[发明专利]一种基于深度学习的网络最优路径选择方法

权利要求书

1.一种基于深度学习的网络最优路径选择方法，其特征在于，包括如下步骤：

步骤一：根据监督数据集的获取算法，对采集到的网络的链路特征值进行打标签操作，获取监督学习数据集；具体包括以下子步骤：

(1)将网络的所有可用路径分为N组，每组n个，在每组中找到一条最优的路径；所述最优路径满足：丢包率最小、端到端延迟最小、跳数最少、可用带宽最大、吞吐率最大、抖动最小；最优路径的选择方法具体为：

选择k＝6个权值目标，并且将链路上的路径优化的多目标权重排序顺序规定为：丢包率>传输往返延迟>跳数>吞吐率>可用带宽>延迟抖动；假设在QoS路由的选择目标中，P＝(p1,p2,p3,...,pi,...,pNn)分别对应于从源节点到目的节点的可用路径，则目标函数f1(pi),f2(pi),f3(pi),f4(pi),f5(pi),f6(pi)分别代表可用路径集P上的丢包率函数、传输往返延迟函数、跳数函数、吞吐率函数、可用带宽函数、延迟抖动函数；可用路径集P上的最优路径应同时满足以下条件：

minf1(pi),minf2(pi),minf3(pi),maxf4(pi),maxf5(pi),minf6(pi)

在路径选择中，采用预计算的方式，分别计算出f1(pi),f2(pi),f3(pi),f4(pi),f5(pi),f6(pi)的大小且P＝(p1,p2,p3,...,pi,...,pNn)；将6个目标构造成一维数组R＝[f1(pi)，f2(pi)，f3(pi)，f4(pi)，f5(pi)，f6(pi)]，Ri则代表第i条路径上包含6个目标的一维数组；其中Ri[0]，Ri[1]，Ri[2]，Ri[3]，Ri[4]，Ri[5]分别代表着丢包率、传输往返延迟、跳数、吞吐率、可用带宽、延迟抖动；

(2)在最优路径选择过程中分别对每一个目标函数设置约束参数，W，T，Y，U，O，K分别对应着任意两条可行路径的f1(pi),f2(pi),f3(pi),f4(pi),f5(pi),f6(pi)的约束允许范围；将不满足的路径预先过滤掉；过滤后的路径重新定义为P＝(p1,p2,p3...pi...pW)，W≤Nn；

分别设置约束参数：W、T、Y、U、O、K、Q，以此来获得最优路径，其中参数Q表示丢包率最小的路径与其他路径上的丢包率的差值；根据数据集的获取算法获取监督学习数据集；

步骤二：将步骤一获取到的监督学习数据集输入到深度学习模型中进行训练，得到训练好的模型；

步骤三：将待测的链路数据输入到步骤二训练好的模型中，通过最优路径选择算法得到最优路径。