TensorFlow平臺深度學習的網絡路由路徑優化選擇研究

何瀟

（陜西財經職業技術學院，陜西咸陽 712000）

高速發展的信息化時代促使大數據的到來，面對與日俱增的數據量，如何對大數據進行分析利用仍然是領域內的研究重點，充分挖掘和利用大數據資源已成為企業提高競爭優勢的重要途徑，在此方面，利用人工智能深度學習成為較佳的選擇，而科學合理的深度學習框架則是深度學習的基礎和關鍵，為有效滿足呈動態變化的應用需求，該框架需具有良好的可移植性、靈活性等優勢，TensorFlow（谷歌開源，支持分布式迭代訓練）則屬于較為優秀的深度學習框架，但隨著所需處理問題復雜程度的不斷提高，基于深度學習的模型隨之不斷變大，迭代訓練一個較復雜的深度模型所需時間較長，TensorFlow 訓練時間長的問題日益突出，需要進一步優化以滿足使用需求。

1 網絡路由路徑優化選擇的設計原理

隨著人工智能領域研究的深入，深度學習得到快速發展和完善，成為網絡運營商提高網絡控制和管理過程自主能力和智能水平的有效途徑。在探索和應用人工智能的過程中，非形式化內容的實現和描述難以使用計算機完成，對于一些非形式化行為在使用硬編碼的體系進行表示時，要求人工智能系統具有主動獲取知識的能力即機器學習。

目前，機器學習已在圖像檢測、目標識別等領域內得到普遍應用，深度學習方法是機器學習的一個重要分支，該方法主要通過深層神經網絡完成數據擬合過程，雖然不斷增多的無線設備一定程度上促進了無線異構網絡設施的發展，但急劇增加和不斷變化的網絡流量仍給網絡自身帶來較大的壓力，在提升通信質量方面，實現網絡資源的合理分配成為一項重要手段，通過應用路由選擇方法可實現網絡流量的有效控制[1-2]。目前在無線異構網絡路由中應用深度學習的研究較少，在選擇路由路徑時使用傳統的路由協議算法易導致擁塞問題的出現。

針對以往的路徑經驗，通過深度學習的原始數據訓練功能，可有效避免選擇路由路徑時的堵塞問題，進而提高路由選擇的質量和效率。關于深度學習在通信網絡中應用的研究：在無線傳感器網絡中，考慮到其應用受限于分類無線傳感網的計算，結合運用了非負矩陣因數分解算法和深度學習設計了一種更加有效的算法；通過卷積神經網絡的運用實現了結構和編碼效率的顯著提高[3]。

2 基于深度學習的最優路徑選擇的設計

傳統的路由協議及深度學習的訓練結構均具有一定的局限性，為了解決這一問題，對于包括輸入和輸出在內的路由數據，可以采用實時獨立的網絡算法，基于深度卷積網絡的特征提取完成有效的特征處理過程。

在評價網絡的質量和規模時，路由協議中的路由參數是一項重要指標，而高質量通信網絡的獲取需基于目前的網絡現狀，主要表現在急劇增長的網絡數據流量與網絡結構的復雜程度。關于路由路徑選擇方面的研究：采用機器學習訓練大規模數據集時，由于傳統路由不具備基于自主學習經驗的路由優化能力，在并行通信過程中，過長的工作節點與參數服務器通信時間會明顯提高訓練耗時，一種基于深度學習的智能化流量監控系統實現了流量的實時監控，進而在一定程度上避免了擁塞問題。文中在現有研究成果的基礎上，為更加有效地避免堵塞，針對以往經驗數據，采用深度學習方法對被標記的數據進行學習訓練，在此基礎上選出有效路徑組合，進而有效減少平均時延，同時降低丟包率[4]。

2.1 深度學習的優化

2.1.1 分布式表達

分布式表達作為表示學習的一種重要工具，分布式學習可將kn個不同的概念通過具有k個值的n個特征進行描述，分布式的表示方法是神經網絡和概率模型（分別包含多個隱藏單元和多個潛變量）的考慮重點。

