[论文解读] Cognitive Routing with Stretched Network Awareness through Hidden Markov Model Learning at Router Level

T. R. Gopalakrishnan Nair, M. Jayalalitha+1 more|arXiv (Cornell University)|Jan 21, 2010

Software-Defined Networks and 5G参考文献 6被引用 9

一句话总结

本文提出了一种认知路由框架，该框架在路由器层面使用隐马尔可夫模型（HMM）来预测前向信道性能，并实现主动、智能的路径选择。通过学习并共享前向信道性能指数（FCPI），路由器实现了‘扩展的网络感知’，以极低的开销实现预测性多跳网络认知，从而减少分组丢失和延迟。

ABSTRACT

The routing of packets are generally performed based on the destination address and forward link channel available from the instantaneous Router without sufficient cognizance of either the performance of the forward Router or forward channel characteristics. The lack of awareness of forward channel property can lead to packet loss or delayed delivery leading to multipleretransmissions or routing to an underperforming pathway. This paper describes an application of Cognitive Network to improve the network performance by implementing a Hidden Markov Model (HMM) algorithm for learning and predicting the performance of surrounding routers continuously while a routing demand is initiated. The cognition segment/domain of every router can gain knowledge about the quality of forward network. The information of the current network conditions is shared between routers by the Forward Channel Performance Index FCPI. This enables complete cognition of surroundings and efficient delivery of messages in various paradigms of performance

研究动机与目标

• 解决传统路由器缺乏对即时链路之外未来网络状况感知能力的问题。
• 减少因对下游路由器和信道性能缺乏感知而导致的分组丢失、延迟和重传。
• 通过将网络感知从本地拓扑扩展至邻近路由器的预测性能，实现主动路由决策。
• 采用HMM和前向信道性能指数（FCPI）在路由器之间共享的机制，实现可扩展、低开销的认知机制。
• 在不干扰实时路由操作的前提下，将认知学习与推理集成到路由器架构中。

提出的方法

• 每个路由器维护一个隐马尔可夫模型（HMM），以学习并预测其邻近路由器出站信道的性能状态。
• 前向信道性能指数（FCPI）被用作信道状态的紧凑共享表示，编码为二进制向量，表示功能正常（1）或功能失效（0）的信道。
• 认知分组在相邻路由器之间周期性交换，以共享FCPI值，从而实现多跳感知，且带宽使用极少。
• 认知域以低频运行，与高速路由域分离，利用HMM基于历史和当前FCPI数据预测未来网络状态。
• HMM预测结果指导路由决策过程，使路由器能够基于预测性能推荐最佳下一跳路径。
• 系统在认知域中集成一个规划单元，用于综合考虑QoS和策略约束，并向路由域提供建议。

实验结果

研究问题

• RQ1 路由器如何主动预测其直接邻居之外的前向信道性能？
• RQ2 在分布式路由环境中，何种机制可实现低开销、可扩展的全网感知？
• RQ3 如何有效利用隐马尔可夫模型对多跳网络中动态信道状态进行建模与预测？
• RQ4 前向信道性能指数（FCPI）在实现共享、预测性网络认知中起到什么作用？
• RQ5 如何将认知学习与实时路由解耦，以在保持性能的同时实现自适应行为？

主要发现

• 基于HMM的学习机制使路由器能够高精度预测前向信道的功能状态，减少对反应式重传的依赖。
• 使用FCPI作为信道状态的共享紧凑表示，使路由器能以极低的带宽开销维持对下游网络状况的感知。
• 采用所提方法的路由器可借助HMM预测主动避开性能不佳或已失效的链路，提升端到端交付可靠性。
• 通过使路由器能够预测其路由层级中上一级路由器的出站链路状态，系统实现了‘扩展的网络感知’。
• 认知域以低频独立运行，确保高速路由操作不受影响，同时仍能受益于预测性智能。
• 该框架支持自学习与自重构，使网络能无需人工干预即可适应异常情况，提升实时服务的QoS。