網(wǎng)絡(luò)柔性重構(gòu)的智能機理淺析*

蘭巨龍，程東年，王 雨，張風(fēng)雨

（國家數(shù)字交換系統(tǒng)工程技術(shù)研究中心 鄭州 450002）

1 引言

網(wǎng)絡(luò)重構(gòu)[1]是一項全新的全面提升網(wǎng)絡(luò)業(yè)務(wù)支持水平的結(jié)構(gòu)性方法。從具體的結(jié)構(gòu)形態(tài)上看，可重構(gòu)網(wǎng)絡(luò)分為針對功能的重構(gòu)和針對性能的重構(gòu)、靜態(tài)重構(gòu)和動態(tài)重構(gòu)、節(jié)點重構(gòu)和網(wǎng)絡(luò)重構(gòu)等。

網(wǎng)絡(luò)對其結(jié)構(gòu)實施重構(gòu)的具體目標(biāo)有兩種類型:實現(xiàn)異型網(wǎng)絡(luò)能力的融合和實現(xiàn)通用網(wǎng)絡(luò)能力的增強。異型網(wǎng)絡(luò)能力的融合是指網(wǎng)絡(luò)同時具有并可以靈活地組配多種不同的基礎(chǔ)傳送能力，如電路、虛電路、分組的信息交換模式等，網(wǎng)絡(luò)根據(jù)應(yīng)用的固有特征和數(shù)據(jù)傳送要求對自身資源進行分配和調(diào)節(jié)，動態(tài)調(diào)整不同基礎(chǔ)傳送能力的組合以及容量。通用網(wǎng)絡(luò)能力的增強是指網(wǎng)絡(luò)的基礎(chǔ)傳送能力僅有一種，如僅有分組信息交換模式，但網(wǎng)絡(luò)通過基礎(chǔ)傳送能力到網(wǎng)絡(luò)服務(wù)效果的“最佳對應(yīng)”支持多種網(wǎng)絡(luò)應(yīng)用和業(yè)務(wù)。從總體上看，這兩種能力均以其單一的網(wǎng)絡(luò)同時支持多種網(wǎng)絡(luò)應(yīng)用和業(yè)務(wù)，但從時間和空間的重構(gòu)操作粒度上看，前者側(cè)重于大粒度的重構(gòu)，而后者則更強調(diào)細粒度重構(gòu)。

作為無連接、變長分組交換，IP已經(jīng)被作為各類信息網(wǎng)絡(luò)數(shù)據(jù)傳遞的基礎(chǔ)模式。使用IP的信息網(wǎng)絡(luò)具有以下4個共同的特征。

·對鏈路層意義的物理網(wǎng)絡(luò)而言，是一個實現(xiàn)異型物理網(wǎng)絡(luò)間互聯(lián)的“超網(wǎng)”。

·具有語義透明性，并不針對任何特定的業(yè)務(wù)或應(yīng)用，因而網(wǎng)絡(luò)可以支持的應(yīng)用類型不受限制。

·提供無連接的信道，將網(wǎng)絡(luò)的數(shù)據(jù)傳送行為與網(wǎng)絡(luò)的內(nèi)在特征相分離，這種解耦合為網(wǎng)絡(luò)奠定了健壯性的物質(zhì)基礎(chǔ)。

·是時間和空間雙重意義的統(tǒng)計復(fù)用信道，使得各類上層應(yīng)用的數(shù)據(jù)可以在單個網(wǎng)絡(luò)傳送節(jié)點上實現(xiàn)時間意義的按需資源共享，而在整個網(wǎng)絡(luò)范圍內(nèi)實現(xiàn)空間意義的按需資源共享。

網(wǎng)際互聯(lián)、語義透明、簡單健壯的優(yōu)質(zhì)特性，使得IP成為可重構(gòu)網(wǎng)絡(luò)的基本數(shù)據(jù)交換模式，換句話說，以實現(xiàn)通用網(wǎng)絡(luò)能力的增強為目標(biāo)的可重構(gòu)網(wǎng)絡(luò)將成為可重構(gòu)網(wǎng)絡(luò)的一種重要形態(tài)，因為這類可重構(gòu)網(wǎng)絡(luò)基于單一的數(shù)據(jù)交換模式構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)和資源重構(gòu)的控制結(jié)構(gòu)，從而向特征和要求均時變的多種網(wǎng)絡(luò)應(yīng)用提供相應(yīng)的時變數(shù)據(jù)信道，最終用跟隨特征和要求做同步變化的服務(wù)能力，全面提升網(wǎng)絡(luò)對業(yè)務(wù)的支持水平。然而，基于單一和通用網(wǎng)絡(luò)能力構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)和資源重構(gòu)的機理、機制和控制結(jié)構(gòu)卻成為這類可重構(gòu)網(wǎng)絡(luò)設(shè)計的重大挑戰(zhàn)。作為可重構(gòu)網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整方式的所謂“柔性”，對于服務(wù)效果與應(yīng)用要求的一致匹配至關(guān)重要。支持網(wǎng)絡(luò)結(jié)構(gòu)柔性的工作機理和內(nèi)在結(jié)構(gòu)是什么？當(dāng)前的研究多圍繞結(jié)構(gòu)柔性的宏觀特性展開，并未清晰地回答諸如網(wǎng)絡(luò)對其結(jié)構(gòu)和資源進行重構(gòu)的內(nèi)在方式等問題。

2 網(wǎng)絡(luò)結(jié)構(gòu)的柔性簡介

對于可重構(gòu)網(wǎng)絡(luò)而言，針對其結(jié)構(gòu)和資源進行動態(tài)調(diào)整的控制結(jié)構(gòu)是位于網(wǎng)絡(luò)功能體系結(jié)構(gòu)下層的基本數(shù)據(jù)交換模式和位于上層的應(yīng)用時變特征及要求之間的一塊“墊片”。該墊片在本質(zhì)上具有功能意義而非結(jié)構(gòu)意義，即其旨在實現(xiàn)基礎(chǔ)數(shù)據(jù)傳送能力到多樣、多變應(yīng)用要求的一致匹配，而具體的重構(gòu)結(jié)構(gòu)既可以是集中式的，也可以是完全分布式的。

柔性是重構(gòu)控制結(jié)構(gòu)的工作模式。作為重構(gòu)控制結(jié)構(gòu)的內(nèi)在要素，柔性是網(wǎng)絡(luò)針對應(yīng)用要求對其內(nèi)在結(jié)構(gòu)、資源做出隱性和動態(tài)調(diào)整的方式，其目的是實現(xiàn)網(wǎng)絡(luò)服務(wù)效果對時變應(yīng)用要求的一致和穩(wěn)定的符合（或匹配）。在該意義上，網(wǎng)絡(luò)重構(gòu)的柔性應(yīng)當(dāng)具有漸變跟隨、整體要求、隱性隔離和自主驅(qū)動4個具體特征。

本文特別強調(diào)柔性的漸變跟隨特征，它可以解釋為網(wǎng)絡(luò)結(jié)構(gòu)對應(yīng)用要求的“限距跟隨”。這里的“跟隨”指通過改變內(nèi)在結(jié)構(gòu)改變網(wǎng)絡(luò)資源對應(yīng)用要求的劃分，進而使得被動時變的資源劃分所表現(xiàn)出的網(wǎng)絡(luò)實際服務(wù)效果盡可能地接近主動時變的應(yīng)用要求；“限距”是指上述跟隨所導(dǎo)致的服務(wù)效果與應(yīng)用要求之間的差距有界，即該差距的絕對值既有下界，也有上界。下界的作用是消除時變應(yīng)用要求在小尺度上的隨機波動對網(wǎng)絡(luò)結(jié)構(gòu)帶來的不必要影響，從而消除結(jié)構(gòu)對要求的過度敏感性。顯然，結(jié)構(gòu)對要求的非敏感性也具有損害應(yīng)用實際得到的服務(wù)效果的負面作用。這就是說，下界的設(shè)置應(yīng)當(dāng)同時考慮應(yīng)用要求本身的隨機波動特性，即下界的值應(yīng)當(dāng)反映應(yīng)用要求在較小時間尺度上的有效和穩(wěn)定的變化。設(shè)立差距上界是為了滿足應(yīng)用對網(wǎng)絡(luò)服務(wù)效果降級的容限要求。用服務(wù)效果與應(yīng)用要求之間差距的上界直接表達服務(wù)效果降級的最大程度，就能為網(wǎng)絡(luò)重構(gòu)操作建立直接依據(jù)，避免服務(wù)效果持續(xù)、穩(wěn)定地降級，進而最大可能地保證各個應(yīng)用均得到所需以及合理的網(wǎng)絡(luò)服務(wù)效果。

顯然，與時變的資源劃分和應(yīng)用要求相同，服務(wù)效果與應(yīng)用要求之間的差距也是時變的。因此識別該時變的差距以及該差距與差距上限之間的“差距”是至關(guān)重要的。從應(yīng)用對服務(wù)效果降級的容限特性這一角度看，網(wǎng)絡(luò)應(yīng)當(dāng)做到在服務(wù)效果降級的最大限度之內(nèi)允許應(yīng)用要求最大程度地隨機波動。此外，該時變的差距與差距界之間的數(shù)量關(guān)系可以成為網(wǎng)絡(luò)重構(gòu)操作有效性的重要判斷依據(jù)。一方面，對差距下界的超越構(gòu)成啟動網(wǎng)絡(luò)重構(gòu)操作的觸發(fā)條件，而對差距上界的超越則構(gòu)成加強網(wǎng)絡(luò)重構(gòu)操作的觸發(fā)條件；另一方面，差距穩(wěn)定在上、下界之間意味著對相應(yīng)的網(wǎng)絡(luò)重構(gòu)加強操作的肯定，而差距穩(wěn)定在下界之下則是對相應(yīng)的網(wǎng)絡(luò)重構(gòu)操作的肯定。

網(wǎng)絡(luò)服務(wù)效果與應(yīng)用要求之間差距的界因應(yīng)用類型的不同而不同，對于由多種不同類型的應(yīng)用匯聚而成的匯聚型應(yīng)用，界的設(shè)定將是值得深入考慮和研究的問題。

針對服務(wù)效果與應(yīng)用要求穩(wěn)定可靠變化的網(wǎng)絡(luò)重構(gòu)才是有效的。換句話說，網(wǎng)絡(luò)重構(gòu)的有效性應(yīng)當(dāng)表達為網(wǎng)絡(luò)結(jié)構(gòu)對服務(wù)效果與應(yīng)用要求穩(wěn)定可靠變化的針對性。因此，應(yīng)當(dāng)也必須將服務(wù)效果與應(yīng)用要求之間隨機波動的穩(wěn)定特征作為網(wǎng)絡(luò)重構(gòu)操作的直接依據(jù)。從該意義上講，支持網(wǎng)絡(luò)柔性重構(gòu)核心特征的一種可行的機理是“智能低通隨動”，其含義包括如下3個方面。

·可重構(gòu)網(wǎng)絡(luò)應(yīng)當(dāng)建立適當(dāng)?shù)牡屯V波機制，用于抽取網(wǎng)絡(luò)服務(wù)效果和應(yīng)用要求的隨機行為中相對穩(wěn)定可靠的特征，形成直接表達該穩(wěn)定可靠特征的低通信號。

·隨動是指網(wǎng)絡(luò)對應(yīng)用提供的時變服務(wù)效果隨時變的應(yīng)用要求而動，其本質(zhì)是網(wǎng)絡(luò)對自身結(jié)構(gòu)做出實時改變進而使得時變的網(wǎng)絡(luò)服務(wù)效果受控。

