基于神经网络模型优化传送网路由的方法及装置

摘要

本发明提供一种基于神经网络模型优化传送网路由的方法及装置，属于网络安全技术领域，该方法包括：步骤1、将传送网转换为脉冲耦合神经网络模型支持的传送网的路由图；步骤2、进行同路由分析，对所述传送网的路由图中存在的同路由链路进行链路替换；步骤3、链路替换完成后，在得到的所述传送网的路由图上，计算出优化处理后的传送网路由，可有效防止传送网中同路由隐患。

说明书

技术领域

本发明属于网络安全技术领域，尤其涉及一种基于神经网络模型优化传送 网路由的方法及装置。

背景技术

传送网作为通信信号的底层传输网络，是通信网络的基础。随着多业务融 合的发展，传送网上承载了语音、数据、图像、多媒体、IP业务以及各种增 值业务和智能业务，传送网的网络安全越来越重要。

近年来，各种传送网技术层出不穷，如PDH(准同步数字系列)、SDH(同 步数字体系)、WDM(波分复用)、PTN(分组传送网)分组传送网等，虽然 这些技术也提供了各种基于OSI(开放式系统互联)第二层和第三层的网络保 护方案，如基于数据链路层有线性组网中的1+1保护倒换、1∶1保护倒换、1∶N 保护倒换，环形组网中的通道/光通道保护、复用段保护，基于网络层有LSP (分层服务提供商)路由保护切换技术、MPLS(多协议标签交换)快速重路 由技术等，但由于在物理层都必须通过光缆承载，往往受限于光缆和现实世界 中光缆的载体-管道杆路的布放，导致上层的保护方案失效，造成各种网络安 全隐患。

由于光缆物理路由隐患导致上层保护方案失效的典型例子就是在 SDH/WDM环网中，环节点两个方向的光纤在同一根光缆中承载，或环节点两 个光纤所在的光缆在同一根管道中承载，导致形成同路由隐患。

