认知分组网络：分类、技术、递归神经网络和QoS度量，沙特国王大学学报综述

制作和主办：Elsevier沙特国王大学学报认知分组网络综述：分类、最新技术、递归神经网络和QoS度量帕尔塔·普拉蒂姆·雷计算机应用系，锡金大学，甘托克，锡金737102，印度阿提奇莱因福奥文章历史记录：收到2021年2021年5月31日修订2021年5月31日接受在线预订2021年保留字：认知分组网络递归神经网络服务质量随机神经网络G网络自感知网络A B S T R A C T弹性和灵活性是网络代表高效服务提供商平台的手段。认知分组网络（CPN）是一种完全依赖于网络中携带有价值信息的分组的行为和智能能力的网络与传统网络不同，CPN依赖于数据包的决策能力在CPN中，不同类型的数据包参与寻找从源到目的地的最佳路由此外，分组通过使用基于递归神经网络的学习算法来动态地适应环境变化CPN的主要任务是映射认知由于分组信息中的连续更新，发现易受攻击的元素不太容易攻击CPN，从而产生鲁棒的联网解决方案。在本文中，我们首先提出了一个新的分类结构的CPN。然后，我们讨论了严格的路由技术通常用于CPN。我们还研究了CPN中的各种自适应感知功能接下来，我们提出了直观的紧急服务和传感器网络的设计前景的CPN。本文还讨论了与CPN中的数据包一致的认知感知缓解的各种方法最后，我们介绍了CPN是如何安全和可用的安全方面。©2021作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容1.导言56642.路由技术56672.1.能量感知路由。.................................................................................................................................................................................................................................56672.2.递归路由56672.3.SDN感知路由56672.4.无线传感器网络感知路由56682.5.多播路由56692.6.基于交换的路由56692.7.功率感知Ad-hoc路由56692.8.QoS感知路由56702.9.生物启发路由56702.10.高优先级数据包路由56702.11.自愈和选择性路由56713.自适应感知功能56713.1.控制感知采用56713.2.框架感知采用5671电子邮件地址：ppray@ieee.org沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2021.05.0171319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comP.P. 射线沙特国王大学学报56643.3.能源分组网络采用56713.4.云服务器感知采用56723.5.移动代理感知采用56733.6.强化学习意识的采用56733.7.弹性意识采用56734.紧急服务便利56734.1.破坏容限56734.2.导航56734.3.快速响应56744.4.随机搜索56745.传感器网络设计和评估56745.1.有线传感器网络56745.2.无线传感器网络5.2.1.行为56745.2.2.特别56755.2.3.优先级56755.2.4.质量意识56755.3.网络流量56755.4.智能网络56765.5.神经传感器网络56765.5.1.随机神经网络56765.5.2.动态随机神经网络56765.5.3.神经计算56765.5.4.模拟硬件和学习代理56765.6.高速网络56765.7.非对称网络系统56765.8.可靠的移动网络56775.9.非均匀网络56775.10.适应性管理56775.11.分析感知56776.自主意识56786.1.搜索56786.2.