CN113365299A - 空天地一体网络下基于自回归的多维资源预测方法及系统 - Google Patents

Abstract

本发明公开了空天地一体网络下基于自回归的多维资源预测方法及系统。在该方法中，为了提升对缓存资源和带宽资源“拥塞”时的预测准确性，设计了基于误差容忍的优化函数，该函数通过引入资源值权重系数，以对资源值较大时误差的“宽容”换取对资源值较小时预测的准确性提升。经仿真实验验证，改进后的自回归模型对关键资源“拥塞”时的预测误差大幅降低。

Description

空天地一体网络下基于自回归的多维资源预测方法及系统

技术领域

本发明属于网络流量路由技术领域，特别涉及空天地一体网络下基于自回归的多维资源预测方法及系统。

背景技术

空天地一体化网络的网络异构性、拓扑动态性和资源的多样性给路由算法设计提出了很大的挑战。根据应对一体化网络拓扑动态性的方式，可以将路由算法划分为基于时间虚拟化的路由算法和基于空间虚拟化的路由算法。基于时间离散虚拟化的路由算法，利用卫星运动的周期可预测性，将卫星网络的运行时间划分为N个时隙，然后针对这N个时隙的静态网络拓扑进行路由规划。基于空间虚拟化的路由算法，其假设卫星绕地球形成的拓扑是由众多位置固定的虚拟节点构成，任何时刻，拓扑中的一个虚拟节点可以对应现实中的一颗卫星。由此，该类路由策略将动态拓扑的路由问题转发为一个虚拟逻辑拓扑的路由问题。

但这产生了一个新的问题，基于虚拟化拓扑的提前路由策略与一体化网络滞后感知间的矛盾。目前对一体化网络中动态拓扑的处理方式主要是利用卫星星历数据对网络拓扑基于时间或者基于空间进行提前预测。为了在网络路由过程中对多维资源进行合理调度，在拓扑预测的基础上，还需结合全网资源感知数据，才能做出全局最优路由规划。然而一体化网络对节点和链路的资源、链路感知是实时且有时延的，无法满足路由规划的需要。与此同时，常见的资源预测模型——自回归模型对于预测误差是“一视同仁”的，而网络资源在不同情况下的误差对于网络路由效果的影响却是不同的。比如，当网络链路分别处于高负载和处于闲置状态时，前者可用带宽的误差可能导致网络拥塞，而后者只是降低一些网络性能，显然前者的误差更加不可接受。因此，应该基于误差容忍对自回归预测算法进行改进。

发明内容

本发明的目的在于提供空天地一体网络下基于自回归的多维资源预测方法及系统，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

空天地一体网络下基于自回归的多维资源预测方法，包括以下步骤：

通过控制器获得资源连续m个周期的统计数据，作为原始序列数据，对原始序列数据作白噪声检验，若判定序列为白噪声，建模结束，否则对序列作平稳性检验；

检验判定为非平稳序列，则进行序列的平稳化处理，进行建模；

对模型进行识别，通过优化目标函数估计其最优参数；

检验模型的适用性，若检验通过，则得到拟合模型并对序列做预测；否则重复估计模型的最优参数。

进一步的，通过控制器获得某资源连续m个周期的统计数据：时间序列T_1、T_2、T_3至T_m序列数据，在m个时间序列中，以距离周期起始时刻相同的时间间隔采集共m个数据，将得到的数据按照所处周期的排序进行排列得到周期序列，对时间序列的n个时刻的数据截取后重排得到n个周期序列。

进一步的，对得到的周期序列计算偏自相关系数，根据偏自相关系数的截尾性，即PACF(k)在k>p时变为0，判断该序列对应的自回归模型阶数为p。

进一步的，资源对应的自回归模型为：

c_t＝α₁c_t-1+α₂c_t-2+…+α_pc_t-p+ε_t

其中，等式左侧中c_t为待预测的资源值，右侧中c_i为周期序列中第i个观测值，α_i为该项对应系数，ε_t为干扰噪声。

进一步的，最优参数估计具体为：

对于某资源c而言，对c_j的误差方差引入权重因子：

当缓存越小，权重因子θ越大，代入自回归误差函数中：

是一个常数，c_j>0，上式等价于：

记：

代入上式中：

F(α)＝(A-Bα)^T(A-Bα)＝A^TA-2A^TBα+α^TB^TBα

求导并求零点得：

即资源自回归模型对应的最优参数估计。

进一步的，进行模型的检验分为两部分：有效性检验和显著性检验；有效性检验是检验拟合模型对序列信息的提取是否充分，显著性检验是检验模型中各参数是否显著为0，以判断是否可以进一步精简模型。

