[发明专利]一种面向无人机网络切片的分布式智能路由方法

说明书

本发明公开了一种面向无人机网络切片的分布式智能路由方法，包括步骤：将无人机网络建模为网络模型；对网络模型设置约束条件，约束条件包括：时延限制、速率限制、丢包率限制；在面向低时延的切片时，将受约束的网络模型建立为多约束优化模型；通过强化学习模型对多约束优化模型进行求解，得到求解值，在求解过程中，每个通信节点独立保存自己与邻居节点的链路状况并进行实时更新链路状况；根据求解值和链路状况进行动态的路由选择。本发明有效的解决了现有技术中路由方法无法适应无人机网络对时延要求高，网络随时动态变化的特点。本发明填补了这一技术空白，为无人机网络环境创造了更好的条件。

技术领域

本发明涉及一种无线网络路由方法，具体涉及一种面向无人机网络切片的分布式智能路由方法。

背景技术

传统的基于最短路算法来求解路由策略的算法，将很难应用到无人机网络切片的场景下。这是由于当前网络中对于实时变化的网络环境适应性不强，而且最短路算法选择的路径比较单一，当网络中的业务流数量逐渐增多时，网络拥塞的可能性会显著增大。在最短路算法的基础上如果期望降低网络的拥塞程度，就会牺牲所能承载的业务流数量。此外，在实际场景中，由于节点的移动性，网络中链路的通信质量也会发生变化，这种网络的动态性也会影响到路由算法的结果。

发明内容

本发明所要解决的技术问题是：现有技术中路由算法比较单一，不能适应网络动态性的变化需求，使得网络中业务流数量与网络拥塞成正比关系，无法应用到无人机网络切片的场景下。本发明目的在于提供一种面向无人机网络切片的分布式智能路由方法，解决无人机网络切片场景的动态网络环境下，如何提高通信质量的问题。

本发明通过以下述技术方案实现：

一种面向无人机网络切片的分布式智能路由方法，包括以下步骤：

S1：将无人机网络建模为网络模型；

S2：对所述网络模型设置约束条件，所述约束条件包括：时延限制、速率限制、丢包率限制；

S3：在面向低时延的切片时，将所述受约束的网络模型建为多约束优化模型；

S4：通过强化学习模型对所述多约束优化模型进行求解，得到求解值，在求解过程中，每个通信节点独立保存自己与邻居节点的链路状况并进行实时更新链路状况；

S5：根据所述求解值和所述链路状况进行动态的路由选择。

首先将无人机网络建为一个网络模型，一个静止环境下的网络模型，然后对所述网格模型设置时延限制、速率限制、丢包率限制的约束条件。针对无人机网络的要求，在面向时延的切片时，将受约束的网络模型建为一个多约束的优化模型。建立一个强化学习模型，通过强化学习模型来对所述多约束的优化模型进行求解，得到一个求解值，同时在求解过程中，网络中每个通信节点都独立保存自己与邻居节点的链路状况，而且每个通信节点实时更新当明的链路状况。最后根据求解值和通信节点的链接状态，找到一条从源节点到目的节点之间，满足速率、丢包率等要求的最低时延要求的路由路径。所述路径随着网络状态和约束条件的变化而随时动态变化的。

进一步的，将静止环境下的网络模型建为一个带权重边的无向图G(V,E,W)，V为网络中的通信节点集合，E为网络中的通信链路集合，W表示网络中链路的权重值。所述通信链路使用的技术包括：TDMA、CSMA或轮询。

进一步的，将所述网络模型的约束条件用QoS＝(δ,ν,γ)表示，δ表示时延，ν表示速率，γ表示丢包率，所述约束条件包括：

∑_{i，j＝1…n}D(L_ij)≤δ、

min_{i，j＝1…n}V(L_ij)≥v、

1-Π_{i，j＝1…n}(1-R(L_ij))≤γ；