本发明涉及电力通信技术领域，更具体地，涉及一种配用电通信接入网业务流感知的方法。
背景技术：
配用电通信接入网是智能电网中非常重要的组成部分，承载了配电自动化、电能质量监测、用电信息采集、自助缴费终端等业务，直接影响到供电可靠性和生活用电的质量。由于配用电通信接入网承载的业务种类和数量的提升，网络中各种新业务及加密类业务的不断涌现，极大增加了网络负担，造成网络拥塞及业务qos(qualityofservice，服务质量)劣化。针对这种情况，实现配用电通信接入网业务流的有效感知，可以缓解流量阻塞，降低传输时延，优化传输效果，从而提高qos。
在配用电通信接入网的业务流感知技术中，基于业务流识别的机器学习算法受到了广泛应用，而且机器学习算法的性能直接影响业务感知的精度与效率。近邻传播(affinitypropagation，ap)算法是一种基于近邻信息传播的无监督聚类算法，其目的是找到最优的类代表点集合(类代表点对应为某个样本点)，使得所有数据点到最近类代表点的相似度之和最大。ap算法避免了聚类结果受限于初始类代表点的选择，基于相似度信息的传播来优化目标，实现简单。以上优点使得ap算法在业务流感知技术中具有极大的潜力。
随着近邻传播算法在网络应用领域变得越来越复杂，算法应用的实时性与精确度要求也在不断提高。传统的近邻传播算法没有考虑应用的先验信息与背景知识，并且同时对整个业务流集合进行聚类，严重制约了近邻传播算法在业务感知领域的精确度与实时性；在配用电通信接入网中，难以保证业务识别的效率。
技术实现要素：
本发明为了解决原有的近邻传播算法复杂程度较高，导致业务感知的准确性与实时性不高等问题，提出了一种配用电通信接入网业务流感知的方法。
为实现以上发明目的，采用的技术方案是：
一种配用电通信接入网业务流感知的方法，包括以下步骤：
s1.对业务流进行特征提取，得到特征数据集；
s2.对特征数据集进行子集的抽样，得到n个数据子集；
s3.对n个子集分别进行ap聚类，得到n个子簇；
s4.对n个子簇进行业务标签对应，实现业务流分类。
优选地，所述步骤s1提取的特征包括报文五元组与特征值。
优选地，所述步骤s3的具体执行流程如下：
s11.对于每个子集，计算子集内任意两个数据点之间的欧式距离；
s12.将每个子集计算的数据点之间的欧式距离分别存储在矩阵e中；
s13.基于矩阵e为每个子集构造相似度矩阵；
s14.基于相似度矩阵对每个子集进行ap聚类，得到子簇。
优选地，1)在进行子集的抽样时，初始化数据集合里任何数据点被抽取的权重一致，均为wi＝1/n，i∈(1,2,...,n)。
2)
3)重复2)过程，保证数据集中的数据点均在子集中被抽取两次以上。
4)当某个数据点被选取时，其权重将会不断调整：如某数据点本次聚类结果与上次结果不一致，则将本数据点标记为“敏感”数据点，增加下一次的抽样权重；反之，减小下一次的抽取权重。直至，任何一个数据点在被前后两次抽取进行分类结果不在变化。
5)应用ap算法完成聚类，形成n个子簇。
6)将n个子簇映射到n个业务中，完成业务流的感知。
与现有技术相比，本发明的有益效果是：
本发明提供的方法采用分治与权重调整的方法，一方面降低了系统运算的复杂度，另一方面进一步保证了运算结果的精确度。
附图说明
图1为方法的流程示意图。
图2为步骤s3的执行示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1所示，本发明提供了一种配用电通信接入网业务流感知的方法，包括以下步骤：
s1.对业务流进行特征提取，得到特征数据集；
s2.对特征数据集进行子集的抽样，得到n个数据子集；
s3.对n个子集分别进行ap聚类，得到n个子簇；
s4.对n个子簇进行业务标签对应，实现业务流分类。
本实施例中，所述步骤s1提取的特征包括报文五元组与特征值。以psize_max最大包长、pinterval_max最大到达间隔、pdur_max最大业务持续时间为业务流的统计特征，从而获得描述该业务流的特征集u(i)＝(psize(i)，pinterval(i)，pdur(i))。
本实施例中，如图2所示，所述步骤s3的具体执行流程如下：
s11.对于每个子集，计算子集内任意两个数据点之间的欧式距离；
s12.将每个子集计算的数据点之间的欧式距离分别存储在矩阵e中；
s13.基于矩阵e为每个子集构造相似度矩阵；
s14.基于相似度矩阵对每个子集进行ap聚类，得到子簇。
本实施例中，1)在进行子集的抽样时，初始化数据集合里任何数据点被抽取的权重一致，均为wi＝1/n，i∈(1,2,...,n)。
2)
3)重复2)过程，保证数据集中的数据点均在子集中被抽取两次以上。
4)当某个数据点被选取时，其权重将会不断调整：如某数据点本次聚类结果与上次结果不一致，则将本数据点标记为“敏感”数据点，增加下一次的抽样权重；反之，减小下一次的抽取权重。直至，任何一个数据点在被前后两次抽取进行分类结果不在变化。
5)应用ap算法完成聚类，形成n个子簇。
6)将n个子簇映射到n个业务中，完成业务流的感知。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。