基于XGBoost的海上無線通信網(wǎng)絡(luò)自適應(yīng)路由優(yōu)化研究

引言

海上無線通信網(wǎng)絡(luò)在現(xiàn)代海洋技術(shù)應(yīng)用中扮演著至關(guān)重要的角色。然而，由于海上環(huán)境的特殊性，海上無線通信網(wǎng)絡(luò)面臨一系列獨(dú)特的挑戰(zhàn)，這些挑戰(zhàn)使得傳統(tǒng)的通信網(wǎng)絡(luò)設(shè)計(jì)和優(yōu)化方法難以應(yīng)對。海上無線通信的可靠性和效率不僅關(guān)乎海洋工程的安全與可持續(xù)發(fā)展，還涉及實(shí)時(shí)數(shù)據(jù)傳輸、環(huán)境監(jiān)測和應(yīng)急響應(yīng)等關(guān)鍵任務(wù)[1]。因此，針對海上無線通信網(wǎng)絡(luò)設(shè)計(jì)自適應(yīng)路由模型以應(yīng)對這些挑戰(zhàn)顯得尤為必要。自適應(yīng)路由模型能夠根據(jù)網(wǎng)絡(luò)拓?fù)浜屯ㄐ怒h(huán)境的變化實(shí)時(shí)調(diào)整路由路徑，從而有效應(yīng)對海上無線通信網(wǎng)絡(luò)中常見的時(shí)延、帶寬限制、節(jié)點(diǎn)移動等問題[2]。機(jī)器學(xué)習(xí)尤其是深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，能夠從大量的歷史數(shù)據(jù)和實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)中學(xué)習(xí)并預(yù)測網(wǎng)絡(luò)性能，從而提供更為智能化的路由決策。

1.基于XGBoost的無線通信網(wǎng)絡(luò)自適應(yīng)路由模型設(shè)計(jì)

1.1問題定義與模型選擇

在設(shè)計(jì)基于XGBoost的自適應(yīng)路由模型時(shí)，首先要明確問題定義。無線通信網(wǎng)絡(luò)中的路由選擇問題，可以看作一個(gè)回歸問題。給定網(wǎng)絡(luò)中的多個(gè)路由候選路徑以及網(wǎng)絡(luò)狀態(tài)特征，模型的目標(biāo)是選擇一個(gè)最優(yōu)的路由路徑[3]。自適應(yīng)路由意味著模型能夠根據(jù)網(wǎng)絡(luò)環(huán)境和狀態(tài)的變化，動態(tài)調(diào)整路由選擇，其輸出目標(biāo)為預(yù)測每個(gè)候選路徑的傳輸性能，如吞吐量、時(shí)延等，并選擇最優(yōu)路徑。

XGBoost作為一種集成學(xué)習(xí)模型，利用決策樹的集成來進(jìn)行高效的回歸和分類任務(wù)，該模型的目標(biāo)函數(shù)為

式中， 是損失函數(shù)，度量模型預(yù)測值和實(shí)際值之間的差異；（是正則化項(xiàng)，用于控制模型的復(fù)雜度，以避免過擬合。XGBoost采用梯度提升的方法，在每一輪迭代中通過計(jì)算梯度來更新模型的參數(shù)，假設(shè)代表第t輪模型的預(yù)測值，優(yōu)化目標(biāo)是最小化目標(biāo)函數(shù)相對于模型參數(shù)的梯度，更新公式為

式中， η 是學(xué)習(xí)率，控制每次迭代中更新的步長； 是第t輪的梯度。

1.2數(shù)據(jù)收集與預(yù)處理

設(shè)計(jì)基于XGBoost的自適應(yīng)路由模型的第一步是收集和處理網(wǎng)絡(luò)的狀態(tài)數(shù)據(jù)。網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)如路由器、交換機(jī)、通信設(shè)備等，在每一時(shí)刻的狀態(tài)信息包括節(jié)點(diǎn)負(fù)載、信號質(zhì)量、帶寬、延遲、丟包率等，將作為模型的輸入特征，如表1所示。

對于每一個(gè)時(shí)間窗口或通信時(shí)刻，可以根據(jù)網(wǎng)絡(luò)性能如吞吐量、時(shí)延，來標(biāo)注每個(gè)路由路徑的優(yōu)劣。例如，使用吞吐量和時(shí)延作為優(yōu)化目標(biāo)，路徑的優(yōu)劣可以根據(jù)這兩個(gè)參數(shù)來決定。

1.3模型訓(xùn)練

在數(shù)據(jù)收集與預(yù)處理完成后，下一步是利用這些數(shù)據(jù)訓(xùn)練模型。XGBoost的核心思想是通過不斷迭代訓(xùn)練決策樹，并使用加權(quán)投票機(jī)制來優(yōu)化模型的預(yù)測能力5。在訓(xùn)練XGBoost時(shí)，需要確定該模型的各項(xiàng)參數(shù)，比如決策樹的個(gè)數(shù)、決策樹的深度等。為確定XGBoost的參數(shù)，提高模型的預(yù)測性能，引入粒子群算法。粒子群是一種基于群體智能的優(yōu)化算法，模擬鳥群覓食行為，通過粒子在搜索空間中不斷探索，找到全局最優(yōu)解。

表1特征選擇

1.4路由決策與自適應(yīng)調(diào)整

XGBoost訓(xùn)練結(jié)束后，將用于實(shí)時(shí)的路由決策。每當(dāng)網(wǎng)絡(luò)狀態(tài)發(fā)生變化時(shí)，XGBoost會根據(jù)當(dāng)前的網(wǎng)絡(luò)狀態(tài)輸入特征[，實(shí)時(shí)預(yù)測各條候選路由的性能，包括以下步驟：

（1）輸入特征實(shí)時(shí)更新。隨著海上通信網(wǎng)絡(luò)環(huán)境的變化，節(jié)點(diǎn)的狀態(tài)、鏈路質(zhì)量等特征會發(fā)生變化，XGBoost將實(shí)時(shí)接收這些變化并更新輸入特征。

（2）預(yù)測最優(yōu)路徑。通過XGBoost的預(yù)測輸出，可以為每個(gè)候選路由分配一個(gè)性能評分。然后，根據(jù)這些預(yù)測結(jié)果選擇最優(yōu)的路由路徑。例如，若XGBoost預(yù)測某條路徑的時(shí)延最小且吞吐量最大，則選擇該路徑進(jìn)行數(shù)據(jù)傳輸。

（3）自適應(yīng)調(diào)整。隨著通信網(wǎng)絡(luò)環(huán)境的不斷變化，XGBoost會基于新的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行實(shí)時(shí)調(diào)整和優(yōu)化。當(dāng)網(wǎng)絡(luò)拓?fù)渥兓㈡溌焚|(zhì)量下降或節(jié)點(diǎn)移動時(shí)，模型能夠自動調(diào)整路由策略，避免通信中斷或性能下降。

2.基于XGBoost的海上通信網(wǎng)絡(luò)自適應(yīng)路由流程

基于XGBoost的海上通信網(wǎng)絡(luò)自適應(yīng)路由流程主要分為數(shù)據(jù)集劃分、模型訓(xùn)練、模型測試和路由規(guī)劃四個(gè)關(guān)鍵步驟。首先，收集到的通信網(wǎng)絡(luò)樣本數(shù)據(jù)會被劃分為訓(xùn)練樣本和測試樣本。訓(xùn)練樣本用于模型的學(xué)習(xí)和擬合，而測試樣本則用于后續(xù)的模型驗(yàn)證，以確保模型能夠在不同數(shù)據(jù)子集上泛化并做出準(zhǔn)確預(yù)測[8]。其次，在訓(xùn)練階段，XGBoost被應(yīng)用于訓(xùn)練樣本，通過對這些數(shù)據(jù)的學(xué)習(xí)，模型不斷優(yōu)化并逼近真實(shí)的數(shù)據(jù)特征。同時(shí)，為了進(jìn)一步提升模型的性能，粒子群優(yōu)化算法被用于對XGBoost的超參數(shù)進(jìn)行優(yōu)化，確保通過探索參數(shù)空間獲得最優(yōu)的參數(shù)組合，進(jìn)而提高模型的預(yù)測精度。優(yōu)化后的XGBoost將在測試樣本上進(jìn)行評估，通過對預(yù)測結(jié)果與實(shí)際結(jié)果的對比來檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確性和適用性[1]。如果測試結(jié)果表明模型的性能尚可，則進(jìn)入最后的路由規(guī)劃階段。此時(shí)，基于訓(xùn)練并優(yōu)化過的XGBoost，系統(tǒng)會根據(jù)海上通信網(wǎng)絡(luò)的實(shí)時(shí)狀態(tài)，如鏈路質(zhì)量、延遲、帶寬等，作出自適應(yīng)路由選擇，動態(tài)地調(diào)整路由路徑，以確保數(shù)據(jù)傳輸?shù)母咝浴⒌脱舆t和可靠性。

