1 / 39

Gustavo Sousa Pavani, Member, IEEE, and Helio Waldman, Senior Member, IEEE

Routing and Wavelength Assignment with Crankback Re-Routing Extensions by Means of Ant Colony Optimization. Gustavo Sousa Pavani, Member, IEEE, and Helio Waldman, Senior Member, IEEE. 指導教授：郭文興 學生 ：黃仁襄. Abstract. 成功安裝標記交換路徑 (LSPs) 後，遇忙返回 ( crankback ) 重新路由擴展可提供顯著改善。

ely
Download Presentation

Gustavo Sousa Pavani, Member, IEEE, and Helio Waldman, Senior Member, IEEE

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Routing and Wavelength Assignment with Crankback Re-Routing Extensions by Means of Ant Colony Optimization Gustavo Sousa Pavani, Member, IEEE, and Helio Waldman, Senior Member, IEEE 指導教授：郭文興 學生：黃仁襄

  2. Abstract • 成功安裝標記交換路徑(LSPs)後，遇忙返回(crankback)重新路由擴展可提供顯著改善。 • 這些擴展與AntColony Optimization結合。 • 與傳統固定替代重新路由機制相比，提出的演算法可有效的減輕路徑阻塞，藉由局部修復失敗的LSP。

  3. Outline • I. INTRODUCTION • II. RELATED WORK • III. ANT COLONY OPTIMIZATION • A. Solution construction • B. Updating of data structures • IV. ARCHITECTURE • A. Restoration • V. SIMULATION • VI. NUMERICAL RESULTS • VII. CONCLUSION • REFERENCES

  4. I. INTRODUCTION • Generalized Multiprotocol Label Switching(GMPLS)控制平面在解決複雜的管理和高度動態的運作扮演著重要腳色。 • 然而，網路沒有配置轉換功能，光通道的建立可能會由於缺乏網路資源而阻塞。 • 多種的網路使用遇忙返回(crankback)資訊來減少呼叫阻塞，特別是ATM[1, 2]。 • [1, 2]：ATM介紹及將crankback合併應用 • 最近將crankback合併到RSVP-TE[3]。

  5. I. INTRODUCTION • 本篇提出Ant Colony Optimization(ACO)和crankback重新路由擴展合併的演算法。 • 藉由利用局部費洛蒙，標記交換路徑(LSP)建立可嘗試不同路由來避免阻塞。 • 先前的研究[5, 6]只依靠簡單的貪婪法來建立通道。 • [5, 6]：評估螞蟻架構的網路及其分配應用 • ACO模仿螞蟻的搜尋行為，它可以有效的避免障礙而找到食物源的路徑。 • 模擬評估ACO有無合併crankback重新路由擴展的情況，來與傳統點對點重新路由方法的效能相比。

  6. II. RELATED WORK • [15]：多目標ACO演算法，其考慮到靜態路由和波 長分配的hop數及波長轉換器數。 • [16]：新型的螞蟻演算法是路由和負載平衡。 • [17]：提出Stigmergy機制來設計分散、自我組織的 網路。 • [18]：用多路徑路由來替代螞蟻演算法，其中 Adaptive Response Attractor Selection(ARAS)用 來達到網路失敗或負載變動的自我適應。 • [19]：路由算法的生存能力來自於趨向 性、擴 散反應和限制數感應的生物過程。

  7. II. RELATED WORK • [20, 21]：深入論述基於群體智能、人工免疫系統， 細胞和分子生物學的仿生網路。 • [22, 23]：在仿生的設計下，一個網絡架構和服務所 遵循的原則和機制。 • [24]：普遍通訊環境下，仿生框架服務的供應。

  8. III. ANT COLONYOPTIMIZATION • 藉由螞蟻尋找食物過程而發明的演算法(ACO)，用來解決難解問題或需要分散控制的問題。 • 每一螞蟻利用兩種局部資訊來建構解答： • 特定問題的資訊 • 費洛蒙層級 • ACO對我們的研究有重要的特點： • 在移動代理上是一明確的模範 • 特別適合在電信網路的路由[26] • [26]：從昆蟲行為得到的優化啟示

