CN106936611A - 一种预测网络状态的方法及装置 - Google Patents
一种预测网络状态的方法及装置 Download PDFInfo
- Publication number
- CN106936611A CN106936611A CN201511025506.9A CN201511025506A CN106936611A CN 106936611 A CN106936611 A CN 106936611A CN 201511025506 A CN201511025506 A CN 201511025506A CN 106936611 A CN106936611 A CN 106936611A
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- network
- rank
- low
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 291
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 description 13
- 230000015654 memory Effects 0.000 description 11
- 238000013461 design Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
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
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例公开了一种预测网络状态的方法及装置,获取网络拓扑中各网络结点的数据,基于获取的各网络结点的数据形成数据矩阵;若所述数据矩阵为非低秩矩阵,则对所述数据矩阵进行矩阵分解,得到所述数据矩阵的近似低秩矩阵;利用分解得到的近似矩阵确定预测模型;依据所述预测模型进行网络状态预测,以提高预测精度。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种预测网络状态的方法及装置。
背景技术
随着网络规模的不断扩大和网络技术的日益改进,网络设备逐渐多样化,网络拓扑结构也越来越复杂,能够支持的业务类型也持续增多,直接对网络拓扑结构中的数据流量、吞吐量等表征网络状态的性能参数进行监控比较困难,故根据有限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网络状态,势在必行。
目前,对网络状态进行预测,可将网络拓扑结构中各网络结点的网络数据形成数据矩阵,通过数据矩阵进行网络状态的预测,例如,流量矩阵是最重要的网络性能参数之一。利用数据矩阵进行网络状态预测过程中,可采用算法模型对数据矩阵进行预测,以预测流量矩阵为例,可采用指数加权移动平均值的控制图(Exponential weighted movingaverage,EWMA)、差分自回归移动平均模型(Autoregressive Integrated Moving AverageModel,ARIMA)、回归算法等进行预测。以回归算法为例进行说明,包括:假设Mi是时刻i的流量矩阵,Mi...j是时刻i到时刻j的流量矩阵。A表示不同的时间周期上的流量矩阵若要预测t+1时刻的流量矩阵Mt+1,可以利用已知时间段的数据流量形成的已知数据矩阵计算出预测模型X,例如可利用t-1时刻的数据流量形成的已知数据矩阵At-1,使得然后计算M矩阵中新的一列对应的数据流量就是预测的数据流量。
目前,采用上述进行网络状态预测的方法,经常会出现预测值与实际值偏差较大的情况,即目前的网络状态预测方法的预测精度较低。
发明内容
本发明实施例提供一种预测网络状态的方法及装置,以提高预测网络状态的预测精度。
第一方面,提供一种预测网络状态的方法,该方法中,确定基于获取的各网络结点的数据形成数据矩阵是否为低秩矩阵,若所述数据矩阵为低秩矩阵,则按照传统方式进行低秩矩阵的分解并确定预测模型,若所述数据矩阵为非低秩矩阵,则对所述数据矩阵进行矩阵分解,得到所述数据矩阵的近似低秩矩阵,利用分解得到的近似低秩矩阵,确定预测模型,改善了目前进行预测模型确定时将数据矩阵笼统作为低秩矩阵进行处理的方式,可实现针对低秩矩阵和非低秩矩阵分别进行处理确定预测模型,依据确定的所述预测模型进行网络状态预测,能够适应网络拓扑结构中各网络结点组成的数据矩阵往往都不具有低秩性,提高预测精度。
一种可能的设计中,所述数据矩阵分解为包括低秩矩阵和其它不相关信息的组成形式,例如将所述数据矩阵分解为包括低秩矩阵、异常矩阵和噪声矩阵的矩阵,然后去除分解得到的所述矩阵中包括的异常矩阵和噪声矩阵,得到所述数据矩阵的近似低秩矩阵。
另一种可能的设计中,利用分解得到的近似低秩矩阵,确定预测模型,包括:根据所述近似低秩矩阵和已知数据矩阵,确定预测模型,所述已知数据矩阵为根据获取的网络拓扑中各网络节点在已知时间段内的数据,形成的数据矩阵。
又一种可能的设计中,本发明实施例中为进一步提高预测精度,使得预测模型适应网络状态变化,可通过判断所述数据矩阵与分解得到的近似低秩矩阵之间差的绝对值,是否小于设定的阈值,以使分解得到的近似低秩矩阵满足当前网络状态的预测,即,本发明实施例中可在确定所述数据矩阵与分解得到的近似低秩矩阵之间差的绝对值,不大于设定的阈值的情况下,再进行网络状态预测,以进一步提供网络状态的预测精度。
再一种可能的设计中,本发明实施例中可实时获取网络拓扑中各网络节点的数据组成的数据流,将所述数据流,以设定的时间窗口大小划分形成数据矩阵,以避免存储大量的网络结点的数据。其中,所述数据矩阵中每一组元素包括一个设定时间窗中获取的各个网络结点的数据,且各组数据元素对应的时间窗口不同。所述各组数据元素对应的时间窗口不同,是指利用不同的时间窗口分别获取数据矩阵中的各组数据元素。各组数据元素对应的时间窗口的大小可相同也可不同。
第二方面,提供一种预测网络状态的装置,该预测网络状态的装置包括获取单元和处理单元,其中所述获取单元,用于获取网络拓扑中各网络结点的数据,基于获取的各网络结点的数据形成数据矩阵;所述处理单元,用于在确定所述获取单元形成的所述数据矩阵为非低秩矩阵情况下,对所述数据矩阵进行矩阵分解,得到所述数据矩阵的近似低秩矩阵,并利用分解得到的近似低秩矩阵确定预测模型,依据所述预测模型进行网络状态预测。
本发明实施例中所述预测网络状态的装置可实现针对低秩矩阵和非低秩矩阵分别进行处理确定预测模型,依据确定的所述预测模型进行网络状态预测,能够适应网络拓扑结构中各网络结点组成的数据矩阵往往都不具有低秩性,提高预测精度。
一种可能的设计中,所述处理单元,分解得到的矩阵中包括低秩矩阵、异常矩阵和噪声矩阵,去除分解得到的所述矩阵中包括的异常矩阵和噪声矩阵,得到所述数据矩阵的近似低秩矩阵。
另一种可能的设计中,所述处理单元,可根据所述近似低秩矩阵和已知数据矩阵,确定预测模型,所述已知数据矩阵为根据获取的网络拓扑中各网络节点在已知时间段内的数据,形成的数据矩阵。
又一种可能的设计中,所述处理单元,还用于:依据所述预测模型进行网络状态预测之前,确定所述数据矩阵与分解得到的近似低秩矩阵之间差的绝对值,不大于设定的阈值。
再一种可能的设计中,为避免存储大量的网络结点数据,所述获取单元实时获取网络拓扑中各网络节点的数据组成的数据流,将所述数据流,以设定的时间窗口大小划分形成数据矩阵,其中,所述数据矩阵中每一组元素包括一个设定时间窗中获取的各个网络结点的数据,且各组数据元素对应的时间窗口不同。
第三方面,提供一种预测网络状态的装置,该预测网络状态的装置包括处理器和存储器,其中,所述存储器中存有计算机可读程序,所述处理器通过运行所述存储器中的程序,实现第一方面涉及的预测网络状态的方法。
第四方面,提供一种计算机存储介质,用于储存上述预测网络状态的装置所用的计算机软件指令,其包含用于执行上述第一方面涉及的预测网络状态的方法所涉及的程序。
附图说明
图1为本发明实施例应用的网络拓扑结构示意图;
图2为传统进行网络状态预测的过程示意图;
图3为本发明实施例提供的预测网络状态的一种方法流程图;
图4为本发明实施例提供的预测网络状态的另一种方法流程图;
图5为本发明实施例提供的预测网络状态的装置结构示意图;
图6为本发明实施例提供的另一预测网络状态的装置结构示意图。
具体实施方式
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描述。
随着通信技术的发展,网络的拓扑结构也错综复杂,例如图1所示的网络拓扑结构中,每个网络结点都可与其它网络结点之间进行信息交互。若网络中的某一个网络结点出现异常,则可能会导致整个网络运行异常,故需要对网络状态进行预测,以便及时发现网络异常并解决,保证网络主要业务的正常运作。图1所示的网络拓扑结构中涉及的网络结点可以是路由器、交换机等各种网元设备。进行网络状态预测时可以根据要预测的网络状态性能参数,在网络拓扑中通过各网元设备获取相应的已知数据,形成数据矩阵,利用形成的数据矩阵确定预测模型,并按照确定的预测模型进行预测。
图2所示为传统预测网络状态的方法流程示意图,网络拓扑中各网络结点的网络数据形成数据矩阵,数据矩阵经过低秩矩阵分解后进行预测模型的确定。预测网络状态的装置进行网络状态预测时,利用已确定的预测模型以及获取的数据矩阵,完成网络状态预测,得到预测结果。
进行网络状态预测的关键点在于预测模块使用的预测模型,该预测模型可通过在线获取网络拓扑结构中各网络结点的数据进行确定,也可依据设置的经验数据进行确定,上述两种不同的预测模型确定方式实现了网络状态的在线预测和网络状态的离线预测。然而,无论是在线预测还是离线预测,目前预测模型都是将数据矩阵作为低秩矩阵进行处理得到的,然而网络拓扑结构中各网络结点组成的数据矩阵往往都不具有低秩性,故目前预测网络状态的方法,经常会出现预测值与实际值偏差较大的情况,造成较低的预测精度。
本发明实施例提供一种预测网络状态的方法,进行预测模型确定时,若数据矩阵为非低秩矩阵,则对所述数据矩阵进行矩阵分解,得到所述数据矩阵的近似低秩矩阵,利用分解得到的近似低秩矩阵,确定预测模型,换言之,本发明实施例提供的预测网络状态的方法确定预测模型时,对数据矩阵进行低秩性判断,针对低秩矩阵和非低秩矩阵分别进行处理,能够提高预测精度。
图3所示为本发明实施例提供的预测网络状态的方法实施流程图,该方法的执行主体为预测网络状态的装置,如图3所示,该方法包括:
S101:获取网络拓扑中各网络结点的数据,基于获取的各网络结点的数据形成数据矩阵。
S102:判断所述数据矩阵是否为低秩矩阵。
若所述数据矩阵为低秩矩阵则执行S103a,按照传统的方式进行预测模型的确定,若所述数据矩阵为非低秩矩阵,则执行S103b。
S103b:若所述数据矩阵为非低秩矩阵,则对所述数据矩阵进行矩阵分解,分解得到近似低秩矩阵,并利用分解得到的近似低秩矩阵确定预测模型。
S104:依据预测模型进行网络状态预测。
本发明实施例中进行预测模型确定时,对数据矩阵进行低秩性判断,若是低秩矩阵则直接按照传统的方式进行预测模型的确定,若是非低秩矩阵,则对该非低秩矩阵进行分解,利用分解得到的近似低秩矩阵进行预测模型的确定,以实现根据网络结点数据的具体情况进行处理,提高网络状态预测精度。
以下将对上述各执行步骤进行详细说明。
(1)本发明实施例中预测网络状态的装置可实时获取网络拓扑中各网络结点的数据组成的数据流,将所述数据流,以设定的时间窗口大小划分形成数据矩阵,以避免存储大量的网络数据。
其中,所述数据矩阵中每一组元素包括一个设定时间窗口中获取的各个网络结点的数据,且各组数据元素对应的时间窗口不同。所述各组数据元素对应的时间窗口不同,是指利用不同的时间窗口分别获取数据矩阵中的各组数据元素。各组数据元素对应的时间窗口的大小可相同也可不同。
具体的,获取网络拓扑中各网络结点的数据能够考虑到网络拓扑结构的空间性,例如网络拓扑中有三个网络结点,则每次获取的数据可包括三个网络结点中每个网络结点的数据。数据流可以理解为是连续时间序列的数据,以体现数据在时间序列上的相关性,优化预测效果,例如可以获取设定时间长度内的数据,进而形成数据流。
本发明实施例中获取到数据流后,可对所述数据流进行切片划分处理形成数据矩阵,所述切片划分是指按照设定的时间窗口获取数据。例如t为最近的时间点,获取的数据流分片大小为k,则设定的时间窗口大小为t-k,表示取从k时刻到t时刻之间t-k时间长度的数据流中的各网络结点的数据作为数据矩阵的第一组元素,一共取k组,故形成的数据矩阵可表示为:
A=[Ak..t;Ak-1..t-1;……A1..t-k+1];
其中,Ak..t表示k时刻到t时刻之间t-k时间长度的数据流中的各网络结点的数据,相应的,Ak-1..t-1表示k-1时刻到t-1时刻之间t-k时间长度的数据流中的各网络结点的数据,A1..t-k+1表示1时刻到t-k+1时刻之间t-k时间长度的数据流中的各网络结点的数据。
