专利名称：基于人工智能神经网络的hss数据容灾算法的制作方法
技术领域：
本发明属于网络技术领域，具体涉及一种基于人工智能神经网络的HSS数据容灾算法。
背景技术：
现有的MS HSS数据容灾体制中，已有一些方案试图分别从本地冗余和异地冗余两个方面来解决这一问题。目前大多数方式是通过提供多个HSS数据库(主用/热备用)来进行HSS间的数据同步，进而实现HSS容灾。此外，还有一些方案是借助辅助设备以实现HSS容灾，如DNS。但如论是哪种冗余方式，其共同缺陷都在于第一，HSS数据备份的内容统一、备份周期相对固定。由于该备份的内容是面向所有HSS数据库所存储的数据，因此 数据备份的工作量就无形加大了。而且备份周期大多为人为设定的经验值，因此，在此周期之外极大可能发生较大规模的HSS数据更新，导致用户的最新数据信息无法得到及时的保存，使得HSS数据备份失去了本身的意义。第二，HSS数据库在进行异地冗余时，对冗余地点的选择较为单一，这就造成了当被选中的地点也出现了宕机或者用户业务处理繁忙的时候，在处理异地送来的请求时，有较长的延时，导致用户体验降低。HSS的信息存储以及影响HSS数据变化的常用行为为
存储在HSS中的数据主要包括用户身份、注册信息、接入参数和服务触发信息。其中用户身份以及信息是固定的，在入网的时候就已经确定，因此改动的可能性不大。注册信息是常发生改变的。随着用户的关机开机、手机宕机以及服务器(HSS或者S-CSCF)的宕机，都会影响用户的注册状态。其中用户关机和开机行为主要体现在HSS层面的变化就是HSS数据库中的用户注册状态会在已注册(registered)、未注册(unregistered)、无注册(non-registered)三个状态中切换。而手机岩机以及服务器(HSS或者S-CSCF )的宕机在HSS层面的变化就是HSS服务器发出RTR信息。接入参数和服务触发信息是用户体验的重要部分，目前在运营商处主要体现为增值业务的出台、更新与应用。用户通过定制不同的服务信息业务，而导致HSS数据库的数据变化。体现在HSS层面的变化就是HSS数据库中的用户订阅服务参数(profile_id)等的变化，促使HSS发出PPR信息。对于HSS来说，主要提供两个功能查询数据和保存数据。对于查询数据来说，需要的行为仅仅是通过查找，将找到的符合要求的数据返回给请求方。主要的交互命令代码如UAR和UAA ；MAR和MAA ；SAR和SAA ；LIR和LIA。对于保存数据来说，除了要保持新用户的数据信息以外，还有更新并保存已有用户的数据信息，后者往往是提高用户体验的重要目标。主要的交互命令代码如RTR和RTA ；PPR 和 PPA。其中RTR和RTA指的是HSS使用命令来注销用户的一个或者多个公共标识符。该情况常发生在用户手机更换或者为其区域服务的S-CSCF宕机时。前者指的是在其用户手机设备(Private ID)发生了变化时，为了使该用户的新手机跟手机号码再次绑定，需要用户手机通过注销再注册的方式实现。后者则是为了保证用户体验流畅，让与已宕机的S-CSCF互为冗余的S-CSCF继续为用户提供服务。PPR和PPA常发生在用户业务改变时。其具体如下
根据国际HSS协议标准，当用户订阅的信息服务数据发生改变时，HSS使用命令PPR来更新自身数据，同时，同步更新S-CSCF中的用户数据。经常发生的情况是当用户的订阅服务信息，如增值业务发生改变时，HSS就会根据具体情况发出相应的PPR信息通知S-CSCF，随后S-CSCF会通过PPA的形式，返回告知HSS收到改通知，并通过SAR和SAA行为对相应信息进行更新。目前通用的备份方案为