  9. III. ANT COLONYOPTIMIZATION • 原始的AntNet框架是用每hop的延遲來測量路由。 • 最小化連結的hop數是一啟發來減少阻塞機率。 • 在AntNet框架中，每中繼點i都包含下列資料結構： • 費洛蒙路由表Ti： ，Ni：節點i鄰居集合

  10. III. ANT COLONYOPTIMIZATION • 統計參數模型Mi： μd：當前節點到目的地d的平均路徑長 σd：此路徑的標準差 Ed：路徑長度最佳值 Ed有利用到不調整窗口的w觀察值，當觀察值達到w+1時， 累加值都會重置。Ed = μd = (path length of the (w + 1)- st observation)，σd = 0。

  11. III. ANT COLONYOPTIMIZATION 和 會由指數模型[30]來更新其值： ：新觀察值 η：指數模型的因素 窗口值w = 5(c/η)，where c ∈ (0, 1]，更新跳動就不會太大。 • 模型M維持所有節點的評估，費洛蒙表T給較好的下一hop往目的地。

  12. III. ANT COLONYOPTIMIZATIONA. Solution construction • 演算法開始時是初始費洛蒙路由表，為了增加收斂速度我們用智慧的初始路由表[31]。 • [31]：AntNet-使用移動代理的路由演算法 • 開始達到要求前，只有螞蟻去探索網路並填滿路由表資訊，過一小段時間Iwarmup，開始達到路徑要求。 • 解答架構是由正向螞蟻得出，過一段時間(1/Rants)，會從隨機源點s到隨機目的地d。 • 啟發值 ， ：鄰居n可得波長數 W：連結上波長總數 f：增強因素

  13. III. ANT COLONYOPTIMIZATIONA. Solution construction • 旅途中，正向螞蟻收集經過的節點的標記，放在它的記憶Vs→i中。 • 選擇下一hop的機率是由費洛蒙層級τdn和啟發值hn所決定的： α：權重值 T=Ni \ Vs→i

  14. III. ANT COLONYOPTIMIZATIONA. Solution construction • 假使進到loop，我們忽略啟發修正如下： • vi-1：最後訪問的節點，T’ = Ni-{vi-1} • 這情況下，選擇下一hop後，所以屬於迴圈的節點標記，都會從螞蟻的記憶刪除。 • 如果螞蟻沒有在限制hop數內到達目的地，將會被丟棄。

  15. III. ANT COLONYOPTIMIZATIONB. Updating of data structures • 當正向螞蟻抵達目的地時，轉變成反向螞蟻Bd→s並利用相同路徑返回s。 • 在中繼點上回更新參數模型Mi和費洛蒙路由表Ti。 • 此外，也會更新子路徑(i→d’)的節點d’ ∈ Vi→d，d’ ≠ d。 • 假設 ，子路徑可以列入考慮的。 • dist()是一個方程式，由螞蟻hop數決定。 • Isup是一優等的估計，從Tchebycheff’s inequalities算出。低等的估計等於Ed’。

  16. III. ANT COLONYOPTIMIZATIONB. Updating of data structures • 它容許一隨機變數定義的信任區間 ， γ：信任層級系數 • 因此，局部的參數模型利用方程式(1)(2)來更新，其中oi→d= dist(Vi→d)，if oi→d< , then ← oi→d。

  17. III. ANT COLONYOPTIMIZATIONB. Updating of data structures • 要計算適應增強rd來更新路由表 • Γ上限為0.9來避免停滯，且此值是“壓扁的” • a：放大係數

  18. III. ANT COLONYOPTIMIZATIONB. Updating of data structures • 假設鄰居m在此路徑上， • 反之

  19. IV. ARCHITECTURE • 在GMPLS架構，邏輯上節點和Label SwitchingRouter (LSR)是一對一，因此光通道與LSP也是一對一關係。 • 此外每節點配有控制通道，傳遞消息、封包、螞蟻的控制平面。這實現了可利用頻外訊息。 • 原始AntNet架構是利用貪婪法，因缺乏網路資源或會進loop，這路徑建立後容易失敗。 • 藉由基於ACO的RWA演算法與crankback重新路由方案合併，我們可有效的利用局部資訊來降低組塞機率。

  20. IV. ARCHITECTURE • 此外，每個LSR都要包含歷史表，記錄每LSP的限制數目，也就決定嘗試建立路由的最大數目。 • 當LSP要求阻塞，錯誤訊息(PathErr)傳回到上一節點。 • 假如在歷史表裡至少有一自由連結還未拜訪，LSR會做另一嘗試來建立LSP。

  21. IV. ARCHITECTURE

  22. IV. ARCHITECTURE • 假設重試數達到上限，節點會送出PathErr訊息，在越往上游方向走，直到有能力可以做重新路由。 • 最後訊息到達入口節點，且沒有路由嘗試可做，LSP建立宣告失敗。 • 為了允許波長分配演算法的燈號，Label Set物件必須在Path訊息被記錄。 • 當發生歷史表上的條目，此資訊在預定的時間或各自的Resv訊息回來後，可被拋棄。

  23. IV. ARCHITECTUREA. Restoration • 修復是回復連結或路由失敗的過程，而點對點的修復可能的唯一途徑是從LSP修復。 • 此外，對此我們只考慮整個重新路由。 • 中斷LSP後資源在建立替代LSP之前是自由的，由於它簡單的可行性。此方法在[41]提到為“break-before-make”。 • 當連結失敗發生，花一時間Idetect來偵測及定位失敗。 • 接近失敗節點的上游節點要通知LSP的入口節點，發送PathErr訊息，包含失敗指示及釋放中斷的LSP的資源。 • 而下遊節點也會發送PathTear訊息給出口節點。

  24. IV. ARCHITECTUREA. Restoration • 當PathErr訊息到達入口節點時，LSP重新路由的方式就像新的LSP要求一樣。 • Crankback資訊用來計算新路徑，費洛蒙路由表在網路失敗後也會更新[42]。 • [42]：基於ACO演算法的波長路由網路的修復 • [42]與本篇主要的不同在於： • 前者嘗試在失敗的節點間發送螞蟻，以得到更多對於網路新狀態準確的資訊，之後嘗試修復受影響的通道。 • 本篇依靠局部crankback資訊，嘗試修復失敗，即使存在不可靠的路由表。 • 因此後者方法修復通道更為迅速。

  25. IV. ARCHITECTUREA. Restoration • 在固定和固定替代路由情況下，最接近失敗節點的上游/下游節點通知其餘節點拓墣的改變。 • 為了比較兩種演算法的效能，使用下列式子[43]： • [43]：網格網路的修復分析 Cfailed：失敗的通道總數 ：從失敗的通道中修復的數量 • 如果失敗發生在源點或目的地點，restorability(R)不可能=1。

  26. V. SIMULATION

  27. V. SIMULATION

  28. VI. NUMERICAL RESULTS

  29. VI. NUMERICAL RESULTS

  30. VI. NUMERICAL RESULTS

  31. VI. NUMERICAL RESULTS

  32. VI. NUMERICAL RESULTS

  33. VI. NUMERICAL RESULTS

  34. VII. CONCLUSION • 本篇提出基於ACO的RWA演算法，與crankback重新路由擴展合併。 • 它可提供正常運作下的光通道，及修復失敗的通道。 • 提出的演算法能夠模仿自我適應、自我組織的螞蟻行為。 • 我們展示出，只有crankback重新路由擴展的AC演算法勝過傳統的拓墣演算法。

  35. REFERENCES

  36. REFERENCES

  37. REFERENCES

  38. REFERENCES

  39. REFERENCES

More Related