CN106375136B - 一种光接入网业务流感知方法和装置 - Google Patents

一种光接入网业务流感知方法和装置 Download PDF

Info

Publication number
CN106375136B
CN106375136B CN201611022505.3A CN201611022505A CN106375136B CN 106375136 B CN106375136 B CN 106375136B CN 201611022505 A CN201611022505 A CN 201611022505A CN 106375136 B CN106375136 B CN 106375136B
Authority
CN
China
Prior art keywords
business stream
node
preset
feature set
echo state
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.)
Active
Application number
CN201611022505.3A
Other languages
English (en)
Other versions
CN106375136A (zh
Inventor
白晖峰
周子冠
宋彦斌
赵冲
陈雨新
李炜
王玉亭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
Beijing Smartchip Microelectronics Technology Co Ltd
Information and Telecommunication Branch of State Grid Gansu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
Beijing Smartchip Microelectronics Technology Co Ltd
Information and Telecommunication Branch of State Grid Gansu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Information and Telecommunication Co Ltd, Beijing Smartchip Microelectronics Technology Co Ltd, Information and Telecommunication Branch of State Grid Gansu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201611022505.3A priority Critical patent/CN106375136B/zh
Publication of CN106375136A publication Critical patent/CN106375136A/zh
Priority to PCT/CN2017/084225 priority patent/WO2018090580A1/zh
Application granted granted Critical
Publication of CN106375136B publication Critical patent/CN106375136B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • H04Q11/0067—Provisions for optical access or distribution networks, e.g. Gigabit Ethernet Passive Optical Network (GE-PON), ATM-based Passive Optical Network (A-PON), PON-Ring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • H04Q2011/0079—Operation or maintenance aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明实施例涉及一种光接入网业务流感知方法和装置，其中，该方法包括：接收业务流数据，提取所述业务流数据的特征参数；对所述特征参数进行归一化处理，得到所述业务流的特征集；根据所述业务流的特征集和预设的简化回声状态网络模型，确定所述业务流所属的分类类型。本发明实施例的一种光接入网业务流感知方法和装置，接收业务流数据，提取业务流的特征参数并根据该特征参数获得特征集，根据该特征集和预设的简化回声状态网络模型，能够快速确定业务流所属的分类类型，提高了光接入网的业务流感知的效率。

