认知网络路由技术

3.2 路由决策

路由算法的目标是为网络中端到端的节点构建满足一定QoS的传输路径。从资源优化的角度而言，当网络负载较重时，认知路由算法令业务均匀地分布在网络中。当负载较轻时，认知路由算法应能提升用户的满意度，并利用网络和用户的存储能力，提前消费网络资源，达到高效利用网络资源的目标。

认知路由算法是一个复杂决策问题。其复杂性主要体现在以下几方面。其一，在异构网络环境中，可用的链路模式较多，由多模式链路构建的端到端之间的路径亦较多，为了适应变化的网络环境，高效利用网络资源，宜采用多种路径模式和路由评价准则。其二，在异构大规模网络中，节点多采用分布的方式确定路由，决策过程的具有并行性特征。如终端独立地选择接入网络、进行路由重构、选择协同终端等。有可能导致节点策略之间的矛盾，导致重构后各节点路由表的差异。其三，网元之间的关系较为复杂，既有竞争又有协作。异构融合网络的规模较大。复杂决策问题的建模与求解是一个难题。在这样一个复杂的网络环境中，如何构建具有认知能力的路由算法是一个尚待解决的学术问题。针对复杂决策问题，可采用基于策略库的解决方案。图1将现有的和新开发一些路由算法置入路由策略库。依据网络环境信息和业务需求，策略选择算法负责策略的选择。也可将策略选择算法理解为映射，即网络环境到策略的映射。

路由策略库可以包含常规的路由协议，如IP协议。亦可设计一些适于异构网络环境的新型路由协议，如适应新物理层技术MIMO的路由算法，支持链路协同、网络协同的跨层路由算法[6]。图2给出了一种自组织网络中的链路协同方案。在自组织网络的任意两个节点之间，多跳链路可组成端到端的多信道"协同路径"。在图2(a)中，同路径上的相邻链路配置了不同的信道，当节点以半双工模式协同工作时，链路A-B、C-D与E-F或链路B-C、D-E与F-G可同时工作，提升了路径的流量，获取了"协同路径"增益。当路径上的信道配置与路径附近区域的信道配置发生冲突时，可构建类似图2(b)所示的协同路径，当链路B-E不能履行路由任务时，利用中继节点R1构建备用链路，获取"协同路径"增益。

3.3 认知路由算法中的自学习机制

自学习机制是认知过程有别于自适应过程的关键点。认知路由算法中的自学习模块对路由策略的执行结果进行评估，进而修正路由策略选择算法和路由策略。

在大规模异构网络环境中，业务QoS的变化范围较大，各类网络链路的差异较大，不同网络的管理模式、业务保障能力、资费、功耗等差异较大，用户对不同网络的偏爱程度差异较大。在这样的网络环境中，无法采用一种路由策略，满足不同网络、不同用户的业务需求。需要构建路由策略库，适应业务与网络环境的变化。例如当网络负载较轻时，可以构建跨越异构网络的多条路径，为一对用户服务，达到充分利用网络资源，并为后续业务提供更高的保障概率。

在复杂的网络环境中，基于策略的路由算法的实现存在如下问题。一是如何选择策略库中路由策略？二是如何配置和更新路由策略的参数？路由策略库中包含了多种路由策略，如单路径路由、多路径路由、跨层路由等。需制订选择规则，用于路由策略的选择。然而大规模异构网络环境较为复杂，需采用学习机制，实现选择规则的建立与更新。自学习属于机器学习的范畴。自学习模块的输入包括感知的环境信息、策略选择结果，通过分析策略的执行结果，更新策略选择准则，优化策略的参数配置。

在路由策略更新方面，Benedetto[7]提出了一种适于超宽带网络(UWB)的认知路由方案，给出了基于增强学习的路由更新机制。Thomas利用博弈论设计了跨层路由的更新方案。此外，决策树、贝叶斯等及其学习算法是否适合认知网络，还是一个需要探讨的问题。自学习机制的设计还需解决以下理论和技术问题。自学习算法的收敛速度需快于网络环境的变化速度，分布式自学习算法的协调性问题，路由性能评估函数的设计等[8]。

4 结束语

随着网络规模的扩大，已无法通过手动操作实现网络的优化配置。而且，异构网络的并存的发展趋势，导致网络环境更加复杂。认知技术为动态配置网络，优化利用网络资源、用户资源和服务资源提供了途径。
本文提出了认知网络的路由方案框架，包括环境感知模块、路由决策模块、路由重构模块和自学习模块。重点分析和讨论了部分模块的设计及其所需解决的关键问题。

5 参考文献

[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.

作者介绍：

李红艳，西安电子科技大学教授、博士，目前主要研究方向为认知网络、自组织网络、异构网络融合。已发表相关论文20余篇。

李建东，西安电子科技大学教授、博导，中国通信学会会士，IEEE高级会员，中国电子学会高级会员，长江学者特聘教授，主要从事移动通信、个人通信、认知网络、软件无线电、自组织网络、宽带无线IP 技术等方面的研究。

周丹，西安电子科技大学在读硕士研究生，目前从事认知网络路由协议的研究。