3.實(shí)證檢驗(yàn)

本文通過仿真環(huán)境構(gòu)建了一個(gè)海上無線通信路由的實(shí)驗(yàn)，旨在研究和優(yōu)化海上通信網(wǎng)絡(luò)的自適應(yīng)路由策略。實(shí)驗(yàn)環(huán)境中設(shè)置了27個(gè)海上通信節(jié)點(diǎn)，隨機(jī)分布在2海里 ×2 海里的區(qū)域內(nèi)。每個(gè)節(jié)點(diǎn)的通信半徑均設(shè)定為2海里，確保通信范圍內(nèi)的節(jié)點(diǎn)能夠相互交換信息和進(jìn)行數(shù)據(jù)傳輸。通過這種設(shè)置，能夠全面評估不同路由模型在動態(tài)、有線通信范圍內(nèi)的表現(xiàn)，尤其是在節(jié)點(diǎn)間的距離、信號質(zhì)量波動和路徑選擇上的自適應(yīng)能力。

首先采用粒子群算法，對XGBoost的參數(shù)進(jìn)行優(yōu)化，算法收斂情況如圖1所示。

如圖1所示，采用粒子群算法對XGBoost參數(shù)進(jìn)行優(yōu)化時(shí)，在35輪迭代時(shí)收斂，此時(shí)的參數(shù)如表2所示。

在評估路由模型的性能時(shí)，網(wǎng)絡(luò)存活時(shí)間、平均端到端時(shí)延、丟包率是常見的關(guān)鍵指標(biāo)，這些指標(biāo)能夠全面反映網(wǎng)絡(luò)的可靠性、實(shí)時(shí)性和數(shù)據(jù)傳輸?shù)馁|(zhì)量。網(wǎng)絡(luò)存活時(shí)間通常用于評估網(wǎng)絡(luò)中節(jié)點(diǎn)和鏈路的穩(wěn)定性，特別是在無線通信網(wǎng)絡(luò)中，節(jié)點(diǎn)可能因移動、能量耗盡或故障而失效。平均端到端時(shí)延是衡量數(shù)據(jù)從源節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)所需時(shí)間的指標(biāo)，包括傳輸時(shí)延、排隊(duì)時(shí)延、處理時(shí)延等因素。在路由模型中，優(yōu)化時(shí)延的關(guān)鍵是選擇最短路徑或最優(yōu)路徑，以減少數(shù)據(jù)傳輸?shù)臅r(shí)間，并考慮網(wǎng)絡(luò)的負(fù)載情況以避免擁塞。丟包率則是衡量數(shù)據(jù)包在傳輸過程中丟失的比例，高丟包率通常表明網(wǎng)絡(luò)出現(xiàn)了嚴(yán)重的擁塞或鏈路質(zhì)量不穩(wěn)定。低丟包率對于確保數(shù)據(jù)的完整性和提高通信質(zhì)量至關(guān)重要。在路由模型設(shè)計(jì)中，通過選擇鏈路質(zhì)量較好、負(fù)載較輕的路徑可以有效減少丟包率，確保數(shù)據(jù)的可靠傳輸。同時(shí)，本文選擇常用的機(jī)器學(xué)習(xí)模型，與基于XGBoost構(gòu)建的路由模型進(jìn)行對比分析，結(jié)果如表3所示。

