CN109120470B - 一种基于低通滤波与mbp网络的rtt智能预测方法及装置 - Google Patents
一种基于低通滤波与mbp网络的rtt智能预测方法及装置 Download PDFInfo
- Publication number
- CN109120470B CN109120470B CN201810744168.1A CN201810744168A CN109120470B CN 109120470 B CN109120470 B CN 109120470B CN 201810744168 A CN201810744168 A CN 201810744168A CN 109120470 B CN109120470 B CN 109120470B
- Authority
- CN
- China
- Prior art keywords
- network
- mbp
- rtt
- layer
- pass filtering
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
- H04L43/0864—Round trip delays
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于低通滤波与MBP网络的RTT智能预测方法及装置,首先通过低通滤波模型对RTT进行滤波处理,能够有效抑制高频噪声,从而保证RTT的稳定性;接着,建立MBP网络模型并利用MBP网络模型对进行滤波后的RTT进行预测估算处理,从而大大提高网络的学习速率,降低网络的灵敏度,从而保证获得良好的预测结果。因此,本发明的基于低通滤波与MBP网络的RTT智能预测方法及装置,能够在网络状况较忙的情况下,也可以获得很好的预测结果。
Description
技术领域
本发明涉及计算机网络领域,特别是一种基于低通滤波与MBP网络的RTT智能预测方法及装置。
背景技术
RTT作为网络拥塞控制的重要参数,能对网络所发生的拥塞作出较早的反映,因此提前预测RTT而获知网络状况是很有必要的。现有的一种方式是采用基于波形平滑指数和波形突变指数的滑动窗口加权平均RTT估计方法,对RTT值进行平滑估计。这种方法利用神经网络对RTT进行了预测,达到了较好的效果,但这仅限于网络比较空闲的状态下,而在网络较拥塞的情况下,预测结果则不太理想。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于低通滤波与MBP网络的RTT智能预测方法及装置,在网络状况较忙的情况下,也能获得很好的预测结果。
本发明解决其问题所采用的技术方案是:
一种基于低通滤波与MBP网络的RTT智能预测方法,包括以下步骤:
S1、建立低通滤波模型对RTT进行滤波处理;
S2、建立MBP网络模型;
S3、利用MBP网络模型对进行滤波后的RTT进行预测估算处理。
进一步,低通滤波模型为:
Hi=(1-a)×f+a×Hi-1
其中,Hi为本次滤波结果,f为本次采样值,Hi-1为上次滤波结果;a为常数,取值范围在0-1之间。
进一步,步骤S2中建立MBP网络模型,在改进型BP学习网络的基础上,在网络的误差反向传播信号线上设置用于控制修正各层权值的协调器,构成MBP网络模型,协调器控制网络输出层的权值使之随着网络的综合误差增大而增大。
进一步,改进型BP学习网络由在BP学习网络的权值调节公式中增加动量项构成,改进型BP学习网络的权值调节公式为:
Δwij(n)=αΔwij(n-1)+ηδj(n)yj(n)
其中,Δwij(n)为调整权值;ηδj(n)yj(n)为BP学习网络的修正量;αΔwij(n-1)为动量项,其中0<α<1。
进一步,改进型BP学习网络包括依次连接的输入层、第一卷积层、第二卷积层、第一最大池化层、第一连接层、第二连接层、第二最大池化层、第三连接层、平均池化层、dropout层和输出层。
进一步,当训练误差e取值为10%≤|e|≤20%时,协调器减小网络输出层的权值,同时停止修正其他层的权值。
进一步,当训练误差e取值为|e|≤10%时,协调器修正靠近网络输入层的第一级隐层或第二级隐层的权值,同时停止修正网络输出层和其他级隐层的权值。
进一步,步骤S3中利用MBP网络模型对进行滤波后的RTT进行预测估算处理,包括以下步骤:
S31、建立RTT的样本数据并对其进行训练,得到训练数据;
S32、将已知的N个相邻的训练数据作为滑动窗口,每次向后移动一位数据,依次将由滑动窗口得到的训练数据输入到MBP网络模型之中,每次均映射得到M个预测数据。
一种储存基于低通滤波与MBP网络的RTT智能预测方法的装置,包括控制模块和用于储存控制指令的储存介质,控制模块读取储存介质中的控制指令并执行以下步骤:
Q1、建立低通滤波模型对RTT进行滤波处理;
Q2、建立MBP网络模型;
Q3、利用MBP网络模型对进行滤波后的RTT进行预测估算处理。
进一步,控制模块执行步骤Q3时,利用MBP网络模型对进行滤波后的RTT进行预测估算处理,包括以下步骤:
