专利名称：基于智能计算的网络路径态势估计方法
技术领域：
本发明涉及网络技术，尤其针对多跳分组宽带网络端到端传输路径的一种基于智能计算的网络路径态势估计方法。
背景技术：
趋于传输简单化和边缘智能化的宽带网络将综合承载具有不同业务特征和差异 化服务质量需求的多业务应用，为不同业务提供差异化的端到端传输性能保障需要基于传 输路径实时状态信息的自适应网络控制策略。传统使用测量方法获取网络路径状态信息，即源端发送一个或几个探测分组测量 传输路径负载状态，根据返回分组的服务质量指标判断网络路径当前状态，它存在着测量 准确性和网络状态信息陈旧性问题。测量机制获取的参数是通过对实际参数近似得到，而 且任何测量方法都会存在误差，甚至错误，它只能反映网络路径的不完全状态。此外，测量 的网络状态结果都是瞬时的路径信息，而传播本地状态延迟和网络状态动态更新带来时间 上的不精确性，会使得网络状态不再完全符合测定结果，存在着状态信息陈旧。陈旧的状态 信息会造成路由失败和连接建立失败。为避免网络路径状态信息的陈旧性，常用分布式基 于本地状态信息的控制策略或者额外增加移动代理提供实时路径状态信息。但前者存在着 瓶颈链路遗漏问题，即处于传输路径中间或后端的瓶颈链路被遗漏判断，造成业务端到端 的连接建立失败。通过移动代理集中网络状态信息会导致网络控制策略过度依赖于移动代 理的性能，且要求移动代理具有较高的稳定性和处理速度。传统网络路径状态信息获取方法存在的不完整性和陈旧性会导致网络节点对路 径状态的判断存在着不完全或不确定的因素，损害自适应控制策略的精度和效率性能。
发明内容
本发明目的是利用网络边缘设备的计算能力简化网络中间节点操作的复杂度，实 现在不增加网络复杂性的情况下提高网络机制性能。它通过下述技术方案来实现所述包括如下步骤首先从网络的一级融合输出信息中获取本地链路当前状态信 息和陈旧路径状态信息；测量本地链路状态指标和路径状态指标，采用模糊隶属函数对不 同态势下的链路状态指标和路径状态指标分别进行量化，得到对应链路状态的基本概率赋 值函数Ii^和路径态势估计的基本概率赋值函数mP ；使用Dempster数据合成规则对上述两 基本概率赋值函数进行数据融合，得出路径状态不同态势的对应概率值，选取其中概率值 最大的网络路径状态作为传输路径准实时态势值。所述链路状态指标设定为优先队列队长值和当前链路公平速率，所述路径状态指 标设定为当前选择路径与最短路径的路由跳数之差所形成的路径跳数差Ah和当前路径 的有效带宽r。所述链路态势估计设定为{0，H，L}, BP {过载，重载，轻载}三种态势类。在所述链路中，设优先队列队长Q = X，最大缓存容限为B，并取χ上限为B，拥塞门限Qt = xL,队列转发门限Qft = Xu ；采用队长模糊子集的隶属函数对队列指标的基本概率 赋值函数叫={q3, q2，Q1I进行量化，链路当前{0，H，L}三种态势的基本概率分配值为 1, x<xL<formula>formula see original document page 5</formula>
<formula>formula see original document page 5</formula>
<formula>formula see original document page 5</formula>
其中xj，qj，j = 3，2，l，q」为不同态势下的队长。在所述网络的链路中，设公平速率Rf = X、拥塞门限Rt = &、拥塞告警门Rct = Xu，链路速率为C、并取χ上限为C，采用公平速率模糊子集的隶属函数对公平速率指标的基 本概率赋值函数％ = (R1, R2, R3I进行量化，其中，Ri, i = 1，2，3分别表示链路当前{0，H， U三种态势的基本概率分配值。所述链路当前状态的基本概率赋值函数％由队列指标的基本概率赋值函数和公 平速率指标的基本概率赋值函数正交和得到，即<formula>formula see original document page 5</formula>其中ApA2、A3为路径态势基本概率赋值函数的中间变量。所述有效带宽r:<formula>formula see original document page 5</formula>(5)其中C为链路容量，Rs为优先业务流平均恒定速率，Ns为链路进程承载的优先业 务流，Ne为链路进程承载的弹性流；所述路径跳数差Ah为待传输路径Pt与最短路径的路由跳数差。