卷积神经网络下异构通信网络动态信道分配方法

张 磊,刘春静,章敏凤

(安徽信息工程学院 电气与电子工程学院,安徽 芜湖 241100)

0 引 言

动态信道分配是以实现通信网络信息传输效率最大化为目标、结合信道质量标准等条件对通信资源进行优化配置的过程,是一种高效的资源管理措施。高效的信道分配方法可以提高通信网络容量,减少信息传输过程受到的外界干扰[1]。

所谓异构通信网络是指利用不同的接入方式将2个或以上的通信网络融合到一起,以取长补短的形式满足不同信息传输任务的需求。针对异构通信网络来说,有效的信道分配是保证信息及时、高效传输的基础。因此,相关的通信网络动态信道分配方法受到了人们的密切关注[2]。

文献[3]提出一种载波通信混合型信道分配方法,从提高信道利用率和降低传输时延的角度出发,结合CSMA/CA和TDMA技术判断通信网络信道负载的动态变化,并利用时隙分配法,以PRIME协议为框架对信道进行分配。文献[4]提出一种基于隐马尔可夫模型的动态跳频信道分配方法,将通信信息的传输时段划分为多个跳频时段,建立隐马尔可夫模型对异构网络中的可用信道进行识别判断,并形成跳频信道集合及动态序列,基于此实现信道分配。文献[5]提出一种通信信号多路径传输信道实时分配方法,在信号传输过程中,根据节点干扰和传输速度确定信道分配的目标函数,并采用博弈论对其进行求解,将信号传输成功率作为效用函数实现通信网络传输信道实时分配。文献[6]提出一种基于组合智能算法的无线网络信道分配方法,在建立通信网络信道分配模型的基础上,采用遗传算法设计初始分配方案,结合粒子群优化算法对其进行精细搜索,得到最终的分配方案。然而,随着异构通信网络中待传输数据的不断累积,上述几种方法下的相关异构组织的应用特性被逐渐掩盖,从而导致通信网络主体结构的承载量受到影响,能接纳的待传输信息较少,导致网络传输效率大大下降。

文献[7]提出一种适用于移动通信系统的信道分配方法,首先构建通信能耗模型,结合链路节点自适应收发过程控制不同的通信信号接收阵元,根据节点和资源信息调度间的关系控制信道的分配情况。文献[8]提出一种基于在线排队模型的信道优化分配方法,以可靠性作为信道排队和权重分配原则,以簇头和网关处信道资源作为具体分配内容,利用网关节点合作感知结果构建在线排队模型,结合最优融合准则实现对信道资源的分配。然而,上述2种方法也因接收阵元和排队模型的容量较小而导致通信网络主体结构的承载量较低。

文献[9]提出一种基于自适应遗传算法的通信信道动态子载波分配方法,利用遗传算法的全局搜索能力对通信系统动态子载波进行自适应分配,对遗传种群中的个体进行交叉操作,并对得到的子代种群进行复制和变异操作,不断重复该过程直至完成全部子载波的信道分配。文献[10]提出一种基于演化博弈的通信网络抗涟漪效应信道分配方法,通过分析涟漪效应原理构建终端节点群集的演化稳定均衡博弈模型,对稳定状态下的均衡涟漪效应进行评估,实现对通信网络单冲突域内信道的分配。然而,上述几种方法需根据不同网络节点的具体传输条件为数据信息分配必要的信道节点,再通过比特量计算的方式统计分配处理所遵循的实值系数。但在既定操作时间内,这几种方法的最大承载条件难以达到理想化标准水平,且分级动量的调节参数也一直处于平均值以下,导致信道传输时滞量较大。

CNN特指具有前馈神经调节能力的网络结构体,能够按照卷积层组织的具体计算行为确定单一网络节点所处的实际应用位置,是深度学习领域的核心代表算法之一。CNN具有明显的表征学习能力,能够按照阶层化网络结构中输入信息的表达形式,对未占用的信道节点实施动态平移处理,故也被称之为平移不变的“人工神经网络”[11]。最基本的CNN网络包含输入层、隐含层、输出层共3层物理结构。其中,输入层直接面对通信网络的多维数据,可按照既定处理模式为孤立节点分配足量的待处理信息;隐含层中包含大量的通信节点,可根据待传输数据的总量条件,选择性建立与核心主机间的通信连接;输出层附着于CNN网络的最底部,仅负责向下级执行结构传输必要的网络信息[12]。

因此,为解决传统方法中存在的网络异构体承载量小、信道传输时滞量大的问题,引入CNN技术,在通信滤波器、网络模板库等硬件结构的支持下,设计一种新型的动态信道分配方法,并通过对比实验说明不同信道分配方法之间的实用差异性。

