基于混合神经网络的复杂通信网络节点拥塞控制方法

李文佳

（中国民用航空华北地区空中交通管理局，北京 100621）

0 引 言

复杂通信网络结构与行为复杂具有自组织、自相似及自吸引等特性，能够在处理海量数据中表现出高效和可靠的能力。当大量数据包同时到达节点时，一旦节点缓冲区容量不足，就会导致数据包丢失或其他隐患，造成节点拥塞问题。针对此类问题，研究人员设计多种控制方法。其中，基于软件定义网络（Software Defined Network，SDN）具有缓存感知的复杂通信网络节点拥塞控制方法和基于多指标感知的复杂通信网络节点拥塞控制方法的应用较为广泛[1-2]。

基于SDN 具有缓存感知的复杂通信网络节点拥塞控制方法，主要利用广播多媒体控制中心（Broadcast Multimedia Control Center，BCMCC）架构，将节点拥塞控制功能集中于SDN 控制器，并利用BCMCC 架构的缓存感知算法分析网络节点的运行特性，从而改善节点拥塞控制效果。基于多指标感知的复杂通信网络节点拥塞控制方法，主要利用多个指标，感知网络节点拥塞情况。对于网内节点，其采用数据接收速率、数据包排队延时以及链路带宽等指标，控制节点拥塞情况；对于终端节点，其调整吞吐量、时延等指标，以多个指标共同感知的形式，实现节点拥塞控制。这两种方法均能够完成节点拥塞控制任务，但是受复杂通信网络的结构影响，拥塞问题仍然较为明显[3]。因此，文章基于混合神经网络的优势，设计复杂通信网络节点拥塞控制方法。

1 复杂通信网络节点拥塞控制混合神经网络方法设计

1.1 生成复杂通信网络节点虚拟队列

复杂通信网络的建立与维护需要考虑节点、链路、拓扑结构及协议等方面，才能确保网络运行效果[4]。数据包到达时，在虚拟队列空闲的缓冲空间中排队等候，使虚拟队列的缓冲容量与实际带宽保持一致，从而避免网络节点拥塞问题。

虚拟队列带宽计算公式为

带宽参数更新公式为

在虚拟队列中，分析队列长度，公式为

式中：T为虚拟队列的队列长度；t1、t2、tn为当前队列中的元素数量。队列长度是网络节点缓冲区。队列过短，无法容纳大量的数据包，导致数据包丢失；队列过长，增加数据的排队延时，影响网络性能。

队列干扰计算公式为

式中：V为队列干扰；Tvi和Tvj分别为数据传输过程中，队列T中丢失的第i类和j类数据。V描述数据包无序进入队列的情况，V越小，节点拥塞控制效果越佳。网络负载能够衡量网络性能，负载较高，超过网络承受能力，会加重网络出现拥塞的问题；负载较小，网络资源无法得到充分利用。

允许速率计算公式为

式中：I为允许速率；r为虚拟队列尾指针；g为虚拟队列头指针。tn是网络节点能够处理的数据流量，只有I高于数据流量，才能确保拥塞控制效果。

输出链路总利用率计算公式为

式中：G为输出链路总利用率；kz为链路上的数据包总数；kr为链路的总容量；s为通信节点通过链路的时间。G能够反映网络节点运行情况，利用率过高，增加网络负担；利用率过低，降低网络性能。

文章将数据流量、队列长度、队列干扰、网络负载、允许速率以及输出链路总利用率作为拥塞控制指标，判断网络节点拥塞控制情况。

1.2 基于混合神经网络部署通信网络节点拥塞控制结构

混合神经网络是一种集成多种神经网络模型和技术的新型结构，旨在提高处理复杂通信网络传输问题的效率和灵活性。在通信网络中，由于传输能力有限，网络负载的变化直接影响数据传递的效果。负载较轻时，数据传递迅速但范围有限；网络复杂度增加时，则可能出现节点拥塞现象，导致数据传输受阻，甚至需要丢弃数据，严重影响网络性能[5]。为解决这些问题，文章提出基于虚拟队列的网络节点带宽和负载控制方法，并通过划分网络节点等效感知半径的覆盖区域优化资源分配，进一步部署通信网络节点拥塞控制结构，以均衡网络资源，实现节点拥塞的有效控制。文章将神经网络与长短期记忆网络（Long Short-Term Memory，LSTM）混合在一起，利用LSTM预测节点拥塞情况，再使用神经网络对其进行拥塞控制，混合神经网络的结构如图1 所示。

图1 混合神经网络结构图

式中：Hi为节点部署区域；Ri为节点的感知半径。将Hi设置为中心节点，坐标为(x,y)，根据复杂通信网络环境，部署节点Hi的目标位置。节点Hi目标位置xi、yi的计算公式为

式中：θ为节点拥塞控制在神经网络中迭代更新的参数。根据(xi,yi)与(x,y)的变化情况，调度复杂通信网络节点拥塞分组，按照各个虚拟队列的需求分配带宽，并设置差额计数器控制每组节点通过数量，进一步实现节点拥塞控制的目标。

2 实 验

2.1 实验条件

在复杂通信网络拓扑下展开实验，节点传输范围为250 m，优先级队列管理。队列长度最佳范围为600 ～700 bits，能够确保数据有效性，避免网络节点拥塞问题。网络负载的最佳范围为30%～50%。输出链路总利用率的最佳范围为30%～55%。实验共存在4 种通信业务，配置12 个网络节点，由此建立出复杂通信网络拓扑结构如图2 所示，圆圈表示节点通畅，三角表示节点拥塞。

图2 复杂通信网络拓扑结构图

如图2 所示，S1、S2、S3、S4为4 类不同的通信业务；a1、a2、a3、a4、a5、b1、b2、b3、b4、b5为网络节点；a6、b6为网络节点拥塞位置。

2.2 实验结果

在文章设计的实验条件下，随机选取出1 000 ～4 000 bits 的数据流量，并对队列长度、队列干扰、网络负载、允许速率以及输出链路总利用率等指标进行分析。应用文章设计方法前后的实验结果如表1 和表2 所示。

表1 应用文章设计方法前的实验结果

表2 应用本文方法后的实验结果

如表1 和表2 所示，在数据流量为1 000 bits 时，应用文章设计方法后，队列长度从1 212.01 bits 缩短至615.36 bits，显著提高缓存空间的利用率。队列干扰也从5.24 b/s 降低到1.36 b/s，网络负载由50.45%减少至32.46%，意味着网络更加稳定且高效。同时，允许速率略有下降，但输出链路总利用率从25.72%提升至32.18%，显著提高资源利用率。在更高的数据流量下，文章设计方法的优势更加明显。在3 000 bits 的数据流量下，队列长度从3 675.27 bits 缩短至688.79 bits，队列干扰也大幅下降。尽管网络负载略有增加，但允许速率提升至3.53×104b/s，同时输出链路总利用率保持在31.53%的较高水平。由此表明，应用文章设计方法能够显著优化通信网络的队列管理和资源利用率，减少数据包冲突和干扰，提高网络的稳定性和传输效率，特别是在处理高数据流量时表现出更加卓越的性能。

3 结 论

受复杂通信网络的动态行为影响，网络节点经常出现拥塞的问题，降低网络性能。因此，文章利用混合神经网络，设计复杂通信网络节点拥塞控制方法。从虚拟队列和拥塞控制结构两个方面，确定拥塞控制机制，动态调整网络节点流量，并利用混合神经网络，深入分析网络的运行情况，从而提升网络的服务质量。