一种面向蓝牙网关的流量预测方法及装置与流程

本发明涉及网络技术领域，尤其涉及一种面向蓝牙网关的流量预测方法及装置，尤其适用于蓝牙网关。

背景技术：

随着物联网技术的迅猛发展，与日俱增的各式各样的iot服务被用户广泛使用。网关，作为一种向云端传递iot数据并进行数据交换的核心边缘设施，将功能各异的传感器、智能硬件、智能可穿戴等物联网末端设备和小区局域网联系起来，进而接入互联网，实现信息共享、远程控制、集中管理等功能。由于物联网末端设备及服务的多样性，边缘网络数据具有异构性，不同的服务类型对qos的需求不一样。例如，在多媒体数据和应用程序数据等传输场景中，需要一个具有相对较高的网络吞吐量的无线传输手段以降低数据传输延时，典型的在线视频观看服务，带宽呈突发式脉冲状，带宽要求高达3mb/s；而在传感数据和指令数据等频度高但数据量较小的传输场景中，对传输手段的吞吐量要求则相对较低，但对时延敏感。与此同时，蓝牙技术不同的连接参数配置在数据传输速率、功耗、传输距离等方面具有不同的特点。因此，对于异构的iot设备和服务，如何基于网络流量模式调整网关的连接参数配置，成为服务质量保证的关键所在。

现有的网络流量预测分为线性预测和非线性预测。线性预测的方法如自回归移动平均模型(auto-regressiveintegratedmovingaveragemodel，arima)应用广泛，但是arima的理论前提是网络流量具有线性宽平稳过程特征，而网络流量在不同的时间频率尺度上具有多尺度特征，并且具有多构性、自相似特性，因此使用arima模型无法准确地描述出网络的全部特征。此外，现有的网络流量预测研究集中在大时间粒度(天、周、月等)上的自回归特性，对于以秒级为单位的蓝牙连接参数配置等实时方法缺少有效的网络流量预测方法。

技术实现要素：

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种预测精度度高，计算量小，方便实施的面向蓝牙网关的流量预测方法及装置。

为解决上述技术问题，本发明提出的技术方案为：一种面向蓝牙网关的流量预测方法，包括如下步骤：

s1.采集获取网络流量数据序列，根据所述网络流量数据序列构建一个以上具有不同的预设时间粒度的粒度流量序列；

s2.通过预先构建好的与所述预设时间粒度相对应的预测模型分别对与之对应的粒度流量序列进行预测，得到不同时间粒度下的粒度预测值；

s3.所述不同时间粒度下的粒度预测值作为预设的神经网络模型的输入，通过所述神经网络模型分析得到最终预测流量值。

进一步地，步骤s1中以预设的频率采集获取网络流量数据，得到网络流量数据序列。

进一步地，步骤s1中所述粒度流量序列为将所述网络流量数据序列按照预设时间粒度进行划分，以每个预设时间粒度内的网络流量序列为该时间粒度内的粒度流量序列。

进一步地，所述预设时间粒度包括秒级时间粒度、分级时间粒度和小时级时间粒度。

进一步地，步骤s2中，与所述秒级时间粒度对应的预测模型为arima模型(autoregressiveintegratedmovingaveragemodel，自回归积分滑动平均模型)，与所述分级时间粒度对应的预测模型为ma模型(movingaveragemodel，滑动平均模型)，与所述小时级时间粒度对应的预测模型为es模型。

进一步地，所述arima模型如式(1)所示：

式(1)中，et为时隙t的随机误差项，yt为时隙t的网络流量数据，b为由byt＝yt-1所定义的后移算子，为由所定义的差分算子，d为差分的阶数，φ(b)为arima模型中ar的r阶算子，θ(b)为arima模型中ma的s阶算子。

进一步地，所述ma模型如式(2)所示：

式(2)中，为粒度预测值，yt，yt-1，yt-2，…，yt-k+1分别为该时间粒度内的网络流量数据，k为该时间粒度内网络流量数据的数据个数。

进一步地，所述es模型如式(3)所示：

式(3)中，ht，ht-1分别为平滑后的值，其下标为时隙参数，α为针对已知值的平滑常数，0≤α≤1，γ为针对趋势估计的平滑常数，0≤γ≤1，bt，bt-1为趋势估计，其下标为时隙参数，p为待预测周期，为对待预测周期进行预测得到的粒度预测值。

进一步地，所述预测的神经网络模型是根据预先采集的训练集，并采用反向传播算法进行迭代训练后得到的神经网络模型。

一种面向蓝牙网关的流量预测装置，包括处理器和存储器，所述处理器用于运行所述存储器上所存储的程序代码，所述存储器上存储有被执行时可实现如上任一项所述流量预测方法的程序。

与现有技术相比，本发明的优点在于：本发明通过合理的设置不同的时间粒度，综合考虑不同的时间粒度上网络流量所体现的不同特征，预测精度高，同时，算法较为简单，计算量小，功耗低，便于实施。

附图说明

图1为本发明具体实施例流程示意图。

图2为本发明具体实施例不同时间粒度的粒度流量序列示意图。

图3为本发明具体实施例预测模型示意图。

图4为本发明具体实施例神经网络模型示意图。

具体实施方式

以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。

如图1所示，本实施例的面向蓝牙网关的流量预测方法，步骤为：s1.采集获取网络流量数据序列，根据所述网络流量数据序列构建一个以上具有不同的预设时间粒度的粒度流量序列；s2.通过预先构建好的与所述预设时间粒度相对应的预测模型分别对与之对应的粒度流量序列进行预测，得到不同时间粒度下的粒度预测值；s3.所述不同时间粒度下的粒度预测值作为预设的神经网络模型的输入，通过所述神经网络模型分析得到最终预测流量值。

在本实施例中，步骤s1中以预设的频率采集获取网络流量数据，得到网络流量数据序列。步骤s1中所述粒度流量序列为将所述网络流量数据序列按照预设时间粒度进行划分，以每个预设时间粒度内的网络流量序列为该时间粒度内的粒度流量序列。所述预设时间粒度包括秒级时间粒度、分级时间粒度和小时级时间粒度。

在本实施例中，如图2所示，横坐标为时间轴，时间轴上的刻度的高低表示每个采样时刻点所采集获取的网络流量数据，设采样周期为1秒，即每1秒采样1次得到1个流量数据，则时间轴上全部刻度对应的流量数据就构成流量序列。在本实施例中，所述预设时间粒度包括秒级时间粒度、分级时间粒度和小时级时间粒度。特别地，在本实施例中，秒级时间粒度为5秒，当然也可以为其它值，如10秒、20秒等等；分级时间粒度为1分钟，当然也可以为其它值，如2分钟、5分钟、10分钟等等；小时级时间粒度为1小时，当然也可以为其它值，如2小时、5小时等等。

在本实施例中，如图2所示，设当前时刻为t，则秒级时间粒度对应的粒度流量序列即t时刻起，前[1，5]秒内对应时刻的历史流量值，即t1至t5对应时刻的历史流量值，表示为：s3(t)＝{q(t-5)，q(t-4)，…，q(t-1)}；则分级时间粒度对应的粒度流量序列即从t时刻起，前1秒至前1分种内对应时刻的历史流量值，即t1至t60对应时刻的历史流量值；则小时级时间粒度对应的粒度流量序列即从t时刻起，前1秒至前1小时内对应时刻的历史流量值，即t1至t3600对应时刻的历史流量值。

在本实施例中，步骤s2中，与所述秒级时间粒度对应的预测模型为arima模型(autoregressiveintegratedmovingaveragemodel，自回归积分滑动平均模型)，与所述分级时间粒度对应的预测模型为ma模型(movingaveragemodel，滑动平均模型)，与所述小时级时间粒度对应的预测模型为es模型。

在本实施例中，所述arima模型如式(1)所示：

式(1)中，et为时隙t的随机误差项，yt为时隙t的网络流量数据，b为由byt＝yt-1所定义的后移算子，为由所定义的差分算子，d为差分的阶数，φ(b)为arima模型中ar的r阶算子，θ(b)为arima模型中ma的s阶算子。

具体地，arima模型中ar的r阶算子φ(b)表示为：φ(b)＝1-φ1b-φ2b-…-φrb^r，其中，φi(i＝1，2，…，r)是ar系数；arima模型中ma的s阶算子θ(b)表示为θ(b)＝1-θ1b-θ2b-…-θsb^s，其中，θi(i＝1，2，…，s)是ma系数。

在本实施例中，确定回归参数r和平滑参数s是arima模型建模的关键。arima(r，d，s)模型的定阶依据自相关函数acf和偏自相关函数pacf绝对值的大小，从最低阶rima(1，1，1)模型开始递增尝试，并结合最小信息准则(aic)和具有相合性准则(sbc)的方法确定最适宜模型。

在本实施例中，所述ma模型如式(2)所示：

式(2)中，为粒度预测值，yt，yt-1，yt-2，…，yt-k+1分别为该时间粒度内的网络流量数据，k为该时间粒度内网络流量数据的数据个数。

在本实施例中，所述es模型如式(3)所示：

式(3)中，ht，ht-1分别为平滑后的值，其下标为时隙参数，α为针对已知值的平滑常数，0≤α≤1，γ为针对趋势估计的平滑常数，0≤γ≤1，bt，bt-1为趋势估计，其下标为时隙参数，p为待预测周期，为对待预测周期进行预测得到的粒度预测值。式(3)中的权值可通过最小化mse(均方误差，meansquareerror)进行选择。

在本实施例中，神经网络模型如图4所示，所述预测的神经网络模型是根据预先采集的训练集，并采用反向传播算法进行迭代训练后得到的神经网络模型。

在本实施例中，通过上述式(1)、式(2)和式(3)可以分别得到对应时间粒度下的粒度预测值通过神经网络模型对上述三个不同粒度下的粒度预测值进行综合，即可得到最终预测流量值。神经网络模型的预测可表示为如式其中，运算f(.)为由训练得到的神经网络模型，本实施例中为一个非线性的神经网络模型。

在本实施例中，通过使用bp神经网络对上述阶段三个单独模型预测的粒度预测值进行整合，利用bp网络强大的函数逼近功能拟合数，减小由于单个模型预测造成的误差，输出最后的预测结果。神经网络模型包括：由三个神经元组成的输入层，由n1个神经元组成的隐藏层，以及含一个神经元的输出层。神经网络模型将输入矢量映射成输出矢量在训练及学习阶段，神经网络的权值基于训练集及反向传播算法进行迭代，以最小化预测值与实际测量值之间的偏差。

本实施例的面向蓝牙网关的流量预测装置，包括处理器和存储器，所述处理器用于运行所述存储器上所存储的程序代码，所述存储器上存储有被执行时可实现如上任一项所述流量预测方法的程序。

上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。