摘要:認知網(wǎng)絡具有自學習和推理能力，能夠適應復雜和動態(tài)變化的網(wǎng)絡環(huán)境，優(yōu)化端到端的性能，實現(xiàn)高效利用網(wǎng)絡資源的目標。文章提出了一種認知網(wǎng)絡的路由方案框架，包括環(huán)境感知模塊、路由決策模塊、路由重構模塊和自學習模塊。
關鍵字:認知網(wǎng)絡；路由；自學習；基于策略的路由。
英文摘要:A cognitive network has capabilities of learning and reasoning. It can dynamically adapt to varying network conditions in order to optimize end-to-end performance and utilize network resources efficiently. However, there are challenges for routing algorithm in a cognitive network. In this paper, a routing scheme for cognitive networks is proposed which includes context information collection entity, routing decision making entity, routing reconfiguration entity, and reasoning and learning entity.
英文關鍵字:cognitive network; routing; machine learning; policy based routing.
基金項目：國家重點基礎研究發(fā)展規(guī)劃(“973”計劃)課題(2009CB320404)
未來網(wǎng)絡具有如下特征：網(wǎng)絡規(guī)模將越來越大，多種網(wǎng)絡并存，網(wǎng)絡承載業(yè)務的服務質(zhì)量(QoS)參數(shù)變化范圍較大。在這個典型的動態(tài)復雜網(wǎng)絡中，如何實現(xiàn)頻譜資源、網(wǎng)絡資源的高效利用，保障業(yè)務的QoS，是一個尚未解決的問題。針對該問題，認知網(wǎng)絡應運而生。認知網(wǎng)絡中的部分節(jié)點具有學習和推理能力，通過測量或預測網(wǎng)絡的環(huán)境參數(shù)，實現(xiàn)動態(tài)決策與網(wǎng)元設備重構，達到適應網(wǎng)絡環(huán)境、優(yōu)化端到端性能的目標。
1 認知網(wǎng)絡的起源
Mitola[1]于1999年提出了認知無線電(CR)的概念及認知環(huán)架構，認知無線電系統(tǒng)通過感知，獲取周圍環(huán)境的頻譜使用信息，依據(jù)優(yōu)化目標，確定CR的重構方案，達到適應頻譜環(huán)境變化的目標。CR具有學習和推理能力，能夠智能地調(diào)整重構方案，達到高效使用頻譜資源的目標。Gelenbe[2]提出了認知分組網(wǎng)絡(CPN)的概念。該網(wǎng)絡設定了一類特殊功能的分組—智能分組，它們負責收集網(wǎng)絡信息，并攜帶了可執(zhí)行代碼。當智能分組到達網(wǎng)絡中的某個節(jié)點時，與節(jié)點交互網(wǎng)絡環(huán)境信息，并進行路由的更新與路由算法的學習，實現(xiàn)路由的優(yōu)化。Ramming[3]將認知環(huán)應用于網(wǎng)絡，提出認知網(wǎng)絡(CN)的概念。Thomas[4]進一步明確了認知網(wǎng)絡的定義，即執(zhí)行認知過程的網(wǎng)絡為認知網(wǎng)絡。Thomas分析了適于認知網(wǎng)絡的學習與推理機制，給出了認知網(wǎng)絡的架構及其組成單元的功能描述。目前在IEEE標準化協(xié)會中正在討論異構無線接入網(wǎng)絡融合架構的標準化，采用了認知網(wǎng)絡的概念[5]。
2 認知網(wǎng)絡路由算法框架
未來的網(wǎng)絡將是異構網(wǎng)絡并存的大規(guī)模網(wǎng)絡，這樣的網(wǎng)絡環(huán)境為端到端之間的路徑提供了更多的鏈路組合模式，即多種路由模式。在接入網(wǎng)絡中，用戶擁有了更多的接入選擇方案；在網(wǎng)絡側，分組可以跨越多個網(wǎng)絡，獲得更為優(yōu)化的端到端服務，為網(wǎng)絡資源的高效利用提供了條件。同時，異構網(wǎng)絡環(huán)境也給路由算法的設計與實現(xiàn)提出了挑戰(zhàn)。首先鏈路性能的差異較大。其次，異構網(wǎng)絡環(huán)境的動態(tài)變化范圍較大。鏈路能夠承載的流量與其已承載的業(yè)務流量有關。隨著網(wǎng)絡規(guī)模和用戶的增加，鏈路能夠承載流量的變化范圍加大。鏈路的可靠性差異較大，易導致網(wǎng)絡拓撲的變化。第三，在重疊覆蓋的網(wǎng)絡環(huán)境中，無線鏈路的頻譜干擾較難預測與控制，導致鏈路承載能力的變化。此外，終端用戶接入多種網(wǎng)絡的能力、對網(wǎng)絡選擇的喜好、業(yè)務QoS需求及位置的變化也將影響端到端路由的構建。
針對復雜的網(wǎng)絡環(huán)境，如何適應環(huán)境，充分利用鏈路資源、網(wǎng)絡資源、用戶資源，獲得端到端的優(yōu)化目標是路由算法需要解決的問題。依據(jù)認知網(wǎng)絡的定義，我們給出了基于策略的認知網(wǎng)絡的路由算法框架，如圖1所示。該框架包括如下幾個功能模塊。
(1)環(huán)境感知模塊負責獲取網(wǎng)絡環(huán)境信息，并將業(yè)務需求映射為網(wǎng)絡端到端的QoS需求，作為路由構建的優(yōu)化目標。
(2)路由決策模塊負責路由的構建、更新與補救。它依據(jù)測量信息和優(yōu)化目標，選擇路由策略，如協(xié)同路由、多輸入多輸出(MIMO)路由、跨層路由等。
(3)重構模塊負責路由的配置。如采用跨層路由協(xié)議，還須配置運輸層、鏈路層和物理層。
(4)自學習模塊負責策略評估、修正與生成，以適應網(wǎng)絡環(huán)境的變化。
3 需解決的關鍵問題
3.1 環(huán)境感知模塊需要解決的關鍵問題
認知網(wǎng)絡依據(jù)環(huán)境感知信息完成決策與自學習功能。感知信息的涵蓋范圍、及時性、一致性、精確性、可靠性等將影響認知網(wǎng)絡的性能。而感知信息的獲取與分發(fā)又直接影響網(wǎng)絡的負載，進而影響網(wǎng)絡的性能。
在大規(guī)模網(wǎng)絡中，端到端之間路由的選擇受多種因素的影響，例如，鏈路的參數(shù)(帶寬、時延、干擾、切換時延等)、網(wǎng)絡當前承載的業(yè)務、端到端之間可用的網(wǎng)絡等。如果網(wǎng)絡環(huán)境的部分信息缺失，會影響路由的選擇結果。例如，在異構網(wǎng)絡環(huán)境中，當切換時延未知時，僅依據(jù)鏈路時延和最短時延準則構建的路由不一定是最短路由。
在認知網(wǎng)絡中，節(jié)點通過多種方式交互各自所獲取的感知信息，當網(wǎng)絡規(guī)模較大，尤其是在異構網(wǎng)絡環(huán)境中，很難同步地進行感知信息的更新，不同認知節(jié)點對網(wǎng)絡狀態(tài)的認識有可能不同，進而導致路由算法的震蕩。節(jié)點信息的不一致性還會干擾自學習模塊對路由決策模塊的評估結果，進而影響決策模塊的更新，有可能進一步加劇路由算法的震蕩。
此外，網(wǎng)絡信息的采集通常采取3種方式，主動獲取、被動獲取以及主動與被動相結合的采集方式。信息采集方式、周期、地域范圍均將影響路由算法的性能與網(wǎng)絡負載的大小。因此，感知信息采集方式與參數(shù)的設定也需依據(jù)網(wǎng)絡環(huán)境變化的速度進行調(diào)整，環(huán)境感知模塊參數(shù)的調(diào)整也將構成一個認知環(huán)。
3.2 路由決策
路由算法的目標是為網(wǎng)絡中端到端的節(jié)點構建滿足一定QoS的傳輸路徑。從資源優(yōu)化的角度而言，當網(wǎng)絡負載較重時，認知路由算法令業(yè)務均勻地分布在網(wǎng)絡中。當負載較輕時，認知路由算法應能提升用戶的滿意度，并利用網(wǎng)絡和用戶的存儲能力，提前消費網(wǎng)絡資源，達到高效利用網(wǎng)絡資源的目標。
認知路由算法是一個復雜決策問題。其復雜性主要體現(xiàn)在以下幾方面。其一，在異構網(wǎng)絡環(huán)境中，可用的鏈路模式較多，由多模式鏈路構建的端到端之間的路徑亦較多，為了適應變化的網(wǎng)絡環(huán)境，高效利用網(wǎng)絡資源，宜采用多種路徑模式和路由評價準則。其二，在異構大規(guī)模網(wǎng)絡中，節(jié)點多采用分布的方式確定路由，決策過程的具有并行性特征。如終端獨立地選擇接入網(wǎng)絡、進行路由重構、選擇協(xié)同終端等。有可能導致節(jié)點策略之間的矛盾，導致重構后各節(jié)點路由表的差異。其三，網(wǎng)元之間的關系較為復雜，既有競爭又有協(xié)作。異構融合網(wǎng)絡的規(guī)模較大。復雜決策問題的建模與求解是一個難題。在這樣一個復雜的網(wǎng)絡環(huán)境中，如何構建具有認知能力的路由算法是一個尚待解決的學術問題。針對復雜決策問題，可采用基于策略庫的解決方案。圖1將現(xiàn)有的和新開發(fā)一些路由算法置入路由策略庫。依據(jù)網(wǎng)絡環(huán)境信息和業(yè)務需求，策略選擇算法負責策略的選擇。也可將策略選擇算法理解為映射，即網(wǎng)絡環(huán)境到策略的映射。
路由策略庫可以包含常規(guī)的路由協(xié)議，如IP協(xié)議。亦可設計一些適于異構網(wǎng)絡環(huán)境的新型路由協(xié)議，如適應新物理層技術MIMO的路由算法，支持鏈路協(xié)同、網(wǎng)絡協(xié)同的跨層路由算法[6]。圖2給出了一種自組織網(wǎng)絡中的鏈路協(xié)同方案。在自組織網(wǎng)絡的任意兩個節(jié)點之間，多跳鏈路可組成端到端的多信道“協(xié)同路徑”。在圖2(a)中，同路徑上的相鄰鏈路配置了不同的信道，當節(jié)點以半雙工模式協(xié)同工作時，鏈路A-B、C-D與E-F或鏈路B-C、D-E與F-G可同時工作，提升了路徑的流量，獲取了“協(xié)同路徑”增益。當路徑上的信道配置與路徑附近區(qū)域的信道配置發(fā)生沖突時，可構建類似圖2(b)所示的協(xié)同路徑，當鏈路B-E不能履行路由任務時，利用中繼節(jié)點R1構建備用鏈路，獲取“協(xié)同路徑”增益。
3.3 認知路由算法中的自學習機制
自學習機制是認知過程有別于自適應過程的關鍵點。認知路由算法中的自學習模塊對路由策略的執(zhí)行結果進行評估，進而修正路由策略選擇算法和路由策略。
在大規(guī)模異構網(wǎng)絡環(huán)境中，業(yè)務QoS的變化范圍較大，各類網(wǎng)絡鏈路的差異較大，不同網(wǎng)絡的管理模式、業(yè)務保障能力、資費、功耗等差異較大，用戶對不同網(wǎng)絡的偏愛程度差異較大。在這樣的網(wǎng)絡環(huán)境中，無法采用一種路由策略，滿足不同網(wǎng)絡、不同用戶的業(yè)務需求。需要構建路由策略庫，適應業(yè)務與網(wǎng)絡環(huán)境的變化。例如當網(wǎng)絡負載較輕時，可以構建跨越異構網(wǎng)絡的多條路徑，為一對用戶服務，達到充分利用網(wǎng)絡資源，并為后續(xù)業(yè)務提供更高的保障概率。
在復雜的網(wǎng)絡環(huán)境中，基于策略的路由算法的實現(xiàn)存在如下問題。一是如何選擇策略庫中路由策略？二是如何配置和更新路由策略的參數(shù)？路由策略庫中包含了多種路由策略，如單路徑路由、多路徑路由、跨層路由等。需制訂選擇規(guī)則，用于路由策略的選擇。然而大規(guī)模異構網(wǎng)絡環(huán)境較為復雜，需采用學習機制，實現(xiàn)選擇規(guī)則的建立與更新。自學習屬于機器學習的范疇。自學習模塊的輸入包括感知的環(huán)境信息、策略選擇結果，通過分析策略的執(zhí)行結果，更新策略選擇準則，優(yōu)化策略的參數(shù)配置。
在路由策略更新方面，Benedetto[7]提出了一種適于超寬帶網(wǎng)絡(UWB)的認知路由方案，給出了基于增強學習的路由更新機制。Thomas利用博弈論設計了跨層路由的更新方案。此外，決策樹、貝葉斯等及其學習算法是否適合認知網(wǎng)絡，還是一個需要探討的問題。自學習機制的設計還需解決以下理論和技術問題。自學習算法的收斂速度需快于網(wǎng)絡環(huán)境的變化速度，分布式自學習算法的協(xié)調(diào)性問題，路由性能評估函數(shù)的設計等[8]。
4 結束語
隨著網(wǎng)絡規(guī)模的擴大，已無法通過手動操作實現(xiàn)網(wǎng)絡的優(yōu)化配置。而且，異構網(wǎng)絡的并存的發(fā)展趨勢，導致網(wǎng)絡環(huán)境更加復雜。認知技術為動態(tài)配置網(wǎng)絡，優(yōu)化利用網(wǎng)絡資源、用戶資源和服務資源提供了途徑。
本文提出了認知網(wǎng)絡的路由方案框架，包括環(huán)境感知模塊、路由決策模塊、路由重構模塊和自學習模塊。重點分析和討論了部分模塊的設計及其所需解決的關鍵問題。
5 參考文獻
[1] MITOLA J, MAGUIRE G Q. Cognitive radio: Making software radios more personal[J]. IEEE Personal Communications, 1999,6(4):13-18.
[2] GELENBE E, XU Z, SEREF E. Cognitive packet networks[C]// Proceedings of the 11th IEEE International Conference on Tools with Artificial Intelligence(ICTAI'99), Nov 8-10,1999, Chicago, IL, USA. Los Alamitos, CA,USA:IEEE Computer Society,1999:47-54.
[3] CLARK D D, PARTRIGE C, RAMMING J C, et al. A knowledge plane for the Internet[C]// Proceedings of Conference on Applications, Technologies, Architectures, and Protocols for Computer Communication (SIGCOMM’03),Aug 25-29,2003, Karlsruhe, Germany. New York, NY,USA:ACM,2003:25-29.
[4] THOMAS R W. Cognitive networks[D]. Blacksburg, VA,USA: Virginia Polytechnic and State University, 2007.
[5] IEEE Std 1900.1-2008. IEEE standard for architectural building blocks enabling network-device distributed decision making for optimized radio resource usage in heterogeneous wireless access networks[S]. 2009.
[6] SHI Y, HOU Y T. A distributed optimization algorithm for multi-hop cognitive radio networks[C]// Proceedings of 27th IEEE Conference on Computer Communications (INFOCOM’08), Apr 13-18, 2008, Phoenix, AZ,USA. Piscataway, NJ,USA:IEEE, 2008:1292-1300.
[7] DI BENEDETTO M G, De NARDIS L. Cognitive routing models in UWB networks[C]// Proceedings of the 3rd International Conference on Cognitive Radio Oriented Wireless Networks and Communications(CrownCom'08),May 15-17,2008, Singapore. Piscataway, NJ, USA:IEEE, 2008:1-6.
[8] JEE Minsoo, YE Xiaohui, MARCONETT D, et al.. Autonomous network management using cooperative learning for network-wide load balancing in heterogeneous networks[C]// Proceedings of IEEE Global Telecommunications Conference (GLOBECOM '07), Nov 30-Dec 4, 2008, New Orleans, LA,USA. Piscataway, NJ, USA:IEEE, 2008: 2547-2551.
作者介紹：
李紅艷，西安電子科技大學教授、博士，目前主要研究方向為認知網(wǎng)絡、自組織網(wǎng)絡、異構網(wǎng)絡融合。已發(fā)表相關論文20余篇。
李建東，西安電子科技大學教授、博導，中國通信學會會士，IEEE高級會員，中國電子學會高級會員，長江學者特聘教授，主要從事移動通信、個人通信、認知網(wǎng)絡、軟件無線電、自組織網(wǎng)絡、寬帶無線IP 技術等方面的研究。
周丹，西安電子科技大學在讀碩士研究生，目前從事認知網(wǎng)絡路由協(xié)議的研究。
