CN113300905B - 一种流量预测自适应调整方法、装置、设备及存储介质 - Google Patents

一种流量预测自适应调整方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113300905B
CN113300905B CN202110414613.XA CN202110414613A CN113300905B CN 113300905 B CN113300905 B CN 113300905B CN 202110414613 A CN202110414613 A CN 202110414613A CN 113300905 B CN113300905 B CN 113300905B
Authority
CN
China
Prior art keywords
prediction
matrix
flow
sensor network
node
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
Application number
CN202110414613.XA
Other languages
English (en)
Other versions
CN113300905A (zh
Inventor
杨睛龙
詹宏强
骆观庆
任后文
唐瑞波
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.)
Guangzhou Jixiang Technology Co Ltd
Original Assignee
Guangzhou Jixiang Technology Co Ltd
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 Guangzhou Jixiang Technology Co Ltd filed Critical Guangzhou Jixiang Technology Co Ltd
Priority to CN202110414613.XA priority Critical patent/CN113300905B/zh
Publication of CN113300905A publication Critical patent/CN113300905A/zh
Application granted granted Critical
Publication of CN113300905B publication Critical patent/CN113300905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例公开了一种流量预测自适应调整方法、装置、设备及存储介质。本申请实施例提供的技术方案根据传感器网络的多假设节点预测矩阵和链路流量矩阵确定流量预测误差，基于流量预测误差确定自适应采样参数，并依据自适应采样参数调整对传感器网络的采样间隔，在保证预测精度的同时有效降低的计算量，同时，通过多假设节点预测矩阵和网络矩阵预测矩阵确定预测残差，并根据预测残差对多假设节点预测矩阵进行重构得到网络重构预测矩阵，从而逐渐缩小预测误差，提高流量预测的精度。

Description

一种流量预测自适应调整方法、装置、设备及存储介质
技术领域
本申请实施例涉及信息技术领域，尤其涉及一种流量预测自适应调整方法、装置、设备及存储介质。
背景技术
在物联网时代，万物互联的传感器数据的传输以及后期数据处理和计算面临巨大的挑战，为了改善网络性能，结合用户实际需求分配相应的网络资源，需要根据当前的网络流量进行预测，以便实现网络性能优化、资源合理分配。低功耗广域网是物联网时代的一种新型网络，为了最大化保证海量传感器节点的服务质量，对低功耗广域网的流量估计显得尤为重要。
然而，物联网时代的低功耗广域网具有海量的传感节点，低功耗广域网节点具有不同程度的异构特征，通过直接监控获取网络流量的方法不现实，而且数据拥塞、数据丢失和信息泄漏问题加剧了直接获取网络流量数据的难度。因此，采用间接测量的方法通过有限的测量信息重构出满足一定需求的流量矩阵已经成为了网络流量信息估计的主流方法。
目前，对网络流量的采样是固定的时间间隔，如果时间间隔选取过小，虽然准确度较高，但是计算代价过高；相反，如果时间间隔选取过大，虽然计算代价较低，但是准确度不能保证。
发明内容
本申请实施例提供一种流量预测自适应调整方法、装置、设备及存储介质，以自适应调节采样间隔，提高流量预测质量。
在第一方面，本申请实施例提供了一种流量预测自适应调整方法，包括：
基于传感器网络在设定时间段内的多假设节点预测矩阵和链路流量矩阵，确定流量预测误差，所述多假设节点预测矩阵基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵确定，所述节点流量测量矩阵基于所述传感器网络中的传感器节点进行流量采样得到，所述链路流量矩阵基于所述传感器网络中的传感器链路进行流量采样得到；
基于所述流量预测误差确定自适应采样参数，并依据所述自适应采样参数确定对所述传感器网络的采样间隔。
进一步的，所述流量预测误差基于以下公式确定：
Figure GDA0003632190740000021
其中，et,i为按照采样间隔t进行流量采样，第i次的流量预测误差，
Figure GDA0003632190740000022
为第i次的链路流量矩阵，
Figure GDA0003632190740000023
为第i次的多假设节点预测矩阵，φ0为全维随机采样矩阵。
进一步的，所述自适应采样参数基于以下公式确定：
C＝k/et,i
其中，C为自适应采样参数，k为设定常数，et,i为按照采样间隔t进行流量采样，第i次的流量预测误差。
进一步的，所述传感器网络的采样间隔基于以下公式确定：
INTt＝C×INTt-1
其中，INTt为t时刻对所述传感器网络的采样间隔，INTt-1为t-1时刻对所述传感器网络的采样间隔，C为自适应采样参数。
进一步的，所述流量预测自适应调整方法还包括：
基于传感器网络在当前时刻的多假设节点预测矩阵确定当前时刻的网络预测矩阵，并基于传感器网络在当前时刻的所述网络预测矩阵和节点流量测量矩阵，确定预测残差；
基于所述预测残差，对传感器网络在当前时刻的多假设节点预测矩阵进行重构，以得到网络重构预测矩阵。
进一步的，所述流量预测自适应调整方法还包括：
基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵，确定传感器网络在当前时刻的多假设节点预测矩阵。
在第二方面，本申请实施例提供了一种流量预测自适应调整装置，包括误差检测模块和自适应调整模块，其中：
所述误差检测模块，用于基于传感器网络在设定时间段内的多假设节点预测矩阵和链路流量矩阵，确定流量预测误差，所述多假设节点预测矩阵基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵确定，所述节点流量测量矩阵基于所述传感器网络中的传感器节点进行流量采样得到，所述链路流量矩阵基于所述传感器网络中的传感器链路进行流量采样得到；
所述自适应调整模块，用于基于所述流量预测误差确定自适应采样参数，并依据所述自适应采样参数确定对所述传感器网络的采样间隔。
进一步的，所述流量预测自适应调整装置还包括残差检测模块和预测重构模块，其中：
所述残差检测模块，用于基于传感器网络在当前时刻的多假设节点预测矩阵确定当前时刻的网络预测矩阵，并基于传感器网络在当前时刻的所述网络预测矩阵和节点流量测量矩阵，确定预测残差；
所述预测重构模块，用于基于所述预测残差，对传感器网络在当前时刻的多假设节点预测矩阵进行重构，以得到网络重构预测矩阵。
在第三方面，本申请实施例提供了一种流量预测自适应调整设备，包括：存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的流量预测自适应调整方法。
在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的流量预测自适应调整方法。
本申请实施例根据传感器网络的多假设节点预测矩阵和链路流量矩阵确定流量预测误差，基于流量预测误差确定自适应采样参数，并依据自适应采样参数调整对传感器网络的采样间隔，在保证预测精度的同时有效降低的计算量，同时，通过多假设节点预测矩阵和网络矩阵预测矩阵确定预测残差，并根据预测残差对多假设节点预测矩阵进行重构得到网络重构预测矩阵，从而逐渐缩小预测误差，提高流量预测的精度。
附图说明
图1是本申请实施例提供的一种流量预测自适应调整方法的流程图；
图2是本申请实施例提供的另一种流量预测自适应调整方法的流程图；
图3是本申请实施例提供的另一种流量预测自适应调整方法的流程图；
图4是本申请实施例提供的一种流量预测自适应调整装置的结构示意图；
图5是本申请实施例提供的另一种流量预测自适应调整装置的结构示意图；
图6是本申请实施例提供的一种流量预测自适应调整设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1给出了本申请实施例提供的一种流量预测自适应调整方法的流程图，本申请实施例提供的流量预测自适应调整方法可以由流量预测自适应调整装置来执行，该流量预测自适应调整装置可以通过硬件和/或软件的方式实现，并集成在流量预测自适应调整设备中。
下述以流量预测自适应调整装置执行流量预测自适应调整方法为例进行描述。参考图1，该流量预测自适应调整方法包括：
S101：基于传感器网络在设定时间段内的多假设节点预测矩阵和链路流量矩阵，确定流量预测误差，所述多假设节点预测矩阵基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵确定，所述节点流量测量矩阵基于所述传感器网络中的传感器节点进行流量采样得到，所述链路流量矩阵基于所述传感器网络中的传感器链路进行流量采样得到。
本实施例提供的节点流量测量矩阵基于所述传感器网络中的传感器节点进行流量采样得到，链路流量矩阵基于所述传感器网络中的传感器链路进行流量采样得到。在一个可能的实施例中，各个传感器节点和传输链路的流量采样可根据历史的物联网节点收发数据的流量记录进行，并以此构建对应时刻或时间段的流量矩阵。
示例性的，根据传感器网络中具有的传感器节点和传输链路进行流量采样，得到传感器网络中传感器节点对应的节点流量测量矩阵和传感器网络中传输链路对应的链路流量矩阵。可以理解的是，在初始状态下，传感器网络基于设定的初始采样间隔进行流量采样，并在后续自适应调整采样间隔后，将以调整后的采样间隔进行流量采样。
其中，节点流量测量矩阵和链路流量矩阵分别由设定时间段内多次流量采集得到的节点测量值和链路测量值构成。可以理解的是，在一个节点流量测量矩阵中，记录有在设定时间段内对每个传感器节点多次进行流量采样对应的节点测量值，在一个链路流量矩阵中，记录有在设定时间段内对每个传输链路多次进行流量采样对应的链路测量值。
示例性的，按照采样间隔，在设定时间段内对各传感器节点和传输链路进行多次流量采样，得到各传感器节点和传输链路的对应的多个节点测量值和链路测量值，并由各个传感器节点对应的多个节点测量值构成设定时间段内的节点流量测量矩阵，由各个传输链路对应的多个链路测量值构成设定时间段内的链路流量矩阵。
进一步的，本实施例提供的多假设节点预测矩阵基于传感器网络在前一时刻(或设定时间段内)的节点流量测量矩阵和在后一时刻(或设定时间段内)的节点流量预测矩阵确定，例如对前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵进行加权平均确定多假设节点预测矩阵，或者是通过回归的方式对前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵进行处理以确定多假设节点预测矩阵。可选的，节点流量预测矩阵可通过基于传感器网络搭建的流量预测模型进行预测得到。
进一步的，基于传感器网络在设定时间段内的多假设节点预测矩阵确定在传感器网络中链路流量预测矩阵，并根据链路流量预测矩阵和链路流量矩阵，确定在设定时间段内对传感器网络预测的流量预测误差。
示例性的，针对传感器的流量预测，是根据当前(无线)传感器网络的链路流量变化来进行的。假设传感器网络具有m个传感节点，有l条链路，则传感器网络可能有m2个OD对，则传感器网络在设定时间段T内的节点流量测量矩阵可表示为：
Figure GDA0003632190740000061
同理，传感器网络在设定时间段T内的链路流量矩阵可表示为：
Figure GDA0003632190740000062
在一个可能的实施例中，所述流量预测误差基于以下公式确定：
Figure GDA0003632190740000063
其中，传感器网络在设定时间段T内(T-1时刻到T时刻)，按照采样间隔t进行采样，et,i为第i次的流量预测误差，
Figure GDA0003632190740000064
为第i次的链路流量矩阵，
Figure GDA0003632190740000065
为第i次的多假设节点预测矩阵，φ0为全维随机采样矩阵，||·||2为二范数计算，n为在设定时间段T内进行流量采样的次数，其中每次采样间隔为t，那么T＝n×t。
对传感器以设定的采样间隔t，并以全维随机采样矩阵φ0进行流量采样，获取在设定时间段T内的多假设节点预测矩阵和链路流量矩阵，确定在当前传感器网络下的全维随机采样矩阵φ0，并结合上述流量预测误差计算公式计算在设定时间段T内的流量预测误差。
S102：基于所述流量预测误差确定自适应采样参数，并依据所述自适应采样参数确定对所述传感器网络的采样间隔。
示例性的，在确定流量预测误差后，基于流量预测误差确定自适应采样参数，并依据自适应采样参数确定对传感器网络的采样间隔。可以理解的是，流量预测误差越大，对传感器网络的采样间隔越小。在流量预测误差较大时，采用较小的采样间隔，以提高对传感器网络流量的流量采样频率，保证预测精度，而在流量预测误差较小时，采用较大的采样间隔，降低对传感器网络流量的流量采样频率，节省服务器的计算量，在保证流量预测精度的情况下降低服务器的开销。
可以理解的是，如果第i次流量预测的预测误差越大，相应的采样间隔越小，因此可把流量预测误差et,i作为自适应采样参数的参考。基于此，在一个可能的实施例中，本实施例提供的自适应采样参数基于以下公式确定：
C＝k/et,i
其中，C为自适应采样参数，k为设定常数，可根据实际的网络情况进行设定，et,i为按照采样间隔t进行流量采样，第i次的流量预测误差。
在确定当前流量预测在设定时间段T内的流量预测误差et,i后，将流量预测误差et,i结合到自适应采样参数计算公式中，得到自适应采样参数。
在一个可能的实施例中，所述传感器网络的采样间隔基于以下公式确定：
INTt＝C×INTt-1
其中，INTt为t时刻对所述传感器网络的采样间隔，INTt-1为t-1时刻对所述传感器网络的采样间隔，C为自适应采样参数。
具体的，在初始状态下，以初始设定的采样间隔对传感器网络进行流量采样。例如，以初始设定的2分钟的采样间隔(即2分钟/次的采样频率)进行流量采样，在一个设定时间段后(例如半小时后)发现流量变化太小了(即流量预测误差et,i变小)，则需要通过采样系数C调整采样间隔来调节，假设这时候的采样系数C确定为1.5，那么我们的INTt＝C×INTt-1＝3分钟。本实施例通过一个带时间标签的INT进行迭代，即下一个时刻的采样间隔随着上一个时刻的流量预测误差进行不断迭代。
上述，利用前一时刻和后一时刻网络流量时间序列的相关性对当前时间序列进行预测，根据时间预测的多假设预测结果得到的误差实现自适应采样间隔，根据传感器网络的多假设节点预测矩阵和链路流量矩阵确定流量预测误差，基于流量预测误差确定自适应采样参数，并依据自适应采样参数调整对传感器网络的采样间隔，在保证预测精度的同时有效降低的计算量。
在上述实施例的基础上，图2给出了本申请实施例提供的另一种流量预测自适应调整方法的流程图，该流量预测自适应调整方法是对上述流量预测自适应调整方法的具体化。参考图2，该流量预测自适应调整方法包括：
S201：基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵，确定传感器网络在当前时刻的多假设节点预测矩阵。
具体的，获取在前一时刻对传感器网络进行流量采样得到的节点流量测量矩阵，进一步确定对传感器网络在后一时刻进行流量预测得到的节点流量预测矩阵，并根据上述前一时刻的节点流量测量矩阵以及后一时刻的节点流量预测矩阵确定传感器网络在当前时刻的多假设节点预测矩阵。
其中节点流量测量矩阵中各个传感器节点的流量值可根据历史的物联网节点收发数据的流量记录确定。
在一个可能的实施例中，本实施例提供的在当前时刻的多假设节点预测矩阵的计算公式为：
Figure GDA0003632190740000081
其中，
Figure GDA0003632190740000082
为当前时刻的多假设节点预测矩阵，xT-1为前一时刻的节点流量测量矩阵，xT+1为后一时刻的节点流量预测矩阵，f()可以是对前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵的加权平均处理、回归处理等。在一个可能的实施例中，可预先设置前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵对应的权重比例，可根据前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵对应的权重比例进行整合得到多假设节点预测矩阵。例如，假设前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵对应的权重比例分别为a和b(其中a+b＝1)，那么在当前时刻的多假设节点预测矩阵
Figure GDA0003632190740000083
本申请实施例通过结合前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵对当前时刻网络流量矩阵(多假设节点预测矩阵)进行预测，相当于增加当前时刻网络流量矩阵的观测率，能够有效提升当前时刻网络流量矩阵的重构质量。
S202：基于传感器网络在设定时间段内的多假设节点预测矩阵和链路流量矩阵，确定流量预测误差。
S203：基于所述流量预测误差确定自适应采样参数，并依据所述自适应采样参数确定对所述传感器网络的采样间隔。
S204：基于传感器网络在当前时刻的多假设节点预测矩阵确定当前时刻的网络预测矩阵，并基于传感器网络在当前时刻的所述网络预测矩阵和节点流量测量矩阵，确定预测残差。
具体的，结合自适应采样间隔，对传感器网络在当前时刻的多假设节点预测矩阵进行多次迭代，得到当前时刻的网络预测矩阵。可选的，当前时刻的网络预测矩阵可以是结合自适应采样间隔，对当前时刻的多假设节点预测矩阵进行加权平均处理得到，或者是进行回归处理得到。
进一步的，确定传感器网络在当前时刻的网络预测矩阵后，根据当前时刻的网络预测矩阵和节点流量测量矩阵，确定预测残差。本实施例将节点流量测量矩阵与网络预测矩阵之间的差作为当前时刻的预测残差。
S205：基于所述预测残差，对传感器网络在当前时刻的多假设节点预测矩阵进行重构，以得到网络重构预测矩阵。
具体的，对于当前时刻的流量预测重构，将上述预测残差与上述传感器网络在当前时刻的多假设节点预测矩阵相加，得到网络重构预测矩阵，从而对多假设节点预测矩阵进行重构，该网络重构预测矩阵即为流量预测重构的重构结果。
可以理解的是，如果对每一个时刻的网络流量预测矩阵进行独立重构的话，会割裂时间序列的时间相关性，不能充分利用一个周期内不同时间序列的相关信息，本实施例通过多假设预测残差重构的方式对当前时刻的多假设节点预测矩阵进行重构，充分利用时间序列(多假设节点预测矩阵)的相关性，利用前一时刻和后一时刻网络流量时间序列的相关性对当前时间序列进行预测，根据时间预测的多假设预测结果更能反应时间序列的真实变化情况。
例如，在超窄带物联网(UNB)网络中，使用历史的物联网节点收发数据的流量记录构造流量矩阵，并基于本申请提供的流量预测自适应调整方法，利用流量预测误差，调整流量采样的采样间隔，降低采样频率，节省计算量。同时，通过多假设节点预测矩阵和预测残差之间的关系，逐渐缩小预测残差，有效提高流量预测的精度。
图3是本申请实施例提供的另一种流量预测自适应调整方法的流程图，如图3所示，在传感器网络的采集端，获取前一时刻T-1和当前时刻T的节点流量测量矩阵以及链路流量矩阵，并基于前一时刻T-1的节点流量测量矩阵和在后一时刻T-1的节点流量预测矩阵确定当前时刻T的多假设节点预测矩阵。
进一步的，根据当前时刻T的链路流量矩阵和多假设节点预测矩阵确定流量预测误差，并根据流量预测误差自适应调整采样间隔，并设定采样间隔，在后续的流量采样中将以设定的采样间隔进行流量采样以获取节点流量测量矩阵和链路流量矩阵。
在传感器网络的重构端，结合采样间隔，对传感器网络在当前时刻T的多假设节点预测矩阵进行多次迭代，得到当前时刻T的网络预测矩阵，并根据当前时刻T的节点流量测量矩阵与网络预测矩阵之间的差，确定预测残差。最后将上述预测残差与上述传感器网络在当前时刻T的多假设节点预测矩阵相加，得到网络重构预测矩阵，从而对当前时刻T的多假设节点预测矩阵进行重构。
上述，根据传感器网络的多假设节点预测矩阵和链路流量矩阵确定流量预测误差，基于流量预测误差确定自适应采样参数，并依据自适应采样参数调整对传感器网络的采样间隔，在保证预测精度的同时有效降低的计算量，与传统的自适应采样间隔算法相比，在保证精度的情况下降低了服务器的开销，同时，通过多假设节点预测矩阵和网络矩阵预测矩阵确定预测残差，并根据预测残差对多假设节点预测矩阵进行重构得到网络重构预测矩阵，从而逐渐缩小预测误差，提高流量预测的精度，采用自适应间隔多假设预测残差重构的方式，对预测后更稀疏的残差信号进行重构，实现传感器流量矩阵的重构。本方案采用预测-残差重构的分布式压缩感知框架来实现传感器网络流量的重构，服务器能够通过流量预测误差自适应进行采样间隔控制，相比传统固定采样间隔对流量进行预测的算法，本申请提供的流量预测自适应调整方法能够根据流量预测误自适应调整采样间隔，在保证精度的同时，降低了计算复杂度，降低了服务器的开销。
图4给出了本申请实施例提供的一种流量预测自适应调整装置的结构示意图。参考图4，该流量预测自适应调整装置包括误差检测模块41和自适应调整模块42。
其中，所述误差检测模块41，用于基于传感器网络在设定时间段内的多假设节点预测矩阵和链路流量矩阵，确定流量预测误差，所述多假设节点预测矩阵基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵确定，所述节点流量测量矩阵基于所述传感器网络中的传感器节点进行流量采样得到，所述链路流量矩阵基于所述传感器网络中的传感器链路进行流量采样得到；所述自适应调整模块42，用于基于所述流量预测误差确定自适应采样参数，并依据所述自适应采样参数确定对所述传感器网络的采样间隔。
上述，利用前一时刻和后一时刻网络流量时间序列的相关性对当前时间序列进行预测，根据时间预测的多假设预测结果得到的误差实现自适应采样间隔，根据传感器网络的多假设节点预测矩阵和链路流量矩阵确定流量预测误差，基于流量预测误差确定自适应采样参数，并依据自适应采样参数调整对传感器网络的采样间隔，在保证预测精度的同时有效降低的计算量。
在一个可能的实施例中，所述流量预测误差基于以下公式确定：
Figure GDA0003632190740000111
其中，et,i为按照采样间隔t进行流量采样，第i次的流量预测误差，
Figure GDA0003632190740000112
为第i次的链路流量矩阵，
Figure GDA0003632190740000113
为第i次的多假设节点预测矩阵，φ0为全维随机采样矩阵。
在一个可能的实施例中，所述自适应采样参数基于以下公式确定：
C＝k/et,i
其中，C为自适应采样参数，k为设定常数，et,i为按照采样间隔t进行流量采样，第i次的流量预测误差。
在一个可能的实施例中，所述传感器网络的采样间隔基于以下公式确定：
INTt＝C×INTt-1
其中，INTt为t时刻对所述传感器网络的采样间隔，INTt-1为t-1时刻对所述传感器网络的采样间隔，C为自适应采样参数。
在上述实施例的基础上，图5给出了本申请实施例提供的另一种流量预测自适应调整装置的结构示意图，该流量预测自适应调整装置是对上述流量预测自适应调整装置的具体化。参考图5，该流量预测自适应调整装置包括误差检测模块41、自适应调整模块42、残差检测模块43和预测重构模块44。
其中，所述误差检测模块41，用于基于传感器网络在设定时间段内的多假设节点预测矩阵和链路流量矩阵，确定流量预测误差，所述多假设节点预测矩阵基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵确定，所述节点流量测量矩阵基于所述传感器网络中的传感器节点进行流量采样得到，所述链路流量矩阵基于所述传感器网络中的传感器链路进行流量采样得到；所述自适应调整模块42，用于基于所述流量预测误差确定自适应采样参数，并依据所述自适应采样参数确定对所述传感器网络的采样间隔；所述残差检测模块43，用于基于传感器网络在当前时刻的多假设节点预测矩阵确定当前时刻的网络预测矩阵，并基于传感器网络在当前时刻的所述网络预测矩阵和节点流量测量矩阵，确定预测残差；所述预测重构模块44，用于基于所述预测残差，对传感器网络在当前时刻的多假设节点预测矩阵进行重构，以得到网络重构预测矩阵。
上述，根据传感器网络的多假设节点预测矩阵和链路流量矩阵确定流量预测误差，基于流量预测误差确定自适应采样参数，并依据自适应采样参数调整对传感器网络的采样间隔，在保证预测精度的同时有效降低的计算量，与传统的自适应采样间隔算法相比，在保证精度的情况下降低了服务器的开销，同时，通过多假设节点预测矩阵和网络矩阵预测矩阵确定预测残差，并根据预测残差对多假设节点预测矩阵进行重构得到网络重构预测矩阵，从而逐渐缩小预测误差，提高流量预测的精度，采用自适应间隔多假设预测残差重构的方式，对预测后更稀疏的残差信号进行重构，实现传感器流量矩阵的重构。
在一个可能的实施例中，所述装置还包括多假设预测模块，用于基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵，确定传感器网络在当前时刻的多假设节点预测矩阵。
本申请实施例还提供了一种流量预测自适应调整设备，该流量预测自适应调整设备可集成本申请实施例提供的流量预测自适应调整装置。图6是本申请实施例提供的一种流量预测自适应调整设备的结构示意图。参考图6，该流量预测自适应调整设备包括：输入装置63、输出装置64、存储器62以及一个或多个处理器61；所述存储器62，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器61执行，使得所述一个或多个处理器61实现如上述实施例提供的流量预测自适应调整方法。其中输入装置63、输出装置64、存储器62和处理器61可以通过总线或者其他方式连接，图6中以通过总线连接为例。
存储器62作为一种计算设备可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的流量预测自适应调整方法对应的程序指令/模块(例如，流量预测自适应调整装置中的误差检测模块41、自适应调整模块42、残差检测模块43和预测重构模块44)。存储器62可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器62可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器62可进一步包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置63可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置64可包括显示屏等显示设备。
处理器61通过运行存储在存储器62中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的流量预测自适应调整方法。
上述提供的流量预测自适应调整装置、设备和计算机可用于执行上述任意实施例提供的流量预测自适应调整方法，具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的流量预测自适应调整方法，该流量预测自适应调整方法包括：基于传感器网络在设定时间段内的多假设节点预测矩阵和链路流量矩阵，确定流量预测误差，所述多假设节点预测矩阵基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵确定，所述节点流量测量矩阵基于所述传感器网络中的传感器节点进行流量采样得到，所述链路流量矩阵基于所述传感器网络中的传感器链路进行流量采样得到；基于所述流量预测误差确定自适应采样参数，并依据所述自适应采样参数确定对所述传感器网络的采样间隔。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的流量预测自适应调整方法，还可以执行本申请任意实施例所提供的流量预测自适应调整方法中的相关操作。
上述实施例中提供的流量预测自适应调整装置、设备及存储介质可执行本申请任意实施例所提供的流量预测自适应调整方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的流量预测自适应调整方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。

Claims (10)

1.一种流量预测自适应调整方法，其特征在于，包括：
基于传感器网络在设定时间段内的多假设节点预测矩阵和链路流量矩阵，确定流量预测误差，所述多假设节点预测矩阵基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵确定，所述节点流量测量矩阵基于所述传感器网络中的传感器节点进行流量采样得到，所述链路流量矩阵基于所述传感器网络中的传感器链路进行流量采样得到；
基于所述流量预测误差确定自适应采样参数，并依据所述自适应采样参数确定对所述传感器网络的采样间隔。
2.根据权利要求1所述的流量预测自适应调整方法，其特征在于，所述流量预测误差基于以下公式确定：
Figure FDA0003632190730000011
其中，et,i为按照采样间隔t进行流量采样，第i次的流量预测误差，
Figure FDA0003632190730000012
为第i次的链路流量矩阵，
Figure FDA0003632190730000013
为第i次的多假设节点预测矩阵，φ0为全维随机采样矩阵，n为在设定时间段T内进行流量采样的次数。
3.根据权利要求1所述的流量预测自适应调整方法，其特征在于，所述自适应采样参数基于以下公式确定：
C＝k/et,i
其中，C为自适应采样参数，k为设定常数，et,i为按照采样间隔t进行流量采样，第i次的流量预测误差。
4.根据权利要求1所述的流量预测自适应调整方法，其特征在于，所述传感器网络的采样间隔基于以下公式确定：
INTt＝C×INTt-1
其中，INTt为t时刻对所述传感器网络的采样间隔，INTt-1为t-1时刻对所述传感器网络的采样间隔，C为自适应采样参数。
5.根据权利要求1-4任一项所述的流量预测自适应调整方法，其特征在于，所述流量预测自适应调整方法还包括：
基于传感器网络在当前时刻的多假设节点预测矩阵确定当前时刻的网络预测矩阵，并基于传感器网络在当前时刻的所述网络预测矩阵和节点流量测量矩阵，确定预测残差；
基于所述预测残差，对传感器网络在当前时刻的多假设节点预测矩阵进行重构，以得到网络重构预测矩阵。
6.根据权利要求1所述的流量预测自适应调整方法，其特征在于，所述流量预测自适应调整方法还包括：
基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵，确定传感器网络在当前时刻的多假设节点预测矩阵。
7.一种流量预测自适应调整装置，其特征在于，包括误差检测模块和自适应调整模块，其中：
所述误差检测模块，用于基于传感器网络在设定时间段内的多假设节点预测矩阵和链路流量矩阵，确定流量预测误差，所述多假设节点预测矩阵基于传感器网络在前一时刻的节点流量测量矩阵和在后一时刻的节点流量预测矩阵确定，所述节点流量测量矩阵基于所述传感器网络中的传感器节点进行流量采样得到，所述链路流量矩阵基于所述传感器网络中的传感器链路进行流量采样得到；
所述自适应调整模块，用于基于所述流量预测误差确定自适应采样参数，并依据所述自适应采样参数确定对所述传感器网络的采样间隔。
8.根据权利要求7所述的流量预测自适应调整装置，其特征在于，所述流量预测自适应调整装置还包括残差检测模块和预测重构模块，其中：
所述残差检测模块，用于基于传感器网络在当前时刻的多假设节点预测矩阵确定当前时刻的网络预测矩阵，并基于传感器网络在当前时刻的所述网络预测矩阵和节点流量测量矩阵，确定预测残差；
所述预测重构模块，用于基于所述预测残差，对传感器网络在当前时刻的多假设节点预测矩阵进行重构，以得到网络重构预测矩阵。
9.一种流量预测自适应调整设备，其特征在于，包括：存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6任一项所述的流量预测自适应调整方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6任一项所述的流量预测自适应调整方法。
CN202110414613.XA 2021-04-16 2021-04-16 一种流量预测自适应调整方法、装置、设备及存储介质 Active CN113300905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110414613.XA CN113300905B (zh) 2021-04-16 2021-04-16 一种流量预测自适应调整方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110414613.XA CN113300905B (zh) 2021-04-16 2021-04-16 一种流量预测自适应调整方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113300905A CN113300905A (zh) 2021-08-24
CN113300905B true CN113300905B (zh) 2022-08-23

Family

ID=77318794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110414613.XA Active CN113300905B (zh) 2021-04-16 2021-04-16 一种流量预测自适应调整方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113300905B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1477554A (zh) * 2003-07-25 2004-02-25 中国科学院计算技术研究所 一种自适应网络数据采集方法
CN102325090B (zh) * 2011-09-21 2014-04-09 电子科技大学 一种网络流量估计方法
CN105491615A (zh) * 2015-11-19 2016-04-13 杨明霞 基于时间序列的传感器自适应采样方法
US9892549B2 (en) * 2016-06-15 2018-02-13 Pixar Adaptive rendering with linear predictions
CN109873790A (zh) * 2017-12-04 2019-06-11 中国电信股份有限公司 网络安全检测方法、装置以及计算机可读存储介质
CN112543339B (zh) * 2020-12-09 2022-08-02 广州杰赛科技股份有限公司 一种基于残差重构的视频仿真方法及装置

Also Published As

Publication number Publication date
CN113300905A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
Kao et al. Hermes: Latency optimal task assignment for resource-constrained mobile computing
FR3012895A1 (fr) Procede et programme d'ordinateur pour l'execution deportee de taches informatiques d'un equipement sans fil
US9928215B1 (en) Iterative simple linear regression coefficient calculation for streamed data using components
Li et al. Particle filtering with applications in networked systems: a survey
CN103713935A (zh) 一种在线管理Hadoop集群资源的方法和装置
CN114389975B (zh) 网络带宽预估方法、装置、系统、电子设备及存储介质
Clemente et al. Fog computing middleware for distributed cooperative data analytics
US9760539B1 (en) Incremental simple linear regression coefficient calculation for big data or streamed data using components
CN116562399A (zh) 端边云协同的模型训练方法及装置
CN109065176B (zh) 一种血糖预测方法、装置、终端和存储介质
JP7216757B2 (ja) 情報を取得するための方法及び装置
CN113300905B (zh) 一种流量预测自适应调整方法、装置、设备及存储介质
CN117370033A (zh) 云边协同资源优化方法、装置、电子设备和存储介质
CN115996403B (zh) 5g工业时延敏感业务资源调度方法、装置、电子设备
US9985895B1 (en) Decremental autocorrelation calculation for streamed data using components
US10394809B1 (en) Incremental variance and/or standard deviation calculation for big data or streamed data using components
Ngo et al. Multi-Agent DRL-Based RIS-Assisted Spectrum Sensing in Cognitive Satellite-Terrestrial Networks
CN112856478A (zh) 燃气锅炉的空燃比调节方法、装置、设备和介质
CN114764539A (zh) 燃气轮机的排烟含氧量确定方法、装置、设备和介质
CN112532346A (zh) 一种基于用户时间需求的链路自适应方法及装置
US10178034B1 (en) Iterative autocorrelation function calculation for streamed data using components
US10079910B1 (en) Iterative covariance calculation for streamed data using components
Piatkowski et al. Generative machine learning for resource-aware 5g and iot systems
CN105471529B (zh) 频谱信号感知方法及装置
WO2024131395A1 (zh) 服务性能测量方法、装置、设备、存储介质及程序产品

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