CN112838963B - 基于事件同步和网络建模的识别系统拥塞风险的方法 - Google Patents

Abstract

本发明公开了一种基于事件同步和网络建模的识别系统拥塞风险的方法，采用过峰值阈值法从初始时空序列中提取事件序列，各地理位置处的事件序列记录的是事件发生的时间索引；根据动态延迟和最大延迟确定事件序列中同步发生的事件；将地理位置定义为网络中的节点，不同地理位置间发生的同步事件的数量定义为连边的权重，从而将时空序列映射为以事件发生地点为基元的无向加权网络；根据网络的拓扑特征定义节点的拥塞系数，量化节点发生拥塞的风险。本发明从时空数据中的特殊事件的发生位置和发生时间建立网络，定义节点拥塞系数，识别系统拥塞风险。

Description

基于事件同步和网络建模的识别系统拥塞风险的方法

技术领域

本发明涉及一种识别系统拥塞风险的方法。特别是涉及到一种基于事件同步和网络建模的识别系统拥塞风险的方法。

背景技术

系统拥塞是物联网飞速发展的必然结果。随着5G的发展和万物互联时代的到来，通信技术和硬件设施在不断增强。但是，由于更多设备的接入使得系统拥塞问题依然存在并受到重点关注。解决系统拥塞一般从两个方面着手：一、预防，降低网络延迟、提高吞吐量以避免拥塞的发生；二、控制，系统拥塞已经发生时，采取措施改善系统，恢复数据的正常传输。

系统拥塞受到研究者的关注，无论是拥塞预防还是拥塞控制都有科学家在此方面做出贡献。目前，研究人员主要在协议、算法流程和硬件方面关注系统拥塞问题。在协议方面，计算机网络拥塞控制的研究重点在于速率控制，使用TPC传输协议进行源端控制，实现系统拥塞控制。在算法流程设计方面，设计拥塞控制流程，提高链路利用率以控制系统拥塞的出现。在硬件方面，运营商通过增加硬件设备以减少系统拥塞，但增设硬件会增加运营商的经济成本与谈判成本。

复杂网络方法可以量化具有多元素的随时间变化的结构，有利于人们更深入地了解系统各组件之间的相互作用。复杂网络可以加深人们对各领域中具有多元素和多联系的复杂系统的理解。近年来，来自各个领域的科学家们采用复杂网络建模的方法挖掘复杂系统的内部信息。已知事件发生的时间信息即可依据事件同步方法构建复杂网络。最初，在神经科学中引入事件同步方法，量化脑电图信号中的事件同步性。事件同步方法是非参数方法，可以解决相关性分析中数据非正态和非线性导致的分析困难。

发明内容

本发明所要解决的技术问题是，对于具有地理位置属性的时间序列数据，提供一种基于事件同步和网络建模的识别系统拥塞风险的方法。

本发明所采用的技术方案是：基于事件同步和网络建模的识别系统拥塞风险的方法，包括如下步骤：

1)根据过峰值阈值法，将时间序列中大于阈值的值定义为事件，记录事件发生的时间，从不同地理位置处产生的时间序列中提取事件序列，即：从地理位置l处的初始时间序列Y(l)＝{yⁱ _l},(i＝1,···,n_l)中基于过峰值阈值法提取出事件序列：

其中，t_l ⁱ表示地理位置l处第i个事件发生的时间，N_l表示地理位置l处事件发生的总数；

2)根据动态延迟τ_lm ^ij和最大延迟τ_max判断两个地理位置处的事件是否同步发生，如果l处的事件i和m处的事件j发生在动态延迟τ_lm ^ij内，且事件发生时间间隔小于最大延迟τ_max，那么事件i和事件j视为同步发生，假设l处的事件i和m处的事件j发生的时间间隔为d_lm ^ij：

如果d_lm ^ij满足：0≤|d_lm ^ij|＜τ_lm ^ij且0≤|d_lm ^ij|＜τ_max，则认为l处的事件i和m处的事件j同步发生；

3)将互不相同的地理位置视为复杂网络中的节点，不同地理位置间有事件同步发生则对应的节点之间存在连边，同步发生的事件的数量作为该连边的权重，如此，将时空序列映射为以事件发生的地理位置为基元的无向加权网络，无向加权网络的邻接矩阵A是对称矩阵，A中的元素a_lm＝0表示两节点之间不存在连边，a_lm≠0表示两节点之间存在连边，元素a_lm的数值表示连边的权重；

