CN117914710A - 针对网络流问题的处理方法和装置 - Google Patents

针对网络流问题的处理方法和装置 Download PDF

Info

Publication number
CN117914710A
CN117914710A CN202211243867.0A CN202211243867A CN117914710A CN 117914710 A CN117914710 A CN 117914710A CN 202211243867 A CN202211243867 A CN 202211243867A CN 117914710 A CN117914710 A CN 117914710A
Authority
CN
China
Prior art keywords
network
degrees
structure diagram
network flow
flow problem
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
Application number
CN202211243867.0A
Other languages
English (en)
Inventor
李勇锋
张帆
杨沐明
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202211243867.0A priority Critical patent/CN117914710A/zh
Priority to PCT/CN2023/109743 priority patent/WO2024078096A1/zh
Publication of CN117914710A publication Critical patent/CN117914710A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/02—Capturing of monitoring data
    • H04L43/026—Capturing of monitoring data using flow identification

Abstract

本申请提供一种针对网络流问题的处理方法和装置。该方法包括：获取网络流问题对应的网络结构图；包括多个节点和多条连接边，每条连接边具有各自对应的单位流量所消耗的单位成本，网络流问题用于在满足预设约束条件下，确定各个连接边上分配的流量，以使网络结构图对应的总成本最小；提取网络结构图对应的若干网络拓扑特征；依据若干网络拓扑特征，确定稀疏参数的参数值；参数值用于影响网络单纯形算法迭代变量的稀疏度；针对网络流问题的求解执行多轮迭代，直到确定出网络流问题的最优解；在每一轮迭代中包括，针对网络流问题对应的当前基变量集合，基于参数值，选择从当前基变量集合中移除的基变量。能够高效解决大规模的网络流问题。

Description

针对网络流问题的处理方法和装置
技术领域
本申请涉及计算机领域，尤其涉及针对网络流问题的处理方法和装置。
背景技术
网络流问题是一类重要的线性规划问题，其本质上是通过网络结构上给定约束的流量调度来实现最小成本或者最大通过流量。其广泛应用于通讯、交通、能源、工程规划等领域。网络流问题通常具有复杂的拓扑结构和极大的规模，节点数和边数可能是百万或者上亿规模，求解大规模网络流问题往往面临着比较大的挑战。
现有技术中，网络流问题的处理方式不够灵活，在求解大规模网络流问题时会遭遇到性能瓶颈，难以高效解决大规模的网络流问题。
发明内容
本申请实施例提供了一种针对网络流问题的处理方法和装置，能够高效解决大规模的网络流问题。
第一方面，提供了一种针对网络流问题的处理方法。获取网络流问题对应的网络结构图；其中，所述网络结构图包括多个节点和多条连接边，每条连接边具有各自对应的单位流量所消耗的单位成本，所述网络流问题用于在满足预设约束条件下，确定各个连接边上分配的流量，以使所述网络结构图对应的总成本最小；提取所述网络结构图对应的若干网络拓扑特征；依据所述若干网络拓扑特征，确定稀疏参数的参数值；所述参数值用于影响网络单纯形算法迭代变量的稀疏度；针对所述网络流问题的求解执行多轮迭代，直到确定出所述网络流问题的最优解；其中，在每一轮迭代中包括，针对所述网络流问题对应的当前基变量集合，基于所述参数值，选择从所述当前基变量集合中移除的基变量。
本申请实施例，通过提取网络结构图对应的若干网络拓扑特征，再依据所述若干网络拓扑特征，确定稀疏参数的参数值，该参数值用于影响网络单纯形算法迭代变量的稀疏度，从而利用该参数值影响多轮迭代的出基过程，相比于传统方案能更好的利用网络流问题的稀疏性，从而突破在大规模的网络流问题上的性能瓶颈，使得能在更短时间求解更大规模的网络流问题，也就是说，能够高效解决大规模的网络流问题。
在一种可能的实施方式中，所述预设约束条件包括：各个连接边上分配的流量属于相应连接边对应的下界和上界所限定的区间；各个连接边上分配的流量需要使得各个节点上具有设定的流入或流出的流量。根据该实施方式，针对一种典型的网络流问题提出相应的解决方案，该网络流问题中，连接边上允许通过的流量具有下界和上界，并且网络中流量从流量流出节点到流量流入节点要实现流平衡。
在一种可能的实施方式中，所述提取所述网络结构图对应的若干网络拓扑特征，包括：获取所述网络结构图对应的约束中线性矩阵，所述约束中线性矩阵的行代表所述网络结构图上的节点，列代表所述网络结构图上的连接边，每列有两个非零元素，元素值分别为1和-1，所述两个非零元素对应的行分别为连接边的起点和终点；通过所述约束中线性矩阵提取如下至少一种网络拓扑特征：平均度数、节点数、连接边数、源汇数、最小度数、最大度数、度数1/4分位数、度数为1节点数、密度、第二大度数与第三大度数的比值、最大度数与平均度数的比值、中心范围与平均度数的比值。根据该实施方式，先获取与网络结构图对应的约束中线性矩阵，再通过所述约束中线性矩阵提取至少一种网络拓扑特征，可以实现快速提取网络拓扑特征。
在一种可能的实施方式中，所述若干网络拓扑特征为多个网络拓扑特征；所述依据所述若干网络拓扑特征，确定稀疏参数的参数值，包括：针对所述多个网络拓扑特征中的任一目标网络拓扑特征，根据所述目标网络拓扑特征是否小于预设阈值，确定目标编码位的数值；根据所述多个网络拓扑特征分别对应的各编码位的数值，确定稀疏参数的参数值。根据该实施方式，根据多个网络拓扑特征综合确定稀疏参数的参数值，使得该参数值能够更好的影响网络单纯形算法迭代变量的稀疏度。
在一种可能的实施方式中，所述基于所述参数值，选择从所述当前基变量集合中移除的基变量，包括：确定所述当前基变量集合中各个基变量对应于预设指标的指标值；其中，所述预设指标为基变量的约束违反度的指数次方与子树大小的比值；其中，所述指数基于所述参数值而确定；将指标值最大的基变量确定为从所述当前基变量集合中移除的基变量。根据该实施方式，在针对网络流问题的出基处理过程中，不是采用固定的指数，而是基于所述参数值而确定，也就是说，该指数会基于网络稀疏特性自适应调节，从而有利于提高处理效率。
在一种可能的实施方式中，所述节点代表网元，所述连接边代表路径，所述流量代表通信流量，所述成本代表单位流量的通信成本。根据该实施方式，将针对网络流问题的处理具体应用于通信场景，有利于合理的调配路径的通信流量，以利于节约通信成本，从而实现减能增效。
第二方面，提供了一种针对网络流问题的处理装置，装置包括：
获取单元，用于获取网络流问题对应的网络结构图；其中，所述网络结构图包括多个节点和多条连接边，每条连接边具有各自对应的单位流量所消耗的单位成本，所述网络流问题用于在满足预设约束条件下，确定各个连接边上分配的流量，以使所述网络结构图对应的总成本最小；