Description

一种光接入网业务流感知方法和装置
技术领域
本发明涉及业务感知技术领域，尤其涉及一种光接入网业务流感知方法和装置。
背景技术
光接入网是指用光纤作为主要的传输媒质，实现接入网的信息传送功能。无源光网络(PON，Passive Optical Network)是光接入网的主要形式。PON系统的主要组成部分是光线路终端OLT(optical line terminal)和远端光网络单元ONU(Optical NetworkUnit)，通过OLT与业务节点相连，通过光网络单元(ONU)与用户连接。
随着光接入网业务的日益复杂，为了获得较好的QoS(Quality of Service)保障，对业务识别和分类是实施相关网络行为，进一步提高业务端到端QoS的前提和基础。在分析业务性能时往往需要获悉单个业务的流量、性能以及网络承载的并发流的统计特征，用于指导流量工程策略制定与实施，业务流感知方法因此应运而生。业务流感知是一种更高层的流量监测方法，把数据包按照不同的业务流定义进行分类识别，并进行相应的资源优化调度，提高光接入网对多业务的支持能力。
在光接入网的业务流感知技术中，基于业务流特征的模式识别算法起到日益重要的作用，而且模式识别算法的性能直接影响业务感知的准确度和效率。回声状态网络(ESN)算法是一种可用于模式识别的新型神经网络算法。ESN采用由随机稀疏连接的节点(神经元)组成的储备池作为隐层，用以对输入进行高维、非线性的表示。储备池的生成过程独立于回声状态网络的训练过程，因此，只需采用线性方法训练储备池至输出层的权值，使网络的训练过程得以简化，并保证权值确定的全局最优性以及良好的泛化能力，避免了传统神经网络中存在的训练算法复杂、易陷入局部最小等问题。上述优点使得回声状态网络在业务量感知中具有极大的应用潜力。
随着回声状态网络应用领域变得越来越复杂，以及应用的实时性要求不断提高，其硬件实现受到越来越多地关注。传统的储备池由大量的节点组成，这种由大量节点互连形成的复杂物理拓扑对硬件实现技术的要求很高。因此传统的储备池计算大多是基于软件完成的，严重制约了回声状态网络算法的处理速度；在高速光接入网中，难以保证业务识别感知的实时性。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
有鉴于此，本发明要解决的技术问题是，如何提供一种能够实时进行光接入网业务识别感知的方法。
为解决以上技术问题，本发明在一方面提供一种光接入网业务流感知方法，包括：接收业务流数据，提取所述业务流数据的特征参数；对所述特征参数进行归一化处理，得到所述业务流的特征集；根据所述业务流的特征集和预设的简化回声状态网络模型，确定所述业务流所属的分类类型。
在一种可能的实现方式中，所述特征参数包括：数据包长PSIZE(i)、数据包到达间隔PINTERVAL(i)、业务持续时间PDUR(i)，所述对所述特征参数进行归一化处理，得到所述业务流的特征集包括：
根据公式计算业务流的特征集U(i)，其中，PSIZE_MAX为统计的最大数据包长，PINTERVAL_MAX为最大的数据包到达间隔，PDUR_MAX为最大的业务持续时间。
在一种可能的实现方式中，所述根据所述业务流的特征集和预设的简化回声状态网络模型，确定所述业务流所属的分类类型包括：将所述业务流的特征集输入所述预设的简化回声状态网络模型，计算输出样本y(n)；根据计算出的输出样本y(n)确定所述业务流所属的分类类型。
在一种可能的实现方式中，在所述预设的简化回声状态网络模型中，将回声状态网络模型的储备池结构设置为N个单元节点所构成的环形拓扑，其中N为所述储备池中的总节点数；根据预设的动力学方程生成储备池中的节点。
在一种可能的实现方式中，所述预设的动力学方程为所述根据预设的动力学方程生成储备池中的节点包括：对所述动力学方程进行积分处理，得到节点x(i)的生成公式其中，P为节点平均生成速率，ɑ为激励系数，为节点消亡率，θ为节点间距，T为节点x(N)与节点x(0)之间的总距离，N为储备池总节点数，τ是预设的时间周期常数，t是时间变量，0＜t＜τ。
为解决以上技术问题，本发明在另一方面提供一种光接入网业务流感知装置，其特征在于，包括：参数提取模块，用于接收业务流数据，提取所述业务流数据的特征参数；参数处理模块，用于对所述特征参数进行归一化处理，得到所述业务流的特征集；分类确定模块，用于根据所述业务流的特征集和预设的简化回声状态网络模型，确定所述业务流所属的分类类型。