·“低通”和“隨動”機制應(yīng)該是智能化的，即驅(qū)動網(wǎng)絡(luò)重構(gòu)的機制應(yīng)當(dāng)以“感知—決策—調(diào)整”的智能方式驅(qū)動具體的低通和隨動操作。智能可以粗略地分為低階和高階兩種類型，低階智能指對靜態(tài)特征進行感知、適應(yīng)及局部自主優(yōu)化，而高階智能則對動態(tài)特征進行感知和適應(yīng)及全局性的自主優(yōu)化。

3 網(wǎng)絡(luò)的知識驅(qū)動機理和功能結(jié)構(gòu)

傳統(tǒng)電信網(wǎng)和互聯(lián)網(wǎng)分別是網(wǎng)絡(luò)和終端具備智能的例子。近期研究表明，網(wǎng)絡(luò)智能正被賦予新的內(nèi)涵，這就是網(wǎng)絡(luò)自主和自動適應(yīng)對其多樣和時變的要求。然而網(wǎng)絡(luò)智能的必要性和可行性仍是一個頗有爭議的問題，爭論的一個焦點是網(wǎng)絡(luò)為智能付出的代價是否抵得過智能所產(chǎn)生的收益。筆者以為，代價和收益的輕重應(yīng)當(dāng)同社會要求和科學(xué)技術(shù)與時俱進。一方面，社會的整體進步對當(dāng)今網(wǎng)絡(luò)的信息服務(wù)提出了前所未有的高要求；另一方面，在器件、硬件、軟件、人工智能等技術(shù)已經(jīng)大幅提高的今天，使網(wǎng)絡(luò)具備智能已不存在技術(shù)障礙，并且智能所帶來的收益完全有可能顯著超過其代價。

事實上，使開放型網(wǎng)絡(luò)具備智能的研究和努力一直在進行著。當(dāng)前互聯(lián)網(wǎng)的體系結(jié)構(gòu)中存在著一個顯著的差異，即端系統(tǒng)具有應(yīng)用特定的強語義特征，而網(wǎng)絡(luò)具有語義的透明性。該差異意味著網(wǎng)絡(luò)的高等級目標(biāo)——應(yīng)用語義與網(wǎng)絡(luò)內(nèi)部的低等級任務(wù)特征被明顯地割裂，導(dǎo)致當(dāng)網(wǎng)絡(luò)內(nèi)部發(fā)生某種異常狀態(tài)時，網(wǎng)絡(luò)本身并不知曉它對高等級目標(biāo)的意義，因而也不可能采取任何行動，網(wǎng)絡(luò)內(nèi)部的分組丟失、隊列擁塞以及TCP流控就是典型的例子。1990年，網(wǎng)絡(luò)體系結(jié)構(gòu)頂級科學(xué)家、美國MIT的Clark D教授針對開放型網(wǎng)絡(luò)首次提出了一種全新的體系結(jié)構(gòu)要素——“知識面”（knowledge plane）[2]，Clark教授認為傳統(tǒng)網(wǎng)絡(luò)中算法式的方法不能滿足和適應(yīng)復(fù)雜的行為要求，基于智能方法的“知識面”強調(diào)，經(jīng)抽象得到高等級的網(wǎng)絡(luò)目標(biāo)，再將高等級的目標(biāo)與低層的操作決策有機關(guān)聯(lián)，就能夠綜合各種不完整甚至沖突的信息，從學(xué)習(xí)歷史行為和現(xiàn)狀中改善未來的行為，從而達到高等級的網(wǎng)絡(luò)目標(biāo)。知識面網(wǎng)絡(luò)體系的概念結(jié)構(gòu)如圖1所示。

圖1 知識面網(wǎng)絡(luò)體系的概念結(jié)構(gòu)

Clark教授敏銳地看到了知識與任務(wù)之間的區(qū)別和關(guān)系。他指出:任務(wù)通常能劃分成互不相交的任務(wù)子集，然而知識卻不能劃分成多個互不相干的知識子集。一項高等級網(wǎng)絡(luò)目標(biāo)不能通過對多個獨立功能 （分別對應(yīng)多個任務(wù)）的組合實現(xiàn)，相反，應(yīng)當(dāng)解析知識的內(nèi)涵，依據(jù)內(nèi)涵界定的要素及其關(guān)系確定功能和任務(wù)，最后對各個任務(wù)進行多個層面、多種程度的有機關(guān)聯(lián)。

對于具有知識面的系統(tǒng)而言，其核心功能結(jié)構(gòu)具有閉環(huán)、學(xué)習(xí)和推理3個要素。閉環(huán)有3個不同能力等級的形式，即初級的“識別—解釋”環(huán)、中級的“識別—解釋—建議”環(huán)、高級的“識別—行動”環(huán)。知識面中的“學(xué)習(xí)”和“推理”有兩個要義:學(xué)習(xí)環(huán)境、改進自身。例如，針對安全的學(xué)習(xí)建立一種“透視”機制，發(fā)現(xiàn)隱藏在透明數(shù)據(jù)平面的惡意實體，進而對行為、相關(guān)性和應(yīng)用需求進行建模，推理則對現(xiàn)有知識進行綜合并做出新的推斷和是否信任的判斷。

知識面定義的網(wǎng)絡(luò)結(jié)構(gòu)是功能性的，MIT的Li[3]進一步給出了具體的知識面網(wǎng)絡(luò)結(jié)構(gòu)，創(chuàng)立了網(wǎng)絡(luò)知識面NetKP和高層SepcKP兩種知識面功能實體。其中，NetKP采用智能代理[4]的方法搜集較低等級的網(wǎng)絡(luò)狀態(tài)，從中提煉出有價值的信息并提供給SepcKP；SepcKP則基于NetKP提供的信息進行路由優(yōu)化、性能優(yōu)化、網(wǎng)絡(luò)安全等較高等級操作，而這些較高等級操作的結(jié)果是導(dǎo)致較低等級的新狀態(tài)產(chǎn)生，因此兩者形成有機互動的良性循環(huán)。

