[发明专利]基于智能计算的网络路径态势估计方法

权利要求书

1.基于智能计算的网络路径态势估计方法，其特征在于：从网络的一级融合输出信息中 获取本地链路当前状态信息和陈旧路径状态信息；测量本地链路状态指标和路径状态指标， 采用模糊隶属函数对不同态势下的链路状态指标和路径状态指标分别进行量化，得到所述链 路状态的基本概率赋值函数m_L和路径态势估计的基本概率赋值函数m_P；使用Dempster合成 规则对上述两基本概率赋值函数进行数据融合，得出路径状态不同态势的对应概率值，选取 其中概率值最大的网络路径状态作为传输路径准实时态势值；

所述链路状态指标设定为优先队列队长值和当前链路公平速率，所述路径状态指标设定 为待传输路径P_T与最短路径的路径跳数差Δh和当前路径的有效带宽r；

所述链路态势设定为{O，H，L}，即{过载，重载，轻载}三种态势类；

在所述链路中，设：优先队列队长Q＝x，最大缓存容限为B，并取x上限为B，拥塞门 限Q_T＝x_L，队列转发门限Q_FT＝x_U；采用队长模糊子集的隶属函数对队列指标的基本概率赋 值函数m_Q＝{q₃，q₂，q₁}进行量化，其中q_j为不同态势下的队长，q_j，j＝3，2，1，分别表示链 路当前{O，H，L}三种态势的基本概率分配值{μ_o(x)，μ_H(x)，μ_L(x)}，用队长模糊子集 的隶属函数计算得到：

μO(x)=0,x≤xM(x-xM)/(xU-xM),x∈(xM,xU]1,x>xU]]>

μL(x)=1,x≤xL(xM-x)/(xM-xL),x∈(xL,xM]0,x>xM]]>

其中：xM=12(xU-xL);]]>

在所述网络的链路中，设：公平速率R_F＝x、拥塞门限R_T＝x_L、拥塞告警门限R_CT＝x_U， 链路容量为C、并取x上限为C，采用所述公平速率模糊子集的隶属函数对公平速率指标的 基本概率赋值函数m_R＝{R₁，R₂，R₃}进行量化，其中，R_i，i＝1，2，3分别表示链路当前{O，H，L}三 种态势的基本概率分配值；

所述链路状态的基本概率赋值函数m_L由队列指标的基本概率赋值函数和公平速率指标 的基本概率赋值函数正交和得到，即：

mL=(Ai)=mQ⊕mR]]>

其中：A_i，i＝1，2，3表示链路当前{O，H，L}三种路径态势的基本概率赋值函数的中间变量；

所述有效带宽r：

r=C-Ns·RsNe+1]]>

其中C为链路容量，R_s为优先业务流平均恒定速率，N_s为链路进程承载的优先业务流， N_e为链路进程承载的弹性流，所述路径跳数差Δh为待传输路径P_T与最短路径的路由跳数差；

用路径效用函数：

U(P_T，B)＝lnr-G·Δh

来描述所述网络的路径拥塞状态，其中G∈(0，∞)为比例增益常数，默认为1，B为网络 节点最大缓存容限；

所述待传输路径中，设：拥塞门限U_T＝lnR_T，r∈(R_T，R_CT]，拥塞告警门限U_CT＝ln R_CT， 采用模糊子集的隶属函数对路径态势估计的基本概率赋值函数m_p=(B_i)进行量化，其中 B_i，i＝1，2，3，分别表示链路当前{O，H，L}三种态势的基本概率分配值{μ_O(u)，μ_H(u)，μ_L(u)}，用模 糊子集分别量化为：

μo(x)=1,u≤UT(UM-u)/(UM-UT),u∈(UT,UM]0,u>UM]]>

μL(u)=0,x≤UM(u-UM)/(UCT-UM),u∈(UM,UCT]1,u>UCT]]>

其中，UM=12(UCT-UT).]]>

2.根据权利要求1所述的基于智能计算的网络路径态势估计方法，其特征在于经过 Dempster合成规则进行数据融合得到的网络路径的新基本概率赋值函数m(D_i)

m(Di)=mL(Ai)⊕mP(Bi),i=1,2,3]]>

D_i，，i＝1，2，3分别表示网络路径的{O，H，L}三种路径态势的新基本概率赋值函数值。