提供节点资源的冗余，如软件资源和数据库等。在頂S网络中，各节点应采用1+1或N+1冗余机制，对于重要节点(如保存计费信息的计费网关、保存用户业务处理数据的HSS等节点)应采用“主用/热备用”的1+1冗余方式，一旦发生切换，所有重要信息如计费数据、用 户业务和状态信息等都不会丢失。包括单站点实现的本地冗余和多站点实现的异地冗余。由于各种原因造成的节点故障，可以首先使用本地冗余机制，即使用同站点内的相应备用节点，若不成功则切换到异地冗余站点相应的节点上。而对于各种自然灾害(如地震、水灾等)和人为灾害(如恐怖袭击)导致的整个站点故障，只能用异地冗余来提供IMS网络的高可用性，即所有业务都切换到异地的备用站点上。当出现整个站点故障时，按照3GPP TR 23.820 (Study on IMSRestoration Procedures, Release 8)规范的描述,所有正在进行的会话都会终止并且这些会话的计费信息也会丢失，所有UE需要发起重注册请求以便恢复相关业务，而且在此时IMS网络所提供的业务主要为基本话音业务。所以在进行MS网络异地冗余的设计时，首先考虑所有与话音业务相关的节点，而其它非话音业务相关的节点，如AP (AggregationProxy)>WUIGM (Web User Interface for Group and Data Management)等可以先不考虑异地冗余，进而降低MS网络的投资成本。现有技术存在两种方案方案一
目前已经公开了一种容灾归属用户服务器HSS间的数据同步方法，用于包含主用HSS、备用HSS以及与所述主用HSS和备用HSS通讯的相关网元的MS系统，所述方法包括步骤有相关网元通过Diameter协议发送标准接口请求消息到主用HSS,请求修改主用HSS保存的用户数据；主用HSS根据该标准接口请求消息修改本地用户数据，并将该标准接口请求消息通过Diameter协议转发给备用HSS ;备用HSS根据该标准接口请求消息修改本地用户数据。方案二
IMS网络中还有一种实现异地冗余的专用机制-Diameter多连接。TSP平台的Diameter客户端(如S-CSCF)与Diameter服务器(如HSS)在两个TSP区域(Zone)之间实现异地冗余。Diameter客户端可以分别使用主用和备用Diameter服务器的本地VIP地址，建立与主、备用Diameter服务器的多个Diameter连接。正常情况下Diameter客户端与服务器之间的所有业务都由主用的Diameter服务器处理。当主用的Diameter服务器出现故障，客户端与先前的主用服务器之间连接中断，Diameter客户端自动建立与新的主用服务器(原来的备用服务器)之间的连接。Diameter客户端使用基于DWR/DWA消息的心跳机制来检测Diameter连接的状态。在目前的Diameter协议栈中有一个切换计时器(DWR计时器的3倍时长)。最小的DWR时长为6秒，所以经过18秒可以检测出Diameter连接中断,Diameter服务器进行切换。HSS作为Diameter服务器，通过这种主用/热备用的工作方式实现异地冗余。方案一和二的共同缺点为
第一，HSS数据备份的内容统一。由于该备份的内容是面向所有HSS数据库所存储的数据，因此数据备份的工作量就无形加大了。第二，HSS数据备份的周期相对固定。由于该备份周期大多为人为设定的经验值，因此，在此周期之外极大可能发生较大规模的HSS数据更新，导致用户的数据信息无法得到及时的保存，使得HSS数据备份失去了本身的意义。 第三，HSS数据库在进行异地冗余时，对冗余地点的选择较为单一，这就造成了当被选中的地点也出现了宕机或者用户业务处理繁忙的时候，在处理异地送来的请求时，有较长的延时，导致用户体验降低。
发明内容
本发明克服现有技术的不足，提出了一种基于人工智能神经网络的HSS数据容灾算法，所述算法通过借助人工智能中神经网络的分类和自我学习预测能力，对HSS数据库中的数据变化特性进行了学习和个性化分析，挖掘出HSS库中的不同用户的数据变更都有各自的规律性和周期性的，因此可以针对以上特性，对HSS数据库中的数据进行动态的、分类的备份，该备份周期和类别的划分完全无需人为干预。这样不仅可以提高备份效率，较好的解决资源浪费的问题，而且还可以较为准确地进行数据备份，提高了效率和用户体验。同时，通过分析挖掘出某些HSS数据库中数据变化、业务处理相对频繁的地区，对于该类地区，可以进行个性化设计，如提高该地区的服务器性能以及将该地区的数据备份到两个或两个以上相邻区域，以规避风险。本发明的技术方案为基于人工智能神经网络的HSS数据容灾算法，所述算法首先对HSS数据库新增设置四个区域字段，所述区域字段包括用户注册状态改变频率、PPR发送频率、RTR发送频率和通过BP神经网络学习之后所预测的用户类型，当用户注册状态改变频率、PPR发送频率或RTR发送频率三者任何一个超过事先设定的神经元阈值时，该用户即可被HSS数据库加入特定列表，触发备份算法，所述备份算法为人工智能神经网络算法，在算法中，Wkj是由下一较高层中单元k到单元j的网络权值，Errk是单元k的误差，具体算法为
I、初始化网络权值和神经元阈值
该部分权值和阈值的确定，最简单的办法就是随机初始化。2、前向传播按照公式一层一层的计算隐层神经元和输出层神经元的输入和输出。前向传播算法基本过程是逐层计算各层的所有神经元的值。由于输入层神经元值(此处假设输入层有四层，即为C1，C2, C3, C4)已知，其余每层由一个核函数来计算该层的所有神经元的值。其中，核函数的选择与确定是由CPU、内存、终端设备等多方面因素决定的。并行计算只能体现在一层中，不同层之间没有并行性。首先将输入层的神经元值(Cl，C2, C3, C4)和每层的网络权值(Wl，W2, W3, W4)保存在4个数组中。此时，第一个核函数根据输入层的神经元值和权值计算第二层神经元值，第二个核函数根据第二层的神经元值和网络权值计算第三层神经元值，如此往下。神经网络的连接体现在每个核函数处理计算过程里。3、后向传播根据公式修正网络权值和神经元阈值，直到满足终止条件。
对于输出层神经元，Errj =Oj (I-Oj) (Tj-Oj)其中，Oj是单元j的实际输出，而Tj是j基于给定训练样本的已知类标号的真正输出。对于隐藏层神经元，份了(1-0；lLBrrk Wij。权值增量是A Wji=(I)ErrjOi,阈值增量是A &尸，其中I是学习率。对于Err]的推导采用了梯度下降的算法。推导的前提是保证输出单元的均方差
(.Ea)最小。E=l/2* I； 2 (Cl1 (p)-yi ，其中P是样本总数，m是输出层神经元个数是
样本实际输出是神经网络输出。梯度下降思路就是对Ea求Wkj的导数。对于输出层
权利要求
1.基于人工智能神经网络的HSS数据容灾算法，其特征是所述算法首先对HSS数据库新增设置四个区域字段，所述区域字段包括用户注册状态改变频率、PPR发送频率、RTR发送频率和通过BP神经网络学习之后所预测的用户类型，当用户注册状态改变频率、PPR发送频率或RTR发送频率三者任何一个超过事先设定的神经元阈值时，该用户即可被HSS数据库加入特定列表，触发备份算法，所述备份算法为人工智能神经网络算法，在算法中，Wkj是由下一较高层中单元k到单元j的网络权值，Errk是单元k的误差，具体算法为 1)初始化网络权值和神经元阈值 该部分权值和阈值的确定，最简单的办法就是随机初始化； 2)前向传播按照公式一层一层的计算隐层神经元和输出层神经元的输入和输出； 前向传播算法基本过程是逐层计算各层的所有神经元的值； 由于输入层神经元值已知，此处假设输入层有四层，即为C1，C2, C3, C4，其余每层由一个核函数来计算该层的所有神经元的值；其中，核函数的选择与确定是由CPU、内存、终端设备等多方面因素决定的；并行计算只能体现在一层中，不同层之间没有并行性； 首先将输入层的神经元值Cl，C2, C3, C4，和每层的网络权值Wl，W2, W3, W4保存在4个数组中；此时，第一个核函数根据输入层的神经元值和权值计算第二层神经元值，第二个核函数根据第二层的神经元值和网络权值计算第三层神经元值，如此往下；神经网络的连接体现在每个核函数处理计算过程里； 3)后向传播根据公式修正网络权值和神经元阈值，直到满足终止条件； 对于输出层神经元，Errj =Oj (I-Oj) (Tj-Oj)，其中，Oj是单元j的实际输出，而Tj是j基于给定训练样本的已知类标号的真正输出； 对于隐藏层神经元，汾(1-0； llSrrk Zfi7.，权值增量是^ 二仍汾r#.，阈值增量是Δ&f ，其中I是学习率；对于的推导，采用了梯度下降的算法；推导的前提是保证输出单元的均方差足最小式二i/货ΣΣ (di (Ρ)-Υι 其中P是样本总数，Π1是pml输出层神经元个数 //;是样本实际输出，是神经网络输出。
2.根据权利要求I所述的基于人工智能神经网络的HSS数据容灾算法，其特征是对于的推导，梯度下降思路就是对Ea求Ww的导数； 对于输出层論=^dE(pl ±dyi(p) ± Μ\ρ) p-ι d,!d p.i dyl{p) dul(p) dWld 因为 ’+M<P)，=1/(1+ W⑴))，E(P) = ^Σ (d^W 所以，^Τ = -Σ(p)) aw id pAk其中的 W1 (p)-yi(p)) yi(p) *(Ii1 (p))就是 Errj =Oj (I-Oj) (Tj-Oj)； 对于隐藏层dEa _ m(P) = V ψ 55⑷ ^ d^l(P) ± Mtl(P) ± 9Xl· ± dU"kp(p) dW'id p-ι 凝 .i u ^(P)(.P) ΒΧΙ 祝J%) dWld
3.根据权利要求I或2所述的基于人工智能神经网络的HSS数据容灾算法，其特征是所述终止条件为前一周期所有的Δ 都太小，小于某个指定的阈值。
4.根据权利要求I或2所述的基于人工智能神经网络的HSS数据容灾算法，其特征是所述终止条件为前一周期未正确分类的样本百分比小于某个阈值。
5.根据权利要求I或2所述的基于人工智能神经网络的HSS数据容灾算法，其特征是所述终止条件为超过预先指定的周期数。
6.根据权利要求I或2所述的基于人工智能神经网络的HSS数据容灾算法，其特征是所述终止条件为神经网络的输出值和实际输出值的均方误差小于某一阈值。
7.根据权利要求I或2所述的基于人工智能神经网络的HSS数据容灾算法，其特征是所述用户注册状态改变的频率、PPR发送频率和RTR发送频率分别以累加器的形式实现。
全文摘要
基于人工智能神经网络的HSS数据容灾算法，所述算法首先对HSS数据库新增设置四个区域字段，所述区域字段包括用户注册状态改变频率、PPR发送频率、RTR发送频率和通过BP神经网络学习之后所预测的用户类型，当用户注册状态改变频率、PPR发送频率或RTR发送频率三者任何一个超过事先设定的神经元阈值时，该用户即可被HSS数据库加入特定列表，触发备份算法，所述备份算法为人工智能神经网络算法。本发明通过分析挖掘出某些HSS数据变化，对于业务处理相对频繁的地区，可以进行个性化设计，如提高该地区的服务器性能以及将该地区的数据备份到两个或这个以上相邻区域，以规避风险。
文档编号H04L12/24GK102724070SQ20121019719
公开日2012年10月10日 申请日期2012年6月15日 优先权日2012年6月15日
发明者许萌 申请人:青岛百灵信息科技有限公司