(2)本发明实施例中预测网络状态的装置判断形成的数据矩阵是否为低秩矩阵,可直接求解矩阵的秩,然后进行判断。
具体的,若矩阵的秩为该矩阵的极大无关组中向量的个数,且该矩阵的极大无关组中向量的个数少于该矩阵的向量数目,则该矩阵为低秩矩阵。例如,若A为低秩矩阵,则A是一组向量,定义A的极大无关组中向量的个数为A的秩,那么A的极大无关组中向量的个数肯定少于A的向量数目。
(3)本发明实施例中预测网络状态的装置对非低秩数据矩阵进行分解,可将非低秩数据矩阵分解为包括低秩矩阵的矩阵。具体的,本发明实施例中可将非低秩数据矩阵分解为低秩矩阵、异常矩阵和噪声矩阵,当然并不引以为限,例如还可将非低秩数据矩阵分解为低秩矩阵、错误矩阵、异常矩阵和噪声矩阵。
本发明实施例中以分解得到的数据矩阵中包括低秩矩阵、异常矩阵和噪声矩阵为例进行说明,例如对数据矩阵A=[Ak..t;Ak-1..t-1;……A1..t-k+1]进行分解得到的数据矩阵可表示为:
A=U∑VT+Y+Z;
其中,Y表示异常矩阵,Z表示噪声矩阵,U表示单位矩阵,V表示低秩矩阵,VT表示低秩矩阵V的转置。
(4)本发明实施例中预测网络状态的装置利用分解得到的矩阵确定预测模型,可采用如下方式:去除分解得到的矩阵中包括的异常矩阵和噪声矩阵,得到所述数据矩阵的近似低秩矩阵;根据所述近似低秩矩阵和已知数据矩阵,确定预测模型,所述已知数据矩阵为网络拓扑中各网络节点在已知时间段内的数据形成的数据矩阵。
例如,本发明实施例中分解得到的数据矩阵A=U∑VT+Y+Z,去除异常矩阵Y和噪声矩阵Z后,得到的近似低秩矩阵可表示为:
其中,为数据矩阵A的近似低秩矩阵,UT表示低秩矩阵U的转置。
假设已知数据矩阵为M,预测模型用X表示,则M和X之间满足其中,MT表示已知数据矩阵M的转置,进而可求解得到预测模型X。
本发明实施例中上述进行近似低秩矩阵过程中,可采用递归求解的方式确定。可以理解的是,本发明实施例中通过将非低秩数据矩阵分解为包括低秩数据矩阵的矩阵,可在进行递归求解过程中,使得需要递归的矩阵维数降低,提高预测效率。
(5)利用预测模型X进行网络状态预测时可采用如下方式:
假设t时刻获取的网络拓扑中各网络结点的数据形成的数据矩阵为则为已知数据矩阵,预测模型为X,若要预测t+1时刻各网络结点的数据Mt+1,则可以按照公式得到预测矩阵矩阵中最后一列就是t+1时刻各网络结点的数据Mt+1,即网络状态预测值。
可选的,本发明实施例提供的网络状态预测方法较适用于在线网络状态预测,网络拓扑中网络状态是时变的,故本发明实施例中可对采用上述方式得到的预测模型进行监控,判断确定的预测模型是否满足当前网络状态的预测。
具体的,本发明实施例中可通过判断获取的网络拓扑中各数据形成的数据矩阵与分解得到的数据矩阵之间差的绝对值进行判断,若所述数据矩阵与分解得到的矩阵之间差的绝对值大于设定的阈值,表明原始数据矩阵与分解得到的数据矩阵之间相差较大,利用该预测模型进行网络状态预测可能造成预测精度不高,确定当前分解确定的预测模型不适用当前网络状态预测。故本发明实施例中可在确定所述数据矩阵与分解得到的矩阵之间差的绝对值,不大于设定的阈值的前提下,再进行网络状态预测,提高网络状态预测精度。
需要说明的是,本发明实施例中上述设定的阈值,可根据实际预测精度要求进行设定,若要求预测精度很高,则该阈值可设置较小值,若预测精度要求不是很高,则可将该阈值设置相对较大的值。
采用本发明实施例提供的预测网络状态方法进行网络状态预测的过程,可参阅图4所示的预测网络状态的方法流程示意图。如图4所示,本发明实施例提供的网络状态预测方法,区别于传统的网络状态预测方法的关键点在于确定预测模型的过程中需要区分低秩矩阵和非低秩矩阵,对于非低秩矩阵需要进行矩阵分解后,并去除不相关信息得到近似低秩矩阵,然后进行预测模型的确定。对于低秩矩阵确定预测模型的过程,可参阅现有进行预测模型的确定过程,在此不再赘述。
基于上述实施例提供的预测网络状态的方法,本发明实施例还提供一种预测网络状态的装置100,如图5所示,预测网络状态的装置100包括获取单元101和处理单元102,其中所述获取单元101,用于获取网络拓扑中各网络结点的数据,基于获取的各网络结点的数据形成数据矩阵。所述处理单元102,用于判断获取单元101形成的所述数据矩阵是否为低秩矩阵,在确定多数获取单元101形成的所述数据矩阵为低秩矩阵的情况下,按照传统的低秩矩阵分解确定预测模型,在确定所述获取单元101形成的所述数据矩阵为非低秩矩阵情况下,对所述数据矩阵进行矩阵分解,得到所述数据矩阵的近似低秩矩阵,并利用分解得到的近似低秩矩阵确定预测模型,依据所述预测模型进行网络状态预测。
