文/車永輝 中海石油（中國）有限公司深圳分公司

　　摘要：海上無線通信網絡面臨一系列獨特的挑戰(zhàn)，如時延、帶寬限制、節(jié)點移動等，而自適應路由模型能夠根據網絡拓撲和通信環(huán)境的變化實時調整路由路徑，從而有效應對海上通信網絡中常見問題。為此，本文基于XGBoost對海上無線通信網絡自適應路由進行優(yōu)化。研究表明，優(yōu)化后的模型具有更長的網絡存活時間以及更低的平均端到端時延和丟包率。

　　關鍵詞：XGBoost；海上無線通信網絡；自適應路由優(yōu)化

　　引言

　　海上無線通信網絡在現代海洋技術應用中扮演著至關重要的角色。然而，由于海上環(huán)境的特殊性，海上無線通信網絡面臨一系列獨特的挑戰(zhàn)，這些挑戰(zhàn)使得傳統(tǒng)的通信網絡設計和優(yōu)化方法難以應對。海上無線通信的可靠性和效率不僅關乎海洋工程的安全與可持續(xù)發(fā)展，還涉及實時數據傳輸、環(huán)境監(jiān)測和應急響應等關鍵任務[1]。因此，針對海上無線通信網絡設計自適應路由模型以應對這些挑戰(zhàn)顯得尤為必要。自適應路由模型能夠根據網絡拓撲和通信環(huán)境的變化實時調整路由路徑，從而有效應對海上無線通信網絡中常見的時延、帶寬限制、節(jié)點移動等問題[2]。機器學習尤其是深度學習和強化學習，能夠從大量的歷史數據和實時網絡狀態(tài)中學習并預測網絡性能，從而提供更為智能化的路由決策。

　　1. 基于XGBoost的無線通信網絡自適應路由模型設計

　　1.1 問題定義與模型選擇

　　在設計基于XGBoost的自適應路由模型時，首先要明確問題定義。無線通信網絡中的路由選擇問題，可以看作一個回歸問題。給定網絡中的多個路由候選路徑以及網絡狀態(tài)特征，模型的目標是選擇一個最優(yōu)的路由路徑[3]。自適應路由意味著模型能夠根據網絡環(huán)境和狀態(tài)的變化，動態(tài)調整路由選擇，其輸出目標為預測每個候選路徑的傳輸性能，如吞吐量、時延等，并選擇最優(yōu)路徑。

　　XGBoost作為一種集成學習模型，利用決策樹的集成來進行高效的回歸和分類任務，該模型的目標函數為

　?。?）

　　式中，是損失函數，度量模型預測值和實際值之間的差異；是正則化項，用于控制模型的復雜度，以避免過擬合。XGBoost采用梯度提升的方法，在每一輪迭代中通過計算梯度來更新模型的參數，假設代表第t輪模型的預測值，優(yōu)化目標是最小化目標函數相對于模型參數的梯度，更新公式為

　?。?）

　　式中，η是學習率，控制每次迭代中更新的步長；是第t輪的梯度。

　　1.2 數據收集與預處理

　　設計基于XGBoost的自適應路由模型的第一步是收集和處理網絡的狀態(tài)數據。網絡中的每個節(jié)點如路由器、交換機、通信設備等，在每一時刻的狀態(tài)信息包括節(jié)點負載、信號質量、帶寬、延遲、丟包率等，將作為模型的輸入特征[4]，如表1所示。

　　對于每一個時間窗口或通信時刻，可以根據網絡性能如吞吐量、時延，來標注每個路由路徑的優(yōu)劣。例如，使用吞吐量和時延作為優(yōu)化目標，路徑的優(yōu)劣可以根據這兩個參數來決定。

　　1.3 模型訓練

　　在數據收集與預處理完成后，下一步是利用這些數據訓練模型。XGBoost的核心思想是通過不斷迭代訓練決策樹，并使用加權投票機制來優(yōu)化模型的預測能力[5]。在訓練XGBoost時，需要確定該模型的各項參數，比如決策樹的個數、決策樹的深度等。為確定XGBoost的參數，提高模型的預測性能，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，模擬鳥群覓食行為，通過粒子在搜索空間中不斷探索，找到全局最優(yōu)解[6]。

　　1.4 路由決策與自適應調整

　　XGBoost訓練結束后，將用于實時的路由決策。每當網絡狀態(tài)發(fā)生變化時，XGBoost會根據當前的網絡狀態(tài)輸入特征[7]，實時預測各條候選路由的性能，包括以下步驟：

　?。?）輸入特征實時更新。隨著海上通信網絡環(huán)境的變化，節(jié)點的狀態(tài)、鏈路質量等特征會發(fā)生變化，XGBoost將實時接收這些變化并更新輸入特征。

　　（2）預測最優(yōu)路徑。通過XGBoost的預測輸出，可以為每個候選路由分配一個性能評分。然后，根據這些預測結果選擇最優(yōu)的路由路徑。例如，若XGBoost預測某條路徑的時延最小且吞吐量最大，則選擇該路徑進行數據傳輸。

　?。?）自適應調整。隨著通信網絡環(huán)境的不斷變化，XGBoost會基于新的網絡數據進行實時調整和優(yōu)化。當網絡拓撲變化、鏈路質量下降或節(jié)點移動時，模型能夠自動調整路由策略，避免通信中斷或性能下降。

　　2. 基于XGBoost的海上通信網絡自適應路由流程

　　基于XGBoost的海上通信網絡自適應路由流程主要分為數據集劃分、模型訓練、模型測試和路由規(guī)劃四個關鍵步驟。首先，收集到的通信網絡樣本數據會被劃分為訓練樣本和測試樣本。訓練樣本用于模型的學習和擬合，而測試樣本則用于后續(xù)的模型驗證，以確保模型能夠在不同數據子集上泛化并做出準確預測[8]。其次，在訓練階段，XGBoost被應用于訓練樣本，通過對這些數據的學習，模型不斷優(yōu)化并逼近真實的數據特征。同時，為了進一步提升模型的性能，粒子群優(yōu)化算法被用于對XGBoost的超參數進行優(yōu)化，確保通過探索參數空間獲得最優(yōu)的參數組合，進而提高模型的預測精度[9]。優(yōu)化后的XGBoost將在測試樣本上進行評估，通過對預測結果與實際結果的對比來檢驗模型的準確性和適用性[10]。如果測試結果表明模型的性能尚可，則進入最后的路由規(guī)劃階段。此時，基于訓練并優(yōu)化過的XGBoost，系統(tǒng)會根據海上通信網絡的實時狀態(tài)，如鏈路質量、延遲、帶寬等，作出自適應路由選擇，動態(tài)地調整路由路徑，以確保數據傳輸的高效性、低延遲和可靠性。

　　3. 實證檢驗

　　本文通過仿真環(huán)境構建了一個海上無線通信路由的實驗，旨在研究和優(yōu)化海上通信網絡的自適應路由策略。實驗環(huán)境中設置了27個海上通信節(jié)點，隨機分布在2海里×2海里的區(qū)域內。每個節(jié)點的通信半徑均設定為2海里，確保通信范圍內的節(jié)點能夠相互交換信息和進行數據傳輸。通過這種設置，能夠全面評估不同路由模型在動態(tài)、有線通信范圍內的表現，尤其是在節(jié)點間的距離、信號質量波動和路徑選擇上的自適應能力。

　　首先采用粒子群算法，對XGBoost的參數進行優(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XGBoost參數進行優(yōu)化時，在35輪迭代時收斂，此時的參數如表2所示。

　　在評估路由模型的性能時，網絡存活時間、平均端到端時延、丟包率是常見的關鍵指標，這些指標能夠全面反映網絡的可靠性、實時性和數據傳輸的質量。網絡存活時間通常用于評估網絡中節(jié)點和鏈路的穩(wěn)定性，特別是在無線通信網絡中，節(jié)點可能因移動、能量耗盡或故障而失效。平均端到端時延是衡量數據從源節(jié)點到目標節(jié)點所需時間的指標，包括傳輸時延、排隊時延、處理時延等因素。在路由模型中，優(yōu)化時延的關鍵是選擇最短路徑或最優(yōu)路徑，以減少數據傳輸的時間，并考慮網絡的負載情況以避免擁塞。丟包率則是衡量數據包在傳輸過程中丟失的比例，高丟包率通常表明網絡出現了嚴重的擁塞或鏈路質量不穩(wěn)定。低丟包率對于確保數據的完整性和提高通信質量至關重要。在路由模型設計中，通過選擇鏈路質量較好、負載較輕的路徑可以有效減少丟包率，確保數據的可靠傳輸。同時，本文選擇常用的機器學習模型，與基于XGBoost構建的路由模型進行對比分析，結果如表3所示。

　　如表3所示，從上述不同路由模型的對比情況來看，XGBoost在網絡存活時間、平均端到端時延和丟包率等關鍵指標上均表現出較為優(yōu)異的性能。首先，XGBoost的網絡存活時間為215ms，相比其他算法如隨機森林的136ms和BP神經網絡的96ms，具有明顯的優(yōu)勢。這表明XGBoost能夠有效地延長網絡的穩(wěn)定運行時間，減少因節(jié)點或鏈路失效導致的中斷，表現出更強的網絡穩(wěn)定性和可靠性。在平均端到端時延方面，XGBoost同樣表現出色，時延為32ms，相比隨機森林的49ms、BP神經網絡的52ms等算法，XGBoost能夠更快速地傳輸數據，適應低時延要求的應用場景，如實時通信和視頻流傳輸。較低的端到端時延不僅提高了數據傳輸效率，還增強了網絡的實時響應能力，對于時延敏感的任務至關重要。此外，XGBoost的丟包率僅為2.3%，相比隨機森林的5.6%、BP神經網絡的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據的完整性和可靠性，避免了數據丟失導致的傳輸失敗或重傳，提高了網絡的通信質量和穩(wěn)定性。

　　結語

　　從本文的研究來看，無論是在延長網絡存活時間、減少端到端時延，還是降低丟包率方面，XGBoost都能夠有效優(yōu)化路由策略，從而提高網絡性能和用戶體驗。因此，XGBoost在各種路由模型中展現出較為優(yōu)秀的整體性能，尤其適用于對通信質量和時延有較高要求的復雜網絡環(huán)境。

　　參考文獻：

　　[1]傅彥銘,周興,黃保華.一種協(xié)同進化的無線傳感器網絡多播路由算法[J].小型微型計算機系統(tǒng),2023,44(2):401-407.

　　[2]高開放,張振.基于改進蟻群算法的無線通信網絡容量感知路由優(yōu)化方法[J].移動信息,2024,46(7):36-39.

　　[3]宋嚴,孟雪飛,耿慶田.基于5G通信的多節(jié)點無線傳感器網絡路由算法研究[J].東北師大學報(自然科學版),2024,56(1):65-72.

　　[4]陳輝,王旭.基于改進蟻群算法的非均勻分簇自適應路由協(xié)議[J].傳感技術學報,2023,1(5):10-14.

　　[5]李想,莊毅.利用XGBoost的路由算法關鍵故障點識別方法[J].計算機與現代化,2023(11):75-81,88.

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

　　[7]李博,黃建強,黃東強.基于異構平臺的稀疏矩陣向量乘自適應計算優(yōu)化[J].計算機應用,2024,44(12):3867-3875.

　　[8]朱吉利,范振軍.一種基于集成學習的干擾頻點檢測方法[J].圖像與信號處理,2025,14(1):7-11.

　　[9]張友俊,徐雯雯.基于PCA-XGBoost算法的啞鈴狀SIR差分濾波器設計[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)網環(huán)境下自適應網絡切換算法研究[J].通信電源技術,2024,41(20):17-19.

　　作者簡介：車永輝，本科，工程師，13902476265@139.com，研究方向：計算機與信息通信。

關注讀覽天下微信， 100萬篇深度好文， 等你來看……