的人员更好地理解本发明方案，下面将结合本发明实施例中的 附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是 本发明一部分的实施例，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，都应当属于本发明保护的范 围。
[0033] 需要说明的是，本发明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。应该理解这样使用 的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或 描述的那些以外的顺序实施。此外，术语"包括"和"具有"以及他们的任何变形，意图在于 覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限 于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产 品或设备固有的其它步骤或单元。
[0034] 根据本发明实施例，提供了一种路由路径选择的方法实施例，需要说明的是，在附 图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽 然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出 或描述的步骤。
[0035] 图1是根据本发明实施例提供的一种路由路径选择的方法，如图1所示，本发明实 施例的执行主体可以是一种路由路径选择的装置，该方法包括如下步骤：
[0036] 步骤S101、在接收到路由请求后，获取历史流量数据。
[0037] 步骤S102、根据该历史流量数据建立流量感知模型。
[0038] 可选地，如图2所示，通过以下步骤执行步骤S102 :
[0039] SI 1、对该历史流量数据进行零均值处理。
[0040] S12、将零均值处理过的历史流量数据进行小波分解。
[0041] S13、在确定该小波分解后的历史流量数据为高频时，进行小波重构，并确定GM模 型得到第一预测时间序列。
[0042] 在本发明实施例中，该GM模型为：
[0044] 令 α =(α，μ)τ，Υ = Ηα
[0045] 利用最小二乘准则得到：
[0046] a = (HTH)
[0047] 其中，α为一阶单变量的参数的预测值；
[0048] Η为一阶单变量的数据矩阵，I
[0049] Y为该一阶单变量的数据向量，
为时间序列。
[0050] 根据上述GM模型可以得到第一预测时间序列，其中，该第一预测时间序列为：
[0052] 其中，a和μ为待辨识参数。
[0053] S14、在确定该小波分解后的历史流量数据为非高频时，确定AR模型，并对该AR模 型进行小波重构得到第二预测时间序列。
[0054] 在本发明实施例中，该AR模型为：
[0057] 整理后得到：
[0059] 其中，ρ为该AR模型的阶数，{XJ是平稳时间序列，炉为实数，％为平均数（本发 明实施例中假设为〇)，〇为白噪声序列的标准差。
[0060] 根据上述AR模型可以得到第二预测时间序列，其中，该第二预测时间序列为：
[0062] 其中，Xt(r)为父,的r阶预测结果，ρ为该AR模型的阶数，i = 1、2......p，屮为 实数。
[0063] S15、合成该第一预测时间序列和该第二预测时间序列得到该流量感知模型。
[0064] 这样，通过对两部分进行独立的预测，最后合成最终的预测结果，可以解决网络流 量预测过程中的高度病态特性，有效提高流量的预测精度。
[0065] 下面通过仿真实验对流量感知模型的有效性进行说明：
[0066] 仿真实验是在Matlab2012环境下进行的，仿真实验使用GEANT网络拓扑结构和真 实的流量数据进行分析。GEANT网络拓扑中有23个节点，74条单向链路和529个源-目的 节点对，流量数据采用5-min的抽样间隔，共计672个时刻。流量值的大小在0-800Gb/s之 间变化，最大链路利用率α =90%，我们根据α来设置链路最大容量（如950Gb/s)，在本 实施例中，为了更好的说明本发明实施例中的流量感知模型的有效性，可以将网络流量分 成两个部分进行分析：一部分是趋于平稳周期性变化的流量，另一部分是包含突变因素的 网络流量。
[0067] 通过仿真实验，能够得出流量感知模型可以对周期性平稳的流量进行准确预测。 而对于突变流量的预测，流量感知模型对于突变的流量也能准确预测，得到的预测值与真 实值基本吻合。因此，说明流量感知模型能够对真实的网络流量进行准确刻画，能够对流量 进行精确的感知。
[0068] 步骤S103、根据该流量感知模型利用LBUS休眠策略休眠网络中的预定链路，并生 成路由路径。
[0069] 其中，该预定链路包括链路的中间性小于或等于中间性门限值且链路利用率小于 或等于预设利用率门限值的链路。
[0070] 可选地，通过以下步骤执行根据该流量感知模型利用LBUS休眠策略休眠网络中 的预定链路：
[0071 ] S21、通过最短路径法或随机游走法测量该网络中链路的中间性。
[0072] 在本发明实施例中，通过最短路径法得到的中间性可以为：
[0074] 其中，B(k)为中间性，Xsd为s，d两点之间的最短路径条数，λ sd(k)为经过节点 k的最短路径的条数，V为全部节点集合。
[0075] 通过随机游走法得到的到中间性可以为：
[0077] 其中，γ sd为从源节点s到目的节点d的流量，γ = Σ s, d γ sd，bsk (d)为节点s出 发到达节点d的随机游走过程。
[0078] 需要说明的是，中间性的大小可以反映链路使用的概率，中间性越小越容易造成 网络能源的浪费。
[0079] S22、将该链路的中间性按照升序排序，得到链路队列。
[0080] S23、判断该链路队列中的当前链路是否超出该链路队列的长度。
[0081 ] S24、在确定当前链路未超出该链路队列的长度时，休眠该当前链路。
[0082] 其中，将中间性按照从小到大排列，同时将最大的中间性链路处于休眠状态，也就 是说中间性越大，流经它的数据分组越多，但会产生拥塞问题，为了提高网络能效，所以休 眠此链路。同时选择拥塞小的链路，提高网络能效。
[0083] 进一步地，在确定当前链路超出该链路队列的长度时，修改当前链路的权重并重 路由。
[0084] 其中，修改当前链路的权重并重路由的具体过程包括：将当前链路权重设置为无 穷大；利用该当前链路的权重进行重路由，获得新的路由路径。
[0085] S25、设置链路权重为与链路利用率有关的函数，对该历史流量数据进行路由，确 定链路利用率低的链路。
[0086] S26、统计该链路利用率低的链路对应的路由请求故障次数。
[0087] S27、在该路由请求故障次数不大于零时，删除该当前链路。
[0088] 其中，由于中间性大的链路容易产生网络瓶颈，因此在判断链路利用率低的链路 可行的话，可以使用链路利用率低的链路进行路由。同时删除中间性大的链路，使用链路利 用率低的链路，提高网络能效。
[0089] 进一步地，在该路由请求故障次数大于零时，则执行后续步骤S104至步骤S107。
[0090] 在本发明实施例中，为了说明LBUS休眠策略的有效性，可以从休眠链路数目、激 活链路的平均利用率和网络比特能耗三个方面对有无 LBUS休眠策略进行详细地对比分 析。
[0091] 图3为有无 LBUS休眠策略对网络链路数目的影响，从仿真结果可以看出，有休眠 策略的实现方式可以休眠9条链路，从而使得网络比特能耗降低，如图4所示。从图4的仿 真结果中可以看出，随着业务平均请求量的增加，网络的比特能耗不断减小，有休眠策略的 实现方式的比特能耗低于无休眠策略的实现方式。
[0092] 图5为LBUS休眠策略对平均链路利用率的影响。从仿真结果中可以看出，激活链 路的平均利用率随着业务需求的增加而增大。有LBUS休眠策略的实现方式的平均链路利 用率高于无 LBUS休眠策略的实现方式。这是因为休眠的链路数越多，处于激活状态的链路 平均利用率就会增大。
[0093] 步骤S104、基于预设约束条件根据Di jkstra算法得到该路由路径中能耗最小的 路径。
[0094] 其中，每条链路L的能耗函数由两个参数决定，一个是固定参数β，表示基本能 耗的比例系数，另一个为链路容量。基本能耗可以表示成线性函数，当链路负 载为〇时，能耗也为〇,这意味着链路L被关闭。
[0095] 根据基本能耗所占的比例系数可以得出，流量能耗在链路能耗中所占比例为 1_β，因此，流量的能耗函数可以由凸函数形式表示：
[0097] 综上，链路1^的能耗函数可以表示为：
[0099] 其中，Xi.j表示从节点i到节点j的链路负载。
[0100] 则以最小化网络的比特能耗为优化目标的优化模型可以表示为：
[0102] 其中，示最小能耗，B表示比特；E表示拓扑中所有链路的集合， EUd表示链路的能耗函数，Xu表示从节点i到节点j的链路负载。
[0103] 则在上述优化模型满足该预设约束条件下，通过该优化模型即可得到能耗最小的 路径。
[0104] 在本发明实施例中，上述约束条件包括：
[0105] 1、路由中流量出入守恒。
[0106] 即源节点通过一条出链路发送流量，并且不接受任何流量：
[0107] 其中
为节点（本实施例中为源节点）的出流量：
为节