面向高動態拓撲的概率混合智能路由架構

摘要：本文針對智能路由算法穩定性不足、難以進行工程化應用等問題，提出一種通用的概率混合智能路由架構，該架構在智能路由算法中引入傳統路由，在組網智能化的基礎上提高穩定性。概率混合智能路由架構基于態勢信息等設計混合智能路由選擇概率函數，并基于該函數切換傳統路由和智能路由，使網絡在拓撲變化較快時能運行智能路由算法，在較為穩定時運行傳統路由。仿真驗證證明了上述混合智能路由架構的有效性。

關鍵詞：混合智能路由；高動態拓撲；概率混合智能路由架構；智能路由算法；傳統路由協議

doi：10.3969/J.ISSN.1672-7274.2025.03.006

中圖分類號：TN 915.5 " " " " "文獻標志碼：A " " " " " "文章編碼：1672-7274（2025）03-00-03

Hybrid Intelligent Routing Architecture for High-dynamic Network

XIE Shushan， ZHENG Mohong， LUO Hao

（The 7th Research Institute of China Electronics Technology Group Corporation， Guangzhou 510000， China）

Abstract： To improve the stability of the intelligent routing strategy， the probability-based hybrid intelligent routing architecture is designed to improve for engineering application. This architecture allows the intelligent routing strategy and traditional routing protocol running together， and therefore， the flexibility and stability of network are respectively guaranteed by the intelligent routing strategy and traditional routing protocol. For probability-based hybrid intelligent routing architecture， the probability function of hybrid intelligent routing selection is presented to automatically switch intelligent routing strategy and traditional routing protocol. The probability function of hybrid intelligent routing selection is designed by the situation information. Numerical simulations are conducted to demonstrate the effectiveness proposed routing architectures.

Keywords： hybrid intelligent routing strategy; high-dynamic topology; probability-based hybrid intelligent routing architecture; intelligent routing method; traditional routing protocol

0 " 引言

隨著人工智能迅速發展和網絡對認知能力要求的提出，機器學習被應用于路由算法設計中，實現“感知-學習-決策-執行”的智能化閉環[1-2]。然而，機器學習算法通常存在無法保證收斂、魯棒性差等問題，給智能路由的工程化應用帶來了較大的困難[3-4]。

部分學者在智能路由算法中引入運籌學、均衡優化策略技術等無機器學習過程的算法提高路由的穩定性。如將模糊層次分析法和智能算法相結合應用于SDN，采用模糊層次分析法對數據包進行分類，再采用群體智能算法選擇最優路徑[5]，或將線性均衡優化策略技術與深度遞歸神經網絡相結合，設計一種能夠優化系統能耗、延長網絡壽命的路由[6]。上述方法通常針對具體的應用場景，難以作為通用的路由使用。

盡管優化的智能路由算法能一定程度上提升其魯棒性，但智能路由算法仍存在訓練過程，即其收斂性和訓練得到的模型的精確程度仍然受限。考慮到網絡并非每時每刻都處于高動態變化的狀態，如網絡拓撲僅在局部時段變化劇烈，其余時段相對穩定，智能路由算法在網絡穩定時的組網性能可能不如穩健的傳統路由，甚至產生額外的算力、能源等開銷。因此，可考慮智能路由和傳統路由疊加使用，即使用混合智能路由算法，通過智能路由提升網絡的認知能力，通過傳統路由提升網絡的穩定性。但目前，混合智能路由算法缺少較為通用路由架構，通常需要結合當前采用的智能路由算法和傳統路由算法進行改進設計，增加了混合智能路由的應用難度。

針對上述問題，本文設計了一種通用程度較高的概率混合智能路由架構，通過混合智能路由概率函數實現對智能路由和傳統路由相互切換，該架構為串行使用架構，對使用的路由算法約束性較小，普適性較高。

1 " 概率混合智能路由架構

定義1：針對具有個節點的系統，其節點集合為，當滿足下式時，系統采用概率混合智能路由架構：

（1）

式中，為節點的鄰居節點集合；和分別為采用傳統路由和智能路由進行選路的映射關系；為混合智能路由選擇概率函數；為混合智能路由選擇概率閾值。

當采用概率混合智能路由架構時，，有且，即節點在不同時刻根據需求選擇智能路由算法或傳統路由。

顯然，概率混合智能路由架構對使用的路由算法約束較小，幾乎沒有要求路由算法必須具備某些特征。根據混合智能路由選擇概率的設計方式，概率混合智能路由架構分為隨機概率模式和自定義概率模式。

2 " 隨機概率模式

在隨即概率模式中，混合智能路由選擇概率采用隨機函數：

（2）

此時通過設計混合智能路由選擇概率閾值控制對智能路由算法或傳統路由的使用偏好，即當時，混合智能路由更傾向于選擇傳統路由進行選路。

3 " 自定義概率模式

在選擇自定義概率模式時，根據需求自行設計混合智能路由選擇概率，即可對引入網絡態勢、環境態勢等，使得混合智能路由算法在網絡狀態變化較大、外部環境狀態變化較大的情況下，更偏好采用智能路由算法進行選路，以應對傳統路由難以處理的路由情況；在網絡相對穩定的狀態下，更偏好采用傳統路由算法進行選路，以提高網絡的穩定性。

