一种大规模自组织网络资源分配与路由联合优化方法及系统

本发明涉及一种大规模自组织网络资源分配与路由联合优化方法，属于通信网络。

背景技术：

1、能量和通信信号的双向流动的网络将生成大量数据，lsn(large self-orgnization network，大规模自组织网络)最关键的作用在于将这些数据从源实体正确地传递到目标实体，以便在适当的时间立即完成正确的决策。这一过程表明，需要对lsn资源分配和路由进行合理的设计。然而，分布式资源和负载模式的变化增加了lsn资源分配和路由联合优化的复杂性。具体而言，较大起伏的用电负荷和大量散居用户导致lsn线路阻抗时变性强、长距离线路干扰严重。此外，受到建筑物遮挡、终端断续接入等影响，lsn会产生严重的信道衰减及节点拥塞。如果资源分配和路由规则在不断变化的信道环境和负载分布下是固定的，那么提高整个lsn的传输效率就极具挑战性。因此，lsn资源分配与路由联合优化策略急需朝着智能化、实时化的方向发展以保持最佳运行状态。

2、目前，关于资源分配与路由优化的许多研究主要关注基于数学优化技术的模型驱动方法。为了满足恶劣环境中的特定路由要求，ietf提出了一种低功耗和有损网络(rpl)路由协议旨在为lln设备提供ipv6连接，rpl根据目标函数(of)或路径指标在源节点和接收节点之间创建最佳路径，of的目的是优化特定的网络参数，如能量、延迟或吞吐量。关于资源分配通常被表述为一个优化问题，其求解方法可以分为两类，即集中式方法和分布式方法，集中方法在获得最优解方面具有优势，然而，这些资源分配与路由优化方法通常执行在特定场景中，整体网络的性能优化过于依赖专家的工程经验，不便于管理和维护。未来lsn的物理网络或通信网络都可能具有可变的拓扑结构，但可能会破坏集中式方法的有效性。此外，海量数据的出现不仅使lsn实际数学模型难以获得，还会造成在求解过程中出现繁琐和过度简化的假设，为高效地确定最佳策略带来了巨大的挑战。

3、在这种情况下，深度学习似乎非常适合开发一种既准确又轻量级的资源分配和路由联合优化方法。相关的研究工作正致力于将神经网络应用于网络优化。然而，lsn从根本上表示为图，现有的全连接神经网络、卷积神经网络或循环神经网络并不是为了学习图结构信息而设计的，这些方法缺乏对网络拓扑的概括，导致最终训练的模型精度受限。此外，lsn存在大量异构的、地理上分散的和相对不可靠的具有分布式特点的资源，因此，大规模自组织网络资源分配与路由联合优化面临以下挑战。首先，缺乏一种准确、高效的路由算法，充分考虑网络拓扑特征和多维路由度量指标需求，快速处理超大规模参数组合，使整个路由性能得到优化，其次，需要一个完整的最优资源分配模型选择数据传输所需的时变信道的确切数量，同时满足可靠性和服务质量(qos)需求，如带宽、延迟。

4、基于模型-数据混合驱动的方式是解决上述挑战的潜在方法之一，它可智能、快速的实现大规模自组织网络资源分配和路由联合优化，基于模型驱动的方法的一个最关键的优势是通过数学优化技术能获得较为精确的结果，当网络规模较小或优化问题中变量维度较低时，基于模型驱动的方法仍然是资源分配的关键推动者。具有鲁棒性好、计算速度快、通信量少的分布式方法是未来电力系统的理想选择。相比于传统的基于模型驱动的分布式路由算法而言，基于数据驱动的路由算法能够收集并学习大规模网络的历史信息，这使得其能适应动态变化的网络环境以及满足多维性能评价指标需求，具有全局性、高效性和通用性等优势。此外，图注意力网络(gat)作为学习图结构数据的一种有前途的新型神经网络，能充分表达不同邻居节点与中心节点之间的关系，不需要任何类型的昂贵矩阵操作(如反演)或依赖于预先了解图结构，非常适合开发一种大规模自组织网络路由优化算法。

