(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111313384.9 (22)申请日 2021.11.08 (71)申请人 南京大学 地址 210023 江苏省南京市栖霞区仙林大 道163号 (72)发明人 王健　杨程竣　贾东睿　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 代理人 陈建和 (51)Int.Cl. H04W 40/02(2009.01) H04L 45/00(2022.01) H04L 45/16(2022.01) H04L 41/14(2022.01) G06N 20/00(2019.01) (54)发明名称 一种基于深度学习的大规模网络动态自适 应路径规划方法 (57)摘要 本发明公开了一种基于深度学习的大规模 网络动态自适应 路径规划方法， 首先建立态势信 息管理系统； 对节点态势信息进行采集和预处 理， 并使用特定组播机制更新并获取全局态势信 息， 然后构建适用于大规模网络的态势信息模 型； 最后基于深度学习提取环境特征， 引入决策 开关机制对问题规模进行稀 疏化处理； 基于所述 决策开关机制设计路由机制可扩展的网络层子 系统， 并提出动态自适应路径规划方法； 本发明 提出了一种新兴的适合大规模网络的态势信息 建模方法和态势更新维护机制， 并引入一种基于 深度学习的大规模网络动态自适应路径规划方 法， 降低了大规模网络的问题复杂度和整体系统 开销， 解决了高动态 环境适应能力不足的问题。 权利要求书2页 说明书8页 附图5页 CN 114051273 A 2022.02.15 CN 114051273 A 1.一种基于深度学习的大规模网络动态自适应路径规划方法， 其特征在于， 包括以下 步骤： 步骤S1、 建立态势信息管理系统； 对节点态势信息进行采集和预处理， 并使用特定组播 机制更新并获取全局态 势信息； 步骤S2、 构建适用于大规模网络的态 势信息模型； 步骤S3、 基于深度学习提取环境特征， 引入决策开关机制对问题规模进行稀疏化处理； 基于所述决策开关机制设计路由机制可扩展的网络层子系统， 并提出动态自适应路径规划 方法。 2.根据权利要求1所述的一种基于深度学习的大规模网络动态自适应路径规划方法， 其特征在于， 所述 步骤S1中建立态 势信息管理系统具体包括： 步骤S1.1、 利用拓扑感知获取态势信息的功能， 建立数据采集系统， 包括态势信息采集 模块和预处 理模块， 对态 势信息进行采集处 理； 所述态势信息采集模块 提取环境中的特 征参数， 具体包括： 步骤S1.1.1、 在每一个节点中布置多种外 接信息采集模块， 用于采集态 势信息； 步骤S1.1.2、 基于环境变动率， 确定节点的信息采集频率； 步骤S1.1.3、 基于物理层感知节点态势信息， 包括温湿度、 气体浓度、 信号强度、 地理位 置； 步骤S1.1.4、 统计数据链路层的分组传输情况， 获得 带宽、 时延、 丢包率信息； 所述预处理模块对态势信息采集模块获取的特征参数进行处理， 进行拓扑参数初始 化； 具体包括： 步骤L1.1.1、 确定对态 势信息的权 重分配， 按态 势参数的重要性进行权 重分配； 步骤L1.1.2、 根据不同态 势特征的权重进行归一 化处理， 并得到量 化结果； 步骤L1.1.3、 对获取的量 化结果进行平均值处 理。 步骤S1.2、 使用特定组播机制更新并获取全局态 势信息； 定义适用于大规模网络的组播通信协议， 并生成组播网络， 用于更新全局 态势信息， 降 低系统开销； 将态 势信息特 征量化表示如下： Sta＝α·fx+β·fy+γ·fz+… 其中fx、 fy、 fz…表征节点从环境中获得的参数信息， 包括通过分组收发情况获得的参 数信息； α 、 β 、 γ …用于表征某一个参数信息的影响权 重， 取决于系统对该参数的重 视程度； 进行归一 化处理后公式表示如下： 3.根据权利要求2所述的一种基于深度学习的大规模网络动态自适应路径规划方法， 其特征在于， 所述 步骤S2中构建适用于大规模网络的态 势信息模型 具体包括： 将网络覆盖区域可视化为一张规则的地图， 对地图进行网格化划分， 每个网格表示一 个微型的局域网， 即子区域； 每个子区域包含若干节点； 根据接节 点外接的定位设备确定节 点所在子区域； 当某个子区域没有节 点时， 该子区域的环境特征量化值为无穷大； 当某个子 区域内所有节点的外设态势信息探测单元获得该子区域的态势信息时， 首先对所有态势信 息进行平均值处理， 然后获得代表该子区域的态势特征信息； 在全网所有子区域中更新本权　利　要　求　书 1/2 页 2 CN 114051273 A 2地的态势信息； 通过所述组播协议， 获得全网的态势信息， 并保存在各自子区域的节点中； 考虑边界处 理的每一个子区域态 势更新公式如下： 其中,fit表示在当前时刻t， 子区域i的态势信息量化值； δ表示子区域的感受视野覆盖 率， 满足： 其中Ri表示子区域i通过外设态势信息探测单元可探知到的实际面积， Hi表示子区域i 期望探测到的态 势信息面积； 每一个节点 通过组播协议进行本地态 势信息的分发和融合。 4.根据权利要求1所述的一种基于深度学习的大规模网络动态自适应路径规划方法， 其特征在于， 所述步骤S 3中引入决策开关机制对问题 规模进行稀疏化处理， 具体包括： 在大 规模网络并且高环境变动率的情况下， 采用深度学习技术提取复杂特征， 所述复杂特征包 括通信时延、 地理信息、 温湿度、 丢包率、 SNR值、 经过量化处理的态势信息的变动率和当前 网络规模 大小； 将所述复杂特征作为决策执行开关， 根据态势信息变动率， 以及网络规模大 小， 实时的选取适配的路径规划方法， 其中态势信息变动率根据在k个控制平面周期下， 态 势信息变动的次数进行计算， 网络规模大小根据当前时间下入网的节点数目进行计算； 并 且为态势信息变动率和网络规模分别引入阈值mth、 nth作为判断标准； 当当前态势信息变动 率mt<mth时， 表示变动率不高， 否则变动率即为较高； 当当前网络规模nt<nth时， 表示网络规 模较小， 否则网络 规模即为较大； 根据不同的mt、 nt值， 将所述动态自适应路径规划方 法分为 以下四种子类型： (1)、 当mt<mth且nt≥nth时， 即表示环境变动率不高， 并且当前网络规模采用适用于大规 模网络的态势信息建模方法时， 根据对态势信息的矩阵化建模， 可以输出基于动态规划的 路径算法， 状态转移公式如下： 其中， (i， j)为目的子区域的坐标， 表示子区域(i ‑1， j)与子区域(i,j)之间的 路径边权值； Dp(i， j)即为转移方程的输出； (2)、 当mt<mth且nt<nth时， 采用常规 的基于每一个节点 的网络拓扑进行态势建模， 此时 可靠业务以及不可靠业务在环境变动率不高的情形下， 都输出基于源路由的路径规划方 法； (3)、 当mt≥mth且nt≥nth时， 输出经过稀疏化处理之后的路径规划算法， 提高系统对高 动态环境下的适应性以及降低整体的决策开销； (4)、 当mt≥mth且nt<nth时， 可以输出基于逐跳路由 的路径规划方法。权　利　要　求　书 2/2 页 3 CN 114051273 A 3