CN106059829A - 一种基于隐马尔可夫的网络利用率感知方法 - Google Patents

Abstract

本发明公开了一种基于隐马尔可夫的网络利用率感知方法，属于网络性能评估领域，具体为：首先，将某个计算机通信网络划分为W个小网络；通过测量某个小网络在某一时刻的网络总延时，对W个小网络分别建立W个隐马尔可夫HMM模型；然后，用统计量χ²来检验每个小网络中由隐状态序列构成的Markov链是否符合马氏性；当符合后，将每个HMM模型的显状态映射为隐状态；也就是根据每个小网络的网络总延时计算t时刻每个小网络的即时利用率，在分别进行量化，得到t时刻每个小网络的量化利用率；最后，按照小网络资产的重要性设定权重，得到总网络的量化利用率；优点在于：能够帮助网络管理员从宏观上掌握主机和网络的态势变化，进而分析出网络的即时利用率。

Description

一种基于隐马尔可夫的网络利用率感知方法

技术领域

本发明属于网络性能评估领域，具体涉及一种基于隐马尔可夫的网络利用率感知方法。

背景技术

随着个人上网设备的普及和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待解决的问题。

网络性能评估通过收集与分析当前网络的状态参数，能够获取对打枊前网络性能状况的准确感知，因此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。

在这种背景下，网络态势感知技术应运而生。自Endsley提出态势感知，并由Bass等将态势感知的概念引入网络性能评估领域以来，态势评估技术也得到了长足的发展，国外的学者往往选择从单一角度出发来获取态势要素，进行态势评估。如Grubesic等通过获取网络的资产脆弱信息来评估网络的脆弱性态势；Thonnard等则通过honey net采集攻击信息，通过攻击报警日志来评估网络的风险状况。而国内的学者往往选择从多个角度来综合分析网络状况，如朱丽娜、陈锋等以网络报警信息为基础，结合提供的服务、主机的重要性及网络系统结构，采用层次化的量化评估方法对网络进行态势评估。此外，通过借鉴其他学科的思想，例如李涛通过生物学上的启发而来的基于免疫的网络风险检测方法，对后续的研究都有不可忽视的借鉴作用。

目前，人们无法直观地得到网络的利用率，唯一可见的是得到的各种时延，也就是观察符号，只有通过时延才能推断出网络的即时利用率，而隐马尔可夫模型(HiddenMarkovModel，HMM)本身的隐状态以及观察符号，则完全模拟了这一过程。

发明内容

本发明为了感知并预测网络的即时利用率，提供了一种基于隐马尔可夫的网络利用率感知方法，包括步骤如下：

步骤一、针对某个计算机通信网络，按物理位置将该网络划分为W个小网络；

W根据实际网络大小划分，为整数；针对第h个小网络，计算机主机为Y_h台；h＝1,2,…,W；

步骤二、针对W个小网络中某个小网络h，测量该小网络h在某一时刻的网络总延时；

首先，在第h个小网络内设置数据包传递路由，即设置数据传输路径；

然后，使用Ping命令，在数据传输路径起始点和终点之间测得数据从输入小网络h到输出小网络h的时延，Ping命令弹出的提示框内显示时延大小；

步骤三、根据每个小网络某一时刻的网络总延时，对W个小网络分别建立W个满足P(O|λ')收敛或达到预定精度要求的隐马尔可夫HMM模型；

隐马尔可夫HMM模型记为：λ＝{N,M,A,B,π}；通常用简写三元组表示：λ＝{A,B,π}。

N为网络利用率的档位数目，对应马尔可夫链的隐状态数目；

HMM模型的隐状态几何为S＝{S₁,...,S_i,...,S_N}；记t时刻Markov链所处隐状态为q_t，则q_t∈(S₁,...,S_N)。

M为观测到的网络总时延大小的档位数目，对应任意网络利用率档位的观察值数目；

HMM模型的观察值集合为V＝{V₁,...,V_k,...,V_M}；记t时刻观察到的观察值为O_t，则O_t∈(V₁,...,V_M)。

π为初始状态概率矢量，对应初始时刻每个小网络中每台主机的即时利用率的概率分布。记π＝(π₁,...,π_i...,π_N)，当初始时刻Markov链所处隐状态为S_i时概率为π_i；