提取单元，用于提取所述获取单元获取的网络结构图对应的若干网络拓扑特征；
确定单元，用于依据所述提取单元提取的若干网络拓扑特征，确定稀疏参数的参数值；所述参数值用于影响网络单纯形算法迭代变量的稀疏度；
迭代单元，用于针对所述网络流问题的求解执行多轮迭代，直到确定出所述网络流问题的最优解；其中，在每一轮迭代中包括，针对所述网络流问题对应的当前基变量集合，基于所述参数值，选择从所述当前基变量集合中移除的基变量。
本申请实施例，通过提取单元提取网络结构图对应的若干网络拓扑特征，再由确定单元依据所述若干网络拓扑特征，确定稀疏参数的参数值，该参数值用于影响网络单纯形算法迭代变量的稀疏度，从而利用该参数值影响迭代单元进行多轮迭代的出基过程，相比于传统方案能更好的利用网络流问题的稀疏性，从而突破在大规模的网络流问题上的性能瓶颈，使得能在更短时间求解更大规模的网络流问题，也就是说，能够高效解决大规模的网络流问题。
第三方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面或第一方面的任意一种可能的设计中所述的方法。
第四方面，本申请实施例提供了一种计算机程序产品，其包含指令，当所述程序被计算机所执行时，该指令使得计算机执行上述第一方面或第一方面的任意一种可能的设计中所述的方法。
第五方面，本申请实施例提供了一种计算机程序，其包含指令，当所述程序被计算机所执行时，该指令使得计算机执行上述第一方面或第一方面的任意一种可能的设计中所述的方法。
附图说明
图1为本申请实施例提供的一种应用场景示意图；
图2为本申请实施例提供的一种针对网络流问题的处理流程示意图；
图3为本申请实施例提供的另一种针对网络流问题的处理流程示意图；
图4为本申请实施例提供的另一种针对网络流问题的处理方法流程图；
图5为本申请实施例提供的确定稀疏参数的示意图；
图6示出了DSE定价准则和rho-DSE定价准则的效果对比示意图；
图7为本申请实施例提供的针对网络流问题的处理装置700的示意性框图。
具体实施方式
下面将结合附图，对本申请中的技术方案进行描述。
图1为本申请实施例提供的一种应用场景示意图。该应用场景涉及针对网络流问题的处理，网络流问题与网络结构图相对应，网络结构图包括多个节点和多条连接边，每条连接边具有各自对应的单位流量所消耗的单位成本，所述网络流问题用于在满足预设约束条件下，确定各个连接边上分配的流量，以使所述网络结构图对应的总成本最小。网络流问题本质是求解如下的数学模型：
s.t.Ax＝b,
l≤x≤u.
其中，A是约束中线性矩阵，其行代表着网络结构图上的节点，列代表着网络结构图上的边，A的每列只有两个非零元素，元素值为一个1和一个-1，其对应的行分别为这条边的起点和终点。c、l、u分别代表边上的成本及边上允许通过流量的下界和上界。b代表节点上流入和流出的流量，b>0表示节点有流出流量，b<0表示节点有流入流量。x表示边上分配的流量，约束Ax＝b是流守恒约束，意味着网络中流量从流量流出节点到流量流入节点要实现流平衡。图1示出了一个简单的网络结构图的示例。
如图1所示，图中为一个4节点4条边的网络，1号节点有5单位流出流量，4号节点有5单位的流入流量，边上分别给出了单位成本及允许流过流量的上下界。这样的网络结构图可以表示成如下的网络流问题的数学模型：
min x1+x2+x3+3x4
x
0≤x1≤6,0≤x2≤2,
0≤x3≤3,0≤x4≤5.
网络流问题和数学模型是一一对应的。现实中的网络流问题会有更加复杂的拓扑结构和更加大的规模，节点数和边数可能是百万或者上亿规模，求解现实中网络流问题往往面临着比较大的挑战。本申请目的在于提升大规模网络流问题的求解效率，相应地，节约计算机处理资源，减少能量消耗。
图2为本申请实施例提供的一种针对网络流问题的处理流程示意图，其可以基于图1所示的应用场景。参照图2，网络流问题的求解主要使用网络流求解器，通常地，主流网络流求解器都使用网络单纯形算法。在网络流求解器中，输入为线性规划问题的数据，即A、b、c、l、u。网络单纯形算法是网络流求解器中实现的一种算法。其依据的线性规划理论性质为线性规划一定存在基本解，即存在一个非零元素个数小于约束个数的解。求解线性规划问题可以看成是确定约束个数个变量位置作为非零元素可能的位置，也就是说，确定基变量集合，也称为基，基变量共有约束个数个。网络单纯形算法涉及多轮迭代，从选取的初始基出发，每步迭代选择一个基变量从基中移除，同时选取一个非基变量进入到基中，逐步收敛到最优解。网络单纯形算法其基本的流程包括：
步骤21，识别网络流问题。
其中，识别网络流问题为检测输入问题是否为网络流问题，即要检测约束中线性矩阵A的每列是不是只有两个非零元素，且一个是1，另一个是-1。
步骤22，构建初始基。
其中，构建初始基包括：针对网络流问题，选取变量的n个位置作为基变量集合，同时保证基矩阵B非奇异。
步骤23，选择出基。
其中，选择出基包括：每步迭代中从基变量集合中选择一个移除的过程，需要依据某种定价准则，通常地，常用准则为对偶最速下降边法(dual steepest edge，DSE)定价策略或Devex定价策略。
本申请实施例，可以采用对偶网络单纯形算法，其为对偶单纯形算法的一种，专门针对网络流问题。定价(pricing)是对偶单纯形算法的专有名称，特指对偶单纯形算法选择基变量从基变量集合中移除的流程，定价策略是指选择要移除的基变量所依据的准则。
DSE定价策略可以用下面公式描述：
其中，δi是第i个基变量的原始约束违反度，βi是第i个基变量边方向ρi＝B-Tei的2范数。B为基矩阵，是单纯形算法中一个迭代变量，为所有基变量对应的约束中线性矩阵A中的列构成的方阵。ei为一个向量，第i个元素为1，其余为0。B-Tei为取B-T的第i列。βi实质为B-T第i列的2范数。
实际网络流问题的求解过程中，中间向量的稀疏性往往决定了整个求解过程中的求解效率，特别是随着迭代过程的增加，中间向量变得越来越稠密，导致单步时间处理越来越慢。通常的DSE定价策略没有充分的利用网络流问题的稀疏性，在求解大规模网络流问题时会遭遇到性能瓶颈，难以高效的解决大规模的网络流问题。
Devex定价策略可以认为是DSE定价策略的某种近似，与DSE定价策略的主要区别是上面定价公式中分母的选择不一样，即使用如下的更新准则：
其中，δi是第i个基变量的原始约束违反度，wi是第i个基变量的Devex权重。Devex权重使用如下的更新准则：
其中，是要更新的枢纽轴的子向量，其只包含目前参考框架中的元素,αq是原问题变量的更新向量。
与DSE定价策略类似，Devex定价策略仍然没有充分利用大规模网络流问题的稀疏性，仅仅部分加速了在大规模问题上的效率，仍然在大规模网络流问题的求解上遭受瓶颈，不能非常高效的处理大规模网络流问题。
步骤24，求解中间向量。
其中，求解中间向量包括：在选择出基后，计算各种迭代向量的过程，包括选择入基所需要的迭代向量，原问题变量的更新方向，对偶问题变量的更新方向等。
步骤25，选择入基。
其中，选择入基包括：每步迭代中选择一个非基变量进入到基变量集合的过程，需要依赖某些准则和计算中间向量流程中计算的向量。
在上述各个处理环节中，选择出基是网络流求解器的一个比较重要的环节，本申请实施例，通过在选择出基的过程中感知网络稀疏度，提升求解大规模网络流问题的性能。
图3为本申请实施例提供的另一种针对网络流问题的处理流程示意图，其在图2所示处理流程的基础上，对步骤23的选择出基过程做了改进，主要依赖于对DSE定价策略的修改，在其中引入了稀疏参数，该过程可以称为rho-DSE选择出基。在此基础上，为了确定稀疏参数，增加了两个步骤。其基本的流程包括：
步骤31，识别网络流问题。
其中，该步骤31与步骤21处理方式类似，在此不做赘述。
步骤32，检测问题特征。
其中，可以基于网络流问题的代数结构提取与网络稀疏性相关的特征。
步骤33，自适应选取稀疏参数。
其中，以网络稀疏性相关的特征作为输入，调用自适应函数，选择稀疏参数。
步骤34，构建初始基。
其中，该步骤34与步骤22处理方式类似，在此不做赘述。
步骤35，rho-DSE选择出基。
其中，使用了新的定价策略进行选择出基，该定价策略中引入了稀疏参数，能够控制问题在迭代过程中的稀疏性。
步骤36，求解中间向量。
其中，该步骤36与步骤24处理方式类似，在此不做赘述。
步骤37，选择入基。
其中，该步骤37与步骤25处理方式类似，在此不做赘述。
下面给出一个实施方式，该实施方式侧重于描述前述步骤32、步骤33和步骤35，也就是说，重点描述本申请实施例相对于通常的网络单纯形算法有所区别的地方。
图4为本申请实施例提供的另一种针对网络流问题的处理方法流程图。该实施例可以对应于图3所示的方案，该方法可以包括如下操作流程。
首先在步骤41，获取网络流问题对应的网络结构图；其中，所述网络结构图包括多个节点和多条连接边，每条连接边具有各自对应的单位流量所消耗的单位成本，所述网络流问题用于在满足预设约束条件下，确定各个连接边上分配的流量，以使所述网络结构图对应的总成本最小。
可以理解的是，最大通过流量的网络流问题是最小成本网络流问题的特例，其可以表示成最小成本网络流问题的数学模型。
在一个示例中，所述预设约束条件包括：
各个连接边上分配的流量属于相应连接边对应的下界和上界所限定的区间；
各个连接边上分配的流量需要使得各个节点上具有设定的流入或流出的流量。
该示例中，对应于前述b的取值已知的网络流问题。
在一个示例中，所述节点代表网元，所述连接边代表路径，所述流量代表通信流量，所述成本代表单位流量的通信成本。
该示例中，对应于通信领域的网络流问题。可以理解的是，本申请实施例，对于网络流问题的具体应用领域不做限定，例如，还可以应用于交通、能源、工程规划等领域。
