網絡柔性重構的智能機理淺析*

蘭巨龍，程東年，王 雨，張風雨

（國家數字交換系統工程技術研究中心 鄭州 450002）

1 引言

網絡重構[1]是一項全新的全面提升網絡業務支持水平的結構性方法。從具體的結構形態上看，可重構網絡分為針對功能的重構和針對性能的重構、靜態重構和動態重構、節點重構和網絡重構等。

網絡對其結構實施重構的具體目標有兩種類型:實現異型網絡能力的融合和實現通用網絡能力的增強。異型網絡能力的融合是指網絡同時具有并可以靈活地組配多種不同的基礎傳送能力，如電路、虛電路、分組的信息交換模式等，網絡根據應用的固有特征和數據傳送要求對自身資源進行分配和調節，動態調整不同基礎傳送能力的組合以及容量。通用網絡能力的增強是指網絡的基礎傳送能力僅有一種，如僅有分組信息交換模式，但網絡通過基礎傳送能力到網絡服務效果的“最佳對應”支持多種網絡應用和業務。從總體上看，這兩種能力均以其單一的網絡同時支持多種網絡應用和業務，但從時間和空間的重構操作粒度上看，前者側重于大粒度的重構，而后者則更強調細粒度重構。

作為無連接、變長分組交換，IP已經被作為各類信息網絡數據傳遞的基礎模式。使用IP的信息網絡具有以下4個共同的特征。

·對鏈路層意義的物理網絡而言，是一個實現異型物理網絡間互聯的“超網”。

·具有語義透明性，并不針對任何特定的業務或應用，因而網絡可以支持的應用類型不受限制。

·提供無連接的信道，將網絡的數據傳送行為與網絡的內在特征相分離，這種解耦合為網絡奠定了健壯性的物質基礎。

·是時間和空間雙重意義的統計復用信道，使得各類上層應用的數據可以在單個網絡傳送節點上實現時間意義的按需資源共享，而在整個網絡范圍內實現空間意義的按需資源共享。

網際互聯、語義透明、簡單健壯的優質特性，使得IP成為可重構網絡的基本數據交換模式，換句話說，以實現通用網絡能力的增強為目標的可重構網絡將成為可重構網絡的一種重要形態，因為這類可重構網絡基于單一的數據交換模式構建網絡結構和資源重構的控制結構，從而向特征和要求均時變的多種網絡應用提供相應的時變數據信道，最終用跟隨特征和要求做同步變化的服務能力，全面提升網絡對業務的支持水平。然而，基于單一和通用網絡能力構建網絡結構和資源重構的機理、機制和控制結構卻成為這類可重構網絡設計的重大挑戰。作為可重構網絡結構調整方式的所謂“柔性”，對于服務效果與應用要求的一致匹配至關重要。支持網絡結構柔性的工作機理和內在結構是什么？當前的研究多圍繞結構柔性的宏觀特性展開，并未清晰地回答諸如網絡對其結構和資源進行重構的內在方式等問題。

2 網絡結構的柔性簡介

對于可重構網絡而言，針對其結構和資源進行動態調整的控制結構是位于網絡功能體系結構下層的基本數據交換模式和位于上層的應用時變特征及要求之間的一塊“墊片”。該墊片在本質上具有功能意義而非結構意義，即其旨在實現基礎數據傳送能力到多樣、多變應用要求的一致匹配，而具體的重構結構既可以是集中式的，也可以是完全分布式的。

柔性是重構控制結構的工作模式。作為重構控制結構的內在要素，柔性是網絡針對應用要求對其內在結構、資源做出隱性和動態調整的方式，其目的是實現網絡服務效果對時變應用要求的一致和穩定的符合（或匹配）。在該意義上，網絡重構的柔性應當具有漸變跟隨、整體要求、隱性隔離和自主驅動4個具體特征。

