基于圖卷積神經(jīng)網(wǎng)絡的智能路由算法

唐 鑫，徐彥彥，潘少明

（武漢大學測繪遙感信息工程國家重點實驗室，武漢 430079）

0 概述

隨著互聯(lián)網(wǎng)高速發(fā)展，網(wǎng)絡用戶迅速增加，各種新興應用不斷涌現(xiàn)，這給通信網(wǎng)絡帶來了巨大挑戰(zhàn)，傳統(tǒng)的路由算法已經(jīng)難以滿足用戶高度差異化的服務質(zhì)量需求。傳統(tǒng)的路由協(xié)議如最短路徑優(yōu)先協(xié)議OSPF，考慮拓撲結(jié)構計算出最短路徑，而非網(wǎng)絡實時狀態(tài)，可能會造成某些鏈路承擔過度的網(wǎng)絡負載而降低網(wǎng)絡性能，造成網(wǎng)絡擁塞和空余資源浪費。在真實的網(wǎng)絡環(huán)境中，鏈路狀態(tài)會隨時間變化而變化，而目前傳統(tǒng)路由算法難以感知用戶多樣化的服務質(zhì)量需求并根據(jù)當前鏈路狀態(tài)對路由策略進行調(diào)整。為解決此類問題，很多基于數(shù)學模型優(yōu)化的路由協(xié)議設計方案被提出［1-2］，這類方法通常會針對應用場景進行假設來簡化問題，并使用現(xiàn)有數(shù)學方法建模求解，但真實應用場景往往難以完全符合這些理想化假設。

近年來，基于深度學習（Deep Learning，DL）的人工智能技術飛速發(fā)展，廣泛應用于圖像識別［3］和語言處理［2］等領域。網(wǎng)絡設備的計算能力和容量的提升，使得DL 模型用于解決路由優(yōu)化問題成為可能。相比采用模型驅(qū)動的傳統(tǒng)路由算法，基于深度學習的智能路由算法采用數(shù)據(jù)驅(qū)動來代替原本的數(shù)學模型進行求解，將網(wǎng)絡拓撲和網(wǎng)絡特征作為輸入，路由決策或鏈路狀態(tài)作為輸出［4］。這類方法能夠利用真實數(shù)據(jù)對算法模型進行訓練，而不需要對網(wǎng)絡環(huán)境進行建模。根據(jù)輸入數(shù)據(jù)和訓練好的深度學習模型能夠快速準確地計算出路由決策結(jié)果，路由收斂速度更快。同一算法模型在不同的訓練數(shù)據(jù)和標簽中可以解決不同網(wǎng)絡優(yōu)化需求問題，因此具有準確性、高效性和通用性等優(yōu)勢，代表了路由決策未來的發(fā)展方向。

文獻［5］提出一種基于深度置信網(wǎng)絡的路由決策方案，將路由器分為邊緣和域內(nèi)路由器，根據(jù)部分網(wǎng)絡狀態(tài)特征進行路由決策。文獻［6］提出一種基于塊的深度學習智能路由策略，利用遞歸分區(qū)方法將網(wǎng)絡分為多個子塊實現(xiàn)網(wǎng)絡流量控制。文獻［7］提出一種基于張量使用深度信念網(wǎng)絡結(jié)構的智能分組路由策略，考慮網(wǎng)絡流量的多個參數(shù)建立相關N維張量求解路徑。文獻［8］利用深度強化學習技術和集中控制結(jié)構來平衡流量，為可移動和部署的骨干網(wǎng)絡節(jié)點單元設計一種自適應路由方法。文獻［9］提出一種在無線傳感器網(wǎng)絡中實現(xiàn)基于深度強化學習低能耗的流量控制方法。文獻［10］通過卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）得到鏈路實時阻塞集合，經(jīng)重新篩選和匹配后得到新的路徑。文獻［11］采用深度強化學習方法為每項數(shù)據(jù)傳輸任務選擇路徑，在避免擁塞的前提下盡可能縮短數(shù)據(jù)傳輸路徑長度。文獻［12］提出一種利用深度卷積神經(jīng)網(wǎng)絡來判斷當前所選擇的路由路徑是否阻塞的方法，如果阻塞則重新計算路徑。現(xiàn)有研究表明，相比于傳統(tǒng)路由算法，基于深度學習的智能路由算法能夠快速準確地計算出決策結(jié)果，路由收斂速度更快。但以上算法均以網(wǎng)絡拓撲和網(wǎng)絡狀態(tài)信息作為輸入，以路由決策作為輸出，而當網(wǎng)絡拓撲變化時，需要重新調(diào)整訓練標簽才能繼續(xù)監(jiān)督深度學習模型是否輸出恰當?shù)穆窂剑瑹o法保證輸出路徑的正確性。同時，上述算法采用的均為傳統(tǒng)深度學習模型，不具備擴展性，當輸入的網(wǎng)絡拓撲變化時，需要重新調(diào)整輸入來訓練模型，這會造成較大的處理時延，且無法及時更新路由路徑。