然后在步骤42，提取所述网络结构图对应的若干网络拓扑特征。
在一个示例中，所述提取所述网络结构图对应的若干网络拓扑特征，包括：
获取所述网络结构图对应的约束中线性矩阵，所述约束中线性矩阵的行代表所述网络结构图上的节点，列代表所述网络结构图上的连接边，每列有两个非零元素，元素值分别为1和-1，所述两个非零元素对应的行分别为连接边的起点和终点；
通过所述约束中线性矩阵提取如下至少一种网络拓扑特征：
平均度数、节点数、连接边数、源汇数、最小度数、最大度数、度数1/4分位数、度数为1节点数、密度、第二大度数与第三大度数的比值、最大度数与平均度数的比值、中心范围与平均度数的比值。
本申请实施例，可以仅提取一种网络拓扑特征，也可以提取多种网络拓扑特征，以便更佳的通过网络拓扑特征体现网络结构图。
在图论中，一个节点的度(degree)指图中与该节点相连的连接边的边数。
其中，上述平均度数为网络结构图中各节点的度的平均值；
源汇数指的是网络结构图中源点和汇点的总数目；
度数1/4分位数是指网络结构图中各节点的度数进行排序后，排序在节点总数的1/4的度数；
密度＝实际边数/可容纳边数的上限，可容纳边数＝(节点数+1)*节点数/2；
中心范围是网络结构图中各节点度数的3/4分位数和1/4分位数的差值。
接着在步骤43，依据所述若干网络拓扑特征，确定稀疏参数的参数值；所述参数值用于影响网络单纯形算法迭代变量的稀疏度。
在一个示例中，所述若干网络拓扑特征为多个网络拓扑特征；所述依据所述若干网络拓扑特征，确定稀疏参数的参数值，包括：
针对所述多个网络拓扑特征中的任一目标网络拓扑特征，根据所述目标网络拓扑特征是否小于预设阈值，确定目标编码位的数值；
根据所述多个网络拓扑特征分别对应的各编码位的数值，确定稀疏参数的参数值。
可选地，编码位的数值为二进制数0或1，编码位的数值取0或1与具体稀疏性没有直接关系，并不是0代表稠密，1代表稀疏。各编码位与稀疏参数的关系可以由大量测试实例测试确定的，没有简单的规律。稀疏参数的参数值越小一般意味着网络流算法迭代过程中中间向量越稀疏，但这只是通常的情况，由于存在反例，因此并不限定于此。
图5为本申请实施例提供的确定稀疏参数的示意图。参照图5，首先基于网络流问题的代数结构提取与网络稀疏性相关的网络拓扑特征，以网络拓扑特征作为输入，调用自适应函数，选择稀疏参数的参数值。以Hans Mittleman网络流问题榜单的部分例子为例，给出稀疏参数的实例。表一列出了网络流问题与稀疏参数的对应关系表。
表一：网络流问题与稀疏参数的对应关系表
由表一可见，通过计算每个网络流问题的网络拓扑特征，根据选取的阈值对网络拓扑特征进行编码，并把编码映射到对应的稀疏参数上，例如，针对网络流问题16_n14，稀疏参数的参数值为4；针对网络流问题i_n13，稀疏参数的参数值为3；针对网络流问题netlarge6，稀疏参数的参数值为1。
最后在步骤44，针对所述网络流问题的求解执行多轮迭代，直到确定出所述网络流问题的最优解；其中，在每一轮迭代中包括，针对所述网络流问题对应的当前基变量集合，基于所述参数值，选择从所述当前基变量集合中移除的基变量。
在一个示例中，所述基于所述参数值，选择从所述当前基变量集合中移除的基变量，包括：
确定所述当前基变量集合中各个基变量对应于预设指标的指标值；其中，所述预设指标为基变量的约束违反度的指数次方与子树大小的比值；其中，所述指数基于所述参数值而确定；
将指标值最大的基变量确定为从所述当前基变量集合中移除的基变量。
该示例可以对应于如下的rho-DSE定价策略，定价策略也称为定价准则：
其中，δi和βi与DSE定价策略中的含义相同，δi是第i个基变量的原始约束违反度，βi是第i个基变量边方向ρi＝B-Tei的2范数。特别的，当ρ＝2时，rho-DSE准则就是经典的DSE准则，当ρ＝∞时，rho-DSE准则就是经典的Dantzig准则。rho-DSE定价准则能够平衡收敛速率和中间向量的稀疏性。更大的ρ倾向于选择更快收敛速度，同时使用更稠密的中间向量，支持使用并行等加速技巧；更小的ρ倾向于选择更稀疏的中间向量，更快的单步计算速度，但是相对而言收敛较慢。
其中，前述子树大小即为基矩阵B逆转置对应列的2范数。子树大小是网络单纯形算法具有物理含义的等价理解。基变量集合一定对应网络中边和节点构成的一颗树。子树为以对应基变量为根节点的子树。
本申请实施例，通过集成了rho-DSE定价准则的网络流求解器在Hans Mittelmann网络流线性规划榜单上例子进行测试，Hans Mittelmann榜单是国际权威的网络流求解器性能评测榜单，通过测试具有很好的技术效果。图6示出了DSE定价准则和rho-DSE定价准则的效果对比示意图，对于DSE定价准则的时间归一化为1。可以看到几乎在所有的例子上，rho-DSE定价准则都对原有的例子有加速作用，特别是对于比较大规模的例子加速作用更加明显。由于rho-DSE定价准则更能够利用迭代过程中的稀疏性，从而突破了求解大规模网络流问题的性能瓶颈。
