专利名称：彩信用户行为模型及预测仿真系统的制作方法
技术领域：
本发明涉及一种通讯技术领域内的预测及仿真系统，尤其是一种彩信用户行为模型及预测仿真系统。
背景技术：
在对数据网络维护和质量分析过程中，维护人员迫切需要对彩信数据业务建立科学、完善的分析体系，并为彩信扩容、业务开展提供准确的数据和科学的预测。然而，目前国内外并没有对彩信业务用户行为分析的相关论述及相应的分析预测及仿真系统。
因而，提供一种彩信用户行为模型及预测仿真系统实为必要。
发明内容
本发明的目的是提供一种彩信用户行为模型及预测仿真系统，以研究彩信业务流的特性及其趋势为切入点，提出了一整套的科学的分析体系和解决方案。首先对彩信业务的流量预测方法和用户行为进行了分析，并在此基础上采用网络仿真软件作为辅助手段，得到准确反映彩信业务性能的参数及数据，为彩信扩容和业务开展提供了依据。
为了实现上述目的，本发明提供了一种彩信用户行为模型及预测仿真系统，包括数据业务预测模块、用户行为分析模块及仿真模块，所述数据业务预测模块对未来业务的发展趋势进行预测，并计算出未来某一天每小时的业务总量；所述用户行为模块用户发起业务的特点进行分析，并给出了数学描述手段；所述业务总量及用户发起业务结合在一起而生成当日业务流量，并作为网络拓扑仿真的业务流量输入而被所述仿真模块进行仿真。
本发明的优点在于系统设备简单，彩信用户行为预测准确、快速，仿真效果良好。
下面将结合附图，通过优选实施例详细描述本发明。
图1为本发明彩信用户行为模型及预测仿真系统的结构框图。
图2为本发明彩信用户行为模型及预测仿真系统的数据业务预测模块对2004年8月18日的业务数据进行预测后得到的该日业务总量时序图。
图3为对图2所示的业务总量时序图中的业务量缩小为1/10后的业务总量时序图。
图4为本发明的用户行为分析模块对图3所示当日业务量进行分析后得到的部分业务流量。
图5为本发明彩信用户行为模型及预测仿真系统的仿真模块详细结构图。
图6为本发明仿真模块仿真后得到的各个网络节点的CPU利用率情况。
图7为各个网络节点的业务量和CPU利用率的关系曲线。
图8仿真后得到的mo、ao、fo三种业务的业务延时情况。
图9仿真后得到的mo、ao、fo业务的流量与业务延时的关系曲线。
具体实施例方式
参考图1，本发明彩信用户行为模型及预测仿真系统包括数据业务预测模块1、用户行为分析模块2及仿真模块3。其中，所述数据业务预测模块1用于预测未来业务的发展趋势，并计算出未来某一天每小时的业务总量；所述用户行为分析模块2精确地描述了用户发起业务的特点，并给出了数学描述手段；这两部分结合在一起，可以生成这一天的业务流量，作为网络拓扑仿真的业务流量输入；所述仿真模块3用于对上述业务流量进行仿真。从仿真后获得的数据中可以发现现有网络拓扑配置是否提供了足够的服务性能。如果无法提供满意的服务质量，可以断定哪个节点是网络瓶颈所在。当网络瓶颈位置获得后，再将该有问题的网络瓶颈节点的参数改变或者增加该节点的个数，从而解决了该瓶颈问题。所述数据业务预测模块1、用户行为分析模块2及仿真模块3三者互相配合能够用于指导未来业务的开展以及网络的维护和优化工作。
首先对彩信业务的用户行为分析。
目前国内外并没有对彩信业务用户行为分析的相关论述或相关技术。传统电信网络业务模型为泊松模型。一直以来人们围绕泊松模型作了大量的研究和分析，并得到了众多宝贵的结论。在本文中通过分析彩信业务的特有特性，发现由用户发起的彩信发送服从Poisson分布，这个发现和其他由用户行为决定的随机过程(传统的电信业务)是一致的。因此本项研究借鉴前人分析Poisson分布的方法和经验，对彩信业务的用户行为进行了分析研究，下面以广东省全球通用户为例来说明。
(1)广东省全球通用户的每分钟彩信发起的分布由于一天中不同的时刻，彩信的发送量差别很大。在白天和深夜，工作时间和休息时间等，发送量的变化形成了鲜明的对比。因此，本项研究不可能用一个简单的具有固定到达率λ的Poisson模型去描述彩信发送的用户行为。但是为了更好地对彩信的发送这种用户行为进行描述，本项研究将把一天分成24个时间段，即每一个时间段的时间间隔为一个小时。在每一个时间段中本项研究将用具有固定到达率λ的Poisson模型去描述。这样本项研究将可以避免使用具有随时间变化的到达率λ(t)的复杂Poisson模型。
在每一个时间段里，本项研究对数据进行柯尔莫哥洛夫—斯米诺夫检验，从而验证彩信发送是服从何种分布。下表为检验数据。
表2-1
从上表2-1本项研究可以看到在忙时，彩信的发送更趋近于服从正态分布，只有在闲时彩信的发送才明显地服从泊松分布，这与本项研究原来的分析不符。但本项研究注意到本项研究采用的时间单位是分钟，统计的范围是广东省全省全球通用户的彩信发送情况，并且根据中心极限定理，大量独立同分布的随机变量之和的分布服从正态分布。这样，本项研究得到上面的检验结果是合理的，为了进一步分析彩信发送是否服从泊松分布，本项研究把时间单位细化为一秒，由于数据采集的问题，本项研究根据预先设定的抽样方案，对广东省全省全球通用户进行随机抽样，得到了5000个抽样用户的2004年11月29日——2005年1月3日的话费单。
(2)5000个抽样用户的每秒彩信发起的分布在这里本项研究只提取了1月1日5000个抽样用户的彩信发送情况进行分析。本项研究把一天分成24个时间段进行分析。由于本项研究把时间间隔细化到秒，故每个时间段有数据3600个，用X(i)(i＝1，2，...，3600)表示每一时刻5000个抽样用户发送的彩信量。在每一个时间段里，本项研究对这些数据进行柯尔莫哥洛夫—斯米诺夫检验，从而验证彩信发送是服从何种分布。得到了下表2-2表2-2
从上面的结果本项研究可以看到5000个抽样用户发送彩信的情况基本服从泊松分布，只是在00:00:00-00:59:59这个时间段里出现异常，经过分析，1月1日是元旦日，零时零刻是新的一年到来的时刻，人们会以发送信息的方式向亲朋好友祝福，故在这个时间段里产生了很多突发数据，故验证结果异常，这是合理的。由此，本项研究可以知道彩信用户发送彩信的行为服从泊松分布。
(3)小结经过上面的一系列分析，本项研究可以得到一个把一天分成24个时间段，每一个时间段用具有固定到达率λi(i＝1，2，...，24)的Poisson模型去描述彩信发送行为的一个用户行为模型。这个模型是合理的。模型的具体参数的确定可以根据实际数据来确定。
其次利用数据业务预测模块对彩信业务预测。
数据业务预测部分描述了未来业务的发展趋势，给出了未来某一天每小时的业务总量；用户行为分析精确了描述了用户发起业务的特点，并给出了数学描述手段；这两部分结合在一起，可以产生这一天的业务流量，作为网络拓扑仿真的业务流量输入，仿真后得到的数据可以回答在现有的网络拓扑配置是否提供了足够的服务性能。如果无法提供满意的服务质量，哪个节点是网络瓶颈所在。将网络瓶颈节点的参数改变或者增加该节点的个数，是否解决了该瓶颈。因此，将三部分结合在一起，能够用于指导未来业务的开展以及网络的维护和优化工作。
图2所示为数据业务预测模块1预测得到的2004年9月1目的彩信业务，包括mo、fo、ao(eo的流量非常小，这里没有画出)在这一天里每小时的业务总量的时序图。
从上图中可以看出，mo、ao、fo的业务量比较大。在这里为便于上述业务量在网络拓扑中得到有效的仿真，将相应的业务量缩小为原来业务量的1/10，以使仿真能更快地完成。eo的业务量本来很小，缩小后可以忽略不计。图3所示为缩小为1/10后得到的业务量。
再根据彩信业务，用户行为分析的结论，业务流量服从possion分布，将上图的每小时业务量生成业务流量。图4所示是生成的业务流量中一部分。
图4中的直线表示业务发起时刻，直线的疏密程度反映了业务量的大小。图4的上半副图是5:00～5:06这一段时间内业务流量；下半副图是15:00～15:06这一段时间内业务流量。
最后彩信业务进行网络拓扑仿真。
将2004年9月1日生成的业务流量加载到如图5所示的仿真场景中，经过仿真得到以下数据(1)网络节点的关键性能指标即CPU利用率和重传率。
图6是仿真后得到的各个网络节点的CPU利用率。从中可以看出，节点的负荷随着图3所示的业务量的变化趋势而变化。忙时的负荷远远大于闲时的负荷。从各个节点的负荷对比可以看出，网关的负荷最重，某些时刻达到了100％。另外，所有节点的CPU利用率大部分时间都没有到达满负荷，即在该网络配置情况下，节点的处理能力足以保证该业务流量下的服务质量，不会出现网络瓶颈。
根据上图所示的节点CPU利用率，以及采集各节点的流量到达情况，可以统计分析得到网关、dns、重定向器、彩信c、iod、smsc的业务量与CPU利用率之间的关系，如图7所示。
图7所示的曲线是从图6统计得到的。横轴每分钟的业务量是指相应节点到达的业务量。从中可以看出，网关、dns、重定向器、彩信c、iod、smsc的CPU利用率随着业务量的增大而大致呈现线性变化关系。并且，从图2-6也可以初略地看出网关、dns、重定向器、彩信c、iod、smsc这6个节点的业务量关系，网关每分钟最大业务量高达330，而dns的每分钟最大业务量不超过100。可见，网关的负荷是最重的。
采集得到的重传率为0％，没有出现重传现象。这是因为在节点尚未到达满负荷，即没有出现瓶颈的情况下，不会出现重传。如果业务流量过大，超出节点的处理能力，包就会在节点的缓存区排队。如果缓存没有足够的缓存空间来存储包，则会将多余的数据包丢掉，从而引起重传。
(2)业务延时。
如图8所示，仿真后得到mo、ao、fo三种业务的业务延时。从上述的延时变化来看，业务延时的变化趋势也随着图3所示的业务量变化而变化，在忙时，节点处理能力到达满负荷的时候，业务延时变得很大，如mo业务，空闲状态下业务延时为5秒，忙时某些时刻甚至到达23秒。在一定的节点参数下，延时随着业务流量的增大而变大。
根据图8所示的数据，可以分析mo、ao、fo业务，流量与业务延时的关系曲线，如图9所示。
从图9可以看出，业务延时也随着流量的变大而增大，并且随着业务量的增长，一开始比较平稳的变化，业务量增长到一定程度后，业务延时呈指数增长符合实际业务情况。
总结本发明，首先进行彩信用户行为建模用具有不同到达率的Poisson模型去描述彩信发送行为的一个用户行为模型，模型具体参数的确定可以根据采样的实际数据来确定；然后建立数据业务预测系统；最后基于模型和系统，实现彩信业务和流量的仿真分析。
本发明以研究彩信业务流的特性及其趋势为切入点，提出了一整套的科学的分析体系和解决方案。首先对彩信业务的流量预测方法和用户行为进行了分析，并在此基础上采用网络仿真软件作为辅助手段，得到准确反映彩信业务性能的参数及数据，为彩信扩容和业务开展提供了依据。
以上所揭露的仅为本发明的优选实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。
权利要求
1.一种彩信用户行为模型及预测仿真系统，其特征在于包括数据业务预测模块、用户行为分析模块及仿真模块，所述数据业务预测模块对未来业务的发展趋势进行预测，并计算出未来某一天每小时的业务总量；所述用户行为模块用户发起业务的特点进行分析，并给出了数学描述手段；所述业务总量及用户发起业务结合在一起而生成当日业务流量，并作为网络拓扑仿真的业务流量输入而被所述仿真模块进行仿真。
2.根据权利要求1所述的彩信用户行为模型及预测仿真系统，其特征在于所述用户行为分析模块分析时用具有不同到达率的Poisson模型去建立彩信发送行为的一个用户行为模型。
3.根据权利要求1所述的彩信用户行为模型及预测仿真系统，其特征在于所述模型具体参数的确定可以根据采样的实际数据来确定。
全文摘要
本发明公开了一种彩信用户行为模型及预测仿真系统，包括数据业务预测模块、用户行为分析模块及仿真模块，数据业务预测模块对未来业务的发展趋势进行预测，并计算未来某一天每小时的业务总量；用户行为模块用户发起业务的特点进行分析，并给出了数学描述手段；业务总量及用户发起业务结合在一起而生成当日业务流量，并作为网络拓扑仿真的业务流量输入而被所述仿真模块进行仿真。
文档编号H04L12/26GK1870535SQ20061003534
公开日2006年11月29日 申请日期2006年4月30日 优先权日2006年4月30日
发明者舒波, 冯佩珍, 孙剑骏, 王峻, 陈东明, 黄昭文, 邱岭, 陈曦, 范晓强, 郑浩彬, 李志锋, 冯穗力 申请人:广东移动通信有限责任公司