本发明实施例中所述预测网络状态的装置100可实现针对低秩矩阵和非低秩矩阵分别进行处理确定预测模型,依据确定的所述预测模型进行网络状态预测,能够适应网络拓扑结构中各网络结点组成的数据矩阵往往都不具有低秩性,提高预测精度。
可选的,所述处理单元102,分解得到的矩阵中包括低秩矩阵、异常矩阵和噪声矩阵,去除分解得到的所述矩阵中包括的异常矩阵和噪声矩阵,得到所述数据矩阵的近似低秩矩阵。
具体的,所述处理单元102,可根据所述近似低秩矩阵和已知数据矩阵,确定预测模型,所述已知数据矩阵为根据获取的网络拓扑中各网络节点在已知时间段内的数据,形成的数据矩阵。
可选的,所述处理单元102,还用于:依据所述预测模型进行网络状态预测之前,确定所述数据矩阵与分解得到的近似低秩矩阵之间差的绝对值,不大于设定的阈值。
为避免存储大量的网络结点数据,所述获取单元101实时获取网络拓扑中各网络节点的数据组成的数据流,将所述数据流,以设定的时间窗口大小划分形成数据矩阵,其中,所述数据矩阵中每一组元素包括一个设定时间窗中获取的各个网络结点的数据,且各组数据元素对应的时间窗口不同。
本发明实施例提供的预测网络状态的装置100可用于实现上述实施例涉及的预测网络状态的方法,具备上述实施例实现预测网络状态过程中的所有功能,其具体实现过程可参阅上述实施例及附图的相关描述,在此不再赘述。
本发明实施例还提供一种预测网络状态的装置,用于对网络拓扑中各网络结点的状态进行预测。图6所示的是本发明另一实施例提供的预测网络状态的装置200的结构示意图。预测网络状态的装置200采用通用计算机系统结构,包括总线,处理器201,存储器202和通信接口203,执行本发明方案的程序代码保存在存储器202中,并由处理器201来控制执行。
总线可包括一通路,在计算机各个部件之间传送信息。
处理器201可以是一个通用中央处理器(CPU),微处理器,特定应用集成电路application-specific integrated circuit(ASIC),或一个或多个用于控制本发明方案程序执行的集成电路。计算机系统中包括的一个或多个存储器,可以是只读存储器read-only memory(ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器random access memory(RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是磁盘存储器。这些存储器通过总线与处理器相连接。
通信接口203,可以使用任何收发器一类的装置,以便与其他设备或通信网络通信,如以太网,无线接入网(RAN),无线局域网(WLAN)等.
存储器202,如RAM,保存有操作系统和执行本发明方案的程序。操作系统是用于控制其他程序运行,管理系统资源的程序。
存储器202中存储的程序用于指令处理器201执行一种预测网络状态的方法,包括:获取网络拓扑中各网络结点的数据,基于获取的各网络结点的数据形成数据矩阵;若所述数据矩阵为非低秩矩阵,则对所述数据矩阵进行矩阵分解,得到所述数据矩阵的近似低秩矩阵;利用分解得到的近似低秩矩阵,确定预测模型;依据所述预测模型进行网络状态预测。
可以理解的是,本实施例的预测网络状态的装置200可用于实现上述方法实施例中涉及的所有功能,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本发明实施例还提供了一种计算机存储介质,用于储存上述图5或图6所述的预测网络状态的装置所用的计算机软件指令,其包含用于执行上述方法实施例所涉及的程序。通过执行存储的程序,可以实现对网络状态的预测。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种预测网络状态的方法,其特征在于,包括:
获取网络拓扑中各网络结点的数据,基于获取的各网络结点的数据形成数据矩阵;
若所述数据矩阵为非低秩矩阵,则对所述数据矩阵进行矩阵分解,得到所述数据矩阵的近似低秩矩阵;
利用分解得到的近似低秩矩阵,确定预测模型;
依据所述预测模型进行网络状态预测。
2.如权利要求1所述的方法,其特征在于,对所述数据矩阵进行矩阵分解,得到所述数据矩阵的近似低秩矩阵,包括:
分解得到的矩阵中包括低秩矩阵、异常矩阵和噪声矩阵,去除分解得到的所述矩阵中包括的异常矩阵和噪声矩阵,得到所述数据矩阵的近似低秩矩阵。
3.如权利要求2所述的方法,其特征在于,利用分解得到的近似低秩矩阵,确定预测模型,包括:
根据所述近似低秩矩阵和已知数据矩阵,确定预测模型,所述已知数据矩阵为根据获取的网络拓扑中各网络节点在已知时间段内的数据,形成的数据矩阵。
4.如权利要求1至3任一项所述的方法,其特征在于,依据所述预测模型进行网络状态预测之前,还包括:
确定所述数据矩阵与分解得到的近似低秩矩阵之间差的绝对值,不大于设定的阈值。
5.如权利要求1至4任一项所述的方法,其特征在于,所述获取网络拓扑中各网络结点的数据,基于获取的各网络结点的数据,形成数据矩阵,包括:
实时获取网络拓扑中各网络节点的数据组成的数据流;
将所述数据流,以设定的时间窗口大小划分形成数据矩阵,其中,所述数据矩阵中每一组元素包括一个设定时间窗中获取的各个网络结点的数据,且各组数据元素对应的时间窗口不同。
6.一种预测网络状态的装置,其特征在于,包括:
获取单元,用于获取网络拓扑中各网络结点的数据,基于获取的各网络结点的数据形成数据矩阵;
处理单元,用于在确定所述获取单元形成的所述数据矩阵为非低秩矩阵情况下,对所述数据矩阵进行矩阵分解,得到所述数据矩阵的近似低秩矩阵,并利用分解得到的近似低秩矩阵确定预测模型,依据所述预测模型进行网络状态预测。
7.如权利要求6所述的装置,其特征在于,所述处理单元,具体用于按如下方式对所述数据矩阵进行矩阵分解,得到所述数据矩阵的近似低秩矩阵:
分解得到的矩阵中包括低秩矩阵、异常矩阵和噪声矩阵,去除分解得到的所述矩阵中包括的异常矩阵和噪声矩阵,得到所述数据矩阵的近似低秩矩阵。
8.如权利要求7所述的装置,其特征在于,所述处理单元,具体用于按如下方式利用分解得到的近似低秩矩阵,确定预测模型:
根据所述近似低秩矩阵和已知数据矩阵,确定预测模型,所述已知数据矩阵为根据获取的网络拓扑中各网络节点在已知时间段内的数据,形成的数据矩阵。
9.如权利要求6至8任一项所述的装置,其特征在于,所述处理单元,还用于:
依据所述预测模型进行网络状态预测之前,确定所述数据矩阵与分解得到的近似低秩矩阵之间差的绝对值,不大于设定的阈值。
10.如权利要求6至9任一项所述的装置,其特征在于,所述获取单元,具体用于按如下方式获取网络拓扑中各网络结点的数据,基于获取的各网络结点的数据,形成数据矩阵:
实时获取网络拓扑中各网络节点的数据组成的数据流;
将所述数据流,以设定的时间窗口大小划分形成数据矩阵,其中,所述数据矩阵中每一组元素包括一个设定时间窗中获取的各个网络结点的数据,且各组数据元素对应的时间窗口不同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511025506.9A CN106936611B (zh) | 2015-12-30 | 2015-12-30 | 一种预测网络状态的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511025506.9A CN106936611B (zh) | 2015-12-30 | 2015-12-30 | 一种预测网络状态的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106936611A true CN106936611A (zh) | 2017-07-07 |
CN106936611B CN106936611B (zh) | 2019-12-17 |
Family
ID=59441774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511025506.9A Expired - Fee Related CN106936611B (zh) | 2015-12-30 | 2015-12-30 | 一种预测网络状态的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106936611B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705762A (zh) * | 2019-09-20 | 2020-01-17 | 天津大学 | 基于矩阵填充的泛在电力物联网感知数据缺失修复方法 |
CN111490897A (zh) * | 2020-02-27 | 2020-08-04 | 华中科技大学 | 一种针对复杂网络的网络故障分析方法和系统 |
CN115333959A (zh) * | 2022-10-12 | 2022-11-11 | 南通中泓网络科技有限公司 | 一种分布式网络平台的流量预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7953011B1 (en) * | 2003-11-06 | 2011-05-31 | Sprint Communications Company L.P. | Method for estimating telecommunication network traffic using link weight changes |
CN102291363A (zh) * | 2011-09-21 | 2011-12-21 | 北京理工大学 | 一种用于ofdm系统的信道估计及数据检测方法 |
CN103200043A (zh) * | 2013-03-14 | 2013-07-10 | 东北大学 | 一种时变非平稳网络流量测量方法 |
CN104468272A (zh) * | 2014-12-11 | 2015-03-25 | 杭州华为数字技术有限公司 | 流量矩阵的估计方法和装置 |
CN104506378A (zh) * | 2014-12-03 | 2015-04-08 | 上海华为技术有限公司 | 一种预测数据流量的装置及方法 |
-
2015
- 2015-12-30 CN CN201511025506.9A patent/CN106936611B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7953011B1 (en) * | 2003-11-06 | 2011-05-31 | Sprint Communications Company L.P. | Method for estimating telecommunication network traffic using link weight changes |
CN102291363A (zh) * | 2011-09-21 | 2011-12-21 | 北京理工大学 | 一种用于ofdm系统的信道估计及数据检测方法 |
CN103200043A (zh) * | 2013-03-14 | 2013-07-10 | 东北大学 | 一种时变非平稳网络流量测量方法 |
CN104506378A (zh) * | 2014-12-03 | 2015-04-08 | 上海华为技术有限公司 | 一种预测数据流量的装置及方法 |
CN104468272A (zh) * | 2014-12-11 | 2015-03-25 | 杭州华为数字技术有限公司 | 流量矩阵的估计方法和装置 |
Non-Patent Citations (1)
Title |
---|
蒋定德,胡光岷: "流量矩阵估计研究综述", 《计算机科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705762A (zh) * | 2019-09-20 | 2020-01-17 | 天津大学 | 基于矩阵填充的泛在电力物联网感知数据缺失修复方法 |
CN111490897A (zh) * | 2020-02-27 | 2020-08-04 | 华中科技大学 | 一种针对复杂网络的网络故障分析方法和系统 |
CN115333959A (zh) * | 2022-10-12 | 2022-11-11 | 南通中泓网络科技有限公司 | 一种分布式网络平台的流量预测方法 |
CN115333959B (zh) * | 2022-10-12 | 2023-03-31 | 南通中泓网络科技有限公司 | 一种分布式网络平台的流量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106936611B (zh) | 2019-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200236038A1 (en) | Dynamic Deployment of Network Applications Having Performance and Reliability Guarantees in Large Computing Networks | |
EP3024178B1 (en) | Prediction method and device for network performance | |
CN113434253B (zh) | 集群资源调度方法、装置、设备及存储介质 | |
EP2453612A1 (en) | Bus control device | |
CN110891093A (zh) | 一种时延敏感网络中边缘计算节点选择方法及系统 | |
US20210042578A1 (en) | Feature engineering orchestration method and apparatus | |
CN105745868A (zh) | 网络中异常检测的方法和装置 | |
CN106936611B (zh) | 一种预测网络状态的方法及装置 | |
CN106330558A (zh) | 应用于软件定义网络的控制器负载预测系统及方法 | |
Benedetti et al. | Reinforcement learning applicability for resource-based auto-scaling in serverless edge applications | |
CN109361547B (zh) | 一种网络切片链路部署方法与装置 | |
US20140351414A1 (en) | Systems And Methods For Providing Prediction-Based Dynamic Monitoring | |
CN116055406B (zh) | 拥塞窗口预测模型的训练方法及装置 | |
US9866462B2 (en) | Information processing system and information processing method | |
CN115843050A (zh) | 网络切片配置方法及系统、计算机可存储介质 | |
CN116235529A (zh) | 实现多个接入网络设备的自组织网络的方法和执行该方法的电子装置 | |
CN115065992A (zh) | 一种基于边缘计算的协同感知与资源分配方法 | |
CN114422438B (zh) | 电力通信网络的链路调节方法及装置 | |
CN115525394A (zh) | 容器数量的调整方法及装置 | |
JP6390167B2 (ja) | 通信スループット予測装置、通信スループット予測方法、及び、プログラム | |
EP3025452B1 (en) | Monitoring network use of resources | |
JP2008141641A (ja) | 異常トラヒック検知装置および方法 | |
CN118511493A (zh) | 用于通过不确定性管理网络流量的方法和装置 | |
Skaperas et al. | A pragmatical approach to anomaly detection evaluation in edge cloud systems | |
Koyuncu et al. | Designing robust modified R control charts for asymmetric distributions under ranked set and median ranked set sampling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191217 Termination date: 20201230 |
|
CF01 | Termination of patent right due to non-payment of annual fee |