学术：基于认知网络的资源分配控制技术研究

原创 2016-12-19 ☞ 学术plus

今日荐文

今日荐文的作者为中国电子科技集团公司电子科学研究院专家翟易坤。本篇节选自论文《基于认知网络的资源分配控制技术研究》，发表于《中国电子科学研究院学报》第10卷第3期。下面和小编一起开始学习吧~

引言

随着网络系统结构复杂性、环境复杂性、需求复杂性的急剧增长，网络系统管理愈加困难，节点、协议、策略、行为等网络元素缺乏智能的自适应能力，因此整体网络性能及端到端系统性能得不到保障。认知网络就是顺应这个需求而产生的新课题，并日益成为计算机网络领域和宽带通信领域研究的热点。W. Thomas给出了认知网络的定义：认知网络（Cognitive Network）是具有认知过程，能感知当前网络条件，然后依据这些条件做出规划、决策和采取行动的网络。它具有对网络环境的自适应能力，具有对于以前决策的评判和未来决策判定的学习能力，决策要达到的都是端到端的目标，即网络目标。与传统网络相比，认知网络能够动态、自适应地提供更好的端到端性能。认知过程可以提供更好的资源管理、服务质量（QoS，Quality of Service）、安全、接入控制等网络目标。

1.体系架构分析与设计

1.1　认知网络体系架构

认知网络体系架构可概括为“目标—认知处理—可调节网络”三个层次，如图1所示：

最上面一层是目标层，该层反映由应用、用户或资源提出的目标需求，这些目标通过认知规范语言（CSL，Cognitive Specific Language）映射为特定的机制要求，馈送给一个或多个相关的认知单元。CSL的作用类似于认知无线电中的无线电知识描述语言（RKRL），但是形式上类似于QoS描述语言。

图1 认知网络体系架构

中间层是关键的认知处理层，该层根据目标层的要求、相关网元之间交换的网元状态以及网元感知的当前网络状态，按照一定的方法得出网元配置的决策。

最下面一层是软件可调节网络（SAN），认知处理层的决策通过应用编程接口（SAN API）发送给对应的实体单元，调整该单元的配置，以满足目标层的需求，同时SAN网络状态通过传感器馈送给认知层。和普通通信网不同的是，SAN中的单元都是可重配置单元，这些单元不但包括网络设备，也包括终端设备和业务应用。

1.2　仿真架构设计

图 2 仿真系统总体架构

认知网络仿真框架基于OPNET/ HLA/MATLAB/VC++混合开发，由5个子系统构成：业务生成系统、仿真控制系统、通信网仿真模型、网络控制决策系统和智能评估系统。其中，业务生成系统基于VC++来开发，它主要用来生成各种业务想定，并提供业务和背景流量数据；仿真控制系统通过OPNET来实现，它主要用来模拟通信网络的运行状况，获取、统计并上传特定的网络QoS参数；网络控制决策系统基于MATLAB开发，它基于网元认知模块发送的感知数据进行推理和决策，并将控制策略下发，从而实现自适应学习和智能决策；智能评估系统基于VC++来开发，它实时显示网络控制决策系统上传的网络性能参数，并通过智能评估方法计算网络的各类能力。

2.认知网络仿真平台实现

2.1　仿真模型

2.1.1　网络、节点和进程模型

认知网络功能实体建模仿真采用的网络模型如图 3所示，图中椭圆和圆形区域分别代表业务发送的源端和终端。具体到节点仿真模型方面，在传统设备节点模型中增加认知服务模块（图 3所示），将认知服务模型和传统设备节点模型进行耦合，认知模型收集设备各层关键信息和当前网络状态，传送至智能决策控制器进行决策；同时接收智能决策控制器的控制信息，对网络带宽等技术指标进行调整配置，改变端到端传输性能指标，合理配置各类业务的接入带宽使其满足业务性能要求，从而优化认知网络的综合网络效能。

图 3 节点模型和进程模型

2.1.2　控制决策单元

控制决策单元以智能认知技术为基础，通过观察、感知和学习网络环境状态，智能决策并自适应调整节点和网络的配置与行为，进而达到对网络的资源分配和重构。控制决策单元根据网络状态和业务优先级对各项业务的源端发送速率进行自适应的调整，若高优先级业务不能降低QoS要求，则控制决策单元会根据资源分配策略对正在使用的网络资源进行一定的回收，甚至强制关闭某些低优先级的业务。

