CN102724070A - 基于人工智能神经网络的hss数据容灾算法 - Google Patents
基于人工智能神经网络的hss数据容灾算法 Download PDFInfo
- Publication number
- CN102724070A CN102724070A CN2012101971954A CN201210197195A CN102724070A CN 102724070 A CN102724070 A CN 102724070A CN 2012101971954 A CN2012101971954 A CN 2012101971954A CN 201210197195 A CN201210197195 A CN 201210197195A CN 102724070 A CN102724070 A CN 102724070A
- Authority
- CN
- China
- Prior art keywords
- hss
- layer
- algorithm
- neuron
- artificial intelligence
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
基于人工智能神经网络的HSS数据容灾算法,所述算法首先对HSS数据库新增设置四个区域字段,所述区域字段包括用户注册状态改变频率、PPR发送频率、RTR发送频率和通过BP神经网络学习之后所预测的用户类型,当用户注册状态改变频率、PPR发送频率或RTR发送频率三者任何一个超过事先设定的神经元阈值时,该用户即可被HSS数据库加入特定列表,触发备份算法,所述备份算法为人工智能神经网络算法。本发明通过分析挖掘出某些HSS数据变化,对于业务处理相对频繁的地区,可以进行个性化设计,如:提高该地区的服务器性能以及将该地区的数据备份到两个或这个以上相邻区域,以规避风险。
Description
技术领域
本发明属于网络技术领域,具体涉及一种基于人工智能神经网络的HSS数据容灾算法。
背景技术
现有的IMS HSS数据容灾体制中,已有一些方案试图分别从本地冗余和异地冗余两个方面来解决这一问题。目前大多数方式是通过提供多个HSS数据库(主用/热备用)来进行HSS间的数据同步,进而实现HSS容灾。此外,还有一些方案是借助辅助设备以实现HSS容灾,如:DNS。但如论是哪种冗余方式,其共同缺陷都在于:第一,HSS数据备份的内容统一、备份周期相对固定。由于该备份的内容是面向所有HSS数据库所存储的数据,因此数据备份的工作量就无形加大了。而且备份周期大多为人为设定的经验值,因此,在此周期之外极大可能发生较大规模的HSS数据更新,导致用户的最新数据信息无法得到及时的保存,使得HSS数据备份失去了本身的意义。第二,HSS数据库在进行异地冗余时,对冗余地点的选择较为单一,这就造成了当被选中的地点也出现了宕机或者用户业务处理繁忙的时候,在处理异地送来的请求时,有较长的延时,导致用户体验降低。HSS的信息存储以及影响HSS数据变化的常用行为为:
存储在HSS中的数据主要包括用户身份、注册信息、接入参数和服务触发信息。其中用户身份以及信息是固定的,在入网的时候就已经确定,因此改动的可能性不大。
注册信息是常发生改变的。随着用户的关机开机、手机宕机以及服务器(HSS或者S-CSCF)的宕机,都会影响用户的注册状态。其中用户关机和开机行为主要体现在HSS层面的变化就是:HSS数据库中的用户注册状态会在已注册(registered)、未注册(unregistered)、无注册(non-registered)三个状态中切换。而手机宕机以及服务器(HSS或者S-CSCF)的宕机在HSS层面的变化就是:HSS服务器发出RTR信息。
接入参数和服务触发信息是用户体验的重要部分,目前在运营商处主要体现为增值业务的出台、更新与应用。用户通过定制不同的服务信息业务,而导致HSS数据库的数据变化。体现在HSS层面的变化就是:HSS数据库中的用户订阅服务参数(profile_id)等的变化,促使HSS发出PPR信息。
对于HSS来说,主要提供两个功能:查询数据和保存数据。
对于查询数据来说,需要的行为仅仅是通过查找,将找到的符合要求的数据返回给请求方。主要的交互命令代码如:UAR和UAA;MAR和MAA;SAR和SAA;LIR和LIA。
对于保存数据来说,除了要保持新用户的数据信息以外,还有更新并保存已有用户的数据信息,后者往往是提高用户体验的重要目标。主要的交互命令代码如:RTR和RTA;PPR和PPA。
其中RTR和RTA 指的是HSS使用命令来注销用户的一个或者多个公共标识符。该情况常发生在用户手机更换或者为其区域服务的S-CSCF宕机时。前者指的是在其用户手机设备(Private ID)发生了变化时,为了使该用户的新手机跟手机号码再次绑定,需要用户手机通过注销再注册的方式实现。后者则是为了保证用户体验流畅,让与已宕机的S-CSCF互为冗余的S-CSCF继续为用户提供服务。
PPR和PPA常发生在用户业务改变时。其具体如下:
根据国际HSS协议标准,当用户订阅的信息服务数据发生改变时,HSS使用命令PPR来更新自身数据,同时,同步更新S-CSCF中的用户数据。经常发生的情况是:当用户的订阅服务信息,如增值业务发生改变时,HSS就会根据具体情况发出相应的PPR信息通知S-CSCF,随后S-CSCF会通过PPA的形式,返回告知HSS收到改通知,并通过SAR和SAA行为对相应信息进行更新。
目前通用的备份方案为:
提供节点资源的冗余,如软件资源和数据库等。在IMS网络中,各节点应采用1+1或N+1冗余机制,对于重要节点(如保存计费信息的计费网关、保存用户业务处理数据的HSS等节点)应采用“主用/热备用”的1+1冗余方式,一旦发生切换,所有重要信息如计费数据、用户业务和状态信息等都不会丢失。
包括单站点实现的本地冗余和多站点实现的异地冗余。由于各种原因造成的节点故障,可以首先使用本地冗余机制,即使用同站点内的相应备用节点,若不成功则切换到异地冗余站点相应的节点上。而对于各种自然灾害(如地震、水灾等)和人为灾害(如恐怖袭击)导致的整个站点故障,只能用异地冗余来提供IMS网络的高可用性,即所有业务都切换到异地的备用站点上。当出现整个站点故障时,按照3GPP TR 23.820(Study on IMS Restoration Procedures,Release 8)规范的描述,所有正在进行的会话都会终止并且这些会话的计费信息也会丢失,所有UE需要发起重注册请求以便恢复相关业务,而且在此时IMS网络所提供的业务主要为基本话音业务。所以在进行IMS网络异地冗余的设计时,首先考虑所有与话音业务相关的节点,而其它非话音业务相关的节点,如AP(Aggregation Proxy)、WUIGM(Web User Interface for Group and Data Management)等可以先不考虑异地冗余,进而降低IMS网络的投资成本。
现有技术存在两种方案:方案一:
目前已经公开了一种容灾归属用户服务器HSS间的数据同步方法,用于包含主用HSS、备用HSS以及与所述主用HSS和备用HSS通讯的相关网元的IMS系统,所述方法包括步骤有:相关网元通过Diameter协议发送标准接口请求消息到主用HSS,请求修改主用HSS保存的用户数据;主用HSS根据该标准接口请求消息修改本地用户数据,并将该标准接口请求消息通过Diameter协议转发给备用HSS;备用HSS根据该标准接口请求消息修改本地用户数据。
方案二:
IMS网络中还有一种实现异地冗余的专用机制-Diameter多连接。TSP平台的Diameter客户端(如S-CSCF)与Diameter服务器(如HSS)在两个TSP区域(Zone)之间实现异地冗余。Diameter客户端可以分别使用主用和备用Diameter服务器的本地VIP地址,建立与主、备用Diameter服务器的多个Diameter连接。
正常情况下Diameter客户端与服务器之间的所有业务都由主用的Diameter服务器处理。当主用的Diameter服务器出现故障,客户端与先前的主用服务器之间连接中断,Diameter客户端自动建立与新的主用服务器(原来的备用服务器)之间的连接。Diameter客户端使用基于DWR/DWA消息的心跳机制来检测Diameter连接的状态。在目前的Diameter协议栈中有一个切换计时器(DWR计时器的3倍时长)。最小的DWR时长为6秒,所以经过18秒可以检测出Diameter连接中断,Diameter服务器进行切换。HSS作为Diameter服务器,通过这种主用/热备用的工作方式实现异地冗余。
