CN101572623B - 基于主客观组合评价的网络性能综合评价方法 - Google Patents

Abstract

本发明涉及一种基于主客观组合评价的网络性能综合评价方法。它包括步骤A：选取网络性能综合评价指标，收集网络性能数据，建立决策矩阵；B、使用主观分析法对网络性能进行评价，计算网络性能综合评价值；C、使用客观分析法对网络性能进行评价，计算出网络性能综合评价值：D、将主、客观分析法分别得到的综合评价值再进行组合评价，得出最终网络性能综和评价值。该方法有益效果是：避免了单纯使用客观分析方法可能会遇到的数据信息量不足，也避免了单纯使用主观分析方法造成的主观随意性，同时结合主客观法对网络性能进行评价，使评价更加科学和全面，该方法设计合理，实用性强，为实际网络性能监测和评价提供依据。

Description

基于主客观组合评价的网络性能综合评价方法

技术领域

本发明涉及网络性能的综合评价方法，用以合理，全面，综合地评价网络性能，为科学决策作参考，属于网络通信技术领域。

背景技术

随着网络重要性的不断提高和网络结构的日益复杂，人们对网络服务质量(QOS)的要求也在不断提高。计算机网络的可靠性、稳定性以及高效性等诸多性能方面的表现也被越来越多的网络使用者和网络管理开发者所关注。因此，网络性能分析评价技术应运而生。

目前，对网络性能指标的定义还没有标准化。在国际上，主要有两大机构针对网络性能参数指标展开研究。

其中，IETF的IP性能指标工作组(IP Performance Metrics Working Group，IPPM WG)提出了定义性能指标的原则与总体框架，并定义了评估IP网络数据传输业务的质量、性能和可靠性的一些指标，如连通性、单向时延、环回时延，丢包率、时延变化等。

ITU-T的第13研究组(Study Group 13，SG13)也提出了Y.1540(原I.380)建议，其中定义了衡量IP网上IP分组传输性能的四个参数：速度(speed)、精确性(accuracy)、可靠性(dependability)、可用性(availability)。并定义了一系列性能指标，如传输时延、时延变化、包错误率、丢包率、虚假IP包率、包吞吐量、字节吞吐量等。

目前对网络性能进行的分析和评价主要侧重于对网络协议或算法的性能分析，所涉及到的，往往只是某个具体性能指标，然而在对实际或设计的网络本身进行性能评价时，单个的指标有时并不能反映网络的整体性能。比如在比较甲，乙两个网络性能的优劣时，往往遇到这样的情况，甲网络有几项性能指标优于乙网络，同时乙网络也有另外几项性能指标优于甲网络，这样就很难直观地看出它们的性能好坏。因此，将多个指标转化为一个能够反映综合情况的指标来进行评价，以直观全面地反映网络的整体性能情况，就显得十分必要。

发明内容

为了解决以上诸多问题，本发明的目的是提供一种基于主客观组合评价的网络性能综合评价方法，该方法避免了单纯使用客观分析方法可能会遇到的数据信息量不足，同时也避免了单纯使用主观分析方法造成的主观随意性，受人为因素影响程度高等缺点，能为网络设计或规划提供参考，为实际网络性能监测和评价提供依据。

为了达到上述目的，本发明是采取以下的技术方案来实现的：

上述基于主客观组合评价的网络性能综合评价方法包括如下步骤：

A、选取网络性能综合评价指标，收集网络性能数据，设立决策矩阵：

将收集到的网络性能数据存放在一个决策矩阵中，该决策矩阵为

X＝(x_ij)_m×n

设有n个评价指标f_j(1≤j≤n)，性能数据样本数为m；

B、使用主观分析法对网络性能进行评价，计算出网络性能综合评价值：

使用模糊层次分析法(FAHP)进行主观赋权和利用专家评判给出各指标隶属函数，计算网络性能综合评价值；

C、使用客观分析法对网络性能进行评价，计算出网络性能综合评价值：

首先，对原始性能数据进行数据标准化处理；其次，确定评价指标权重；再次，使用线性加权计算综合评价值；

D、将主、客观分析法分别得到的综合评价值再进行组合评价，得出最终网络性能综和评价值：

其具体计算方法为：首先，将主、客观分析法得到的综合评价值存放到一个矩阵中，性能数据样本数为m，每组样本有2个评价值，则m个对象2个评价值构成的矩阵S＝(s_ij)_m×2称为新的决策矩阵；其次，将此决策矩阵按照类似上述客观分析法的步骤进行分析计算，得到组合评价值。

本发明的基于主客观组合评价的网络性能综合评价方法与现有技术相比较，具有如下有益效果是：该方法避免了单纯使用客观分析方法可能会遇到的数据信息量不足，同时也避免了单纯使用主观分析方法造成的主观随意性，受人为因素影响程度高等缺点，同时结合主客观法对网络性能进行评价，使评价更加科学和全面，该方法设计合理，实用性强，能为网络设计或规划提供参考，为实际网络性能监测和评价提供依据。

附图说明

图1是本发明的基于主客观组合评价的网络性能综合评价方法的流程图；

图2按照FAHP建立的网络性能综合评价模糊层次模型图；

图3是仿真的原始网络拓扑结构图。

具体实施方式

下面根据图1至3给出本发明的基于主客观组合评价的网络性能综合评价方法的一个实施例，要指出的是，所给出的实施例是为了说明本发明方法的技术特点和功能特点，使能更易于理解本发明，而不是用来限制本发明的范围。

参照图1，本发明的基于主客观组合评价的网络性能综合评价方法的流程框图，该方法的步骤如下：

A1、选取网络性能综合评价指标，收集网络性能数据，建立决策矩阵：

在针对实际网络进行性能评价时，由于网络对象不同，网络承载业务的差别，对网络性能的评价目标不同，对不同网络的性能评价指标的要求也不同。例如，企业网中支持的服务主要是数据库查询、文件传输业务服务，最敏感的性能指标是传输时延和吞吐量，而IP电话提供商的业务网络支持的服务主要是话音传输，最敏感的性能指标则是传输时延和时延抖动。

因此如何选取综合评价指标是进行网络性能综合评价的重要一环。通常应该遵循以下性能评价指标的选取原则：1)全面性，选取的指标无需很多，但要尽可能全面。2)易测性，选取的指标应易于被测量。3)相关性，选取的指标之间，相关性尽可能小。

收集网络性能数据即为了针对待评价的网络性能进行测量，在已确定网络性能评价指标体系基础上，收集网络性能数据。在实测环境中，对网络性能进行测量是一项复杂的工程，包含多方面的工作，如测量工具的选择，测量方法的选择(主动测量还是被动测量)，测量点的选择(单点测量还是多点测量)等等。同时由于不同的评价对象和目的，收集的数据也不相同。如为了评价不同网络的性能好坏，可以收集不同网络下的性能数据；为了评价同一个网络不同业务下的性能好坏，可以收集同一网络不同业务下的性能数据；或者为了评价一个具体的网络不同时间的网络性能好坏，可以收集同一网络同样业务背景下不同时间的性能数据。将收集到的数据存放在一个决策矩阵中，该决策矩阵为

X＝(x_ij)_m×n

设有n个评价指标f_j(1≤j≤n)，性能数据样本数为m，即有m个待评价对象a_i(1≤i≤m)，m个对象n个指标构成的矩阵X＝(x_ij)_m×n，称为决策矩阵。

B、使用主观分析法对网络性能进行评价，计算出网络性能综合评价值，其具体步骤为：

B1、使用FAHP进行主观赋权，主要步骤如下：

B11、建立网络评价层次结构，

用模糊层次分析法针对问题所设计的各因素进行分类，找出相互关系，设立层次结构，设为两层：

最高层为网络总体性能，也称目标层；

最底层为各网络性能评价指标，实现目标可供选择的各种措施、方案或体现各准则要素变化的指标，也称方案层，此层为网络性能各评价指标；

B12、建立优先关系矩阵，优先关系矩阵为

R＝(r_ij)

优先关系矩阵是每一层次中的因素针对上层因素的相对重要程度建立的矩阵。该矩阵是模糊互补矩阵。构造优先关系矩阵时，采用如表1所示的0.1~0.9标度法。

表1 0.1～0.9数量标度

B13、将优先关系矩阵改造成模糊一致矩阵，改造方法如下：

对模糊互补矩阵R＝(r_ij)按行求和，记为 $r_i=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{r}_{k,}i=\mathrm{1,2},...,n,$ 进行如下数学变换：

r_ij＝(r_i-r_j)/2n+0.5，则变换以后的矩阵是模糊一致矩阵。

B14、计算层次因素相对排序权重，

根据模糊一致矩阵计算最底层各指标因素对于最高层目标影响的相对排序权重。采用一种改进的求因素权重算法-排序法，这种算法具有很高的分辨率，有利于提高决策的科学性。用排序法求因素Ai在目标Ck下的权重S_i ^k的计算公式为：

$S_i^k=\frac{1}{n}-\frac{1}{2\mathrm{\α}}+\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{r}_{\mathrm{ij}}}{\mathrm{n\α}},i=\mathrm{1,2},...,n$

式中，参数α满足α≥(n-1)/2，

计算时取α＝(n-1)/2。将S_i ^k从大到小排列就显示了相对于目标Ck各个因素Ai的重要程度排序。

B2、计算网络性能综合评价值

计算网络总体性能的评分值的公式为：

$S=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(W_i\×C_i)$

其中，W_i为各评价指标的权值，n为指标的个数，C_i为各指标元素的计分值。

计分值的确定采用直线型无量纲化处理方法建立一个近似的指标隶属度函数，正向指标的隶属函数定义为：

${\mathrm{\μ}}_i\left(x\right)=\left\{\begin{array}{c}0,x\≤a_i\\ \frac{x-a_i}{b_i-a_i},a_i\≤x\≤b_i\\ 1,x\≥b_i\end{array}\right.$

逆向指标的隶属函数定义为：

${\mathrm{\μ}}_i\left(x\right)=\left\{\begin{array}{c}0,x\≥b_i\\ \frac{b_i-x}{b_i-a_i},a_i\≤x\≤b_i\\ 1,x\≤a_i\end{array}\right.$

从而计分值C_i的大小为：

C_i＝μ_i×100

其中，a_i和b_i分别表示隶属函数的低和高边界值。

对于正向指标来说，指标值越大越好，指标值低于低边界值a_i，说明情况很差，即隶属度为0，而指标值高于高边界值b_i，说明情况很好，即隶属度为1；

对于逆向指标来说，指标值越低越好，指标值低于低边界值a_i，说明情况很好，即隶属度为1，指标值高于高边界值b_i，说明情况很差，即隶属度为0，中边界值由专家给出，体现了分析评价中的主观性。

C、使用客观分析法分析评价网络性能，计算出网络性能综合评价值：

客观分析法是指分析评价依赖于评价对象数据本身所提供的信息，其具体步骤如下：

C1、对原始性能数据进行数据标准化处理

对上述决策矩阵X＝(x_ij)_m×n进行标准化处理，其具体步骤如下：

C11、逆向指标转换为正向指标

如果存在逆向指标，先把逆向指标转化为正向指标的转化数学公式为：

$x_{\mathrm{ij}}^{,}=\underset{1\≤i\≤m}{\max }{x}_{\mathrm{ij}}+\underset{1\≤i\≤m}{\min }{x}_{\mathrm{ij}}-x_{\mathrm{ij}}$

为方便起见，把x_ij’记为x_ij。

C12、利用矩阵列和等于1的归一化方法进行标准化处理，令

$y_{\mathrm{ij}}=\frac{x_{\mathrm{ij}}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{X}_i}(1\≤i\≤m,1\≤j\≤n)$

则Y＝(y_ij)_m×n为向量归一标准化矩阵，并且标准化之后的指标均为正向指标。

C2、计算评价指标权重

设有m个待评价对象，n个指标，原始性能数据矩阵为X＝(x_ij)_m×n，记

${\stackrel{\‾}{x}}_j=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_{\mathrm{ij}},$ $S_j=[\frac{1}{m-1}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_j)}^2{]}^{1/2},$ 则

