CN114051273A - 一种基于深度学习的大规模网络动态自适应路径规划方法 - Google Patents
一种基于深度学习的大规模网络动态自适应路径规划方法 Download PDFInfo
- Publication number
- CN114051273A CN114051273A CN202111313384.9A CN202111313384A CN114051273A CN 114051273 A CN114051273 A CN 114051273A CN 202111313384 A CN202111313384 A CN 202111313384A CN 114051273 A CN114051273 A CN 114051273A
- Authority
- CN
- China
- Prior art keywords
- situation information
- network
- scale
- node
- path planning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 238000007726 management method Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 13
- 238000013139 quantization Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
- H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/16—Multipoint routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于深度学习的大规模网络动态自适应路径规划方法,首先建立态势信息管理***;对节点态势信息进行采集和预处理,并使用特定组播机制更新并获取全局态势信息,然后构建适用于大规模网络的态势信息模型;最后基于深度学习提取环境特征,引入决策开关机制对问题规模进行稀疏化处理;基于所述决策开关机制设计路由机制可扩展的网络层子***,并提出动态自适应路径规划方法;本发明提出了一种新兴的适合大规模网络的态势信息建模方法和态势更新维护机制,并引入一种基于深度学习的大规模网络动态自适应路径规划方法,降低了大规模网络的问题复杂度和整体***开销,解决了高动态环境适应能力不足的问题。
Description
技术领域
本发明涉及大规模无线网络通信技术领域,主要涉及一种基于深度学习的大规模网络动态自适应路径规划方法。
背景技术
现有技术中,人们采用如机器视觉等技术使单个通信节点具备动态适应能力,但是其缺陷在于,基于机器视觉的技术在单位时间内获取到的信息总量是有限的,因此这种条件下的节点对于环境变动率高的情况适应性不足。在高动态的环境下,一方面如果使用先验性决策机制,即在后续时序中源节点不进行决策,不论提前设计好的路由方案如何,都会由于高度动态变化的环境而失效;另一方面如果使用实时决策机制会带来非常大的***开销。
大规模集群化是一种可以解决这些缺陷的技术方案。通过对***的整体架构进行合理设计,网络规模扩大,可以快速提升***的鲁棒性;此时***中各个节点之间如何协同工作是非常重要的一点,因此,高适应性的协同算法在大规模网络中是最为重要的参考指标之一,与***整体的算法复杂度一起直接影响了网络对外的表征。
当前研究都将大规模网络内的态势信息通信视作“实时”的,并且认为每一个节点对预定义的环境区域可以完全感知。但是实际环境中,大规模网络非常容易出现“多跳”现象,由此信息会在网络中流动,带来一定的滞后性,导致态势信息在网络中存在一定的延时;并且每个节点的感受视野并不总是与预期环境区域重合。另外,整个网络***的感受视野与规模正相关,规模越大,***的整体负载越大,会带来路径规划算法高额的计算开销。
有鉴于此,急于设计一种符合大规模网络实际组网模式且满足可以自适应环境变动和网络规模变动的路径规划方法,并能在对问题规模稀疏化处理后保证***决策的高效性,同时需要设计一种机制应对高动态环境的情形。
发明内容
发明目的:针对上述背景技术中存在的问题,本发明提供了一种基于深度学习的大规模网络动态自适应路径规划方法,可有效降低大规模网络的问题模型和决策开销,并提高了高动态环境的适应性能力。
技术方案:为实现上述目的,本发明采用的技术方案为:
步骤S1、建立态势信息管理***;对节点态势信息进行采集和预处理,并使用特定组播机制更新并获取全局态势信息;
步骤S2、构建适用于大规模网络的态势信息模型;
步骤S3、基于深度学习提取环境特征,引入决策开关机制对问题规模进行稀疏化处理;基于所述决策开关机制设计路由机制可扩展的网络层子***,并提出动态自适应路径规划方法。
进一步地,所述步骤S1中建立态势信息管理***具体包括:
步骤S1.1、利用拓扑感知获取态势信息的功能,建立数据采集***,包括态势信息采集模块和预处理模块,对态势信息进行采集处理;
所述态势信息采集模块提取环境中的特征参数,具体包括:
步骤S1.1.1、在每一个节点中布置多种外接信息采集模块,用于采集态势信息;
步骤S1.1.2、基于环境变动率,确定节点的信息采集频率;
步骤S1.1.3、基于物理层感知节点态势信息,包括温湿度、气体浓度、信号强度、地理位置;
步骤S1.1.4、统计数据链路层的分组传输情况,获得带宽、时延、丢包率信息;
所述预处理模块对态势信息采集模块获取的特征参数进行处理,进行拓扑参数初始化;具体包括:
步骤L1.1.1、确定对态势信息的权重分配,按态势参数的重要性进行权重分配;
步骤L1.1.2、根据不同态势特征的权重进行归一化处理,并得到量化结果;
步骤L1.1.3、对获取的量化结果进行平均值处理。
步骤S1.2、使用特定组播机制更新并获取全局态势信息;
定义适用于大规模网络的组播通信协议,并生成组播网络,用于更新全局态势信息,降低***开销;将态势信息特征量化表示如下:
Sta=α·fx+β·fy+γ·fz+…
其中fx、fy、fz…表征节点从环境中获得的参数信息,包括通过分组收发情况获得的参数信息;α、β、γ…用于表征某一个参数信息的影响权重,取决于***对该参数的重视程度。进行归一化处理后公式表示如下:
进一步地,所述步骤S2中构建适用于大规模网络的态势信息模型具体包括:
将网络覆盖区域可视化为一张规则的地图,对地图进行网格化划分,每个网格表示一个微型的局域网,即子区域;每个子区域包含若干节点;根据接节点外接的定位设备确定节点所在子区域;当某个子区域没有节点时,该子区域的环境特征量化值为无穷大;当某个子区域内所有节点的外设态势信息探测单元获得该子区域的态势信息时,首先对所有态势信息进行平均值处理,然后获得代表该子区域的态势特征信息;在全网所有子区域中更新本地的态势信息;通过所述组播协议,获得全网的态势信息,并保存在各自子区域的节点中;考虑边界处理的每一个子区域态势更新公式如下:
其中Ri表示子区域i通过外设态势信息探测单元可探知到的实际面积,Hi表示子区域i期望探测到的态势信息面积;每一个节点通过组播协议进行本地态势信息的分发和融合。
进一步地,所述步骤S3中引入决策开关机制对问题规模进行稀疏化处理,具体包括:在大规模网络并且高环境变动率的情况下,采用深度学***面周期下,态势信息变动的次数进行计算,网络规模大小根据当前时间下入网的节点数目进行计算;并且为态势信息变动率和网络规模分别引入阈值mth、nth作为判断标准;当当前态势信息变动率mt<mth时,表示变动率不高,否则变动率即为较高;当当前网络规模nt<nth时,表示网络规模较小,否则网络规模即为较大;根据不同的mt、nt值,将所述动态自适应路径规划方法分为以下四种子类型:
(1)、当mt<mth且nt≥nth时,即表示环境变动率不高,并且当前网络规模采用适用于大规模网络的态势信息建模方法时,根据对态势信息的矩阵化建模,可以输出基于动态规划的路径算法,状态转移公式如下:
(2)、当mt<mth且nt<nth时,采用常规的基于每一个节点的网络拓扑进行态势建模,此时可靠业务以及不可靠业务在环境变动率不高的情形下,都输出基于源路由的路径规划方法;
(3)、当mt≥mth且nt≥nth时,输出经过稀疏化处理之后的路径规划算法,提高***对高动态环境下的适应性以及降低整体的决策开销;
(4)、当mt≥mth且nt<nth时,可以输出基于逐跳路由的路径规划方法。
有益效果:
(1)、本发明根据拓扑感知的感知数据功能,建立了组播***和组播通信协议,降低了***网络的带宽延迟和损耗问题,在大规模网络中通信表现效果优异;
(2)、本发明采用一种适用于大规模网络的态势信息建模方法和态势更新维护机制,更加适用于大规模网络的全局态势信息获取以及业务信息的分发;
