文摘
不可或缺的补充的陆地通信、低地球轨道(LEO)卫星网络的关键部分是未来space-terrestrial集成网络由于其独特的优势。然而,有效和可靠的LEO卫星网络路由是一项棘手的任务由于时变拓扑,交接频繁联系,和不平衡的通信负载。一个极端学习机(ELM)基于分布式路由(ELMDR)策略提出了。考虑到交通在地球表面的分布密度,ELMDR策略做出路由决策基于流量预测。交通预测,榆树,这是一个快速和有效的机器学习算法,采用预测卫星节点的流量。路由决定,移动代理(MAs)介绍了独立同时搜索LEO卫星网络,并确定路由信息。仿真结果表明,相比传统的蚁群优化(ACO)算法,ELMDR不仅充分利用充分利用链接,也可以减少延迟。
1。介绍
在过去十年中,高速移动互联网的广泛应用和空间技术的飞速发展,卫星网络全球移动通信已经成为了不可分割的组成部分。因为全球覆盖,卫星网络能够提供可靠的通信服务区域没有陆地网络。因为地球低轨道(LEO)卫星轨道高度相对较低,它具有低传输延迟和链接的损失。刀枪不入的LEO卫星网络的另一个特点是由于以下原因。一方面,网络的LEO卫星更灵活。另一方面,inter-satellite链接使独立于地面基础设施之间的通信卫星。因此,LEO卫星通信学术界和工业世界的关注1- - - - - -4]。
然而,覆盖全球的LEO卫星网络需要成千成百上千的卫星,因为相对较小的范围。此外,LEO卫星网络的轨道周期短的特点,高度动态拓扑、交接和频繁的联系。此外,先进的物理层技术面向的第五代(5 g)移动通信大大提高数据传输速率导致网络流量的爆炸式增长(5]。在这样的LEO卫星网络,如何设计一个可靠的、高效和健壮的路由策略的首要任务是保证可靠的数据传输(6,7]。
提出了LEO卫星网络路由策略在国内和国外。早期路由策略时,他们的焦点主要集中在面向连接的路由(8- - - - - -10]。由于他们的离线计算导致路由信息的滞后,他们很快就被动态和non-connection-oriented路由策略(11]。提出了很多策略(12- - - - - -14),主要集中在所谓的逻辑地址。这些策略最终转化为最短路径的问题。然而,过载和拥堵在卫星节点的最短路径是不考虑的策略。克服缺点,基于平衡负载和预测的路由策略研究人员的注意。
(15,16)提出了结合负载平衡路由策略。在[15),作者认为重载卫星节点应该绕过来缓解网络拥塞。在[16),作者利用多重代理系统物理层的信息做出路由决策然后负载平衡转化为一个多目标优化问题。然而,可替换主体的结合物理层信息和多目标优化使得路由几乎不切实际的延期对实时服务的环境。因为预测在未来可以提供信息,参考提出基于预测的路由策略。在[17),提出了一种基于时间序列分析的路由方案。虽然预测方法很简单,但患有预测精度较低。在[18),一个基于负载均衡的路由算法和拥堵预测,提出了只有拥堵状态预测,但它导致不完整的路由信息。
考虑动态网络拓扑方法提出了基于人工智能(AI) (19- - - - - -26]。虽然一些传统的基于人工神经网络(ANN)的战略考虑的服务质量(QoS),他们通常耗时,因为复杂的训练过程。另一个缺点是,他们只关注当前路由信息而不考虑未来的状态。目前,机器学习(ML)吸引了学术界的眼睛(27,28因为它可以高度提高算法的性能通过学习的经验。毫升已经应用于许多领域。类似传统的安,毫升的训练过程也是耗时。极端的学习机器的外观(ELM)是一个突破性的提高训练速度(29日]。一个分布式路由策略的基础上提出了榆树。首先,榆树是用来预测即将到来的交通负载在卫星节点。然后,移动代理(MAs)收集网络信息做出路由决定使用预测交通荷载。最后,根据路由决定,相邻卫星节点动态调整交通负荷。
2。交通分布密度及其量化