圖神經(jīng)網(wǎng)絡（Graph Neural Network，GNN），是一種能夠有效處理不規(guī)則拓撲信息的神經(jīng)網(wǎng)絡結(jié)構，其可將網(wǎng)絡的節(jié)點特征向量根據(jù)拓撲關系變化進行更新，最終收斂到確定值。文獻［13］采用GNN 模型，增加路由器接口作為額外節(jié)點來標識鏈路的特征，根據(jù)網(wǎng)絡拓撲變化關系來更新網(wǎng)絡節(jié)點和鏈路的特征，但其主要對網(wǎng)絡結(jié)構信息進行建模，沒有考慮節(jié)點的多種特征參數(shù)，難以適用于復雜網(wǎng)絡。此后提出的圖卷積神經(jīng)網(wǎng)絡（Graph CNN，GCN），在GNN 的基礎上增加了圖卷積算子，能夠自動提取圖中隱含且復雜的信息模式，對網(wǎng)絡結(jié)構和特征具有更好的表征能力［14］。因此，面對復雜的節(jié)點特征，通常采用GCN 模型，其特征提取性能較好，能夠獲得良好聚類效果。此外，相較于GNN而言，GCN 具有局部特性，考慮圖中的各節(jié)點為中心對鄰居進行處理，應用在路由算法中時能夠滿足路由問題中應考慮到下一跳路由開銷的需求。

針對現(xiàn)有智能路由方案在網(wǎng)絡拓撲動態(tài)變化時需要重新訓練，造成路由更新不及時的問題，本文提出一種基于圖卷積神經(jīng)網(wǎng)絡（GCN）的自適應智能路由算法。利用GCN 模型的可擴展性輸入動態(tài)變化的網(wǎng)絡拓撲，在進行多屬性特征提取后輸出單跳路由開銷，最終迭代出全局最小開銷的路由路徑，實現(xiàn)路由策略隨網(wǎng)絡動態(tài)變化而自適應更新。此外，算法采用模糊C 均值（Fuzzy C-Means，F(xiàn)CM）聚類算法對鏈路狀態(tài)進行離散化分析獲取數(shù)據(jù)集標簽，有監(jiān)督地訓練GCN 模型。

1 模型框架

本文所提智能路由算法的實現(xiàn)，借鑒SDN 架構［15］的集中控制器思想，將深度學習模型部署于集中控制器中，以解決深度學習模型對運算能力的需求，并統(tǒng)一管理路由網(wǎng)絡。同時，線下訓練GCN 模型以便線上使用，防止因線上數(shù)據(jù)采集不夠豐富而導致模型訓練不足，得到的路由結(jié)果無法滿足用戶需求的問題。

在線下訓練時，采集仿真網(wǎng)絡中不同拓撲結(jié)構下的鏈路帶寬、傳輸時延、流量、丟包率等網(wǎng)絡參數(shù)，通過FCM 聚類算法對鏈路狀況進行離散化處理，得到聚類結(jié)果生成訓練數(shù)據(jù)集的標簽，以有監(jiān)督地訓練GCN 模型。線上路由策略的方案架構如圖1 所示，基于GCN的智能路由生成過程包括采集信息、輸入網(wǎng)絡狀態(tài)、輸出節(jié)點開銷、更新路由路徑這4 個步驟。

