CN110839253A - 一种确定无线网格网络流量的方法 - Google Patents

一种确定无线网格网络流量的方法 Download PDF

Info

Publication number
CN110839253A
CN110839253A CN201911086592.2A CN201911086592A CN110839253A CN 110839253 A CN110839253 A CN 110839253A CN 201911086592 A CN201911086592 A CN 201911086592A CN 110839253 A CN110839253 A CN 110839253A
Authority
CN
China
Prior art keywords
value
network
flow
predicted value
network flow
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.)
Pending
Application number
CN201911086592.2A
Other languages
English (en)
Inventor
聂来森
尚润泽
吴诒轩
赵畅菲
吴甜司
李田丰
乔宁
王蕙质
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.)
Qingdao Research Institute Of Northwest Polytechnic University
Original Assignee
Qingdao Research Institute Of Northwest Polytechnic University
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 Qingdao Research Institute Of Northwest Polytechnic University filed Critical Qingdao Research Institute Of Northwest Polytechnic University
Priority to CN201911086592.2A priority Critical patent/CN110839253A/zh
Publication of CN110839253A publication Critical patent/CN110839253A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种确定无线网格网络流量的方法和系统。所述方法包括：构建深度信念网络模型；采集待检测无线网格网络的端到端流量，并将端到端流量作为第一网络流量的先验测量值；对先验测量值进行零均值处理，并获得处理后的零均值网络流量值的低频分量和高频分量；将低频分量输入深度信念网络模型，获得网络流量的低频预测值；采用空‑时压缩感知技术预测高频分量，获得网络流量的高频预测值；将网络流量的低频预测值和网络流量的高频预测值进行离散小波变换，获得端到端流量的预测值，即获得待检测网络的流量值。本发明提供的预测无线网格网络流量的方法和系统，能够对网络流量进行精确预测，且具有预测难度低的特点。

Description

一种确定无线网格网络流量的方法
技术领域
本发明涉及网络流量预测技术领域，特别是涉及一种确定无线网格网络流量的方法。
背景技术
近些年，伴随着物联网、车联网和时间敏感网络的发展，无线网格网络(无线Mesh网络)得到了广泛的应用，成为目前无线网络应用的支撑技术。无线Mesh网络仍然采用与传统的服务供应(英文全称Internet Service Provider，简称ISP)网络相似的通信协议族。对于物联网、车联网等应用场景，相比于传统的ISP网络，其特点不仅仅在于物理层和数据链路层的差别，更主要在于网络拓扑结构的差别。也就是说，传统ISP网络的拓扑结构相对比较固定，而无线Mesh网络中节点随机接入或离开网络，网络拓扑结构变化频繁，这给组网技术的可扩展性提出了严格的要求。
网络流量预测技术是网络规划等网络管理功能的基础和参考依据，是决定网络可扩展性的重要因素之一。随着无线Mesh网络的不断发展，面向无线Mesh网络的网络流量预测技术得到了广泛的关注。
经过近20年的探索和发展，面向传统ISP网络的流量预测技术发展比较成熟，研究人员通过分析和建模网络流量的空间、时间和空-时特征来实现网络流量预测。然而，对于无线Mesh网络，其网络流量呈现出更多的突发特征，这显著增加了流量预测的难度。面向传统ISP网络的流量预测方法主要建模网络流量的低频特征，从而预测网络流量的变化趋势。而无线Mesh网络具有较多的高频分量，因此传统的统计模型很难对无线Mesh网络的流量进行精确预测。
发明内容
本发明的目的是提供一种确定无线网格网络流量的方法和系统，能够对网络流量进行精确预测，且具有预测难度低的特点。
为实现上述目的，本发明提供了如下方案：
一种确定无线网格网络流量的方法，包括：
构建深度信念网络模型；所述深度信念网络模型是以零均值网络流量值的低频分量为输入，以网络流量的低频预测值为输出的神经网络模型；
采集待检测无线网格网络的端到端流量，并将所述端到端流量作为第一网络流量的先验测量值；
对所述第一网络流量的先验测量值进行零均值处理，得到第一零均值网络流量值；
采用离散小波变换法，将所述第一零均值网络流量值分解为低频分量和高频分量；
将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型，获得网络流量的低频预测值；
采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量，获得网络流量的高频预测值；
将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换，获得所述端到端流量的预测值；所述端到端流量的预测值即为待检测无线网格网络的流量值。
可选的，所述构建深度信念网络模型之前，还包括：
采集无线网格网络的端到端流量，并将所述端到端流量作为第二网络流量的先验测量值；
对所述第二网络流量的先验测量值进行零均值处理，得到第二零均值网络流量值；
获取所述第二零均值网络流量值的低频分量，并将所获得的低频分量作为训练集；
选取所述训练集中符合预设条件的低频分量，对所述深度信念网络进行优化训练。
可选的，所述采用空-时压缩感知技术预测所述高频分量，获得高频网络流量预测值，包括：
将所述高频分量转换为矩阵，得到高频分量转换矩阵；
获取所述高频分量转换矩阵的预测值，所述预测值的初始值为设定值；
将所述预测值的初始值代入得到新的预测值；
将所述新的预测值代入公式不断进行迭代，直至公式
Figure BDA0002265596940000033
的最小值小于设定值；所述最小值即为所述网络流量的高频预测值；
其中，||·||F表示范数，λ为正则化系数，D′为高频分量的转换矩阵，为高频分量转换矩阵的预测值，H为常数矩阵，
Figure BDA0002265596940000035
L和R均为通过对
Figure BDA0002265596940000036
进行奇异值分解得到的矩阵，
Figure BDA0002265596940000037
U为表示
Figure BDA0002265596940000038
变换趋势的矩阵，Σ为对角矩阵，V为正交矩阵。
可选的，所述端到端流量的预测值为：
Figure BDA0002265596940000039
式中，
Figure BDA00022655969400000310
为端到端流量的预测值，
Figure BDA00022655969400000311
为第n次平移后的低频分量转换矩阵的预测值，
Figure BDA00022655969400000312
为第n次平移后的高频分量转换矩阵的预测值，n为平移次数，φ(*)为尺度函数，ψ(*)为小波函数。
可选的，所述零均值网络流量值为：
Figure BDA0002265596940000041
式中，xp,q(t)为零均值网络流量值，
Figure BDA0002265596940000042
为t时刻从源节点到目标节点的网络流量先验测量值，T为信号周期。
一种确定无线网格网络流量的系统，包括：
网络模型构建模块，用于构建深度信念网络模型；所述深度信念网络模型是以零均值网络流量值的低频分量为输入，以网络流量的低频预测值为输出的神经网络模型；
第一端到端流量采集模块，用于采集待检测无线网格网络的端到端流量，并将所述端到端流量作为第一网络流量的先验测量值；
第一零均值处理模块，用于对所述第一网络流量的先验测量值进行零均值处理，得到第一零均值网络流量值；
第一零均值网络流量分解模块，用于采用离散小波变换法，将所述第一零均值网络流量值分解为低频分量和高频分量；
低频网络流量预测模块，用于将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型，获得网络流量的低频预测值；
高频网络流量预测模块，用于采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量，获得网络流量的高频预测值；
流量获取模块，用于将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换，获得所述端到端流量的预测值；所述端到端流量的预测值即为待检测无线网格网络的流量值。
可选的，所述系统还包括：
第二端到端流量采集模块，用于采集无线网格网络的端到端流量，并将所述端到端流量作为第二网络流量的先验测量值；
第二零均值处理模块，用于对所述第二网络流量的先验测量值进行零均值处理，得到第二零均值网络流量值；
训练集获取模块，用于获取所述第二零均值网络流量值的低频分量，并将所获得的低频分量作为训练集；
优化训练模块，用于选取所述训练集中符合预设条件的低频分量，对所述深度信念网络进行优化训练。
可选的，所述高频网络流量预测模块包括：
矩阵转换单元，用于将所述高频分量转换为矩阵，得到高频分量转换矩阵；
初始值设定单元，用于设定一个所述高频分量转换矩阵预测值的初始值；
预测值获取单元，用于获取所述高频分量转换矩阵的预测值，所述预测值的初始值为设定值；
所述预测值获取单元，还用于将所述预测值的初始值代入
Figure BDA0002265596940000051
得到新的预测值；将所述新的预测值代入公式不断进行迭代，直至公式
Figure BDA0002265596940000053
的最小值小于设定值；所述最小值即为所述网络流量的高频预测值；
其中，||·||F表示范数，λ为正则化系数，D′为高频分量的转换矩阵，为高频分量转换矩阵的预测值，H为常数矩阵，
Figure BDA0002265596940000055
L和R均为通过对
Figure BDA0002265596940000056
进行奇异值分解得到的矩阵，U为表示
Figure BDA0002265596940000058
变换趋势的矩阵，Σ为对角矩阵，V为正交矩阵。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的一种确定无线网格网络流量的方法和系统，通过采用“分而治之”的方法对所获得的低频分量和高频分量采用不同的预测方法进行预测，并对预测得到的低频网络流量预测值和高频网络流量预测值进行离散小波变换，获得待预测网络流量的预测值，这就能够提高网络流量的预测精度。并且，在预测过程中，采用深度信念网络模型对低频分量进行预测，采用空-时压缩感知技术对高频分量进行预测，这进一步能够降低网络流量预测的难度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的预测无线网格网络流量方法的流程图；