进一步的，验证后的算法模型对未来一段时间各项资源的值进行预测：上述的算法为ARM算法。

进一步的，空天地一体网络下基于自回归的多维资源预测系统，包括

原始序列数据获得模块用于通过控制器获得资源连续m个周期的统计数据，作为原始序列数据，对原始序列数据作白噪声检验，若判定序列为白噪声，建模结束，否则对序列作平稳性检验；

平稳性检验模块用于检验判定为非平稳序列，则进行序列的平稳化处理，进行建模；

最优参数估计模块用于对模型进行识别，通过优化目标函数估计其最优参数；

模型的适用性检验模块用于检验模型的适用性，若检验通过，则得到拟合模型并对序列做预测；否则重复估计模型的最优参数。

与现有技术相比，本发明有以下技术效果：

本发明由于优化目标函数添加了与预测资源值大小相关的权重系数，当预测资源值变大时，权重变小；反之，值变小，权重变大。所以当网络“拥塞”，相应资源变小时，由于有权重的放大效应，算法对其预测的误差会尽可能的变小；同理，当资源相对富余时，算法的误差会变大。这将达到以对“资源充裕”时的预测误差的“宽容”换取对拥塞时资源的预测准确性提高的效果。

本发明有效降低了预测算法对网络高负载情况下的多维资源的预测误差。

附图说明

图1周期序列化过程。描述了将采集到的时间序列数据转化周期序列的过程。

图2算法流程图。

具体实施方式

以下结合附图对本发明进一步说明：

请参阅图1至图2，通过控制器获得某资源连续m个周期的统计数据，分别对应图1中左侧时间序列的T₁、T₂、T₃至T_m序列数据。

在m个时间序列中，以距离周期起始时刻相同的时间间隔采集共m个数据。

将上一步中得到的数据按照所处周期的排序进行排列即得到图1中右侧中的一个周期序列。

对时间序列的n个时刻的数据截取后重排即可得到图中的n个周期序列。

对得到的周期序列计算偏自相关系数(Partial Autocorrelation Function,PACF)。根据PACF的截尾性，即PACF(k)在k>p时变为0，判断该序列对应的自回归模型阶数为p。

此时，该资源对应的自回归模型为：

c_t＝α₁c_t-1+α₂c_t-2+…+α_pc_t-p+ε_t

其中，等式左侧中c_t为待预测的资源值，右侧中c_i为周期序列中第i个观测值，α_i为该项对应系数，ε_t为干扰噪声。

自回归原误差函数为：

引入权重因子

后，误差函数调整为：

记：

则此时，该资源自回归模型对应的最优参数估计为：

在模型拟合后需要进行模型的检验，主要分为两部分：有效性检验和显著性检验。前者是为了检验拟合模型对序列信息的提取是否充分，后者是检验模型中各参数是否显著为0，以判断是否可以进一步精简模型。由于这两部分皆为数据处理的标准流程，此处不再赘述。

以上一步验证后的算法模型对未来一段时间各项资源的值进行预测。

为了便于对比，上述的算法记为ARM(Auto-Regressive weighted)算法。实验选择的对比算法共有以下几种：

原AR算法，对三种资源的优化均基于误差均方(白噪声能量)。

RNN(Recurrent Neural Network)算法，即循环神经网络。

ARIMA(Auto-Regressive Integrated Moving Average)算法，即融合滑动平均自回归模型。

各算法模型对三种资源的预测误差情况如下图所示，从整体上来看，循环神经网络模型RNN对三种资源的预测效果最好，尤其对于节点的能量资源的预测，本发明所提出的ARW算法预测效果相对原AR算法和ARIMA算法误差要稍高一些，因对于能量资源的误差优化方式与AR算法一致，所以图中对应误差情况相同。

由于ARW算法的优化目标是希望节点的可用缓存资源和链路可用带宽资源在濒临“耗尽”时的预测值尽可能准确，为此可以对资源“充裕”时的误差更加宽容。基于这样的目标，我们应该结合各模型对“拥塞”时的缓存资源和带宽资源的预测情况来判断算法的效果。

各算法对缓存资源和可用带宽预测的误差情况随实际值大小变化的趋势情况如下面两图所示。两图中，ARW算法对缓存和带宽的预测误差均随实际值减小而减少，呈线性负相关，这说明ARW算法中误差的权重因子发挥出了应有的作用。同时我们可以看到当节点可用缓存在25％以下时和链路的可用带宽在23.5％以下时ARW算法的预测效果最好。可以说，对ARW算法的改进效果符合设计目的。

Claims (8)

1.空天地一体网络下基于自回归的多维资源预测方法，其特征在于，包括以下步骤：

获得资源连续m个周期的统计数据，作为原始序列数据，对原始序列数据作白噪声检验，若判定序列为白噪声，建模结束，否则对序列作平稳性检验；

检验判定为非平稳序列，则进行序列的平稳化处理，进行建模；平稳化处理为通过差分方法消除序列里均值特征的变化特性；

对模型进行识别，通过优化目标函数估计其最优参数；

检验模型的适用性，若检验通过，则得到拟合模型并对序列做预测；否则重复估计模型的最优参数。

2.根据权利要求1所述的空天地一体网络下基于自回归的多维资源预测方法，其特征在于，通过控制器获得某资源连续m个周期的统计数据：时间序列T_1、T_2、T_3至T_m序列数据，在m个时间序列中，以距离周期起始时刻相同的时间间隔采集共m个数据，将得到的数据按照所处周期的排序进行排列得到周期序列，对时间序列的n个时刻的数据截取后重排得到n个周期序列。

3.根据权利要求1所述的空天地一体网络下基于自回归的多维资源预测方法，其特征在于，对模型进行识别具体为：对得到的周期序列计算偏自相关系数，根据偏自相关系数的截尾性，即PACF(k)在k>p时变为0，判断该序列对应的自回归模型阶数为p。

4.根据权利要求3所述的空天地一体网络下基于自回归的多维资源预测方法，其特征在于，资源对应的自回归模型为：

c_t＝α₁c_t-1+α₂c_t-2+…+α_pc_t-p+ε_t

其中，等式左侧中c_t为待预测的资源值，右侧中c_i为周期序列中第i个观测值，α_i为该项对应系数，ε_t为干扰噪声。

5.根据权利要求1所述的空天地一体网络下基于自回归的多维资源预测方法，其特征在于，最优参数估计具体为：

对于某资源c而言，对c_j的误差方差引入权重因子：

当缓存越小，权重因子θ越大，代入自回归误差函数中：

是一个常数，c_j>0，上式等价于：

记：

代入上式中：

F(α)＝(A-Bα)^T(A-Bα)＝A^TA-2A^TBα+α^TB^TBα

求导并求零点得：

即资源自回归模型对应的最优参数估计。

6.根据权利要求1所述的空天地一体网络下基于自回归的多维资源预测方法，其特征在于，进行模型的检验分为两部分：有效性检验和显著性检验；有效性检验是检验拟合模型对序列信息的提取是否充分，显著性检验是检验模型中各参数是否显著为0，以判断是否可以进一步精简模型。

7.根据权利要求6所述的空天地一体网络下基于自回归的多维资源预测方法，其特征在于，验证后的算法模型对未来一段时间各项资源的值进行预测：上述的算法为带权重的自回归算法ARM算法。

8.空天地一体网络下基于自回归的多维资源预测系统，其特征在于，包括

原始序列数据获得模块用于通过控制器获得资源连续m个周期的统计数据，作为原始序列数据，对原始序列数据作白噪声检验，若判定序列为白噪声，建模结束，否则对序列作平稳性检验；

平稳性检验模块用于检验判定为非平稳序列，则进行序列的平稳化处理，进行建模；

最优参数估计模块用于对模型进行识别，通过优化目标函数估计其最优参数；

模型的适用性检验模块用于检验模型的适用性，若检验通过，则得到拟合模型并对序列做预测；否则重复估计模型的最优参数。

Images