一种基于隐马尔可夫的网络利用率感知方法
【专利摘要】本发明公开了一种基于隐马尔可夫的网络利用率感知方法，属于网络性能评估领域，具体为：首先，将某个计算机通信网络划分为W个小网络；通过测量某个小网络在某一时刻的网络总延时，对W个小网络分别建立W个隐马尔可夫HMM模型；然后，用统计量χ2来检验每个小网络中由隐状态序列构成的Markov链是否符合马氏性；当符合后，将每个HMM模型的显状态映射为隐状态；也就是根据每个小网络的网络总延时计算t时刻每个小网络的即时利用率，在分别进行量化，得到t时刻每个小网络的量化利用率；最后，按照小网络资产的重要性设定权重，得到总网络的量化利用率；优点在于：能够帮助网络管理员从宏观上掌握主机和网络的态势变化，进而分析出网络的即时利用率。
【专利说明】
-种基于隐马尔可夫的网络利用率感知方法
技术领域
[0001] 本发明属于网络性能评估领域，具体设及一种基于隐马尔可夫的网络利用率感知 方法。
【背景技术】
[0002] 随着个人上网设备的普及和移动蜂窝网与宽带无线接入网络的发展，各种各样网 络应用不断涌现，随之也带来了巨大的流量需求。多种网络业务流量的加入不仅影响了网 络的整体性能，同时还为网络管理和流量分配等带来了巨大的挑战。
[0003] 不同类型的业务需要不同的网络保障，因此，如何根据业务的类型为其分配最优 的网络来承载运个业务、实现网络性能的最优化成为亟待解决的问题。
[0004] 网络性能评估通过收集与分析当前网络的状态参数，能够获取对打种前网络性能 状况的准确感知，因此成为解决运一问题的关键技术。此外，在网络接入选择方面，由于现 有的用户设备大多具备多个网络接口，可W接入多种网络，通过网络性能评估可W得到附 近网络的性能评价结果，从而可W根据用户设备上所运行的业务类型，为用户选择一个最 佳的网络进行接入，提升用户的业务体验。
[0005] 在运种背景下，网络态势感知技术应运而生。自Endsl巧提出态势感知，并由Bass 等将态势感知的概念引入网络性能评估领域W来，态势评估技术也得到了长足的发展，国 外的学者往往选择从单一角度出发来获取态势要素，进行态势评估。如Grubesic等通过获 取网络的资产脆弱信息来评估网络的脆弱性态势；Thonnard等则通过honey net采集攻击 信息，通过攻击报警日志来评估网络的风险状况。而国内的学者往往选择从多个角度来综 合分析网络状况，如朱丽娜、陈锋等W网络报警信息为基础，结合提供的服务、主机的重要 性及网络系统结构，采用层次化的量化评估方法对网络进行态势评估。此外，通过借鉴其他 学科的思想，例如李涛通过生物学上的启发而来的基于免疫的网络风险检测方法，对后续 的研究都有不可忽视的借鉴作用。
[0006] 目前，人们无法直观地得到网络的利用率，唯一可见的是得到的各种时延，也就是 观察符号，只有通过时延才能推断出网络的即时利用率，而隐马尔可夫模型（Hidden MarkovMode 1，HMM)本身的隐状态W及观察符号，则完全模拟了运一过程。
【发明内容】
[0007] 本发明为了感知并预测网络的即时利用率，提供了一种基于隐马尔可夫的网络利 用率感知方法，包括步骤如下：
[0008] 步骤一、针对某个计算机通信网络，按物理位置将该网络划分为W个小网络；
[0009] W根据实际网络大小划分，为整数;针对第h个小网络，计算机主机为化台；h = l，
[0010] 步骤二、针对w个小网络中某个小网络h，测量该小网络h在某一时刻的网络总延 时；
[0011] 首先，在第h个小网络内设置数据包传递路由，即设置数据传输路径；
[0012] 然后，使用Ping命令，在数据传输路径起始点和终点之间测得数据从输入小网络h 到输出小网络h的时延，P i ng命令弹出的提示框内显示时延大小；
[0013] 步骤立、根据每个小网络某一时刻的网络总延时，对W个小网络分另幡立W个满足P (0 I λ'）收敛或达到预定精度要求的隐马尔可夫HMM模型；
[0014] 隐马尔可夫ΗΜΜ模型记为:λ=阳，M，A，B，3i};通常用简写Ξ元组表示:λ={Α，Β，3?}。
[0015] Ν为网络利用率的档位数目，对应马尔可夫链的隐状态数目；
[0016] ΗΜΜ模型的隐状态几何为S={Si，. . .，Si，. . .，Sn};记t时刻Markov链所处隐状态为 qt，则qtG (Si, . . . ,Sn)。
[0017] Μ为观测到的网络总时延大小的档位数目，对应任意网络利用率档位的观察值数 目；
[001引ΗΜΜ模型的观察值集合为V={Vi，. . .，Vk，. . .，Vm};记t时刻观察到的观察值为Ot， 则0te(Vi，. . .，Vm)。
[0019] π为初始状态概率矢量，对应初始时刻每个小网络中每台主机的即时利用率的概 率分布。记31 = (311，...，3ii. ..，JIN)，当初始时刻Markov链所处隐状态为Si时概率为町；
[0020] A为状态转移概率矩阵，描述的是不同网络利用率档位之间相互转移的概率。
[0021] 记.
火隐状态Si转移到隐状态Sj的概率为aij。
[0022] B为观察值概率矩阵，对应为处于不同网络利用率档位下，观察到某个网络总时延 档位的概率。记
，当前隐状态为&时观察到HMM模型的观察值Vk的 概率为bj(k)。
[0023] 具体步骤如下：
[0024] 步骤301、将每个小网络对应的HMM模型中的参数A，B，31分别赋初始值；
[0025] 步骤302、将某个小网络h得到的观察值序列0和对应的初始HMM模型参数代入重估 式进行优化，得到估计值Κι '，町'和bj(k) ' ；
[0026] 用Baum-Welch算法对初始的HMM模型参数A，B，31分别优化，重估式公式如下：
[0027]
[002引 丫 i(i)表示初始时刻t = l时，从隐状态Si转移出去的次数期望
表示在Τ? ι 时间段内 ，隐状态从 Si 转移到隐状态 Sj 的次数期望之和：
表示在T-1时间段内，从隐 状态Si转移出去的次数期望之巧
表示当前时刻观察值为Vk时，在时间段T内处 于隐状态&的次数期望之和
衰示在时间段T内处于隐状态&的次数期望之和。
[0029] 步骤303、利用估计值和bj化)'得到新的模型λ' = (Α'，Β>'）；
[0030] 步骤304、判断新的模型λ'是否满足该小网络的Ρ(〇| λ'）收敛或达到预定精度要 求，如果是，则λ'定为最终的模型；否则，返回步骤302,逐步改进ΗΜΜ的模型参数，直到满足 该小网络的Ρ(〇 I λ'）收敛或达到预定精度要求。
[0031] 步骤四、针对每个小网络，分别用统计量^来检验该小网络中由隐状态序列构成 的Markov链是否符合马氏性；
[0032] 统计量公式如下：
[0033]
[0034] fu为不同隐状态间的转移频数；"边际概率"P.J表示转移频数的第j列累加之和除 W各行累加和与各列累加和所得的值，即
当样本足够大时，统计量X2服从自 由度为(N-1)2的分布;给定显著性水平α，查表可得分位点乂; ((N-1)2)的值，计算后得统计 量X2的值，若;Τ2 > ；d((N-妒），贝喊序列符合马氏性。
[0035] 步骤五、当每个小网络的Markov链符合马氏性后，将每个HMM模型的显状态映射为 隐状态；
[0036] 显状态映射为隐状态体现在:根据每个小网络的网络总延时计算t时刻每个小网 络的即时利用率；
[0037] 小网络在一段时间内检测到一系列的总时延，对应的HMM模型的观察符号为0 = {〇1，〇2, . . .Οτ}，则t时刻每个小网络的即时利用率Rnetwork,河按下式计算：
[00；3 引
[0039] ci表示隐状态Si对应的权值；丫 t(i)表示在给定观察值时延序列0和最终的模型参 数下，在t时刻处于隐状态Si的概率;at(i)=P(Oi,〇2, . . .0t，qt = Si |λ)表示前向变量;0t(i) = P(0t+i，0t+2, . . .〇T，qT = Si |λ)为后向变量。
[0040] 步骤六、对t时刻每个小网络的即时利用率分别进行量化，得到t时刻每个小网络 的量化利用率；
[0041] 步骤屯、在得到网络中所有小网络的量化利用率后，按照小网络资产的重要性设 定权重，得到总网络的量化利用率；
[0042] 计算公式为：
[0043]
[0044] ynetwDrk为计算机的资产重要性权重，具体数值根据不同的网络环境或需求进行设 置。
[0045] 本发明的优点在于：
[0046] 1)、一种基于隐马尔可夫的网络利用率感知方法，基于隐马尔可夫模型化idden Markov model，HMM)，模型结构简单、计算量小，并且不受制于数据规模；
[0047] 2)、一种基于隐马尔可夫的网络利用率感知方法，通过BW算法对模型参数进行优 化，提高模型参数与观察值的对数似然值，使模型更符合数据源的特点；
[0048] 3)、一种基于隐马尔可夫的网络利用率感知方法，能够帮助网络管理员从宏观上 掌握主机和网络的态势变化，进而分析出网络的即时利用率。
【附图说明】
[0049] 图1为本发明一种基于隐马尔可夫的网络利用率感知方法流程图；
[0050] 图2为本发明对小网络分别建立满足P(0| λ'）收敛或达到预定精度要求的隐马尔 可夫ΗΜΜ模型流程图。
【具体实施方式】
[0051 ]下面将结合附图对本发明作进一步的详细说明。
[0052] 本发明W测试数据集的网络总时延为处理对象，采用隐马尔可夫随机过程作为分 析手段，建立了描述网络处于不同网络利用率时不同网络总时延的隐马尔可夫模型。与传 统马尔可夫链不同的是，本发明得到的观测事件与状态之间往往并非完全一一对应，通常 是由相应的概率分布来描述他们之间的关系，所W本发明是一个双重随机过程。观察者的 角度只能看到观察值，不能看到马尔可夫链所对应的隐藏状态，只能由对应的概率分布去 推断，对应到无线网络中，人们无法直观地得到网络的利用率，唯一可见的是得到的各种时 延，也就是观察符号，只有通过时延才能推断出网络的即时利用率。而隐马尔可夫模型本身 的隐状态W及观察符号，则完全模拟了运一过程。
[0053] 再者，通过Baum-Welch算法对模型参数进行了优化，使用量化分析方法得到整个 网络利用率定量评价和预测。由于优化前的初始模型参数受专家经验的局限性，使得模型 初始参数与观察值的对数似然值很低，导致初始模型参数不能准确地通过已观测到的网络 总延时推测其即时利用率，并且随着数据的增多，或者隐状态数和观察值种类的增加，人为 设定模型参数将愈发不能满足要求。本发明中，经BW算法优化后，模型参数与观察值的对数 似然值得到大幅提高。经过优化的模型参数可W更加准确地描述网络总时延与即时利用率 的关系变化，是的对无线网络的感知结果更加符合实际，效果更好。
[0054] -种基于隐马尔可夫的网络利用率感知方法，如图1所示，具体步骤如下：
[0055] 步骤一、针对某个计算机通信网络，按物理位置将该网络划分为W个小网络；
[0056] W根据实际网络大小划分，为整数;针对第h个小网络，计算机主机为化台；p = l，
[0057] 步骤二、针对W个小网络中某个小网络h，计算该小网络h在某一时刻的网络总延 时；
[0058] 每个HIM模型的显状态"网络总时延"是通过在仿真实验中利用Ping命令测得的实 验数据。在整个仿真过程中要用到大量的网络总时延观测值序列，对于某一个观测值序列， 去掉极大极小两个观测值，对剩下的观测值取平均，得到隐马尔可夫模型的输入值。
[0059] 首先，在第h个小网络内设置数据包传递路由，即设置数据传输路径；
[0060] 然后，使用Ping命令，在数据传输路径起始点和终点之间测得数据从输入小网络h 到输出小网络h的时延，P i ng命令弹出的提示框内会显示时延大小；
[0061] 步骤Ξ、根据每个小网络某一时刻的网络总延时，对W个小网络分别建立W个满足P (0 I λ'）收敛或达到预定精度要求的隐马尔可夫HMM模型；
[0062] 隐马尔可夫ΗΜΜ模型记为:λ=阳，M，A，B，3i};通常用简写Ξ元组表示:λ={Α，Β，3?}。
[0063] Ν为网络利用率的档位数目，对应马尔可夫链的隐状态数目；
[0064] ΗΜΜ模型的隐状态几何为S={Si，. . .，Si，. . .，Sn}。随着时间的变化，网络所处的即 时利用率档位会转移，记t时刻Markov链所处状态为qt，则qte (Si，. . .，Sn)。
[0065] Μ为观测到的网络总时延大小的档位数目，对应任意网络利用率档位的观察值数 目；ΗΜΜ模型的观察值集合为V={Vi，. . .，Vk，. . .，Vm}。记t时刻观察到的观察值为Ot，其中Ot e(Vi,...,Vm)ο
[0066] π为初始状态概率矢量，对应为初始时刻每个小网络中每台主机的即时利用率的 概率分布。记:π= (3Τ1, . . . ,JTi. . . ,jiN)，其中：JTi = P(qi = Si，，表示初始时刻Markov链 所处隐状态Si的概率为是初始时刻Markov链的状态，处于Si的状态。
[0067] A为状态转移概率矩阵，描述的是不同网络利用率档位之间相互转移的概率。记
其中：aij = P(qt+l = Sj/qt = Si)为矩阵中任一元素， N，表示从隐状态Si转移到隐状态&的概率为aij。
[0068] B为观察值概率矩阵，对应为处于不同网络利用率档位下，观察到某个网络总时延 档位的概率。记
庚中：bj(k) = P(0t = Vk/qt = Sj)为矩阵中任一元 素，l《j《N，l《k《M，表示当前状态为Sj时，观察到Vk的概率为bj(k)。
[0069] 如图2所示，具体步骤如下：
[0070] 步骤301、将每个小网络对应的HMM模型中的参数Α，Β，π根据经验分别赋初始值；
[0071] 步骤302、将某个小网络h得到的观察值序列0和对应的初始ΗΜΜ模型参数代入重估 式进行优化，得到估计值Κι '，町'和bj(k) ' ；
[0072] 用BW(Baum-Welch)算法对初始的ΗΜΜ模型参数A，B，3i分别优化，重估式公式如下：
[0073]
[0074] 丫 i(i)表示初始时刻t = l时，从隐状态Si转移出去的次数期望
表示在Τ? ι 时间段内 ，隐状态从 Si 转移到隐状态 Sj 的次数期望之巧
I示在T-1时间段内，从隐 状态Si转移出去的次数期望之和
表示当前时刻观察值为Vk时，在时间段T内处 于隐状态&的次数期望之和
衰示在时间段T内处于状态&的次数期望之和。
[0075] 步骤303、利用估计值和bj化)'得到新的模型λ' = (Α'，Β>'）；
[0076] 由重估式而得到的λ'能比初始模型参数λ更好地表示观察值序列0。
[0077] 步骤304、判断新的模型λ'是否满足该小网络的Ρ(〇| λ'）收敛或达到预定精度要 求，如果是，则λ'定为最终的模型；否则，返回步骤302,逐步改进ΗΜΜ的模型参数，直到满足 该小网络的Ρ(〇 I λ'）收敛或达到预定精度要求，获取最终的模型参数λ'。
[0078] 步骤四、针对每个小网络，分别用统计量^来检验该小网络中由隐状态序列构成 的Markov链是否符合马氏性；
[0079] 统计量公式如下：
[0080]
[0081] N为马尔可夫链的隐状态数目；fu为不同隐状态间的转移频数；"边际概率"P.J表 示转移频数的第j列累加之和除W各行累加和与各列累加和所得的值，即
当 样本足够大时，统计量^服从自由度为(N-1)2的分布;给定显著性水平α，查表可得分位点 若((Ν-机的值，计算后得统计量X2的值，若义-'>义^肿-1)2)，侧该序列符合马氏性。
[0082] 步骤五、当每个小网络的Markov链符合马氏性后，将每个ΗΜΜ模型的显状态映射为 隐状态；
[0083] 显状态映射为隐状态体现在:根据每个小网络的网络总延时计算t时刻每个小网 络的即时利用率；
[0084] 小网络在一段时间内检测到一系列的总时延，对应的HMM模型的观察符号为0 = (〇1，〇2, . . .Οτ}，则t时刻每个小网络的即时利用率Rnetwork,t按下式计算：
[0085]
[0086] ci表示隐状态Si对应的权值；丫 t(i)表示在给定观察值时延序列0和最终的模型参 数下，在t时刻处于隐状态Si的概率;具体可由"前向-后向算法"来计算：
[0087] 定义前向变量at( i ) = P(0i ,〇2，. . . Ot，qt = si I λ)和后向变量0t( i ) = P(0t+i， Ot+2, . . .〇T,qT = Si |人)并计算：
[008引
[0089] 所W每个小网络的即时利用率Rnetwork, t:
[0090]
[0091] 步骤六、对t时刻每个小网络的即时利用率分别进行量化，得到t时刻每个小网络 的主机量化利用率；
[0092] 步骤屯、在得到网络中所有主机的量化利用率后，按照小网络中主机资产的重要 性设定权重，得到该计算机通信网络总网络的量化利用率为：
[0093]
[0094] ynetwDrk为计算机的资产重要性权重，具体数值根据不同的网络环境或需求进行设 置，W为是小网络的个数。
[00巧]实施例：
[0096] 为了从时间上完整表达网络的利用率，本发明选用3个整天的数据，合计72小时， 共9000个网络总时延测量值作为实验数据。将9000个网络总时延测量值一次性作为HMM模 型的输入并进行参数学习，根据不同的网络环境需求，可采用:①全部输入数据W注重其全 局性;②采用滑动窗口部分输入数据W注重其实时性，因此本发明不受数据规模的限制。
[0097] 为方便建立模型，将观测到的时延测量值按照大小进行等级划分;共分为小、中、 大3个等级，对应HMM模型的巧帕E察值。
[0098] 网络利用率的档位数量多少直接决定了 HMM的复杂程度，过多的档位不便于管理 员对网络状态的理解，并且会降低模型的运算效率，考虑了综合模型复杂度、便于人理解和 模型感知准确度等因素后，设定0~50% (极速）、50%~80% (流杨）、80%~100% (堵塞)立 个利用率档位，如此一来，本发明的隐马尔可夫模型具体可表示为：
[0099] (1)状态空间：首先规定巧巾利用率档位，0~50% (极速）、50%~80% (流杨）、80% ~100% (拥塞），则状态空间可表示为S={极速，流杨，拥塞}。
[0100] (2)观察符号空间：将观测到的时延测量值按照大小划分为小、中、大3个等级，可 用V={小，中，大}来表示观察符号空间。当然，用户也可W根据所处网络的具体情况，自行 选择网络延时的等级和分类方法。
[0101] (3)状态转移概率矩阵：由于目前定义了 3种隐藏状态，则状态转移概率矩阵为一 个3X3的矩阵，可表示为：例如ai2表示从1(极速)转移到2(流杨）的概 率。
[0102] (4)观察值概率矩阵(混淆矩阵）：由于定义了3种隐藏状态和巧巾观察值，则观察值 概率矩阵为一个3X3的矩阵，可表示为：
，例如b2W表示在状态2(流 杨)下观测到延时属于"小"等级的概率。
[0103] (5)初始状态概率矢量:π =(巧廊,巧應)，表示初始时刻，网络中的主机处于某 一状态的概率。
[0104] 记网络中的主机数量为L，并赋予所有主机相同的资产重要性权重(可W根据不同 网络环境调整主机的资产重要性权重）。此时，在确定隐状态N为3后，由Viterbi算法可W得 到各主机网络利用率的最佳隐状态序列，进而可得到状态转移频数矩阵，再由
巧得1台主机的^统计量，若各主机的卡方统计量均 大于查表得到的分位点，则满足马氏性。
[0105] 紧接着根据专家经验，设置初始模型参数no,Ao和Bo;用BW算法对模型参数不断迭 代，通过观察优化后各主机的模型参数，比较初始状态分布η显示初始状态处于某状态的概 率(收敛于某个数值)与测试数据，可W发现迭代后的模型参数符合实际情况。由于优化前 的初始模型参数受专家经验的局限性，使得模型初始参数与观察值的对数似然值可能较 低，导致初始模型参数不能准确地通过已观测到的延时推测其利用率，并且随着数据的增 多，或者隐状态数和观察值种类的增加，人为设定模型参数将愈发不能满足要求。经BW算法 优化后，模型参数与观察值的对数似然值得到大幅提高。通过优化的模型参数，可W更加准 确地描述网络总延时与利用率的变化关系，使得感知结果更加符合实际，效果更好。
[0106] 在建立了基于ΗΜΜ的网络安全模型之后，可W对某一时刻的网络利用率进行定性 分析。但为了定量得出某时刻网络的利用率，在定性分析的基础上进一步定量分析。可W先 定义一个利用率权值向量C=kl，C2, . . .Ci, . . .cn}，该向量中的Ci与网络状态向量S = (Si，. . .，Si，. . .，Sn}中的Si-一对应，表示对应的隐状态对网络利用的影响程度；
[0107] 网络在一段时间内检测到一系列的总时延，观察符号为0={〇1，化，...化}，则t时 刻每个小网络主机的风险态势值即时利用率RnetwMk,t按下式计算
；由 "前向-后向算法"来计算：
I由此得出主机的 量化利用率为：
[0108] 在得到网络中所有主机的量化利用率后，可W按照主机资产的重要性设定权重， 得到网络的量化利用率为
[0109] W上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详 细说明，应理解的是，w上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在 本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护 范围之内。
【主权项】
1. 一种基于隐马尔可夫的网络利用率感知方法，其特征在于，包括步骤如下： 步骤一、针对某个计算机通信网络，按物理位置将该网络划分为W个小网络； 步骤二、针对W个小网络中某个小网络h，测量该小网络h在某一时刻的网络总延时； 步骤三、根据每个小网络某一时刻的网络总延时，对W个小网络分别建立W个满足P(0 入'）收敛或达到预定精度要求的隐马尔可夫HMM模型； 隐马尔可夫ΗΜΜ模型记为:λ={Ν，Μ，Α，Β，3?}; Ν为网络利用率的档位数目，对应马尔可夫链的隐状态数目；HMM模型的隐状态几何为S -{Si，· · ·，Si，·· ·，Sn}; Μ为观测到的网络总时延大小的档位数目，对应任意网络利用率档位的观察值数目； ΗΜΜ模型的观察值集合为VzlVi. . .，Vk，. . .，Vm}; π为初始状态概率矢量，对应初始时刻每个小网络中每台主机的即时利用率的概率分 布;记3^ = (>1，...，:^...，:^)，当初始时亥1」|/^1?^链所处隐状态为5财概率为：^; Α为状态转移概率矩阵，描述的是不同网络利用率档位之间相互转移的概率；记|从隐状态Si转移到隐状态Sj的概率为aij; B为观察值概率矩阵，对应为处于不同网络利用率档位下，观察到某个网络总时延档位 的概率；，当前隐状态为S j时观察到HMM模型的观察值Vk的概率 为bj(k); 步骤四、针对每个小网络，分别用统计量X2来检验该小网络中由隐状态序列构成的 Markov链是否符合马氏性； 步骤五、当每个小网络的Markov链符合马氏性后，将每个HMM模型的显状态映射为隐状 态； 显状态映射为隐状态体现在:根据每个小网络的网络总延时计算t时刻每个小网络的 即时利用率； t时刻每个小网络的即时利用率Rnetwork, t如下：Ci表示隐状态Si对应的权值；yt(i)表示在给定观察值时延序列0和最终的模型参数 下，在t时刻处于隐状态Si的概率;. . .0t,qt = Si |λ)表示前向变量;0t(i)=p (0七+1，(^+2，...〇?，9了 = 31|人)为后向变量； 步骤六、对t时刻每个小网络的即时利用率分别进行量化，得到t时刻每个小网络的量 化利用率； 步骤七、在得到网络中所有小网络的量化利用率后，按照小网络资产的重要性设定权 重，得到总网络的量化利用率； 计算公式为：为计算机的资产重要性权重，具体数值根据不同的网络环境或需求进行设置。2. 如权利要求1所述的一种基于隐马尔可夫的网络利用率感知方法，其特征在于，所述 的步骤二具体为： 首先，在第h个小网络内设置数据包传递路由，即设置数据传输路径； 然后，使用Ping命令，在数据传输路径起始点和终点之间测得数据从输入小网络h到输 出小网络h的时延，P i ng命令弹出的提示框内显示时延大小。3. 如权利要求1所述的一种基于隐马尔可夫的网络利用率感知方法，其特征在于，所述 的步骤三具体为： 步骤301、将每个小网络对应的HMM模型中的参数A，B，π分别赋初始值； 步骤302、将某个小网络h得到的观察值序列0和对应的初始HMM模型参数代入重估式进 行优化，得到估计值町'，叫'和b他'； 用Baum-Welch算法对初始的HMM模型参数A，B，π分别优化，重估式公式如下：γ I(i)表示初始时刻t = l时，从隐状态Si转移出去的次数期望；表示在T-1时间 段内，隐状态从Si转移到隐状态&的次数期望之和表示在T-1时间段内，从隐状态Si 转移出去的次数期望之和表示当前时刻观察值为vk时，在时间段T内处于隐状 态&的次数期望之和表示在时间段T内处于隐状态&的次数期望之和； 步骤303、利用估计值^'，出/和b瓜)'得到新的模型λ' = (Α'，Β>'）； 步骤304、判断新的模型λ'是否满足该小网络的Ρ(〇|λ'）收敛或达到预定精度要求，如 果是，则λ'定为最终的模型；否则，返回步骤302,逐步改进ΗΜΜ的模型参数，直到满足该小网 络的Ρ(〇 I λ'）收敛或达到预定精度要求。4. 如权利要求1所述的一种基于隐马尔可夫的网络利用率感知方法，其特征在于，所述 的步骤四具体为： 统计量公式如下：fu为不同隐状态间的转移频数；"边际概率"Ρ.』表示转移频数的第j列累加之和除以各 行累加和与各列累加和所得的值，当样本足够大时，统计量X2服从自由度 为(N-1)2的分布;给定显著性水平α，查表可得分位点€((N-I)2)的值，计算后得统计量X 2的 值，若Z2 1):)，则该序列符合马氏性。
【文档编号】H04L12/26GK106059829SQ201610559284
【公开日】2016年10月26日
【申请日】2016年7月15日
【发明人】刘唯毓, 温向明, 路兆铭, 王鲁晗, 马璐, 于邦超
【申请人】北京邮电大学