本文特別強調柔性的漸變跟隨特征，它可以解釋為網絡結構對應用要求的“限距跟隨”。這里的“跟隨”指通過改變內在結構改變網絡資源對應用要求的劃分，進而使得被動時變的資源劃分所表現出的網絡實際服務效果盡可能地接近主動時變的應用要求；“限距”是指上述跟隨所導致的服務效果與應用要求之間的差距有界，即該差距的絕對值既有下界，也有上界。下界的作用是消除時變應用要求在小尺度上的隨機波動對網絡結構帶來的不必要影響，從而消除結構對要求的過度敏感性。顯然，結構對要求的非敏感性也具有損害應用實際得到的服務效果的負面作用。這就是說，下界的設置應當同時考慮應用要求本身的隨機波動特性，即下界的值應當反映應用要求在較小時間尺度上的有效和穩定的變化。設立差距上界是為了滿足應用對網絡服務效果降級的容限要求。用服務效果與應用要求之間差距的上界直接表達服務效果降級的最大程度，就能為網絡重構操作建立直接依據，避免服務效果持續、穩定地降級，進而最大可能地保證各個應用均得到所需以及合理的網絡服務效果。

顯然，與時變的資源劃分和應用要求相同，服務效果與應用要求之間的差距也是時變的。因此識別該時變的差距以及該差距與差距上限之間的“差距”是至關重要的。從應用對服務效果降級的容限特性這一角度看，網絡應當做到在服務效果降級的最大限度之內允許應用要求最大程度地隨機波動。此外，該時變的差距與差距界之間的數量關系可以成為網絡重構操作有效性的重要判斷依據。一方面，對差距下界的超越構成啟動網絡重構操作的觸發條件，而對差距上界的超越則構成加強網絡重構操作的觸發條件；另一方面，差距穩定在上、下界之間意味著對相應的網絡重構加強操作的肯定，而差距穩定在下界之下則是對相應的網絡重構操作的肯定。

網絡服務效果與應用要求之間差距的界因應用類型的不同而不同，對于由多種不同類型的應用匯聚而成的匯聚型應用，界的設定將是值得深入考慮和研究的問題。

針對服務效果與應用要求穩定可靠變化的網絡重構才是有效的。換句話說，網絡重構的有效性應當表達為網絡結構對服務效果與應用要求穩定可靠變化的針對性。因此，應當也必須將服務效果與應用要求之間隨機波動的穩定特征作為網絡重構操作的直接依據。從該意義上講，支持網絡柔性重構核心特征的一種可行的機理是“智能低通隨動”，其含義包括如下3個方面。

·可重構網絡應當建立適當的低通濾波機制，用于抽取網絡服務效果和應用要求的隨機行為中相對穩定可靠的特征，形成直接表達該穩定可靠特征的低通信號。

·隨動是指網絡對應用提供的時變服務效果隨時變的應用要求而動，其本質是網絡對自身結構做出實時改變進而使得時變的網絡服務效果受控。

·“低通”和“隨動”機制應該是智能化的，即驅動網絡重構的機制應當以“感知—決策—調整”的智能方式驅動具體的低通和隨動操作。智能可以粗略地分為低階和高階兩種類型，低階智能指對靜態特征進行感知、適應及局部自主優化，而高階智能則對動態特征進行感知和適應及全局性的自主優化。

3 網絡的知識驅動機理和功能結構

傳統電信網和互聯網分別是網絡和終端具備智能的例子。近期研究表明，網絡智能正被賦予新的內涵，這就是網絡自主和自動適應對其多樣和時變的要求。然而網絡智能的必要性和可行性仍是一個頗有爭議的問題，爭論的一個焦點是網絡為智能付出的代價是否抵得過智能所產生的收益。筆者以為，代價和收益的輕重應當同社會要求和科學技術與時俱進。一方面，社會的整體進步對當今網絡的信息服務提出了前所未有的高要求；另一方面，在器件、硬件、軟件、人工智能等技術已經大幅提高的今天，使網絡具備智能已不存在技術障礙，并且智能所帶來的收益完全有可能顯著超過其代價。

事實上，使開放型網絡具備智能的研究和努力一直在進行著。當前互聯網的體系結構中存在著一個顯著的差異，即端系統具有應用特定的強語義特征，而網絡具有語義的透明性。該差異意味著網絡的高等級目標——應用語義與網絡內部的低等級任務特征被明顯地割裂，導致當網絡內部發生某種異常狀態時，網絡本身并不知曉它對高等級目標的意義，因而也不可能采取任何行動，網絡內部的分組丟失、隊列擁塞以及TCP流控就是典型的例子。1990年，網絡體系結構頂級科學家、美國MIT的Clark D教授針對開放型網絡首次提出了一種全新的體系結構要素——“知識面”（knowledge plane）[2]，Clark教授認為傳統網絡中算法式的方法不能滿足和適應復雜的行為要求，基于智能方法的“知識面”強調，經抽象得到高等級的網絡目標，再將高等級的目標與低層的操作決策有機關聯，就能夠綜合各種不完整甚至沖突的信息，從學習歷史行為和現狀中改善未來的行為，從而達到高等級的網絡目標。知識面網絡體系的概念結構如圖1所示。

圖1 知識面網絡體系的概念結構

Clark教授敏銳地看到了知識與任務之間的區別和關系。他指出:任務通常能劃分成互不相交的任務子集，然而知識卻不能劃分成多個互不相干的知識子集。一項高等級網絡目標不能通過對多個獨立功能 （分別對應多個任務）的組合實現，相反，應當解析知識的內涵，依據內涵界定的要素及其關系確定功能和任務，最后對各個任務進行多個層面、多種程度的有機關聯。

對于具有知識面的系統而言，其核心功能結構具有閉環、學習和推理3個要素。閉環有3個不同能力等級的形式，即初級的“識別—解釋”環、中級的“識別—解釋—建議”環、高級的“識別—行動”環。知識面中的“學習”和“推理”有兩個要義:學習環境、改進自身。例如，針對安全的學習建立一種“透視”機制，發現隱藏在透明數據平面的惡意實體，進而對行為、相關性和應用需求進行建模，推理則對現有知識進行綜合并做出新的推斷和是否信任的判斷。

知識面定義的網絡結構是功能性的，MIT的Li[3]進一步給出了具體的知識面網絡結構，創立了網絡知識面NetKP和高層SepcKP兩種知識面功能實體。其中，NetKP采用智能代理[4]的方法搜集較低等級的網絡狀態，從中提煉出有價值的信息并提供給SepcKP；SepcKP則基于NetKP提供的信息進行路由優化、性能優化、網絡安全等較高等級操作，而這些較高等級操作的結果是導致較低等級的新狀態產生，因此兩者形成有機互動的良性循環。

4 網絡功能的跨層交互機理

作為對信息進行關聯融合的方法，知識面構成網絡實現高等級目標的重要機理，但并未涉及網絡功能的具體結構形態，而當前層次式網絡功能體系的現狀是:各個功能單元僅僅在相鄰層間的服務接入點（SAP）意義上相互關聯，各個非相鄰功能層之間相互隔離。對網絡功能的這種人為、主觀和硬性的關系劃分，加上每層自身的狀態信息對外不可見，均未考慮以自然的方式符合知識內涵意義上功能和任務之間的有機關聯，結果一個功能單元無法得知其他單元的工作狀態，更不可能利用其他單元的工作狀態。顯然這種功能劃分結構既未針對高等級網絡目標的表達和實現，也無功能單元間協同工作的結構性機制。