如表3所示，從上述不同路由模型的對比情況來看，XGBoost在網(wǎng)絡(luò)存活時(shí)間、平均端到端時(shí)延和丟包率等關(guān)鍵指標(biāo)上均表現(xiàn)出較為優(yōu)異的性能。首先，XGBoost的網(wǎng)絡(luò)存活時(shí)間為 215ms ，相比其他算法如隨機(jī)森林的 136ms 和BP神經(jīng)網(wǎng)絡(luò)的 ，具有明顯的優(yōu)勢。這表明XGBoost能夠有效地延長網(wǎng)絡(luò)的穩(wěn)定運(yùn)行時(shí)間，減少因節(jié)點(diǎn)或鏈路失效導(dǎo)致的中斷，表現(xiàn)出更強(qiáng)的網(wǎng)絡(luò)穩(wěn)定性和可靠性。在平均端到端時(shí)延方面， 同樣表現(xiàn)出色，時(shí)延為 32ms ，相比隨機(jī)森林的 、BP神經(jīng)網(wǎng)絡(luò)的 52ms 等算法，XGBoost能夠更快速地傳輸數(shù)據(jù)，適應(yīng)低時(shí)延要求的應(yīng)用場景，如實(shí)時(shí)通信和視頻流傳輸。較低的端到端時(shí)延不僅提高了數(shù)據(jù)傳輸效率，還增強(qiáng)了網(wǎng)絡(luò)的實(shí)時(shí)響應(yīng)能力，對于時(shí)延敏感的任務(wù)至關(guān)重要。此外，XGBoost的丟包率僅為 2.3% ，相比隨機(jī)森林的 5.6% 、BP神經(jīng)網(wǎng)絡(luò)的 6.1% 和其他算法的丟包率，XGBoost顯著降低了丟包的發(fā)生率。較低的丟包率確保了數(shù)據(jù)的完整性和可靠性，避免了數(shù)據(jù)丟失導(dǎo)致的傳輸失敗或重傳，提高了網(wǎng)絡(luò)的通信質(zhì)量和穩(wěn)定性。

結(jié)語

從本文的研究來看，無論是在延長網(wǎng)絡(luò)存活時(shí)間、減少端到端時(shí)延，還是降低丟包率方面，XGBoost都能夠有效優(yōu)化路由策略，從而提高網(wǎng)絡(luò)性能和用戶體驗(yàn)。因此，XGBoost在各種路由模型中展現(xiàn)出較為優(yōu)秀的整體性能，尤其適用于對通信質(zhì)量和時(shí)延有較高要求的復(fù)雜網(wǎng)絡(luò)環(huán)境。

參考文獻(xiàn)：

[1]傅彥銘，周興，黃保華.一種協(xié)同進(jìn)化的無線傳感器網(wǎng)絡(luò)多播路由算法[].小型微型計(jì)算機(jī)系統(tǒng)，2023，44（2）：401-407.

[2]高開放，張振.基于改進(jìn)蟻群算法的無線通信網(wǎng)絡(luò)容量感知路由優(yōu)化方法[J].移動信息，2024，46（7）：36-39.

[3]宋嚴(yán)，孟雪飛，耿慶田.基于5G通信的多節(jié)點(diǎn)無線傳感器網(wǎng)絡(luò)路由算法研究[J].東北師大學(xué)報(bào)（自然科學(xué)版），2024，56（1）：65-72.

[4]陳輝，王旭.基于改進(jìn)蟻群算法的非均勻分簇自適應(yīng)路由協(xié)議[I].傳感技術(shù)學(xué)報(bào)，2023，1（5）：10-14.

[5]李想，莊毅.利用XGBoost的路由算法關(guān)鍵故障點(diǎn)識別方法[].計(jì)算機(jī)與現(xiàn)代化，2023（11）：75-81，88.

[6]黑新宏，高苗，張寬，等.基于Nadam一TimeGAN和XGBoost的時(shí)序信號故障診斷方法[].通信學(xué)報(bào)，2024，45（4）：185-200.

[7]李博，黃建強(qiáng)，黃東強(qiáng).基于異構(gòu)平 臺的稀疏矩陣向量乘自適應(yīng)計(jì)算優(yōu)化[]. 計(jì)算機(jī)應(yīng)用，2024，44（12）：3867-3875.

[8]朱吉利，范振軍.一種基于集成學(xué)習(xí)的干擾頻點(diǎn)檢測方法[].圖像與信號處理，2025，14（1）：7-11.

[9]張友俊，徐雯雯.基于PCA-XGBoost算法的啞鈴狀SIR差分濾波器設(shè)計(jì)[J].磁性材料及器件，2024，55（1）：31-36.

[10]陳文海.基于XGBoost的工業(yè)物聯(lián)網(wǎng)環(huán)境下自適應(yīng)網(wǎng)絡(luò)切換算法研究[].通信電源技術(shù)，2024，41（20）：17-19.

作者簡介：車永輝，本科，工程師，13902476265@139.c0m，研究方向：計(jì)算機(jī)與信息通信。