[0057] 式中，Q表示一般一致性指标，表示平均随机一致性指标，当CR〈0. 1时，可以认 为该判断矩阵C达到了满意的一致性，当CR^ 0. 1时，应该对判断矩阵做出适当的修改，直 至满足CR〈0. 1的条件；通过查表可知，当n= 5时，RI= 1. 12,则
[0058]
[0059] 此时CR〈0.1，满足一致性的要求，就此可以得出WLAN网络负载评价体系各个指标 的权重，结果如表2所示。
[0060]表2
[0061]
[0062] 步骤4、运用模糊综合评价法确定样本数据的网络负载评价值与负载评价等级，具 体包括以下子步骤：
[0063] 步骤（a)、将WLAN网络负载分成高负载、均衡、低负载三种状态，并以此建立相应 的评价等级集V和相对应的得分向量c;
[0064] V = {vj, v2, v3}
[0065] c = (1, 0. 6, 0. 2)
[0066] 其中：Vl表示高负载状态的评价等级，与之相对应的得分向量为1，v2表示均衡状 态的评价等级，与之相对应的得分向量为〇. 6, ^表示低负载状态的评价等级集，与之相对 应的得分向量为0.2 ;
[0067] 步骤（b)、明确隶属度矩阵R，根据专家意见，建立学习样本的模糊关系矩阵，求得 学习样本的评价值与评价等级之间的隶属关系。用专家打分的方法，对每一具体指标按照 高负载、均衡、低负载进行等级评价，建立隶属度矩阵R;
[0068] 步骤（c)、计算模糊综合评价结果向量F和模糊综合评价值y，模糊综合评价结果 向量F通过公式（3)计算，模糊综合评价值y通过公式（4)计算
[0069]F=AR (3)
[0070] 式中，F表示模糊综合评价向量，A表示指标的权重向量，R表示隶属度矩阵；
[0071]y=Fc (4)
[0072] 式中，y表示模糊综合评价值，F表示模糊综合评价向量，c表示负载评价等级对应 的得分向量。经计算得出的样本模糊综合评价向量和负载值如表3所示；
[0073]表 3
[0074]
[0076] 步骤（d)、确定模糊综合评价等级，负载评价值与负载等级之间的对应关系如表4 所示；
[0077]表4
[0078]
[0079]一~步骤5、机器学习算法支持向量机模型训练，获得网络负载自动评价模型，具体包 括以下子步骤：
[0080] 步骤（a)、确定输入输出，以30组样本数据作为训练集输入矩阵X，经过模糊层次 分析法确定样本负载值作为训练集的输出矩阵Y;
[0081] 步骤（b)、数据归一化处理；
[0082] 为了防止大数量级数据对小数量级数据的掩盖，需要对训练集输入进行归一化处 理，按照公式（5)处理，使输入值都介于[-1，1]之间
[0083]
[0084]式中，x为输入指标值，x_表示输入训练集的最大值，x_表示输入训练集的最小 值，Y为归一化后的输出矩阵，ymax= 1，ymin= -1 ;
[0085] 步骤（c)、确定核函数以及SVM模型最优参数，选用RBF核函数 八'（夂.)」= 运用网格搜索算法寻找最优参数，获得SVM最佳参数（惩罚因子C和 核参数 丫）为C= 4. 0,y= 0? 0825 ;
[0086] 步骤（d)、输出最佳参数，获得SVM模型，输出WLAN网络负载评价模型；
[0087] 步骤6、WLAN网络负载评价模型根据输入的实时WLAN网络性能数据，输出该时刻 网络对应的负载值与负载等级。
[0088] 为了验证模型的有效性与可靠性，现选取10组测试数据进行模型的验证，以专家 给出的负载评价值为标准，分别计算本文的负载评价模型和另一种机器学习算法一一BP神 经网络模型的负载预测值，三者负载评价值如表5所示。
[0089] 表 5
[0090]
[0091] 为了有效比较后两者的预测精度，现选取以下四个模型评价标准来进行模型的评 价，分别为：均相对误差（MRE)、均方根误差（RMSE)、模型训练时间、模型预测时间，模型的 比较结果如表6所不。
[0092] 两种机器学习评价模型的预测结果与专家给出的负载评价值对比图如图2所示。 由图2以及表6可以看出，BP神经网络模型的预测值平均相对误差比较大，已经超过了 10%，SVM模型的预测值相对误差小，说明该模型的负载评价预测值精确。总体来看，支持向 量机模型有更高的预测精度、更短的预测时间，整体评价效果强于BP神经网络学习方法。
[0093] 表 6
[0094]
[0095] 本发明优点在于：一种基于FAHP-SVM理论的WLAN网络负载综合评价方法既充分 利用了专家知识，又不依赖于某个具体的专家意见，使得评估结果准确客观。该发明方法综 合各方面的不同性能指标，能够较全面地评估WLAN网络性能质量，可以指导运营商网络优 化部门有效地进行WLAN网络优化和负载均衡。另外，该发明方法通过运用机器学习经典算 法SVM实现了对WLAN网络负载的自动评价，大大降低了人工成本和时间成本。
【主权项】
1. 一种基于FAHP-SVM理论的WLAN网络负载综合评价方法，其特征在于包括W下步 骤： 步骤1、构建WLAN网络负载综合评价指标体系，该指标体系在综合了WLAN网络特点的 基础上，W可行性、代表性、综合性为指标挑选原则，选取CPU利用率、内存利用率、下挂AP 数、DHCP地址池利用率和关联用户数构成WLAN网络负载评价指标体系； 步骤2、选择机器学习算法的学习样本，为后续模型的自动评价奠定基础； 步骤3、采用层次分析法确定WLAN网络负载评价指标体系中各个指标的权重，根据专 家意见，构造出判断矩阵并W此求得权重向量，具体包括W下子步骤： 子步骤（a)、采用1-9比例标度法构造判断矩阵C= (Ci,)"xm; 子步骤化）、计算判断矩阵C的最大特征值Am。、及其对应的特征向量C= (XI，X2,…，X。)，将此特征向量进行归一化处理即可得到权重向量A= {曰1，曰2,…，a。}; 子步骤（C)、对判断矩阵C进行一致性检验，首先采用公式（1)计算一般一致性指标 〇1，(1) 式中，表示判断矩阵C的最大特征值，n表示判断矩阵的阶数；其次通过查表得到 平均随机一致性指标Ri，最后通过公式（2)计算判断矩阵C的一致性比率旬，(2)： 式中，Cl表示一般一致性指标，Ri表示平均随机一致性指标，当C/0.1时，可W认为该 判断矩阵C达到了满意的一致性，当旬>0.1时，应该对判断矩阵做出适当的修改，直至 满足Ck<0.1的条件； 步骤4、运用模糊综合评价法确定样本数据的网络负载评价值与负载评价等级，具体包 括W下子步骤： 子步骤（a)、将WLAN网络负载分成高负载、均衡、低负载S种状态，并W此建立相应的 评价等级集V和相对应的得分向量C; V= {Vi,V2,V3} C= (1,0.6, 0.2) 其中：Vi表示高负载状态的评价等级，与之相对应的得分向量为1，V2表示均衡状态的 评价等级，与之相对应的得分向量为0. 6,V3表示低负载状态的评价等级，与之相对应的得 分向量为0. 2 ; 子步骤化）、明确隶属度矩阵R，根据专家意见，建立学习样本的模糊关系矩阵，求得学 习样本的评价值与评价等级之间的隶属关系，用专家打分的方法，对每一具体指标按照高 负载、均衡、低负载进行等级评价，建立隶属度矩阵R; 子步骤（C)、计算模糊综合评价结果向量F和模糊综合评价值y，模糊综合评价结果向 量F通过公式（3)计算，模糊综合评价值y通过公式（4)计算， F=AR(3) 式中，F表示模糊综合评价向量，A表示指标权重向量，R表示隶属度矩阵； y=Fc (4) 式中，y表示模糊综合评价值，F表示模糊综合评价向量，c表示负载评价等级对应的得 分向量； 子步骤（d)、确定模糊综合评价等级； 步骤5、机器学习算法支持向量机模型训练，获得网络负载自动评价模型，具体包括W下子步骤： 子步骤（a)、确定输入输出； 子步骤化）、数据归一化处理； 为了防止大数量级数据对小数量级数据的掩盖，需要对训练集输入进行归一化处理， 按照公式（5)处理，使输入值都介于[-1，1]之间，(5) 式中，X为输入指标值，Xm。、表示输入训练集的最大值，Xmi。表示输入训练集的最小值，Y为归一化后的输出矩阵，yniM二1，ymi。二-1 ; 子步骤（C)、确定核函数W及SVM模型最优参数； 子步骤（d)、输出最佳参数，获得SVM模型，输出WLAN网络负载评价模型； 步骤6、WLAN网络负载评价模型根据输入的实时WLAN网络性能数据，输出该时刻网络 对应的负载值与负载等级。
【专利摘要】本发明涉及一种网络负载综合评价方法，一种基于FAHP-SVM理论的WLAN网络负载综合评价方法，包括以下步骤：1、构建WLAN网络负载综合评价指标体系，2、选择机器学习算法的学习样本，3、采用层次分析法确定WLAN网络负载评价指标体系中各个指标的权重，4、运用模糊综合评价法确定样本数据的网络负载评价值与负载评价等级，5、机器学习算法支持向量机模型训练，获得网络负载自动评价模型，6、WLAN网络负载评价模型根据输入的实时WLAN网络性能数据，输出该时刻网络对应的负载值与负载等级。本发明方法既充分利用了专家知识，又不依赖于某个具体的专家意见，使得评估结果准确客观。通过运用机器学习经典算法SVM实现了对WLAN网络性能的自动评价，大大降低了人工成本。
【IPC分类】H04L12/24
【公开号】CN105007170
【申请号】CN201510238101
【发明人】解永平, 单英瑞
【申请人】大连理工大学
【公开日】2015年10月28日
【申请日】2015年5月11日