用路径效用函数U (Ρτ, B) = Inr-G ‘ Ah (6)来描述所述网络的路径拥塞状态，其中Ge (0，⑴)为比例增益常数，默认为1，B 为网络节点最大缓存容限，Pt为待传输路径。在所述路径中，设拥塞门限Ut = InR1, r e (RT, Rct]，拥塞告警门限Uct = InRci, 采用模糊子集的隶属函数对路径态势估计的基本概率赋值函数为mP = (A1, A2, A3I进行量 化，链路当前10，H，L}三种态势的基本概率分配值为<formula>formula see original document page 5</formula>
<formula>formula see original document page 6</formula>(8)<formula>formula see original document page 6</formula>(9)其中，Ai,i = 1，2，3， /Μ，Pt 为待传输路径。经过Dempster合成规则进行数据融合得到的网络路径的新基本概率赋值函数 Hi(Ai)<formula>formula see original document page 6</formula>(10)Ai, i = 1，2，3分别表示网络路径的{0，H，L}三种态势的新基本概率赋值函数值。上述方法包含网络状态指标数据获取及对所获取的状态指标数据进行基本概率 赋值和决策级的智能推理过程两部分。在获取有效数据的基础上通过智能计算获取网络路 径可能的准实时态势，以作为网络操作机制的判决依据。通过联合应用本地下游链路实时 状态和待传输路径陈旧路径状态信息，在智能计算的基础上估计出可能传输路径的所有态 势，计算每种可能态势的置信度，选取置信度最大的态势作为网络传输路径的准实时路径 状态值。避免了现有测量方法固有的网络状态信息陈旧性，减少了网络中间节点的操作，降 低了网络复杂度，为保证多业务共同承载下的差异化端到端性能机制，提供了有效的网络 路径状态信息。由此，本发明方法将产生如下有益技术效果1)通过模糊化处理本地链路 状态指标和陈旧路径状态指标(路径效用函数)能够在网络接入端节点实现网络端到端路 径状态的准实时估计，不需要网络中间节点参与处理，简化了网络操作复杂度；2)由推理 计算获得的网络路径准实时状态能够为网络操作机制，如网络接纳控制、路由等提供传输 路径的网络承载状态的实时评价。
图1是路径态势估计推理过程图。图2是数据融合状态指标模糊化过程图。图3是数据融合效用函数指标模糊化过程图。
具体实施例方式参见图1，该图给出了基于本地链路状态指标和陈旧路径状态指标基本概率赋值 函数的数据融合计算模型。由本地节点采集本地下游链路当前承载状态信息和前一测量周期的陈旧路径状 态信息。通过网络节点调度机制的公平份额算法进行链路状态指标测量，得到链路公平速 率R描述链路的平均吞吐量，标识出非优先业务流承载状态；调度机制队列管理功能对不 同队列队长的统计，测量出优先业务流承载状态的优先队列队长值Q。然后在模糊化状态指 标的过程中分别实现状态指标基本概率赋值，共同构成链路态势估计的输入数据源，在一 级Dempster数据融合的基础上估计出态势状态集，得到本地链路状态估计值L，L表示本地状态在t时刻对不同命题的判断。在本地节点从路由交换信息中读取前一测量周期的陈旧路径状态信息，路径状态 指标的测量则由弹性业务平均速率和路由跳数构建的效用函数来描述传输路径不同陈旧 态势。即用当前选择路径与最短路径的路由跳数之差所形成的路由跳数差Ah和当前路径 的有效带宽r作为路径状态指标。模糊隶属函数对该路径状态指标进行基本概率分配，得 到路径状态指标P，P表示陈旧路径状态在t时刻对不同命题的判断结果，为路径新状态的 估计提供参考输入数据源。采用模糊隶属函数对上述不同态势下的链路状态指标和路径状态指标分别进行 量化1.对链路状态指标的量化本发明对链路状态指标的量化中，其本地链路状态指标描述了网络节点下游链路 承载现状，为整个传输路径状态的估计提供本地实时信息。目的是为网络路径数据融合计 算过程提供实时本地链路基本概率赋值函数值。本地链路状态指标在流感知业务区分下，由调度机制测量优先队列队长Q和当前 链路公平速率指标R分别描述优先业务和弹性业务的承载状态，并使用两类状态指标推理 出准实时本地状态，进而对路径状态的不同命题作出估计，得到不同态势类的基本概率分配。