卷積神經網絡下異構通信網絡動態信道分配方法

張 磊,劉春靜,章敏鳳

(安徽信息工程學院 電氣與電子工程學院,安徽 蕪湖 241100)

0 引 言

動態信道分配是以實現通信網絡信息傳輸效率最大化為目標、結合信道質量標準等條件對通信資源進行優化配置的過程,是一種高效的資源管理措施。高效的信道分配方法可以提高通信網絡容量,減少信息傳輸過程受到的外界干擾[1]。

所謂異構通信網絡是指利用不同的接入方式將2個或以上的通信網絡融合到一起,以取長補短的形式滿足不同信息傳輸任務的需求。針對異構通信網絡來說,有效的信道分配是保證信息及時、高效傳輸的基礎。因此,相關的通信網絡動態信道分配方法受到了人們的密切關注[2]。

文獻[3]提出一種載波通信混合型信道分配方法,從提高信道利用率和降低傳輸時延的角度出發,結合CSMA/CA和TDMA技術判斷通信網絡信道負載的動態變化,并利用時隙分配法,以PRIME協議為框架對信道進行分配。文獻[4]提出一種基于隱馬爾可夫模型的動態跳頻信道分配方法,將通信信息的傳輸時段劃分為多個跳頻時段,建立隱馬爾可夫模型對異構網絡中的可用信道進行識別判斷,并形成跳頻信道集合及動態序列,基于此實現信道分配。文獻[5]提出一種通信信號多路徑傳輸信道實時分配方法,在信號傳輸過程中,根據節點干擾和傳輸速度確定信道分配的目標函數,并采用博弈論對其進行求解,將信號傳輸成功率作為效用函數實現通信網絡傳輸信道實時分配。文獻[6]提出一種基于組合智能算法的無線網絡信道分配方法,在建立通信網絡信道分配模型的基礎上,采用遺傳算法設計初始分配方案,結合粒子群優化算法對其進行精細搜索,得到最終的分配方案。然而,隨著異構通信網絡中待傳輸數據的不斷累積,上述幾種方法下的相關異構組織的應用特性被逐漸掩蓋,從而導致通信網絡主體結構的承載量受到影響,能接納的待傳輸信息較少,導致網絡傳輸效率大大下降。

文獻[7]提出一種適用于移動通信系統的信道分配方法,首先構建通信能耗模型,結合鏈路節點自適應收發過程控制不同的通信信號接收陣元,根據節點和資源信息調度間的關系控制信道的分配情況。文獻[8]提出一種基于在線排隊模型的信道優化分配方法,以可靠性作為信道排隊和權重分配原則,以簇頭和網關處信道資源作為具體分配內容,利用網關節點合作感知結果構建在線排隊模型,結合最優融合準則實現對信道資源的分配。然而,上述2種方法也因接收陣元和排隊模型的容量較小而導致通信網絡主體結構的承載量較低。

文獻[9]提出一種基于自適應遺傳算法的通信信道動態子載波分配方法,利用遺傳算法的全局搜索能力對通信系統動態子載波進行自適應分配,對遺傳種群中的個體進行交叉操作,并對得到的子代種群進行復制和變異操作,不斷重復該過程直至完成全部子載波的信道分配。文獻[10]提出一種基于演化博弈的通信網絡抗漣漪效應信道分配方法,通過分析漣漪效應原理構建終端節點群集的演化穩定均衡博弈模型,對穩定狀態下的均衡漣漪效應進行評估,實現對通信網絡單沖突域內信道的分配。然而,上述幾種方法需根據不同網絡節點的具體傳輸條件為數據信息分配必要的信道節點,再通過比特量計算的方式統計分配處理所遵循的實值系數。但在既定操作時間內,這幾種方法的最大承載條件難以達到理想化標準水平,且分級動量的調節參數也一直處于平均值以下,導致信道傳輸時滯量較大。