如表二所示，rho-DSE定价准则配合其他技术点可以实现网络求解器整体提速75％以上，特别是对于netlarge6大规模网络流问题可以实现提速90％以上。
表二：优化前后效果对比
本申请实施例相对于现有技术，能更好的利用网络的稀疏性，从而在大规模网络流问题上，性能有了更大的提高，突破了在大规模问题上的性能瓶颈，使得求解器能在更短时间求解更大规模的网络流问题。
上文描述了本申请实施例提供的针对网络流问题的处理方法，下文将描述本申请实施例提供的针对网络流问题的处理装置。
图7为本申请实施例提供的针对网络流问题的处理装置700的示意性框图，该装置700包括：
获取单元71，用于获取网络流问题对应的网络结构图；其中，所述网络结构图包括多个节点和多条连接边，每条连接边具有各自对应的单位流量所消耗的单位成本，所述网络流问题用于在满足预设约束条件下，确定各个连接边上分配的流量，以使所述网络结构图对应的总成本最小；
提取单元72，用于提取所述获取单元71获取的网络结构图对应的若干网络拓扑特征；
确定单元73，用于依据所述提取单元72提取的若干网络拓扑特征，确定稀疏参数的参数值；所述参数值用于影响网络单纯形算法迭代变量的稀疏度；
迭代单元74，用于针对所述网络流问题的求解执行多轮迭代，直到确定出所述网络流问题的最优解；其中，在每一轮迭代中包括，针对所述网络流问题对应的当前基变量集合，基于所述确定单元73确定的参数值，选择从所述当前基变量集合中移除的基变量。
可选地，作为一个实施例，所述提取单元72包括：
获取子单元，用于获取所述网络结构图对应的约束中线性矩阵，所述约束中线性矩阵的行代表所述网络结构图上的节点，列代表所述网络结构图上的连接边，每列有两个非零元素，元素值分别为1和-1，所述两个非零元素对应的行分别为连接边的起点和终点；
提取子单元，用于通过所述获取子单元获取的约束中线性矩阵提取如下至少一种网络拓扑特征：
平均度数、节点数、连接边数、源汇数、最小度数、最大度数、度数1/4分位数、度数为1节点数、密度、第二大度数与第三大度数的比值、最大度数与平均度数的比值、中心范围与平均度数的比值。
本申请实施例，通过提取单元72提取网络结构图对应的若干网络拓扑特征，再由确定单元73依据所述若干网络拓扑特征，确定稀疏参数的参数值，该参数值用于影响网络单纯形算法迭代变量的稀疏度，从而利用该参数值影响迭代单元74进行多轮迭代的出基过程，相比于传统方案能更好的利用网络流问题的稀疏性，从而突破在大规模的网络流问题上的性能瓶颈，使得能在更短时间求解更大规模的网络流问题，也就是说，能够高效解决大规模的网络流问题。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可以实现上述方法实施例提供的方法中相关的流程。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可以实现上述方法实施例提供的方法中相关的流程。
作为本实施例的另一种形式，提供一种包含指令的计算机程序产品，该指令被执行时执行上述方法实施例中执行的动作。
应理解，本发明实施例中提及的处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本发明实施例中提及的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。
需要说明的是，当处理器为通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件时，存储器(存储模块)集成在处理器中。
应注意，本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
还应理解，本文中涉及的第一、第二、第三、第四以及各种数字编号仅为描述方便进行的区分，并不用来限制本申请的范围。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。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。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种针对网络流问题的处理方法，其特征在于，所述方法包括：
获取网络流问题对应的网络结构图；其中，所述网络结构图包括多个节点和多条连接边，每条连接边具有各自对应的单位流量所消耗的单位成本，所述网络流问题用于在满足预设约束条件下，确定各个连接边上分配的流量，以使所述网络结构图对应的总成本最小；
提取所述网络结构图对应的若干网络拓扑特征；
依据所述若干网络拓扑特征，确定稀疏参数的参数值；所述参数值用于影响网络单纯形算法迭代变量的稀疏度；
针对所述网络流问题的求解执行多轮迭代，直到确定出所述网络流问题的最优解；其中，在每一轮迭代中包括，针对所述网络流问题对应的当前基变量集合，基于所述参数值，选择从所述当前基变量集合中移除的基变量。
2.如权利要求1所述的方法，其特征在于，所述预设约束条件包括：
各个连接边上分配的流量属于相应连接边对应的下界和上界所限定的区间；
各个连接边上分配的流量需要使得各个节点上具有设定的流入或流出的流量。
3.如权利要求1所述的方法，其特征在于，所述提取所述网络结构图对应的若干网络拓扑特征，包括：
获取所述网络结构图对应的约束中线性矩阵，所述约束中线性矩阵的行代表所述网络结构图上的节点，列代表所述网络结构图上的连接边，每列有两个非零元素，元素值分别为1和-1，所述两个非零元素对应的行分别为连接边的起点和终点；
通过所述约束中线性矩阵提取如下至少一种网络拓扑特征：
平均度数、节点数、连接边数、源汇数、最小度数、最大度数、度数1/4分位数、度数为1节点数、密度、第二大度数与第三大度数的比值、最大度数与平均度数的比值、中心范围与平均度数的比值。
4.如权利要求1所述的方法，其特征在于，所述若干网络拓扑特征为多个网络拓扑特征；所述依据所述若干网络拓扑特征，确定稀疏参数的参数值，包括：
针对所述多个网络拓扑特征中的任一目标网络拓扑特征，根据所述目标网络拓扑特征是否小于预设阈值，确定目标编码位的数值；
根据所述多个网络拓扑特征分别对应的各编码位的数值，确定稀疏参数的参数值。
5.如权利要求1所述的方法，其特征在于，所述基于所述参数值，选择从所述当前基变量集合中移除的基变量，包括：
确定所述当前基变量集合中各个基变量对应于预设指标的指标值；其中，所述预设指标为基变量的约束违反度的指数次方与子树大小的比值；其中，所述指数基于所述参数值而确定；
将指标值最大的基变量确定为从所述当前基变量集合中移除的基变量。
6.如权利要求1所述的方法，其特征在于，所述节点代表网元，所述连接边代表路径，所述流量代表通信流量，所述成本代表单位流量的通信成本。
7.一种针对网络流问题的处理装置，其特征在于，所述装置包括：
获取单元，用于获取网络流问题对应的网络结构图；其中，所述网络结构图包括多个节点和多条连接边，每条连接边具有各自对应的单位流量所消耗的单位成本，所述网络流问题用于在满足预设约束条件下，确定各个连接边上分配的流量，以使所述网络结构图对应的总成本最小；
提取单元，用于提取所述获取单元获取的网络结构图对应的若干网络拓扑特征；
确定单元，用于依据所述提取单元提取的若干网络拓扑特征，确定稀疏参数的参数值；所述参数值用于影响网络单纯形算法迭代变量的稀疏度；
迭代单元，用于针对所述网络流问题的求解执行多轮迭代，直到确定出所述网络流问题的最优解；其中，在每一轮迭代中包括，针对所述网络流问题对应的当前基变量集合，基于所述参数值，选择从所述当前基变量集合中移除的基变量。
8.如权利要求7所述的装置，其特征在于，所述提取单元包括：
获取子单元，用于获取所述网络结构图对应的约束中线性矩阵，所述约束中线性矩阵的行代表所述网络结构图上的节点，列代表所述网络结构图上的连接边，每列有两个非零元素，元素值分别为1和-1，所述两个非零元素对应的行分别为连接边的起点和终点；
提取子单元，用于通过所述获取子单元获取的约束中线性矩阵提取如下至少一种网络拓扑特征：
平均度数、节点数、连接边数、源汇数、最小度数、最大度数、度数1/4分位数、度数为1节点数、密度、第二大度数与第三大度数的比值、最大度数与平均度数的比值、中心范围与平均度数的比值。
9.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-6中任一项的所述的方法。
10.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-6中任一项的所述的方法。
CN202211243867.0A 2022-10-11 2022-10-11 针对网络流问题的处理方法和装置 Pending CN117914710A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211243867.0A CN117914710A (zh) 2022-10-11 2022-10-11 针对网络流问题的处理方法和装置
PCT/CN2023/109743 WO2024078096A1 (zh) 2022-10-11 2023-07-28 针对网络流问题的处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211243867.0A CN117914710A (zh) 2022-10-11 2022-10-11 针对网络流问题的处理方法和装置

