CN107820141B - 一种无源光网络业务流感知的方法及系统 - Google Patents
一种无源光网络业务流感知的方法及系统 Download PDFInfo
- Publication number
- CN107820141B CN107820141B CN201711014945.9A CN201711014945A CN107820141B CN 107820141 B CN107820141 B CN 107820141B CN 201711014945 A CN201711014945 A CN 201711014945A CN 107820141 B CN107820141 B CN 107820141B
- Authority
- CN
- China
- Prior art keywords
- service flow
- service
- characteristic parameters
- bayesian
- feature set
- 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
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims 1
- 230000008447 perception Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 8
- 238000013145 classification model Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- H04Q2011/0086—Network resource allocation, dimensioning or optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种无源光网络业务流感知的方法及系统，其中，该方法包括：主控层根据获取的训练样本集提取业务流特征参数，对业务流特征参数进行预处理，确定业务流的特征集；根据特征集进行贝叶斯训练，更新贝叶斯分类器的参数信息，并将参数信息发送至代理层；代理层周期性采集业务流特征参数并更新训练样本集，并根据参数信息建立相对应的贝叶斯分类器；根据更新后的训练样本集确定业务流更新后的特征集，并根据更新后的特征集和贝叶斯分类器确定分类识别结果；根据分类识别结果进行业务优化调整。该方法采用分层贝叶斯模型，使得形成的贝叶斯分类器具有全局的一致性，保证了PON对业务流进行感知的运算准确度和一致性。
Description
技术领域
本发明涉及业务流感知技术领域，特别涉及一种无源光网络业务流感知的方法及系统。
背景技术
无源光网络(Passive Optical Network,PON)是光接入网的主要形式。PON系统主要由OLT和ONU构成，通过光线路终端(optical line terminal，OLT)与业务节点相连，通过光网络单元(Optical Network Unit，ONU)与用户连接。
随着无源光网络所承载的业务日益复杂，为了获得较好的QoS(Quality ofService)保障，对业务识别和分类时实施相关网络行为，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。在无源光网络的业务流感知技术中，基于业务流特征的业务分类识别算法起到日益重要的作用，而且所采用的算法模型直接决定了业务流感知的准确度和效率。
贝叶斯(Bayes)分类模型是一种可用于分类识别的神经网络算法。贝叶斯分类是一种基于统计方法的分类模型，贝叶斯定理是贝叶斯学习方法的理论基础。贝叶斯分类模型在贝叶斯定理的基础上，通过条件独立性假设，降低计算开销，预测未知数据样本属于最高后验概率的类。上述优点使得贝叶斯模型在业务流感知中具有极大的应用潜力。
随着无源光网络所承载的业务日益多样化和复杂化，快速高效的业务流感知算法模型尤为重要。但是现有的贝叶斯分类方法，难以直接应用在无源光网络的设备中；主要有以下原因：
1)PON系统采用的是OLT/ONU的主从架构，即由功能复杂OLT控制多个功能较为简单ONU。而贝叶斯分类器需要大量的样本集进行训练后才能进行业务流感知，复杂的贝叶斯训练会增加ONU的复杂度。
2)多个ONU各自独立进行贝叶斯分类，在缺乏统一控制的情况下，难以保证PON系统对业务感知结果的一致性。
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
本发明的目的在于提供一种无源光网络业务流感知的方法及系统，从而克服现有无源光网络业务流感知效率较低的缺陷。
本发明实施例提供的一种无源光网络业务流感知的方法，包括：主控层根据获取的训练样本集提取业务流特征参数，所述业务流特征参数包括：数据包长、数据包到达间隔、业务持续时间和ONU节点的负载程度；主控层根据所述业务流特征参数确定业务流的特征集；主控层根据所述特征集进行贝叶斯训练，更新贝叶斯分类器的参数信息，并将所述参数信息发送至代理层；代理层周期性采集新的业务流特征参数，并根据所述参数信息建立相对应的贝叶斯分类器；代理层根据新的业务流特征参数确定业务流更新后的特征集，并根据所述更新后的特征集和所述贝叶斯分类器确定分类识别结果；代理层根据所述分类识别结果进行业务优化调整。