技术实现思路

1、本发明所要解决的技术问题是：目前大规模自组织网络结构和通信环境复杂、业务迭代迅速、资源利用率低，无法自适应地寻找最优端到端路径和有效利用网络中的有限资源。

2、为解决上述技术问题，本发明提供一种大规模自组织网络资源分配和路由联合优化方法，包括以下步骤：

3、步骤s1、采集大规模自组织网络历史数据并形成数据库；

4、步骤s2、对采集到的大规模自组织网络历史数据进行归一化处理；将归一化处理后的特征输入到图注意力网络，利用图注意力网络的自注意力机制为中心节点一阶邻域内的高层级节点分配不同的概率，概率值对应相应的重要程度，选择概率值最大的高层级节点作为最优下一跳；

5、步骤s3、将步骤s2得到的最优下一跳节点作为下组图注意力网络的中心节点，在不同中心节点上重复步骤s2执行多次图注意网络以生成最优端到端路径；

6、步骤s4、根据业务的时延容忍程度将业务划分为高、中、低三种优先级，根据电力线信道和无线信道干扰、信噪比、容量和三种优先级业务的qos和可靠性需求，建立大规模自组织网络最优下一跳资源分配优化模型，用于最大化节点对间成功传输的业务数量；

7、步骤s5、基于业务优先级的动态资源分配算法，求解步骤s4中建立的最优下一跳资源分配优化模型，得到节点对间成功传输的业务数量最大值。

8、前述的一种大规模自组织网络资源分配和路由联合优化方法，在步骤s2中，将大规模自组织网络描述为一个图结构为路由器节点集合，为节点间通信链路集合，{fnode(i)}为节点特征集合，{fe(i，j)}为链路特征集合，从源节点s到目的节点d寻找最优路由的过程为从路由器节点集合中选择满足节点特征{fnode(i)}的节点序列，从节点间通信链路集合中选择满足链路特征{fe(i，j)}的链路序列；选取负载率、介数中心性和层级作为gat的节点特征向量，信噪比、可靠性、时延作为作为图注意力网络的链路特征向量，采用归一化的方法对特征数据进行无量纲化处理，假设qiu为节点i的第u个特征值，qu，min和qu，max分别表示第u个特征的最小值和最大值，则效益型特征的归一化过程为：

9、

10、成本型特征的归一化过程为：

11、

12、前述的一种大规模自组织网络资源分配和路由联合优化方法，在步骤s2中，通过对大规模自组织网络可靠性、信噪比、负载率、时延、介数中心性和层级6个特征进行特征归一化并输入gat自注意力层中；

13、gat输入的特征集合为：

14、

15、其中为节点i的特征，，f为输入的节点特征数量，f＝6；

16、在自注意力层中，首先训练一个针对所有节点的共享权重矩阵w，作为节点的输入特征到输出特征之间的映射；

17、再输入一个前馈神经网络，将拼接后的向量映射为一个值；

18、然后通过leakyrelu激活函数，得到节点间的绝对注意力系数δij：

19、

20、其中||为拼接运算，w∈rf×f′为节点共享权重矩阵，为前馈神经网络的权重矩阵，t表示对矩阵进行转置，为节点i的特征，为节点j的特征；

21、再对中心节点的邻域进行归一化，使用softmax函数规范化所有高层级邻域节点的绝对注意力系数，计算出相对注意力系数αij：

22、

23、其中是节点i(包括i)的高层级一阶近邻集合，k为属于的节点编号，δik表示节点间的绝对注意力系数，exp(δij)是绝对注意力系数δij的指数形式，exp(δik)是节点间的绝对注意力系数δik的指数形式；