(3)、本发明采用深度学习技术,检测环境变动率,以检测结果作为决策开关,输出适配的路径规划方法,降低了大规模网络的问题复杂度和提高了高动态环境的适应能力;
(4)、本发明设计一种可扩展的网络层子***,简化了常规的网络层协议,降到了***开销,适用于大规模网络情形;同时该子***支持多种路由算法动态切换,且可以动态增加更多的路径规划方法,提高了***的可扩展性和鲁棒性;
(5)、本发明根据不同的环境变动率和网络规模,提出了四种子类型应用场景;并根据提出的态势信息建模方法设计了一种基于动态规划以及一种稀疏化的路径规划算法,在误差允许范围内,解决了高动态环境下的适应性问题。
(6)、本发明提供的基于深度学习的大规模网络动态自适应路径规划方法,相较于传统方法,算法复杂度低,***开销减少,环境适应性强,适合于大规模以及高动态环境的网络中。
附图说明
图1是本发明实施例中基于深度学习的大规模网络动态自适应路径规划方法的***模型结构图;
图2是本发明实施例中基于深度学习的大规模网络动态自适应路径规划方法的***流程图;
图3是本发明实施例中的态势信息管理***架构示意图;
图4是本发明实施例中组播协议示例图;
图5是本发明实施例中的态势信息建模原理图;
图6是本发明实施例中的智能决策模型图;
图7是本发明实施例中的网络层子***架构图。
具体实施方式
下面结合附图对本发明作更进一步的说明。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出了一种基于深度学习的大规模网络动态自适应路径规划方法,图1为本发明实施例中基于深度学习的大规模网络动态自适应路径规划方法的***模型图,图2揭示了本发明实施例中基于深度学习的大规模网络动态自适应路径规划方法的***流程图;具体步骤如下:
步骤S1、建立态势信息管理***;对节点态势信息进行采集和预处理,并使用特定组播机制更新并获取全局态势信息。
其中态势信息管理***包括:
步骤S1.1、利用拓扑感知获取态势信息的功能,建立数据采集***,包括态势信息采集模块和预处理模块,对态势信息进行采集处理;
所述态势信息采集模块提取环境中的特征参数,具体包括:
步骤S1.1.1、在每一个节点中布置多种外接信息采集模块,用于采集态势信息;
步骤S1.1.2、基于环境变动率,确定节点的信息采集频率;
步骤S1.1.3、基于物理层感知节点态势信息,包括温湿度、气体浓度、信号强度、地理位置;
步骤S1.1.4、统计数据链路层的分组传输情况,获得带宽、时延、丢包率信息;
所述预处理模块对态势信息采集模块获取的特征参数进行处理,进行拓扑参数初始化;具体包括:
步骤L1.1.1、确定对态势信息的权重分配,按态势参数的重要性进行权重分配;
步骤L1.1.2、根据不同态势特征的权重进行归一化处理,并得到量化结果;
步骤L1.1.3、对获取的量化结果进行平均值处理。
步骤S1.2、使用特定组播机制更新并获取全局态势信息;
定义适用于大规模网络的组播通信协议,并生成组播网络,用于更新全局态势信息,降低***开销。本发明的组播通信协议运行示例如图3-4所示。其中新节点的加入及退出包括:
新节点加入的具体步骤为:
1)、新节点向组播组的根节点发送请求;
2)、根节点根据新节点的连接信息判断其是否属于自身所在的组播组;
3)、新节点属于组播组时,根据数据包信息寻找与自己信息相符的节点;
节点退出的具体步骤为:
1)、欲退出节点J向根节点发送推出信息;
2)、根节点在组播组中寻找节点J的子节点和父节点,将退出信息传递给它们;
3)、节点J的父节点更新自身子节点信息,节点J的子节点等待节点J退出;
4)、节点J正式退出组播组;
5)、根节点通知节点J的子节点重新接入组播组,然后更新组播组。
将态势信息特征量化表示如下:
Sta=α·fx+β·fy+γ·fz+…
其中fx、fy、fz…表征节点从环境中获得的参数信息,包括通过分组收发情况获得的参数信息;α、β、γ…用于表征某一个参数信息的影响权重,取决于***对该参数的重视程度。
进行归一化处理后公式表示如下:
步骤S2、构建适用于大规模网络的态势信息模型。
具体地,将网络覆盖区域可视化为一张规则的地图,将该地图按照一定的比例划分为许多小区域,体现为小方格,每一个小方格表示表示微型的局域网,其中可能包含多个节点,根据接节点外接的定为设备确定所在子区域,若某个子区域没有节点,则当前子区域的态势特征量化值为无穷大。当某个微型局域网内所有节点的外设态势信息探测单元获得该子区域的态势信息时,首先对所有态势信息进行平均值处理,然后获得代表该子区域的态势特征信息。类似,全网所有子区域都会更新本地的态势信息,通过定义的组播协议,就可以获得全网的态势信息,并保存在各自子区域的节点中,建立的模型可视化示例如图5所示。