假设用户业务要求的QoS参数为传输时延，一共有K项业务，各项业务B_i的权重为w_i，i={1,2,···,K}；w₁> w₂> ···> w_k，如果权重相同则归并为一类处理，每项业务满足QoS需求的最小带宽为U_i，每次调节的单位带宽为ΔU。下面给出控制决策的具体算法描述：

1. 为各项业务分配初始带宽U₀；

2. 计算各个业务的传输时延，若某项业务不满足QoS需求，则加入待调整集合Q；若能够满足QoS需求，则尝试每次减少ΔU直到降至U_i；

3. 若Q为空，则返回第2步；

4. 若Q不为空：

1) 在有剩余带宽的条件下，先分配剩余带宽，每次为Q中每项业务分配ΔU；

2) 若无剩余带宽，选择获得带宽不为0且具有最小w_i的业务B_i，如果B_i在Q中，则从中移除。假设此时Q的长度为m，每次将B_i的分配带宽减少m*ΔU，为Q中各项业务分配带宽ΔU；

5. 如果Q中某项业务的传输时延能满足QoS需求，则从Q中移除；

6. 返回第2步，直至Q为空。

上述算法采用步进的方法获取每项业务满足QoS需求的最小带宽，以提高网络资源的利用率，尽可能多的为用户提供服务；同时在达到网络最大带宽时，以步进的方法则降低权重最低的业务带宽以满足其余高权重业务的QoS需求。步进调整量ΔU可以根据不同的调整策略选取。

2.2　仿真试验流程

试验流程如图 4所示，在开展认知网络建模时，底层网络节点感知网络状态及性能，并发送到控制决策单元，控制决策单元根据应用需求及底层网络所感知到的数据，采用智能决策方法进行决策，并将决策结果下发到底层网络相关节点进行参数调整，该过程持续进行直到网络性能满足应用需求。

图 4 仿真试验流程

3.认知策略对比验证

3.1　试验内容

认知网络通过引入具备智能认知能力的控制决策系统对网络和节点状态进行感知、决策和控制，同未采用智能控制策略的传统网络进行对比，验证智能认知技术在提高业务QoS方面的能力。具体试验过程如下：

加载多业务（语音、视频、数据）传输方案，在不采用/采用智能策略两种条件下，分别统计各项业务的传输时延、传输成功率等QoS指标。不同优先级的几种业务同时在网络中传输，所能提供的最大带宽是固定的（实验中将其设为10M），所有业务的数据量大小均为50K。其中语音业务为高优先级业务（优先级=1，传输时延要求不高于0.08s）、视频业务为普通优先级业务（优先级=2，传输时延要求不高于0.14s）、数据业务为低优先级业务（优先级=3，传输时延要求不高于0.20s）。

3.2　对比分析

图6 未采用智能决策的传输时延变化曲线

图6为三种业务在未采用智能决策策略下的传输时延变化曲线（其中X轴代表调节时间；Y轴代表传输时延，下同）。初始条件下，三种业务的传输时延（均为0.42s左右）都不满足QoS需求；从10s开始，控制决策服务器根据三种业务数据量大小对其接入带宽进行动态调整。经过6s的调节，数据业务首先达到其目标传输时延0.20s以下；再经过4s的调节，视频业务也达到其目标传输时延0.14s以下；再经过2s，语音业务的传输时延稳定在0.105s左右，此时三种业务已经占用了链路的最大带宽，因此它的传输时延未能满足目标。

图7 采用智能决策的传输时延变化曲线

图7为三种业务在采用智能决策策略下的传输时延变化曲线。从第10s开始，控制决策单元提取三种业务的优先级和QoS指标，对三种业务的接入带宽的进行分配控制。在接下来的时间内，优先级较高的语音业务和视频业务的传输时延持续降低，在第14s，由于达到最大带宽，数据业务的传输时延持续上升。在第18s，三种业务的传输时延均达到目标时延以下。

结论