CN105207821A - 一种面向业务的网络综合性能评估方法 - Google Patents

Abstract

本发明公开了一种面向业务的网络综合性能评估方法。该方法首先分析当前所有业务类型，获得各种类型业务的占比；然后选取其中占比最高的一种业务，针对该类型业务对网络性能需求的特点，为其选择对其业务体验中最重要的一组网络参数作为评价指标；再采用低复杂度的FAHP对这组参数进行处理，计算得到它们的权值向量；接下来通过实时测量当前网络的网络参数值，引入模糊隶属度函数的方式，计算每个网络参数的测量值所对应的分数，对各个分数加权得到该业务的性能评价指标结果；依照同样的步骤可以得到网络中其他业务的评价结果，最后利用各业务的占比，对各业务的评价分数加权，得到最终的网络综合性能评估结果。

Description

一种面向业务的网络综合性能评估方法

本申请要求中国专利申请第201510449501.2号的优先权，其全部内容以引用的方式并入本文。

技术领域

本发明涉及网络性能评估领域，尤其涉及一种面向业务的网络综合性能评估方法。

背景技术

随着个人上网设备的普及及移动蜂窝网与宽带无线接入网络的发展，各种各样网络应用不断涌现，随之也带来了巨大的流量需求。多种网络业务流量的加入不仅影响了网络的整体性能，同时还为网络管理和流量分配等带来了巨大的挑战。不同类型的业务需要不同的网络保障，因此，如何根据业务的类型为其分配最优的网络来承载这个业务、实现网络性能的最优化成为亟需解决的问题。网络性能评估通过收集与分析当前网络的状态参数，能够获取对当前网络性能状况的准确感知，因此其成为解决这一问题的关键技术。此外，在网络接入选择方面，由于现有的用户设备大多具备多个网络接口，可以接入多种网络，通过网络性能评估可以得到附近网络的性能评价结果，从而可以根据用户设备上所运行的业务类型，为用户选择一个最佳的网络进行接入，提升用户的业务体验。

为了更加客观准确地评价网络性能，选取合适的评价参数非常重要。IEIF规定的IP网络性能指标包括：连接度、吞吐量、带宽、时延、时延抖动和丢包率等等。但是网络性能状况还与网络的拓扑结构、流量和业务类型紧密相关，因此在进行网络性能评估的时候，不能仅仅依据如上所提到的各项参数，还应在考虑不同业务对网络不同需求的基础上，从具体业务的角度去评判一个网络的优劣。不同的无线业务拥有不同的业务特点，例如，视频业务需要高实时性保障，但是由于人眼的滞留特性，丢失几帧却对观看的体验没有太大影响；而网页浏览、收发Email(电子邮件)、即时通讯等尽力而为(BestEffort，BE)业务却更需要保证所接收的信息的准确性。它们的业务特性也决定了它们对网络性能的需求也不尽相同：视频业务对时延敏感，而BE业务对时延不敏感但却对丢包率更加敏感。因此同一个网络在承载不同业务时的性能表现也不同。例如，一个承载实时视频业务不太流畅的网络，可能在承载网页浏览、即时通信等BE业务时性能良好。所以评价一个网络性能的优劣不应该一概而论，而应该从其上所承载的业务的角度去评判。然而，目前已有的网络性能评估方法大多仅仅将时延、丢包率、带宽等当作性能评估的原始依据，而缺乏与该网络当前所承载的业务类型相结合，因而得到的评价结果不够准确，与用户主观体验存在一定程度的偏差。

在评估方法方面，目前最常用的评估模型和方法包括线性加权模型、平面评估模型、AHP(层次分析法)、模糊分析模型、DEA(数据包络分析法)、灰度关联分析模型和Delphi模型等等。相比较而言，AHP具有系统、灵活及可行性强的特点，尤为适合多目标、多层次、多因素复杂系统中的决策与评估问题，而通信网络正有这些特点，因此AHP是评估通信网络性能状况的理想方法之一。但是，由于网络是个巨复杂系统，在网络性能评估的过程中存在大量的不确定因素，同时人在进行判决也往往具有很强的不确定性，而传统的AHP不能解决这些数据中存在的模糊性问题。因此为了处理这种模糊性，人们在传统AHP的基础上，引入了模糊一致矩阵，提出了FAHP(FuzzyAHP，模糊层次分析法)的概念。自提出之后，人们对于FAHP还没有明确的定义，许多研究人员已经提出了各种各样的改进算法，并将其应用在了各个领域中。将FAHP应用到网络性能评估中，能够很好地处理网络性能评价过程中的模糊性，提升网络性能评估的准确性。但以往的FAHP算法在构造模糊一致判断矩阵时，需要进行一致性检验来检查所构造的矩阵是否符合一致性，若符合，则继续接下来的权值计算；若不符合，则需要将矩阵重新赋值，重新赋值后再次进行一致性检验，直到符合一致性检验标准。但是这一重复的判断和修改赋值的过程带来了很多工作量，增加了算法的时间复杂度。因此在本发明提供的一种面向业务的网络综合性能评估方法中，将在以往经典FAHP算法的基础上进行改进，提出一种由专家大家打分直接建立模糊一致矩阵的方法，降低改进的FAHP算法的时间复杂度。

发明内容

(一)要解决的技术问题

本发明的目的在于提供一种面向业务的网络综合性能评估方法，该方法基于具有较低复杂度的改进FAHP算法来实现。该方法首先在当前网络所存在的无线业务中选定一种类型的业务，根据该种类型业务的特征，为其选择最重要的N个网络参数(如时延、时延抖动等)作为评价指标，并利用改进的FAHP方法得到从该种类型业务的角度所评判的网络性能分数；接下来，使用同样的方法可以得到其他业务类型的网络性能评价结果；最后，根据不同类型业务在当前网络业务流量中的占比，得到各个业务的权重值，对各业务评价分数进行加权得到最终的网络性能综合评价结果。单业务的评价结果可以客观地反映同一个网络运行不同类型业务时的性能差异，同时，由于该模型以一定的时间间隔，实时地测量各个类型业务的占比及其所选网络参数的值，保证了评价结果的实时性；且最终的评价结果是由各业务加权得到，因此可以更加准确地从当前网络存在的所有业务的角度，反映出当前网络的综合性能状态。

(二)技术方案

本发明提出了一种面向业务的网络综合性能评估方法，该方法包括步骤：步骤1：对当前网络中所承载的业务流进行检测，获取当前网络所存在的所有K个业务类型及每种业务在整个业务流中的占比p_i,i＝1,2,…,K，K是大于等于1的整数；步骤2：首先选取其中占比最高的一种业务类型，针对该类型的业务的特点，为其选择N₁个网络参数作为网络性能确定指标，N₁是大于等于1的整数；步骤3：针对选定的N₁个网络参数，采用FAHP方法计算各个参数的权重向量步骤4：测量当前网络中N₁个网络参数的值，并根据模糊隶属度函数的方法，计算当前时刻每个测量值所对应的分数C_1i,i＝1,2,…,N₁；步骤5：利用步骤3中所得到的权重值对N₁个网络参数的分数进行加权，得到根据该业务所确定的网络性能分数步骤6：对剩余的每种业务，都重复以上步骤2～5，从而得到根据每一种业务所确定的网络性能分数j＝1,2,…,K，其中N_j,j＝1,2,…,K是为第j种业务所选定的网络参数的个数，为各业务种类选定的网络参数的数量和类型相同或者不同；步骤7：利用步骤1中所测量的各类型业务的占比，对根据每一种业务所确定的网络性能分数进行加权，得出当前网络的综合性能

(三)有益效果

本发明提出的一种面向业务的网络综合性能评估方法，其核心特征和有益效果有：

面向业务：本发明通过实时的检测当前网络中的业务流的业务类型及占比，依次从每一种业务的角度评价当前网络的性能，可以体现出同一个网络在运行不同类型业务时的性能状态差异；通过对各业务评价分数进行加权得到最终的网络性能分数，能够更加全面地反映网络性能，更加符合主观的业务体验。

低复杂度：本发明采用的FAHP算法，在模糊一致矩阵的构造过程中，利用所提出的一系列步骤可以使所构造的判断矩阵在构造之初就具备模糊一直性，而无须再进行一致性校验和修改的过程，大大降低了构造模糊一直矩阵的时间复杂度，具有步骤简单和计算复杂度比较低的特点，便于应用在实际中，提高了系统的整体效率。

附图说明

图1是本发明的面向业务的网络综合性能评估模型的示意图。

图2是本发明中具有低复杂度的改进FAHP方法流程图。

图3是本发明中网络综合性能评估层次模型示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1是本发明提出的一种面向业务的网络综合性能评估方法，对图1中该评价方法的具体实施步骤说明如下：

101：检测网络当前所承载的业务流，获取当前业务流中所存在的所有业务类型，按照业务数据量的大小计算出各类型业务分别所占的比重p_i,i＝1,2,…,K，其中K为业务类型的数量。如当前网络在一段规定的时间长度内，进行了视频业务和网页浏览业务，其中前者的通信数据量为200M，后者的数据通信量为20M，则视频业务和网页浏览业务的比重分别为 $\frac{200}{200+20}=0.91$ 和 $\frac{20}{200+20}=\mathrm{0.09.}$

102：首先选取其中占比最高的一种业务，记作第一业务，根据该业务的业务特点，为其选择N₁个网络参数(如时延、带宽、丢包率等)作为对网络性能的评价指标。网络参数的选取方式可以依据以往的研究和专家经验，主要考虑其对业务体验影响的重要性。不同的无线业务拥有不同的业务特点，例如，视频业务需要高实时性保障，但是由于人眼的滞留特性，丢失几帧却对观看的体验没有太大影响；而网页浏览、收发Email(电子邮件)、即时通讯等尽力而为(BestEffort，BE)业务却更需要保证所接收的信息的准确性。它们的业务特性也决定了它们对网络性能的需求也不尽相同：视频业务对时延敏感，而BE业务对时延不敏感但却对丢包率更加敏感。因此同一个网络在承载不同业务时的性能表现也不同。例如，一个承载实时视频业务不太流畅的网络，可能在承载网页浏览、即时通信等BE业务时性能良好。所以评价一个网络性能的优劣不应该一概而论，而应该从其上所承载的业务的角度去评判。

103：针对选定的N₁个网络参数，采用低复杂度的改进FAHP方法计算各个参数的权重值W_1i,i＝1,2,…N₁，得到N₁个网络参数所构成的参数集的权重向量 $W_1=(W_{11},W_{12},...,W_{1N_1});$

104：根据现有的网络指标研究及相关标准，制定网络最优状态(100分)与网络最差状态(0分)分别对应的指标值，以时延参数为例，当网络状态理论上最优(100分)时，即没有时延，也即该时刻时延的测量值应为0ms；在很多网络场景中，当时延大于300ms时，网络状态就已经差到近乎不可用(0分)，所以网络状态0分对应的时延值即可设定为300ms；即时延参数的上下边界值即为300ms和0ms。在设定好上下边界值后，对选定的N₁个网络参数进行实时测量，得到当前时刻它们的实时测量值；引入模糊隶属度函数的方法，根据之前所设定的两个边界值，计算当前时刻每个测量值所应对应的评价分数C_1i,i＝1,2,…,N₁。

对于正相关参数，即参数的值越高，代表网络性能越好，比如吞吐量、带宽等，可以按照如下的模糊隶属度函数λ_i(x)计算各个正相关参数的对应评价分数：

${\mathrm{\λ}}_i\left(x\right)=\left\{\begin{array}{cc}100& x\≤a_i\\ 100(b_i-x)/(b_i-a_i)& a_i\≤x\≤b_i\\ 0& x\≥b_i\end{array}\right.$

其中，a_i和b_i分别代表下边界和上边界，将网络参数的当前时刻的测量值作为x带入上面的模糊隶属度函数λ_i(x)，得到的λ_i(x)就是该网络参数的当前时刻测量值对应的评价分数。

例如，带宽参数的上下边界分别为100M和0M，若当前网络的带宽为50M，则当前网络带宽所对应的带宽评价分数即为

对于负相关参数，即参数的值越小，代表网络性能越好，比如时延、丢包率等，可以按照如下的模糊隶属度函数β_i(x)计算各个正相关参数的对应评价分数：

${\mathrm{\β}}_i\left(x\right)=\left\{\begin{array}{cc}100& x\≤a_i\\ 100(x-a_i)/(b_i-a_i)& a_i\≤x\≤b_i\\ 0& x\≥b_i\end{array}\right.$

其中，a_i和b_i分别代表下边界和上边界。

例如，时延参数的上下边界分别为300ms和0ms，若当前网络的带宽为120ms，则当前网络带宽所对应的带宽评价分数即为

边界值的设定可根据已有的对网络指标的研究或专家经验，按照参数通常所处的数值范围进行设置，也可以在实际测量中以一定的时间间隔测量多次，并把所有测量中网络状态最好的一次当作最优状态(100分)，把状态最差的一次当作最差状态(0分)，这两个状态下的网络参数测量值即可充当边界值；采用这种边界值得出的分数都是相对于这两次状态而言的相对分数。

105：利用步骤103中所得到的各网络参数的权重值W_1i,i＝1,2,…N₁，对步骤104中所得到的N₁个网络参数的评价分数C_1i,i＝1,2,…,N₁进行加权，代入下式得到从该业务的角度所评判的网络性能分数Q₁：

例如，若当前是选取了视频业务进行评价，并在步骤102中为视频业务选取了两个参数：丢包率和时延；经过步骤103的FAHP算法得到丢包率和时延的权重值分别为0.7和0.3，在步骤104中测量得到当前网络的丢包率为2％，时延为10ms，代入所规定的边界值到隶属度函数中，得到丢包率和时延的评价分数分别为80分和70分，则从该视频业务的角度所得到的当前网络的性能评价分数即为：0.7×80+0.3×70＝77分。

106：对剩余的业务流，重复步骤102～105，直到网络中所有业务类型的网络性能评价分数都已经通过j＝1,2,…,K得到，其中Q_j是从第_j个业务的角度所得到的网络性能评价分数，N_j,j＝1,2,…,K是为第j种业务所选定的网络参数的个数，W_ji是为第j个业务所选定的第i个网络参数的权值，C_ji是为第j个业务所选定的第i个网络参数的评价分数。

107：利用步骤101中所测量的各类型业务的占比p_i,i＝1,2,…,K，对步骤106中从各个业务角度所得到的网络性能评价结果Q_j进行加权，通过公式计算得出当前网络的综合性能评价结果R，其中K为当前网络中存在的所有业务类型数目。例如，若当前网络流中存在两种业务：视频业务与BE业务，两者占比分别为60％与40％，由步骤2～6从两个业务的角度分别得出的评价分数分别为80和90，则网络的综合性能评价结果即60％×80+40％×90＝84分。

图2是图1中步骤103所采用的低复杂度的改进FAHP方法的计算流程示意图，参照图2，进一步包括：

201：通过对各个业务与网络参数的分类，建立三层的网络性能综合评价模糊层次模型；为了描述方便，这里设当前网络中的业务类型共有K个，每个业务均选取了N个相同的网络参数A_i(i＝1,2,…,N)作为评价指标。这里仅是以举例的方式为每种业务选取N个相同的网络参数，本发明并不仅仅限于该种情况，根据本发明的方法，为每种业务选取的网络参数的数量和种类可以相同，也可以不同。通过对评价目标和评价参数的层次分析，所建立网络性能综合评价层次模型如图3所示。

图3为根据本发明提出的面向业务的网络综合性能评估方法建立的三层网络综合性能评估层次模型，参照图3，网络综合性能评价结果是最终的评价目标，因此位于顶层——目标层；综合的评价结果由各个业务的单业务评价结果组成，所以各业务作为得到最终结果的主参数，位于第二层——主参数层；各业务的评价指标由各个网络参数组成，如时延、带宽、丢包率等等，因此各个网络参数作为次参数，位于最后一层——次参数层。

接下来，在对某个业务进行评价时，对于为其选定的N个网络参数A_i(i＝1,2,…,N)，需要构造N个网络参数间的N阶模糊一致判断矩阵A＝(a_ij)_N×N,i,j＝1,2,3,…,N，该模糊一致判断矩阵的元素a_ij为三角模糊数a_ij＝(l_ij,m_ij,u_ij)，代表网络参数i相对于网络参数j的重要程度，即指在从该业务的角度评判网络性能时，参数i与参数j相比谁更重要。(l_ij,m_ij,u_ij)可以理解为a_ij的三个特征值。

在为矩阵A＝(a_ij)_N×N,i,j＝1,2,3,…,N各元素a_ij一一赋值、构造出该模糊一致矩阵时采用如下的步骤：

202：对矩阵A＝(a_ij)_N×N,i,j＝1,2,3,…,N中所有i≠j的元素，赋值为a_ij＝(0,0,0)；对于i＝j的元素a_ij，赋值为a_ij＝(0.5,0.5,0.5)。

203：在接下来的元素赋值的过程中，根据用户体验，由用户给出评价分数，并对这些数据进行筛选和计算得到，为了数据准确，选取的用户数量尽量多，在得到的评价分数中，去除明显偏离实际的数据，根据剩余的有效数据来进行元素赋值。优选地，用户选用该领域的研究人员，例如有P位用户参加评分，P的数量选择大于20。由这P位用户对a_ij的值给出自己的打分值进行评定。首先在所有值为(0,0,0)的元素a_ij中，请参与打分的P位用户选择他们最有把握进行评判的一个元素在选择过程中，得票最多的元素被认为是最有把握进行评定的元素，P位用户给出i₁相对于j₁的重要程度打分值，在得到的P个打分值中，选取中间的s个数据作为有效数据，记做1≤k≤s。重要程度的打分值可采用0.1～0.9标度，即1≤k≤s可以取0.1、0.2、0.3、……、0.9等整刻度值，注意，但在实际应用时不仅限于此标度，其他任何能表示重要程度关系的标度体系也都可以使用，此处以0.1～0.9刻度为例进行说明。若大于0.5，即表示第k个用户认为i₁相对于j₁更重要；若小于0.5，则表示第k个用户认为i₁相对于j₁更次要；若等于0.5，则表示第k个专家认为两者同样重要。的值越大，说明第k个专家认为i₁相对于j₁越重要，反之则越不重要。

从而第一个元素的值就可由如下的公式确定：

$l_{i_1{j}_1}=\min \left(V_{i_1{j}_{1}k}\right),m_{i_1{j}_1}=\frac{\left(l_{i_1{j}_1}+u_{i_1{j}_1}\right)}{2},u_{i_1{j}_1}=\max \left(V_{i_1{j}_{1}k}\right),0<V_{i_1{j}_{1}k}<1$

其中即各有效数据中各用户打分的最低分，为各用户打分分数的最高分，为和的平均值。比如选定了两个网络参数：丢包率和时延，共有两位用户：用户1和用户2参与打分，用户1为丢包率相对于时延的重要程度打分为0.5，即用户1认为丢包率和时延同样重要；用户2为丢包率相对于时延的重要程度打分为0.6，即用户2认为丢包率相比于时延来说更为重要；则两个网络参数——丢包率和时延的相对程度值就可以通过如下的式子计算得出：

在确定完的值以后，将的下角标i₁和j₁组成一个独立的集合(i₁,j₁)。同时在得到的值以后，的值就可以通过如下的公式得到：

$a_{j_1{i}_1}=1-a_{i_1{j}_1}=(1-u_{i_1{j}_1},1-m_{i_1{j}_1},1-1_{i_1{j}_1})$

204：在其余值为(0,0,0)的矩阵元素里，继续选择P位用户最为确定的一个元素然后对其的值进行打分，使用与步骤203中同样的计算即可得到和接下来继续构造一组最小独立集合：若(i₂,j₂)与步骤10中得到的(i₁,j₁)集合中的元素没有重复，则将(i₂,j₂)当作另一个独立的集合；若有重复，则将(i₂,j₂)并入(i₁,j₁)构成一个新的独立集合。例如，若在步骤203中，P位用户选择的最为确定的元素的是a₁₂，因此在步骤203中，组成了独立集合(1,2)。接下来在步骤204中，若用户选取的最为确定的元素为a₂₃，(2,3)与(1,2)有重复元素2，则两者组成一个新的集合(1,2,3)；若用户选取的最为确定的元素是a₃₄，(3,4)与(1,2)没有重复元素，则保留两个独立的集合(1,2)与(3,4)。

则所有其余的值为(0,0,0)的a_ij中，若其下标i和j由如上构造的最小独立集合中的任两个数字组成，则利用模糊一致性的定义，该a_ij的值可通过如下的运算得到：

a_ij＝a_ik-a_jk+0.5＝(l_ik-u_jk+0.5,m_ik-m_jk+0.5,u_ik-l_jk+0.5)

例如，若前面已经得到a₁₃＝(0.6,0.7,0.8)和a₂₃＝(0.3,0.5,0.7)，则下标由1，2，3三个元素中的两个组合而成的元素(如a₁₂)的值就可以通过如上的公式计算得到：

a₁₂＝a₁₃-a₂₃+0.5＝(0.6-0.3+0.5,0.7-0.5+0.5,0.8-0.7+0.5)＝(0.8,0.7,0.6)

其中如上公式中出现的k是用来表示计算时所选用的两个元素a_ik和a_jk不是固定的，比如a₁₂可以通过a₁₃和a₂₃计算得到，也可以通过a₁₄和a₂₄通过相同的计算过程得到。因为在赋值时保证了所得到的每一个元素都是满足一致性的，所以无论采用哪一对元素值计算，所得到的a₁₂的值都是相同且唯一的。

并令参数t＝3.

205：在剩余的值为(0,0,0)的元素里继续选择最确定的一个元素使用同步骤203中同样的方法得到和的值。检验重新构造最小独立集合：若(i_t,j_t)与以上步骤中得到的集合中的元素没有重复，则将(i_t,j_t)当作另一个独立的集合；若有重复，则将(i_t,j_t)并入之前的集合构成一个新的集合。然后计算所有下标由该新集合中的元素组成的矩阵元素的值。

206：令t＝t+1，若t＜N，则重复步骤205，若t＝N，则说明矩阵中所有的元素值都已经确定了，结束矩阵构建的过程。

这样通过步骤202-206，就可以构建出具备模糊一致性的判断矩阵，而无须再像以往的FAHP算法一样，进行一致性校验。因此不仅节省了一致性校验的工作量，还避免了由于不符合一致性带来的矩阵修改工作，大大降低了FAHP算法的时间复杂度。

207：根据步骤202～206所建立的模糊一致判断矩阵，按照下式计算各个参数i的综合程度值S_i，所得到的各个S_i均为三角模糊数。综合程度值S_i代表了参数i的重要性多少，计算出来的S_i值相比其他越大，则参数i相比其他参数越重要。

其中上式中各项的含义如下，表示第i行所有元素中三个特征值分别相加。表示整个矩阵所有元素的三个特征值分别相加。表示对取倒数。

$\underset{j=1}{\overset{N}{\&Sigma;}}{M}_{g_i}^j=(\underset{j=1}{\overset{N}{\&Sigma;}}{l}_{ij},\underset{j=1}{\overset{N}{\&Sigma;}}{m}_{ij},\underset{j=1}{\overset{N}{\&Sigma;}}{u}_{ij})$

$\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}{M}_{g_i}^j=(\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}{l}_{ij},\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}{m}_{ij},\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}{u}_{ij})$

${\&lsqb;\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}{M}_{g_i}^j\&rsqb;}^{-1}=\left(\frac{1}{\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}{u}_{ij}},\frac{1}{\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}{m}_{ij}},\frac{1}{\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}{l}_{ij}}\right)$

208：比较步骤207中得到的S_i＝(l_i,m_i,u_i)和S_j＝(l_j,m_j,u_j)，按照下式计算S_i≥S_j,i,j＝1,2,…,N；i≠j的可能性程度：

S_i＝(l_i,m_i,u_i)比其他N-1个三角模糊数S_j,j＝1,2,…,N；j≠i都大的可能性程度的计算如下式所示：

∨(S_i≥S₁,S₂,…S_j)＝∨[(S_i≥S₁)and(S_i≥S₂)and…and(S_i≥S_j)]

＝min∨(S_i≥S_k)k＝1,2,…,N

209：d′(A_i)＝min∨(S_i≥S_k),k＝1,2,…,N；k≠i，A_i(i＝1,2,…,N)即是步骤208中选定的N个网络参数，min∨(S_i≥S_k)指步骤208中计算得到的各个∨(S_i≥S_k),k＝1,2,…,N；k≠i的最小值。参数的权值向量可由如下得出。

W′＝(d′(A₁),d′(A₂),…,d′(A_N))^T

对W′进行归一化处理，可得到最终的归一化权值向量：

$\begin{array}{c}W={\left(d\left(A_1\right),d\left(A_2\right),\mathrm{...},d\left(A_N\right)\right)}^T\\ =\frac{d^{\&prime;}\left(A_1\right)}{d^{\&prime;}\left(A_1\right)+d^{\&prime;}\left(A_2\right)+...+d^{\&prime;}\left(A_N\right)},\frac{d^{\&prime;}\left(A_2\right)}{d^{\&prime;}\left(A_1\right)+d^{\&prime;}\left(A_2\right)+...+d^{\&prime;}\left(A_N\right)},...,\frac{d^{\&prime;}\left(A_n\right)}{d^{\&prime;}\left(A_1\right)+d^{\&prime;}\left(A_2\right)+...+d^{\&prime;}\left(A_N\right)})\end{array}$

例如，若共有3个网络参数A_i(i＝1,2,3)，参数A₁、参数A₂和参数A₃，则对于参数A₁来说，若步骤208中计算得到∨(S₁≥S₂)＝0.8，∨(S₁≥S₃)＝1.2，因此∨(S₁≥S_k)＝(∨(S₁≥S₂),∨(S₁≥S₃))＝(0.8,1.2)，则d′(A₁)＝min∨(S₁≥S_k)＝min(0.8,1.2)＝0.8，同样的步骤还可以得到d′(A₂)和d′(A₃)，如d′(A₂)＝1.2，d′(A₃)＝1.4，则W′＝(d′(A₁),d′(A₂),d′(A₃))^T＝(0.8,1.2,1.4)，对W′进行归一化处理，可得到最终的归一化权值向量：

$\begin{array}{c}W={\left(d\left(A_1\right),d\left(A_2\right),d\left(A_3\right)\right)}^T\\ =\left(\frac{0.8}{0.8+1.2+1.4},\frac{1.2}{0.8+1.2+1.4},\frac{1.4}{0.8+1.2+1.4}\right)\\ =\left(0.24,0.35,0.41\right)\end{array}$

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，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，均应包含在本发明的保护范围之内。

Claims (9)

1.一种面向业务的网络综合性能评估方法，该方法包括步骤：

步骤1：对当前网络中所承载的业务流进行检测，获取当前网络所存在的所有K个业务类型及每种业务在整个业务流中的占比p_i,i＝1,2,…,K，K是大于等于1的整数；

步骤2：首先选取其中占比最高的一种业务类型，针对该类型的业务的特点，为其选择N₁个网络参数作为网络性能确定指标，N₁是大于等于1的整数；

步骤3：针对选定的N₁个网络参数，采用FAHP方法计算各个参数的权重向量 $W_1=(W_{11},W_{12},...,W_{1N_1});$

步骤4：测量当前网络中N₁个网络参数的值，并根据模糊隶属度函数的方法，计算当前时刻每个测量值所对应的分数C_1i,i＝1,2,…,N₁；

步骤5：利用步骤3中所得到的权重值对N₁个网络参数的分数进行加权，得到根据该业务所确定的网络性能分数

步骤6：对剩余的每种业务，都重复以上步骤2～5，从而得到根据每一种业务所确定的网络性能分数其中N_j,j＝1,2,…,K是为第j种业务所选定的网络参数的个数，为各业务种类选定的网络参数的数量和类型相同或者不同；

步骤7：利用步骤1中所测量的各类型业务的占比，对根据每一种业务所确定的网络性能分数进行加权，得出当前网络的综合性能

2.根据权利要求1所述的方法，其特征在于，步骤4进一步包括：针对选定的每一个参数，为其设置网络最优状态边界值和网络最差状态边界值，根据所设置的上下边界值以及该参数的实时测量值，利用模糊隶属度函数的方法计算当前时刻每个测量值对应的评价分数C_1i,i＝1,2,…,N₁。

3.根据权利要求2所述的方法，其特征在于，步骤4中设置边界值是根据参数通常的取值范围设置上下边界，或者对该参数进行实际测量，从多次的测量值中选取最好状态对应的值和最差状态对应的值分别作为上下边界的值。

4.根据权利要求3所述的方法，其特征在于，步骤3进一步包括：

步骤31：构造各网络参数间的N₁阶模糊一致判断矩阵 $A={\left(a_{ij}\right)}_{N_1\&times;N_1},i,j=1,2,3,...,N_1,$ 其中a_ij为三角模糊数；

步骤32：根据步骤31所构造的模糊一致判断矩阵，计算每个网络参数的综合程度值S_i；

步骤33：比较步骤33中所得到的S_i≥S_k,k＝1,2,…,N₁；k≠i的可能性程度；

步骤34：令d′(A_n)＝min∨(S_n≥S_k),k＝1,2,…,N₁；k≠n，则各网络参数的权重向量表示为对W′归一化处理后，得到N₁个网络参数的归一化权重向量 $W={\left(d\right(A_1),d(A_2),...,d(A_{N_1}\left)\right)}^T.$

5.根据权利要求4所述的方法，其特征在于，步骤301进一步包括：所述N₁个网络参数为构造N₁个网络参数间的N₁阶模糊一致判断矩阵该模糊一致判断矩阵的元素a_ij为三角模糊数a_ij＝(l_ij,m_ij,u_ij)，代表网络参数i相对于网络参数j的重要程度，即指在从该业务的角度评判网络性能时，参数i与参数j相比哪个更重要，(l_ij,m_ij,u_ij)为a_ij的三个特征值，对矩阵中所有i≠j的元素，初始赋值为a_ij＝(0,0,0)，对于i＝j的元素a_ij，初始赋值为a_ij＝(0.5,0.5,0.5)，之后根据用户体验评分确定各个元素的最终值。

6.根据权利要求5所述的方法，其特征在于，根据用户评分确定各元素的最终值，进一步包括：首先在所有值为(0,0,0)的元素a_ij中，参与打分的P位用户选择最有把握进行评判的一个元素在选择过程中，得票最多的元素被认为是最有把握进行评定的元素，P位用户给出i₁相对于j₁的重要程度打分值，在P个打分值中，去掉偏差大的打分值，选择中间的S(S＜P)个打分制当作有效打分值，即则对于 $a_{i_1{j}_1}=(l_{i_1{j}_1},m_{i_1{j}_1},u_{i_1{j}_1}),l_{i_1{j}_1}\&le;m_{i_1{j}_1}\&le;u_{i_1{j}_1},$ 其中 $l_{i_1{j}_1}=\min \left(V_{i_1{j}_{1}k}\right),m_{i_1{j}_1}=\frac{(l_{i_1{j}_1}+u_{i_1{j}_1})}{2},u_{i_1{j}_1}=\max \left(V_{i_1{j}_{1}k}\right),0<V_{i_1{j}_{1}k}<1,$ 并将的下标构成一个独立集合(i₁,j₁)，的对角元素的值就可以通过如下的公式得到： $a_{j_1{i}_1}=1-a_{i_1{j}_1}=(1-u_{i_1{j}_1},1-m_{i_1{j}_1},1-l_{i_1{j}_1}),$ 针对剩余的值为(0,0,0)的a_ij中，下标由集合(i₁,j₁)中的元素组成的a_ij的值，就可以通过a_ij＝a_ik-a_jk+0.5＝(l_ik-u_jk+0.5,m_ik-m_jk+0.5,u_ik-l_jk+0.5)得到，接下来，参与打分的P位用户在剩余的没有赋值的元素中，继续选择最有把握进行评判的一个元素利用同上所述的方法得到及的值，并将下标(i₂,j₂)并入(i₁,j₁)组成新的独立集合，若两者有两个重复的元素，则去掉其中一个，并用同上的公式得到下标由新的集合中的元素组成的a_ij的值，以此类推，直到矩阵中所有的元素都已被赋值。

7.根据权利要求6所述的方法，其特征在于，N₁个参数中第i个参数的综合程度值由下式确定：

其中

$\underset{j=1}{\overset{N_1}{\&Sigma;}}{M}_{g_i}^j=(\underset{j=1}{\overset{N_1}{\&Sigma;}}{l}_{ij},\underset{j=1}{\overset{N_1}{\&Sigma;}}{m}_{ij},\underset{j=1}{\overset{N_1}{\&Sigma;}}{u}_{ij})$

$\underset{i=1}{\overset{N_1}{\&Sigma;}}\underset{j=1}{\overset{N_1}{\&Sigma;}}{M}_{g_i}^j=(\underset{i=1}{\overset{N_1}{\&Sigma;}}\underset{j=1}{\overset{N_1}{\&Sigma;}}{l}_{ij},\underset{i=1}{\overset{N_1}{\&Sigma;}}\underset{j=1}{\overset{N_1}{\&Sigma;}}{m}_{ij},\underset{i=1}{\overset{N_1}{\&Sigma;}}\underset{j=1}{\overset{N_1}{\&Sigma;}}{u}_{ij})$

${\&lsqb;\underset{i=1}{\overset{N_1}{\&Sigma;}}\underset{j=1}{\overset{N_1}{\&Sigma;}}{M}_{g_i}^j\&rsqb;}^{-1}=(\frac{1}{\underset{i=1}{\overset{N_1}{\&Sigma;}}\underset{j=1}{\overset{N_1}{\&Sigma;}}{u}_{ij}},\frac{1}{\underset{i=1}{\overset{N_1}{\&Sigma;}}\underset{j=1}{\overset{N_1}{\&Sigma;}}{m}_{ij}},\frac{1}{\underset{i=1}{\overset{N_1}{\&Sigma;}}\underset{j=1}{\overset{N_1}{\&Sigma;}}{l}_{ij}})$

其中，l_ij,m_ij,u_ij分别为a_ij＝(l_ij,m_ij,u_ij)中的三个特征值。

8.根据权利要求7所述的方法，其特征在于，步骤33进一步包括：

对于得到的N₁个参数的综合程度值，对于其中任意两个值S_i和S_j，S_i≥S_j,i,j＝1,2,…,N₁；i≠j的可能性程度为：

其中，S_i＝(l_i,m_i,u_i)比其他N₁-1个三角模糊数S_j,j＝1,2,…,N；j≠i都大的可能性程度的计算如下式所示：

∨(S_i≥S₁,S₂,…S_j)＝∨[(S_i≥S₁)and(S_i≥S₂)and…and(S_i≥S_j)]

。

＝min∨(S_i≥S_k)k＝1,2,…,N

9.根据权利要求8所述的方法，其特征在于，步骤34进一步包括：

令d′(A_i)＝min∨(S_i≥S_k),k＝1,2,…,N；k≠i，A_i(i＝1,2,…,N)即是步骤208中选定的N个网络参数，min∨(S_i≥S_k)指步骤33中计算得到的各个∨(S_i≥S_k),k＝1,2,…,N；k≠i的最小值，则参数的权值向量可由如下得出：

W′＝(d′(A₁),d′(A₂),…,d′(A_N))^T

对W′进行归一化处理，可得到最终的归一化权值向量：

$\begin{array}{c}W={\left(d\right(A_1),d(A_2),\mathrm{...},d(A_N\left)\right)}^T\\ =(\frac{d^{\&prime;}\left(A_1\right)}{d^{\&prime;}\left(A_1\right)+d^{\&prime;}\left(A_2\right)+...+d^{\&prime;}\left(A_N\right)},\frac{d^{\&prime;}\left(A_2\right)}{d^{\&prime;}\left(A_1\right)+d^{\&prime;}\left(A_2\right)+...+d^{\&prime;}\left(A_N\right)},...,\frac{d^{\&prime;}\left(A_n\right)}{d^{\&prime;}\left(A_1\right)+d^{\&prime;}\left(A_2\right)+...+d^{\&prime;}\left(A_N\right)}).\end{array}$