大差异数据冲击下的网络路由分类器的设计与实现

韩艳++刘晨

摘 要： 针对大差异数据冲击下路由器存在路径选择误差大的问题，设计大差异数据冲击下的网络路由分类器，其主要由FPGA开发板、模/数采集器和数字信号处理器组成。分类器先对网络路由分类函数进行设计，并将其写入FPGA开发板。当网络信道存在大差异数据冲击时，FPGA开发板将调用网络路由分类函数对大差异数据进行预分类，获取预分类结果并将其传送到模/数采集器。模/数采集器将预分类结果转换成低压差分信号，数字信号处理器对该低压差分信号进行特征提取和参数修正，进而获取最佳分类结果。实验结果表明，所设计的分类器具有信道增益效果好、分类速率高和信道失效率低的特点。

关键词： 大差异数据； 数据冲击； 网络路由分类器； 路径选择

中图分类号： TN711?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）12?0076?03

Abstract： In view of great error in the path selection of router under impact of large differences data， a network routing classifier under the impact of big difference data is designed. It is mainly composed of FPGA development board， modulus collector and digital signal processor. The network routing classification function of the classifier is designed and then written into the FPGA development board. When there is a big difference data impact to network channel， the FPGA development board will call the network routing classification function for pre?classification of large difference data to obtain preliminary classification results and send them to the modulus collector. The modulus collector transforms classification results into low?voltage difference signal. The digital signal processor executes feature extraction and parameter correction of the low?voltage differential signal， so as to obtain the best classification results. The experimental results show that the designed classifier has the characteristics of good channel gain effect， high classification rate and low channel failure rate.

Keywords： big difference data； data impact； network routing classifier； route selection

0 引 言

分类器是一种能够通过映射方式为已知数据进行分类，进而实现数据挖掘的模型，分类器的好坏将直接影响到网络信道的数据通信性能[1?3]。在大差异数据冲击下，分类器的作用尤为重要，但由于网络信道容量和用户数据使用需求的限制，以往设计的大差异数据冲击下的分类器均存在不同程度的性能缺陷。为了使网络信道能够进行安全、快速、精准大差异数据冲击下的通信工作，根据用户需求通过网络路由分类函数增益信道通信性能，设计出性能优异的大差异数据冲击下的网络路由分类器[4?5]。

1 网络路由分类器的设计与实现

1.1 网络路由分类函数设计

在大差异数据的冲击下，网络信道通信能力不断下降，数据通信的母节点在向目标节点传送数据时中转工作的阻碍也必然有所增强。为此，将“合理选择中转节点、提高中转工作准确性”作为网络路由分类函数的基本设计原理，在此基础上设计出数据通信时延小、丢包率低，并且节能环保的网络路由分类函数，以优化所设计大差异数据冲击下的网络路由分类器的信道增益效果、分类速率和信道失效率。

所设计的网络路由分类函数设为时间段中流经数据通信中转节点的大差异数据，为其时间序列，的单位是b/s。再将中转节点的实时数据量设为，用表示中转节点的总数量，此时，和的关系可表示为：

1.2 分类器硬件的设计与实现

大差异数据冲击下的网络路由分类器的核心硬件有3个，分别是现场可编程门阵列（Field?Programmable Gate Array，FPGA）开发板、模/数采集器和数字信号处理器。在分类器开始工作前，网络路由分类函数将被提前写入FPGA开发板中。

当网络信道存在大差异数据冲击时，FPGA开发板将调用网络路由分类函数进行预分类，模/数采集器和数字信号处理器将对数字信号处理器的预分类结果进行优化。3个核心硬件的内部电路简图见图1。

由图1可得，FPGA开发板内部含有的主要元件为微控制器、检测器和处理器，这三种元件中均含有时钟程序，这些时钟程序不仅仅只为大差异数据的网络路由分类函数预分类工作计时，也为模/数采集器提供计时。FPGA开发板中检测器的输入端内拥有一个规格为10 b的先进先出存储器，大差异数据将被首先存储于该存储器中，再被传输驱动接口调出。

微控制器与传输驱动接口相连，进行大差异数据的接收与预分类，其可以同时进行2 048个大差异数据的预分类工作。预分类结果会被再次传送到先进先出存储器中，并接受处理器的随时调用。处理器对大差异数据的网络路由预分类结果的信号进行调制，使其能够更加容易地被模/数采集器所接收。

所设计的大差异数据冲击下的网络路由分类器的模/数采集器拥有200 MHz的超高采样频率，其采样精度为15 b，输出信号为低压差分类型。低压差分类型的信号精度高、鲁棒性强，且耗能较少、噪声更小。模/数采集器的主要工作便是将预分类结果转换成低压差分信号，达到有效降低分类器信道失效率的作用。模/数采集器电路的前端是一个限流器，其作用是将预分类结果根据用户的需求速率进行模/数转换。这样设计可在满足用户需求的同时，起到保护分类器电路的作用。数字信号处理器负责对模/数采集器输出的低压差分信号进行特征提取和参数修正，进而获取最佳分类结果。其拥有32位规范处理模式，处理频率最高可达2 GHz，便于进行类型复杂的大差异数据的处理工作。数字信号处理器还配置了多种类型的数据接口和高容存储器，能够较好地满足用户对大差异数据的使用需求。

2 实验验证

实验将在相同条件下对BP神经网络分类器、云计算分类器与本文分类器的性能进行对比，以验证本文分类器能否实现信道增益效果好、分类速率高和信道失效率低的设计初衷。在面积为1 000 m2区域内的网络信道进行实验，其中，数据通信中转节点共100个，大差异数据的数据量共1 GB，每个节点的通信半径为50 m。

2.1 信道增益效果验证

在分类器信道增益效果的对比验证中，实验对三个分类器下网络信道的时延和丢包率进行了统计（网络信道的时延和丢包率越小，证明分类器的信道增益效果越好），并将数据绘制成曲线图，如图2、图3所示。

由图2、图3可得，BP神经网络分类器、云计算分类器和本文分类器下的网络信道时延均已达到“良好”标准，本文分类器下的网络信道时延更小且更加稳定；而本文分类器下的网络信道丢包率要远低于其他两种分类器。以上结果验证了本文分类器拥有优异的信道增益效果。

2.2 分类速率验证

将BP神经网络分类器、云计算分类器和本文分类器的分类速率输出并绘制成曲线图，如图4所示。

由图4可得，云计算分类器在受到大差异数据冲击后的分类速率波动较大，其最低值与最高值相差17.86 Mb/s，与其他两种分类器不具备可比性；对比本文分类器和BP神经网络分类器来看，本文分类器的分类速率随着通信半径的变大而呈现上涨趋势，BP神经网络分类器则呈现下降趋势，证明本文分类器拥有优异的分类速率。

2.3 信道失效率验证

将BP神经网络分类器、云计算分类器和本文分类器的信道失效率输出并绘制成曲线图，如图5所示。

由图5能够较为明显地看出，本文分类器的信道失效率远低于其他两种分类器，可在一定程度上增强网络信道的数据通信性能，证明本文分类器具有信道失效率低的特点。

3 结 论

本文设计了大差异数据冲击下的网络路由分类器，其以“合理选择中转节点、提高中转工作准确性”为分类函数的设计原理，设计出时延小、丢包率低、耗能少的网络路由分类函数。实验将本文分类器与BP神经网络分类器、云计算分类器的各项性能进行对比，验证出本文分类器具有信道增益效果好、分类速率高和信道失效率低的特點，可有效增强网络信道的数据通信性能。

参考文献

[1] 张学峰，王鹏辉，冯博，等.基于多分类器融合的雷达高分辨距离像目标识别与拒判新方法[J].自动化学报，2014，40（2）：348?356.

[2] 江伟坚，郭躬德.复杂环境下高效物体跟踪级联分类器[J].中国图象图形学报，2014，19（2）：253?265.

[3] 郭云龙，潘玉斌，张泽宇，等.基于证据理论的多分类器中文微博观点句识别[J].计算机工程，2014，40（4）：159?163.

[4] 陈艳秋，孙培立.一种基于类别强信息特征和贝叶斯算法的中文文本分类器[J].计算机应用与软件，2014，31（8）：330?333.

[5] 郝晓丽，张靖.基于改进自适应聚类算法的RBF神经网络分类器设计与实现[J].计算机科学，2014，41（6）：260?263.

[6] 申浩洋，韦安磊，李楠楠，等.基于神经网络分类器的城市污水处理厂水力冲击预警系统[J].环境科学学报，2015，35（4）：1224?1232.