方案一和二的共同缺点为:
第一,HSS数据备份的内容统一。由于该备份的内容是面向所有HSS数据库所存储的数据,因此数据备份的工作量就无形加大了。
第二,HSS数据备份的周期相对固定。由于该备份周期大多为人为设定的经验值,因此,在此周期之外极大可能发生较大规模的HSS数据更新,导致用户的数据信息无法得到及时的保存,使得HSS数据备份失去了本身的意义。
第三,HSS数据库在进行异地冗余时,对冗余地点的选择较为单一,这就造成了当被选中的地点也出现了宕机或者用户业务处理繁忙的时候,在处理异地送来的请求时,有较长的延时,导致用户体验降低。
发明内容
本发明克服现有技术的不足,提出了一种基于人工智能神经网络的HSS数据容灾算法,所述算法通过借助人工智能中神经网络的分类和自我学习预测能力,对HSS数据库中的数据变化特性进行了学习和个性化分析,挖掘出HSS库中的不同用户的数据变更都有各自的规律性和周期性的,因此可以针对以上特性,对HSS数据库中的数据进行动态的、分类的备份,该备份周期和类别的划分完全无需人为干预。这样不仅可以提高备份效率,较好的解决资源浪费的问题,而且还可以较为准确地进行数据备份,提高了效率和用户体验。同时,通过分析挖掘出某些HSS数据库中数据变化、业务处理相对频繁的地区,对于该类地区,可以进行个性化设计,如:提高该地区的服务器性能以及将该地区的数据备份到两个或两个以上相邻区域,以规避风险。
本发明的技术方案为:基于人工智能神经网络的HSS数据容灾算法,所述算法首先对HSS数据库新增设置四个区域字段,所述区域字段包括用户注册状态改变频率、PPR发送频率、RTR发送频率和通过BP神经网络学习之后所预测的用户类型,当用户注册状态改变频率、PPR发送频率或RTR发送频率三者任何一个超过事先设定的神经元阈值时,该用户即可被HSS数据库加入特定列表,触发备份算法,所述备份算法为人工智能神经网络算法,在算法中,Wkj是由下一较高层中单元k到单元j的网络权值,Errk是单元k的误差,具体算法为:
1、初始化网络权值和神经元阈值
该部分权值和阈值的确定,最简单的办法就是随机初始化。
2、前向传播:按照公式一层一层的计算隐层神经元和输出层神经元的输入和输出。
前向传播算法基本过程是逐层计算各层的所有神经元的值。 由于输入层神经元值(此处假设输入层有四层,即为:C1, C2, C3, C4)已知,其余每层由一个核函数来计算该层的所有神经元的值。其中,核函数的选择与确定是由CPU、内存、终端设备等多方面因素决定的。并行计算只能体现在一层中,不同层之间没有并行性。
首先将输入层的神经元值(C1, C2, C3, C4)和每层的网络权值(W1, W2, W3, W4)保存在4个数组中。此时,第一个核函数根据输入层的神经元值和权值计算第二层神经元值,第二个核函数根据第二层的神经元值和网络权值计算第三层神经元值,如此往下。神经网络的连接体现在每个核函数处理计算过程里。
3、后向传播:根据公式修正网络权值和神经元阈值,直到满足终止条件。
对于输出层神经元,Errj =Oj (1-Oj) (Tj-Oj)其中,Oj是单元j的实际输 出,而Tj是j基于给定训练样本的已知类标号的真正输出。
对于Errj的推导采用了梯度下降的算法。推导的前提是保证输出单元的均方差(E a )最小。
梯度下降思路就是对EA求Wkj的导数。
因为,
所以,
其中的 (dl (p)-yl (p)) yl (p) *(1-yl (p))就是Errj =Oj (1-Oj) (Tj-Oj)。
对于隐藏层:
关于终止条件,可以以下几种形式:
前一周期未正确分类的样本百分比小于某个阈值。
超过预先指定的周期数。
神经网络的输出值和实际输出值的均方误差小于某一阈值。
所述用户注册状态改变的频率、PPR发送频率和RTR发送频率分别以累加器的形式实现。
本发明的有益效果为:
1)本发明通过借助人工智能中神经网络的分类和自我学习预测能力,对HSS数据库中的数据变化特性进行了学习和个性化分析,挖掘出HSS库中的不同用户的数据变更都有各自的规律性和周期性,因此可以针以上特性,对HSS数据库中的数据进行动态、分类备份,该备份周期和类别的划分完全无需人为干预。这样不仅可以提高备份效率,较好的解决资源浪费的问题,而且还可以较为准确地进行数据备份,提高了效率和用户体验。
2)本发明通过分析挖掘出某些HSS数据变化,对于业务处理相对频繁的地区,可以进行个性化设计,如:提高该地区的服务器性能以及将该地区的数据备份到两个或这个以上相邻区域,以规避风险。
3)本发明可以通过对现有的、较为局限的几类群体的分析,结合BP神经网络的自我学习预测功能,可以较好的对于在本发明中未提及的其他人群做分析和预测,进而进行分类和动态的备份。
附图说明
以下结合附图和具体实施方式进一步说明本发明。
图1是本发明一个实施例的呼叫流程示意图。
具体实施方式:
参照图1所示,本发明所述算法首先对HSS数据库新增设置四个区域字段,所述区域字段包括用户注册状态改变频率、PPR发送频率、RTR发送频率和通过BP神经网络学习之后所预测的用户类型,当用户注册状态改变频率、PPR发送频率或RTR发送频率三者任何一个超过事先设定的神经元阈值时,该用户即可被HSS数据库加入特定列表,触发备份算法,所述备份算法为人工智能神经网络算法。
对于HSS数据库数据变更来说,最理想的情况就是在用户入网并将用户数据存储到HSS数据库中之后,除了必要的重注册行为之外,假定用户订阅的服务不会再变更,由于存储数据基本无变化,那么HSS数据库的备份周期就可以延长,而且即使是备份,也可以仅仅备份用户注册状态和其通话等产生的费用参数(charging_id)即可,这样HSS数据库备份的压力就会减轻很多。
当然这是最理想的情况,但实际情况是,随着运营商之间的不断竞争,各大运营商千方百计的通过不同的增值服务来吸引用户的眼球,不可否认,这些增值服务的确在某些方面大大提高了人们的生活水平和生活质量。因此,随着用户对增值服务的不断需求和不断变更,随之而来的就是导致存储这些数据的HSS数据库的压力增大,其要通过一系列具体行为改变数据库中已有的数值。
目前手机业务大致可以分为:网聊手机套餐、通话手机套餐、短信手机套餐。以上套餐在运营商处更新的频率也各不相同,目前以网聊手机套餐更新的最为频繁,其次是通话手机套餐,主要发生于较长节假日期间,提供异地通话优惠服务等。最不易发生变化的就是短信手机套餐。
基于不同客户人群偏好的手机业务各不相同,可以通过实际数据得出某人群喜爱的业务,推算出其业务改变频率。
从以下两方面考虑备份周期和备份内容的问题:
1.是不是经常、定期的发起重注册。比如老年人在使用手机的时候,是定时的开机,关机。在此种情况下,用户的注册状态会发生改变,其中有三种状态:已注册(registered),,未注册(unregistered)和无注册(non-registered)。对于该类型的人群,HSS数据库的备份周期可以较长,且备份内容应偏重于用户注册状态。
2.是不是频繁的更换手机业务。比如年轻人对于现在2G,尤其是3G的新增业务都十分感兴趣,会随着新业务的出台而更新增值业务。对于该类型的人群,HSS数据库的备份周期应为动态,且备份内容应偏重于用户订阅的服务信息状态。
以下四个区域是相邻区域,即区域1,区域2,区域3,区域4. 如图1所示:
首先针对单一区域来说:
对于HSS数据库的新增设置:
1) 在HSS数据库中为每个用户加设字段REG_CHANGE_FREQ、PPR_FREQ、RTR_FREQ,CUS_TYPE以说明用户注册状态改变的频率、PPR发送频率、RTR发送频率以及通过BP神经网络学习之后所预测的用户类型。REG_CHANGE_FREQ、PPR_FREQ、RTR_FREQ数值的增加可以以累加器的形式实现。
2) 当REG_CHANGE_FREQ、PPR_FREQ、RTR_FREQ的数值超过一定阈值时,该用户即可被加入特定列表,触发不同的备份机制。该阈值的设定既可以通过人为事先设定,也可以通过BP神经网络的后期学习设定。例如:备份注册状态机制列表、备份订阅服务信息机制列表、备份服务器信息机制列表等。
其实通过后期的BP学习可以发现,不同的备份机制都对应相应群体是相对固定的,并不是盲目的统一备份。即同一区域中,由于人群群体的不同,其触发的业务的种类就不同,因此对于数据备份的方向和频率周期就不同。由于该部分的数据主要在HSS数据库分别对应了HSS数据库用户注册状态改变的频率和HSS通过发送PPR改变用户订阅服务信息状态的频率以及HSS通过发送RTR改变用户号码和S-CSCF服务器状态和的频率,因此可以作为BP人工神经网络的输入。该部分可以通过下统计数据加以体现。
其次,延伸到周边各相邻区域。总体思想为: 在HSS中设置一个库(pool),该库(pool)的作用是把周边区域的服务器放置在一起,根据以上自我学习的过程,可以预测到服务器的状态是忙碌还是限制,这样就可以为各个服务器设置上优先级,这样在今后备份的过程中,就可以从中选择健康且较为闲置的服务器为其服务,做到有的放矢,这样既可以充分利用资源,又可以提高效率。
具体思想:由于不同区域中的人群群体比例不同,其发送HSS用户注册状态改变的频率、PPR发送频率、RTR发送频率也不相同,即数据库的数据活跃性不同。因此在选择异地冗余的时候,就可以选择HSS数据库较为闲置的地点作为热备地点。同理,对于HSS数据库较为活跃的地点,可以适当选择两个或者两个以上的区域作为热备地点。
将BP数据神经网络与HSS数据库备份相结合:
3) 根据结合BP数据神经网络的原理和算法以及下面介绍的实际调查一中的数据,分析预算出不同群体的HSS数据备份的周期。该思路主要解决了上述中的优点一。
4)根据结合BP数据神经网络的原理和算法以及下面介绍的实际调查二中的数据,分析预算出具体相对活跃地区和相对闲置的地区,以便于将相对活跃地区的信息在相对闲置地区的双重或多重备份。该思路主要解决了上述中的优点二。
以下仅通过三类群体进行说明,基于BP神经网络的自我学习预测功能,还能较好的对于在本发明中未提及的其他人群做分析和预测,进而进行分类和动态的备份。
通过调查结果详细说明:
以下调查是基于三大类进行的,分别是学生群体、白领群体、老年人群体。
一:
(1)对于手机定时开关机以及因故障开关机的调查结果如下:
表1 故障开关机调查表
选项 | 学生比例 | 白领比例 | 老年人比例 |
定时关机 | 10.6% | 2% | 86.9% |
因机器故障引起的关机 | 4.5% | 3.5% | 5% |
其他 | 3.9% | 5.3% | 3.2% |
有效填写人次 | 23 | 23 | 23 |
对于学生群体和白领群体来说,除特殊情况(如手机或者服务器宕机)外,几乎是处于开机状态。
对于老年人来说,需要定时开机关机。
因此通过第一组调查来说,用户注册状态变化频繁的顺序为:老年人,学生群体,白领群体。从中还可以看出白领群体对于数据的实时性要求更高。
进而体现在HSS数据库中,即为老年人群体的注册状态较为频繁的发生变化。
(2).使用手机增值服务的理由是:
表2 使用手机调查表
选项 | 学生比例 | 白领比例 | 老年人比例 |
提高了我的工作效率 | 43.48% | 67.5% | 4% |
提高了我的学习效率 | 52.17% | 30.43% | 3% |
提高了我的生活效率 | 65.22% | 53.1% | 4.2% |
满足好奇心 | 30.43% | 23.7% | 2% |
使我快乐 | 30.43% | 33.9% | 3.5% |
陪伴我度过闲暇时光 | 73.91% | 31.5% | 2.7% |
有效填写人次 | 23 | 23 | 23 |
对于学生群体和白领群体来说,对于增值服务的需求是较为普遍的。学生更注重的是休闲娱乐,而白领更侧重于其工作,因此,白领群体对于数据的实时性要求更高。
对于老年人来说,对于几乎不需要增值服务。
(3)你现在使用的手机套餐?(可多选)
表3 套餐调查表
选项 | 学生比例 | 白领比例 | 老年人比例 |
网聊套餐 | 73.91% | 37.2% | 4.5% |
通话套餐 | 17.39% | 85.8% | 3.3% |
短信套餐 | 8.7% | 11.7% | 2.5% |
有效填写人次 | 23 | 23 | 23 |
学生群体对于网聊套餐更加青睐;而白领群体更加倾向于通话套餐。对于老年人群体来说,增值服务使用很少。
因此体现在HSS数据库中,学生群体的业务状态较为频繁的发生变化,即学生群体会较为频繁的触发HSS发送PPR信息。其次是白领群体。但是学生更注重的是休闲娱乐,而白领更侧重于其工作,因此在数据的重要性上来说,白领群体更为重要。尤其是“金牌用户”的白领群体,其HSS数据的权重要更高。
(4)你手机套餐更新的频率?
表4 套餐更新调查表
选项 | 学生比例 | 白领比例 | 老年人比例 |
经常 | 65.3% | 30.4% | 0% |
偶尔 | 23.1% | 50.3% | 10.5% |
几乎不 | 11.6% | 19.3% | 89.5% |
有效填写人次 | 23 | 23 | 23 |
学生群体在变更套餐方面更加频繁;而白领群体相对固定。对于老年人群体来说,增值服务使用很少。
二. 调查二:(以青岛、潍坊、日照不同人群所占比例为例)
选项 | 学生比例 | 白领比例 | 老年人比例 |
青岛 | 23.8% | 35.4% | 40.8% |
潍坊 | 22.8% | 21.3% | 55.9% |
日照 | 15.3% | 14.6% | 70.1% |
由于不同人群触发不同业务更新,因此通过人群比例的分析,即可得出某地区人群的业务触发方向和业务触发频率。进而分析出某地区的忙闲程度。
BP人工神经网络算法基本流程就是:
1、初始化网络权值和神经元阈值(最简单的办法就是随机初始化)
2、前向传播:按照公式一层一层的计算隐层神经元和输出层神经元的输入和输出。
前向传播算法基本过程是逐层计算各层的所有神经元的值。 由于输入层神经元值(此处假设输入层有四层,即为:C1, C2, C3, C4)已知,其余每层由一个核函数来计算该层的所有神经元的值。其中,核函数的选择与确定是由CPU、内存、终端设备等多方面因素决定的。并行计算只能体现在一层中,不同层之间没有并行性。
首先将输入层的神经元值(C1, C2, C3, C4)和每层的权值(W1, W2, W3, W4)保存在4个数组中。此时,第一个核函数根据输入层的神经元值和权值计算第二层神经元值,第二个核函数根据第二层的神经元值和权值计算第三层神经元值,如此往下。神经网络的连接体现在每个核函数处理计算过程里。
3、后向传播:根据公式修正权值和阈值直到满足终止条件。
算法中还有几点是需要说明的:
1、关于Errj,Errj是神经元的误差。
对于输出层神经元Errj =Oj (1-Oj) (Tj-Oj)其中,Oj是单元j的实际输 出,而Tj是j基于给定训练样本的已知类标号的真正输出。
对于Errj的推导采用了梯度下降的算法。推导的前提是保证输出单元的均方差最小。E A =1/2* (d l (p) -y l (p) ) 2 ,其中P是样本总数,m是输出层神经元个数d l (p) 是样本实际输出,y l (p) 是神经网络输出。
梯度下降思路就是对EA求Wkj的导数。
因为,
所以,
其中的 (dl (p)-yl (p)) yl (p) *(1-yl (p))就是Errj =Oj (1-Oj) (Tj-Oj)。
对于隐藏层:
2、关于终止条件,可以有多种形式:
前一周期未正确分类的样本百分比小于某个阈值。
超过预先指定的周期数。
神经网络的输出值和实际输出值的均方误差小于某一阈值。
一般地,最后一种终止条件的准确率更高一些。
通过将HSS数据库与已有的BP神经网络相结合,本发明可以较为成功的实现对HSS用户的分类,同时,依据分类,对不同人群的不同服务数据在不同的时间段内做备份。这样不仅可以大大提高备份效率,而且可以很有效的抓住个人群的特征,为今后运营商提供增值服务时,提供了依据。
Claims (7)
1.基于人工智能神经网络的HSS数据容灾算法,其特征是:所述算法首先对HSS数据库新增设置四个区域字段,所述区域字段包括用户注册状态改变频率、PPR发送频率、RTR发送频率和通过BP神经网络学习之后所预测的用户类型,当用户注册状态改变频率、PPR发送频率或RTR发送频率三者任何一个超过事先设定的神经元阈值时,该用户即可被HSS数据库加入特定列表,触发备份算法,所述备份算法为人工智能神经网络算法,在算法中,Wkj是由下一较高层中单元k到单元j的网络权值,Errk是单元k的误差,具体算法为:
1)初始化网络权值和神经元阈值
该部分权值和阈值的确定,最简单的办法就是随机初始化;
2)前向传播:按照公式一层一层的计算隐层神经元和输出层神经元的输入和输出;
前向传播算法基本过程是逐层计算各层的所有神经元的值; 由于输入层神经元值已知,此处假设输入层有四层,即为:C1, C2, C3, C4,其余每层由一个核函数来计算该层的所有神经元的值;其中,核函数的选择与确定是由CPU、内存、终端设备等多方面因素决定的;并行计算只能体现在一层中,不同层之间没有并行性;
首先将输入层的神经元值C1, C2, C3, C4,和每层的网络权值W1, W2, W3, W4保存在4个数组中;此时,第一个核函数根据输入层的神经元值和权值计算第二层神经元值,第二个核函数根据第二层的神经元值和网络权值计算第三层神经元值,如此往下;神经网络的连接体现在每个核函数处理计算过程里;
3)后向传播:根据公式修正网络权值和神经元阈值,直到满足终止条件;
对于输出层神经元,Errj =Oj (1-Oj) (Tj-Oj),其中,Oj是单元j的实际输 出,而Tj是j基于给定训练样本的已知类标号的真正输出;
2.根据权利要求1所述的基于人工智能神经网络的HSS数据容灾算法,其特征是:对于Errj的推导,梯度下降思路就是对EA求Wkj的导数;
其中的 (dl (p)-yl (p)) yl (p) *(1-yl (p))就是Errj =Oj (1-Oj) (Tj-Oj);
对于隐藏层:
4.根据权利要求1或2所述的基于人工智能神经网络的HSS数据容灾算法,其特征是:所述终止条件为:前一周期未正确分类的样本百分比小于某个阈值。
5.根据权利要求1或2所述的基于人工智能神经网络的HSS数据容灾算法,其特征是:所述终止条件为:超过预先指定的周期数。
6.根据权利要求1或2所述的基于人工智能神经网络的HSS数据容灾算法,其特征是:所述终止条件为:神经网络的输出值和实际输出值的均方误差小于某一阈值。
7.根据权利要求1或2所述的基于人工智能神经网络的HSS数据容灾算法,其特征是:所述用户注册状态改变的频率、PPR发送频率和RTR发送频率分别以累加器的形式实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210197195.4A CN102724070B (zh) | 2012-06-15 | 2012-06-15 | 基于人工智能神经网络的hss数据容灾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210197195.4A CN102724070B (zh) | 2012-06-15 | 2012-06-15 | 基于人工智能神经网络的hss数据容灾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102724070A true CN102724070A (zh) | 2012-10-10 |
CN102724070B CN102724070B (zh) | 2015-04-15 |
Family
ID=46949740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210197195.4A Active CN102724070B (zh) | 2012-06-15 | 2012-06-15 | 基于人工智能神经网络的hss数据容灾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102724070B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106559485A (zh) * | 2016-11-15 | 2017-04-05 | 杭州迪普科技股份有限公司 | 一种控制服务器关机的方法及装置 |
CN112559736A (zh) * | 2020-10-21 | 2021-03-26 | 山东亦贝数据技术有限公司 | 一种随机消息智能分发系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079742A (zh) * | 2007-07-03 | 2007-11-28 | 中兴通讯股份有限公司 | 容灾归属用户服务器间的数据同步方法及系统 |
US20100220656A1 (en) * | 2009-02-27 | 2010-09-02 | Cisco Technology, Inc. | Service redundancy in wireless networks |
-
2012
- 2012-06-15 CN CN201210197195.4A patent/CN102724070B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079742A (zh) * | 2007-07-03 | 2007-11-28 | 中兴通讯股份有限公司 | 容灾归属用户服务器间的数据同步方法及系统 |
US20100220656A1 (en) * | 2009-02-27 | 2010-09-02 | Cisco Technology, Inc. | Service redundancy in wireless networks |
Non-Patent Citations (1)
Title |
---|
王晓雷等: "IMS中基于遗传神经网络的DOS攻击检测模型", 《计算机工程与应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106559485A (zh) * | 2016-11-15 | 2017-04-05 | 杭州迪普科技股份有限公司 | 一种控制服务器关机的方法及装置 |
CN106559485B (zh) * | 2016-11-15 | 2019-08-06 | 杭州迪普科技股份有限公司 | 一种控制服务器关机的方法及装置 |
CN112559736A (zh) * | 2020-10-21 | 2021-03-26 | 山东亦贝数据技术有限公司 | 一种随机消息智能分发系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102724070B (zh) | 2015-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101516115A (zh) | 基于需求预测和优先级的群组业务自适应优化切换方法 | |
Malloy et al. | Supporting mobile commerce applications using dependable wireless networks | |
CN101945353B (zh) | 一种系统资源远程调整的方法与系统 | |
CN110034983A (zh) | 基于发布-订阅消息处理机制的家居设备联动方法及系统 | |
US20110196837A1 (en) | Enhanced data access for information systems | |
CN103905225A (zh) | 一种服务控制方法、服务控制装置以及服务系统 | |
CN104506893B (zh) | 一种信息更新方法、云端服务器及crm服务器 | |
CN101478737B (zh) | 一种业务迁移的方法、装置和系统 | |
CN108647946A (zh) | 智能合约处理方法及系统、监听设备及存储介质 | |
CN101616171B (zh) | 一种维护引导节点状态的方法、装置和系统 | |
PL1762082T3 (pl) | Sposób i układ do dostarczania informacji użytkownika do klienta telekomunikacyjnego | |
CN110311979A (zh) | 一种mec服务器的任务迁移方法及相关装置 | |
CN106101412A (zh) | 移动通信终端的信息会话处理方法及移动通信终端 | |
CN102724070B (zh) | 基于人工智能神经网络的hss数据容灾方法 | |
CN107087032A (zh) | 实现集群组建的方法和装置 | |
CN101365014A (zh) | 一种分布式自适应监听系统及其生成和监听控制方法 | |
CN104283963A (zh) | 一种分布合作式的cdn负载均衡方法 | |
CN112543150B (zh) | 基于服务端控制的动态负载均衡方法 | |
CN103368770A (zh) | 基于网关级拓扑的自适应alm覆盖网络构建及维护方法 | |
CN115642700A (zh) | 一种基于去中心化预言机的状态通道监控方法 | |
CN109104472A (zh) | 区块链网络组网方法、装置、设备及计算机可读存储介质 | |
Latif et al. | ANN-based data mining for better resource management in the next generation wireless networks | |
Demydov et al. | An approach to the flexible information/service workflow managing in distributed networked architectures | |
CN103260181A (zh) | 面向服务发现的移动性节点群的维护方法 | |
CN104301240A (zh) | 数据传输方法及系统 |
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 | ||
C56 | Change in the name or address of the patentee | ||
CP01 | Change in the name or title of a patent holder |
Address after: 266033 No. 11, Luoyang Road, Sifang District, Shandong, Qingdao Patentee after: Qingdao Braun information Polytron Technologies Inc Address before: 266033 No. 11, Luoyang Road, Sifang District, Shandong, Qingdao Patentee before: Qingdao Centling Technologies Co.,Ltd. |