交通分布密度(TDD)在地球表面对路由性能有不可忽视的影响。传统上,大多数路由策略只对卫星节点本身的交通负荷。事实上,如果地球表面上的TDD卫星被认为是下一个主动路由决定可以提前采取提高路由性能。有三个因素影响TDD在地球表面,包括两个自然因素和人为因素。第一个自然因素是近年分布。具体地说,在海洋卫星通常是在轻负荷,而卫星城市是经常在重负载的状态。另一个自然因素是与地球的自转有关。显然,白天比较重的地区比地区夜间交通负载。人的因素往往是与经济水平相关联。一般来说,发达国家和地区配备先进的基础设施。 Figure1介绍了国内生产总值(GDP)世界上密度(30.]。全球经济发展的不平衡带来的不平衡发展电信。一般来说,人口密集的地区和发达经济丰富的地面通信基础设施。
我们将地球表面划分为若干网格,根据国内生产总值(GDP)量化密度。作为显示在图2中,我们使用的数字从1到10,交通指数来表示TDD。经度和纬度分为24和12等分,分别。自海洋占地球表面的71.8%,数量1占据大面积在图2。发达地区,如北欧、西欧、东亚、北美,他们从8到10与数字量化。为了直观,图3介绍了立体的直方图量化交通密度。
黄等人提出了榆树2004年在他开创性的论文(29日,31日]。榆树是一种特殊的简单单隐层神经网络,其优势包括简单,速度快、全局优化。特别是,它比传统的人工神经网络训练和测试过程要快得多。黄等人也证明了随机选择隐层节点参数的高度降低了网络的训练时间和榆树可以实现通用函数近似(32]。在这篇文章中,增量榆树(32是用来预测即将到来的交通,因为它不受过度拟合。因为LEO卫星运行在它的轨道在高速,与子卫星的位置变化的交通负载变化点。榆树是用来预测卫星在特定的交通网格下面的子卫星点。
3所示。ELMDR LEO卫星网络的策略
为了使路由决定,马是用来收集和交换LEO卫星网络的路径信息。马是分布式智能代理和流动性,节点之间可以决定其运动行为本身以高效的方式。马马可分为向前和向后。前者是生成和源卫星节点发送的探索路径信息,而后者是由目标卫星节点。两马向前和向后最大生存时间(TTL)被定义为马的跳的限制。如果他们跳超过TTL,他们被视为到期,直接摧毁。TTL设置的目的是部分避免循环和滞后的路由信息。此外,卫星节点将产生预测代理获取交通信息修改路由偏好因素用于调整交通从相邻卫星节点。
为了记录和更新路由信息,一个数据结构是由每个卫星节点组成的信息素矩阵 ,数据路由表 ,延迟模型 ,链接队列模型 ,交通预测模型 ,和地方统计模型 。 和的功能是“距离向量”,这不是普通的概念距离但表示路径的概率条件。代表当前节点之间预期的延迟和每个可能的目标节点。代表当地的交通信息。记录预测交通。统计模型维护相关信息的时间。
的路由策略ELMDR提出如下。
(1)马向前的行为。对于每一个间隔 ,马向前表示为生产,负责外地路由信息的集合。具有相同优先级的信息数据和准确记录网络状态。任意两个节点之间的遍历时间和所有节点的标识符来记录在一个私有内存吗 。选择下一个节点按照下列规则: 在哪里选择的概率是多少 ;代表节点的相邻节点集 ;和意味着上的信息素 。
循环路由应该从马向前,一个相邻节点是随机选择下一跳。如果约束 和 不包括(1),一段时间后,选择一个最优路径的概率基于信息素分布接近1停滞意味着路径搜索方法。换句话说,即使最优路径是拥挤的,后续的数据包仍沿着路径转移不管其他潜在的闲置的路径。这种情况下被认为是由(1)。是一个随机的数字0和1之间,而是一个常数在0和1之间。一个更小的可以根据经验选择停止搜索停滞。根据(1马向前),选择下一个节点根据信息素的分布(即。,当 )或随机选择概率(即。,当 )。因此,虽然概率选择最优路径仍然很高,它不等于1。使用一个小概率让一些马斯向前探索其他潜在的最优路径。当最初最优路径变得越来越坏,马向前可以很快发现新最优路径。
(2)向后马的行为。马向前后到达节点 ,它是自动删除。与此同时,落后的马英九表示为 ,其中包括所有收集的信息吗 ,目标节点生成的吗 。 回到节点沿着相同的路径通过马向前,而是来自来 。携带路由信息,向后MA可以迅速返回节点因为它的优先级高于信息数据。所有中间节点更新自己的路由表根据提供的延迟信息落后的马。给出了更新规则如下: 在哪里信息素的蒸发系数的值在0和1之间;这个词的上的信息素增量 采取 ; 带来的信息素吗 ; 上的延迟 ;和这个词代表信息素增量给代理找到新的最优路径。具体来说,当一个新的最优路径发现,大多数代理仍然选择最初的最优路径和离开他们的信息素。通过使用信息素增量,可以增强路由搜索的收敛速度。