$b_j=\frac{S_j}{\left|{\stackrel{\‾}{x}}_j\right|}(i=\mathrm{1,2},...,m,j=\mathrm{1,2},...,n)$ 是x_j的变异系数。

此时第j个指标的权重是：

$w_j=\frac{b_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{b}_j}.$

C3、使用线性加权计算综合评价值

综合评价值的计算公式为：

$u_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j{y}_{\mathrm{ij}}(1\≤i\≤m)$

其中，u_i则表示网络性能综合评价值的大小，u_i越大，表示网络性能越好；u_i越小，表示网络性能越差。

D、将主、客观分析法分别得到的综合评价值再进行组合评价，得出最终网络性能综和评价值，

其具体计算方法为：首先，将主、客观分析法得到的综合评价值存放到一个矩阵中，性能数据样本数为m，每组样本有2个评价值，则m个对象2个评价值构成的矩阵S＝(s_ij)_m×2称为新的决策矩阵；其次，将此决策矩阵按照类似上述客观分析法的步骤进行分析计算，得到组合评价值。其具体步骤如下：

D1、使用归一化方法对新的决策矩阵数据标准化处理

按照归一化方法进行处理，在决策矩阵

S＝(s_ij)_m×2中，令 $v_{\mathrm{ij}}=\frac{s_{\mathrm{ij}}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{s}_{\mathrm{ij}}}(1\≤i\≤m,1\≤j\≤2)$

则矩阵V＝(v_ij)_m×2，也称为向量归一标准化矩阵。

D2、计算主、客观两种方法在组合评价中的权重对标准化矩阵

V＝(v_ij)_m×2再进行归一化处理，得

$p_{\mathrm{ij}}=\frac{v_{\mathrm{ij}}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}}(1\≤i\≤m,1\≤j\≤2)$

D21、计算第j个方法相对重要性程度的熵值，其公式为：

$e_j=-\frac{1}{\ln m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}\ln p_{\mathrm{ij}}$

D22、计算第j个方法的差异系数，其公式为：

g_j＝1-e_j

D23、确定指标权重。第j个方法权重，其公式为：

$k_j=\frac{g_j}{\underset{j=1}{\overset{2}{\mathrm{\Σ}}}{g}_j}$

D3、使用线形加权法计算综合评价值

计算综合评价值，其计算公式为：

$z_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{k}_j{v}_{\mathrm{ij}}(1\≤i\≤m)$

其中，z_i则表示网络性能综合评价值的大小，z_i越大，表示网络性能越好；z_i越小，表示网络性能越差。

本发明的基于主客观组合评价的网络性能综合评价方法采用网络仿真软件OPNET建立的模拟多媒体网络，作为分析评价对象，将不同业务和不同参数下的多媒体网络性能数据进行综合评价和性能比较。以此评价实例来证明方法的准确性。

多媒体网络以多媒体业务为主，传输数据为文字、图形、图像、声音和数据等多种媒体数据，一般能支持视频会议、远程医疗、远程教育等应用系统。用户要求网络容量足够大，数据时延和时延抖动尽量小。遵循上述评价指标的选取原则，选取网络性能评价指标为：链路利用率、时延、时延抖动、丢包率和网络吞吐率，如图2所示。

仿真的多媒体局域网络，其业务流量包括数据库访问，网页浏览，Email收发，远程登录及视频会议。

如图3所示，仿真的原始网络拓扑结构，其中与核心交换机相连的3个接入层子网络分别有4个终端和1个服务器，核心层交换机到接入层交换机的连接采用100M的链路标准，接入交换机到各终端及服务器的连接采用10M标准的链路。

接下来扩展原始网络，通过改变业务流量大小，网络带宽大小，增加网络节点等得到几组多媒体网络性能指标数据。其详细仿真网络背景分别为：

实验1、原始的仿真网络背景，其业务流量模型为：

Database(light)+HTTP(heavy)+email(heavy)+FTP(light)+Telnet(light)+video(light)。

实验2、改变业务流量模型为：

Database(heavy)+HTTP(light)+email(light)+FTP(light)+Telnet(light)+video(light)。

实验3：改变业务流量模型为：

Database(heavy)+HTTP(heavy)+email(heavy)+FTP(heavy)+Telnet(light)+video(light)。

实验4：、增加带宽，将主网链路和子网链路带宽分别增加为1000M和100M。

实验5、增加接入层每个子网终端个数到6。

实验6、同时增加带宽和每个子网终端个数。

分别收集这6个环境下的网络性能指标数据并按本发明提出的方法进行综合评价。

其中，按照FAHP建立的网络性能综合评价层次模糊层次模型如图所示，原始性能数据及综合评价值如表所示。

表2网络性能数据及综合评价值

比较基于主客观组合评价的综合评价值的大小可以看出，网络的总体性能随着网络业务流量大小的改变而改变，同时与网络带宽和网络节点数有关。网络业务流量增加，网络总体性能变差；网络带宽增加，网络总体性能变好；网络节点数增加，网络总体性能变差。这样的结果与经验相符，可以证实本发明的算法对于网络性能的评价是有效的。

Claims (1)

1.一种基于主客观组合评价的网络性能综合评价方法包括如下步骤：

A、选取网络性能综合评价指标，收集网络性能数据，建立决策矩阵：

将收集到的网络性能数据存放在一个决策矩阵中，该决策矩阵为：

X＝(x_ij)_m×n

设有n个评价指标f_j，其中1≤j≤n，性能数据样本数为m，即有m个待评价对象a_i，1≤i≤m，m个对象n个指标构成的矩阵X＝(x_ij)_m×n，称为决策矩阵；

B、使用主观分析法对网络性能进行评价，计算出网络性能综合评价值：

使用模糊层次分析法FAHP进行主观赋权和利用专家评判给出各指标隶属函数，计算网络性能综合评价值；

C、使用客观分析法对网络性能进行评价，计算出网络性能综合评价值：

首先，对原始性能数据进行数据标准化处理；其次，确定评价指标权重；再次，使用线性加权计算综合评价值；

D、将主、客观分析法分别得到的综合评价值再进行组合评价，得出最终网络性能综和评价值：

其具体计算方法为：首先，将主、客观分析法得到的综合评价值存放到一个矩阵中，性能数据样本数为m，每组样本有2个评价值，则m个对象2个评价值构成的矩阵S＝(s_ij)_m×2称为新的决策矩阵；其次，将此决策矩阵按照类似上述客观分析法的步骤进行分析计算，得到组合评价值；

上述步骤B中的使用主观分析法对网络性能进行评价，计算出网络性能综合评价值，其具体步骤为：

B1、使用模糊层次分析法FAHP进行主观赋权，主要步骤如下：

B11、建立网络评价层次结构，

用模糊层次分析法针对问题所设计的各因素进行分类，找出相互关系，设立层次结构，设为两层：

最高层为网络总体性能；

最底层为网络性能各评价指标；

B12、用标度法建立优先关系矩阵，优先关系矩阵为

R＝(r_ij)

构造优先关系矩阵时，采用0.1～0.9数量标度的标度法；

B13、将优先关系矩阵改造成模糊一致矩阵，改造方法如下：

对模糊互补矩阵R＝(r_ij)按行求和，记为：

$r_i=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{r}_k,$ i＝1，2，…，n，

进行如下数学变换：

r_ij＝(r_i-r_j)/2n+0.5，

则变换以后的矩阵是模糊一致矩阵；

B14、计算层次因素相对排序权重，

用排序法求最底层各指标因素A_i在最高层目标C_k下的权重

的计算公式为：

$S_i^k=\frac{1}{n}-\frac{1}{2\mathrm{\α}}+\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{r}_{\mathrm{ij}}}{\mathrm{n\α}},$ i＝1，2，..，n

式中，参数α满足α≥(n-1)/2，

计算时取α＝(n-1)/2，将

从大到小排列就显示了相对于目标C_k各个因素A_i的重要程度排序；

B2、计算网络性能综合评价值

计算网络总体性能的评分值的公式为：

$S=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(W_i\×C_i)$

其中，W_i为各评价指标的权值，n为指标的个数，C_i为各指标元素的计分值；

计分值的确定采用直线型无量纲化处理方法建立一个近似的指标隶属度函数，正向指标的隶属函数定义为：

${\mathrm{\μ}}_i\left(x\right)=\left\{\begin{array}{c}0,x\≤a_i\\ \frac{x-a_i}{b_i-a_i},a_i\≤x\≤b_i\\ 1,x\≥b_i\end{array}\right.$

逆向指标的隶属函数定义为：

${\mathrm{\μ}}_i\left(x\right)=\left\{\begin{array}{c}0,x\≥b_i\\ \frac{b_i-x}{b_i-a_i},a_i\≤x\≤b_i\\ 1,x\≤a_i\end{array}\right.$

从而计分值C_i的大小为：

C_i＝μ_i×100

其中，a_i和b_i分别表示隶属函数的低和高边界值；

上述步骤C中的使用客观分析法分析评价网络性能，计算出网络性能综合评价值，其具体步骤如下：

C1、对原始性能数据进行数据标准化处理

对上述决策矩阵X＝(x_ij)_m×n进行标准化处理，其具体步骤如下：

C11、逆向指标转换为正向指标

如果存在逆向指标，先把逆向指标转化为正向指标的转化数学公式为：

${x_{\mathrm{ij}}}^{\text{'}}=\underset{1\≤i\≤m}{\max }{x}_{\mathrm{ij}}+\underset{1\≤i\≤m}{\min }{x}_{\mathrm{ij}}-x_{\mathrm{ij}}$

为方便起见，把x_ij’记为：x_ij

C12、利用矩阵列和等于1的归一化方法进行标准化处理，

令1≤i≤m，1≤j≤n

则Y＝(y_ij)_m×n为向量归一标准化矩阵，并且标准化之后的指标均为正向指标；

C2、计算评价指标权重

设有m个待评价对象，n个指标，原始性能数据矩阵为X＝(x_ij)_m×n，

记 $\stackrel{\‾}{x_j}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_{\mathrm{ij}},$ $S_j={\left[\frac{1}{m-1}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(x_{\mathrm{ij}}-\stackrel{\‾}{x_j})}^2\right]}^{1/2},$

则

i＝1，2，3......m，j＝1，2，3......n；

其中，x_j是变异系数，此时第j个指标的权重是：

$w_j=\frac{b_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{b}_j}$

C3、使用线性加权计算综合评价值

综合评价值的计算公式为：

$u_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j{y}_{\mathrm{ij}},$ 1≤i≤m；

其中，u_i则表示网络性能综合评价值的大小；

上述步骤D中的将主、客观分析法分别得到的综合评价值再进行组合评价，得出最终网络性能综和评价值，其具体步骤如下：

D1、使用归一化方法对新的决策矩阵数据标准化处理

按照归一化方法进行处理，在决策矩阵

S＝(s_ij)_m×2中，令

1≤i≤m，1≤j≤2；

则矩阵V＝(v_ij)_m×2，也称为向量归一标准化矩阵；

D2、计算主、客观两种方法在组合评价中的权重对标准化矩阵

V＝(v_ij)_m×2 再进行归一化处理，得

$P_{\mathrm{ij}}=\frac{v_{\mathrm{ij}}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}},$ 1≤i≤m，1≤j≤2；

D21、计算第j个方法相对重要性程度的熵值，其公式为：

$e_j=-\frac{1}{\ln m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}\ln p_{\mathrm{ij}}$

D22、计算第j个方法的差异系数，其公式为：

g_j＝1-e_j

D23、确定指标权重，第j个方法权重，其公式为：

$k_j=\frac{g_j}{\underset{j=1}{\overset{2}{\mathrm{\Σ}}}{g}_j}$

D3、使用线性加权法计算综合评价值

计算综合评价值，其计算公式为：

$z_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{k}_j{v}_{\mathrm{ij}},$ 1≤i≤m；

其中，z_i则表示网络性能综合评价值的大小。

Images