步驟1采集信息。集中控制器周期性獲取拓撲圖中所有節(jié)點的連接信息和網(wǎng)絡狀態(tài)信息，根據(jù)鏈路和節(jié)點的實時特征信息以及網(wǎng)絡拓撲關系的變化，更新節(jié)點特征向量和網(wǎng)絡鄰接矩陣。

步驟2向GCN 模型輸入網(wǎng)絡狀態(tài)。集中控制器將步驟1 得到的特征向量和鄰接矩陣輸入訓練好的GCN 模型，以便輸出路由決策依據(jù)。

步驟3GCN 模型輸出單跳路由開銷?？刂破鞲聠翁酚砷_銷，根據(jù)鄰接矩陣迭代出路由開銷最小的路徑，若所得到的路徑若相較于上一時刻有所更改，則更新路徑。

步驟4更新路由路徑。網(wǎng)絡將源節(jié)點到目的節(jié)點的路由路徑更新為集中控制器指定的路徑。

2 智能路由算法設計

2.1 網(wǎng)絡模型

本文算法目的在于解決端到端的路由路徑動態(tài)選擇問題，選擇源節(jié)Src到目的節(jié)點Dst的一條最優(yōu)路徑，以避免鏈路阻塞情況，最大化利用網(wǎng)絡資源為用戶提供更優(yōu)質(zhì)的體驗。設定網(wǎng)絡拓撲包含M個節(jié)點、N條邊。對于路由節(jié)點而言，能支持的最大流量遠大于鏈路帶寬，因此，無法使用路由節(jié)點來代替鏈路表示。而GCN 模型只能處理節(jié)點的特征信息、鏈路的連接關系以及鏈路的單一權重信息，無法對路由網(wǎng)絡中鏈路的多屬性參數(shù)進行分析［14］。為了具體描述鏈路信息，本文根據(jù)節(jié)點間的關系增加“虛”節(jié)點來表示鏈路特征，“虛”節(jié)點與連接關系一一對應，如圖2 所示。

圖2 “虛”節(jié)點表示鏈路Fig.2 Virtual nodes represent links

對于包含M個節(jié)點、N條邊的網(wǎng)絡拓撲而言，增加了“虛”節(jié)點來表示網(wǎng)絡鏈路特征，則節(jié)點數(shù)為M+N，鏈路數(shù)為2N。路由策略問題關注源節(jié)Src、目的節(jié)點Dst、轉(zhuǎn)發(fā)節(jié)點和網(wǎng)絡鏈路（“虛”節(jié)點），為具體描述網(wǎng)絡拓撲，引入無向圖G=來表示。其中，集合V={Ns，N*s}表示網(wǎng)絡節(jié)點，集合E={e1，e2，…，e2N}表示插入“虛”節(jié)點后的鏈路。集合V中Ns={ν1，ν2，…，νM}表示路由節(jié)點，集合N*s={νM+1，νM+2，…，νM+N}表示“虛”節(jié)點。

用2N階方陣A=(aij)來表示節(jié)點之間的連接關系，如式（1）所示，其中，i，j=1，2，…，2N。

用對角矩陣D來表示節(jié)點的度，如式（2）所示，其中，d(νi)表示與該節(jié)點相連接的鏈路數(shù)量，i=1，2，…，M+N。

對于每個節(jié)點（包括“虛”節(jié)點），定義特征向量xi(i=1，2，…，M+N)來表示節(jié)點νi的特征，如式（3）所示，其中，Bwi為鏈路帶寬，Thi為流量，Dri為丟包率，Dei為傳輸時延。

則網(wǎng)絡拓撲圖的特征矩陣X為：

定義R={Src，Dst，B(ν)}表示路由路徑，其中，Src為源節(jié)點，Dst為目的節(jié)點，B(ν)為轉(zhuǎn)發(fā)節(jié)點的集合。定義表示轉(zhuǎn)發(fā)節(jié)點νi到鄰居節(jié)點的開銷B(νi，Ccost)={(νi，Ccostij)，…，(νi，Ccostik)}，其 中，Ccostij表示節(jié) 點νi到節(jié)點νj的路由開銷。路由R的迭代示例過程如圖3所示，其中，ν1作為源節(jié)點Src，ν5作為目的節(jié)點Dst。

圖3 全局最小開銷路徑的迭代過程Fig.3 Iteration process of global minimum cost path

假設ν1-ν2-ν5路徑的路由開銷最小，則從ν1出發(fā)，不斷迭代出到目的節(jié)點的下一跳開銷，最終得到開銷最小的轉(zhuǎn)發(fā)節(jié)點集合B(ν)={B(ν1，Ccost)，B(ν2，Ccost)}，則路由路徑R={ν1，ν5，B(ν)}。路由路徑由集中控制器根據(jù)鄰居矩陣統(tǒng)一迭代，避免了路由器節(jié)點逐一迭代出現(xiàn)回環(huán)。

2.2 模型標簽

目前已有的網(wǎng)絡數(shù)據(jù)集沒有合適的鏈路狀態(tài)標簽數(shù)據(jù)，難以訓練GCN 模型。對于鏈路狀態(tài)而言，數(shù)據(jù)集中的對象不能生硬地劃分成明顯分離的簇，被直接歸類到某一個特定狀態(tài)。為對鏈路狀態(tài)離散化分析，生成網(wǎng)絡數(shù)據(jù)集的鏈路標簽，以便有監(jiān)督地訓練GCN 模型，本文引入FCM 算法［16］。模糊理論的概念應用于神經(jīng)網(wǎng)絡的計算和學習，可通過模糊技術提高神經(jīng)網(wǎng)絡的學習性能。而FCM 算法融合了模糊理論，實現(xiàn)了一種非概率特性的聚類。

設已有的鏈路狀態(tài)為n個向量xi，將這些數(shù)據(jù)劃分成c類，即將鏈路狀態(tài)定量分析為c個模糊組。為使得FCM 算法的目標函數(shù)達到最小，需要求出每組的聚類中心。FCM 算法的第i個聚類中心為：

其中，uij為第j個數(shù)據(jù)點的隸屬度，用來確定每個給定數(shù)據(jù)點屬于各個模糊組的程度，m∈[1，∞) 是加權指數(shù)。FCM 算法分析參數(shù)對網(wǎng)絡數(shù)據(jù)集的標簽過程如圖4 所示。

圖4 路由開銷生成過程Fig.4 Routing cost generation process

具體過程如下：

1）線下通過網(wǎng)絡仿真器采集各種網(wǎng)絡拓撲和網(wǎng)絡狀態(tài)的信息，得到集合B，從中隨機選出特征向量xi，得到n個集合{H1，H2，…，Hn}。隨機初始化隸屬度uij后，通過FCM 算法分別對集合{H1，H2，…，Hn}進行參數(shù)迭代，獲得聚類中心集合{ci，1，ci，2，…，ci，n}，則鏈路狀況被分為c類，分別對應為{Ki，1，Ki，2，…，Ki，n}。

2）從集合B中隨機抽取出部分向量xi得到集合H′，利用聚類中心集合{ci，1，ci，2，…，ci，n}將H′中的鏈路信息分別歸類到{Ki，1，Ki，2，…，Ki，n}中，人工篩選出符合鏈路狀態(tài)劃分等級的鏈路狀態(tài)Ki和聚類中心ci。至此得到的聚類中心ci取決于n個數(shù)據(jù)集合而非完全手工劃分，能夠合理地離散化分析鏈路的特征。此外，將H′中各分類數(shù)據(jù)的時延、丟包率、流量和帶寬取平均值計算，再根據(jù)平均值對鏈路狀況進行排序，鏈路狀況越好，路由開銷越低。將得到的c類鏈路狀態(tài)Ki(i=1，2，…，c)從無負載到阻塞的排序結(jié)果與路由開銷Ccosti(i=1，2，…，c)從低到高一一對應。