Q31、建立RTT的样本数据并对其进行训练,得到训练数据;
Q32、将已知的N个相邻的训练数据作为滑动窗口,每次向后移动一位数据,依次将由滑动窗口得到的训练数据输入到MBP网络模型之中,每次均映射得到M个预测数据。
本发明的有益效果是:一种基于低通滤波与MBP网络的RTT智能预测方法及装置,由于网络环境和网络设备的性能对数据吞吐量影响很大,致使网络上的数据具有较强的随机性,常常表现为短期的高频噪声,并且,RTT在网络比较忙的时候,有极强的波动性,使得预测曲线有太多毛刺,因此在RTT值突变更大的情况下,极容易出现失控现象。因此,首先通过低通滤波模型对RTT进行滤波处理,能够有效抑制高频噪声,从而保证RTT的稳定性;接着,建立MBP网络模型并利用MBP网络模型对进行滤波后的RTT进行预测估算处理,从而大大提高网络的学习速率,降低网络的灵敏度,从而保证获得良好的预测结果。因此,本发明的基于低通滤波与MBP网络的RTT智能预测方法及装置,能够在网络状况较忙的情况下,也可以获得很好的预测结果。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明的RTT智能预测方法的流程图。
具体实施方式
参照图1,一种基于低通滤波与MBP网络的RTT智能预测方法,包括以下步骤:
S1、建立低通滤波模型对RTT进行滤波处理;
S2、建立MBP网络模型;
S3、利用MBP网络模型对进行滤波后的RTT进行预测估算处理。
其中,低通滤波模型为:
Hi=(1-a)×f+a×Hi-1
其中,Hi为本次滤波结果,f为本次采样值,Hi-1为上次滤波结果;a为常数,取值范围在0-1之间。
具体地,网络环境和网络设备的性能对数据吞吐量影响很大,致使网络上的数据具有较强的随机性,常常表现为短期的高频噪声。由于网络中两个节点之间的通信数据流可以有很多的路径到达,如果每个数据包所流经的路径不同,RTT就可能不同;另一方面,即使每个数据包是经由相同的路径到达目的节点,但是由于这个路径中的网络设备是网络共享的,在不同的数据包通过时,网络设备所承担的数据传送任务也不会相同,这就导致RTT也可能不相同,从而影响RTT的预测准确性。而由于网络状况和网络设备性能在较长期内的参数是相对稳定的,并且网络数据是在随机和稳定这两种因素的共同制约下产生的,所以滤波的处理对于RTT的研究是必不可少的,因此,建立低通滤波模型Hi=(1-a)×f+a×Hi-1,其中取值a=0.05。通过低通滤波模型对RTT的滤波作用,能够有效抑制周期性的高频噪声干扰,从而保证RTT的稳定性。
其中,步骤S2中建立MBP网络模型,在改进型BP学习网络的基础上,在网络的误差反向传播信号线上设置用于控制修正各层权值的协调器,构成MBP网络模型,协调器控制网络输出层的权值使之随着网络的综合误差增大而增大。具体地,由于RTT在网络比较忙的时候,有极强的波动性,而在现有技术中,往往利用BP网络作为RTT智能预测器,但由于BP网络是一种全反传式的前向网络,所以BP网络学习网络的收敛速度很慢,即只要存在误差反传信号,网络所有层的权值将会统一修正,这样就会拖延学习时间。但是,如果先把传统的BP学习网络进行改进,并在修正神经网络的误差反传权值时增加一个协调器,该协调器把全反传式网络变成了局部反传式网络,则可大大提高网络学习速率。因此,在网络的误差反向传播信号线上设置用于控制修正各层权值的协调器,建立MBP网络模型,利用低通滤波模型结合能够降低网络灵敏度的MBP网络模型的方式,构成RTT智能预测器,实现对RTT的有效智能预测。
具体地,改进型BP学习网络由在传统的BP学习网络的权值调节公式中增加动量项构成,该改进型BP学习网络的权值调节公式为:
Δwij(n)=αΔwij(n-1)+ηδj(n)yj(n)
其中,Δwij(n)为调整权值;ηδj(n)yj(n)为BP学习网络的修正量;αΔwij(n-1)为动量项,其中0<α<1。并且,改进型BP学习网络由输入层、第一卷积层、第二卷积层、第一最大池化层、第一连接层、第二连接层、第二最大池化层、第三连接层、平均池化层、dropout层和输出层依次连接而构成。
在网络输入扰动、网络参数变化或被辨识系统参数变化时,根据系统在被辨识过程中的误差,动态地控制神经网络各层的权值,特别是最末一级隐层到输出层的权值矩阵,即对输出层的权值矩阵进行修正,可以使网络输出的均方差快速减小,从而使网络灵敏度降低。所以当网络参数变化时,降低网络灵敏度的方法是动态地控制网络各层,特别是输出层的权值修正。
具体地,当训练误差e取值为10%≤|e|≤20%时,协调器减小网络输出层的权值,同时停止修正其他层的权值;当训练误差e取值为|e|≤10%时,协调器修正靠近网络输入层的第一级隐层或第二级隐层的权值,同时停止修正网络输出层和其他级隐层的权值。通过上述的方法,动态地将全局反向传播式网络变成局部反传式网络,使得网络学习速率大大提高,从而降低网络的灵敏度。
其中,步骤S3中利用MBP网络模型对进行滤波后的RTT进行预测估算处理,包括以下步骤:
S31、建立RTT的样本数据并对其进行训练,得到训练数据;
S32、将已知的N个相邻的训练数据作为滑动窗口,每次向后移动一位数据,依次将由滑动窗口得到的训练数据输入到MBP网络模型之中,每次均映射得到M个预测数据。
具体地,在用神经网络对RTT进行预测时,通常的做法是利用已知的样本数据对网络进行训练。假如使用已知的N个数据去预测未来的M个数据,也就是需要进行M步预测,取N个相邻的样本数据作为滑动窗口,并将它们映射为M个值。具体的操作为,将样本数据分为K段,每段的长度为N+M,每一段样本数据的第一位为前一段样本数据的第二位,以此类推,前N个样本数据作为MBP网络模型的输入信号,后M个预测数据作为MBP网络模型的输出信号,从而构成如下表的样本数据分段表:
利用上述方法进行RTT预测的实施例中,选择的样本数据为140个,对这140个样本数据进行分段,每段6个样本数据,其中前5个样本数据作为MBP网络模型的输入向量,第6个数据作为目标向量,即取N=5,M=1,这样,即可得到135组训练样本。另外,设置MBP网络模型具有两个隐层,节点数目分别为3-9-9-1。在网络比较忙的情况下,利用BP网络模型和MBP网络模型进行预测相比,得到如下表所示的比较结果:
根据上述数据可知,即使在网络比较忙的情况下,使用本发明的RTT智能预测方法仍然可以使预测结果达到比较满意的程度。
此外,一种储存基于低通滤波与MBP网络的RTT智能预测方法的装置,包括控制模块和用于储存控制指令的储存介质,控制模块读取储存介质中的控制指令并执行以下步骤:
Q1、建立低通滤波模型对RTT进行滤波处理;
Q2、建立MBP网络模型;
Q3、利用MBP网络模型对进行滤波后的RTT进行预测估算处理。
其中,控制模块执行步骤Q3时,利用MBP网络模型对进行滤波后的RTT进行预测估算处理,包括以下步骤:
Q31、建立RTT的样本数据并对其进行训练,得到训练数据;
Q32、将已知的N个相邻的训练数据作为滑动窗口,每次向后移动一位数据,依次将由滑动窗口得到的训练数据输入到MBP网络模型之中,每次均映射得到M个预测数据。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种基于低通滤波与MBP网络的RTT智能预测方法,其特征在于:包括以下步骤:
S1、建立低通滤波模型对RTT进行滤波处理;
S2、建立MBP网络模型,包括在改进型BP学习网络的基础上,在网络的误差反向传播信号线上设置用于控制修正各层权值的协调器,构成所述的MBP网络模型,所述协调器控制网络输出层的权值使之随着网络的综合误差增大而增大,所述改进型BP学习网络由在BP学习网络的权值调节公式中增加动量项构成,所述改进型BP学习网络包括依次连接的输入层、第一卷积层、第二卷积层、第一最大池化层、第一连接层、第二连接层、第二最大池化层、第三连接层、平均池化层、dropout层和输出层;
S3、利用MBP网络模型对进行滤波后的RTT进行预测估算处理。
2.根据权利要求1所述的一种基于低通滤波与MBP网络的RTT智能预测方法,其特征在于:所述低通滤波模型为:
Hi=(1-a)×f+a×Hi-1
其中,Hi为本次滤波结果,f为本次采样值,Hi-1为上次滤波结果;a为常数,取值范围在0-1之间。
3.根据权利要求1所述的一种基于低通滤波与MBP网络的RTT智能预测方法,其特征在于:所述改进型BP学习网络由在BP学习网络的权值调节公式中增加动量项构成,所述改进型BP学习网络的权值调节公式为:
Δwij(n)=αΔwij(n-1)+ηδj(n)yj(n)
其中,Δwij(n)为调整权值;ηδj(n)yj(n)为BP学习网络的修正量;αΔwij(n-1)为动量项,其中0<α<1。
4.根据权利要求1所述的一种基于低通滤波与MBP网络的RTT智能预测方法,其特征在于:当训练误差e取值为10%≤|e|≤20%时,协调器减小网络输出层的权值,同时停止修正其他层的权值。
5.根据权利要求1所述的一种基于低通滤波与MBP网络的RTT智能预测方法,其特征在于:当训练误差e取值为|e|≤10%时,协调器修正靠近网络输入层的第一级隐层或第二级隐层的权值,同时停止修正网络输出层和其他级隐层的权值。
6.根据权利要求1所述的一种基于低通滤波与MBP网络的RTT智能预测方法,其特征在于:所述步骤S3中利用MBP网络模型对进行滤波后的RTT进行预测估算处理,包括以下步骤:
S31、建立RTT的样本数据并对其进行训练,得到训练数据;
S32、将已知的N个相邻的训练数据作为滑动窗口,每次向后移动一位数据,依次将由滑动窗口得到的训练数据输入到MBP网络模型之中,每次均映射得到M个预测数据。
7.一种储存基于低通滤波与MBP网络的RTT智能预测方法的装置,其特征在于:包括控制模块和用于储存控制指令的储存介质,所述控制模块读取所述储存介质中的控制指令并执行以下步骤:
Q1、建立低通滤波模型对RTT进行滤波处理;
Q2、建立MBP网络模型,包括在改进型BP学习网络的基础上,在网络的误差反向传播信号线上设置用于控制修正各层权值的协调器,构成所述的MBP网络模型,所述协调器控制网络输出层的权值使之随着网络的综合误差增大而增大,所述改进型BP学习网络由在BP学习网络的权值调节公式中增加动量项构成,所述改进型BP学习网络包括依次连接的输入层、第一卷积层、第二卷积层、第一最大池化层、第一连接层、第二连接层、第二最大池化层、第三连接层、平均池化层、dropout层和输出层;
Q3、利用MBP网络模型对进行滤波后的RTT进行预测估算处理。
8.根据权利要求7所述的装置,其特征在于:所述控制模块执行步骤Q3时,利用MBP网络模型对进行滤波后的RTT进行预测估算处理,包括以下步骤:
Q31、建立RTT的样本数据并对其进行训练,得到训练数据;
Q32、将已知的N个相邻的训练数据作为滑动窗口,每次向后移动一位数据,依次将由滑动窗口得到的训练数据输入到MBP网络模型之中,每次均映射得到M个预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810744168.1A CN109120470B (zh) | 2018-07-09 | 2018-07-09 | 一种基于低通滤波与mbp网络的rtt智能预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810744168.1A CN109120470B (zh) | 2018-07-09 | 2018-07-09 | 一种基于低通滤波与mbp网络的rtt智能预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109120470A CN109120470A (zh) | 2019-01-01 |
CN109120470B true CN109120470B (zh) | 2021-10-26 |
Family
ID=64862031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810744168.1A Active CN109120470B (zh) | 2018-07-09 | 2018-07-09 | 一种基于低通滤波与mbp网络的rtt智能预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109120470B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113890667B (zh) * | 2021-12-06 | 2022-03-01 | 天津七一二通信广播股份有限公司 | 反向积分滤波往返校时方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826933A (zh) * | 2010-01-21 | 2010-09-08 | 华北电力大学 | 基于自适应滤波的往返时延预测方法 |
CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
CN107205162A (zh) * | 2016-03-16 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 视频识别方法及装置 |
CN108107716A (zh) * | 2017-12-19 | 2018-06-01 | 电子科技大学 | 一种基于改进的bp神经网络的参数在线测量方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018013495A1 (en) * | 2016-07-11 | 2018-01-18 | Gravity Jack, Inc. | Augmented reality methods and devices |
US20180024968A1 (en) * | 2016-07-22 | 2018-01-25 | Xerox Corporation | System and method for domain adaptation using marginalized stacked denoising autoencoders with domain prediction regularization |
CN106910185B (zh) * | 2017-01-13 | 2019-01-01 | 陕西师范大学 | 一种基于cnn深度学习的dbcc分类模型构建方法 |
CN108038517A (zh) * | 2018-01-02 | 2018-05-15 | 东北农业大学 | 基于改进卷积神经网络模型Cifar10的玉米叶片病害识别方法 |
-
2018
- 2018-07-09 CN CN201810744168.1A patent/CN109120470B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826933A (zh) * | 2010-01-21 | 2010-09-08 | 华北电力大学 | 基于自适应滤波的往返时延预测方法 |
CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
CN107205162A (zh) * | 2016-03-16 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 视频识别方法及装置 |
CN108107716A (zh) * | 2017-12-19 | 2018-06-01 | 电子科技大学 | 一种基于改进的bp神经网络的参数在线测量方法 |
Non-Patent Citations (3)
Title |
---|
一种采用增加动量项的改进BP算法实现;马永强;《科技情报开发与经济》;20060315;第16卷(第8期);157-158 * |
基于模糊神经网络的RTT智能预测算法;张莉;《软件导刊》;20131010;第12卷(第9期);53-55 * |
张莉.基于模糊神经网络的RTT智能预测算法.《软件导刊》.2013,第12卷(第9期), * |
Also Published As
Publication number | Publication date |
---|---|
CN109120470A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107634911B (zh) | 一种信息中心网络中基于深度学习的自适应拥塞控制方法 | |
CN107040961B (zh) | 一种无线传感器网络拥塞控制方法 | |
CN104994031B (zh) | 一种主动队列自适应管理方法asred | |
CN104486248B (zh) | 基于广义pid的随机早期检测算法的aqm系统和方法 | |
CN115529278A (zh) | 基于多智能体强化学习的数据中心网络ecn自动调控方法 | |
CN108833548A (zh) | Sd-wan网络系统以及用于网络流量加速优化方法 | |
CN109120470B (zh) | 一种基于低通滤波与mbp网络的rtt智能预测方法及装置 | |
US10659364B2 (en) | Hybrid AQM controller using RBF for queue utilization approximation as a non-linear system | |
CN104519001A (zh) | 一种基于rls和lms联合算法的信道均衡方法及均衡器 | |
CN106022475B (zh) | 基于动态自适应混沌蚁群算法的Web服务组合方法 | |
CN111800829A (zh) | LoRaWAN通信自适应速率调整方法、系统及网络服务器 | |
CN108809881B (zh) | 一种基于改进的exp3算法水下自适应ofdm通信方法 | |
CN102835076B (zh) | 用于估算电信网络中的往返时间的系统和方法 | |
Kar et al. | Performance evaluation of a new variable tap-length learning algorithm for automatic structure adaptation in linear adaptive filters | |
CN109688076B (zh) | 基于离散多电平迟滞的噪声混沌神经网络的盲检测方法 | |
Shatnawi et al. | Congestion control in ATM networks using PID controller with immune algorithm | |
CN111880406B (zh) | 基于Hebb学习的自适应预测控制主队列管理方法 | |
CN113872873B (zh) | 一种适合5g新应用的多场景跨层拥塞控制方法 | |
CN110581816A (zh) | 一种mpsk信号的cma盲均衡变步长优化方法 | |
CN107231194A (zh) | 室内可见光通信系统中基于收敛状态的变步长均衡方案 | |
WO2022120959A1 (zh) | 基于最小费用最大流的负载均衡的多服务迁移方法及系统 | |
CN112019443A (zh) | 多路径数据传输方法及装置 | |
CN115051940B (zh) | 一种基于bloom滤波器的IPv6网络流测量方法 | |
CN113259284B (zh) | 一种基于Bagging和长短期记忆网络的信道盲均衡方法及系统 | |
Bigdeli et al. | Design of a robust AQM strategy for dynamic TCP/AQM networks based on CDM |
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 |