CN114698048B 一种基于机器学习的电力通信关键业务路由配置方法 （国网山西省电力公司信息通信分公司）

一种基于机器学习的电力通信关键业务路本发明公开了一种基于机器学习的电力通2S2：利用最短路径算法并结合业务路由配置历史S4：给定关键业务路由配置请求，利用机器学习模节点路径特征向量包含3个元素，分别是当前节点到目的节点可靠性最高路径距离u、为模型和最短路径算法可以计算得到当前节点及其相邻节点的5个路首先判断当前节点的相邻节点集合是否包含目的节点，如果包含k的路径特征向量估计值则3最佳下一跳节点的选择取决于电力通信关键业务路由配置策略的2.根据权利要求1所述的一种基于机器学习的电力通信关键业务路由配置方法，其特S1中所述链路状态矩阵S＝{sij}n×m表示关键业务路为3.根据权利要求2所述的一种基于机器学习的电力通信关键业务路由配置方法，其特i数在网络拓扑保持不变的条件下，利用最短路径算法并结合业务44.根据权利要求1所述的一种基于机器学习的电力通信关键业务路由配置方法，其特tR为当前节点到ut的可靠性最高路径的距离映B为负载均衡最佳路径距离预测值；当前节点到目的节点跳数最少的路径信息仅与5.根据权利要求1所述的一种基于机器学习的电力通信关键业务路由配置方法，其特6.根据权利要求1所述的一种基于机器学习的电力通信关键业务路由配置方法，其特首先，根据给定的关键业务路由配置请求，确定电力通信关键个相邻节点的路径特征向量估计值he,s遵循相关选择策略选择当前节点的最佳下一跳节5[0003]通常电力通信业务的局部路由，借助于网管系统基于最短路径算法实现路由配6[0013]S1中所述链路状态矩阵S＝{sij}n×m表示关键业务路由配置算法需要的网络拓扑[0016]更进一步地，S2中利用最短路径算法并结合业务路由配i[0021]式中的全部参数取自链路状态矩阵S的行向量li，假设电力光缆具有非常高的运[0028]在网络拓扑保持不变的条件下，利用最短路径算法并结合业务路由配置历史数7B为负载均衡最佳路径距离预测值；当前节点到目的节点跳数最少的路径信息径算法可以直接计算得到。[0037]更进一步地，S4中利用机器学习模型计算当前节点及其相邻节点的路径特征向[0038]节点路径特征向量包含3个元素，分别是当前节点到目的节点可靠性最高路径距k的路径特征向量估计值则8[0056]最佳下一跳节点的选择取决于电力通信关键业务路由配算每个相邻节点的路径特征向量估计值启,:遵循相关选择策略选择当前节点的最佳下一9[0071]本发明实施例的基本思想是通过机器学习技术实现电力通信关键业务路由的配[0074]本发明实施例中的链路状态矩阵S＝{sij}n×m表示关键业务路由配置算法需要的c,i为光缆运行稳定阶段的失效率；ti为光缆实际运行年限；t0,i为光缆稳定运行年业务路由配置功能需求，优化确定深度神经网络的隐含层数量和每个隐含层的神经元数态矩阵S和目的节点编号；输出为当前节点到目的节点的可靠性最高路径距离和负载均衡k利用最短路径算法直接计算得到。为该方法根据的元素值，[0086]最佳下一跳节点的选择策略取决于电力通信关键业务路由配置策略的偏好和倾算每个相邻节点的路径特征向量估计值he,:遵循相关选择策略选择当前节点的最佳下一[0092]为了进一步更好的解释本发明实施例，本发明方法中业务路由配置原理如图2所P8产生数量满足要求的样本数据集。利用业务路由配置历史数据对样本数据集进行补充完[0102]综上所述：本发明提供的一种基于机器学习的电力通