CN116260765A - 一种大规模动态路由网络数字孪生建模方法 - Google Patents

一种大规模动态路由网络数字孪生建模方法 Download PDF

Info

Publication number
CN116260765A
CN116260765A CN202310529586.XA CN202310529586A CN116260765A CN 116260765 A CN116260765 A CN 116260765A CN 202310529586 A CN202310529586 A CN 202310529586A CN 116260765 A CN116260765 A CN 116260765A
Authority
CN
China
Prior art keywords
network
node
model
routing
layer
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
CN202310529586.XA
Other languages
English (en)
Other versions
CN116260765B (zh
Inventor
杨方
马涛
谷雨
马春来
常超
翁一冰
汪彦彤
牛钊
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202310529586.XA priority Critical patent/CN116260765B/zh
Publication of CN116260765A publication Critical patent/CN116260765A/zh
Application granted granted Critical
Publication of CN116260765B publication Critical patent/CN116260765B/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
    • H04L45/64—Routing or path finding of packets in data switching networks using an overlay routing layer
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提出一种大规模动态路由网络数字孪生建模方法，该方法包括：构建大规模动态路由网络的层次化表征模型，从网络层次拓扑建模入手，降低网络流量复杂程度，浓缩核心协议栈；确定动力学模型集合，包括路由数据传播动力学模型和网络状态演化动力学模型；路由数据传播动力学模型着重考虑外源刺激以路由重计算与负载重分配为核心的层内控制报文传播规则与层间数据流量外溢传播规律，网络状态演化动力学模型着重考虑外源刺激在控制平面与数据平面的传播过程中异质节点状态的转移规则与同态链路状态的迁移规律；对所述层次化表征模型和动力学模型集合进行整合处理，得到基于层次化结构的大规模动态路由网络数字孪生模型。

