摘要：本文針對智能路由算法穩(wěn)定性不足、難以進行工程化應(yīng)用等問題，提出一種通用的概率混合智能路由架構(gòu)，該架構(gòu)在智能路由算法中引入傳統(tǒng)路由，在組網(wǎng)智能化的基礎(chǔ)上提高穩(wěn)定性。概率混合智能路由架構(gòu)基于態(tài)勢信息等設(shè)計混合智能路由選擇概率函數(shù)，并基于該函數(shù)切換傳統(tǒng)路由和智能路由，使網(wǎng)絡(luò)在拓撲變化較快時能運行智能路由算法，在較為穩(wěn)定時運行傳統(tǒng)路由。仿真驗證證明了上述混合智能路由架構(gòu)的有效性。

關(guān)鍵詞：混合智能路由；高動態(tài)拓撲；概率混合智能路由架構(gòu)；智能路由算法；傳統(tǒng)路由協(xié)議

doi：10.3969/J.ISSN.1672-7274.2025.03.006

中圖分類號：TN 915.5 " " " " "文獻標志碼：A " " " " " "文章編碼：1672-7274（2025）03-00-03

Hybrid Intelligent Routing Architecture for High-dynamic Network

XIE Shushan， ZHENG Mohong， LUO Hao

（The 7th Research Institute of China Electronics Technology Group Corporation， Guangzhou 510000， China）

Abstract： To improve the stability of the intelligent routing strategy， the probability-based hybrid intelligent routing architecture is designed to improve for engineering application. This architecture allows the intelligent routing strategy and traditional routing protocol running together， and therefore， the flexibility and stability of network are respectively guaranteed by the intelligent routing strategy and traditional routing protocol. For probability-based hybrid intelligent routing architecture， the probability function of hybrid intelligent routing selection is presented to automatically switch intelligent routing strategy and traditional routing protocol. The probability function of hybrid intelligent routing selection is designed by the situation information. Numerical simulations are conducted to demonstrate the effectiveness proposed routing architectures.

Keywords： hybrid intelligent routing strategy; high-dynamic topology; probability-based hybrid intelligent routing architecture; intelligent routing method; traditional routing protocol

0 " 引言

隨著人工智能迅速發(fā)展和網(wǎng)絡(luò)對認知能力要求的提出，機器學(xué)習(xí)被應(yīng)用于路由算法設(shè)計中，實現(xiàn)“感知-學(xué)習(xí)-決策-執(zhí)行”的智能化閉環(huán)[1-2]。然而，機器學(xué)習(xí)算法通常存在無法保證收斂、魯棒性差等問題，給智能路由的工程化應(yīng)用帶來了較大的困難[3-4]。

部分學(xué)者在智能路由算法中引入運籌學(xué)、均衡優(yōu)化策略技術(shù)等無機器學(xué)習(xí)過程的算法提高路由的穩(wěn)定性。如將模糊層次分析法和智能算法相結(jié)合應(yīng)用于SDN，采用模糊層次分析法對數(shù)據(jù)包進行分類，再采用群體智能算法選擇最優(yōu)路徑[5]，或?qū)⒕€性均衡優(yōu)化策略技術(shù)與深度遞歸神經(jīng)網(wǎng)絡(luò)相結(jié)合，設(shè)計一種能夠優(yōu)化系統(tǒng)能耗、延長網(wǎng)絡(luò)壽命的路由[6]。上述方法通常針對具體的應(yīng)用場景，難以作為通用的路由使用。

盡管優(yōu)化的智能路由算法能一定程度上提升其魯棒性，但智能路由算法仍存在訓(xùn)練過程，即其收斂性和訓(xùn)練得到的模型的精確程度仍然受限?？紤]到網(wǎng)絡(luò)并非每時每刻都處于高動態(tài)變化的狀態(tài)，如網(wǎng)絡(luò)拓撲僅在局部時段變化劇烈，其余時段相對穩(wěn)定，智能路由算法在網(wǎng)絡(luò)穩(wěn)定時的組網(wǎng)性能可能不如穩(wěn)健的傳統(tǒng)路由，甚至產(chǎn)生額外的算力、能源等開銷。因此，可考慮智能路由和傳統(tǒng)路由疊加使用，即使用混合智能路由算法，通過智能路由提升網(wǎng)絡(luò)的認知能力，通過傳統(tǒng)路由提升網(wǎng)絡(luò)的穩(wěn)定性。但目前，混合智能路由算法缺少較為通用路由架構(gòu)，通常需要結(jié)合當前采用的智能路由算法和傳統(tǒng)路由算法進行改進設(shè)計，增加了混合智能路由的應(yīng)用難度。

