神经网络预测Ad hoc节点流量的路由协议

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (36): 118-122.

神经网络预测Ad hoc节点流量的路由协议

沙毅1，李贵荣1，张立立1，朱丽春2，张志伟2

1.东北大学信息科学与工程学院，沈阳 110819
2.中国科学院国家天文台北京 100012

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-12-21 发布日期:2011-12-21

Prediction of node traffic routing protocol based on neural network in Ad hoc networks

SHA Yi1，LI Guirong1，ZHANG Lili1，ZHU Lichun2，ZHANG Zhiwei2

1.Department of Information Science Engineering，Northeastern University，Shenyang 110819，China
2.National Astronomical Observatories，Chinese Academy of Sciences，Beijing 100012，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-12-21 Published:2011-12-21

摘要/Abstract

摘要： 提出了一种基于神经网络预测模型对网络流量负载进行预测的负载均衡协议NNP-LBRP（Load-Balanced Routing Protocol based on Neural Network Prediction model），该协议利用RBF神经网络预测模型对Ad hoc网络中的节点流量负载进行预测，根据预测到的下一时刻的流量负载状况，在节点出现拥塞之前提前更换路径，避免中间节点出现拥塞，以此来提高网络的性能。协议中的流量值是以MAC层接口队列长度来衡量，负载均衡中的负载是流量负载。另外，协议在目的节点处采用了延迟应答策略，即在多路径中选择负载最轻的路径应答，对改善网络的性能也有一定作用。仿真结果与AODV路由协议进行比较，数据包投递率提高了约10%;平均端到端延时平均降低了27%;网络开销平均降低了26%。

关键词: Ad hoc网络, 负载均衡, 神经网络, 预测

Abstract: It proposes a new load-balancing routing protocol based on neural network model for traffic prediction—NNTP-LBRP.In this protocol，the RBF neural network model is introduced to predict the traffic load of nodes according which the nodes with heavy traffic load will not be selected as intermediate nodes of a valid route，thus avoiding the congestion of nodes and improving the network performance.The traffic load is measured by the length of the queue at interface in MAC layer.In addition，the delay response of destination node，i.e.，the response to the route with lightest traffic load among the several routes，also improves the network performance to some extent.Simulation is done on a ns2-based platform for comparing the properties of the new protocol presented and conventional AODV protocol，and the results show that the packet delivery ratio increases approximately by 10%，the average end-to-end delay reduces by 27% on average，and the normalized routing overhead decreases by 26% on average.

Key words: Ad hoc networks, load balance, neural network, prediction

沙毅1，李贵荣1，张立立1，朱丽春2，张志伟2. 神经网络预测Ad hoc节点流量的路由协议[J]. 计算机工程与应用, 2011, 47(36): 118-122.

SHA Yi1，LI Guirong1，ZHANG Lili1，ZHU Lichun2，ZHANG Zhiwei2. Prediction of node traffic routing protocol based on neural network in Ad hoc networks[J]. Computer Engineering and Applications, 2011, 47(36): 118-122.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[7]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[8]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[9]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[10]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[11]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[12]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[13]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[14]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[15]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.