本发明涉及网络流量预测技术领域,特别是涉及一种确定无线网格网络流量的方法。
背景技术:
近些年,伴随着物联网、车联网和时间敏感网络的发展,无线网格网络(无线mesh网络)得到了广泛的应用,成为目前无线网络应用的支撑技术。无线mesh网络仍然采用与传统的服务供应(英文全称internetserviceprovider,简称isp)网络相似的通信协议族。对于物联网、车联网等应用场景,相比于传统的isp网络,其特点不仅仅在于物理层和数据链路层的差别,更主要在于网络拓扑结构的差别。也就是说,传统isp网络的拓扑结构相对比较固定,而无线mesh网络中节点随机接入或离开网络,网络拓扑结构变化频繁,这给组网技术的可扩展性提出了严格的要求。
网络流量预测技术是网络规划等网络管理功能的基础和参考依据,是决定网络可扩展性的重要因素之一。随着无线mesh网络的不断发展,面向无线mesh网络的网络流量预测技术得到了广泛的关注。
经过近20年的探索和发展,面向传统isp网络的流量预测技术发展比较成熟,研究人员通过分析和建模网络流量的空间、时间和空-时特征来实现网络流量预测。然而,对于无线mesh网络,其网络流量呈现出更多的突发特征,这显著增加了流量预测的难度。面向传统isp网络的流量预测方法主要建模网络流量的低频特征,从而预测网络流量的变化趋势。而无线mesh网络具有较多的高频分量,因此传统的统计模型很难对无线mesh网络的流量进行精确预测。
技术实现要素:
本发明的目的是提供一种确定无线网格网络流量的方法和系统,能够对网络流量进行精确预测,且具有预测难度低的特点。
为实现上述目的,本发明提供了如下方案:
一种确定无线网格网络流量的方法,包括:
构建深度信念网络模型;所述深度信念网络模型是以零均值网络流量值的低频分量为输入,以网络流量的低频预测值为输出的神经网络模型;
采集待检测无线网格网络的端到端流量,并将所述端到端流量作为第一网络流量的先验测量值;
对所述第一网络流量的先验测量值进行零均值处理,得到第一零均值网络流量值;
采用离散小波变换法,将所述第一零均值网络流量值分解为低频分量和高频分量;
将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型,获得网络流量的低频预测值;
采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量,获得网络流量的高频预测值;
将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换,获得所述端到端流量的预测值;所述端到端流量的预测值即为待检测无线网格网络的流量值。
可选的,所述构建深度信念网络模型之前,还包括:
采集无线网格网络的端到端流量,并将所述端到端流量作为第二网络流量的先验测量值;
对所述第二网络流量的先验测量值进行零均值处理,得到第二零均值网络流量值;
获取所述第二零均值网络流量值的低频分量,并将所获得的低频分量作为训练集;
选取所述训练集中符合预设条件的低频分量,对所述深度信念网络进行优化训练。
可选的,所述采用空-时压缩感知技术预测所述高频分量,获得高频网络流量预测值,包括:
将所述高频分量转换为矩阵,得到高频分量转换矩阵;
获取所述高频分量转换矩阵的预测值,所述预测值的初始值为设定值;
将所述预测值的初始值代入
将所述新的预测值代入公式
其中,||·||f表示范数,λ为正则化系数,d′为高频分量的转换矩阵,
可选的,所述端到端流量的预测值为:
式中,
可选的,所述零均值网络流量值为:
式中,xp,q(t)为零均值网络流量值,
一种确定无线网格网络流量的系统,包括:
网络模型构建模块,用于构建深度信念网络模型;所述深度信念网络模型是以零均值网络流量值的低频分量为输入,以网络流量的低频预测值为输出的神经网络模型;
第一端到端流量采集模块,用于采集待检测无线网格网络的端到端流量,并将所述端到端流量作为第一网络流量的先验测量值;
第一零均值处理模块,用于对所述第一网络流量的先验测量值进行零均值处理,得到第一零均值网络流量值;
第一零均值网络流量分解模块,用于采用离散小波变换法,将所述第一零均值网络流量值分解为低频分量和高频分量;
低频网络流量预测模块,用于将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型,获得网络流量的低频预测值;
高频网络流量预测模块,用于采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量,获得网络流量的高频预测值;
流量获取模块,用于将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换,获得所述端到端流量的预测值;所述端到端流量的预测值即为待检测无线网格网络的流量值。
可选的,所述系统还包括:
第二端到端流量采集模块,用于采集无线网格网络的端到端流量,并将所述端到端流量作为第二网络流量的先验测量值;
第二零均值处理模块,用于对所述第二网络流量的先验测量值进行零均值处理,得到第二零均值网络流量值;
训练集获取模块,用于获取所述第二零均值网络流量值的低频分量,并将所获得的低频分量作为训练集;
优化训练模块,用于选取所述训练集中符合预设条件的低频分量,对所述深度信念网络进行优化训练。
可选的,所述高频网络流量预测模块包括:
矩阵转换单元,用于将所述高频分量转换为矩阵,得到高频分量转换矩阵;
初始值设定单元,用于设定一个所述高频分量转换矩阵预测值的初始值;
预测值获取单元,用于获取所述高频分量转换矩阵的预测值,所述预测值的初始值为设定值;
所述预测值获取单元,还用于将所述预测值的初始值代入
其中,||·||f表示范数,λ为正则化系数,d′为高频分量的转换矩阵,
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的一种确定无线网格网络流量的方法和系统,通过采用“分而治之”的方法对所获得的低频分量和高频分量采用不同的预测方法进行预测,并对预测得到的低频网络流量预测值和高频网络流量预测值进行离散小波变换,获得待预测网络流量的预测值,这就能够提高网络流量的预测精度。并且,在预测过程中,采用深度信念网络模型对低频分量进行预测,采用空-时压缩感知技术对高频分量进行预测,这进一步能够降低网络流量预测的难度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的预测无线网格网络流量方法的流程图;
图2为本发明实施例所采用的haar小波波形图;
图3为本发明实施例所采用的深度网络信念结构示意图;
图4为本发明实施例所采用的rbm结构图;
图5为深度网络信念堆叠结构图;
图6为采用本发明所提供的预测方法预测网络流量的预测值与真实的网络流量值进行比较的结果图;
图7为采用主成分分析(principalcomponentsanalysis,pca)方法的预测值与真实的网络流量值进行比较的结果图;
图8为采用重力模型(tomogravity)方法的预测值与真实的网络流量值进行比较的结果图;
图9为采用稀疏正则化矩阵(sparsityregularizedmatrixfactorization,srmf)方法的预测值与真实的网络流量值进行比较的结果图;
图10为本发明所提供的预测无线网格网络流量的方法角现有预测方法的改进率结果分布图;
图11为为本发明所提供的预测无线网格网络流量系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种确定无线网格网络流量的方法和系统,能够对网络流量进行精确预测,且具有预测难度低的特点。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例所提供的预测无线网格网络流量方法的流程图,如图1所示,一种确定无线网格网络流量的方法,包括:
s100、构建深度信念网络模型;所述深度信念网络模型是以零均值网络流量值的低频分量为输入,以网络流量的低频预测值为输出的神经网络模型;
s101、采集待检测无线网格网络的端到端流量,并将所述端到端流量作为第一网络流量的先验测量值;
s102、对所述第一网络流量的先验测量值进行零均值处理,得到第一零均值网络流量值;
s103、采用离散小波变换法,将所述第一零均值网络流量值分解为低频分量和高频分量;
s104、将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型,获得网络流量的低频预测值;
s105、采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量,获得网络流量的高频预测值;
s106、将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换,获得所述端到端流量的预测值;所述端到端流量的预测值即为待检测无线网格网络的流量值。
在s101中,通过路由器来采集t/2个时刻的端到端网络流量(从源节点p到目的节点q的流量)数据作为先验测量值,表示为
在s102中,零均值处理可有效提高网络流量预测的准确性,因此本发明采用零均值处理对网络流量先验测量值进行预处理,零均值处理后的第一零均值网络流量值xp,q(t)。零均值处理公式为:
式中,xp,q(t)为零均值网络流量值,
本发明中采用haar小波,波形图如图2所示。此时,在采用小波变换方法获取当前网络的流量值的过程中,尺度系数和小波系数分别为网络流量先验测量值的低频分量和高频分量,即为低频分量先验测量值和高频分量先验测量值。本发明所采用的离散小波变换公式如下:
其中,cn,p,q和dn,p,q分别称为尺度系数和小波系数,φn(t)和ψn(t)分别为尺度函数和小波函数。
本发明所构建的深度信念网络如图3所示,其包含m个隐含层,每个隐含层包括t/2个神经元,每个神经元采用实值函数;输出层为一个单一神经元的逻辑回归架构。
深度信念网络是一种常用的深度学习架构,它由多个受限玻尔兹曼机(restrictedboltzmannmachine,rbm)堆叠而成。rbm结构如图4所示,rbm是一个无向图模型,包括可视层(visiblelayer)和隐含层(hiddenlayer)。两层间的单元通过无向边连接,而同一层之间的单元无连接。深度信念网络(dbn)结构如图5所示,图5为两个rbm组成的一个dbn,也就是说上一层rbm的可视层为下一层rbm的隐含层。
本发明中,可视层单元用向量v=(v1,v2,...,vi)表示,隐含层单元用向量h=(h1,h2,...,hj)表示,其中i和j分别为可视层和隐含层单元数量。在rbm中,定义了一个联合概率分布函数
其中,e(v,h)称为能量函数(energyfunction)。能量函数的表达式视可视层概率分布而异。一般来说,可视层可为gaussian分布或bernoulli分布,隐含层为bernoulli分布。当可视层和隐含层分别为gaussian分布和bernoulli分布时,能量函数为:
其中,bi和aj分别为可视层和隐含层偏差(bias),wi,j为可视单元i和隐含单元j之间的对称权重。当可视层和隐含层均为bernoulli分布时,能量函数的表达式定义为:
根据以上定义,当可视层为gaussian分布或bernoulli分布时,隐含层条件概率为
其中,sigm(z)=exp(z)/(1+exp(z))为sigmoid函数。相应地,如果可视层为gaussian分布或bernoulli分布时,则可视层条件概率分别为
其中,
本发明采用k个训练集
本发明采用反向传播算法训练所设计的深度信念网络,在反向传播算法中,rbm参数的更新通过
在计算公式(10)的第二项时,即
步骤b:将测试数据集的获得的低频分量作为训练后的深度信念网络的输入端,进行前向传输获得低频分量的估计值。
训练后的深度信念网络,能够拟合端到端网络流量的低频分量的先验测量值与预测值之间的函数关系,因此当把测试数据集的低频分量作为输入数据时,就会得到相应的低频分量预测值。假设当前的网络流量(即测试数据集)为x′,其为n2×(t/2)的矩阵,其中n为网络节点的数量。考虑x′中的每一个源-目的流(od流)x′p,q(t),则根据公式(2)可获得低频分量c′p,q和高频分量d′p,q,将c′p,q作为深度信念网络的输入来进行前向传输,即可得到估计值
再采用空-时压缩感知技术预测所述高频分量d′p,q,获得高频网络流量预测值。具体包括:
将高频分量d′p,q转换为矩阵,得到高频分量转换矩阵;
获取所述高频分量转换矩阵的预测值,所述预测值的初始值为设定值;
将所述预测值的初始值代入
将所述新的预测值代入公式
其中,||·||f表示范数,λ为正则化系数,d′为高频分量的转换矩阵,
通过采用上述方法所预测得到的端到端流量的预测值为:
式中,
下面,采用美国abilene骨干网对本发明所提供方法的有效性进行验证。abilene骨干网包含12个节点,30条内链路,24条外链路,144条端到端流量,仿真数据采用5min时间间隔,共计2016个时刻。本发明首先通过路由器来采集400个时刻的端到端网络流量数据作为第二先验测量值,表示为
在对所构建的神经网络模型进行训练的过程中,所使用的的深度信念网络模型,包含8个隐含层,每个隐含层包括400个神经元,每个神经元采用实值函数;输出层为一个单一神经元的逻辑回归架构。
在网络流量预测中,零均值处理可有效提高网络流量预测的准确性,因此本发明采用零均值处理对网络流量先验测量值进行预处理,零均值处理后的端到端网络流量为第二零均值网络流量值xp,q(t)。
网络管理中心通过离散小波变换将第二零均值网络流量值xp,q(t)分解成低频分量和高频分量。
获取所述第二零均值网络流量值的低频分量,并将所获得的低频分量作为训练集;
选取所述训练集中符合预设条件的低频分量,对所述深度信念网络进行优化训练。
本发明采用600个训练集
步骤b:将测试数据集的获得的低频分量作为深度信念网络的输入端,进行前向传输获得低频分量的估计值。
假设当前的网络流量(即测试数据集)为x′,其为144×400的矩阵,其中n为网络节点的数量。考虑x′中的每一个源-目的流(od流)x′p,q(t),则根据公式(2)可获得低频分量c′p,q和高频分量d′p,q,将c′p,q作为深度信念网络的输入来进行前向传输,即可得到估计值
通过采用上述方法所预测得到的端到端流量的预测值为:
式中,
图6-9给出了本发明所提供的dbnstcs方法(用dbnstcs代替本发明所提供的预测方法)、pca方法、tomogravity方法和srmf方法的估计偏差,可以看出pca方法误差较大,尤其是较小的流量误差比较明显。dbnstcs方法估计误差较小,srmf方法和tomogravity方法估计误差介于dbnstcs方法和pca方法之间。图10展示了dbnstcs方法相对于其他三种方法的误差改进率,其相对于pca方法、tomogravity方法和srmf方法的误差改进率分别为75%、22%和30%。
此外,本发明还提供了一种确定无线网格网络流量的系统。如图11所示,所述系统包括:网络模型构建模块1、第一端到端流量采集模块2、第一零均值处理模块3、第一零均值网络流量分解模块4、低频网络流量预测模块5、高频网络流量预测模块6和流量获取模块7。
其中,网络模型构建模块1构建深度信念网络模型;所述深度信念网络模型是以零均值网络流量值的低频分量为输入,以网络流量的低频预测值为输出的神经网络模型。第一端到端流量采集模块2采集待检测无线网格网络的端到端流量,并将所述端到端流量作为第一网络流量的先验测量值。第一零均值处理模块3对所述第一网络流量的先验测量值进行零均值处理,得到第一零均值网络流量值。第一零均值网络流量分解模块4采用离散小波变换法,将所述第一零均值网络流量值分解为低频分量和高频分量。低频网络流量预测模块5将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型,获得网络流量的低频预测值。高频网络流量预测模块6采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量,获得网络流量的高频预测值。流量获取模块7将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换,获得所述端到端流量的预测值;所述端到端流量的预测值即为待检测无线网格网络的流量值。
为了对所构建的深度信念网络模型进行优化训练,所述系统还包括:第二端到端流量采集模块、第二零均值处理模块、训练集获取模块和优化训练模块。
其中,第二端到端流量采集模块采集无线网格网络的端到端流量,并将所述端到端流量作为第二网络流量的先验测量值。第二零均值处理模块对所述第二网络流量的先验测量值进行零均值处理,得到第二零均值网络流量值。训练集获取模块获取所述第二零均值网络流量值的低频分量,并将所获得的低频分量作为训练集。优化训练模块选取所述训练集中符合预设条件的低频分量,对所述深度信念网络进行优化训练。
其中,高频网络流量预测模块还可以包括:矩阵转换单元、初始值设定单元和预测值获取单元。
矩阵转换单元将所述高频分量转换为矩阵,得到高频分量转换矩阵。初始值设定单元设定一个所述高频分量转换矩阵预测值的初始值。预测值获取单元获取所述高频分量转换矩阵的预测值,所述预测值的初始值为设定值,将所述预测值的初始值代入
其中,||·||f表示范数,λ为正则化系数,d′为高频分量的转换矩阵,
本发明提供的一种确定无线网格网络流量的方法和系统,通过采用“分而治之”的方法对所获得的低频分量和高频分量采用不同的预测方法进行预测,并对预测得到的低频网络流量预测值和高频网络流量预测值进行离散小波变换,获得待预测网络流量的预测值,这就能够提高网络流量的预测精度。并且,在预测过程中,采用深度信念网络模型对低频分量进行预测,采用空-时压缩感知技术对高频分量进行预测,这进一步能够降低网络流量预测的难度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。