电信标识网络的实时路由方法、系统、电子设备及介质与流程

1.本公开涉及网络通信技术领域，具体涉及一种电信标识网络的实时路由方法，一种电信标识网络的实时路由系统，一种电子设备以及一种计算机可读存储介质。


背景技术：

2.电信标识网络(telecommunication identification network，tin)是一种基于通信运营商丰富网络资源盒用户资源的标识网络，其存储基于通信运营商的mec(mobile edge computing，移动边缘计算)进行存储，标识码中包含标识存储编码(imc)，基于标识的存储位置进行编码，标识存储编码imc包括4部分：{全国中心节点编码}+{区域中心/省会节点编码}+{本地核心/边缘节点编码}+{边缘内部节点内编码}；
3.tin标识数据有多种类型，例如低时延和时延不敏感类，高安全隔离和公共开放服务类、高成本和低成本类等类别。标识数据的读取也有多种路由可以选择，例如高速隧道链路、低速共享链路等，不同类型的标识数据读取选择不同的路由，其性能和成本都相差较大。由于tin采用标识数据就近存储的原则，读取标识数据需要跨越网络达到标识数据存储的mec中读取数据，读取过程中如何实现各类路由策略，例如满足性能的低成本路由策略、系统性能最优路由策略等需要丰富的全局参数和复杂度较高的路由算法。
4.但目前的路由算法，大多都只适应于静态的道路优化或路由场景，对于复杂的动态道路的优化，难以获得良好的效果。而且，由于tin标识数据类型的多向性和网络和链路评价指标的多元性，不同类别的tin标识码对优化的目标要求不同，网络节点数量庞大，节点状态又处于动态变化中等原因，目前还没有能够满足tin特点的实时动态路由方法。


技术实现要素：

5.为了解决现有技术中存在的不能满足tin网络特点的实时动态路由的技术问题，本公开提供一种电信标识网络的实时路由方法、电信标识网络的实时路由系统、电子设备及计算机可读存储介质，通过将tin的网络特征通过人工智能进行处理，使得特征满足a*算法的要求，然后利用人工智能对传统a*算法进行改进，使得a*算法具有学习和根据网络实时状态动态选择最优路径的能力，满足tin网络特点的实时动态路由的要求，提高了tin的整体性能。
6.第一方面，本公开提供一种电信标识网络tin的实时路由方法，所述方法包括：
7.获取tin的参数信息，并进行动态更新；
8.汇总tin的实时动态状态数据和tin标识数据的读写性能参数；
9.通过人工智能对所述tin的参数信息、tin的实时动态状态数据和tin标识数据的读写性能参数进行处理，使得所述tin的参数信息、tin的实时动态状态数据和tin标识数据的读写性能参数的特征满足a*算法的要求；
10.通过预设的a*优化算法获得路由策略并下发到tin的各个节点。
11.进一步的，
12.所述tin的参数信息包括：tin部署的mec的位置和节点编码、mec的层级、mec的隶属关系、mec的性能、mec之间的网络的性能和配置；
13.所述tin的实时动态状态数据包括：tin节点的带宽、利用率、计算和存储资源、网络延迟的实时的网络参数；
14.所述tin标识数据的读写性能参数包括读写的数据块大小、速度、延时、消耗以及对应的路由。
15.进一步的，所述方法还包括：
16.根据tin标识数据对读取的性能要求，设定不同要求类别，并对各种要求类别分别进行组合，构成tin标识数据的分类参数。
17.进一步的，所述预设的a*优化算法包括：
18.步骤s1：初始化起始点i和两个表阵列，包括表阵列open list和表阵列close list；其中，open list通过多层表的结构对应不同的标识数据类型，用于存放不同数据类型的标识数据针对不同网络特性的所有下一个可能走的节点的列表，路径可以在多个表之间交叉连接，不同的close list存放经过评估后的最优值；
19.步骤s2：将与i相连的各平面上的所有下一个可达节点集合ω在约束条件下放入open list，所述约束条件通过(式1)确定；
[0020][0021]
其中，j是属于ω的下一个节点，b(i,j)，d(i,j)，c(i,j)分别为(i，j)之间的带宽、延迟和资源消耗，bc，dc，cc为针对c类标识数据系统设定的对应的门限值；
[0022]
步骤s3：遍历open list，用(式2)的评估函数对open list中的节点进行评估，将评估值最小的节点放入close list；
[0023]
f(x)＝g(x)+h(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式2)
[0024]
其中，f(x)为评估的结果，g(x)为已经走过的路程的长度，h(x)为启发函数，标识下一个节点到终点的距离；
[0025]
步骤s4：再对周围节点按照(式1)的约束结果进行检查，如果节点不满足约束条件，或者节点已经在close list中，则忽略跳过；否则，将节点加入open list，并且将当前节点作为该节点的父节点，如果该节点已经在open list中，则检查当前节点到达该节点的归一化距离是否更小，如果归一化距离更小，则将该节点的父节点设为当前节点，按照(式2)重新计算f(x)和g(x)；
[0026]
步骤s5：重复步骤s3-步骤s4，直到以下情况：下一个节点是终点停止搜索或者open list为空并且无法找到终点；
[0027]
步骤s6：从终点开始，反向每个节点沿着父节点移动直至起点，形成最短路径。
[0028]
进一步的，所述方法还包括：
[0029]
在计算g(x)时，对g(x)中的路程实现不同类型的标识数据与经典a*算法的距离的归一化转换，转换过程包括：
[0030]
将从网络收集的tin节点的动态网络特性数据通过编码器进行编码，然后将编码
器的输出再作为解码器的输入，通过解码器得到解码器的输出；
[0031]
将解码器的输出通过判决器与从网络收集的不同类型标识数据的反馈进行损失函数计算偏差；
[0032]
若计算的偏差优于预设的门限值，则对实时数据进行网络节点和标识数据之间的特性标记，并根据各个节点的标记通过系统设置的对应表转换成归一化的距离。