4 網(wǎng)絡(luò)功能的跨層交互機理

作為對信息進行關(guān)聯(lián)融合的方法，知識面構(gòu)成網(wǎng)絡(luò)實現(xiàn)高等級目標(biāo)的重要機理，但并未涉及網(wǎng)絡(luò)功能的具體結(jié)構(gòu)形態(tài)，而當(dāng)前層次式網(wǎng)絡(luò)功能體系的現(xiàn)狀是:各個功能單元僅僅在相鄰層間的服務(wù)接入點（SAP）意義上相互關(guān)聯(lián)，各個非相鄰功能層之間相互隔離。對網(wǎng)絡(luò)功能的這種人為、主觀和硬性的關(guān)系劃分，加上每層自身的狀態(tài)信息對外不可見，均未考慮以自然的方式符合知識內(nèi)涵意義上功能和任務(wù)之間的有機關(guān)聯(lián)，結(jié)果一個功能單元無法得知其他單元的工作狀態(tài)，更不可能利用其他單元的工作狀態(tài)。顯然這種功能劃分結(jié)構(gòu)既未針對高等級網(wǎng)絡(luò)目標(biāo)的表達和實現(xiàn)，也無功能單元間協(xié)同工作的結(jié)構(gòu)性機制。

筆者認為，網(wǎng)絡(luò)功能的分層不應(yīng)當(dāng)導(dǎo)致多個“孤軍作戰(zhàn)”功能和行動的簡單組合，而應(yīng)當(dāng)是多個功能實體在多個層面上相互協(xié)同的“聯(lián)合作戰(zhàn)”。Thomas R W等人[5]于2005年首次提出認知網(wǎng)絡(luò)（CN）的概念，2007年形成較為完整的體系[6]。CN強調(diào)通過全網(wǎng)認知協(xié)同實現(xiàn)網(wǎng)絡(luò)端到端的目標(biāo)。認知的概念源于生理學(xué)，指有意識或受意識支配的智能活動；網(wǎng)絡(luò)認知的概念則受到認知無線電（CR）[7]的啟發(fā)，CR的核心思想是在無線環(huán)境中以類智能的方式實現(xiàn)頻譜優(yōu)化。從網(wǎng)絡(luò)體系結(jié)構(gòu)角度看，CR是僅涉及物理和鏈路兩個協(xié)議層的技術(shù)。與CR不同，CN將網(wǎng)絡(luò)認知擴展到所有協(xié)議層，其核心是網(wǎng)絡(luò)作為一個整體具備對業(yè)務(wù)要求、網(wǎng)絡(luò)資源和運行狀態(tài)等的完整認知能力，提出CN的動因是用觀察、學(xué)習(xí)和行動的智能活動作為測量、關(guān)聯(lián)和應(yīng)對各類復(fù)雜變化的機制，從而滿足網(wǎng)絡(luò)端到端的目標(biāo)要求，實現(xiàn)網(wǎng)絡(luò)能力到應(yīng)用要求優(yōu)化匹配的目的。

網(wǎng)絡(luò)認知的4個核心功能是觀察、分析、決策和行動，如圖2所示，支持這4個功能的核心機理是全局感知機理、學(xué)習(xí)決策機理[8～10]和反饋控制機理。

多層關(guān)聯(lián)協(xié)同的核心是關(guān)聯(lián)協(xié)同感知，而跨層設(shè)計[11]又成為關(guān)聯(lián)協(xié)同感知的支持結(jié)構(gòu)。傳統(tǒng)的層次式網(wǎng)絡(luò)功能模型因其模塊化特征而極大地簡化了功能之間的耦合關(guān)系，但這種分層也導(dǎo)致應(yīng)用語義在垂直方向上的分割，從而難以將應(yīng)用端到端的目標(biāo)要求與網(wǎng)絡(luò)內(nèi)在的過程特征進行有效關(guān)聯(lián)，使得網(wǎng)絡(luò)無法與端系統(tǒng)聯(lián)合支持應(yīng)用端到端的目標(biāo)要求。針對該問題，Srivastava和Motani提出了跨層設(shè)計這種新型的網(wǎng)絡(luò)功能分層模型，其結(jié)構(gòu)形態(tài)有3種基本類型:層間信令管道、層間直接通信和跨層平面，如圖3所示。層間信令管道結(jié)構(gòu)在協(xié)議數(shù)據(jù)單元頭部建立相鄰協(xié)議層之間的直接信令信道；層間直接通信結(jié)構(gòu)利用ICMP以全互連方式建立任意協(xié)議層之間的直接信令信道；跨層平面結(jié)構(gòu)則專門建立一個獨立于已有協(xié)議棧的共享數(shù)據(jù)集，每個協(xié)議層通過API訪問共享數(shù)據(jù)集以實現(xiàn)層間交互?？鐚庸δ苣Ｐ蜆?gòu)成認知網(wǎng)絡(luò)全局感知能力的結(jié)構(gòu)性機理。

跨層設(shè)計的本質(zhì)是對應(yīng)用語義和網(wǎng)絡(luò)狀態(tài)進行關(guān)聯(lián)，通過功能層之間的交互和協(xié)調(diào)機制，為支持網(wǎng)絡(luò)端到端的目標(biāo)要求設(shè)定網(wǎng)絡(luò)功能關(guān)聯(lián)協(xié)調(diào)的結(jié)構(gòu)性基礎(chǔ)。從網(wǎng)絡(luò)體系角度看，網(wǎng)絡(luò)功能的跨層交互消除了因垂直切割網(wǎng)絡(luò)功能而導(dǎo)致的應(yīng)用語義失真和阻斷；相反，它建立應(yīng)用語義能夠任意等價傳遞的邏輯通道，進而從功能和結(jié)構(gòu)設(shè)計的源頭保證用戶數(shù)據(jù)的傳送要求和對網(wǎng)絡(luò)自身實施有效的控制。