鉴于流感知业务区分固有的模糊性，模糊流感知通过模糊化业务区分速率界值为 边界区间来表达此模糊性，能够自适应网络状态的动态变化，实现一致的业务区分和网络 操作。设链路状态指标对链路态势的估计为10，H，L}，分别表示链路处于{过载，重载，轻 载}三种态势类，则状态指标的模糊子集可以使用三角形和梯形实现对事件状态的量化， 如图2。设优先队列队长为Q，拥塞门限为QT，队列转发门限为Qft，最大缓存容限为B，若取 队长Q = x,QT = xl,Qft = %，并取χ上限为B，则使用队长模糊子集的隶属函数对队列指标 的基本概率赋值函数mQ = {q3，q2，qJ进行量化，如式(1) (3)，其中q」，j = 3，2，1分别
表示链路当前10，H，L}三种态势的基本概率分配值，其中Xm =^ixu-xL)。j
1, χ ^^/Zi(χ) = · (xM-x)/(xM -xL), xe(xL,xM](1)
0, χ>χΜ
(χ — Xi) Ι、ΧΜ —XL\ X € {xL，Xm ]μΗ O) = Uxu - χ) /(Xy
0,others
'0, χ<χΜ/Z0(X) = ^(X-Xm)Z(Xu-Xm), Xe(XM,Xy](3)
1,χ > Xu同样设当前链路公平速率为Rf，拥塞门限为RT，拥塞告警门限为Rct，链路速率为C， 若取变量Rf = χ，Rt = xL, Rct = Xu,并取χ上限为C，则使用公平速率模糊子集的隶属函数 式(1) (3)同样能够对公平速率指标的基本概率赋值函数％= (R1, R2, R3I进行量化，其中Ri;i = 1，2，3分别表示链路当前{0，H，L}三种态势的基本概率分配值。于是，本地链路 状态的基本概率赋值函数mL由优先队列和公平速率指标的正交和得到如下mL = (A1 ) = mQ mR2.对路径状态指标的量化本发明的路径状态指标的量化反映了网络前一周期承载状态，为下一周期可能的 传输路径状态提供参考信息。目的是为网络路径数据融合计算过程提供陈旧的网络路径状 态指标的基本概率赋值函数值，为智能计算提供输入数据源。多业务网络中，对时延敏感的实时业务通常选择最短路径优先策略以减少 路径传输时延，而路径有效带宽最大化作为第二路由规则，即使用最宽最短路由算法 (Widest-Shortest Pathalgorithm, W-S)，由于所有选择路径均为最短路径，故传输路径上 的有效带宽反映了网络传输实时业务的最优路径拥塞状态，则可使用路径有效带宽描述实 时业务流的路径拥塞状态。路径有效带宽定义为传输路径上所有链路有效带宽的最小值， 若链路容量为C，链路进程承载的优先业务流和弹性流分别为(Ns，Ne)，优先业务流平均恒
定速率为Rs，其有效带宽r为链路弹性流的平均有效速率
C-Ns-Rs...r=(5)
K+1对应用响应时间敏感的弹性流希望选择有效带宽最大路径传输数据，而路由跳数 最短作为次要条件，即使用最短最宽路由算法(Shortest-Widest Path algorithm, S-ff), 则路由跳数差Ah可以描述弹性流的路径拥塞度，其中Ah为流当前选择路径的路由跳数 与最短路径路由跳数之差，路由跳数可由路由算法本身测量获得。根据不同业务流的路径 拥塞指标，定义路径效用函数(Utility Function)描述多业务网络的路径拥塞状态U (Ρτ, B) = Inr-G ‘ Ah (6)其中Ge (0,-)为比例增益常数，默认为1，路由跳数差Ah为待传输路径&与 最短路径路由跳数差，r为待传输路径Pt的有效带宽。效用函数U随有效带宽r递增而增 大，随路由跳数差Ah增加而线性递减，当G = 0时，效用函数退化为弹性流的有效带宽最 大路由算法(WidestPath algorithm)的选路标准；当G =⑴时，效用函数又变为优先业务 流的最短路径路由算法(Minimum-Hop Path algorithm)的选路标准。因此，效用函数能够 综合反映网络传输路径的拥塞状态。由效用函数得到的路径状态估计是过时的，但可以作为网络路径态势估计的路径 状态基本概率赋值函数的输入值。当路径有效速率小于本地链路公平速率下限Rt时，说明 后端瓶颈链路不能满足接入业务流的基本吞吐量要求，路径处于拥塞状态，所有路由算法 只选择最短路径有效，即Ah = 0，效用函数仅是有效带宽的对数值，且定义为效用函数的 拥塞门限叫=111&。当re (RT, Rct]时，说明路径瓶颈链路处于接入端拥塞告警门限内， 路径处于重载状态，为减小网络阻塞率，弹性流也尽量选择最短路径传送分组，此时定义为 效用函数的拥塞告警门限Uct = In Rct。当路径有效带宽大于接入链路拥塞告警门限速率 时，说明路径能够保证接入流的传输性能，路径处于轻载，此时弹性流将优先选择S-W路由 算法，路径Pt的效用函数为=Inr-AZz5G= 1。若设路径状态对路径态势的估计为{0， H，L}，分别表示路径处于{过载，重载，轻载}三种态势类，那么路径状态的模糊子集可量化实现为图3所示，其中C/M =^(UCT-UT)。设路径态势估计的基本概率赋值函数为mP = {A1;A2，A3}，其中Ai, i = 1，2，3分别 表示链路当前I0，H，L}三种态势的基本概率分配值{μ。ω，μΗ(ιι)，yju)}，则由模糊子 集可分别量化为<formula>formula see original document page 9</formula>
<formula>formula see original document page 9</formula>
<formula>formula see original document page 9</formula>
基于上述估计的链路状态态势和陈旧路径态势的不同状态子集所对应概率值 H^(Ai) ^p(Ai),在二级数据融合的基础上估计出路径不同的新态势集及相应概率值，并取最 大概率状态为路径准实时态势。网络路径态势估计结果的正确性依赖于本地链路状态和陈旧路径状态的周期性 测量与更新，在测量本地链路状态指标的基础上，量化得到链路状态的基本概率赋值函数 mL和陈旧路径状态的基本概率赋值函数mP后，每个测量指标的变化都会重新推理出新的态 势估计，并更新基本概率分配。全局状态合成后的基本概率分布描述了对网络态势的综合 估计，最后由决策逻辑进行判断，将具有最大置信度的命题作为备选命题。可见，由状态指 标推理得到对不同态势类的基本概率分配是态势估计的关键。L表示本地状态在t时刻对不同命题的判断，P表示陈旧路径状态在t时刻对不同 命题的判断结果，Hil(A1), mP (Ai), i = 1，2，3为对命题&的基本概率分配，则Hi(Ai)为经过 Dempster合成规则得到的网络路径的新基本概率赋值函数Hi(Ai)，i = 1，2，3，且有^(為；^所乂乂^十附乂具)"· = ^〗,〗(10)路径准实时状态基本概率赋值函数Hi(Ai)描述了网络不同可能态势的估计值，选 取其中概率值最大的网络路径状态作为可能的传输路径准实时态势值，并用作网络接纳控 制的判决条件。路径状态的更新随路径指标的周期性测量而进行预计算更新，在同一测量 周期内状态保持不变。网络路径态势估计方法需要本地链路状态信息和传输路径状态信息的支撑，两类 不同状态通过模糊理论与传输路径态势进行映射，生成相应的基本概率赋值函数，从而输 出不同周期内的一级态势相关评价值。每种状态信息均仅从某一个方面描述传输路径状 态，存在信息不完整缺陷，但可以作为二级态势推理的证据体。网络路径态势估计在一级态 势评价值的基础上，由Dempster合成规则进行数据融合计算，得出待传输路径态势的总体 评价。本发明的路径态势估计方法推理出网络传输路径的准实时路径状态，为网络操作机制提供端到端的实时状态信息 。目的是通过适度增加网络边缘节点的计算量来实现网络 核心状态无关，在不损害网络机制性能的基础上，简化网络复杂度。
权利要求
基于智能计算的网络路径态势估计方法，其特征在于从网络的一级融合输出信息中获取本地链路当前状态信息和陈旧路径状态信息；测量本地链路状态指标和路径状态指标，采用模糊隶属函数对不同态势下的链路状态指标和路径状态指标分别进行量化，得到对应链路状态的基本概率赋值函数mL和路径态势估计的基本概率赋值函数mP；使用Dempster数据合成规则对上述两基本概率赋值函数进行数据融合，得出路径状态不同态势的对应概率值，选取其中概率值最大的网络路径状态作为传输路径准实时态势值。
2.根据权利要求1所述的基于智能计算的网络路径态势估计方法，其特征在于所述链路状态指标设定为优先队列队长值和当前链路公平速率，所述路径状态指标设定为当前选 择路径与最短路径的路径跳数差Ah和当前路径的有效带宽r。
3.根据权利要求2所述的基于智能计算的网络路径态势估计方法，其特征在于所述链 路态势估计设定为10，H，L}，目卩{过载，重载，轻载}三种态势类。