[0033]
进一步的，所述转换过程中的具体算法包括：
[0034]
重置编码器的权重调整矩阵δw＝0和偏置调整矩阵δb＝0；
[0035]
将收集的tin节点的动态网络特性x输入编码器，编码器的输出如(式3)所示：
[0036]
h＝f1(w1x+b1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式3)
[0037]
其中，h表示编码器的输出，f1为编码器的非线性变换函数，w1为编码器的权重，b1为编码器的偏置；
[0038]
对编码器的输出h输入解码器进行解码，解码器的输出如(式4)所示：
[0039]
y＝f2(w2h+b2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式4)
[0040]
其中，y表示重构结果，f
21
为解码器的非线性变换函数，w2为解码器的权重，b2为解码器的偏置；
[0041]
利用tin的历史数据和网络反馈的对应的结果构建一个有监督训练的评测与标识函数，通过反向传播算法对网络进行有监督的训练，利用收集的历史数据和对应的反馈结果，通过综合评测和标识函数对自编码器的权重进行综合调整，自编码器的权重进行综合调整如(式5)所示：
[0042][0043]
其中，fw和fb分别为针对(w，b)的评测和标识函数，完成损失函数的评测和标识，利用监督学习的决策树来构建评测和标识函数，包括：从根节点开始，对网络的对应特征分别对不同的tin标识类别进行测试，根据测试结果将节点分配到对应tin标识数据类别的子节点，全部完成后每个子节点对应着网络特征和tin标识数据类型的一个取值，按同样方式递归的对所有节点进行测试并分配，直到到达顶点，完成节点的评测和标识，j(w,b；x,y)为某个tin标识类型数据x通过网络读写和操作的性能反馈结果x与解码器输出在权重和偏置(w,b)的损失函数；
[0044]
通过(式6)更新参数：
[0045][0046]
直到损失函数达到系统设定的值。
[0047]
进一步的，所述方法还包括：
[0048]
通过神经网络设计满足多tin标识数据类型、网络特性多元、以及能通过学习网络历史数据对网络实时数据动态预测当前节点到终点距离的智能启发函数算法；
[0049]
通过所述智能启发函数算法计算h(x)；
[0050]
其中，所述智能启发函数算法包括：
[0051]
设神经元的第l层向l+1层传递，则l+1层第i个神经元的输出如(式7)所示
[0052][0053]
其中，f(
·
)是非线性激活函数，在maxout激活函数中增加相应的综合加权处理，以满足表述数据的多类型和判决参数的多元性，运算如(式8)所示：
[0054][0055]
其中，max是maxout激活函数的运算符，通过增加k个神经元，然后输出激活值最大的值的方法，实现输入变量到输出归一化值[0，1]之间的非线性变换；r(
·
)是随机加权处理，运算如(式9)所示：
[0056]
r(x)＝∑qsx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式9)
[0057]
其中，q是[0，1]之间的随机数，s是分配的每个指标的权重的归一化，所述指标包括延时和安全性，x为加权处理的输入，r(x)为加权处理的输出，(式8)中的通过(式10)求得：
[0058][0059]
其中，为第l层神经元j连接第l+1层神经元i的权重，为神经元i的偏置；
[0060]
通过最小化损失函数获得最优的神经网络的连接权重和偏置矩阵(w,b)，损失函数如(式11)所示：
[0061][0062]
其中，为精细优化列表中的参数，运算方法如(式12)所示：
[0063][0064]
其中，yi为第l层神经元i的实际期望的输出值，从标识数据读写的反馈信息中获得，是第l层神经元i的拟合的输出值，从神经网络输出；为非精细优化列表中的参数，运算方法如(式13)所示：
[0065][0066]
其中，si是神经元i对应的门限值，g是门限运算符，可以取大于、小于、属于和不属于，根据具体门限参数的要求进行设置，g的运算结果若满足设定的门限参数则为0，不满足设定的门限则为1；
[0067]
利用反向传播bp算法和梯度下降算法，在实时的有反馈结果的数据学习过程中，通过调整连接权重及每个神经元的偏置使得损失函数最小；
[0068]
将实时还没有终点反馈结果的数据输入不断学习中的神经网络，获得对应类别tin标识数据从当前节点到终点的性能预测，并将结果转换成归一化的距离。
[0069]
第二方面，本公开提供一种电信标识网络的实时路由系统，所述系统包括：
[0070]
获取模块，其设置为获取tin的参数信息，并进行动态更新；
[0071]
汇总模块，其设置为汇总tin的实时动态状态数据和tin标识数据的读写性能参数；
[0072]
处理模块，其设置为通过人工智能对所述tin的参数信息、tin的实时动态状态数
据和tin标识数据的读写性能参数进行处理，使得所述tin的参数信息、tin的实时动态状态数据和tin标识数据的读写性能参数的特征满足a*算法的要求；
[0073]
计算及路由模块，其设置为通过预设的a*优化算法获得路由策略并下发到tin的各个节点。
[0074]
第三方面，本公开提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行如第一方面中任一所述的电信标识网络的实时路由方法。
[0075]
第四方面，本公开提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一所述的电信标识网络的实时路由方法。
[0076]
有益效果：
[0077]
本公开提供的电信标识网络的实时路由方法、电信标识网络的实时路由系统、电子设备及计算机可读存储介质，通过将tin的网络特征通过人工智能进行处理，使得特征满足a*算法的要求，然后利用人工智能对传统a*算法进行改进，使得a*算法具有学习和根据网络实时状态动态选择最优路径的能力，满足tin网络特点的实时动态路由的要求，提高了tin的整体性能。
附图说明