24、最后，利用相对注意力系数计算相应特征的线性组合，作为每个节点的最终输出特征。

25、前述的一种大规模自组织网络资源分配和路由联合优化方法，利用相对注意力系数计算相应特征的线性组合的步骤为：

26、利用计算得到的相对注意力系数对中心节点的高层级一阶邻居加权求和，经过激活函数σ得到相应中心节点的特征表示，即节点j对节点i的重要程度：

27、

28、其中σ是leakyrelu激活函数，是节点i的高层级一阶近邻集合，αij为相对注意力系数，为节点i的特征，为包含来自它的高层级一阶邻居节点被选为最优下一跳的概率，概率值最大的高层级邻居节点被选为最优下一跳节点。

29、前述的一种大规模自组织网络资源分配和路由联合优化方法，在步骤s4中，包括以下步骤：

30、s41、预定义大规模自组织网络中传输的业务类型，并且根据延迟容忍度将业务分为高、中、低三个优先级，根据业务优先级动态地对大规模自组织网络资源进行分配；

31、s42、利用两个集合来表示节点i的可用资源和业务，集合cri＝{cri，1，cri，2，...，cri，u}表示节点i的可用信道资源，包括电力线信道和无线信道，其中cri，u表示节点i第u个信道的容量，每一个信道通过两个参数进行分类，表示为cri，u＝{wci，u，pci，u}，其中wci，u表示节点i第u个信道的容量，pci，u＝0表示第u个信道是有线信道，pci，u＝1表示第u个信道是无线信道；节点i接收到的高、中、低优先级业务均列在sri＝{sri，1，sri，2，...，sri，k}集合中，其中sri，k表示节点i第k个业务，每一个业务通过两个参数进行分类，表示为sri，k＝{wsi，k，psi，k}，其中wsi，k表示节点i需要传输的第k个业务的大小，psi，k表示该业务的优先级；终端产生业务的同时将为相应业务选择一个优先级，每个业务的优先级映射到单个数字；

32、根据高速电力线载波和无线通信的信道模型之间差异，用表示节点i和节点j间hplc链路的信噪比，表示节点i和节点j间无线链路信噪比，分别为：

33、

34、

35、其中，eb表示信号的平均能量，和分别表示节点i和节点j间hplc和无线信道衰落增益，表示节点i的脉冲噪声，表示背景噪声，表示脉冲噪声与背景噪声的比值，p表示节点发射功率，α表示信道衰落系数，di，j表示节点i和j间的距离，表示零均值的高斯白噪声方差；节点对间有线和无线通信方式的信噪比应分别大于阈值以表示节点对间可以进行通信，因此，hplc链路和无线链路的信噪比约束分别为：

36、

37、

38、其中γ0为hplc信道信噪比阈值，γ1为无线信道信噪比阈值；

39、节点i第u个信道的容量wci，u表示为：

40、

41、其中，bplc和brf分别为hplc和rf的信道带宽，表示hplc链路的信噪比，表示无线链路的信噪比，pci，u＝0表示第u个信道是有线信道，pci，u＝1表示第u个信道是无线信道；

42、向量表示节点i电力线信道和无线信道资源分配，其中，表示第k个业务被分配了第u个资源，否则未被分配资源，节点传输业务时需满足信道容量约束：

43、

44、其中wsi，k表示节点i需要传输的第k个业务的大小，wci，u表示节点i第u个信道的容量，u表示电力线信道和无线信道资源最大数量，k表示业务最大数量；

45、同时，由于节点i的电力线载波和无线链路的可用信道数量有限，分配给业务的资源不能超过节点可用资源总和，因此资源分配过程需满足约束：

46、

47、其中表示第k个业务被分配了第u个资源，否则未被分配资源，wci，u表示节点i第u个信道的容量，u表示电力线信道和无线信道资源最大数量，k表示业务最大数量；

48、同一业务只能被分配一种通信方式，因此资源分配过程需满足约束：

49、

50、其中表示第k个业务被分配了第u个资源，否则未被分配资源，u表示电力线信道和无线信道资源最大数量，k表示业务最大数量；

51、节点i处每种优先级的业务实际排队的时间应该小于或等于每个业务的最大等待时间，假设第k个业务在节点i实际排队时间为则：

52、

53、其中表示第k个业务被分配了第u个资源，否则未被分配资源，wsi，k表示节点i需要传输的第k个业务的大小，wci，u表示节点i第u个信道的容量，u表示电力线信道和无线信道资源最大数量；

