无标度网络上的动态局部路由策略设计

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (20): 10-14.

无标度网络上的动态局部路由策略设计

文宏1，2，樊晓平1，3，张会福2，陈安华2

1.中南大学信息科学与工程学院，长沙 410083
2.湖南科技大学计算机科学与工程学院，湖南湘潭 411201
3.湖南财政经济学院，长沙 410205

出版日期:2014-10-15 发布日期:2014-10-28

Dynamic local routing strategy design on scale-free networks

WEN Hong1，2, FAN Xiaoping1，3, ZHANG Huifu2, CHEN Anhua2

1.School of Information Science and Engineering, Central South University, Changsha 410083, China
2.School of Computer Science and Engineering, Hunan University of Science and Technology, Xiangtan, Hunan 411201, China
3.Hunan University of Finance and Economics, Changsha 410205, China

Online:2014-10-15 Published:2014-10-28

摘要/Abstract

摘要： 如何针对无标度网络的物理特性进行路由策略设计和优化是一个值得深入研究的问题。提出了一种参数可调的动态局部路由策略，该策略基于网络节点的转发能力及节点处数据包队列长度设计，能够通过调整参数来优化路由策略，使网络容量及平均网络数据包路由时间达到最优。通过仿真确定了最优参数[α]近似等于0.5，该参数使得网络节点处的数据包数与节点处理能力基本成正比关系。应用平均场方法证明了最优参数的理论值与实验值吻合。与经典的局部路由算法进行了仿真比较，结果显示该算法更有优势。

关键词: 复杂网络, 动态局部路由策略, 网络性能, 最优参数

Abstract: How to design and optimize the routing strategy for a given scale-free network is a problem worthy of further study. Based on the forwarding ability and the queue length of network nodes, it proposes a dynamic local routing strategy with an adjustable parameter to optimize the network capacity and average packet routing time. Simulation experiments show that the optimal parameter is approximately equal to 0.5, and the number of packets in network nodes is proportional to the nodes processing capacity by using this parameter. It proves that the theoretical value of the optimal parameter is 0.5 by using mean-field method, consistent with the experimental values. Moreover, the simulation reveals that, comparing to classic local routing algorithms, the new strategy is more efficient.

Key words: complex networks, dynamic local routing strategy, network performance, optimal parameter

文宏1，2，樊晓平1，3，张会福2，陈安华2. 无标度网络上的动态局部路由策略设计[J]. 计算机工程与应用, 2014, 50(20): 10-14.

WEN Hong1，2, FAN Xiaoping1，3, ZHANG Huifu2, CHEN Anhua2. Dynamic local routing strategy design on scale-free networks[J]. Computer Engineering and Applications, 2014, 50(20): 10-14.

[1]	马满福，郭晨彪，李勇，张钟颖，张强，王常青. 基于结构熵的注意力流网络异构性研究[J]. 计算机工程与应用, 2021, 57(23): 98-105.
[2]	石宇强，田永政，张雨琦，石小秋. 运用含复杂网络结构的多种群遗传算法求解FJSP[J]. 计算机工程与应用, 2021, 57(2): 257-266.
[3]	李金海，何有世，张鹏. 融合情境语义推理及社会网络的团购推荐研究[J]. 计算机工程与应用, 2021, 57(18): 163-171.
[4]	陈杰，程胜，徐梦，史豪斌. 面向医疗辅助诊断的可视化多属性决策方法[J]. 计算机工程与应用, 2020, 56(8): 249-255.
[5]	王安，顾益军. 基于社区划分的节点重要性评估方法[J]. 计算机工程与应用, 2020, 56(8): 42-48.
[6]	赵亮，朱征宇. 融入K-核迭代因子的重叠社区发现算法[J]. 计算机工程与应用, 2020, 56(3): 61-67.
[7]	王阿领，刘渊，王晓锋. 主被动结合的网络测量技术研究[J]. 计算机工程与应用, 2020, 56(21): 93-102.
[8]	杜轻，辛守庭，雷新宇，于海涛. 基于脑网络和TSK模糊系统的癫痫脑电识别[J]. 计算机工程与应用, 2020, 56(2): 133-140.
[9]	蔡菲，张鑫，牟晓慧，陈杰，蔡珣. 深度非负矩阵分解的链路预测方法研究[J]. 计算机工程与应用, 2020, 56(15): 153-161.
[10]	易成岐，郭鑫，童楠楠，窦悦，陈东，王建冬. 基于启发式社团发现模型的创新态势研判算法[J]. 计算机工程与应用, 2020, 56(15): 74-79.
[11]	张昕，郭阳. 复杂网络中的一种介度熵抗毁性度量方法[J]. 计算机工程与应用, 2020, 56(12): 105-111.
[12]	盛津芳，刘家广，王斌. 基于Katz自动编码器的城市路网链路预测模型[J]. 计算机工程与应用, 2019, 55(8): 116-123.
[13]	姚蓉1，杨雄1，杨鹏飞1，阴桂梅1，2，李海芳1. 精分EEG脑网络同步稳定性研究[J]. 计算机工程与应用, 2019, 55(5): 60-64.
[14]	陈紫扬，张月霞. 结合二层节点度和聚类系数的链路预测算法[J]. 计算机工程与应用, 2019, 55(23): 40-44.
[15]	张昕，严沛，郭阳，王慧慧. 基于k-shell的复杂网络最短路径近似算法[J]. 计算机工程与应用, 2019, 55(14): 54-60.