[发明专利]一种基于贝叶斯网络的无线认知网络知识库构建方法

说明书

技术领域

本发明涉及无线认知网络领域，特别是基于贝叶斯网络的无线认知网络知识库构建方法。

背景技术

随着Internet技术的不断发展，传统的诸如电子邮件、文件传输以及远程登录等服务已经不能满足人们的需要。同时，随着移动智能终端设备的大量涌现，能够支持移动性应用的服务将会对网络本身产生不同的需求。这些新的需求促使网络能够根据用户的可变需求对网络结构进行重新设计，这时无线认知网络的概念被人们所提出。无线认知网络是指具有认知循环特性的网络，它能够觉察当前的网络环境，并根据这些环境进行计划、决策和执行，这样的网络能够从自适应过程中学习并利用这些知识以端到端效能为目标进行预先决策。无线认知网络是一种智能的认知系统，与非无线认知网络相比，能提供更好的端到端服务质量，能用于改善资源管理、服务质量、安全和接入控制等。

无线认知网络有两个基本特性。一是无线认知网络具有端到端的目标，这也是无线认知网络区别于其他认知技术或自适应技术最根本的特征。二是无线认知网络具有学习和自适应能力，能对“感知-规划-决策-行动”整个动态自适应过程进行学习，并将学习到的知识用于指导未来的决策。图1所示的认知环清楚地说明了无线认知网络如何通过学习来指导网络的决策和行动。无线认知网络通过不断地学习过程获得大量的实例经验并将其转化为知识存储在知识库中，由此可知，知识库是无线认知网络中非常重要的组成部分。构建无线认知网络过程的一个难点是确定感知输入和行动决策之间的关系。无线认知网络中的感知输入通常是网络性能参数，比如端到端时延、吞吐量等，这些网络性能参数可以作为感知输入反映当前网络环境状态。行动决策是无线认知网络中的决策输出具体表现为可调参数集合，这些参数一般是协议栈参数，比如数据包发送速率、竞争窗口大小等。行动决策通过调整这些参数实现网络性能的优化并满足网络端到端目标。如何确定感知输入和可调参数之间的关系成为研究无线认知网络的基本问题。贝叶斯网络是一种解决不确定关系的数学模型，可以通过不断地学习过程，利用贝叶斯网络的方法确定变量之间的概率依赖关系，并将其转化为知识存储在知识库中，为未来的智能决策提供指导。这样不但提供了知识的表现形式，同时还构建了知识库以及完成了知识库的更新。

贝叶斯网络起源于人工智能领域的研究，是一种将概率统计应用于复杂领域、进行不确定性推理和数据分析的工具，是概率论和图论相结合的产物。它通过网络结构来定性地刻画问题变量之间的相互独立关系；通过网络节点的节点参数来定量地描述各变量节点的独立关系。同时，根据链式规则，每个贝叶斯网络确定了一个联合概率分布，该联合分布即为问题模型的一个知识库。这样，贝叶斯网络利用图论的语言直观揭示问题的结构，同时按照概率论的原则对问题的结构加以利用，把复杂的联合概率分布分解为一系列相对简单的模块，从而大大降低了知识获取的难度和概率推理的复杂度，使概率论能够应用于大型问题的求解。贝叶斯网络作为一种因果知识和概率知识相结合的信息表达模型，可以用于解决无线认知网络中感知变量和可调参数的依赖关系，实现无线认知网络知识库的构建。由于贝叶斯网络直观易懂，且具有坚实的理论基础，使得其在很多领域都有广泛的应用。

无线认知网络通过感知过程可以不断地获得反映当前网络环境的历史数据，这些历史数据通过构建贝叶斯网络得到网络性能参数之间的条件依赖关系，然后把这些条件依赖关系转化为知识存储在知识库中。这些知识能够反映网络中各个不同参数目标以及可调参数之间的依赖关系，它可以结合具体网络场景为决策过程提供依据。基于知识库的无线认知网络的工作机理如图2所示，无线认知网络通过感知过程获得当前的网络性能参数，认知进程通过对当前性能参数进行分析，决定是否需要对网络进行重配置；若需要则进入智能决策过程，认知进行结合网络端到端目标，查询知识库相关策略，实现网络重构对网络性能进行优化。同时知识库需要进行管理和维护工作以保证知识的有效性和准确性。

发明内容

本发明以实现构建无线认知网络知识库为目标，即通过网络的学习过程，构建贝叶斯网络模型，确定感知参数与可调参数之间的依赖关系，将该依赖关系转化为知识构建知识库为未来决策提供依据，具体包括：

1.创建贝叶斯网络模型