基于業務感知和策略選擇的認知路由算法

顧成杰，張順頤，孫雁飛

(南京郵電大學 信息網絡技術研究所，江蘇 南京210003)

1 引言

當前，網絡面臨著“業務繁多、需求差異、動態時變、資源稀缺”的問題，難以滿足多業務動態傳輸的需要，而且由于不具備自適應性和智能性不能根據環境的變化進行動態重配置，所以難以為用戶提高端到端的QoS保證[1]。針對這些問題，學術界提出在新一代網絡中融入認知元素以提高網絡的自治性和自適應性，因此認知網絡成為當前學術界研究的熱點[2]。

認知網絡的研究源自于認知無線電，Mitola等人[3]于1999年提出了認知無線電(cognitive radio)的概念，認知無線電通過檢測空閑頻譜，為認知無線網絡提供相應的頻譜信息，并根據環境的變化進行自適應調整。2003年，Clark[4]提出在互聯網中引入知識平面(knowledge plane)，使網絡可以分析決策并調整自身運作。認知網絡(CN, cognitive network)是2005年美國弗吉尼亞工學院的W.Thomas等人提出的[5]，認知網絡具有智能的認知過程，能夠感知網絡自身的狀態，然后分析、決策并對網絡做出自適應的規劃和調整，直到達到預期的端到端目標和網絡整體性能的提高。目前，在IEEE標準化學會中已采用了認知網絡的概念，深入進行異構無線接入網絡融合架構的標準化工作。認知網絡QoS是在認知網絡環境下將智能的認知理念與傳統的 QoS技術相結合，從而解決當前網絡適應性差、全網效能低下等問題，能夠有效地提高網絡資源利用率，并為其承載的各類業務提供端到端的QoS[6～9]。

路由技術是網絡互聯的核心，也是認知網絡需要研究的關鍵技術之一，它對認知網絡中保證用戶端到端的QoS目標起著至關重要的作用。在認知網絡路由技術研究方面，Gelebe等人在文獻[10]提出了認知分組網絡(CPN，cognitive packet network)的概念，CPN中使用一類具有特殊功能的智能分組來進行路由選擇，它們攜帶可執行代碼，并能夠收集和攜帶路由狀態信息。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，進行路由強化學習，實現路由的優化。Gabriella[11]提出了一種適于超寬帶(UWB)網絡的認知路由方案，該方案通過定義效用函數來衡量路由選擇的效果并進行路由轉發。Sasitharan等[12]受生物系統運行機制的啟發，將生物學的方法應用于認知網絡的路由選擇，提出了與生存能力相適的路由算法，當鏈路發生瞬時故障時，路由算法根據一定的策略重新調整路由參數來重新配置網絡資源，保證網絡的QoS。文獻[13]針對當前鏈路狀態路由協議缺乏有效的擁塞避免機制，提出使用蟻群算法來研究認知網絡中的多徑路由問題，根據應用的QoS需求利用雙向螞蟻尋路加速路由優化速度，有效解決了網絡擁塞問題。

面向認知網絡環境，如何感知網絡環境，充分利用網絡資源，動態地根據網絡環境調整路由策略，獲得端到端的優化目標是認知路由算法需要解決的問題[14]。本文設計了一種認知路由模型結構，并在此基礎上提出一種基于業務感知和策略選擇的認知路由(CNR)算法，該路由算法在獲知網絡中業務流的宏觀特征和需求的前提下，通過離線資源分配和在線路徑計算，得到能夠滿足給定網絡中各種業務流的帶寬要求的最優路徑，從而提高鏈路利用率并實現負載均衡，同時有效地減少了網絡擁塞。

2 認知路由模型結構

2.1 認知路由節點

區別于傳統網絡只提供盡力而為的服務，認知網絡目標是要保證用戶端到端的QoS，通過在節點中加入認知功能，使網元可以動態自優化地自適應環境變化，從而提高整體網絡的性能。本文提出一種認知路由節點，如圖1所示。認知路由節點分為認知層和數據層。認知層包括業務感知模塊、策略選擇模塊和路由決策模塊；而數據層負責對數據分組的封裝和調度轉發等。該認知路由節點可以收集網絡資源使用情況、業務QoS需求、網絡流量分布等信息，并根據相應的策略選擇實現對業務流的動態路由，從而保證端到端QoS。其中業務感知模塊負責獲取認知網絡環境中各種業務流的信息，并將業務流的需求映射為認知網絡的端到端QoS需求，策略選擇模塊可以根據策略庫動態地選擇相應的路由策略，路由決策模塊則負責路由的構建和更新。認知路由節點在計算數據分組路由時，需要網絡拓撲和鏈路可用帶寬等網絡負載的詳細信息，依據網絡環境信息和業務需求，并根據策略選擇來進行網絡資源的分配。

整個認知網絡中的路由器主要由邊緣認知路由器和核心認知路由器構成，如圖2所示。其中邊緣認知路由器部署有業務感知模塊，對網絡中的業務進行識別，并為IP分組打上不同的DSCP標記，所有邊緣認知路由器都能采集網絡的狀態信息并上傳給核心認知路由器。核心認知路由器包含有數據處理模塊、推理學習模塊、決策模塊和策略下發模塊，它將采集得到的信息進行處理、推理、學習并進行決策，邊緣認知路由器根據核心認知路由器下發的策略對不同的業務進行區分并根據策略庫中的知識執行自適應管理。

2.2 業務感知

認知網絡與認知無線電、認知無線電網絡在覆蓋范圍上不同。認知無線電覆蓋無線鏈路，其范圍主要涉及物理層和MAC層，認知無線電網絡覆蓋無線網絡，其范圍涵蓋整個協議棧，而認知網絡覆蓋包括核心網在內的整個通信網絡。未來的通信網絡是異構網絡并存的大規模網絡，具有鏈路性能的差異較大、異構網絡環境的動態變化、無線鏈路的頻譜干擾較難預測與控制等特點。傳統的頻譜分配采用的是“獨占”的策略，即使主用戶沒有使用授權頻譜，該頻段也不能被其他用戶使用，造成了頻譜資源的巨大浪費。認知無線電通過對主用戶的行為以及無線頻譜資源的感知，可以檢測到并合理利用“頻譜空穴”，在不對主用戶造成干擾的條件下實現頻譜的高效利用。

近幾年，不斷涌現的VoIP、P2P、流媒體等業務經常造成網絡擁塞和QoS劣化。由于簡單的擴容無法滿足業務容量增長的需要，在這樣的技術背景下，認知網絡作為解決復雜性網絡極具潛力的方法被引入QoS保證技術研究中。業務感知是認知網絡環境下實施服務質量策略的基礎。業務感知可以由邊緣認知路由器根據業務流的特征、流標記以及流統計閾值來獨立完成，也可以與業務管理服務器配合，從而保證系統具有強大的智能處理能力和業務靈活性。本文將經過邊緣認知路由器得到的業務感知結果用一個四元組來表示(業務流類別、源地址、目的地址、帶寬要求)。該四元組可以表示為網絡流量特征矩陣P(Ck, Sk,Dk, Bk)，其中通過業務感知將業務流分為K類，K=1,2,…,K，業務流類型為Ck；Sk、Dk分別為第k類業務流的源地址、目的地址，Bk為第k類業務流的帶寬要求。當前網絡中業務流的種類、分布情況和帶寬需求可以用網絡流量特征矩陣P來表示。

傳統TCP協議中RTT(round trip time)的估計值在多于一個數據源同時傳輸時呈現出高度波動性，這種RTT波動會影響排隊時延，由此引起擁塞窗口行為。為了支持認知網絡能夠及時進行業務感知，認知網絡的傳輸層協議需要對TCP協議進行改進和增強，其中需要重新設計一個RTT估計函數來平滑地估計RTT。本文通過指數加權ARMA模型來平滑RTT的估計值。在具體實現中，擁塞窗口每2個RTT改變一次，在一個RTT中更新，在另一個RTT中保持不變，估計值的計算也在第一個RTT中進行，以此交替反復進行。這樣可以在往返時延RTT變化時逐步改變擁塞窗口，能夠同步共享網絡中的不同主機并且最終穩定擁塞窗口，以此來克服傳統TCP協議中容易出現的擁塞窗口，波動性大的問題。本文設計的RTT的估計函數使用了先前估計的RTT值和實時測量的RTT值來計算新的RTT值：

其中，PRTTt代表當前時間估計并且平滑后的RTT值，RTTrec代表先前估計的RTT值，Δt為協議規定的測量RTT的時間間隔，p、q為模型的階數，μ、λ、φi、δj為穩定參數，并且

2.3 策略選擇

由于網絡中分布著帶寬需求不同的各種業務，為了有效地利用網絡資源，需要對網絡中業務流的帶寬分配進行策略選擇。策略選擇是根據端到端QoS目標、網絡中承載業務類型、網絡流量狀態等進行網絡可用資源的分配策略的規劃，在業務類型、流量狀態、資源可用情況和路由策略之間建立相應的邏輯關系。為了有效地利用網絡資源，使得業務流可以有效地分布在不同的鏈路中，需要選擇鏈路容量與業務流帶寬需求之比uij/bk較大的鏈路，避開二者之比較小的鏈路。因此，針對每類業務流Ck引入每流每鏈路帶寬值來控制網絡中可用帶寬的分配：

其中，bk為第k類業務流的帶寬需求，uij為鏈路容量，m和b為相關系數。當鏈路容量小于某類業務流k的帶寬需求時，該類業務流在鏈路(i, j)上的每流每鏈路帶寬值=∞，從而避開那些帶寬需求相對不足的鏈路。策略選擇一方面通過調整每流每鏈路帶寬值來決定某些資源是否分配給某些流，另一方面可以在線調整某些鏈路上某類業務流占用的可用帶寬大小。

3 基于業務感知和策略選擇的認知路由算法

為了提高網絡整體資源利用率和網絡的接入率，Szeto等人在文獻[15]中將多商品流問題引入網絡資源優化分配中，根據多商品流問題的輸出得到每鏈路分配給每個虛擬網絡連接的帶寬值。借鑒文獻[15]的思想，為了提高網絡中的鏈路利用率和實現負載均衡，本文將認知路由計算問題轉化為多商品流的資源分配模型來處理，提出基于業務感知和策略選擇的認知路由(CNR)算法。認知路由(CNR)算法主要分為離線資源分配和在線路徑計算2個階段。離線資源分配首先通過業務感知得到網絡中業務流的分布宏觀特征，然后通過計算多商品流的資源分配模型來得到每流每鏈路的帶寬值。在線路徑計算則把離線資源分配得到的每條鏈路針對每類業務流的可用帶寬，采用約束最短路徑算法，計算出滿足當前業務流可用帶寬的最優路徑。認知路由算法流程描述如圖3所示。

圖3 認知路由算法流程描述

3.1 離線資源分配

本文分別用V和E表示頂點和鏈路的集合，則認知網絡G可以表示為 G =(V, E)。設網絡中有K類不同種類的業務流，業務流k(1 ≤ k ≤ K )的帶寬需求為bk，帶寬需求向量為 Bk，網絡中每條鏈路(i, j)的物理容量為uij，N為認知網絡關聯矩陣，業務流k在鏈路(i, j)上的帶寬要求為，業務流向量為 Xk。是考慮策略選擇、業務流種類及當前網絡狀態等要素得到的每流每鏈路帶寬值，本文通過引入每流每鏈路帶寬值來控制網絡中鏈路的可用帶寬分配。為了實現各種業務流能夠有效地分布在網絡的不同鏈路上并且保證業務的端到端QoS，認知路由的離線資源分配問題的目標函數可以描述為

認知路由計算問題的目標函數式(3)是認知網絡中總的資源耗費最小，目標函數的輸出為第k類業務流分布在鏈路(i, j)上的流量值。式(4)是鏈路容量約束條件，保證鏈路上的各種業務帶寬小于鏈路最大容量。式(5)能夠約束網絡中的鏈路承受所有種類的業務流。

傳統的網絡資源分配方法沒有考慮網絡中業務流的種類不同、不同業務流對帶寬需求及控制策略的不同，而認知路由算法的離線資源分配通過將業務類型、當前網絡狀態和策略選擇等作為最優問題的輸入條件，在業務類型、資源可用情況和路由策略之間通過每流每鏈路帶寬值來建立邏輯關系。

3.2 在線路徑計算

傳統路由算法的鏈路帶寬分配是不考慮業務流區分的，而認知路由算法中的每個業務流的可用帶寬則是由其所屬的初始每鏈路帶寬決定的。網絡中的認知路由器首先根據感知的業務流的類別，通過離線資源分配階段計算每一條業務流的每流每鏈路預分配值，然后在在線路徑計算階段中，將作為其鏈路可用帶寬值進行計算，按照業務流到達的先后順序基于約束最短路徑算法進行在線計算，從而得到最優路徑。

認知網絡G用G=(V, E)來表示，其中V和E表示頂點和鏈路的集合。假設當前業務流x的帶寬需求為bk，對于G的每一條鏈路e，假設每類業務流k的可用帶寬xk( e)。在線路徑計算階段中，首先將離線資源分配階段得到的每流每鏈路帶寬作為輸入條件，并令xk( e)=。為了保證特定優先級的業務流QoS，為每一條鏈路保留一定的可用帶寬值X( e)，以免在分配每流每鏈路帶寬時資源不足。最后采用約束最短路徑算法，計算出滿足當前業務流可用帶寬的最優路徑，同時并更新業務流k的可用帶寬xk( e)。

3.3 算法復雜度分析

認知路由(CNR)算法可以根據網絡現有的可用資源情況和業務流的QoS需求，在運行過程中對路徑進行選擇和動態調整，從而保證網絡資源的有效利用，因此也是一種動態路由算法。學術界對傳統網絡下的動態路由算法問題進行了大量的工作，其中代表性的路由算法主要有最小跳(MHA, min-hop algorithm)算法、最寬最短路徑(WSP, widest-shortest path)算法、最短最寬路徑(SWP, shortest-widest path)算法[16]以及最小干擾路徑(MIRA, minimum interference routing algorithm)算法[17]等。

認知路由算法包括離線資源分配和在線路徑計算兩部分。為了降低在線路徑計算的復雜度，離線資源分配一般可以在專門的服務器中預先進行，使用啟發式算法通過次梯度法求解，得到每流每鏈路初始帶寬列表，而在線路徑計算則放在各個認知路由器中進行。因此可以認為離線資源分配計算不占用認知路由的計算時間，認知路由的計算時間主要由在線路徑計算部分確定。認知路由(CNR)算法中在線路徑計算階段采用廣度優先搜索算法求解最短路由路徑，因此CNR算法具有和廣度優先搜索算法相同的時間復雜度。在最差情形下，廣度優先搜索算法必須尋找所有到可能節點的所有路徑，因此對于一個具有n個節點和m條邊的網絡，認知路由(CNR)算法的復雜度為O( n+m)，為線性時間算法。對于相同規模的網絡，由于MIRA的核心是基于“關鍵鏈路”的權值計算，“關鍵鏈路”可以通過最大流和最小割計算確定，計算最大流的Ford-Fulkerson標號算法每次在所用增廣路中選擇一條進行增廣，由于每次增廣最多需要對所有鏈路檢查一遍，因此算法的復雜度為。而SWP算法的復雜度為O( mlogn)或O( n2)，因為SWP算法在計算在線路徑時至少要執行一次Dijkstra算法。因此認知路由(CNR)算法比傳統MIRA、SWP算法的復雜度低。

4 實驗結果與分析

為了測試認知路由(CNR)算法的有效性，仿真實驗采用文獻[15]的網絡拓撲結構MIRAnet，如圖4所示。MIRAnet網絡拓撲結構中包括15個節點，并且每條鏈路都是雙向鏈路，分別用粗線和細線來標識鏈路不同的帶寬容量，LSP連接請求的入口路由器節點在S1～S4之間隨機選擇，出口路由器節點在D1～D4之間隨機選擇。仿真使用了三類業務流，包含N1個持久的FTP業務連接、N2個突發而短暫的HTTP業務連接(每個連接包括10個會話)和N3個非彈性的UDP業務源(指數服務模型，空閑和突發時間均為1s，“ON”期間的業務速率為40kbit/s)，業務流到達率服從Possion分布，優先級分別定義為高、中和低。其中RTT的估計函數中的p，q根據樣本自相關系數和偏相關系數定階，利用ARMASA工具箱中的armasel()函數對RTT歷史數據進行擬合，當p=5，q=3時，能夠選取最佳的ARMA模型。μ、λ、iφ、jδ為穩定參數，這些參數的選擇對于擁塞控制協議非常關鍵，本文從仿真實驗中讓其值從0到1遍歷，在μ=0.3，λ=0.4，φi=0.15，δj=0.15時取得最佳值。本文將CNR算法與MIRA、SWP算法在不同負載環境下和網絡業務類型動態變化環境下進行性能比較分析。

圖4 MIRANet 拓撲

4.1 輕負載環境下的仿真比較

假定N1=50、N2=0、N3=0，即加入50個持久的FTP業務連接，分別采用CNR、MIRA和SWP算法，采用吞吐量和分組丟失率來衡量 CNR算法的有效性。從圖5中可以看出，在低負載環境下，CNR相對于MIRA和SWP算法網絡性能有了明顯優化。在600s時刻，采用SWP、MIRA和采用CNR算法的吞吐量分別對應于3 257kbit/s、3 550kbit/s和 4 150kbit/s。原因在于采用認知路由算法的網絡能夠感知網絡狀況，通過自適應調整對鏈路帶寬分配，有效地提高了網絡的吞吐量。

圖5 輕負載環境下網絡吞吐量比較

同樣在輕負載環境下，如圖6中的600s時刻，采用SWP、MIRA算法和采用CNR算法的分組丟失率分別對應于0.29%、0.25%和0.17%，相比于采用 SWP、MIRA算法的網絡，網絡引入認知路由CNR算法后，網絡的分組丟失率有一定程度的降低。原因在于 CNR算法通過預留一定的可用帶寬值X( e)，可以保證特定業務流的 QoS和以免在分配每流每鏈路帶寬時資源不足。

圖6 輕負載環境下網絡分組丟失率比較

4.2 重負載環境下的仿真比較

為了比較CNR算法在重負載環境下的自適應能力，假定N1=500、N2=0、N3=0進行仿真，即持久的FTP業務連接達到500個，分別采用CNR、MIRA和SWP算法，仿真結果如圖7所示。在600s時刻，采用SWP、MIRA和采用CNR算法的吞吐量分別對應于3 050kbit/s、3 450kbit/s和4 250kbit/s。實驗結果可以看出，SWP與MIRA算法對該狀況的變化適應能力不足，吞吐量出現了較大的波動，甚至出現了振蕩。而CNR算法則保持了較高的吞吐量，能穩定地趨近于吞吐量的期望值4 200kbit/s，并且波動不大。

圖7 重負載環境下網絡吞吐量比較

同樣在圖8中的600s時刻，采用SWP、MIRA算法和采用 CNR算法的分組丟失率分別對應于0.33%、0.28%和0.17%，相比于采用SWP、MIRA算法的網絡，網絡引入認知路由 CNR算法后，分組丟失率也能繼續保持穩定，并且維持在較低的值，可以說明 CNR算法能有效地在重負載環境下自適應地解決由于負載增大帶來的問題。