(3)数据更新。为每一个中间节点通过卫星 ,三个行动是由马落后,包括更新 ,评估质量的路径节点到节点 ,并更新本地路径。指的是当地交通模型 ,从节点的路径到节点评估是基于遍历的时间吗 。较小的路径的权值越高。根据重量,使用的所有路径目标节点和下一跳是加强。
的意思是 ,而的方差 。 最优遍历时间最近的吗马向前遍历值的时间。他们根据以下更新: 在哪里是重量的因素。
在更新 ,通过的路径评估根据以下表达式: 在这里,是一个偏好的因素。它代表着马向前路径发现的质量。评价的目的是更新信息素表和路由表的偏好的因素。和估计的最大值和最小值的 。 和站的权重因素。根据修正预测流量。一般来说,当卫星飞过地区重/轻负荷,潜在的节点拥塞/懒惰是报道基于相应的大/小流量指数。预测交通是拥挤的时候,它意味着卫星从该地区与地区轻负荷沉重的负荷。在这种情况下,流量发送到卫星从其邻近卫星节点使用修改后的减少 。预测交通光时,从其邻近卫星节点流量发送到卫星使用修改后增加了 。因此,偏好的因素应调整根据交通模型 。
(4)预测和路由更新。每个卫星节点维护一个数据结构,记录必要的信息包括当地交通。榆树的训练过程在每个源节点启动自源节点发送数据马和转发到目的节点。当马向后返回源节点,一个预测代理被激活。事实上,之前的训练过程已经在进行激活。因此,需要预测交通可以快速的预测。卫星节点的未来状态,偏好因素,确定和路由更新根据预测流量。
让表示预测区间,表示交通负荷预测 ,表示队列的大小,表示队列占用状态 , 表示ISL的能力,表示数据包长度平均和分别表示路由器缓冲区容量。以下指标叫堵塞指示器被定义为描述卫星节点的负载状态: 修正因子被定义为 在(6),表示斜率参数。给出了路由更新如下:
(5)联系移交战略。链接交接以来LEO卫星网络路由性能产生负面影响,相应的路由策略必须适应链接断开和重新连接。针对卫星网络拓扑结构的周期性和可预测性,链接断开和重新连接可以提前计算和存储方便联系移交战略的执行。为了说明链接移交战略,我们首先指定LEO卫星网络的拓扑结构。沃克星座或极地轨道星座拓扑快速显示在图4,实线代表永久intra-orbit链接,而虚线代表inter-orbit链接。
如图4发生了,我们假设一个链接交接inter-orbit LEO_101和LEO_201之间的联系。影响卫星主要LEO_101 LEO_201,以及他们相邻的卫星。如图4,四个链接的LEO_101连接LEO_102 LEO_201, LEO_111, LEO_601屈指可数,1,2,3和4分别。当LEO_101之间的联系和LEO_201断开连接,路由表的概率LEO_101将数据包发送到LEO_201 LEO_102按比例分配,LEO_111和LEO_601分别。同样,LEO_101 LEO_201采取相同的措施。我们有以下表达式: 在哪里是一家集包括卫星节点的数据包被发送到LEO_101。代表的数量卫星节点集合中 。
LEO_101之间的联系和LEO_201重新连接时,概率的链接编号1,3,4分配链接2根据以下规则。具体来说,从LEO_101啤酒花的数量计算目标节点。跳数越小,越高链接2的概率是(33]。相应地,类似于LEO_101 LEO_201采取的措施。因此,我们有 在哪里 用于计算啤酒花的数量吗 。
链接断开时,路由表可以快速根据(8)因为MAs和数据包转发断开链接。考虑LEO卫星网络的频繁联系交接,如果路由策略总是落后于网络状态的变化,路由性能必然会受到影响。幸运的是,周期性和可预测性的LEO卫星网络拓扑的实时跟踪链接交接。
(6)ELMDR战略的主要流程。ELMDR战略的主要流中列出的算法1说明了路由建立过程,更新和修订。
4所示。仿真结果和讨论