3）根據(jù)聚類中心ci(i=1，2，…，c)將數(shù)據(jù)集合B中的所有數(shù)據(jù)標記到路由開銷Ccosti(i=1，2，…，c)中，以便監(jiān)督訓練GCN 模型。

2.3 GCN 模型

GCN 網(wǎng)絡在隱藏層中對節(jié)點特征X進行特征變換，則其第l+1層的特征為：

其中：X(l)為第l層節(jié)點的特征；σ為激活函數(shù)；W(l)為第l層的權重矩陣；b(l)為第l層的截距。通過度矩陣D對鄰居節(jié)點進行歸一化處理：

圖卷積算子［14］為：

其中：Vi為節(jié)點νi的所有鄰居節(jié)點；為節(jié)點νi在第l+1 層的特征；為νj在第l層的特征。由式（9）可知，GCN 模型是一個一階模型，可以被用于處理圖中以某節(jié)點為中心的一階鄰居上的特征信息。對于路由而言，每個節(jié)點只關心鄰居節(jié)點的可達性，但當前鏈路狀態(tài)也會被鄰居鏈路所影響，因此，采用兩層GCN 來提高模型處理能力。為緩解過擬合的問題，增加網(wǎng)絡的稀疏性，第1 層GCN 網(wǎng)絡的激活函數(shù)選擇ReLU，第2 層GCN 網(wǎng)絡的激活函數(shù)選擇softmax，則節(jié)點的預測結(jié)果Z為：

綜上，兩層GCN 模型的感受域為二階鄰居節(jié)點。以圖5 示例，GCN 模型通過聚合感受目標節(jié)點νi的二階鄰居節(jié)點特征，得到目標節(jié)點νi的對應的路由開銷zi(zi∈Z)。

圖5 兩層GCN 模型感知二階鄰居示意圖Fig.5 Schematic diagram of the process that two-layer GCN model perceives second-order neighbors

評估模型的損失函數(shù)采用交叉熵函數(shù)，如式（11）所示，其中，p(j)代表真實值；q(j)代表GCN 模型輸出值，c為標簽總類別，j=1，2，…，c。

GCN 模型無法一步到位直接逼近鏈路的路由開銷最優(yōu)值，如圖6 所示，其需要將預測推理得到的路由開銷與網(wǎng)絡拓撲數(shù)據(jù)中真實路由標簽值一一對應，利用損失函數(shù)式（11）計算損失值，更新模型中的權重參數(shù)。在訓練過程中，重復上述過程不斷迭代直到損失值不發(fā)生變化使得模型達到收斂，從而GCN 模型輸出能夠逼近真實的路由開銷。

圖6 GCN 模型訓練迭代過程Fig.6 GCN model training iteration process

2.4 路由策略

線上使用時，控制器將采集到的實時網(wǎng)絡信息輸入訓練好的GCN 模型中?？刂破饕灾芷赥來采集實時網(wǎng)絡信息，獲得實時網(wǎng)絡的無向圖G=、鄰接矩陣A和節(jié)點特征矩陣X，其中，V、E是在原有的網(wǎng)絡拓撲上增加了鏈路對應的“虛”節(jié)點后的集合?？刂破鲗和X輸入已訓練好的GCN 模型，GCN 模型輸出各節(jié)點和“虛”節(jié)點即鏈路的路由開銷Ccosti(i=1，2，…，c)，再通過鄰接矩陣A自適應迭代出總開銷最小的轉(zhuǎn)發(fā)節(jié)點集合B(ν)，得到路由路徑R。最后，控制器將更新后的路由路徑R加載至網(wǎng)絡中，并繼續(xù)周期性地采集數(shù)據(jù)。自適應智能路由策略的具體算法描述如算法1 所示。

