一种基于免疫算法的网络吞吐量优化参数获取方法
【技术领域】
[0001] 本发明设及到计算机网络技术领域，具体的说是一种基于免疫算法的网络吞吐量 优化参数获取方法。
【背景技术】
[0002] 无线通信技术的快速发展极大促进了各种无线网络部署与应用，目前比较常见的 无线网络包括卫星网络、Ad hoc网络、蜂窝网络等，无线网络具有部署灵活方便、覆盖范围 广、维护简单易行、通信不受时间和空间限制、兼容性高、互操作能力强等优点，因此常常作 为网络不可或缺的一部分与有线网络共同进行部署，W达到更广的覆盖范围和更好的服务 质量。运种包含了有线网络与无线网络技术的网络称为异构网络，由于无线链路传输错误、 无线干扰等因素的影响，异构网络很容易发生误码丢包，而经典的TCP协议即使在网络发生 误码丢包时也会启动拥塞控制机制，错误地减小窗口大小，造成网络性能急剧降低，考虑到 异构网络的混合组网、多种通信方式共存导致数据丢包差异的特性，TCP Veno协议被提出。
[0003] TCP Veno协议针对异构网络存在无线误码丢包问题提出了基于丢包区分的AIMD 策略:数据发送端根据当前拥塞窗口cwnd和往返时延RTT(IX)Und-化ip time)计算出当前队 列中积压的包数N，由于N能够反映通信链路的状况，当N值较大，队列中排队等待的数据包 较多，丢包由拥塞引起;而当N值较小，队列中数据包能尽快的传输，不会发生拥塞，丢包可 认为是无线链路的随机误码引起，从而区分出拥塞丢包和无线误码丢包。N的计算公式为：
若N值小于口限值0，则可判断网络中发生误码丢包，cwnd降低为原来的4/5,若N值超过 口限值e，则可判断网络中发生拥塞，cwnd减半;为进一步分析TCP Veno协议的性能，在考虑 了3个重复ack和重传定时器超时两种丢包事件的情况下，基于TCP Veno的网络吞吐量方程 如下式所示
其中，丫 e[0.5,0.引，拥塞丢包时丫 =0.5,误码丢包时丫 =0.8，p为网络的总丢包率， 包含拥塞丢包和无线误码丢包事件，To为超时重传定时器的初始值； 因为TCP Veno实现了对网络中丢包事件类型的区分，该吞吐量方程能够较准确地预测 异构网络吞吐量的变化。
[0004] 而在网络吞吐量方程中，当网络延时变大时，数据包在队列中等待时间过长，容易 导致丢包，而往返时延也会同步增大，单位时间内接收到的数据包数反而减少，降低了网络 吞吐量;此外，在异构网络中存在的无线信道衰落、链路质量、往返时延、误码率均存在明显 的不确定性和动态变化性，因而异构网络是一个复杂的非线性时变系统，对于运样一个非 线性复杂系统，W模拟生物种群进化策略为出发点的人工免疫算法因具有收敛性好、寻优 能力强等优点，适合于求解此类系统的优化问题。目前已经在网络拥塞控制、无线频谱分 配、网络基站选址优化、多信道联合感知、网络认知引擎优化等通信网络优化相关领域得到 了广泛应用，然而，目前并没有将该算法用于研究异构网络的吞吐量优化问题。
[0005] 异构网络吞吐量优化问题可W描述为：在往返时延RTT，丢包率P分别满足约束条 件:RTT>0，0<P< 1的情况下，寻求最优的网络参数组合(RTT，P)，使异构网络的吞吐量B (P)最大。
[0006] 人工免疫算法通过初始化种群、亲和度评估、选择、交叉、变异和抗体促进和抑制 等操作，最终得到最优解。然而，现有方法所用算法采用固定的变异概率，在进化后期高亲 和度的抗体W较大概率发生变异，不利于保护已有的较优的抗体，且一般的均匀变异算子 在进化后期变异尺度较大，导致后期收敛速度慢，同时仅采用基于期望繁殖率的选择概率， 当抗体浓度和亲和度都越高时，抗体被选择的概率越大，不能保持种群的多样性。
【发明内容】
[0007] 为解决现有算法采用固定的变异概率，在进化后期高亲和度的抗体W较大概率发 生变异，不利于保护已有的较优的抗体，且一般的均匀变异算子在进化后期变异尺度较大， 导致后期收敛速度慢等问题，本发明对人工免疫算法进行改进，并W此为基础提供了一种 基于免疫算法的网络吞吐量优化参数获取方法。
[0008] 本发明为解决上述技术问题所采用的技术方案为:一种基于免疫算法的网络吞吐 量优化参数获取方法，包括W下步骤： 1) 设定抗体群pop的规模Siz邱op、记忆库种群overbest，设定参数RTT和丢包率P的取 值范围是[a, b]，采用浮点数编码方式，随机产生M个长度为2的初始抗体Pid=Ui, X2)，且Xi = a+r X (b-a)，i = 1,2; 其中，Xi是抗体的某个基因，Xi和X2分别表示RTT和p，M=siz邱op+overbestj为[0,1] 之间的随机数，此时，每一个抗体代表一种可能的参数组合方案，从抗体种群中随机选取 overbest个抗体组成记忆库Abl; 设定抗体完成一次交叉、变异、选择操作为一次迭代，当前的迭代次数为g; 设定免疫算法进行交叉、变异、选择操作的最大次数为最大迭代次数为gmax，gmax由多 次试验进行确定，其值为200~1000，若g = gmax，则终止算法，输出结果； 2) 对种群中的抗体进行亲和度评估 将异构网络TCPVeno的吞吐量公式作为免疫算法的目标函数，其公式如下：