在一种可能的实现方式中，所述特征参数包括：数据包长PSIZE(i)、数据包到达间隔PINTERVAL(i)、业务持续时间PDUR(i)，所述参数处理模块用于：根据公式计算业务流的特征集U(i)，其中，PSIZE_MAX为统计的最大数据包长，PINTERVAL_MAX为最大的数据包到达间隔，PDUR_MAX为最大的业务持续时间。
在一种可能的实现方式中，所述分类确定模块包括：计算子模块，用于将所述业务流的特征集输入所述预设的简化回声状态网络模型，计算输出样本y(n)；确定子模块，用于根据计算出的输出样本y(n)确定所述业务流所属的分类类型。
在一种可能的实现方式中，在所述预设的简化回声状态网络模型中，将回声状态网络模型的储备池结构设置为N个单元节点所构成的环形拓扑，其中N为所述储备池中的总节点数；根据预设的动力学方程生成储备池中的节点。
在一种可能的实现方式中，所述预设的动力学方程为所述根据预设的动力学方程生成储备池中的节点包括：对所述动力学方程进行积分处理，得到节点x(i)的生成公式其中，P为节点平均生成速率，ɑ为激励系数，为节点消亡率，θ为节点间距，T为节点x(N)与节点x(0)之间的总距离，N为储备池总节点数，τ是预设的时间周期常数，t是时间变量，0＜t＜τ。
本发明实施例的一种光接入网业务流感知方法和装置，接收业务流数据，提取业务流的特征参数并根据该特征参数获得特征集，根据该特征集和预设的简化回声状态网络模型，能够快速确定业务流所属的分类类型，提高了光接入网的业务流感知的效率。而且采用简单的环形拓扑与动态方程相互结合生成节点的方式，一方面降低了传统回声状态网络模型的复杂度，另一方面用动态方程生成简化回声状态网络模型中的节点以保持运算准确度。
根据下面参考附图对示例性实施例的详细说明，本发明的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本发明的示例性实施例、特征和方面，并且用于解释本发明的原理。
图1示出现有的回声状态网络的结构示意图；
图2示出本发明实施例1提供的一种光接入网业务流感知方法的流程图；
图3示出本发明实施例2提供的另一种光接入网业务流感知方法的流程图
图4示出本发明实施例2中的简化回声状态网络模型的结构示意图；
图5示出本发明实施例3的(基于简化回声状态网络的)光接入网业务流感知方法的硬件实现框图；
图6示出本发明实施例4提供的一种光接入网业务流感知装置的结构示意图；
图7示出本发明实施例5提供的另一种光接入网业务流感知装置的结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
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。除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件未作详细描述，以便于凸显本发明的主旨。
以下对现有的回声状态网络(ESN，Echo State Network)的原理进行说明：
现有的回声状态网络的结构如图1所示，由输入层、储备池和输出层组成，所述储备池是随机生成的、大规模的、稀疏连接(SD通常保持1％-5％连接，SD是储备池中相互连接的节点占总的节点的百分比)的递归结构。假设回声状态网络由K个输入单元、N个储备池处理单元、和L个输出单元构成，则回声状态网络的基本方程为下列公式(1)和公式(2)：
x(n+1)＝f(Winu(n+1)+Wx(n)+Wbacky(n)) (1)
y(n+1)＝fout(Woutu(n+1)+Wx(n+1)+Wbacky(n)) (2)
其中，u(n)、x(n)和y(n)分别为ESN的输入变量、状态变量和输出变量；f和fout分别为储备池处理单元和输出单元的激活函数向量。Win表述输入单元与储备池处理单元之间的连接权值，W表示储备池内部处理单元之间的连接权值，Wback表示输出层与储备池的连接权值，Wout为储备池与输出单元的连接权值。此外，Win、W和Wback经初始化后保持不变，所以无须通过训练获得；而Wout需要通过训练获得。
在ESN的训练中，样本数据通过随机生成的权值矩阵Win和Wback，激励储备池处理单元采用线性回归使训练均方误差最小化的方法即得到Wout。
回声状态网络分类识别算法的基本原理如下列公式(3)所示：