考虑边界处理的每一个子区域态势更新公式为:
其中,Ri表示子区域i通过外设态势信息探测单元可探知到的实际面积,Hi表示子区域i期望探测到的态势信息面积。
每一个节点通过步骤2的组播协议进行本地态势信息的分发和融合。
步骤S3、基于深度学习提取环境特征,引入决策开关机制对问题规模进行稀疏化处理;基于所述决策开关机制设计路由机制可扩展的网络层子***,并提出动态自适应路径规划方法。具体的,
利用深度学***面周期下,态势信息变动的次数进行计算,网络规模大小根据当前时间下入网的节点数目进行计算;并且为态势信息变动率和网络规模分别引入一个阈值mth、nth作为判断标准,若当前态势信息变动率mt<mth则表示变动率不高,反之则变动率高,若当前网络规模nt<nth表示网络规模小,反之表示网络规模大。
本发明实施例中采用的智能决策模型如图6所示,基于AlexNet网络,因为特征数量只有态势特征和路由特征两种,这里删除了原本的卷积层3、4、5;各层说明如下:
卷积层(Conv):进行离散域的卷积操作;卷积的本质是通过两个函数生成第三种函数的一种运算,其被广泛应用于通信领域中,其公式如下:
其中在二维卷积中,其窗口也被扩展为二维,通常称作“卷积核”。
池化层(Pool):进行池化操作,类似于压缩处理,将一个区域内的所有元素,用一个最能反映该区域特征的值代替,通常方式为选取最大元素,或者进行平均求值;其目的在于避免主要特征丢失的条件下,尽可能对信息进行压缩,降低开销。
归一化(Norm)和Dropout:对池化后的特征图进行局部相应归一化操作,数学公式如下:
其中i表示第i个卷积核在(x,y)经过激活函数后的值;N表示卷积核的个数,其他参数为预设值;对多个数据通过Dropout来稀释过拟合的影响。
全连接层(Fully_connect):给一个维度与特征图相同的卷积核,对其特征进行聚合的卷积操作;相当于可训练的分类器,对输入的特征进行线性组合,并输出特征分类。
基于上述智能决策模型,本实施例设计了一种路由机制可扩展的网络层子***,并提出几种可以动态切换的路径规划方法。该子***可以动态地增加或者减少路径规划方法,可以根据实际的应用场景,添加合适的路由算法,其中网络子***架构如图7所示。
根据不同的mt、nt值,将所述动态自适应路径规划方法分为以下四种子类型。
(1)、当mt<mth且nt≥nth时,即表示环境变动率不高,并且当前网络规模采用适用于大规模网络的态势信息建模方法时,根据对态势信息的矩阵化建模,可以输出基于动态规划的路径算法,状态转移公式如下:
a)输入新加入的节点
b)设计当前坐标为源节点坐标
c)循环:
1)按照一定顺序遍历网格(行或者列)
2)根据状态转移方程,更新当前节点态势信息
3)如果已完成遍历,结束
结束循环。
(2)、当mt<mth且nt<nth时,采用常规的基于每一个节点的网络拓扑进行态势建模,此时可靠业务以及不可靠业务在环境变动率不高的情形下,都输出基于源路由的路径规划方法;
(3)、当mt≥mth且nt≥nth时,输出经过稀疏化处理之后的路径规划算法,提高***对高动态环境下的适应性以及降低整体的决策开销;
具体循环步骤如下:
a)输入源节点和目的节点以及差异度参数α、β
b)执行稀疏化处理后的备份路径规划算法
1)输入从源节点到目的节点的最优路径
2)遍历长度为l的路径,此时概率值为pl
3)取(0~1)区间内随机数number,若number>pl,则跳过
4)将下一节点置为权值类型极大值
5)以当前节点为源,执行路径规划算法,得到备份路径q,以q作为当前“最优路径”。
6)对q执行步骤1)~4),直到路径区间长度<=2
7)将下一节点编号作为模式,与备份路径集合做一一映射
8)保存各模式与备份路径集合的映射关系
c)运动源依最优规划路径行进
d)以当前规划路径区间的下一节点作为‘模式’,寻找备份路径集合中差异度最小的模式。
e)若该模式存在,且属于最高优先级,满足差异度小于α或属于次高优先级,满足差异度小于β,则选择该模式对应的备份路径为当前最优路径。
f)若最优路径的下一节点与当前节点非直接连通,则以两节点间的区域为输入进行最优路径规划,将该路径区间加入到最优路径中。