筆者認為，網絡功能的分層不應當導致多個“孤軍作戰”功能和行動的簡單組合，而應當是多個功能實體在多個層面上相互協同的“聯合作戰”。Thomas R W等人[5]于2005年首次提出認知網絡（CN）的概念，2007年形成較為完整的體系[6]。CN強調通過全網認知協同實現網絡端到端的目標。認知的概念源于生理學，指有意識或受意識支配的智能活動；網絡認知的概念則受到認知無線電（CR）[7]的啟發，CR的核心思想是在無線環境中以類智能的方式實現頻譜優化。從網絡體系結構角度看，CR是僅涉及物理和鏈路兩個協議層的技術。與CR不同，CN將網絡認知擴展到所有協議層，其核心是網絡作為一個整體具備對業務要求、網絡資源和運行狀態等的完整認知能力，提出CN的動因是用觀察、學習和行動的智能活動作為測量、關聯和應對各類復雜變化的機制，從而滿足網絡端到端的目標要求，實現網絡能力到應用要求優化匹配的目的。

網絡認知的4個核心功能是觀察、分析、決策和行動，如圖2所示，支持這4個功能的核心機理是全局感知機理、學習決策機理[8～10]和反饋控制機理。

多層關聯協同的核心是關聯協同感知，而跨層設計[11]又成為關聯協同感知的支持結構。傳統的層次式網絡功能模型因其模塊化特征而極大地簡化了功能之間的耦合關系，但這種分層也導致應用語義在垂直方向上的分割，從而難以將應用端到端的目標要求與網絡內在的過程特征進行有效關聯，使得網絡無法與端系統聯合支持應用端到端的目標要求。針對該問題，Srivastava和Motani提出了跨層設計這種新型的網絡功能分層模型，其結構形態有3種基本類型:層間信令管道、層間直接通信和跨層平面，如圖3所示。層間信令管道結構在協議數據單元頭部建立相鄰協議層之間的直接信令信道；層間直接通信結構利用ICMP以全互連方式建立任意協議層之間的直接信令信道；跨層平面結構則專門建立一個獨立于已有協議棧的共享數據集，每個協議層通過API訪問共享數據集以實現層間交互。跨層功能模型構成認知網絡全局感知能力的結構性機理。

跨層設計的本質是對應用語義和網絡狀態進行關聯，通過功能層之間的交互和協調機制，為支持網絡端到端的目標要求設定網絡功能關聯協調的結構性基礎。從網絡體系角度看，網絡功能的跨層交互消除了因垂直切割網絡功能而導致的應用語義失真和阻斷；相反，它建立應用語義能夠任意等價傳遞的邏輯通道，進而從功能和結構設計的源頭保證用戶數據的傳送要求和對網絡自身實施有效的控制。

認知網絡通常采用跨層設計，一個網絡功能層通常不僅僅使用本層的信息，還使用其他層信息并與其他層進行動態交互，以智能的方式判斷狀態是否為最優，并采取行動改變網絡單元協議棧的配置等。

5 分布式合作感知機理

合作感知是諸多分布化的網絡功能實體協同工作，以實現網絡全局目標的機制。每個承載某種功能的個體在自身所處的局部環境中收集本地狀態和信息，而合作感知機制則對所有局部信息進行多等級的綜合，將綜合結果反饋給每個個體，指導眾個體做出局部判斷并實施局部操作，從而使得局部判斷和操作在整體上表現為實現全局目標的全局性行為，進一步構成網絡做出結構調整的重要條件。

圖3 跨層設計的3種結構形態

環境或狀態信息具有時間和空間的固有特征，因而合作感知具有時間和空間兩種意義。

時間意義上，指在時間區段與感知實體之間建立對應關系，各個感知實體獨立地獲取相應時間區段的環境或狀態信息Il(Δt)，然后由匯集機制將各個區段的局部信息進行合并，最終綜合歸納形成全局信息 Ig(ΔT)并反饋（ΔT>Δt），基本原理如圖4所示，原理式為:

圖4 時域合作感知基本原理

空間意義上，在空間域與感知實體之間建立對應關系，各個感知實體獨立地獲取相應空間范圍的環境或狀態信息Jl(a)，然后由匯集機制將各個子空間的局部信息合并歸納成全局信息Jg(A)并反饋，基本原理如圖5所示，原理計算式為:

圖5 空域合作感知基本原理

6 分布式智能機理

分布式協同是自然適應分布式問題的解決方法，驅動分布式協同的核心是分布式智能。網絡路由問題是一個典型的分布式問題，其目標是在最大化性能、最小化代價的約束下指導流量。確定優化路由的一般性問題可表述為“在非平穩隨機環境中的約束性目標優化”，除了性能最大化和代價最小化，對網絡路由的其他約束有基礎網絡的交換和傳輸技術、條件等。

蟻群算法[12,13]是一種群智能算法[14,15]，以完全分布的方式實現組合優化的功能結構，即一群有特定合作意向和目標的個體，通過信息素機制探索問題的狀態空間，實施相互激勵式的交互與合作，最終在蟻群的整體層面表達問題的最優解。

被傳遞數據所經路徑的特征是網絡實際服務效果的基礎。路徑至少有拓撲和性能兩個基本內涵。拓撲是路徑的靜態特征，在拓撲意義下，最短路徑指靜態拓撲度量（如跳數等）取值最小的路徑，當前互聯網所依賴的IP網絡路徑主要是拓撲意義的。相對而言，性能意義下的最短路徑則指某個性能度量取值最優（如時延最小、吞吐率最大等）的路徑，顯然，性能構成路徑的動態特征。比較而言，拓撲意義路徑的特征隨網絡拓撲的變化而變化，而拓撲變化通常是較大尺度的，性能意義路徑的特征則會隨數據傳遞實際效果的變化而變化，性能通常在較小尺度上發生變化。基于蟻群算法針對的正是性能意義的網絡路徑。

作為全新的激勵式交互通信機制，信息素對于蟻群合作尋優起到以下5個重要作用。

（1）標記

每個螞蟻個體通過釋放信息素表達其經歷，因此信息素本質上是對全局路徑瞬時狀態的記錄、表達和通告。個體k在一個節點上釋放的信息素的量Δτk與當前節點i到目的節點d的距離lid和經歷的時延did成反比[16]，即:

（2）累計

位置i處的信息素τijd(t)表示在t時刻從 i到達 j最終去往d的所有個體所釋放的信息素累計值，即:

這樣，表面上隨機形成的信息素強度的分布自然地表達了網絡路徑長度的內在特征。

（3）引導

信息素構成個體在任何位置選擇本地路徑而繼續前行的直接依據。

（4）放大

信息素濃度正確表達了路徑的質量水平，如路徑的長或短。較高濃度的信息素會在未來吸引較多個體訪問（即歷經），其結果又會進一步增大信息素的濃度，形成放大吸引作用的正反饋效應。

（5）辟新

信息素會自然揮發，從而形成鼓勵蟻群開辟新徑的有效機制:

其中，c為信息素揮發系數，典型地，c=1/(1+Δτk(s))。

信息素最終用于對路由表的修改。依據對本地路徑“個別加強—普遍減弱”的原則，通過信息素突出表現被選擇的下一節點。對路由修改的結果是累加被選擇節點的信息素并減小未被選擇節點的信息素。對于去往目的節點d的第k個螞蟻個體而言，如果它在節點i選擇i的鄰居q作為下一個要到達的節點，則分別通過下述兩個規則修改路由表:

十九大報告指出，“不敢腐的目標初步實現，不能腐的籠子越扎越牢，不想腐的堤壩正在構筑，反腐敗斗爭壓倒性態勢已經形成并鞏固發展”[1]P8。要真正構筑起“不想腐的堤壩”，根本上還要通過加強全黨理想信念教育和思想理論學習，通過思想理論學習不斷強化馬克思主義理論素養，堅定共產黨人的理想信念，增強中國特色社會主義道路自信、理論自信、制度自信、文化自信。因此，要堅持以思想建設為引領，為全面從嚴治黨向縱深發展提供科學理論指引和強大思想武器。

美國中佛羅里達大學的Gelenbe E教授[17]于1999年提出了一種基于蟻群分布式智能的具體網絡結構——認知分組網絡（cognitive packet network，CPN），它具有如下 3個顯著特征。

·針對具有 QoS要求的流。

·將路由計算轉交給流，由流為自己選路，其結果是網絡節點不再具有“路由表”，而僅具有學習路由的強化學習算法。

·創立了3種全新的分組類型:稱為智慧分組（smart packet，SP）的前向分組（沿源到目的方向運動），為一個流確定完整的路徑；稱為應答分組（ACK packet，AP）的反向分組（沿目的到源方向運動），負責反向帶回路徑信息和測量數據；稱為啞分組（dumb packet，DP）的前向分組，以源路由方式承載應用數據。

每個SP均有自己特定的性能、代價、安全等目標，攜帶一段旨在與網絡節點交互(對話)的代碼，而支持網絡節點與智慧分組交互的功能實體是郵箱(mailbox)，郵箱內存儲表示QoS狀態的信息素。每到達一個節點，SP以較大概率理性地（即通過學習算法）自我做出選路決策，而以較小概率(如5%)隨機選路。SP與網絡節點之間的具體交互操作包括:讀取郵箱和自身目標、運行自適應學習算法、計算并決定下一跳、累積存儲經歷的路由信息和QoS信息。每次交互完成后，SP將所測量的信息（如經歷的路徑和QoS狀態等）存入自身的特定字段。

當SP到達目的節點后，自動“變身”為一個對應的反向AP分組，SP將自身攜帶的路由信息和QoS信息轉移到該AP。AP反向沿SP經歷路由（未必是最短路由）折回源節點。每經歷一個網絡節點就將其攜帶的QoS信息存儲在該網絡節點的郵箱內。到達源節點后，再將其攜帶的全程路由信息存儲在源節點的啞分組路由表（DPRR）中，一個“源—目的地址”源組在DPRR表中可有多個表項，通常只有一個表項對應“最短路徑”。

DP從DPRR中選擇最晚創建的表項作為自己的 “源路由”，在從源到目的的途中仍然收集QoS信息，到達目的后變身為一個反向的啞應答分組（DACK），DP將其收集的狀態信息轉移到DACK中，該DACK再折回源節點，在折回途中將時間信息存儲在每個網絡節點的郵箱，并更新源節點的DPRR。

與協議驅動和拓撲驅動的“網絡為應用選路”的傳統路由相比，CPN使用的是非協議驅動、非拓撲驅動的“自我路由”。自我路由的目標是計算性能意義的動態路由，采用的機理是“探索—引領”，即引入 SP、AP和 DP，其中SP和AP是進行主動尋路的信令分組，DP則使用SP和AP計算出的“新鮮”路由信息傳送應用數據，從而使得應用數據動態和最大程度地沿QoS意義的最佳路徑傳送。

CPN為SP設定了多種不同的學習算法計算路由。Bang-Bang[18]是其中較為簡單的一種學習算法。每當SP到達一個網絡節點，就運行該算法進行本地選路:從節點郵箱中讀取歷史信息，分別計算某個QoS指標量的均值X及其估計X*，若X*

比較Tk-1和Rk，根據比較結果同時調整與輸出鏈路對應的RNN節點的興奮或抑制權值w+/w-以及所有其他輸出鏈路所對應RNN節點的興奮或抑制權值，根據所有RNN節點調整后的興奮或抑制權值w+/w-計算每個節點的點火率ri，對每個節點的ri進行歸一化得到 r*，用歸一化的點火率r*計算每個RNN節點的興奮程度qi，最后用興奮度qi作為選擇輸出鏈路i的概率。