54、假设在大规模自组织网络中相同优先级的业务最大等待时间相同，分别为高、中、低优先级业务可接受的最大等待时间，则得到这三类优先级业务的时延约束：

55、

56、其中为第k个业务在节点i实际排队时间，分别为高、中、低优先级业务可接受的最大等待时间，psi，k表示业务k的优先级；

57、得到大规模自组织网络最优下一跳资源分配优化模型为：

58、

59、

60、

61、

62、

63、

64、

65、其中，c1和c2表示有线信道和无线信道的信噪比需大于一定阈值，c3表示节点传输的数据总量不能超过链路容量，c4表示节点分配给所有业务的资源个数不能超过可用信道总和，c5表示同一时刻每种业务只能选择一种传输方式，c6表示高、中、低优先级业务在节点i实际排队时间应小于最大等待时间。

66、前述的一种大规模自组织网络资源分配和路由联合优化方法，在步骤s41中，

67、当业务属于高优先级时，包括三种情况，第一种情况是节点可用资源能够满足所有高优先级业务的传输性能需求，节点将资源立即分配给相关业务；第二种情况和第三种情况分别是，对于高优先级业务资源不足及没有可用资源，在这两种情况下，先把低优先级业务占用的资源分配给高优先级业务，若还不能满足高优先级业务的传输性能需求，则把中优先级业务占用的资源分配给高优先级业务，被中断的中优先级和低优先级业务将等待节点再次分配资源；

68、当业务属于中优先级时，包括三种情况，第一种情况是所有业务所需的传输资源都是可用的，节点将立即给中优先级业务分配资源；第二种和第三种情况分别是用于满足中优先级业务的可用资源少于中优先级业务所需的资源及没有可用资源，在这两种情况下，分配低优先级业务占用的资源实现中优先级业务传输；

69、当业务属于低优先级时，第一种情况是所有业务所需的传输资源都是可用的，节点将给所有低优先级业务分配资源，若没有可用资源或缺少部分资源，低优先级业务将在节点处排队等待。

70、前述的一种大规模自组织网络资源分配和路由联合优化方法，在步骤s5中，所述基于业务优先级的动态资源分配算法，包括以下步骤：

71、步骤1：输入所有业务集合，包括高优先级业务集合，中优先级业务集合，低优先级业务集合；节点处所有资源集合，包括节点处可用资源集合；

72、步骤2：通过计算节点i处高、中、低三类优先级业务的大小；

73、步骤3：通过计算节点i处所有可用资源的大小；

74、步骤4：遍历节点i处所有的业务和可用资源，如果业务k是高优先级业务时，跳转到步骤5；如果业务k是中优先级业务时，跳转到步骤6；如果业务k是低优先级业务时，跳转到步骤7；

75、步骤5：如果并且约束c1，c2，c3，c4，c5，c6都被满足，那么如果则计算在节点i处高优先级业务所需的资源量为将低优先级业务占用的资源分配给高优先级业务；如果还不满足则分配中优先级业务占用资源；此时确认约束c1，c2，c3，c4，c5，c6是否都被满足，如果是，那么结束后跳转至步骤8；

76、步骤6：如果并且约束c1，c2，c3，c4，c5，c6都被满足，那么如果则计算在节点i处中优先级业务的所需资源量为将低优先级业务占用的资源分配给中优先级业务；确认约束c1，c2，c3，c4，c5，c6是否都被满足，如果是，那么结束后跳转至步骤8；