4 " 工作流程

在完成初始化后，系統將周期性進行混合智能路由維護，根據當前態勢等重新計算混合智能路由選擇概率。當該概率大于閾值時，選用智能路由形成的路由表，否則，選用傳統路由形成的路由表。此外，當其中一種路由發生故障或無法使用時，如出現傳統路由尚未收斂等情況，系統將主動切換至另一種路由，詳細工作流程如下。

（1）系統進行初始化，設置混合智能路由選擇概率閾值等參數。

（2）假如當前尚未進入路由維護周期，則等待至進入路由維護周期時，進入步驟（3）；假如當前為路由維護周期，則直接進入步驟（3）。

（3）根據當前網絡態勢，計算混合智能路由選擇概率。

（4）將當前周期所得的混合智能路由選擇概率與混合智能路由選擇概率閾值對比，當混合智能路由選擇概率大于混合智能路由選擇概率閾值時，進入步驟（5）；當混合智能路由選擇概率小于等于混合智能路由選擇概率閾值時，進入步驟（8）。

（5）判斷智能路由是否失效，當根據智能路由算法獲得的路由表為空時，智能路由失效，進入步驟（7）；否則，進入步驟（6）。

（6）當前周期基于智能路由算法指導業務轉發，即基于智能路由算法獲取的路由表為業務選擇下一跳，進入步驟（9）。

（7）當前周期基于傳統路由協議指導業務轉發，即基于傳統路由協議形成的路由表為業務選擇下一跳，進入步驟（9）。

（8）判斷傳統路由是否失效，即當傳統路由尚未收斂，或傳統路由尋路失敗，或傳統路由發生故障時，根據傳統路由協議獲取的路由表為空，此時傳統路由失效，進入步驟（6）；否則，當傳統路由正常運行，進入步驟（7）。

（9）重復步驟（2）～步驟（8）直至系統工作結束。

5 " 仿真驗證

5.1 算例設計

仿真算例均包含64個節點；針對混合智能路由架構，仿真在該架構的基礎上疊加使用智能路由算法和傳統路由協議，其中智能路由算法采用基于鴿群神經網絡的智能路由算法[3]，傳統路由協議采用地理位置路由協議[7]；針對僅采用單一智能路由算法的智能路由架構，仿真僅運行基于鴿群神經網絡的智能路由算法。

仿真包括4個算例，算例1和算例2均設TTL=5，但算例1采用混合智能路由架構，算例2采用只有單一智能路由算法的智能路由架構；算例3和算例4設TTL=10，類似地，算例3采用混合智能路由架構，算例4采用智能路由架構。

5.2 仿真結果

TTL=5、10的仿真結果如圖1所示，在上述兩種TTL條件下，概率混合智能路由架構僅犧牲了極低的平均轉發跳數性能，降低了丟包率。在TTL=5的條件下，由于TTL較小，綜合路由因為未能給業務找到合適的下一跳和尋找的路徑大于TTL兩種原因，丟包率較高，但相比于智能路由架構，概率混合智能路由架構的丟包率仍降低了約0.66%，業務平均轉發跳數僅增加約0.10跳；在TTL=10的條件下，概率混合智能路由架構的丟包率降低了約0.75%，業務平均轉發跳數僅增加約0.12跳。由仿真結果及其對比可得，概率混合智能路由架構能夠在保留路由智能化的前提下，提高網絡的穩定性。

（b）

圖1 仿真結果（a）業務平均轉發跳數（b）丟包率

6 " 結束語

本文針對智能路由算法工程化應用問題，提出了概率混合智能路由架構。該架構基于網絡態勢、環境態勢等物理量設計混合智能路由選擇概率函數，并基于該概率函數進行智能路由和傳統路由切換，使得系統能在網絡高動態變化的時刻選用智能路由指導業務轉發，在網絡穩定時刻切換至傳統路由；概率混合智能路由架構的普適性較好，適用于大部分智能路由和傳統路由。

參考文獻

[1] SUN Penghao， GUO Zehua， LI Junfei， et al. Enabling scalable routing in software-defined networks with deep reinforcement learning on critical nodes[J]. IEEE/ACM Transactions on Networking： A Joint Publication of the IEEE Communications Soceity， the IEEE Computer Society， and the ACM with Its Special Interest Group on Data Communication， 2022， 30（2）： 629-640.

[2] 伍元勝.面向動態拓撲網絡的深度強化學習路由技術[J].電訊技術，

2021，61（06）：659-665.

[3] LI Yong， ZHENG Mohong. Routing prediction strategy for UAV swarm network using pigeon-inspired optimization-based neural network[J]. International Journal of Aeronautical and Space Sciences， 2023， 24（5）： 1479-1490.

[4] 劉靜茹，朱浩，章國安.車聯網中基于Q學習的地理位置路由協議[J].電訊技術，2023，63（10）：1472-1478.

[5] S Hongvanthong， L Chunlin. A novel four-tier software-defined network architecture for scalable secure routing and load balancing[J]. International Journal of Communication Systems， 2022： 35（1）： e5020.1- e5020.24.

[6] A Srivastava， R Paulus. Coverage hole aware optimal cluster based routing for wireless sensor network assisted IoT using hybrid deep recurrent neural network[J]. Concurrency and Computation： Practice and Experience， 2022， 35（6）： e7535.1-e7535.21.

[7] KARP Brad. GPSR： Greedy perimeter stateless routing for wireless networks[J]. Acm Mobicom. 2000： 243-254.