返回步骤c)直到到达目的节点。
(4)、当mt≥mth且nt<nth时,可以输出基于逐跳路由的路径规划方法。
综上所述,本发明提出的基于深度学习的大规模网络动态自适应路径规划方法,可以有效降低大规模网络中的决策开销;并且自适应的路径规划方法提高了***的鲁棒性和灵活性;本发明提出的新兴态势建模方法可以很好地适应大规模网络,在此基础上提出的基于动态规划的路径规划方法,降低了节点数过多时,路径规划开销过大的问题;同时,本发明提出了四种根据环境变动率和网络规划决定的路径规划方法子类型,其中设计了一种高动态环境大规模网络下的路径规划方法,解决了高环境变动率下网络适应能力不足的问题。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于深度学习的大规模网络动态自适应路径规划方法,其特征在于,包括以下步骤:
步骤S1、建立态势信息管理***;对节点态势信息进行采集和预处理,并使用特定组播机制更新并获取全局态势信息;
步骤S2、构建适用于大规模网络的态势信息模型;
步骤S3、基于深度学习提取环境特征,引入决策开关机制对问题规模进行稀疏化处理;基于所述决策开关机制设计路由机制可扩展的网络层子***,并提出动态自适应路径规划方法。
2.根据权利要求1所述的一种基于深度学习的大规模网络动态自适应路径规划方法,其特征在于,所述步骤S1中建立态势信息管理***具体包括:
步骤S1.1、利用拓扑感知获取态势信息的功能,建立数据采集***,包括态势信息采集模块和预处理模块,对态势信息进行采集处理;
所述态势信息采集模块提取环境中的特征参数,具体包括:
步骤S1.1.1、在每一个节点中布置多种外接信息采集模块,用于采集态势信息;
步骤S1.1.2、基于环境变动率,确定节点的信息采集频率;
步骤S1.1.3、基于物理层感知节点态势信息,包括温湿度、气体浓度、信号强度、地理位置;
步骤S1.1.4、统计数据链路层的分组传输情况,获得带宽、时延、丢包率信息;
所述预处理模块对态势信息采集模块获取的特征参数进行处理,进行拓扑参数初始化;具体包括:
步骤L1.1.1、确定对态势信息的权重分配,按态势参数的重要性进行权重分配;
步骤L1.1.2、根据不同态势特征的权重进行归一化处理,并得到量化结果;
步骤L1.1.3、对获取的量化结果进行平均值处理。
步骤S1.2、使用特定组播机制更新并获取全局态势信息;
定义适用于大规模网络的组播通信协议,并生成组播网络,用于更新全局态势信息,降低***开销;将态势信息特征量化表示如下:
Sta=α·fx+β·fy+γ·fz+…
其中fx、fy、fz…表征节点从环境中获得的参数信息,包括通过分组收发情况获得的参数信息;α、β、γ…用于表征某一个参数信息的影响权重,取决于***对该参数的重视程度;
进行归一化处理后公式表示如下:
3.根据权利要求2所述的一种基于深度学习的大规模网络动态自适应路径规划方法,其特征在于,所述步骤S2中构建适用于大规模网络的态势信息模型具体包括:
将网络覆盖区域可视化为一张规则的地图,对地图进行网格化划分,每个网格表示一个微型的局域网,即子区域;每个子区域包含若干节点;根据接节点外接的定位设备确定节点所在子区域;当某个子区域没有节点时,该子区域的环境特征量化值为无穷大;当某个子区域内所有节点的外设态势信息探测单元获得该子区域的态势信息时,首先对所有态势信息进行平均值处理,然后获得代表该子区域的态势特征信息;在全网所有子区域中更新本地的态势信息;通过所述组播协议,获得全网的态势信息,并保存在各自子区域的节点中;考虑边界处理的每一个子区域态势更新公式如下:
其中,fi t表示在当前时刻t,子区域i的态势信息量化值;δ表示子区域的感受视野覆盖率,满足:
其中Ri表示子区域i通过外设态势信息探测单元可探知到的实际面积,Hi表示子区域i期望探测到的态势信息面积;每一个节点通过组播协议进行本地态势信息的分发和融合。
4.根据权利要求1所述的一种基于深度学***面周期下,态势信息变动的次数进行计算,网络规模大小根据当前时间下入网的节点数目进行计算;并且为态势信息变动率和网络规模分别引入阈值mth、nth作为判断标准;当当前态势信息变动率mt<mth时,表示变动率不高,否则变动率即为较高;当当前网络规模nt<nth时,表示网络规模较小,否则网络规模即为较大;根据不同的mt、nt值,将所述动态自适应路径规划方法分为以下四种子类型:
(1)、当mt<mth且nt≥nth时,即表示环境变动率不高,并且当前网络规模采用适用于大规模网络的态势信息建模方法时,根据对态势信息的矩阵化建模,可以输出基于动态规划的路径算法,状态转移公式如下:
(2)、当mt<mth且nt<nth时,采用常规的基于每一个节点的网络拓扑进行态势建模,此时可靠业务以及不可靠业务在环境变动率不高的情形下,都输出基于源路由的路径规划方法;
(3)、当mt≥mth且nt≥nth时,输出经过稀疏化处理之后的路径规划算法,提高***对高动态环境下的适应性以及降低整体的决策开销;
(4)、当mt≥mth且nt<nth时,可以输出基于逐跳路由的路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111313384.9A CN114051273B (zh) | 2021-11-08 | 2021-11-08 | 一种基于深度学习的大规模网络动态自适应路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111313384.9A CN114051273B (zh) | 2021-11-08 | 2021-11-08 | 一种基于深度学习的大规模网络动态自适应路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114051273A true CN114051273A (zh) | 2022-02-15 |
CN114051273B CN114051273B (zh) | 2023-10-13 |
Family
ID=80207466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111313384.9A Active CN114051273B (zh) | 2021-11-08 | 2021-11-08 | 一种基于深度学习的大规模网络动态自适应路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114051273B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104764937A (zh) * | 2015-03-24 | 2015-07-08 | 中国人民解放军63892部队 | 一种电磁环境复杂度快速网格剖分显示方法 |
CN106304095A (zh) * | 2016-08-31 | 2017-01-04 | 中国人民解放军重庆通信学院 | 一种动态频谱管理***和方法 |
CN109005108A (zh) * | 2018-06-29 | 2018-12-14 | 全球能源互联网研究院有限公司 | 一种空间网络路由规划方法及*** |
WO2019028269A2 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL ENVIRONMENT OF COLLECTING INTERNET DATA FROM OBJECTS WITH LARGE DATA SETS |
CN109560968A (zh) * | 2018-12-20 | 2019-04-02 | 中国电子科技集团公司第三十研究所 | 一种动态策略驱动的网络资源智能规划与配置方法 |
CN110568437A (zh) * | 2019-09-27 | 2019-12-13 | 中科九度(北京)空间信息技术有限责任公司 | 一种基于雷达辅助的精确环境建模方法 |
EP3623957A1 (en) * | 2017-09-21 | 2020-03-18 | Beijing Sankuai Online Technology Co., Ltd | Generation of point of interest copy |
CN111026780A (zh) * | 2019-12-18 | 2020-04-17 | 成都迪普曼林信息技术有限公司 | 地区安全态势信息管理*** |
US20200337625A1 (en) * | 2019-04-24 | 2020-10-29 | Interaxon Inc. | System and method for brain modelling |
