一種基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的RED改進算法

馮思楠　康巧燕　王建峰　李靜　于必成

摘要：主動隊列管理技術(shù)是網(wǎng)絡(luò)擁塞控制的重要技術(shù)，隨機早期檢測算法作為一種典型的主動隊列管理機制，在擁塞控制中發(fā)揮著一定作用，針對該算法參數(shù)固定、難以適應(yīng)復(fù)雜網(wǎng)絡(luò)環(huán)境的問題利用BP神經(jīng)網(wǎng)絡(luò)算法進行流量預(yù)測，與隨機早期檢測算法結(jié)合，設(shè)計了一種基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的網(wǎng)絡(luò)擁塞控制算法，及時有效地獲取網(wǎng)絡(luò)狀態(tài)信息為擁塞控制提供應(yīng)對時間，并通過Matlab仿真，檢測新算法性能。

關(guān)鍵詞：隊列管理;隨機早期檢測算法;BP神經(jīng)網(wǎng)絡(luò);Matlab

中圖分類號：IP31 文獻標(biāo)志碼：A 文章編號：1008-1739（2019）03-68-4

0 引言

神經(jīng)網(wǎng)絡(luò)作為人工智能的重要發(fā)展方向在數(shù)據(jù)預(yù)測方面有著良好的表現(xiàn)。神經(jīng)網(wǎng)絡(luò)按照誤差的不同反饋形式，對權(quán)值或閾值進行調(diào)整。BP神經(jīng)網(wǎng)絡(luò)因其良好的自學(xué)習(xí)性和應(yīng)用簡單等性質(zhì)，已成為最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。針對RED算法在復(fù)雜網(wǎng)絡(luò)環(huán)境中參數(shù)配置困難的問題，將BP神經(jīng)網(wǎng)絡(luò)預(yù)測應(yīng)用到網(wǎng)絡(luò)擁塞控制中，對未來一段時間內(nèi)網(wǎng)絡(luò)流量預(yù)測，進而提前對RED算法中相應(yīng)參數(shù)做出調(diào)整，提升系統(tǒng)對復(fù)雜網(wǎng)絡(luò)環(huán)境適應(yīng)能力。本文從控制理論的角度出發(fā)，設(shè)計基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的網(wǎng)絡(luò)擁塞控制算法，以隊列長度作為網(wǎng)絡(luò)擁塞控制信號，通過Smulink仿真搭建高速網(wǎng)絡(luò)傳輸環(huán)境。與傳統(tǒng)的RED算法進行比較，檢測新算法在網(wǎng)絡(luò)擁塞控制方面的優(yōu)越性。

1 網(wǎng)絡(luò)擁塞控制模型

從控制理論角度分析，AQM算法作為控制器，經(jīng)過AQM計算輸出的丟棄概率P作為控制信號，發(fā)送端作為系統(tǒng)的執(zhí)行器。發(fā)送端與路由器的隊列長度和鏈路延遲共同作為系統(tǒng)廣義對象。模型如圖1所示。

在網(wǎng)絡(luò)傳輸過程中，大量的數(shù)據(jù)包在發(fā)送端等待發(fā)送，發(fā)送速度由TCP擁塞窗口決定，TCP傳輸過程主要由慢啟動（指數(shù)增加）、擁塞避免（加法增加）、快速重傳（乘法減?。┘翱焖倩謴?fù)4個階段構(gòu)成，在絕大部分時間內(nèi)，TCP處于擁塞避免階段。源端擁塞窗口（傳輸）加性增，乘性減（AIMD）的微分方程描述如式（1）：

AQM通過對丟棄溉率P的調(diào)整，促使TCP源端改變擁塞窗口，改變流量傳輸速率。基于上述TCP窗口控制線性化模型，將AQM反饋控制系統(tǒng)設(shè)計如圖2。