認知網(wǎng)絡(luò)通常采用跨層設(shè)計，一個網(wǎng)絡(luò)功能層通常不僅僅使用本層的信息，還使用其他層信息并與其他層進行動態(tài)交互，以智能的方式判斷狀態(tài)是否為最優(yōu)，并采取行動改變網(wǎng)絡(luò)單元協(xié)議棧的配置等。

5 分布式合作感知機理

合作感知是諸多分布化的網(wǎng)絡(luò)功能實體協(xié)同工作，以實現(xiàn)網(wǎng)絡(luò)全局目標(biāo)的機制。每個承載某種功能的個體在自身所處的局部環(huán)境中收集本地狀態(tài)和信息，而合作感知機制則對所有局部信息進行多等級的綜合，將綜合結(jié)果反饋給每個個體，指導(dǎo)眾個體做出局部判斷并實施局部操作，從而使得局部判斷和操作在整體上表現(xiàn)為實現(xiàn)全局目標(biāo)的全局性行為，進一步構(gòu)成網(wǎng)絡(luò)做出結(jié)構(gòu)調(diào)整的重要條件。

圖3 跨層設(shè)計的3種結(jié)構(gòu)形態(tài)

環(huán)境或狀態(tài)信息具有時間和空間的固有特征，因而合作感知具有時間和空間兩種意義。

時間意義上，指在時間區(qū)段與感知實體之間建立對應(yīng)關(guān)系，各個感知實體獨立地獲取相應(yīng)時間區(qū)段的環(huán)境或狀態(tài)信息Il(Δt)，然后由匯集機制將各個區(qū)段的局部信息進行合并，最終綜合歸納形成全局信息 Ig(ΔT)并反饋（ΔT>Δt），基本原理如圖4所示，原理式為:

圖4 時域合作感知基本原理

空間意義上，在空間域與感知實體之間建立對應(yīng)關(guān)系，各個感知實體獨立地獲取相應(yīng)空間范圍的環(huán)境或狀態(tài)信息Jl(a)，然后由匯集機制將各個子空間的局部信息合并歸納成全局信息Jg(A)并反饋，基本原理如圖5所示，原理計算式為:

圖5 空域合作感知基本原理

6 分布式智能機理

分布式協(xié)同是自然適應(yīng)分布式問題的解決方法，驅(qū)動分布式協(xié)同的核心是分布式智能。網(wǎng)絡(luò)路由問題是一個典型的分布式問題，其目標(biāo)是在最大化性能、最小化代價的約束下指導(dǎo)流量。確定優(yōu)化路由的一般性問題可表述為“在非平穩(wěn)隨機環(huán)境中的約束性目標(biāo)優(yōu)化”，除了性能最大化和代價最小化，對網(wǎng)絡(luò)路由的其他約束有基礎(chǔ)網(wǎng)絡(luò)的交換和傳輸技術(shù)、條件等。

蟻群算法[12,13]是一種群智能算法[14,15]，以完全分布的方式實現(xiàn)組合優(yōu)化的功能結(jié)構(gòu)，即一群有特定合作意向和目標(biāo)的個體，通過信息素機制探索問題的狀態(tài)空間，實施相互激勵式的交互與合作，最終在蟻群的整體層面表達問題的最優(yōu)解。

被傳遞數(shù)據(jù)所經(jīng)路徑的特征是網(wǎng)絡(luò)實際服務(wù)效果的基礎(chǔ)。路徑至少有拓撲和性能兩個基本內(nèi)涵。拓撲是路徑的靜態(tài)特征，在拓撲意義下，最短路徑指靜態(tài)拓撲度量（如跳數(shù)等）取值最小的路徑，當(dāng)前互聯(lián)網(wǎng)所依賴的IP網(wǎng)絡(luò)路徑主要是拓撲意義的。相對而言，性能意義下的最短路徑則指某個性能度量取值最優(yōu)（如時延最小、吞吐率最大等）的路徑，顯然，性能構(gòu)成路徑的動態(tài)特征。比較而言，拓撲意義路徑的特征隨網(wǎng)絡(luò)拓撲的變化而變化，而拓撲變化通常是較大尺度的，性能意義路徑的特征則會隨數(shù)據(jù)傳遞實際效果的變化而變化，性能通常在較小尺度上發(fā)生變化?；谙伻核惴ㄡ槍Φ恼切阅芤饬x的網(wǎng)絡(luò)路徑。

作為全新的激勵式交互通信機制，信息素對于蟻群合作尋優(yōu)起到以下5個重要作用。

（1）標(biāo)記

每個螞蟻個體通過釋放信息素表達其經(jīng)歷，因此信息素本質(zhì)上是對全局路徑瞬時狀態(tài)的記錄、表達和通告。個體k在一個節(jié)點上釋放的信息素的量Δτk與當(dāng)前節(jié)點i到目的節(jié)點d的距離lid和經(jīng)歷的時延did成反比[16]，即:

（2）累計

位置i處的信息素τijd(t)表示在t時刻從 i到達 j最終去往d的所有個體所釋放的信息素累計值，即:

這樣，表面上隨機形成的信息素強度的分布自然地表達了網(wǎng)絡(luò)路徑長度的內(nèi)在特征。

（3）引導(dǎo)

信息素構(gòu)成個體在任何位置選擇本地路徑而繼續(xù)前行的直接依據(jù)。

（4）放大

信息素濃度正確表達了路徑的質(zhì)量水平，如路徑的長或短。較高濃度的信息素會在未來吸引較多個體訪問（即歷經(jīng)），其結(jié)果又會進一步增大信息素的濃度，形成放大吸引作用的正反饋效應(yīng)。

（5）辟新

信息素會自然揮發(fā)，從而形成鼓勵蟻群開辟新徑的有效機制:

其中，c為信息素揮發(fā)系數(shù)，典型地，c=1/(1+Δτk(s))。

信息素最終用于對路由表的修改。依據(jù)對本地路徑“個別加強—普遍減弱”的原則，通過信息素突出表現(xiàn)被選擇的下一節(jié)點。對路由修改的結(jié)果是累加被選擇節(jié)點的信息素并減小未被選擇節(jié)點的信息素。對于去往目的節(jié)點d的第k個螞蟻個體而言，如果它在節(jié)點i選擇i的鄰居q作為下一個要到達的節(jié)點，則分別通過下述兩個規(guī)則修改路由表:

十九大報告指出，“不敢腐的目標(biāo)初步實現(xiàn)，不能腐的籠子越扎越牢，不想腐的堤壩正在構(gòu)筑，反腐敗斗爭壓倒性態(tài)勢已經(jīng)形成并鞏固發(fā)展”[1]P8。要真正構(gòu)筑起“不想腐的堤壩”，根本上還要通過加強全黨理想信念教育和思想理論學(xué)習(xí)，通過思想理論學(xué)習(xí)不斷強化馬克思主義理論素養(yǎng)，堅定共產(chǎn)黨人的理想信念，增強中國特色社會主義道路自信、理論自信、制度自信、文化自信。因此，要堅持以思想建設(shè)為引領(lǐng)，為全面從嚴(yán)治黨向縱深發(fā)展提供科學(xué)理論指引和強大思想武器。

美國中佛羅里達大學(xué)的Gelenbe E教授[17]于1999年提出了一種基于蟻群分布式智能的具體網(wǎng)絡(luò)結(jié)構(gòu)——認知分組網(wǎng)絡(luò)（cognitive packet network，CPN），它具有如下 3個顯著特征。

·針對具有 QoS要求的流。

·將路由計算轉(zhuǎn)交給流，由流為自己選路，其結(jié)果是網(wǎng)絡(luò)節(jié)點不再具有“路由表”，而僅具有學(xué)習(xí)路由的強化學(xué)習(xí)算法。

·創(chuàng)立了3種全新的分組類型:稱為智慧分組（smart packet，SP）的前向分組（沿源到目的方向運動），為一個流確定完整的路徑；稱為應(yīng)答分組（ACK packet，AP）的反向分組（沿目的到源方向運動），負責(zé)反向帶回路徑信息和測量數(shù)據(jù)；稱為啞分組（dumb packet，DP）的前向分組，以源路由方式承載應(yīng)用數(shù)據(jù)。

每個SP均有自己特定的性能、代價、安全等目標(biāo)，攜帶一段旨在與網(wǎng)絡(luò)節(jié)點交互(對話)的代碼，而支持網(wǎng)絡(luò)節(jié)點與智慧分組交互的功能實體是郵箱(mailbox)，郵箱內(nèi)存儲表示QoS狀態(tài)的信息素。每到達一個節(jié)點，SP以較大概率理性地（即通過學(xué)習(xí)算法）自我做出選路決策，而以較小概率(如5%)隨機選路。SP與網(wǎng)絡(luò)節(jié)點之間的具體交互操作包括:讀取郵箱和自身目標(biāo)、運行自適應(yīng)學(xué)習(xí)算法、計算并決定下一跳、累積存儲經(jīng)歷的路由信息和QoS信息。每次交互完成后，SP將所測量的信息（如經(jīng)歷的路徑和QoS狀態(tài)等）存入自身的特定字段。

當(dāng)SP到達目的節(jié)點后，自動“變身”為一個對應(yīng)的反向AP分組，SP將自身攜帶的路由信息和QoS信息轉(zhuǎn)移到該AP。AP反向沿SP經(jīng)歷路由（未必是最短路由）折回源節(jié)點。每經(jīng)歷一個網(wǎng)絡(luò)節(jié)點就將其攜帶的QoS信息存儲在該網(wǎng)絡(luò)節(jié)點的郵箱內(nèi)。到達源節(jié)點后，再將其攜帶的全程路由信息存儲在源節(jié)點的啞分組路由表（DPRR）中，一個“源—目的地址”源組在DPRR表中可有多個表項，通常只有一個表項對應(yīng)“最短路徑”。

DP從DPRR中選擇最晚創(chuàng)建的表項作為自己的 “源路由”，在從源到目的的途中仍然收集QoS信息，到達目的后變身為一個反向的啞應(yīng)答分組（DACK），DP將其收集的狀態(tài)信息轉(zhuǎn)移到DACK中，該DACK再折回源節(jié)點，在折回途中將時間信息存儲在每個網(wǎng)絡(luò)節(jié)點的郵箱，并更新源節(jié)點的DPRR。

與協(xié)議驅(qū)動和拓撲驅(qū)動的“網(wǎng)絡(luò)為應(yīng)用選路”的傳統(tǒng)路由相比，CPN使用的是非協(xié)議驅(qū)動、非拓撲驅(qū)動的“自我路由”。自我路由的目標(biāo)是計算性能意義的動態(tài)路由，采用的機理是“探索—引領(lǐng)”，即引入 SP、AP和 DP，其中SP和AP是進行主動尋路的信令分組，DP則使用SP和AP計算出的“新鮮”路由信息傳送應(yīng)用數(shù)據(jù)，從而使得應(yīng)用數(shù)據(jù)動態(tài)和最大程度地沿QoS意義的最佳路徑傳送。

CPN為SP設(shè)定了多種不同的學(xué)習(xí)算法計算路由。Bang-Bang[18]是其中較為簡單的一種學(xué)習(xí)算法。每當(dāng)SP到達一個網(wǎng)絡(luò)節(jié)點，就運行該算法進行本地選路:從節(jié)點郵箱中讀取歷史信息，分別計算某個QoS指標(biāo)量的均值X及其估計X*，若X*

比較Tk-1和Rk，根據(jù)比較結(jié)果同時調(diào)整與輸出鏈路對應(yīng)的RNN節(jié)點的興奮或抑制權(quán)值w+/w-以及所有其他輸出鏈路所對應(yīng)RNN節(jié)點的興奮或抑制權(quán)值，根據(jù)所有RNN節(jié)點調(diào)整后的興奮或抑制權(quán)值w+/w-計算每個節(jié)點的點火率ri，對每個節(jié)點的ri進行歸一化得到 r*，用歸一化的點火率r*計算每個RNN節(jié)點的興奮程度qi，最后用興奮度qi作為選擇輸出鏈路i的概率。

各種學(xué)習(xí)算法都表現(xiàn)為在空間上隨機分布的諸多個體通過個體智能在問題空間的一個子空間上求解。具體地說，蟻群個體的智能表現(xiàn)為依據(jù)局部規(guī)則進行局部計算，以與鄰近個體進行交互的方式進行局部合作。令人驚奇的是，雖然每個個體都不能僅靠自己發(fā)現(xiàn)全局意義的最優(yōu)路由，但蟻群團隊卻能準(zhǔn)確地計算出該最優(yōu)路由，即眾多個體局部計算和局部合作反映在蟻群整體上產(chǎn)生全然不同的全局行為和結(jié)果——涌現(xiàn)[20]，整體層面的涌現(xiàn)與微觀的局部計算之間表現(xiàn)為難以解析表達的非線性關(guān)系，涌現(xiàn)精確刻畫了復(fù)雜的非線性整體問題的最優(yōu)解，因而研究分布式智能的目的是尋找個體間通過局部關(guān)聯(lián)、合作和自組織而發(fā)生涌現(xiàn)的微觀工作機理、運動形式和組織結(jié)構(gòu)。

7 結(jié)束語

IP因具備網(wǎng)際互聯(lián)、語義透明、簡單健壯等優(yōu)質(zhì)特性而被公認為當(dāng)今和可預(yù)見的未來信息網(wǎng)絡(luò)基本的數(shù)據(jù)傳送模式，然而將IP作為單一的基礎(chǔ)傳送模式建立可重構(gòu)網(wǎng)絡(luò)卻成為一個挑戰(zhàn)。本文首先說明了重構(gòu)方式應(yīng)當(dāng)服務(wù)于效果與要求“一致匹配”這一核心目標(biāo)，揭示了柔性重構(gòu)為達到該目標(biāo)應(yīng)當(dāng)具備的漸變跟隨特征，接著分別從知識驅(qū)動和功能結(jié)構(gòu)、網(wǎng)絡(luò)功能的跨層交互、分布式合作感知和分布式智能4個方面，論述了支持網(wǎng)絡(luò)結(jié)構(gòu)柔性的工作機理和內(nèi)在結(jié)構(gòu)。受性能約束的路由既是分組交換網(wǎng)絡(luò)保證數(shù)據(jù)傳送質(zhì)量的一個要素，也因其具有的小尺度和高度動態(tài)性成為一個難點，對于性能約束路由這類小尺度非線性優(yōu)化問題，本文強調(diào)了采用蟻群優(yōu)化算法這種能夠在求解單元團隊的層面上以“涌現(xiàn)”的形式表達最優(yōu)解的全分布式機理，該機理對于求解動態(tài)、分布式和非線性問題具有很強的針對性和有效性。

網(wǎng)絡(luò)結(jié)構(gòu)的柔性可以也應(yīng)該具有全新且有益的觀察視角。對于重構(gòu)網(wǎng)絡(luò)而言，從柔性的漸變跟隨這一核心特征出發(fā)，可以并且也有理由將承載流量的網(wǎng)絡(luò)結(jié)構(gòu)和被承載的流量視為能動的主體，即結(jié)構(gòu)和流量都可以自主地進行自我調(diào)節(jié)而趨近它們各自或共同的目標(biāo)。對能動主體的這種認定表達了有區(qū)別的網(wǎng)絡(luò)要素角色的觀點，而多要素角色意義的能動式自我調(diào)節(jié)則是網(wǎng)絡(luò)結(jié)構(gòu)漸變跟隨性質(zhì)的高級形式。

在網(wǎng)絡(luò)多要素能動調(diào)節(jié)的意義下，具備柔性的可重構(gòu)網(wǎng)絡(luò)的邏輯結(jié)構(gòu)可以分為如下3種基本形態(tài)。

第一，“上適應(yīng)”形態(tài)。這是一種以網(wǎng)絡(luò)結(jié)構(gòu)為單一動力學(xué)要素的動力學(xué)系統(tǒng)形態(tài)，即網(wǎng)絡(luò)結(jié)構(gòu)具備調(diào)節(jié)自身能動性的能力而流量不具備。根據(jù)預(yù)定的優(yōu)化目標(biāo)，網(wǎng)絡(luò)結(jié)構(gòu)實時測量它對流量的實際承載效果與預(yù)定目標(biāo)之間的差別，當(dāng)該差別穩(wěn)定呈現(xiàn)后，用該差別驅(qū)動自身結(jié)構(gòu)的調(diào)整，以實現(xiàn)差別的最小化。

第二，“下適應(yīng)”形態(tài)。這是一種以網(wǎng)絡(luò)流量為單一動力學(xué)要素的動力學(xué)系統(tǒng)形態(tài)，即網(wǎng)絡(luò)流量具備調(diào)節(jié)自身能動性的能力而網(wǎng)絡(luò)結(jié)構(gòu)不具備。根據(jù)預(yù)定的優(yōu)化目標(biāo)，網(wǎng)絡(luò)流量實時測量它的運動軌跡或分布所對應(yīng)的實際承載效果，再測量該效果與預(yù)定目標(biāo)之間的差別，然后由穩(wěn)定的差別驅(qū)動對流量運動軌跡或分布進行調(diào)整，以實現(xiàn)差別的最小化。