1 基于CNN的异构通信网络

基于CNN的异构通信网络主要由核心框架、通信滤波器、网络模板库3部分组成,其中核心框架处于输入层,通信滤波器属于隐含层,网络模板库属于输出层。

核心框架为异构型CNN框架,是通信网络的主体支撑结构,由核心主机、通信滤波组织、网络模板组织、网络通信API、动态信道API等共同组成。其中,核心主机直接作用于通信网络,在协调通信滤波组织与网络模板组织传输行为的同时,确定标准异构节点所处的具体位置;通信滤波组织直接服务于通信滤波器,可根据网络节点及异构参量的具体数值水平实现对待分配信道的统一调度处理;网络模板组织直接服务于网络模板库,可按照CNN的具体动态运维条件生成一定数量的信息行为报告,进而将处于空闲状态的信道主机接入核心异构网络;核心主机借助网络通信API与动态信道API与一、二、三级主机结构分别相连,一方面可处理原CNN网络中的VIM、PIM分配问题,另一方面联同KBS节点,向VCA信道传输待分配的网络通信数据[13]。其中的二级主机负载一个Plus装置,能够时刻感知异构通信网络及原CNN网络的具体连接状态。整体的异构型CNN框架结构如图1所示。

通信滤波器是异构型CNN框架的下级附属结构,由异构通信电阻、动态消耗电阻、实体滤波结构、CNN调节装置、主体通信组件共同组成。其中,异构通信电阻与通信网络的一级主机相连,具备较强的电流疏导能力,可充分调节由通信量提升而大量堆积的动态网络数据;动态消耗电阻与通信网络的三级主机相连,可直接负载核心网络主机中的信道分配任务,并按照阻值额度的不同,为相关硬件装置匹配必要的传输配合电流[14];实体滤波结构是通信滤波器的核心处理结构,具有调节原CNN网络连接状态的能力。在通信数据大量堆积的情况下,可建立与动态信道的物理连接,进而驱使各级网络节点逐渐趋向理想化位置[15];CNN调节装置、主体通信组件同时附属于实体滤波结构,在通信滤波器执行过程中起到辅助性维护的作用,可快速感知两端电阻负载量的变化情况,进而促进动态信道分配行为的快速实施。

图 1 异构型CNN框架结构图Fig.1 Heterogeneous CNN frame structure diagram

网络模板库位于异构通信网络的最底层,包含2个CNN远程工作站、1个主干分配网络和多个分级附属设备。CNN远程工作站可借助异构通信网络向主干分配网络传输动态信道的数据分配指令,且在此过程中,通信数据服务器、网络信道运行服务器、动态分配服务器始终保持高度的统一调度状态,待异构体信息达到预定累积条件时,监控工作站接入主干分配网络,实现对后续网络结构体的归一化调节;异构环网、分配总线、通信服务工作站同时附属于主干分配网络,具有较强的网络抗压能力,可按照动态信道的具体分配情况驱使CNN节点不断向目标位置移动[16]。

网络模板库结构如图2所示。

图 2 网络模板库结构图Fig.2 Network template library structure diagram

2 动态信道分配设计

在上述CNN异构通信网络的基础上,按照动态拓扑传感器连接、信道载体配置、分配损差量计算的处理流程,实现网络动态信道分配方法的顺利应用。

动态拓扑传感器是实施网络信道分配指令的核心结构元件,由CNN异构芯片、信道接口、主体传感板件、拓扑灯等多个物理结构共同组成。其中,拓扑灯具有明、暗2种显示状态,在异构通信数据未达到额定承载条件时,该结构始终保持“暗”显示状态;而在异构通信数据超过额定承载条件时,该结构则显示“亮”状态;CNN异构芯片位于动态拓扑传感器顶端,可直接顺承网络模板库的数据连接需求,并与核心分配主机保持单向连接关系[17];拓扑信道接口是载体结构接入异构网络的物理通道,具有良好的数据输出能力;主体传感板件负载其他元件的信息连接需求,具有较高水平的数据存储能力;异构网络通信主板是传感板件的附属结构,可维护动态信道的基础连接行为,进而使核心分配主机直接建立与传感拓扑构件的传输连接[18]。

在CNN异构网络中,信道载体呈现出明显的分级连接状态,且每个动态簇内均包含一个由-CH前缀和-CM后缀组成的部署实体。在实施信道分配的过程中,-CH前缀能够与动态拓扑传感器相连,在完整接收通信电流的同时,将非必须异构电子量转化成树桩结构,以供通信滤波器、网络模板库等硬件设备组织的直接调用[19-20]。-CM后缀能够与异构型CNN框架相连,可按照物理信道的动态调节行为,为各空闲节点选取必要的通信数据,进而使整个异构网络时刻处于相对良好的传输状态。

在不考虑其他干扰影响的情况下,信道载体配置结果只受到-CH前缀、-CM后缀具体数值水平的影响。随着异构通信网络中待传输数据的不断累积,通信滤波器和网络模板库都在连接与断开状态中来回切换,直至所有动态信道的占用水平都满足理想分配条件[21]。

(1)