在一种可能的实现方式中，所述主控层根据所述业务流特征参数确定业务流的特征集包括：根据所述业务流特征参数进行归一化处理，确定业务流的特征集：
其中，U(i)表示业务流i的特征集；PSIZE(i)为数据包长、PINTERVAL(i)为数据包到达间隔、PDUR(i)为业务持续时间、PLOAD(i)为ONU节点的负载程度；PSIZE_MAX为最大数据包长，PINTERVAL_MAX为最大的到达间隔，PDUR_MAX为最大的业务持续时间，PLOAD_MAX为ONU节点最大的负载程度。
在一种可能的实现方式中，在所述代理层周期性采集新的业务流特征参数之后，还包括：代理层将新的业务流特征参数发送至主控层；主控层根据所述新的业务流特征参数更新所述训练样本集。
在一种可能的实现方式中，所述代理层根据新的业务流特征参数确定业务流更新后的特征集包括：代理层对新的业务流特征参数进行归一化处理,确定业务流更新后的特征集。
基于同样的发明构思，本发明实施例提供的一种无源光网络业务流感知的系统，包括：光线路终端和光网络单元；所述光线路终端用于根据获取的训练样本集提取业务流特征参数，所述业务流特征参数包括：数据包长、数据包到达间隔、业务持续时间和ONU节点的负载程度；根据所述业务流特征参数确定业务流的特征集；根据所述特征集进行贝叶斯训练，更新贝叶斯分类器的参数信息，并将所述参数信息发送至代理层；所述光网络单元用于周期性采集新的业务流特征参数，并根据所述参数信息建立相对应的贝叶斯分类器；根据更新后的所述训练样本集确定业务流更新后的特征集，并根据所述更新后的特征集和所述贝叶斯分类器确定分类识别结果；根据所述分类识别结果进行业务优化调整。
在一种可能的实现方式中，所述光线路终端具体用于：根据所述业务流特征参数进行归一化处理，确定业务流的特征集：
其中，U(i)表示业务流i的特征集；PSIZE(i)为数据包长、PINTERVAL(i)为数据包到达间隔、PDUR(i)为业务持续时间、PLOAD(i)为ONU节点的负载程度；PSIZE_MAX为最大数据包长，PINTERVAL_MAX为最大的到达间隔，PDUR_MAX为最大的业务持续时间，PLOAD_MAX为ONU节点最大的负载程度。
在一种可能的实现方式中，所述光网络单元在周期性采集新的业务流特征参数之后，还用于：将新的业务流特征参数发送至所述光线路终端；
所述光线路终端根据所述新的业务流特征参数更新所述训练样本集。
在一种可能的实现方式中，所述光网络单元具体用于：对新的业务流特征参数进行归一化处理，确定业务流更新后的特征集。
本发明实施例提供的无源光网络业务流感知的方法及系统，将贝叶斯分类识别的功能分为主控层和代理层；主控层位于OLT，主要负责复杂的贝叶斯训练并确定贝叶斯分类器的参数信息；主控层从PON系统全局的业务流情况进行统一的贝叶斯训练，所形成的贝叶斯分类器具有全局的一致性。采用分层贝叶斯模型，一方面Bayes代理层可以降低ONU的复杂度，另一方面位于OLT的Bayes主控模块对所有ONU中的Bayes代理模块统一控制，从全局的角度保证了PON对业务流进行感知的运算准确度和一致性。同时，将ONU的业务负载程度作为特征参数之一，充分考虑了ONU节点负载对于业务流感知所造成的影响，使得感知结果更加准确。反馈式的贝叶斯分类器更新方式：可以使得主控层及时根据业务流分类感知的实际运行状况对贝叶斯分类器进行更新，进一步提高运算的准确率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中无源光网络业务流感知的方法流程图；
图2为本发明实施例中分层贝叶斯模型结构示意图；
图3为本发明实施例中无源光网络业务流感知的系统结构图。
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。
根据本发明实施例，提供了一种无源光网络业务流感知的方法，该方法将贝叶斯分类模型设计为两层的架构：主控层和代理层。主控层只负责贝叶斯分类模型的训练和更新，并将训练完备的贝叶斯分类模型参数分发给代理层进行统一配置；代理层在主控层的控制下，只具备直接进行业务流分类识别的功能图1为该方法的流程图，具体包括步骤101-106：
步骤101：主控层根据获取的训练样本集提取业务流特征参数，业务流特征参数包括：数据包长、数据包到达间隔、业务持续时间和ONU节点的负载程度。
针对PON系统的主从式架构，本发明实施例中利用分层贝叶斯模型来完成业务流感知。该分层贝叶斯模型分为主控层和代理层，主控层可以设置在光线路终端(OLT)处，代理层设置在光网络单元(ONU)处，且每个ONU设有单独的代理模块，该分层贝叶斯模型的结构示意图参见图2所示。
具体的，主控层由贝叶斯主控模块和训练模块构成。训练模块获取训练样本集，主控模块对输入的训练样本集进行统一的贝叶斯训练，直到形成完备的贝叶斯分类器，进而可以确定需要发送至代理层的贝叶斯分类器的参数信息；其所采用的贝叶斯训练方法与现有的贝叶斯训练方法相同。形成贝叶斯分类器之后，Bayes主控模块将分贝叶斯分类器的参数信息分发给代理层的所有贝叶斯代理模块，以保证各代理模块在进行业务流分类感知时的一致性。代理层由众多贝叶斯代理模块构成。各代理模块都从主控层获得相同的贝叶斯分类器的参数信息，进而可以使用相同的分类器进行业务流分类感知。