ELMDR的性能依赖于交通预测方法的准确性在很大程度上。为了验证榆树的预测效果,我们选择互联网上可用数据跟踪网站:http://ita.ee.lbl.gov/index.html。有很多数据最后更新痕迹4月9日,2008年,在网站上。我们使用的痕迹BC-pAug89开始从十一25到17(3143年代)8月29日,1989年。1000000包都包含在跟踪。作为一个给定的IP数据包目的地在现代互联网骨干存在自相似性(高34),没有精确的模型来预测网络流量(35]。我们选择百分之一的跟踪培训榆树。由于交通相似,数据段可以选择任意的痕迹。我们选择第一个5 s的数据作为测试数据。针对随机性的数据包到达的时间测量硬件,我们在每间隔0.04秒计数字节从第一的2140包捕获(约5 s)。我们实现了交通预测通过使用基于MALTAB榆树。真正的交通和预测交通榆树比较,显示在图5。很明显,榆树可以按照实际流量的变化只与小错误。实际流量急剧增加或减少时,预测交通通常略低于或高于真实的交通,因为高相似度和预测算法的被动。总的来说,榆树胜任交通预测提出的路由策略。
来验证提出的路由策略,铱星系统的拓扑描述图4作为模拟的场景。下面的参数是用于我们的模拟: , , , , ;ISL是10 Mbps的带宽。仿真场景呈现在图6。我们假设网关网关1和2连接到LAN1 LAN2,分别。十年代后LAN1 LAN2发送数据。同时采用OPNET。所有场景参数上实现蚁群优化算法的算法(36),提出ELMDR进行了比较。
数据7和8目前利用算法的性能和ELMDR的联系。LAN2 LAN1开始发送数据时,最优路径从LEO_301 LEO_401配电网和ELMDR利用类似的链路利用率。然而,算法只选择一个最优路径,而ELMDR分流交通的一部分LEO_302 LEO_301的次优路径。在仿真中,训练时间和测试时间小于0.1秒。如图8马,尽管预测的激活和培训和测试过程需要时间,发现的次优路径ELMDR仍然是早于配电网主要是因为ELMDR可以避免路径搜索陷入停滞和迅速找到次优路径。因此,发现路径从LEO_301 LEO_302和LEO_301 LEO_311 ELMDR是早于。应该注意的是,利用的联系路径从LEO_301 LEO_201 ELMDR和配电网是零,因为既不是由ELMDR也不是选择的路径。
图9介绍了排队延迟LEO_301交接的链接。与算法相比,如图9的排队延迟造成ELMDR链接交接略有变化主要是因为ELMDR可以快速更新路由表和跟随链接状态的变化。自从链接从卫星LEO_301卫星LEO_302和卫星LEO_301卫星利用LEO_311数据包的一部分避免被送到LEO_301原本拥挤的节点。尽管源节点和目标节点之间的距离增加,LEO_301高度降低的排队延迟。
数据10和11出现丢包率(PLR)和平均分组延迟的ELMDR,分别。在图10发送速率相对较低时,算法和ELMDR提供PLR几乎相同。然而,当发送速率高,ELMDR略微领先。因为交通预测是通过ELMDR,数据转移到次优路径。因此,包损失在拥挤的链接超时都降低了。图11表明ELMDR比算法略高于平均延迟。虽然路径从LEO_301 LEO_302和LEO_301 LEO_311会增加通信源节点和目的节点之间的距离、平均延迟的牺牲是负担得起的考虑下链接交接延迟,PLR和更高的链路利用率。
5。结论
本文基于机器学习的分布式路由策略提出低地球轨道卫星网络。地上的交通负载进行了分析和量化,然后采用极端的学习机器预报卫星节点的交通负荷。提出的基于分布式移动代理路由实现,可以搜索、收集、更新和修改路由信息。预测移动代理修改路由的偏好因素,这样可以避免交通拥堵。附加链接移交战略确保交通荷载可以转移到适当的卫星节点根据概率的链接断开或重新连接。与算法相比,仿真结果表明,提出的ELMDR提供次优路径链接交接和较低的丢包率和交接延迟的成本比较平均延迟。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
作者特别感谢教授Mu-Di熊和Dian-Wu曰从大连海事大学教授在实验室空间和实验中基金的帮助。这项工作的研究和出版物是由中国国家自然科学基金资助下。61301131和61601221 ,江苏省自然科学基金批准号下[BK20140828],中国博士后科学基金会资助下不。[2015 m580425],为中央大学基础研究基金资助。3132016347045]和[DUT16RC (3)。