CNN特指具有前饋神經調節能力的網絡結構體,能夠按照卷積層組織的具體計算行為確定單一網絡節點所處的實際應用位置,是深度學習領域的核心代表算法之一。CNN具有明顯的表征學習能力,能夠按照階層化網絡結構中輸入信息的表達形式,對未占用的信道節點實施動態平移處理,故也被稱之為平移不變的“人工神經網絡”[11]。最基本的CNN網絡包含輸入層、隱含層、輸出層共3層物理結構。其中,輸入層直接面對通信網絡的多維數據,可按照既定處理模式為孤立節點分配足量的待處理信息;隱含層中包含大量的通信節點,可根據待傳輸數據的總量條件,選擇性建立與核心主機間的通信連接;輸出層附著于CNN網絡的最底部,僅負責向下級執行結構傳輸必要的網絡信息[12]。

因此,為解決傳統方法中存在的網絡異構體承載量小、信道傳輸時滯量大的問題,引入CNN技術,在通信濾波器、網絡模板庫等硬件結構的支持下,設計一種新型的動態信道分配方法,并通過對比實驗說明不同信道分配方法之間的實用差異性。

1 基于CNN的異構通信網絡

基于CNN的異構通信網絡主要由核心框架、通信濾波器、網絡模板庫3部分組成,其中核心框架處于輸入層,通信濾波器屬于隱含層,網絡模板庫屬于輸出層。

核心框架為異構型CNN框架,是通信網絡的主體支撐結構,由核心主機、通信濾波組織、網絡模板組織、網絡通信API、動態信道API等共同組成。其中,核心主機直接作用于通信網絡,在協調通信濾波組織與網絡模板組織傳輸行為的同時,確定標準異構節點所處的具體位置;通信濾波組織直接服務于通信濾波器,可根據網絡節點及異構參量的具體數值水平實現對待分配信道的統一調度處理;網絡模板組織直接服務于網絡模板庫,可按照CNN的具體動態運維條件生成一定數量的信息行為報告,進而將處于空閑狀態的信道主機接入核心異構網絡;核心主機借助網絡通信API與動態信道API與一、二、三級主機結構分別相連,一方面可處理原CNN網絡中的VIM、PIM分配問題,另一方面聯同KBS節點,向VCA信道傳輸待分配的網絡通信數據[13]。其中的二級主機負載一個Plus裝置,能夠時刻感知異構通信網絡及原CNN網絡的具體連接狀態。整體的異構型CNN框架結構如圖1所示。

通信濾波器是異構型CNN框架的下級附屬結構,由異構通信電阻、動態消耗電阻、實體濾波結構、CNN調節裝置、主體通信組件共同組成。其中,異構通信電阻與通信網絡的一級主機相連,具備較強的電流疏導能力,可充分調節由通信量提升而大量堆積的動態網絡數據;動態消耗電阻與通信網絡的三級主機相連,可直接負載核心網絡主機中的信道分配任務,并按照阻值額度的不同,為相關硬件裝置匹配必要的傳輸配合電流[14];實體濾波結構是通信濾波器的核心處理結構,具有調節原CNN網絡連接狀態的能力。在通信數據大量堆積的情況下,可建立與動態信道的物理連接,進而驅使各級網絡節點逐漸趨向理想化位置[15];CNN調節裝置、主體通信組件同時附屬于實體濾波結構,在通信濾波器執行過程中起到輔助性維護的作用,可快速感知兩端電阻負載量的變化情況,進而促進動態信道分配行為的快速實施。

圖 1 異構型CNN框架結構圖Fig.1 Heterogeneous CNN frame structure diagram

網絡模板庫位于異構通信網絡的最底層,包含2個CNN遠程工作站、1個主干分配網絡和多個分級附屬設備。CNN遠程工作站可借助異構通信網絡向主干分配網絡傳輸動態信道的數據分配指令,且在此過程中,通信數據服務器、網絡信道運行服務器、動態分配服務器始終保持高度的統一調度狀態,待異構體信息達到預定累積條件時,監控工作站接入主干分配網絡,實現對后續網絡結構體的歸一化調節;異構環網、分配總線、通信服務工作站同時附屬于主干分配網絡,具有較強的網絡抗壓能力,可按照動態信道的具體分配情況驅使CNN節點不斷向目標位置移動[16]。

網絡模板庫結構如圖2所示。

圖 2 網絡模板庫結構圖Fig.2 Network template library structure diagram

2 動態信道分配設計

在上述CNN異構通信網絡的基礎上,按照動態拓撲傳感器連接、信道載體配置、分配損差量計算的處理流程,實現網絡動態信道分配方法的順利應用。

動態拓撲傳感器是實施網絡信道分配指令的核心結構元件,由CNN異構芯片、信道接口、主體傳感板件、拓撲燈等多個物理結構共同組成。其中,拓撲燈具有明、暗2種顯示狀態,在異構通信數據未達到額定承載條件時,該結構始終保持“暗”顯示狀態;而在異構通信數據超過額定承載條件時,該結構則顯示“亮”狀態;CNN異構芯片位于動態拓撲傳感器頂端,可直接順承網絡模板庫的數據連接需求,并與核心分配主機保持單向連接關系[17];拓撲信道接口是載體結構接入異構網絡的物理通道,具有良好的數據輸出能力;主體傳感板件負載其他元件的信息連接需求,具有較高水平的數據存儲能力;異構網絡通信主板是傳感板件的附屬結構,可維護動態信道的基礎連接行為,進而使核心分配主機直接建立與傳感拓撲構件的傳輸連接[18]。

在CNN異構網絡中,信道載體呈現出明顯的分級連接狀態,且每個動態簇內均包含一個由-CH前綴和-CM后綴組成的部署實體。在實施信道分配的過程中,-CH前綴能夠與動態拓撲傳感器相連,在完整接收通信電流的同時,將非必須異構電子量轉化成樹樁結構,以供通信濾波器、網絡模板庫等硬件設備組織的直接調用[19-20]。-CM后綴能夠與異構型CNN框架相連,可按照物理信道的動態調節行為,為各空閑節點選取必要的通信數據,進而使整個異構網絡時刻處于相對良好的傳輸狀態。

在不考慮其他干擾影響的情況下,信道載體配置結果只受到-CH前綴、-CM后綴具體數值水平的影響。隨著異構通信網絡中待傳輸數據的不斷累積,通信濾波器和網絡模板庫都在連接與斷開狀態中來回切換,直至所有動態信道的占用水平都滿足理想分配條件[21]。

(1)

式中:χ為CNN通信網絡的常規化異構系數;p為動態分配信道的最大參量負載條件。

分配損差是指因動態信道偏轉而產生的不必要節點占用,其易受到CNN網絡異構行為、通信數據傳輸周期等多項物理參數的直接影響。在CNN通信網絡出現定向異構行為的情況下,信道載體會由原始位置向待分配位置不斷運動,直至被占用信道的數量值與總信道數量完全相等[22]。在實施異構處理的過程中,CNN網絡始終保持較高的并行化執行能力,且隨著分配時間的延長,待處理的動態信道會一直向著目的端運動,直至將所有暫存數據信息完全轉化成標準連接狀態。

假設CNN網絡異構行為參量為u,且u在既定連接時間內能夠直接影響分配損差結果的上限承載能力,通信數據傳輸周期常表示為T,在不考慮異常分配行為的情況下,且T不受其他影響條件的干擾,聯立公式(1),可將動態信道分配損差量的計算結果表示為

(2)

式中:d1,d2分別為2個不同的節點通信數據;f為動態信道組織的實際分配步長值;j為通信網絡的CNN異構系數;δ為冪次項執行參量。

在此基礎上,開啟所有不存在占用的通信信道,選擇NetBEUI協議對異構通信環境中的信息進行接收或發送操作,根據信道節點的匹配信息和分配損差量的計算結果對信道所處位置進行動態分配。

3 檢測與分析

為驗證基于CNN的異構通信網絡動態信道分配方法的實際應用性能,設計如下應用性檢測實驗。

在云計算環境下,選取3臺執行狀態完全一致的網絡主機作為實驗對象,在既定監測時間內,分別搭載本文方法,文獻[6]基于組合智能算法的無線網絡信道分配方法和文獻[10]基于演化博弈的通信網絡抗漣漪效應信道分配方法控制實驗對象的信道分配行為并將各項實時指標調試至最佳執行狀態。同時啟動3臺實驗主機,統計網絡異構體承載量、信道傳輸時滯量和數據冗余率的具體變化情況。

首先將網絡異構體承載量作為實驗指標。通信網絡異構體承載量能夠反映信道內能接納的待傳輸信息數量,進而側面反映通信網絡的傳輸效率。以60 min作為檢測時長,分別記錄在該段時間內,不同分配方法在不同時間段下網絡異構體承載量的具體變化情況,統計結果如表1所示。

表1網絡異構體承載量對比表

Tab.1 Comparison of network isomer load

單位:1015T

檢測方法檢測時間/min51015202530354045505560平均值本文方法8.28.28.68.68.98.99.39.39.79.79.89.89.1 文獻[6]方法3.84.14.34.54.64.64.64.64.44.24.03.94.3 文獻[10]方法6.16.36.36.77.17.47.57.27.27.26.86.86.9

從表1可知,隨著檢測時間的累積,本文方法的網絡異構體承載量呈現階梯狀上升的變化趨勢,全局最大值達到9.8×1015T,且能夠保持5 min的穩定狀態;文獻[6]方法的網絡異構體承載量前期不斷上升,在達到穩定狀態后開始下降,全局最大值為4.6×1015T;文獻[10]方法的網絡異構體承載量同樣也呈現出先上升后下降的趨勢。對比實驗數據可以看出,文獻[6]和文獻[10]方法的網絡異構體承載量低于本文方法。綜上,應用基于CNN的信道分配方法能夠保證足夠的網絡異構體承載量。

通信網絡當前的狀態變化情況不僅與當前時刻的傳輸狀態有關,受過去某時刻的傳輸狀態的影響也較大,這一性質被稱為傳輸時滯。傳輸時滯可以反映通信網絡傳輸過程的時間不連續性,時滯量越少,說明傳輸過程效率越高。因此,同樣以60 min作為檢測時長,統計不同信道分配方法的信道傳輸時滯量,結果如圖3所示。

圖 3 信道傳輸時滯量對比圖Fig.3 Channel transmission delay comparison diagram

從圖3可知,隨著檢測時間的增加,不同分配方法下的信道傳輸時滯量也在不斷變化。文獻[6]方法的信道傳輸時滯量呈現出先上升后下降的趨勢,全局最大值為8.8×105T;文獻[10]方法的信道傳輸時滯量逐漸上升,全局最大值為7.2×105T;本文方法的信道傳輸時滯量先上升后下降再上升,全局最大值為5.1×105T。通過數據對比可知,應用基于CNN的動態信道分配方法能夠有效降低異構通信網絡信道傳輸的時滯,提高了信息傳輸效率。

4 結 語

研究發現,在構建異構通信網絡結構時,將異構通信電阻與一級主機相連,保證通信網絡具有較強的電流疏導能力,進而可通過調節由數據量來緩解動態通信數據大量堆積的現象,有效減小信道傳輸的時滯量。除此之外,利用CNN調節裝置和主體通信組可以使實體濾波結構在通信濾波器執行過程中起到輔助性維護的作用,快速感知通信信道內的電阻負載量情況,進而促進動態信道分配行為,也可以有效調節網絡異構體承載量。

在接下來的研究中,將進一步對本文方法進行優化,在保證信道分配質量的前提下,引入低碳思想節能,構建低能耗信道分配策略。