CN114710433A - 一种智能路由方法、装置及网络设备 - Google Patents
一种智能路由方法、装置及网络设备 Download PDFInfo
- Publication number
- CN114710433A CN114710433A CN202111466335.9A CN202111466335A CN114710433A CN 114710433 A CN114710433 A CN 114710433A CN 202111466335 A CN202111466335 A CN 202111466335A CN 114710433 A CN114710433 A CN 114710433A
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- route
- router
- routing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 62
- 230000005540 biological transmission Effects 0.000 claims description 33
- 238000012544 monitoring process Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 8
- 239000002699 waste material Substances 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012821 model calculation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- H04L45/38—Flow based routing
-
- 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
-
- 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
- H04L45/14—Routing performance; Theoretical aspects
-
- 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
- H04L45/60—Router architectures
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
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深度置信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,可通过在网络中最短路径计算中应用深度学习来寻找最短路,每次只计算预测路径上的路由器的位置,有效降低了信号交换量和广播频次,而且网络结构简单便于实现,有效的避免了资源浪费和网络堵塞。
Description
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
现在的大多数上网功能服务,是在因特网或者是局域网上的将客户端服务请求路由到 真实服务器,然后真实服务器进行运算,再将结果返回到用户的客户端进行浏览。
传统的路由协议主要有RIP协议和OSPF协议,该类方法如OSPF协议的工作步骤主要 为:1、邻居建立;2、广播同步链路状态数据库;3、计算最优路由。OSPF协议在规模不 大的网络中很有效,但随着现在上网用户的激增,导致网络请求量激增,进而路由表更新 量太大的问题就会凸显(每发现一个新邻居就要广播一次),简单的增加路由和链路也会导致增大投资。
因此,需要提供一种更加可靠的路由方案。
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 成的资源浪费问题。
第一方面,本说明书实施例提供了智能路由方法,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深度置信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;所述预训练深度置信网络的网络结构包括依次连接的 网络层和输出分类层,所述网络层基于sigmoid信念网络和受限玻尔兹曼机网络层构建,所 述网络层的输入为各路由器的流量模式,所述输出分类层的输出为下一路由的位置;
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,所述预训练深度置信网络包括:第一层、第二层、第三层和第四层,其中:
所述第一层为由一个元网络模块构成的网络层,其输入向量为网络结构中各个路由器 的流量模式组成的向量;
所述第二层为由一个元网络模块构成的网络层,其输入向量为前一层的输出特征向量;
所述第三层为由一个元网络模块构成的网络层,其输入向量为前一层的输出特征向量;
所述第四层为由softmax函数构成的输出分类层,其输出向量为下一步路由的位置。
可选的,所述第四层输出的下一步路由的位置为one-hot编码形式,则方法还包括:
将所述第四层输出的one-hot编码转化为下一个路由位置。
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深度置信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。
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深度置信网络的输入预测出 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;所述预训练深度置信网络的网络结构包括 依次连接的网络层和输出分类层,所述网络层基于sigmoid信念网络和受限玻尔兹曼机网络 层构建,所述网络层的输入为各路由器的流量模式,所述输出分类层的输出为下一路由的 位置;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,所述预训练深度置信网络包括:第一层、第二层、第三层和第四层,其中:
所述第一层为由一个元网络模块构成的网络层,其输入向量为网络结构中各个路由器 的流量模式组成的向量;
所述第二层为由一个元网络模块构成的网络层,其输入向量为前一层的输出特征向量;
所述第三层为由一个元网络模块构成的网络层,其输入向量为前一层的输出特征向量;
所述第四层为由softmax函数构成的输出分类层,其输出向量为下一步路由的位置。
可选的,所述第四层输出的下一步路由的位置为one-hot编码形式,所述装置还包括:
解码模块,用于将所述第四层输出的one-hot编码转化为下一个路由位置。
所述流量监控模块,具体用于:
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,所述中心控制模块,还用于若下一路由为非收点路由,在重新确定网络中各 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 深度置信网络的输入预测出下一路由。
可选的,所述装置还包括:
记录模块,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。
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深度置信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;所述预训练深度置信网络的网络结构包括依次连接的 网络层和输出分类层,所述网络层基于sigmoid信念网络和受限玻尔兹曼机网络层构建,所 述网络层的输入为各路由器的流量模式,所述输出分类层的输出为下一路由的位置;
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:
通过在网络中最短路径计算中应用深度学习来寻找最短路,每次只计算预测路径上的 路由器的位置,有效降低了信号交换量和广播频次,而且网络结构简单便于实现,有效的 避免了资源浪费和网络堵塞。
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路由算法的运行原理示意图;
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;
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深度置信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所述新的发点路 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;所述预训练深度置信网 络的网络结构包括依次连接的网络层和输出分类层,所述网络层基于sigmoid信念网络和受 限玻尔兹曼机网络层构建,所述网络层的输入为各路由器的流量模式,所述输出分类层的 输出为下一路由的位置;
其中,所述预训练深度置信网络可以包括:第一层、第二层、第三层和第四层,其中:
所述第一层为由一个元网络模块构成的网络层,其输入向量为网络结构中各个路由器 的流量模式组成的向量;
所述第二层为由一个元网络模块构成的网络层,其输入向量为前一层的输出特征向量;
所述第三层为由一个元网络模块构成的网络层,其输入向量为前一层的输出特征向量;
所述第四层为由softmax函数构成的输出分类层,其输出向量为下一步路由的位置。
其中,元网络模块由由一层sigmoid信念网络和一层受限玻尔兹曼机网络层组合而成, 可以有效的挖掘输入样本的隐含特征。当然,深度置信网络的具体网络结构可视情况调整, 如调整网络层的数量等。
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深度置信网络的输入预测出下 一路由。
另外,考虑到路由安全性,上述第四层输出的下一步路由的位置可以为one-hot编码形 式,则方法还包括:由路由器的解码模块将所述第四层输出的one-hot编码转化为下一个路 由位置。
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确定下一路由的位置(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。
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。
由此可知,本实施例通过在网络中最短路径计算中应用深度学习来寻找最短路,每次 只计算预测路径上的路由器的位置,有效降低了信号交换量和广播频次,而且网络结构简 单便于实现,有效的避免了资源浪费和网络堵塞。
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301,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302,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深度置信网络的输入预测 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;所述预训练深度置信网络的网络结构包 括依次连接的网络层和输出分类层,所述网络层基于sigmoid信念网络和受限玻尔兹曼机网 络层构建,所述网络层的输入为各路由器的流量模式,所述输出分类层的输出为下一路由 的位置;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,所述预训练深度置信网络包括:第一层、第二层、第三层和第四层,其中:
所述第一层为由一个元网络模块构成的网络层,其输入向量为网络结构中各个路由器 的流量模式组成的向量;
所述第二层为由一个元网络模块构成的网络层,其输入向量为前一层的输出特征向量;
所述第三层为由一个元网络模块构成的网络层,其输入向量为前一层的输出特征向量;
所述第四层为由softmax函数构成的输出分类层,其输出向量为下一步路由的位置。
可选的,所述第四层输出的下一步路由的位置为one-hot编码形式,所述装置还包括:
解码模块,用于将所述第四层输出的one-hot编码转化为下一个路由位置。
所述流量监控模块,具体用于:
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,所述中心控制模块,还用于若下一路由为非收点路由,在重新确定网络中各 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 深度置信网络的输入预测出下一路由。
可选的,所述装置还包括:
记录模块,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。
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,本实施例通过在网络中最短路径计算中应用深度学习来寻找最短路,每次 只计算预测路径上的路由器的位置,有效降低了信号交换量和广播频次,而且网络结构简 单便于实现,有效的避免了资源浪费和网络堵塞。
下面对实现原理的角度对上述图1和图3对于实施例进行详细说明:
首先,结合图3,整体架构包括:广泛存在于基于SDN架构的中心控制模块、流量监控模块和解码模块,以及元网络模块,其中:
元网络模块,网络结构模块是一个网络元组件,由一层sigmoid信念网络和一层受限玻 尔兹曼机网络层组合而成,可以有效的挖掘输入样本的隐含特征。
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,其架构思想是 SDN(software define networks,软件定义网络),通过这种方法我们可以实现任意分配路由路 径的方法,而非固定的路由协议。从而我们可以使用深度置信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Δt时间内每个路由器的流量模式。
解码模块,将用模型预测后得到的one-hot编码转化为下一个路由位置。
基于该框架,智能路由方法包括如下步骤:
步骤1.在一个网络结构中部署中心控制服务器,利用流量监控模块对网络中的各个路 由器的前Δt时间内的流量模式记录下来。
步骤2.利用中心控制模块中的预训练好的深度置信网络来对下一个路由进行预测,然 后以此路由为发点,迭代进行预测直到预测到目标路由为止,将路径记录在路由表内。
步骤3.根据步骤2中所预测的路由路径进行网络信号传播。
所述步骤1中,对网络结构中的路由器的流量模式记录的具体步骤如下:
步骤1.1.网络中所有路由器将其入站数据包的数量记录下来。
步骤1.2.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。
所述步骤2中,用发点的边缘路由的中心控制模块进行预测的具体步骤为:
步骤2.1.在规划路由路径的发点的路由器的内置中心控制模块内,将流量模式模块内的 流量数据输入到预训练好的深度置信网络中,将下一步的路由预测出来。
步骤2.2.若步骤2.1中预测的下一步路由不是该段规划路由路径的收点,则以步骤2.1 预测出的下一步路由为发点,输入数据到该路由器预训练好的深度置信网络中,预测出下 一步路由,直到下一步路由时收点路由时迭代停止。
所述步骤3中,根据步骤2中预测出的路径进行网络信号传输。
上述步骤中预训练好的深度置信网络是由三层网络结构组成,有两个隐藏层(即第二 层和第三层),深度置信网络的输入数据为网络中各个路由器的流量数据,输出为当前路由 器的下一个路由位置。其具体网络结构包括:
第一层:由一个元网络模块构成的网络层,输入向量为网络结构中各个路由器的流量 模式组成的向量。
第二层:由一个元网络模块构成的网络层,输入向量为前一层的输出特征向量。
第三层:由一个元网络模块构成的网络层,输入向量为前一层的输出特征向量。
第四层:由softmax函数构成的输出分类层,输入向量为前一层的输出特征向量,并将 下一个路由的位置以编码的形式输出,再经过解码模块得到下一步路由的位置。
其中,特征向量可反映各个路由器流量模式之间的特征关系,元网络模块由一层sigmoid 信念网络和一层受限玻尔兹曼机网络层组合而成,在sigmoid信念网络层后再加一层受限玻 尔兹曼机网络层,经过这一层可以使模型架构更加复杂,增加模型泛化性能。
第一层输入单元数量即网络中路由器的数量,第二层隐藏单元数是网络中路由器数量 的一半,第三层输出单元数等同于第一层输入单元数量,输入向量是各个路由器的流量组 成的向量,输出是各个路由器流量模式之间的特征关系;第四层的网络输出层是softmax网 络层连接的多分类层,可得到和输入向量同样维数的输出向量,从而得到下一步的路由位 置和其置信度。
其中,所述的深度置信网络的损失函数设置为平均均方误差。它是预测值和目标值之 间的差值平方和的均值;对于该深度置信网络进行预训练,包括:首先通过无监督的逐层 贪心预训练得到网络的初始参数,然后把深度置信网络当作前馈网络,利用标签对网络进 行微调。最终得到深度置信网络中各层的连接权重和偏置。
另外,元网络模块可以继续堆叠,优选的,在这个网络结构中选3层。
下面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路由器内运行深度置信网络,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深度置信网络,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2,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,本方案将现在流行的深度学习技术应用在网络信息传输领域,通过路由器内的中心控制模块,流量监控模块,预测路径模块三个主要模块对网络中大量路由的传输路径做了规划,在每一步路由传输上利用深度置信网络来预测出下一步路由的位置并加以存储,进而得到网络中所有的路由的传输路径。面对日益增长的网络信号传输量,利用深度学习技术构造的路由传输方法减少了网络信号开销、网络总吞吐量和网络中下一跳的平均延迟。
图4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4,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4所示,网络设备 400包括:处理器401、收发机402、存储器403、用户接口404和总线接口,其中:
在本发明实施例中,网络设备400还包括:存储在存储器上403并可在处理器401上运行的计算机程序,计算机程序被处理器401、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深度置信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;所述预训练深度置信网络的网络结构包括依次连接的 网络层和输出分类层,所述网络层基于sigmoid信念网络和受限玻尔兹曼机网络层构建,所 述网络层的输入为各路由器的流量模式,所述输出分类层的输出为下一路由的位置;
基于路由路径将服务请求方路由到目标服务提供方。
在图4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401代表的 一个或多个处理器和存储器403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402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404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401负责管理总线架构和通常的处理,存储器403可以存储处理器401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403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。
所述预训练深度置信网络包括:第一层、第二层、第三层和第四层,其中:
所述第一层为由一个元网络模块构成的网络层,其输入向量为网络结构中各个路由器 的流量模式组成的向量;
所述第二层为由一个元网络模块构成的网络层,其输入向量为前一层的输出特征向量;
所述第三层为由一个元网络模块构成的网络层,其输入向量为前一层的输出特征向量;
所述第四层为由softmax函数构成的输出分类层,其输出向量为下一步路由的位置。
所述第四层输出的下一步路由的位置为one-hot编码形式,则方法还包括:
将所述第四层输出的one-hot编码转化为下一个路由位置。
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深度置信网络的输入预测出下一路由。
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。
相比于传统路由协议,如RIP,OSPF等,本网络设备将现在流行的深度学习技术应用 在网络信息传输领域,通过路由器内的中心控制模块,流量监控模块,预测路径模块三个 主要模块对网络中大量路由的传输路径做了规划,在每一步路由传输上利用深度置信网络 来预测出下一步路由的位置并加以存储,进而得到网络中所有的路由的传输路径。面对日 益增长的网络信号传输量,利用深度学习技术构造的路由传输方法减少了网络信号开销、 网络总吞吐量和网络中下一跳的平均延迟。
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深度置信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;所述预训练深度置信网络的网络结构包括依次连接的网络层和输出分类层,所述网络层基于sigmoid信念网络和受限玻尔兹曼机网络层构建,所述网络层的输入为各路由器的流量模式,所述输出分类层的输出为下一路由的位置;
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,所述预训练深度置信网络包括:第一层、第二层、第三层和第四层,其中:
所述第一层为由一个元网络模块构成的网络层,其输入向量为网络结构中各个路由器的流量模式组成的向量;
所述第二层为由一个元网络模块构成的网络层,其输入向量为前一层的输出特征向量;
所述第三层为由一个元网络模块构成的网络层,其输入向量为前一层的输出特征向量;
所述第四层为由softmax函数构成的输出分类层,其输出向量为下一步路由的位置。
4.根据权利要求3所述的方法,其特征在于,所述第四层输出的下一步路由的位置为one-hot编码形式,则方法还包括:
将所述第四层输出的one-hot编码转化为下一个路由位置。
5.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深度置信网络的输入预测出下一路由。
6.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。
7.一种智能路由装置,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深度置信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;所述预训练深度置信网络的网络结构包括依次连接的网络层和输出分类层,所述网络层基于sigmoid信念网络和受限玻尔兹曼机网络层构建,所述网络层的输入为各路由器的流量模式,所述输出分类层的输出为下一路由的位置;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。
8.根据权利要求7所述的装置,其特征在于,所述预训练深度置信网络包括:第一层、第二层、第三层和第四层,其中:
所述第一层为由一个元网络模块构成的网络层,其输入向量为网络结构中各个路由器的流量模式组成的向量;
所述第二层为由一个元网络模块构成的网络层,其输入向量为前一层的输出特征向量;
所述第三层为由一个元网络模块构成的网络层,其输入向量为前一层的输出特征向量;
所述第四层为由softmax函数构成的输出分类层,其输出向量为下一步路由的位置。
9.根据权利要求8所述的装置,其特征在于,所述第四层输出的下一步路由的位置为one-hot编码形式,所述装置还包括:
解码模块,用于将所述第四层输出的one-hot编码转化为下一个路由位置。
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深度置信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;所述预训练深度置信网络的网络结构包括依次连接的网络层和输出分类层,所述网络层基于sigmoid信念网络和受限玻尔兹曼机网络层构建,所述网络层的输入为各路由器的流量模式,所述输出分类层的输出为下一路由的位置;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111466335.9A CN114710433A (zh) | 2021-12-03 | 2021-12-03 | 一种智能路由方法、装置及网络设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111466335.9A CN114710433A (zh) | 2021-12-03 | 2021-12-03 | 一种智能路由方法、装置及网络设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114710433A true CN114710433A (zh) | 2022-07-05 |
Family
ID=82166427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111466335.9A Pending CN114710433A (zh) | 2021-12-03 | 2021-12-03 | 一种智能路由方法、装置及网络设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114710433A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104757992A (zh) * | 2015-03-16 | 2015-07-08 | 广东工业大学 | 一种基于深度置信网络的心音诊断系统及其诊断方法 |
JP2018181326A (ja) * | 2017-04-06 | 2018-11-15 | ネイバー コーポレーションNAVER Corporation | ディープラーニングを活用した個人化商品推薦 |
CN109996309A (zh) * | 2018-01-02 | 2019-07-09 | 中国移动通信有限公司研究院 | 一种路由流量引流系统、方法、装置和介质 |
CN111147387A (zh) * | 2019-12-19 | 2020-05-12 | 北京邮电大学 | 一种混合sdn网络的流量控制方法及装置 |
CN111404815A (zh) * | 2020-03-06 | 2020-07-10 | 武汉大学 | 一种基于深度学习的有约束路由选择方法 |
CN112491714A (zh) * | 2020-11-13 | 2021-03-12 | 安徽大学 | SDN环境下基于深度强化学习的智能QoS路由优化方法、系统 |
-
2021
- 2021-12-03 CN CN202111466335.9A patent/CN114710433A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104757992A (zh) * | 2015-03-16 | 2015-07-08 | 广东工业大学 | 一种基于深度置信网络的心音诊断系统及其诊断方法 |
JP2018181326A (ja) * | 2017-04-06 | 2018-11-15 | ネイバー コーポレーションNAVER Corporation | ディープラーニングを活用した個人化商品推薦 |
CN109996309A (zh) * | 2018-01-02 | 2019-07-09 | 中国移动通信有限公司研究院 | 一种路由流量引流系统、方法、装置和介质 |
CN111147387A (zh) * | 2019-12-19 | 2020-05-12 | 北京邮电大学 | 一种混合sdn网络的流量控制方法及装置 |
CN111404815A (zh) * | 2020-03-06 | 2020-07-10 | 武汉大学 | 一种基于深度学习的有约束路由选择方法 |
CN112491714A (zh) * | 2020-11-13 | 2021-03-12 | 安徽大学 | SDN环境下基于深度强化学习的智能QoS路由优化方法、系统 |
Non-Patent Citations (1)
Title |
---|
BOMIN MAO: "A Tensor Based Deep Learning Technique for Intelligent Packet Routing", GLOBECOM 2017 - 2017 IEEE GLOBAL COMMUNICATIONS CONFERENCE * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101943530B1 (ko) | 이동성 관리를 위한 가상 서빙 게이트웨이를 배치하기 위한 시스템 및 방법 | |
USRE49275E1 (en) | System and methods for improved network routing | |
US11463313B2 (en) | Topology-aware controller associations in software-defined networks | |
Liu et al. | Load-balancing routing algorithm based on segment routing for traffic return in LEO satellite networks | |
CN100490352C (zh) | 提高天基信息网络服务质量的路由装置及方法 | |
Zhao et al. | A novel prediction-based temporal graph routing algorithm for software-defined vehicular networks | |
Gravalos et al. | Efficient network planning for internet of things with QoS constraints | |
CN103379032A (zh) | 跨域端到端路由的获取方法及装置、子路由计算实体 | |
WO2022001941A1 (zh) | 网元管理方法、网管系统、独立计算节点、计算机设备、存储介质 | |
Zhao et al. | A temporal-information-based adaptive routing algorithm for software defined vehicular networks | |
US10411992B2 (en) | Routing data within a communications network | |
Nguyen et al. | Efficient virtual network embedding with node ranking and intelligent link mapping | |
CN116192960A (zh) | 基于约束条件的算力网络集群动态构建方法及系统 | |
Choudhary et al. | A quality of service‐aware high‐security architecture design for software‐defined network powered vehicular ad‐hoc network s using machine learning‐based blockchain routing | |
Talpur et al. | Reinforcement learning-based dynamic service placement in vehicular networks | |
Pu | Pro^NDN: MCDM-Based Interest Forwarding and Cooperative Data Caching for Named Data Networking | |
CN114710433A (zh) | 一种智能路由方法、装置及网络设备 | |
Meng et al. | Intelligent routing orchestration for ultra-low latency transport networks | |
Saad et al. | Mdp-based vehicular network connectivity model for vcc management | |
Moayyedi et al. | Generalizable GNN-based 5G RAN/MEC Slicing and Admission control in metropolitan networks | |
CN114374636B (zh) | 一种智能路由方法、装置及网络设备 | |
CN114448821A (zh) | 一种智能路由方法、装置及网络设备 | |
Rasheed et al. | Hierarchical architecture for computational offloading in autonomous vehicle environment | |
Guan et al. | Multidimensional Resource Fragmentation-Aware Virtual Network Embedding for IoT Applications in MEC Networks | |
Unger et al. | Optimal content location in multicast based overlay networks with content updates |
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 |