77、步骤7：如果并且约束c1，c2，c3，c4，c5，c6都被满足，那么如果则低优先级业务k等待被分配资源，结束后跳转至步骤8；

78、步骤8：输出成功传输的业务数量

79、一种大规模自组织网络资源分配和路由联合优化系统，包括以下模块：

80、数据采集模块：采集大规模自组织网络历史数据并形成数据库；

81、归一化处理模块：对采集到的大规模自组织网络历史数据进行归一化处理；将归一化处理后的特征输入到图注意力网络，利用图注意力网络的自注意力机制为中心节点一阶邻域内的高层级节点分配不同的概率，概率值对应相应的重要程度，选择概率值最大的高层级节点作为最优下一跳；

82、最优端到端路径生成模块：将归一化处理模块得到的最优下一跳节点作为下组图注意力网络的中心节点，在不同中心节点上重复归一化处理模块执行多次图注意网络以生成最优端到端路径；

83、资源分配优化模型建立模块：根据业务的时延容忍程度将业务划分为高、中、低三种优先级，根据电力线信道和无线信道干扰、信噪比、容量和三种优先级业务的qos和可靠性需求，建立大规模自组织网络最优下一跳资源分配优化模型，用于最大化节点对间成功传输的业务数量；

84、资源分配求解模块：基于业务优先级的动态资源分配算法，求解步骤s4中建立的最优下一跳资源分配优化模型，得到节点对间成功传输的业务数量最大值。

85、前述的一种大规模自组织网络资源分配和路由联合优化系统，在归一化处理模块中，将大规模自组织网络描述为一个图结构为路由器节点集合，ε为节点间通信链路集合，{fnode(i)}为节点特征集合，{fe(i，j)}为链路特征集合，从源节点s到目的节点d寻找最优路由的过程为从路由器节点集合中选择满足节点特征{fnode(i)}的节点序列，从节点间通信链路集合中选择满足链路特征{fe(i，j)}的链路序列；选取负载率、介数中心性和层级作为gat的节点特征向量，信噪比、可靠性、时延作为作为图注意力网络的链路特征向量，采用归一化的方法对特征数据进行无量纲化处理，假设qiu为节点i的第u个特征值，qu，min和qu，max分别表示第u个特征的最小值和最大值，则效益型特征的归一化过程为：

86、

87、成本型特征的归一化过程为：

88、

89、前述的一种大规模自组织网络资源分配和路由联合优化方法，在归一化处理模块中，通过对大规模自组织网络可靠性、信噪比、负载率、时延、介数中心性和层级6个特征进行特征归一化并输入gat自注意力层中；

90、gat输入的特征集合为：

91、

92、其中为节点i的特征，f为输入的节点特征数量，f＝6；

93、在自注意力层中，首先训练一个针对所有节点的共享权重矩阵w，作为节点的输入特征到输出特征之间的映射；

94、再输入一个前馈神经网络，将拼接后的向量映射为一个值；

95、然后通过leakyrelu激活函数，得到节点间的绝对注意力系数δij：

96、

97、其中||为拼接运算，w∈rf×f′为节点共享权重矩阵，为前馈神经网络的权重矩阵，t表示对矩阵进行转置，为节点i的特征，为节点j的特征；

98、再对中心节点的邻域进行归一化，使用softmax函数规范化所有高层级邻域节点的绝对注意力系数，计算出相对注意力系数αij：

99、

100、其中是节点i(包括i)的高层级一阶近邻集合，k为属于的节点编号，δik表示节点间的绝对注意力系数，exp(δij)是绝对注意力系数δij的指数形式，exp(δik)是节点间的绝对注意力系数δik的指数形式；

101、最后，利用相对注意力系数计算相应特征的线性组合，作为每个节点的最终输出特征。

102、本发明所达到的有益效果：本发明提出了基于模型-数据混合驱动的大规模自组织网络资源分配和路由联合优化方法，针对大规模自组织网络结构和通信环境复杂、业务迭代迅速、资源利用率低的问题，可实现自适应地寻找最优端到端路径和有效地利用系统中的有限资源。与现有资源分配和路由联合决策方法相比，所提出的算法具有较好的吞吐量、平均时延、跳数和可靠性，可以自适应地寻找最优端到端路径和有效利用网络中的有限资源。