贝叶斯分类原理简单介绍如下：设有属性变量X1,X2,…,Xn，C是类变量，D为样本集。根据贝叶斯公式可知公式(1)。
通过训练集D获得P(C),P(X1|C),…,P(Xn|C)的估计值，对给定的属性值集合{X'1,…X'n}，使得
最大的C值即为属性值集合{X'1,…X'n}所属的类。
本发明实施例中，在基于贝叶斯模型的业务流感知中，业务流特征是进行贝叶斯分类感知的输入信息。因此，首先需要对业务流特征参数进行提取，业务流特征参数主要包括：数据包长、数据包到达间隔、业务持续时间和ONU节点的负载程度。其中，为了充分考虑ONU节点的业务负载程度对业务流影响，本发明实施例引入了负载程度作为特征参数之一，该负载程度具体可以为业务数据量与总容量之比。
步骤102：主控层根据所述业务流特征参数确定业务流的特征集。
本发明实施例中，再利用业务流特征参数进行贝叶斯训练前，先对特征参数进行预处理，根据所述业务流特征参数确定业务流的特征集。具体的，该预处理过程为归一化处理过程，以避免过拟合现象。其具体可以采用下述式(2)计算业务流的特征集U(i)：
其中，U(i)表示业务流i的特征集；PSIZE(i)为数据包长、PINTERVAL(i)为数据包到达间隔、PDUR(i)为业务持续时间、PLOAD(i)为ONU节点的负载程度；PSIZE_MAX为最大数据包长，PINTERVAL_MAX为最大的到达间隔，PDUR_MAX为最大的业务持续时间，PLOAD_MAX为ONU节点最大的负载程度。
步骤103：主控层根据特征集进行贝叶斯训练，更新贝叶斯分类器的参数信息，并将参数信息发送至代理层。
本发明实施例中，由主控层统一进行贝叶斯训练，确定贝叶斯分类器的参数信息，并以广播的形式向代理层发送该参数信息，从而可以保证代理层中所有的贝叶斯代理模块(即ONU)都采样相同的贝叶斯分类器，从全局角度保持业务感知结果的一致性。
步骤104：代理层周期性采集新的业务流特征参数，并根据参数信息建立相对应的贝叶斯分类器。
本发明实施例中，由代理层中的节点(即ONU节点)可以统计业务流分类感知的记录，对每一个接入业务流，对收到的双向数据流提取其特征参数，即可以采集到新的业务流特征参数，该业务流特征参数用于输入值贝叶斯分类器；同时，根据主控层(即OLT)下发的贝叶斯分类器的参数信息重新确定贝叶斯分类器。
步骤105：代理层根据新的业务流特征参数确定业务流更新后的特征集，并根据更新后的特征集和贝叶斯分类器确定分类识别结果。
步骤106：代理层根据分类识别结果进行业务优化调整。
本发明实施例中，代理层功能由运行在ONU设备中的“Bayes代理模块”实现。根据OLT广播的贝叶斯分类器信息参数，代理模块内部通过配置FPGA以硬件方式实现并固化贝叶斯分类器，Bayes代理模块以硬件实现，提高运行速度，提高PON系统的业务流感知的实时性。在贝叶斯分类器保持一致的条件下，各个ONU内的“Bayes代理模块”分别独立工作进行业务流感知。
具体的，“Bayes代理模块”提取每一个新的业务流特征参数并进行归一化处理，从而得到业务流更新后的特征集，该归一化方法也可以采用式(2)。将特征参数根据公式(2)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)。将更新后的特征集输入贝叶斯分类器进行运算得到业务流的分类识别结果，即业务流的优先级；然后ONU根据分类识别结果对缓存区中的业务数据包队列进行调整，进行业务优化调度(比如，优先发送或者优先分配带宽等)。
本发明实施例提供的无源光网络业务流感知的方法，将贝叶斯分类识别的功能分为主控层和代理层；主控层位于OLT，主要负责复杂的贝叶斯训练并确定贝叶斯分类器的参数信息；贝叶斯主控层从PON系统全局的业务流情况进行统一的贝叶斯训练，所形成的贝叶斯分类器具有全局的一致性。采用分层贝叶斯模型，一方面Bayes代理层可以降低ONU的复杂度，另一方面位于OLT的Bayes主控模块对所有ONU中的Bayes代理模块统一控制，从全局的角度保证了PON对业务流进行感知的运算准确度和一致性。同时，将ONU的业务负载程度作为特征参数之一，充分考虑了ONU节点负载对于业务流感知所造成的影响，使得感知结果更加准确。
在上述实施例的基础上，在步骤代理层周期性采集新的业务流特征参数之后，该方法还包括：代理层将新的业务流特征参数发送至主控层；主控层根据新的业务流特征参数更新训练样本集。
本发明实施例中采用反馈式的贝叶斯分类器训练更新方式：通过周期性地将新的业务流特征参数以及相对应的分类识别结果反馈给主控层，使得主控层可以不断更新训练样本集。主控层的Bayes主控模块可以周期性地根据新的训练样本集重新进行贝叶斯训练，形成新的贝叶斯分类器；同时ONU中的Bayes代理模块在主控模块的控制下及时更新贝叶斯分类器。反馈式的贝叶斯分类器更新方式：可以使得主控层及时根据业务流分类感知的实际运行状况对贝叶斯分类器进行更新，进一步提高运算的准确率。
以上详细介绍了一种无源光网络业务流感知的方法流程，该方法也可以通过相应的系统实现，下面详细介绍该系统的结构和功能。
本发明实施例提供的一种无源光网络业务流感知的系统，参见图3所示，该系统包括：光线路终端OLT和光网络单元ONU。
光线路终端OLT用于根据获取的训练样本集提取业务流特征参数，业务流特征参数包括：数据包长、数据包到达间隔、业务持续时间和ONU节点的负载程度；根据所述业务流特征参数确定业务流的特征集；根据特征集进行贝叶斯训练，更新贝叶斯分类器的参数信息，并将参数信息发送至代理层。
光网络单元ONU用于周期性采集新的业务流特征参数，并根据参数信息建立相对应的贝叶斯分类器；根据更新后的训练样本集确定业务流更新后的特征集，并根据更新后的特征集和贝叶斯分类器确定分类识别结果；根据分类识别结果进行业务优化调整。
在一种可能的实现方式中，光线路终端具体用于：根据业务流特征参数进行归一化处理：
其中，U(i)表示业务流i的特征集；PSIZE(i)为数据包长、PINTERVAL(i)为数据包到达间隔、PDUR(i)为业务持续时间、PLOAD(i)为ONU节点的负载程度；PSIZE_MAX为最大数据包长，PINTERVAL_MAX为最大的到达间隔，PDUR_MAX为最大的业务持续时间，PLOAD_MAX为ONU节点最大的负载程度。
在一种可能的实现方式中，光网络单元在周期性采集新的业务流特征参数之后，还用于：将新的业务流特征参数发送至所述光线路终端；所述光线路终端根据所述新的业务流特征参数更新所述训练样本集。
在一种可能的实现方式中，光网络单元具体用于：对新的业务流特征参数进行归一化处理，确定业务流更新后的特征集。
本发明实施例提供的无源光网络业务流感知的系统，将贝叶斯分类识别的功能分为主控层和代理层；主控层位于OLT，主要负责复杂的贝叶斯训练并确定贝叶斯分类器的参数信息；主控层从PON系统全局的业务流情况进行统一的贝叶斯训练，所形成的贝叶斯分类器具有全局的一致性。采用分层贝叶斯模型，一方面Bayes代理层可以降低ONU的复杂度，另一方面位于OLT的Bayes主控模块对所有ONU中的Bayes代理模块统一控制，从全局的角度保证了PON对业务流进行感知的运算准确度和一致性。同时，将ONU的业务负载程度作为特征参数之一，充分考虑了ONU节点负载对于业务流感知所造成的影响，使得感知结果更加准确。反馈式的贝叶斯分类器更新方式：可以使得主控层及时根据业务流分类感知的实际运行状况对贝叶斯分类器进行更新，进一步提高运算的准确率。
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。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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。
Claims (8)
1.一种无源光网络业务流感知的方法，其特征在于，包括：
主控层根据获取的训练样本集提取业务流特征参数，所述业务流特征参数包括：数据包长、数据包到达间隔、业务持续时间和ONU节点的负载程度；
主控层根据所述业务流特征参数确定业务流的特征集；
主控层根据所述特征集进行贝叶斯训练，更新贝叶斯分类器的参数信息，并将所述参数信息发送至代理层；
代理层周期性采集新的业务流特征参数，并根据所述参数信息建立相对应的贝叶斯分类器；
代理层根据新的业务流特征参数确定业务流更新后的特征集，并根据所述更新后的特征集和所述贝叶斯分类器确定分类识别结果；
代理层根据所述分类识别结果进行业务优化调整。
2.根据权利要求1所述的方法，其特征在于，所述主控层根据所述业务流特征参数确定业务流的特征集包括：
根据所述业务流特征参数进行归一化处理，确定业务流的特征集：
其中，U(i)表示业务流i的特征集；PSIZE(i)为数据包长、PINTERVAL(i)为数据包到达间隔、PDUR(i)为业务持续时间、PLOAD(i)为ONU节点的负载程度；PSIZE_MAX为最大数据包长，PINTERVAL_MAX为最大的到达间隔，PDUR_MAX为最大的业务持续时间，PLOAD_MAX为ONU节点最大的负载程度。
3.根据权利要求1所述的方法，其特征在于，在所述代理层周期性采集新的业务流特征参数之后，还包括：
代理层将新的业务流特征参数发送至主控层；
主控层根据所述新的业务流特征参数更新所述训练样本集。
4.根据权利要求1所述的方法，其特征在于，所述代理层根据新的业务流特征参数确定业务流更新后的特征集包括：
代理层对新的业务流特征参数进行归一化处理，确定业务流更新后的特征集。
5.一种无源光网络业务流感知的系统，其特征在于，包括：光线路终端和光网络单元；
所述光线路终端用于根据获取的训练样本集提取业务流特征参数，所述业务流特征参数包括：数据包长、数据包到达间隔、业务持续时间和ONU节点的负载程度；根据所述业务流特征参数确定业务流的特征集；根据所述特征集进行贝叶斯训练，更新贝叶斯分类器的参数信息，并将所述参数信息发送至代理层；
所述光网络单元用于周期性采集新的业务流特征参数，并根据所述参数信息建立相对应的贝叶斯分类器；根据更新后的所述训练样本集确定业务流更新后的特征集，并根据所述更新后的特征集和所述贝叶斯分类器确定分类识别结果；根据所述分类识别结果进行业务优化调整。
6.根据权利要求5所述的系统，其特征在于，所述光线路终端具体用于：根据所述业务流特征参数进行归一化处理，确定业务流的特征集：