Description

一种大规模动态路由网络数字孪生建模方法
技术领域
本发明属于通信网络技术领域，具体涉及一种大规模动态路由网络数字孪生建模方法。
背景技术
数字孪生网络（Digital Twin Network）是以数字化方式创建物理网络实体的虚拟孪生体，且可与物理网络实体之间实时交互映射的网络系统。真实场景中，大规模动态路由网络具有层次化（自治域-骨干-区域）、动态性（业务流量、外源刺激、节点与链路状态）、异质异构（网络硬件异质、路由协议异构）等特性，难以被传统扁平化粗粒度静态网络模型所刻画，其路由数据层级传播机制与网络状态动态演化机理构成了大规模动态路由网络精准数字孪生的核心难点。较早的研究中，Labovitz等人使用有向图对BGP网络进行建模以进行对路由收敛过程和收敛时间的研究，二者都是基于已有的拓扑数据构建网络。利用已有数据进行建模直接方便，但无法应对研究所需的数据大规模化、网络结构多样化的需求。
发明内容
本发明要解决的技术问题是针对大规模网络具有层次化、动态性、异质异构等特性，研究大规模动态路由网络建模分析技术，探索大规模动态路由网络传播演化机理，精准孪生大规模动态路由网络，丰富完善网络空间数字建模理论体系。
本发明研究大规模动态路由网络层次传播演化机理，从大规模动态路由网络层次化表征模型、路由数据传播动力学模型、网络状态演化动力学模型3个层面形成对大规模动态路由网络的多粒度精准孪生，以满足数据大规模化、网络结构多样化的需求。
为了实现上述大规模动态路由网络精准数字孪生，本发明实施例公开了一种基于层次化结构的大规模动态路由网络建模方法，方法包括：
S1，构建大规模动态路由网络的层次化表征模型；
S2，根据所述层次化表征模型，确定出动力学模型集合；所述动力学模型集合包括路由数据传播动力学模型和网络状态演化动力学模型；
S3，对所述层次化表征模型和所述动力学模型集合进行整合处理，得到基于层次化结构的大规模动态路由网络数字孪生模型。
作为一种可选的实施方式，在本发明实施例中，所述构建大规模动态路由网络的层次化表征模型，方法包括：
S11，蒸馏大规模真实网络的层次化结构，抽取关键网络结构信息，构建得到网络层次拓扑模型；
S12，在所述网络层次拓扑模型的网络边缘节点建立流量生成器；利用所述流量生成器对大规模动态路由网络数据流量的长程相关性进行描述，构建得到链路流量表征模型；
S13，构建网络协议特征库；利用所述网络协议特征库，对所述网络层次拓扑模型的核心协议识别特征进行标记，得到网络协议特征信息库；
S14，对所述网络层次拓扑模型、链路流量表征模型和网络协议特征信息库进行整合处理，得到大规模动态路由网络的层次化表征模型。
作为一种可选的实施方式，在本发明实施例中，所述蒸馏大规模真实网络的层次化结构，抽取关键网络结构信息，构建得到网络层次拓扑模型，包括：
S111，蒸馏大规模真实网络，得到层次化结构；所述层次化结构包括自治域层
Figure SMS_1
、骨干层/>
Figure SMS_2
、区域层/>
Figure SMS_3
；
所述自治域层
Figure SMS_4
中所有节点，代表大规模动态路由网络的自治系统中的外部边界网关协议路由器，该层中所有节点支持传输控制协议、外部边界网关协议、开放式最短路径优先协议；所述骨干层/>
Figure SMS_5
所有节点，代表大规模动态路由网络中某一自治域中开放式最短路径优先路由器，该层所有节点支持传输控制协议、开放式最短路径优先协议；
所述区域层
Figure SMS_6
所有节点，代表大规模动态路由网络的各自治系统内区域网络节点，该层所有节点支持传输控制协议；
S112，从所述层次化结构中抽取关键网络结构信息，构建得到节点—链路框架的三层网络拓扑结构；
所述关键网络结构信息，包括所述自治域层
Figure SMS_8
、骨干层/>
Figure SMS_12
、区域层/>
Figure SMS_15
子网的所有节点、边，所述自治域层/>
Figure SMS_9
、骨干层/>
Figure SMS_13
、区域层/>
Figure SMS_16
各子网间相互作用关系，所述自治域层/>
Figure SMS_18
、骨干层/>
Figure SMS_7
、区域层/>
Figure SMS_11
各子网间连边和关系，自治域层/>
Figure SMS_14
、骨干层
Figure SMS_17
、区域层/>
Figure SMS_10
子网各节点的负载、度、容量、介数；
S113，利用算法公式对所述三层网络拓扑结构进行模型构建，得到网络层次拓扑模型；所述算法公式为：
Figure SMS_19
（1）
Figure SMS_20
（2）
Figure SMS_21
（3）
Figure SMS_22
（4）
Figure SMS_23
（5）
Figure SMS_24
（6）
其中，
Figure SMS_25
为路由网络，/>
Figure SMS_26
分别是自治域层、骨干层、区域层子网，
Figure SMS_27
分别是自治域层、骨干层、区域层子网中所有节点构成的集合；
Figure SMS_28
分别是自治域层、骨干层、区域层子网中所有边构成的集合；
Figure SMS_29
分别是自治域层、骨干层、区域层各子网间相互作用关系的集合；
Figure SMS_30
分别是自治域层、骨干层、区域层子网间连边和关系的映射；/>
Figure SMS_31
表示节点/>
Figure SMS_36
的初始负载，/>
Figure SMS_39
为节点/>
Figure SMS_32
的度，/>
Figure SMS_35
为节点/>
Figure SMS_38
的邻居节点集合，/>
Figure SMS_41
为中/>
Figure SMS_33
中第/>
Figure SMS_34
个邻居节点的度，/>
Figure SMS_37
为可变参数，调整初始的节点负载强度，/>
Figure SMS_40
为网络中节点总数；
Figure SMS_42
表示节点/>
Figure SMS_43
的容量，/>
Figure SMS_44
为可调参数且/>
Figure SMS_45
。
作为一种可选的实施方式，在本发明实施例中，所述链路流量表征模型为：
Figure SMS_46
（8）
Figure SMS_47
（9）
Figure SMS_48
（10）
Figure SMS_49
（11）
式中，采用重尾分布的ON/OFF模型作为网络中边缘节点的流量生成器，
Figure SMS_50
为N个源生成流量的合成流量，/>
Figure SMS_51
为ON/OFF源产生的流量，
分别为
Figure SMS_52
，m为整数离散时间，m≥0；
Figure SMS_53
为重尾分布的ON/OFF过程中ON周期的概率；/>
Figure SMS_54
和/>
Figure SMS_55
分别为ON周期和OFF周期的长度为独立的复合重尾分布的随机变量的均值；
Figure SMS_56
和/>
Figure SMS_57
为每个流量源发送速率的期望值和方差，/>
Figure SMS_58
为第/>
Figure SMS_59
时刻流量源产生流量。
作为一种可选的实施方式，在本发明实施例中，所述网络协议特征信息库为：
Figure SMS_60
（12）
其中，R为网络流量识别规则集合，K为规则总数，
Figure SMS_61
表示一条网络流量识别规则；
其中，每一条网络流量识别规则
Figure SMS_62
由规则向量组成：
