一种基于rbf的城域数据网流量测算方法
【技术领域】
[0001 ]本发明涉及到城域数据网领域，提出一种基于径向基函数(RBF，Radical Basis Funct i on)神经网络的的城域数据网流量测算方法。
【背景技术】
[0002] 作为运营商重要的数据网络，城域网承担着互联网在城域范围内的延伸功能，并 提供基于IP的各种业务处理能力，如家庭宽带业务、WLAN、IDC业务、虚拟专线/专网业务、 IPTV、頂S和VoIP等。国内外研究发现，网络环境中大多存在自相似通信流量。为了使带宽有 效利用，保证网络所承受的流量不超过实际运载能力，需要抽取网络流量的特征参数，建立 可靠的模型，并利用仿真实验来模拟实际流量。
[0003] 在实际的运营管理中，对网络链路带宽的设计一般采用冗余法，即提供富余的带 宽，由于无法掌握流量的分布规律，运营商通常以链路实测流量均值的线性算法设计带宽。 这种方法简单易行，不需要复杂的模型，主要缺点为:一、提供的冗余带宽过多，浪费网络带 宽资源;二、尽管有带宽冗余，但峰值期间的流量突增可能会产生网络瞬间拥塞。
[0004] 神经网络旨在探索模拟人脑神经系统功能，按照规则通过矩阵的迭代变换实现， 可以处理非线性关系，可以学习某一种规则或规律。网络的学习过程就是神经元连接权值 的调整过程，待网络各层权值都收敛到一定值，学习过程结束。基函数属于前馈神经网络， 由Powell于1985年提出。常见的为RBF三层网络:第一层为输入层，由信号源结点组成;第二 层为隐含层，隐层节点数视问题需要而确定，隐层神经元的变换函数即径向基函数是对中 心点径向对称且衰减的非负非线性函数，是局部响应函数;第三层为输出层。RBF网络能够 逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，收敛 速度快，能够从现有数据特征中获取复杂的映射关系，通过模型学习城域网流量规律。
【发明内容】
[0005] 本发明提出一种基于RBF神经网络测算城域网流量的方法。
[0006] 本发明提出一种新的城域数据网流量测试方法，建立基于RBF神经网络的模型，相 对于运营商常用的线性算法，本发明占用带宽更低，精度更高，更贴合实际应用。
[0007] 步骤1，取样：以a天为周期，从现有城域网设备中采集一个区域f时段的入流量作 为输入样本L，将接下a+Ι~2a天该区域f时段的入流量作为输出样本H;
[0008] 步骤2,预处理:将输入样本L进行小波分解，对输入样本L中的低频分量加矩形窗 函数后重构，得到输入样本L的近似值L' ；
[0009] 步骤3，建模:将L'作为训练网络模型的输入，Η作为训练网络模型的输出，采用K-均值聚类方法，学习后得到训练好的网络模型；
[0010] 步骤4,对输出样本Η进行小波分解后的低频分量加矩形窗函数，重构之后得到其 近似值Η'，保持步骤3的网络参数(权值、训练次数和训练步长)不变，将Η'作为输入，输出则 为预测值Τ，Τ为2a+l~3a天该区域f时段的入流量预测值。
[0011] 其中，步骤2包括如下步骤：
[0012]步骤2-1，设输入样本L为原始输入信号，通过两个互补的滤波器组，其中一个滤波 器为低通滤波器h，通过该低通滤波器得到原始输入信号的近似值A，另一个滤波器为高通 滤波器g，通过该高通滤波器得到原始输入信号的细节值D;近似值A表示原始输入信号的低 频分量，细节值D表示原始输入信号的高频分量；
[0013] 步骤2-2,对低频分量A进一步分解，设％表示分解中的低频分量A的第j个函数子 空间，W」表示分解中的高频分量D的第j个函数子空间，小波分解的过程定义为用函数子空 间序列Vj和Wj来表不函数空间L 2(R)，则Wj表不Vj在Vj+ι中的正交补，即：
[0014] 匕.+1=匕?%，（1)
[0015] 其中，」=1，2，一，1~表示分解尺度的总数，取值为自然数，％+1表示％的下一个函 数子空间，W」包含的是信号函数SEL 2(R)的细节值，则7^』％=^^)，1?表示实数域；
[0016] 步骤2-3,对于上任意的信号函数SeVn，采用如下公式(2)和(3)的分解方法 得到公式(4):
[0017] ····= 十％r-,十…十(2)
[0018] 公式(2)中，Vo表示分解尺度为0的低频子空间，VN表示分解尺度为N的低频子空间， WN表示分解尺度为N的高频子空间。
[0019]
[0020] 公式(3)中，An表示原始输入信号的分解尺度为N时对应的近似值，Dn表示原始输入 信号的分解尺度为N时对应的细节值，N为分解尺度的总数，i取值1~N;当N = 0时，即L的分 解尺度为〇，S等于原始输入信号L;当N= 1时，SiAi+Di，即分解为一个低频分量和一个高频 分量之和；
[0021] 则得到如下公式(4):
[0022]
[0023] 公式⑷中，Aj,k表示大小为jXk的低频分量，Dj,k表示大小为jXk的高频分量;k表 示时间位移，取值范围为整数集合Z;S(t)表示时域上的原始输入信号，t表示时间序列，取 值为正整数；尺度函勠
，小波母函数&= 并且也 (t)具有1阶消失矩，1 = 1，2,……，N，小波母函数至少有一阶消失矩；
[0024] 再采用公式(5)的双尺度方程得到小波分解方法：
[0025]
[0026] A川,i为紅適过低通滤波器h后得到第j+Ι层的低频分量，D川,i为紅k通过高通滤 波器g后得到第j+Ι层的高频分量。
[0027]采用公式(5)将上的信号函数S分解为其函数子空间％和^的投影，即分解为一 个低频分量和一个高频分量之和，采用公式(6)得到信号的重构算法，即由函数子空间Vj上 的一个低频分量和Wj上的一个高频分量重构出上的信号函数S，
[0028]
[0029]整个小波分解和重构的过程称为Mallat算法，通过小波分解的低频分量和高频分 量分别重构出原始输入信号的近似值和细节值；
[0030] 步骤2-4,用窗函数E(r)与输入样本L的低频分量相乘，形成加窗信号，其中E(r)取 矩形窗函数，定义为玢Ο = S 1，然后重构出输入样本L的近似值L '。 1〇,其他
[0031] 将L'作为训练网络模型的输入，Η作为训练网络模型的输出，设置训练网络模型， 设置径向基函数RBF(Radical Basis Function)的三层结构，即输入层、隐含层和输出层， 各层神经元数目依次是m、p、mi，输入样本向量为= ，:输出样本向量为 r = (6Λ，?，……，.?)，该模型实现由I二(?，％·····i，?1)到输出）/：^.l' 1办·…·的 映射，对于每个输出节点…，叫），满足如下公式：
[0032]
[0033] 其中\?表示m个隐含层到第j:个输出层的权值矩阵，i:取值1~m，$表示径向基 函数的中心，G( ·)是一类非线性径向对称基函数，U · | |表示距中心的距离，采用高斯函 数得到训练网络模型为：
[0034]
[0035]其中，径向基函数的中心Ci和基函数宽度〇是径向基函数需要学习的参数。对于这 两个参数，常用的学习算法有四种：随机选取中心法，自组织选取中心法，正交最小二乘法 和有监督选取中心法。本发明采用自组织选取中心法，得到最终的训练网络模型。
[0036] 有益效果：目前城域网硬件设备都有相应的质量监控系统，可以轻易地从设备端 口取得流量采样数据，通过对样本进行拟合，就能够预测新数据。本发明对预测模型进行了 客观评价，表明该模型可以预测一定时期内城域网流量的变化，尤其在预测短时大流量数 据方面，比目前主流的线性算法占用带宽更低，精度更高。
[0037] 采用本发明对城域网预测得到的数据能够与实际值较好地吻合，与传统的运营商 算法性能对比结果见表1。
[0038] 表1两种算法对比结果
[0039]
[0040] 从表1可以看出，本发明比线性算法能够节约17.1 %的带宽资源，同时算法复杂度 增