4)计算无向加权网络的拓扑特征，包括网络边权分布p(w)、网络累积度分布P(k)、网络累积强度分布P(s)和节点集聚系数c_i，

上式中，E_w表示网络中权重为w的边的数量，E表示网络中边的总数，

上式中，n_x表示度为x的节点的数量，n表示网络的节点总数，k表示节点的度，

上式中，q_j表示强度为j的节点的数量，n表示网络的节点总数，s表示节点的强度，

上式中，E_i表示网络中节点i的邻居节点之间实际存在的边的数量，k_i表示节点i的度；

5)识别系统拥塞风险，定义节点的拥塞系数为：

上式中，d_i ^w为节点i的平均强度，即与节点i相连的所有连边的权重之和除以这些边的数量，c_i为节点i的集聚系数，

对网络中的每个节点计算其拥塞系数，用于识别系统发生拥塞的风险；

6)借助MATLAB软件实现网络及拓扑特征和拥塞系数在地理位置上的可视化。

步骤2)中由于事件发生的时间间隔是变化的，为适应事件发生时间，动态延迟τ_lm ^ij定义为

其中，t_l ⁱ-t_l ^i-1和t_l ⁱ⁺¹-t_l ⁱ分别是位置l处的事件i与前一个事件i-1和后一个事件i+1发生的时间间隔，类似地，t_m ^j-t_m ^j-1和t_m ^j+1-t_m ^j分别是位置m处的事件j与前一个事件j-1和后一个事件j+1发生的时间间隔，τ_lm ^ij是前后事件之间最短时间间隔的1/2，如果位置l处的两个事件发生时间接近位置m处的同一事件，则使用1/2因子避免重复计算，

为排除不合理的长动态延迟，根据实际情况确定最大延迟τ_max。

步骤3)中计算任意两个地理位置处同步发生事件的数量，定义系数g^lm _ij

计算位置l处的事件i(i＝1,···,N_l)与位置m处的事件j(j＝1,···,N_m)的系数g^lm _ij，得到位置l与位置m的系数矩阵G^lm，矩阵G^lm中的元素g^lm _ij取值有0、0.5和1三种情况，表示位置l和位置m处同步事件的状态，

所有同步事件中，m处事件发生在l处事件之后的同步事件个数ES_lm可由下面公式计算得出：

其中，N_l和N_m分别为位置l和位置m处的事件总数，类似的，可以得到l处事件发生在m处事件之后的同步事件个数ES_ml，

无向加权网络的邻接矩阵A中的元素a_lm可由如下公式得到：

a_lm＝ES_lm+ES_ml (11)。

本发明的基于事件同步和网络建模的识别系统拥塞风险的方法，采用事件同步方法和复杂网络建模方法，对包含地理位置信息的时间序列定义事件、提取事件、计算同步事件的个数、建立网络，根据网络的拓扑特征所定义的节点的拥塞系数可以识别发生系统拥塞的风险。本发明的特色体现在以下几个方面：

1、本发明提出的拥塞系数既包含了一个节点事件同步发生的频率信息，同时包含了与该节点事件同步发生的拓扑邻居节点间有事件同步发生的概率信息。拥塞系数可以精准反映节点拥塞情况，识别系统拥塞风险。

2、本发明提出的拥塞系数的定义涉及到网络的拓扑特征，基于事件同步方法建立加权网络算得拓扑特征。事件同步方法关注时间序列中的特殊事件，这种方法的优势在于，它既可以量化时间序列中的事件之间的相互关联，又适用于事件之间有灵活的动态延迟的情况。此外，此方法不假定数据遵循何种概率分布，适用于具有地理位置信息的时空序列大数据分析。

3、本发明提出的拥塞系数针对包含地理位置信息的三维时空序列数据，软件编程易于实现。可以广泛应用于包含地理位置信息的三维时空序列数据，如：气象数据、交通数据、通信数据、互联网吞吐量数据、脑电信号时序数据等。

附图说明

图1是本发明基于事件同步和网络建模的识别系统拥塞风险的方法的流程图；

图2是移动通信时流量时空序列基于事件同步法生成的加权网络；

图3是图2的加权网络的拓扑特征；

图4是图2的加权网络中节点拥塞系数在地理上的离散分布；

图5是图2的加权网络中节点拥塞系数与平均强度的相关关系；

图6是基站系统拥塞风险图。

具体实施方式

下面结合实例和附图对本发明的基于事件同步和网络建模的识别系统拥塞风险的方法做出详细说明。

本发明的基于事件同步和网络建模的识别系统拥塞风险的方法，如图1所示，包括如下步骤：

步骤1：根据过峰值阈值法，将时间序列中大于阈值的值定义为事件，记录事件发生的时间，从不同地理位置处产生的时间序列中提取事件序列，即：从地理位置l处的初始时间序列Y(l)＝{yⁱ _l},(i＝1,···,n_l)中基于过峰值阈值法提取出事件序列：

