278634DEST_PATH_IMAGE055
表示每 只蚂蚁在寻路时自动生成的一个随机数，且
Figure 143953DEST_PATH_IMAGE056
，
Figure 190406DEST_PATH_IMAGE057
表示伪随机概率阈值，
Figure 706838DEST_PATH_IMAGE058
表示蚂蚁
Figure 564067DEST_PATH_IMAGE059
当前能够前往的节点的集合，且
Figure 165950DEST_PATH_IMAGE060
中不包括所述蚂蚁
Figure 16094DEST_PATH_IMAGE061
对应的禁忌链 表tab中已有的节点；
若
Figure 134835DEST_PATH_IMAGE062
，则该蚂蚁选择转移到使
Figure 146654DEST_PATH_IMAGE063
取值最大的节点； 反之则转移到使
Figure 235832DEST_PATH_IMAGE064
取值最大的节点；
其中，
Figure 624088DEST_PATH_IMAGE065
和
Figure 600266DEST_PATH_IMAGE166
分别表示各链路的信息素浓度
Figure 48565DEST_PATH_IMAGE067
和启发式信息
Figure 625039DEST_PATH_IMAGE068
的权重因子， 且所述主蚁群系统
Figure 567719DEST_PATH_IMAGE034
网络拓扑中各链路的信息素浓度的权重因子
Figure 647670DEST_PATH_IMAGE069
和所述副蚁群系 统
Figure 266870DEST_PATH_IMAGE070
网络拓扑中各链路的信息素浓度的权重因子
Figure 81374DEST_PATH_IMAGE071
的关系表示为：
Figure 811432DEST_PATH_IMAGE167
； 所述主蚁群系统
Figure 745890DEST_PATH_IMAGE034
网络拓扑中各链路的启发式信息的权重因子
Figure 801571DEST_PATH_IMAGE168
和所述副蚁群系统
Figure 834862DEST_PATH_IMAGE074
网络拓扑中各链路的启发式信息的权重因子
Figure 368611DEST_PATH_IMAGE075
的关系表示为：
Figure 688734DEST_PATH_IMAGE076
；
所述伪随机概率阈值
Figure 400469DEST_PATH_IMAGE077
的计算公式：
Figure 173253DEST_PATH_IMAGE078
；
其中，
Figure 510694DEST_PATH_IMAGE079
与
Figure 436055DEST_PATH_IMAGE080
均是小于1的概率常数，且
Figure 302380DEST_PATH_IMAGE081
，
Figure 828039DEST_PATH_IMAGE082
是上一轮循环开始时 的全局最优解的路径花费
Figure 188745DEST_PATH_IMAGE083
值，
Figure 483460DEST_PATH_IMAGE084
是上一轮循环结束时的全局最优解的路径花费
Figure 520686DEST_PATH_IMAGE085
值；
所述链路花费
Figure 293163DEST_PATH_IMAGE086
；
其中，
Figure 972406DEST_PATH_IMAGE087
表示链路
Figure 121628DEST_PATH_IMAGE088
的花费，路径花费
Figure 346067DEST_PATH_IMAGE089
由构成路径的各链路花费
Figure 315160DEST_PATH_IMAGE090
累加而成；
Figure 532514DEST_PATH_IMAGE091
表示软件定义网络QoS度量值的正向偏移,用来避免路径花费
Figure 536242DEST_PATH_IMAGE089
值 为负；
路径花费
Figure 931583DEST_PATH_IMAGE092
的计算公式：
Figure 387972DEST_PATH_IMAGE169
；
其中，
Figure 409018DEST_PATH_IMAGE094
、
Figure 17985DEST_PATH_IMAGE095
分别表示
Figure 833494DEST_PATH_IMAGE096
与
Figure 42758DEST_PATH_IMAGE097
的质量系数；
Figure 84139DEST_PATH_IMAGE098
、
Figure 796880DEST_PATH_IMAGE099
分别表示
Figure 48870DEST_PATH_IMAGE100
与
Figure 496163DEST_PATH_IMAGE170
的比例系数，用来平衡绝对值相差较大的QoS指标；通过调整质量系数和比例系数，可以实 现对不同类别的数据流的区分服务路由；
Figure 859011DEST_PATH_IMAGE102
表示链路
Figure 426259DEST_PATH_IMAGE048
的时延。
网络时延预测网络基于注意力机制、门控循环单元和图卷积对SDN中的网络流量的时延进行预测。
首先获取网络流量的历史时延数据
Figure 583571DEST_PATH_IMAGE171
，然后将网络流量的 历史时延数据分成n段，
Figure 518160DEST_PATH_IMAGE172
，其中，
Figure 153540DEST_PATH_IMAGE173
