[发明专利]一种基于SDSIN的多任务路由选择方法

摘要

本发明公开了一种基于SDSIN的多任务路由选择方法，包括以下步骤：建立合理的网络模型；空间任务等级划分；基于SDSIN多任务路由选择方法建立数学模型；链路参数决策；权值更新。本发明基于机器学习的算法，充分考虑了链路状态参数及空间任务等多个因素，实现了最优路径选择，提高了网络资源的利用率，避免了局部链路出现拥塞的状态，同时有效的满足了各类空间任务的QoS需求，本发明充分考虑传输时延、丢包率和剩余带宽等链路特征，根据上述三个参数对训练集进行训练，更新链路参数权值，有效地对多任务路由进行选录，提高了底层资源的利用率，实现了全网的负载均衡。

主权项

1.一种基于SDSIN的多任务路由选择方法，其特征在于：包括以下步骤：A、根据SDN的思想重新定义卫星网络的节点，建立合理的网络模型在SDSIN架构下，卫星拓扑虽是高动态变化的，但是由于卫星都是按照既定轨道运行的，其运动是呈周期性变化的，具有可预测性；针对这一特点，路由选择采取拓扑控制的方式以屏蔽其高动态变化特性；将SDSIN网络动态拓扑依据系统周期T离散化成n个时间片，记为T1,T2,…,Tn，在时间片内认为拓扑不变，最后对每个时间片进行路由选择；A1、定义网络模型无线网络拓扑用G(V,E,C)来表示，其中，V＝{v1,v2,...,vm}表示交换机节点的集合；E＝{E1,E2,…En}代表SDSIN中星间链路组成的集合，C表示控制器节点的集合，其中控制器放置在高轨卫星GEO上；A2、定义链路连接矩阵软件定义卫星网络模型为G(V,E,C)，是由一系列高轨卫星GEO、中轨卫星MEO、低轨卫星LEO及星间链路组成的，链路连接矩阵表示为：其中aij表示为节点i和节点j的链路连接关系，其中：A3、定义链路状态参数SDN控制器拥有全局视图，通过南向接口查询链路状态和网络流量；对于星间链路子集E_h,都有与之对应的时延、剩余带宽、丢包率信息，分别用d_ij、b_ij、s_ij表示；可用路径的集合用P表示,对于任一子路径p_i∈P下，时延函数表示为：剩余带宽函数表示为：丢包率函数表示为：链路状态参数表示为：f＝[f1(pi),f2(pi),f3(pi)]  (6)A4、定义可用路径集用(v_s,v_d)表示网络模型中的源节点和目的节点的节点对，则代表一条从源节点v_s到目的节点v_d的路径；假定任务下发之后共有m个路径集，表示为：P＝{P¹,P²,…,P^m}，其中Pⁱ表示第i条可用路径集；在网络模型G(V,E,C)中，可用路径表示为P'＝{p¹,p²,…,p^q}，其中1≤q≤m；B、空间任务等级划分多任务路由选择的前提是对空间任务等级进行划分；网络模型中充分考虑链路状态参数将任务按需分为7类，即：时延带宽丢包率均敏感、仅时延敏感、仅带宽敏感、仅丢包率敏感、时延带宽敏感、时延丢包敏感和带宽丢包敏感；在SDSIN下，将上述网络模型中的7种任务简化至4种典型的空间任务，即：应急任务、通信任务、数/图传任务和测控任务，针对4种不同的任务，依据其任务特点，将任务Task划分4个等级，即Task＝{Task1,Task2,Task3,Task4}，分别对应上述4种任务；C、基于SDSIN多任务路由选择方法建立数学模型基于SDSIN的多任务路由选择问题，是指在可用路径集P'＝{p1,p2,…,pq}(1≤q≤m)中，充分考虑链路状态参数f和不同空间任务的QoS需求，如何获取最优；时延和丢包率都与服务质量呈反比即越小越好，而带宽与服务质量呈正比即越大越好，所以路由选择问题即是：其中，的取值表示在链路p^q上链路参数f_i的优先级大小，w_i表示第i个链路参数的优先系数，且R(P^q)表示路径带宽利用率；多任务路由选择方法采用一种机器学习的方法，包括以下步骤：C1、确定SDSIN网络中的通信源节点vs和目的节点vd，针对网络中的可用路径P'＝{p1,p2,…,pq}(1≤q≤m)，依据监督学习的原理，获取大量的训练集D，记为D＝{(x1,y1),(x2,y2),…,(xm,ym)}，其中(xm,ym)表示的是第m组训练的输入输出结果；C2、针对步骤C1获取的训练集，对训练集进行训练，更新信息增益函数Gain(D,f)的数值，对链路状态参数的优先级进行重新选择，得到新的W＝(w1,w2,w3)T，作为链路状态参数的优先级标准；C3、依据步骤C2更新的W＝(w1,w2,w3)T数值对链路状态参数f＝{f1(pq),f2(pq),f3(pq)}进行更新，得到最优链路状态参数属性集f*＝argmaxGain(D,f)；C4、重复步骤C1‑C3三个步骤，继续更新权值W＝(w1,w2,w3)T，直到损失函数E(d)＜ε时，迭代停止，权值更新结束，选出了最优路径；d∈D是训练样本的子集；D、链路参数决策基于多任务的路由选择方法，首先应对不同的链路状态参数进行权重划分，用信息增益函数来反映属性划分；定义信息增益函数如下：假设训练样本D中第k类样本所占的比例为p_k(k＝1,2,…,|y|)，则D的信息熵为假定对链路状态参数f有u个可能的取值{f¹,f²,…,f^u}，使用链路状态参数f对训练样本D进行划分，会产生u个分支，其中第u个分支包含了D中所有在链路状态参数f上取值为f^u的样本，记为D^u；给分支赋予权重信息增益表示为：信息增益越大，意味着使用链路状态参数f进行划分所获得效果越好，通过信息增益的大小值选择出最优链路状态参数f*＝argmaxGain(D,f)；对输入数据进行预处理，需要对信息增益函数进行改造，如下式所示：其中，Gain(D,f,t)是训练样本D基于划分点t二分后的信息增益；根据信息增益得出最合适的链路状态参数f*＝argmaxGain(D,f)；E、权值更新训练完成后，根据信息增益调整了合适的链路参数要求，下面需要对W＝(w1,w2,w3)T进行权值更新；E1、定义激活函数如下：令其中首先初始化W＝(w₁,w₂,w₃)^T,w_i∈(0,1]，对输入集进行训练时，需要设置一个阈值θ，若F≥θ，置为1，反之为‑1；激活函数表征的是当前权重下是否能够输出正确的感知分类；权重更新表示为：其中，y是输入样本的正确分类，y'是根据激活函数计算出来的分类，η为学习率，在机器学习领域取0.3；E2、定义损失函数如下：其中d∈D,是训练样本的子集，td为目标实际输出，od为算法输出，n表示迭代次数，当损失函数E(d)＜ε时，迭代停止，权值更新结束，得到了最优权值W＝(w1,w2,w3)T,wi∈(0,1]，根据不同的权重分配，找寻最合适的端到端路径组合起来即是一条最优的通信路径。