一种面向任务协作的跨域通信路由选择方法

摘要: 本发明属于通信,尤其涉及一种面向任务协作的跨域通信路由选择方法。背景技术:1、跨域通信中普遍存在任务协作效率低、延迟高、资源分配不均及鲁棒性不足的问题。公开号c...
一种面向任务协作的跨域通信路由选择方法

本发明属于通信,尤其涉及一种面向任务协作的跨域通信路由选择方法。

背景技术:

1、跨域通信中普遍存在任务协作效率低、延迟高、资源分配不均及鲁棒性不足的问题。公开号cn119276769b的中国专利,公开了一种面向电力通信网的跨域路由方法,获取要进行业务分类的历史业务流数据集,并构建分类评价矩阵;根据主观评价矩阵和分类评价矩阵确定每条业务流的分数;根据业务流的分数对业务流进行分类,确定每条业务流的类别;遍历电力通信网的网络节点和链路,抽象出具有上层网络与下层网络的网络拓扑;根据类别,确定每条将要到来的业务流所属的起点、终点和类别,根据起点、终点和类别确定路由选择机制,通过路由选择机制和网络拓扑确定每条业务流的路由。该方法偏重于电力通信网络的业务流类别进行通信路由选择,但对于更普遍的通信网络,域的种类更多,业务流类别划分不清晰,需要更普适性的方法进行路由选择。

技术实现思路

1、本技术为解决跨域通信中任务协作效率低、延迟高、资源分配不均及鲁棒性不足的问题,以智慧城市中的交通与应急响应系统为应用场景,结合任务导向的路由评估模型、动态域间协商机制和自适应路径优化算法,通过引入生态学中的群集行为理论和强化学习技术,实现了高效的跨域路由选择,降低了通信延迟、提高了任务协作成功率、优化网络资源分配,并增强跨域通信的鲁棒性。

2、为实现上述目的,本技术公开的面向任务协作的跨域通信路由选择方法,包括以下步骤:

3、s1从任务请求中提取关键特征,包括任务类型、优先级、数据量和时延需求,形成任务特征向量;

4、s2根据任务特征向量,计算跨域路由的初始评估分数,为路由选择提供依据;

5、s3在多个域之间动态协商资源分配和路由策略,生成协商后的资源分配矩阵,确保资源均衡;

6、s4根据初始路由评估和协商结果,采用强化学习算法优化路径选择,输出最终路径;

7、s5收集通信过程中性能数据,更新路由评估模型和路径优化策略,形成闭环学习。

8、进一步地,步骤s1包括:

9、从智慧城市交通与应急响应系统中采集任务请求数据,包括任务类型、优先级、数据量和时延需求;

10、将任务数据量化为特征向量;

11、对特征向量进行进行归一化处理,确保不同量纲的特征值在同一范围内。

12、进一步地,步骤s2包括:

13、s21模拟跨域通信中域节点的协作行为,定义路由评估分数 ,公式如下:

14、

15、其中:是权重系数,分别调节时延、优先级和数据量对评估的影响,是从中提取的时延需求,是从中提取的优先级,是从中提取的数据量,是域节点容量上限,是群集协同效应因子,表示域间协作的紧密程度;

16、s22根据,对所有可能的跨域路由路径进行排序,选择得分最高的路径作为初始路径候选集。

17、进一步地,步骤s3包括:

18、s31根据任务特征向量和初始路径候选集,分析每个域的资源需求,计算资源需求向量;

19、s32根据博弈论,计算资源分配矩阵 ,公式如下:

20、

21、其中:表示域分配给域的资源比例,是域的资源需求量,是域的资源可用性;

22、s33 输出协商结果:根据,调整初始路径候选集,生成协商后的路径候选集。

23、进一步地,步骤s4包括:

24、步骤s41以最小化通信延迟和最大化任务成功率为目标,定义优化函数 ,公式如下:

25、

26、其中:是权重系数,调节延迟和成功率的平衡,是实际通信延迟,是任务成功率;

27、s42采用deep q-network算法,根据协商后的路径候选集,动态优化路由路径,最终输出最优路径 ;

28、s43对进行模拟验证,确保其满足任务特征向量中的时延需求。

29、进一步地,步骤s5包括:

30、s51收集最优路径 的实际通信性能数据;

31、s52根据收集的数据,更新路由评估模型中的权重系数 ,以及优化函数中的权重 ,公式如下:

32、

33、其中,是更新后的和更新前的权重系数,是学习率,控制更新幅度,是路由评估分数对实际延迟的偏导数;

34、s53将更新后的模型参数反馈到任务导向路由评估模块和自适应路径优化模块,形成闭环学习机制。

35、进一步地,步骤s2中,引入增强型的“群集协同效应因子”,构建动态评估模型,

36、公式如下:

37、

38、为各子因子的权重系数;是协作信任度因子,通过历史协作成功率和失败率的加权平均计算,是群体共识因子,通过当前任务目标的相似度向量计算,是引力协同因子,根据节点间通信强度和资源互补性计算;

39、协作信任度因子 计算公式如下:

40、

41、

42、是第次历史协作的成功度评分,是时间衰减权重,根据当前时间 和历史协作时间  的差值计算,是时间衰减率,控制历史数据的影响衰减速度,是历史协作记录总数;

43、群体共识因子计算如下:

44、

45、是域节点的任务目标向量,表示其对当前任务的需求偏好,是所有参与域节点的平均任务目标向量,是参与协作的域节点总数。

46、引力协同因子计算如下:

47、

48、是域节点和间的资源互补性,根据资源类型的匹配度计算,是域节点和间的通信强度,根据历史通信频率和数据量计算,是域节点和间的网络距离,是平滑因子,防止分母为零;

49、融入增强型的 ,并引入任务复杂度因子 ,计算路由评估分数:

50、

51、为各部分的权重系数,是任务的时延需求,是任务优先级,是数据量,是域节点容量上限,是增强型群集协同效应因子,是任务复杂度因子,通过任务计算需求和依赖关系的熵值计算;

52、计算任务复杂度因子 ,定义如下:

53、

54、是任务子模块  的计算资源需求占比,是任务子模块总数,是任务依赖深度,表示任务内部依赖关系的层级数,是依赖深度权重,调节依赖对复杂度的影响。

55、进一步地,步骤s3包括:

56、根据任务特征向量和初始路径候选集,分析每个域对资源的需求,计算资源需求向量;

57、引入任务优先级权重,通过加权计算调整资源需求,来体现任务的重要性;

58、将每个域建模为图谱中的节点,域间的资源依赖、历史协商结果和信任关系表示为边和属性,形成动态域间知识图谱;

59、通过图谱嵌入技术,将知识图谱转化为低维向量表示,增强对域间复杂关系的理解;

60、多智能体博弈协商机制:

61、将每个域表示为一个智能体,采用多智能体强化学习marl框架,设计协商策略 为每个域  的资源分配决策函数,目标是最大化全局任务协作效用;

62、根据知识图谱中域  和域  的历史交互计算得出,用于调整资源分配偏好,计算信任因子;

63、计算资源分配矩阵;

64、根据 ,调整初始路径候选集 ,生成协商后的路径候选集 ,具体通过以下公式计算路径资源支持度:

65、

66、其中,是路径  的资源支持度,是路径经过的域对,是域和域之间的通信延迟,选择  较高的路径进入 。