一种基于人工智能的动态路由配置方法及系统与流程

本发明涉及人工智能，具体而言，涉及一种基于人工智能的动态路由配置方法及系统。

背景技术：

1、在基于人工智能的智慧医院网络管理和优化的领域内，路由配置是确保网络流量高效传输的关键组成部分。在智慧医院或互联网医院的互联网搭建及服务过程中，基础路由配置数据，包括网络拓扑、流量负载以及链路状态等信息，是进行路由决策的重要依据。然而，随着智慧医院或互联网医院的互联网环境的日益复杂化，手动进行路由配置变得越来越耗时且容易出错。

2、现有的路由配置技术通常依赖于网络管理员的经验和直觉来调整路由设置，这不仅效率低下，而且难以应对动态变化的网络状况。此外，由于网络条件的不断变化，既有的静态路由配置方法难以满足实时性和自适应性的需求。因此，需要一种能够自动学习并快速适应新情况的路由配置方法。

3、目前市场上虽已存在一些自动路由配置的解决方案，但它们大多数缺乏对路由配置数据深层次特征的挖掘和学习能力，且在遇到未知或者变化的网络环境时，这些系统的适应性和准确性仍然有限。例如，当网络拓扑发生变化或流量模式变得异常时，现有系统很难快速做出精确的调整。

技术实现思路

1、有鉴于此，本发明实施例的目的在于提供一种基于人工智能的动态路由配置方法及系统，首先获得目标路由配置节点的基础路由配置数据以及相关联的路由配置结果画像，利用目标支持向量机算法，根据基础路由配置数据和对应的路由配置结果画像对初始化的编码网络进行参数更新。对基础路由配置数据执行增强操作，生成增强路由配置数据和相应的增强处理类别，使用决策树算法对初步更新后的编码网络进行进一步的参数更新，以增强路由配置数据为输入样例，以其对应的增强处理类别为学习目标，优化编码网络的参数设置。通过这种进阶更新，编码网络得到改善，提高了对复杂路由配置情境的适应能力和精确性。也即，通过结合支持向量机和决策树的机器学习方法对路由配置数据进行处理，不仅提升了路由配置的准确度，也增强了网络系统在面对各种网络状况时的应对能力。这一技术成果有助于自动化网络管理过程，减少人工干预，确保网络运行的稳定性和效率。

2、依据本发明实施例的一个方面，提供一种基于人工智能的动态路由配置方法及系统，所述方法包括：

3、获得基础路由配置数据和所述基础路由配置数据对应的路由配置结果画像，所述基础路由配置数据为目标路由配置节点的路由配置数据，所述路由配置结果画像为所述基础路由配置数据的先验画像标签状态，所述先验画像标签状态包括网络拓扑、流量负载或者链路状态中的至少一种标签状态；

4、以所述基础路由配置数据为样本，以所述路由配置结果画像为学习目标，基于目标支持向量机对初始化的编码网络进行参数更新，生成初步更新后的编码网络，所述编码网络是用于提取路由配置特征向量的网络；

5、对所述基础路由配置数据进行增强，生成增强路由配置数据和所述增强路由配置数据对应的增强处理类别，所述增强路由配置数据是对所述基础路由配置数据中的目标路由配置节点进行增强后获得的，所述增强处理类别为所述增强路由配置数据的噪声添加增强类别；

6、以所述增强路由配置数据为样例路由配置数据，以所述增强处理类别为学习目标，基于决策树对所述初步更新后的编码网络进行进阶参数更新，生成进阶参数更新后的编码网络。

7、一种可替代的实施方式中，所述以所述基础路由配置数据为样本，以所述路由配置结果画像为学习目标，基于目标支持向量机对初始化的编码网络进行参数更新，包括：

8、基于所述初始化的编码网络提取所述基础路由配置数据的路由配置特征向量；

9、基于目标支持向量机对所述路由配置特征向量进行处理，生成所述路由配置特征向量的预测画像标签状态；

10、基于所述路由配置特征向量的预测画像标签状态和所述路由配置结果画像对所述初始化的编码网络进行参数更新。

11、一种可替代的实施方式中，所述基于所述路由配置特征向量的预测画像标签状态和所述路由配置结果画像对所述初始化的编码网络进行参数更新，包括：

12、基于所述路由配置特征向量的预测画像标签状态和所述路由配置结果画像计算第一误差系数，所述第一误差系数反映所述路由配置特征向量的预测画像标签状态对应特征参数和所述路由配置结果画像对应特征参数之间的误差；