CN111930141A (zh) * | 2020-07-21 | 2020-11-13 | 哈尔滨工程大学 | 一种水下机器人三维路径可视化跟踪方法 |
CN112260953A (zh) * | 2020-10-21 | 2021-01-22 | 中电积至(海南)信息技术有限公司 | 一种基于强化学习的多通道数据转发决策方法 |
CN112469102A (zh) * | 2020-11-10 | 2021-03-09 | 南京大学 | 一种面向时变网络的主动网络拓扑构建方法及*** |
CN112702294A (zh) * | 2021-03-24 | 2021-04-23 | 四川大学 | 一种基于深度学习的多层次特征提取的调制识别方法 |
CN112861686A (zh) * | 2021-02-01 | 2021-05-28 | 内蒙古大学 | 一种基于svm的图像目标检测方法 |
CN112906640A (zh) * | 2021-03-19 | 2021-06-04 | 电子科技大学 | 基于深度学习的空时态势预测方法、设备及可读存储介质 |
CN113238076A (zh) * | 2021-05-10 | 2021-08-10 | 西北工业大学 | 一种基于深度学习的复杂流场测量方法与*** |
-
2021
- 2021-11-08 CN CN202111313384.9A patent/CN114051273B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104764937A (zh) * | 2015-03-24 | 2015-07-08 | 中国人民解放军63892部队 | 一种电磁环境复杂度快速网格剖分显示方法 |
CN106304095A (zh) * | 2016-08-31 | 2017-01-04 | 中国人民解放军重庆通信学院 | 一种动态频谱管理***和方法 |
WO2019028269A2 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL ENVIRONMENT OF COLLECTING INTERNET DATA FROM OBJECTS WITH LARGE DATA SETS |
EP3623957A1 (en) * | 2017-09-21 | 2020-03-18 | Beijing Sankuai Online Technology Co., Ltd | Generation of point of interest copy |
CN109005108A (zh) * | 2018-06-29 | 2018-12-14 | 全球能源互联网研究院有限公司 | 一种空间网络路由规划方法及*** |
CN109560968A (zh) * | 2018-12-20 | 2019-04-02 | 中国电子科技集团公司第三十研究所 | 一种动态策略驱动的网络资源智能规划与配置方法 |
US20200337625A1 (en) * | 2019-04-24 | 2020-10-29 | Interaxon Inc. | System and method for brain modelling |
CN110568437A (zh) * | 2019-09-27 | 2019-12-13 | 中科九度(北京)空间信息技术有限责任公司 | 一种基于雷达辅助的精确环境建模方法 |
CN111026780A (zh) * | 2019-12-18 | 2020-04-17 | 成都迪普曼林信息技术有限公司 | 地区安全态势信息管理*** |
CN111930141A (zh) * | 2020-07-21 | 2020-11-13 | 哈尔滨工程大学 | 一种水下机器人三维路径可视化跟踪方法 |
CN112260953A (zh) * | 2020-10-21 | 2021-01-22 | 中电积至(海南)信息技术有限公司 | 一种基于强化学习的多通道数据转发决策方法 |
CN112469102A (zh) * | 2020-11-10 | 2021-03-09 | 南京大学 | 一种面向时变网络的主动网络拓扑构建方法及*** |
CN112861686A (zh) * | 2021-02-01 | 2021-05-28 | 内蒙古大学 | 一种基于svm的图像目标检测方法 |