其中，丫 e[0.5,0.引，拥塞丢包时丫 =0.5,误码丢包时丫 =0.8，p为网络的总丢包率， 包含拥塞丢包和无线误码丢包事件，To为超时重传定时器的初始值； 将目标函数B(P)作为亲和度评估函数fitness,即fitness = B(p)，亲合度函数值越大， 亲和度越高，所获取的吞吐量也就越大； 按照上式对组成种群中M个抗体的网络参数组合进行亲和度计算后，并按照亲和度大 小进行降序排列，将亲和度高的前overbest个参数组合(RTT，p)放入记忆库Abl中进行更 新； 3) 判断算法当前的迭代次数g是否达到最大进化代数gmax，若达到，则终止算法，输出 此时记忆单元Abl中亲和度最高的网络参数组合(RTT，p)，即为所求的最优化网络吞吐量的 网络参数，否则，转入步骤4); 4) 判断交叉概率Pc与r的关系，Pc为经验值，取0.5~0.99，r为[(U]之间的随机数，若Pc >r，则由公式对抗体群pop中的随机两个抗体执行交叉操作，得到新的抗 - J 化> 十 I 1 - / I.口I 体，并组成新的抗体群P〇p2;否则，保持抗体群中的两个抗体不变，转入步骤5); 5) 对步骤4)得到的抗体群pop2中的抗体进行自适应小波变异操作 采用公式Pm ( g ) = Pm( g-1 ) ( 1 -0.0 1 *g/gmax )对步骤4 )得到的抗体群pop2中的每一个抗 体进行动态的变异概率计算，式中Pm(g-l)为上一次迭代的变异概率，Pm(g)为当前迭代的变 异概率，判断交叉概率为Pm与r的关系，Pm为经验值，r为[(U]之间的随机数，若pm>r，则按 照W下自适应小波变异算子变异公式对该抗体进行变异操作得到新的抗体： 巧' =1? + A(沪化…-C".))。似，沪。(容)> 0 式中，函数二I''；为基于时间的变尺度，Xmax和Xmin分别a为变量的最 大值和最小值，f为[-3a(g)，3a(g)]之间的随机数，0(g)为小波变异函数，其计算公式为：
函数a(g)的计算公式为4各；)=。-^^1-""/?"->+1"^，式中，〇为曰(旨）的上限，设为10000，曰 (g)的取值随着g的增加在1和10000之间增大，而a(g)的取值随着g的增加取值不断减小； 将得到的运些新的抗体组成新的抗体群落P〇p3; 6) 根据W下公式计算抗体群落pop3中每个抗体的被选择概率并进行轮盘赌选择操作， 从而得到新的抗体群P〇p4;
式中，a = 〇.9，e为常数，则抗体即网络参数被选择进入下一代的选择概率，fitness(i) 为抗体群中某一抗体的亲和度，sizepop为种群大小，取值50~200，Ci为抗体的浓度； 抗体浓度Cl是群体中相似抗体所占的比例，即
，在该公式中， %,^='1'〇^^/，了为抗体的亲和度阔值，了 = 〇.9点,功抗体与抗体之间的亲和度，51^二 l/(l+dij)，di功抗体化佔1，化2，义13)和刮(刮1，刮2，邮)之间的欧式距离，如的计算公式如下：
7) 对步骤6)得到的抗体群pop4执行步骤2)的操作，从中选取出亲和度较高的前I个抗 体，同时采用步骤1)中的浮点数编码方式重新生成Siz邱OP-I个抗体，将运两种方式得到的 抗体合并组成新一代抗体群P〇p5; 8) 将步骤7)得到的抗体群pop5按照步骤2)的操作执行。
[0009] 有益效果：本发明利用免疫算法，W经典异构网络吞吐量公式作为目标函数， (RTT，p)编码为抗体集，提出了一种新的获取吞吐量最优的网络参数的算法，该算法利用浮 点数编码、亲和度评估、免疫记忆、小波变异、浓度抑制、非均匀交叉等机制得到最优的网络 参数，再结合智能控制机制将网络参数稳定在最优值附近，可W优化网络吞吐量。
【具体实施方式】
[0010] 下面结合具体实施例对本发明的技术方案做进一步的阐述。
[0011] -种基于免疫算法的网络吞吐量优化参数获取方法，包括W下步骤： 1) 设定抗体群pop的规模Siz邱op、记忆库种群overbest，设定参数RTT和丢包率P的取 值范围是[a, b]，采用浮点数编码方式，随机产生M个长度为2的初始抗体Pid=Ui, X2)，且Xi = a+r X (b-a)，i = 1,2; 其中，Xi是抗体的某个基因，Xi和X2分别表示RTT和p，M=siz邱op+overbestj为[0,1] 之间的随机数，此时，每一个抗体代表一种可能的参数组合方案，从抗体种群中随机选取 overbe