大差異數據沖擊下的網絡路由分類器的設計與實現

韓艷++劉晨

摘 要： 針對大差異數據沖擊下路由器存在路徑選擇誤差大的問題，設計大差異數據沖擊下的網絡路由分類器，其主要由FPGA開發板、模/數采集器和數字信號處理器組成。分類器先對網絡路由分類函數進行設計，并將其寫入FPGA開發板。當網絡信道存在大差異數據沖擊時，FPGA開發板將調用網絡路由分類函數對大差異數據進行預分類，獲取預分類結果并將其傳送到模/數采集器。模/數采集器將預分類結果轉換成低壓差分信號，數字信號處理器對該低壓差分信號進行特征提取和參數修正，進而獲取最佳分類結果。實驗結果表明，所設計的分類器具有信道增益效果好、分類速率高和信道失效率低的特點。

關鍵詞： 大差異數據； 數據沖擊； 網絡路由分類器； 路徑選擇

中圖分類號： TN711?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）12?0076?03

Abstract： In view of great error in the path selection of router under impact of large differences data， a network routing classifier under the impact of big difference data is designed. It is mainly composed of FPGA development board， modulus collector and digital signal processor. The network routing classification function of the classifier is designed and then written into the FPGA development board. When there is a big difference data impact to network channel， the FPGA development board will call the network routing classification function for pre?classification of large difference data to obtain preliminary classification results and send them to the modulus collector. The modulus collector transforms classification results into low?voltage difference signal. The digital signal processor executes feature extraction and parameter correction of the low?voltage differential signal， so as to obtain the best classification results. The experimental results show that the designed classifier has the characteristics of good channel gain effect， high classification rate and low channel failure rate.

Keywords： big difference data； data impact； network routing classifier； route selection

0 引 言

分類器是一種能夠通過映射方式為已知數據進行分類，進而實現數據挖掘的模型，分類器的好壞將直接影響到網絡信道的數據通信性能[1?3]。在大差異數據沖擊下，分類器的作用尤為重要，但由于網絡信道容量和用戶數據使用需求的限制，以往設計的大差異數據沖擊下的分類器均存在不同程度的性能缺陷。為了使網絡信道能夠進行安全、快速、精準大差異數據沖擊下的通信工作，根據用戶需求通過網絡路由分類函數增益信道通信性能，設計出性能優異的大差異數據沖擊下的網絡路由分類器[4?5]。

1 網絡路由分類器的設計與實現

1.1 網絡路由分類函數設計

在大差異數據的沖擊下，網絡信道通信能力不斷下降，數據通信的母節點在向目標節點傳送數據時中轉工作的阻礙也必然有所增強。為此，將“合理選擇中轉節點、提高中轉工作準確性”作為網絡路由分類函數的基本設計原理，在此基礎上設計出數據通信時延小、丟包率低，并且節能環保的網絡路由分類函數，以優化所設計大差異數據沖擊下的網絡路由分類器的信道增益效果、分類速率和信道失效率。

所設計的網絡路由分類函數設為時間段中流經數據通信中轉節點的大差異數據，為其時間序列，的單位是b/s。再將中轉節點的實時數據量設為，用表示中轉節點的總數量，此時，和的關系可表示為：

1.2 分類器硬件的設計與實現

大差異數據沖擊下的網絡路由分類器的核心硬件有3個，分別是現場可編程門陣列（Field?Programmable Gate Array，FPGA）開發板、模/數采集器和數字信號處理器。在分類器開始工作前，網絡路由分類函數將被提前寫入FPGA開發板中。

當網絡信道存在大差異數據沖擊時，FPGA開發板將調用網絡路由分類函數進行預分類，模/數采集器和數字信號處理器將對數字信號處理器的預分類結果進行優化。3個核心硬件的內部電路簡圖見圖1。

由圖1可得，FPGA開發板內部含有的主要元件為微控制器、檢測器和處理器，這三種元件中均含有時鐘程序，這些時鐘程序不僅僅只為大差異數據的網絡路由分類函數預分類工作計時，也為模/數采集器提供計時。FPGA開發板中檢測器的輸入端內擁有一個規格為10 b的先進先出存儲器，大差異數據將被首先存儲于該存儲器中，再被傳輸驅動接口調出。

微控制器與傳輸驅動接口相連，進行大差異數據的接收與預分類，其可以同時進行2 048個大差異數據的預分類工作。預分類結果會被再次傳送到先進先出存儲器中，并接受處理器的隨時調用。處理器對大差異數據的網絡路由預分類結果的信號進行調制，使其能夠更加容易地被模/數采集器所接收。