增强现实56786.3.拍卖会56786.4.自主大规模56786.5.IP语音7.认知感知QoS供应56787.1.自我认知56787.2.延迟感知认知56797.3.入场控制56797.4.权衡控制56797.5.信息质量8.新兴应用方面56798.1.路由引擎中的SDN8.2.SDN 5679中的物联网8.3.拒绝服务56798.4.大网络数据56798.5.SDN 5679的任务分配8.6.SDN与RNN 56808.7.应急管理56808.8.SDN 5680中的多标准路由9.结论5680竞争利益声明参考文献56801. 介绍认知分组网络是指一种以分组为中心的智能网络基础设施，它依赖于分组本身的认知行为。与替代联网范例相反，的CPN学习在进入网络之前就知道了自己的目标。CPN数据包从其他数据包的行为以及它们自己的经验中学习。CPN是一种特殊类型的交换网络，其中智能和认知仅被构建到分组中CPN适用于数据包本质上是认知的网络这样的认知分组能够自己路由并且学习它们的行进路径中可能的拥塞，从而学习避免最小化分组丢失或其中的信息丢失的方式（Gelenbe等人，1999年）。这样的分组被设计为最小程度地依赖于网络网关、路由器和其他附件，从而导致独立于网络设备的通信P.P. 射线沙特国王大学学报5665框架. CPN的每个认知数据包在网络节点内传播时，都会逐步完善自己的模型。可能路线的决定是由学习本身决定的。平均而言，认知分组不知道其当前位置，而不管CPN中的转发交换机。路由算法并不意味着安装在网络设备中;因此，每个数据包都依赖于基于其自身感知的自身活动。认知数据包主要基于现有的网络缓冲区、处理器和邮箱进行工作。分组交换技术与其它类型的传统网络一样，目前正在得到发展。CPN适用于需要极强鲁棒性的应用，同时铺设不可靠的通信路径CPN偏向于网络中单个数据包的自主行为。几种学习算法正在与CPN结合起来，用于许多任务。缺乏可用的框架，阻碍了适当利用CPN去中心化服务缓解。 认知分组将关键信息存储到其帧的齿轮映射部分中（Gelenbe等人， 2004年）。另一方面，认知地图依赖于存储在认知分组帧中的可执行代码，该可执行代码从自适应和神经网络特征获得帮助可执行代码的更新是动态发生的，通常是在驻留在CPN节点时.在节点处完成对与每个包相关联的邮箱的读取通常，邮箱要么被传递的数据包填满，要么被节点本身填满节点还帮助认知包处理可执行代码以及更新可执行代码。节点还可以允许认知分组实例化保持在标识部分中的服务质量（QoS）要求路由决定可以被公式化，其中分组被放置在按照给定优先级布置的输出队列内。相同类型的认知分组可以基于动作的某种状态、规则、服务必要性和输入/输出信号变化而被分组到相同的类中（Gelenbe等人，2009年）。这样的信号支持分组共享信息，即在使用邮箱的内容的同时在组内通信。通常，认知分组由四个关键字段组成，诸如（i）标识符、（ii）数据、（iii）认知图和（iv）可执行代码。CPN的节点配备了预定义的内存空间，以托管邮箱以及临时存储数据包在他们的transi-灰。此外，它具有用于通信的输入或输出链路的输入和输出缓冲器。CPN的节点还执行以下任务，包括（i）将分组接收到输入缓冲器中，（ii）管理有限输入端口，（iii）管理输出缓冲器，（iv）经由输出缓冲器将分组发送到其他节点，（v）接收特定类别的分组的重要信息，（vi）支持已经做出移动到特定节点的决定的分组，以及（vii）分组和邮箱之间的信息的双向传输。由于网络很容易受到攻击和恶意威胁的影响，如蠕虫，病毒和战争，CPN的数据包作为完全自主的代理，对网络功能的严重退化的工作CPN的节点能够服务于以下操作：（i）封装、（ii）清除和（iii）销毁认知分组。基于分组中威胁的存在，分组可以在网络中自由移动或者在另一分组内被封装。因此，CPN提出了一个严格的替代固有的力量对脆弱的行为。如果数据包代表严重的威胁，它可能会被摧毁。因此，主动网络的概念已被研究，以利用离散以及综合的理解概念。底层传输系统的设计是为了加快可编程性的进程，同时保持安全性和网络性能的完整性。