CN112906640A (zh) * | 2021-03-19 | 2021-06-04 | 电子科技大学 | 基于深度学习的空时态势预测方法、设备及可读存储介质 |
CN112702294A (zh) * | 2021-03-24 | 2021-04-23 | 四川大学 | 一种基于深度学习的多层次特征提取的调制识别方法 |
CN113238076A (zh) * | 2021-05-10 | 2021-08-10 | 西北工业大学 | 一种基于深度学习的复杂流场测量方法与*** |
Non-Patent Citations (3)
Title |
---|
""S1-203180 SID Service Robot_Part1"", 3GPP TSG_SA\\WG1_SERV * |
YAN ZHUANG: "Data_Collection_with_Accuracy-Aware_Congestion_Control_in_Sensor_Networks", 《IEEE XPLORE》 * |
崔运鹏: "基于深度学习的自然语言处理...的发展及其在农业领域的应用", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114051273B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111770019B (zh) | 基于Dijkstra算法的Q-learning光片上网络自适应路由规划方法 | |
CN106777093A (zh) | 基于空间时序数据流应用的Skyline查询*** | |
CN114422349B (zh) | 基于云边端协同的深度学习模型训练和推理架构部署方法 | |
CN113411766B (zh) | 智慧物联网综合感知***及方法 | |
CN114727353A (zh) | 基于遗传算法的移动机会传感器网络自适应信息传输方法 | |
CN113411213A (zh) | 基于物联网的自组网拓扑控制方法及协同监测方法 | |
CN117726153B (zh) | 一种适用于无人机集群作业任务的实时重规划方法 | |
CN113676357B (zh) | 面向电力物联网中边缘数据处理的决策方法及其应用 | |
CN108471357A (zh) | 一种基于窄带物联网的终端接入调度方法及装置 | |
CN110996365A (zh) | 一种基于多目标优化模型的异构网络垂直切换算法及*** | |
CN111556090B (zh) | 智能物联网的功能聚合自组织***及方法 | |
CN116166444B (zh) | 一种面向深度学习分层模型的协同推理方法 | |
CN114051273B (zh) | 一种基于深度学习的大规模网络动态自适应路径规划方法 | |
CN106358302B (zh) | 一种无线传感器网络多收发器多信道分配算法 | |
CN108684066A (zh) | 基于K-medoids的无线传感器网络分簇方法 | |
CN107659501A (zh) | 基于复杂梯度网络的能效优化传输方法和*** | |
CN114401192A (zh) | 一种多sdn控制器协同训练方法 | |
CN113572690B (zh) | 面向可靠性的用电信息采集业务的数据传输方法 | |
Huber et al. | Priority list sensor scheduling using optimal pruning | |
CN106209459B (zh) | 一种停电***恢复路径智能优化的网络连通性修正方法 | |
CN116980881B (zh) | 一种多无人机协作数据分发方法、***、电子设备及介质 | |
CN112584348B (zh) | 无人机编队数据传输路径切换方法、***、介质及终端 | |
CN114389961B (zh) | 一种基于节点热度采样的图流三角形计数方法及装置 | |
CN117556288B (zh) | 一种基于物联网的物理空间管理***及方法 | |
CN114492769B (zh) | 数据处理方法、相关设备及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |