[发明专利]一种基于蚁群算法的网络拥塞节点识别方法及系统

权利要求书

1.一种基于蚁群算法的网络拥塞节点识别方法，其特征在于，包括:

获取网络传播时延矩阵和网络排队时延矩阵；

根据获取的网络传播时延矩阵和网络排队时延矩阵，构建网络总时延矩阵；

采用蚁群算法在所述网络总时延矩阵内循环搜索，得到当前网络拓扑中的最优路径及其总时延；

将拥有共同子路径的最优路径进行合并，获得原最优路径及其总时延；

随机降低原最优路径数据中共同子路径上网络节点的数据处理能力；根据降低数据处理能力后的路径数据，循环搜索得到现最优路径及其总时延；

对原最优路径及其总时延和现最优路径及其总时延进行对比，得到网络拥塞节点。

2.如权利要求1所述的一种基于蚁群算法的网络拥塞节点识别方法，其特征在于，所述网络传播时延为网络节点之间距离与数据传输速度的比值。

3.如权利要求1所述的一种基于蚁群算法的网络拥塞节点识别方法，其特征在于，所述网络排队时延，通过服务强度比上节点服务率和数据到达速率的差得到；所述服务强度为数据到达速率与节点服务率的比值。

4.如权利要求3所述的一种基于蚁群算法的网络拥塞节点识别方法，其特征在于，网络节点的数据处理能力，是指单位时间内该网络节点可以处理的数据包数量。

5.如权利要求1所述的一种基于蚁群算法的网络拥塞节点识别方法，其特征在于，所述网络总时延矩阵由网络传播时延矩阵和网络排队时延矩阵相加获得。

6.如权利要求1所述的一种基于蚁群算法的网络拥塞节点识别方法，其特征在于，采用蚁群算法在所述网络总时延矩阵内循环搜索，得到当前网络拓扑中的最优路径及其总时延，包括：

对蚁群算法的初始参数进行初始化赋值；

将蚂蚁放到网络起始节点，在所述网络总时延矩阵内循环搜索，指定网络终止节点；

蚂蚁根据起始节点与其相邻节点链路上的信息素浓度，计算转移概率，并检查下一跳节点是否在蚂蚁的禁忌表中；如果不在，则将该节点加入到蚂蚁的禁忌表中，否则重新选择下一跳节点；

判断当前网络节点是否为网络终止节点；若是，则先进行更新最优路径、最优路径节点数以及最优路径总时延，然后进入后续处理；若否直接进入后续处理；

更新链路上的信息素浓度，当前循环次数自增1；

判断当前循环次数是否大于循环总次数；若是，则输出最优路径以及最优路径总时延；若否，重新进行循环搜索。

7.如权利要求1所述的一种基于蚁群算法的网络拥塞节点识别方法，其特征在于，原最优路径和现最优路径对比，一个或多个节点被跳过，将跳过的节点被设别为拥塞节点，同时，通过最优路径的总时延大于原最优路径，对识别的拥塞节点进行验证。

8.一种基于蚁群算法的网络拥塞节点识别系统，其特征在于，包括:

数据采集模块，被配置为：获取网络传播时延矩阵和网络排队时延矩阵；

总时延矩阵构建模块，用于根据获取的网络传播时延矩阵和网络排队时延矩阵，构建网络总时延矩阵；

循环搜索模块，被配置为：采用蚁群算法在所述网络总时延矩阵内循环搜索，得到当前网络拓扑中的最优路径及其总时延；

原最优路径数据获取模块，被配置为：将拥有共同子路径的最优路径进行合并，获得原最优路径及其总时延；

现最优路径数据获取模块，被配置为：随机降低原最优路径数据中共同子路径上网络节点的数据处理能力；根据降低数据处理能力后的路径数据，循环搜索得到现最优路径及其总时延；

识别模块，被配置为：对原最优路径及其总时延和现最优路径及其总时延进行对比，得到网络拥塞节点。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的基于蚁群算法的网络拥塞节点识别方法的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的基于蚁群算法的网络拥塞节点识别方法的步骤。