CN101399708A - 一种建立网络性能模型的方法和设备 - Google Patents

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

一种建立网络性能模型的方法和设备

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μ_j，方差为

混合权值为ω_j，则该性能数据的概率密度函数 $p\left(s\right|\mathrm{\θ})=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{N}_s({\mathrm{\μ}}_j,{\mathrm{\σ}}_j^2),$ 其中， $\mathrm{\θ}=({\mathrm{\ω}}_j,{\mathrm{\μ}}_j,{\mathrm{\σ}}_j^2),$ 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：

$l(\mathrm{\α},\mathrm{\β})=\underset{d=1}{\overset{M}{\mathrm{\Σ}}}\log p\left(w_d\right|\mathrm{\α},\mathrm{\β})---\left(1\right)$

其中，M为选定的发送性能数据的网络节点的数目，w_d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Z_d，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，

$\mathrm{Dir}\left(\mathrm{\α}\right)=\frac{1}{B\left(\mathrm{\α}\right)}\underset{i=1}{\overset{K}{\mathrm{\Π}}}{x}_i^{{\mathrm{\α}}_i-1}=\frac{\mathrm{\Γ}\left(\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\α}}_i\right)}{{\mathrm{\Π}}_{i=1}^K\mathrm{\Γ}\left({\mathrm{\α}}_i\right)}\underset{i=1}{\overset{K}{\mathrm{\Π}}}{x}_i^{{\mathrm{\α}}_i-1}---\left(2\right)$

Z_d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)，w_d在Z_d和β参数条件下的概率为p(w_d|Z_d，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w_d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w_d出现概率最大时的α参数和β参数值。由于(1)式中的p(w_d|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：

$\log p\left(w_d\right|\mathrm{\α},\mathrm{\β})=\log \∫\underset{Z_d}{\mathrm{\Σ}}p(\mathrm{\θ},Z_d,w_d|\mathrm{\α},\mathrm{\β})\mathrm{d\θ}$

(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，E_q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： $\log p\left(w_d\right|\mathrm{\α},\mathrm{\β})=$

由K-L散度的性质可得，

所以，在

取最大值时，logp(w_d|α，β)也取最大值。

$=E_q\left[\log p\left(\mathrm{\θ}\right|\mathrm{\α})\right]+E_q\left[\log p\left(Z_d\right|\mathrm{\θ})\right]+E_q\left[\log p\left(w_d\right|Z_d,\mathrm{\β})\right]$

$=\log \mathrm{\Γ}\left({\mathrm{\Σ}}_{j=1}^k{\mathrm{\α}}_j\right)-\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\log \mathrm{\Γ}\left({\mathrm{\α}}_i\right)+\underset{i=1}{\overset{k}{\mathrm{\Σ}}}({\mathrm{\α}}_i-1)(\mathrm{\Ψ}\left({\mathrm{\γ}}_i\right)-\mathrm{\Ψ}\left({\mathrm{\Σ}}_{j=1}^k{\mathrm{\γ}}_j\right))$

(5)式取最大值就是以γ和

为自变量对(5)式求极值，将α参数和β参数作为已知变量，求得最优的γ和

参数为：

              (6)

利用初始设置的α参数和β参数值，采用迭代算法计算出γ和

参数的值，即计算出(6)式中的所有γ_i和

值。

上述计算γ和

参数值的过程可以采用如下程序实现：

initialize  

initialize γ_i：＝α_i+N/K for all i；

repeat

for n＝1 to N；

for i＝1 to K；

${\mathrm{\γ}}^{t+1}:=\mathrm{\α}+{\mathrm{\Σ}}_{n=1}^N{\mathrm{\φ}}_n^{t+1};$

Until convergence.

将计算出的γ和

参数的值重新代入(1)式的似然函数 $l(\mathrm{\α},\mathrm{\β})=\underset{d=1}{\overset{M}{\mathrm{\Σ}}}\log p\left(w_d\right|\mathrm{\α},\mathrm{\β}),$ 并将(1)式中的logp(w_d|α，β)用(5)式的

代替，然后将α参数和β参数作为自变量，对

求极值，可以得出：

$L\left(\mathrm{\α}\right)=\underset{d=1}{\overset{M}{\mathrm{\Σ}}}(\log \mathrm{\Γ}\left(\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\α}}_j\right)-\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\log \mathrm{\Γ}\left({\mathrm{\α}}_i\right)+\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\left(({\mathrm{\α}}_i-1)(\mathrm{\Ψ}\left({\mathrm{\γ}}_{d_i}\right)-\mathrm{\Ψ}\left(\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\γ}}_{d_j}\right))\right));---\left(8\right)$

将求得的γ和

参数代入(7)式，得到β参数值，以α参数为变量对(8)式求极值，可以得到α参数。其中，可以采用牛顿-拉夫逊方法对(8)式求极值。

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 $p\left(\mathrm{\θ}\right|\mathrm{\α})=\frac{\mathrm{\Γ}\left({\mathrm{\Σ}}_{i-1}^K{\mathrm{\α}}_i\right)}{{\mathrm{\Π}}_{i=1}^K\mathrm{\Γ}\left({\mathrm{\α}}_i\right)}{\mathrm{\θ}}_1^{{\mathrm{\α}}_1-1}{\mathrm{\θ}}_2^{{\mathrm{\α}}_2-1}...{\mathrm{\θ}}_K^{{\mathrm{\α}}_K-1};$ 对于第d个节点，取Z_d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，...，w_n，...，w_N}，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 $p\left(\mathrm{\θ}\right|\mathrm{\α})=\frac{\mathrm{\Γ}\left({\mathrm{\Σ}}_{i-1}^K{\mathrm{\α}}_i\right)}{{\mathrm{\Π}}_{i=1}^K\mathrm{\Γ}\left({\mathrm{\α}}_i\right)}{\mathrm{\θ}}_1^{{\mathrm{\α}}_1-1}{\mathrm{\θ}}_2^{{\mathrm{\α}}_2-1}...{\mathrm{\θ}}_K^{{\mathrm{\α}}_K-1};$ 选择与性能数据w_dn对应的Z_dn服从Multinomial(θ)分布；选择w_dn满足p(w_dn|Z_dn，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w_dn为所述第d个网络节点的第n个仿真性能数据，Z_dn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w_d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(w_d|Z_d，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×K_s，其中，K_s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。

等效函数建立单元5231，用于在似然函数建立单元522建立的似然函数l(α，β)中引入中间变量γ和

得到该似然函数l(α，β)的简化等效函数

其中，γ为K维的参数，为K×V维的参数。

中间变量计算单元5232，用于将α参数和β参数作为已知变量，γ和

作为自变量，对等效函数建立单元5231建立的简化等效函数

取极值，得出最优的γ和

的参数值。

α参数和β参数计算单元5233，用于将中间变量计算单元5232得出的最优的γ和的参数值代入简化等效函数

并将α参数和β参数作为自变量，对该简化等效函数

求极值，得出α参数和β参数的值。

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；

Z_d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Z_d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： $l(\mathrm{\α},\mathrm{\β})=\underset{d=1}{\overset{M}{\mathrm{\Σ}}}\log p\left(w_d\right|\mathrm{\α},\mathrm{\β});$ 其中，

M为所述选定的发送性能数据的网络节点的数目，w_d为第d个网络节点发送的性能数据，p(w_d|α，β)为在α参数和β参数条件下w_d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Z_d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；Z_d参数表示第d个网络节点的各性能数据的分布规律，该Z_d参数服从多项式分布Multinomial(θ)；α为K维的参数；w_d在Z_d和β参数条件下的概率为p(w_d|Z_d，β)时，β为K×V维的参数，w_d在Z_d和β参数条件下满足高斯分布时，β为2×K×K_s维的参数；其中，V表示性能数据的样本空间，K_s为高斯成分数。

6、根据权利要求5述的方法，其特征在于，当w_d在Z_d和β参数条件下的概率为p(w_d|Z_d，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：

在似然函数l(α，β)中引入中间变量γ和得到所述似然函数l(α，β)的简化等效函数

其中，γ为K维的参数，

为K×V维的参数；

将α参数和β参数作为已知变量，γ和

作为自变量，对所述简化等效函数

取极值，得出最优的γ和

的参数值；

将得出的最优的γ和

的参数值代入所述简化等效函数并将α参数和β参数作为自变量，对所述简化等效函数

求极值，得出α参数和β参数的值，将所述得出的α参数和β参数的值作为使得该似然函数l(α，β)取值最大时的α参数和β参数值。

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Z_d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w_dn对应的Z_dn服从Multinomial(θ)分布；

利用所述确定的β参数，当w_dn在Z_dn和β参数条件下的概率为p(w_dn|Z_dn，β)时，选择w_dn满足p(w_n|Z_dn，β)，当w_dn在Z_dn和β参数条件满足高斯分布时，选择w_dn满足高斯分布；其中，所述w_dn为所述第d个网络节点的第n个仿真性能数据，Z_dn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×K_s的参数，其中，V表示所述性能数据的样本空间，K_s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。

11、根据权利要求10所述的设备，其特征在于，所述参数计算单元包括：

等效函数建立单元，用于在所述似然函数建立单元建立的似然函数l(α，β)中引入中间变量γ和

得到所述似然函数l(α，β)的简化等效函数

其中，γ为K维的参数，

为K×V维的参数；

中间变量计算单元，用于将α参数和β参数作为已知变量，γ和

作为自变量，对所述等效函数建立单元建立的简化等效函数L(γ，

，α，β)取极值，得出最优的γ和

的参数值；

α参数和β参数计算单元，用于将所述中间变量计算单元得出的最优的γ和

的参数值代入所述简化等效函数

并将α参数和β参数作为自变量，对所述简化等效函数

求极值，得出α参数和β参数的值。

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；

Z_d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Z_d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。

Images