針對上述問題，本文設(shè)計了一種通用程度較高的概率混合智能路由架構(gòu)，通過混合智能路由概率函數(shù)實現(xiàn)對智能路由和傳統(tǒng)路由相互切換，該架構(gòu)為串行使用架構(gòu)，對使用的路由算法約束性較小，普適性較高。

1 " 概率混合智能路由架構(gòu)

定義1：針對具有個節(jié)點的系統(tǒng)，其節(jié)點集合為，當滿足下式時，系統(tǒng)采用概率混合智能路由架構(gòu)：

（1）

式中，為節(jié)點的鄰居節(jié)點集合；和分別為采用傳統(tǒng)路由和智能路由進行選路的映射關(guān)系；為混合智能路由選擇概率函數(shù)；為混合智能路由選擇概率閾值。

當采用概率混合智能路由架構(gòu)時，，有且，即節(jié)點在不同時刻根據(jù)需求選擇智能路由算法或傳統(tǒng)路由。

顯然，概率混合智能路由架構(gòu)對使用的路由算法約束較小，幾乎沒有要求路由算法必須具備某些特征。根據(jù)混合智能路由選擇概率的設(shè)計方式，概率混合智能路由架構(gòu)分為隨機概率模式和自定義概率模式。

2 " 隨機概率模式

在隨即概率模式中，混合智能路由選擇概率采用隨機函數(shù)：

（2）

此時通過設(shè)計混合智能路由選擇概率閾值控制對智能路由算法或傳統(tǒng)路由的使用偏好，即當時，混合智能路由更傾向于選擇傳統(tǒng)路由進行選路。

3 " 自定義概率模式

在選擇自定義概率模式時，根據(jù)需求自行設(shè)計混合智能路由選擇概率，即可對引入網(wǎng)絡(luò)態(tài)勢、環(huán)境態(tài)勢等，使得混合智能路由算法在網(wǎng)絡(luò)狀態(tài)變化較大、外部環(huán)境狀態(tài)變化較大的情況下，更偏好采用智能路由算法進行選路，以應(yīng)對傳統(tǒng)路由難以處理的路由情況；在網(wǎng)絡(luò)相對穩(wěn)定的狀態(tài)下，更偏好采用傳統(tǒng)路由算法進行選路，以提高網(wǎng)絡(luò)的穩(wěn)定性。

4 " 工作流程

在完成初始化后，系統(tǒng)將周期性進行混合智能路由維護，根據(jù)當前態(tài)勢等重新計算混合智能路由選擇概率。當該概率大于閾值時，選用智能路由形成的路由表，否則，選用傳統(tǒng)路由形成的路由表。此外，當其中一種路由發(fā)生故障或無法使用時，如出現(xiàn)傳統(tǒng)路由尚未收斂等情況，系統(tǒng)將主動切換至另一種路由，詳細工作流程如下。

（1）系統(tǒng)進行初始化，設(shè)置混合智能路由選擇概率閾值等參數(shù)。

（2）假如當前尚未進入路由維護周期，則等待至進入路由維護周期時，進入步驟（3）；假如當前為路由維護周期，則直接進入步驟（3）。

（3）根據(jù)當前網(wǎng)絡(luò)態(tài)勢，計算混合智能路由選擇概率。

（4）將當前周期所得的混合智能路由選擇概率與混合智能路由選擇概率閾值對比，當混合智能路由選擇概率大于混合智能路由選擇概率閾值時，進入步驟（5）；當混合智能路由選擇概率小于等于混合智能路由選擇概率閾值時，進入步驟（8）。

（5）判斷智能路由是否失效，當根據(jù)智能路由算法獲得的路由表為空時，智能路由失效，進入步驟（7）；否則，進入步驟（6）。

（6）當前周期基于智能路由算法指導(dǎo)業(yè)務(wù)轉(zhuǎn)發(fā)，即基于智能路由算法獲取的路由表為業(yè)務(wù)選擇下一跳，進入步驟（9）。

（7）當前周期基于傳統(tǒng)路由協(xié)議指導(dǎo)業(yè)務(wù)轉(zhuǎn)發(fā)，即基于傳統(tǒng)路由協(xié)議形成的路由表為業(yè)務(wù)選擇下一跳，進入步驟（9）。

（8）判斷傳統(tǒng)路由是否失效，即當傳統(tǒng)路由尚未收斂，或傳統(tǒng)路由尋路失敗，或傳統(tǒng)路由發(fā)生故障時，根據(jù)傳統(tǒng)路由協(xié)議獲取的路由表為空，此時傳統(tǒng)路由失效，進入步驟（6）；否則，當傳統(tǒng)路由正常運行，進入步驟（7）。

