劉賽男 石振國 王國濤 吳小景

(1.南通大學(xué)電子信息學(xué)院，江蘇 南通 226019； 2.南通大學(xué)計算機科學(xué)與技術(shù)學(xué)院，江蘇 南通 226029)

·計算機技術(shù)及應(yīng)用·

一種面向認(rèn)知網(wǎng)絡(luò)的不確定性評價方法★

劉賽男1石振國2王國濤1吳小景1

(1.南通大學(xué)電子信息學(xué)院，江蘇 南通 226019； 2.南通大學(xué)計算機科學(xué)與技術(shù)學(xué)院，江蘇 南通 226029)

針對認(rèn)知網(wǎng)絡(luò)性能評估中存在的隨機性和模糊性問題，提出了一種面向認(rèn)知網(wǎng)絡(luò)的不確定性評價方法，該方法引入了云模型理論，研究并提出了基于云模型的認(rèn)知網(wǎng)絡(luò)性能評估方法，實現(xiàn)了認(rèn)知網(wǎng)絡(luò)性能評價的定量與定性互換，并通過實驗驗證了該評價方法的可行性。

認(rèn)知網(wǎng)絡(luò)，下一代網(wǎng)絡(luò)，性能評價，云模型

認(rèn)知網(wǎng)絡(luò)[1](Cognitive Network)是目前國內(nèi)外關(guān)于下一代智能網(wǎng)絡(luò)研究中的熱點話題[2-4]。區(qū)別于傳統(tǒng)的網(wǎng)絡(luò)，認(rèn)知網(wǎng)絡(luò)能夠感知自身網(wǎng)絡(luò)狀態(tài)和外部環(huán)境，并以端到端網(wǎng)絡(luò)性能QoS(Quality of Service)為目標(biāo)，著眼于整個網(wǎng)絡(luò)，動態(tài)實時地調(diào)整網(wǎng)絡(luò)內(nèi)部配置，智能地適應(yīng)變化的環(huán)境。因此，為了確保認(rèn)知網(wǎng)絡(luò)的資源能夠得到合理配置，并能最終為用戶提供優(yōu)質(zhì)的服務(wù)質(zhì)量，如何有效評價認(rèn)知網(wǎng)絡(luò)服務(wù)性能顯得尤為重要。文獻[5]通過刻畫出一種新的認(rèn)知網(wǎng)絡(luò)數(shù)據(jù)到達特征和信道服務(wù)特征，進而分別從積壓與時延兩個指標(biāo)評價認(rèn)知網(wǎng)絡(luò)的性能。文獻[6]提出了一個認(rèn)知網(wǎng)絡(luò)管理模型，模型中引入認(rèn)知測量系統(tǒng)，持續(xù)監(jiān)測和診斷網(wǎng)絡(luò)性能的潛在問題。文獻[7]采用效用函數(shù)并利用中斷管理機制和認(rèn)知網(wǎng)絡(luò)的主動特性，提出了一種保障用戶QoS水平的方法。目前，關(guān)于認(rèn)知網(wǎng)絡(luò)的性能評價大多是孤立地去考慮某些性能指標(biāo)，未能考慮各個性能指標(biāo)在評價過程中的不確定性。

各個指標(biāo)采用的評估方式不同，有的只能采用自然語言表示，有的可以用精確數(shù)值表示。因此，如何處理這種評價過程中的不確定性，從而準(zhǔn)確評估認(rèn)知網(wǎng)絡(luò)的性能成為了研究的關(guān)鍵。

為解決上述問題，本文在云模型[8]相關(guān)理論的基礎(chǔ)上，以認(rèn)知網(wǎng)絡(luò)中的業(yè)務(wù)傳輸為研究背景，提出了一種面向認(rèn)知網(wǎng)絡(luò)的不確定性評價方法，有效地解決了各項指標(biāo)在評估過程中的隨機性和模糊性問題。

1 評價模型

1.1 Cloud Model

云模型首先是由李德毅提出的一種不確定智能轉(zhuǎn)化模型，最早應(yīng)用在人工智能領(lǐng)域，主要反映的是概念上的不確定性，即模糊性和隨機性。它用三個數(shù)字特征來描述，即期望值Ex,熵En和超熵He。其中期望值Ex為概念上的標(biāo)準(zhǔn)值，反映了相應(yīng)的定性概念的信息中心值；熵En是定性概念不確定程度的度量，熵越大，概念就越模糊；超熵He為熵的熵，反映了云的離散程度，即確定度的不確定性[8]。

2)云發(fā)生器。

正向云發(fā)生器和逆向云發(fā)生器是云模型中兩個最重要的算法[9]。正向云發(fā)生器實現(xiàn)定性概念到定量表示的轉(zhuǎn)換，即由云的數(shù)字特征產(chǎn)生云滴。逆向云發(fā)生器實現(xiàn)定量表示到定性概念的轉(zhuǎn)換，即由云滴群得到云的數(shù)字特征。

正向云發(fā)生器算法：

a.生成以En為均值，方差為He2的正態(tài)隨機數(shù)En′；

b.生成以Ex為均值，方差為En′2的正態(tài)隨機數(shù)x；

專職隊伍不斷精壯，培育活力。省公司設(shè)置專職紀(jì)委書記，監(jiān)察部專職紀(jì)檢人員從2016年年初的5人擴充到14人，每個市州分公司都有3～4名專職紀(jì)檢人員， 6個較大的縣分公司配備了專職人員，其他縣分公司均配備了兼職人員。

c.計算y=e-(x-Ex)2/2(En′)2；

d.使(x,y)成為論域中的一個云滴；

e.重復(fù)上述步驟直到產(chǎn)生規(guī)定的云滴。

逆向云發(fā)生器算法：

1.2 基于Cloud Model的認(rèn)知網(wǎng)絡(luò)性能評估模型

在認(rèn)知網(wǎng)絡(luò)性能評估中，只有多個指標(biāo)達到均衡最優(yōu)，端到端網(wǎng)絡(luò)性能才能達到最佳狀態(tài)。因此，性能評估過程中，應(yīng)先測量基本性能指標(biāo)，再通過綜合分析這些基指標(biāo)得出當(dāng)前網(wǎng)絡(luò)的整體運營情況。具體來講，首先由認(rèn)知用戶進行本地感知，獲取域內(nèi)結(jié)點的QoS參數(shù)信息，并匯報給各自的域認(rèn)知服務(wù)器，然后各個域的認(rèn)知服務(wù)器將信息匯報給至智能評價模塊，進行最終的網(wǎng)絡(luò)性能評估。

考慮到認(rèn)知網(wǎng)絡(luò)中網(wǎng)絡(luò)運行的實際情況以及網(wǎng)絡(luò)評價過程的模糊性和隨機性問題，本文借助云模型理論，通過對各個基指標(biāo)進行綜合評估獲得網(wǎng)絡(luò)整體運行情況。評估模型如圖2所示。為了更好的評價網(wǎng)絡(luò)綜合性能，在對各指標(biāo)進行測量評估時，可以根據(jù)具體情況預(yù)先指定各指標(biāo)權(quán)重，最后再進行網(wǎng)絡(luò)的綜合性能評判，本文中采用的是利用模糊層次分析法(Fuzzy Analytical Hierarchy Process)[10]來確定各個指標(biāo)權(quán)重大小。其評價模型如圖1所示。

2 評價算法

性能評估具體步驟如下：

Input：從認(rèn)知網(wǎng)絡(luò)各數(shù)據(jù)采集點所獲QoS信息，X={x1,x2,…,xn}。

Output：認(rèn)知網(wǎng)絡(luò)性能的綜合評價云。

step1：采集QoS信息并建立認(rèn)知網(wǎng)絡(luò)的性能評價指標(biāo)論域X={{x11,x12,…,x1k},{x21,x22,…,x2k},…，{xn1,xn2,…,xnk}}。

step2：建立評語論域Y={y1,y2,…,ym}。

step3：采用模糊層次分析法計算各指標(biāo)對應(yīng)權(quán)重W={w1,w2,…,wn}。

step4：采用云模型理論計算論域X對應(yīng)于評語域Y的隸屬度，并與標(biāo)準(zhǔn)云對比，得到認(rèn)知網(wǎng)絡(luò)性能的綜合評價云。

3 實驗驗證與分析

3.1 認(rèn)知網(wǎng)絡(luò)實驗環(huán)境

本文采用網(wǎng)絡(luò)仿真工具NS2搭建認(rèn)知網(wǎng)絡(luò)仿真平臺。實驗拓?fù)浣Y(jié)構(gòu)如圖2所示。圖中共分為3個認(rèn)知域，有15個結(jié)點，其中包括12個葉結(jié)點表示主機，3個非葉結(jié)點表示域內(nèi)服務(wù)器，以數(shù)據(jù)傳輸業(yè)務(wù)為例。各個域認(rèn)知服務(wù)器獲得的參數(shù)值如表1所示，是一個參數(shù)三元組(時延/ms，抖動/ms，丟包率)，其中T9～T12為鏈路L1到L2重載情況。