式中:χ为CNN通信网络的常规化异构系数;p为动态分配信道的最大参量负载条件。

分配损差是指因动态信道偏转而产生的不必要节点占用,其易受到CNN网络异构行为、通信数据传输周期等多项物理参数的直接影响。在CNN通信网络出现定向异构行为的情况下,信道载体会由原始位置向待分配位置不断运动,直至被占用信道的数量值与总信道数量完全相等[22]。在实施异构处理的过程中,CNN网络始终保持较高的并行化执行能力,且随着分配时间的延长,待处理的动态信道会一直向着目的端运动,直至将所有暂存数据信息完全转化成标准连接状态。

假设CNN网络异构行为参量为u,且u在既定连接时间内能够直接影响分配损差结果的上限承载能力,通信数据传输周期常表示为T,在不考虑异常分配行为的情况下,且T不受其他影响条件的干扰,联立公式(1),可将动态信道分配损差量的计算结果表示为

(2)

式中:d1,d2分别为2个不同的节点通信数据;f为动态信道组织的实际分配步长值;j为通信网络的CNN异构系数;δ为幂次项执行参量。

在此基础上,开启所有不存在占用的通信信道,选择NetBEUI协议对异构通信环境中的信息进行接收或发送操作,根据信道节点的匹配信息和分配损差量的计算结果对信道所处位置进行动态分配。

3 检测与分析

为验证基于CNN的异构通信网络动态信道分配方法的实际应用性能,设计如下应用性检测实验。

在云计算环境下,选取3台执行状态完全一致的网络主机作为实验对象,在既定监测时间内,分别搭载本文方法,文献[6]基于组合智能算法的无线网络信道分配方法和文献[10]基于演化博弈的通信网络抗涟漪效应信道分配方法控制实验对象的信道分配行为并将各项实时指标调试至最佳执行状态。同时启动3台实验主机,统计网络异构体承载量、信道传输时滞量和数据冗余率的具体变化情况。

首先将网络异构体承载量作为实验指标。通信网络异构体承载量能够反映信道内能接纳的待传输信息数量,进而侧面反映通信网络的传输效率。以60 min作为检测时长,分别记录在该段时间内,不同分配方法在不同时间段下网络异构体承载量的具体变化情况,统计结果如表1所示。

表1网络异构体承载量对比表

Tab.1 Comparison of network isomer load

单位:1015T

检测方法检测时间/min51015202530354045505560平均值本文方法8.28.28.68.68.98.99.39.39.79.79.89.89.1 文献[6]方法3.84.14.34.54.64.64.64.64.44.24.03.94.3 文献[10]方法6.16.36.36.77.17.47.57.27.27.26.86.86.9

从表1可知,随着检测时间的累积,本文方法的网络异构体承载量呈现阶梯状上升的变化趋势,全局最大值达到9.8×1015T,且能够保持5 min的稳定状态;文献[6]方法的网络异构体承载量前期不断上升,在达到稳定状态后开始下降,全局最大值为4.6×1015T;文献[10]方法的网络异构体承载量同样也呈现出先上升后下降的趋势。对比实验数据可以看出,文献[6]和文献[10]方法的网络异构体承载量低于本文方法。综上,应用基于CNN的信道分配方法能够保证足够的网络异构体承载量。

通信网络当前的状态变化情况不仅与当前时刻的传输状态有关,受过去某时刻的传输状态的影响也较大,这一性质被称为传输时滞。传输时滞可以反映通信网络传输过程的时间不连续性,时滞量越少,说明传输过程效率越高。因此,同样以60 min作为检测时长,统计不同信道分配方法的信道传输时滞量,结果如图3所示。

图 3 信道传输时滞量对比图Fig.3 Channel transmission delay comparison diagram

从图3可知,随着检测时间的增加,不同分配方法下的信道传输时滞量也在不断变化。文献[6]方法的信道传输时滞量呈现出先上升后下降的趋势,全局最大值为8.8×105T;文献[10]方法的信道传输时滞量逐渐上升,全局最大值为7.2×105T;本文方法的信道传输时滞量先上升后下降再上升,全局最大值为5.1×105T。通过数据对比可知,应用基于CNN的动态信道分配方法能够有效降低异构通信网络信道传输的时滞,提高了信息传输效率。

4 结 语

研究发现,在构建异构通信网络结构时,将异构通信电阻与一级主机相连,保证通信网络具有较强的电流疏导能力,进而可通过调节由数据量来缓解动态通信数据大量堆积的现象,有效减小信道传输的时滞量。除此之外,利用CNN调节装置和主体通信组可以使实体滤波结构在通信滤波器执行过程中起到辅助性维护的作用,快速感知通信信道内的电阻负载量情况,进而促进动态信道分配行为,也可以有效调节网络异构体承载量。

在接下来的研究中,将进一步对本文方法进行优化,在保证信道分配质量的前提下,引入低碳思想节能,构建低能耗信道分配策略。