取下整，T是划分后每个序列段的 长度，k是进行分段时数据需要向后移动的步长，分段后的历史流量的时延数据为：
Figure 106453DEST_PATH_IMAGE174
；
其中，
Figure 450978DEST_PATH_IMAGE175
为第
Figure 856551DEST_PATH_IMAGE176
个序列段。对数据进行分段是为了使数据满足注意力机制的输入 需求。然后对分段后的数据进行权重系数计算，包括：
注意力权重：
Figure 561202DEST_PATH_IMAGE177
；
注意力量:
Figure 116424DEST_PATH_IMAGE178
；
注意力量用来衡量序列在时间
Figure 615538DEST_PATH_IMAGE179
的重要性，
Figure 508408DEST_PATH_IMAGE180
、
Figure 236324DEST_PATH_IMAGE181
、
Figure 163828DEST_PATH_IMAGE182
为需要学习的参数，
Figure 833844DEST_PATH_IMAGE183
为偏差项，
Figure 964742DEST_PATH_IMAGE184
为时间
Figure 745616DEST_PATH_IMAGE179
上的
Figure 527628DEST_PATH_IMAGE185
第个片段的值，
Figure 384856DEST_PATH_IMAGE186
表示时刻
Figure 986739DEST_PATH_IMAGE187
的隐藏层状态；
Figure 836883DEST_PATH_IMAGE188
表示表示时刻
Figure 955625DEST_PATH_IMAGE189
的候选隐藏状态；
注意力量加权后的数据为：
Figure 233022DEST_PATH_IMAGE190
；
对预测效果影响较大的时间段会给予更大的权重，使得在预测中更多地关注包括峰值流量和流量突然变化的时期。
将注意力加权后的数据输入图卷积模块：
Figure 322201DEST_PATH_IMAGE191
；
其中，
Figure 461189DEST_PATH_IMAGE192
是邻接矩阵
Figure 952213DEST_PATH_IMAGE193
的度矩阵，
Figure 400512DEST_PATH_IMAGE194
为图卷积模块的输入矩阵，
Figure 727720DEST_PATH_IMAGE195
表示神 经网络中的可训练参数。
Figure 919667DEST_PATH_IMAGE196
为空间特征，即节点和它周围节点的隐藏关系，
Figure 999618DEST_PATH_IMAGE197
为 激活函数。
在用图卷积模块提取注意力加权后的数据的空间特征后，再利用门控循环单元提取时间特征。
时刻
Figure 635130DEST_PATH_IMAGE198
的隐藏层状态
Figure 433322DEST_PATH_IMAGE199
为时间特征：
Figure 163380DEST_PATH_IMAGE200
；
其中，
Figure 363417DEST_PATH_IMAGE201
为时刻
Figure 178620DEST_PATH_IMAGE202
的候选隐藏层状态：
Figure 729687DEST_PATH_IMAGE203
；
其中，
Figure 545327DEST_PATH_IMAGE204
和
Figure 131029DEST_PATH_IMAGE205
表示可训练参数。
Figure 577185DEST_PATH_IMAGE206
；
Figure 615548DEST_PATH_IMAGE207
；
Figure 687409DEST_PATH_IMAGE208
为表示图卷积模块的过程，
Figure 878350DEST_PATH_IMAGE209
为隐藏层上一刻状态，
Figure 541413DEST_PATH_IMAGE210
和
Figure 549296DEST_PATH_IMAGE211
、
Figure 956006DEST_PATH_IMAGE212
表示可训练参数。
使用L2范数构建损失函数Loss，其中λ为超参数。
Figure 798191DEST_PATH_IMAGE213
其中，
Figure 100997DEST_PATH_IMAGE214
和
Figure 864685DEST_PATH_IMAGE215
用来表示网络流量时延数据的真实值和预测值。
将网络流量的历史时延数据
Figure 278348DEST_PATH_IMAGE216
输入网络时延预测网络，网络时延 预测网络输出网络流量时延数据的预测值
Figure 693149DEST_PATH_IMAGE217
。
根据网络流量时延数据的预测值
Figure 448747DEST_PATH_IMAGE218
计算时延预测等级（Delay Prediction Level,DPL）：
Figure 948998DEST_PATH_IMAGE219
；
其中，
Figure 445314DEST_PATH_IMAGE220
表示流量时延数据的预测值的分段序列值。
同时设计时延保障系数(Delay Guarantee Factor，DGF)来对于用户的时延需求 TD进行描述。由于对于时延需求的保障较为复杂，且具有较高的不可控性，因此采用了定性 的方式对于时延保障系数
Figure 449042DEST_PATH_IMAGE221
进行描述，描述了用户的业务流量对于流量的容忍能力，总 计包含5级，时延保障系数