公式(3)用于对初始化的回声状态网络模型进行训练，其中n仅表示不同的样本，而非时间。在分类训练的过程中，必须始终保持输入样本不变，直至储备池状态变量趋于稳定，使得前后两次迭代结果之间的差异最小，即保持输入样本u(n+1)不变，最终第(i)次迭代与第(i-1)次迭代结果一致，则生成回声状态网络模型。
ESN模型的训练过程如下：
步骤一：ESN的初始化。设定储备池规模(即储备池内总的节点数)，内部连接权值矩阵等参数；根据这些参数，对Win、W和Wback也必须进行初始化；
步骤二：选取训练样本集。由于数据采集过程中难免存在随机事件，不可避免地导致异常数据的存在，因此需要辨识出异常数据，选取正常数据形成训练样本集；
步骤三：形成网络状态。从初始化状态对回声状态网络进行状态更新，每一轮更新后需要保存回声状态网络当前状态的相关数值；
步骤四：ESN训练。ESN的训练过程就是根据输入、输出训练样本对，从而获得输出权值矩阵Wout。
实施例1
图2示出本发明实施例提供的一种光接入网业务流感知方法的流程图，如图2所示，该方法包括：步骤S201、步骤S202和步骤S203。
步骤S201：接收业务流数据，提取所述业务流数据的特征参数。
步骤S202：对所述特征参数进行归一化处理，得到所述业务流的特征集。
步骤S203：根据所述业务流的特征集和预设的简化回声状态网络模型，确定所述业务流所属的分类类型。
本发明实施例的一种光接入网业务流感知方法，接收业务流数据，提取业务流的特征参数并根据该特征参数获得特征集，根据该特征集和预设的简化回声状态网络模型，能够快速确定业务流所属的分类类型，提高了光接入网的业务流感知的效率。
实施例2
图3示出本发明实施例提供的另一种光接入网业务流感知方法的流程图，如图3所示，该方法包括：步骤S301、步骤S302、步骤S303和步骤S304。
步骤S301：接收业务流数据，提取所述业务流数据的特征参数。
在一种可能的实现方式中，所述特征参数包括：数据包长PSIZE(i)、数据包到达间隔PINTERVAL(i)、业务持续时间PDUR(i)。其中，数据包到达间隔为：同一个业务流的数据包连续到达的平均时间间隔；业务持续时间为：同一个业务流的第一个数据包到最后一个数据包的持续时间。
步骤S302：对所述特征参数进行归一化处理，得到所述业务流的特征集。
在一种可能的实现方式中，所述对所述特征参数进行归一化处理，得到所述业务流的特征集包括：
根据公式(4)计算业务流的特征集U(i)，
其中，PSIZE_MAX为统计的最大数据包长，PINTERVAL_MAX为最大的数据包到达间隔，PDUR_MAX为最大的业务持续时间。
本发明实施例的业务流感知方法，基于预设的简化回声状态网络模型，本质上为业务特征到业务类型的映射，其实质是根据条件属性(业务特征)确定决策属性(业务类型)的分类识别机制。光接入网系统根据分类识别结果进行业务优化调度，该机制分为业务流特征提取、S-ESN训练(与上述ESN的训练过程相同)和S-ESN决策三个过程。
对每一个接入的业务流，对收到的数据流提取其特征参数，包括：数据包长PSIZE(i)、数据包到达间隔PINTERVAL(i)、业务持续时间PDUR(i)。将特征参数根据公式(4)进行归一化处理以避免过拟合现象，从而获得描述该业务流的特征集U(i)。
步骤S303：将所述业务流的特征集输入所述预设的简化回声状态网络模型，计算输出样本y(n)。
本发明实施例提出了一种简化回声状态网络(Simplified Echo-State-Network,S-ESN)模型，为了降低回声状态网络中储备池的复杂度，将现有回声状态网络模型中的储备池结构简化为N个单元节点所构成的环形拓扑，S-ESN模型如图4所示。
在简化现有回声状态网络模型的同时，为了保持储备池运算准确度，本发明实施例引入了具有丰富的动态特征的动力学方程来生成储备池内的节点。
在一种可能的实现方式中，在如图4所示的预设的简化回声状态网络模型中，
将回声状态网络模型的储备池结构设置为N个单元节点所构成的环形拓扑，其中N为所述储备池中的总节点数；根据预设的动力学方程生成储备池中的节点。
所述预设的动力学方程为
所述根据预设的动力学方程生成储备池中的节点包括：
对所述动力学方程进行积分处理，得到节点x(i)的生成公式
其中，P为节点平均生成速率(如取值19.8)，ɑ为激励系数(如取值为1)，δ为节点消亡率(如取值0.8)，θ为节点间距(如取固定值0.2)。T为节点x(N)与节点x(0)之间的总距离；N为储备池总节点数。τ是预设的时间周期常数，t是时间变量，0＜t＜τ。
步骤S304：根据计算出的输出样本y(n)确定所述业务流所属的分类类型。
将业务流的特征集U(i)(作为输入样本)输入训练后的S-ESN，通过计算公式(1)和公式(2)计算得到输出样本y(n)，并根据输出样本y(n)确定该业务所属的分类类型，不同的输出样本对应不同的分类类型。
本发明实施例的一种光接入网业务流感知方法，接收业务流数据，提取业务流的特征参数并根据该特征参数获得特征集，根据该特征集和预设的简化回声状态网络模型，能够快速确定业务流所属的分类类型，提高了光接入网的业务流感知的效率。而且采用简单的环形拓扑与动态方程相互结合生成节点的方式，一方面降低了传统回声状态网络模型的复杂度，另一方面用动态方程生成简化回声状态网络模型中的节点以保持运算准确度。
实施例3
图5示出了本发明实施例的(基于简化回声状态网络的)光接入网业务流感知方法的硬件实现框图，如图5所示，
在光接入网业务感知机制的实现方式上，本发明实施例根据PON系统中OLT与ONU之间的主从式架构，设计了主从式的S-ESN业务感知机制，该机制由“S-ESN主模块”和多个“S-ESN子模块”构成。
1)S-ESN主模块：运行在OLT设备中，主要负责S-ESN的初始化和训练，以形成训练完备的S-ESN模型。OLT再将训练后的S-ESN模型信息广播给各个ONU。
2)S-ESN子模块：运行在ONU设备中，根据OLT广播的S-ESN信息形成S-ESN模型，之后各个ONU内的S-ESN子模块分别独立工作进行业务流感知。S-ESN子模块提取每一个业务流的特征参数并进行归一化处理，输入S-ESN模型进行运算得到分类识别结果，即S-ESN决策；然后ONU中的调度模块根据分类识别结果进行业务优化调度。
实施例4
图6示出本发明实施例提供的一种光接入网业务流感知装置的结构示意图，如图6所示，该装置包括：
参数提取模块61，用于接收业务流数据，提取所述业务流数据的特征参数；
参数处理模块62，用于对所述特征参数进行归一化处理，得到所述业务流的特征集；
分类确定模块63，用于根据所述业务流的特征集和预设的简化回声状态网络模型，确定所述业务流所属的分类类型。
本发明实施例的一种光接入网业务流感知装置，接收业务流数据，提取业务流的特征参数并根据该特征参数获得特征集，根据该特征集和预设的简化回声状态网络模型，能够快速确定业务流所属的分类类型，提高了光接入网的业务流感知的效率。
实施例5
图7示出本发明实施例提供的一种光接入网业务流感知装置的结构示意图，如图7所示，该装置包括：
参数提取模块61，用于接收业务流数据，提取所述业务流数据的特征参数；
参数处理模块62，用于对所述特征参数进行归一化处理，得到所述业务流的特征集；
分类确定模块63，用于根据所述业务流的特征集和预设的简化回声状态网络模型，确定所述业务流所属的分类类型。
在一种可能的实现方式中，所述特征参数包括：数据包长PSIZE(i)、数据包到达间隔PINTERVAL(i)、业务持续时间PDUR(i)，
所述参数处理模块62用于：
根据公式计算业务流的特征集U(i)，
其中，PSIZE_MAX为统计的最大数据包长，PINTERVAL_MAX为最大的数据包到达间隔，PDUR_MAX为最大的业务持续时间。
在一种可能的实现方式中，所述分类确定模块63包括：
计算子模块631，用于将所述业务流的特征集输入所述预设的简化回声状态网络模型，计算输出样本y(n)；
确定子模块632，用于根据计算出的输出样本y(n)确定所述业务流所属的分类类型。
在一种可能的实现方式中，在所述预设的简化回声状态网络模型中，
将回声状态网络模型的储备池结构设置为N个单元节点所构成的环形拓扑，其中N为所述储备池中的总节点数；
根据预设的动力学方程生成储备池中的节点。
在一种可能的实现方式中，所述预设的动力学方程为
所述根据预设的动力学方程生成储备池中的节点包括：
对所述动力学方程进行积分处理，得到节点x(i)的生成公式
其中，P为节点平均生成速率，ɑ为激励系数，为节点消亡率，θ为节点间距。
本发明实施例的一种光接入网业务流感知装置，接收业务流数据，提取业务流的特征参数并根据该特征参数获得特征集，根据该特征集和预设的简化回声状态网络模型，能够快速确定业务流所属的分类类型，提高了光接入网的业务流感知的效率。而且采用简单的环形拓扑与动态方程相互结合生成节点的方式，一方面降低了传统回声状态网络模型的复杂度，另一方面用动态方程生成简化回声状态网络模型中的节点以保持运算准确度。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

Claims (4)

1.一种光接入网业务流感知方法，其特征在于，包括：
接收业务流数据，提取所述业务流数据的特征参数；
对所述特征参数进行归一化处理，得到所述业务流的特征集；
根据所述业务流的特征集和预设的简化回声状态网络模型，确定所述业务流所属的分类类型；
所述特征参数包括：数据包长PSIZE(i)、数据包到达间隔PINTERVAL(i)、业务持续时间PDUR(i)，
所述对所述特征参数进行归一化处理，得到所述业务流的特征集包括：
根据公式计算业务流的特征集U(i)，
其中，PSIZE_MAX为统计的最大数据包长，PINTERVAL_MAX为最大的数据包到达间隔，PDUR_MAX为最大的业务持续时间；
在所述预设的简化回声状态网络模型中，
将回声状态网络模型的储备池结构设置为N个单元节点所构成的环形拓扑，其中N为所述储备池中的总节点数；
根据预设的动力学方程生成储备池中的节点；
所述预设的动力学方程为
所述根据预设的动力学方程生成储备池中的节点包括：
对所述动力学方程进行积分处理，得到节点x(i)的生成公式
其中，P为节点平均生成速率，ɑ为激励系数，δ为节点消亡率，θ为节点间距，T为节点x(N)与节点x(0)之间的总距离，N为储备池总节点数，τ是预设的时间周期常数，t是时间变量，0＜t＜τ。
2.根据权利要求1所述的光接入网业务流感知方法，其特征在于，所述根据所述业务流的特征集和预设的简化回声状态网络模型，确定所述业务流所属的分类类型包括：
将所述业务流的特征集输入所述预设的简化回声状态网络模型，计算输出样本y(n)；
根据计算出的输出样本y(n)确定所述业务流所属的分类类型。
3.一种光接入网业务流感知装置，其特征在于，包括：
参数提取模块，用于接收业务流数据，提取所述业务流数据的特征参数；
参数处理模块，用于对所述特征参数进行归一化处理，得到所述业务流的特征集；
分类确定模块，用于根据所述业务流的特征集和预设的简化回声状态网络模型，确定所述业务流所属的分类类型；
所述特征参数包括：数据包长PSIZE(i)、数据包到达间隔PINTERVAL(i)、业务持续时间PDUR(i)，
所述参数处理模块用于：
根据公式计算业务流的特征集U(i)，
其中，PSIZE_MAX为统计的最大数据包长，PINTERVAL_MAX为最大的数据包到达间隔，PDUR_MAX为最大的业务持续时间；
在所述预设的简化回声状态网络模型中，
将回声状态网络模型的储备池结构设置为N个单元节点所构成的环形拓扑，其中N为所述储备池中的总节点数；
根据预设的动力学方程生成储备池中的节点；
所述预设的动力学方程为
所述根据预设的动力学方程生成储备池中的节点包括：
对所述动力学方程进行积分处理，得到节点x(i)的生成公式
其中，P为节点平均生成速率，ɑ为激励系数，δ为节点消亡率，θ为节点间距，T为节点x(N)与节点x(0)之间的总距离，N为储备池总节点数，τ是预设的时间周期常数，t是时间变量，0＜t＜τ。
4.根据权利要求3所述的光接入网业务流感知装置，其特征在于，所述分类确定模块包括：
计算子模块，用于将所述业务流的特征集输入所述预设的简化回声状态网络模型，计算输出样本y(n)；
确定子模块，用于根据计算出的输出样本y(n)确定所述业务流所属的分类类型。
CN201611022505.3A 2016-11-17 2016-11-17 一种光接入网业务流感知方法和装置 Active CN106375136B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201611022505.3A CN106375136B (zh) 2016-11-17 2016-11-17 一种光接入网业务流感知方法和装置
PCT/CN2017/084225 WO2018090580A1 (zh) 2016-11-17 2017-05-12 一种光接入网业务流感知方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611022505.3A CN106375136B (zh) 2016-11-17 2016-11-17 一种光接入网业务流感知方法和装置

Publications (2)

Publication Number Publication Date
CN106375136A CN106375136A (zh) 2017-02-01
CN106375136B true CN106375136B (zh) 2019-01-25

Family

ID=57892572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611022505.3A Active CN106375136B (zh) 2016-11-17 2016-11-17 一种光接入网业务流感知方法和装置

Country Status (2)

Country Link
CN (1) CN106375136B (zh)
WO (1) WO2018090580A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106375136B (zh) * 2016-11-17 2019-01-25 北京智芯微电子科技有限公司 一种光接入网业务流感知方法和装置
CN107682189B (zh) * 2017-09-29 2021-03-02 锐捷网络股份有限公司 一种基于神经网络识别网络需求的方法及网络设备
CN107820141B (zh) * 2017-10-25 2020-02-21 北京智芯微电子科技有限公司 一种无源光网络业务流感知的方法及系统
CN111709140B (zh) * 2020-06-18 2023-06-27 上海海事大学 一种基于内在可塑性回声状态网络的船舶运动预报方法
CN112422451A (zh) * 2020-10-13 2021-02-26 国网冀北电力有限公司信息通信分公司 网络边缘系统的业务感知方法及装置
CN113919409B (zh) * 2021-08-20 2025-04-01 平高集团有限公司 综合能源数据融合方法、装置及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262211A (zh) * 2011-04-20 2011-11-30 哈尔滨工业大学 基于回声状态网络动态分类的模拟电路故障诊断方法
WO2014203039A1 (en) * 2013-06-19 2014-12-24 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi System and method for implementing reservoir computing using cellular automata
CN105719018A (zh) * 2016-01-21 2016-06-29 中国科学院自动化研究所 基于回声状态网络的用电预测方法和系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7110364B1 (en) * 2001-04-19 2006-09-19 Fujitsu Limited Optical link adjacency discovery protocol and an optical network therefor
CN101753421B (zh) * 2008-11-28 2012-12-19 中兴通讯股份有限公司 一种吉比特无源光网络中动态带宽分配方法及装置
CN102075352B (zh) * 2010-12-17 2013-10-16 北京邮电大学 一种网络用户行为预测的方法和装置
CN104463323A (zh) * 2013-09-17 2015-03-25 北京邮电大学 一种数据预测方法和装置
CN105978732B (zh) * 2016-06-27 2019-08-16 华北理工大学 一种基于粒子群优化最简回声状态网络参数的方法和系统
CN106375136B (zh) * 2016-11-17 2019-01-25 北京智芯微电子科技有限公司 一种光接入网业务流感知方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262211A (zh) * 2011-04-20 2011-11-30 哈尔滨工业大学 基于回声状态网络动态分类的模拟电路故障诊断方法
WO2014203039A1 (en) * 2013-06-19 2014-12-24 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi System and method for implementing reservoir computing using cellular automata
CN105719018A (zh) * 2016-01-21 2016-06-29 中国科学院自动化研究所 基于回声状态网络的用电预测方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于回声状态网络的电网负荷模型参数预测;宋彦斌，周子冠，张强，赵冲，刘全春;《江西电力》;20160625;全文

Also Published As

Publication number Publication date
WO2018090580A1 (zh) 2018-05-24
CN106375136A (zh) 2017-02-01

Similar Documents

Publication Publication Date Title
CN106375136B (zh) 一种光接入网业务流感知方法和装置
Xiao et al. Deep-q: Traffic-driven qos inference using deep generative network
Yu et al. Intelligent edge: Leveraging deep imitation learning for mobile edge computation offloading
Wang et al. Machine learning for networking: Workflow, advances and opportunities
WO2018126984A2 (zh) 一种基于mea-bp神经网络wsn异常检测方法
CN106953802B (zh) 一种基于深度学习的网络最优路径选择方法
CN102946613B (zh) 一种用于测量用户业务体验质量的方法
Huang et al. Software-defined QoS provisioning for fog computing advanced wireless sensor networks
Le et al. An AI-based traffic matrix prediction solution for software-defined network
CN105471647B (zh) 一种电力通信网故障定位方法
Ming et al. Edge-based video surveillance with graph-assisted reinforcement learning in smart construction
CN106296425A (zh) 基于带权重联合非负矩阵分解的属性图聚类方法及系统
Chen et al. Deep-broad learning system for traffic flow prediction toward 5G cellular wireless network
CN117454180A (zh) 光伏发电功率预测模型构建方法及装置
Ekaireb et al. ns3-fl: Simulating Federated Learning with ns-3
Zhang et al. Sustaining the high performance of AI-based network traffic classification models
Liang et al. A dynamic resource allocation based on network traffic prediction for sliced passive optical network
Guo et al. A novel cluster-head selection algorithm based on hybrid genetic optimization for wireless sensor networks
CN118626831B (zh) 一种基于大数据的算力配置检测方法及系统
Liu et al. Prediction of congestion degree for optical networks based on bp artificial neural network
Hu et al. Traffic-based adaptive bandwidth adjustment for flexible OTN connectivity in optical networks
Chen et al. The contract net based task allocation algorithm for wireless sensor network
Wu et al. Graph transformer and LSTM attention for VNF multi-step workload prediction in sfc
CN117527352A (zh) 基于统计与集成自编码器在SDN环境下的DDoS攻击防御方法
Nsaif et al. SM-FPLF: Link-state prediction for software-defined DCN power optimization

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Bai Huifeng

Inventor after: Zhou Ziguan

Inventor after: Song Yanbin

Inventor after: Zhao Chong

Inventor after: Chen Yuxin

Inventor after: Li Wei

Inventor after: Wang Yuting

Inventor before: Bai Huifeng

Inventor before: Zhou Ziguan

Inventor before: Song Yanbin

Inventor before: Zhao Chong

Inventor before: Chen Yuxin

TA01 Transfer of patent application right

Effective date of registration: 20170630

Address after: 100192 Beijing city Haidian District West Road No. 66 small Zhongguancun Dongsheng Technology Park C District No. 2 building 305 room

Applicant after: BEIJING ZHIXIN MICROELECTRONIC SCIENCE & TECHNOLOGY CO., LTD.

Applicant after: STATE GRID INFORMATION & TELECOMMUNICATION GROUP CO., LTD.

Applicant after: State Grid Corporation of China

Applicant after: INFORMATION COMMUNICATION COMPANY, STATE GRID GANSU ELECTRIC POWER CO., LTD.

Address before: 100192 Beijing city Haidian District West Road No. 66 small Zhongguancun Dongsheng Technology Park C District No. 2 building 305 room

Applicant before: BEIJING ZHIXIN MICROELECTRONIC SCIENCE & TECHNOLOGY CO., LTD.

Applicant before: STATE GRID INFORMATION & TELECOMMUNICATION GROUP CO., LTD.

Applicant before: State Grid Corporation of China

GR01 Patent grant
GR01 Patent grant