各種學習算法都表現為在空間上隨機分布的諸多個體通過個體智能在問題空間的一個子空間上求解。具體地說，蟻群個體的智能表現為依據局部規則進行局部計算，以與鄰近個體進行交互的方式進行局部合作。令人驚奇的是，雖然每個個體都不能僅靠自己發現全局意義的最優路由，但蟻群團隊卻能準確地計算出該最優路由，即眾多個體局部計算和局部合作反映在蟻群整體上產生全然不同的全局行為和結果——涌現[20]，整體層面的涌現與微觀的局部計算之間表現為難以解析表達的非線性關系，涌現精確刻畫了復雜的非線性整體問題的最優解，因而研究分布式智能的目的是尋找個體間通過局部關聯、合作和自組織而發生涌現的微觀工作機理、運動形式和組織結構。

7 結束語

IP因具備網際互聯、語義透明、簡單健壯等優質特性而被公認為當今和可預見的未來信息網絡基本的數據傳送模式，然而將IP作為單一的基礎傳送模式建立可重構網絡卻成為一個挑戰。本文首先說明了重構方式應當服務于效果與要求“一致匹配”這一核心目標，揭示了柔性重構為達到該目標應當具備的漸變跟隨特征，接著分別從知識驅動和功能結構、網絡功能的跨層交互、分布式合作感知和分布式智能4個方面，論述了支持網絡結構柔性的工作機理和內在結構。受性能約束的路由既是分組交換網絡保證數據傳送質量的一個要素，也因其具有的小尺度和高度動態性成為一個難點，對于性能約束路由這類小尺度非線性優化問題，本文強調了采用蟻群優化算法這種能夠在求解單元團隊的層面上以“涌現”的形式表達最優解的全分布式機理，該機理對于求解動態、分布式和非線性問題具有很強的針對性和有效性。

網絡結構的柔性可以也應該具有全新且有益的觀察視角。對于重構網絡而言，從柔性的漸變跟隨這一核心特征出發，可以并且也有理由將承載流量的網絡結構和被承載的流量視為能動的主體，即結構和流量都可以自主地進行自我調節而趨近它們各自或共同的目標。對能動主體的這種認定表達了有區別的網絡要素角色的觀點，而多要素角色意義的能動式自我調節則是網絡結構漸變跟隨性質的高級形式。

在網絡多要素能動調節的意義下，具備柔性的可重構網絡的邏輯結構可以分為如下3種基本形態。

第一，“上適應”形態。這是一種以網絡結構為單一動力學要素的動力學系統形態，即網絡結構具備調節自身能動性的能力而流量不具備。根據預定的優化目標，網絡結構實時測量它對流量的實際承載效果與預定目標之間的差別，當該差別穩定呈現后，用該差別驅動自身結構的調整，以實現差別的最小化。

第二，“下適應”形態。這是一種以網絡流量為單一動力學要素的動力學系統形態，即網絡流量具備調節自身能動性的能力而網絡結構不具備。根據預定的優化目標，網絡流量實時測量它的運動軌跡或分布所對應的實際承載效果，再測量該效果與預定目標之間的差別，然后由穩定的差別驅動對流量運動軌跡或分布進行調整，以實現差別的最小化。

第三，“雙適應”形態。這是一種同時以結構和流量為雙重動力學要素的動力學系統形態，此時，具有共同目標的網絡結構和流量均具備調節自身能動性的能力。與“下適應”和“上適應”形態不同的是，除了各自的內在動力學機制外，“雙適應”形態需要一種特殊的交互機制，這種交互機制使得結構和流量中的任何一方可以向對方傳遞特定狀態的當前值和（或）期望值，同時還可以從對方得到調節自身所需的特定狀態的當前值和（或）期望值，進而通過決策決定自身后續的動力學行為。由此可以說，交互機制作用下的聯動與協同構成雙適應這一能動形態的本質特征。

由于具備“雙向趨同”的獨特性質，這種雙能動體系結構的聯動與協同應當比單一能動形態更有利于共同目標的實現。當然，這種理念的內涵和表現形式還有待進一步完善、細化，其有效性也需要進一步的驗證。

蟻群算法也存在值得深入研究的問題，具體如下。

·結構形式，包括蟻群規模、每個原發節點產生螞蟻個體的概率或速度、網絡狀態對蟻群規模的影響等。

·行為模式，包括估計蟻群對計算路由所需的條件、求解算法，蟻群對網絡性能產生的影響以及這種影響對蟻群計算模型的反饋效應等。

·行為模式對結構形式的作用方式，即路由計算效果和對性能的影響如何改變蟻群的規模，比如如何定位恰好找到最佳路徑所對應的蟻群規模，從而使蟻群對網絡帶寬的耗費最小。

·蟻群算法收斂速度的提高。收斂速度受蟻群算法中諸多要素的制約，如螞蟻個體的生成模式、信息素的定義及其累積方式、對個體隨機操作的定義、對信息素揮發的定義等。快速收斂的蟻群算法因更強的敏感性而更適于高度動態和小尺度問題的優化，更具實時性。

1 劉強，汪斌強，徐恪.基于構件的層次化可重構網絡構建及重構方法.計算機學報,2010,33(9):1557～1568

2 Clark D D,Partridge C,Ramming J C,et al.A knowledge plane for the internet.Proceedings of ACM SigComm 2003,Karlruhe,Germany,August 2003

3 LiJ.Agent Organization in the Knowledge Plane.Ph D Dissertation,MIT,2008

4 Russell S,Norvig P.Artificial Intelligence:a Modern Approach,Second Edition.Prentice Hall,2002

5 Thomas R W,Dasilva L A,Mackenzie A B.Cognitive Networks.Proceedings of IEEE DySPAN 2005,2005:352～360

6 Thomas R W.Cognitive Networks.Ph D Dissertation,Virginia Polytechnic Institute and State University,June 2007

7 Mitola J.Cognitive Radio:an Integrated Agent Architecture for Software Defined Radio.Ph D Thesis,Royal Institute of Technology,2000

8 That hacharm M A L,SastryP S.Networks of Learning Automata.Kluwer,2004

9 Sutton R S.Learning to predict the methods of temporal difference.Machine Learning,1988(3):9～44

10 Kaelbling L,Littman M,Moore A.Reinforcement learning:a survey.Journal of Articial Intelligence Research,1996(4):237～285

11 Srivastava V,Motani M.Cross-layer design:a survey and the road ahead.IEEE Communication Magazine,2005,43(12):112～119

12 Colorni A,Dorigo M,Maniezzo V.Distributed optimization by ant colonies.Proceedings of ECAL'91,European Conference on Artificial Life,Elsevier Publishing,Amsterdam,1991

13 Schoonder W R,Holland O,Bruten J,et al.Ant-based load balancing in telecommunications networks.Adaptive Behavior,1996,5(2):169～207

14 Reynolds C.Flocks,birds and schools:a distributed behavioral model.Computer Graphics,1987(21):25～34

15 Toner J,Tu Y.Flocks,herds and schools:a quantitative theory of floking.Physical Review E,1998(58):4828～4858

16 Schoonder W R,Holland O,Bruten J,et al.Ant-like agents for load balancing in telecommunications networks.Proceedings of the First International Conference on Autonomous Agents,ACM Press,1997:209～216

17 Gelenbe E,Xu Z,Seref E.Cognitive packet networks.Proceedings of the 11th International Conference on Tools with Artificial Intelligence(ICTAI’99),Chicago,IL,USA,1999:47～54

18 Gelenbe E,Seref E,Xu Z.Simulation with learning agents.Proceedings of the IEEE,2001,89(2):148～157

19 Gelenbe E.Learning in the recurrent random neural network.Neural Computation,1993,5(1):154～164

20 Chu T,Wang L,Chen T,et al.Self-organized motion in a class of anisotropic swarms:convergence vs oscillation.Chaos,Solitons&Fractals,2006,30(4):875～885