图2为本发明实施例所采用的Haar小波波形图；
图3为本发明实施例所采用的深度网络信念结构示意图；
图4为本发明实施例所采用的RBM结构图；
图5为深度网络信念堆叠结构图；
图6为采用本发明所提供的预测方法预测网络流量的预测值与真实的网络流量值进行比较的结果图；
图7为采用主成分分析(Principal components analysis，PCA)方法的预测值与真实的网络流量值进行比较的结果图；
图8为采用重力模型(Tomogravity)方法的预测值与真实的网络流量值进行比较的结果图；
图9为采用稀疏正则化矩阵(Sparsity Regularized Matrix Factorization，SRMF)方法的预测值与真实的网络流量值进行比较的结果图；
图10为本发明所提供的预测无线网格网络流量的方法角现有预测方法的改进率结果分布图；
图11为为本发明所提供的预测无线网格网络流量系统的结构示意图。
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清楚、完整地描述，显然，所描述的实施例仅仅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做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。
本发明的目的是提供一种确定无线网格网络流量的方法和系统，能够对网络流量进行精确预测，且具有预测难度低的特点。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例所提供的预测无线网格网络流量方法的流程图，如图1所示，一种确定无线网格网络流量的方法，包括：
S100、构建深度信念网络模型；所述深度信念网络模型是以零均值网络流量值的低频分量为输入，以网络流量的低频预测值为输出的神经网络模型；
S101、采集待检测无线网格网络的端到端流量，并将所述端到端流量作为第一网络流量的先验测量值；
S102、对所述第一网络流量的先验测量值进行零均值处理，得到第一零均值网络流量值；
S103、采用离散小波变换法，将所述第一零均值网络流量值分解为低频分量和高频分量；
S104、将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型，获得网络流量的低频预测值；
S105、采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量，获得网络流量的高频预测值；
S106、将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换，获得所述端到端流量的预测值；所述端到端流量的预测值即为待检测无线网格网络的流量值。
在S101中，通过路由器来采集T/2个时刻的端到端网络流量(从源节点p到目的节点q的流量)数据作为先验测量值，表示为
Figure BDA0002265596940000081
其中t＝1,2,3,...,T/2。
在S102中，零均值处理可有效提高网络流量预测的准确性，因此本发明采用零均值处理对网络流量先验测量值进行预处理，零均值处理后的第一零均值网络流量值xp,q(t)。零均值处理公式为：
式中，xp,q(t)为零均值网络流量值，
Figure BDA0002265596940000083
为t时刻从源节点到目标节点的网络流量先验测量值，T为信号周期。
本发明中采用Haar小波，波形图如图2所示。此时，在采用小波变换方法获取当前网络的流量值的过程中，尺度系数和小波系数分别为网络流量先验测量值的低频分量和高频分量，即为低频分量先验测量值和高频分量先验测量值。本发明所采用的离散小波变换公式如下：
Figure BDA0002265596940000084
其中，cn,p,q和dn,p,q分别称为尺度系数和小波系数，φn(t)和ψn(t)分别为尺度函数和小波函数。
本发明所构建的深度信念网络如图3所示，其包含M个隐含层，每个隐含层包括T/2个神经元，每个神经元采用实值函数；输出层为一个单一神经元的逻辑回归架构。
深度信念网络是一种常用的深度学习架构，它由多个受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)堆叠而成。RBM结构如图4所示，RBM是一个无向图模型，包括可视层(visible layer)和隐含层(hidden layer)。两层间的单元通过无向边连接，而同一层之间的单元无连接。深度信念网络(DBN)结构如图5所示，图5为两个RBM组成的一个DBN，也就是说上一层RBM的可视层为下一层RBM的隐含层。
本发明中，可视层单元用向量v＝(v1,v2,...,vI)表示，隐含层单元用向量h＝(h1,h2,...,hJ)表示，其中I和J分别为可视层和隐含层单元数量。在RBM中，定义了一个联合概率分布函数
Figure BDA0002265596940000091
其中，E(v,h)称为能量函数(energy function)。能量函数的表达式视可视层概率分布而异。一般来说，可视层可为Gaussian分布或Bernoulli分布，隐含层为Bernoulli分布。当可视层和隐含层分别为Gaussian分布和Bernoulli分布时，能量函数为：
Figure BDA0002265596940000092
