确定最优路径的方法及装置的制造方法
【技术领域】
[0001] 本申请涉及通信网络技术领域，尤其涉及确定最优路径的方法及装置。
【背景技术】
[0002] 在通信网络中，吞吐量决定了数据传输的速度，为了使得传输的数据可以最快地 抵达目的地，网络节点之间的通信链路吞吐量是一个重要的考虑因素，即最短路径问题中， 路径权值的一个度量。然而在一个庞大的数据通信网络中，当一味地寻找大吞吐量的路径 去进行传输，久而久之必然会使得某些链路产生网络拥堵，网络中的某些服务器负载过大， 而导致网络部分瘫痪。
[0003] 目前，对于使用最短路径算法思想且兼顾通信网络中的负载均衡的问题，已发现 的解决方法中最常见的是根据最短路径算法返回的最优路径结果，结合网络当前负载状况 调整路径权值的方法。例如：
[0004] 一种是，首先利用最短路径算法，以某种网络使用者关心的判据为权值（如路径 长度、路径上节点的负载之和等）得到节点间的最短路径和次短路径的信息，然后按某种 改进后的启发式算法，用同样待定的判据和方法更新和处理最短路径和次短路径上节点的 信息，从中选择一条作为新的最短路径。
[0005] 另一种是，首先假定所有的路径权值相同且为1，计算出最优路径，然后为每一个 路径根据负载等情况设置一个参数，通过这个参数修改初始的路径权值，进而使得负载高 的路径权值变大，从最初所计算的路径中选择按照所改变的链路代价仍最佳的路径。
[0006] 上述方法均是将最短路径算法返回的所有路径根据当前网络负载状况进行进一 步筛选。但是其存在如下缺点：当系统每有一个访问请求，都需要花时间筛选最优路径。
【发明内容】
[0007] 本申请实施例提供确定最优路径的方法及装置。
[0008] 本申请的技术方案是这样实现的：
[0009] -种确定最优路径的方法，该方法包括：
[0010] 根据网络节点的状态参数以及网络链路的状态参数构造网络链路的代价函数，并 为各网络节点的状态参数和网络链路的状态参数设置影响因子；
[0011] 采用遗传算法为所述代价函数中的各影响因子寻找最优解；
[0012] 将各影响因子的最优解发送给网络中的各节点，以使得：网络中的各节点在接收 到数据访问请求时，根据各影响因子的最优解及所述代价函数计算本节点到目的节点的最 优路径。
[0013] 一种确定最优路径的装置，该装置包括：
[0014] 代价函数构造模块：根据网络节点的状态参数以及网络链路的状态参数构造网络 链路的代价函数，并为各网络节点的状态参数和网络链路的状态参数设置影响因子；
[0015] 遗传算法运行模块：采用遗传算法为所述代价函数中的各影响因子寻找最优解；
[0016] 影响因子发送模块：将各影响因子的最优解发送给网络中的各节点，以使得：网 络中的各节点在接收到数据访问请求时，根据各影响因子的最优解及所述代价函数计算本 节点到目的节点的最优路径。
[0017] 所述遗传算法运行模块采用遗传算法为代价函数中的各影响因子寻找最优解包 括：
[0018] 预先将各影响因子构成一个染色体；
[0019] 定义染色体的适应度为该染色体对应的网络平均响应时间的倒数；
[0020] 对每一代种群中的染色体进行选择、交叉、变异操作；
[0021] 当满足迭代结束条件时，将最后一代种群中的适应度最强的染色体作为最优解。
[0022] 所述遗传算法运行模块采用的迭代结束条件为：
[0023] 迭代总次数达到预设迭代次数阈值；
[0024] 或者，连续预设代种群中的适应度最强的染色体的网络平均响应时间都小于预设 网络平均响应时间阈值。
[0025] 所述遗传算法运行模块对每一代种群中的染色体进行选择、交叉、变异操作进一 步包括：
[0026] 当对一代种群中的染色体进行变异操作后，以前一代种群中适应度最强的染色体 替换当前代种群中适应度最弱的染色体。
[0027] 所述代价函数构造模块根据网络节点的状态参数包括：
[0028] 根据网络节点的CPU参数、网络节点的内存参数、网络节点的连接数参数之一或 任意组合；
[0029] 根据网络链路的状态参数包括：根据网络链路的带宽参数、网络链路的吞吐量参 数之一或组合。
[0030] 所述代价函数构造模块构造的网络链路的代价函数为：
[0033] 其中，i，j为网络中任意两个相邻的节点的标号，Cij为节点i、j之间的网络链路 的代价函数；
[0034] NETbwi为节点i的可用网络带宽；
[0035] NETthrij为节点i、j之间的网络链路的吞吐量；
[0036] LoadCPUj为节点j的CPU的占用率；
[0037] Tcpuj为节点j的CPU热点阈值；
[0038] LoadMEMj为节点j的内存占用率；
[0039] Tmemj为节点j的内存热点阈值；
[0040] LoadNETj为节点j的带宽占用率；
[0041] Tnetj为节点j的带宽热点阈值；
[0042] LoadCONj为节点j的连接数占用率；
[0043] Tconj为节点j的连接数热点阈值；
[0044] 凡;》,为节点j的CPU影响因子；
[0045] 为节点j的内存影响因子；
[0046] 为节点j的带宽影响因子；
[0047] P 为节点j的连接数影响因子；
[0048] a为第一负载均衡影响因子；
[0049] 0为第二负载均衡影响因子。
[0050]且，
[0054] A，，、、P conJ、a 和 0 的精度=1.0 X 10' n 为大于 0 的正整数。
[0055] 所述遗传算法运行模块对每一代种群中的染色体进行选择、交叉、变异操作包 括：
[0056] 当对一代种群的交叉操作或者变异操作结束后，对于本次迭代过程的交叉操作或 者变异操作后得到的种群中的每一个体：
[0057] 计算该个体中的前四个基因、P _j的和值suml，若suml不等 于1，则对于该四个基因中的每个基因，将该基因更新为：该基因与suml的倒数的乘积；
[0058] 计算该个体中的后两个基因a、|3的和值sum2,若sum2不为1. 0,则对于该后两 个基因中的每个基因，将该基因更新为：该基因与sum2的倒数的乘积。
[0059] 所述遗传算法运行模块将该基因更新为：该基因与sum2的倒数的乘积之后进一 步包括：
[0060] 判断更新后的个体中的基因是否都满足预设精度要求，若不满足，则：
[0061] 对于该更新后的个体中的前四个基因，对不满足精度要求的基因进行四舍五入处 理，设A；?,、、Aw,、P _』四舍五入前的值分别为X i、x2、x3、X4，四舍五入后的值分 别为 y"l、y"2、y"3、5^4,计算 zI- X l_y"l，Z2- X2_y2，Z3- X3_y3，Z4- X4_y4,计算 Zmax-Kiax (zJ,z2，z3，Z4)和 Zmin=min(zp z2，z3，Z4)，令 Ap",-少1、72、A,内,_ Pc〇nj=y4， 若 ZdZfZfZ4= 0,则保持 、A，、Aw,、P 的值不变；若 Z Jzdzfz4 =预设 精度1.0\10'则将2_对应的基因值增加1.0\10'其它基因值不变；若21+ 22+23+24 =-1.0 X KTn，则将Zmin对应的基因值减少1.0 X KTn，其它基因值不变；
[0062] 对于该更新后的个体中的后两个基因a、0，对不满足精度要求的基因进行四舍 五入处理，设a、0四舍五入前的值分别为^、X6，四舍五入后的值分别为y5、y6，计算Z5 -X5_y5，Z6- X6_y6,计算 Z max-胍X (Z5，Z6)和 Z min-mill(Z5，Z6)，令 Cl-y5、|3 -y6, 若z5+z6= 0,则a、0的值保持不变；若Z 5+z6= 1.0 X 10'则将z' max对应的基因值增加 1.0 X KTn，另一基因值不变；若z5+z6= -1.0 X 10'则将Zmin对应的基因值减少1.0 X l(Tn， 另一基因值不变。
[0063] 本申请实施例中，根据网络节点的状态参数以及网络链路的状态参数构造网络链 路的代价函数，并为各网络节点的状态参数和网络链路的状态参数设置影响因子，采用遗 传算法预先为所述代价函数中的各影响因子寻找最优解，从而在网络节点接收到访问请求 后，可以直接利用已经求得的最优解计算出最优路径，提高了确定真实最优路径的效率。
【附图说明】
[0064] 图1为本申请一实施例提供的确定最优路径的方法流程图；
[0065]图2为本申请一实施例提供的通过遗传算法计算影响因子的最优解的方法流程 图；
[0066] 图3为本申请实施例提供的遗传算法的运行过程流程图；
[0067]图4为本申请实施例提供的对每代种群进行修正的方法流程图；
[0068]图5为本申请实施例提供的利用Xbest计算最优路径的方法流程图；
[0069]图6为本申请实施例提供的确定最优路径的装置的组成示意图。
【具体实施方式】
[0070] 下面结合附图及具体实施例对本发明再作进一步详细的说明。
[0071]图1为本申请一实施例提供的确定最优路径的方法流程图，其具体步骤如下：
[0072] 步骤101 :根据网络节点的状态参数以及网络链路的状态参数构造网络链路的代 价函数，并为各网络节点的状态参数和网络链路的状态参数设置影响因子。
[0073] 步骤102:采用遗传算法为代价函数中的各影响因子寻找最优解。
[0074] 步骤103:将