[0078]
图1为本公开实施例一提供的一种电信标识网络的实时路由方法的流程示意图；
[0079]
图2为本公开实施例二提供的一种电信标识网络的实时路由系统的架构图；
[0080]
图3为本公开实施例三提供的一种电子设备的架构图。
具体实施方式
[0081]
为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和实施例对本公开作进一步详细描述。应当理解的是，此处描述的具体实施例和附图仅仅用于解释本发明，而非对本发明的限定。
[0082]
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序；并且，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互任意组合。
[0083]
其中，在本公开实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
[0084]
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本公开的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
[0085]
标识解析技术是指将对象标识映射至实际信息服务所需的信息的过程，如地址、物品、空间位置等。标识解析能够准确而高效地获取对象标识对应信息。标识解析技术应用于社会的各个领域，例如在工业领域，解析技术将企业内的设备、机器和物料等一切生产要素都可以连接起来，连接割裂的数据和应用，实现对数据的来源、流动过程、用途等信息的
掌握。还可以打通产品、机器、车间、工厂，实现底层标识数据采集成规模、信息系统间数据共享，以及标识数据得到分析应用。从企业外部，还可以上下游企业，利用标识解析按需共享数据，从而打通设计、制造、物流、使用的全生命周期，实现真正的全生命周期管理。
[0086]
标识解析体系的核心包括标识编码、标识解析系统和标识数据服务。其中，标识编码对应物品的唯一标识，标识解析系统对物品进行唯一性的定位和信息查询，标识数据服务能够借助标识编码资源和标识解析系统开展标识数据管理和跨跨行业、跨地区、跨国家的数据共享共用，可以广泛应用于工业、商业、艺术、居民个人、旅游、交通、物流等各个领域，催生大量的应用生态。
[0087]
电信标识网络tin是一种基于通信运营商丰富网络资源盒用户资源的标识网络，其存储基于通信运营商的mec进行存储，由于tin节点数量庞大，系统性能要求多样化，并且网络处于动态变化状态的场景，如何实现tin的实时路由成为难题；在确定路由时，一般通过网络的路由算法确定，网络的路由算法是网络中的重要组成部分，也是网络技术领域最活跃的方向之一。路由算法的目的是找到一条从源到目的的最优路径。路由算法通常围绕优化、简单、低耗、健壮、稳定、快速聚合、灵活性等目标展开。
[0088]
a*算法是一种静态路网中求解最短路径效率比较高的直接搜索方法，其优势是选择下一个节点时融合了己知的全局信息，这样选择的下一个节点成为最终获得的最优路径上的节点集合的概率就较高，从而有效提高了算法的收敛速度。虽然a*算法具有较好的性能，但是应用于tin路由时存在以下几个问题：
[0089]
1)a*算法的经典用途是导航算法中的最短路径并获得很大成功，应用于tin路由问题时，需要将tin的各个节点以及节点之间链路的状态转换成满足a*算法要求的虚拟距离，但是由于tin标识数据类型的多向性和网络和链路评价指标的多元性，无法用固定的运算公式直接求解和转换；
[0090]
2)a*算法适用于静态网络，不能适应动态变化的网络。虽然anthony stentz提出了动态的a*算法(dynamic a*，d*)，在动态的环境下寻找最优路径，并成功应用于火星探测器的路径搜索算法，但是这种动态a*算法而是从目标点向起点进行搜索(反向传播，反向搜索)，而且只检查最短路径上下结点或邻近结点的变化情况，没有全局的动态变化信息；
[0091]
3)a*算法不适用于多优化目标。不同类别的tin标识码对优化的目标要求不同，低时延类的tin码，例如高速生产线、物流分拣中心等场景，优化目标是时延和可靠性，经济性不是其主要目标，而低成本、高时延类的tin标识码，例如超市、溯源等，对时延要求不高，但是由于数量庞大，标识读取成本是其主要优化目标；
[0092]
4)由于网络节点数量庞大，节点状态又处于动态变化中，如果所有的节点都参与优化，算法收敛时间较长，从而跟不上节点的状态变化。
[0093]
5)a*算法没有学习和记忆能力。网络运行一定时间后，其状态具有相对固定的规律性，a*算法只融合了己知的全局信息，没有学习和记忆能力，在静态路由中体现不出这个缺陷，但是应用于本发明节点数量庞大，网络处于动态变化状态这样的场景，就严重影响算法的性能。
[0094]
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决现有技术中存在的上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
[0095]
图1为本公开实施例一提供的一种电信标识网络实时路由方法的示意图，如图1所示，所述方法包括：
[0096]
步骤s101：获取tin的参数信息，并进行动态更新；
[0097]
步骤s102：汇总tin的实时动态状态数据和tin标识数据的读写性能参数；
[0098]
步骤s103：通过人工智能对所述tin的参数信息、tin的实时动态状态数据和tin标识数据的读写性能参数进行处理，使得所述tin的参数信息、tin的实时动态状态数据和tin标识数据的读写性能参数的特征满足a*算法的要求；
[0099]
步骤s104：通过预设的a*优化算法获得路由策略并下发到tin的各个节点。
[0100]
