認知網絡路由技術

摘要:認知網絡具有自學習和推理能力，能夠適應復雜和動態變化的網絡環境，優化端到端的性能，實現高效利用網絡資源的目標。文章提出了一種認知網絡的路由方案框架，包括環境感知模塊、路由決策模塊、路由重構模塊和自學習模塊。

關鍵詞:認知網絡;路由;自學習;基于策略的路由。

Abstract: A cognitive network has capabilities of learning and reasoning. It can dynamically adapt to varying network conditions in order to optimize end-to-end performance and utilize network resources efficiently. However， there are challenges for routing algorithm in a cognitive network. In this paper， a routing scheme for cognitive networks is proposed which includes context information collection entity， routing decision making entity， routing reconfiguration entity， and reasoning and learning entity. Key words: cognitive network; routing; machine learning; policy based routing.

未來網絡具有如下特征:網絡規模將越來越大，多種網絡并存，網絡承載業務的服務質量(QoS)參數變化范圍較大。在這個典型的動態復雜網絡中，如何實現頻譜資源、網絡資源的高效利用，保障業務的QoS，是一個尚未解決的問題。針對該問題，認知網絡應運而生。認知網絡中的部分節點具有學習和推理能力，通過測量或預測網絡的環境參數，實現動態決策與網元設備重構，達到適應網絡環境、優化端到端性能的目標。

1 認知網絡的起源

Mitola[1]于1999年提出了認知無線電(CR)的概念及認知環架構，認知無線電系統通過感知，獲取周圍環境的頻譜使用信息，依據優化目標，確定CR的重構方案，達到適應頻譜環境變化的目標。CR具有學習和推理能力，能夠智能地調整重構方案，達到高效使用頻譜資源的目標。Gelenbe[2]提出了認知分組網絡(CPN)的概念。該網絡設定了一類特殊功能的分組—智能分組，它們負責收集網絡信息，并攜帶了可執行代碼。當智能分組到達網絡中的某個節點時，與節點交互網絡環境信息，并進行路由的更新與路由算法的學習，實現路由的優化。Ramming[3]將認知環應用于網絡，提出認知網絡(CN)的概念。Thomas[4]進一步明確了認知網絡的定義，即執行認知過程的網絡為認知網絡。Thomas分析了適于認知網絡的學習與推理機制，給出了認知網絡的架構及其組成單元的功能描述。目前在IEEE標準化協會中正在討論異構無線接入網絡融合架構的標準化，采用了認知網絡的概念[5]。

2 認知網絡路由算法框架

未來的網絡將是異構網絡并存的大規模網絡，這樣的網絡環境為端到端之間的路徑提供了更多的鏈路組合模式，即多種路由模式。在接入網絡中，用戶擁有了更多的接入選擇方案;在網絡側，分組可以跨越多個網絡，獲得更為優化的端到端服務，為網絡資源的高效利用提供了條件。同時，異構網絡環境也給路由算法的設計與實現提出了挑戰。首先鏈路性能的差異較大。其次，異構網絡環境的動態變化范圍較大。鏈路能夠承載的流量與其已承載的業務流量有關。隨著網絡規模和用戶的增加，鏈路能夠承載流量的變化范圍加大。鏈路的可靠性差異較大，易導致網絡拓撲的變化。第三，在重疊覆蓋的網絡環境中，無線鏈路的頻譜干擾較難預測與控制，導致鏈路承載能力的變化。此外，終端用戶接入多種網絡的能力、對網絡選擇的喜好、業務QoS需求及位置的變化也將影響端到端路由的構建。

針對復雜的網絡環境，如何適應環境，充分利用鏈路資源、網絡資源、用戶資源，獲得端到端的優化目標是路由算法需要解決的問題。依據認知網絡的定義，我們給出了基于策略的認知網絡的路由算法框架，如圖1所示。該框架包括如下幾個功能模塊。

(1)環境感知模塊負責獲取網絡環境信息，并將業務需求映射為網絡端到端的QoS需求，作為路由構建的優化目標。

(2)路由決策模塊負責路由的構建、更新與補救。它依據測量信息和優化目標，選擇路由策略，如協同路由、多輸入多輸出(MIMO)路由、跨層路由等。

(3)重構模塊負責路由的配置。如采用跨層路由協議，還須配置運輸層、鏈路層和物理層。

(4)自學習模塊負責策略評估、修正與生成，以適應網絡環境的變化。

3 需解決的關鍵問題

3.1 環境感知模塊需要解決的關鍵問題

認知網絡依據環境感知信息完成決策與自學習功能。感知信息的涵蓋范圍、及時性、一致性、精確性、可靠性等將影響認知網絡的性能。而感知信息的獲取與分發又直接影響網絡的負載，進而影響網絡的性能。

在大規模網絡中，端到端之間路由的選擇受多種因素的影響，例如，鏈路的參數(帶寬、時延、干擾、切換時延等)、網絡當前承載的業務、端到端之間可用的網絡等。如果網絡環境的部分信息缺失，會影響路由的選擇結果。例如，在異構網絡環境中，當切換時延未知時，僅依據鏈路時延和最短時延準則構建的路由不一定是最短路由。

在認知網絡中，節點通過多種方式交互各自所獲取的感知信息，當網絡規模較大，尤其是在異構網絡環境中，很難同步地進行感知信息的更新，不同認知節點對網絡狀態的認識有可能不同，進而導致路由算法的震蕩。節點信息的不一致性還會干擾自學習模塊對路由決策模塊的評估結果，進而影響決策模塊的更新，有可能進一步加劇路由算法的震蕩。

此外，網絡信息的采集通常采取3種方式，主動獲取、被動獲取以及主動與被動相結合的采集方式。信息采集方式、周期、地域范圍均將影響路由算法的性能與網絡負載的大小。因此，感知信息采集方式與參數的設定也需依據網絡環境變化的速度進行調整，環境感知模塊參數的調整也將構成一個認知環。

3.2 路由決策

路由算法的目標是為網絡中端到端的節點構建滿足一定QoS的傳輸路徑。從資源優化的角度而言，當網絡負載較重時，認知路由算法令業務均勻地分布在網絡中。當負載較輕時，認知路由算法應能提升用戶的滿意度，并利用網絡和用戶的存儲能力，提前消費網絡資源，達到高效利用網絡資源的目標。

認知路由算法是一個復雜決策問題。其復雜性主要體現在以下幾方面。其一，在異構網絡環境中，可用的鏈路模式較多，由多模式鏈路構建的端到端之間的路徑亦較多，為了適應變化的網絡環境，高效利用網絡資源，宜采用多種路徑模式和路由評價準則。其二，在異構大規模網絡中，節點多采用分布的方式確定路由，決策過程的具有并行性特征。如終端獨立地選擇接入網絡、進行路由重構、選擇協同終端等。有可能導致節點策略之間的矛盾，導致重構后各節點路由表的差異。其三，網元之間的關系較為復雜，既有競爭又有協作。異構融合網絡的規模較大。復雜決策問題的建模與求解是一個難題。在這樣一個復雜的網絡環境中，如何構建具有認知能力的路由算法是一個尚待解決的學術問題。針對復雜決策問題，可采用基于策略庫的解決方案。圖1將現有的和新開發一些路由算法置入路由策略庫。依據網絡環境信息和業務需求，策略選擇算法負責策略的選擇。也可將策略選擇算法理解為映射，即網絡環境到策略的映射。

路由策略庫可以包含常規的路由協議，如IP協議。亦可設計一些適于異構網絡環境的新型路由協議，如適應新物理層技術MIMO的路由算法，支持鏈路協同、網絡協同的跨層路由算法[6]。圖2給出了一種自組織網絡中的鏈路協同方案。在自組織網絡的任意兩個節點之間，多跳鏈路可組成端到端的多信道“協同路徑”。在圖2(a)中，同路徑上的相鄰鏈路配置了不同的信道，當節點以半雙工模式協同工作時，鏈路A-B、C-D與E-F或鏈路B-C、D-E與F-G可同時工作，提升了路徑的流量，獲取了“協同路徑”增益。當路徑上的信道配置與路徑附近區域的信道配置發生沖突時，可構建類似圖2(b)所示的協同路徑，當鏈路B-E不能履行路由任務時，利用中繼節點R1構建備用鏈路，獲取“協同路徑”增益。

3.3 認知路由算法中的自學習機制

自學習機制是認知過程有別于自適應過程的關鍵點。認知路由算法中的自學習模塊對路由策略的執行結果進行評估，進而修正路由策略選擇算法和路由策略。

在大規模異構網絡環境中，業務QoS的變化范圍較大，各類網絡鏈路的差異較大，不同網絡的管理模式、業務保障能力、資費、功耗等差異較大，用戶對不同網絡的偏愛程度差異較大。在這樣的網絡環境中，無法采用一種路由策略，滿足不同網絡、不同用戶的業務需求。需要構建路由策略庫，適應業務與網絡環境的變化。例如當網絡負載較輕時，可以構建跨越異構網絡的多條路徑，為一對用戶服務，達到充分利用網絡資源，并為后續業務提供更高的保障概率。

在復雜的網絡環境中，基于策略的路由算法的實現存在如下問題。一是如何選擇策略庫中路由策略?二是如何配置和更新路由策略的參數?路由策略庫中包含了多種路由策略，如單路徑路由、多路徑路由、跨層路由等。需制訂選擇規則，用于路由策略的選擇。然而大規模異構網絡環境較為復雜，需采用學習機制，實現選擇規則的建立與更新。自學習屬于機器學習的范疇。自學習模塊的輸入包括感知的環境信息、策略選擇結果，通過分析策略的執行結果，更新策略選擇準則，優化策略的參數配置。

在路由策略更新方面，Benedetto[7]提出了一種適于超寬帶網絡(UWB)的認知路由方案，給出了基于增強學習的路由更新機制。Thomas利用博弈論設計了跨層路由的更新方案。此外，決策樹、貝葉斯等及其學習算法是否適合認知網絡，還是一個需要探討的問題。自學習機制的設計還需解決以下理論和技術問題。自學習算法的收斂速度需快于網絡環境的變化速度，分布式自學習算法的協調性問題，路由性能評估函數的設計等[8]。

4 結束語

隨著網絡規模的擴大，已無法通過手動操作實現網絡的優化配置。而且，異構網絡的并存的發展趨勢，導致網絡環境更加復雜。認知技術為動態配置網絡，優化利用網絡資源、用戶資源和服務資源提供了途徑。

本文提出了認知網絡的路由方案框架，包括環境感知模塊、路由決策模塊、路由重構模塊和自學習模塊。重點分析和討論了部分模塊的設計及其所需解決的關鍵問題。

5 參考文獻

[1] MITOLA J， MAGUIRE G Q. Cognitive radio: Making software radios more personal[J]. IEEE Personal Communications， 1999，6(4):13-18.

[2] GELENBE E， XU Z， SEREF E. Cognitive packet networks[C]// Proceedings of the 11th IEEE International Conference on Tools with Artificial Intelligence(ICTAI'99)， Nov 8-10，1999， Chicago， IL， USA. Los Alamitos， CA，USA:IEEE Computer Society，1999:47-54.

[3] CLARK D D， PARTRIGE C， RAMMING J C， et al. A knowledge plane for the Internet[C]// Proceedings of Conference on Applications， Technologies， Architectures， and Protocols for Computer Communication (SIGCOMM’03)，Aug 25-29，2003， Karlsruhe， Germany. New York， NY，USA:ACM，2003:25-29.

[4] THOMAS R W. Cognitive networks[D]. Blacksburg， VA，USA: Virginia Polytechnic and State University， 2007.

[5] IEEE Std 1900.1-2008. IEEE standard for architectural building blocks enabling network-device distributed decision making for optimized radio resource usage in heterogeneous wireless access networks[S]. 2009.

[6] SHI Y， HOU Y T. A distributed optimization algorithm for multi-hop cognitive radio networks[C]// Proceedings of 27th IEEE Conference on Computer Communications (INFOCOM’08)， Apr 13-18， 2008， Phoenix， AZ，USA. Piscataway， NJ，USA:IEEE， 2008:1292-1300.

[7] DI BENEDETTO M G， De NARDIS L. Cognitive routing models in UWB networks[C]// Proceedings of the 3rd International Conference on Cognitive Radio Oriented Wireless Networks and Communications(CrownCom'08)，May 15-17，2008， Singapore. Piscataway， NJ， USA:IEEE， 2008:1-6.

[8] JEE Minsoo， YE Xiaohui， MARCONETT D， et al.. Autonomous network management using cooperative learning for network-wide load balancing in heterogeneous networks[C]// Proceedings of IEEE Global Telecommunications Conference (GLOBECOM '07)， Nov 30-Dec 4， 2008， New Orleans， LA，USA. Piscataway， NJ， USA:IEEE， 2008: 2547-2551.

收稿日期:2009-08-18

李紅艷，西安電子科技大學教授、博士，目前主要研究方向為認知網絡、自組織網絡、異構網絡融合。已發表相關論文20余篇。

李建東，西安電子科技大學教授、博導，中國通信學會會士，IEEE高級會員，中國電子學會高級會員，長江學者特聘教授，主要從事移動通信、個人通信、認知網絡、軟件無線電、自組織網絡、寬帶無線IP 技術等方面的研究。

周丹，西安電子科技大學在讀碩士研究生，目前從事認知網絡路由協議的研究。