[发明专利]一种信息中心网络中基于深度学习的自适应拥塞控制方法

说明书

本发明提供了一种信息中心网络中基于深度学习的自适应拥塞控制方法，该方法先进行适应性训练，再进行拥塞避免：在自适应阶段将时序数据输入到深网结构中进行训练，时序数据先学习低维特征，低维特征再作为GCRBM模型的输入训练时序数据，深度信念网络DBN积累学习时序数据的特征，并更新网络参数；在拥塞避免阶段，通过自适应训练阶段收集增加量R_t+1的预测信息，通过预测信息计算在t+1时刻队列的加权平均兴趣队列长度Q_avg，并与当前队列进行比较从而确定网络的拥塞级，再将拥塞级封装到NACK包中反馈给接收端，接收端根据此信息调整兴趣包的发送速率；本发明可实现提前了解网络状况，动态选择转发路径，从而提高网络传输性能的功效。

技术领域

本发明涉及信息中心网络技术领域，具体涉及一种信息中心网络中基于深度学习的自适应拥塞控制方法。

背景技术

随着流媒体及用户自产生等业务的快速发展，网络应用模式逐渐转变为海量内容的分发与获取，而当前互联网基于主机的端到端通信模式缺乏对内容分发的原生支持，这种传统网络通信模式与当前应用需求的不匹配在带宽开销、内容获取时延及用户体验质量方面严重影响了网络性能。

近年来，将内容与主机分离的改进方法引起了广泛关注，以内容为中心的网络成为未来网络的一种重要模式和发展趋势，信息中心网络Information-centric Networks，ICN，采用面向信息的通信模型取代传统面向主机的通信模型，通过在网络中内置缓存并采用基于内容名的路由，使网络通信模式从以主机为中心转变为以内容为中心，试图从根本上解决用户对互联网海量、异质信息的高效访问需求。

ICN网络采用信息缓存机制，这种新型网络可以缓解业务量激增出现的拥塞问题，但是拥塞依然是不可避免，当ICN网络发生拥塞时，到达的数据包数量高于容量导致路由器的缓冲区溢出，这种情况下，端到端延迟的增加会对网络的性能、稳定性和健壮性产生负面影响，也会导致无法利用现有资源、吞吐量以及服务质量的退化，如果拥塞问题能够预先得知，改变网络参数就可以防止这种代价高昂的网络故障，因此，网络流量预测在保证计算机网络服务质量方面发挥着重要作用，将预测算法嵌入到网络通信中，通过异常检测、主动拥塞检测或避免来提高网络的整体性能，并通过资源的均衡利用可以提供更好的服务质量，由于ICN网络中网内缓存的存在，数据是多源的，TCP基于单一源的重传计时器RTO超时机制在ICN网络中不再可靠，其次AIMD算法会引发往返时延RTT公平性问题，因此，传统TCP的隐式Implicit拥塞检测机制在ICN网络中不再适用。

发明内容

为解决上述技术问题，根据流量预测以及ICN网络的多源特征，本发明提供了一种信息中心网络中基于深度学习的自适应拥塞控制方法，该方法通过预测能力较强的深度学习方法预测NDN路由器中待定兴趣表PIT表添加的条目数，并且对预测数据进行分析、判断，提前了解网络状况，动态选择转发路径，从而提高网络的传输性能。

一种信息中心网络中基于深度学习的自适应拥塞控制方法，其中包括如下步骤：

步骤(一)：

(1)、自适应阶段：

n个时序数据在深度信念网络DBN中的受限玻尔兹曼机RBM进行s次预训练：

时序数据先通过DBN的编码阶段学习低维特征，低维特征再作为高斯过程的条件受限玻尔兹曼机GCRBM模型的输入数据训练时序模型；DBN会积累学习每个时序数据特征，并分别更新网络参数w_ij、a_i、b_j；w_ij为可视层第i个单元和隐层第j个单元之间权重，a_i为可视层第i个单元值，b_j为隐层第j个单元值：

符号“←”代表“＝”，是等于的意思,符号Δ表示的是变化量；