实时路由是一种根据网络状态随时调整最优路由的路由算法，同静态或者动态路由相比，实时路由具有更好的性能，但是也对路由算法和设备的运算能力提出了很高的要求。对于实时路由算法，复杂度和快速收敛是其中的重要特性。由于tin的节点是基于mec的层级和地理位置来布局的，充分利用tin的这种特点可以有效降低tin路由算法的复杂度。本公开实实例首先通过tin网络管理模块获取tin的参数信息，并进行动态管理，通过tin中的mec的网络实时状态采集模块采集tin网络实时动态状态数据，并且对应网络状态，在tin边缘采集标识数据的读写性能，同时，将采集的信息上传到tin网络管理模块，汇总网络的实时动态状态数据和tin标识数据的读写性能，并通过接口供其他模块查询网络结构信息。
[0101]
根据不同标识数据对读取的性能要求不同，将标识数据进行分类，设定不同类别，将tin的网络特征通过人工智能进行处理，网络特征包括tin的参数信息、tin的实时动态状态数据和tin标识数据的读写性能参数，使得tin的网络特征满足a*算法的要求，人工智能对参数进行处理过程和对传统a*算法的改进过程配合进行，得到预设的a*优化算法以满足tin标识数据的多样性和tin网络的特点：
[0102]
1)采用表阵列的方式实现算法的open list和close list，阵列之间可以相互较差，满足tin网络节点之间一对多关系的映射；
[0103]
2)将节点放入open list时进行利用tin标识数据对性能的约束进行预处理，减少open list中的无效的节点，提高算法的收敛速度；
[0104]
3)基于深度学习的自动编码器，结合tin标识数据的多类型和网络特性的多元性特点完成tin多类型标识数据和多元网络特性的智能归一化距离转换，实现针对不同类型的标识数据经过多元评测指标的网络节点和链路时与虚拟路径距离的转换；
[0105]
4)利用神经网络设计了多tin标识数据类型、网络特性多元，通过学习网络历史数据，对网络实时数据动态预测当前节点到终点距离的智能启发函数算法，以解决经典算法中的启发函数只能应用于静态路径网络问题；
[0106]
改进后的a*算法具有学习和根据网络实时状态动态选择最优路径的能力；根据tin网络管理模块的网络实时状态和tin标识数据的读写性能，通过预设的a*优化算法获得路由策略并下发到tin的各个节点；满足tin网络特点的实时动态路由的要求，提高了tin的整体性能。
[0107]
进一步的，
[0108]
所述tin的参数信息包括：tin部署的mec的位置和节点编码、mec的层级、mec的隶属关系、mec的性能、mec之间的网络的性能和配置；
[0109]
所述tin的实时动态状态数据包括：tin节点的带宽、利用率、计算和存储资源、网
络延迟的实时的网络参数；
[0110]
所述tin标识数据的读写性能参数包括读写的数据块大小、速度、延时、消耗以及对应的路由。
[0111]
本公开实施例通过获取tin的参数信息并进行实时更新，tin的参数信息包括tin网络部署的mec位置和节点编码、层级、隶属关系、性能、mec之间的网络的性能和配置，对tin的参数信息进行动态管理，同时，汇总网络的实时动态状态数据、tin标识数据的读写性能，并通过接口供其他模块查询网络结构信息；
[0112]
tin的实时动态状态数据通过tin中的mec的网络实时状态采集模块采集，包括tin网络节点的带宽、利用率、计算和存储资源、网络延迟等实时的网络参数，并上报网络管理模块汇总；
[0113]
tin标识数据的读写性能参数通过tin标识数据读写实时采集模块采集，对应网络状态，在tin边缘采集标识数据的读写性能，包括数据块大小、速度、延时、消耗等，以及对应的路由，并上报tin网络管理模块。
[0114]
通过汇总tin的网络特征，并实时管理，为路由算法提供必需的参数，保证优化后的算法能满足tin网络特点的实时动态路由的要求，提高了tin的整体性能。
[0115]
进一步的，所述方法还包括：
[0116]
根据tin标识数据对读取的性能要求，设定不同要求类别，并对各种要求类别分别进行组合，构成tin标识数据的分类参数。
[0117]
tin标识码是用户的标识数据，其中tin标识码中包含标识数据的存储区域和位置，因此具有快速路由的功能。由于tin标识码数量庞大，采用标识数据分散、就近的存储原则，根据用户终端的接入地点存储在所属的mec中。这种方式方便实现基于存储位置的直接寻址，也有利于标识用户管理标识数据，也可以满足用户变更生产和经营场地等需求。
[0118]
不同标识数据对读取的性能要求不同，有些对数据读取有严格的时间限制但是数据量较少，有些是大用户量查询，但是对时延要求不高，将标识数据进行分类，以满足不同类型标识数据读取和操作的需求。
[0119]
tin的标识存储编码(imc)包括4部分，
[0120]
{全国中心节点编码}+{区域中心/省会节点编码}+{本地核心/边缘节点编码}+{边缘内部节点内编码}
[0121]
标识号码利用现有数据节点的编码构建imc，可以根据标识号码中的imc部分进行标识数据的路由。simc是服务标识存储编码，是电话号码离开归属网络在服务网络对应的imc。如果归属网络同服务网络相同，则imc与simc相同，否则路由采用simc进行寻址，这样可以满足用户电话号码的变动和移动，实现标识数据的路由。
[0122]
不同标识数据对读取的性能要求不同，有些对数据读取有严格的时间限制，例如高速生产线、物流高速自动分拣等场景；有些是大用户量查询，但是对时延要求不高，例如零售商品信息读取、溯源等场景。系统根据数据的特点，设定不同类别，例如低时延和时延不敏感类，专用高安全隔离和公共开放服务类、高成本和低成本类等类别，将这些类别分别进行组合，构成标识数据的分类参数，例如a类(低时延、高安全隔离、高成本)、b类(低时延、公共开放服务、高成本)、...、f类(时延不敏感、公共开放服务、低成本)等数据。
[0123]
进一步的，所述预设的a*优化算法包括：
[0124]
步骤s1：初始化起始点i和两个表阵列，包括表阵列open list和表阵列close list；其中，open list通过多层表的结构对应不同的标识数据类型，用于存放不同数据类型的标识数据针对不同网络特性的所有下一个可能走的节点的列表，路径可以在多个表之间交叉连接，不同的close list存放经过评估后的最优值；
[0125]
步骤s2：将与i相连的各平面上的所有下一个可达节点集合ω在约束条件下放入open list，所述约束条件通过(式1)确定；
[0126][0127]
其中，j是属于ω的下一个节点，b(i,j)，d(i,j)，c(i,j)分别为(i，j)之间的带宽、延迟和资源消耗，bc，dc，cc为针对c类标识数据系统设定的对应的门限值；
[0128]
步骤s3：遍历open list，用(式2)的评估函数对open list中的节点进行评估，将评估值最小的节点放入close list；
[0129]
f(x)＝g(x)+h(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式2)
[0130]
其中，f(x)为评估的结果，g(x)为已经走过的路程的长度，h(x)为启发函数，标识下一个节点到终点的距离；
[0131]
步骤s4：再对周围节点按照(式1)的约束结果进行检查，如果节点不满足约束条件，或者节点已经在close list中，则忽略跳过；否则，将节点加入open list，并且将当前节点作为该节点的父节点，如果该节点已经在open list中，则检查当前节点到达该节点的归一化距离是否更小，如果归一化距离更小，则将该节点的父节点设为当前节点，按照(式2)重新计算f(x)和g(x)；
[0132]
步骤s5：重复步骤s3-步骤s4，直到以下情况：下一个节点是终点停止搜索或者open list为空并且无法找到终点；
[0133]
步骤s6：从终点开始，反向每个节点沿着父节点移动直至起点，形成最短路径。
[0134]
a*算法是一种静态路网中求解最短路径效率比较高的直接搜索方法，但是应用于tin路由存在若干问题，本公开实施例基于a*算法，结合神经网络设计的满足tin实时路由的优化算法步骤。
[0135]
在步骤s3中，g(x)中的路程长度需要通过网络特性到距离的归一化距离转换，由于本实施例需要实现不同类型的标识数据与经典a*算法的距离的归一化转换，而网络特性和表述类型都是多元的，这样就涉及到一种多对多的归一化距离转换的问题，例如标识数据类型a通过低时延网络和标识数据类型b通过低费用网络的归一化距离转换需要根据标识数据的类型和网络的特性进行，无法通过固定的公式直接转换。因此，在计算时基于深度学习的自动编码器，结合tin标识数据的多类型和网络特性的多元性特点，实现tin多类型标识数据和多元网络特性的智能归一化距离转换，实现针对不同类型的标识数据经过多元评测指标的网络节点和链路时与虚拟路径距离的转换。
[0136]
在步骤s3中，经典a*算法的h(x)的启发函数是当前节点到终点的曼哈顿距离(横向位移+纵向位移)，这种简单的距离算法只能应用于静态的简单路径网络，而本实施例中的当前节点到终点的距离预测需要根据标识数据的类型、网络实时的动态特性、网络历史
数据进行综合预测，才能获得良好的性能。本实施例在实际计算时利用神经网络设计一种满足多tin标识数据类型、网络特性多元，能通过学习网络历史数据，对网络实时数据动态预测当前节点到终点距离的智能启发函数算法，以满足tin应用经典a*算法遇到的问题。
[0137]
步骤s5中，下一个节点是终点停止搜索表明此时路径已经找到；open list为空并且无法找到终点表明没有路径。
[0138]
进一步的，所述方法还包括：
[0139]
在计算g(x)时，对g(x)中的路程实现不同类型的标识数据与经典a*算法的距离的归一化转换，转换过程包括：
[0140]
将从网络收集的tin节点的动态网络特性数据通过编码器进行编码，然后将编码器的输出再作为解码器的输入，通过解码器得到解码器的输出；
[0141]
将解码器的输出通过判决器与从网络收集的不同类型标识数据的反馈进行损失函数计算偏差；
[0142]
若计算的偏差优于预设的门限值，则对实时数据进行网络节点和标识数据之间的特性标记，并根据各个节点的标记通过系统设置的对应表转换成归一化的距离。
[0143]
不同类型的tin标识数据通过不同的特性的网络和链路，根据tin标识数据的类型和网络特性，将标识数据通过这段网络的性能归一化为距离，以方便利用经典的a*算法的最短路径算法进行优化。智能归一化距离转换算法利用深度学习中的自动编码器输入节点的网络特性，然后根据不同类别的标识数据，利用自动编码器构造一个节点处理网络，使得输出的数据与不同类型的标识数据期望的节点群匹配，利用实时的节点网络特性数据不断训练和调整各层的权重，达到最佳的归一化距离转换效果。由于节点的网络特性(例如延时、资源占用)和不同类型标识数据的需求(例如延时、成本)都不是单一的，是一个多对多的关系，匹配算法的复杂度非常高，自动编码器能够利用非线性的神经网络来降低归一化距离转换的维度，从而降低了算法的复杂度。
[0144]
自动编码器由编码器和解码器组成。从网络收集的节点的网络特性动态数据通过编码器进行编码，然后再作为解码器的输入，通过解码器得到输出，然后将解码器的输出通过判决器与从网络收集的不同类型标识数据的反馈进行损失函数计算偏差，偏差优于门限值后，对实时数据进行网络节点和标识数据之间的特性标记，然后根据各个节点的标记通过系统设置的对应表转换成归一化的距离。
[0145]
进一步的，所述转换过程中的具体算法包括：
[0146]
重置编码器的权重调整矩阵δw＝0和偏置调整矩阵δb＝0；
[0147]
将收集的tin节点的动态网络特性x输入编码器，编码器的输出如(式3)所示：
[0148]
h＝f1(w1x+b1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式3)
[0149]
其中，h表示编码器的输出，f1为编码器的非线性变换函数，w1为编码器的权重，b1为编码器的偏置；
[0150]
对编码器的输出h输入解码器进行解码，解码器的输出如(式4)所示：
[0151]
y＝f2(w2h+b2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式4)
[0152]
其中，y表示重构结果，f
21
为解码器的非线性变换函数，w2为解码器的权重，b2为解码器的偏置；