所設計的大差異數據沖擊下的網絡路由分類器的模/數采集器擁有200 MHz的超高采樣頻率，其采樣精度為15 b，輸出信號為低壓差分類型。低壓差分類型的信號精度高、魯棒性強，且耗能較少、噪聲更小。模/數采集器的主要工作便是將預分類結果轉換成低壓差分信號，達到有效降低分類器信道失效率的作用。模/數采集器電路的前端是一個限流器，其作用是將預分類結果根據用戶的需求速率進行模/數轉換。這樣設計可在滿足用戶需求的同時，起到保護分類器電路的作用。數字信號處理器負責對模/數采集器輸出的低壓差分信號進行特征提取和參數修正，進而獲取最佳分類結果。其擁有32位規范處理模式，處理頻率最高可達2 GHz，便于進行類型復雜的大差異數據的處理工作。數字信號處理器還配置了多種類型的數據接口和高容存儲器，能夠較好地滿足用戶對大差異數據的使用需求。

2 實驗驗證

實驗將在相同條件下對BP神經網絡分類器、云計算分類器與本文分類器的性能進行對比，以驗證本文分類器能否實現信道增益效果好、分類速率高和信道失效率低的設計初衷。在面積為1 000 m2區域內的網絡信道進行實驗，其中，數據通信中轉節點共100個，大差異數據的數據量共1 GB，每個節點的通信半徑為50 m。

2.1 信道增益效果驗證

在分類器信道增益效果的對比驗證中，實驗對三個分類器下網絡信道的時延和丟包率進行了統計（網絡信道的時延和丟包率越小，證明分類器的信道增益效果越好），并將數據繪制成曲線圖，如圖2、圖3所示。

由圖2、圖3可得，BP神經網絡分類器、云計算分類器和本文分類器下的網絡信道時延均已達到“良好”標準，本文分類器下的網絡信道時延更小且更加穩定；而本文分類器下的網絡信道丟包率要遠低于其他兩種分類器。以上結果驗證了本文分類器擁有優異的信道增益效果。

2.2 分類速率驗證

將BP神經網絡分類器、云計算分類器和本文分類器的分類速率輸出并繪制成曲線圖，如圖4所示。

由圖4可得，云計算分類器在受到大差異數據沖擊后的分類速率波動較大，其最低值與最高值相差17.86 Mb/s，與其他兩種分類器不具備可比性；對比本文分類器和BP神經網絡分類器來看，本文分類器的分類速率隨著通信半徑的變大而呈現上漲趨勢，BP神經網絡分類器則呈現下降趨勢，證明本文分類器擁有優異的分類速率。

2.3 信道失效率驗證

將BP神經網絡分類器、云計算分類器和本文分類器的信道失效率輸出并繪制成曲線圖，如圖5所示。

由圖5能夠較為明顯地看出，本文分類器的信道失效率遠低于其他兩種分類器，可在一定程度上增強網絡信道的數據通信性能，證明本文分類器具有信道失效率低的特點。

3 結 論

本文設計了大差異數據沖擊下的網絡路由分類器，其以“合理選擇中轉節點、提高中轉工作準確性”為分類函數的設計原理，設計出時延小、丟包率低、耗能少的網絡路由分類函數。實驗將本文分類器與BP神經網絡分類器、云計算分類器的各項性能進行對比，驗證出本文分類器具有信道增益效果好、分類速率高和信道失效率低的特點，可有效增強網絡信道的數據通信性能。

參考文獻

[1] 張學峰，王鵬輝，馮博，等.基于多分類器融合的雷達高分辨距離像目標識別與拒判新方法[J].自動化學報，2014，40（2）：348?356.

[2] 江偉堅，郭躬德.復雜環境下高效物體跟蹤級聯分類器[J].中國圖象圖形學報，2014，19（2）：253?265.

[3] 郭云龍，潘玉斌，張澤宇，等.基于證據理論的多分類器中文微博觀點句識別[J].計算機工程，2014，40（4）：159?163.

[4] 陳艷秋，孫培立.一種基于類別強信息特征和貝葉斯算法的中文文本分類器[J].計算機應用與軟件，2014，31（8）：330?333.

[5] 郝曉麗，張靖.基于改進自適應聚類算法的RBF神經網絡分類器設計與實現[J].計算機科學，2014，41（6）：260?263.

[6] 申浩洋，韋安磊，李楠楠，等.基于神經網絡分類器的城市污水處理廠水力沖擊預警系統[J].環境科學學報，2015，35（4）：1224?1232.