4.根据权利要求3所述的基于智能计算的网络路径态势估计方法，其特征在于在所述 链路中，设优先队列队长Q = X，最大缓存容限为B，并取χ上限为B，拥塞门限Qt = xL,队 列转发门限Qft = Xu ；采用队长模糊子集的隶属函数对队列指标的基本概率赋值函数％ = {q3，q2, qj进行量化，链路当前{0，H，L}三种态势的基本概率分配值为<formula>formula see original document page 2</formula>其中义M =|(Χ/-、)，1，■]·= 3，2，l，q」为不同态势下的队长。
5.根据权利要求4所述的基于智能计算的网络路径态势估计方法，其特征在于在所述 网络的链路中，设公平速率Rf = χ、拥塞门限Rt = &、拥塞告警门Rct = %，链路速率为C、 并取χ上限为C，采用公平速率模糊子集的隶属函数对公平速率指标的基本概率赋值函数 mE = (R1, R2, R3I进行量化，其中，Ri, i = 1，2，3分别表示链路当前{0，H，L}三种态势的基 本概率分配值。
6.根据权利要求5所述的基于智能计算的网络路径态势估计方法，其特征在于所述链 路当前状态的基本概率赋值函数A由队列指标的基本概率赋值函数和公平速率指标的基 本概率赋值函数正交和得到，即mL=(A) = mQ^mR其中Ai;i = 1，2，3表示链路当前{0，H，L}三种路径态势的基本概率赋值函数的中间变量。
7.根据权利要求2所述的基于智能计算的网络路径态势估计方法，其特征在于所述有效带宽r <formula>formula see original document page 3</formula>其中C为链路容量，Rs为优先业务流平均恒定速率，Ns为链路进程承载的优先业务流， Ne为链路进程承载的弹性流分；所述路径跳数差Ah为待传输路径Pt与最短路径的路由跳数差。
8.根据权利要求7所述的基于智能计算的网络路径态势估计方法，其特征在于用路径 效用函数<formula>formula see original document page 3</formula>来描述所述网络的路径拥塞状态，其中G e (0，⑴)为比例增益常数，默认为1，B为网 络节点最大缓存容限，Pt为待传输路径。
9.根据权利要求8所述的基于智能计算的网络路径态势估计方法，其特征在于在所述 路径中，设拥塞门限叫=InR1, r e (RT，Rct]，拥塞告警门限队1 = lnReT，采用模糊子集的 隶属函数对路径态势估计的基本概率赋值函数mP = (Ai)进行量化，链路当前{0，H，L}三 种态势的基本概率分配值为<formula>formula see original document page 3</formula>其中，<formula>formula see original document page 3</formula>为待传输路径。
10.根据权利要求9所述的基于智能计算的网络路径态势估计方法，其特征在于经过 Dempster合成规则进行数据融合得到的网络路径的新基本概率赋值函数Hi(Ai)<formula>formula see original document page 3</formula>A1,! = 1，2，3分别表示网络路径的{0，H，L}三种路径态势的新基本概率赋值函数值。
全文摘要
本发明涉及基于智能计算的网络路径态势估计方法。其步骤是先从网络的一级融合输出信息中获取本地下游链路当前承载状态信息和前一测量周期的陈旧路径状态信息；然后测量本地链路状态指标和路径状态指标，作链路态势估计，采用模糊隶属函数对不同态势下的链路状态指标和路径状态指标分别进行量化，得到对应链路状态的基本概率赋值函数mL和路径态势估计的基本概率赋值函数mP；最后使用Dempster数据合成规则对上述两基本概率赋值函数进行数据融合，得出路径状态不同态势的对应概率值，选取其中概率值最大的网络路径状态作为传输路径准实时态势值。优点是能在网络接入端节点实现网络端到端路径状态的准实时估计；能为网络操作机制提供传输路径的承载状态实时评价。
文档编号H04L12/56GK101820389SQ20101012405
公开日2010年9月1日 申请日期2010年3月15日 优先权日2010年3月15日
发明者包志华, 张士兵, 徐晨, 杨永杰, 章国安, 邱恭安, 高月红 申请人:南通大学