其中，bi和aj分别为可视层和隐含层偏差(bias)，wi,j为可视单元i和隐含单元j之间的对称权重。当可视层和隐含层均为Bernoulli分布时，能量函数的表达式定义为：
Figure BDA0002265596940000093
根据以上定义，当可视层为Gaussian分布或Bernoulli分布时，隐含层条件概率为
Figure BDA0002265596940000094
其中，sigm(z)＝exp(z)/(1+exp(z))为sigmoid函数。相应地，如果可视层为Gaussian分布或Bernoulli分布时，则可视层条件概率分别为
Figure BDA0002265596940000095
Figure BDA0002265596940000096
其中，
Figure BDA0002265596940000101
表示期望为且方差为1的正态分布。相比于浅层学习，深度学习计算复杂度较高。本发明采用基于实值单元的RBM模型，而非传统的二进制RBM模型，此时可视层和隐含层条件概率分别：
Figure BDA0002265596940000103
本发明采用K个训练集
Figure BDA0002265596940000104
来对所构建的神经网络模型进行优化训练。在训练过程中，对应于K第二零均值网络流量值构成的训练集
Figure BDA0002265596940000105
相应的会得到其低频分量的输入数据集
Figure BDA0002265596940000106
和输出训练集
Figure BDA0002265596940000107
本发明采用反向传播算法训练所设计的深度信念网络，在反向传播算法中，RBM参数的更新通过的偏导数来完成，计算方法如下式：
在计算公式(10)的第二项时，即
Figure BDA00022655969400001010
本发明根据CD算法(Contrastive Diverse)计算。CD算法通过对可视层进行采样，通过反复迭代计算隐含层单元和可视层单元，最后得到稳态的分布，并根据该隐含层单元和可视层单元计算第二项。本发明中，依据RBM的训练方法，并结合贪婪的训练方法，逐层训练所提深度架构，即以输出层到输入层为顺序，逐一地、单独地训练每一个隐含层。
步骤B：将测试数据集的获得的低频分量作为训练后的深度信念网络的输入端，进行前向传输获得低频分量的估计值。
训练后的深度信念网络，能够拟合端到端网络流量的低频分量的先验测量值与预测值之间的函数关系，因此当把测试数据集的低频分量作为输入数据时，就会得到相应的低频分量预测值。假设当前的网络流量(即测试数据集)为X′，其为N2×(T/2)的矩阵，其中N为网络节点的数量。考虑X′中的每一个源-目的流(OD流)x′p,q(t)，则根据公式(2)可获得低频分量c′p,q和高频分量d′p,q，将c′p,q作为深度信念网络的输入来进行前向传输，即可得到估计值
Figure BDA0002265596940000111
再采用空-时压缩感知技术预测所述高频分量d′p,q，获得高频网络流量预测值。具体包括：
将高频分量d′p,q转换为矩阵，得到高频分量转换矩阵；
获取所述高频分量转换矩阵的预测值，所述预测值的初始值为设定值；
将所述预测值的初始值代入得到新的预测值；
将所述新的预测值代入公式
Figure BDA0002265596940000113
不断进行迭代，直至公式
Figure BDA0002265596940000114
的最小值小于设定值；所述最小值即为所述网络流量的高频预测值；
其中，||·||F表示范数，λ为正则化系数，D′为高频分量的转换矩阵，
Figure BDA0002265596940000115
为高频分量转换矩阵的预测值，H为常数矩阵，
Figure BDA0002265596940000116
L和R均为通过对
Figure BDA0002265596940000117
进行奇异值分解得到的矩阵，
Figure BDA0002265596940000118
U为表示
Figure BDA0002265596940000119
变换趋势的矩阵，Σ为对角矩阵，V为正交矩阵。
通过采用上述方法所预测得到的端到端流量的预测值为：
式中，为端到端流量的预测值，为第n次平移后的低频分量转换矩阵的预测值，为第n次平移后的高频分量转换矩阵的预测值，n为平移次数，φ(*)为尺度函数，ψ(*)为小波函数。
下面，采用美国Abilene骨干网对本发明所提供方法的有效性进行验证。Abilene骨干网包含12个节点，30条内链路，24条外链路，144条端到端流量，仿真数据采用5min时间间隔，共计2016个时刻。本发明首先通过路由器来采集400个时刻的端到端网络流量数据作为第二先验测量值，表示为
在对所构建的神经网络模型进行训练的过程中，所使用的的深度信念网络模型，包含8个隐含层，每个隐含层包括400个神经元，每个神经元采用实值函数；输出层为一个单一神经元的逻辑回归架构。
在网络流量预测中，零均值处理可有效提高网络流量预测的准确性，因此本发明采用零均值处理对网络流量先验测量值进行预处理，零均值处理后的端到端网络流量为第二零均值网络流量值xp,q(t)。
网络管理中心通过离散小波变换将第二零均值网络流量值xp,q(t)分解成低频分量和高频分量。
获取所述第二零均值网络流量值的低频分量，并将所获得的低频分量作为训练集；
选取所述训练集中符合预设条件的低频分量，对所述深度信念网络进行优化训练。
本发明采用600个训练集相应的会得到输入数据集
Figure BDA0002265596940000127
和输出训练集RBM(受限玻尔兹曼机)参数的更新通过
Figure BDA0002265596940000129
的偏导数来完成。
步骤B：将测试数据集的获得的低频分量作为深度信念网络的输入端，进行前向传输获得低频分量的估计值。