这种灵活性允许CPN节点运行数据包的可代码具有类似的接触，即分类的组或网络的以封装体为中心的状态 图1介绍了CPN的设计和结构。通常，CPN以以下方式工作CPN遵循认知数据包所隐含的自适应路由机制，更多地采用分布式协议的形式。通过使用三种类型的基本分组来进行自我改进，例如（i）源分组（SP），(ii)转储分组（DP），以及（iii）确认分组（ACK）（Sakellari等人，2009年）。SP用于路径发现，DP用于承载负载，ACK用于收回SP发现的信息，以帮助节点通过神经网络进行训练。最初，SP由CPN用户生成，CPN用户需要了解CPN的QoS度量以及一些移动或固定节点、拓扑和最优路径。SP试图在CPN中找到最佳的QoS使能路由，以便有效地完成源-目的地在到达目的地的途中，SP使用其自身的经验来找到与具有类似经验的较早分组类似的最优路由每个SP对概率小于5%的路由进行随机决策每个数据包最大限度地减少了这样的负担的随机路径生成过程中，通过incor- porating寿命的限制相同的节点trans-versed的数量每一个SP都以实现一个CPN中的一个节点可以由许多邮箱组成，这些邮箱用于不同类别的分组，这些分组希望彼此交换信息。SP根据邮箱中可用的事实做出决定，并相应地更新邮箱。CPN中的路由器可能会丢弃超过给定超时值限制的数据包。每个SP和DP存储遍历的路径以及表示其访问节点的时间的时间戳Fig. 1.认知分组网络，（a）认知分组结构，（b）认知地图更新，（c）认知分组网络排队。P.P. 射线沙特国王大学学报5666此外，SP和DP根据从存储在节点中的邮箱它们还执行自适应学习算法来理解目标。SP成功到达目的地后，生成ACK，并将来自SP的所有信息复制到ACK数据包中。然后，ACK以相反的顺序沿着路径以最佳方式到达源。关键的事实是，这样的反向路径可能不是最短的路径，也不是显示最佳目标理解的路径。当ACK到达源时，路径信息和QoS信息一起存储到转储数据包路由存储库表中。然后，DP遵循该表，并在遵循最近发现的路由的同时将有效载荷携带到目的地。当到达目的地时，DP将及时的信息存储到其存储器中。到达目的地后，转储ACK即，DACK分组被发送回源，其跟随DP的及时信息，并相应地更新源节点处的邮箱。图2显示了CPN的分类。CPN的核心是随机神经网络（RNN）。RNN是由E. Gelenbe（ Gelenbe ， 1989;Gelenbe and Stafylopatis ， October 1991 ） .RNN是指通过尖峰信号相互通信的神经元互连模型。RNN通过排队网络与G网络连接在RNN中，每个细胞状态包含一个整数值，该值在接收到兴奋信号时上升RNN是人工神经网络的递归数学模型，允许采取反馈回路。它有很棒的功能强化学习技术。具有n个节点的RNN的计算复杂度是n3。RNN模型为联合概率分布提供了一个稳态解，其中神经元可以单独兴奋并产生尖峰。在本文中，我们提出了一个全面的调查认知分组网络。这项调查的主要贡献包括，对CPN进行分类并给出分类法提供与路由技术、自适应感知功能、紧急服务提供、传感器网络设计、自主性、认知感知QoS促进和CPN利用对CPN QoS指标的全面理解直观理解CPN概念和底层自适应特性将CPN与传统网络联系起来，包括基于学习增强本文的结构如下。第2节介绍路由技术。第3节讨论了CPN中的自适应感知功能。第4节介绍了紧急感知服务背后的概念，服务5讨论了传感器网络的设计和工作。第6节介绍了使用CPN的自主网络设计。第7节讨论QoS感知缓解。第8节介绍了新兴的应用程序。第9节总结论文。图二. CPN基础设施的分类。●●●●●P.P. 射线沙特国王大学学报5667N-2X.Σs;i;dpTtN-2pTtpTd.d.s;d北溪北溪0ΣΣ2. 路由技术h>R：（w-i;j←w-i;jRh8n2.1. 能量感知路由H-1hwi;n←wi;nRh8n通信网络的节点中的能量消耗是网络性能（尤其是服务质量（QoS））所依赖的重要参数。