2 基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的網(wǎng)絡(luò)擁塞控制算法

本文給出基于Matlab的BP神經(jīng)網(wǎng)絡(luò)偽代碼：

P-[輸入矩陣];net-newff隱藏層輸出層的神經(jīng)元數(shù)量;

T-[輸出矩陶;net.trainparam.show-設(shè)置顯示間隔;

t-%時間;net.trainparam.epoch-設(shè)定訓(xùn)練步數(shù);

net-train（net，P，0;Y-sim（net，p）

2.1 基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的網(wǎng)絡(luò)擁塞控制算法

由于網(wǎng)絡(luò)流量長時間表現(xiàn)的統(tǒng)計相似的自相似性、長相關(guān)性及混沌性等特征，為應(yīng)用預(yù)測算子計算網(wǎng)絡(luò)流量提供了理論支撐。其基本預(yù)測思略如圖3所示。

基于上文BP神經(jīng)網(wǎng)絡(luò)預(yù)測代碼，通過對以往的網(wǎng)絡(luò)流量訓(xùn)練識別，以歷史的網(wǎng)絡(luò)流量真實值作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，最后將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)應(yīng)用于流量預(yù)測中，以過往流量作為神經(jīng)網(wǎng)絡(luò)預(yù)測的輸入，預(yù)測下一時間段網(wǎng)絡(luò)路由狀態(tài)，在本文所設(shè)計的基于神經(jīng)網(wǎng)絡(luò)預(yù)測算法中，將網(wǎng)絡(luò)狀態(tài)分為非常順暢、順暢、即將擁塞和擁塞4個狀態(tài)，在不同的網(wǎng)絡(luò)路由狀況下給予不同的值，提前計算數(shù)據(jù)包的丟包率，使網(wǎng)絡(luò)路由在擁塞發(fā)生前最大限度地對擁塞狀況進行避免。基本操作框圖如圖4所示。

具體步驟如下：

①初始化設(shè)置，平均隊列長度與瞬時隊長均為0。

②輸入網(wǎng)絡(luò)流量數(shù)據(jù)與目標(biāo)數(shù)據(jù)進行訓(xùn)練，得到合適的權(quán)值與閾值，評價預(yù)測精度，若精度符合誤差要求，則將各級權(quán)值閾值保存，作為神經(jīng)網(wǎng)絡(luò)流量預(yù)測的模型。若偏離預(yù)測精度較大則返回繼續(xù)學(xué)習(xí)，調(diào)整權(quán)值閾值。

③將即時的流量數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)流量預(yù)測模型計算，得到下—階段的流量，計算瞬時隊長q（0可近似的看為：

3 基于Simulink網(wǎng)絡(luò)擁塞系統(tǒng)模型實現(xiàn)

Silulink作為Matlab的擴展，使用戶從復(fù)雜的編程語言中解放出來，對模型搭建投入更多精力。在本次仿真實驗中，模擬一組TCP源端在一定范圍內(nèi)隨機向路由節(jié)點發(fā)送數(shù)據(jù)包，在路由節(jié)點處形成隊列，設(shè)置路由節(jié)點處理數(shù)據(jù)包的傳輸帶寬，通過網(wǎng)絡(luò)擁塞控制算法將隊列長度控制在設(shè)置的期望值附近，為更準(zhǔn)確地模擬真正的網(wǎng)絡(luò)傳輸環(huán)境，設(shè)置較大的網(wǎng)絡(luò)延遲。同時以一定的時間采樣間隔對隊列長度進行檢測。具體數(shù)據(jù)如表1所示。

此次仿真實驗將基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的RED擁塞控制算法通過Simulink進行搭建，模擬仿真拓撲圖如圖5。

系統(tǒng)由隨機信號發(fā)生器模擬傳輸數(shù)據(jù)，隨機產(chǎn)生（0，4000）隨機數(shù)，作為模擬TCP發(fā)送至路由節(jié)點的數(shù)據(jù)量。圖中顯示模塊用以顯示節(jié)點處瞬時隊列長度變化。