Figure 844383DEST_PATH_IMAGE222
值越小说明对于时延的容忍程度越低：
Figure 566351DEST_PATH_IMAGE223
；
在一个实施例中，所述步骤（6）中，蚁群系统内各链路的信息素更新规则如下：
Figure 321817DEST_PATH_IMAGE224
；
Figure 180052DEST_PATH_IMAGE110
；
其中，
Figure 11873DEST_PATH_IMAGE111
是信息素挥发系数；
Figure 689979DEST_PATH_IMAGE112
表示当前为
Figure 514715DEST_PATH_IMAGE112
时刻；
Figure 978189DEST_PATH_IMAGE113
表示控制器参数，
Figure 964599DEST_PATH_IMAGE114
表示 链路
Figure 661160DEST_PATH_IMAGE115
在
Figure 506232DEST_PATH_IMAGE116
时刻的信息素浓度，
Figure 73479DEST_PATH_IMAGE117
表示更新后链路
Figure 496370DEST_PATH_IMAGE118
在
Figure 149069DEST_PATH_IMAGE119
时刻的信 息素浓度，
Figure 800761DEST_PATH_IMAGE120
表示计数变量，
Figure 753673DEST_PATH_IMAGE121
表示中间变量；
信息素挥发系数
Figure 81887DEST_PATH_IMAGE122
计算方式如下：
Figure 238193DEST_PATH_IMAGE225
；
Figure 677264DEST_PATH_IMAGE226
；
其中，
Figure 484683DEST_PATH_IMAGE125
表示中间变量，
Figure 734530DEST_PATH_IMAGE126
和
Figure 627400DEST_PATH_IMAGE127
表示速率常数，且
Figure 870162DEST_PATH_IMAGE128
；
所述信息素浓度
Figure 532088DEST_PATH_IMAGE129
的矫正规则如下：
Figure 227204DEST_PATH_IMAGE227
；
其中，
Figure 76212DEST_PATH_IMAGE131
表示链路上信息素浓度的最小阈值，
Figure 388244DEST_PATH_IMAGE132
表示链路上信息素浓度的 最大阈值。
在一个实施例中，所述步骤（7）中，所述蚁群系统间信息素浓度的更新规则如下：
Figure 655409DEST_PATH_IMAGE228
；
Figure 496326DEST_PATH_IMAGE229
；
其中，
Figure 832629DEST_PATH_IMAGE135
表示动态更新因子，
Figure 417194DEST_PATH_IMAGE136
表示所述主蚁群系统
Figure 804444DEST_PATH_IMAGE034
网络拓扑中链路
Figure 816263DEST_PATH_IMAGE137
在
Figure 452911DEST_PATH_IMAGE138
时刻的信息素浓度，
Figure 841167DEST_PATH_IMAGE139
表示所述副蚁群系统
Figure 597771DEST_PATH_IMAGE140
网络拓扑中链路
Figure 325031DEST_PATH_IMAGE141
在
Figure 448976DEST_PATH_IMAGE142
时 刻的信息素浓度，
Figure 172081DEST_PATH_IMAGE143
表示所述主蚁群系统
Figure 799503DEST_PATH_IMAGE034
网络拓扑中链路
Figure 684282DEST_PATH_IMAGE144
在
Figure 498786DEST_PATH_IMAGE145
时 刻时的信息素浓度
Figure 494423DEST_PATH_IMAGE146
表示所述副蚁群系统
Figure 707843DEST_PATH_IMAGE147
网络拓扑中链路
Figure 497944DEST_PATH_IMAGE148
在
Figure 783432DEST_PATH_IMAGE230
时刻的信息素浓度；
动态更新因子
Figure 333493DEST_PATH_IMAGE150
的计算公式：
Figure 388037DEST_PATH_IMAGE231
；
Figure 349039DEST_PATH_IMAGE232
；
其中，
Figure 138135DEST_PATH_IMAGE153
和
Figure 209996DEST_PATH_IMAGE154
分别表示本次迭代内所述主蚁群系统
Figure 384626DEST_PATH_IMAGE034
和所述副蚁群系统
Figure 532841DEST_PATH_IMAGE155
获得的全局最优解的路径花费
Figure 527342DEST_PATH_IMAGE156
值，
Figure 668473DEST_PATH_IMAGE157
表示对应于网络路由场景的修正参数，
Figure 445412DEST_PATH_IMAGE158
表示中间变量。
在本技术方案中，链路表示从一个结点到相邻结点的一段物理线路，中间没有任 何其他的交换结点；路径表示一组首尾相连的链路的集合，例如，“双蚁群算法在网络中寻 找最优的路径”中的路径指的是从源节点到目标节点蚂蚁所经过的链路的集合；路径花费
Figure 748217DEST_PATH_IMAGE156
表示构成路径的链路花费
Figure 230014DEST_PATH_IMAGE233
之和；全局最优解表示双蚁群算法所能找到的从路 径起始节点到路径目标节点的路径花费
Figure 909257DEST_PATH_IMAGE156
值最小的那条路径。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.基于时延预测及双蚁群的软件定义网络QoS路由算法，其特征在于，包括如下步骤：
S1:搭建网络时延预测网络，并选取样本网络流量对所述网络时延预测网络进行训练；
S2:将SDN网络中的网络流量输入所述网络时延预测网络，所述网络时延预测网络采集所述网络流量的历史时延数据，并基于所述网络流量的历史时延数据进行预测，然后输出所述网络流量的预测时延数据；
S3:采用双蚁群算法，基于所述网络流量的预测时延数据在所述SDN网络中寻找最优路径用来传递网络流量。
2.根据权利要求1所述的基于时延预测及双蚁群的软件定义网络QoS路由算法，其特征在于，所述网络时延预测网络包括：注意力模块、图卷积模块、门控循环单元和全连接层；
所述注意力模块，用于计算注意力权重和注意力量；
所述图卷积模块，用于提取所述历史流量的时延数据的空间特征；
所述门控循环单元，用于提取所述历史流量的时延数据的时间特征；
所述网络流量按顺序依次输入所述注意力模块、所述图卷积模块和所述门控循环单元，最后经过所述全连接层线性变换后输出，完成对所述网络流量时延数据的预测。
3.根据权利要求2所述的基于时延预测及双蚁群的软件定义网络QoS路由算法，其特征在于，所述步骤S3具体包括如下步骤：
（1）建立彼此独立的主蚁群系统
Figure 203447DEST_PATH_IMAGE001
和副蚁群系统
Figure 147132DEST_PATH_IMAGE002
，设定所述主蚁群系统
Figure 706290DEST_PATH_IMAGE001
和所述副蚁群系统
Figure 169763DEST_PATH_IMAGE002
的路径起始节点和路径目标节点，并初始化各蚁群参数，初始化所 述主蚁群系统
Figure 421753DEST_PATH_IMAGE001
链路上的信息素初始值
Figure 118313DEST_PATH_IMAGE003
和所述副蚁群系统
Figure 966315DEST_PATH_IMAGE002
链路上的信息 素初始值
Figure 799142DEST_PATH_IMAGE004
，所述主蚁群系统
Figure 956453DEST_PATH_IMAGE001
和副蚁群系统
Figure 609152DEST_PATH_IMAGE002
的蚂蚁数量均为m，总的迭代次 数为
Figure 535212DEST_PATH_IMAGE005
，当前迭代次数为N，且
Figure 488125DEST_PATH_IMAGE006
，其中，
Figure 816338DEST_PATH_IMAGE007
表示每段链路的源节点，
Figure 707065DEST_PATH_IMAGE008
表示每段链路 的目标节点；
找出所述主蚁群系统
Figure 411716DEST_PATH_IMAGE001
和副蚁群系统
Figure 953555DEST_PATH_IMAGE002
的网络拓扑中不符合预设的所述网络 流量QoS带宽需求的各条链路，并将该各条链路上的信息素初始值均设为正无穷；
（2）更新当前迭代次数
Figure 203402DEST_PATH_IMAGE009
，初始化所述主蚁群系统
Figure 96272DEST_PATH_IMAGE001
和所述副蚁群系 统
Figure 339034DEST_PATH_IMAGE002
中所有蚂蚁当前所在的节点，并得到每只蚂蚁的初始节点，再将所述每只蚂蚁的初 始节点加入其对应的禁忌链表tab中；
（3）所述每只蚂蚁根据各自下一段链路的信息素浓度
Figure 960DEST_PATH_IMAGE010
和启发式信息
Figure 687287DEST_PATH_IMAGE011
，计算出各 自从当前节点转移到下一节点的转移概率
Figure 536295DEST_PATH_IMAGE012
，再利用轮盘赌法选择转移概率
Figure 848327DEST_PATH_IMAGE012
最大的 下一节点作为下一目的节点，并转移到此下一目的节点，再将此下一目的节点添加到各蚂 蚁对应的禁忌链表tab中；
（4）查询所述禁忌链表tab，判断当前节点是否为路径目标节点，如果当前节点为路径 目标节点，则将此蚂蚁从路径起始节点到路径目标节点的路径花费
Figure 112562DEST_PATH_IMAGE013
值与当前全局最 优解的路径花费
Figure 484637DEST_PATH_IMAGE014
值对比，若所述路径花费
Figure 820941DEST_PATH_IMAGE014
值小于当前全局最优解的路径花费
Figure 421818DEST_PATH_IMAGE014
值，则将此蚂蚁从路径起始节点到路径目标节点的路径设为新的全局最优解，并进入 步骤（5），反之则直接进入步骤（5）；如果当前节点不是路径目标节点，则直接返回上述步骤 （3）进行下一次的节点转移；其中，全局最优解的初始值为第一只到达路径目标结点的蚂蚁 的转移路径；
（5）判断所述主蚁群系统
Figure 58335DEST_PATH_IMAGE015
和所述副蚁群系统
Figure 70154DEST_PATH_IMAGE016