假设当前的网络流量(即测试数据集)为X′，其为144×400的矩阵，其中N为网络节点的数量。考虑X′中的每一个源-目的流(OD流)x′p,q(t)，则根据公式(2)可获得低频分量c′p,q和高频分量d′p,q，将c′p,q作为深度信念网络的输入来进行前向传输，即可得到估计值
Figure BDA0002265596940000131
再采用空-时压缩感知技术预测所述高频分量d′p,q，获得高频网络流量预测值。
通过采用上述方法所预测得到的端到端流量的预测值为：
Figure BDA0002265596940000132
式中，
Figure BDA0002265596940000133
为端到端流量的预测值，
Figure BDA0002265596940000134
为第n次平移后的低频分量转换矩阵的预测值，
Figure BDA0002265596940000135
为第n次平移后的高频分量转换矩阵的预测值，n为平移次数，φ(*)为尺度函数，ψ(*)为小波函数。
图6-9给出了本发明所提供的DBNSTCS方法(用DBNSTCS代替本发明所提供的预测方法)、PCA方法、Tomogravity方法和SRMF方法的估计偏差，可以看出PCA方法误差较大，尤其是较小的流量误差比较明显。DBNSTCS方法估计误差较小，SRMF方法和Tomogravity方法估计误差介于DBNSTCS方法和PCA方法之间。图10展示了DBNSTCS方法相对于其他三种方法的误差改进率，其相对于PCA方法、Tomogravity方法和SRMF方法的误差改进率分别为75％、22％和30％。
此外，本发明还提供了一种确定无线网格网络流量的系统。如图11所示，所述系统包括：网络模型构建模块1、第一端到端流量采集模块2、第一零均值处理模块3、第一零均值网络流量分解模块4、低频网络流量预测模块5、高频网络流量预测模块6和流量获取模块7。
其中，网络模型构建模块1构建深度信念网络模型；所述深度信念网络模型是以零均值网络流量值的低频分量为输入，以网络流量的低频预测值为输出的神经网络模型。第一端到端流量采集模块2采集待检测无线网格网络的端到端流量，并将所述端到端流量作为第一网络流量的先验测量值。第一零均值处理模块3对所述第一网络流量的先验测量值进行零均值处理，得到第一零均值网络流量值。第一零均值网络流量分解模块4采用离散小波变换法，将所述第一零均值网络流量值分解为低频分量和高频分量。低频网络流量预测模块5将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型，获得网络流量的低频预测值。高频网络流量预测模块6采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量，获得网络流量的高频预测值。流量获取模块7将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换，获得所述端到端流量的预测值；所述端到端流量的预测值即为待检测无线网格网络的流量值。
为了对所构建的深度信念网络模型进行优化训练，所述系统还包括：第二端到端流量采集模块、第二零均值处理模块、训练集获取模块和优化训练模块。
其中，第二端到端流量采集模块采集无线网格网络的端到端流量，并将所述端到端流量作为第二网络流量的先验测量值。第二零均值处理模块对所述第二网络流量的先验测量值进行零均值处理，得到第二零均值网络流量值。训练集获取模块获取所述第二零均值网络流量值的低频分量，并将所获得的低频分量作为训练集。优化训练模块选取所述训练集中符合预设条件的低频分量，对所述深度信念网络进行优化训练。
其中，高频网络流量预测模块还可以包括：矩阵转换单元、初始值设定单元和预测值获取单元。
矩阵转换单元将所述高频分量转换为矩阵，得到高频分量转换矩阵。初始值设定单元设定一个所述高频分量转换矩阵预测值的初始值。预测值获取单元获取所述高频分量转换矩阵的预测值，所述预测值的初始值为设定值，将所述预测值的初始值代入得到新的预测值；将所述新的预测值代入公式
Figure BDA0002265596940000142
不断进行迭代，直至公式
Figure BDA0002265596940000143
的最小值小于设定值；所述最小值即为所述网络流量的高频预测值。
其中，||·||F表示范数，λ为正则化系数，D′为高频分量的转换矩阵，
Figure BDA0002265596940000151
为高频分量转换矩阵的预测值，H为常数矩阵，
Figure BDA0002265596940000152
L和R均为通过对进行奇异值分解得到的矩阵，
Figure BDA0002265596940000154
U为表示
Figure BDA0002265596940000155
变换趋势的矩阵，Σ为对角矩阵，V为正交矩阵。
本发明提供的一种确定无线网格网络流量的方法和系统，通过采用“分而治之”的方法对所获得的低频分量和高频分量采用不同的预测方法进行预测，并对预测得到的低频网络流量预测值和高频网络流量预测值进行离散小波变换，获得待预测网络流量的预测值，这就能够提高网络流量的预测精度。并且，在预测过程中，采用深度信念网络模型对低频分量进行预测，采用空-时压缩感知技术对高频分量进行预测，这进一步能够降低网络流量预测的难度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种确定无线网格网络流量的方法，其特征在于，包括：
构建深度信念网络模型；所述深度信念网络模型是以零均值网络流量值的低频分量为输入，以低频网络流量预测值为输出的神经网络模型；
采集待检测无线网格网络的端到端流量，并将所述端到端流量作为第一网络流量的先验测量值；
对所述第一网络流量的先验测量值进行零均值处理，得到第一零均值网络流量值；
采用离散小波变换法，将所述第一零均值网络流量值分解为低频分量和高频分量；
将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型，获得网络流量的低频预测值；
采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量，获得网络流量的高频预测值；
将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换，获得所述端到端流量的预测值；所述端到端流量的预测值即为待检测无线网格网络的流量值。
2.根据权利要求1所述的一种确定无线网格网络流量的方法，其特征在于，所述构建深度信念网络模型之前，还包括：
采集无线网格网络的端到端流量，并将所述端到端流量作为第二网络流量的先验测量值；
对所述第二网络流量的先验测量值进行零均值处理，得到第二零均值网络流量值；
获取所述第二零均值网络流量值的低频分量，并将所获得的低频分量作为训练集；
选取所述训练集中符合预设条件的低频分量，对所述深度信念网络进行优化训练。
3.根据权利要求1所述的一种确定无线网格网络流量的方法，其特征在于，所述采用空-时压缩感知技术预测所述高频分量，获得高频网络流量预测值，包括：
将所述高频分量转换为矩阵，得到高频分量转换矩阵；
获取所述高频分量转换矩阵的预测值，所述预测值的初始值为设定值；
将所述预测值的初始值代入
Figure FDA0002265596930000021
得到新的预测值；
将所述新的预测值代入公式
Figure FDA0002265596930000022
不断进行迭代，直至公式
Figure FDA0002265596930000023
的最小值小于设定值；所述最小值即为所述网络流量的高频预测值；
其中，||·||F表示范数，λ为正则化系数，D′为高频分量的转换矩阵，
Figure FDA0002265596930000024
为高频分量转换矩阵的预测值，H为常数矩阵，
Figure FDA0002265596930000025
L和R均为通过对
Figure FDA0002265596930000026
进行奇异值分解得到的矩阵，
Figure FDA0002265596930000027
U为表示
Figure FDA0002265596930000028
变换趋势的矩阵，Σ为对角矩阵，V为正交矩阵。
4.根据权利要求3所述的一种确定无线网格网络流量的方法，其特征在于，所述端到端流量的预测值为：
Figure FDA0002265596930000029
式中，
Figure FDA00022655969300000210
为端到端流量的预测值，
Figure FDA00022655969300000211
为第n次平移后的低频分量转换矩阵的预测值，
Figure FDA00022655969300000212
为第n次平移后的高频分量转换矩阵的预测值，n为平移次数，φ(*)为尺度函数，ψ(*)为小波函数。
5.根据权利要求1所述的一种确定无线网格网络流量的方法，其特征在于，所述零均值网络流量值为：
Figure FDA0002265596930000031
式中，xp,q(t)为零均值网络流量值，
Figure FDA0002265596930000032
为t时刻从源节点到目标节点的网络流量先验测量值，T为信号周期。
6.一种确定无线网格网络流量的系统，其特征在于，包括：
网络模型构建模块，用于构建深度信念网络模型；所述深度信念网络模型是以零均值网络流量值的低频分量为输入，以网络流量的低频预测值为输出的神经网络模型；
第一端到端流量采集模块，用于采集待检测无线网格网络的端到端流量，并将所述端到端流量作为第一网络流量的先验测量值；
第一零均值处理模块，用于对所述第一网络流量的先验测量值进行零均值处理，得到第一零均值网络流量值；
第一零均值网络流量分解模块，用于采用离散小波变换法，将所述第一零均值网络流量值分解为低频分量和高频分量；
低频网络流量预测模块，用于将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型，获得网络流量的低频预测值；
高频网络流量预测模块，用于采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量，获得网络流量的高频预测值；
流量获取模块，用于将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换，获得所述端到端流量的预测值；所述端到端流量的预测值即为待检测无线网格网络的流量值。
7.根据权利要求6所述的一种确定无线网格网络流量的系统，其特征在于，所述系统还包括：
第二端到端流量采集模块，用于采集无线网格网络的端到端流量，并将所述端到端流量作为第二网络流量的先验测量值；
第二零均值处理模块，用于对所述第二网络流量的先验测量值进行零均值处理，得到第二零均值网络流量值；
训练集获取模块，用于获取所述第二零均值网络流量值的低频分量，并将所获得的低频分量作为训练集；
优化训练模块，用于选取所述训练集中符合预设条件的低频分量，对所述深度信念网络进行优化训练。
8.根据权利要求6所述的一种确定无线网格网络流量的系统，其特征在于，所述高频网络流量预测模块包括：
矩阵转换单元，用于将所述高频分量转换为矩阵，得到高频分量转换矩阵；
初始值设定单元，用于设定一个所述高频分量转换矩阵预测值的初始值；
预测值获取单元，用于获取所述高频分量转换矩阵的预测值，所述预测值的初始值为设定值；
所述预测值获取单元，还用于将所述预测值的初始值代入
Figure FDA0002265596930000041
得到新的预测值；将所述新的预测值代入公式
Figure FDA0002265596930000042
不断进行迭代，直至公式
