本发明涉及通信,更具体地说,涉及一种基于可解释流量预测的带宽预留方法、基于可解释流量预测的带宽预留系统。
背景技术:
1、近年来,由于无线接入设备和业务的日益增长,网络应用需要的带宽大幅增加。对于这些应用来说,带宽预留是一项非常重要的技术,现有的带宽预留技术主要分为固定带宽预留和动态带宽预留。前者预先为相应的网络应用分配固定的带宽,后者根据网络流量动态分配带宽。在固定带宽预留中,必须在网络应用的整个使用周期内提供足够的带宽来保证业务的正常运行。研究表明,业务流量存在明显的周期性变化,在某些时间点存在显著突发特性,而在其他大部分时间内,流量保持在较低水平。因此固定带宽预留导致带宽利用率低,不利于提高系统的容量和用户服务质量。相反,动态带宽预留可以明显提高时变流量应用的带宽利用率,其利用流量的监控和预测,可以得到服务于动态带宽预留的流量曲线。
2、相关技术中,动态带宽预留一般采用数学和机器学习模型,例如频谱感知、博弈框架等,上述方式不仅检测数据多、算法复杂,而且干扰因素多(例如多径衰落、阴影和噪声干扰等),从而导致预留效果差。
技术实现思路
1、1.发明要解决的技术问题
2、本发明的目的在于克服现有技术中带宽预留存在检测数据较多、算法复杂、干扰因素多导致的预留效果差的问题。
3、2.技术方案
4、为达到上述目的,第一方面,本发明提供的技术方案为:一种基于可解释流量预测的带宽预留方法,包括以下步骤:建立深度学习模型,通过所述深度学习模型对租户未来流量进行流量预留;在香农定理的基础上引入损耗因子,建立带宽预留模型;根据所述带宽预留模型和流量预留结果对租户进行带宽预留;采用shap(shapley additiveexplanations,shap)可解释方法对所述深度学习模型的流量预留结果进行局部解释和全局解释,根据解释结果对带宽预留模型的带宽预留结果进行局部解释和全局解释。
5、作为本发明进一步的改进,所述深度学习模型采用全连接神经网络。
6、作为本发明更进一步的改进,所述全连接神经网络的输入特征包括:租户在时间t内的流量需求、最优流量、未交付的流量、活跃用户的数量以及每天和每周的时间特征,所述全连接神经网络的输出为时间t+1的流量预留。
7、作为本发明进一步的改进,具体根据以下公式建立带宽预留模型:c=b·log2(1+g·snr);其中,c为带宽,b为流量,g为损耗因子,snr为信噪比。
8、作为本发明进一步的改进,采用以下公式构建所述带宽预留模型的评价指标:
9、
10、其中,rmse为均方根差,为带宽预留模型输出值,为真实标签,为指标函数,t为时间,k为租户,t为样本数,over为度预留指标,under为不足预留指标。
11、为达到上述目的,第二方面,本发明提供的技术方案为:一种基于可解释流量预测的带宽预留系统,包括:第一建立模块,所述第一建立模块用于建立深度学习模型,通过所述深度学习模型对租户未来流量进行流量预留;第二建立模块,所述第二建立模块用于在香农定理的基础上引入损耗因子,建立带宽预留模型;预留模块,所述预留模块用于据所述带宽预留模型和所述第一建立模块输出的流量预留结果对租户进行带宽预留;解释模块,所述解释模块用于采用shap可解释方法对所述深度学习模型的流量预留结果进行局部解释和全局解释,根据解释结果对带宽预留模型的带宽预留结果进行局部解释和全局解释。
12、作为本发明进一步的改进,所述深度学习模型采用全连接神经网络。
13、作为本发明更进一步的改进,所述全连接神经网络的输入特征包括:租户在时间t内的流量需求、最优流量、未交付的流量、活跃用户的数量以及每天和每周的时间特征,所述全连接神经网络的输出为时间t+1的流量预留。
14、作为本发明进一步的改进,所述第二建立模块具体根据以下公式建立带宽预留模型:c=b·log2(1+g·snr);其中,c为带宽,b为流量,g为损耗因子,snr为信噪比。
15、作为本发明进一步的改进,上述系统还包括:评价模块,所述评价模块采用以下公式构建所述带宽预留模型的评价指标:
16、
17、其中,rmse为均方根差,为带宽预留模型输出值,为真实标签,为指标函数,t为时间,k为租户,t为样本数,over为度预留指标,under为不足预留指标。
18、3.有益效果
19、采用本发明提供的技术方案,与现有技术相比,具有如下有益效果:
20、(1)本发明在香农定理的基础上引入损耗因子并建立带宽预留模型,实现了流量与带宽之间的转换,有效改善了带宽预留效果,且对硬件设备无特殊要求。
21、(2)本发明采用shap可解释方法,对预测模型分别进行局部解释和全局解释,实现可解释的带宽预留,解决了深度学习难以解释的黑箱问题,并可改善系统rmse和过度预留指标。
1.一种基于可解释流量预测的带宽预留方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于可解释流量预测的带宽预留方法,其特征在于,所述深度学习模型采用全连接神经网络。
3.根据权利要求2所述的基于可解释流量预测的带宽预留方法,其特征在于,所述全连接神经网络的输入特征包括:租户在时间t内的流量需求、最优流量、未交付的流量、活跃用户的数量以及每天和每周的时间特征,所述全连接神经网络的输出为时间t+1的流量预留。
4.根据权利要求1所述的基于可解释流量预测的带宽预留方法,其特征在于,具体根据以下公式建立带宽预留模型:
5.根据权利要求1所述的基于可解释流量预测的带宽预留方法,其特征在于,采用以下公式构建所述带宽预留模型的评价指标:
6.一种基于可解释流量预测的带宽预留系统,其特征在于,包括:
7.根据权利要求6所述的基于可解释流量预测的带宽预留系统,其特征在于,所述深度学习模型采用全连接神经网络。
8.根据权利要求7所述的基于可解释流量预测的带宽预留系统,其特征在于,所述全连接神经网络的输入特征包括:租户在时间t内的流量需求、最优流量、未交付的流量、活跃用户的数量以及每天和每周的时间特征,所述全连接神经网络的输出为时间t+1的流量预留。
9.根据权利要求6所述的基于可解释流量预测的带宽预留系统,其特征在于,所述第二建立模块具体根据以下公式建立带宽预留模型:
10.根据权利要求6所述的基于可解释流量预测的带宽预留系统,其特征在于,还包括:评价模块,所述评价模块采用以下公式构建所述带宽预留模型的评价指标: