CN114598946B - 一种基于模糊逻辑的片上光网络自适应路由规划方法 - Google Patents
一种基于模糊逻辑的片上光网络自适应路由规划方法 Download PDFInfo
- Publication number
- CN114598946B CN114598946B CN202210082329.1A CN202210082329A CN114598946B CN 114598946 B CN114598946 B CN 114598946B CN 202210082329 A CN202210082329 A CN 202210082329A CN 114598946 B CN114598946 B CN 114598946B
- Authority
- CN
- China
- Prior art keywords
- link
- fuzzy
- membership
- input
- normalized
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0073—Provisions for forwarding or routing, e.g. lookup tables
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0079—Operation or maintenance aspects
- H04Q2011/0083—Testing; Monitoring
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于模糊逻辑的片上光网络自适应路由规划方法,包括:设定所述片上光网络的链路性能影响因素并获得所述链路性能影响因素的数据样本;根据所述链路性能影响因素的数据样本分别建立或更新输入隶属度函数,获得当前网络节点处各链路性能影响因素在各条链路上的输入隶属度值;对所述输入隶属度进行模糊推理,获得各链路性能影响因素在各条链路上的输出隶属度值;对所述输出隶属度进行去模糊化处理,获得当前节点处所有链路的分数;选择所有链路中分数最高的链路作为当前节点处的数据转发链路。本发明根据网络状态自适应地规划路由,综合考虑多个链路性能影响因素,实现多目标优化,并且算法结构简单,易于实现。
Description
技术领域
本发明属于片上光网络技术领域,具体涉及一种基于模糊逻辑的片上光网络自适应路由规划方法。
背景技术
片上光网络(Optical Network-on-Chip,ONoC)是采用光互连进行全局传输的光层以及采用电互连进行控制与局部传输的电层组成的混合互连结构。混合互连结构首先在全局互连中,采用光互连进行传输可以降低电互连中存在的时延问题;其次,在局部传输中采用电互连比采用光互连具有更大的灵活性。随着光传输技术的发展,片上光网络(Optical Network-on-Chip,ONoC)能够以较低的功耗满足高吞吐量和低时延的要求。
路由作为一项网络基本任务,往往要综合考虑多种因素。很多研究考虑因素不全面,同时有研究将机器学习应用到路由决策中,将Dijkstra算法和Q-learning算法结合用于路由决策,这种方法能够根据网络信息及时地做出反应,但Q表的存储需要占用大量内存。DQN(Deep Q Network,深度Q网络)可以解决Q表存储的问题,但DQN算法较复杂,需要足够的训练。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于模糊逻辑的片上光网络自适应路由规划方法。本发明要解决的技术问题通过以下技术方案实现:
本发明的一个方面提供了一种基于模糊逻辑的片上光网络自适应路由规划方法,包括:
S1:设定所述片上光网络的链路性能影响因素并获得所述链路性能影响因素的数据样本;
S2:根据所述链路性能影响因素的数据样本分别建立或更新输入隶属度函数,获得当前网络节点处各链路性能影响因素在各条链路上的输入隶属度值;
S3:对所述输入隶属度进行模糊推理,获得各链路性能影响因素在各条链路上的输出隶属度值;
S4:对所述输出隶属度进行去模糊化处理,获得当前节点处所有链路的分数;
S5:选择所有链路中分数最高的链路作为当前节点处的数据转发链路。
在本发明的一个实施例中,所述S1包括:
设定在当前节点共有K条链路进行路由转发,所述链路性能影响因素包括I1,I2,…,In,在所述K条链路上,因素I1,I2,…,In的具体数值组成的数组集合为i1K,i2K,…,inK,其中,inK=[in1,in2,…,inK],inK表示第K条链路上因素In的具体数值。
在本发明的一个实施例中,所述S2包括:
S21:将所述链路性能影响因素中的第一影响因素的语言变量设置为多个输入模糊集合;
S22:为所述多个输入模糊集合设置对应的输入隶属度函数,并根据所述第一影响因素的样本值和所对应的输入隶属度函数获得所述第一影响因素在各条链路上的输入隶属度值;
S23:获得所述链路性能影响因素中所有影响因素在各条链路上的输入隶属度值。
在本发明的一个实施例中,所述隶属度函数为三角形函数或梯形函数。
在本发明的一个实施例中,所述链路性能影响因素至少包括负载均衡因素、等待时延因素和插入损耗因素。
在本发明的一个实施例中,所述S23包括:
S231:获取节点w在K条链路上的归一化链路使用次数L(w,1)normalized,L(w,2)normalized,…,L(w,K)normalized,建立或更新对应的输入隶属度函数,计算所述负载均衡因素对应的输入隶属度值μ1K;
S232:获取节点w在T个转弯方向上的归一化堵塞序列长度D(w,1)normalized,D(w,2)normalized,…,D(w,T)normalized,建立或更新对应的输入隶属度函数,计算所述等待时延因素对应的输入隶属度值μ2K;
S232:获得节点w在K条链路上的归一化插入损耗Loss(w,1)normalized,Loss(w,2)normalized,…,Loss(w,K)normalized,建立或更新对应的隶属度函数,计算所述插入损耗因素对应的输入隶属度值μ3K。
在本发明的一个实施例中,所述S3包括:
S31:确定不同链路性能影响因素的输入模糊集合与输出模糊集合之间的模糊规则,其中,所述模糊规则规定了不同链路性能影响因素的输入模糊集合与输出模糊集合之间的逻辑关系;
S32:根据所述模糊规则和所述多个输入模糊集合获得多个输出模糊集合;
S33:根据所述模糊规则和不同链路性能影响因素的输入隶属度值获得各个输出模糊集合的输出隶属度值。
在本发明的一个实施例中,所述S4包括:
将所有模糊推理规则的输出隶属度分别映射到输出隶属度函数上,并通过面积中心法或最大值法获得所述输出隶属度函数x轴上的输出数值,作为当前节点当前链路的分数。
本发明的另一方面提供了一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序用于执行上述实施例中任一项所述基于模糊逻辑的片上光网络自适应路由规划方法的步骤。
本发明的又一方面提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如上述实施例中任一项所述基于模糊逻辑的片上光网络自适应路由规划方法的步骤。
与现有技术相比,本发明的有益效果在于:
1、本发明提出了一种基于模糊逻辑的片上光网络自适应路由规划方法,可以综合考虑多个因素,并且算法结构简单,无需额外的训练,可以根据网络状态自适应地规划路由。
2、本发明的片上光网络自适应路由规划方法克服了传统模糊逻辑基于专家经验的缺点,可以根据网络状态更新模糊逻辑所使用的参数,使算法的适应性更强。
3、本发明充分考虑了光信号波长和由光信号经过片上光网络所产生的插入损耗之间的关系,所考虑的插入损耗更加准确。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于模糊逻辑的片上光网络自适应路由规划方法的流程图。
图2是本发明实施例提供的一种将模糊逻辑系统用于动态路由的过程示意图;
图3是某一因素的输入隶属度函数的示意图;
图4是本发明实施例提供的一种根据网络状态信息建立的负载均衡的输入隶属度函数的示意图;
图5是本发明实施例提供的一种根据网络状态信息建立的等待时延的输入隶属度函数的示意图;
图6是本发明实施例提供的一种插入损耗的输入隶属度函数的示意图;
图7是本发明实施例提供的一种输出隶属度函数的示意图;
图8是本发明实施例提供的一种输入为[0.331,0.0783,0.69]时的模糊推理过程示意图。
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及具体实施方式,对依据本发明提出的一种基于模糊逻辑的片上光网络自适应路由规划方法进行详细说明。
有关本发明的前述及其他技术内容、特点及功效,在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明,可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解,然而所附附图仅是提供参考与说明之用,并非用来对本发明的技术方案加以限制。
应当说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者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物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。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物品或者设备中还存在另外的相同要素。
首先,对模糊逻辑的基本概念进行简单介绍:模糊逻辑是一种类似于人脑的推断过程,对于复杂问题的回答包含着不确定性,不会给出绝对是或否的结论。模糊逻辑与传统的布尔(是-否)逻辑相反。布尔逻辑对于事物的判断有着绝对的标准,是非之间有着明确的界限,其实这对于处于界限附近的值是不公平的。模糊逻辑与布尔逻辑最大的区别在于模糊逻辑并不将事物判断为是与否,而是衡量其属于是或否的程度。在模糊逻辑中,模糊集合是用来表达模糊性概念的集合,隶属度μ∈[0,1]表征一个元素属于某一模糊集合的程度,μ值越大,属于该模糊集合的程度就越高,隶属度由隶属度函数计算得出。语言变量是同一模糊概念下的模糊集合,比如语言变量“身高”包括“高”、“矮”等模糊集合,若身高190对于“高”这一模糊集合隶属度为0.95,对于“矮”的隶属度为0.01。隶属度函数的图形可以是任意的,常用的图形是三角形或者梯形。模糊逻辑就是将各种因素转化为隶属度后,进行综合考虑做出决策的过程。
请参见图1,图1是本发明实施例提供的一种基于模糊逻辑的片上光网络自适应路由规划方法的流程图,该方法包括:
S1:设定所述片上光网络的链路性能影响因素并获得所述链路性能影响因素的数据样本。
设定在当前节点共有K条链路进行路由转发,所述链路性能影响因素包括I1,I2,…,In,在所述K条链路上,因素I1,I2,…,In的具体数值组成的数组集合为i1K,i2K,…,inK,其中,inK=[in1,in2,…,inK],inK表示第K条链路上因素In的具体数值。
首先需要了解的是,片上光网络的路由问题往往是多目标优化的问题,有多个考虑因素,而模糊逻辑非常擅长综合多个考虑因素做出决策,实现自适应的路由。请参见图2,图2是本发明实施例提供的一种将模糊逻辑系统用于动态路由的过程示意图。对于自适应的动态路由,每一次进行路由转发时,都期望选择性能更好的链路。假设在当前节点共有K条链路可以进行路由转发,链路性能受因素I1,I2,…,In的影响,在K条链路上,因素I1,I2,…,In的具体数值组成的数组集合为i1K,i2K,…,inK,其中,下标的第一个字母表示因素序号,第二个字母表示链路序号,inK=[in1,in2,…,inK],inK表示第K条链路上因素In的具体数值。将数组集合i1K,i2K,…,inK作为模糊逻辑系统的输入,对K条链路做出性能评价,输出K条链路的评价分数score1,score2,…,scoreK,最后做出路由决策,选择其中评分最高的链路进行路由转发。
在本实施例中,所使用的模糊逻辑系统包括模糊化模块、模糊推理模块和去模糊化模块三部分。以链路k为例,该模糊逻辑系统的处理过程如下:
首先,对输入数值进行模糊化,获得当前链路上各因素的隶属度,模糊化完成了输入数值到输入隶属度的转化。对于因素I1,I2,…,In,根据各自不同的考虑内含,分别设置不同的输入语言变量,即因素I1,I2,…,In分别对应不同的语言变量M1,M2,…,Mn,设置语言变量M1,M2,…,Mn的模糊集数量分别为m1,m2,…,mn。将n个因素在第k条链路的具体数值i1k,i2k,…,ink作为模糊化的输入,通过输入隶属度函数的计算,得到输入隶属度 其中,数组其长度为mn,表示数值ink在mn个模糊集合上的隶属度。模糊化部分将输入隶属度 作为此部分的输出,传递给下一部分。
需要说明的是,不同因素的模糊集合个数可以是不相同的,但是每一个模糊集合都对应一个输入隶属度函数和一个输入隶属度。以考虑因素ijk为例,若将ijk设置m个语言变量,则对应m个输入隶属度函数,可以得到m个输入隶属度
随后进行模糊推理。链路的性能是一个语言变量,将链路性能设置为L个等级,就有L个模糊集合:Vout_1,Vout_2,…,Vout_l。根据模糊规则表中不同输入语言变量之间的逻辑关系,将第k条链路的输入隶属度 转化为输出隶属度输出隶属度为数组,长度由输出语言变量的模糊集合的个数决定。
通过该模糊逻辑系统,依次对所有链路进行评价,得到K条链路的性能评价数值score1,score2,…,scoreK,选择性能评价数值最大的链路进行路由转发,这样一次基本的路由过程就完成了。
具体到本实施例,在片上光网络中,流量业务的分布情况、由于堵塞造成的时延以及功率损耗是影响网络性能的重要因素,因此本实施例将负载均衡、等待时延和插入损耗作为该模糊逻辑系统的考虑因素I1,I2,I3,将这三个因素I1,I2,I3在各链路上的数值作为网络状态信息。需要说明的是,影响网络性能的还可能包括其他的因素,例如热效应、阻塞率、信噪比、能量效率等,在此仅以负载均衡、等待时延和插入损耗三个因素作为示例对本实施例的片上光网络自适应路由规划方法进行描述。
S2:根据所述链路性能影响因素的数据样本分别建立或更新输入隶属度函数,获得当前网络节点处各链路性能影响因素在各条链路上的输入隶属度值。
所述S2包括:
S21:将所述链路性能影响因素中的第一影响因素的语言变量设置为多个输入模糊集合;
S22:为所述多个输入模糊集合设置对应的输入隶属度函数,并根据所述第一影响因素的样本值和所对应的输入隶属度函数获得所述第一影响因素在各条链路上的输入隶属度值;
S23:获得所述链路性能影响因素中所有影响因素在各条链路上的输入隶属度值。
具体地,在设置输入隶属度函数时,每个考虑因素对应一个语言变量,语言变量中包含不同的模糊集合,每个模糊集合对应一个输入隶属度函数。隶属度函数的参数可以根据网络状态信息提供的数值样本来确定。
例如,将考虑因素ij的语言变量设置为L、M、H三个模糊集合。其中,其中,L表示性能较差,M表示性能一般,H表示性能较好。如图3所示,L采用梯形隶属度函数μL(x):
M采用三角隶属度函数μM(x):
H采用梯形隶属度函数μH(x):
如图3所示,主要需要设置的参数有:a为L的转弯点,b为L与x轴的交点,d为M的顶点,c和e为M与x轴的两个交点,g为H的转弯点,f为H与x轴的交点。
具体地,获取因素ij的数值样本,从小到大排列为数组。根据数组的长度,选择长度1/10处对应的数值作为L的转弯点a,6/10处对应的数值作为L与x轴的交点b,4/10处所对应的数值作为H与x轴的交点f,9/10处所对应的数值作为H的转弯点g,将数组的平均值作为M的顶点d,M与x轴的交点c、e分别取与a、g相同的值。
传统的模糊逻辑中,输入隶属度函数通过专家经验确定,一旦确定好了就不会再变,这导致了面对网络环境发生变化时,输入隶属度函数不再适用,模糊逻辑性能下降的问题。在本实施例所提出的方法中,当网络环境变化时,输入隶属度的参数可以根据网络状态信息自动调整。在完成一次路由转发后,更新网络状态信息。每完成P次传输任务后,获取网络状态信息,构建链路状态矩阵,更新输入隶属度函数的参数,其中,P的取值取决于片上光网络的资源情况和决策的正确有效度。当需要节省网络资源时,可以增加P值,以减小更新输入隶属度函数带来的开销;当需要算法做出更准确有效的决策时,减小P值,使输入隶属度函数更好地适应当前网络状态。
如上所示,本实施例将负载均衡、等待时延和插入损耗作为模糊逻辑系统的考虑因素I1,I2,I3,将这三个因素I1,I2,I3在各链路上的数值作为网络状态信息。
针对本实施例的负载均衡因素、等待时延因素和插入损耗因素,首先根据各个链路的使用次数获得与负载均衡因素对应的输入参数i1K。
负载均衡因素可以通过各个链路的使用次数来评估,如果各个链路的使用次数的方差较小,可以认为负载是均衡的。假设所述片上光网络中共有Q个节点,每个节点有K个方向的链路,即K条链路,则可以构造Q×K的链路使用次数矩阵LQ×K,其中的元素L(w,j)表示第w个节点的第j条链路的链路使用次数。由于链路使用次数会随着传输次数而增加,而本实施例期望输入隶属度函数的边界是不变的,因此对链路使用次数矩阵内的元素进行归一化处理:
其中,L(w,j)normalized表示第w个节点的第j条链路上的归一化链路使用次数,max(LQ×K)是链路使用次数矩阵LQ×K中元素的最大值。
链路使用次数矩阵LQ×K为负载均衡的输入隶属度函数的确立提供了数据样本,将负载均衡的语言变量设置为L1、M1、H1三个模糊集合,选择三角形函数作为M1的隶属度函数,梯形函数作为L1和H1的隶属度函数。每完成P次通信任务,就更新一次输入隶属度函数,计算矩阵LQ×K的平均值作为三角形的顶点。对矩阵内元素由小到大进行排序,选择数据分布中1/10处的数值作为H1的拐点,9/10处的数值作为L1的拐点。如图4所示,图4是本发明实施例提供的一种根据网络状态信息建立的负载均衡的输入隶属度函数的示意图。
当节点w需要进行路由决策时,从网络状态信息中获取节点w在K条链路上的归一化链路使用次数L(w,1)normalized,L(w,2)normalized,…,L(w,K)normalized,作为模糊逻辑系统的输入参数i1K。
根据节点处的堵塞序列获得与等待时延因素对应的输入参数i2K。
片上光网络依靠路由器完成传输任务。每个路由器连接一个处理单元(Processing Element,PE),注入\注出端口对应路由器到PE的端口。数据从PE发出,经由源路由器进行信息的转发与传输,在传输途中经过不同的片上光路由器后,最终到达目的路由器,数据通过注出端口到达PE。至此,信息的传输完成。
路由器包括波导和微环谐振器(Microring resonator,MR)两个重要组成部分。波导负责数据的传输,MR用于改变数据传输的光路。MR有两种工作方式,即ON状态和OFF状态。如果微环谐振器处于ON状态,当光波从输入(input)端口进入时,与微环谐振器发生谐振,微环谐振器可以改变光波的传输方向。若微环谐振器处于OFF状态时,则不改变光波传输方向。
由于片上光网络堵塞,路由器内部光路转弯处的MR会被其他通信任务占用,因此会造成等待时延。等待时延可以通过转弯处的堵塞序列的长度进行评估,堵塞序列长度小,说明等待时延小。等待时延的输入隶属度函数通过堵塞序列长度矩阵来建立。设片上光网络中有Q个节点,每个节点有T个转弯方向,可以构建Q×T的堵塞序列矩阵DQ×T,其中,矩阵元素D(w,j)表示第w个节点的第j个转弯方向的堵塞序列的长度。对矩阵内的元素进行归一化处理:
其中,D(w,j)normalized表示第w个节点的第j个转弯方向的归一化堵塞序列长度,max(DQ×T)是堵塞序列矩阵DQ×T中元素的最大值。
与负载均衡类似的,矩阵DQ×T为等待时延的输入隶属度函数的确立提供了数据样本,将等待时延的语言变量设置L2、M2、H2,选择三角形函数作为M2的隶属度函数,梯形函数作为L2和H2的隶属度函数。每完成P次通信任务就更新一次输入隶属度函数。请参见图5,图5是本发明实施例提供的一种根据网络状态信息建立的等待时延的输入隶属度函数的示意图。
需要说明的是,当节点w需要进行路由决策时,每一条候选链路都对应一个候选转弯方向,因此这时每个节点的可用链路数量K等于每个节点的可用转弯方向T,从网络状态信息中获取节点w在T个转弯方向上的归一化堵塞序列长度D(w,1)normalized,D(w,2)normalized,…,D(w,T)normalized,作为等待时延因素对应的输入参数i2K。
根据光在片上光网络传播过程中产生的插入损耗获得与插入损耗因素对应的输入参数i3K。
由于波导和微环,光在片上光网络传播过程中会产生插入损耗Loss,可表示为:
其中,Lbending为单位波导弯曲损耗、Lcrossing为单位波导交叉损耗、和分别为经过微环谐振器(MR)的下载端(drop port)的损耗和经过直通端(through port)的损耗,n、l、p、q分别为路由中经过弯曲波导、交叉波导、drop端和through端的数量。
其中,λsignal代表输入信号的波长,λres代表MR工作时的谐振波长,r1和r2表示自耦合系数,θ为输入信号的波长和MR工作时的谐振波长所产生的相移,a(λres)表示单传输幅值,可表示为:
其中,m表示谐振模式数,α为功率损耗系数,nres为MR的有效折射率,R为MR的半径。
相移θ表示为:
当MR处于OFF状态时,λres=λMR+Δλ,λres≠λsignal。λMR表示MR原始设计的谐振波长,Δλ表示MR由ON切换到OFF状态时产生的波长漂移。
具体地,在本实施例中所使用的参数如表1所示。
表1.插入损耗的参数
进一步地,为了确定插入损耗的输入隶属度函数的边界,对第w个节点第j条链路的插入损耗Loss(w,j)进行归一化处理:
其中,Loss(w,j)normalized是第w个节点第j条链路的归一化插入损耗,LossQ×K是由元素Loss(w,j)组成的Q×K损耗矩阵,max(LossQ×K)是矩阵内元素的最大值。
由于插入损耗只与路径选择有关,不会随着流量大小等网络环境改变而改变,因此损耗的输入隶属度函数采用固定参数,不再进行更新,将损耗的语言变量设置为L3和H3两个模糊集合,请参见图6,图6是本发明实施例提供的一种插入损耗的输入隶属度函数的示意图。
当节点w需要进行路由决策时,将K条链路上的归一化插入损耗Loss(w,1)normalized,Loss(w,2)normalized,…,Loss(w,K)normalized作为模糊逻辑系统的输入参数i3K。
S3:对所述输入隶属度进行模糊推理,获得各网络链路性能影响因素的输出隶属度值。
在本实施例中,步骤S3包括:
S31:确定不同链路性能影响因素的输入模糊集合与输出模糊集合之间的模糊规则,其中,所述模糊规则规定了不同链路性能影响因素的输入模糊集合与输出模糊集合之间的逻辑关系;
S32:根据所述模糊规则和所述多个输入模糊集合获得多个输出模糊集合;
S33:根据所述模糊规则和不同链路性能影响因素的输入隶属度值获得各个输出模糊集合的输出隶属度值。
具体地,模糊推理依据模糊规则将输入隶属度转化为输出隶属度。模糊规则规定了不同考虑因素的输入模糊集合与输出模糊集合之间的逻辑关系。确定规则之后,模糊推理根据规则计算各个输出模糊集合的隶属度。
本实施例将输出的语言变量设置为12个模糊集合,代表不同的评分等级,级别越高代表链路性能越好。根据上文所述,负载均衡的语言变量设置为L1,M1,H1三个模糊集合,等待时延的语言变量设置为L2,M2,H2三个模糊集合,插入损耗的语言变量设置为L3,H3两个模糊集合,其中,L代表性能较差,M代表性能一般,H代表性能较好。在制定推理规则时,L出现的次数越多,对应的输出优先级就越低;H出现的次数越多,输出评分等级就越高。例如,请参见表2,表2是预先设定的模糊推理规则。规则R1中,负载均衡、时延、损耗都是L,则输出评分等级为1,是最低的;规则R2中,负载均衡和时延都是L,损耗是H,则输出评分等级为2,以此类推。同时也可以结合三个因素的权重来制定推理规则表。
表2.预先设定的推理规则
请参见图7,图7是本发明实施例提供的一种输出隶属度函数的示意图。本实施例输出隶属度函数采用三角形函数。在本实施例中,输出优先级的隶属度等于输入隶属度的最小值。例如规则R1,假设μL1=0.2,μL2=0.5,μL3=0.1,则μR1=min(μinput)=μL3=0.1。
S4:对所述输出隶属度进行去模糊化处理,获得最佳路由规划结果。
具体地,去模糊化将输出隶属度转化为一个具体数值,作为问题的结论。去模糊化首先将输出隶属度分别映射到输出隶属度函数上,通过面积中心法、最大值法等获得x轴上的输出数值。
在本实施例中,得到所有规则所对应的输出隶属度后,选择面积中心法进行去模糊化,即将所有输出隶属度映射到输出隶属度函数上,使用面积中心法,计算所有输出隶属度函数面积中心对应的横坐标。具体地,首先计算每一个输出隶属度数值所在的水平线与输出隶属度函数、x轴所围成的面积,再计算所有面积的面积中心,面积中心对应的横坐标即为输出值。
S5:选择所有链路中分数最高的链路作为当前节点处的数据转发链路。
例如,请参见图8,图8是本发明实施例提供的一种输入为[0.331,0.0783,0.69]时的模糊推理过程示意图。当前节点w第k条链路使用次数的归一化数值L(w,k)normalized=0.331,堵塞序列长度的归一化数值D(w,k)normalized=0.0783,插入损耗的归一化数值loss=0.69,经过模糊推理后得到输出隶属度函数的隶属度,再计算输出隶属度函数和x轴围成面积中心的横坐标,作为当前节点该链路的scorek=9.4152。计算当前节点K条链路的分数score1,score2,…,scoreK,选择分数最高的链路作为下一跳的链路,进行路由转发。
本发明实施例提出了一种基于模糊逻辑的片上光网络自适应路由规划方法,可以综合考虑多个因素,并且算法结构简单,无需额外的训练,可以根据网络状态自适应地规划路由;克服了传统模糊逻辑基于专家经验的缺点,可以根据网络状态更新模糊逻辑所使用的参数,使算法的适应性更强。此外,本发明实施例充分考虑了光信号波长和由光信号经过片上光网络所产生的插入损耗之间的关系,所考虑的插入损耗更加准确。
本发明的又一实施例提供了一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序用于执行上述实施例中所述基于模糊逻辑的片上光网络自适应路由规划方法的步骤。本发明的再一方面提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如上述实施例所述基于模糊逻辑的片上光网络自适应路由规划方法的步骤。具体地,上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种基于模糊逻辑的片上光网络自适应路由规划方法,其特征在于,包括:
S1:设定所述片上光网络的链路性能影响因素并获得所述链路性能影响因素的数据样本;
S2:根据所述链路性能影响因素的数据样本分别建立或更新输入隶属度函数,获得当前网络节点处各链路性能影响因素在各条链路上的输入隶属度值;
S3:对所述输入隶属度进行模糊推理,获得各链路性能影响因素在各条链路上的输出隶属度值;
S4:对所述输出隶属度进行去模糊化处理,获得当前节点处所有链路的分数;
S5:选择所有链路中分数最高的链路作为当前节点处的数据转发链路,其中,
所述S2包括:
S21:将所述链路性能影响因素中的第一影响因素的语言变量设置为多个输入模糊集合;
S22:为所述多个输入模糊集合设置对应的输入隶属度函数,并根据所述第一影响因素的样本值和所对应的输入隶属度函数获得所述第一影响因素在各条链路上的输入隶属度值;
S23:获得所述链路性能影响因素中所有影响因素在各条链路上的输入隶属度值;
进一步地,所述S23包括:
S231:获取节点w在K条链路上的归一化链路使用次数L(w,1)normalized,L(w,2)normalized,...,L(w,K)normalized,建立或更新对应的输入隶属度函数,计算负载均衡因素对应的输入隶属度值μ1K;
S232:获取节点w在T个转弯方向上的归一化堵塞序列长度D(w,1)normalized,D(w,2)normalized,...,D(w,T)normalized,建立或更新对应的输入隶属度函数,计算等待时延因素对应的输入隶属度值μ2K;
S233 :获得节点w在K条链路上的归一化插入损耗Loss(w,1)normalized,Loss(w,2)normalized,...,Loss(w,K)normalized,建立或更新对应的隶属度函数,计算插入损耗因素对应的输入隶属度值μ3K。
2.根据权利要求1所述的基于模糊逻辑的片上光网络自适应路由规划方法,其特征在于,所述S1包括:
设定在当前节点共有K条链路进行路由转发,所述链路性能影响因素包括I1,I2,...,In,在所述K条链路上,因素I1,I2,...,In的具体数值组成的数组集合为i1K,i2K,...,inK,其中,inK=[in1,in2,...,inK],inK表示第K条链路上因素In的具体数值。
3.根据权利要求1所述的基于模糊逻辑的片上光网络自适应路由规划方法,其特征在于,所述隶属度函数为三角形函数或梯形函数。
4.根据权利要求1所述的基于模糊逻辑的片上光网络自适应路由规划方法,其特征在于,所述链路性能影响因素包括负载均衡因素、等待时延因素和插入损耗因素。
5.根据权利要求2所述的基于模糊逻辑的片上光网络自适应路由规划方法,其特征在于,所述S3包括:
S31:确定不同链路性能影响因素的输入模糊集合与输出模糊集合之间的模糊规则,其中,所述模糊规则规定了不同链路性能影响因素的输入模糊集合与输出模糊集合之间的逻辑关系;
S32:根据所述模糊规则和所述多个输入模糊集合获得多个输出模糊集合;
S33:根据所述模糊规则和不同链路性能影响因素的输入隶属度值获得各个输出模糊集合的输出隶属度值。
6.根据权利要求5所述的基于模糊逻辑的片上光网络自适应路由规划方法,其特征在于,所述S4包括:
将所有模糊推理规则的输出隶属度分别映射到输出隶属度函数上,并通过面积中心法或最大值法获得所述输出隶属度函数x轴上的输出数值,作为当前节点当前链路的分数。
7.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序用于执行权利要求1至6中任一项所述基于模糊逻辑的片上光网络自适应路由规划方法的步骤。
8.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如权利要求1至6任一项所述基于模糊逻辑的片上光网络自适应路由规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210082329.1A CN114598946B (zh) | 2022-01-24 | 2022-01-24 | 一种基于模糊逻辑的片上光网络自适应路由规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210082329.1A CN114598946B (zh) | 2022-01-24 | 2022-01-24 | 一种基于模糊逻辑的片上光网络自适应路由规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114598946A CN114598946A (zh) | 2022-06-07 |
CN114598946B true CN114598946B (zh) | 2023-02-10 |
Family
ID=81806690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210082329.1A Active CN114598946B (zh) | 2022-01-24 | 2022-01-24 | 一种基于模糊逻辑的片上光网络自适应路由规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114598946B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115276820B (zh) * | 2022-07-29 | 2023-09-01 | 西安电子科技大学 | 一种应用映射辅助的片上光互连光源功率梯度设置方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105743985A (zh) * | 2016-03-24 | 2016-07-06 | 国家计算机网络与信息安全管理中心 | 一种基于模糊逻辑的虚拟服务迁移方法 |
AU2020101176A4 (en) * | 2020-06-28 | 2020-07-30 | Southwest University | Exploring a new adaptive routing based on dijkstra algorithm in optical networks-on-chip |
CN111770019A (zh) * | 2020-05-13 | 2020-10-13 | 西安电子科技大学 | 基于Dijkstra算法的Q-learning光片上网络自适应路由规划方法 |
CN111836327A (zh) * | 2020-07-03 | 2020-10-27 | 山东大学 | 一种水下传感器网络路由数据传输方法及水下传感器网络 |
CN113055079A (zh) * | 2021-03-12 | 2021-06-29 | 重庆邮电大学 | 一种低轨卫星网络中基于模糊逻辑的路由选择方法 |
CN113612692A (zh) * | 2021-08-11 | 2021-11-05 | 西安电子科技大学 | 基于dqn算法的集中式光片上网络自适应路由规划方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160079495A (ko) * | 2014-12-26 | 2016-07-06 | 한국전자통신연구원 | 저전력 무선네트워크에서 이동성 링크 성능 검출 방법 |
CN106407154B (zh) * | 2015-08-03 | 2019-04-19 | 华为技术有限公司 | 一种片上光网络拓扑及数据传输方法 |
-
2022
- 2022-01-24 CN CN202210082329.1A patent/CN114598946B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105743985A (zh) * | 2016-03-24 | 2016-07-06 | 国家计算机网络与信息安全管理中心 | 一种基于模糊逻辑的虚拟服务迁移方法 |
CN111770019A (zh) * | 2020-05-13 | 2020-10-13 | 西安电子科技大学 | 基于Dijkstra算法的Q-learning光片上网络自适应路由规划方法 |
AU2020101176A4 (en) * | 2020-06-28 | 2020-07-30 | Southwest University | Exploring a new adaptive routing based on dijkstra algorithm in optical networks-on-chip |
CN111836327A (zh) * | 2020-07-03 | 2020-10-27 | 山东大学 | 一种水下传感器网络路由数据传输方法及水下传感器网络 |
CN113055079A (zh) * | 2021-03-12 | 2021-06-29 | 重庆邮电大学 | 一种低轨卫星网络中基于模糊逻辑的路由选择方法 |
CN113612692A (zh) * | 2021-08-11 | 2021-11-05 | 西安电子科技大学 | 基于dqn算法的集中式光片上网络自适应路由规划方法 |
Non-Patent Citations (2)
Title |
---|
A Centralized Routing Algorithm Based on DQN Algorithm in Silicon Photonic Interconnects on Chip;Yanyi Chen et al.;《2021 IEEE 21st International Conference on Communication Technology》;20220104;全文 * |
A fuzzy integrated congestion-aware routing;Yasrebi et al.;《Front Inform Technol Electron Eng》;20210528;第22卷(第5期);对比文件1第3节、图3 * |
Also Published As
Publication number | Publication date |
---|---|
CN114598946A (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Leng et al. | Design for self-organizing fuzzy neural networks based on genetic algorithms | |
CN109325580A (zh) | 一种用于服务组合全局优化的自适应布谷鸟搜索方法 | |
CN114598946B (zh) | 一种基于模糊逻辑的片上光网络自适应路由规划方法 | |
Ramachandran et al. | A ranking-based fuzzy adaptive hybrid crow search algorithm for combined heat and power economic dispatch | |
CN110118566A (zh) | 机器人运行路径生成方法及装置 | |
Khanra et al. | Multi-objective four dimensional imprecise TSP solved with a hybrid multi-objective ant colony optimization-genetic algorithm with diversity | |
Li et al. | Traffic modeling and optimization in datacenters with graph neural network | |
Pugliese et al. | Combining variable neighborhood search and machine learning to solve the vehicle routing problem with crowd-shipping | |
Kumar et al. | Hybrid NSGA-II based decision-making in fuzzy multi-objective reliability optimization problem | |
Kher et al. | Network selection using fuzzy logic | |
Mármol et al. | Linguistic fuzzy logic enhancement of a trust mechanism for distributed networks | |
Mohammad Hasani Zade et al. | A new hyper-heuristic based on ant lion optimizer and Tabu search algorithm for replica management in cloud environment | |
Su et al. | Comparing the Performance of Evolutionary Algorithms for Sparse Multi-Objective Optimization via a Comprehensive Indicator [Research Frontier] | |
Harandi et al. | A reinforcement learning algorithm for adjusting antecedent parameters and weights of fuzzy rules in a fuzzy classifier | |
Carlsson | Approximate reasoning for solving fuzzy MCDM problems | |
Hewahi et al. | Bucket brigade algorithm for hierarchical censored production rule‐based system | |
Goudarzi et al. | A GA-based fuzzy rate allocation algorithm | |
Jiahe et al. | A Fuzzy Logic System-Based Multidimensional Integrated Routing and Wavelength Assignment Method in Optical Network-on-Chip (ONoC) | |
Ruiz et al. | Prize-collecting traveling salesman problem: a reinforcement learning approach | |
Bain et al. | Evolving algorithms for constraint satisfaction | |
Hasan et al. | An interval type-2 fuzzy model of compliance monitoring for quality of web service | |
Wang et al. | Joint Admission Control and Resource Allocation of Virtual Network Embedding Via Hierarchical Deep Reinforcement Learning | |
CN115278411A (zh) | 片上光网络中多维度路由波长分配方法及装置 | |
US20220321477A1 (en) | Method for optimizing traffic between autonomous systems | |
Baracskai et al. | Automated fuzzy-clustering for Doctus expert system |
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 |