[发明专利]一种基于深度学习的网络最优路径选择方法

说明书

本发明公开了一种基于深度学习的网络最优路径选择方法，包括如下步骤：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；将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；将待测的链路数据输入到训练好的模型中，通过最优路径选择算法得到最优路径。本发明创新性的将深度学习的理论成功运用于网络最优路径选择的实践上，并且取得了较好的表现效果，能够提高网络的整体运行效率，对今后智能化网络的发展有一定的推动作用。

技术领域

本发明适用于网络自愈系统的最优路径选择问题，涉及一种基于深度学习的网络最优路径选择方法。

背景技术

随着互联网规模的快速增长，网络底层的路由交换设备目前已经达到了上万台的规模。与此同时，其相关网络业务也变得越来越复杂。复杂的网络业务也相应地导致了各种复杂的网络协议和网络管理策略。当网络中的故障出现时，调试网络也变得越来越困难。网络协议因素或者人为因素等都有可能成为引起不同网络故障的原因。当网络出现故障时，不仅会影响用户体验、导致服务不可用，严重时会导致整个网络的瘫痪。因此，保障网络的正常运行是保障网络安全与稳定工作的最重要的一环。在传统故障维护中，通常需要网络维护人员使用相关故障检测工具去维护网络。但随着网络设备的大量增加，仅仅借助人工去维护网络故障将需要较大的成本，并且效率也会变得越来越低。为了能够保证业务的安全运行，当故障出现时，人们需要一个更加成熟可靠的工具与策略去检测网络中的相关故障，并能够自动地对故障进行识别、定位直至修复。

深度学习的概念主要来源于对人工神经网络的研究。上世纪五十年代提出的单层感知器是最简单的神经网络。研究发现，具有多层隐层的多层感知器是一种深度学习结构。对神经网络而言，深度的意思是在整个神经网络中学习到的所有函数中非线性运算组合水平的数量，因此，深度神经网络的模型往往包含一个输入层、一个输出层、多个隐层；而当前神经网络的学习算法大部分是面向低层次的网络结构，并将其称为浅层神经网络。这种神经网络通常只包含一个输入层、一个输出层和一个隐层，并且，这两类神经网络形式全都属于机器学习的范畴。根据学习形式分类，可以将机器学习分为监督学习、无监督学习以及半监督学习。

监督学习主要是从已经测得的训练数据集(包含标签值)中学习到一个函数，当新数据来临时，能够根据训练出来的函数对结果进行分类预测。其中，监督学习的训练数据集要求必须有输入和输出，即特征值必须与标签值对应。而标签值是人为标注的。监督学习过程如图1所示。

发明内容

本发明针对现有技术的不足，提出了一种基于深度学习的网络最优路径选择方法，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；

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。

进一步地，所述步骤一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：