论文部分内容阅读
由于低轨道(Low Earth Orbit,LEO)卫星网络具有覆盖范围广、组网灵活、不受地理坏境限制、接入简单等突出优点,LEO卫星网络已经成为实现全球通信的一种重要方式。但是,LEO卫星网络的拓扑高动态变化导致链路剩余带宽、链路丢包率、端到端时延等状态的实时变化也给LEO卫星网络路由算法的设计带来挑战。针对当前LEO卫星网络路由算法存在路由更新不及时、网络负载不均衡、服务质量(Quality of Service,QoS)难以保证的问题,本文提出基于流量预测的多代理负载均衡与QoS路由算法(Multi-Agent Load Balancing and QoS Routing based on Traffic Prediction,TP-MALBQR),主要研究内容如下:精确的卫星网络流量预测结果能够反映卫星的负载情况,从而为负载均衡与QoS路由提供可靠的下一跳路由策略。但是,考虑到卫星网络流量具有复杂的自相似性与非线性等特征,以及卫星的计算与存储资源受限,传统的流量预测算法无法满足预测精度与预测效率的要求。本文提出基于迁移学习的门结构循环(Gated Recurrent Unit,GRU)神经网络流量预测算法。本文采用迁移学习解决线上卫星流量数据不足的问题,通过GRU神经网络获取卫星流量的非线性、自相似、长相关特征表达,通过粒子滤波在线训练算法降低模型训练的时间复杂度与提高模型训练的收敛效率,并采用距离比较方法与优化组合策略克服粒子滤波算法中粒子有效性和粒子多样性不足的问题。仿真结果表明,提出的流量预测算法的平均相对误差较分数自回归整合滑动平均模型(Fractional Autoregressive Integration Moving Average,FARIMA)与支持向量回归(Support Vector Regression,SVR)算法减少35.80%与8.13%,优化后的粒子滤波算法较梯度下降算法收敛速率快40%。总体结果表明提出的算法预测精度较高,对卫星计算存储资源要求较低,为多代理负载均衡与QoS路由算法提供良好的可靠性保障。本文根据流量预测值设计多代理负载均衡与QoS路由算法,该算法是基于代理的卫星网络路由体系架构。本文根据极轨道星座特点,设计轨道内、轨道间星间链路代价,并利用流量预测结果设计代价调节因子,从而精确的反映卫星负载情况。本文设计移动代理与静止代理两类代理结构:移动代理负责探测路径代价最小和满足QoS的路径、收集路由信息、通知静止代理预留资源;静止代理负责流量预测、计算链路代价、路由表维护更新与QoS资源预留。本文考虑三类QoS参数:时延、带宽、丢包率,通过移动代理探测得到满足QoS参数的路径候选集,并选择进入极地剩余时间最长的路径作为最终满足负载均衡与QoS路径。仿真结果表明提出的路由方案的网络吞吐量提升8%至20%,丢包率降低9%至25%,端到端时延降低6%至15%。