一種面向認知網絡的不確定性評價方法★

劉賽男 石振國 王國濤 吳小景

(1.南通大學電子信息學院，江蘇 南通 226019； 2.南通大學計算機科學與技術學院，江蘇 南通 226029)

·計算機技術及應用·

一種面向認知網絡的不確定性評價方法★

劉賽男1石振國2王國濤1吳小景1

(1.南通大學電子信息學院，江蘇 南通 226019； 2.南通大學計算機科學與技術學院，江蘇 南通 226029)

針對認知網絡性能評估中存在的隨機性和模糊性問題，提出了一種面向認知網絡的不確定性評價方法，該方法引入了云模型理論，研究并提出了基于云模型的認知網絡性能評估方法，實現了認知網絡性能評價的定量與定性互換，并通過實驗驗證了該評價方法的可行性。

認知網絡，下一代網絡，性能評價，云模型

認知網絡[1](Cognitive Network)是目前國內外關于下一代智能網絡研究中的熱點話題[2-4]。區別于傳統的網絡，認知網絡能夠感知自身網絡狀態和外部環境，并以端到端網絡性能QoS(Quality of Service)為目標，著眼于整個網絡，動態實時地調整網絡內部配置，智能地適應變化的環境。因此，為了確保認知網絡的資源能夠得到合理配置，并能最終為用戶提供優質的服務質量，如何有效評價認知網絡服務性能顯得尤為重要。文獻[5]通過刻畫出一種新的認知網絡數據到達特征和信道服務特征，進而分別從積壓與時延兩個指標評價認知網絡的性能。文獻[6]提出了一個認知網絡管理模型，模型中引入認知測量系統，持續監測和診斷網絡性能的潛在問題。文獻[7]采用效用函數并利用中斷管理機制和認知網絡的主動特性，提出了一種保障用戶QoS水平的方法。目前，關于認知網絡的性能評價大多是孤立地去考慮某些性能指標，未能考慮各個性能指標在評價過程中的不確定性。

各個指標采用的評估方式不同，有的只能采用自然語言表示，有的可以用精確數值表示。因此，如何處理這種評價過程中的不確定性，從而準確評估認知網絡的性能成為了研究的關鍵。

為解決上述問題，本文在云模型[8]相關理論的基礎上，以認知網絡中的業務傳輸為研究背景，提出了一種面向認知網絡的不確定性評價方法，有效地解決了各項指標在評估過程中的隨機性和模糊性問題。

1 評價模型

1.1 Cloud Model

云模型首先是由李德毅提出的一種不確定智能轉化模型，最早應用在人工智能領域，主要反映的是概念上的不確定性，即模糊性和隨機性。它用三個數字特征來描述，即期望值Ex,熵En和超熵He。其中期望值Ex為概念上的標準值，反映了相應的定性概念的信息中心值；熵En是定性概念不確定程度的度量，熵越大，概念就越模糊；超熵He為熵的熵，反映了云的離散程度，即確定度的不確定性[8]。

2)云發生器。

正向云發生器和逆向云發生器是云模型中兩個最重要的算法[9]。正向云發生器實現定性概念到定量表示的轉換，即由云的數字特征產生云滴。逆向云發生器實現定量表示到定性概念的轉換，即由云滴群得到云的數字特征。

正向云發生器算法：

a.生成以En為均值，方差為He2的正態隨機數En′；

b.生成以Ex為均值，方差為En′2的正態隨機數x；

專職隊伍不斷精壯，培育活力。省公司設置專職紀委書記，監察部專職紀檢人員從2016年年初的5人擴充到14人，每個市州分公司都有3～4名專職紀檢人員， 6個較大的縣分公司配備了專職人員，其他縣分公司均配備了兼職人員。

c.計算y=e-(x-Ex)2/2(En′)2；

d.使(x,y)成為論域中的一個云滴；

e.重復上述步驟直到產生規定的云滴。

逆向云發生器算法：

1.2 基于Cloud Model的認知網絡性能評估模型

在認知網絡性能評估中，只有多個指標達到均衡最優，端到端網絡性能才能達到最佳狀態。因此，性能評估過程中，應先測量基本性能指標，再通過綜合分析這些基指標得出當前網絡的整體運營情況。具體來講，首先由認知用戶進行本地感知，獲取域內結點的QoS參數信息，并匯報給各自的域認知服務器，然后各個域的認知服務器將信息匯報給至智能評價模塊，進行最終的網絡性能評估。

考慮到認知網絡中網絡運行的實際情況以及網絡評價過程的模糊性和隨機性問題，本文借助云模型理論，通過對各個基指標進行綜合評估獲得網絡整體運行情況。評估模型如圖2所示。為了更好的評價網絡綜合性能，在對各指標進行測量評估時，可以根據具體情況預先指定各指標權重，最后再進行網絡的綜合性能評判，本文中采用的是利用模糊層次分析法(Fuzzy Analytical Hierarchy Process)[10]來確定各個指標權重大小。其評價模型如圖1所示。