[0153]
利用tin的历史数据和网络反馈的对应的结果构建一个有监督训练的评测与标识
函数，通过反向传播算法对网络进行有监督的训练，利用收集的历史数据和对应的反馈结果，通过综合评测和标识函数对自编码器的权重进行综合调整，自编码器的权重进行综合调整如(式5)所示：
[0154][0155]
其中，fw和fb分别为针对(w，b)的评测和标识函数，完成损失函数的评测和标识，利用监督学习的决策树来构建评测和标识函数，包括：从根节点开始，对网络的对应特征分别对不同的tin标识类别进行测试，根据测试结果将节点分配到对应tin标识数据类别的子节点，全部完成后每个子节点对应着网络特征和tin标识数据类型的一个取值，按同样方式递归的对所有节点进行测试并分配，直到到达顶点，完成节点的评测和标识，j(w,b；x,y)为某个tin标识类型数据x通过网络读写和操作的性能反馈结果x与解码器输出在权重和偏置(w,b)的损失函数；
[0156]
通过(式6)更新参数：
[0157][0158]
直到损失函数达到系统设定的值。
[0159]
自编码器(auto-encoders，ae)是一种基于无监督学习的生成模型，使用稀疏的一些高阶特征重新组合来重构输入数据，可以有效编码输入数据，主要用于数据降维或特征提取。自编码器包括编码阶段和解码阶段，其结构对称，输入、输出向量维度相同。在对自编码器的权重进行综合调整时，由于单独的自编码器只能重构输入数据的误差，并不能实现输出与实际网络反馈之间的复杂的损失函数计算，因此需要利用tin网络的历史数据和网络反馈的对应的结果构建一个有监督训练的评测与标识函数，通过反向传播算法对网络进行有监督的训练，最终能利用收集的历史数据和对应的反馈结果，然后再综合评测和标识函数对自编码器的权重进行综合调整。利用深度学习中的自动编码器输入节点的网络特性，根据不同类别的标识数据，利用自动编码器构造一个节点处理网络，使得输出的数据与不同类型的标识数据期望的节点群匹配，利用实时的节点网络特性数据不断训练和调整各层的权重，达到最佳的归一化距离转换效果。
[0160]
由于网络特性和tin标识数据类型是多元的，由于已知大量的tin标识类型通过网络读写和操作的历史数据，以及这些操作的性能反馈结果，因此利用监督学习的决策树来构建评测和标识函数，具体算法为从根节点开始，对网络的某一特征分别对不同的tin标识类别进行测试，根据测试结果将节点分配到对应tin标识数据类别的子节点，全部完成后每个子节点对应着网络特征和tin标识数据类型的一个取值，如此递归的对所有节点进行测试并分配，直到到达顶点，完成节点的评测和标识(标识是将结果标识为系统设定的类别，例如低时延高费用i级)。
[0161]
利用tin网络的历史数据和网络反馈的对应的结果构建一个有监督训练的评测与标识函数，通过反向传播算法对网络进行有监督的训练，最终能利用收集的历史数据和对应的反馈结果，然后再综合评测和标识函数对自编码器的权重进行综合调整，以解决单独的自编码器只能重构输入数据的误差，并不能实现输出与实际网络反馈之间的复杂的损失
函数计算的问题。
[0162]
进一步的，所述方法还包括：
[0163]
通过神经网络设计满足多tin标识数据类型、网络特性多元、以及能通过学习网络历史数据对网络实时数据动态预测当前节点到终点距离的智能启发函数算法；
[0164]
通过所述智能启发函数算法计算h(x)；
[0165]
其中，所述智能启发函数算法包括：
[0166]
设神经元的第l层向l+1层传递，则l+1层第i个神经元的输出如(式7)所示
[0167][0168]
其中，f(
·
)是非线性激活函数，在maxout激活函数中增加相应的综合加权处理，以满足表述数据的多类型和判决参数的多元性，运算如(式8)所示：
[0169][0170]
其中，max是maxout激活函数的运算符，通过增加k个神经元，然后输出激活值最大的值的方法，实现输入变量到输出归一化值[0，1]之间的非线性变换；r(
·
)是随机加权处理，运算如(式9)所示：
[0171]
r(x)＝∑qsx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式9)
[0172]
其中，q是[0，1]之间的随机数，s是分配的每个指标的权重的归一化，所述指标包括延时和安全性，x为加权处理的输入，r(x)为加权处理的输出，(式8)中的通过(式10)求得：
[0173][0174]
其中，为第l层神经元j连接第l+1层神经元i的权重，为神经元i的偏置；
[0175]
通过最小化损失函数获得最优的神经网络的连接权重和偏置矩阵(w,b)，损失函数如(式11)所示：
[0176][0177]
其中，为精细优化列表中的参数，运算方法如(式12)所示：
[0178][0179]
其中，yi为第l层神经元i的实际期望的输出值，从标识数据读写的反馈信息中获得，是第l层神经元i的拟合的输出值，从神经网络输出；为非精细优化列表中的参数，运算方法如(式13)所示：
[0180][0181]
其中，si是神经元i对应的门限值，g是门限运算符，可以取大于、小于、属于和不属于，根据具体门限参数的要求进行设置，g的运算结果若满足设定的门限参数则为0，不满足设定的门限则为1；
[0182]
利用反向传播bp算法和梯度下降算法，在实时的有反馈结果的数据学习过程中，通过调整连接权重及每个神经元的偏置使得损失函数最小；
[0183]
将实时还没有终点反馈结果的数据输入不断学习中的神经网络，获得对应类别tin标识数据从当前节点到终点的性能预测，并将结果转换成归一化的距离。
[0184]
经典a*算法的的启发函数是当前节点到终点的曼哈顿距离，而tin标识网络中，网络参数是多元的(例如延时性指标优、安全性指标一般)，标识数据的类型的特征也是多元的(例如优先满足延迟性，安全性满足设定的标准即可)，对当前节点到终点的性能综合进行预测复杂度较高，曼哈顿距离无法完成经典a*算法中启发函数的作用。
[0185]
本公开实施例的智能启发算法基于神经网络实现，避免了对权重精确性的要求和相关系数求解的复杂性，通过修改权重参数满足不同类型标识数据的通过不同参数的网络的性能预测。
[0186]
tin网络可以不断收集网络的各个节点的状态，以及对应的大量标识数据的读写性能，因此可以通过不断学习收集的数据，如果利用这些数据，通过人工智能来改进传统的a*算法，就可以使得人工神经网络也具有初步的自适应与自组织能力。神经网络是人工智能的基础，神经元被分成了多层，层与层之间的神经元有连接，层内的神经元之间无连接，且每条连接线表示神经元之间的连接权重。神经网络的学习过程，就是利用bp(back propagation，反向传播)算法和梯度下降算法来最小化损失函数，从而调整连接权重及每个神经元的偏置，以适应周围环境的变化。神经网络是一个具有学习能力的系统，学习训练方式可分为两种，一种是有监督学习，这时利用标定的样本进行学习；另一种是无监督学习，只规定某些规则，系统可以自动发现环境特征和规律性。
[0187]
基本的神经网络单元由输入层、隐藏层和输出层组成，输入层节点输入编码器的输出，输出层节点起线性加权作用，隐藏层节点根据该模块对应的标识特征元进行数学处理，实现基于maxout处理标识数据的多类型和网络参数的多元性场景下的性能预测。
[0188]
在(式9)中设计随机数的目的是避免设置固定的权重参数影响了优化的灵活性，类似体操比赛的评分，如果每个裁判权重总是一样，可能某几个带有偏见的裁判会持续影响一场比赛的总成绩，在无法确定这些裁判的情况下，采用每个裁判权重随机的方式，就可以有效避免这个问题。
[0189]
经典的神经网络是不断学习进而通过最小化损失函数获得最优的神经网络的连接权重和偏置矩阵，由于标识数据判决和标记中涉及多个指标，每个指标不一定需要优化到最小，否则会造成性能的浪费，例如对某些应用场景，延时是需要优化的目标，而另外的场景，延时只要不小于门限值即可，不需要精细优化到最小，这样如果把延时放到优化参数列表中，会影响其他参数的优化，因此通过(式11)确定损失函数。
[0190]
在智能启发函数算法，针对tin标识网络中，网络参数是多元的，标识数据的类型的特征也是多元的问题，基于神经网络避免了对权重精确性的要求和相关系数求解的复杂性，通过修改权重参数满足不同类型标识数据的通过不同参数的网络的性能预测；神经元的不同层级传递时，在maxout激活函数中增加相应的综合加权处理，以满足数据的多类型和判决参数的多元性；增加了神经元输出处理精细优化和门限优化的功能，以解决标识数据判决和标记中涉及多个指标，每个指标不一定需要优化到最小的问题。
[0191]
本公开实施例针对a*算法对于复杂的动态道路的优化，由于算法自身的限制，并不能获得良好的效果；以及在应用于tin路由时，存在无法使用固定的运算公式直接求解和转换，不适用于多优化目标，算法收敛时间较长，算法网络状态相对固定严重影响算法的性
能等问题。
[0192]
tin网络可以不断收集网络的各个节点的状态，以及对应的大量标识数据的读写性能，因此可以通过不断学习收集的数据，如果利用这些数据，通过人工智能来改进传统的a*算法，就可以使得人工神经网络也具有初步的自适应与自组织能力。神经网络是人工智能的基础，神经元被分成了多层，层与层之间的神经元有连接，层内的神经元之间无连接，且每条连接线表示神经元之间的连接权重。神经网络的学习过程，就是利用bp(back propagation，反向传播)算法和梯度下降算法来最小化损失函数，从而调整连接权重及每个神经元的偏置，以适应周围环境的变化。神经网络是一个具有学习能力的系统，学习训练方式可分为两种，一种是有监督学习，这时利用标定的样本进行学习；另一种是无监督学习，只规定某些规则，系统可以自动发现环境特征和规律性。
[0193]
由于tin的节点部署依托mec而具有地理位置的特征，以及节点之间具有不同层级和上下级的隶属关系，本公开实施例将tin的网络特征通过人工智能进行处理，使得特征满足a*算法的要求，然后利用人工智能，使得a*算法具有学习和根据网络实时状态动态选择最优路径的能力，探索满足tin特点的实时动态路由算法，对提高tin的网络性能具有积极的意义。
[0194]
图2为本公开实施例二提供的一种电信标识网络的实时路由系统的架构图，如图2所示，所述系统包括：
[0195]
获取模块11，其设置为获取tin的参数信息，并进行动态更新；
[0196]
汇总模块12，其设置为汇总tin的实时动态状态数据和tin标识数据的读写性能参数；
[0197]
处理模块13，其设置为通过人工智能对所述tin的参数信息、tin的实时动态状态数据和tin标识数据的读写性能参数进行处理，使得所述tin的参数信息、tin的实时动态状态数据和tin标识数据的读写性能参数的特征满足a*算法的要求；
[0198]
计算及路由模块14，其设置为通过预设的a*优化算法获得路由策略并下发到tin的各个节点。
[0199]
进一步的，
[0200]
所述tin的参数信息包括：tin部署的mec的位置和节点编码、mec的层级、mec的隶属关系、mec的性能、mec之间的网络的性能和配置；
[0201]
所述tin的实时动态状态数据包括：tin节点的带宽、利用率、计算和存储资源、网络延迟的实时的网络参数；
[0202]
所述tin标识数据的读写性能参数包括读写的数据块大小、速度、延时、消耗以及对应的路由。
[0203]
进一步的，所述系统还包括设定模块15：
[0204]
所述设定模块15设置为根据tin标识数据对读取的性能要求，设定不同要求类别，并对各种要求类别分别进行组合，构成tin标识数据的分类参数。
[0205]
进一步的，所述预设的a*优化算法包括：
[0206]
步骤s1：初始化起始点i和两个表阵列，包括表阵列open list和表阵列close list；其中，open list通过多层表的结构对应不同的标识数据类型，用于存放不同数据类型的标识数据针对不同网络特性的所有下一个可能走的节点的列表，路径可以在多个表之
间交叉连接，不同的close list存放经过评估后的最优值；
[0207]
步骤s2：将与i相连的各平面上的所有下一个可达节点集合ω在约束条件下放入open list，所述约束条件通过(式1)确定；