算法1自適應智能路由策略

3 算法實現(xiàn)與性能分析

本文算法實現(xiàn)采用的計算平臺為英特爾至強E-2124 處理器，處理內(nèi)存為16 GB，操作系統(tǒng)為Ubuntu16.04。智能路由使用的GCN 模型采用深度學習框架Pytorch 實現(xiàn)，以Python3.5 編寫，網(wǎng)絡仿真在網(wǎng)絡模擬器NS3.30 中實現(xiàn)。集中控制器以共享內(nèi)存的方式［17］由C++實現(xiàn)，實現(xiàn)NS3.30 的仿真網(wǎng)絡拓撲信息與GCN 模型輸出的鏈路狀態(tài)互聯(lián)互通，實現(xiàn)路由路徑的智能更新。在本文實驗中，流量生成基于泊松分布模型計算生成，并假設流量傳輸不受路由器節(jié)點影響，只受鏈路狀況影響。設置控制器的采集周期T=1 s，路由器節(jié)點緩沖區(qū)為1 GB。實驗將鏈路帶寬設置最大為20 Mb/s，鏈路時延固定為1 ms。為訓練GCN 模型，首先從NS3.30 采集10 000 條數(shù)據(jù)，并對鏈路狀態(tài)離散化分析生成路由開銷數(shù)據(jù)集標簽。

首先驗證本文算法采用“虛”節(jié)點表示鏈路狀態(tài)的可行性，統(tǒng)計了增加“虛”節(jié)點前后的運算時間、運算內(nèi)存和存儲內(nèi)存的變化差值。如圖7 所示：運算時間、運算內(nèi)存和存儲內(nèi)存均未隨著“虛”節(jié)點數(shù)量的增加而線性變化，這是因為線上加載的是已訓練完成的GCN 模型，運算量較小；此外，兩層GCN 模型只考慮當前節(jié)點及其二階鄰居節(jié)點的狀態(tài)進行運算，增加的“虛”節(jié)點數(shù)不會導致運算時間和內(nèi)存占用的大幅增長。

圖7 計算成本與“虛”節(jié)點數(shù)量的關系Fig.7 The relationship between the calculation cost and the number of virtual nodes

上文2.3 節(jié)闡述了兩層GCN 模型的理論原理，下文實驗驗證了模型層數(shù)設置為2 的必要性。如圖8 所示，隨著GCN 模型的層數(shù)增加，模型對節(jié)點狀態(tài)判斷的精確度不再顯著提升，而層數(shù)越多，算法復雜度就越高［14］，算法性能反而下降。經(jīng)過多次訓練調(diào)參，最終設置兩層GCN模型的第1層和第2層卷積核個數(shù)均為16，權重矩陣W隨機初始化。權重衰減參數(shù)［14］設置為0.000 001，使得權重衰減到更小，減少過擬合。

圖8 GCN 模型層數(shù)與精確度的關系Fig.8 Relationship between the number of layers of GCN model and accuracy

算法所采用FCM 聚類算法的加權指數(shù)m取值已有廣泛研究，m=2 能獲得一個較好的聚類結(jié)果［16］，如圖9 所示，兩層GCN 模型的精確度隨著類數(shù)c的增加不斷降低。為了保證所劃分的類數(shù)c能表征更細致的鏈路狀態(tài)，在劃分更準確路由開銷的同時具有較高的模型精確度，本文設置FCM 聚類算法的類數(shù)c=5。

圖9 FCN 聚類類數(shù)c 與精確度的關系Fig.9 Relationship between the number of classes of FCM clustering and accuracy

為驗證本文算法的實際性能，出于一般性，選用智能路由場景下經(jīng)典的GEANT2 基本拓撲結(jié)構［18］，如圖10 所示。為進一步驗證該算法能夠應對網(wǎng)絡拓撲的變化，實驗時，隨機選擇時刻在GEANT2 拓撲結(jié)構上添加路由器并將其連接到拓撲上的任一路由器上，或者隨機刪除拓撲結(jié)構中的路由器。