3.1 RED算法的仿真實現(xiàn)

在網(wǎng)絡(luò)傳輸過程中，當(dāng)數(shù)據(jù)包到達路由節(jié)點的速率高于路由節(jié)點傳輸帶寬時，就會形成隊列，網(wǎng)絡(luò)擁塞的形成是隊列累積的結(jié)果。本文以網(wǎng)絡(luò)傳輸過程中的流量作為預(yù)測指標(biāo)，計算略由節(jié)點的隊列長度，達到網(wǎng)絡(luò)擁塞控制的目的。分別對傳統(tǒng)的RED算法及基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法的網(wǎng)絡(luò)擁塞控制算法進行Simulink仿真，以隊列長度作為評價指標(biāo)進行對比評價。

圖6為RED算法在1000個流量數(shù)據(jù)樣本下的隊列長度仿真。當(dāng)平均隊列長度小于下門限時，流量包正常進入排隊。而當(dāng)平均隊列長度處于上下門限之間時，對數(shù)據(jù)包標(biāo)記一定的丟棄概率，當(dāng)平均隊列長度超過最大閾值時，流量包丟棄，同時觸發(fā)AIMD控制機制，TCP端將數(shù)據(jù)傳輸流量減少一半。但由于對網(wǎng)絡(luò)擁塞缺少預(yù)判，缺少有效的擁塞避免，進而造成了多次擁塞丟包事件的發(fā)生。

3.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法的仿真實現(xiàn)

根據(jù)網(wǎng)絡(luò)拓撲結(jié)構(gòu)，建立仿真網(wǎng)絡(luò)傳輸系統(tǒng)，在試驗中，首先對流量預(yù)測模型進行建立，模型選用BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，經(jīng)過多次實驗表明，將隱含層神經(jīng)元個數(shù)設(shè)置為6h，相對較好地保持了預(yù)測精度與預(yù)測速度的平衡。設(shè)置訓(xùn)練函數(shù)為tranlm，誤差修正方式為均方誤差（mse），設(shè)置完成的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)構(gòu)如圖7所示。

將此系統(tǒng)應(yīng)用于網(wǎng)絡(luò)傳輸拓撲結(jié)構(gòu)中，圖8為基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的網(wǎng)絡(luò)擁塞控制系統(tǒng)經(jīng)過1000組網(wǎng)絡(luò)流量數(shù)據(jù)輸入，隊列長度變化的仿真結(jié)果。如圖8所示，基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的RED算法，起始階段經(jīng)過源端數(shù)據(jù)傳輸，在路由節(jié)點處形成隊列，在基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的RED算法的控制下，對擁塞做出預(yù)測，對隊列長度進行預(yù)控制，避免擁塞。使得隊列長度保持在期望隊列長度（3000 packets）附近，沒有造成大丟包事件的發(fā)生。

5 結(jié)束語

在網(wǎng)絡(luò)擁塞控制過程中，本文仿真了50個網(wǎng)絡(luò)源端用戶對路由節(jié)點發(fā)送數(shù)據(jù)，基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的網(wǎng)絡(luò)擁塞控制算法已有歷史數(shù)據(jù)作為預(yù)測支撐，出現(xiàn)了短暫的擁塞狀況，而隨著網(wǎng)絡(luò)傳輸過程的進行，已有的數(shù)據(jù)作為自學(xué)習(xí)與預(yù)測的數(shù)據(jù)支撐，在傳輸階段的中后期，因傳輸節(jié)點對于隊列長度的感知與預(yù)測，提前對RED算法丟包率做出調(diào)整，網(wǎng)絡(luò)傳輸環(huán)境得到了合理的改善，提升了RED算法對復(fù)雜傳輸網(wǎng)絡(luò)的適應(yīng)性，因此基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的RED算法較RED算法有著更好的適應(yīng)性。