A为状态转移概率矩阵，描述的是不同网络利用率档位之间相互转移的概率。

记从隐状态S_i转移到隐状态S_j的概率为a_ij。

B为观察值概率矩阵，对应为处于不同网络利用率档位下，观察到某个网络总时延档位的概率。记当前隐状态为S_j时观察到HMM模型的观察值V_k的概率为b_j(k)。

具体步骤如下：

步骤301、将每个小网络对应的HMM模型中的参数A,B,π分别赋初始值；

步骤302、将某个小网络h得到的观察值序列O和对应的初始HMM模型参数代入重估式进行优化，得到估计值π_i'，a_ij'和b_j(k)'；

用Baum-Welch算法对初始的HMM模型参数A,B,π分别优化，重估式公式如下：

${{\mathrm{\π}}_i}^{\′}={\mathrm{\γ}}_1\left(i\right),{a_{ij}}^{\′}=\frac{\underset{t=1}{\overset{T-1}{\Σ}}{\mathrm{\ξ}}_t(i,j)}{\underset{t=1}{\overset{T-1}{\Σ}}{\mathrm{\γ}}_t\left(i\right)},{b_{j\left(k\right)}}^{\′}=\frac{\underset{t=1,s.t.O_t=V_k}{\overset{T}{\Σ}}{\mathrm{\γ}}_t\left(j\right)}{\underset{t=1}{\overset{T}{\Σ}}{\mathrm{\γ}}_t\left(j\right)}$

γ₁(i)表示初始时刻t＝1时，从隐状态S_i转移出去的次数期望；表示在T-1时间段内，隐状态从S_i转移到隐状态S_j的次数期望之和，表示在T-1时间段内，从隐状态S_i转移出去的次数期望之和，表示当前时刻观察值为V_k时，在时间段T内处于隐状态S_j的次数期望之和，表示在时间段T内处于隐状态S_j的次数期望之和。

步骤303、利用估计值π_i'，a_ij'和b_j(k)'得到新的模型λ'＝(A',B',π')；

步骤304、判断新的模型λ'是否满足该小网络的P(O|λ')收敛或达到预定精度要求，如果是，则λ'定为最终的模型；否则，返回步骤302，逐步改进HMM的模型参数，直到满足该小网络的P(O|λ')收敛或达到预定精度要求。

步骤四、针对每个小网络，分别用统计量χ²来检验该小网络中由隐状态序列构成的Markov链是否符合马氏性；

统计量公式如下：

${\mathrm{\χ}}^2=2\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{f}_{ij}\left|log\frac{P_{ij}}{P{.}_j}\right|$

f_ij为不同隐状态间的转移频数；“边际概率”P_.j表示转移频数的第j列累加之和除以各行累加和与各列累加和所得的值，即当样本足够大时，统计量χ²服从自由度为(N-1)²的分布；给定显著性水平α，查表可得分位点的值，计算后得统计量χ²的值，若则该序列符合马氏性。

步骤五、当每个小网络的Markov链符合马氏性后，将每个HMM模型的显状态映射为隐状态；

显状态映射为隐状态体现在：根据每个小网络的网络总延时计算t时刻每个小网络的即时利用率；

小网络在一段时间内检测到一系列的总时延，对应的HMM模型的观察符号为O＝{O₁,O₂,...O_T}，则t时刻每个小网络的即时利用率R_network,t可按下式计算：

$R_{network,t}=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\γ}}_t\left(i\right)c_i=\underset{i=1}{\overset{N}{\Σ}}\frac{{\mathrm{\α}}_t\left(i\right){\mathrm{\β}}_t\left(i\right)}{\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_t\left(i\right){\mathrm{\β}}_t\left(i\right)}{c}_i$

c_i表示隐状态S_i对应的权值；γ_t(i)表示在给定观察值时延序列O和最终的模型参数下，在t时刻处于隐状态S_i的概率；α_t(i)＝P(O₁,O₂,...O_t,q_t＝S_i|λ)表示前向变量；β_t(i)＝P(O_t+1,O_t+2,...O_T,q_T＝S_i|λ)为后向变量。

