文/車永輝 中海石油（中國(guó)）有限公司深圳分公司

　　摘要：海上無(wú)線通信網(wǎng)絡(luò)面臨一系列獨(dú)特的挑戰(zhàn)，如時(shí)延、帶寬限制、節(jié)點(diǎn)移動(dòng)等，而自適應(yīng)路由模型能夠根據(jù)網(wǎng)絡(luò)拓?fù)浜屯ㄐ怒h(huán)境的變化實(shí)時(shí)調(diào)整路由路徑，從而有效應(yīng)對(duì)海上通信網(wǎng)絡(luò)中常見(jiàn)問(wèn)題。為此，本文基于XGBoost對(duì)海上無(wú)線通信網(wǎng)絡(luò)自適應(yīng)路由進(jìn)行優(yōu)化。研究表明，優(yōu)化后的模型具有更長(zhǎng)的網(wǎng)絡(luò)存活時(shí)間以及更低的平均端到端時(shí)延和丟包率。

　　關(guān)鍵詞：XGBoost；海上無(wú)線通信網(wǎng)絡(luò)；自適應(yīng)路由優(yōu)化

　　引言

　　海上無(wú)線通信網(wǎng)絡(luò)在現(xiàn)代海洋技術(shù)應(yīng)用中扮演著至關(guān)重要的角色。然而，由于海上環(huán)境的特殊性，海上無(wú)線通信網(wǎng)絡(luò)面臨一系列獨(dú)特的挑戰(zhàn)，這些挑戰(zhàn)使得傳統(tǒng)的通信網(wǎng)絡(luò)設(shè)計(jì)和優(yōu)化方法難以應(yīng)對(duì)。海上無(wú)線通信的可靠性和效率不僅關(guān)乎海洋工程的安全與可持續(xù)發(fā)展，還涉及實(shí)時(shí)數(shù)據(jù)傳輸、環(huán)境監(jiān)測(cè)和應(yīng)急響應(yīng)等關(guān)鍵任務(wù)[1]。因此，針對(duì)海上無(wú)線通信網(wǎng)絡(luò)設(shè)計(jì)自適應(yīng)路由模型以應(yīng)對(duì)這些挑戰(zhàn)顯得尤為必要。自適應(yīng)路由模型能夠根據(jù)網(wǎng)絡(luò)拓?fù)浜屯ㄐ怒h(huán)境的變化實(shí)時(shí)調(diào)整路由路徑，從而有效應(yīng)對(duì)海上無(wú)線通信網(wǎng)絡(luò)中常見(jiàn)的時(shí)延、帶寬限制、節(jié)點(diǎn)移動(dòng)等問(wèn)題[2]。機(jī)器學(xué)習(xí)尤其是深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，能夠從大量的歷史數(shù)據(jù)和實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)中學(xué)習(xí)并預(yù)測(cè)網(wǎng)絡(luò)性能，從而提供更為智能化的路由決策。

　　1. 基于XGBoost的無(wú)線通信網(wǎng)絡(luò)自適應(yīng)路由模型設(shè)計(jì)

　　1.1 問(wèn)題定義與模型選擇

　　在設(shè)計(jì)基于XGBoost的自適應(yīng)路由模型時(shí)，首先要明確問(wèn)題定義。無(wú)線通信網(wǎng)絡(luò)中的路由選擇問(wèn)題，可以看作一個(gè)回歸問(wèn)題。給定網(wǎng)絡(luò)中的多個(gè)路由候選路徑以及網(wǎng)絡(luò)狀態(tài)特征，模型的目標(biāo)是選擇一個(gè)最優(yōu)的路由路徑[3]。自適應(yīng)路由意味著模型能夠根據(jù)網(wǎng)絡(luò)環(huán)境和狀態(tài)的變化，動(dòng)態(tài)調(diào)整路由選擇，其輸出目標(biāo)為預(yù)測(cè)每個(gè)候選路徑的傳輸性能，如吞吐量、時(shí)延等，并選擇最優(yōu)路徑。

　　XGBoost作為一種集成學(xué)習(xí)模型，利用決策樹(shù)的集成來(lái)進(jìn)行高效的回歸和分類任務(wù)，該模型的目標(biāo)函數(shù)為

　?。?）

　　式中，是損失函數(shù)，度量模型預(yù)測(cè)值和實(shí)際值之間的差異；是正則化項(xiàng)，用于控制模型的復(fù)雜度，以避免過(guò)擬合。XGBoost采用梯度提升的方法，在每一輪迭代中通過(guò)計(jì)算梯度來(lái)更新模型的參數(shù)，假設(shè)代表第t輪模型的預(yù)測(cè)值，優(yōu)化目標(biāo)是最小化目標(biāo)函數(shù)相對(duì)于模型參數(shù)的梯度，更新公式為

　?。?）

　　式中，η是學(xué)習(xí)率，控制每次迭代中更新的步長(zhǎng)；是第t輪的梯度。

　　1.2 數(shù)據(jù)收集與預(yù)處理

　　設(shè)計(jì)基于XGBoost的自適應(yīng)路由模型的第一步是收集和處理網(wǎng)絡(luò)的狀態(tài)數(shù)據(jù)。網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)如路由器、交換機(jī)、通信設(shè)備等，在每一時(shí)刻的狀態(tài)信息包括節(jié)點(diǎn)負(fù)載、信號(hào)質(zhì)量、帶寬、延遲、丟包率等，將作為模型的輸入特征[4]，如表1所示。

　　對(duì)于每一個(gè)時(shí)間窗口或通信時(shí)刻，可以根據(jù)網(wǎng)絡(luò)性能如吞吐量、時(shí)延，來(lái)標(biāo)注每個(gè)路由路徑的優(yōu)劣。例如，使用吞吐量和時(shí)延作為優(yōu)化目標(biāo)，路徑的優(yōu)劣可以根據(jù)這兩個(gè)參數(shù)來(lái)決定。

　　1.3 模型訓(xùn)練

　　在數(shù)據(jù)收集與預(yù)處理完成后，下一步是利用這些數(shù)據(jù)訓(xùn)練模型。XGBoost的核心思想是通過(guò)不斷迭代訓(xùn)練決策樹(shù)，并使用加權(quán)投票機(jī)制來(lái)優(yōu)化模型的預(yù)測(cè)能力[5]。在訓(xùn)練XGBoost時(shí)，需要確定該模型的各項(xiàng)參數(shù)，比如決策樹(shù)的個(gè)數(shù)、決策樹(shù)的深度等。為確定XGBoost的參數(shù)，提高模型的預(yù)測(cè)性能，引入粒子群算法。粒子群是一種基于群體智能的優(yōu)化算法，模擬鳥(niǎo)群覓食行為，通過(guò)粒子在搜索空間中不斷探索，找到全局最優(yōu)解[6]。

　　1.4 路由決策與自適應(yīng)調(diào)整

　　XGBoost訓(xùn)練結(jié)束后，將用于實(shí)時(shí)的路由決策。每當(dāng)網(wǎng)絡(luò)狀態(tài)發(fā)生變化時(shí)，XGBoost會(huì)根據(jù)當(dāng)前的網(wǎng)絡(luò)狀態(tài)輸入特征[7]，實(shí)時(shí)預(yù)測(cè)各條候選路由的性能，包括以下步驟：

　?。?）輸入特征實(shí)時(shí)更新。隨著海上通信網(wǎng)絡(luò)環(huán)境的變化，節(jié)點(diǎn)的狀態(tài)、鏈路質(zhì)量等特征會(huì)發(fā)生變化，XGBoost將實(shí)時(shí)接收這些變化并更新輸入特征。

　　（2）預(yù)測(cè)最優(yōu)路徑。通過(guò)XGBoost的預(yù)測(cè)輸出，可以為每個(gè)候選路由分配一個(gè)性能評(píng)分。然后，根據(jù)這些預(yù)測(cè)結(jié)果選擇最優(yōu)的路由路徑。例如，若XGBoost預(yù)測(cè)某條路徑的時(shí)延最小且吞吐量最大，則選擇該路徑進(jìn)行數(shù)據(jù)傳輸。

　?。?）自適應(yīng)調(diào)整。隨著通信網(wǎng)絡(luò)環(huán)境的不斷變化，XGBoost會(huì)基于新的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行實(shí)時(shí)調(diào)整和優(yōu)化。當(dāng)網(wǎng)絡(luò)拓?fù)渥兓㈡溌焚|(zhì)量下降或節(jié)點(diǎn)移動(dòng)時(shí)，模型能夠自動(dòng)調(diào)整路由策略，避免通信中斷或性能下降。

　　2. 基于XGBoost的海上通信網(wǎng)絡(luò)自適應(yīng)路由流程

　　基于XGBoost的海上通信網(wǎng)絡(luò)自適應(yīng)路由流程主要分為數(shù)據(jù)集劃分、模型訓(xùn)練、模型測(cè)試和路由規(guī)劃四個(gè)關(guān)鍵步驟。首先，收集到的通信網(wǎng)絡(luò)樣本數(shù)據(jù)會(huì)被劃分為訓(xùn)練樣本和測(cè)試樣本。訓(xùn)練樣本用于模型的學(xué)習(xí)和擬合，而測(cè)試樣本則用于后續(xù)的模型驗(yàn)證，以確保模型能夠在不同數(shù)據(jù)子集上泛化并做出準(zhǔn)確預(yù)測(cè)[8]。其次，在訓(xùn)練階段，XGBoost被應(yīng)用于訓(xùn)練樣本，通過(guò)對(duì)這些數(shù)據(jù)的學(xué)習(xí)，模型不斷優(yōu)化并逼近真實(shí)的數(shù)據(jù)特征。同時(shí)，為了進(jìn)一步提升模型的性能，粒子群優(yōu)化算法被用于對(duì)XGBoost的超參數(shù)進(jìn)行優(yōu)化，確保通過(guò)探索參數(shù)空間獲得最優(yōu)的參數(shù)組合，進(jìn)而提高模型的預(yù)測(cè)精度[9]。優(yōu)化后的XGBoost將在測(cè)試樣本上進(jìn)行評(píng)估，通過(guò)對(duì)預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的對(duì)比來(lái)檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確性和適用性[10]。如果測(cè)試結(jié)果表明模型的性能尚可，則進(jìn)入最后的路由規(guī)劃階段。此時(shí)，基于訓(xùn)練并優(yōu)化過(guò)的XGBoost，系統(tǒng)會(huì)根據(jù)海上通信網(wǎng)絡(luò)的實(shí)時(shí)狀態(tài)，如鏈路質(zhì)量、延遲、帶寬等，作出自適應(yīng)路由選擇，動(dòng)態(tài)地調(diào)整路由路徑，以確保數(shù)據(jù)傳輸?shù)母咝?、低延遲和可靠性。

　　3. 實(shí)證檢驗(yàn)

　　本文通過(guò)仿真環(huán)境構(gòu)建了一個(gè)海上無(wú)線通信路由的實(shí)驗(yàn)，旨在研究和優(yōu)化海上通信網(wǎng)絡(luò)的自適應(yīng)路由策略。實(shí)驗(yàn)環(huán)境中設(shè)置了27個(gè)海上通信節(jié)點(diǎn)，隨機(jī)分布在2海里×2海里的區(qū)域內(nèi)。每個(gè)節(jié)點(diǎn)的通信半徑均設(shè)定為2海里，確保通信范圍內(nèi)的節(jié)點(diǎn)能夠相互交換信息和進(jìn)行數(shù)據(jù)傳輸。通過(guò)這種設(shè)置，能夠全面評(píng)估不同路由模型在動(dòng)態(tài)、有線通信范圍內(nèi)的表現(xiàn)，尤其是在節(jié)點(diǎn)間的距離、信號(hào)質(zhì)量波動(dòng)和路徑選擇上的自適應(yīng)能力。

　　首先采用粒子群算法，對(duì)XGBoost的參數(shù)進(jìn)行優(yōu)化，算法收斂情況如圖1所示。

　　如圖1所示，采用粒子群算法對(duì)XGBoost參數(shù)進(jìn)行優(yōu)化時(shí)，在35輪迭代時(shí)收斂，此時(shí)的參數(shù)如表2所示。

　　在評(píng)估路由模型的性能時(shí)，網(wǎng)絡(luò)存活時(shí)間、平均端到端時(shí)延、丟包率是常見(jiàn)的關(guān)鍵指標(biāo)，這些指標(biāo)能夠全面反映網(wǎng)絡(luò)的可靠性、實(shí)時(shí)性和數(shù)據(jù)傳輸?shù)馁|(zhì)量。網(wǎng)絡(luò)存活時(shí)間通常用于評(píng)估網(wǎng)絡(luò)中節(jié)點(diǎn)和鏈路的穩(wěn)定性，特別是在無(wú)線通信網(wǎng)絡(luò)中，節(jié)點(diǎn)可能因移動(dòng)、能量耗盡或故障而失效。平均端到端時(shí)延是衡量數(shù)據(jù)從源節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)所需時(shí)間的指標(biāo)，包括傳輸時(shí)延、排隊(duì)時(shí)延、處理時(shí)延等因素。在路由模型中，優(yōu)化時(shí)延的關(guān)鍵是選擇最短路徑或最優(yōu)路徑，以減少數(shù)據(jù)傳輸?shù)臅r(shí)間，并考慮網(wǎng)絡(luò)的負(fù)載情況以避免擁塞。丟包率則是衡量數(shù)據(jù)包在傳輸過(guò)程中丟失的比例，高丟包率通常表明網(wǎng)絡(luò)出現(xiàn)了嚴(yán)重的擁塞或鏈路質(zhì)量不穩(wěn)定。低丟包率對(duì)于確保數(shù)據(jù)的完整性和提高通信質(zhì)量至關(guān)重要。在路由模型設(shè)計(jì)中，通過(guò)選擇鏈路質(zhì)量較好、負(fù)載較輕的路徑可以有效減少丟包率，確保數(shù)據(jù)的可靠傳輸。同時(shí)，本文選擇常用的機(jī)器學(xué)習(xí)模型，與基于XGBoost構(gòu)建的路由模型進(jìn)行對(duì)比分析，結(jié)果如表3所示。

　　如表3所示，從上述不同路由模型的對(duì)比情況來(lái)看，XGBoost在網(wǎng)絡(luò)存活時(shí)間、平均端到端時(shí)延和丟包率等關(guān)鍵指標(biāo)上均表現(xiàn)出較為優(yōu)異的性能。首先，XGBoost的網(wǎng)絡(luò)存活時(shí)間為215ms，相比其他算法如隨機(jī)森林的136ms和BP神經(jīng)網(wǎng)絡(luò)的96ms，具有明顯的優(yōu)勢(shì)。這表明XGBoost能夠有效地延長(zhǎng)網(wǎng)絡(luò)的穩(wěn)定運(yùn)行時(shí)間，減少因節(jié)點(diǎn)或鏈路失效導(dǎo)致的中斷，表現(xiàn)出更強(qiáng)的網(wǎng)絡(luò)穩(wěn)定性和可靠性。在平均端到端時(shí)延方面，XGBoost同樣表現(xiàn)出色，時(shí)延為32ms，相比隨機(jī)森林的49ms、BP神經(jīng)網(wǎng)絡(luò)的52ms等算法，XGBoost能夠更快速地傳輸數(shù)據(jù)，適應(yīng)低時(shí)延要求的應(yīng)用場(chǎng)景，如實(shí)時(shí)通信和視頻流傳輸。較低的端到端時(shí)延不僅提高了數(shù)據(jù)傳輸效率，還增強(qiáng)了網(wǎng)絡(luò)的實(shí)時(shí)響應(yīng)能力，對(duì)于時(shí)延敏感的任務(wù)至關(guān)重要。此外，XGBoost的丟包率僅為2.3%，相比隨機(jī)森林的5.6%、BP神經(jīng)網(wǎng)絡(luò)的6.1%和其他算法的丟包率，XGBoost顯著降低了丟包的發(fā)生率。較低的丟包率確保了數(shù)據(jù)的完整性和可靠性，避免了數(shù)據(jù)丟失導(dǎo)致的傳輸失敗或重傳，提高了網(wǎng)絡(luò)的通信質(zhì)量和穩(wěn)定性。

　　結(jié)語(yǔ)

　　從本文的研究來(lái)看，無(wú)論是在延長(zhǎng)網(wǎng)絡(luò)存活時(shí)間、減少端到端時(shí)延，還是降低丟包率方面，XGBoost都能夠有效優(yōu)化路由策略，從而提高網(wǎng)絡(luò)性能和用戶體驗(yàn)。因此，XGBoost在各種路由模型中展現(xiàn)出較為優(yōu)秀的整體性能，尤其適用于對(duì)通信質(zhì)量和時(shí)延有較高要求的復(fù)雜網(wǎng)絡(luò)環(huán)境。

　　參考文獻(xiàn)：

　　[1]傅彥銘,周興,黃保華.一種協(xié)同進(jìn)化的無(wú)線傳感器網(wǎng)絡(luò)多播路由算法[J].小型微型計(jì)算機(jī)系統(tǒng),2023,44(2):401-407.

　　[2]高開(kāi)放,張振.基于改進(jìn)蟻群算法的無(wú)線通信網(wǎng)絡(luò)容量感知路由優(yōu)化方法[J].移動(dòng)信息,2024,46(7):36-39.

　　[3]宋嚴(yán),孟雪飛,耿慶田.基于5G通信的多節(jié)點(diǎn)無(wú)線傳感器網(wǎng)絡(luò)路由算法研究[J].東北師大學(xué)報(bào)(自然科學(xué)版),2024,56(1):65-72.

　　[4]陳輝,王旭.基于改進(jìn)蟻群算法的非均勻分簇自適應(yīng)路由協(xié)議[J].傳感技術(shù)學(xué)報(bào),2023,1(5):10-14.

　　[5]李想,莊毅.利用XGBoost的路由算法關(guān)鍵故障點(diǎn)識(shí)別方法[J].計(jì)算機(jī)與現(xiàn)代化,2023(11):75-81,88.

　　[6]黑新宏,高苗,張寬,等.基于Nadam-TimeGAN和XGBoost的時(shí)序信號(hào)故障診斷方法[J].通信學(xué)報(bào),2024,45(4):185-200.

　　[7]李博,黃建強(qiáng),黃東強(qiáng).基于異構(gòu)平臺(tái)的稀疏矩陣向量乘自適應(yīng)計(jì)算優(yōu)化[J].計(jì)算機(jī)應(yīng)用,2024,44(12):3867-3875.

　　[8]朱吉利,范振軍.一種基于集成學(xué)習(xí)的干擾頻點(diǎn)檢測(cè)方法[J].圖像與信號(hào)處理,2025,14(1):7-11.

　　[9]張友俊,徐雯雯.基于PCA-XGBoost算法的啞鈴狀SIR差分濾波器設(shè)計(jì)[J].磁性材料及器件,2024,55(1):31-36.

　　[10]陳文海.基于XGBoost的工業(yè)物聯(lián)網(wǎng)環(huán)境下自適應(yīng)網(wǎng)絡(luò)切換算法研究[J].通信電源技術(shù),2024,41(20):17-19.

　　作者簡(jiǎn)介：車永輝，本科，工程師，13902476265@139.com，研究方向：計(jì)算機(jī)與信息通信。

關(guān)注讀覽天下微信， 100萬(wàn)篇深度好文， 等你來(lái)看……