[0208][0209]
其中，j是属于ω的下一个节点，b(i,j)，d(i,j)，c(i,j)分别为(i，j)之间的带宽、延迟和资源消耗，bc，dc，cc为针对c类标识数据系统设定的对应的门限值；
[0210]
步骤s3：遍历open list，用(式2)的评估函数对open list中的节点进行评估，将评估值最小的节点放入close list；
[0211]
f(x)＝g(x)+h(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式2)
[0212]
其中，f(x)为评估的结果，g(x)为已经走过的路程的长度，h(x)为启发函数，标识下一个节点到终点的距离；
[0213]
步骤s4：再对周围节点按照(式1)的约束结果进行检查，如果节点不满足约束条件，或者节点已经在close list中，则忽略跳过；否则，将节点加入open list，并且将当前节点作为该节点的父节点，如果该节点已经在open list中，则检查当前节点到达该节点的归一化距离是否更小，如果归一化距离更小，则将该节点的父节点设为当前节点，按照(式2)重新计算f(x)和g(x)；
[0214]
步骤s5：重复步骤s3-步骤s4，直到以下情况：下一个节点是终点停止搜索或者open list为空并且无法找到终点；
[0215]
步骤s6：从终点开始，反向每个节点沿着父节点移动直至起点，形成最短路径。
[0216]
进一步的，所述计算及路由模块14还设置为：
[0217]
在计算g(x)时，对g(x)中的路程实现不同类型的标识数据与经典a*算法的距离的归一化转换，转换过程包括：
[0218]
将从网络收集的tin节点的动态网络特性数据通过编码器进行编码，然后将编码器的输出再作为解码器的输入，通过解码器得到解码器的输出；
[0219]
将解码器的输出通过判决器与从网络收集的不同类型标识数据的反馈进行损失函数计算偏差；
[0220]
若计算的偏差优于预设的门限值，则对实时数据进行网络节点和标识数据之间的特性标记，并根据各个节点的标记通过系统设置的对应表转换成归一化的距离。
[0221]
进一步的，所述转换过程中的具体算法包括：
[0222]
重置编码器的权重调整矩阵δw＝0和偏置调整矩阵δb＝0；
[0223]
将收集的tin节点的动态网络特性x输入编码器，编码器的输出如(式3)所示：
[0224]
h＝f1(w1x+b1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式3)
[0225]
其中，h表示编码器的输出，f1为编码器的非线性变换函数，w1为编码器的权重，b1为编码器的偏置；
[0226]
对编码器的输出h输入解码器进行解码，解码器的输出如(式4)所示：
[0227]
y＝f2(w2h+b2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式4)
[0228]
其中，y表示重构结果，f
21
为解码器的非线性变换函数，w2为解码器的权重，b2为解码器的偏置；
[0229]
利用tin的历史数据和网络反馈的对应的结果构建一个有监督训练的评测与标识函数，通过反向传播算法对网络进行有监督的训练，利用收集的历史数据和对应的反馈结果，通过综合评测和标识函数对自编码器的权重进行综合调整，自编码器的权重进行综合调整如(式5)所示：
[0230][0231]
其中，fw和fb分别为针对(w，b)的评测和标识函数，完成损失函数的评测和标识，利用监督学习的决策树来构建评测和标识函数，包括：从根节点开始，对网络的对应特征分别对不同的tin标识类别进行测试，根据测试结果将节点分配到对应tin标识数据类别的子节点，全部完成后每个子节点对应着网络特征和tin标识数据类型的一个取值，按同样方式递归的对所有节点进行测试并分配，直到到达顶点，完成节点的评测和标识，j(w,b；x,y)为某个tin标识类型数据x通过网络读写和操作的性能反馈结果x与解码器输出在权重和偏置(w,b)的损失函数；
[0232]
通过(式6)更新参数：
[0233][0234]
直到损失函数达到系统设定的值。
[0235]
进一步的，所述计算及路由模块14还设置为：
[0236]
通过神经网络设计满足多tin标识数据类型、网络特性多元、以及能通过学习网络历史数据对网络实时数据动态预测当前节点到终点距离的智能启发函数算法；
[0237]
通过所述智能启发函数算法计算h(x)；
[0238]
其中，所述智能启发函数算法包括：
[0239]
设神经元的第l层向l+1层传递，则l+1层第i个神经元的输出如(式7)所示
[0240][0241]
其中，f(
·
)是非线性激活函数，在maxout激活函数中增加相应的综合加权处理，以满足表述数据的多类型和判决参数的多元性，运算如(式8)所示：
[0242][0243]
其中，max是maxout激活函数的运算符，通过增加k个神经元，然后输出激活值最大的值的方法，实现输入变量到输出归一化值[0，1]之间的非线性变换；r(
·
)是随机加权处理，运算如(式9)所示：
[0244]
r(x)＝∑qsx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式9)
[0245]
其中，q是[0，1]之间的随机数，s是分配的每个指标的权重的归一化，所述指标包括延时和安全性，x为加权处理的输入，r(x)为加权处理的输出，(式8)中的通过(式10)求得：
programmable read only memory，带电可擦可编程只读存储器)、闪存或其他存储器技术、cd-rom(compact disc read-only memory，光盘只读存储器)，数字多功能盘(dvd，digital video disc)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
[0263]
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。