一种面向高动态大规模移动自组网的智能组网方法

本发明涉及智能移动自组网，尤其涉及一种面向高动态大规模移动自组网的智能组网方法。

背景技术：

1、在现如今的网络技术领域中，由于移动自组网不依赖基础设施、部署灵活、抗毁性强等优势，已经成为网络技术领域最活跃的研究与应用方向之一，且随着智能便携设备的日益普及呈爆发式向探测巡查、应急救灾、战场通信、航空航天等各个行业领域渗透。但是随着无人机、高速车辆等新型智能节点的应用普及，高动态大规模新型移动组网需求随之出现。

2、对于传统移动组网来说，高动态引起的网络拓扑瞬时变化、连接频繁中断、网域快速切换等问题，以及是否存在可用固定基站、移动基站、卫星基站等基础设施，容易对自组网的路由决策造成颠覆性影响；大规模网络节点造成了网络数据量剧增、计算或决策时间增长，并且移动自组网的特定目标任务引起的网络传输需求具有突发性、多变性和同质性，因此导致按照应用需求快速组织和汇聚网络资源困难；还有，特定移动自组网存在各种外部威胁，如节点伪造、身份伪造、地址伪造等，会造成隐私泄露可能性高和连接安全可控性差的问题。

3、因此，智能组网方法成为高动态大规模的新型网络应用的瓶颈，亟待一种适用于高动态大规模的新型网络应用的智能移动自组网。

技术实现思路

1、本发明的目的是提供一种面向高动态大规模移动自组网的智能组网方法，实现了对网络大规模节点的组织管理，解决了各种情况下的路由决策问题，保障了网络节点接入与传输过程中的安全，适用于高动态大规模的新型网络应用场景。

2、为实现上述目的，本发明提供了一种面向高动态大规模移动自组网的智能组网方法，包括以下步骤：

3、s1、建立高动态大规模移动自组网的组网模型：从逻辑角度建立保障节点和功能节点组织模型，从物理角度建立智能网域划分模型；

4、s2、根据通信需求，构建高动态大规模移动自组网的智能路由决策方法，具体分为先应式智能路由决策、反应式智能路由决策和机会路由决策三种情况；

5、s3、设计节点组织与路由传输的安全认证策略，包括节点安全接入认证和传输连接安全认证两部分。

6、优选的，步骤s1建立组网模型中，按照功能将网络节点分为保障节点和功能节点；按实现组网功能分为节点组织引擎、网域划分引擎、路由决策引擎和安全认证引擎四个功能模块；

7、网络保障节点部署所有的引擎模块，通过分布式协作完成各引擎的功能；网络功能节点部署路由决策引擎模块和安全认证引擎模块。

8、优选的，步骤s1建立自组网架构模型的具体步骤如下：

9、s111、利用数学优化，构建自组网架构的广义网络效用最大化问题，如下所示：

10、

11、subject to rx≤c

12、其中，表示保障节点向量；表示功能节点向量；表示信源节点q在网域o中的发送速率；标识网络效用函数；

13、s112、利用数学优化、因果推理与强化学习，建模马尔可夫决策过程，求解广义网络效用最大化问题，如下所示：

14、

15、其中，表示状态空间；表示动作空间；表示状态转移概率；表示收益函数；

16、s113、通过强化学习获取最优的优化算法，求解得到最佳路由策略r*和传输策略x*。

17、优选的，步骤s1节点组织的具体步骤如下：

18、s121、节点虚拟组织；

19、依据逻辑连通性将保障节点虚拟组织起来，形成保障节点虚拟映射；

20、依据功能节点的不同类型，建立多个功能节点的虚拟映射；

21、基于物理或逻辑关系，将功能节点的虚拟映射与保障节点的虚拟映射连接起来，形成网络节点的分布式虚拟映射组织；

22、s122、保障节点优化部署；

23、首先，将保障节点i根据网络环境变化不断动态调整的过程，建立分布式结构因果模型；

24、然后，根据因果模型与马尔可夫决策过程之间的转换关系，将结构因果模型表征为一个多智能体干扰马尔可夫决策过程；通过最大化网络长期累积效用函数寻找最优部署策略π*；得到最佳的保障节点部署策略，实现保障节点对目标区域的高效覆盖。

25、优选的，在步骤s1中，网域划分方法的具体过程如下：

26、s131、场景认知；

27、利用现有网络、环境感知技术与先验知识，建立基于多模态元迁移学习的场景认知模型；通过节点间交互感知整个网域内的网络场景；

28、s132、网域划分；

29、基于网络场景认知结果，建立网域划分数学优化模型；基于分布式因果强化学习，自动求解优化问题，得到最优的路由策略和传输策略实现优化网络管理模型。

30、优选的，在步骤s2构建先应式智能路由决策方法的具体过程如下：

31、s211、基于节点组织模型、网域划分模型，构建图网络模型，如下所示：

32、g＝(v，e，xv)

33、其中，v表示节点集合；表示节点间链路集合；xv表示节点的特征信息；

34、s212、利用条件随机场模型，建立联合分布进行节点间的连通性预测，如下所示：

35、pφ(yv|xv，e)

36、其中，φ表示模型参数；对直接最大化log pφ(yl|xv，e)的下界进行优化，如下所示：

37、

38、其中，yl表示部分节点的连通性，qθ(yu|xv)表示节点集u的连通性分布；

39、s213、利用变分期望最大化框架em优化步骤s212中下界得到模型qθ：

40、在m-阶段，固定qθ，通过最大化似然函数更新pφ，如下所示：

41、

42、在e-阶段，通过优化目标函数更新qθ，如下所示：

43、

44、其中，nb(i)是节点i的邻居；

45、s214、交替迭代训练pφ和qθ直至收敛，获得节点间连通性预测向量yv；

46、s215、基于连通性向量yv、节点优先级、目标任务，建立动态更新先应式路由策略，为节点之间、高级别节点之间的实时通信奠定路由基础。

47、优选的，在步骤s2构建反应式智能路由决策方法的具体过程如下：

48、s221、基于路由发现过程，建立一个目标条件马尔可夫决策过程，如下所示：

49、

50、其中，表示网络状态空间；表示选择下一跳路由节点的动作空间；表示网络状态的转移概率；g表示目标路由空间；表示网络收益函数；γ表示折扣因子；

51、s222、建立马尔可夫决策过程集合，如下所示：

52、

53、其中，pk表示网络状态与路由选择动作之间的因果关系；

54、s223、在k个网络环境中随机抽取一个环境，利用交互策略πi生成一个网络状态转移序列τ＝{(s1，a1)，(s2，a2)，...}，并利用归纳模型f构建因果模型

55、s224、通过学习得到因果模型和路由策略πg，生成通信节点间的实时策略。

56、优选的，在步骤s2构建机会路由决策方法的具体过程如下：

57、s231、基于节点动态调整过程，建立一个马尔可夫决策模仿学习模型，如下所示：

58、

59、其中，为网络状态空间，为路由选择的动作空间；表示网络状态的转移概率；r表示即时网络收益函数集合；t表示网络状态的转移次数；

60、s232、为获得节点间的机会路由决策，构建示范数据集如下所示：

61、

62、其中，表示节点潜在可用路由的轨迹；ci表示路由需求；

63、s233、利用模仿学习构建节点机会路由决策模型，即从一类网络可用路由策略集π中寻找一个潜在的路由策略π(a|s)，模拟示范数据集的最优路由策略

64、定义损失函数：

65、其中，为指示函数；

66、期望损失函数：

67、t步的期望损失函数：

68、其中，ρπ表示网络状态的分布；

69、s234、通过最小化损失函数得机会路由决策，如下所示：

70、

71、利用自适应梯度下降算法求解该优化问题，获得节点间的延时容忍机会路由策略。

72、优选的，在步骤s3网络节点安全接入认证过程，如下所示：

73、s311、构建接入节点的公开标识rid和初始隐形标识iid，则每个拟接入节点拥有三元组<rid，iid，skey>；其中，skey是用于数据加密和解密的安全私钥；

74、s312、当节点a拟接入网络时，向认证服务器发出携带a隐形标识的接入请求；认证服务器根据已知合法接入设备信息，对a进行验证；如果验证通过，则利用双重标识解析映射生成a的新隐形标识，并向a发送携带a新隐形标识的接入成功确认；

75、构建双重标识解析映射，如下所示：

76、[za(x)rid]→ψ[za(x)iid]

77、其中，x表示接入节点，a表示接入请求，za(x)rid表示接入标识，za(x)iid表示连接标识；

78、s313、当节点a收到接入成功确认后，更新隐形标识。

79、优选的，在步骤s3网络传输连接安全认证过程，如下所示：

80、s321、当节点a需向节点b发送信息时，先向认证服务器发送带节点a身份标识rida|iida和节点b公开标识ridb的传输申请；

81、s322、认证服务器验证节点a和b的身份信息，如果通过身份验证，则利用双方的双重标识生成一组加解密密钥，如下所示：

82、(ka，kb)←extract(pp，skey，rida|iida，ridb|iidb)

83、其中，pp表示公共参数，以密文形式发送给节点a和节点b；

84、s323、节点a利用从认证服务器获得的密钥和自己的隐形标识对数据进行加密封装，发送给节点b；当节点b收到数据包后，利用从认证服务器获得的秘钥对数据包进行验证与解密；如果验证通过，则向节点a发送接收成功确认；

85、s324、节点a收到节点b的确认信息后，向认证服务器发送传输结束确认；认证服务器重新生成节点a和节点b新的隐形标识并分别发送给a和b，节点a和节点b更新自己的新隐形标识，用于下一次信息传输。

86、因此，本发明采用上述一种面向高动态大规模移动自组网的智能组网方法，实现了对网络大规模节点的组织管理，解决了各种情况下的路由决策问题，保障了网络节点接入与传输过程中的安全，适用于高动态大规模的新型网络应用场景。

87、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。