其中，U(i)表示业务流i的特征集；PSIZE(i)为数据包长、PINTERVAL(i)为数据包到达间隔、PDUR(i)为业务持续时间、PLOAD(i)为ONU节点的负载程度；PSIZE_MAX为最大数据包长，PINTERVAL_MAX为最大的到达间隔，PDUR_MAX为最大的业务持续时间，PLOAD_MAX为ONU节点最大的负载程度。
7.根据权利要求5所述的系统，其特征在于，所述光网络单元在周期性采集新的业务流特征参数之后，还用于：
将新的业务流特征参数发送至所述光线路终端；
所述光线路终端根据所述新的业务流特征参数更新所述训练样本集。
8.根据权利要求5所述的系统，其特征在于，所述光网络单元具体用于：
对新的业务流特征参数进行归一化处理，确定业务流更新后的特征集。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711014945.9A CN107820141B (zh) | 2017-10-25 | 2017-10-25 | 一种无源光网络业务流感知的方法及系统 |
| PCT/CN2018/086039 WO2019080474A1 (zh) | 2017-10-25 | 2018-05-08 | 一种无源光网络业务流感知的方法及系统、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711014945.9A CN107820141B (zh) | 2017-10-25 | 2017-10-25 | 一种无源光网络业务流感知的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107820141A CN107820141A (zh) | 2018-03-20 |
| CN107820141B true CN107820141B (zh) | 2020-02-21 |
Family
ID=61603337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711014945.9A Active CN107820141B (zh) | 2017-10-25 | 2017-10-25 | 一种无源光网络业务流感知的方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107820141B (zh) |
| WO (1) | WO2019080474A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1805311A (zh) * | 2006-01-19 | 2006-07-19 | 上海交通大学 | 在无源光网络中实现光虚拟专网的方法 |
| CN103259719A (zh) * | 2013-05-27 | 2013-08-21 | 重庆邮电大学 | 一种贝叶斯分类的业务感知路由保护方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2533549A1 (en) * | 2011-06-07 | 2012-12-12 | Alcatel Lucent | Fault detector for optical network communication system |
| CN102420701B (zh) * | 2011-11-28 | 2014-03-19 | 北京邮电大学 | 一种互联网业务流特征的提取方法 |
| US9438745B2 (en) * | 2014-02-28 | 2016-09-06 | Verizon Patent And Licensing Inc. | Program services including adaptive failover and backup services |
| 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 |
| 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 |
-
2017
- 2017-10-25 CN CN201711014945.9A patent/CN107820141B/zh active Active
-
2018
- 2018-05-08 WO PCT/CN2018/086039 patent/WO2019080474A1/zh active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1805311A (zh) * | 2006-01-19 | 2006-07-19 | 上海交通大学 | 在无源光网络中实现光虚拟专网的方法 |
| CN103259719A (zh) * | 2013-05-27 | 2013-08-21 | 重庆邮电大学 | 一种贝叶斯分类的业务感知路由保护方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107820141A (zh) | 2018-03-20 |
| WO2019080474A1 (zh) | 2019-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Machine learning for networking: Workflow, advances and opportunities | |
| CN107181724B (zh) | 一种协同流的识别方法、系统以及使用该方法的服务器 | |
| CN109831386B (zh) | 一种sdn下基于机器学习的最优路径选择算法 | |
| WO2018090580A1 (zh) | 一种光接入网业务流感知方法、装置及计算机存储介质 | |
| CN113408087B (zh) | 一种基于云边系统和视频智能分析的变电站巡视方法 | |
| CN110290077B (zh) | 一种基于实时业务配置的工业sdn资源分配方法 | |
| WO2014090075A1 (en) | System and method for estimating an effective bandwidth | |
| CN109471847B (zh) | 一种i/o拥塞控制方法及控制系统 | |
| CN108334831A (zh) | 一种监测图像处理方法、监测终端及系统 | |
| Liu et al. | Fine-grained flow classification using deep learning for software defined data center networks | |
| CN114827021B (zh) | 一种基于sdn和机器学习的多媒体业务流量加速系统 | |
| WO2020170852A1 (ja) | 予測装置、予測方法及びプログラム | |
| CN111160458B (zh) | 一种图像处理系统及其卷积神经网络 | |
| Alawe et al. | An efficient and lightweight load forecasting for proactive scaling in 5G mobile networks | |
| CN107820141B (zh) | 一种无源光网络业务流感知的方法及系统 | |
| Liang et al. | DNN surgery: Accelerating DNN inference on the edge through layer partitioning | |
| CN106878073A (zh) | 基于t分布混合模型的网络多媒体业务半监督分类方法 | |
| CN104602142B (zh) | 基于神经网络学习的业务分类方法 | |
| CN106789429B (zh) | 一种自适应低代价sdn网络链路利用率测量方法及系统 | |
| CN109039797A (zh) | 基于强化学习的大流检测方法 | |
| CN110781950A (zh) | 一种报文处理方法及装置 | |
| CN110782014A (zh) | 一种神经网络增量学习方法及装置 | |
| CN106547857B (zh) | 结合心跳和粒度的数据挖掘方法及装置 | |
| CN114513816A (zh) | 一种sdn网络资源分配方法、系统及存储介质 | |
| Mogyorósi et al. | Adaptive protection of scientific backbone networks using machine learning |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180605 Address after: 100192 building 3, A District, Dongsheng science and Technology Park, Zhongguancun, 66 Haidian District West Road, Beijing. Applicant after: BEIJING ZHIXIN MICROELECTRONIC SCIENCE & TECHNOLOGY CO., LTD. Applicant after: STATE GRID INFORMATION & TELECOMMUNICATION GROUP CO., LTD. Applicant after: State Grid Jiangsu Electric Power Co., Ltd. Electric Power Research Institute Applicant after: State Grid Corporation of China Address before: 100192 building 3, A District, Dongsheng science and Technology Park, Zhongguancun, 66 Haidian District West Road, Beijing. 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 |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |