[發明專利]一種基于深度學習的大規模網絡動態自適應路徑規劃方法

有效

• 申請號: 202111313384.9
• 申請日: 2021-11-08
• 公開（公告）號: CN114051273B
• 公開（公告）日: 2023-10-13
• 發明（設計）人: 王健;楊程竣;賈東睿
• 申請（專利權）人: 南京大學
• 主分類號: H04W40/02
• 分類號: H04W40/02;H04L45/00;H04L45/16;H04L41/14;G06N20/00
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 陳建和

本發明公開了一種基于深度學習的大規模網絡動態自適應路徑規劃方法，首先建立態勢信息管理系統；對節點態勢信息進行采集和預處理，并使用特定組播機制更新并獲取全局態勢信息，然后構建適用于大規模網絡的態勢信息模型；最后基于深度學習提取環境特征，引入決策開關機制對問題規模進行稀疏化處理；基于所述決策開關機制設計路由機制可擴展的網絡層子系統，并提出動態自適應路徑規劃方法；本發明提出了一種新興的適合大規模網絡的態勢信息建模方法和態勢更新維護機制，并引入一種基于深度學習的大規模網絡動態自適應路徑規劃方法，降低了大規模網絡的問題復雜度和整體系統開銷，解決了高動態環境適應能力不足的問題。

技術領域

本發明涉及大規模無線網絡通信技術領域，主要涉及一種基于深度學習的大規模網絡動態自適應路徑規劃方法。

背景技術

現有技術中，人們采用如機器視覺等技術使單個通信節點具備動態適應能力，但是其缺陷在于，基于機器視覺的技術在單位時間內獲取到的信息總量是有限的，因此這種條件下的節點對于環境變動率高的情況適應性不足。在高動態的環境下，一方面如果使用先驗性決策機制，即在后續時序中源節點不進行決策，不論提前設計好的路由方案如何，都會由于高度動態變化的環境而失效；另一方面如果使用實時決策機制會帶來非常大的系統開銷。

大規模集群化是一種可以解決這些缺陷的技術方案。通過對系統的整體架構進行合理設計，網絡規模擴大，可以快速提升系統的魯棒性；此時系統中各個節點之間如何協同工作是非常重要的一點，因此，高適應性的協同算法在大規模網絡中是最為重要的參考指標之一，與系統整體的算法復雜度一起直接影響了網絡對外的表征。

當前研究都將大規模網絡內的態勢信息通信視作“實時”的，并且認為每一個節點對預定義的環境區域可以完全感知。但是實際環境中，大規模網絡非常容易出現“多跳”現象，由此信息會在網絡中流動，帶來一定的滯后性，導致態勢信息在網絡中存在一定的延時；并且每個節點的感受視野并不總是與預期環境區域重合。另外，整個網絡系統的感受視野與規模正相關，規模越大，系統的整體負載越大，會帶來路徑規劃算法高額的計算開銷。

有鑒于此，急于設計一種符合大規模網絡實際組網模式且滿足可以自適應環境變動和網絡規模變動的路徑規劃方法，并能在對問題規模稀疏化處理后保證系統決策的高效性，同時需要設計一種機制應對高動態環境的情形。

發明內容

發明目的：針對上述背景技術中存在的問題，本發明提供了一種基于深度學習的大規模網絡動態自適應路徑規劃方法，可有效降低大規模網絡的問題模型和決策開銷，并提高了高動態環境的適應性能力。

技術方案：為實現上述目的，本發明采用的技術方案為：

步驟S1、建立態勢信息管理系統；對節點態勢信息進行采集和預處理，并使用特定組播機制更新并獲取全局態勢信息；

步驟S2、構建適用于大規模網絡的態勢信息模型；

步驟S3、基于深度學習提取環境特征，引入決策開關機制對問題規模進行稀疏化處理；基于所述決策開關機制設計路由機制可擴展的網絡層子系統，并提出動態自適應路徑規劃方法。

進一步地，所述步驟S1中建立態勢信息管理系統具體包括：

步驟S1.1、利用拓撲感知獲取態勢信息的功能，建立數據采集系統，包括態勢信息采集模塊和預處理模塊，對態勢信息進行采集處理；

所述態勢信息采集模塊提取環境中的特征參數，具體包括：

步驟S1.1.1、在每一個節點中布置多種外接信息采集模塊，用于采集態勢信息；

步驟S1.1.2、基于環境變動率，確定節點的信息采集頻率；

步驟S1.1.3、基于物理層感知節點態勢信息，包括溫濕度、氣體濃度、信號強度、地理位置；