当通信节点发生异常故障时，为保证芯片正常工作不受负载干扰，需重新审核处理器的有限竞争功耗，并对面积资源进行判断。已知计算机网络和并行计算机系统中路由算法已经十分普遍，但仍缺少系统的节点安全绕行体系，这也使得独立的芯片的处理过程更加漫长，单独的芯片也可以看作是个体路由器，这些复杂的设计内容使得片上功耗比越来越大且难以控制。因此，要在功耗限制范围内实现路由安全绕行要困难得多。为了避免网络配置过于复杂难以实现，要通过计算机网络重新审视并行计算机系统中的路由异常节点，通过设计软故障纠错码，重新定制通信协议和数据包的传输路径，利用纠错功能实现故障识别并躲避。

但是，出于安全绕行路由的考虑，对异常节点识别的过程，可能会出现数据冗余过高而陷入死锁的情况，这时判断故障内容并安全绕行会导致部分数据包丢失，从而使得到达目标节点的数据内容残缺。并且，到达目标节点的数据包会使得冗余数据备份涌入通信网络，造成网络线路拥堵，让本就负载的光纤通信网络功耗增加。冗余备份数据也会让链路故障的可能性增加，故障电路的增多会进一步加剧安全绕行路径选择的困境，使得路由芯片面积硬件的开销增多。

为解决该问题，国内外相关领域的专家和学者取得一些较为经典、可借鉴的研究结果。文献[1]提出一种基于蚁群优化算法的坏死节点躲避路由算法。利用蚁群优化算法搜索簇首选取和多路径，在此过程中充分考虑链路传输能耗,链路剩余能量，通信传输距离，选取出能够躲避坏死节点的多条最优路径，实现数据传输。文献[2]提出基于Ad Hoc网络的多路径QoS路由算法。整理带有收发装置的移动节点，并通过组成的临时性多跳自组织约束网络带宽资源，同时提高网络支持服务质量，但缺少对多路径路由算法的拓展。文献[3]通过剩余能量过滤进行簇头选举的低能耗无线路由算法。根据全网节点的基站类型，以簇头位置及簇头数量为根据改进路由算法，计算剩余能量是否大于全域平均剩余能量。但相关研究均无法计算路径权值，导致路由算法出现功耗较高问题。除以上研究之外，国内外学者也有典型的光线路由算法问题的解决方案。文献[4]提出了一般的路由方案遵循最小跳数和最短距离的方法将流量路由到另一个备份路径。然而，这种方法可能导致某些链路拥塞，而其他链路可能有未利用的容量。这也使它越来越难以适应更多的连接请求从接入网。因此，文献[5]以节点最短路径为目标，设计了一个精确的算法来解决这个问题，除了考虑距离之外，还考虑了每个链路的信道容量。通过对链路容量、连接请求和未使用链路3个参数的仿真，评价了该算法的性能。但是，该路由算法的优化过程较为复杂，且出现了节点时延明显问题，导致应用难度较大，实用性不够理想。

本文采用部署数据中心网络方式，分析网络内节点的运动轨迹，同时利用多路径技术拓展路由算法改进路由算法。在多路径路由算法拓展的基础上，计算超远距离光纤通信端口负载路径权值，判断目标异常节点位置，并标注突变结构信号。

1 超远距离光纤通信负载异常节点安全绕行路由算法 1.1 计算超远距离光纤通信端口负载路径权值

为确定目标异常节点的位置，首先要对光纤通信端口负载路径权值计算，根据负载路径权值的计算结果，对节点的负载大小进行判断，从而确定目标节点是否存在异常，并以此判断光纤通信线路位置^[5]。

要计算超远距离光纤通信端口负载路径权值，先要通过迭代方式对数据子类集合划分。根据数据样本均值，确定函数生成最优形成路由簇中心^[6]。并针对最优函数值的误差平方和计算，并以此设定一体化路由线路的数据随机矩阵^[7]。设定该随机矩阵的负载特征值均为实数，且随机矩阵A为N×N矩阵，即A_N×N，计算该矩阵的函数分布特征谱，其表达式为

$ {{\boldsymbol{F}}{(\boldsymbol{A})}} = \frac{1}{N}\sum\limits_{i = 1}^N {{\lambda _i} \cdot {\boldsymbol{I}}} $

式中： $ {\lambda _i}(i = 1,2, \cdots ,N) $ 为特征值； $ {\boldsymbol{I}} $ 为指示函数，且当矩阵行列比恒定不发生变动时，该矩阵A的随机行数和列数趋于无穷大^[8]。因此得到该矩阵的表达式：

$ {{\boldsymbol{A}}_{N \times N}} = \left[ {\begin{array}{*{20}{c}} {{x_{11}}}&{{x_{12}}}& \cdots &{{x_{1N}}} \\ {{x_{21}}}&{{x_{22}}}& \cdots &{{x_{2N}}} \\ \vdots & \vdots &{}& \vdots \\ {{x_{N1}}}&{{x_{N2}}}& \cdots &{{x_{NN}}} \end{array}} \right] $

根据矩阵A的表达式，对该通信端口负载路径的特征值分布概率密度计算，其表达式为

$ {f_z} = \left\{ \begin{aligned} & \frac{2}{{cL}}\left| {{\lambda _i}} \right|(\frac{2}{L} - 1){F{(A)}},\quad{(1 - c)^{\frac{2}{L}}} \leqslant \left| {{\lambda _i}} \right| \leqslant 1\\ & 0,\quad {\text 其他} \end{aligned} \right. $

式中：当等价矩阵的乘积奇异值为 $ \hat Z $ ， $ c \in [0,1] $ ，L为复平面矩阵特征的方差，通信端口负载分布均值大于0，其内径表示为 $ {(1 - c)^{\frac{2}{L}}} $ ，外径小于1。据此计算通信端口路径的特征值平均谱半径，其表达式为

$ {r_{MSR}} = \frac{1}{N}{f_z}\sum\limits_{i = 1}^N {\left| {{\lambda _i}} \right|} ,\quad i = 1,2, \cdots ,N $

根据光线通信端口路径的特征值平均谱半径，计算出及高负载节点数据，计算公式为

$ J(x) = ({\hat x_i} - \overline {{{\hat x}_j}} ) \times \left( {\frac{{{{\hat x}_i}}}{{{{\hat x}_j}}}} \right) + \overline {{{\hat x}_j}} $

式中：i的取值范围为[0,N]；j的取值范围为[1，T]；设 $ {\hat x_i} = ({\hat x_1},{\hat x_2}, \cdots ,{\hat x_N}) $ ，则 $ {\hat x_j} = ({\hat x_1},{\hat x_2}, \cdots ,{\hat x_N}) $ ， $ \overline {{{\hat x}_j}} $ 为 $ ({\hat x_j}) $ 的均值。通过分析超远距离光纤通信端口负载路径采样矩阵，计算超远距离光纤通信端口负载路径权值，其表达式为

$ X = \left[ {{{\hat x}_{i,j}} - T_{\rm{w}} + 1,{{\hat x}_{i,j}} - T_{\rm{w}} + 2, \cdots ,{{\hat x}_{i,j}} - T_{\rm{w}} + n} \right] $

式中： $T_{\rm{w}}$ 为对应负载路径权值的窗口宽度，n为连续采样截断次数。当截断次数n与 $ T{}_w $ 值相等时，超远距离光纤通信端口负载路径权值达到最大，对于超出负载路径权值窗口宽度的截断次数部分节点，判断为目标异常节点，并确定该部分节点位置。

1.2 判断目标异常节点位置

根据超远距离光纤通信端口负载路径的权值，判断目标异常节点的位置。判断过程会受到实际环境节点采集数据的噪声干扰，因此，要先判断噪声和异常数据混淆的异常的突变路由结构信号值^[9]，如图1所示。

通过突变路由结构信号值分析影响异常数据诊断的噪声及混淆因素，并对异常数据降噪^[10]。保存数据中的突变信息，将数据内在属性中的奇异值分解出来，并通过预处理降噪，对数据内突变信息的信噪比提高^[11]。从而整理得到适合分解的新的异常数据矩阵：

$ {\boldsymbol{P}} = {\boldsymbol{v}} \cdot \lambda \cdot {\boldsymbol{u}} $

式中：特征矩阵的向量分别表示为v和u，矩阵的特征值表示为 $ \lambda $ ，由此得到矩阵特征的权值向量为 $ {{\boldsymbol{u}}^\lambda } = {\boldsymbol{v}} $ 。根据特征值总结特征向量元素，设定目标异常节点的加权矩阵为 $ {\boldsymbol{W}} \in {P^{N \times N}} $ ，并据此判断目标异常节点感知数据的波动范围，其表达式为

$ {W_{ij}} = \left\{ \begin{aligned} & {a_{ij}}/{X^2},\quad j \ne i \\ & 0, \quad \quad i = j \end{aligned} \right. $

式中：当相邻的两节点i与节点j之间的关联度a_ij为1时，两节点之间具有连接关系^[12]；当相邻的两节点i与节点j之间的关联度a_ij为0时，可对节点i到节点j间的向量距离求解，其表达式为

$ {k_{ij}} = \frac{{\sqrt {{{\left( {{x_i} - {x_j}} \right)}^2} + {{\left( {{y_i} - {y_j}} \right)}^2}} }}{{{W_{ij}}}} $

式中： $ {x_i} $ 、 $ {x_j} $ 分别为节点i、j的横坐标； $ {y_i} $ 、 $ {y_j} $ 分别为节点i、j的纵坐标。根据相邻节点之间的向量距离，分析目标异常节点位置的特征值的向量元素，可知，当矩阵的特征值增大时，其特征向量距离上一个相邻节点的距离也就越远^[13]。因此，得到目标异常节点的特征存储时序。

利用目标异常节点的特征存储时序，通过特征向量存储时序的延迟变化对异常位置定位^[14]。先要定义特征向量的分解值，并根据节点i到节点j间的向量距离进行划分，同时计算异常节点矩阵的特征值，其表达式为

$ T = \left\{ \begin{gathered} \frac{{({t_r} + {t_w})!}}{{{t_s}!{t_r}}} \hfill \\ \frac{{({t_r} + {t_w})!}}{{{t_s}!{t_w}}} \hfill \\ \end{gathered} \right. $

式中t_r、t_w、t_s为异常节点对应元素类型的分解值。根据异常节点矩阵的特征值，判断目标异常节点的位置，针对特征值较大的特征向量元素分解^[15]。并根据异常情况概率发生节点，锁定超远距离光纤通信线路中的异常位置，针对该目标异常节点位置建立安全绕行分层结构。

2 异常节点安全绕行路由算法 2.1 绕行分层结构建立

根据确定的目标异常节点位置，对节点异常区域划分，通过选择下一跳节点，确定安全绕行分层路由的位置，并从分层结构中找寻异常节点绕行的最佳路径。先要在确定的目标异常节点位置中找出中继节点的位置，并利用多条传输线路处理。

分析图中目标异常节点区域内的中继节点分布规律，将中继节点的区域锁定在安全绕行区域内，并在该区域内截取10000 m×10000 m的正方形，在中心位置设定通信半径，并向路由线路区域内供应能量^[16]。设计安全绕行适应度函数公式，并设定安全绕行适应度参数，利用不同因素的权重大小，对路由网络生存周期验证^[17]。并在[0.1,0.9]的区间范围内依次取值，对安全绕行分层结构的仿真参数取值规格设定，如表1所示。

分析表1中的仿真参数取值规格，计算安全绕行路径距离值，其表达式为

$ D = d/\frac{2}{3}C $

式中：d为安全绕行路由节点间的路径距离，C为异常节点区域内的加速因子取值。据此，对单条绕行路径上的负载计算，其表达式为

$ Q = \frac{{3d}}{{2c}} \cdot T $

按照异常节点位置对应的单条路径，分别对各路径上的负载大小计算，整理负载路径的权重比，计算负载权重比，其表达式为

$ \alpha :\beta :\gamma = {W_{ij}}({Q_1}:{Q_2}:{Q_3}) $

式中 $ {Q_1} $ 、 $ {Q_2} $ 、 $ {Q_3} $ 分别为对应路径的负载值，以负载权重比为依据建立安全绕行分层结构划分规则，据此建立安全绕行分层结构。

根据安全绕行分层结构，对节点独立的路由表的状态检测，并根据检测结构构建安全绕行分层结构的路径，以此确定异常节点绕行的最佳路径。

2.2 确定异常节点绕行的最佳路径

对安全绕行分层结构建立，根据分层结构检测前节点与目标节点的故障距离。当出现阻塞故障节点时，锁死被阻塞的数据包，并根据异常节点类型选择绕行路由，当出现前节点与目标节点行列分离的情况，对前节点与目标节点的侧边路径测量^[18]。针对绕行路径在数据包与目标节点的相对位置确定故障节点的最佳绕行路径，路径选择表达式为

$ S(f) = \sum\limits_{(i,j) \in \varepsilon } {{w_{ij}}{{[f(j) - f(i)]}^2}} $

式中 $ f(j) $ 、 $ f(i) $ 为确定故障节点相对位置的左右两侧函数。当出现 $ S(f) $ 大于等于相邻节点路径频率时，该异常节点绕行路径处于待选范围内；当出现 $ S(f) $ 小于等于相邻节点路径频率时，该异常节点绕行路径超出待选范围，应当进入下一邻近节点路径计算 $ S(f) $ 值。将该路径选择过程整理为图信号，并检测该图信号的异常节点绕行选择结果。判断异常节点绕行的最佳路径图信号是否处于邻近节点路径待选中，并对异常节点路由的传输方向标识^[19]。根据安全绕行路径的选择转向环路对选择范围二次限制，针对通道标识递增路线集合制定故障链路中的传递规则，根据异常节点路径坐标在传递规则中的适用度确定最佳路径。根据路径传递适用度计算光纤通信负载的强度，并通过制定传递规则中心整合故障链路，在通道标识递增路线集合的过程中，针对最佳路径确定故障链路选择转向环境，根据设定的环境重新整理分组数据，并利用分组数据对管线通信负载异常节点安全绕行路径选择。至此，完成对超远距离光纤通信负载异常节点安全绕行路由算法设计。

3 实验分析

以路由分组数据绕行功耗为指标设计对比试验，分别使用文献[1]提出的基于蚁群优化算法的坏死节点躲避路由算法、文献[2]提出的基于Ad Hoc网络的多路径QoS路由算法、文献[3]提出的基于剩余能量过滤簇头选举的低能耗无线路由算法与超远距离光纤通信负载异常节点安全绕行路由算法进行安全绕行路径选择，验证功耗更小的路由算法。

3.1 实验准备

实验开始前，根据5×5和7×7的2D-Mesh拓扑结构设置网络参数，从网络线路内部截取故障节点信息，同时利用故障节点信息修改双向链路参数对应的数据，设置实验环境中最小的数据单位为flit。

根据数据flit的流控单元形式传输数据包，在端到端时延通信数值中插入数据接受总量的饱和信息，根据异常节点内成功传输的总量判断吞吐网络的线性正相关，并据此对内部故障节点的平均时延进行测量，如图2所示。

根据该内部故障节点的平均时延，分别测量规定时延范围内路由分组数据绕行的功率，根据功率的大小计算单位时间内内部故障节点的负载大小，进而计算绕行分组数据的功耗，整合绕行分组线路，分别对应其他线路数据，据此计算路由分组数据绕行的功耗值。

3.2 对比路由分组数据绕行功耗

计算得到基于蚁群优化算法的坏死节点躲避路由算法、基于Ad Hoc网络的多路径QoS路由算法、基于剩余能量过滤簇头选举的低能耗无线路由算法与超远距离光纤通信负载异常节点安全绕行路由算法的路由分组数据绕行功耗，其表达式为

$ P = \frac{{{Q_1} + {Q_2} + {Q_3}}}{u} {M_S} H $

式中：H均为带宽调度值，M为第S个业务流所在的跳数，u为通信单元总数。实验结果如图3所示。

分析图3中的数据可以得出，在测量路由分组数据绕行的功耗中，基于蚁群优化算法的坏死节点躲避路由算法的路由分组数据绕行功耗最高为17.3 W，路由分组数据绕行功耗最低为13.2 W，在故障节点选择路由时延为450 ms时，基于蚁群优化算法的坏死节点躲避路由算法的路由分组数据绕行功耗开始下降，在选择路由时延为640 ms时，路由分组数据绕行功耗开始上升。

基于Ad Hoc网络的多路径QoS路由算法的路由分组数据绕行功耗最高为17.5 W，路由分组数据绕行功耗最低为10.0 W，在故障节点选择路由时延为400 ~ 600 ms时，该算法的路由分组数据绕行功耗上升速率最快。

基于剩余能量过滤簇头选举的低能耗无线路由算法的路由分组数据绕行功耗最高为14.0 W，路由分组数据绕行功耗最低为6.0 W，在故障节点选择路由时延为0~200 ms时，该算法的路由分组数据绕行功耗下降较为明显，可见线路选择负载性能在路由时延较低时更好，在选择路由时延为600~800 ms时，基于剩余能量过滤簇头选举的低能耗无线路由算法的路由分组数据绕行功耗上升速率最快，当路由时延增大时，路由选择负载性能降低。

超远距离光纤通信负载异常节点安全绕行路由算法的路由分组数据绕行功耗最高为11.0 W，路由分组数据绕行功耗最低为5.9 W，在故障节点选择路由时延为500 ms时，超远距离光纤通信负载异常节点安全绕行路由算法的路由分组数据绕行功耗开始下降，可见该算法的路由分组数据绕行功耗在时延较高的情况下性能更好。因此，超远距离光纤通信负载异常节点安全绕行路由算法更好。

4 结束语

本文通过研究异常节点安全绕行路由算法，采用对内部故障节点的平均时延进行限制，降低了异常节点安全绕行路由分组数据的绕行功耗。今后应当对深度学习网络的节点异常状态进行识别，同时对节点智能定位，判断异常节点绕行最佳路径的识别规则，并据此提高安全绕行分层结构的稳定性。