表1 仿真結(jié)果

3.2 FAHP權(quán)值計算

利用模糊層次分析法獲取指標(biāo)權(quán)重如圖3所示。

3.3 性能評估

將測得的認(rèn)知網(wǎng)絡(luò)各性能參數(shù)的數(shù)據(jù)樣本輸入評價系統(tǒng)，所得評價結(jié)果如圖4所示。從圖中可以看出，總的來說，網(wǎng)絡(luò)性能還是比較好的。圖5展示了不同時間段、不同負(fù)載情況下的網(wǎng)絡(luò)性能對比圖?？梢钥闯觯琓1～T8和T13～T16階段，網(wǎng)絡(luò)負(fù)載正常，網(wǎng)絡(luò)性能較理想，而在T9～T12時間段里，由于網(wǎng)絡(luò)處于重載情況，所以網(wǎng)絡(luò)性能不是很理想。從評價結(jié)果可以看出，本文所提出的認(rèn)知網(wǎng)絡(luò)性能評價方法較為準(zhǔn)確地反映了網(wǎng)絡(luò)的性能情況。與傳統(tǒng)的網(wǎng)絡(luò)性能評價方法相比，更能體現(xiàn)出網(wǎng)絡(luò)性能評估過程中的隨機性與模糊性，使評價結(jié)果的可信度大大提高。

4 總結(jié)與展望

本文針對認(rèn)知網(wǎng)絡(luò)性能評估中存在的各種隨機性和模糊性問題，結(jié)合云模型相關(guān)理論，并將模糊層次分析法應(yīng)用于評估指標(biāo)之間的權(quán)值計算，從不確定性角度對認(rèn)知網(wǎng)絡(luò)進行了端到端性能評價。該評價方法利用云滴產(chǎn)生過程中的不確定性和穩(wěn)定的趨向性模擬不同專家對相同現(xiàn)象的不同評估結(jié)果，實現(xiàn)了網(wǎng)絡(luò)性能評估值向評語域的不確定性轉(zhuǎn)換。仿真實驗結(jié)果表明了該評價方法的可行性。文中的評價結(jié)果是在仿真情況下獲得，如何將認(rèn)知網(wǎng)絡(luò)的性能評估問題推廣到實際應(yīng)用中是下一步研究工作中的重點。

[1] Thomas R,DaSilva L.Cognitive Networks[C].Proc.IEEE DySPAN 2005,Maryland,USA,Nov,2005:352-360.

[2] Sakellari’Georgia.The cognitive packet network:A survey[J].Computer Journal,2010,53(3):268-279.

[3] Hey Laurence A.Reduced complexity algorithm for cognitive packet network[J].Computer Communications,2008,31(16):3822-3830.

[4] Sarkar Dilip.Transport layer protocols for cognitive networks[A].IEEE Conference on Computer Communications Workshops[C].San Diego,CA,United States,2010:1-6.

[5] 陳 昕，徐 彤，向旭東，等.具有并行信道的認(rèn)知無線網(wǎng)絡(luò)性能評價研究[J].計算機研究與發(fā)展，2013，50(10):2126-2132.

[6] Dr.Contains.An Introduction to the Cognitive Concept as a Cost-Effective Method for Network Performance Management[C].IEEE Wireless Communications and Networking Conference,2008:3197-3201.

[7] 馮光升，王慧強，馬春光，等.面向認(rèn)知網(wǎng)絡(luò)的用戶QoS動態(tài)自配置方法[J].通信學(xué)報，2010,31(3):133-140.

[8] 李德毅，劉常昱，杜 鹢，等.不確定性人工智能[J].軟件學(xué)報，2004,15(11):1583-1594.

[9] 李德毅，杜 鹢.不確定性人工智能[M].北京：國防工業(yè)出版社，2005.

[10] 張吉軍.模糊層次分析法[J].模糊系統(tǒng)與數(shù)學(xué)，2000,14(2):80-88.

Uncertainty evaluation approach for cognitive network★

Liu Sainan1Shi Zhenguo2Wang Guotao1Wu Xiaojing1

(1.SchoolofElectronicInformation,NantongUniversity,Nantong226019,China;2.SchoolofComputerScienceandTechnology,NantongUniversity,Nantong226029,China)

In order to solve the existing performance evaluation of cognitive network of random and fuzzy problems, a method for evaluating the uncertainty of cognitive network is proposed in this paper. The paper studies and puts forward the cognitive network performance evaluation method based on Cloud Model, which implements the quantitative and qualitative swaps of cognitive network performance. Through the experiment is given to demonstrate the feasibility of the evaluation method.

cognitive network, next generation network, performance evaluation, Cloud Model

2015-03-08★：本文受國家自然科學(xué)基金項目(項目編號：60975033)；國家自然科學(xué)基金項目(項目編號：61340037)；江蘇省高校自然科學(xué)基金(項目編號：07KJB520096)資助

劉賽男(1990- )，女，在讀碩士； 石振國(1964- )，男，博士，副教授

1009-6825(2015)14-0256-03

TP399

A