13、基于所述第一误差系数对所述初始化的编码网络进行参数更新。

14、一种可替代的实施方式中，所述以所述增强路由配置数据为样例路由配置数据，以所述增强处理类别为学习目标，基于决策树对所述初步更新后的编码网络进行进阶参数更新，包括：

15、基于所述初步更新后的编码网络提取所述增强路由配置数据的增强标签状态；

16、基于所述决策树对所述增强标签状态进行处理，生成所述增强标签状态的预测画像标签状态；

17、基于所述增强标签状态的预测画像标签状态和所述增强处理类别对所述初步更新后的编码网络进行进阶参数更新。

18、一种可替代的实施方式中，所述基于所述增强标签状态的预测画像标签状态和所述增强处理类别对所述初步更新后的编码网络进行进阶参数更新，包括：

19、基于所述增强标签状态的预测画像标签状态和所述增强处理类别计算第二误差系数，所述第二误差系数反映所述预测画像标签状态对应增强特征参数和所述增强处理类别对应增强特征参数之间的误差；

20、基于所述第二误差系数对所述初步更新后的编码网络进行进阶参数更新。

21、一种可替代的实施方式中，在所述获得进阶参数更新后的编码网络之后，还包括：

22、获得候选路由配置数据，所述候选路由配置数据对应的数量少于所述基础路由配置数据对应的数量；

23、基于所述进阶参数更新后的编码网络提取所述候选路由配置数据的路由配置特征向量；

24、基于所述目标支持向量机预测所述路由配置特征向量的先验画像标签状态。

25、一种可替代的实施方式中，所述获得候选路由配置数据，包括：

26、接收任意服务端发送的所述候选路由配置数据；

27、在所述基于所述目标支持向量机预测所述路由配置特征向量的先验画像标签状态之后，还包括：

28、向所述任意服务端发送所述路由配置特征向量的先验画像标签状态进行显示。

29、依据本发明实施例的另一方面，提供一种基于人工智能的动态路由配置方法及系统，所述系统包括：

30、获得模块，用于获得基础路由配置数据和所述基础路由配置数据对应的路由配置结果画像，所述基础路由配置数据为目标路由配置节点的路由配置数据，所述路由配置结果画像为所述基础路由配置数据的先验画像标签状态；

31、初步更新模块，用于以所述基础路由配置数据为样本，以所述路由配置结果画像为学习目标，基于目标支持向量机对初始化的编码网络进行参数更新，生成初步更新后的编码网络，所述编码网络是提取路由配置特征向量的网络；

32、增强模块，用于对所述基础路由配置数据进行增强，生成增强路由配置数据和所述增强路由配置数据对应的增强处理类别，所述增强路由配置数据是对所述基础路由配置数据中的目标路由配置节点进行增强后获得的，所述增强处理类别为所述增强路由配置数据的噪声添加增强类别；

33、进阶更新模块，用于以所述增强路由配置数据为样例路由配置数据，以所述增强处理类别为学习目标，基于决策树对所述初步更新后的编码网络进行进阶参数更新，生成进阶参数更新后的编码网络。

34、依据本发明实施例的另一方面，提供一种服务器，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、通信接口和存储器通过通信总线完成相互间的通信； 所述存储器，用于存放计算机程序； 所述处理器，用于执行所述计算机程序时，实现以上任一项所述的基于人工智能的动态路由配置方法的步骤。

35、依据本发明实施例的另一方面，提供一种可读存储介质，该可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行上述的一种基于人工智能的动态路由配置方法的步骤。

36、为使本发明实施例的上述目的、特征和优点能更明显易懂，下面将结合实施例，并配合所附附图，作详细说明。