中的所有蚂蚁是否都找到了 路径目标节点，若所有蚂蚁都找到了路径目标节点，则执行步骤（6），否则继续等待，直到所 有蚂蚁都找到了路径目标节点；
（6）根据所述主蚁群系统
Figure 175644DEST_PATH_IMAGE015
和所述副蚁群系统
Figure 298321DEST_PATH_IMAGE016
网络拓扑中各链路的信息素 更新规则，分别对所述主蚁群系统
Figure 54924DEST_PATH_IMAGE015
和所述副蚁群系统
Figure 988376DEST_PATH_IMAGE016
网络拓扑中各链路的 信息素进行更新；再根据信息素浓度
Figure 564851DEST_PATH_IMAGE017
的矫正规则，对更新后的链路
Figure 491219DEST_PATH_IMAGE018
在
Figure 584552DEST_PATH_IMAGE019
时刻的信息素浓度
Figure 203752DEST_PATH_IMAGE020
进行矫正；
（7）根据本轮迭代内所述主蚁群系统
Figure 1944DEST_PATH_IMAGE021
和所述副蚁群系统
Figure 748314DEST_PATH_IMAGE016
的全局最优解， 进行蚁群系统之间信息素浓度的更新；判断当前迭代次数
Figure 948352DEST_PATH_IMAGE022
是否大于或等于
Figure 738453DEST_PATH_IMAGE023
，若满 足，则执行步骤（8），否则返回所述步骤（2）；
（8）输出全局最优解以及全局最优解对应的路径花费
Figure 23941DEST_PATH_IMAGE024
值，全局最优解即为全局最 优路径。
4.根据权利要求3所述的基于时延预测及双蚁群的软件定义网络QoS路由算法，其特征 在于，所述主蚁群系统
Figure 574002DEST_PATH_IMAGE015
网络拓扑中各链路的信息素浓度
Figure 628546DEST_PATH_IMAGE025
的定义过程:
Figure 323969DEST_PATH_IMAGE026
；
所述副蚁群系统
Figure 113065DEST_PATH_IMAGE016
网络拓扑中各链路的信息素浓度
Figure 184926DEST_PATH_IMAGE027
的定义过程:
Figure 359555DEST_PATH_IMAGE028
；
其中，
Figure 239262DEST_PATH_IMAGE029
表示时延保障系数，
Figure 499342DEST_PATH_IMAGE030
表示时延预测等级，具体地，
Figure 374894DEST_PATH_IMAGE031
表示链路
Figure 154763DEST_PATH_IMAGE032
的时延预测等级，
Figure 785464DEST_PATH_IMAGE033
表示链路
Figure 17994DEST_PATH_IMAGE032
的剩余带宽，
Figure 697237DEST_PATH_IMAGE033
表示链路
Figure 580879DEST_PATH_IMAGE032
的总带 宽，
Figure 70897DEST_PATH_IMAGE034
表示剩余带宽占比的重要程度；
所述的转移概率
Figure 39990DEST_PATH_IMAGE035
的计算过程：
Figure 257345DEST_PATH_IMAGE036
；
其中，
Figure 20595DEST_PATH_IMAGE037
表示链路
Figure 665202DEST_PATH_IMAGE038
的信息素浓度，
Figure 387171DEST_PATH_IMAGE039
表示链路
Figure 158949DEST_PATH_IMAGE038
的启发式信息，
Figure 17183DEST_PATH_IMAGE040
表示每 只蚂蚁在寻路时自动生成的一个随机数，且
Figure 567114DEST_PATH_IMAGE041
表示伪随机概率阈值，
Figure 510799DEST_PATH_IMAGE042
表示蚂蚁
Figure 820688DEST_PATH_IMAGE043
当前能够前往的节点的集合，且
Figure 799009DEST_PATH_IMAGE044
中不包括所述蚂蚁
Figure 785419DEST_PATH_IMAGE045
对应的禁忌链表tab中已有的节点；
若
Figure 967133DEST_PATH_IMAGE046
，则该蚂蚁选择转移到使
Figure 64402DEST_PATH_IMAGE047
取值最大的节点；反之 则转移到使
Figure 897229DEST_PATH_IMAGE048
取值最大的节点；
其中，
Figure 320120DEST_PATH_IMAGE049
分别表示各链路的信息素浓度
Figure 720621DEST_PATH_IMAGE050
和启发式信息
Figure 152739DEST_PATH_IMAGE051
的权重因子，且所 述主蚁群系统
Figure 840073DEST_PATH_IMAGE052
网络拓扑中各链路的信息素浓度的权重因子
Figure 919018DEST_PATH_IMAGE053
和所述副蚁群系统
Figure 324592DEST_PATH_IMAGE054
网络拓扑中各链路的信息素浓度的权重因子
Figure 29243DEST_PATH_IMAGE055
的关系表示为：
Figure 587394DEST_PATH_IMAGE056
；所述主蚁群系统
