[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)的中大型網(wǎng)絡(luò)智能路由選擇方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910098823.5
• 申請(qǐng)日: 2019-01-31
• 公開(kāi)（公告）號(hào): CN109951392B
• 公開(kāi)（公告）日: 2021-07-02
• 發(fā)明（設(shè)計(jì)）人: 徐彥彥;饒哲恒;宋方振;趙嘯;唐鑫
• 申請(qǐng)（專(zhuān)利權(quán)）人: 武漢大學(xué)
• 主分類(lèi)號(hào): H04L12/733
• 分類(lèi)號(hào): H04L12/733;H04L12/723;H04L12/725
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 魯力

1.一種基于深度學(xué)習(xí)的中大型網(wǎng)絡(luò)智能路由選擇方法，其特征在于，包含以下步驟：

步驟1：采集、構(gòu)建監(jiān)督學(xué)習(xí)樣本，根據(jù)不同的流量模式添加相應(yīng)的標(biāo)簽，并按輸入和輸出形式構(gòu)建訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；

步驟2：根據(jù)用戶(hù)需求，將大型網(wǎng)絡(luò)按照用戶(hù)需求進(jìn)行劃分；

步驟3：將步驟1中獲取到的帶標(biāo)簽訓(xùn)練數(shù)據(jù)集輸入到深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練，完成深度學(xué)習(xí)模型的訓(xùn)練；將測(cè)試數(shù)據(jù)集輸入到訓(xùn)練好的深度學(xué)習(xí)模型中，分別通過(guò)分布式計(jì)算得到不同子塊的最佳路由；

步驟4：通過(guò)評(píng)價(jià)函數(shù)選擇步驟3中的最佳子塊路由；評(píng)價(jià)子塊路由的標(biāo)準(zhǔn)為：

y＝w₁x₁+w₂x₂+…w_nx_n,n∈N⁺ (1)

步驟5：在得到步驟4中的最佳子塊路由后，補(bǔ)充剩余路由，完成整個(gè)網(wǎng)絡(luò)的全局路由。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的中大型網(wǎng)絡(luò)智能路由選擇方法，其特征在于：所述步驟1的實(shí)現(xiàn)方式如下，

相同時(shí)隙T下，以進(jìn)入每個(gè)路由器的數(shù)據(jù)包數(shù)量Pi為其流量模式；訓(xùn)練算法的輸入用和表示，表示塊結(jié)構(gòu)中路由器的流量模式，由(M*N)的輸入矩陣組成，其中M表示子塊結(jié)構(gòu)中，源路由器OR--目的路由器DR之間的跳數(shù)，N表示網(wǎng)絡(luò)中路由器的個(gè)數(shù)；作為訓(xùn)練數(shù)據(jù)的標(biāo)簽，用于表示塊結(jié)構(gòu)中的路徑編號(hào)；輸入矩陣的第U行表示第U個(gè)時(shí)間間隙T_U，第K列表示進(jìn)入路由器K的Pi數(shù)量；定義每個(gè)塊結(jié)構(gòu)中源--目的路由器之間只存在一條路徑，根據(jù)監(jiān)督學(xué)習(xí)的結(jié)果，當(dāng)有新的流量模式輸入到訓(xùn)練好的系統(tǒng)時(shí)，系統(tǒng)將會(huì)給出相應(yīng)的路徑編號(hào)并映射為對(duì)應(yīng)路徑Rn輸出。

3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的中大型網(wǎng)絡(luò)智能路由選擇方法，其特征在于：所述步驟2中的劃分適用于n×m網(wǎng)絡(luò)結(jié)構(gòu)，包括多級(jí)劃分，具體包括：

步驟2.1：進(jìn)行第一級(jí)劃分，具體是：所有邊緣路由器具有同等的地位，因此定義R_O為源路由器，R_D為目的路由器；對(duì)于從源路由器R_O到達(dá)目的路由器R_D的路由路徑，都必須經(jīng)過(guò)R_D的上一級(jí)路由器R_D1或者R_D2；使用R_D1或者R_D2作為子目的路由器，進(jìn)行路由路徑預(yù)測(cè)；

步驟2.2：進(jìn)行第二級(jí)劃分，具體是：將原n×m網(wǎng)絡(luò)按步驟2.1劃分成了以R_D1為子終點(diǎn)的Block1((n-1)×m)和以R_D2為子終點(diǎn)的Block2(n×(m-1))，之后，仍使用同樣的方法，將Block1分為Block1-1((n-2)×m)和Block1-2((n-1)×(m-1))，Block2分為Block2-1((n-1)×(m-1))和Block2-2(n×(m-2))；

步驟2.3：進(jìn)行多級(jí)劃分，具體是：將網(wǎng)絡(luò)分成2^r-l個(gè)子塊，其中r∈N⁺,l代表網(wǎng)絡(luò)中只有一個(gè)上一級(jí)節(jié)點(diǎn)的路由器；劃分的依據(jù)是根據(jù)目的節(jié)點(diǎn)的所有上一級(jí)路由器，遞歸過(guò)程可以看作一個(gè)等比數(shù)列的形式，其中初始網(wǎng)絡(luò)數(shù)目a₁＝1，公比q＝2,劃分的塊數(shù)a_w的計(jì)算，如公式(2)所示；

a_w＝a₁q^w-1 (2)

公式(2)中，w0,且w∈N⁺；值得一提的是，w-1可以用來(lái)表示子塊對(duì)網(wǎng)絡(luò)的降維情況，例如在4x4網(wǎng)絡(luò)中，當(dāng)w＝2時(shí)，表示網(wǎng)絡(luò)被分為2個(gè)子塊；原網(wǎng)絡(luò)中從源節(jié)點(diǎn)到達(dá)目的節(jié)點(diǎn)需要6級(jí)路由，而現(xiàn)在每個(gè)子塊中只需5級(jí)路由，減少了1級(jí)路由；當(dāng)w＝3時(shí)，表示網(wǎng)絡(luò)被分成4個(gè)子塊，每個(gè)子塊中只有4級(jí)路由，減少了2級(jí)路由。

4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的中大型網(wǎng)絡(luò)智能路由選擇方法，其特征在于：所述步驟3的實(shí)現(xiàn)方式基于三種基于塊結(jié)構(gòu)的深度學(xué)習(xí)方法，包括基于塊結(jié)構(gòu)的全連接路由方法，基于塊結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)路由方法和基于塊結(jié)構(gòu)的殘差網(wǎng)絡(luò)路由方法，具體包括如下步驟：

步驟3.1：將步驟1中設(shè)計(jì)的輸入訓(xùn)練數(shù)據(jù)均勻分批輸入到基于塊結(jié)構(gòu)的深度網(wǎng)絡(luò)中，訓(xùn)練數(shù)據(jù)分別經(jīng)過(guò)多層感知器的卷積層、池化層、殘差層、池化層，全連接層、完成前向傳播；基于塊結(jié)構(gòu)的殘差網(wǎng)絡(luò)路由方法結(jié)合分塊路由策略的深度學(xué)習(xí)方法進(jìn)行流量特征的學(xué)習(xí)；該學(xué)習(xí)方式在網(wǎng)絡(luò)自動(dòng)訓(xùn)練參數(shù)的過(guò)程中，根據(jù)每層節(jié)點(diǎn)情況，計(jì)算出每層網(wǎng)絡(luò)中的流量模式殘差并逐級(jí)保存記錄，用塊殘差去逼近表達(dá)每層函數(shù)；系統(tǒng)中的每一個(gè)殘差核在輸出至下一層時(shí)都加入了dropout層；在訓(xùn)練過(guò)程中，可隨機(jī)使得網(wǎng)絡(luò)中某些隱含層節(jié)點(diǎn)不工作，不工作的節(jié)點(diǎn)可暫時(shí)認(rèn)為不是網(wǎng)絡(luò)結(jié)構(gòu)的一部分，但會(huì)保留它的權(quán)重；

步驟3.2：對(duì)步驟3.1中的多層感知器進(jìn)行梯度計(jì)算和誤差計(jì)算；使用交叉熵代價(jià)函數(shù)計(jì)算輸出值與期望值之間的差量，激活函數(shù)采用Relu，按極小化誤差的方法使之收斂，并將誤差向量保存起來(lái)；

步驟3.3：將步驟3.2中得到的誤差和梯度用反向傳播算法，經(jīng)過(guò)池化層，殘差層、池化層、卷積層、輸入層逐層傳播，并且根據(jù)要求自動(dòng)反向更新網(wǎng)絡(luò)的權(quán)重，判斷是否為輸入層，若是則跳轉(zhuǎn)至步驟3.1，否則重復(fù)步驟3.3，直至提取出有效的流量數(shù)據(jù)特征；

步驟3.4：直到權(quán)重更新穩(wěn)定，建立基于深度學(xué)習(xí)的中大型網(wǎng)絡(luò)智能路由方法的訓(xùn)練模型；

步驟3.5：將測(cè)試數(shù)據(jù)按上述步驟輸入，最終，得到子塊的路由結(jié)果。