第三，“雙適應(yīng)”形態(tài)。這是一種同時以結(jié)構(gòu)和流量為雙重動力學(xué)要素的動力學(xué)系統(tǒng)形態(tài)，此時，具有共同目標(biāo)的網(wǎng)絡(luò)結(jié)構(gòu)和流量均具備調(diào)節(jié)自身能動性的能力。與“下適應(yīng)”和“上適應(yīng)”形態(tài)不同的是，除了各自的內(nèi)在動力學(xué)機制外，“雙適應(yīng)”形態(tài)需要一種特殊的交互機制，這種交互機制使得結(jié)構(gòu)和流量中的任何一方可以向?qū)Ψ絺鬟f特定狀態(tài)的當(dāng)前值和（或）期望值，同時還可以從對方得到調(diào)節(jié)自身所需的特定狀態(tài)的當(dāng)前值和（或）期望值，進而通過決策決定自身后續(xù)的動力學(xué)行為。由此可以說，交互機制作用下的聯(lián)動與協(xié)同構(gòu)成雙適應(yīng)這一能動形態(tài)的本質(zhì)特征。

由于具備“雙向趨同”的獨特性質(zhì)，這種雙能動體系結(jié)構(gòu)的聯(lián)動與協(xié)同應(yīng)當(dāng)比單一能動形態(tài)更有利于共同目標(biāo)的實現(xiàn)。當(dāng)然，這種理念的內(nèi)涵和表現(xiàn)形式還有待進一步完善、細化，其有效性也需要進一步的驗證。

蟻群算法也存在值得深入研究的問題，具體如下。

·結(jié)構(gòu)形式，包括蟻群規(guī)模、每個原發(fā)節(jié)點產(chǎn)生螞蟻個體的概率或速度、網(wǎng)絡(luò)狀態(tài)對蟻群規(guī)模的影響等。

·行為模式，包括估計蟻群對計算路由所需的條件、求解算法，蟻群對網(wǎng)絡(luò)性能產(chǎn)生的影響以及這種影響對蟻群計算模型的反饋效應(yīng)等。

·行為模式對結(jié)構(gòu)形式的作用方式，即路由計算效果和對性能的影響如何改變蟻群的規(guī)模，比如如何定位恰好找到最佳路徑所對應(yīng)的蟻群規(guī)模，從而使蟻群對網(wǎng)絡(luò)帶寬的耗費最小。

·蟻群算法收斂速度的提高。收斂速度受蟻群算法中諸多要素的制約，如螞蟻個體的生成模式、信息素的定義及其累積方式、對個體隨機操作的定義、對信息素揮發(fā)的定義等?？焖偈諗康南伻核惴ㄒ蚋鼜姷拿舾行远m于高度動態(tài)和小尺度問題的優(yōu)化，更具實時性。

1 劉強，汪斌強，徐恪.基于構(gòu)件的層次化可重構(gòu)網(wǎng)絡(luò)構(gòu)建及重構(gòu)方法.計算機學(xué)報,2010,33(9):1557～1568

2 Clark D D,Partridge C,Ramming J C,et al.A knowledge plane for the internet.Proceedings of ACM SigComm 2003,Karlruhe,Germany,August 2003

3 LiJ.Agent Organization in the Knowledge Plane.Ph D Dissertation,MIT,2008

4 Russell S,Norvig P.Artificial Intelligence:a Modern Approach,Second Edition.Prentice Hall,2002

5 Thomas R W,Dasilva L A,Mackenzie A B.Cognitive Networks.Proceedings of IEEE DySPAN 2005,2005:352～360

6 Thomas R W.Cognitive Networks.Ph D Dissertation,Virginia Polytechnic Institute and State University,June 2007

7 Mitola J.Cognitive Radio:an Integrated Agent Architecture for Software Defined Radio.Ph D Thesis,Royal Institute of Technology,2000

8 That hacharm M A L,SastryP S.Networks of Learning Automata.Kluwer,2004

9 Sutton R S.Learning to predict the methods of temporal difference.Machine Learning,1988(3):9～44

10 Kaelbling L,Littman M,Moore A.Reinforcement learning:a survey.Journal of Articial Intelligence Research,1996(4):237～285

11 Srivastava V,Motani M.Cross-layer design:a survey and the road ahead.IEEE Communication Magazine,2005,43(12):112～119

12 Colorni A,Dorigo M,Maniezzo V.Distributed optimization by ant colonies.Proceedings of ECAL'91,European Conference on Artificial Life,Elsevier Publishing,Amsterdam,1991

13 Schoonder W R,Holland O,Bruten J,et al.Ant-based load balancing in telecommunications networks.Adaptive Behavior,1996,5(2):169～207

14 Reynolds C.Flocks,birds and schools:a distributed behavioral model.Computer Graphics,1987(21):25～34

15 Toner J,Tu Y.Flocks,herds and schools:a quantitative theory of floking.Physical Review E,1998(58):4828～4858

16 Schoonder W R,Holland O,Bruten J,et al.Ant-like agents for load balancing in telecommunications networks.Proceedings of the First International Conference on Autonomous Agents,ACM Press,1997:209～216

17 Gelenbe E,Xu Z,Seref E.Cognitive packet networks.Proceedings of the 11th International Conference on Tools with Artificial Intelligence(ICTAI’99),Chicago,IL,USA,1999:47～54

18 Gelenbe E,Seref E,Xu Z.Simulation with learning agents.Proceedings of the IEEE,2001,89(2):148～157

19 Gelenbe E.Learning in the recurrent random neural network.Neural Computation,1993,5(1):154～164

20 Chu T,Wang L,Chen T,et al.Self-organized motion in a class of anisotropic swarms:convergence vs oscillation.Chaos,Solitons&Fractals,2006,30(4):875～885