Figure 352088DEST_PATH_IMAGE052
网络拓扑中各链路的启发式信息的权重 因子
Figure 979378DEST_PATH_IMAGE057
和所述副蚁群系统
Figure 238452DEST_PATH_IMAGE054
网络拓扑中各链路的启发式信息的权重因子
Figure 634798DEST_PATH_IMAGE058
的关系 表示为：
Figure 570393DEST_PATH_IMAGE059
；
所述伪随机概率阈值
Figure 432783DEST_PATH_IMAGE060
的计算公式：
Figure 744815DEST_PATH_IMAGE061
；
其中，
Figure 995668DEST_PATH_IMAGE062
均是小于1的概率常数，且
Figure 852897DEST_PATH_IMAGE063
是上一轮循环 开始时的全局最优解的路径花费
Figure 454779DEST_PATH_IMAGE064
值，
Figure 304924DEST_PATH_IMAGE064
是上一轮循环结束时的全局最优解的路 径花费
Figure 426595DEST_PATH_IMAGE064
值；
所述链路花费
Figure 703992DEST_PATH_IMAGE065
；
其中，
Figure 793171DEST_PATH_IMAGE066
表示链路
Figure 932159DEST_PATH_IMAGE067
的花费，路径花费
Figure 157604DEST_PATH_IMAGE068
由构成路径的各链路花费
Figure 605903DEST_PATH_IMAGE069
累加而成；
Figure 916799DEST_PATH_IMAGE070
表示软件定义网络QoS度量值的正向偏移；
路径花费
Figure 856549DEST_PATH_IMAGE064
的计算公式：
Figure 467658DEST_PATH_IMAGE071
；
其中，
Figure 821279DEST_PATH_IMAGE072
分别表示
Figure 370204DEST_PATH_IMAGE073
的质量系数；
Figure 365841DEST_PATH_IMAGE074
分别表示
Figure 831458DEST_PATH_IMAGE073
的比例系数；
Figure 106712DEST_PATH_IMAGE075
表示链路
Figure 657780DEST_PATH_IMAGE067
的时延。
5.根据权利要求4所述的基于时延预测及双蚁群的软件定义网络QoS路由算法，其特征 在于，基于所述网络流量的预测时延数据计算所述时延预测等级
Figure 925950DEST_PATH_IMAGE076
的具体过程包括：
Figure 980493DEST_PATH_IMAGE077
；
其中，
Figure 957808DEST_PATH_IMAGE078
表示流量时延数据的预测值的分段序列值；
所述时延保障系数
Figure 996171DEST_PATH_IMAGE079
定义5级：
Figure 802453DEST_PATH_IMAGE080
；
其中，
Figure 736604DEST_PATH_IMAGE081
表示用户的时延需求。
6.根据权利要求5所述的基于时延预测及双蚁群的软件定义网络QoS路由算法，其特征在于，所述步骤（6）中，蚁群系统内各链路的信息素更新规则如下：
Figure 868508DEST_PATH_IMAGE082
；
Figure 128588DEST_PATH_IMAGE083
；
其中，
Figure 754873DEST_PATH_IMAGE084
是信息素挥发系数；
Figure 784008DEST_PATH_IMAGE085
表示当前为
Figure 352393DEST_PATH_IMAGE085
时刻；
Figure 584922DEST_PATH_IMAGE086
表示控制器参数，
Figure 998586DEST_PATH_IMAGE087
表示 链路
Figure 147808DEST_PATH_IMAGE088
时刻的信息素浓度，
Figure 621514DEST_PATH_IMAGE089
表示更新后链路
Figure 606919DEST_PATH_IMAGE090
在
Figure 558695DEST_PATH_IMAGE091
时 刻的信息素浓度，
Figure 562423DEST_PATH_IMAGE092
表示计数变量，
Figure 220413DEST_PATH_IMAGE093
表示中间变量；
信息素挥发系数
Figure 942381DEST_PATH_IMAGE094
计算方式如下：
Figure 307634DEST_PATH_IMAGE095
；
Figure 900290DEST_PATH_IMAGE096
；
其中，
Figure 732111DEST_PATH_IMAGE097
表示中间变量，
Figure 675796DEST_PATH_IMAGE098
表示速率常数，且
Figure 500532DEST_PATH_IMAGE099
；
所述信息素浓度
Figure 964006DEST_PATH_IMAGE100
的矫正规则如下：
Figure 950416DEST_PATH_IMAGE101
；
其中，
Figure 381398DEST_PATH_IMAGE102
表示链路上信息素浓度的最小阈值，
Figure 226470DEST_PATH_IMAGE103
表示链路上信息素浓度的最 大阈值。
7.根据权利要求6所述的基于时延预测及双蚁群的软件定义网络QoS路由算法，其特征在于，所述步骤（7）中，所述蚁群系统间信息素浓度的更新规则如下：
Figure 324876DEST_PATH_IMAGE104
；
Figure 216608DEST_PATH_IMAGE105
；
其中，
Figure 151197DEST_PATH_IMAGE106
表示动态更新因子，
Figure 52157DEST_PATH_IMAGE107
表示所述主蚁群系统
Figure 739490DEST_PATH_IMAGE108
网络拓扑中链路
Figure 67704DEST_PATH_IMAGE109
在
Figure 224010DEST_PATH_IMAGE110
时刻的信息素浓度，
Figure 928660DEST_PATH_IMAGE111
表示所述副蚁群系统
Figure 470500DEST_PATH_IMAGE112
网络拓扑中链路
Figure 985926DEST_PATH_IMAGE109
在
Figure 613217DEST_PATH_IMAGE110
时刻的信息素浓度，
Figure 855979DEST_PATH_IMAGE113
表示所述主蚁群系统
Figure 265707DEST_PATH_IMAGE108
网络拓扑中链路
Figure 935723DEST_PATH_IMAGE114
时刻时的信息素浓度，
Figure 315889DEST_PATH_IMAGE115
表示所述副蚁群系统
Figure 96763DEST_PATH_IMAGE112
网络拓 扑中链路
Figure 629507DEST_PATH_IMAGE114
时刻的信息素浓度；
动态更新因子
Figure 470424DEST_PATH_IMAGE116
的计算公式：
Figure 337886DEST_PATH_IMAGE117
；
其中，
Figure 673183DEST_PATH_IMAGE118
和
Figure 309701DEST_PATH_IMAGE119
分别表示本次迭代内所述主蚁群系统
Figure 321519DEST_PATH_IMAGE108
和所述副蚁群系统
Figure 161430DEST_PATH_IMAGE112
获得的全局最优解的路径花费
Figure 549686DEST_PATH_IMAGE120
值，
Figure 40711DEST_PATH_IMAGE121
表示对应于网络路由场景的修正参数，
Figure 982952DEST_PATH_IMAGE122
表示中间变量。
CN202210451701.1A 2022-04-27 2022-04-27 基于时延预测及双蚁群的软件定义网络Qos路由方法 Active CN114567588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210451701.1A CN114567588B (zh) 2022-04-27 2022-04-27 基于时延预测及双蚁群的软件定义网络Qos路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210451701.1A CN114567588B (zh) 2022-04-27 2022-04-27 基于时延预测及双蚁群的软件定义网络Qos路由方法

Publications (2)

Publication Number Publication Date
CN114567588A true CN114567588A (zh) 2022-05-31
CN114567588B CN114567588B (zh) 2022-08-05

Family

ID=81720896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210451701.1A Active CN114567588B (zh) 2022-04-27 2022-04-27 基于时延预测及双蚁群的软件定义网络Qos路由方法

Country Status (1)

Country Link
CN (1) CN114567588B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114760669A (zh) * 2022-06-13 2022-07-15 南京邮电大学 一种基于流量预测的路由决策方法及系统
CN116233871A (zh) * 2023-01-17 2023-06-06 广州爱浦路网络技术有限公司 一种xr服务增强方法、计算机装置和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105847151A (zh) * 2016-05-25 2016-08-10 安徽大学 一种面向软件定义网络的多约束QoS路由策略设计方法
CN108322925A (zh) * 2018-01-29 2018-07-24 东北大学 超密度异构融合网络中区分业务类型的传输路径计算方法
CN109165718A (zh) * 2018-08-07 2019-01-08 华北电力大学（保定） 基于并行蚁群算法的网络重构方法和系统
CN110730131A (zh) * 2019-10-22 2020-01-24 电子科技大学 基于改进蚁群的SDN卫星网络多QoS约束路由方法
WO2020244299A1 (zh) * 2019-06-03 2020-12-10 中兴通讯股份有限公司 一种实现重路由的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105847151A (zh) * 2016-05-25 2016-08-10 安徽大学 一种面向软件定义网络的多约束QoS路由策略设计方法
CN108322925A (zh) * 2018-01-29 2018-07-24 东北大学 超密度异构融合网络中区分业务类型的传输路径计算方法
CN109165718A (zh) * 2018-08-07 2019-01-08 华北电力大学（保定） 基于并行蚁群算法的网络重构方法和系统
WO2020244299A1 (zh) * 2019-06-03 2020-12-10 中兴通讯股份有限公司 一种实现重路由的方法及装置
CN110730131A (zh) * 2019-10-22 2020-01-24 电子科技大学 基于改进蚁群的SDN卫星网络多QoS约束路由方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
展兴华: ""基于多种群蚁群算法的多约束QoS路由模型研究"", 《中国优秀博硕士论文全文数据库信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114760669A (zh) * 2022-06-13 2022-07-15 南京邮电大学 一种基于流量预测的路由决策方法及系统
CN114760669B (zh) * 2022-06-13 2022-09-02 南京邮电大学 一种基于流量预测的路由决策方法及系统
CN116233871A (zh) * 2023-01-17 2023-06-06 广州爱浦路网络技术有限公司 一种xr服务增强方法、计算机装置和存储介质
CN116233871B (zh) * 2023-01-17 2023-12-15 广州爱浦路网络技术有限公司 一种xr服务增强方法、计算机装置和存储介质

Also Published As

Publication number Publication date
CN114567588B (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN108521375B (zh) 一种基于SDN的网络多业务流量QoS的传输及调度方法
Chen et al. RL-routing: An SDN routing algorithm based on deep reinforcement learning
CN114567588B (zh) 基于时延预测及双蚁群的软件定义网络Qos路由方法
CN107634911B (zh) 一种信息中心网络中基于深度学习的自适应拥塞控制方法
CN113328938B (zh) 一种基于深度强化学习的网络自主智能管控方法
CN112202672B (zh) 一种基于业务服务质量需求的网络路由转发方法和系统
CN108540384B (zh) 软件定义网络中基于拥塞感知的智能重路由方法和装置
Yao et al. Machine learning aided load balance routing scheme considering queue utilization
CN109413707B (zh) 无线网络环境下基于深度强化学习技术的智能路由方法
CN114697229B (zh) 一种分布式路由规划模型的构建方法及应用
CN111245718A (zh) 一种基于sdn情景感知的路由优化方法
CN111245722A (zh) 一种基于遗传算法的sdn数据中心网络流转发方法
Pushpa Mettilsha et al. RPR: Reliable path routing protocol to mitigate congestion in critical IoT applications
CN106658638B (zh) 一种基于hh-vbf的时间序列预测方法
CN113518039A (zh) Sdn架构下基于深度强化学习的资源优化方法及系统
CN116170370B (zh) 一种基于注意力机制和深度强化学习的sdn多路径路由方法
CN107171957A (zh) 一种基于资源受限条件下的自适应dtn路由算法
Meng et al. Intelligent routing orchestration for ultra-low latency transport networks
CN114205300B (zh) 一种能够在流量信息不完整情况下保证coflow传输截止期限的流量调度方法
CN111555978B (zh) 智能电网中具有节能和服务质量保证的sdn路由布置方法
CN112333102B (zh) 基于知识图谱的软件定义网络路由选择方法和系统
Rao et al. A deep learning-based constrained intelligent routing method
Qin et al. MCRA: multicost rerouting algorithm in SDN
Masoumzadeh et al. Deep blue: A fuzzy q-learning enhanced active queue management scheme
CN113177636A (zh) 一种基于多约束条件的网络动态路由方法及系统

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