2 評價算法

性能評估具體步驟如下：

Input：從認知網絡各數據采集點所獲QoS信息，X={x1,x2,…,xn}。

Output：認知網絡性能的綜合評價云。

step1：采集QoS信息并建立認知網絡的性能評價指標論域X={{x11,x12,…,x1k},{x21,x22,…,x2k},…，{xn1,xn2,…,xnk}}。

step2：建立評語論域Y={y1,y2,…,ym}。

step3：采用模糊層次分析法計算各指標對應權重W={w1,w2,…,wn}。

step4：采用云模型理論計算論域X對應于評語域Y的隸屬度，并與標準云對比，得到認知網絡性能的綜合評價云。

3 實驗驗證與分析

3.1 認知網絡實驗環境

本文采用網絡仿真工具NS2搭建認知網絡仿真平臺。實驗拓撲結構如圖2所示。圖中共分為3個認知域，有15個結點，其中包括12個葉結點表示主機，3個非葉結點表示域內服務器，以數據傳輸業務為例。各個域認知服務器獲得的參數值如表1所示，是一個參數三元組(時延/ms，抖動/ms，丟包率)，其中T9～T12為鏈路L1到L2重載情況。

表1 仿真結果

3.2 FAHP權值計算

利用模糊層次分析法獲取指標權重如圖3所示。

3.3 性能評估

將測得的認知網絡各性能參數的數據樣本輸入評價系統，所得評價結果如圖4所示。從圖中可以看出，總的來說，網絡性能還是比較好的。圖5展示了不同時間段、不同負載情況下的網絡性能對比圖。可以看出，T1～T8和T13～T16階段，網絡負載正常，網絡性能較理想，而在T9～T12時間段里，由于網絡處于重載情況，所以網絡性能不是很理想。從評價結果可以看出，本文所提出的認知網絡性能評價方法較為準確地反映了網絡的性能情況。與傳統的網絡性能評價方法相比，更能體現出網絡性能評估過程中的隨機性與模糊性，使評價結果的可信度大大提高。

4 總結與展望

本文針對認知網絡性能評估中存在的各種隨機性和模糊性問題，結合云模型相關理論，并將模糊層次分析法應用于評估指標之間的權值計算，從不確定性角度對認知網絡進行了端到端性能評價。該評價方法利用云滴產生過程中的不確定性和穩定的趨向性模擬不同專家對相同現象的不同評估結果，實現了網絡性能評估值向評語域的不確定性轉換。仿真實驗結果表明了該評價方法的可行性。文中的評價結果是在仿真情況下獲得，如何將認知網絡的性能評估問題推廣到實際應用中是下一步研究工作中的重點。

[1] Thomas R,DaSilva L.Cognitive Networks[C].Proc.IEEE DySPAN 2005,Maryland,USA,Nov,2005:352-360.

[2] Sakellari’Georgia.The cognitive packet network:A survey[J].Computer Journal,2010,53(3):268-279.

[3] Hey Laurence A.Reduced complexity algorithm for cognitive packet network[J].Computer Communications,2008,31(16):3822-3830.

[4] Sarkar Dilip.Transport layer protocols for cognitive networks[A].IEEE Conference on Computer Communications Workshops[C].San Diego,CA,United States,2010:1-6.

[5] 陳 昕，徐 彤，向旭東，等.具有并行信道的認知無線網絡性能評價研究[J].計算機研究與發展，2013，50(10):2126-2132.

[6] Dr.Contains.An Introduction to the Cognitive Concept as a Cost-Effective Method for Network Performance Management[C].IEEE Wireless Communications and Networking Conference,2008:3197-3201.

[7] 馮光升，王慧強，馬春光，等.面向認知網絡的用戶QoS動態自配置方法[J].通信學報，2010,31(3):133-140.

[8] 李德毅，劉常昱，杜 鹢，等.不確定性人工智能[J].軟件學報，2004,15(11):1583-1594.

[9] 李德毅，杜 鹢.不確定性人工智能[M].北京：國防工業出版社，2005.

[10] 張吉軍.模糊層次分析法[J].模糊系統與數學，2000,14(2):80-88.

Uncertainty evaluation approach for cognitive network★

Liu Sainan1Shi Zhenguo2Wang Guotao1Wu Xiaojing1

(1.SchoolofElectronicInformation,NantongUniversity,Nantong226019,China;2.SchoolofComputerScienceandTechnology,NantongUniversity,Nantong226029,China)

In order to solve the existing performance evaluation of cognitive network of random and fuzzy problems, a method for evaluating the uncertainty of cognitive network is proposed in this paper. The paper studies and puts forward the cognitive network performance evaluation method based on Cloud Model, which implements the quantitative and qualitative swaps of cognitive network performance. Through the experiment is given to demonstrate the feasibility of the evaluation method.

cognitive network, next generation network, performance evaluation, Cloud Model

2015-03-08★：本文受國家自然科學基金項目(項目編號：60975033)；國家自然科學基金項目(項目編號：61340037)；江蘇省高校自然科學基金(項目編號：07KJB520096)資助

劉賽男(1990- )，女，在讀碩士； 石振國(1964- )，男，博士，副教授

1009-6825(2015)14-0256-03

TP399

A