圖8 重負載環境下網絡分組丟失率比較

通過在不同負載下的仿真實驗說明，對比MIRA、SWP路由算法，應用本文所提出的認知路由(CNR)算法可以使網絡的性能有所提高，CNR算法能夠根據網絡上業務流的類型和網絡擁塞情況實時進行最優路由轉發，提高網絡吞吐量，同時降低分組丟失率。

4.3 網絡業務類型動態變動環境下的仿真比較

為了更加精確地模擬真實網絡環境，建立業務類動態加入與退出下的仿真網絡環境，并且將網絡可以接納的業務流數目作為評估路由算法性能的指標。其主要依據是在相同負載條件下，路由算法平衡網絡資源的能力越強，網絡資源利用率越高，網絡能夠同時接納的業務流數量越大。當路由計算不合理時，網絡資源使用率低，必然導致較多的業務流請求被拒絕。因此，網絡重載荷情況下接納業務流的數量能夠反映路由算法平衡網絡資源的能力。實驗選取HTTP、FTP和UDP 3種業務流，其中HTTP、UDP為擾動業務流。假定N1=40、N2=30、N3=30進行仿真，仿真的過程中一直有 40個 FTP連接業務的存在，在45s時加入30次HTTP業務連接，55s時結束 HTTP業務連接，繼而在65s時加入 UDP業務，在75s時結束 UDP業務。

網絡業務類型動態變動環境下3種路由算法的實驗結果如圖9所示。從圖中可以看出，在請求接入業務流數量在50個以下時，MIRA、SWP和CNR 3種算法性能相似，但當請求接入業務流數量超過50個時，3種算法有了一定的差異。其中CNR算法相比于MIRA、SWP算法能夠接納最多業務流，主要因為MIRA和SWP算法不能綜合考慮網絡中不同業務流對網絡資源的需求，導致網絡資源分配不均衡。仿真結果表明，CNR算法相比于MIRA、SWP算法可以接納較多的業務流，具有較好的網絡資源利用率和負載均衡能力，能夠適應網絡業務類型動態變動帶來的影響。

圖9 網絡接納LSP數目比較

4.4 原型系統驗證

為了驗證本文所提出的 CNR算法在實際網絡環境中的有效性，在實驗室下搭建小規模的認知網絡系統。該系統包括2臺核心認知路由器、4臺邊緣認知路由器和 10臺以上認知終端組成。為了認知網絡可擴展性的需要，系統中的每個認知路由器通過在多網卡主機中配置基于 Click 轉發平臺的開源軟路由XORP(extensible open router platform)來實現。為了使所搭建認知網絡原型系統更真實地反映現實網絡的傳輸，實驗中不僅提供關鍵業務流的傳輸，同時也提供了背景業務流(非關鍵業務)的傳輸。業務流傳輸的模擬利用一些開源的軟件(如QuikTime、FileZilla、BitTorrent等)來進行設置。

峰值信噪比(PSNR, peak signal-to-noise ratio)表示信號最大可能功率和影響其表示精度的噪音功率的比值，是一種評價圖像的客觀標準。本文采用PSNR作為衡量CNR算法有效性指標之一，表示經過編碼和網絡傳輸后(可能經歷分組丟失)重新合成的視頻圖像和未壓縮的視頻圖像的峰值信噪比。

實驗結果如圖10所示，取RTP視頻流傳輸的前300幀進行分析，可以明顯看出在使用CNR算法的認知網絡環境中進行 RTP視頻流傳輸時的PSNR比在未使用CNR算法的傳統網絡的時要高，視頻質量較高并且波動較小。圖11是RTP視頻流在125幀時的視頻質量對比結果。

圖10 RTP流媒體的峰值信噪比對比

圖11 RTP視頻流在125幀時的視頻質量對比

5 結束語

隨著網絡業務的增多、網絡規模的擴大，用戶需求的差異化，不具備智能性和動態自適應性的傳統路由理論與技術方法，將難以滿足多業務動態傳輸的QoS需要。本文提出了一種基于業務感知和策略選擇的認知路由算法(CNR)，CNR算法綜合考慮了網絡資源、業務流、策略選擇等要素，離線資源分配分配根據網絡中業務流對網絡中可用資源進行分配，在線路徑計算則根據每流每鏈路帶寬采用約束最短路徑算法，將網絡可用帶寬分配給業務流，從而得到最優路徑。與傳統路由算法MIRA、SWP相比，實驗結果表明CNR算法在不同網絡負載環境下均具有較低的分組丟失率和較高的吞吐量，能夠接納較多的業務流，可以有效地提高網絡整體效能及業務流的端到端QoS。

[1] SIFALAKIS M, MAVRIKIS M, MAISTROS G. Adding reasoning and cognition to the Internet[A]. Proceedings of the 3rd Hellenic Conference on Artificial Intelligence[C]. Samos, Greece, 2004.

[2] RYAN W, DANIEL T, FRIEND H. Cognitive networks: adaptation and learning to achieve end-to-end performance objectives[J]. IEEE Communications Magazine, 2006, 44(12):51-57.

[3] MITOLA J, MAGUIRE G Q. Cognitive radio: making software radios more personal[J]. IEEE Personal Communications, 1999, 69(8):13-18.

[4] CLARK D D, PARTRIGE C, RAMMING J C, et al. A knowledge plane for the Internet[J]. Computer Communication Review, 2003,33(4):3-10.

[5] THOMAS R W, DASILVA L A, MACKENZIE A B. Cognitive networks[A]. 2005 1st IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks[C]. 2005. 352-360.

[6] THOMAS R W, FRIEND D H, DASILVA L A, et al. Cognitive networks: adaptation and learning to achieve end-to-end performance objectives[J]. IEEE Communications Magazine, 2006, 44(12):51-57.

[7] MAROJEVIC V, REVES X, GELONCH A. Cooperative resource management in cognitive radio[A]. IEEE International Conference on Communications[C]. 2007.5953-5954.

[8] BALAMURALIDHAR P, PRASAD R. A context driven architecture for cognitive radio nodes[J]. Wireless Personal Communications, 2008,45(3): 423-434.

[9] CAROLINA F, MIHAEL M. Trends in the development of communication networks: cognitive networks[J]. Computer Networks, 2009,53(9): 1354-1376.

[10] GELENBE E, XU Z G, SEREF E. Cognitive packet networks[A].Proceedings of 11th IEEE International Conference on Tools with Artificial Intelligence[C]. 1999. 47-54.

[11] GABRIELLA M, BENEDETTO D, NARDIS L D. Cognitive routing in UWB networks[A]. The IEEE 2006 International Conference on Ultra-Wideband[C]. 2006.381-386.

[12] BALASUBRAMANIAM S, BOTVICH D. Policy-constrained bio-inspired processes for autonomic route management [J]. Computer Networks, 2009, 53(10):1666-1682.

[13] LI D N, ZHANG R T, WANG R. A multiple-path routing algorithm with congestion avoidance based upon ant colony algorithm in cognitive networks[J]. Journal of Computational Information Systems, 2010,6(8):2473-2482.

[14] 李紅艷,李建東,周丹.認知網絡路由技術[J].中興通信技術, 2010,16(1): 50-52.LI H Y, LI J D, ZHOU D. Routing in cognitive network[J]. ZTE Communications, 2010, 16(1):50-52.

[15] SZETO W, IRAQI Y, BOUTABA R. A multi-commodity flow based approach to virtual network resource allocation[A]. IEEE Global Telecommunications Conference[C]. 2003.3004-3008.

[16] KOUSHIK K, KODIALAM M, LAKSHMA N. Minimum interference routing of bandwidth guaranteed tunnels with MPLS traffic engineering applications[J]. IEEE Journal on Selected Areas in Communications, 2000,18(12):2566-2579.

[17] WANG Z, CROUCROF T. Quality-of-service routing for supporting multimedia applications[J]. IEEE Journal on Selected Areas in Communications, 1996,14(7):1228-1234.