CN114745322A - Sdn环境下基于遗传算法的视频流路由方法 - Google Patents

Sdn环境下基于遗传算法的视频流路由方法 Download PDF

Info

Publication number
CN114745322A
CN114745322A CN202210301100.2A CN202210301100A CN114745322A CN 114745322 A CN114745322 A CN 114745322A CN 202210301100 A CN202210301100 A CN 202210301100A CN 114745322 A CN114745322 A CN 114745322A
Authority
CN
China
Prior art keywords
path
population
paths
fitness
transmission
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
Application number
CN202210301100.2A
Other languages
English (en)
Other versions
CN114745322B (zh
Inventor
郭永安
王禹博
田丰
佘昊
钱琪杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210301100.2A priority Critical patent/CN114745322B/zh
Publication of CN114745322A publication Critical patent/CN114745322A/zh
Application granted granted Critical
Publication of CN114745322B publication Critical patent/CN114745322B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L45/302—Route determination based on requested QoS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • H04L45/12—Shortest path evaluation
    • H04L45/122—Shortest path evaluation by minimising distances, e.g. by selecting a route with minimum of number of hops
    • 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
    • H04L45/14—Routing performance; Theoretical aspects
    • 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
    • H04L45/30—Routing of multiclass traffic
    • 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
    • H04L45/302—Route determination based on requested QoS
    • H04L45/306—Route determination based on the nature of the carried application
    • 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
    • H04L45/38—Flow based routing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/12—Avoiding congestion; Recovering from congestion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/22—Parsing or analysis of headers
    • 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
    • Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Genetics & Genomics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请实施例提供了一种SDN环境下基于遗传算法的视频流路由方法，其技术要点是：接收的初始报文数据为路由请求后，提取报文头信息，以获得源目的交换机信息和应用层协议种类；根据所述源目的交换机信息和应用层协议种类，判断所述初始报文数据是否为视频流媒体，若不是，则为业务数据流，通过Dijstra计算得到第一传输路径以指引传输；若是视频流媒体，使用遗传算法获得源目的交换机间的第二传输路径，将所述第二传输路径下发到对应的交换机上，以指引所述视频流媒体的传输；当所述第一传输路径或第二传输路径出现堵塞，使用遗传算法重新规划路径，以指引传输。至少解决相关技术中流媒体业务的传输性能问题，从而进一步提高视频服务质量。

Description

SDN环境下基于遗传算法的视频流路由方法
技术领域
本申请涉及互联网技术领域，具体而言，涉及一种SDN环境下基于遗传算法的视频流路由方法。
背景技术
互联网技术的崛起与快速发展促进了视频业务的发展，人们的生活和工作正不断地被视频直播、视频点播、视频会议及监控视频等一系列流媒体视频应用改变着。随着网络技术的升级创新，互联网上的业务流数据将会越来越多，流媒体业务的应用也将会逐渐占据网络流量的半壁江山，而如果想要较好的视频观看效果，在视频传输过程中需要保证充足的网络带宽以及低时延和低丢包率，但是发展到今天，传统网络已有了较大的局限性，无法无限制地提供资源来满足各种视频的传输需求。此类业务有非常严格的QoS需求，但是目前的传统网络架构却存在着诸多弊端，不能完全满足流媒体业务的传输，导致流媒体业务的传输性能较差。
相关技术中，针对视频流媒体在网络中传输遇到的此种困境，IETF提出了很多服务质量机制和模型来试图解决问题，但这些机制和模型都是在分布式的网络架构上建立的，导致很难收集全局网络状态信息，所以经常出现无法及时改变数据传输策略的情况，视频流媒体的服务质量无法有效地保证，并且当大量数据请求叠加时，传输路径很容易变得拥堵，进而导致传输的视频数据需要很长时间才能到达对端或者因为拥堵时间过长而被直接丢弃，严重影响视频的服务质量。
基于上述技术需求，如何提高流媒体业务的传输性能，提高视频服务质量是一项亟需解决的问题。
发明内容
本申请实施例提供了一种SDN环境下基于遗传算法的视频流路由方法，以至少解决相关技术中流媒体业务的传输性能问题，从而进一步提高视频服务质量。
在本申请的一个实施例中，提出了一种SDN环境下基于遗传算法的视频流路由方法，所述方法包括：
接收初始报文数据，获取其中的有效数据，判断所述初始报文数据为路由请求后，提取所述初始报文数据的报文头信息，对所述报文头信息解析以获得源目的交换机信息和应用层协议种类；
根据所述源目的交换机信息和应用层协议种类，判断所述初始报文数据是否为视频流媒体，若不是，则为业务数据流，通过Dijstra计算得到第一传输路径，将所述第一传输路径下发到对应的交换机上，以指引所述业务数据流的传输；
若是视频流媒体，使用遗传算法获得源目的交换机间的第二传输路径，将所述第二传输路径下发到对应的交换机上，以指引所述视频流媒体的传输；
当所述第一传输路径或第二传输路径出现堵塞，使用遗传算法重新规划路径，当重新规划的新路径与旧路径不同时，使用新路径下发到对应的交换机上，以指引传输。
在一实施例中，所述遗传算法包括：
设置M,L,N,K四个参数，其中M为初始种群数，L为下一代种群数，N,K为判断算法是否停止的终止条件；
种群初始化设计，随机生成初始群体，群体数M,计算种群中个体的适应度；
执行精英选择算子，对剩余个体进行交叉操作，将选择交叉个体按变异概率变异处理；
判断新种群数量是否达到要求，若所述新种群数量未达到要求，则返回继续执行精英选择算子；
若所述新种群数量达到要求，则保存所有之前未出现的且满足Qos要求的染色体；
判断所述满足需求的染色体数量是否达到N，若所述数量达到N,则根据染色体的适应度选出最优的个体，然后输出结果，结束算法；
若所述数量未达到N，则判断迭代数是否达到K，若所述迭代数未达到K，则返回继续计算种群中个体的适应度，继续上述操作；
若所述迭代数达到K，则根据种群中个体的适应度选出最优的个体，然后输出结果，结束算法。
在一实施例中，所述种群初始化设计，包括：
对所有交换机节点进行随机排列，再随机生成部分从起点到终点的路径，作为初始种群；
将每次生成的路径保存到路径集合中，若新生成的路径已经在集合中，则该路径丢弃，若新生成的路径不在路径集合中，则该路径加入路径集合，直至达到种群的数量。
在一实施例中，所述计算种群中个体的适应度，包括：
预设适应度函数，其值越小，路径越优秀，路径i的适应度计算函数为：f(i)＝(fdelay(i)+floss(i))÷2；
其中，fdelay(i)是路径i所表示的时延适应度计算函数：
Figure BDA0003562913250000031
其中，sumi(delay)是路径i的时延总和，n是一代种群中个体的数量，
floss(i)是路径i的丢包率适应度计算函数:
Figure BDA0003562913250000032
Figure BDA0003562913250000033
其中，sumi(loss)路径i的丢包率总和，n是一代种群中个体的数量。
在一实施例中，所述精英选择算子，包括：
设定每次需要保留的精英路径数量和随机保留的普通路径数量；
对于一代群体，按照适应度值对路径进行由小到大的顺序排列，根据设定的数量值从中选择出适应度较好的的精英路径，直接复制到下一代；
根据设定的数量值再对剩余的路径执行交叉操作，并传入下一代。
在一实施例中，所述遗传算法包括通过交叉算子产生新的路径，所述交叉算子包括：
对经过精英选择算子后剩下的所有个体进行交叉，交叉的规则为在剩余的路径中随机选择两个路径，若两个路径除了源交换机节点和目的交换机节点外有超过一个的相同交换机节点，则在这些相同交换机节点里随机选择一个节点作为交叉点执行交叉操作，即以该交叉点为中心轴，将两条路径的前后交换机节点分别进行互换，便得到两条新的路径。
在一实施例中，所述遗传算法包括通过变异算子增大算法搜索范围，所述变异算子包括：
预设一个变异概率；
遍历所有经过精英选择算子与交叉算子后的下一代个体，每遍历一个路径，使用随机生成器生成一个随机数，与变异率做比较；
若变异率大于随机值，在该路径中随机选择一个交换机节点，将其随机重置为新的值。
通过本申请实施例，SDN网络架构具有转控分离、可编程的特点，简化了网络管理的复杂性，并且能灵活地调用网络资源，SDN网络架构与传统网络相比，提高了流媒体视频的传输。QoS路由策略利用SDN网络的可编程性以及能够周期地获得网络链路信息的特点，将遗传算法应用于QoS路由选路，并能执行动态路由的策略，在网络拥塞时，为视频流媒体计算新的传输路径，同时优化了流表更新的顺序，解决了流表一致性的问题，避免动态路由造成的流传输中断以及丢包等问题，提高视频流媒体的传输性能。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种可选的流程示意图；
图2是根据本申请实施例的一种可选的路由管理模块实现流程图；
图3是根据本申请实施例的一种可选的种群初始化流程图；
图4是根据本申请实施例的一种可选的适应度值计算流程图；
图5是根据本申请实施例的一种可选的精英算子选择流程图；
图6是根据本申请实施例的一种可选的交叉算子流程图；
图7是根据本申请实施例的一种可选的变异算子流程图；
图8是根据本申请实施例的一种可选的算法终止运行流程图；
图9是根据本申请实施例的一种可选的遗传算法求解QoS路由流程图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
如图1所示，提出了一种SDN环境下基于遗传算法的视频流路由方法，所述方法包括：
S202，接收初始报文数据，获取其中的有效数据，判断所述初始报文数据为路由请求后，提取所述初始报文数据的报文头信息，对所述报文头信息解析以获得源目的交换机信息和应用层协议种类；
S204，根据所述源目的交换机信息和应用层协议种类，判断所述初始报文数据是否为视频流媒体，若不是，则为业务数据流，通过Dijstra(迪杰斯特拉算法)计算得到第一传输路径，将所述第一传输路径下发到对应的交换机上，以指引所述业务数据流的传输；
S206，若是视频流媒体，使用遗传算法获得源目的交换机间的第二传输路径，将所述第二传输路径下发到对应的交换机上，以指引所述视频流媒体的传输；
S208，当所述第一传输路径或第二传输路径出现堵塞，使用遗传算法重新规划路径，当重新规划的新路径与旧路径不同时，使用新路径下发到对应的交换机上，以指引传输。
需要说明的是，在SDN(Software Defined Network)软件定义网络网络中，数据流的传输依靠流表中流表项的动作，若匹配到某个流表中的流表项，就按照该流表项规定的动作进行传输；若未能匹配到任何流表，一般情况下，会将数据包的信息交给路由控制器的管理模块进行不同的处理。所述控制器在区分出视频流媒体数据流后能基于遗传算法进行QoS(Quality ofService)路由，其他优先级的业务数据流进行最小跳数路由。
在SDN控制器Ryu上对所收到的报文通过Ryu控制器内的路由管理模块解析获取其中有效数据，有效数据主要包括各种控制行为的流表，路由管理模块确定流表中流表项的动作为路由请求后，路由管理模块会使用分类下发的方法对消息进行进一步的处理，先要提取消息报文中的报文头信息，随后对报文头中的数据进行解析得到源目的交换机的信息和应用层协议，若解析得到的是非最高优先级的业务流，所述控制器计算传输路径，然后将路径流表下发到对应的交换机上，以指引业务数据流的传输。若解析得到的是最高优先级的视频流体，则需要使用遗传算法获得源目的交换机间的传输路径。若所述传输路径出现拥塞，则会重新规划路径，若新的路径与缓存路径不同，则直接增加新的路径，将旧的路径删掉，按照所述新路径进行流表的下发，若新的路径与缓存路径相同，则表示网络中己经出现了全面拥塞，这时候只能依靠队列调度策略在端口对视频流媒体进行优先调度，最大可能减少拥塞带来的问题。。
如图2所示，在一实施例中，所述遗传算法包括：
S1，设置M,L,N,K四个参数，其中M为初始种群数，L为下一代种群数，N,K为判断算法是否停止的终止条件；
S2，种群初始化设计，随机生成初始群体，群体数M,计算种群中个体的适应度；
S3，执行精英选择算子，对剩余个体进行交叉操作，将选择交叉个体按变异概率变异处理；
S4，判断新种群数量是否达到要求，若所述新种群数量未达到要求，则返回继续执行精英选择算子；
S5，若所述新种群数量达到要求，则保存所有之前未出现的且满足Qos要求的染色体；
S6，判断所述满足需求的染色体数量是否达到N，若所述数量达到N,则根据染色体的适应度选出最优的个体，然后输出结果，结束算法；
S7，若所述数量未达到N，则判断迭代数是否达到K，若所述迭代数未达到K，则返回继续计算种群中个体的适应度，继续上述操作；
S8，若所述迭代数达到K，则根据种群中个体的适应度选出最优的个体，然后输出结果，结束算法。
需要说明的是，应用所述遗传算法解决实际问题需要初始化产生一些染色体，这些染色体是算法操作的对象。种群初始化一般需要考虑两点，分别是初始化采用的方式和种群的规模。
如图3所示，在一实施例中，所述种群初始化设计，包括：
对所有交换机节点进行随机排列，再随机生成部分从起点到终点的路径，作为初始种群；
将每次生成的路径保存到路径集合中，若新生成的路径已经在集合中，则该路径丢弃，若新生成的路径不在路径集合中，则该路径加入路径集合，直至达到种群的数量。
需要说明的是，所述种群初始化具体方法如下：随机生成从起点到终点的路径作为初始种群，在算法执行选择未被标记的邻接节点操作之前，需要对所有还未标记过的邻居节点进行随机排列，这样下一跳的选择是完全随机的，保证路径生成的随机性。当所述节点没有未被标记的邻接点时，首先判断是否为源点，若不是源点，则继续寻找，直到找到有邻接节点未被完全标记的点时停止算法的搜索，并将其邻接节点添加至路径链表中，重复上述操作，直到得到连接源点和终点的一条路径。每次生成的路径会保存到路径集合中，如果新生成的路径在此集合中，新的路径将被丢弃，不用于构造种群；如果新生成的路径不在此集合中，就将新路径加入到路径集合中，直到达到种群的数量，这样的操作减少了个体的重复，能够有效地提高种群基因的多样性及搜索的广度。
如图4所示，在一实施例中，所述计算种群中个体的适应度，包括：
预设适应度函数，其值越小，路径越优秀，路径i的适应度计算函数为：f(i)＝(fdelay(i)+floss(i))÷2；
其中，fdelay(i)是路径i所表示的时延适应度计算函数：
Figure BDA0003562913250000091
其中，sumi(delay)是路径i的时延总和，n是一代种群中个体的数量，
floss(i)是路径i的丢包率适应度计算函数:
Figure BDA0003562913250000092
Figure BDA0003562913250000093
其中，sumi(loss)路径i的丢包率总和，n是一代种群中个体的数量。
需要说明的是，适应度用来判别一条染色体的好坏，其值根据适应度函数计算。遗传算法中的各种进化操作都需要以染色体的适应度值作为衡量标准，因此适应度函数的设计成为遗传算法中的关键一步，其对算法收敛的速度以及能否找到合适的解有较大的影响。
所述适应度计算具体方法如下：在染色体适应度计算前需要设计好适应度计算公式，除适应度公式外还需获取含有路径链路信息的链表以及每条链路的QoS性能参数。最后根据适应度函数对每条染色体的适应度进行计算。在设计适应度函数时，对时延和丢包率的计算都除以了该代所有染色体相应性能值的和，所以在获得路径链表及QoS性能参数后，应计算出所有染色体相应性能值的和，以便每个性能的适应度的计算。
如图5所示，在一实施例中，所述精英选择算子，包括：
设定每次需要保留的精英路径数量和随机保留的普通路径数量；
对于一代群体，按照适应度值对路径进行由小到大的顺序排列，根据设定的数量值从中选择出适应度较好的的精英路径，直接复制到下一代；
根据设定的数量值再对剩余的路径执行交叉操作，并传入下一代。
需要说明的是，所述遗传算子的实现包括选择算子，交叉算子，变异算子和算法终止，分述如下：
所述选择算子根据个体的适应度判断一个个体是否拥有较强的“生命力”。选择算子执行优秀个体保留并遗传到下一代或利用交叉算子生成子代个体的操作。所述遗传算子采用“精英选择”策略，该策略将每代种群中的优秀个体直接遗传到下一代，并不经过交叉等算子的操作。
所述选择算子具体方法如下：精英选择策略以当前的种群作为输入，对输入种群中的个体进行适应度值的计算，得到个体的适应度值后根据适应度值进行排序，之后根据预先设定的保留率，选择群体中较好的个体，直接复制到下一代，保留率值设置为10％；在剩下的个体中遍历，每遍历一个个体，使用随机生成器生成一个随机值，与选择率做比较，若选择率大于随机值，则将这个个体作为下一代种群中的个体，选择率设置为1％，随机生成器生成的随机值在0-1之间。。
如图6所示，在一实施例中，所述遗传算法包括通过交叉算子产生新的路径，所述交叉算子包括：
对经过精英选择算子后剩下的所有个体进行交叉，交叉的规则为在剩余的路径中随机选择两个路径，若两个路径除了源交换机节点和目的交换机节点外有超过一个的相同交换机节点，则在这些相同交换机节点里随机选择一个节点作为交叉点执行交叉操作，即以该交叉点为中心轴，将两条路径的前后交换机节点分别进行互换，便得到两条新的路径。
需要说明的是，所述交叉算子是对染色体进行基因交换的操作，交叉操作将会得到新的基因组合即新的个体，扩展了算法的搜索空间。
所述交叉算子具体方法如下：对经过精英选择策略后剩下的所有个体进行交叉，交叉的规则为在剩余的染色体中随机选择两个染色体，若两个染色体除首尾基因外有超过一个的相同基因，则以随机选择交叉基因位点的方式执行交叉操作，由于交叉后形成的路径可能会存在环路的情况，因此需要对交叉后形成的新染色体进行基因是否重复的判断，以便排除有环路的染色体，若新染色体里无重复基因，可以将其作为下一代新染色体，再判断其是否全部交叉完，如果没有交叉完，则返回继续随机选择染色体。
如图7所示，在一实施例中，所述遗传算法包括通过变异算子增大算法搜索范围，所述变异算子包括：
预设一个变异概率；
遍历所有经过精英选择算子与交叉算子后的下一代个体，每遍历一个路径，使用随机生成器生成一个随机数，与变异率做比较；
若变异率大于随机值，在该路径中随机选择一个交换机节点，将其随机重置为新的值。
需要说明的是，所述变异算子能扩大基因的多样性，增大算法的搜索范围，在一定程度上防止局部最优解的出现，变异概率和变异方式是实现变异算子的基础。
所述变异算子具体方法如下：使用随机重置的方式，遍历所有经过选择与交叉后的下一代个体，每遍历一个个体，使用随机生成器生成一个随机数，与变异率做比较，若变异率大于随机值，则获取随机的基因位置，并在合理范围内随机获取基因的值，再将获取的随机值赋予基因。
如图8所示，在一实施例中，终止检查决定运行的算法在何时终止，在得到满足需求的路径的数量达到之前设置的N值时，就可以将遗传算法终止，并将适应度最好的一条路径作为解。在本实施例中，所述算法终止决定运行的算法在何时终止，算法终止示例性的设计了两种方式用以终止算法的运行，一是迭代数达到设定的值，算法将不再继续执行，返回最好的一条路径；二是需要依赖算法初始化时设置的N值，即存储的满足需求的染色体(路径)的数量到达N时，也可以终止遗传算法，并返回其中适应度最好的一条路径。这样做是因为所述QoS控制对时间要求非常敏感，算法收敛速度的提升可以提高路由效率，提高QoS控制的性能。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (7)

1.一种SDN环境下基于遗传算法的视频流路由方法，其特征在于，所述方法包括：
接收初始报文数据，获取其中的有效数据，判断所述初始报文数据为路由请求后，提取所述初始报文数据的报文头信息，对所述报文头信息解析以获得源目的交换机信息和应用层协议种类；
根据所述源目的交换机信息和应用层协议种类，判断所述初始报文数据是否为视频流媒体，若不是，则为业务数据流，通过Dijstra计算得到第一传输路径，将所述第一传输路径下发到对应的交换机上，以指引所述业务数据流的传输；
若是视频流媒体，使用遗传算法获得源目的交换机间的第二传输路径，将所述第二传输路径下发到对应的交换机上，以指引所述视频流媒体的传输；
当所述第一传输路径或第二传输路径出现堵塞，使用遗传算法重新规划路径，当重新规划的新路径与旧路径不同时，使用新路径下发到对应的交换机上，以指引传输。
2.根据权利要求1所述的方法，其特征在于，所述遗传算法包括：
设置M,L,N,K四个参数，其中M为初始种群数，L为下一代种群数，N,K为判断算法是否停止的终止条件；
种群初始化设计，随机生成初始群体，群体数M,计算种群中个体的适应度；
执行精英选择算子，对剩余个体进行交叉操作，将选择交叉个体按变异概率变异处理；
判断新种群数量是否达到要求，若所述新种群数量未达到要求，则返回继续执行精英选择算子；
若所述新种群数量达到要求，则保存所有之前未出现的且满足Qos要求的染色体；
判断所述满足需求的染色体数量是否达到N，若所述数量达到N,则根据染色体的适应度选出最优的个体，然后输出结果，结束算法；
若所述数量未达到N，则判断迭代数是否达到K，若所述迭代数未达到K，则返回继续计算种群中个体的适应度，继续上述操作；
若所述迭代数达到K，则根据种群中个体的适应度选出最优的个体，然后输出结果，结束算法。
3.根据权利要求2所述的方法，其特征在于，所述种群初始化设计，包括：
对所有交换机节点进行随机排列，再随机生成部分从起点到终点的路径，作为初始种群；
将每次生成的路径保存到路径集合中，若新生成的路径已经在集合中，则该路径丢弃，若新生成的路径不在路径集合中，则该路径加入路径集合，直至达到种群的数量。
4.根据权利要求3所述的方法，其特征在于，所述计算种群中个体的适应度，包括：
预设适应度函数，其值越小，路径越优秀，路径i的适应度计算函数为：f(i)＝(fdelay(i)+floss(i))÷2；
其中，fdelay(i)是路径i所表示的时延适应度计算函数：
Figure FDA0003562913240000031
其中，sumi(delay)是路径i的时延总和，n是一代种群中个体的数量，
floss(i)是路径i的丢包率适应度计算函数:
Figure FDA0003562913240000032
Figure FDA0003562913240000033
其中，sumi(loss)路径i的丢包率总和，n是一代种群中个体的数量。
5.根据权利要求4所述的方法，其特征在于，所述精英选择算子，包括：
设定每次需要保留的精英路径数量和随机保留的普通路径数量；
对于一代群体，按照适应度值对路径进行由小到大的顺序排列，根据设定的数量值从中选择出适应度较好的的精英路径，直接复制到下一代；
根据设定的数量值再对剩余的路径执行交叉操作，并传入下一代。
6.根据权利要求5所述的方法，其特征在于，所述遗传算法包括通过交叉算子产生新的路径，所述交叉算子包括：
对经过精英选择算子后剩下的所有个体进行交叉，交叉的规则为在剩余的路径中随机选择两个路径，若两个路径除了源交换机节点和目的交换机节点外有超过一个的相同交换机节点，则在这些相同交换机节点里随机选择一个节点作为交叉点执行交叉操作，即以该交叉点为中心轴，将两条路径的前后交换机节点分别进行互换，便得到两条新的路径。
7.根据权利要求6所述的方法，其特征在于，所述遗传算法包括通过变异算子增大算法搜索范围，所述变异算子包括：
预设一个变异概率；
遍历所有经过精英选择算子与交叉算子后的下一代个体，每遍历一个路径，使用随机生成器生成一个随机数，与变异率做比较；
若变异率大于随机值，在该路径中随机选择一个交换机节点，将其随机重置为新的值。
CN202210301100.2A 2022-03-24 2022-03-24 Sdn环境下基于遗传算法的视频流路由方法 Active CN114745322B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210301100.2A CN114745322B (zh) 2022-03-24 2022-03-24 Sdn环境下基于遗传算法的视频流路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210301100.2A CN114745322B (zh) 2022-03-24 2022-03-24 Sdn环境下基于遗传算法的视频流路由方法

Publications (2)

Publication Number Publication Date
CN114745322A true CN114745322A (zh) 2022-07-12
CN114745322B CN114745322B (zh) 2023-07-07

Family

ID=82277948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210301100.2A Active CN114745322B (zh) 2022-03-24 2022-03-24 Sdn环境下基于遗传算法的视频流路由方法

Country Status (1)

Country Link
CN (1) CN114745322B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116156592A (zh) * 2022-12-27 2023-05-23 深圳市宇通联发科技有限公司 低时延无线图传方法、装置、通信管理设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020035404A1 (en) * 2000-09-14 2002-03-21 Michael Ficco Device control via digitally stored program content
US6633544B1 (en) * 1998-06-24 2003-10-14 At&T Corp. Efficient precomputation of quality-of-service routes
US20120016820A1 (en) * 2010-07-19 2012-01-19 Tapicu, Inc. Stochastic search strategies for multimedia resource discovery and retrieval system
US20120140636A1 (en) * 2010-12-07 2012-06-07 Resende Mauricio Guilherme De Carvalho Methods and apparatus to determine network link weights
US20170206512A1 (en) * 2005-10-04 2017-07-20 Steven M. Hoffberg Multifactorial optimization system and method
CN110535770A (zh) * 2019-08-30 2019-12-03 西安邮电大学 一种SDN环境下基于QoS感知的视频流智能路由方法
CN113759927A (zh) * 2021-09-16 2021-12-07 重庆邮电大学 基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6633544B1 (en) * 1998-06-24 2003-10-14 At&T Corp. Efficient precomputation of quality-of-service routes
US20020035404A1 (en) * 2000-09-14 2002-03-21 Michael Ficco Device control via digitally stored program content
US20170206512A1 (en) * 2005-10-04 2017-07-20 Steven M. Hoffberg Multifactorial optimization system and method
US20120016820A1 (en) * 2010-07-19 2012-01-19 Tapicu, Inc. Stochastic search strategies for multimedia resource discovery and retrieval system
US20120140636A1 (en) * 2010-12-07 2012-06-07 Resende Mauricio Guilherme De Carvalho Methods and apparatus to determine network link weights
CN110535770A (zh) * 2019-08-30 2019-12-03 西安邮电大学 一种SDN环境下基于QoS感知的视频流智能路由方法
CN113759927A (zh) * 2021-09-16 2021-12-07 重庆邮电大学 基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116156592A (zh) * 2022-12-27 2023-05-23 深圳市宇通联发科技有限公司 低时延无线图传方法、装置、通信管理设备及存储介质
CN116156592B (zh) * 2022-12-27 2023-08-22 深圳市宇通联发科技有限公司 低时延无线图传方法、装置、通信管理设备及存储介质

Also Published As

Publication number Publication date
CN114745322B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
Chen et al. RL-routing: An SDN routing algorithm based on deep reinforcement learning
US6584071B1 (en) Routing with service level guarantees between ingress-egress points in a packet network
Iwata et al. ATM routing algorithms with multiple QoS requirements for multimedia internetworking
US6538991B1 (en) Constraint-based routing between ingress-egress points in a packet network
US8320277B2 (en) Multitopology routing method and system
CN111245722A (zh) 一种基于遗传算法的sdn数据中心网络流转发方法
Oida et al. An agent-based routing system for QoS guarantees
US6515965B1 (en) Available bit rate flow control for service allocation in a packet network
CN114745322B (zh) Sdn环境下基于遗传算法的视频流路由方法
Chang et al. CROP: Community-relevance-based opportunistic routing in delay tolerant networks
Hoceini et al. K-shortest paths Q-routing: a new QoS routing algorithm in telecommunication networks
Chooprateep et al. Video path selection for traffic engineering in SDN
Li et al. A data forwarding mechanism based on deep reinforcement learning for deterministic networks
Zhao et al. Routing guaranteed quality of service connections in integrated services packet networks
Aboelela et al. Fuzzy generalized network approach for solving an optimization model for routing in B‐ISDN
Kandavanam et al. A hybrid genetic algorithm/variable neighborhood search approach to maximizing residual bandwidth of links for route planning
JP3925423B2 (ja) 最適迂回ルート制御システムと方法、およびそのプログラムと記録媒体、ならびに通信装置
Andrade et al. Analysis of selection and crossover methods used by genetic algorithm-based heuristic to solve the lsp allocation problem in mpls networks under capacity constraints
Matta et al. On routing real-time multicast connections
Juva Analysis of quality of service routing approaches and algorithms
Garcia et al. Optimal lsp placement with qos constraints in diffserv/mpls networks
Rassaki et al. Optimising capacity assignment in multiservice MPLS networks
Yasodharan et al. Revenue Optimal Bandwidth Allocation in a Class of Multihop Networks: Algorithms and Asymptotic Optimality
Kim et al. Bio‐inspired Load Balancing Routing for Delay‐Guaranteed Services in Ever‐Changing Networks
Anh et al. Improved localized distributed routing algorithm with smart mechanism

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