专利名称：一种网络用户行为预测的方法和装置的制作方法
技术领域：
本发明涉及通信网络业务管理及监控领域，特别是一种网络用户行为预测的方法 和装置。
背景技术：
现有技术中的网络用户行为预测方法是采用一种基于BP (Back I^ropagation)神 经网络的方法来预测用户行为。但是，这种BP神经网络方法的训练方法较为复杂，本质上 为梯度下降法，算法容易陷入局部极值，且效率不高。BP网络的预测能力(泛化能力)与 训练能力(逼近能力)存在矛盾，会出现“过拟合现象”。因此，这种基于BP神经网络的用 户行为预测方法不能充分学习网络用户行为分布的规律，对网络用户行为预测存在一定的 片面性。另一方面，BP神经网络的学习算法的易实现性、预测精度、容错能力等性能指标都 不如基于复杂网络的回声状态神经网络预测方法，不适合直接应用于网络用户行为的预测 中。
发明内容
本发明实施例提供一种实现网络用户行为预测的方法和装置，通过UBMS获得网 络用户使用的业务信息，产生用户行为分布数据集以及训练数据集，再根据设定的参数集 构建一个基于复杂网络的回声状态神经网络预测模型，利用训练数据集训练预测模型，最 后利用训练好的预测模型对网络用户行为分布进行预测，满足通信网络业务监控及管理领 域对把握用户行为规律的要求，提高业务监控和管理效率。本发明实施例公开了一种实现网络资源选择的方法，包括确定预测模型相应的 参数集；根据网络用户使用的业务信息与用户类别划分标准，获得网络用户行为分布的数 据集，对获得的用户行为分布数据集进行数据预处理，得到训练数据集；再根据所确定的参 数集构建一个基于复杂网络的回声状态神经网络预测模型；利用训练数据集对该预测模型 进行训练，经计算得到预测模型的输出权重，调整预测模型的输入，预测模型将给出相应的 预测结果。本发明实施例还公开了一种实现网络资源选择的装置，包括参数集设定单元，用 于设定用户行为分布数据集的参数集、训练数据集特征、预测模型的参数集；数据集获取及 预处理单元，用于获取用户行为分布数据集以及将其预处理成训练用数据集；预测模型单 元，用于在根据参数集设置单元所确定的预测模型参数集建立一个基于复杂网络的回声状 态神经网络预测模型，以及完成预测模型的训练、预测功能。从上述本发明的实施例可以看出，本发明实施例利用层次分析方法，综合确定预 测模型参数集中的相应参数，合理地建立了网络用户使用的业务信息与用户行为类别的对 应关系。同时，本发明实施例中的预测模型采用了基于复杂网络的回声状态神经网络方法 对网络用户行为分布的规律进行学习与预测，解决了现有网络用户行为预测方法的实现难 度大、效率低、训练复杂、容错能力低、鲁棒性不强、预测精度不理想等局限性，满足了通信网络业务监控与管理领域对网络用户行为规律把握的期望，能够提高通信网络业务监控与
管理的效率。
图1为本发明实现网络用户行为预测方法的一个实施例流程图；图2为本发明实现网络用户行为预测方法的另一个实施例流程图；图3为本发明获得训练数据集方法的流程图；图4为本发明构建基于WS复杂网络预测模型方法的流程图；图5为本发明构建基于BA复杂网络预测模型方法的流程图；图6为本发明构建基于MSB复杂网络预测模型方法的流程图；图7为本发明训练预测模型方法的流程图；图8为本发明利用预测模型进行预测的流程图；图9为本发明实现网络用户行为预测的装置的一个实施例结构图。
具体实施例方式下面结合附图对本发明实施例进行详细描述。请参阅图1，为本发明实现网络用户行为预测方法的一个实施例流程图，包括以下 步骤步骤101 确定预测模型相应的参数集；步骤102 确定网络用户行为训练数据集；步骤103 根据确定的参数集建立神经网络预测模型的层次结构，建立输入权重 矩阵、反馈权重矩阵、动态池内部连接权重矩阵；步骤104 利用训练数据集对该预测模型进行训练，经计算得到预测模型的输出 权重矩阵，调整预测模型的输入，该预测模型将给出相应的预测结果。请参阅图2，为本发明实现网络用户行为预测方法的另一个实施例流程图，包括以 下步骤步骤201 确定参数集，主要的参数有输入层神经元数目、输出层神经元数目、动 态池神经元数目、建立动态池连接的方式、动态池权重谱半径、训练逝去数、预测长度；若采 用WS、NW小世界网络模型，还需设定最近邻系数K、重连概率ρ ；若采用BA无标度网络模型， 还需要设定初始网络规模IV每次引入节点连接的边数m等；步骤202 确定网络用户使用的业务信息与用户行为类别分类的对应关系。所述 对应关系如表1所示。表1业务信息与用户行为类别分类的对应关系
权利要求
1.一种实现网络用户行为预测的方法，其特征在于，包括 确定预测模型相应的参数集；确定网络用户行为训练数据集；再根据所确定的参数集建立神经网络预测模型的层次结构，建立输入权重矩阵、反馈 权重矩阵、动态池内部连接权重矩阵；利用训练数据集对该预测模型进行训练，经计算得到预测模型的输出权重矩阵，调整 预测模型的输入，该预测模型将给出相应的预测结果。
2.根据权利要求1所述的方法，其特征在于所述预测模型相应的参数集主要有输入层神经元个数、输出层神经元个数、动态池神 经元个数、动态池连接权重矩阵的谱半径、逝去数、预测长度、噪声水平等参数。
3.根据权利要求1所述的方法，其特征在于所述确定网络用户行为训练数据集之前还包括在预先确定的网络用户行为类别范围 内，设定网络用户使用的业务种类与网络用户行为类别之间的对应关系，确定网络用户行 为分布数据集；所述网络用户行为分布数据集为从UBMS^ser Behavior Monitor Server，用户行为 监控服务器)获取网络用户使用的业务种类，再根据所述业务种类与用户行为类别之间的 对应关系得到的数据集。通过对所述网络用户行为分布数据集进行数据预处理，得到训练 数据集。
4.根据权利要求3所述的方法，其特征在于，所述预先确定的网络用户行为类别范围 包括传统web业务分类(新闻子类、娱乐子类、科技子类、教育子类、财经理财子类、汽车子 类、数码子类、体育子类、博客子类、房产子类)、文件传输类、电子邮件类、P2P应用类、即时 通信类、流媒体业务类、网络游戏类、VOIP类、事务处理(Transaction/Databases)类。
5.根据权利要求3所述的方法，其特征在于，所述业务种类包括FTP、TFTP, CMD, NetBIOS, NFS, PRINTER, PRINTE-SRV, RCP, SUNRPC, SYSLOG、各类电子邮PPlive、 SNS, CCIPTV, UUSee, AOL/ICQ, MSN、 QQ, Skype, Yahoo, Sina-UC, Google Talk, Lava-Lava、匪S、PNS、RDT、RTP、RTSP、Mreaming-iToo 1、边锋、中国游戏在线、浩方、联众、QQ 游戏、CS/反恐精英、Diablo、DOOM、、天堂、King of Kings、传奇、、Quake、魔兽世界、魔兽争 霸、街头篮球、剑侠情缘、H. 232、MGCP、SIP、T. 120、C0RBA、CyberCash、DaZhiHui、EXEC、LDAP、 Oracle、SQL、SAP 等。
6.根据权利要求1所述的方法，其特征在于，根据所确定的参数集建立神经网络预测 模型的层次结构，建立输入权重矩阵、反馈权重矩阵、动态池内部连接权重矩阵，包括所述神经网络预测模型采用3层层次结构，依次为输入层、动态池、输出层，每层分别 有K、N、L个神经单元。连接权重矩阵有输入层至动态池的输入权重矩阵『‘“、动态池内部连接权重矩阵W = (Wij)NxN、输出层至动态池的反馈连接权重矩阵妒―=(W^rf)皿、动态池至输出层的输出权重矩阵。动态池中各神经单元的连接拓扑，也即矩 阵W采用复杂网络模型。
7.根据权利要求1、6任意一项所述的方法，其特征在于，所述预测模型层次结构中建 立动态池内部连接权重矩阵方式包括假设动态池中含有N个神经元，将其看做N个节点；WS小世界构造法把动态池构建为一个含有N个点的最邻近耦合网络，它们围成一个 环，其中每个节点都与它的左右相邻的各K/2个节点相连，K是偶数，以概率ρ随机地重新 连接网络中的每个边，但是规定任意两个不同的节点之间至多只能有一条边，并且每一个 节点都不能与自己相连。BA无标度构造法从一个具有Hi0个节点的网络开始，这个初始网络可以采用随机连 接、全连接、孤立点方式构建。每次引入一个新的节点，并且练到m个已存在的节点上，这里 m ^叫。一个新节点与一个已经存在的节点i相连接的概率Π i与节点i的度ki，节点j的 度kj满足如下关系MSB混合构造法把动态池中的神经单元划分为若干个组，每个神经单元必须唯一确 切地属于某一个组；对于划分好的每一个组随机地采用WS小世界构造法、BA无标度构造法 构造该组组内的连接方式；同时对于每一组，随机选取小数量的神经单元作为该组的代表 神经单元，所有代表神经单元元采用全连接方式完成组间连接，从而形成了这个动态池的 连接结构。
8.根据权利要求1所述的方法，其特征在于，所述的利用训练数据集对预测模型进行 训练包括训练数据集包括输入数据集U、教师数据集Yd，均采用向量表示形式，。训练时依次将 输入数据集、教师数据集送入预测模型的输入层和输出层，并按照下式记录和更新动态池 的状态。
9.根据权利要求1所述的方法，其特征在于，所述调整预测模型输入，进行相应预测包括在训练预测模型得到输出权重矩阵后，再用训练数据集对该预测模型进行引导，在引 导预测模型期间内，动态池的状态按照下式进行更新；
10.一种实现网络用户行为预测的装置，其特征在于，包括 参数集设定单元，用于设定预测模型相应的参数集；数据集获取及预处理单元，用于获取用户行为分布数据集以及将其预处理成训练数据集；预测模型单元，用于在根据参数集设置单元所确定的预测模型参数集建立一个基于复 杂网络的回声状态神经网络预测模型，以及完成预测模型的训练、预测功能；
11.根据权利要求10所述的装置，其特征在于，所述预测模型单元包括动态池建立单元，用于根据所述参数集设置单元所设置的参数集建立一个基于复杂网 络结构连接的动态池；层次结构建立单元，用于建立预测模型的三层结构，以及初始化相应的连接权重矩阵；训练单元，用于在所述层次结构建立单元建立预测模型结构后，利用训练数据集对预 测模型进行训练，并计算输出权重矩阵；预测单元，用与在所述训练单元计算输出权重矩阵后，根据所述参数集设置单元所设 置的相应参数进行预测。
全文摘要
本发明公开了一种网络用户行为预测的方法和装置，其中，所述方法为确定预测模型相应的参数集；确定网络用户行为训练数据集；再根据所确定的参数集建立神经网络预测模型的层次结构，建立输入权重矩阵、反馈权重矩阵、动态池内部连接权重矩阵；利用训练数据集对该预测模型进行训练，经计算得到预测模型的输出权重矩阵，调整预测模型的输入，该预测模型将给出相应的预测结果。
文档编号H04L12/24GK102075352SQ201010607788
公开日2011年5月25日 申请日期2010年12月17日 优先权日2010年12月17日
发明者冯辰, 刘翔, 刘韵洁, 周天君, 崔鸿雁, 蔡云龙, 陈建亚, 陈睿杰 申请人:北京邮电大学