论文部分内容阅读
近年来,机器学习技术在计算机各领域中应用的更加广泛和更加成熟,在图像处理,自然语言处理和个性化推荐等众多领域展现出了巨大的优势,并且仍在以一种迅猛的势头向前发展着。新技术的发展必将带来旧技术的革新,这也为科研工作者在解决相关领域的传统难题时提供了一种新的解决思路。本文旨在通过应用机器学习等相关技术来提高传统路由算法的性能。最小负载(Least Loaded)路由算法是近几十年来被广泛使用的路由算法,也是在性能方面表现的最好的路由算法之一,因此,它为新的路由算法的性能优劣提供了一个基准,但传统的最小负载路由算法也存在一些不足,有时会造成链路上网络资源的过度浪费。在此基础上,本文使用有监督的半朴素贝叶斯分类器,与传统的最小负载路由算法相结合,考虑网络中每条链路上资源使用的依赖关系,把每条链路上的资源使用状态看成一个个属性,引入半朴素贝叶斯分类器的独依赖策略,找到各属性的超父属性,然后计算出各节点对之间的潜在阻塞概率,最终实现最小链路负载和最小网络阻塞概率这两个目标之间的平衡,从而找到最佳路由。具体而言,如果通过节点对之间的某个路由建立了服务连接,每当一个服务请求到达一个不断接受和释放动态服务连接的操作网络时,都会获取相应的网络快照,在网络快照实例中记录下的是每个链路上使用的网络资源单位的数量。半朴素贝叶斯分类器通过迭代学习历史网络快照的信息,借此预测每个节点对之间潜在的未来电路阻塞概率,而为新请求提供服务的候选路由是根据链路负载和整个网络中潜在的未来阻塞概率(如果确实使用了该路由)来确定的。本文最后通过仿真实验展现了该路由算法的性能,并与传统的的最小负载路由算法和最短路径的路由算法等进行了比较。结果表明,本文提出的有监督的半朴素贝叶斯分类器辅助的最小负载路由算法显著降低了服务连接请求的阻塞概率,在性能上优于传统的最小负载路由算法和最短路径路由算法。