Publications (1)

Publication Number Publication Date
CN117914710A true CN117914710A (zh) 2024-04-19

Family

ID=90668701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211243867.0A Pending CN117914710A (zh) 2022-10-11 2022-10-11 针对网络流问题的处理方法和装置

Country Status (2)

Country Link
CN (1) CN117914710A (zh)
WO (1) WO2024078096A1 (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103200113B (zh) * 2013-04-02 2016-04-06 北京邮电大学 兼顾运营成本和传输性能双优化的域间流量工程的实现方法
US10063446B2 (en) * 2015-06-26 2018-08-28 Intel Corporation Netflow collection and export offload using network silicon
CN106982139B (zh) * 2017-03-21 2020-08-25 深圳先进技术研究院 一种基于多机器人多任务的指派问题的方法及装置、用户设备
CN112448886B (zh) * 2019-08-30 2023-08-01 中兴通讯股份有限公司 最短路径计算方法、路由获取装置及服务器
JP2022106040A (ja) * 2021-01-06 2022-07-19 アラクサラネットワークス株式会社 コレクタ装置、ネットワーク監視方法、プログラム、及びネットワーク監視システム
CN113159331B (zh) * 2021-05-24 2023-06-30 同济大学 一种网络化机器学习系统的自适应稀疏度量化方法

Also Published As

Publication number Publication date
WO2024078096A1 (zh) 2024-04-18

Similar Documents

Publication Publication Date Title
WO2019144066A1 (en) Systems and methods for preparing data for use by machine learning algorithms
CN109918498B (zh) 一种问题入库方法和装置
CN114900474B (zh) 针对可编程交换机的数据包分类方法、系统及相关设备
US20200050640A1 (en) Sorting an array consisting of a large number of elements
CN110321430B (zh) 域名识别和域名识别模型生成方法、装置及存储介质
KR20200071448A (ko) 희소성 제한된 분해 행렬 기반의 심층 신경망 모델 파라메타 축소 장치 및 그 방법
EP3053311A1 (en) Systems and methods for distance approximation in graphs
CN113158685A (zh) 文本的语义预测方法、装置、计算机设备和存储介质
CN110796485A (zh) 一种提高预测模型的预测精度的方法及装置
CN113011529A (zh) 文本分类模型的训练方法、装置、设备及可读存储介质
CN112598062A (zh) 一种图像识别方法和装置
Vasicek et al. Evolution of efficient real-time non-linear image filters for fpgas
EP3607496A1 (en) Conditional graph execution based on prior simplified graph execution
CN105005586A (zh) 一种基于度特征替换策略的流式图抽样方法
Adasme et al. Stochastic maximum weight forest problem
CN116644804B (zh) 分布式训练系统、神经网络模型训练方法、设备和介质
Buchholz et al. Enhancing evolutionary algorithms with statistical selection procedures for simulation optimization
WO2018135515A1 (ja) 情報処理装置、ニューラルネットワークの設計方法及び記録媒体
CN117914710A (zh) 针对网络流问题的处理方法和装置
Kanaev et al. Increasing the efficiency of the functioning of transport communication networks by using a modified method for determining a set of independent routes
Shi et al. Large scale optimization with proximal stochastic Newton-type gradient descent
CN112269967B (zh) 一种基于联合机会约束的迭代拆分方法及系统
Ejov et al. An interior point heuristic for the Hamiltonian cycle problem via Markov decision processes
Abidin Greedy Approach for Optimizing 0-1 Knapsack Problem
CN107623586B (zh) 网络链路预测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication