摘要:认知网络具有自学习和推理能力，能够适应复杂和动态变化的网络环境，优化端到端的性能，实现高效利用网络资源的目标。文章提出了一种认知网络的路由方案框架，包括环境感知模块、路由决策模块、路由重构模块和自学习模块。

　　关键字:认知网络；路由；自学习；基于策略的路由。

　　英文摘要:A cognitive network has capabilities of learning and reasoning. It can dynamically adapt to varying network conditions in order to optimize end-to-end performance and utilize network resources efficiently. However, there are challenges for routing algorithm in a cognitive network. In this paper, a routing scheme for cognitive networks is proposed which includes context information collection entity, routing decision making entity, routing reconfiguration entity, and reasoning and learning entity.

　　英文关键字:cognitive network; routing; machine learning; policy based routing.

　　基金项目：国家重点基础研究发展规划(“973”计划)课题(2009CB320404)

　　未来网络具有如下特征：网络规模将越来越大，多种网络并存，网络承载业务的服务质量(QoS)参数变化范围较大。在这个典型的动态复杂网络中，如何实现频谱资源、网络资源的高效利用，保障业务的QoS，是一个尚未解决的问题。针对该问题，认知网络应运而生。认知网络中的部分节点具有学习和推理能力，通过测量或预测网络的环境参数，实现动态决策与网元设备重构，达到适应网络环境、优化端到端性能的目标。

1 认知网络的起源

　　Mitola[1]于1999年提出了认知无线电(CR)的概念及认知环架构，认知无线电系统通过感知，获取周围环境的频谱使用信息，依据优化目标，确定CR的重构方案，达到适应频谱环境变化的目标。CR具有学习和推理能力，能够智能地调整重构方案，达到高效使用频谱资源的目标。Gelenbe[2]提出了认知分组网络(CPN)的概念。该网络设定了一类特殊功能的分组—智能分组，它们负责收集网络信息，并携带了可执行代码。当智能分组到达网络中的某个节点时，与节点交互网络环境信息，并进行路由的更新与路由算法的学习，实现路由的优化。Ramming[3]将认知环应用于网络，提出认知网络(CN)的概念。Thomas[4]进一步明确了认知网络的定义，即执行认知过程的网络为认知网络。Thomas分析了适于认知网络的学习与推理机制，给出了认知网络的架构及其组成单元的功能描述。目前在IEEE标准化协会中正在讨论异构无线接入网络融合架构的标准化，采用了认知网络的概念[5]。

2 认知网络路由算法框架

　　未来的网络将是异构网络并存的大规模网络，这样的网络环境为端到端之间的路径提供了更多的链路组合模式，即多种路由模式。在接入网络中，用户拥有了更多的接入选择方案；在网络侧，分组可以跨越多个网络，获得更为优化的端到端服务，为网络资源的高效利用提供了条件。同时，异构网络环境也给路由算法的设计与实现提出了挑战。首先链路性能的差异较大。其次，异构网络环境的动态变化范围较大。链路能够承载的流量与其已承载的业务流量有关。随着网络规模和用户的增加，链路能够承载流量的变化范围加大。链路的可靠性差异较大，易导致网络拓扑的变化。第三，在重叠覆盖的网络环境中，无线链路的频谱干扰较难预测与控制，导致链路承载能力的变化。此外，终端用户接入多种网络的能力、对网络选择的喜好、业务QoS需求及位置的变化也将影响端到端路由的构建。

　　针对复杂的网络环境，如何适应环境，充分利用链路资源、网络资源、用户资源，获得端到端的优化目标是路由算法需要解决的问题。依据认知网络的定义，我们给出了基于策略的认知网络的路由算法框架，如图1所示。该框架包括如下几个功能模块。

(1)环境感知模块负责获取网络环境信息，并将业务需求映射为网络端到端的QoS需求，作为路由构建的优化目标。

(2)路由决策模块负责路由的构建、更新与补救。它依据测量信息和优化目标，选择路由策略，如协同路由、多输入多输出(MIMO)路由、跨层路由等。

(3)重构模块负责路由的配置。如采用跨层路由协议，还须配置运输层、链路层和物理层。

(4)自学习模块负责策略评估、修正与生成，以适应网络环境的变化。

3 需解决的关键问题

3.1 环境感知模块需要解决的关键问题

　　认知网络依据环境感知信息完成决策与自学习功能。感知信息的涵盖范围、及时性、一致性、精确性、可靠性等将影响认知网络的性能。而感知信息的获取与分发又直接影响网络的负载，进而影响网络的性能。
在大规模网络中，端到端之间路由的选择受多种因素的影响，例如，链路的参数(带宽、时延、干扰、切换时延等)、网络当前承载的业务、端到端之间可用的网络等。如果网络环境的部分信息缺失，会影响路由的选择结果。例如，在异构网络环境中，当切换时延未知时，仅依据链路时延和最短时延准则构建的路由不一定是最短路由。

　　在认知网络中，节点通过多种方式交互各自所获取的感知信息，当网络规模较大，尤其是在异构网络环境中，很难同步地进行感知信息的更新，不同认知节点对网络状态的认识有可能不同，进而导致路由算法的震荡。节点信息的不一致性还会干扰自学习模块对路由决策模块的评估结果，进而影响决策模块的更新，有可能进一步加剧路由算法的震荡。

　　此外，网络信息的采集通常采取3种方式，主动获取、被动获取以及主动与被动相结合的采集方式。信息采集方式、周期、地域范围均将影响路由算法的性能与网络负载的大小。因此，感知信息采集方式与参数的设定也需依据网络环境变化的速度进行调整，环境感知模块参数的调整也将构成一个认知环。

3.2 路由决策

　　路由算法的目标是为网络中端到端的节点构建满足一定QoS的传输路径。从资源优化的角度而言，当网络负载较重时，认知路由算法令业务均匀地分布在网络中。当负载较轻时，认知路由算法应能提升用户的满意度，并利用网络和用户的存储能力，提前消费网络资源，达到高效利用网络资源的目标。

　　认知路由算法是一个复杂决策问题。其复杂性主要体现在以下几方面。其一，在异构网络环境中，可用的链路模式较多，由多模式链路构建的端到端之间的路径亦较多，为了适应变化的网络环境，高效利用网络资源，宜采用多种路径模式和路由评价准则。其二，在异构大规模网络中，节点多采用分布的方式确定路由，决策过程的具有并行性特征。如终端独立地选择接入网络、进行路由重构、选择协同终端等。有可能导致节点策略之间的矛盾，导致重构后各节点路由表的差异。其三，网元之间的关系较为复杂，既有竞争又有协作。异构融合网络的规模较大。复杂决策问题的建模与求解是一个难题。在这样一个复杂的网络环境中，如何构建具有认知能力的路由算法是一个尚待解决的学术问题。针对复杂决策问题，可采用基于策略库的解决方案。图1将现有的和新开发一些路由算法置入路由策略库。依据网络环境信息和业务需求，策略选择算法负责策略的选择。也可将策略选择算法理解为映射，即网络环境到策略的映射。

　　路由策略库可以包含常规的路由协议，如IP协议。亦可设计一些适于异构网络环境的新型路由协议，如适应新物理层技术MIMO的路由算法，支持链路协同、网络协同的跨层路由算法[6]。图2给出了一种自组织网络中的链路协同方案。在自组织网络的任意两个节点之间，多跳链路可组成端到端的多信道“协同路径”。在图2(a)中，同路径上的相邻链路配置了不同的信道，当节点以半双工模式协同工作时，链路A-B、C-D与E-F或链路B-C、D-E与F-G可同时工作，提升了路径的流量，获取了“协同路径”增益。当路径上的信道配置与路径附近区域的信道配置发生冲突时，可构建类似图2(b)所示的协同路径，当链路B-E不能履行路由任务时，利用中继节点R1构建备用链路，获取“协同路径”增益。

3.3 认知路由算法中的自学习机制

　　自学习机制是认知过程有别于自适应过程的关键点。认知路由算法中的自学习模块对路由策略的执行结果进行评估，进而修正路由策略选择算法和路由策略。

　　在大规模异构网络环境中，业务QoS的变化范围较大，各类网络链路的差异较大，不同网络的管理模式、业务保障能力、资费、功耗等差异较大，用户对不同网络的偏爱程度差异较大。在这样的网络环境中，无法采用一种路由策略，满足不同网络、不同用户的业务需求。需要构建路由策略库，适应业务与网络环境的变化。例如当网络负载较轻时，可以构建跨越异构网络的多条路径，为一对用户服务，达到充分利用网络资源，并为后续业务提供更高的保障概率。

　　在复杂的网络环境中，基于策略的路由算法的实现存在如下问题。一是如何选择策略库中路由策略？二是如何配置和更新路由策略的参数？路由策略库中包含了多种路由策略，如单路径路由、多路径路由、跨层路由等。需制订选择规则，用于路由策略的选择。然而大规模异构网络环境较为复杂，需采用学习机制，实现选择规则的建立与更新。自学习属于机器学习的范畴。自学习模块的输入包括感知的环境信息、策略选择结果，通过分析策略的执行结果，更新策略选择准则，优化策略的参数配置。

　　在路由策略更新方面，Benedetto[7]提出了一种适于超宽带网络(UWB)的认知路由方案，给出了基于增强学习的路由更新机制。Thomas利用博弈论设计了跨层路由的更新方案。此外，决策树、贝叶斯等及其学习算法是否适合认知网络，还是一个需要探讨的问题。自学习机制的设计还需解决以下理论和技术问题。自学习算法的收敛速度需快于网络环境的变化速度，分布式自学习算法的协调性问题，路由性能评估函数的设计等[8]。

4 结束语

　　随着网络规模的扩大，已无法通过手动操作实现网络的优化配置。而且，异构网络的并存的发展趋势，导致网络环境更加复杂。认知技术为动态配置网络，优化利用网络资源、用户资源和服务资源提供了途径。
本文提出了认知网络的路由方案框架，包括环境感知模块、路由决策模块、路由重构模块和自学习模块。重点分析和讨论了部分模块的设计及其所需解决的关键问题。

5 参考文献

[1] MITOLA J, MAGUIRE G Q. Cognitive radio: Making software radios more personal[J]. IEEE Personal Communications, 1999,6(4):13-18.
[2] GELENBE E, XU Z, SEREF E. Cognitive packet networks[C]// Proceedings of the 11th IEEE International Conference on Tools with Artificial Intelligence(ICTAI'99), Nov 8-10,1999, Chicago, IL, USA. Los Alamitos, CA,USA:IEEE Computer Society,1999:47-54.
[3] CLARK D D, PARTRIGE C, RAMMING J C, et al. A knowledge plane for the Internet[C]// Proceedings of Conference on Applications, Technologies, Architectures, and Protocols for Computer Communication (SIGCOMM’03),Aug 25-29,2003, Karlsruhe, Germany. New York, NY,USA:ACM,2003:25-29.
[4] THOMAS R W. Cognitive networks[D]. Blacksburg, VA,USA: Virginia Polytechnic and State University, 2007.
[5] IEEE Std 1900.1-2008. IEEE standard for architectural building blocks enabling network-device distributed decision making for optimized radio resource usage in heterogeneous wireless access networks[S]. 2009.
[6] SHI Y, HOU Y T. A distributed optimization algorithm for multi-hop cognitive radio networks[C]// Proceedings of 27th IEEE Conference on Computer Communications (INFOCOM’08), Apr 13-18, 2008, Phoenix, AZ,USA. Piscataway, NJ,USA:IEEE, 2008:1292-1300.
[7] DI BENEDETTO M G, De NARDIS L. Cognitive routing models in UWB networks[C]// Proceedings of the 3rd International Conference on Cognitive Radio Oriented Wireless Networks and Communications(CrownCom'08),May 15-17,2008, Singapore. Piscataway, NJ, USA:IEEE, 2008:1-6.
[8] JEE Minsoo, YE Xiaohui, MARCONETT D, et al.. Autonomous network management using cooperative learning for network-wide load balancing in heterogeneous networks[C]// Proceedings of IEEE Global Telecommunications Conference (GLOBECOM '07), Nov 30-Dec 4, 2008, New Orleans, LA,USA. Piscataway, NJ, USA:IEEE, 2008: 2547-2551.

作者介绍：

　　李红艳，西安电子科技大学教授、博士，目前主要研究方向为认知网络、自组织网络、异构网络融合。已发表相关论文20余篇。

　　李建东，西安电子科技大学教授、博导，中国通信学会会士，IEEE高级会员，中国电子学会高级会员，长江学者特聘教授，主要从事移动通信、个人通信、认知网络、软件无线电、自组织网络、宽带无线IP 技术等方面的研究。

　　周丹，西安电子科技大学在读硕士研究生，目前从事认知网络路由协议的研究。