CN101399708A - 一种建立网络性能模型的方法和设备 - Google Patents
一种建立网络性能模型的方法和设备 Download PDFInfo
- Publication number
- CN101399708A CN101399708A CN200710151586.1A CN200710151586A CN101399708A CN 101399708 A CN101399708 A CN 101399708A CN 200710151586 A CN200710151586 A CN 200710151586A CN 101399708 A CN101399708 A CN 101399708A
- Authority
- CN
- China
- Prior art keywords
- parameter
- performance data
- alpha
- network
- performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004088 simulation Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000000470 constituent Substances 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种建立网络性能模型的方法和设备,接收网络中的网络节点发送的性能数据;利用所述接收到的性能数据,确定体现全网中各网络节点之间性能数据相关性的α参数,以及体现全网的性能数据分布规律的β参数;利用确定的α和β参数建立隐含狄利克雷分配(LDA)网络性能模型。不仅确定了体现全网的各性能数据分布规律的β参数,而且确定了体现全网中网路节点之间性能数据相关性的α参数,也就是说结合适用确定的α参数和β参数能够得到全网中各网络节点之间性能数据之间的分布规律作为建立网络性能模型的因素,使得建立的网络性能模型不仅能够可靠地体现发送性能数据的网络节点的性能,同样能够推广到全网的其它网络节点,可靠地体现全网的性能。
Description
技术领域
本发明涉及计算机网络技术,特别涉及一种建立网络性能模型的方法和设备。
背景技术
目前,随着网络技术的飞速发展,用户数量以及新业务的不断增多,网络运营商必须尽力提供最好的服务给用户,以适应激烈的市场竞争环境。在这样的背景下,网络性能越来越成为关注的交点。运营商在实际应用过程中往往需要通过对实际网络环境进行模拟仿真来了解网络性能,从而实现网络规划、网络优化、服务质量(QoS,Quality of Service)控制等。而对实际网络环境进行模拟仿真时,往往需要在获取实际网络运行规律的基础上,建立网络性能模型,利用该建立的网络性能模型对实际网络环境进行模拟仿真。
现有技术中建立的网络性能模型是高斯混合模型。建立高斯混合模型的基本思想是:首先网络中一部分网络节点采集性能数据,假设各性能数据是由多个成分来描述的,所述成分就是性能数据的产生因素,每个成分都服从高斯分布,在此,将各成分称为高斯成分,建立的高斯混合模型中的性能数据为各高斯成分的加权总和。假设某个性能数据由N个高斯成分来描述,而第j个高斯成份的高斯分布均值为μj,方差为混合权值为ωj,则该性能数据的概率密度函数 其中, s为性能数据。该概率密度函数表示在性能数据的高斯成分确定情况下,该性能数据的概率密度。将每个性能数据作为行,以各个高斯成分作为列可以得到一个矩阵,该矩阵中的值为取该值所在行对应的性能数据,及其所在列对应的高斯成分时的概率密度,该矩阵表明了每个测量到的性能数据的各高斯成分的分布情况。将该矩阵作为网络性能模型的参数便可以建立起仿真环境。
但是,由于高斯混合模型作为网络性能模型时,只是利用采集性能数据的网络节点所采集的性能数据样本进行地高斯成分加权,即该网络性能模型是针对采集性能数据的网络节点所建立的,仅可以可靠地体现该部分网络节点的性能,而对于网络中的其它网络节点,其采集的性能数据并不能通过该网络性能模型体现,也就是说,现有技术中这种方法建立的网络性能模型并不能推广到全网,即不能可靠地体现全网的性能。
发明内容
本发明实施例提供了一种建立网络性能模型的方法和设备,以便于可靠地体现全网的性能。
一种建立网络性能模型的方法,该方法包括:
接收网络中的网络节点发送的性能数据;
利用所述接收到的性能数据,确定体现全网中各网络节点之间性能数据相关性的α参数,以及体现全网的性能数据分布规律的β参数;
利用所述确定的α参数和β参数建立隐含狄利克雷分配LDA网络性能模型。
一种建立网络性能模型的设备,该设备包括:
数据接收单元,用于接收性能数据;
参数确定单元,用于根据所述数据接收单元接收到的性能数据,确定体现全网中各网络节点之间性能数据相关性的α参数,以及体现全网的性能数据分布规律的β参数;
模型建立单元,用于利用所述参数确定单元确定的α参数和β参数建立LDA网络性能模型。
由以上技术方案可以看出,本发明实施例提供的方法和设备,利用接收到的性能数据,不仅确定了体现全网的性能数据分布规律的β参数,而且确定了体现全网中各网路节点之间性能数据相关性的α参数,也就是说结合适用确定的α参数和β参数能够得到全网中各网络节点之间性能数据的分布规律作为建立网络性能模型的因素,使得建立的网络性能模型不仅能够可靠地体现发送性能数据的网络节点的性能,同样能够推广到全网的其它网络节点,可靠地体现全网的性能。
附图说明
图1为本发明实施例提供的建立网络模型的方法流程图;
图2为本发明实施例提供的采用极大似然法来估计α参数和β参数的方法流程图;
图3a为本发明实施例提供的引入中间变量前的LDA模型内部结构图;
图3b为本发明实施例提供的引入中间变量后的LDA模型内部结构图;
图3c为本发明实施例提供的引入高斯分布的LDA模型内部结构图;
图4为本发明实施例提供的建立网络性能模型的系统结构图;
图5为本发明实施例提供的建立网络性能模型的设备结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
本发明实施例提供的方法主要包括:接收网络中的网络节点发送的性能数据;利用接收到的性能数据,确定体现全网中各网络节点之间性能数据相关性的α参数,以及体现全网的性能数据分布规律的β参数;利用确定的α参数和β参数建立隐含获利克雷分配(LDA,Latent Dirichlet Allocation)网络性能模型。
该方法还可以进一步包括:利用建立的LDA网络性能模型产生该网络中各网络节点的仿真性能数据,从而建立网络性能仿真环境。
图1为本发明实施例提供的建立网络模型的方法流程图,如图1所示,该方法主要包括以下步骤:
步骤101:接收网络中网络节点采集的性能数据。
本步骤中,该网络节点采集的性能数据可以是带宽、时延或其它性能数据。
另外,为了减少样本空间,还可以对采集到的性能数据进行处理,然后将处理后的性能数据作为样本数据。其中,所述处理可以为:如果采集的性能数据精度过大,可以通过对性能数据取整,减小性能数据的精度,例如:将5.21表示为5;如果采集的性能数据范围过大,可以将采集到的性能数据进行分块,例如,使用1表示[0,10),使用2表示[10,20)。
步骤102:利用接收到的网络中的网络节点的性能数据,确定体现全网中各网络节点之间性能数据相关性的α参数,以及体现全网的性能数据分布规律的β参数。
本步骤就是利用一部分网络节点的性能数据,得到网络中网络节点之间性能数据的相关性,记忆各性能数据的分布规律,从而能够推广到网络中所有网络节点性能数据的分布规律。
本步骤中,确定α参数和β参数为确定该性能数据出现概率最大时对应的α参数和β参数。确定的方法可以采用极大似然法来进行估计,也可以采用其它估计法进行估计。
具体确定方法可以采用图2所示的流程,该实施例中,采用极大似然法来估计α参数和β参数,如图2所示,该确定α参数和β参数的过程主要包括:
步骤201:初始化网络模型的组成成分数K,并初始设置α参数和β参数。
本步骤中,K表示该网络中各网络节点之间的相关性由K个因素决定,K≥2,该K的取值一般是经验值。α为K维的参数,β为K×V维的参数,其中,V表示接收到的网络节点的性能数据的样本空间。一般情况下,设置α参数初始值为1和β参数的初始值为0。
步骤202:建立包含α参数和β参数的似然函数。
本步骤中建立的似然函数l(α,β)可以为:
其中,M为选定的发送性能数据的网络节点的数目,wd为第d个网络节点发送的性能数据。似然函数l(α,β)中包含隐含的内部变量θ和Zd,其中,θ表示不同网络节点之间的性能数据的分布规律,服从狄利克雷分布Dir(α),其中,θ与α都为K维的参数,
Zd表示第d个网络节点的各性能数据的分布规律,服从多项式分布Multinomial(θ),wd在Zd和β参数条件下的概率为p(wd|Zd,β)。
步骤203:根据接收的性能数据,计算使得该似然函数取值最大时的α参数和β参数值。
由于步骤202中建立的似然函数l(α,β)表示wd在网络节点之间性能数据相关性为α参数体现的状况,以及各性能数据的分布规律为β参数体现的状况情况下的出现概率,所以,本步骤中计算该似然函数l(α,β)取值最大时的α参数和β参数值,即为性能数据wd出现概率最大时的α参数和β参数值。由于(1)式中的p(wd|α,β)的计算十分复杂,所以,在此可以采用变分法简化计算α参数和β参数值的计算。具体为:
(3)
其中,γ和是在变分法过程中引入的一个中间变量,γ为K维的参数,为K×V维的参数,同样,q也是引入的一个中间函数,Eq表示q函数的期望值。引入中间变量前的LDA模型内部结构可以如图3a所示,引入中间变量后的LDA模型内部结构可以如图3b所示。
(3)式中,不等号左右两边的差值为K-L散度:
(4)
由(4)式可得:
initialize γi:=αi+N/K for all i;
repeat
for n=1 to N;
for i=1 to K;
Until convergence.
更优地,以求得的α和β参数值作为初始已知变量重复执行上述步骤201至步骤203,重新计算γ和参数值,从而重新计算α和β参数值,然后将求得的α和β参数值再作为初始已知变量,以此类推,当求得的α和β参数值收敛时,将收敛时的α和β参数值作为最终的α和β参数值。
步骤204:保存求得的α参数和β参数值。
在下次进行网络性能模型的建立时,可以将保存的α参数和β参数值作为初始设置的α参数和β参数进行迭代计算。
步骤103:利用确定的α参数和β参数建立LDA网络性能模型。
本步骤中,建立LDA网络性能模型的过程为利用α参数和β参数,确定该LDA模型内部变量的过程。内部变量θ服从Dir(α)分布,即 对于第d个节点,取Zd服从Multinomial(θ)分布,其中,d∈V。
在网络性能模型建立完成后,可以利用该建立的网络性能模型继续执行以下步骤:
步骤104:利用建立的LDA网络性能模型产生性能数据。
由于上述建立的LDA模型中的α参数体现网络中网路节点之间性能数据相关性,β参数体现了各性能数据的分布规律,所以,将α参数和β参数结合得到的LDA模型便能够体现全网性能。
本步骤中,假设需要利用建立的LDA网络性能模型产生某个网络节点的仿真性能数据{w1,w2,...,wn,...,wN},产生仿真性能数据的步骤为:选择第d个网络节点产生仿真性能数据的数目为N,使该N服从泊松分布;利用确定的α参数,选择θ服从Dir(α)分布,即 选择与性能数据wdn对应的Zdn服从Multinomial(θ)分布;选择wdn满足p(wdn|Zdn,β);重复执行上述过程,利用LDA网络性能模型便可以产生多个网络节点的仿真性能数据。所述wdn为所述第d个网络节点的第n个仿真性能数据,Zdn为第d个网络节点的第n个仿真性能数据的分布规律。
由于建立的LDA模型能够体现全网中网络节点的性能,因此,本步骤中产生的仿真性能数据可以是步骤101中的采集性能数据的一部分网络节点的仿真性能数据,也可以是该网络中其它部分网络节点的仿真性能数据。
利用步骤104中产生的网络节点的仿真性能数据,可以建立网络性能仿真环境。
利用步骤104中产生的各网络节点的仿真性能数据,将产生的仿真性能数据分配到仿真环境的各个网络节点,该仿真性能数据是各节点的时延和带宽,则将该性能数据分配给仿真环境中的网络节点作为该网络节点的时延和带宽值,便可以重构与实际网络具有相同分布规律的仿真环境。例如,如果需要建立体现各节点时延的仿真环境,则可以接收网络中一部分网络节点采集的时延数据,并利用接收到的时延数据,确定体现网络中网络节点之间性能数据相关性的α参数,以及体现各性能数据分布规律的β参数,利用确定的α参数和β参数建立LDA模型,再利用该建立的LDA模型产生该网络中所有网络节点的仿真时延数据,并根据所有网络节点的仿真时延数据建立网络性能仿真环境,从而利用该建立的仿真环境,可以进行模拟测试,为实际网络的优化,Qos控制等提供重要依据。
另外,在图2所示的流程中,还可以假设wd在Z和β参数条件下分布还可以满足高斯分布,则在上述方法中p(wd|Zd,β)均由高斯分布替代,具体计算方法仍然可以采用图2流程所提供的计算α参数和β参数的方法,但是,此时的参数需要相应的改变,即β参数变为2×K×Ks,其中,Ks为高斯成分数,该高斯分布包含μ和σ参数,其LDA模型内部结构如图3c所示。其具体计算过程在此不再赘述。
图4为本发明实施例提供的建立网络性能模型的系统结构图,如图4所示,该系统包括:网络节点401和性能模型建立设备402。
网络节点401,用于发送自身的性能数据。
性能模型建立设备402,用于接收网络节点401发送的性能数据,利用接收到的性能数据,确定体现全网中各网络节点之间性能数据相关性的α参数,以及体现全网的性能数据分布规律的β参数,利用确定的α参数和β参数建立LDA网络性能模型。
该系统还可以包括:性能数据产生设备403,用于根据性能模型建立设备402建立的网络性能模型产生性能数据。
该性能数据产生设备403可以为独立的设备,也可以设置在性能模型建立设备402中。
其中,性能模型建立设备402的结构可以如图5所示,该性能模型建立设备主要包括:数据接收单元510、参数确定单元520和模型建立单元530;
数据接收单元510,用于接收性能数据。
参数确定单元520,用于利用数据接收单元510接收到的性能数据,确定网络节点之间性能数据相关性的α参数,以及体现各性能数据分布规律的β参数。
模型建立单元530,用于利用参数确定单元520确定的α参数和β参数建立LDA网络性能模型。
该设备还可以包括:性能数据产生单元540,用于根据模型建立单元530建立的网络性能模型产生性能数据。
其中,所述参数确定单元520可以包括:初始化单元521、似然函数建立单元522以及参数计算单元522。
初始化单元521,用于初始化网络性能模型的组成成分数K。
似然函数建立单元522,用于根据初始化单元521初始化的组成成分数K,建立包含α参数和β参数的似然函数l(α,β);其中,α为K维的参数,β为K×V维的参数,其中,V表示该性能数据的样本空间。
参数计算单元523,根据数据接收单元510接收到的性能数据,计算使得似然函数建立单元522建立的似然函数l(α,β)取值最大时的α参数和β参数值。
其中,参数计算单元523可以包括:等效函数建立单元5231、中间变量计算单元5232以及α参数和β参数计算单元5233。
其中,模型建立单元530包括:
θ参数确定单元531,用于根据参数确定单元520确定的α参数和β参数,确定LDA模型的内部变量θ参数所服从的Dir(α)分布;
Zd参数确定单元532,用于根据参数确定单元520确定的α参数和β参数,确定LDA模型的内部变量Zd参数所服从的Multinomial(θ)分布。
由以上描述可以看出,本发明实施例提供的建立网络性能模型的方法、系统和设备,接收网络中选定的网络节点发送的性能数据;利用接收到的性能数据,确定体现全网中各网络节点之间性能数据相关性的α参数,以及体现全网的性能数据分布规律的β参数;利用确定的α参数和β参数建立LDA网络性能模型作为网络性能模型。实施例提供的建立网络性能模型的方法利用接收到的性能数据,不仅确定了体现各性能数据分布规律的β参数,而且确定了体现网络中网路节点之间性能数据相关性的α参数,也就是结合适用确定的α参数和β参数能够得到全网中各网络节点之间性能数据之间的分布规律,利用该各网络节点之间性能数据的分布规律作为建立网络性能模型的因素,使得建立的网络性能模型不仅能够可靠地体现发送性能数据的网络节点的性能,同样能够推广到全网的其它网络节点,可靠地体现全网的性能。
本发明实施例中还提供了结合变分法,采用极大似然法确定使得性能数据出现概率最大时对应的α参数和β参数,使得基于该网络性能模型建立的仿真环境更加的贴近实际网络性能,也使得计算α参数和β参数的过程更加简单,计算的数据量更小。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明保护的范围之内。
Claims (13)
1、一种建立网络性能模型的方法,其特征在于,该方法包括:
接收网络中的网络节点发送的性能数据;
利用所述接收到的性能数据,确定体现全网中各网络节点之间性能数据相关性的α参数,以及体现全网的性能数据分布规律的β参数;
利用所述确定的α参数和β参数建立隐含狄利克雷分配LDA网络性能模型。
2、根据权利要求1所述的方法,其特征在于,在确定所述α参数和β参数之前还包括:对所述接收到的性能数据进行取整处理和/或分块处理;
利用所述取整处理和/或分块处理后的性能数据,执行所述确定体现网络中网络节点之间性能数据相关性的α参数,以及体现各性能数据分布规律的β参数的步骤。
3、根据权利要求1所述的方法,其特征在于,所述利用接收到的性能数据,确定体现网络中网络节点之间性能数据相关性的α参数,以及体现各性能数据分布规律的β参数为:确定使得接收到的所述性能数据出现概率最大时对应的α参数和β参数。
4、根据权利要求3所述的方法,其特征在于,所述使得接收到的所述性能数据出现概率最大时对应的α参数和β参数是采用极大似然法确定的;具体确定过程包括:
初始化网络模型的组成成分数K,K大于等于2;
建立包含α参数和β参数的似然函数l(α,β);
根据接收到的性能数据,计算使得该似然函数l(α,β)取值最大时的α参数和β参数值。
5、根据权利要求4所述的方法,其特征在于,所述包含α参数和β参数的似然函数l(α,β)为: 其中,
M为所述选定的发送性能数据的网络节点的数目,wd为第d个网络节点发送的性能数据,p(wd|α,β)为在α参数和β参数条件下wd出现的概率;
所述似然函数l(α,β)包含内部隐含变量θ参数和Zd参数,θ参数表示各网络节点的性能数据的分布规律,该θ参数服从狄利克雷分布Dir(α),其中,θ为K维的参数;Zd参数表示第d个网络节点的各性能数据的分布规律,该Zd参数服从多项式分布Multinomial(θ);α为K维的参数;wd在Zd和β参数条件下的概率为p(wd|Zd,β)时,β为K×V维的参数,wd在Zd和β参数条件下满足高斯分布时,β为2×K×Ks维的参数;其中,V表示性能数据的样本空间,Ks为高斯成分数。
6、根据权利要求5述的方法,其特征在于,当wd在Zd和β参数条件下的概率为p(wd|Zd,β)时,所述计算使得该似然函数l(α,β)取值最大时的α参数和β参数值为:使用变分法计算使得该似然函数l(α,β)取值最大时的α参数和β参数值;具体计算过程包括:
7、根据权利要求5所述的方法,其特征在于,利用所述确定的α参数和β参数建立LDA网络性能模型包括:利用所述确定的α参数和β参数,确定所述内部变量θ参数所服从的Dir(α)分布,以及Zd参数所服从的Multinomial(θ)分布。
8、根据权利要求7所述的方法,其特征在于,该方法还包括:利用建立的LDA性能模型产生网络节点的仿真性能数据;具体包括:
选择第d个网络节点产生性能数据的数目为N,使所述N服从泊松分布;
利用所述确定的α参数,选择所述内部变量θ参数,使所述θ参数服从Dir(α)分布;
选择与仿真性能数据wdn对应的Zdn服从Multinomial(θ)分布;
利用所述确定的β参数,当wdn在Zdn和β参数条件下的概率为p(wdn|Zdn,β)时,选择wdn满足p(wn|Zdn,β),当wdn在Zdn和β参数条件满足高斯分布时,选择wdn满足高斯分布;其中,所述wdn为所述第d个网络节点的第n个仿真性能数据,Zdn为第d个网络节点的第n个性能数据的分布规律。
9、一种建立网络性能模型的设备,其特征在于,该设备包括:
数据接收单元,用于接收性能数据;
参数确定单元,用于根据所述数据接收单元接收到的性能数据,确定体现全网中各网络节点之间性能数据相关性的α参数,以及体现全网的性能数据分布规律的β参数;
模型建立单元,用于利用所述参数确定单元确定的α参数和β参数建立LDA网络性能模型。
10、根据权利要求9所述的设备,其特征在于,所述参数确定单元包括:
初始化单元,用于初始化网络性能模型的组成成分数K;
似然函数建立单元,用于根据所述初始化单元初始化的组成成分数K,建立包含α参数和β参数的似然函数l(α,β);其中,α为K维的参数,β为K×V维或2×K×Ks的参数,其中,V表示所述性能数据的样本空间,Ks表示高斯成分数;
参数计算单元,根据所述数据接收单元接收到的性能数据,计算使得所述似然函数建立单元建立的似然函数l(α,β)取值最大时的α参数和β参数值。
12、根据权利要求9所述的设备,其特征在于,所述模型建立单元包括:
θ参数确定单元,用于根据所述参数确定单元确定的α参数和β参数,确定所述LDA模型的内部变量θ参数所服从的Dir(α)分布;
Zd参数确定单元,用于根据所述参数确定单元确定的α参数和β参数,确定所述LDA模型的内部变量Zd参数所服从的Multinomial(θ)分布。
13、根据权利要求9所述的设备,其特征在于,该设备还可以包括:性能参数产生单元,用于根据所述模型建立单元建立的网络性能模型产生仿真性能数据。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200710151586.1A CN101399708B (zh) | 2007-09-28 | 2007-09-28 | 一种建立网络性能模型的方法和设备 |
PCT/CN2007/071279 WO2009039708A1 (fr) | 2007-09-28 | 2007-12-20 | Procédé et dispositif pour établir un modèle d'efficacité de réseau |
US12/140,711 US8478570B2 (en) | 2007-09-28 | 2008-06-17 | Method and apparatus for establishing network performance model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200710151586.1A CN101399708B (zh) | 2007-09-28 | 2007-09-28 | 一种建立网络性能模型的方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101399708A true CN101399708A (zh) | 2009-04-01 |
CN101399708B CN101399708B (zh) | 2012-04-04 |
Family
ID=40509357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200710151586.1A Active CN101399708B (zh) | 2007-09-28 | 2007-09-28 | 一种建立网络性能模型的方法和设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US8478570B2 (zh) |
CN (1) | CN101399708B (zh) |
WO (1) | WO2009039708A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102439597A (zh) * | 2011-07-13 | 2012-05-02 | 华为技术有限公司 | 基于潜在狄利克雷模型的参数推断方法、计算装置及系统 |
CN103607309A (zh) * | 2013-11-29 | 2014-02-26 | 中国移动通信集团广东有限公司江门分公司 | 一种业务kqi与qoe的映射方法 |
CN104618159A (zh) * | 2015-01-28 | 2015-05-13 | 北京航空航天大学 | 一种基于非线性容量负载模型的网络资源再分配方法 |
CN103945464B (zh) * | 2014-05-04 | 2017-06-06 | 中国科学院声学研究所 | 参数预测处理方法 |
WO2020155045A1 (zh) * | 2019-01-31 | 2020-08-06 | 西门子股份公司 | 网络设备的通信模型的建立方法及装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2007339762B2 (en) * | 2006-12-27 | 2011-03-31 | The Johns Hopkins University | Compositions and methods for treating inflammation and auto-immune diseases |
CN103440501A (zh) * | 2013-09-01 | 2013-12-11 | 西安电子科技大学 | 基于非参数空间判决隐狄利克雷模型的场景分类方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6484206B2 (en) * | 1998-10-07 | 2002-11-19 | Nortel Networks Limited | Efficient recovery of multiple connections in a communication network |
US6542894B1 (en) * | 1998-12-09 | 2003-04-01 | Unica Technologies, Inc. | Execution of multiple models using data segmentation |
US7099282B1 (en) | 1998-12-24 | 2006-08-29 | Mci, Inc. | Determining the effects of new types of impairments on perceived quality of a voice service |
WO2001010082A2 (en) * | 1999-07-30 | 2001-02-08 | Accenture Llp | A system, method and article of manufacture for network performance modeling |
US6735553B1 (en) * | 2000-07-13 | 2004-05-11 | Netpredict, Inc. | Use of model calibration to achieve high accuracy in analysis of computer networks |
IL146597A0 (en) * | 2001-11-20 | 2002-08-14 | Gordon Goren | Method and system for creating meaningful summaries from interrelated sets of information |
CN100364270C (zh) * | 2003-12-16 | 2008-01-23 | 北京航空航天大学 | 动态构造的网络管理方法 |
CN1300984C (zh) * | 2004-12-02 | 2007-02-14 | 上海交通大学 | 建立复杂网络运行环境模拟仿真平台的方法 |
US20060136417A1 (en) * | 2004-12-17 | 2006-06-22 | General Electric Company | Method and system for search, analysis and display of structured data |
US7590513B2 (en) * | 2006-01-30 | 2009-09-15 | Nec Laboratories America, Inc. | Automated modeling and tracking of transaction flow dynamics for fault detection in complex systems |
CN100471139C (zh) * | 2006-05-25 | 2009-03-18 | 华为技术有限公司 | 一种网络测试的系统和方法 |
CN100420209C (zh) * | 2006-06-15 | 2008-09-17 | 哈尔滨工程大学 | 自动进行方案对比的可信网络仿真系统 |
CN101026502B (zh) * | 2007-04-09 | 2012-05-30 | 北京天勤信通科技有限公司 | 宽带网络综合性能管理平台 |
-
2007
- 2007-09-28 CN CN200710151586.1A patent/CN101399708B/zh active Active
- 2007-12-20 WO PCT/CN2007/071279 patent/WO2009039708A1/zh active Application Filing
-
2008
- 2008-06-17 US US12/140,711 patent/US8478570B2/en active Active
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102439597A (zh) * | 2011-07-13 | 2012-05-02 | 华为技术有限公司 | 基于潜在狄利克雷模型的参数推断方法、计算装置及系统 |
WO2012106885A1 (zh) * | 2011-07-13 | 2012-08-16 | 华为技术有限公司 | 基于潜在狄利克雷模型的参数推断方法、计算装置及系统 |
CN102439597B (zh) * | 2011-07-13 | 2014-12-24 | 华为技术有限公司 | 基于潜在狄利克雷模型的参数推断方法、计算装置及系统 |
US9213943B2 (en) | 2011-07-13 | 2015-12-15 | Huawei Technologies Co., Ltd. | Parameter inference method, calculation apparatus, and system based on latent dirichlet allocation model |
CN103607309A (zh) * | 2013-11-29 | 2014-02-26 | 中国移动通信集团广东有限公司江门分公司 | 一种业务kqi与qoe的映射方法 |
CN103607309B (zh) * | 2013-11-29 | 2017-01-11 | 中国移动通信集团广东有限公司江门分公司 | 一种业务kqi与qoe的映射方法 |
CN103945464B (zh) * | 2014-05-04 | 2017-06-06 | 中国科学院声学研究所 | 参数预测处理方法 |
CN104618159A (zh) * | 2015-01-28 | 2015-05-13 | 北京航空航天大学 | 一种基于非线性容量负载模型的网络资源再分配方法 |
CN104618159B (zh) * | 2015-01-28 | 2017-09-05 | 北京航空航天大学 | 一种基于非线性容量负载模型的网络资源再分配方法 |
WO2020155045A1 (zh) * | 2019-01-31 | 2020-08-06 | 西门子股份公司 | 网络设备的通信模型的建立方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US8478570B2 (en) | 2013-07-02 |
CN101399708B (zh) | 2012-04-04 |
WO2009039708A1 (fr) | 2009-04-02 |
US20090089036A1 (en) | 2009-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101399708B (zh) | 一种建立网络性能模型的方法和设备 | |
CN109768940B (zh) | 多业务sdn网络的流量分配方法及装置 | |
CN111629380B (zh) | 面向高并发多业务工业5g网络的动态资源分配方法 | |
CN111866954B (zh) | 一种基于联邦学习的用户选择和资源分配方法 | |
CN111064633B (zh) | 一种云边协同电力信息通信设备自动化测试资源分配方法 | |
CN110084365A (zh) | 一种基于深度学习的服务提供系统及方法 | |
Mechalikh et al. | PureEdgeSim: A simulation framework for performance evaluation of cloud, edge and mist computing environments | |
CN110365503A (zh) | 一种指标确定方法及其相关设备 | |
Schneider et al. | Social network analysis via multi-state reliability and conditional influence models | |
CN104981782A (zh) | 用于控制资源的系统、控制模式生成装置、控制装置、用于控制资源的方法和程序 | |
CN107948083A (zh) | 一种基于增强学习的sdn数据中心拥塞控制方法 | |
CN112541584A (zh) | 深度神经网络模型并行模式选择方法 | |
CN113312177B (zh) | 一种基于联邦学习的无线边缘计算系统、优化方法 | |
CN112637883A (zh) | 电力物联网中对无线环境变化具有鲁棒性的联邦学习方法 | |
CN113221475A (zh) | 一种用于高精度流场分析的网格自适应方法 | |
CN113762527A (zh) | 一种数据处理方法、系统、存储介质及电子设备 | |
Ray et al. | Modeling and verification of service allocation policies for multi-access edge computing using probabilistic model checking | |
Gan et al. | An optimal transport-based federated reinforcement learning approach for resource allocation in cloud-edge collaborative iot | |
CN105989407A (zh) | 一种基于神经网络的短波中值场强预测系统、方法及装置 | |
CN114358308A (zh) | 面向公平性保障的联邦学习的模型优化方法及系统 | |
CN104955059B (zh) | 基于贝叶斯网络的蜂窝网基站状态时变模型建立方法 | |
CN101741632A (zh) | 一种建立网络仿真环境的方法和设备 | |
DE10104926B4 (de) | Verfahren zur parallelen Simulation von Mobilfunknetzen | |
CN115618532A (zh) | 一种网络系统仿真方法及相关装置 | |
CN113312169A (zh) | 一种计算资源的分配方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211220 Address after: 450046 Floor 9, building 1, Zhengshang Boya Plaza, Longzihu wisdom Island, Zhengdong New Area, Zhengzhou City, Henan Province Patentee after: Super fusion Digital Technology Co.,Ltd. Address before: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen Patentee before: HUAWEI TECHNOLOGIES Co.,Ltd. |
|
TR01 | Transfer of patent right |