步骤六、对t时刻每个小网络的即时利用率分别进行量化，得到t时刻每个小网络的量化利用率；

步骤七、在得到网络中所有小网络的量化利用率后，按照小网络资产的重要性设定权重，得到总网络的量化利用率；

计算公式为：

$R_{thewholenetwork,t}=\underset{h=1}{\overset{W}{\Σ}}{\mathrm{\μ}}_{network}{R}_{network,t}$

μ_network为计算机的资产重要性权重，具体数值根据不同的网络环境或需求进行设置。

本发明的优点在于：

1)、一种基于隐马尔可夫的网络利用率感知方法，基于隐马尔可夫模型(hiddenMarkov model，HMM)，模型结构简单、计算量小，并且不受制于数据规模；

2)、一种基于隐马尔可夫的网络利用率感知方法，通过BW算法对模型参数进行优化，提高模型参数与观察值的对数似然值，使模型更符合数据源的特点；

3)、一种基于隐马尔可夫的网络利用率感知方法，能够帮助网络管理员从宏观上掌握主机和网络的态势变化，进而分析出网络的即时利用率。

附图说明

图1为本发明一种基于隐马尔可夫的网络利用率感知方法流程图；

图2为本发明对小网络分别建立满足P(O|λ')收敛或达到预定精度要求的隐马尔可夫HMM模型流程图。

具体实施方式

下面将结合附图对本发明作进一步的详细说明。

本发明以测试数据集的网络总时延为处理对象，采用隐马尔可夫随机过程作为分析手段，建立了描述网络处于不同网络利用率时不同网络总时延的隐马尔可夫模型。与传统马尔可夫链不同的是，本发明得到的观测事件与状态之间往往并非完全一一对应，通常是由相应的概率分布来描述他们之间的关系，所以本发明是一个双重随机过程。观察者的角度只能看到观察值，不能看到马尔可夫链所对应的隐藏状态，只能由对应的概率分布去推断，对应到无线网络中，人们无法直观地得到网络的利用率，唯一可见的是得到的各种时延，也就是观察符号，只有通过时延才能推断出网络的即时利用率。而隐马尔可夫模型本身的隐状态以及观察符号，则完全模拟了这一过程。

再者，通过Baum-Welch算法对模型参数进行了优化，使用量化分析方法得到整个网络利用率定量评价和预测。由于优化前的初始模型参数受专家经验的局限性，使得模型初始参数与观察值的对数似然值很低，导致初始模型参数不能准确地通过已观测到的网络总延时推测其即时利用率，并且随着数据的增多，或者隐状态数和观察值种类的增加，人为设定模型参数将愈发不能满足要求。本发明中，经BW算法优化后，模型参数与观察值的对数似然值得到大幅提高。经过优化的模型参数可以更加准确地描述网络总时延与即时利用率的关系变化，是的对无线网络的感知结果更加符合实际，效果更好。

一种基于隐马尔可夫的网络利用率感知方法，如图1所示，具体步骤如下：

步骤一、针对某个计算机通信网络，按物理位置将该网络划分为W个小网络；

W根据实际网络大小划分，为整数；针对第h个小网络，计算机主机为Y_h台；p＝1,2,…,W；

步骤二、针对W个小网络中某个小网络h，计算该小网络h在某一时刻的网络总延时；

每个HMM模型的显状态“网络总时延”是通过在仿真实验中利用Ping命令测得的实验数据。在整个仿真过程中要用到大量的网络总时延观测值序列，对于某一个观测值序列，去掉极大极小两个观测值，对剩下的观测值取平均，得到隐马尔可夫模型的输入值。

首先，在第h个小网络内设置数据包传递路由，即设置数据传输路径；

然后，使用Ping命令，在数据传输路径起始点和终点之间测得数据从输入小网络h到输出小网络h的时延，Ping命令弹出的提示框内会显示时延大小；

步骤三、根据每个小网络某一时刻的网络总延时，对W个小网络分别建立W个满足P(O|λ')收敛或达到预定精度要求的隐马尔可夫HMM模型；

隐马尔可夫HMM模型记为：λ＝{N,M,A,B,π}；通常用简写三元组表示：λ＝{A,B,π}。

N为网络利用率的档位数目，对应马尔可夫链的隐状态数目；

HMM模型的隐状态几何为S＝{S₁,...,S_i,...,S_N}。随着时间的变化，网络所处的即时利用率档位会转移，记t时刻Markov链所处状态为q_t，则q_t∈(S₁,...,S_N)。

M为观测到的网络总时延大小的档位数目，对应任意网络利用率档位的观察值数目；HMM模型的观察值集合为V＝{V₁,...,V_k,...,V_M}。记t时刻观察到的观察值为O_t，其中O_t∈(V₁,...,V_M)。

π为初始状态概率矢量，对应为初始时刻每个小网络中每台主机的即时利用率的概率分布。记π＝(π₁,...,π_i...,π_N)，其中：π_i＝P(q₁＝S_i，1≤i≤N)，表示初始时刻Markov链所处隐状态S_i的概率为π_i。q₁是初始时刻Markov链的状态，处于S_i的状态。

A为状态转移概率矩阵，描述的是不同网络利用率档位之间相互转移的概率。记其中：a_ij＝P(q_t+1＝S_j/q_t＝S_i)为矩阵中任一元素，1≤i≤N；1≤j≤N，表示从隐状态S_i转移到隐状态S_j的概率为a_ij。

B为观察值概率矩阵，对应为处于不同网络利用率档位下，观察到某个网络总时延档位的概率。记其中：b_j(k)＝P(O_t＝V_k/q_t＝S_j)为矩阵中任一元素，1≤j≤N，1≤k≤M，表示当前状态为S_j时，观察到V_k的概率为b_j(k)。

如图2所示，具体步骤如下：

步骤301、将每个小网络对应的HMM模型中的参数A,B,π根据经验分别赋初始值；

步骤302、将某个小网络h得到的观察值序列O和对应的初始HMM模型参数代入重估式进行优化，得到估计值π_i'，a_ij'和b_j(k)'；

用BW(Baum-Welch)算法对初始的HMM模型参数A,B,π分别优化，重估式公式如下：

${{\mathrm{\π}}_i}^{\′}={\mathrm{\γ}}_1\left(i\right),{a_{ij}}^{\′}=\frac{\underset{t=1}{\overset{T-1}{\Σ}}{\mathrm{\ξ}}_t(i,j)}{\underset{t=1}{\overset{T-1}{\Σ}}{\mathrm{\γ}}_t\left(i\right)},{b_{j\left(k\right)}}^{\′}=\frac{\underset{t=1,s.t.O_t=V_k}{\overset{T}{\Σ}}{\mathrm{\γ}}_t\left(j\right)}{\underset{t=1}{\overset{T}{\Σ}}{\mathrm{\γ}}_t\left(j\right)}$

γ₁(i)表示初始时刻t＝1时，从隐状态S_i转移出去的次数期望；表示在T-1时间段内，隐状态从S_i转移到隐状态S_j的次数期望之和，表示在T-1时间段内，从隐状态S_i转移出去的次数期望之和，表示当前时刻观察值为V_k时，在时间段T内处于隐状态S_j的次数期望之和，表示在时间段T内处于状态S_j的次数期望之和。

步骤303、利用估计值π_i'，a_ij'和b_j(k)'得到新的模型λ'＝(A',B',π')；

由重估式而得到的λ'能比初始模型参数λ更好地表示观察值序列O。

步骤304、判断新的模型λ'是否满足该小网络的P(O|λ')收敛或达到预定精度要求，如果是，则λ'定为最终的模型；否则，返回步骤302，逐步改进HMM的模型参数，直到满足该小网络的P(O|λ')收敛或达到预定精度要求，获取最终的模型参数λ'。

步骤四、针对每个小网络，分别用统计量χ²来检验该小网络中由隐状态序列构成的Markov链是否符合马氏性；

统计量公式如下：

${\mathrm{\χ}}^2=2\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{f}_{ij}\left|log\frac{P_{ij}}{P{.}_j}\right|$

N为马尔可夫链的隐状态数目；f_ij为不同隐状态间的转移频数；“边际概率”P_.j表示转移频数的第j列累加之和除以各行累加和与各列累加和所得的值，即当样本足够大时，统计量χ²服从自由度为(N-1)²的分布；给定显著性水平α，查表可得分位点的值，计算后得统计量χ²的值，若则该序列符合马氏性。

步骤五、当每个小网络的Markov链符合马氏性后，将每个HMM模型的显状态映射为隐状态；

显状态映射为隐状态体现在：根据每个小网络的网络总延时计算t时刻每个小网络的即时利用率；

小网络在一段时间内检测到一系列的总时延，对应的HMM模型的观察符号为O＝{O₁,O₂,...O_T}，则t时刻每个小网络的即时利用率R_network,t按下式计算：

$R_{network,t}=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\γ}}_i\left(i\right)c_i$

c_i表示隐状态S_i对应的权值；γ_t(i)表示在给定观察值时延序列O和最终的模型参数下，在t时刻处于隐状态S_i的概率；具体可由“前向-后向算法”来计算：

定义前向变量α_t(i)＝P(O₁,O₂,...O_t,q_t＝s_i|λ)和后向变量β_t(i)＝P(O_t+1,O_t+2,...O_T,q_T＝s_i|λ)并计算:

${\mathrm{\γ}}_t\left(i\right)=P(q_t=s_i|O,\mathrm{\λ})=\frac{{\mathrm{\α}}_t\left(i\right){\mathrm{\β}}_t\left(i\right)}{P\left(O\right|\mathrm{\λ})}=\frac{{\mathrm{\α}}_t\left(i\right){\mathrm{\β}}_t\left(i\right)}{\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_t\left(i\right){\mathrm{\β}}_t\left(i\right)}$

所以每个小网络的即时利用率R_network,t：

$R_{network,t}=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\γ}}_t\left(i\right)c_i=\underset{i=1}{\overset{N}{\Σ}}\frac{{\mathrm{\α}}_t\left(i\right){\mathrm{\β}}_t\left(i\right)}{\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_t{\mathrm{\β}}_t\left(i\right)}{c}_i$

步骤六、对t时刻每个小网络的即时利用率分别进行量化，得到t时刻每个小网络的主机量化利用率；

步骤七、在得到网络中所有主机的量化利用率后，按照小网络中主机资产的重要性设定权重，得到该计算机通信网络总网络的量化利用率为：

$R_{thewholenetwork,t}=\underset{h=1}{\overset{W}{\Σ}}{\mathrm{\μ}}_{network}{R}_{network,t}$

μ_network为计算机的资产重要性权重，具体数值根据不同的网络环境或需求进行设置，W为是小网络的个数。

实施例：

为了从时间上完整表达网络的利用率，本发明选用3个整天的数据，合计72小时，共9000个网络总时延测量值作为实验数据。将9000个网络总时延测量值一次性作为HMM模型的输入并进行参数学习，根据不同的网络环境需求，可采用：①全部输入数据以注重其全局性；②采用滑动窗口部分输入数据以注重其实时性，因此本发明不受数据规模的限制。

为方便建立模型，将观测到的时延测量值按照大小进行等级划分；共分为小、中、大3个等级，对应HMM模型的3种观察值。

网络利用率的档位数量多少直接决定了HMM的复杂程度，过多的档位不便于管理员对网络状态的理解，并且会降低模型的运算效率，考虑了综合模型复杂度、便于人理解和模型感知准确度等因素后，设定0～50％(极速)、50％～80％(流畅)、80％～100％(堵塞)三个利用率档位，如此一来，本发明的隐马尔可夫模型具体可表示为：

(1)状态空间：首先规定3种利用率档位，0～50％(极速)、50％～80％(流畅)、80％～100％(拥塞)，则状态空间可表示为S＝{极速，流畅，拥塞}。

(2)观察符号空间：将观测到的时延测量值按照大小划分为小、中、大3个等级，可用V＝{小，中，大}来表示观察符号空间。当然，用户也可以根据所处网络的具体情况，自行选择网络延时的等级和分类方法。

(3)状态转移概率矩阵：由于目前定义了3种隐藏状态，则状态转移概率矩阵为一个3×3的矩阵，可表示为：例如a₁₂表示从1(极速)转移到2(流畅)的概率。

(4)观察值概率矩阵(混淆矩阵)：由于定义了3种隐藏状态和3种观察值，则观察值概率矩阵为一个3×3的矩阵，可表示为：例如b₂₍₁₎表示在状态2(流畅)下观测到延时属于“小”等级的概率。

(5)初始状态概率矢量：π＝(π_极速,π_流畅,π_拥塞)，表示初始时刻，网络中的主机处于某一状态的概率。

记网络中的主机数量为L，并赋予所有主机相同的资产重要性权重(可以根据不同网络环境调整主机的资产重要性权重)。此时，在确定隐状态N为3后，由Viterbi算法可以得到各主机网络利用率的最佳隐状态序列，进而可得到状态转移频数矩阵，再由和可得L台主机的χ²统计量，若各主机的卡方统计量均大于查表得到的分位点，则满足马氏性。

紧接着根据专家经验，设置初始模型参数π₀，A₀和B₀；用BW算法对模型参数不断迭代，通过观察优化后各主机的模型参数，比较初始状态分布π显示初始状态处于某状态的概率(收敛于某个数值)与测试数据，可以发现迭代后的模型参数符合实际情况。由于优化前的初始模型参数受专家经验的局限性，使得模型初始参数与观察值的对数似然值可能较低，导致初始模型参数不能准确地通过已观测到的延时推测其利用率，并且随着数据的增多，或者隐状态数和观察值种类的增加，人为设定模型参数将愈发不能满足要求。经BW算法优化后，模型参数与观察值的对数似然值得到大幅提高。通过优化的模型参数，可以更加准确地描述网络总延时与利用率的变化关系，使得感知结果更加符合实际，效果更好。

在建立了基于HMM的网络安全模型之后，可以对某一时刻的网络利用率进行定性分析。但为了定量得出某时刻网络的利用率，在定性分析的基础上进一步定量分析。可以先定义一个利用率权值向量C＝{c₁,c₂,...c_i,...c_N}，该向量中的c_i与网络状态向量S＝{S₁,...,S_i,...,S_N}中的S_i一一对应，表示对应的隐状态对网络利用的影响程度；

网络在一段时间内检测到一系列的总时延，观察符号为O＝{O₁,O₂,...O_T}，则t时刻每个小网络主机的风险态势值即时利用率R_network,t按下式计算：由“前向-后向算法”来计算：由此得出主机的量化利用率为：

在得到网络中所有主机的量化利用率后，可以按照主机资产的重要性设定权重，得到网络的量化利用率为：

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 (4)

1.一种基于隐马尔可夫的网络利用率感知方法，其特征在于，包括步骤如下：

步骤一、针对某个计算机通信网络，按物理位置将该网络划分为W个小网络；

步骤二、针对W个小网络中某个小网络h，测量该小网络h在某一时刻的网络总延时；

步骤三、根据每个小网络某一时刻的网络总延时，对W个小网络分别建立W个满足P(O|λ')收敛或达到预定精度要求的隐马尔可夫HMM模型；

隐马尔可夫HMM模型记为：λ＝{N,M,A,B,π}；

N为网络利用率的档位数目，对应马尔可夫链的隐状态数目；HMM模型的隐状态几何为S＝{S₁,...,S_i,...,S_N}；

M为观测到的网络总时延大小的档位数目，对应任意网络利用率档位的观察值数目；HMM模型的观察值集合为V＝{V₁,...,V_k,...,V_M}；

π为初始状态概率矢量，对应初始时刻每个小网络中每台主机的即时利用率的概率分布；记π＝(π₁,...,π_i...,π_N)，当初始时刻Markov链所处隐状态为S_i时概率为π_i；

A为状态转移概率矩阵，描述的是不同网络利用率档位之间相互转移的概率；记从隐状态S_i转移到隐状态S_j的概率为a_ij；

B为观察值概率矩阵，对应为处于不同网络利用率档位下，观察到某个网络总时延档位的概率；记当前隐状态为S_j时观察到HMM模型的观察值V_k的概率为b_j(k)；

步骤四、针对每个小网络，分别用统计量χ²来检验该小网络中由隐状态序列构成的Markov链是否符合马氏性；

步骤五、当每个小网络的Markov链符合马氏性后，将每个HMM模型的显状态映射为隐状态；

显状态映射为隐状态体现在：根据每个小网络的网络总延时计算t时刻每个小网络的即时利用率；

t时刻每个小网络的即时利用率R_network,t如下：

$R_{network,t}=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\γ}}_t\left(i\right)c_i=\underset{i=1}{\overset{N}{\Σ}}\frac{{\mathrm{\α}}_t\left(i\right){\mathrm{\β}}_t\left(i\right)}{\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_t\left(i\right){\mathrm{\β}}_t\left(i\right)}{c}_i$

c_i表示隐状态S_i对应的权值；γ_t(i)表示在给定观察值时延序列O和最终的模型参数下，在t时刻处于隐状态S_i的概率；α_t(i)＝P(O₁,O₂,...O_t,q_t＝S_i|λ)表示前向变量；β_t(i)＝P(O_t+1,O_t+2,...O_T,q_T＝S_i|λ)为后向变量；

步骤六、对t时刻每个小网络的即时利用率分别进行量化，得到t时刻每个小网络的量化利用率；

步骤七、在得到网络中所有小网络的量化利用率后，按照小网络资产的重要性设定权重，得到总网络的量化利用率；

计算公式为：

$R_{thewholenetwork,t}=\underset{h=1}{\overset{W}{\Σ}}{\mathrm{\μ}}_{network}{R}_{network,t}$

μ_network为计算机的资产重要性权重，具体数值根据不同的网络环境或需求进行设置。

2.如权利要求1所述的一种基于隐马尔可夫的网络利用率感知方法，其特征在于，所述的步骤二具体为：

首先，在第h个小网络内设置数据包传递路由，即设置数据传输路径；

然后，使用Ping命令，在数据传输路径起始点和终点之间测得数据从输入小网络h到输出小网络h的时延，Ping命令弹出的提示框内显示时延大小。

3.如权利要求1所述的一种基于隐马尔可夫的网络利用率感知方法，其特征在于，所述的步骤三具体为：

步骤301、将每个小网络对应的HMM模型中的参数A,B,π分别赋初始值；

步骤302、将某个小网络h得到的观察值序列O和对应的初始HMM模型参数代入重估式进行优化，得到估计值π_i'，a_ij'和b_j(k)'；

用Baum-Welch算法对初始的HMM模型参数A,B,π分别优化，重估式公式如下：

π_i'＝γ₁(i)，

γ₁(i)表示初始时刻t＝1时，从隐状态S_i转移出去的次数期望；表示在T-1时间段内，隐状态从S_i转移到隐状态S_j的次数期望之和，表示在T-1时间段内，从隐状态S_i转移出去的次数期望之和，表示当前时刻观察值为V_k时，在时间段T内处于隐状态S_j的次数期望之和，表示在时间段T内处于隐状态S_j的次数期望之和；

步骤303、利用估计值π_i'，a_ij'和b_j(k)'得到新的模型λ'＝(A',B',π')；

步骤304、判断新的模型λ'是否满足该小网络的P(O|λ')收敛或达到预定精度要求，如果是，则λ'定为最终的模型；否则，返回步骤302，逐步改进HMM的模型参数，直到满足该小网络的P(O|λ')收敛或达到预定精度要求。

4.如权利要求1所述的一种基于隐马尔可夫的网络利用率感知方法，其特征在于，所述的步骤四具体为：

统计量公式如下：

${\mathrm{\χ}}^2=2\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{f}_{ij}\left|log\frac{P_{ij}}{P_{\·j}}\right|$

f_ij为不同隐状态间的转移频数；“边际概率”P_.j表示转移频数的第j列累加之和除以各行累加和与各列累加和所得的值，即当样本足够大时，统计量χ²服从自由度为(N-1)²的分布；给定显著性水平α，查表可得分位点的值，计算后得统计量χ²的值，若则该序列符合马氏性。