圖10 GEANT2 網(wǎng)絡拓撲Fig.10 GEANT2 network topology

實驗采用的對比算法有：智能路由中典型的等價多路徑傳輸轉(zhuǎn)發(fā)算法ECMP［19］；當前機器學習利用流量分布計算路由的經(jīng)典算法DRL-TE［20］；基于GNN 實時感知流量的動態(tài)調(diào)整路由策略SmartRoute［21］。首先，從傳輸時延、丟包率、吞吐量等性能指標出發(fā)對本文算法與對比算法進行比較。在相同速率下，傳輸時延越低、鏈路丟包率越低，吞吐量越高表明所選路徑越好。然后，比較本文算法與對比算法應對拓撲變化時的泛化能力。

圖11～圖13 顯示，不同算法的平均丟包率、傳輸時延和吞吐量隨著網(wǎng)絡負載強度的增加均呈上升趨勢，其中，本文算法的平均丟包率、時延最低，吞吐量最高，這是因為ECMP 的路由策略固定，DRL-TE 只依賴于神經(jīng)網(wǎng)絡對流量分布關聯(lián)性分析，SmartRoute 只對流量特征進行提取。3 種對比算法只針對網(wǎng)絡中單一的流量因素作為判斷依據(jù)，所選擇的路徑不會根據(jù)網(wǎng)絡負載和鏈路情況進行適配，而本文算法通過GCN 模型對鏈路多屬性參數(shù)的離散化分析，能夠?qū)崿F(xiàn)根據(jù)負載情況自適應適配路徑，得到的全局路由開銷更為精確，能夠得到更優(yōu)的路徑。

圖11 不同負載下平均丟包率對比Fig.11 Comparison of average packet loss rate under different loads

圖12 不同負載下傳輸時延對比Fig.12 Comparison of transmission delay under different loads

圖13 不同負載下吞吐量對比Fig.13 Comparison of throughput under different loads

圖14 顯示了隨著網(wǎng)絡拓撲節(jié)點變化的數(shù)量增加不同算法的時延優(yōu)化結(jié)果，為正值表示時延性能相較于拓撲變化前的時延減少，為負值表示拓撲變化后時延增加，因此時延優(yōu)化的結(jié)果越大越好。DRL-TE 算法采用循環(huán)神經(jīng)網(wǎng)絡計算路由策略，存在過擬合的缺點，訓練完成后難以適應與訓練網(wǎng)絡不相同的拓撲，因此無法完全正確選擇策略，時延優(yōu)化結(jié)果最差，而ECMP 和采用GNN 模型的SmartRoute可應對網(wǎng)絡拓撲變化時根據(jù)流量模式選擇路徑，但時延優(yōu)化結(jié)果相較于本文算法較差，時延波動性也更大。這是因為本文算法對拓撲中鏈路帶寬、流量、丟包率和傳輸時延等多屬性參數(shù)分析后得到路由開銷，再計算路由路徑，因此相較于單一的流量模式具有更強的泛化能力。

圖14 不同路由算法的泛化能力Fig.14 Generalization ability of different routing algorithms

4 結(jié)束語

針對現(xiàn)有基于深度學習的智能路由算法在網(wǎng)絡拓撲變化時無法自適應更新路由，需要重新訓練深度學習模型的問題，本文提出一種基于GCN 的智能路由算法。借助圖卷積神經(jīng)網(wǎng)絡的可擴展性和多屬性網(wǎng)絡參數(shù)提取能力，根據(jù)當前網(wǎng)絡的狀態(tài)獲得單跳路由開銷，并自適應網(wǎng)絡拓撲結(jié)構的變化動態(tài)選擇更優(yōu)的路由路徑，從而降低網(wǎng)絡擁塞，增加網(wǎng)絡吞吐量，解決智能路由更新不及時的問題。實驗結(jié)果表明，本文算法采用GCN 進行網(wǎng)絡參數(shù)提取，應對拓撲變化時性能優(yōu)于ECMP、DRL-TE 和SmartRoute 算法。后續(xù)將優(yōu)化神經(jīng)網(wǎng)絡的設計結(jié)構，使算法能夠直接從整體準確分析全局路由開銷，進一步提升智能路由的自適應更新效果。