因此，能量高效协议是一个要求很高的概念，需要成功地部署在网络中，以提高该网络的QoS。能量感知路由协议（EARP）是这样一种机制，其旨在最小化网络中的总功耗，同时尊重QoS的上限请求（Mahmoodi，2011）。EARP机制依赖于基于CPN的源路由方案（SRS），其中决策能力依赖于节点的功率消耗率强化学习（RL）被应用在每个自主运行的基于CPN的节点在这种情况下，CPN节点中的每个路由器都该询问提供了最佳可能的传出跳，其中数据包可以在正在进行的流中在成功接收到从预定义的下一跳节点到先前已经基于给定RNN的当前状态执行下一跳计算的当前节点的确认分组时，EARP与RL一起被利用，并且选择特定的最受激励的传出链路（Gelenbe和Mahmoodi，2011）。交通和电力成本建模如下所示。MaxTi¼tlð1Þl2F其中，i表示每个节点，Ti表示节点i处的业务，其中载波速度是分组/秒（pps）。L和T1表示特定业务流，神经元i;j;n表示输出链路，N表示节点的总链路。在这种情况下，忽略了2个链接，因为i与j不同，其中两者都表示输入和输出链接。结果表明，专用的EARP显式地迎合功耗性能优于计数跳数或延迟最小化。所提出的EARP的缺点是，它不必要地降低了QoS参数，虽然在低流量的情况下，整体功耗较小。2.2. 递归路由部署递归路由背后的主要思想在于将大规模路由问题分割成更小的块。CPN本质上支持递归路由过程，同时允许递归地求解某个中间节点到另一个任意跳之间的短子集路径的QoS因子由于ACK分组包含所发现的路由的QoS，所以将所有这样的信息连同中间节点和目的地之间的路由信息一起高速缓存可能是有用的因此，可以在中间节点中针对所需的QoS值来计算部分路由信息。但是，由于存储从ACK检索的旧信息，递归路由是在CPN中间节点采用部分路由发现算法来提高分组路由性能的重要方法在Liu和Gelenbe（2007）中，已经提出了递归路由模型，以更有效地减轻基于部分路由的路径细化机制，如下所述。假设rs;d表示源s和目的地s之间的路由，第d项，其中r是;d是;. d是CP N 中的节点序列。是假设给定路径中没有节点出现两次。i是一个inter-在这个流量中的流量表示节点i的流的集合，表示节点i的功耗。r的中间节点1d.表示为i2r的路径d..如果我们假设我其余我-¼r;r2... . ; r n，其中r是一组所有唯一部分Mktk;T i atk我IkTitkbTi我i ki我Ti tk Tið2ÞS和D之间的路径。因此，对于任意节点i，部分con链接可以是，是节点i对于第k个分组其中常数a;bP0. RL的目标建模如下。t rl¼.tk;Tpl3Gi½mktrlb1hQktrl-QkP0i.Q-piktrl4rs;drs;i·ri;d6其中，·表示两个部分路由之间的连接操作。假设px;y;z为部分路由，其中x;y和z分别是部分路由的起始节点、结束节点和路由的全部结束节点（6）可以写成，RpppR7其中，m kt表示总功率成本函数，Q kt是pðiÞðrlÞpk10开奖结果这样，r可以通过concate来递归地交换-由节点i测量的总QoS值。表示节点i的部分功率成本函数参数。1½X]表示值0纳廷PðÞd.andri;d.因此，节点i的成功缓存可以促进-或1，分别表示假值和真在这种模式下，vP1和b>h是常数以匹配节点i处的分组流的延迟。如果关于路由的信息是递归路径，已经存储在ini中，智能数据包将找到CPN中使用的奖励函数被建模为R^G-1。 的s;i;d . 如此一来，完整的路线就能被发现。一个快速的估计-随后基于某个节点i处的Rh更新奖励值，其中当阈值函数hh捕获过去滑动窗口的平均值时更新奖励函数R，如下所示。hh¼ahh-11-aRh5其中06a 1/4 0： 86 1;a表示平均滑动窗口，基于最后五个Rh值（当前奖励），hh-1表示先前阈值。如果RhPhh-1，则如果执行惩罚，则给予节点奖励奖励或惩罚可以如下所示（wi;j ← wi; jRh8n可以从该路由选择技术中获知最佳路由的选择这大大改善了智能数据包搜索路径所需的时间它进一步改善了以QoS为中心的用户体验。2.3. SDN感知路由近几十年来，企业部门有了很大的发展，因此需要采用更快的业务反应，即软件定义网络（SDN）。CPN已与SDN集成，以显著改善网络状态数据收集hh-16Rh：w-i;n←wi;nRh8n和Gelenbe，YYYY）。这项工作的目的是利用有效的路径路由策略内的CPN框架。应用Kpd.d.P.P. 射线沙特国王大学学报5668SD埃夫拉姆河SDSDrωiSD然SDSDSDSDj;ij;i：w-jt¼w-jt-1RtSD2UJJ在这方面，面向认知路由引擎（CRE），其满足三种方案，包括（i）认知路由算法模块（CRAM）、（ii）网络监视模块（NMM）和路径到f转换器模块（PTM）。这些模块的目标分别是（i）在未知的混沌环境中搜索（ii）为CRAM和外部SDN控制器提供所请求的链路特性，以及（iii）基于由CRAM发现的路径利用OpenFlow（OF）消息的更新，同时提供路径中的最小不一致性。CRE使用链路层发现协议（LLDP）来满足定制目标函数的QoS要求，如下建模。CRAM模型利用RNN和RL一起为每个网络转发元件（NFE）的给定流创建新的RNN。在这个模型中，RNN的神经元是一个正整数，表示为qi，表示正电位对于神经元来说，处于激发模式。qi建模如下。k这对于实时应用来说可能不是真的。 因此，CRE需要进一步研究，以找到CPN监测和分组速度收敛之间2.4. 无线传感器网络感知路由无线传感器网络具有分布式的特点，因此有必要对其性能进行实时监测。但是，这样的监控可能会给网络的基础设施带来巨大的负担。重要数据应尽快及时发送到sink节点。但是，由于与WSN相关联的资源约束因素，以瞬时方式检测这样的数据是不可行的。为了解决这个问题并且更好地将数据从一个节点传播到另一个节点，已经提出了随机重路由（RRR）技术（Gelenbe和Ngai，2008）。RRR方案的工作原理如下：（i）首先，如果节点在运行分组流平均值附近工作，则其被称为nor-q i¼r我-ð8Þ恶性淋巴结。 这样的节点将“0”比特插入伊戈尔克岛其中ki K-i 表示兴奋性和兴奋性尖峰的到达率。否则，它将在分组报头中插入这种选择取决于延迟、安全性、功耗和较小的损耗格吉 ¼ Xqjwj;iKi;k-i1/4 Xqjw-j;iK-ið9Þ以及（iv）最后，如果分组包含阈值，j2Pj2P如果超过预测的数量，则所有1位数据包都将发送到以随机方式发送最佳路由和所有0比特分组其中w=j;i和w-j;i表示来自j的兴奋和抑制信号至i. CPN中的这些参数由RL机制量化。现在假设目标延迟函数为Ot，其中t表示因此，导致低优先级业务在整个网络中扩散，同时在高优先级业务场景期间利用高优先级更好的路径。RRR方案中的网络模型为发送路径延迟的连续时间测量，来源和目的地。奖励函数最大化如下：Rt 1/4。O t-1。如果我们假设ct在t时刻超过奖励值，推导为：E½T]¼2D1名女qB2012年12月22日2ð13Þct¼bct-11-bRt其中06b6 1.Rtð10Þ不指的是奖励，否则就是惩罚。其中Dir分别表示源节点和目的地节点之间的距离以及分组到达速率。EjTj表示估计延迟在T时间内到达分组。1和1对应于平均时间R m8wjt¼wjt-1RtSDSDjk重传前的数据包和实际等待时间包的出现。 H 和P 被假定为向量，表示一跳位置的邻居和j;ij;ijPj-2所有1位数据包或0位数据包（Gelenbe和Ngai，2009年）。因此，在本发明中，8wjt¼wjt-1Rtj;kj;kSDk1比特分组的传输延迟可以是：Rt T1- 1<否则，通过容许以Ra的形式的QoS度量延迟，已知多播网络场景中的路由方案为1NP完全问题尽管有各种各样的化学品可供使用，ð24Þ用于在加权的、不规则的和最小生成树中对多播网络进行建模，但是这样的算法对于从给定图中找到最小Steiner树是无效的。在Gelenbe等人（1997）中，RNN已被应用于改进基于Steiner树的距离度量公式化。这种RNN使能的Steiner树的产量改善了多播传输。该模型在寻找潜在Steiner顶点方面优于最小生成树启发式算法（MSTH）和平均距离启发式算法（ADH）.该模型如下所示。其中，D表示最近的ACK到达与计算出的到目的地节点的往返之间的延迟。2.7. 功率感知Ad-hoc路由Ad-hoc网络面临着不可预测的拓扑动态性，同时有时会导致不可靠的节点行为。这种不可靠性背后的原因在于灵活和资源约束的电池依赖取向。CPN中的Ad-hoc网络如果Ai;jAi;ji;j–（AHCPN）是高度容易出错的，其需要良好的脚本化路由技术来服务于优化的操作。虽然，主动式和按需式算法工作正常，但它们在w-i;j<$1;ifAi;j< $1其中，Auv表示边u的成本;v和A表示树中边的平均成本一个神经元的放电率是即 ri¼Pj.w_i_j_i用于触发多播通信，功耗方面，即与自组织节点相关联的电池的消耗。已经提出了一种新颖的AHCPN分组结构，以在不可靠的网络环境中利用更好的路由服务（Gelenbe等人，2003; Gelenbe and Lent，2004）. AHCPN数据包的报头包含认知图（CM），路由信息和用于存储有效载荷的数据区有七个-第该模型的时间复杂度计算如下，（i）权重初始化需要O jVj2其中神经网络包含V神经元和V边，（ii）Steiner树的每个顶点由唯一的神经元表示，如果由顶点集Nk;06 jVj- jDj诱导相同的顶点，而子网络计算需要OjNkj，因此导致完全复杂度为OfjVj- jXjgjVj，（iii）诱导计算时间使Nk y;yRNk。顶点对的边权重由欧几里得距离度量计算，概率由下式给出：可用的所有分组类型字段，例如哑分组、智能分组、保留区域、哑分组和智能分组的确认。分组的宽度是32位，其包括如前所述的类型、QoS、报头长度和CM光标。分组标识和目的节点地址设计为32位。CM存储路径可用性信息、下一跳地址、时间戳、源地址和源节点信息。有效载荷段在使用时包含互联网协议数据报，在不使用时保持为NULL。 图 3给出了AHCPN的数据包格式。AHCPN使用了一个功率感知路由模型，下面Pu;vbexp-du;vð22ÞD-1Pn;nÞðn;nÞ ð25Þdu;v是任意两个顶点u和v之间的距离。模型利用了一个新的方向，确定一个明智的链接，而com，ji其中，Pn;n;Pn和Pn;n路径概率为多播连接设置适当的路由2.6.基于交换的路由路由振荡会对网络造成干扰，降低网络性能，尤其是CPN，它会受到自负载效应的影响。它指的是包含由于探测网络而发生的永久振荡。当多个流重叠时，这种情况可能会被夸大，从而导致切换感知的追逐组。在CPN中，通过包括固定的切换概率（FSP）度量来解决该问题。如所发现的，增加的FSP降低系统性能。CPN探测以快速的速率发生，显示出有希望的结果，即，比计数器快100倍整个系统，节点ni和ni;ni= 1。描述了目标函数作为Gi¼Ppni;ndDni;nd1-Ppni;ndT0Gi 26其中Dni;nd表示ni到nd之间的分组往返传输的延迟，其中T0作为超时持续时间。 假设Plni;ni11，我们可以说，D-1Ppni;ndPnni127ji如果电池寿命是节点ni的Bi，则节点ni的路径概率可以构造为：B我仿真部分此外，它使用分数高斯噪声（FGN）来模拟CPN业务，虽然FSP方案适用于此PnniBmð28Þ其中，L是图的任何边的最大距离，第一章1第一章1P.P. 射线沙特国王大学学报5678ΣΣ我J黄蓝¼¼ðÞpxn;mgn;mqaqi阿勒格岛QJJ;KL1/4我1/4J6R：;;i;ki;kn-1XX2.9. 仿生路由基于CPN的路由受到生物因素的启发，例如细胞因子（例如， 免疫细胞系统）、振荡参数和病毒元件（Gelenbe等，2004; Gelenbe等 人 ， 2006 年 ; Gelenbe 和 Gellman ， 2007 年 ） 。 在 Gelenbe（2007）中，提出并评估了一个模型，以测试生物启发计算方法在CPN生态系统中进行路由发现的能力。系统描述如下。XtIt;at;C0t;.. . ; C it;.. . ; V0t;.. . ; V jt;.. .ð 32Þ其中时间tP0表示为随机数的不定数组。生物制剂总数假设为CtX1Ct331/4节点数假设为V电压范围X1V电压范围34V图三. AHCPN数据包格式。j¼0这样的生物启发路由系统的静态解决方案被呈现为“YnCYm. 验证编号在节点ni到nd之间，K1/4j¼0LD-1ji其中G nm<$1-q <$1-q <$Qn 1-q . 1-q是一个常数p xlimp x t362.8. QoS感知路由为满足可靠和优化的路径发现解决方案的需要，提出了CPN的QoS感知路由。在该方法中并入遗传算法以通过连接已经发现的路径和预测的路径来生成新路径（Gelenbe等人， 2003年）。对未来路径的预测是通过将RL机制纳入基因库来完成的。整个设置是制定赋予适应度函数的底层算法。CPN路径的自适应实现通过奖励函数来衡量（Gelenbe和Liu，2005）。我的天！1和1 1pxn;m;tpx;t37i<$n1j<$m 1该模型依赖于生物制剂群体与抗生物实例相互作用的概率状态方程导出生物活动相对于时间的动态。该模型利用了一些关于路由即，与生物环境的交互被迎合，这可以帮助系统在CPN框架内对抗隐喻性的网络攻击、交通堵塞和网络延迟。公平负载平衡（ELB）算法同时被传播到R1b·Gð30Þ实现计算动态流管理和分配（Gelenbe和Mang，1994）。算法的时间复杂度其中b1/40： 75，G通过实时SP生成计数测量。假设R由R1;1/2 1; 2来描绘;阈值-所提出的模型的old被描述为T1/2aT1-1R1/2 a，其中a0： 8。如果R1大于T1- 1，则给予奖励，否则施加惩罚。（wij←wijRlLrithm是O lMN，其中l;m;n表示活动线路的数量，CPN中的源目的地和总节点数2.10. 高优先级分组路由随机重路由算法的实现，以提供高优先级的数据包指定的低干扰和概率稳定的CPN环境。否则，常规数据包-L-1W- ←w-Rl对于kets和较低优先级的分组经由辅助设备传输i;ki;kn-1非可靠路径（Gelenbe等人， 2010年）。随机重路由（w←wRl对于k算法能够在实际发生之前检测到任何异常事件。网络的发生，从而提高QoS。在这种情况下，w-i;j<$w-i;j<$Rl因此，函数的目标可以设置为G¼ HcD31哪里H;D代表长度和延迟的传输和c¼10-3。转发节点基于当前业务情况动态地改变它们的路由策略。如果流量小于阈值，则路由路径在所有数据包之间共享。但当流量超过阈值水平时，情况并非如此。只有高优先级的数据包才允许通过首选路径向前移动。高优先级分组路由通过以下步骤实现，例如（一）生成需数据为传输经由尼泊尔共产党，㈡其中，Bm是此时的电池满电量和路径可用性ð35Þj1Ppni;ndBm29米其针对0 6 qK; q l; q j<1; 8i; j 1/4 0;.. . ; 1不T1-1>R1：P.P. 射线沙特国王大学学报5679¼00þþþð ÞΣ ΣΣ.ðÞ.ðÞ2016年12月31日执行业务窗口的监视，（iii）如果分组速率大于阈值，则将分组的优先级设置为1个其它，HaTD pFcTD pLcT1-p0esmscesmscesmscð38Þ明智的0分配。因此，通过查看优先级值，完成路线选择。然而，如果高优先级分组速率小于对应的阈值，则高优先级业务窗口允许分组遵循如先前所决定的最短路径。否则，为该分组选择随机路径。该技术具有随机路径选择的缺点在近似表达式由H给出，其中f是预取的程度所有P项表示引用脏页的概率pFc和pLc表示从磁盘控制器中刷新脏页和重写干净页的概率，磁盘控制器。 还假设pFcF.在特殊情况下，随机路径可能会花费大量时间将数据包路由到目的地，从而降低网络的QoS。Fnew老¼@H-@@f392.11. 自愈和选择性路由自我修复是CPN环境的一个非常重要的特征，它通常基于蚁群中心技术，其中蚂蚁使用信息素来发现新路径。在这里，假设蚂蚁是通过RL和神经网络已经运行的各种节点遍历CPN的智能数据包（Gelenbe等人，2007年）。自愈路由（SHR）算法由两个阶段组成，例如，（i）初始目的地请求-从每个节点到目的地的用于估计距离的应答和（ii）节点到目的地之间的数据传输。 该过程的第一阶段对应于随机探索有分支路径的环境。选择从一个节点到目的地的最强信息 然后，数据请求分组（DREQ）扮演着与CPN路由中的智能分组几乎相同的角色。如果 找 到 从 目 的 地 到 被 请 求 节 点 的 路径 ， 则 发 送 回 数 据 应 答 分 组（DREP）以显示DREQ和DREP之间的相似性但这个过程微分在f fold处相等，@表示正常数。该模型建议根据H>0或H0来减小或增大f<自适应算法应做出与f值相关的决策。如果我们假设f被分离成以下连续的值f1;. ;f k-1;f k;. 和e≤m≤c≤ d和T≤ D作为f值之间的间隔值，其中前一个由e1表示;. ;e k-1;e k;. T1;…;T k-1;T k;. 当e1由f1产生时，以此类推，自适应算法试图如下计算fk= 1● 如果hTk-Tk-1i<½ek-ek-1]。Tk=ek-s则fk 1>fk● 如果hTk-Tk-1i>1/2ek-ek-1]。Tk=eks则fk1fk● 如果hTk-Tk-1i-1/2ek-ek-1]。Tk=ek<$j6s则fk 1½fk该算法使用归一化常数G K，其由下式导出：类似于泛洪，可以进行多次，直到所有节点都具有DREP。数据传输的下一阶段由选择先前遍历路径的最佳分支的路径GKk0kX1k2¼K1l1esmk11k2l2esmscð40Þ它取决于使用DATA和ACK分组的可靠链路，所述DATA和ACK分组包括（i）流源的身份，（ii）当前处理的分组的唯一编号，（iii）目的地身份。此外，包括有效载荷、行进时间戳和到达目的地的即将到来的节点的预期数量。观察到SHR对于具有一个目的地的网络表现良好，CPN可以在多个目的地工作。SHR在不可靠的网络方面工作得非常好，其中拓扑脆弱性比标准和独立的网络要多Self-Selective Routing（SSR）是一种类似的算法，基于前面描述的蚁群方法。SSR是网络的自适应流量过载特征。该技术将广播通信作为选择最佳路径的关键使能器，采用基于优先级的传输延迟回退机制。这 里 ， 每 个 节 点 测 量 信 号 传 输 的 延迟 以 确 保 节 点 的 适 应 性 。 在（Gelenbe和Liu，2011）中，详细阐述了改进的自选择可靠路由协议（SRP）以利用DREP和DREQ中心网络功能。3. 自适应感知功能3.1. 控制感知采用CPN中任何节点的自适应也依赖于磁盘访问策略。因此，一个预取模型的发展，工作在多道程序设计环境中，虚拟内存系统随后访问，以加快决策过程其中l1和l2表示将页面从RAID控制器传输到主存储器的时间。3.2. 框架感知采用建筑框架需要建模，以利于在任何紧急情况下疏散灾民的管理。CPN已经成功地针对这样的构建框架进行了建模，以采用新的策略和决策过程（Gianni等人， 2008年）。这种自适应模型是非常重要的，由于在建筑物疏散过程中的行为动力学从人类代理分离。这种情况下的目标函数建模如下。权边 ：edge：physicalLength如果边缘：击发¼0如果边缘：火>0，则为1将该模型应用于平民，以有效的方式采用建筑物疏散算法。在此，平民的健康因素包括在内，如果边缘：触发阈值<，则lifeTime边缘：1010 if edge： fire> threshold这种模型可以进一步详细说明，同时在疏散期间结合人类竞争心理，如下所示，其中lQ表示lengthOfQueue几乎是实时的（Gelenbe，2001; Gelenbe，2006）。独立磁盘冗余阵列（RAID）控制器系统已被用来提升并行处理近似motionTime节点时间：nodeTimeif node： lQ 1/4 0nodelQ=10如果node： lQ> 0，则nodeTime在CPN。预取