其中，t_l ⁱ表示地理位置l处第i个事件发生的时间，N_l表示地理位置l处事件发生的总数。

步骤2：根据动态延迟τ_lm ^ij和最大延迟τ_max判断两个地理位置处的事件是否同步发生，如果l处的事件i和m处的事件j发生在动态延迟τ_lm ^ij内，且事件发生时间间隔小于最大延迟τ_max，那么事件i和事件j视为同步发生。

由于事件发生的时间间隔是变化的，为适应事件发生时间，动态延迟τ_lm ^ij定义为

其中，t_l ⁱ-t_l ^i-1和t_l ⁱ⁺¹-t_l ⁱ分别是位置l处的事件i与前一个事件i-1和后一个事件i+1发生的时间间隔。类似地，t_m ^j-t_m ^j-1和t_m ^j+1-t_m ^j分别是位置m处的事件j与前一个事件j-1和后一个事件j+1发生的时间间隔。τ_lm ^ij是前后事件之间最短时间间隔的1/2，如果位置l处的两个事件发生时间接近位置m处的同一事件，则使用1/2因子避免重复计算。

为排除不合理的长动态延迟，根据实际情况确定最大延迟τ_max。

假设l处的事件i和m处的事件j发生的时间间隔为d_lm ^ij：

如果d_lm ^ij满足：0≤|d_lm ^ij|＜τ_lm ^ij且0≤|d_lm ^ij|＜τ_max，则认为l处的事件i和m处的事件j同步发生。

步骤3：将互不相同的地理位置视为复杂网络中的节点，不同地理位置间有事件同步发生则对应的节点之间存在连边，同步发生的事件的数量作为该连边的权重。如此，将时空序列映射为以事件发生的地理位置为基元的无向加权网络。

计算任意两个地理位置处同步发生事件的数量，定义系数g^lm _ij

计算位置l处的事件i(i＝1,···,N_l)与位置m处的事件j(j＝1,···,N_m)的系数g^lm _ij，得到位置l与位置m的系数矩阵G^lm。矩阵G^lm中的元素g^lm _ij取值有0、0.5和1三种情况，表示位置l和位置m处同步事件的状态。

所有同步事件中，m处事件发生在l处事件之后的同步事件个数ES_lm可由下面公式计算得出：

其中，N_l和N_m分别为位置l和位置m处的事件总数。类似的，可以得到l处事件发生在m处事件之后的同步事件个数ES_ml。

无向加权网络的邻接矩阵A中的元素a_lm可由如下公式得到：

a_lm＝ES_lm+ES_ml (6)

无向加权网络的邻接矩阵A是对称矩阵。A中的元素a_lm＝0表示两节点之间不存在连边，a_lm≠0表示两节点之间存在连边，元素a_lm的数值表示连边的权重。

步骤4：计算无向加权网络的拓扑特征，包括网络边权分布p(w)、网络累积度分布P(k)、网络累积强度分布P(s)和节点集聚系数c_i；

上式中，E_w表示网络中权重为w的边的数量，E表示网络中边的总数；

上式中，n_x表示度为x的节点的数量，n表示网络的节点总数，k表示节点的度；

上式中，q_j表示强度为j的节点的数量，n表示网络的节点总数，s表示节点的强度；

上式中，E_i表示网络中节点i的邻居节点之间实际存在的边的数量，k_i表示节点i的度。

步骤5：识别系统拥塞风险，定义节点的拥塞系数为：

上式中，d_i ^w为节点i的平均强度，即与节点i相连的所有连边的权重之和除以这些边的数量，c_i为节点i的集聚系数；

对网络中的每个节点计算其拥塞系数，用于识别系统发生拥塞的风险。

步骤6：借助MATLAB软件实现网络及拓扑特征和拥塞系数在地理位置上的可视化。

实施例

本案例使用的初始数据为某运营商局部区域的基站记录的具有时空特征的时流量数据。时间跨度从2017年2月21日0:00至2月26日23:00。将地理位置处的初始时间序列进行事件提取，选取最大动态延迟τ_max为6小时。使用事件同步方法建立加权网络，各地理位置处的基站作为网络的节点，有同步事件发生则节点之间存在连边，计算事件同步的数量作为连边的权重。加权网络中存在孤立节点，表明该基站与其他基站之间没有同步事件发生。识别系统拥塞风险主要通过研究加权网络的最大连通子图的拓扑特征来实现。如图2所示是移动通信时流量时空序列基于事件同步法生成的加权网络。如图3所示是图2的加权网络的拓扑特征，网络的边权分布服从幂律分布，网络的累积度分布是线性分布，网络的累积强度分布为指数分布。根据加权网络拓扑特征计算节点的拥塞系数。如图4所示是图2的加权网络中节点拥塞系数在地理上的离散分布。如图5所示是图2的加权网络中节点拥塞系数与平均强度的相关关系，节点拥塞系数与节点平均强度呈正相关关系。如图6所示是基站系统拥塞风险图，整体而言，此地区系统拥塞风险低。

Claims (3)

1.一种基于事件同步和网络建模的识别系统拥塞风险的方法，其特征在于，包括如下步骤：

1)根据过峰值阈值法，将时间序列中大于阈值的值定义为事件，记录事件发生的时间，从不同地理位置处产生的时间序列中提取事件序列，即：从地理位置l处的初始时间序列Y(l)＝{yⁱ _l},(i＝1,···,n_l)中基于过峰值阈值法提取出事件序列：

其中，t_l ⁱ表示地理位置l处第i个事件发生的时间，N_l表示地理位置l处事件发生的总数；

2)根据动态延迟τ_lm ^ij和最大延迟τ_max判断两个地理位置处的事件是否同步发生，如果l处的事件i和m处的事件j发生在动态延迟τ_lm ^ij内，且事件发生时间间隔小于最大延迟τ_max，那么事件i和事件j视为同步发生，假设l处的事件i和m处的事件j发生的时间间隔为d_lm ^ij：

如果d_lm ^ij满足：0≤|d_lm ^ij|＜τ_lm ^ij且0≤|d_lm ^ij|＜τ_max，则认为l处的事件i和m处的事件j同步发生；

3)将互不相同的地理位置视为复杂网络中的节点，不同地理位置间有事件同步发生则对应的节点之间存在连边，同步发生的事件的数量作为该连边的权重，如此，将时空序列映射为以事件发生的地理位置为基元的无向加权网络，无向加权网络的邻接矩阵A是对称矩阵，A中的元素a_lm＝0表示两节点之间不存在连边，a_lm≠0表示两节点之间存在连边，元素a_lm的数值表示连边的权重；

4)计算无向加权网络的拓扑特征，包括网络边权分布p(w)、网络累积度分布P(k)、网络累积强度分布P(s)和节点集聚系数c_i，

上式中，E_w表示网络中权重为w的边的数量，E表示网络中边的总数，

上式中，n_x表示度为x的节点的数量，n表示网络的节点总数，k表示节点的度，

上式中，q_j表示强度为j的节点的数量，n表示网络的节点总数，s表示节点的强度，

上式中，E_i表示网络中节点i的邻居节点之间实际存在的边的数量，k_i表示节点i的度；

5)识别系统拥塞风险，定义节点的拥塞系数为：

上式中，d_i ^w为节点i的平均强度，即与节点i相连的所有连边的权重之和除以这些边的数量，c_i为节点i的集聚系数，

对网络中的每个节点计算其拥塞系数，用于识别系统发生拥塞的风险；

6)借助MATLAB软件实现网络及拓扑特征和拥塞系数在地理位置上的可视化。

2.根据权利要求1所述的基于事件同步和网络建模的识别系统拥塞风险的方法，其特征在于，步骤2)中由于事件发生的时间间隔是变化的，动态延迟τ_lm ^ij定义为

其中，t_l ⁱ-t_l ^i-1和t_l ⁱ⁺¹-t_l ⁱ分别是位置l处的事件i与前一个事件i-1和后一个事件i+1发生的时间间隔，和/>分别是位置m处的事件j与前一个事件j-1和后一个事件j+1发生的时间间隔，τ_lm ^ij是前后事件之间最短时间间隔的1/2，如果位置l处的两个事件发生时间接近位置m处的同一事件，则使用1/2因子避免重复计算，

为排除不合理的长动态延迟，根据实际情况确定最大延迟τ_max。

3.根据权利要求1所述的基于事件同步和网络建模的识别系统拥塞风险的方法，其特征在于，步骤3)中计算任意两个地理位置处同步发生事件的数量，定义系数g^lm _ij

计算位置l处的事件i(i＝1,···,N_l)与位置m处的事件j(j＝1,···,N_m)的系数g^lm _ij，得到位置l与位置m的系数矩阵G^lm，矩阵G^lm中的元素g^lm _ij取值有0、0.5和1三种情况，表示位置l和位置m处同步事件的状态，

所有同步事件中，m处事件发生在l处事件之后的同步事件个数ES_lm由下面公式计算得出：

其中，N_l和N_m分别为位置l和位置m处的事件总数，得到l处事件发生在m处事件之后的同步事件个数ES_ml，

无向加权网络的邻接矩阵A中的元素a_lm由如下公式得到：

a_lm＝ES_lm+ES_ml(11)。