（9）重復(fù)步驟（2）～步驟（8）直至系統(tǒng)工作結(jié)束。

5 " 仿真驗證

5.1 算例設(shè)計

仿真算例均包含64個節(jié)點；針對混合智能路由架構(gòu)，仿真在該架構(gòu)的基礎(chǔ)上疊加使用智能路由算法和傳統(tǒng)路由協(xié)議，其中智能路由算法采用基于鴿群神經(jīng)網(wǎng)絡(luò)的智能路由算法[3]，傳統(tǒng)路由協(xié)議采用地理位置路由協(xié)議[7]；針對僅采用單一智能路由算法的智能路由架構(gòu)，仿真僅運行基于鴿群神經(jīng)網(wǎng)絡(luò)的智能路由算法。

仿真包括4個算例，算例1和算例2均設(shè)TTL=5，但算例1采用混合智能路由架構(gòu)，算例2采用只有單一智能路由算法的智能路由架構(gòu)；算例3和算例4設(shè)TTL=10，類似地，算例3采用混合智能路由架構(gòu)，算例4采用智能路由架構(gòu)。

5.2 仿真結(jié)果

TTL=5、10的仿真結(jié)果如圖1所示，在上述兩種TTL條件下，概率混合智能路由架構(gòu)僅犧牲了極低的平均轉(zhuǎn)發(fā)跳數(shù)性能，降低了丟包率。在TTL=5的條件下，由于TTL較小，綜合路由因為未能給業(yè)務(wù)找到合適的下一跳和尋找的路徑大于TTL兩種原因，丟包率較高，但相比于智能路由架構(gòu)，概率混合智能路由架構(gòu)的丟包率仍降低了約0.66%，業(yè)務(wù)平均轉(zhuǎn)發(fā)跳數(shù)僅增加約0.10跳；在TTL=10的條件下，概率混合智能路由架構(gòu)的丟包率降低了約0.75%，業(yè)務(wù)平均轉(zhuǎn)發(fā)跳數(shù)僅增加約0.12跳。由仿真結(jié)果及其對比可得，概率混合智能路由架構(gòu)能夠在保留路由智能化的前提下，提高網(wǎng)絡(luò)的穩(wěn)定性。

（b）

圖1 仿真結(jié)果（a）業(yè)務(wù)平均轉(zhuǎn)發(fā)跳數(shù)（b）丟包率

6 " 結(jié)束語

本文針對智能路由算法工程化應(yīng)用問題，提出了概率混合智能路由架構(gòu)。該架構(gòu)基于網(wǎng)絡(luò)態(tài)勢、環(huán)境態(tài)勢等物理量設(shè)計混合智能路由選擇概率函數(shù)，并基于該概率函數(shù)進行智能路由和傳統(tǒng)路由切換，使得系統(tǒng)能在網(wǎng)絡(luò)高動態(tài)變化的時刻選用智能路由指導(dǎo)業(yè)務(wù)轉(zhuǎn)發(fā)，在網(wǎng)絡(luò)穩(wěn)定時刻切換至傳統(tǒng)路由；概率混合智能路由架構(gòu)的普適性較好，適用于大部分智能路由和傳統(tǒng)路由。

參考文獻

[1] SUN Penghao， GUO Zehua， LI Junfei， et al. Enabling scalable routing in software-defined networks with deep reinforcement learning on critical nodes[J]. IEEE/ACM Transactions on Networking： A Joint Publication of the IEEE Communications Soceity， the IEEE Computer Society， and the ACM with Its Special Interest Group on Data Communication， 2022， 30（2）： 629-640.

[2] 伍元勝.面向動態(tài)拓撲網(wǎng)絡(luò)的深度強化學(xué)習(xí)路由技術(shù)[J].電訊技術(shù)，

2021，61（06）：659-665.

[3] LI Yong， ZHENG Mohong. Routing prediction strategy for UAV swarm network using pigeon-inspired optimization-based neural network[J]. International Journal of Aeronautical and Space Sciences， 2023， 24（5）： 1479-1490.

[4] 劉靜茹，朱浩，章國安.車聯(lián)網(wǎng)中基于Q學(xué)習(xí)的地理位置路由協(xié)議[J].電訊技術(shù)，2023，63（10）：1472-1478.

[5] S Hongvanthong， L Chunlin. A novel four-tier software-defined network architecture for scalable secure routing and load balancing[J]. International Journal of Communication Systems， 2022： 35（1）： e5020.1- e5020.24.

[6] A Srivastava， R Paulus. Coverage hole aware optimal cluster based routing for wireless sensor network assisted IoT using hybrid deep recurrent neural network[J]. Concurrency and Computation： Practice and Experience， 2022， 35（6）： e7535.1-e7535.21.

[7] KARP Brad. GPSR： Greedy perimeter stateless routing for wireless networks[J]. Acm Mobicom. 2000： 243-254.