CN103685014B - 利用时间序列预测模型增强路由计算可靠性的系统及方法 - Google Patents

Abstract

本发明提供一直利用时间序列预测模型增强路由计算可靠性的系统及方法，它包括SPF路由计算模块、模型预处理模块、历史告警信息数据库、模型计算模块和分析统计模块；通过利用时间序列预测模型算法将承载链路的告警相关数据进行平稳样本化，通过识别对应的预测模型，将最终预测的数据进行泛化求值，这样不仅仅能够SPF算法获取用户所需路由，并且更进一步在平等路由的基础上推荐给用户的是模型计算出来更加可靠的链路，大大减少了维护的风险性，从而不仅能够满足带宽可用以及网络负载平衡，而且在原有满足带宽路径的前提下建议出更加可靠的路由选择，以便减少后期运维带来的额外开销。

Description

利用时间序列预测模型增强路由计算可靠性的系统及方法

技术领域

本发明涉及通信领域，具体涉及在网管以及北向系统中对业务路由计算的结果进行可靠性预测分析。

背景技术

在目前的网管系统中路由计算已经是一个非常通用的重要技术，随着PTN网络的发展，自动路由计算成为网管软件中业务创建必不可少的一个重要功能。特别在北向接口的支持上，目前主流的以CORBA为技术中间件的TMF814规范中越来越强调业务配置的重要性，MultiLayerSubnetwork子模块中的createSNC函数就是上层网管需要进行路由的自动计算并且下发的实际需求。

目前很多的网管软件的路由计算基本上是利用SPF算法的基础上进行带宽QoS的加权判断，最大限度的利用现有带宽资源来达到网络负载的平衡。也有通过更加复杂的遗传算法，蚁群算法等进行智能启发式算法来解决NP难问题。但是在计算过程中都不对资源链路本身的可靠性进行判定，导致往往在出现多条可达路径并且都可以满足带宽优先级的情况下无法选择更加可靠的路径作为承载，继而在后续管理以及维护性上会出现更多的投入与支持。

发明内容

本发明要解决的技术问题是：提供一种利用时间序列预测模型增强路由计算可靠性的系统及方法，不仅能够满足带宽可用以及网络负载平衡，而且在原有满足带宽路径的前提下建议出更加可靠的路由选择，以便减少后期运维带来的额外开销。

本发明为解决上述技术问题所采取的技术方案为：利用时间序列预测模型增强路由计算可靠性的系统，其特征在于：它包括以下模块：

SPF路由计算模块，用于对现有路由情况以及用户输入进行最短路径搜索算法的计算，采用单源最短路径的贪心算法，将QoS满足带宽的差值作为权值，采取二叉堆进行优化，并将计算结果作为返回值；所述的计算结果分为3类：第1类是在源宿点之间无任何满足要求路径，第2类是在源宿点之间只有唯一的一条可行路径，第3类是在源宿点之间存在多条满足要求路径；

模型预处理模块，用于当SPF路由计算模块的计算结果属于第3类时，将涉及到的承载链路关联的告警数据从历史告警信息数据库中查询出来，进行预处理；预处理包括将与之相关的告警数据提取出来转换为需要的模型数据，进行平稳化检测和平稳化处理，得到平稳化样本数据；

历史告警信息数据库，用于存储告警数据，供模型预处理模块调用；告警数据包括告警标识、告警级别以及发生时间；

模型计算模块，用于对平稳化样本数据进行自相关函数与偏自相关函数的计算，进行模式的识别，确定模型的类型，然后通过求最小残差方差获取最小阶数确定模型的阶数，在阶数固定的情况下通过矩估计法来进行模型参数的估算，获得模型的数学函数；所述的模型的类型分为AR模型、MA模型和ARMA模型3类；

分析统计模块，用于根据模型计算模块获得的模型的类型和阶数，结合估计出来的模型参数建立估计函数，通过估计函数计算预测结果并保存，最终将最低的预测结果作为建议值返回给用户作为本次路由计算的最可靠链路。

按上述方案，所述的SPF路由计算模块包括转换存储模块、QoS加权运算模块和matrix运算SPF模块；转换存储模块用于将所有可用承载路径信息运用矩阵二维数组方式进行转换与存储；QoS加权运算模块用于将用户需求的QoS带宽信息计算出加权值与现有内存中的所有路径带宽进行过滤，获取所有满足该QoS带宽的路径信息并保存内存中以便下一步的计算；matrix运算SPF模块用于采取最短路径算法进行加权最短路径的计算，获取计算结果。

按上述方案，所述的模型预处理模块包括数据转换模块、平稳化检测模块和平稳化处理模块；数据转换模块用于查询承载链路相关的告警数据并进行除噪处理，将除噪后的告警数据转换为检测时间间隔为T的样本数据，T为预设值；平稳化检测模块用于利用游程检测方式将样本数据与均值比较检测样本数据是否为平稳化样本数据；平稳化处理模块用于将非平稳化样本数据进行差分运算将其变成平稳化样本数据；所述的均值通过计算告警级别与个数获取。

按上述方案，所述的模型计算模块包括识别计算模块、模型定阶模块和模型定参模块；识别计算模块用于先求得平稳化样本数据的自协方差然后求得其自相关函数，根据求解线性方程组获得求解偏自相关函数，分别存储在数组中，然后采取循环统计手段，判定截尾性是否满足AR，MA，或者ARMA模型之一；模型定阶模块用于根据所确定的模型采取求最小残差方差获取最小阶数确定模型的阶数；模型定参模块用于在阶数固定的情况下采取矩估计法对模型线性方程组求解获取模型参数存储为二维数组。

按上述方案，所述的分析统计模块包括函数求值模块和加权统计模块；函数求值模块用于将模型计算模块计算的模型的阶数和模型参数带入模型函数中，并且获取系统当前时间，以检测时间间隔为t预测之后m天的告警数据，每一条承载链路或服务路径都进行预测结果的求值；加权统计模块用于将求得的预测结果根据告警级别来进行加权计算平均值，将最低的预测结果作为建议值返回给用户作为本次路由计算的最可靠链路；m为预设值。

一种利用上述利用时间序列预测模型增强路由计算可靠性的系统实现的利用时间序列预测模型增强路由计算可靠性的方法，其特征在于：它包括以下步骤：

步骤一、SPF路由计算：对现有路由情况以及用户输入进行最短路径搜索算法的计算，采用单源最短路径的贪心算法，将QoS满足带宽的差值作为权值，采取二叉堆进行优化，并将计算结果作为返回值；所述的计算结果分为3类：第1类是在源宿点之间无任何满足要求路径，第2类是在源宿点之间只有唯一的一条可行路径，第3类是在源宿点之间存在多条满足要求路径；

步骤二、模型预处理：当SPF路由计算模块的计算结果属于第3类时，将涉及到的承载链路关联的告警数据从历史告警信息数据库中查询出来，进行预处理；预处理包括将与之相关的告警数据提取出来转换为需要的模型数据，进行平稳化检测和平稳化处理，得到平稳化样本数据；

步骤三、模型计算：对平稳化样本数据进行自相关函数与偏自相关函数的计算，进行模式的识别，确定模型的类型，然后通过求最小残差方差获取最小阶数确定模型的阶数，在阶数固定的情况下通过矩估计法来进行模型参数的估算，获得模型的数学函数；所述的模型的类型分为AR模型、MA模型和ARMA模型3类；

步骤四、分析统计：根据模型计算模块获得的模型的类型和阶数，结合估计出来的模型参数建立估计函数，通过估计函数计算预测结果并保存，最终将最低的预测结果作为建议值返回给用户作为本次路由计算的最可靠链路。

按上述方法，所述的步骤一包含以下步骤：

1.1、转换存储：将所有可用承载路径信息运用矩阵二维数组方式进行转换与存储；

1.2、QoS加权运算：将用户需求QoS带宽信息计算出加权值与现有内存中的所有路径带宽进行过滤，获取所有满足该QoS带宽的路径信息并保存内存中以便下一步的计算；

1.3、matrix运算：采取最短路径算法进行加权最短路径的计算，获取计算结果。

按上述方法，所述的步骤二包含以下步骤：

2.1、数据转换：查询承载链路相关的告警数据并进行除噪处理，将除噪后的告警数据转换为检测时间间隔为T的样本数据，T为预设值；

2.2、平稳化检测：利用游程检测方式将样本数据与均值比较检测样本数据是否为平稳化样本数据；所述的均值通过计算告警级别与个数获取；

2.3、平稳化处理：将非平稳化样本数据进行差分运算将其变成平稳化样本数据。

按上述方法，所述的步骤三包含以下步骤：

3.1、识别计算：先求得平稳化样本数据的自协方差然后求得其自相关函数，根据求解线性方程组获得求解偏自相关函数，分别存储在数组中，然后采取循环统计手段，判定截尾性是否满足AR，MA，或者ARMA模型之一；其中

AR模型：

MA模型：x_t＝u_t-θ₁u_t-1-θ₂u_t-2-…-θ_qu_t-q；

ARMA模型：

公式中，X_t-X_t-p为同期观测的告警级别值，φ₁-φ_p为自回归系数，u_t-u_t-q为系统随机误差，θ₁-θ_q为移动平均系数；其中φ₁-φ_p和θ₁-θ_q为待估参数；

平稳化样本数据的自相关函数为： ${\mathrm{\γ}}_k=\frac{\underset{t=1}{\overset{n-k}{\mathrm{\Σ}}}(X_t-\stackrel{\‾}{X})(X_{t+k}-\stackrel{\‾}{X})}{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{(X_t-\stackrel{\‾}{X})}^2};$

公式中，γ_k为滞后k期的自相关系数，t为时间序列，n为样本量，k为滞后期，为样本数据的算术平均值；其中γ_k为待求值；

平稳化样本数据的偏自相关函数：

公式中，φ_k,k为滞后k期的偏自相关系数，φ_k，j=φ_k-1，j-φ_k,kφ_k-1,k-j，j为1，2，...k-1，γ_k-j为滞后k-j期的自相关系数；

3.2、模型定阶：根据所确定的模型采取求最小残差方差获取最小阶数；其中

公式中：模型的剩余平方和是指每个时间序列项的观测值与实际值之间差的平方和，我们采取预估方式计算出1到5的阶数各自的残差方差，然后最小值对应的阶数为最小阶数。

3.3、模型定参：在阶数固定的情况下采取矩估计法对模型线性方程组求解获取模型参数存储为二维数组。

按上述方法，所述的步骤四包含以下步骤：

4.1、函数求值：将模型计算模块计算的模型的阶数和模型参数带入模型函数中，并且获取系统当前时间，以检测时间间隔为t预测之后m天的告警数据，每一条承载链路或服务路径都进行预测结果的求值；

4.2、加权统计：将求得的预测结果根据告警级别来进行加权计算平均值，将最低的预测结果作为建议值返回给用户作为本次路由计算的最可靠链路。

本发明的有益效果为：本发明通过利用时间序列预测模型算法将承载链路的告警相关数据进行平稳样本化，通过识别对应的预测模型，将最终预测的数据进行泛化求值，这样不仅仅能够SPF算法获取用户所需路由，并且更进一步在平等路由的基础上推荐给用户的是模型计算出来更加可靠的链路，大大减少了维护的风险性，从而不仅能够满足带宽可用以及网络负载平衡，而且在原有满足带宽路径的前提下建议出更加可靠的路由选择，以便减少后期运维带来的额外开销。

附图说明

图1为本发明系统的结构示意图。

图2为本发明方法的流程图。

图3为模型预处理步骤的流程图。

具体实施方式

下面结合具体实例与附图对本发明做进一步说明。

本方法依赖于前置信息的输入，也就是用户期望路径的源宿点以及必经或者不经节点信息。图1为本发明系统的结构示意图，它包括以下模块：

SPF路由计算模块，用于对现有路由情况以及用户输入进行最短路径搜索算法的计算，采用单源最短路径的贪心算法，将QoS满足带宽的差值作为权值，采取二叉堆进行优化，并将计算结果作为返回值；所述的计算结果分为3类：第1类是在源宿点之间无任何满足要求路径，第2类是在源宿点之间只有唯一的一条可行路径，第3类是在源宿点之间存在多条满足要求路径；当计算结果为第1或第2类时均可在算法中进行优化返回，无须继续执行；

模型预处理模块，用于当SPF路由计算模块的计算结果属于第3类时，将涉及到的承载链路关联的告警数据从历史告警信息数据库中查询出来，进行预处理，按照时间序列预测模型算法进行对应链路的告警预测；预处理包括将与之相关的告警数据提取出来转换为需要的模型数据，进行平稳化检测和平稳化处理，得到平稳化样本数据；

历史告警信息数据库，用于存储告警数据，供模型预处理模块调用；告警数据包括告警标识、告警级别以及发生时间；

模型计算模块，用于对平稳化样本数据进行自相关函数与偏自相关函数的计算，进行模式的识别，确定模型的类型，然后通过求最小残差方差获取最小阶数确定模型的阶数，在阶数固定的情况下通过矩估计法来进行模型参数的估算，获得模型的数学函数；所述的模型的类型分为AR模型、MA模型和ARMA模型3类；

分析统计模块，用于根据模型计算模块获得的模型的类型和阶数，结合估计出来的模型参数建立估计函数，通过估计函数计算预测结果并保存，最终将最低的预测结果作为建议值返回给用户作为本次路由计算的最可靠链路。

进一步的，所述的SPF路由计算模块包括转换存储模块、QoS加权运算模块和matrix运算SPF模块；转换存储模块用于将所有可用承载路径信息运用矩阵二维数组方式进行转换与存储；QoS加权运算模块用于将用户需求QoS带宽信息计算出加权值与与现有内存中的所有路径带宽进行过滤，获取所有满足该QoS带宽的路径信息并保存内存中以便下一步的计算；matrix运算SPF模块用于采取最短路径算法进行加权最短路径的计算，获取计算结果。

进一步的，所述的模型预处理模块包括数据转换模块、平稳化检测模块和平稳化处理模块；数据转换模块用于查询承载链路相关的告警数据并进行除噪处理，将除噪后的告警数据转换为检测时间间隔为T的样本数据，T为预设值，可根据实际情况人为设定，本实施例选为15分钟；平稳化检测模块用于利用游程检测方式将样本数据与均值（通过计算告警级别与个数获取）比较检测样本数据是否为平稳化样本数据；平稳化处理模块用于将非平稳化样本数据进行差分运算将其变成平稳化样本数据。

进一步的，所述的模型计算模块包括识别计算模块、模型定阶模块和模型定参模块；识别计算模块用于先求得平稳化样本数据的自协方差然后求得其自相关函数，根据求解线性方程组获得求解偏自相关函数，分别存储在数组中，然后采取循环统计手段，判定截尾性是否满足AR，MA，或者ARMA模型之一；模型定阶模块用于根据所确定的模型通过求最小残差方差获取最小阶数确定模型的阶数；模型定参模块用于在阶数固定的情况下采取矩估计法对模型线性方程组求解获取模型参数存储为二维数组。

进一步的，所述的分析统计模块包括函数求值模块和加权统计模块；函数求值模块用于将模型计算模块计算的模型的阶数和模型参数带入模型函数中，并且获取系统当前时间，以检测时间间隔为t预测之后m天的告警数据，每一条承载链路或服务路径都进行预测结果的求值；加权统计模块用于将求得的预测结果根据告警级别来进行加权计算平均值，将最低的预测结果作为建议值返回给用户作为本次路由计算的最可靠链路；m为预设值，可根据实际情况人为设定，本实施例中选为15天。

图2为本发明方法的流程图，它包括以下步骤：

步骤一、SPF路由计算：对现有路由情况以及用户输入进行最短路径搜索算法的计算，采用单源最短路径的贪心算法，将QoS满足带宽的差值作为权值，采取二叉堆进行优化，并将计算结果作为返回值；所述的计算结果分为3类：第1类是在源宿点之间无任何满足要求路径，第2类是在源宿点之间只有唯一的一条可行路径，第3类是在源宿点之间存在多条满足要求路径。

具体为：1.1、转换存储：将所有可用承载路径信息运用矩阵二维数组方式进行转换与存储；

1.2、QoS加权运算：将用户需求QoS带宽信息计算出加权值与与现有内存中的所有路径带宽进行过滤，获取所有满足该QoS带宽的路径信息并保存内存中以便下一步的计算；

1.3、matrix运算：采取最短路径算法进行加权最短路径的计算，获取计算结果。

当计算结果为第1或第2类时均可在算法中进行优化返回，无须继续执行。

步骤二、模型预处理：当SPF路由计算模块的计算结果属于第3类时，将涉及到的承载链路关联的告警数据从历史告警信息数据库中查询出来，进行预处理；预处理包括将与之相关的告警数据提取出来转换为需要的模型数据，进行平稳化检测和平稳化处理，得到平稳化样本数据。

步骤二如图3所示，包含以下步骤：

2.1、数据转换：查询承载链路相关的告警数据并进行除噪处理（如除去非法值以及无效值），将除噪后的告警数据转换为检测时间间隔为T的样本数据，T为预设值，可通过实际情况进行设定，本实施例选为15分钟，如果15分钟内无告警则假设告警级别为0，依次类推；

2.2、平稳化检测：利用游程检测方式将样本数据与均值（通过计算告警级别与个数获取）比较检测样本数据是否为平稳化样本数据；

2.3、平稳化处理：将非平稳化样本数据进行差分运算将其变成平稳化样本数据。

步骤三、模型计算：对平稳化样本数据进行自相关函数与偏自相关函数的计算，进行模式的识别，确定模型的类型，然后通过求最小残差方差获取最小阶数确定模型的阶数，在阶数固定的情况下通过矩估计法来进行模型参数的估算，获得模型的数学函数；所述的模型的类型分为AR模型、MA模型和ARMA模型3类。

步骤三包含以下步骤：

3.1、识别计算：先求得平稳化样本数据的自协方差然后求得其自相关函数，根据求解线性方程组获得求解偏自相关函数，分别存储在数组中，然后采取循环统计手段，判定截尾性是否满足AR，MA，或者ARMA模型之一；其中

AR模型：

MA模型：X_t＝u_t-θ₁u_t-1-θ₂u_t-2-…-θ_qu_t-q；

ARMA模型：

公式中，X_t-X_t-p为同期观测的告警级别值，φ₁-φ_p为自回归系数(待估参数)，u_t-u_t-q为系统随机误差，θ₁-θ_q为移动平均系数(待估参数)；

平稳化样本数据的自相关函数为： ${\mathrm{\γ}}_k=\frac{\underset{t=1}{\overset{n-k}{\mathrm{\Σ}}}(X_t-\stackrel{\‾}{X})(X_{t+k}-\stackrel{\‾}{X})}{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{(X_t-\stackrel{\‾}{X})}^2};$

公式中，γ_k为滞后k期的自相关系数(待求值)，t为时间序列，n为样本量，k为滞后期，为样本数据的算术平均值；

平稳化样本数据的偏自相关函数：

公式中，φ_k,k为滞后k期的偏自相关系数，φ_k,j=φ_k-1,j-φ_k,kφ_k-1,k-j，j为1,2,...k-1，γ_k-j为滞后k-j期的自相关系数；

3.2、模型定阶：根据所确定的模型采取求最小残差方差获取最小阶数；其中

公式中：模型的剩余平方和是指每个时间序列项的观测值与实际值之间差的平方和，我们采取预估方式计算出1到5的阶数各自的残差方差，然后最小值对应的阶数为最小阶数。

3.3、模型定参：在阶数固定的情况下采取矩估计法对模型线性方程组求解获取模型参数存储为二维数组。

步骤四、分析统计：根据模型计算模块获得的模型的类型和阶数，结合估计出来的模型参数建立估计函数，通过估计函数计算预测结果并保存，最终将最低的预测结果作为建议值返回给用户作为本次路由计算的最可靠链路。

步骤四包含以下步骤：

4.1、函数求值：将模型计算模块计算的模型的阶数和模型参数带入模型函数中，并且获取系统当前时间，以检测时间间隔为t预测之后m天的告警数据，每一条承载链路或服务路径都进行预测结果的求值；m为预设值，可根据实际情况进行人为设定，本实施例中选为15天；

4.2、加权统计：将求得的预测结果根据告警级别来进行加权计算平均值，将最低的预测结果作为建议值返回给用户作为本次路由计算的最可靠链路。

Claims (10)

1.利用时间序列预测模型增强路由计算可靠性的系统，其特征在于：它包括以下模块：

SPF路由计算模块，用于对现有路由情况以及用户输入进行最短路径搜索算法的计算，采用单源最短路径的贪心算法，将QoS满足带宽的差值作为权值，采取二叉堆进行优化，并将计算结果作为返回值；所述的计算结果分为3类：第1类是在源宿点之间无任何满足要求路径，第2类是在源宿点之间只有唯一的一条可行路径，第3类是在源宿点之间存在多条满足要求路径；

模型预处理模块，用于当SPF路由计算模块的计算结果属于第3类时，将涉及到的承载链路关联的告警数据从历史告警信息数据库中查询出来，进行预处理；预处理包括将与之相关的告警数据提取出来转换为需要的模型数据，进行平稳化检测和平稳化处理，得到平稳化样本数据；

历史告警信息数据库，用于存储告警数据，供模型预处理模块调用；告警数据包括告警标识、告警级别以及发生时间；

模型计算模块，用于对平稳化样本数据进行自相关函数与偏自相关函数的计算，进行模式的识别，确定模型的类型，然后通过求最小残差方差获取最小阶数确定模型的阶数，在阶数固定的情况下通过矩估计法来进行模型参数的估算，获得模型的数学函数；所述的模型的类型分为AR模型、MA模型和ARMA模型3类；

分析统计模块，用于根据模型计算模块获得的模型的类型和阶数，结合估计出来的模型参数建立估计函数，通过估计函数计算预测结果并保存，最终将最低的预测结果作为建议值返回给用户作为本次路由计算的最可靠链路。

2.根据权利要求1所述的利用时间序列预测模型增强路由计算可靠性的系统，其特征在于：所述的SPF路由计算模块包括转换存储模块、QoS加权运算模块和matrix运算SPF模块；转换存储模块用于将所有可用承载路径信息运用矩阵二维数组方式进行转换与存储；QoS加权运算模块用于将用户需求的QoS带宽信息计算出加权值与现有内存中的所有路径带宽进行过滤，获取所有满足该QoS带宽的路径信息并保存内存中以便下一步的计算；matrix运算SPF模块用于采取最短路径算法进行加权最短路径的计算，获取计算结果。

3.根据权利要求1所述的利用时间序列预测模型增强路由计算可靠性的系统，其特征在于：所述的模型预处理模块包括数据转换模块、平稳化检测模块和平稳化处理模块；数据转换模块用于查询承载链路相关的告警数据并进行除噪处理，将除噪后的告警数据转换为检测时间间隔为T的样本数据，T为预设值；平稳化检测模块用于利用游程检测方式将样本数据与均值比较检测样本数据是否为平稳化样本数据；平稳化处理模块用于将非平稳化样本数据进行差分运算将其变成平稳化样本数据；

所述的均值通过计算告警级别与个数获取。

4.根据权利要求1所述的利用时间序列预测模型增强路由计算可靠性的系统，其特征在于：所述的模型计算模块包括识别计算模块、模型定阶模块和模型定参模块；识别计算模块用于先求得平稳化样本数据的自协方差然后求得其自相关函数，根据求解线性方程组获得求解偏自相关函数，分别存储在数组中，然后采取循环统计手段，判定截尾性是否满足AR，MA，或者ARMA模型之一；模型定阶模块用于根据所确定的模型通过求最小残差方差获取最小阶数确定模型的阶数；模型定参模块用于在阶数固定的情况下采取矩估计法对模型线性方程组求解获取模型参数存储为二维数组。

5.根据权利要求1所述的利用时间序列预测模型增强路由计算可靠性的系统，其特征在于：所述的分析统计模块包括函数求值模块和加权统计模块；函数求值模块用于将模型计算模块计算的模型的阶数和模型参数代入模型函数中，并且获取系统当前时间，以检测时间间隔为t预测之后m天的告警数据，每一条承载链路或服务路径都进行预测结果的求值；加权统计模块用于将求得的预测结果根据告警级别来进行加权计算平均值，将最低的预测结果作为建议值返回给用户作为本次路由计算的最可靠链路；m为预设值。

6.一种利用权利要求1所述的利用时间序列预测模型增强路由计算可靠性的系统实现的利用时间序列预测模型增强路由计算可靠性的方法，其特征在于：它包括以下步骤：

步骤一、SPF路由计算：对现有路由情况以及用户输入进行最短路径搜索算法的计算，采用单源最短路径的贪心算法，将QoS满足带宽的差值作为权值，采取二叉堆进行优化，并将计算结果作为返回值；所述的计算结果分为3类：第1类是在源宿点之间无任何满足要求路径，第2类是在源宿点之间只有唯一的一条可行路径，第3类是在源宿点之间存在多条满足要求路径；

步骤二、模型预处理：当SPF路由计算模块的计算结果属于第3类时，将涉及到的承载链路关联的告警数据从历史告警信息数据库中查询出来，进行预处理；预处理包括将与之相关的告警数据提取出来转换为需要的模型数据，进行平稳化检测和平稳化处理，得到平稳化样本数据；

步骤三、模型计算：对平稳化样本数据进行自相关函数与偏自相关函数的计算，进行模式的识别，确定模型的类型，然后通过求最小残差方差获取最小阶数确定模型的阶数，在阶数固定的情况下通过矩估计法来进行模型参数的估算，获得模型的数学函数；所述的模型的类型分为AR模型、MA模型和ARMA模型3类；

步骤四、分析统计：根据模型计算模块获得的模型的类型和阶数，结合估计出来的模型参数建立估计函数，通过估计函数计算预测结果并保存，最终将最低的预测结果作为建议值返回给用户作为本次路由计算的最可靠链路。

7.根据权利要求6所述的利用时间序列预测模型增强路由计算可靠性的方法，其特征在于：所述的步骤一包含以下步骤：

1.1、转换存储：将所有可用承载路径信息运用矩阵二维数组方式进行转换与存储；

1.2、QoS加权运算：将用户需求QoS带宽信息计算出加权值与与现有内存中的所有路径带宽进行过滤，获取所有满足该QoS带宽的路径信息并保存内存中以便下一步的计算；

1.3、matrix运算：采取最短路径算法进行加权最短路径的计算，获取计算结果。

8.根据权利要求6所述的利用时间序列预测模型增强路由计算可靠性的方法，其特征在于：所述的步骤二包含以下步骤：

2.1、数据转换：查询承载链路相关的告警数据并进行除噪处理，将除噪后的告警数据转换为检测时间间隔为T的样本数据，T为预设值；

2.2、平稳化检测：利用游程检测方式将样本数据与均值比较检测样本数据是否为平稳化样本数据；所述的均值通过计算告警级别与个数获取；

2.3、平稳化处理：将非平稳化样本数据进行差分运算将其变成平稳化样本数据。

9.根据权利要求6所述的利用时间序列预测模型增强路由计算可靠性的方法，其特征在于：所述的步骤三包含以下步骤：

3.1、识别计算：先求得平稳化样本数据的自协方差然后求得其自相关函数，根据求解线性方程组获得求解偏自相关函数，分别存储在数组中，然后采取循环统计手段，判定截尾性是否满足AR，MA，或者ARMA模型之一；其中

AR模型：

MA模型：X_t＝u_t-θ₁u_t-1-θ₂u_t-2-…-θ_qu_t-q；

ARMA模型：

公式中，X_t-X_t-p为同期观测的告警级别值，为自回归系数，u_t-u_t-q为系统随机误差，θ₁-θ_q为移动平均系数；其中和θ₁-θ_q为待估参数；

平稳化样本数据的自相关函数为：

公式中，γ_k为滞后k期的自相关系数，t为时间序列，n为样本量，k为滞后期，为样本数据的算术平均值；其中γ_k为待求值；

平稳化样本数据的偏自相关函数：

公式中，为滞后k期的偏自相关系数，j为1,2,...k-1，γ_k-j为滞后k-j期的自相关系数；

3.2、模型定阶：根据所确定的模型采取求最小残差方差获取最小阶数；其中

公式中：模型的剩余平方和是指每个时间序列项的观测值与实际值之间差的平方和，我们采取预估方式计算出1到5的阶数各自的残差方差，然后最小值对应的阶数为最小阶数；

3.3、模型定参：在阶数固定的情况下采取矩估计法对模型线性方程组求解获取模型参数存储为二维数组。

10.根据权利要求6所述的利用时间序列预测模型增强路由计算可靠性的方法，其特征在于：所述的步骤四包含以下步骤：

4.1、函数求值：将模型计算模块计算的模型的阶数和模型参数代入模型函数中，并且获取系统当前时间，以检测时间间隔为t预测之后m天的告警数据，每一条承载链路或服务路径都进行预测结果的求值；m为预设值；

4.2、加权统计：将求得的预测结果根据告警级别来进行加权计算平均值，将最低的预测结果作为建议值返回给用户作为本次路由计算的最可靠链路。