发明内容

为了解决上述问题，本发明的目的是提供一种基于神经网络模型优化传送 网路由的方法及装置，可有效防止传送网中同路由隐患。

为了达到上述目的，本发明提供一种基于神经网络模型优化传送网路由的 方法，所述方法包括：

步骤1、将传送网转换为脉冲耦合神经网络模型支持的传送网的路由图；

步骤2、进行同路由分析，对所述传送网的路由图中存在的同路由链路进 行链路替换；

步骤3、链路替换完成后，在得到的所述传送网的路由图上，计算出优化 处理后的传送网路由。

优选的，所述步骤3中，通过基于脉冲耦合神经网络模型的算法计算出优 化处理后的传送网路由。

优选的，所述优化处理后的传送网路由为传输路径最短的传送网路由或者 为负载均衡的传送网路由。

优选的，所述步骤1具体包括：

将所述传送网进行模型分层，得到传送网网络模型；

根据所述脉冲耦合神经网络模型，将所述传送网网络模型转换为传送网的 路由图。

优选的，所述传送网网络模型包括：传输通道层、光纤/光路层、光缆层 和管道杆路层。

优选的，所述进行同路由分析的步骤具体为：

提取所述传输通道层到所述光缆层的纵向关系，所述纵向关系包括：传输 通道到光路的关系、光路到光纤的关系和光纤到光缆的关系；

关系提取后，形成传输通道——光路——光缆的二维描述；

在所述二维描述中，判断同环的不同光路是否经过相同光缆，如果是，则 形成光缆同路由。

优选的，所述进行同路由分析的步骤具体为：

提取所述传输通道层到所述管道杆路层的纵向关系，所述纵向关系包括： 传输通道到光路的关系、光路到光纤的关系、光纤到光缆的关系和光缆到管道 杆路的关系；

关系提取后，形成传输通道——光路——光缆——管道杆路的二维描述；

判断同环的不同光路下的光缆是否经过了相同的管道杆路，如果是，则形 成管道杆路同路由。

优选的，所述方法还包括：

在判断出存在同路由时，将同路由的隐患信息根据传送网网络模型进行分 级；

根据各级设备之间的业务关联关系，将所述同路由的隐患信息以联动的方 式进行展示。

本发明还提供一种基于神经网络模型优化传送网路由的装置，包括：

转换模块，用于将传送网转换为脉冲耦合神经网络模型支持的传送网的路 由图；

同路由分析模块，用于进行同路由分析，对所述传送网的路由图中存在的 同路由链路进行链路替换；

优化处理模块，用于在链路替换完成后，在得到的所述传送网的路由图上， 计算出优化处理后的传送网路由。

优选的，所述转换模块包括：

分层单元，用于将所述传送网进行模型分层，得到传送网网络模型；

转换单元，用于根据所述脉冲耦合神经网络模型，将所述传送网网络模型 转换为传送网的路由图。

由上述技术方案可知，本发明的实施例具有如下有益效果：

1)利用基于脉冲耦合神经网络模型的算法进行安全优化，解决在安全优 化过程中有可能造成二次同路由的隐患问题；

2)利用基于脉冲耦合神经网络模型的算法进行安全优化，算法并行度高， 性能优于传统静态路径算法；

3)本发明中基于脉冲耦合神经网络模型的算法的核心算法具有良好的可 扩展性，在需要的情况下可以通过权值的适配应用于不同的问题域，并对问题 进行分析和解决。

附图说明

图1为本发明的实施例中基于神经网络模型优化传送网路由的方法流程 图；

图2为本发明的实施例中传送网网络模型的示意图；

图3为本发明的实施例中神经网络中神经元的结构模型的示意图；

图4为本发明的实施例中脉冲耦合神经网络支持的传送网路由示意图；

图5为本发明的实施例中优化分析之前的传送网路由示意图；

图6为本发明的实施例中调纤方案中可选的链路示意图；

图7为本发明的实施例中优化分析后的传送网路由示意图；

图8为本发明的实施例中基于神经网络模型优化传送网路由的装置结构 示意图。

具体实施方式

为了使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合实 施例和附图，对本发明实施例做进一步详细地说明。在此，本发明的示意性实 施例及说明用于解释本发明，但并不作为对本发明的限定。

参见图1，为本发明的实施例中基于神经网络模型优化传送网路由的方法 流程图，具体步骤如下：

步骤101、将传送网转换为脉冲耦合神经网络模型支持的传送网的路由 图；

在步骤101中，首先将传送网进行模型分层，得到传送网网络模型；然后 根据脉冲耦合神经网络模型，将传送网网络模型转换为传送网的路由图。

在本实施例中，对传送网进行模型分层的步骤如下：

a、根据传送网设备的类型区分为点设备和线设备，点设备和线设备构成 网络拓扑；

b、根据传送网设备在传送网中所起的作用，将传送网划分为：承载、光 缆、光路和传输系统四个层级；

传送网网络模型自上而下包括如下四个网络层次：传输通道层(主要针对 SDH传输通道和DWDM传输通道)、光纤/光路层、光缆层和管道杆路层。

当然在本实施例中并不限定该传送网网络模型的具体结构，本领域技术人 员可根据具体情况调整传送网网络模型的结构。

在本实施例中，上述四个网络层次的组成元素描述参见下表：

  网络层次   点元素   边元素

参见图2，为本发明的实施例中传输通道层、光路层、光缆层和管道杆路 层的数据模型描述。该传送网网络模型包括传输通道层、光路层、光缆层和管 道杆路层。

在对传送网网络模型进行简化抽取和分层描述的基础上，进行脉冲耦合神 经网络模型引入。脉冲耦合神经网络模型是由神经元和神经元之间的链路组成 的一个有权联接的无向图，传送网网络模型中每一层的点设备可理解为脉冲耦 合神经网络模型中的神经元，传送网网络模型中每一层的线设备均可理解为脉 冲耦合神经网络模型中的神经元与神经元之间的链路。在本实施例中，构造的 神经网络模型是若干个神经元相互连接组成。

步骤102、进行同路由分析，对传送网的路由图中存在的同路由链路进行 链路替换；

步骤103、链路替换完成后，在得到的传送网的路由图上，计算出优化处 理后的传送网路由。

在步骤103中可通过基于脉冲耦合神经网络模型的算法计算出优化处理 后的传送网路由。

在本实施例中，可通过传送网网络模型对传送网进行同路由分析，分析过 程如下：

1)光缆层同路由分析过程：

a、提取传输通道层到光缆层的纵向关系，该纵向关系包括：

传输通道到光路的关系：以传输通道经过的设备下光口为条件，获取到全 环经过的所有光路信息；

光路到光纤的关系：由光路通过光路段的两端端子获得经过的局向光纤信 息，再由局向光纤获得实际经过的物理光纤集合信息；

光纤到光缆的关系：由光纤所属光缆段的关系，获得传输通道经过的所有 实际物理光缆段落信息；

b、关系提取后，形成传输通道——光路——光缆的二维描述；

c、在该二维描述中，判断同环的不同光路是否经过了相同光缆，如果是， 则形成光缆同路由。

2)管道杆路层同路由分析过程：

a、提取传输通道层到管道杆路层的纵向关系，该纵向关系包括：

传输通道到光路的关系：以传输通道经过的设备下光口为条件，获取到全 环经过的所有光路信息；

光路到光纤的关系：由光路通过光路段的两端端子获得经过的局向光纤信 息，再由光纤获得实际经过的物理光纤集合信息；

光纤到光缆的关系：由光纤所属光缆段的关系，获得传输通道经过的所有 实际物理光缆段落信息；

光缆到管道杆路的关系：由光缆段与管道杆路的穿孔及铺设关系，获得光 缆段经过的承载设施信息；

b、关系提取后，形成传输通道——光路——光缆——管道杆路的二维描 述；

c、在该二维描述中，判断同环的不同光路下的光缆是否经过了相同的管 道杆路，如果是，则形成管道杆路同路由。

在本实施例中，在完成拓扑网络(光缆网和承载网)的同路由分析后，可 将得到的同路由分析结果固化，然后在分析结果固化的基础上，鉴于分层网络 的节点设备共用会产生深层同路由隐患的考虑，可从以下几个方面进行分析：

1)对光路层节点设备进行分析，将传送网中被重用的设备，列入到隐患 设备情况中；

2)对承载层节点设备进行分析，将传送网中被重用的承载点，列入到隐 患井/杆的情况中。

在得到同路由的隐患信息后，可对同路由的隐患信息进行联合展示：首先 可将同路由的隐患信息根据传送网网络模型进行分级；然后根据各级设备之间 的业务关联关系，将同路由的隐患信息以联动的方式进行展示，使同路由的隐 患信息简单、明了的展示出来；最后根据传送网网络模型的各级关系，设置专 用统计表样，将同路由的隐患信息完整、简洁的输出到通用表格中。

在得到同路由隐患信息后，可采用现有的链路调纤方案对存在同路由的光 路进行链路替换调度，用不同的光缆的两根光纤替换原环网中同路由部分中一 个方向的两根光纤。

参见图3，为本实施例中的神经网络中神经元的结构模型示意图。在本实 施例中，利用基于脉冲耦合神经网络模型的算法进行传送网路由优化分析的理 论依据如下：

神经网络路由算法中的主要公式包括：

其中Y_i为馈送函数，M_i为连接函数，i＝1，2，...，N；U_i(t)为t时刻内部状态 信号，θ_i(t)为t时刻神经元阈值，N为神经元总数ΔT是时移、Δθ是衰减速度。

${\theta }_i\left(t\right)=\left(\begin{array}{cc}\min \{W_{\mathrm{ji}}-\mathrm{\Delta \theta },({\theta }_i(t-\mathrm{\Delta T})-\mathrm{\Delta \theta })\},& \mathrm{if}{M}_i(t-\mathrm{\Delta T})=0\mathrm{and}{Y}_j(t-\mathrm{\Delta T})=1\mathrm{and}{W}_{\mathrm{ji}}\ne 0,\forall j\\ V_{\theta },& \mathrm{if}{Y}_i(t-\mathrm{\Delta T})=1\\ {\theta }_i(t-\mathrm{\Delta T})-\mathrm{\Delta \theta },& \mathrm{otherwise}\end{array}\right)$

其中V_θ是一个较大的阈值；W_ji是神经元j到i的利用率，当神经元j到i无 连接时W_ji＝0。

内部状态信号U_i决定神经元i是否点火，所以我们可以将U_i定义为如下常 数

U_i＝C(i＝1，2，...，N)and C是常数.

算法步骤：

Start：表示源节点，也就是第一个点火发放自动波的神经元

N：神经元的总数

k：迭代次数

l：已经点火的神经元个数

RouteRecord[i，j]：记录路由的矩阵

FiredNeuron：前一次迭代点火的神经元

W_max：最大的权值

初始化网络，k＝0，l＝0，Route Record[i，j]矩阵每一个元素都为0， PreNode(i)＝0对FiredNeuron＝0。

设置

源节点被点火，产生自动波传播。

对每一个神经元j

步骤1)按照公式计算θ_i(j)；

步骤2)若W_{(FiredNeuron，j)}＜θ_j(t)，则Pr eNode(j)＝FiredNeuron

步骤3)按照公式计算Y_j(t)，M_j(t)

步骤4)若Y_j(t)＝＝1，FiredNeuron＝j，j＝j+1，并且记录路由，设置 Route Re cord[Pr eNode(j)，j]＝1

步骤5)k＝k+1

重复步骤3)～步骤5)直到目的节点所代表的神经元点火，从而在传送网 中找到优化后的传送网路由。

以上为引入脉冲耦合神经网络模型后同路由分析算法的具体描述。在进行 同路由分析时，可采用同路由判断函数来进行脉冲耦合神经网络模型的同路由 分析，首先计算脉冲耦合神经网络模型中每一条边上的权值时，可将每条边代 表的局向光纤所在的光缆和管道段与承载目标传输系统的光缆段和管道段进 行比较，并得出是否会存在同路由。

在本实施例中，可构件如下表的数据库来记录脉冲耦合神经网络模型中每 一条边上的权值。

通过脉冲耦合神经网络模型可以将传送网路由表示如图4中的情形，其中 每个节点代表神经元，即光设施，每条边代表每个光设施之间的一条局向光纤， 边上面的数字有两种含义，在进行安全分析时代表局向光纤长度或衰耗，在进 行价值分析时代表局向光纤所在的光缆资源利用率或所在的管道资源利用率。

引入脉冲耦合神经网络模型后，通过脉冲耦合神经网络的特性(特性是指 脉冲耦合神经网络的神经元之间信号传递模拟传送网网络工作方式)来对传送 网进行分析，对神经网络进行分析的过程即神经元节点传播脉冲点火的过程， 设定节点A1为起始节点开始点火，直到图中所有的节点都呈点火状态(具体 分析时可以设定需要点火的起始节点和终止节点)。

具体步骤如下(在进行算法描述时，自动波传播速度取所有链路长度的最 大公约数，即每次迭代时传播速度为1，实际计算时可以设定为不大于最小链 路长度的其他值)：

第6次迭代时，神经元A6点火；

第8次迭代时，神经元A7点火；

第11次迭代时，神经元A2点火。

如此，以此类推：

第13次迭代的时候，神经元A9点火

第16次迭代的时候，神经元A5点火

第17次迭代的时候，神经元A10点火

第18次迭代的时候，神经元A8点火

第21次迭代的时候，神经元A4点火

第23次迭代的时候，神经元A3点火

这样，根据节点点火的顺序，可以找到从节点A1到另外所有节点的最短 路径。此时的最短路径既可以代表在安全分析情况下对同路由段进行替换时， 可以搜索出来的最优路径，也可以代表在利用率分析情况下节点A1至任意节 点的负载均衡路径，即通过上述优化处理后，得到的优化处理后的传送网路由 可以是传输路径最短的传送网路由，或者是负载均衡的传送网路由。

例如，在安全分析情况下：

如图5所示，节点A1-A2-A3-A4-A1构成传输环，现在假设(A1， A2)段与(A1，A4)段产生同路由，按照调纤方案需要将(A1，A4)段替换 掉，因此，需要在如图6中所示的网络中找到节点A1到节点A4的最短路径。

现在假设(A1，A5)段，(A6，A8)段分别与现有的传输环产生了同路 由问题，此时，在寻找路径的过程中不能经过(A1，A5)段和(A6，A8)段， 按照神经网络算法P找到路径A1-A6-A7-A8-A4，符合条件。最终，传 输环变为如图7中的形式(粗线部分)。

参见图8，为本发明的实施例中基于神经网络模型优化传送网路由的装置 结构示意图，该装置包括：

转换模块81，用于将传送网转换为脉冲耦合神经网络模型支持的传送网 的路由图；

同路由分析模块82，用于进行同路由分析，对所述传送网的路由图中存 在的同路由链路进行链路替换；

优化处理模块83，用于在链路替换完成后，在得到的所述传送网的路由 图上，计算出优化处理后的传送网路由。

在本发明的另一实施例中，所述转换模块81包括：

分层单元，用于将所述传送网进行模型分层，得到传送网网络模型；

转换单元，用于根据所述脉冲耦合神经网络模型，将所述传送网网络模型 转换为传送网的路由图。

上述传送网网络模型包括：传输通道层、光纤/光路层、光缆层和管道杆 路层。

由上述技术方案可知，本发明的实施例具有如下有益效果：

1)利用基于脉冲耦合神经网络模型的算法进行安全优化，解决在安全优 化过程中有可能造成二次同路由的隐患问题；

2)利用基于脉冲耦合神经网络模型的算法进行安全优化，算法并行度高， 性能优于传统静态路径算法；

3)本发明中基于脉冲耦合神经网络模型的算法的核心算法具有良好的可 扩展性，在需要的情况下可以通过权值的适配应用于不同的问题域，并对问题 进行分析和解决。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通 技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰， 这些改进和润饰也应视为本发明的保护范围。