[發明專利]一種基于深度學習的中大型網絡智能路由選擇方法

有效

• 申請號: 201910098823.5
• 申請日: 2019-01-31
• 公開（公告）號: CN109951392B
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 徐彥彥;饒哲恒;宋方振;趙嘯;唐鑫
• 申請（專利權）人: 武漢大學
• 主分類號: H04L12/733
• 分類號: H04L12/733;H04L12/723;H04L12/725
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 魯力

本發明公開了一種基于深度學習的中大型網絡智能路由選擇方法，可用于中大型網絡中的智能流量控制。在網絡流量控制中，提出一種遞歸式的分塊思想，可根據不同的用戶需求和計算能力，將大型網絡有規則的拆分成子塊，通過深度學習的方法學習子塊中的流量模式特征，分析評價子塊學習效果后，擇優選擇子塊路由，補充剩余的路由步驟，輸出相應整體路由。該方法不僅實現了路由選擇中的數據降維，還可根據用戶不同需求和差異性計算條件，智能、靈活的完成中大型網絡中的路由選擇問題，相較于已有方法，本發明提出的方法是一種具有更高路由準確度和更少的預測時間損耗的智能路由方法。

技術領域

本發明適用于中大型網絡中的路由選擇問題，具體涉及到一種基于深度學習的中大型網絡智能路由選擇方法。

背景技術

大數據時代，網絡流量爆炸增長，需要網絡底層的路由交換設備規模成指數級增長。與此同時，中大型網絡環境中的相關網絡業務也變得越來越復雜化，需要更復雜的網絡路由協議去轉發數據、提高通信質量與通信效率，人為設計路由協議變得越發困難，已成為一個NP完全問題，且計算復雜，無法在短時間內完成動態路由的選擇。因此亟需一種能在中大型網絡上，能夠通過學習網絡中流量模式特征，自動迅速預測路由路徑的方法去解決這一難題。

深度學習已在計算機視覺、語音識別和文本分類等領域得到了廣泛的應用。深度學習的深層次結構擁有強大的復雜函數表達能力，對于捕獲潛在隱藏特征效果明顯，此外，深度學習模型只包含輸入，深度學習網絡，輸出三部分，層次結構清晰，易于使用。但是，深度學習應用于中大型網絡的路由選擇方面的研究剛剛起步，并不多見。

發明內容

為了解決現有技術存在的問題，本發明提出一種基于深度學習的中大型網絡智能路由選擇方法，其特征在于，包括以下步驟：

一種基于深度學習的中大型網絡智能路由選擇方法，其特征在于，包含以下步驟：

步驟1：采集、構建監督學習樣本，根據不同的流量模式添加相應的標簽，并按輸入和輸出形式構建訓練數據集和測試數據集；

步驟2：根據用戶需求，將大型網絡按照用戶需求進行劃分。

步驟3：將步驟1中獲取到的帶標簽訓練數據集輸入到深度學習模型中進行訓練，完成深度學習模型的訓練；將測試數據集輸入到訓練好的深度學習模型中，分別通過分布式計算得到不同子塊的最佳路由；

步驟4：通過評價函數選擇步驟3中的最佳子塊路由；評價子塊路由的標準為：

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，補充剩余路由，完成整個網絡的全局路由。

在上述的一種基于深度學習的中大型網絡智能路由方法，所述步驟1的實現方式如下，

相同時隙T下，以進入每個路由器的數據包數量Pi為其流量模式；訓練算法的輸入用和表示，表示塊結構中路由器的流量模式，由(M*N)的輸入矩陣組成，其中M表示子塊結構中，源路由器(OR)--目的路由器(DR)之間的跳數，N表示網絡中路由器的個數；作為訓練數據的標簽，用于表示塊結構中的路徑編號；輸入矩陣的第U行表示第U個時間間隙T_U，第K列表示進入路由器K的Pi數量；定義每個塊結構中源--目的路由器之間只存在一條路徑，根據監督學習的結果，當有新的流量模式輸入到訓練好的系統時，系統將會給出相應的路徑編號并映射為對應路徑(Rn)輸出。

在上述的一種基于深度學習的中大型網絡智能路由方法，所述步驟2中的劃分適用于n×m網絡結構，包括多級劃分，具體包括：