[发明专利]无线Mesh骨干网络流量控制方法与装置

权利要求书

1.一种无线Mesh骨干网络流量控制方法，所述方法包括：

采集各路由节点的路由信息；

获取路由信息与最佳路由路径对应关系，所述路由信息与最佳路由路径对应关系为对路由信息进行深度学习-卷积神经网络训练得出的对应关系；

根据所述路由信息以及所述路由信息与最佳路由路径对应关系，通过卷积神经网络预测最佳路由路径；

根据所述最佳路由路径，对无线Mesh骨干网络中流量进行控制；所述获取路由信息与最佳路由路径对应关系包括：

获取预设时间内各路由节点的路由信息；

对所述路由信息进行深度学习，计算每个单位时间内，各所述路由节点与相邻路由节点的压差，并记录所述单位时间内各路由节点对应的端到端丢包率和时延，所述压差为不同路由节点发送缓存队列长度的差值；

以单位时间内各所述路由节点对应的压差作为样本输入以及最佳目的路由节点编号作为样本输出进行卷积神经网络训练，得到路由信息与最佳路由路径对应关系，所述最佳目的路由节点与当前路由节点之间的端到端丢包率和时延最低。

2.根据权利要求1所述的方法，其特征在于，所述以单位时间内各所述路由节点对应的压差作为样本输入以及最佳目的路由节点标识作为样本输出进行卷积神经网络训练，包括：

构建训练样本输入矩阵，所述训练样本输入矩阵的行与列表征各所述路由节点的编号，所述训练样本输入矩阵中数据表征各路由节点之间的压差；

构建训练样本输出矩阵，所述训练样本输出矩阵为一行多列的矩阵，所述训练样本输出矩阵中列表征各所述目的路由节点的编号，所述训练样本输出矩阵中数据表征当前路由节点与目的路由节点之间端到端丢包率和时延是否最低；

将所述训练样本输入矩阵通过卷积神经网络模型进行训练。

3.根据权利要求2所述的方法，其特征在于，所述卷积神经网络模型为6层结构，所述卷积神经网络模型包括2个卷积层、2个下采样层、1个输入层以及1个输出层，所述卷积神经网络模型的卷积核为9。

4.根据权利要求1所述的方法，其特征在于，所述根据所述最佳路由路径，对无线Mesh骨干网络中流量进行控制，之后还包括：

当检测到网络状况发生改变时，返回所述采集各路由节点的路由信息的步骤。

5.一种无线Mesh骨干网络流量控制装置，其特征在于，包括：

采集模块，用于采集各路由节点的路由信息；

对应关系获取模块，用于获取路由信息与最佳路由路径对应关系，所述路由信息与最佳路由路径对应关系为对路由信息进行深度学习-卷积神经网络训练得出的对应关系；

最佳路由路径获取模块，用于根据所述路由信息以及所述路由信息与最佳路由路径对应关系，通过卷积神经网络预测最佳路由路径；

流量控制模块，用于根据所述最佳路由路径，对无线Mesh骨干网络中流量进行控制；

所述对应关系获取模块还用于获取预设时间内各路由节点的路由信息；对所述路由信息进行深度学习，计算每个单位时间内，各所述路由节点与相邻路由节点的压差，并记录所述单位时间内各路由节点对应的端到端丢包率和时延，所述压差为不同路由节点发送缓存队列长度的差值；以单位时间内各所述路由节点对应的压差作为样本输入以及最佳目的路由节点编号作为样本输出进行卷积神经网络训练，得到路由信息与最佳路由路径对应关系，所述最佳目的路由节点与当前路由节点之间的端到端丢包率和时延最低。

6.根据权利要求5所述的装置，其特征在于，所述对应关系获取模块还用于构建训练样本输入矩阵，训练样本输入矩阵的行与列表征各路由节点的编号，训练样本输入矩阵中数据表征各路由节点之间的压差；构建训练样本输出矩阵，训练样本输出矩阵为一行多列的矩阵，训练样本输出矩阵中列表征各目的路由节点的编号，训练样本输出矩阵中数据表征当前路由节点与目的路由节点之间端到端丢包率和时延是否最低；将训练样本输入矩阵通过卷积神经网络模型进行训练。

7.根据权利要求6所述的装置，其特征在于，所述卷积神经网络模型为6层结构，卷积神经网络模型包括2个卷积层、2个下采样层、1个输入层以及1个输出层，卷积神经网络模型的卷积核为9。