[发明专利]一种信息中心网络中基于深度学习的自适应拥塞控制方法

权利要求书

1.一种信息中心网络中基于深度学习的自适应拥塞控制方法，其特征在于：包括如下步骤：

步骤(一)：

(1)、自适应阶段：

n个时序数据在深度信念网络(DBN)中的受限玻尔兹曼机(RBM)进行s次预训练：

时序数据先通过DBN的编码阶段学习低维特征，低维特征再作为高斯过程的条件受限玻尔兹曼机GCRBM(GCRBM)模型的输入数据训练时序模型；DBN会积累学习每个时序数据特征，并分别更新网络参数w_ij、a_i、b_j；w_ij为可视层第i个单元和隐层第j个单元之间权重，a_i为可视层第i个单元值，b_j为隐层第j个单元值)：

符号“←”代表“＝”，是等于的意思,符号Δ表示的是变化量；

式中：是偏导符号，ε为模型学习率，p(v)为RBM模型通过整体能量函数E(v,h)为每一个可视层节点状态分配的抽样概率；其中，s≤n，s为正整数，s＝1，2，3……；

(2)将步骤(1)中预训练的时序数据，通过DBN的前馈神经网络(Back Propagation，BP)算法进行微调；将RBM模型预训练好的权值信息w_ij作为BP算法的输入值，执行p次BP算法并对参数w_ij进行微调得到w_ij^*；在执行BP处理方法调整过程中不断降低原始数据和网络重构数据之间的重构误差；通过向整个网络反向传播重构误差，利用梯度下降处理方法调整网络权值和节点阈值，直至满足最小误差要求；其中，p≤n，p为正整数，p＝1，2，3……；

(3)将步骤(2)中微调后的网络参数w_ij^*作为GCRBM模型的输入值，在GCRBM模型中的高斯受限玻尔兹曼机GRBM(Gaussian RBM，GRBM)执行h次来处理实型数据问题,得到参数w_ij^·；其中，h≤n，h为正整数，h＝1，2，3……；

(4)将步骤(3)中处理过的数据w_ij^·作为GCRBM模型的加条件受限玻尔兹曼机CRBM(Conditional RBM，CRBM)的输入值，在CRBM模型中进行预测，执行m次得到预测值R_t+1；在CRBM中添加了两种直接连接时序信息的参数A、B，参数A是从过去N个时间的可视单元到当前时刻可视单元的配置参数，参数B是从过去M个时间的可视单元到当前时刻隐层单元的配置参数，使得CRBM模型能够高效的预测时序数据；CRBM训练过程中，结合先前k个时刻的可视层数据作为动态变量，实现直连的时间序列依赖性；所以在训练过程中某一时刻的可视层v和隐层h会加上之前k个时刻的可视层时序信息，使得CRBM两层网络的阈值成为一种新的动态阈值a_i,t和b_j,t，如下：

式中：和分别是在t-q时的可见单位k到当前可视层单元i和隐层单元j的直连权重；a_i,t和b_j,t分别是在t时的可视层单元i和隐层单元j的动态阈值；是在t-q时的可视层单元k的节点值；

CRBM在更新各层权值和阈值的同时，还要更新两种直连因子A和B；以下为更新规则：

式中，和为t时刻的网络节点值；和表示t时刻的网络节点重构值；表示在t-q时刻可视层的第k个节点值；

步骤(二)：

(5)拥塞检测，通过步骤(一)自适应训练阶段预测每个路由器在t+1时刻待定兴趣表PIT的增加量R_t+1，计算加权平均长度的兴趣队列值，来判断网络的拥塞程度，采用One-Interest-One-Data传输模型，处理方法使用线性增长方法，将一个周期T等分为n个时间段，设Q_t是一个周期内检测出的瞬时队列的长度，则Q_t的权重值W_t小于Q_t+1的权重值W_t+1；W_t的计算公式如下：

W_t+1＝αW_t+β (9)

其中，α和β为常数，α＞1，β→0，箭头“→”的意思是趋于0；待定兴趣表PIT的全称为PendingInterestTable；

假设队列在每个时间段发送兴趣包的能力为P_t，那么在周期T期间的最终加权平均兴趣队列长度为：

其中，Q_t为在t时刻队列的长度，R_t+1为t+1时刻预测的队列增加数；

自适应拥塞控制协议ACCP协议以加权平均兴趣队列长度Q_avg作为衡量网络拥塞状态的指标，将网络按照不同的拥塞程度划分成四个互相独立的区域，分别是链路空闲区域，链路轻度繁忙区域，链路重度繁忙区域和链路拥塞区域；这四个区域的拥塞程度是单调递增的，其约束条件如下：

阈值：0≤Q_idle＜Q_busy≤Q_max (11)

空闲链路：Q_avg＜Q_idle (12)

轻度繁忙链路：Q_idle≤Q_avg＜Q_busy (13)

重度繁忙链路：Q_busy≤Q_avg＜Q_max (14)

拥塞链路：Q_avg≥Q_max (15)

其中，Q_idle是空闲队列，Q_busy是繁忙队列，Q_max是队列的最大容量；当Q_avg＜Q_idle时，链路处于空闲状态；当Q_idle≤Q_avg＜Q_busy时，链路处于轻度繁忙工作状态；当Q_busy≤Q_avg＜Q_max时，链路处于重度繁忙工作状态；当Q_avg≥Q_max时，链路处于拥塞状态；

(6)显示拥塞通知；根据步骤(5)的拥塞检测信息通过NACK包反馈给接收者；在步骤(5)中检测的信息分别通过以下四个拥塞状态字段进行标识：

①“00”:表示空闲链路；

②“01”:表示轻度繁忙的链路；

③“01”:表示重度繁忙的链路；

④“11”:表示拥塞的链路；

NACK包将拥塞级信息封装到兴趣分组中，并定义一个字段区分来自兴趣包的NACK数据包；

ACCP采用基于窗口的速率控制方式；接收端通过一个拥塞窗口变量W，以表示允许输出的最大数量：如果接收到“00”，使用指数增加处理方法EI，Exponential Increase，充分利用空闲带宽；如果收到“01”，使用加法增加处理方法AI，Addition Increase，平滑地增加拥塞窗口；如果收到“10”，就保持当前窗口的大小；如果收到“11”，将使用乘法递减处理方法MD，Multiplication Decline，快速减少拥塞窗口；详细的指数增加处理方法EI、加法增加处理方法AI、乘法递减处理方法MD分别如下:

EI:W_t+RTT←W_t×(1+ξ) (16)

AI:W_t+RTT←W_t+η (17)

MD:W_t+RTT←W_t×γ (18)

其中，RTT表示往返时间，W_t表示t时刻窗口的大小，ξ,η,γ分别是EI、AI、MD的算法因子，且ξ＞0,η＞0,0＜γ＜1。