CN101170599A - 网络设备负荷预测方法 - Google Patents

Abstract

本发明涉及一种网络设备负荷预测方法，包括如下步骤：步骤1.在系统中建立话务模型的关键参数和设备负荷之间的关联模型；步骤2.对话务模型关键参数的权值进行估计与训练；步骤3.利用话务模型关键参数的最终估计值和关联模型方程，计算出设备负荷；步骤4.系统对设备负荷进行分析，当设备负荷达到预定值时，触发网络预警，否则，重复步骤2。本发明绕开了设备厂家的测试软件，用纯数学的方法建立话务模型和设备负荷的关联关系，可实时进行负荷预测工作。

Description

网络设备负荷预测方法

技术领域

本发明涉及一种电话通信监控方法，特别是涉及一种网络设备负荷预测方法。

背景技术

网络设备负荷的预测，在通信网络中占据重要位置，是保障网络设备可正常运行的重要手段。其重要性主要体现在两个方面：一是网络规划中，每个交换机的移动交换中心(MSC)或基站控制器(BSC)可覆盖多大范围，可为多少用户提供服务，这些都需要通过预测交换机的负荷得到，再根据业务发展来进行规划；二是在节假日通信保障中，节假日用户通信较集中，通信量比平时有很大变化，必须提前预测到设备负荷情况，根据预测结果进行相应的调整，才能保证网络设备的正常运行，为用户提供优质的通信服务。

当前所采用的网络设备负荷预测方法，是通过网管系统采集当前设备下的话务模型。各种设备的话务模型不太一样，我们以移动交换中心MSC设备为例，话务模型主要包括话务量、用户数、试呼次数、位置更新次数、寻呼次数、手机发起MO短信次数等参数，这些参数的统计，在网络设备上有对应的计数器，通过定义统计任务，定时把计数器的值送到网管系统，就可方便直观的呈现给技术人员。把统计到的话务模型数据，输入到设备厂家的测试软件中即可进行设备负荷的预测计算。

话务模型的选取主要分两种，一是平时忙时的话务模型，用于网络规划中。另一种就是节假日最忙时的话务模型，用于保障节假日通信安全。这两种话务模型，采集方法一致，只是采集时段不同，用于计算设备负荷的计算原理也相同。

其计算原理为，话务模型的参数都涉及到某个通信过程，该通信过程中有几个消息流程，处理每个消息需要消耗的处理器CP周期，从而计算得到设备负荷。同时可以修改某个参数或几个参数后，重新计算得到预测的结果，这样在现有模型下，预测部分参数就可以计算到设备负荷的变化。

当前的预测方法主要有两个问题：一是对厂家软件的依赖性，只有厂商的研发单位有此测试软件，且不对外公开，不能满足预测工作的实时性；二是计算结果只和当前话务模型相关，不能反映话务模型的变化趋势，预测结果有其局限性。

发明内容

针对以上现有技术中存在的问题，本发明的目的是避开话务模型和预测负荷之间的测试软件，利用统计的数学方法，建立话务模型的关键参数和设备负荷之间的关联模型。

为实现本发明的上述及其他目的，本发明提供一种网络设备负荷预测方法，包括如下步骤：

步骤1、在系统中建立话务模型的关键参数和设备负荷之间的关联模型，

m₁x₁+m₂x₂+…+m_nx_n＝cp    (1)，

其中，选择的参数为n，x₁表示第1个话务模型的参数，m₁表示第1个话务模型参数的权值；x₂表示第2个话务模型的参数；m₂表示第2个话务模型参数的权值；x_n表示第n个话务模型的参数，m_n表示第n个话务模型参数的权值，cp表示设备负荷；

步骤2、用预警分析系统对话务模型关键参数的权值进行估计与训练；

步骤3、利用话务模型关键参数的最终估计值和关联模型方程，用预警分析系统计算出设备负荷；

步骤4、系统对设备负荷进行分析，当设备负荷达到预定值时，触发网络预警，否则，重复步骤2。

上述步骤2包括：

步骤21、系统确定话务量忙时；

步骤22、网管系统采集n天的话务忙时的各话务模型参数数据，作为估计参数权值的训练序列X₁(n)；

步骤23、把n个训练序列代入前述方程(1)，求解得n阶矩阵关系式，得到各参数权值m_i的估计值

步骤24、另取n组忙时训练数据X₂(n)，对估计值 $\hat{M}=({\hat{m}}_1,{\hat{m}}_2,\mathrm{\Λ},{\hat{m}}_n)$ 进行训练，计算得到n个设备负荷估计值

从而得到与实际统计得到的设备负荷cp值的差值Δcp_i，取 $\mathrm{\Δ}{\mathrm{cp}}_i={\mathrm{cp}}_i-{c\hat{p}}_i,$ 式中cp_i表示第i个设备负荷cp值；

步骤25、建立另一个关联关系

m₁′x₁+m₂′x₂+…+m_n′x_n＝Δcp，

式中，x₁′表示第1个话务模型的参数，m₁′表示第1个话务模型参数的权值；x₂′表示第2个话务模型的参数；m₂′表示第2个话务模型参数的权值；x_n′表示第n个话务模型的参数，m_n′表示第n个话务模型参数的权值。

利用X₂(n)中的n组数据，计算得到第i个话务模型权值m_i′；步骤26、得到话务模型关键参数权值的最终估计值 $m_i={\hat{m}}_i+m_i^{\′}.$

上述步骤21中，每天的话务忙时是根据各时段交换机的话务量大小来确定，选择话务量最大的时段，为忙时。

与现有技术相比，本发明绕开了设备厂家的测试软件，用纯数学的方法建立话务模型和设备负荷的关联关系，可实时进行网络设备负荷预测工作；而且在预测过程中，利用了大量历史数据，使得预测结果更符合现网情况，预测误差更低。

下面结合附图，对本发明的具体实施方式作进一步的详细说明。对于所属技术领域的技术人员而言，从对本发明的详细说明中，本发明的上述和其他目的、特征和优点将显而易见。

附图说明

图1为本发明第一实施例流程图；

图2为本发明对话务模型中的关键参数进行估计与训练的流程图。

具体实施方式

下面结合附图和具体实施例对本发明所述的网络设备负荷预测方法作进一步的详细说明。

图1是本发明网络设备负荷预测方法第一实施例的流程图，包括以下步骤：

步骤1.在系统中建立话务模型的关键参数和设备负荷之间的关联模型，设选择的参数为n个，则所述的关联模型方程为：

m₁x₁+m₂x₂+…+m_nx_n＝cp，

其中，选择的参数为n，x₁表示第1个话务模型的参数，m₁表示第1个话务模型参数的权值；x₂表示第2个话务模型的参数；m₂表示第2个话务模型参数的权值；x_n表示第n个话务模型的参数，m_n表示第n个话务模型参数的权值，cp表示设备负荷；

步骤2.用预警分析系统对以上话务模型中的关键参数进行估计与训练；

步骤3.根据步骤2计算权重因子，即得到需要测定的负荷和话务模型的关联关系式，利用话务模型关键参数的最终估计值和关联模型方程，预测出任意时间的设备负荷，只要预测出当天的话务模型，代入关系式中，就可计算出设备负荷；

步骤4.系统对预测到的设备负荷进行分析，当设备负荷达到预警门限值时，触发网络预警，进行相应的网络调整；否则，重复步骤2。

本发明为上述实施例的步骤2提供了较佳实施方式，如图2所示，步骤2包括：

步骤21，系统确定每天的话务量忙时，可以根据各时段交换机话务量大小来确定，选择话务量最大的时段，为忙时；

步骤22、网管系统采集n天忙时的各话务模型参数数据，作为估计参数权值的训练序列X₁(n)，即得到每天的话务模型参数组成的向量矩阵；

步骤23、把n个训练序列代入上述方程，得到n阶矩阵关系式，通过解矩阵运算，得到各参数权值m_i的估计值

步骤24、另取n组忙时训练数据X₂(n)，对估计值 $\hat{M}=({\hat{m}}_1,{\hat{m}}_2,\mathrm{\Λ},{\hat{m}}_n)$ 进行训练，计算得到n个设备负荷估计值

值，从而得到与实际统计得到的设备负荷cp值差值Δcp_i，取 $\mathrm{\Δ}{\mathrm{cp}}_i={\mathrm{cp}}_i-{\widehat{\mathrm{cp}}}_i,$ 式中cp_i表示第i个设备负荷cp值；

步骤25、建立另一个关联关系

m₁′x₁+m₂′x₂+…+m_n′x_n＝Δcp，

式中，x₁′表示第1个话务模型的参数，m₁′表示第1个话务模型参数的权值；x₂′表示第2个话务模型的参数；m₂′表示第2个话务模型参数的权值；x_n′表示第n个话务模型的参数，m_n′表示第n个话务模型参数的权值。

利用X₂(n)中的n组数据，计算得到第i个话务模型权值m_i′；

步骤26、得到话务模型关键参数权值的最终估计值 $m_i={\hat{m}}_i+m_i^{\′},$ 即得到话务模型各参数对系统负荷产生影响的权重因子。

以上所述仅为本发明的较佳实施例，并非用来限定本发明的实施范围；如果不脱离本发明的精神和范围，对本发明进行修改或者等同替换的，均应涵盖在本发明的权利要求的保护范围当中。

Claims (3)

1.一种网络设备负荷预测方法，其特征在于，包括如下步骤：

步骤1、在系统中建立话务模型的关键参数和设备负荷之间的关联模型，

m₁x₁+m₂x₂+…+m_nx_n＝cp    (1)，

其中，选择的参数为n，x₁表示第1个话务模型的参数，m₁表示第1个话务模型参数的权值；x₂表示第2个话务模型的参数；m₂表示第2个话务模型参数的权值；x_n表示第n个话务模型的参数，m_n表示第n个话务模型参数的权值，cp表示设备负荷；

步骤2、用预警分析系统对话务模型关键参数的权值进行估计与训练；

步骤3、利用话务模型关键参数的最终估计值和关联模型方程，用预警分析系统计算出设备负荷；

步骤4、系统对设备负荷进行分析，当设备负荷达到预定值时，触发网络预警，否则，重复步骤2。

2.根据权利要求1所述的一种网络设备负荷预测方法，其特征在于，所述步骤2包括：

步骤21、系统确定话务量忙时；

步骤22、网管系统采集n天的话务忙时的各话务模型参数数据，作为估计参数权值的训练序列X₁(n)；

步骤23、把n个训练序列代入前述方程(1)，求解得n阶矩阵关系式，得到各参数权值mi的估计值

步骤24、另取n组忙时训练数据X₂(n)，对估计值 $\hat{M}=({\hat{m}}_1,{\hat{m}}_2,\mathrm{\Λ},{\hat{m}}_n)$ 进行训练，计算得到n个设备负荷估计值

从而得到与实际统计得到的设备负荷cp值的差值Δcp_i，取 $\mathrm{\Δ}{\mathrm{cp}}_i={\mathrm{cp}}_i-{c\hat{p}}_i,$ 式中cp_i表示第i个训练序列设备负荷cp值；

步骤25、建立另一个关联关系

m₁′x₁+m₂′x₂+…+m_n′x_n＝Δcp，

式中，x₁′表示第1个话务模型的参数，m₁′表示第1个话务模型参数的权值；x₂′表示第2个话务模型的参数；m₂′表示第2个话务模型参数的权值；x_n′表示第n个话务模型的参数，m_n′表示第n个话务模型参数的权值；

利用X₂(n)中的n组数据，计算得到第i个话务模型权值m_i′；步骤26、得到话务模型关键参数权值的最终估计值 $m_i={\hat{m}}_i+m_i^{\′}.$

3.根据权利要求2所述的一种网络设备负荷预测方法，其特征在于，所述的步骤21中，每天的话务忙时是根据各时段交换机的话务量大小来确定，选择话务量最大的时段，为忙时。

Images