對于包含2n種配置的N維二元向量，輸入空間的不同區域與各種配置一一對應，由不同概念間的共享屬性產生的泛化是區別的重要依據。對于特殊的分布式表示，可通過閾值處理輸入的線性函數實現二元特征的準確提取，Rd由各二元特征分成一個對半空間，在輸入空間中，O(nd) 個不同的區域可通過相同數量的參數進行確切表示，通過特征提取器（非線性可能連續）處理表達中的每個特征是分布式的優勢所在，雖可對較多不同的區域進行明確編碼，但受限于沒有一一對應的映射關系而導致容量有限[5]。

2.1.2 深度卷積神經網絡

為降低深度監督網絡的訓練難度，通常需采用非監督的方法進行預測訓練，作為基于有監督學習的數學模型，深度卷積網絡具有易于訓練的優勢，特征提取過程即將所需訓練的數據輸入網絡中，由其矩陣反復進行卷積和池化的操作，獲取一個全連接的網絡，然后再進行分類輸出[6]。能夠共享權值的卷積神經網絡使整個模型的參數數量得以有效減少，進而提高了訓練效率。通過深度卷積神經網絡的前端完成特征提取過程，前端由交替出現的卷積層池化層構成，已提取特征局部則通過網絡的后端完成整合與變換處理，后端由多個全連接層構成，網絡會以不同的任務為依據，動態調整最終輸出，對于數量較多的訓練數據，使用深度卷積網絡可從中將泛化能力強的有效特征提取出來，特別適用于分類任務[7]。圖1 為深度卷積神經網絡的結構示意圖，作為網絡的核心卷積層，由多個卷積核構成，負責完成對不同層次特征的學習，具體通過卷積核處理輸入數據得到相應的輸出（即特征圖）；池化層主要負責壓縮處理特征圖，一系列學習和操作完成后再接入到全連接層[8]。

圖1 深度卷積網絡結構圖

2.1.3 BP算法

BP 算法通常結合使用梯度下降算法，是常用于人工神經網絡中的一種誤差反向傳播算法，主要負責對整個網絡的權值進行更新，BP 算法主要由激勵傳遞（包括前向傳遞和誤差反向傳遞）和權值更新兩個過程構成，訓練過程需基于大量標記數據完成，該算法的流程為：先初始化整個網絡的權值和偏置，隨機進行，范圍在(0，1)區間內，輸入數據逐層經過網絡后，在網絡輸出同真實輸出間差距較大的情況下，進入誤差反向傳遞階段，各層根據反向逐層傳遞的誤差更新相應的權值和偏置，在此基礎上實現誤差的有效減小[9]。

2.2 優化的關鍵步驟

通過簡化設計一個無線通信網絡，完成對文中路由路徑選擇過程的描述，機器在全部可供選擇的路徑中選擇一條最優路徑，該路徑可能不是最短路徑，通信策略基于源節點和目的節點間的連接，考慮到在網絡環境降低的問題上，包括OSPF、IS-IS、RIP等在內的傳統路由協議有選擇最短路徑的內在傾向，傳統路由協議在較為擁擠的網絡環境下，會以固定不變的規則為依據，根據預設好的時間間隔做出典型路由決定，屬于在短時間間隔內突然觸發的情況，進而增加了通信擁擠現象的出現，且狀態持續時間較長。

為有效提高路由策略的智能水平，文中構建了一種基于網絡流量的深度學習系統，并在TensorFlow 平臺中完成系統數據的訓練，系統具體流程如 圖2 所示[10]。

圖2 深度學習系統流程圖

2.2.1 初始階段

初始階段的主要目標在于獲取學習系統所需數據，在負荷和環境不同時，對不同路由器的通信情況及路徑可采用傳統路由策略進行模擬和記錄，或者從可用的數據集里提取出相關信息，以供訓練階段使用[11]。

2.2.2 訓練階段

訓練階段主要負責監督學習上一階段獲取的信息，為強化其在深度學習訓練系統中的應用效果，策略核心網絡中路由的數量由N表示，內部路由數量l 小于路由的數量，以二維向量(x→,y→)作為訓練算法的輸入，x→表示路由的通信量，y→表示下一個路由器，對應的輸出為權矩陣(WM)[12]。訓練算法主要由輸入數據的初始化與特征提取（通過深度卷積網絡完成）、深度學習網絡的調整（通過BP 算法完成）兩部分構成，基于復合函數鏈式法則的BP 算法屬于一種多層次神經網絡的訓練算法，各路由器均需執行的訓練過程為：對神經網絡每一層的輸入數據進行依次訓練，路由編號由k表示，每一步花費(k-1)個隱含層；然后，通過BP 算法的使用完成對各層權重的調節，滿足要求后給出最終的輸出值，從而最大程度減小深度學習系統的輸出誤差；此外，由于深度學習系統的目的地址較多，各路由器還需對深度學習系統進行訓練（以目的節點路由數量為依據），每個邊緣路由器和內部路由器的訓練個數分別為N－1－1個和N－1 個，各運行的深度學習系統僅能在一個臨近的節點進行預測，訓練過程需使用部分通信量和臨近節點完成[13]。

2.2.3 運行階段

運行階段各路由器先向邊緣路由器傳送通信量，再根據權值矩陣數據完成相應深度學習系統的創建，利用權矩陣能運行全部可能路徑，在此基礎上完成對臨近路由的預測，重復此步驟直至獲取所需路由信息，深度學習系統以路徑經驗作為學習對象，并從中獲取最優的通信路徑，進而有效避免了由最短路徑引起的擁塞。設計所需的無線網狀骨干網絡（4 × 4）使用開源的NS3 作為網絡仿真器完成模擬，具體如圖3 所示，假設深度卷積網絡運行于各邊緣路由器，以其他邊緣路由器作為目的地，且只在邊緣路由器（接入終端均與其相連）中生成分組，內部路由器只負責轉發分組，將對應的路徑附加到分組，在此基礎上完成整個路徑的構建，內部路由器負責完成路徑的讀取及數據包的轉發，由多個路由器構成的路徑需使用多個深度卷積網絡實現完整的構建過程，使用深度學習優化處理現有的輸入路徑數據矩陣可實現所需輸出的獲取[14]。

圖3 無線網狀骨干網框架

3 仿真實驗與結果分析

對于網絡狀態性能的估測，現有的網絡仿真可有效滿足相應需求，文中的深度學習系統使用TensorFlow 完成具體的搭建和訓練過程，再通過NS3 網絡仿真的使用完成最優路徑的尋找，主要針對網絡的平均時延、信令開銷、整體吞吐量的性能進行仿真，根據文獻[10]建立起網絡環境，設置上述網絡拓撲結構的參數，鏈路帶寬為8 Mb/s，使用1 kb 大小的數據和控制數據包，各節點的緩沖區無限制。其中的總數據包生成速率變化范圍在7～15 Mb/s 間，基準方法采用OSPF，對采用的深度學習系統進行比較。更新各路徑的時間間隔為0.25 s，同時交換一次信令。

訓練深度學習系統時以均方誤差作為停止條件，收斂速度和訓練效果在包含16 個節點的4 層學習系統中表現較佳，均方誤差值較小，訓練的復雜程度同隱含層節點數量成正比[15]。網絡的平均時延、信令開銷、整體吞吐量在OSPF 和深度學習下的實驗對比結果如圖4 所示，在不同的生成速率下，相比于OSPF 深層學習系統的信令開銷明顯更低，原因在于整個路徑僅有邊緣路由器進行計算；深度學習系統吞吐量明顯提高，說明系統可在有效避免擁塞的同時，提高路徑的評估質量；深層學習方法使獲取合適路徑的耗時明顯縮短，顯著縮短了深層學習系統的平均延遲[16]。

圖4 實驗對比結果

4 結束語

不斷擴大的網絡規模暴露出了現有網絡策略成熟度不高的問題，網絡條件受到較大增長流量的影響而呈現出不斷變化的狀態，面對數據規模和網絡流量要求的不斷提高，路由策略的重要性日益突出，作為一種新的學習方法，深度學習在網絡系統中的應用不斷深入[17-20]，在路徑選擇過程中通過應用深度學習可在有效節省獲取最短路徑所需時間的同時，有效提升數據的傳送效率，文中主要對優化選擇網

絡路由路徑的實現方法進行了設計，通過在網絡路由中運用深度學習系統實現了路由策略的有效優化，具有一定的實際應用價值。