Figure FDA0002265596930000043
的最小值小于设定值；所述最小值即为所述网络流量的高频预测值；
其中，||·||F表示范数，λ为正则化系数，D′为高频分量的转换矩阵，为高频分量转换矩阵的预测值，H为常数矩阵，
Figure FDA0002265596930000045
L和R均为通过对
Figure FDA0002265596930000051
进行奇异值分解得到的矩阵，
Figure FDA0002265596930000052
U为表示变换趋势的矩阵，Σ为对角矩阵，V为正交矩阵。
CN201911086592.2A 2019-11-08 2019-11-08 一种确定无线网格网络流量的方法 Pending CN110839253A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911086592.2A CN110839253A (zh) 2019-11-08 2019-11-08 一种确定无线网格网络流量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911086592.2A CN110839253A (zh) 2019-11-08 2019-11-08 一种确定无线网格网络流量的方法

Publications (1)

Publication Number Publication Date
CN110839253A true CN110839253A (zh) 2020-02-25

Family

ID=69574609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911086592.2A Pending CN110839253A (zh) 2019-11-08 2019-11-08 一种确定无线网格网络流量的方法

Country Status (1)

Country Link
CN (1) CN110839253A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111800414A (zh) * 2020-07-03 2020-10-20 西北工业大学 一种基于卷积神经网络的流量异常检测方法及系统
CN112105048A (zh) * 2020-07-27 2020-12-18 北京邮电大学 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012128897A2 (en) * 2011-02-25 2012-09-27 California Insitute Of Technology Systems and methods for acquiring and decoding signals using compressed sensing
CN102982386A (zh) * 2012-09-07 2013-03-20 浙江大学 一种基于空时压缩感知的蜂窝网络流量预测方法
CN103095496A (zh) * 2013-01-10 2013-05-08 周亚建 网络流量预测方法和设备
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
CN104242947A (zh) * 2014-08-25 2014-12-24 南京邮电大学 一种基于Haar小波树的SAMP重构方法
CN107483265A (zh) * 2017-09-11 2017-12-15 国网辽宁省电力有限公司 一种基于小波分析的网络流量动态预测方法及系统
CN108471353A (zh) * 2018-01-22 2018-08-31 浙江鹏信信息科技股份有限公司 一种基于深度神经网络算法的网元容量分析与预测的方法
CN108809839A (zh) * 2018-07-17 2018-11-13 湖南理工学院 无线Mesh骨干网络流量控制方法与装置
CN109754126A (zh) * 2019-01-30 2019-05-14 银江股份有限公司 基于时空相关性和卷积神经网络的短时交通流预测方法
CN109862585A (zh) * 2019-01-31 2019-06-07 湖北工业大学 一种基于深度时空神经网络的动态异构网络流量预测方法
CN110210658A (zh) * 2019-05-22 2019-09-06 东南大学 基于小波变换的Prophet与高斯过程用户网络流量预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012128897A2 (en) * 2011-02-25 2012-09-27 California Insitute Of Technology Systems and methods for acquiring and decoding signals using compressed sensing
CN102982386A (zh) * 2012-09-07 2013-03-20 浙江大学 一种基于空时压缩感知的蜂窝网络流量预测方法
CN103095496A (zh) * 2013-01-10 2013-05-08 周亚建 网络流量预测方法和设备
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
CN104242947A (zh) * 2014-08-25 2014-12-24 南京邮电大学 一种基于Haar小波树的SAMP重构方法
CN107483265A (zh) * 2017-09-11 2017-12-15 国网辽宁省电力有限公司 一种基于小波分析的网络流量动态预测方法及系统
CN108471353A (zh) * 2018-01-22 2018-08-31 浙江鹏信信息科技股份有限公司 一种基于深度神经网络算法的网元容量分析与预测的方法
CN108809839A (zh) * 2018-07-17 2018-11-13 湖南理工学院 无线Mesh骨干网络流量控制方法与装置
CN109754126A (zh) * 2019-01-30 2019-05-14 银江股份有限公司 基于时空相关性和卷积神经网络的短时交通流预测方法
CN109862585A (zh) * 2019-01-31 2019-06-07 湖北工业大学 一种基于深度时空神经网络的动态异构网络流量预测方法
CN110210658A (zh) * 2019-05-22 2019-09-06 东南大学 基于小波变换的Prophet与高斯过程用户网络流量预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LAISEN NIE: "Network Traffic Prediction Based on Deep Belief Network in Wireless Mesh Backbone Networks", 《2017 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC)》 *
杨平: "《非线性抗振动冲击防护动力学与动态设计》", 31 August 2003 *
聂来森: "基于压缩感知的端到端网络流量重构策略研究", 《信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111800414A (zh) * 2020-07-03 2020-10-20 西北工业大学 一种基于卷积神经网络的流量异常检测方法及系统
CN112105048A (zh) * 2020-07-27 2020-12-18 北京邮电大学 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法

Similar Documents

Publication Publication Date Title
Jiang et al. A compressive sensing-based approach to end-to-end network traffic reconstruction
CN111669373B (zh) 基于时空卷积网络和拓扑感知的网络异常检测方法及系统
Nie et al. Network traffic prediction based on deep belief network and spatiotemporal compressive sensing in wireless mesh backbone networks
Nie et al. Traffic matrix prediction and estimation based on deep learning in large-scale IP backbone networks
CN113313947A (zh) 短期交通预测图卷积网络的路况评估方法
CN107483251B (zh) 一种基于分布式探针监测的网络业务异常侦测方法
Nie et al. Traffic matrix prediction and estimation based on deep learning for data center networks
CN111079977A (zh) 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法
CN111260124A (zh) 一种基于注意力机制深度学习的混沌时间序列预测方法
CN113537788B (zh) 一种基于病毒传播理论的城市交通拥堵识别方法
CN114495507B (zh) 融合时空注意力神经网络和交通模型的交通流预测方法
CN110839253A (zh) 一种确定无线网格网络流量的方法
CN111327441B (zh) 一种流量数据预测方法、装置、设备及存储介质
CN114860715A (zh) 一种流量实时预测的Lanczos时空网络方法
WO2023226186A1 (zh) 神经网络训练方法、人体运动识别方法及设备、存储介质
CN114997506A (zh) 一种基于链路预测的大气污染传播路径预测方法
CN117061322A (zh) 物联网流量池管理方法及系统
CN115862319A (zh) 一种面向时空图自编码器的交通流量预测方法
CN112562312A (zh) 一种基于融合特征的GraphSAGE交通路网数据预测的方法
Jiang et al. Hybrid PSO and GA for neural network evolutionary in monthly rainfall forecasting
CN117668743A (zh) 一种关联时空关系的时序数据预测方法
CN117131452A (zh) 基于归一化流和贝叶斯网络的异常检测方法及系统
CN111541572A (zh) 一种低约束条件的随机机会网络图的精确重构方法
CN109088796B (zh) 基于网络层析成像技术的网络流量矩阵预测方法
CN115098563B (zh) 基于gcn和注意力vae的时序异常检测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200225

RJ01 Rejection of invention patent application after publication