CN104468272A - 流量矩阵的估计方法和装置 - Google Patents
流量矩阵的估计方法和装置 Download PDFInfo
- Publication number
- CN104468272A CN104468272A CN201410759560.5A CN201410759560A CN104468272A CN 104468272 A CN104468272 A CN 104468272A CN 201410759560 A CN201410759560 A CN 201410759560A CN 104468272 A CN104468272 A CN 104468272A
- Authority
- CN
- China
- Prior art keywords
- matrix
- target function
- algorithm
- preset
- characteristic vector
- 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.)
- Pending
Links
Abstract
本发明实施例提供的流量矩阵的估计方法和装置,可以解决求解流量矩阵时准确率较低、计算复杂度较高和效率低的问题。具体方案为:获取预设范围内网络的流量值并根据获取的流量值得到约束矩阵B;根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R;其中,流量矩阵X=LRT,L为利用非负矩阵分解算法分解流量矩阵X得到的左特征向量,R为利用非负矩阵分解算法分解流量矩阵X得到的右特征向量,约束条件为Λ(LRT)=B,Λ(·)为线性算子,rank(LRT)为流量矩阵X的秩,min函数为求最小值的函数。
Description
技术领域
本发明实施例涉及通信领域,尤其涉及一种流量矩阵的估计方法和装置。
背景技术
互联网的高速发展,使网络类型呈现出多样化、规模大型化、结构复杂化的特点,网络性能参数变化也越来越复杂,流量矩阵是最重要的网络性能参数之一。流量矩阵表示的是通信网络中源节点-目的节点(英文:Origin-Destination,缩写:OD)对的流量信息。流量矩阵的准确性至关重要,如果能够获取准确的流量矩阵,网络工作人员不但可以优化网络拓扑结构的设计、链路容量的规划、流量的预测和路由协议的实现,而且还能更好的制定路由策略,使网络总流量负载均衡、实时检测网络中流量的异常,防止外来攻击进而保证网络的安全。但是,直接监控网络获取流量矩阵非常困难,因此,如何根据有限链路的测量数据和路由信息等先验信息,合理地建立数学模型来估计和预测流量矩阵已经成为一个重要的研究课题。
目前求解流量矩阵的方法主要有以下三种:线性规划法、主成分分析方法、神经网络算法。线性规划法利用约束条件,最优化目标函数来求解流量矩阵。不过利用该方法求解的矩阵方程的欠定程度仍然比较大(方程的秩仍远小于所需求解的未知数),并且随着网络规模的增大,目标函数的不确定变量因子进一步增多,导致最终求解出来的流量矩阵准确性较低。主成分分析法计算量大,并且需要的存储空间要求比较大,忽略了数据在高维上的关系。由于主成分分析法依赖所给数据,所以采集数据的准确性对最终的分析结果影响很大。神经网络算法普遍存在着稳定性和可塑性不可调和的矛盾,这使得神经网络在学习新的样本时会影响甚至是遗忘旧有的记忆。流量矩阵的复杂特性和高维特性需要大量的样本才能够充分的训练神经网络的权值。而这些必将导致神经网络的训练速度非常慢,对大量的高维样本数据的训练,会加剧神经网络记忆性和可塑性的矛盾,即记忆扭曲变形或记忆消失的问题。
综上所述,现有的求解流量矩阵的方法,均存在准确率较低、计算复杂度较高和效率低的问题。
发明内容
本发明实施例提供的流量矩阵的估计方法和装置,可以解决求解流量矩阵时准确率较低、计算复杂度较高和效率低的问题。
第一方面,本发明实施例提供一种流量矩阵的估计方法,所述方法包括:
获取预设范围内网络的流量值并根据所述流量值得到约束矩阵B;
根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R;其中,流量矩阵X=LRT,L为利用非负矩阵分解算法分解所述流量矩阵X得到的左特征向量,R为利用非负矩阵分解算法分解所述流量矩阵X得到的右特征向量,所述约束条件为Λ(LRT)=B,Λ(·)为线性算子,rank(LRT)为所述流量矩阵X的秩,min函数为求最小值的函数。
结合第一方面,在第一种可能的实现方式中,所述根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R具体包括:
利用规则化核范数将所述目标函数min(rank(LRT))转换为第二目标函数其中,为所述左特征向量L的第F范数的平方,为所述右特征向量R的第F范数的平方,F为预设值;
根据所述预设算法以及所述约束条件求解所述第二目标函数以获取所述左特征向量L和所述右特征向量R。
结合第一方面的第一种可能的实现方式,在第二种可能的实现方式中,所述根据所述预设算法以及所述约束条件求解所述第二目标函数以获取所述左特征向量L和所述右特征向量R具体包括:
根据低秩估计正则化将在所述约束条件下的所述第二目标函数转换为第三目标函数其中,λ为预设参数,为(Λ(LRT)-B)的第F范数的平方,F为预设值;
根据所述预设算法求解所述第三目标函数以获取所述左特征向量L和所述右特征向量R。
结合第一方面的第二种可能的实现方式,在第三种可能的实现方式中,所述根据所述预设算法求解所述第三目标函数以获取所述左特征向量L和所述右特征向量R具体包括:
将所述第三目标函数转换为第四目标函数其中,T为常对角矩阵,S为根据所述流量矩阵X的相邻行向量相似度值得到的矩阵;
根据所述预设算法求解所述第四目标函数以获取所述左特征向量L和所述右特征向量R。
结合第一方面或其上述实现方式的任一种,在第四种可能的实现方式中,所述预设算法包括:
交替最小二乘算法、迭代阈值算法、最小全变分算法或匹配追踪算法。
第二方面,本发明实施例提供一种用于估计流量矩阵的装置,所述装置包括:
获取单元,用于获取预设范围内网络的流量值并根据所述流量值得到约束矩阵B;
处理单元,用于根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R;其中,流量矩阵X=LRT,L为利用非负矩阵分解算法分解所述流量矩阵X得到的左特征向量,R为利用非负矩阵分解算法分解所述流量矩阵X得到的右特征向量,所述约束条件为Λ(LRT)=B,Λ(·)为线性算子,rank(LRT)为所述流量矩阵X的秩,min函数为求最小值的函数。
结合第二方面,在第一种可能的实现方式中,所述处理单元具体用于:
利用规则化核范数将所述目标函数min(rank(LRT))转换为第二目标函数其中,为所述左特征向量L的第F范数的平方,为所述右特征向量R的第F范数的平方,F为预设值;
根据所述预设算法以及所述约束条件求解所述第二目标函数以获取所述左特征向量L和所述右特征向量R。
结合第二方面的第一种可能的实现方式,在第二种可能的实现方式中,所述处理单元具体用于:
根据低秩估计正则化将在所述约束条件下的所述第二目标函数转换为第三目标函数其中,λ为预设参数,的第F范数的平方,F为预设值;
根据所述预设算法求解所述第三目标函数以获取所述左特征向量L和所述右特征向量R。
结合第二方面的第二种可能的实现方式,在第三种可能的实现方式中,所述处理单元具体用于:
将所述第三目标函数转换为第四目标函数其中,T为常对角矩阵,S为根据所述流量矩阵X的相邻行向量相似度值得到的矩阵;
根据所述预设算法求解所述第四目标函数以获取所述左特征向量L和所述右特征向量R。
结合第二方面或其上述实现方式的任一种,在第四种可能的实现方式中,所述预设算法包括:
交替最小二乘算法、迭代阈值算法、最小全变分算法或匹配追踪算法。
本发明实施例提供的流量矩阵的估计方法和装置,获取预设范围内网络的流量值并根据所述流量值得到约束矩阵B;利用非负矩阵分解算法分解流量矩阵X,其中,所述流量矩阵X=LRT,L为所述流量矩阵的左特征向量,R为所述流量矩阵的右特征向量;根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取所述左特征向量L和所述右特征向量R,其中,所述约束条件为Λ(LRT)=B,Λ(·)为线性算子,rank(LRT)为所述流量矩阵X的秩,min函数为求最小值的函数。本发明可以解决求解流量矩阵时准确率较低、计算复杂度较高和效率低的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供一种流量矩阵的估计方法的流程示意图;
图2为本发明实施例提供一种用于估计流量矩阵的装置的结构示意图;
图3为本发明实施例提供另一种用于估计流量矩阵的装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在介绍本发明实施例提供的技术方案之前,对本发明实施例涉及到的相关内容进行介绍:
压缩感知算法是一种处理具有稀疏特性的海量信号数据的新兴方法,其核心思想是将信号采样和信号压缩结合,利用信号中的稀疏特性,以远低于奈奎斯特采样率的速率同时实现对信号的采样和压缩过程,并用压缩感知恢复算法对信号进行精确重构,对于海量信号数据具有高效采样压缩和精确恢复能力。
现有的研究中已经证明,由于用户行为在时间和空间上的规律性变化,造成了网络中流量数据呈现出周期性平稳变化特性,从而使整个网络的流量数据具有冗余性以及时间和空间上的结构特性,这种冗余性又造成了流量数据构成的流量矩阵具有低秩特性,所以可以将流量数据等同于压缩感知算法中的稀疏信号。
压缩感知算法具体包括:信号的稀疏表示、编码测量以及信号重构。信号的稀疏表示就是将信号投影到正交变换基,绝大部分变换系数的绝对值很小,所得到的变换向量是稀疏或者近似稀疏的,以将其看作原始信号的一种简洁表达,这是压缩传感的先验条件,即信号必须在某种变换下可以稀疏表示。在编码测量中,首先选择稳定的投影矩阵,为了确保信号的线性投影能够保持信号的原始结构,投影矩阵必须满足约束等距性(英文:RestrictedIsometry Property,缩写:RIP)条件,然后通过原始信号与测量矩阵的乘积获得原始信号的线性投影测量。最后,运用信号重构算法由测量值及投影矩阵重构原始信号。
稀疏矩阵是指一个矩阵中仅包含少数几个非零元素。流量矩阵的结构本质上是矩阵,流量矩阵中仅包含很少的大流量值,大部分都是小流量值。因此,可以认为流量矩阵是可压缩的,矩阵的稀疏性和低秩性一般同时出现,这是因为一个低阶的奇异值组成的谱(特征值的集合)是稀疏的。因此,稀疏的流量矩阵可以用低秩矩阵进行表示,利用这种稀疏性可以解决流量矩阵估计问题的欠约束性,利用非负矩阵分解算法可以估计低秩稀疏的流量矩阵。
需要说明的是,本发明实施例提供的技术方案可以适用于需要快速高效获取流量矩阵的网络中,比如适用于在软件定义网络(英文:Software DefinedNetwork,缩写:SDN)快速获取准确的流量矩阵、在道路交通规划中快速获取道路交通流量矩阵,此处只是示例性说明,本发明实施例提供的技术方案并不局限于上述两种场景中。
本发明实施例提供一种流量矩阵的估计方法,基于压缩感知算法来求解流量矩阵,如图1所示,该方法包括:
101、获取预设范围内网络的流量值并根据流量值得到约束矩阵B。
示例性的,在收集的过程中采用的方法是采集信号的非自适应线性投影,在路由上采集局部的流量值并得到约束矩阵B。
102、根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R;其中,流量矩阵X=LRT,L为利用非负矩阵分解算法分解流量矩阵X得到的左特征向量,R为利用非负矩阵分解算法分解流量矩阵X得到的右特征向量,约束条件为Λ(LRT)=B,Λ(·)为线性算子,rank(LRT)为流量矩阵X的秩,min函数为求最小值的函数。
其中,上述RT表示右特征向量R的转置向量。非负矩阵分解就是将大矩阵分解成两个小矩阵,使得这两个小矩阵相乘后能够还原到大矩阵。非负表示分解得到的矩阵都不包含负值。非负矩阵分解通过寻找低秩,非负分解那些都为非负值的矩阵。预设算法包括:交替最小二乘算法、迭代阈值算法、最小全变分算法或匹配追踪算法。
具体的,根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R具体包括:
利用规则化核范数将目标函数min(rank(LRT))转换为第二目标函数其中,为左特征向量L的第F范数的平方,为右特征向量R的第F范数的平方,F为预设值,可以取0、1或2;
根据预设算法以及约束条件求解第二目标函数以获取左特征向量L和右特征向量R。
需要说明的是:因为rank(LRT)是非凸函数,在求最小值的优化问题里很难求解,因此需要寻找rank(LRT)凸近似函数来近似,rank(LRT)的凸近似函数就是规则化核范数
具体的,根据预设算法以及约束条件求解第二目标函数以获取左特征向量L和右特征向量R具体包括:
根据低秩估计正则化将在约束条件下的第二目标函数转换为第三目标函数其中,λ为预设参数,为(Λ(LRT)-B)的第F范数的平方,F为预设值,可以取0、1或2;
根据预设算法求解第三目标函数以获取左特征向量L和右特征向量R。
需要说明的是,由于流量矩阵X近似低秩,并且获取的预设范围内网络的流量值中常包含错误值导致约束矩阵B中也包含错误值,无法找到完全满足约束条件的低秩矩阵,因此,通过低秩估计正则化来非严格满足约束条件即上述将第二目标函数转换为第三目标函数来求解。
具体的,根据预设算法求解第三目标函数以获取左特征向量L和右特征向量R具体包括:
将第三目标函数转换为第四目标函数其中,T为常对角矩阵,S为根据流量矩阵X的相邻行向量相似度值得到的矩阵;
根据预设算法求解第四目标函数以获取左特征向量L和右特征向量R。
需要说明的是,由于流量矩阵X具有的冗余性以及时间和空间上的结构特性,如流量矩阵X中相邻的行和列的元素值接近。因此,选取时间限制矩阵T以及空间限制矩阵S来表示流量矩阵X的时空结构特性,由此可以将第三目标函数转换为第四目标函数。时间限制矩阵T用于表示流量矩阵T的时间平滑性,即相邻时间流量矩阵X中对应元素值差别不大,一般选取常对角矩阵作为时间限制矩阵T。空间限制矩阵S的选取方法为:首先通过一个简单的差值方法来初始化流量矩阵X,然后基于流量矩阵X的行间相似性来选择空间限制矩阵S。例如计算流量矩阵X的各行向量之间的皮尔森相关系数,S中各元素为皮尔森相关系数。另外,需要对时间限制矩阵T以及空间限制矩阵S进行扩展,使得||S(LRT)||F,||(LRT)TT||F,||Λ(LRT)-B||F具有相似的阶值(数量级),也即使三个范数的阶值在同一个数量级(10k,k=0,1,2,….),这样可以使第四目标函数微分简化。
值得一提的是,本发明实施例提供的技术方案主要是通过最小化(Λ(LRT)-B)来寻找非负因子矩阵L和R,通过增加的非负限制正则化来防止过拟合问题,利用交替最小二乘法或者其他的算法来求解最小化问题,并且算法实现过程中利用稀疏矩阵计算来减少内存需求和加快计算速度,从而相比现有的技术方案,提高了求解流量矩阵的准确度,同时降低了计算复杂度,效率较高。
本发明实施例提供的流量矩阵的估计方法,获取预设范围内网络的流量值并根据流量值得到约束矩阵B;根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R;其中,流量矩阵X=LRT,L为利用非负矩阵分解算法分解流量矩阵X得到的左特征向量,R为利用非负矩阵分解算法分解流量矩阵X得到的右特征向量,约束条件为Λ(LRT)=B,Λ(·)为线性算子,rank(LRT)为流量矩阵X的秩,min函数为求最小值的函数。本发明可以解决求解流量矩阵时准确率较低、计算复杂度较高和效率低的问题。
本发明实施例提供的用于估计流量矩阵的装置10,如图2所示,该装置10包括:
获取单元11,用于获取预设范围内网络的流量值并根据流量值得到约束矩阵B;
处理单元12,用于根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R;其中,流量矩阵X=LRT,L为利用非负矩阵分解算法分解流量矩阵X得到的左特征向量,R为利用非负矩阵分解算法分解流量矩阵X得到的右特征向量,约束条件为Λ(LRT)=B,Λ(·)为线性算子,rank(LRT)为流量矩阵X的秩,min函数为求最小值的函数。
可选的,预设算法包括:交替最小二乘算法、迭代阈值算法、最小全变分算法或匹配追踪算法。
可选的,处理单元12具体用于:
利用规则化核范数将目标函数min(rank(LRT))转换为第二目标函数其中,为左特征向量L的第F范数的平方,为右特征向量R的第F范数的平方,F为预设值;
根据预设算法以及约束条件求解第二目标函数以获取左特征向量L和右特征向量R。
可选的,处理单元12具体用于:
根据低秩估计正则化将在约束条件下的第二目标函数转换为第三目标函数其中,λ为预设参数,为(Λ(LRT)-B)的第F范数的平方,F为预设值;
根据预设算法求解第三目标函数以获取左特征向量L和右特征向量R。
可选的,处理单元12具体用于:
将第三目标函数转换为第四目标函数其中,T为常对角矩阵,S为根据流量矩阵X的相邻行向量相似度值得到的矩阵;
根据预设算法求解第四目标函数以获取左特征向量L和右特征向量R。
本实施例用于实现上述方法实施例,本实施例中各个单元的工作流程和工作原理参见上述方法实施例中的描述,在此不再赘述。
本发明实施例提供的用于估计流量矩阵的装置,获取预设范围内网络的流量值并根据流量值得到约束矩阵B;根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R;其中,流量矩阵X=LRT,L为利用非负矩阵分解算法分解流量矩阵X得到的左特征向量,R为利用非负矩阵分解算法分解流量矩阵X得到的右特征向量,约束条件为Λ(LRT)=B,Λ(·)为线性算子,rank(LRT)为流量矩阵X的秩,min函数为求最小值的函数。本发明可以解决求解流量矩阵时准确率较低、计算复杂度较高和效率低的问题。
本发明实施例还提供另一种用于估计流量矩阵的装置20,如图3所示,该装置20包括:总线24;以及连接到总线24的处理器21、存储器22和接口23,其中该接口23用于通信;该存储器22用于存储指令,处理器21用于执行该指令用于:
获取预设范围内网络的流量值并根据流量值得到约束矩阵B;
根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R;其中,流量矩阵X=LRT,L为利用非负矩阵分解算法分解流量矩阵X得到的左特征向量,R为利用非负矩阵分解算法分解流量矩阵X得到的右特征向量,约束条件为Λ(LRT)=B,Λ(·)为线性算子,rank(LRT)为流量矩阵X的秩,min函数为求最小值的函数。
可选的,预设算法包括:交替最小二乘算法、迭代阈值算法、最小全变分算法或匹配追踪算法。
可选的,处理器21执行该指令用于根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R,具体可以包括:
利用规则化核范数将目标函数min(rank(LRT))转换为第二目标函数其中,为左特征向量L的第F范数的平方,为右特征向量R的第F范数的平方,F为预设值;
根据预设算法以及约束条件求解第二目标函数以获取左特征向量L和右特征向量R。
可选的,处理器21执行该指令用于根据预设算法以及约束条件求解第二目标函数以获取左特征向量L和右特征向量R,具体可以包括:
根据低秩估计正则化将在约束条件下的第二目标函数转换为第三目标函数其中,λ为预设参数,的第F范数的平方,F为预设值;
根据预设算法求解第三目标函数以获取左特征向量L和右特征向量R。
可选的,处理器21执行该指令用于根据预设算法求解第三目标函数以获取左特征向量L和右特征向量R,具体可以包括:
将第三目标函数转换为第四目标函数其中,T为常对角矩阵,S为根据流量矩阵X的相邻行向量相似度值得到的矩阵;
根据预设算法求解第四目标函数以获取左特征向量L和右特征向量R。
本发明实施例提供的用于估计流量矩阵的装置,获取预设范围内网络的流量值并根据流量值得到约束矩阵B;根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R;其中,流量矩阵X=LRT,L为利用非负矩阵分解算法分解流量矩阵X得到的左特征向量,R为利用非负矩阵分解算法分解流量矩阵X得到的右特征向量,约束条件为Λ(LRT)=B,Λ(·)为线性算子,rank(LRT)为流量矩阵X的秩,min函数为求最小值的函数。本发明可以解决求解流量矩阵时准确率较低、计算复杂度较高和效率低的问题。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种流量矩阵的估计方法,其特征在于,包括:
获取预设范围内网络的流量值并根据所述流量值得到约束矩阵B;
根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R;其中,流量矩阵X=LRT,L为利用非负矩阵分解算法分解所述流量矩阵X得到的左特征向量,R为利用非负矩阵分解算法分解所述流量矩阵X得到的右特征向量,所述约束条件为Λ(LRT)=B,Λ(·)为线性算子,rank(LRT)为所述流量矩阵X的秩,min函数为求最小值的函数。
2.根据权利要求1所述的方法,其特征在于,所述根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R具体包括:
利用规则化核范数将所述目标函数min(rank(LRT))转换为第二目标函数其中,为所述左特征向量L的第F范数的平方,为所述右特征向量R的第F范数的平方,F为预设值;
根据所述预设算法以及所述约束条件求解所述第二目标函数以获取所述左特征向量L和所述右特征向量R。
3.根据权利要求2所述的方法,其特征在于,所述根据所述预设算法以及所述约束条件求解所述第二目标函数以获取所述左特征向量L和所述右特征向量R具体包括:
根据低秩估计正则化将在所述约束条件下的所述第二目标函数转换为第三目标函数其中,λ为预设参数,为(Λ(LRT)-B)的第F范数的平方,F为预设值;
根据所述预设算法求解所述第三目标函数以获取所述左特征向量L和所述右特征向量R。
4.根据权利要求3所述的方法,其特征在于,所述根据所述预设算法求解所述第三目标函数以获取所述左特征向量L和所述右特征向量R具体包括:
将所述第三目标函数转换为第四目标函数其中,T为常对角矩阵,S为根据所述流量矩阵X的相邻行向量相似度值得到的矩阵;
根据所述预设算法求解所述第四目标函数以获取所述左特征向量L和所述右特征向量R。
5.根据权利要求1至4任一所述的方法,其特征在于,所述预设算法包括:
交替最小二乘算法、迭代阈值算法、最小全变分算法或匹配追踪算法。
6.一种用于估计流量矩阵的装置,其特征在于,包括:
获取单元,用于获取预设范围内网络的流量值并根据所述流量值得到约束矩阵B;
处理单元,用于根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R;其中,流量矩阵X=LRT,L为利用非负矩阵分解算法分解所述流量矩阵X得到的左特征向量,R为利用非负矩阵分解算法分解所述流量矩阵X得到的右特征向量,所述约束条件为Λ(LRT)=B,Λ(·)为线性算子,rank(LRT)为所述流量矩阵X的秩,min函数为求最小值的函数。
7.根据权利要求6所述的装置,其特征在于,所述处理单元具体用于:
利用规则化核范数将所述目标函数min(rank(LRT))转换为第二目标函数其中,为所述左特征向量L的第F范数的平方,为所述右特征向量R的第F范数的平方,F为预设值;
根据所述预设算法以及所述约束条件求解所述第二目标函数以获取所述左特征向量L和所述右特征向量R。
8.根据权利要求7所述的装置,其特征在于,所述处理单元具体用于:
根据低秩估计正则化将在所述约束条件下的所述第二目标函数转换为第三目标函数其中,λ为预设参数,为(Λ(LRT)-B)的第F范数的平方,F为预设值;
根据所述预设算法求解所述第三目标函数以获取所述左特征向量L和所述右特征向量R。
9.根据权利要求8所述的装置,所述处理单元具体用于:
将所述第三目标函数转换为第四目标函数其中,T为常对角矩阵,S为根据所述流量矩阵X的相邻行向量相似度值得到的矩阵;
根据所述预设算法求解所述第四目标函数以获取所述左特征向量L和所述右特征向量R。
10.根据权利要求6至9任一所述的装置,其特征在于,所述预设算法包括:
交替最小二乘算法、迭代阈值算法、最小全变分算法或匹配追踪算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410759560.5A CN104468272A (zh) | 2014-12-11 | 2014-12-11 | 流量矩阵的估计方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410759560.5A CN104468272A (zh) | 2014-12-11 | 2014-12-11 | 流量矩阵的估计方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104468272A true CN104468272A (zh) | 2015-03-25 |
Family
ID=52913679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410759560.5A Pending CN104468272A (zh) | 2014-12-11 | 2014-12-11 | 流量矩阵的估计方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104468272A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106936611A (zh) * | 2015-12-30 | 2017-07-07 | 杭州华为数字技术有限公司 | 一种预测网络状态的方法及装置 |
CN107770000A (zh) * | 2017-12-08 | 2018-03-06 | 国网辽宁省电力有限公司本溪供电公司 | 一种时频同步应用中大规模ip流量的估计方法 |
CN110009016A (zh) * | 2019-03-25 | 2019-07-12 | 新华三信息安全技术有限公司 | 特征提取方法及装置 |
CN113923723A (zh) * | 2021-10-15 | 2022-01-11 | 中国联合网络通信集团有限公司 | 流量重构方法、装置、设备及存储介质 |
CN115150290A (zh) * | 2022-09-02 | 2022-10-04 | 广州优刻谷科技有限公司 | 一种物联网网络流量预测方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060168168A1 (en) * | 2003-03-20 | 2006-07-27 | Cisco Technology, Inc. | Assisted determination of data flows in communication/data networks |
CN101150581A (zh) * | 2007-10-19 | 2008-03-26 | 华为技术有限公司 | 分布式拒绝服务攻击检测方法及装置 |
CN101610246A (zh) * | 2008-06-17 | 2009-12-23 | 北京航空航天大学 | 局域网链路层的源-目的流量分量推断方法 |
CN102801631A (zh) * | 2012-08-24 | 2012-11-28 | 电子科技大学 | 一种网络流量估计方法 |
CN102982386A (zh) * | 2012-09-07 | 2013-03-20 | 浙江大学 | 一种基于空时压缩感知的蜂窝网络流量预测方法 |
-
2014
- 2014-12-11 CN CN201410759560.5A patent/CN104468272A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060168168A1 (en) * | 2003-03-20 | 2006-07-27 | Cisco Technology, Inc. | Assisted determination of data flows in communication/data networks |
CN101150581A (zh) * | 2007-10-19 | 2008-03-26 | 华为技术有限公司 | 分布式拒绝服务攻击检测方法及装置 |
CN101610246A (zh) * | 2008-06-17 | 2009-12-23 | 北京航空航天大学 | 局域网链路层的源-目的流量分量推断方法 |
CN102801631A (zh) * | 2012-08-24 | 2012-11-28 | 电子科技大学 | 一种网络流量估计方法 |
CN102982386A (zh) * | 2012-09-07 | 2013-03-20 | 浙江大学 | 一种基于空时压缩感知的蜂窝网络流量预测方法 |
Non-Patent Citations (3)
Title |
---|
YE LI,CHEN TIAN,FAN ZHANG,CHENGZHONG XU: "Traffic Condition Matrix Estimation via Weighted Spatio-Temporal Compressive Sensing for Unevenly-Distributed and Unreliable GPS Data", 《2014 IEEE 17TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
YIN ZHANG,MATTHEW ROUGHAN,WALTER WILLINGER,LILI QIU: "Spatio-Temporal Compressive Sensing and Internet Traffic Matrices", 《PROCEEDINGS OF THE ACM SIGCOMM 2009 CONFERENCE ON DATA COMMUNICATION》 * |
龙利雄: "基于先验模型的流量矩阵估计新方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106936611A (zh) * | 2015-12-30 | 2017-07-07 | 杭州华为数字技术有限公司 | 一种预测网络状态的方法及装置 |
CN106936611B (zh) * | 2015-12-30 | 2019-12-17 | 杭州华为数字技术有限公司 | 一种预测网络状态的方法及装置 |
CN107770000A (zh) * | 2017-12-08 | 2018-03-06 | 国网辽宁省电力有限公司本溪供电公司 | 一种时频同步应用中大规模ip流量的估计方法 |
CN110009016A (zh) * | 2019-03-25 | 2019-07-12 | 新华三信息安全技术有限公司 | 特征提取方法及装置 |
CN113923723A (zh) * | 2021-10-15 | 2022-01-11 | 中国联合网络通信集团有限公司 | 流量重构方法、装置、设备及存储介质 |
CN113923723B (zh) * | 2021-10-15 | 2023-05-09 | 中国联合网络通信集团有限公司 | 流量重构方法、装置、设备及存储介质 |
CN115150290A (zh) * | 2022-09-02 | 2022-10-04 | 广州优刻谷科技有限公司 | 一种物联网网络流量预测方法、系统及存储介质 |
CN115150290B (zh) * | 2022-09-02 | 2022-11-08 | 广州优刻谷科技有限公司 | 一种物联网网络流量预测方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dieker et al. | Exact simulation of Brown-Resnick random fields at a finite number of locations | |
US20210043283A1 (en) | Method and apparatus for identifying heterogeneous graph and property of molecular space structure and computer device | |
CN104468272A (zh) | 流量矩阵的估计方法和装置 | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
US20140204092A1 (en) | Classification of high dimensional data | |
Zhang et al. | Efficient non-parametric Bayesian Hawkes processes | |
CN109684314B (zh) | 一种基于空间结构的无线传感器网络缺失值估计方法 | |
Hristopulos | Stochastic Local Interaction (SLI) model: Bridging machine learning and geostatistics | |
CN104462196A (zh) | 多特征联合哈希信息检索方法 | |
CN110621026A (zh) | 一种基站流量多时刻预测方法 | |
CN116579618A (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
Yan et al. | A clustering algorithm for multi-modal heterogeneous big data with abnormal data | |
CN113780584B (zh) | 标签预测方法、设备、存储介质 | |
KR102153161B1 (ko) | 확률 그래프 기반의 서열 데이터 연관성 학습 방법 및 시스템 | |
CN114547749A (zh) | 户型预测方法、装置以及存储介质 | |
Ballani et al. | Sparse inverse covariance estimation with hierarchical matrices | |
Stojkovic et al. | Distance Based Modeling of Interactions in Structured Regression. | |
KR102452206B1 (ko) | 빅데이터 분석을 위한 인공지능 기반의 클라우드 최적화 장치 및 방법 | |
He et al. | Stationary-Sparse Causality Network Learning. | |
CN112396166A (zh) | 基于混合粒度聚合器的图卷积神经网络训练方法及装置 | |
CN104268217A (zh) | 一种用户行为时间相关性的确定方法及装置 | |
Blier-Wong et al. | Encoding neighbor information into geographical embeddings using convolutional neural networks | |
KR102158051B1 (ko) | 컴퓨터 수행 가능한 클라우드 기반의 인공지능 연산 서비스 방법 | |
WO2013191807A1 (en) | Efficient evaluation of network robustness with a graph | |
Zhang | A Kolmogorov-Smirnov type test for independence between marks and points of marked point processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150325 |
|
WD01 | Invention patent application deemed withdrawn after publication |