Figure SMS_63
<Application，Protocol，String，Length，Offset>（13）
其中，Application表示网络应用协议类型，Protocol表示该网络应用协议采用的传输层协议类型，String表示流量识别特征字符串，Length表示流量识别特征字符串长度，Offset表示该流量识别特征在数据帧应用层中出现的偏移位置。
作为一种可选的实施方式，在本发明实施例中，所述根据所述层次化表征模型，确定出动力学模型集合，方法包括：
S21，基于所述层次化表征模型，构建域间路由信息传播模型和域内路由信息传播模型；所述域间路由信息传播模型用于对所述大规模动态路由网络中自治域层Update报文的转发处理；
S22，对所述域间路由信息传播模型和域内路由信息传播模型进行整合，得到网络路由信息传播模型；
S23，利用所述网络路由信息传播模型，构建业务流量负载重分配模型；所述业务流量负载重分配模型用于描述链路失效后的重分配情况；
S24，对所述网络路由信息传播模型和所述业务流量负载重分配模型进行整合，得到路由数据传播动力学模型；
S25，基于所述层次化表征模型，构建节点状态转移模型；所述节点状态转移模型，用于描述网络中路由节点面对大量更新报文导致CPU资源耗尽的状态；
S26，基于所述层次化表征模型，构建链路状态转移模型；所述链路状态转移模型用于描述链路状态随流量的变化的状态；
S27，对所述节点状态转移模型和所述链路状态转移模型进行整合，得到网络状态演化动力学模型。
作为一种可选的实施方式，在本发明实施例中，所述域间路由信息传播模型用于对所述大规模动态路由网络中自治域层Update报文的转发处理的具体方式为：
S211，所述域间路由信息传播模型获取所述大规模动态路由网络中自治域层的失效路由节点信息；所述失效路由节点信息包括若干个失效路由节点；
S212，对于所述失效路由节点信息中的任一所述失效路由节点，所述域间路由信息传播模型，采用广度优先搜索算法，搜索该失效路由节点在所述自治域层中的所有连通分量，得到该失效路由节点对应的节点连通分量信息；所述连通分量信息包括若干个节点连通分量；
S213，所述域间路由信息传播模型，采用全局搜索方式，对所述节点连通分量信息进行相邻节点筛选，得到该失效路由节点对应的邻接节点信息；所述邻接节点信息包括若干个邻接节点；
S214，对于任一所述邻接节点，所述域间路由信息传播模型，获取该邻接节点在所述自治域层中的除该邻接节点以外的所有相邻节点，得到该邻接节点对应的转发节点信息；所述转发节点信息包括若干个转接节点；
S215，对于任一所述转接节点，所述域间路由信息传播模型，将Update报文发送由该邻接节点发送至该转接节点，得到转发报文；
S216，所述域间路由信息传播模型在该转接节点对所述转发报文进行报文解析，得到报文解析信息；
S217，所述域间路由信息传播模型，利用所述报文解析信息，对该转接节点对应的路由转发表进行更新处理，得到该转接节点对应的报文转发路由节点信息和该转接节点对应的报文转发路径信息；所述报文转发路由节点信息包括若干个报文转发路由节点；
S218，所述域间路由信息传播模型根据所述报文转发路径信息将所述Update报文转发至所述报文转发路由节点信息中的报文转发路由节点。
作为一种可选的实施方式，在本发明实施例中，所述业务流量负载重分配模型为：
Figure SMS_64
（14）
式中，
Figure SMS_65
为链路/>
Figure SMS_66
的流量负载，/>
Figure SMS_67
为通信对/>
Figure SMS_68
传输数据大小，/>
Figure SMS_69
为某一时间，
Figure SMS_70
为通信对/>
Figure SMS_71
的流量传输路径。
作为一种可选的实施方式，在本发明实施例中，所述节点状态转移模型为：
Figure SMS_72
（15）
式中，
Figure SMS_74
为路由网络节点i的状态，/>
Figure SMS_76
为节点接收到的更新报文总量，/>
Figure SMS_79
代表节点所能承受的路由信息负载，/>
Figure SMS_75
代表节点的CPU处理速度，/>
Figure SMS_78
表示节点状态为正常状态，/>
Figure SMS_81
表示节点状态为过载状态；/>
Figure SMS_83
是一个关于时间/>
Figure SMS_73
的变量，/>
Figure SMS_77
对/>
Figure SMS_80
进行求导后得出更新报文涌入节点速度，当/>
Figure SMS_82
，则认为此时更新报文超出了CPU处理能力；
其中（15）式中：
Figure SMS_84
（16）
式中，
Figure SMS_85
是一个集合节点/>
Figure SMS_86
的容量，/>
Figure SMS_87
代表节点所能承受的路由信息负载，
Figure SMS_88
代表节点的CPU处理速度。
作为一种可选的实施方式，在本发明实施例中，所述链路状态转移模型为：
Figure SMS_89
（17）
式中，
Figure SMS_92
为节点/>
Figure SMS_94
到节点/>
Figure SMS_97
之间的链路状态，/>
Figure SMS_91
为过载系数，/>
Figure SMS_93
为0-1的随机数，/>
Figure SMS_96
代表路由网络链路状态为正常，/>
Figure SMS_98
代表路由网络链路状态为过载，/>
Figure SMS_90
代表路由网络链路状态为失效，/>
Figure SMS_95
代表链路的失效概率；
其中（17）式中：
Figure SMS_99
（18）
式中，
Figure SMS_100
为链路/>
Figure SMS_101
容量，/>
Figure SMS_102
为链路/>
Figure SMS_103
的容忍系数，且/>
Figure SMS_104
，/>
Figure SMS_105
为链路初始负载。
与现有技术相比，本发明实施例具有以下有益效果：
本方案根据公开的网络空间态势数据，首先从网络层次化结构入手，构建网络层次化表征模型，浓缩协议栈，研究链路所承载的流量表征模型，其次通过分析层内控制报文传播规则与层间数据流量外溢传播规律，构建路由数据传播动力学模型，最后分析节点状态的转移规则与同态链路状态的迁移规律，构建网络状态演化动力学模型，对具有层次化结构的大规模动态路由网络进行精准数字孪生。通过分析大规模动态路由网络层次传播演化机理，本发明的技术方案能有效解决大规模动态路由网络精准数字孪生问题，进一步地，可以为网络的实时闭环控制、网络风险和成本降低、网络鲁棒性分析等问题提供指导。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种大规模动态路由网络数字孪生建模方法的流程图；
图2是本发明实施例中公开的一种大规模动态路由网络运行模型；
图3是本发明实施例中公开的一种路由网络故障跨平面传播示意图；
图4是本发明实施例中公开的一种网络流量层次化传播示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外，为了便于描述和对涉密信息的保护，附图中仅示出了与本发明的部分内容。
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发明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。
请参阅图1，图1是本发明实施例公开的一种大规模动态路由网络数字孪生建模方法的流程图。其中，图1所描述的大规模动态路由网络数字孪生建模方法应用于通信网络系统中，如用于以数字化方式创建物理网络实体的虚拟孪生体，且可与物理网络实体之间实时交互映射的网络系统，本发明实施例不做限定。如图1所示，该大规模动态路由网络数字孪生建模方法可以包括以下步骤：
101、构建大规模动态路由网络的层次化表征模型。
请参阅图2，图2是本发明实施例公开的一种大规模动态路由网络运行模型。网络拓扑和网络流量是网络表征的重要部分，如图所示，实际路由网络运行中参数众多，完全按照实际情况对大规模网络建模难度巨大。因此，针对降低构建网络模型的数据量级需求，对网络拓扑与流量精简化建模，建立节点—链路框架同时对网络协议进行降维，构建大规模动态路由网络层次化表征模型。
构建大规模动态路由网络层次化表征模型，从网络层次拓扑建模入手，蒸馏大规模真实网络的层次化结构，奠定后续建模的节点—链路框架。在此基础上，研究节点所承载异构路由协议降维，围绕层次结构，浓缩核心协议栈，在保证模型仿真度的情况下降低计算与存储复杂度；研究链路所承载流量表征模型，结合经典流量生成分布（On/off，泊松等），考虑层次差异，在保证流量动态性的前提下简化数据流特性，提升网络状态计算效率。
102、根据所述层次化表征模型，确定出动力学模型集合，包括路由数据传播动力学模型和网络状态演化动力学模型。
请参阅图3，图3是本发明实施例中公开的一种路由网络故障跨平面传播示意图。如图所示，节点和边失效均可以造成路由信息洪泛，大量的路由信息到达某一节点会导致路由节点CPU内存计算资源耗尽失效，路由节点失效会导致业务流量负载重分配，导致新的链路失效，甚至影响到不同协议层，从而使失效过程进行传播，最终导致整个路由网络系统陷入崩溃，因此路由信息传播模型和业务流量负载重分配是导致网络瘫痪的关键因素。
路由数据传播动力学模型关注动态网络中外源刺激（常规数据业务、数据类打击、控制类打击与混合类打击）在控制平面与数据平面上的动态传播过程，着重考虑层次化表征模型上外源刺激以路由重计算与负载重分配为核心的层内控制报文传播规则与层间数据流量外溢传播规律。
网络中事件的产生使得网络中节点、链路随时间的变化演化出不同的状态，需要对网络的不同状态进行描述。网络状态演化动力学模型关注动态网络在外源刺激传播过程中网络状态的演化规律。着重考虑层次化表征框架内，外源刺激在控制平面与数据平面的传播过程中异质节点状态的转移规则与同态链路状态的迁移规律。
103、对所述层次化表征模型和所述动力学模型集合进行整合处理，得到基于层次化结构的大规模动态路由网络数字孪生模型。
请参阅图4，图4是本发明实施例中公开的一种网络流量层次化传播示意图。对网络进行数字孪生即以数字化方式创建物理网络实体的虚拟孪生体，但是由于大规模动态路由网络具有高度的复杂性和动态性，现有技术无法直接对网络进行数字孪生，因此需要根据大规模动态路由网络特点，在保证模型仿真度的情况下，建立计算与存储复杂度较低的大规模动态路由网络模型。如图4所示，整合上述大规模动态路由网络层次化表征模型和所述动力学模型集合，即构成了基于层次化结构的大规模动态路由网络数字孪生模型。
作为一种可选的实施方式，在本发明实施例中，所述构建大规模动态路由网络的层次化表征模型，包括：
蒸馏大规模真实网络的层次化结构，抽取关键网络结构信息，构建得到网络层次拓扑模型；
在网络层次拓扑模型的网络边缘节点建立流量生成器，对大规模动态路由网络数据流量的长程相关性进行描述，构建得到链路流量表征模型；
构建网络协议特征库，对所述网络层次拓扑模型的核心协议识别特征进行标记，得到网络协议特征信息库；
对所述网络层次拓扑模型、链路流量表征模型和网络协议特征信息库进行整合处理，得到大规模动态路由网络的层次化表征模型。
可选的，上述蒸馏大规模真实网络的层次化结构，抽取关键网络结构信息，构建得到网络层次拓扑模型，具体包括：
实际路由网络具有大规模、多层次的特性，网络和网络之间也存在相互作用的关系，因此需要首先蒸馏大规模真实网络的层次化结构，抽取关键网络结构。
知识蒸馏是一种在繁琐的模型中提炼知识并将其压缩为单个模型的方法,以便可以将其部署到实际应用中。蒸馏是在两个模型之间进行知识迁移的技术，蒸馏的主要思想是将一个强大但结构复杂的网络，通过知识蒸馏的方式，将知识迁移到一个小巧的网络中去，拟合大网络的预测能力。
基于此，蒸馏大规模真实网络的层次化结构，包括自治域层
Figure SMS_106
、骨干层/>
Figure SMS_107
、区域层/>
Figure SMS_108
；
自治域层
Figure SMS_109
中所有节点，代表大规模动态路由网络的自治系统中的EBGP（外部边界网关协议）路由器，该层中所有节点支持TCP（传输控制协议）、EBGP、OSPF（开放式最短路径优先协议）；
骨干层
Figure SMS_110
所有节点，代表大规模动态路由网络中某一自治域中OSPF（开放式最短路径优先）路由器，该层所有节点支持TCP（传输控制协议）、OSPF（开放式最短路径优先协议）；区域层/>
Figure SMS_111
所有节点，代表大规模动态路由网络的各自治系统内区域网络节点，该层所有节点支持TCP（传输控制协议）；
从所述层次化结构中抽取关键网络结构信息，构建得到节点—链路框架的三层网络拓扑结构；所述关键网络结构信息，包括所述自治域层
Figure SMS_113
、骨干层/>
Figure SMS_116
、区域层/>
Figure SMS_119
子网的所有节点、边，所述自治域层/>
Figure SMS_114
、骨干层/>
Figure SMS_117
、区域层/>
Figure SMS_120
各子网间相互作用关系，所述自治域层/>
Figure SMS_122
、骨干层/>
Figure SMS_115
、区域层/>
Figure SMS_118
各子网间连边和关系，自治域层/>
Figure SMS_121
、骨干层
Figure SMS_123
、区域层/>
Figure SMS_112
子网各节点的负载、度、容量、介数；
对所述三层网络拓扑结构进行模型构建，得到网络层次拓扑模型：
定义路由网络G为:
Figure SMS_124
（1）
Figure SMS_125
（2）
Figure SMS_126
（3）
Figure SMS_127
（4）
其中，
Figure SMS_129
分别是自治域层、骨干层、区域层子网，
Figure SMS_131
分别是自治域层、骨干层、区域层子网中所有节点构成的集合
Figure SMS_133
；/>
Figure SMS_130
分别是自治域层、骨干层、区域层子网中所有边构成的集合/>
Figure SMS_132
；/>
Figure SMS_134
分别是自治域层、骨干层、区域层各子网间相互作用关系的集合；/>
Figure SMS_135
分别是自治域层、骨干层、区域层子网间连边和关系的映射，其中/>
Figure SMS_128
。
对于大规模动态路由网络，全局信息并不容易获取，本实施例中，将节点的初始负载定义为节点的度与邻居节点的度的乘积，该乘积与节点的介数呈正相关，公式为：
Figure SMS_136
（5）
其中，
Figure SMS_138
表示节点/>
Figure SMS_142
的初始负载，/>
Figure SMS_145
为节点/>
Figure SMS_139
的度，/>
Figure SMS_140
为节点/>
Figure SMS_143
的邻居节点集合，/>
Figure SMS_146
为中/>
Figure SMS_137
中第/>
Figure SMS_141
个邻居节点的度，/>
Figure SMS_144
为可变参数，调整初始的节点负载强度，/>
Figure SMS_147
为网络中节点总数。
本实施例中，假定节点容量与节点负载成正比，将其定义为：
Figure SMS_148
（6）
其中
Figure SMS_149
表示节点/>
Figure SMS_150
的容量，/>
Figure SMS_151
为可调参数且/>
Figure SMS_152
。
可选的，上述在网络层次拓扑模型的网络边缘节点建立流量生成器，对大规模动态路由网络数据流量的长程相关性进行描述，构建得到链路流量表征模型，方法包括：
网络流量的本质特征是数据流量的长相关性（即自相似性），网络在大的时间尺度上具有长相关性，流量的自相似性是指流量的时间序列在局部与整体之间有一定的相似，数学定义为：
Figure SMS_153
（7）
X(t)表示第t个单位时间内到达的数据包数量，H为自相似参数，
Figure SMS_154
为任意常数。
本实施例采用重尾分布的ON/OFF模型作为网络中边缘节点的流量生成器，在保障网络流量特性的基础上降低网络流量复杂程度，提升计算效率。大量ON/OFF流量源的叠加将产生具有自相似特性的聚合流量，贴合网络流量特性产生的物理原因。令网络中有N个边缘节点作为ON/OFF源，每个ON/OFF源产生的流量分别为X1(m)、X2(m)、…、XN(m)，其中m为整数离散时间，m≥0。这N个源生成流量的合成流量X(m)为：
Figure SMS_155
（8）
其中，
Figure SMS_156
为N个源生成流量的合成流量，/>
Figure SMS_157
为ON/OFF源产生的流量，分别为
Figure SMS_158
，m为整数离散时间，m≥0。
将流量的发送过程分为ON周期和OFF周期。在ON周期中，流量的发送速率设置为r。ON周期和OFF周期的长度为独立的复合重尾分布的随机变量，均值设为
Figure SMS_159
和/>
Figure SMS_160
。ON/OFF过程中，ON周期的概率为：
Figure SMS_161
（9）
其中，
Figure SMS_162
为重尾分布的ON/OFF过程中ON周期的概率；/>
Figure SMS_163
和/>
Figure SMS_164
分别为ON周期和OFF周期的长度为独立的复合重尾分布的随机变量的均值。
则每个流量源发送速率的期望值和方差为：
Figure SMS_165
（10）
Figure SMS_166
（11）/>
其中，
Figure SMS_167
和/>
Figure SMS_168
为每个流量源发送速率的期望值和方差，/>
Figure SMS_169
为第/>
Figure SMS_170
时刻流量源产生流量。
可选的，上述构建网络协议特征库，对所述网络层次拓扑模型构建起到重要作用的核心协议识别特征进行标记，得到网络协议特征信息库，方法包括：
网络协议报文内容复杂，使用有限状态机对网络协议进行描述，摘去不需要的状态，达到精简网络协议报文的目的。采用深度包检测技术对网络负载流量进行探测，通过检查数据包的头首部信息、部分载荷或者对全部载荷进行检测，寻找预定义的字符串特征，与特征库进行比对确定数据包的协议类型，浓缩核心协议栈，为网络建模提供数据支持，降低计算与存储复杂度。
针对自治域层、骨干层、区域层中协议数量众多问题，建立网络协议特征库，标记对三层结构中网络建模起到重要作用的核心协议识别特征：
Figure SMS_171
（12）
其中，R为网络流量识别规则集合，K为规则总数，
Figure SMS_172
表示一条网络流量识别规则；
其中，每一条网络流量识别规则
Figure SMS_173
由规则向量组成：
Figure SMS_174
<Application，Protocol，String，Length，Offset>（13）
其中，Application表示网络应用协议类型，Protocol表示该网络应用协议采用的传输层协议类型，String表示流量识别特征字符串，Length表示流量识别特征字符串长度，Offset表示该流量识别特征在数据帧应用层中出现的偏移位置。
作为一种可选的实施方式，在本发明实施例中，上述根据所述层次化表征模型，确定出动力学模型集合，包括路由数据传播动力学模型和网络状态演化动力学模型，方法包括：
基于所述层次化表征模型，构建域间路由信息传播模型和域内路由信息传播模型；所述域间路由信息传播模型用于对所述大规模动态路由网络中自治域层Update报文的转发处理；
对所述域间路由信息传播模型和域内路由信息传播模型进行整合，得到网络路由信息传播模型；
利用所述网络路由信息传播模型，构建业务流量负载重分配模型；所述业务流量负载重分配模型用于描述链路失效后的重分配情况；
对所述网络路由信息传播模型和所述业务流量负载重分配模型进行整合，得到路由数据传播动力学模型；
基于所述层次化表征模型，构建节点状态转移模型；所述节点状态转移模型用于描述网络中路由节点面对大量更新报文导致CPU资源耗尽的状态；
基于所述层次化表征模型，构建链路状态转移模型；所述链路状态转移模型用于描述链路状态随流量的变化的状态；
对所述节点状态转移模型和所述链路状态转移模型进行整合，得到网络状态演化动力学模型。
在自治域层，域间路由会通过Update报文通告路由，如果该层链路或者节点发生变化，会导致Update报文洪泛，相邻节点在收到Update报文时，会对报文进行解析计算，并根据报文信息决定是否更新路由表和路由转发表，同时根据节点之间的特殊关系决定是否继续转发Update报文，直到该层网络路由稳定。
对于失效路由节点或者链路，采用广度优先搜索得到网络所有连通分量，随后，采用全局搜索方式找到与失效节点或链路相邻的所有节点，将其作为发送Update报文的初始节点。从初始节点出发同时向与其相连的节点发送Update报文，接着相邻节点对Update报文进行处理，更新路由表和路由转发表，最后判断是否要继续转发，需要则继续向相邻节点转发，不需要则停止。
可选的，上述域间路由信息传播模型用于对所述大规模动态路由网络中自治域层Update报文的转发处理的具体方式为：
所述域间路由信息传播模型获取所述大规模动态路由网络中自治域层的失效路由节点信息；所述失效路由节点信息包括若干个失效路由节点；
对于所述失效路由节点信息中的任一所述失效路由节点，所述域间路由信息传播模型采用广度优先搜索算法搜索该失效路由节点在所述自治域层中的所有连通分量，得到该失效路由节点对应的节点连通分量信息；所述连通分量信息包括若干个节点连通分量；所述连通分量是指大规模动态路由网络中自治域层路由节点图中的极大连通子图，求路由节点图连通分量的目的，是为了确定从图中的一个顶点是否能到达图中的另一个顶点，也就是说，图中任意两个顶点之间是否有路径可达。
所述域间路由信息传播模型采用全局搜索方式对所述节点连通分量信息进行相邻节点筛选，得到该失效路由节点对应的邻接节点信息；所述邻接节点信息包括若干个邻接节点；
对于任一所述邻接节点，所述域间路由信息传播模型获取该邻接节点在所述自治域层中的除该邻接节点以外的所有相邻节点，得到该邻接节点对应的转发节点信息；所述转发节点信息包括若干个转接节点；
对于任一所述转接节点，所述域间路由信息传播模型将Update报文发送由该邻接节点发送至该转接节点，得到转发报文；
所述域间路由信息传播模型在该转接节点对所述转发报文进行报文解析，得到报文解析信息；
所述域间路由信息传播模型利用所述报文解析信息对该转接节点对应的路由转发表进行更新处理，得到该转接节点对应的报文转发路由节点信息和该转接节点对应的报文转发路径信息；所述报文转发路由节点信息包括若干个报文转发路由节点；
所述域间路由信息传播模型根据所述报文转发路径信息将所述Update报文转发至所述报文转发路由节点信息中的报文转发路由节点。
可选的，上述域内路由信息传播模型，包括：
自治域内部运行的网络协议被称为内部网关协议，内部网关协议通常可以分为两类：距离矢量路由协议与链路状态路由协议，在距离矢量路由协议中每个路由器维护一个路由表，路由器定时交换相邻路由器的路由信息，完成路由表的更新，因此并不适用于大规模复杂网络。
基于此，采用链路状态路由协议，即采用最短路径优先算法（Shortest pathfirst，SPF）计算和选择路由。对于失效节点或者链路，路由器通过在邻居节点泛洪链路状态通告（Link state advertisement，LSA），路由器在收到泛洪LSA之后会判断链路状态数据库是否已经存在该LSA；若没有，则存储该LSA并继续向其他接口洪泛；否则忽略该LSA。所述泛洪（Flooding），是交换机和网桥使用的一种数据流传递技术，指将从某个接口收到的数据流向除该接口之外的所有接口发送出去。
可选的，上述利用所述网络路由信息传播模型，构建业务流量负载重分配模型，包括：
在实际路由网络中，某条链路失效会导致原先通过该条链路的通信不能准确到达目的地，需要路由网络重新计算节点的路由表，重新寻找一条新的路径保证网络通信，如图3所示。以往业务流量负载重分配模型仅依靠失效链路相邻的链路的介数、度或冗余程度来对链路失效后的重分配进行刻画，不能真实刻画网络真实的变化状态。
针对此，利用网络路由信息传播模型，对于在
Figure SMS_176
时刻失效的链路/>
Figure SMS_178
，计算每一个从该链路进行流量传输的通信对/>
Figure SMS_181
并更新路由表，然后根据路由表得到每一个通信对的新的流量传输路径。对于通信对/>
Figure SMS_177
，其传输数据大小为/>
Figure SMS_179
，得到新的流量传输路径
Figure SMS_182
，对于/>
Figure SMS_184
中的每一条边/>
Figure SMS_175
，其负载/>
Figure SMS_180
增加/>
Figure SMS_183
，公式为：
Figure SMS_185
（14）
式中，
Figure SMS_186
为链路/>
Figure SMS_187
的流量负载，/>
Figure SMS_188
为通信对/>
Figure SMS_189
传输数据大小，/>
Figure SMS_190
为某一时间，
Figure SMS_191
为通信对/>
Figure SMS_192
的流量传输路径。
可选的，上述构建节点状态转移模型，描述实际网络中路由节点在面对大量更新报文时，因为重新计算路由而导致CPU资源耗尽的状态，包括：
网络中异质节点虽然依托不同的层级与协议，但其失效本质都是堆栈溢出以及计算资源不足导致的超载宕机。实际网络中路由节点在面对大量更新报文时，会因为重新计算路由而导致CPU资源耗尽问题，所以定义节点i集合为：
Figure SMS_193
（16）
其中，
Figure SMS_194
是一个集合节点/>
Figure SMS_195
的容量，/>
Figure SMS_196
代表节点所能承受的路由信息负载，
Figure SMS_197
代表节点的CPU处理速度。
路由节点失效考虑两种情况，一是因为更新报文超出节点负载，二是大量更新报文涌来时CPU计算速度跟不上导致的计算资源耗尽。定义路由网络节点的状态
Figure SMS_198
为：
Figure SMS_199
（15）
其中，
Figure SMS_201
为节点接收到的更新报文总量，/>
Figure SMS_205
代表节点所能承受的路由信息负载，/>
Figure SMS_208
代表节点的CPU处理速度，/>
Figure SMS_202
为路由网络节点i的状态，/>
Figure SMS_204
表示节点状态为正常状态，/>
Figure SMS_207
表示节点状态为过载状态；/>
Figure SMS_210
是一个关于时间/>
Figure SMS_200
的变量，/>
Figure SMS_203
对/>
Figure SMS_206
进行求导后得出更新报文涌入节点速度，当/>
Figure SMS_209
，则认为此时更新报文超出了CPU处理能力。
可选的，所述构建链路状态转移模型，描述链路状态随流量的变化，包括：
考虑实际路由网络链路对于高负载的冗余能力，定义路由网络链路状态为正常
Figure SMS_213
、过载/>
Figure SMS_215
、失效/>
Figure SMS_217
三个状态。假设网络中节点/>
Figure SMS_212
到节点/>
Figure SMS_214
之间的链路/>
Figure SMS_216
的容量和负载成正比，定义链路/>
Figure SMS_218
容量/>
Figure SMS_211
为：
Figure SMS_219
（18）
其中，
Figure SMS_221
为链路/>
Figure SMS_226
的容忍系数，且/>
Figure SMS_230
，/>
Figure SMS_222
为链路初始负载。考虑实际情况，链路对于额外的负载存在不同的鲁棒性的特点，设置过载系数/>
Figure SMS_224
描绘链路/>
Figure SMS_228
对于额外负载的处理能力，则链路/>
Figure SMS_231
可承受的最大负载为/>
Figure SMS_220
。当负载/>
Figure SMS_225
大于路由链路可承受的最大负载时，链路必定失效；当负载/>
Figure SMS_229
大于/>
Figure SMS_232
且小于/>
Figure SMS_223
时，链路以一定的概率/>
Figure SMS_227
失效。链路的状态转移模型为：
Figure SMS_233
（17）
其中，
Figure SMS_234
为链路/>
Figure SMS_235
容量，/>
Figure SMS_236
为链路/>
Figure SMS_237
的容忍系数，且/>
Figure SMS_238
，/>
Figure SMS_239
为链路初始负载；
Figure SMS_241
为过载系数，/>
Figure SMS_244
为0-1的随机数，/>
Figure SMS_247
为节点/>
Figure SMS_242
到节点/>
Figure SMS_243
之间的链路状态，/>
Figure SMS_246
代表路由网络链路状态为正常，/>
Figure SMS_248
代表路由网络链路状态为过载，/>
Figure SMS_240
代表路由网络链路状态为失效，/>
Figure SMS_245
代表链路的失效概率。
请注意，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。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 (9)

1.一种大规模动态路由网络数字孪生建模方法，其特征在于，方法包括：
S1，构建大规模动态路由网络的层次化表征模型；
其中，所述构建大规模动态路由网络的层次化表征模型，方法包括：
S11，蒸馏大规模真实网络的层次化结构，抽取关键网络结构信息，构建得到网络层次拓扑模型；
S12，在所述网络层次拓扑模型的网络边缘节点建立流量生成器；利用所述流量生成器对大规模动态路由网络数据流量的长程相关性进行描述，构建得到链路流量表征模型；
S13，构建网络协议特征库；利用所述网络协议特征库，对所述网络层次拓扑模型的核心协议识别特征进行标记，得到网络协议特征信息库；
S14，对所述网络层次拓扑模型、链路流量表征模型和网络协议特征信息库进行整合处理，得到大规模动态路由网络的层次化表征模型；
S2，根据所述层次化表征模型，确定出动力学模型集合；所述动力学模型集合包括路由数据传播动力学模型和网络状态演化动力学模型；
S3，对所述层次化表征模型和所述动力学模型集合进行整合处理，得到基于层次化结构的大规模动态路由网络数字孪生模型；所述大规模动态路由网络数字孪生模型用于对所述大规模动态路由网络进行精准数字孪生；所述数字孪生为以数字化方式创建物理网络实体的虚拟孪生体。
2.根据权利要求1所述的一种大规模动态路由网络数字孪生建模方法，其特征在于，所述蒸馏大规模真实网络的层次化结构，抽取关键网络结构信息，构建得到网络层次拓扑模型，方法包括：
S111，蒸馏大规模真实网络，得到层次化结构；所述层次化结构包括自治域层
Figure QLYQS_1
、骨干层/>
Figure QLYQS_2
、区域层/>
Figure QLYQS_3
；
所述自治域层
Figure QLYQS_4
中所有节点，代表大规模动态路由网络的自治系统中的外部边界网关协议路由器，该层中所有节点支持传输控制协议、外部边界网关协议、开放式最短路径优先协议；
所述骨干层
Figure QLYQS_5
所有节点，代表大规模动态路由网络中某一自治域中开放式最短路径优先路由器，该层所有节点支持传输控制协议、开放式最短路径优先协议；
所述区域层
Figure QLYQS_6
所有节点，代表大规模动态路由网络的各自治系统内区域网络节点，该层所有节点支持传输控制协议；
S112，从所述层次化结构中抽取关键网络结构信息，构建得到节点—链路框架的三层网络拓扑结构；
所述关键网络结构信息，包括所述自治域层
Figure QLYQS_9
、骨干层/>
Figure QLYQS_13
、区域层/>
Figure QLYQS_16
子网的所有节点、边，所述自治域层/>
Figure QLYQS_10
、骨干层/>
Figure QLYQS_11
、区域层/>
Figure QLYQS_14
各子网间相互作用关系，所述自治域层/>
Figure QLYQS_17
、骨干层/>
Figure QLYQS_7
、区域层/>
Figure QLYQS_12
各子网间连边和关系，自治域层/>
Figure QLYQS_15
、骨干层/>
Figure QLYQS_18
、区域层/>
Figure QLYQS_8
子网各节点的负载、度、容量、介数；
S113，利用算法公式对所述三层网络拓扑结构进行模型构建，得到网络层次拓扑模型；所述算法公式为：
Figure QLYQS_19
Figure QLYQS_20
Figure QLYQS_21
Figure QLYQS_22
Figure QLYQS_23
Figure QLYQS_24
其中，G为路由网络，
Figure QLYQS_25
分别是自治域层、骨干层、区域层子网，
Figure QLYQS_26
分别是自治域层、骨干层、区域层子网中所有节点构成的集合；
Figure QLYQS_27
分别是自治域层、骨干层、区域层子网中所有边构成的集合；
Figure QLYQS_28
分别是自治域层、骨干层、区域层各子网间相互作用关系的集合；
Figure QLYQS_29
分别是自治域层、骨干层、区域层子网间连边和关系的映射；
Figure QLYQS_30
表示节点/>
Figure QLYQS_31
的初始负载，/>
Figure QLYQS_32
为节点/>
Figure QLYQS_33
的度，/>
Figure QLYQS_34
为节点/>
Figure QLYQS_35
的邻居节点集合，/>
Figure QLYQS_36
为可变参数，调整初始的节点负载强度，N为网络中节点总数；
Figure QLYQS_37
表示节点/>
Figure QLYQS_38
的容量，/>
Figure QLYQS_39
为可调参数且/>
Figure QLYQS_40
>0。
3.根据权利要求1所述的一种大规模动态路由网络数字孪生建模方法，其特征在于，所述链路流量表征模型为：
Figure QLYQS_41
Figure QLYQS_42
Figure QLYQS_43
Figure QLYQS_44
式中，采用重尾分布的ON/OFF模型作为网络中边缘节点的流量生成器，
Figure QLYQS_45
为N个源生成流量的合成流量，/>
Figure QLYQS_46
为ON/OFF源产生的流量，
分别为
Figure QLYQS_47
、/>
Figure QLYQS_48
、…、/>
Figure QLYQS_49
，m为整数离散时间，m≥0；
Figure QLYQS_50
为重尾分布的ON/OFF过程中ON周期的概率；/>
Figure QLYQS_51
和/>
Figure QLYQS_52
分别为ON周期和OFF周期的长度为独立的复合重尾分布的随机变量的均值；
Figure QLYQS_53
和/>
Figure QLYQS_54
为每个流量源发送速率的期望值和方差，/>
Figure QLYQS_55
为第t时刻流量源产生流量。
4.根据权利要求1所述的一种大规模动态路由网络数字孪生建模方法，其特征在于，所述网络协议特征信息库为：
Figure QLYQS_56
其中，R为网络流量识别规则集合，K为规则总数，
Figure QLYQS_57
表示一条网络流量识别规则；
其中，每一条网络流量识别规则
Figure QLYQS_58
由规则向量组成：
Figure QLYQS_59
<Application，Protocol，String，Length，Offset>
其中，Application表示网络应用协议类型，Protocol表示该网络应用协议采用的传输层协议类型，String表示流量识别特征字符串，Length表示流量识别特征字符串长度，Offset表示该流量识别特征在数据帧应用层中出现的偏移位置。
5.根据权利要求1所述的一种大规模动态路由网络数字孪生建模方法，其特征在于，所述根据所述层次化表征模型，确定出动力学模型集合，方法包括：
S21，基于所述层次化表征模型，构建域间路由信息传播模型和域内路由信息传播模型；所述域间路由信息传播模型用于对所述大规模动态路由网络中自治域层Update报文的转发处理；
S22，对所述域间路由信息传播模型和域内路由信息传播模型进行整合，得到网络路由信息传播模型；
S23，利用所述网络路由信息传播模型，构建业务流量负载重分配模型；所述业务流量负载重分配模型用于描述链路失效后的重分配；
S24，对所述网络路由信息传播模型和所述业务流量负载重分配模型进行整合，得到路由数据传播动力学模型；
S25，基于所述层次化表征模型，构建节点状态转移模型；所述节点状态转移模型，用于描述网络中路由节点面对大量更新报文导致CPU资源耗尽的状态；
S26，基于所述层次化表征模型，构建链路状态转移模型；所述链路状态转移模型用于描述链路状态随流量的变化的状态；
S27，对所述节点状态转移模型和所述链路状态转移模型进行整合，得到网络状态演化动力学模型。
6.根据权利要求5所述的一种大规模动态路由网络数字孪生建模方法，其特征在于，所述域间路由信息传播模型用于对所述大规模动态路由网络中自治域层Update报文的转发处理，方法包括：
S211，所述域间路由信息传播模型获取所述大规模动态路由网络中自治域层的失效路由节点信息；所述失效路由节点信息包括若干个失效路由节点；
S212，对于所述失效路由节点信息中的任一所述失效路由节点，所述域间路由信息传播模型，采用广度优先搜索算法，搜索该失效路由节点在所述自治域层中的所有连通分量，得到该失效路由节点对应的节点连通分量信息；所述连通分量信息包括若干个节点连通分量；
S213，所述域间路由信息传播模型，采用全局搜索方式对所述节点连通分量信息进行相邻节点筛选，得到该失效路由节点对应的邻接节点信息；所述邻接节点信息包括若干个邻接节点；
S214，对于任一所述邻接节点，所述域间路由信息传播模型，获取该邻接节点在所述自治域层中的除该邻接节点以外的所有相邻节点，得到该邻接节点对应的转发节点信息；所述转发节点信息包括若干个转接节点；
S215，对于任一所述转接节点，所述域间路由信息传播模型，将Update报文发送由该邻接节点发送至该转接节点，得到转发报文；
S216，所述域间路由信息传播模型，在该转接节点对所述转发报文进行报文解析，得到报文解析信息；
S217，所述域间路由信息传播模型，利用所述报文解析信息，对该转接节点对应的路由转发表进行更新处理，得到该转接节点对应的报文转发路由节点信息和该转接节点对应的报文转发路径信息；所述报文转发路由节点信息包括若干个报文转发路由节点；
S218，所述域间路由信息传播模型，根据所述报文转发路径信息，将所述Update报文，转发至所述报文转发路由节点信息中的报文转发路由节点。
7.根据权利要求5所述的一种大规模动态路由网络数字孪生建模方法，其特征在于，所述业务流量负载重分配模型为：
Figure QLYQS_60
式中，
Figure QLYQS_61
为链路/>
Figure QLYQS_62
的流量负载，/>
Figure QLYQS_63
为通信对AB传输数据大小，t为某一时间，
Figure QLYQS_64
为通信对AB的流量传输路径。
8.根据权利要求5所述的一种大规模动态路由网络数字孪生建模方法，其特征在于，所述节点状态转移模型为：
Figure QLYQS_65
式中，
Figure QLYQS_66
为路由网络节点i的状态，/>
Figure QLYQS_67
为节点接收到的更新报文总量，/>
Figure QLYQS_68
代表节点所能承受的路由信息负载，/>
Figure QLYQS_69
代表节点的CPU处理速度，N表示节点状态为正常状态，O表示节点状态为过载状态；/>
Figure QLYQS_70
是一个关于时间t的变量，/>
Figure QLYQS_71
对t进行求导后得出更新报文涌入节点速度，当/>
Figure QLYQS_72
，则认为此时更新报文超出了CPU处理能力；
其中第i个集合节点
Figure QLYQS_73
的容量/>
Figure QLYQS_74
为：
Figure QLYQS_75
/>
式中，
Figure QLYQS_76
代表节点所能承受的路由信息负载，/>
Figure QLYQS_77
代表节点的CPU处理速度。
9.根据权利要求5所述的一种大规模动态路由网络数字孪生建模方法，其特征在于，所述链路状态转移模型为：
Figure QLYQS_78
式中，
Figure QLYQS_79
为节点i到节点j之间的链路状态，/>
Figure QLYQS_80
为过载系数，/>
Figure QLYQS_81
为0-1的随机数，N代表路由网络链路状态为正常，O代表路由网络链路状态为过载，D代表路由网络链路状态为失效，/>
Figure QLYQS_82
代表链路的失效概率；
其中链路
Figure QLYQS_83
的容量/>
Figure QLYQS_84
为：
Figure QLYQS_85
式中，
Figure QLYQS_86
为链路/>
Figure QLYQS_87
的容忍系数，且/>
Figure QLYQS_88
，/>
Figure QLYQS_89
为链路初始负载。/>
CN202310529586.XA 2023-05-11 2023-05-11 一种大规模动态路由网络数字孪生建模方法 Active CN116260765B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310529586.XA CN116260765B (zh) 2023-05-11 2023-05-11 一种大规模动态路由网络数字孪生建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310529586.XA CN116260765B (zh) 2023-05-11 2023-05-11 一种大规模动态路由网络数字孪生建模方法

Publications (2)

Publication Number Publication Date
CN116260765A true CN116260765A (zh) 2023-06-13
CN116260765B CN116260765B (zh) 2023-07-18

Family

ID=86688291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310529586.XA Active CN116260765B (zh) 2023-05-11 2023-05-11 一种大规模动态路由网络数字孪生建模方法

Country Status (1)

Country Link
CN (1) CN116260765B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015043681A1 (en) * 2013-09-30 2015-04-02 Telefonaktiebolaget L M Ericsson (Publ) A method and apparatus of adapting an association of physical resources with a summarized resource
US20170078241A1 (en) * 2015-09-10 2017-03-16 Cisco Technology, Inc. Pro-Active Mechanism to Detect LISP Movable Silent Host
CN111835565A (zh) * 2020-07-06 2020-10-27 重庆金美通信有限责任公司 一种基于数字孪生的通信网络优化方法、装置和系统
US20220191648A1 (en) * 2021-12-20 2022-06-16 Ned M. Smith Digital twin framework for next generation networks
WO2022148077A1 (zh) * 2021-01-07 2022-07-14 大连理工大学 智能挖掘机的结构性能数字孪生体构建方法
WO2022165143A1 (en) * 2021-01-29 2022-08-04 World Wide Technology Holding Co., LLC Systems and methods for artificial intelligence-defined networking
CN114900436A (zh) * 2022-04-29 2022-08-12 电子科技大学 一种基于多维融合模型的网络孪生方法
CN115051926A (zh) * 2022-06-22 2022-09-13 烽火通信科技股份有限公司 一种数字孪生架构、模型评价体系以及模型运行方法
CN115330876A (zh) * 2022-09-15 2022-11-11 中国人民解放军国防科技大学 基于孪生网络和中心位置估计的目标模板图匹配定位方法
CN115348637A (zh) * 2022-08-15 2022-11-15 中国电信股份有限公司 网络拓扑结构优化方法、装置、存储介质与电子设备
CN115457390A (zh) * 2022-09-13 2022-12-09 中国人民解放军国防科技大学 遥感影像变化检测方法、装置、计算机设备和存储介质
CN115576289A (zh) * 2022-10-28 2023-01-06 江苏金陵科技集团有限公司 基于虚拟化技术的可重构高保真大规模工业互联网仿真平台

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015043681A1 (en) * 2013-09-30 2015-04-02 Telefonaktiebolaget L M Ericsson (Publ) A method and apparatus of adapting an association of physical resources with a summarized resource
US20170078241A1 (en) * 2015-09-10 2017-03-16 Cisco Technology, Inc. Pro-Active Mechanism to Detect LISP Movable Silent Host
CN111835565A (zh) * 2020-07-06 2020-10-27 重庆金美通信有限责任公司 一种基于数字孪生的通信网络优化方法、装置和系统
WO2022148077A1 (zh) * 2021-01-07 2022-07-14 大连理工大学 智能挖掘机的结构性能数字孪生体构建方法
WO2022165143A1 (en) * 2021-01-29 2022-08-04 World Wide Technology Holding Co., LLC Systems and methods for artificial intelligence-defined networking
US20220191648A1 (en) * 2021-12-20 2022-06-16 Ned M. Smith Digital twin framework for next generation networks
CN114900436A (zh) * 2022-04-29 2022-08-12 电子科技大学 一种基于多维融合模型的网络孪生方法
CN115051926A (zh) * 2022-06-22 2022-09-13 烽火通信科技股份有限公司 一种数字孪生架构、模型评价体系以及模型运行方法
CN115348637A (zh) * 2022-08-15 2022-11-15 中国电信股份有限公司 网络拓扑结构优化方法、装置、存储介质与电子设备
CN115457390A (zh) * 2022-09-13 2022-12-09 中国人民解放军国防科技大学 遥感影像变化检测方法、装置、计算机设备和存储介质
CN115330876A (zh) * 2022-09-15 2022-11-11 中国人民解放军国防科技大学 基于孪生网络和中心位置估计的目标模板图匹配定位方法
CN115576289A (zh) * 2022-10-28 2023-01-06 江苏金陵科技集团有限公司 基于虚拟化技术的可重构高保真大规模工业互联网仿真平台

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DANYANG CHEN，ET.AL: "Classification, Building and Orchestration Management of Digital Twin Network Models", IEEE *
李崇东;李德梅;: "网络可靠性研究综述", 科技信息, no. 19 *
郎为民等: "数字孪生系统构成研究", 电信快报, no. 9 *
郭虹;卜佑军;兰巨龙;刘洛琨;: "一种互联网AS层拓扑的动态演化模型", 系统工程学报, no. 02 *
雷鸣;胡谷雨;: "网格环境下的网络通信集成优化问题研究", 电信科学, no. 01 *

Also Published As

Publication number Publication date
CN116260765B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
Kout et al. AODVCS, a new bio-inspired routing protocol based on cuckoo search algorithm for mobile ad hoc networks
CN101888328B (zh) 基于信任管理系统的ospf路由协议的可信改造方法
CN104717098B (zh) 一种数据处理方法及装置
CN107276897A (zh) 网络设备、集中控制器设备及其方法
CN111327525B (zh) 一种基于分段路由的网络选路方法和装置
Bhardwaj et al. SecRIP: Secure and reliable intercluster routing protocol for efficient data transmission in flying ad hoc networks
Saravanan et al. Modeling displacement and direction aware ad hoc on-demand distance vector routing standard for mobile ad hoc networks
Ahmadi et al. A hybrid algorithm for preserving energy and delay routing in mobile ad-hoc networks
CN110100479A (zh) 一种利用修改的无路径dao信令优化路由失效的装置和方法
CN108400936A (zh) 基于mpls的空间信息网络路由方法
CN105228215B (zh) 车载自组织网络中基于决策树机制的多副本路由方法
Koryachko et al. Adaptive rerouting of data flows in distributed data centers
CN107786442A (zh) 一种元数据的传输方法及装置
CN116260765B (zh) 一种大规模动态路由网络数字孪生建模方法
Long et al. Research on applying hierachical clustered based routing technique using artificial intelligence algorithms for quality of service of service based routing
CN106254241B (zh) 一种基于igp的跨区域cspf全网计算实现方法
Kshirsagar et al. A fault tolerant approach to extend network life time of wireless sensor network
Rétvári et al. Compact policy routing
CN108768723A (zh) 一种业务收敛方法、设备、介质和系统
Quy et al. An adaptive on-demand routing protocol with QoS support for urban-MANETs
Sotiriadis et al. Stable and secure clustering for internet of vehicles with rsu-assisted maintenance and trust management
Ghosh A cognitive routing framework for self-organised knowledge defined networks
Rehman et al. Intelligent secured traffic optimization model for urban sensing applications with Software Defined Network
Osukhivska et al. Method for Estimating the Convergence Parameters of Dynamic Routing Protocols in Computer Networks
Arif et al. Adaptive ara (aara) for manets

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