[发明专利]基于隐马尔科夫的Internet网络时延预测方法

说明书

技术领域

本发明属于网络时延预测技术领域，尤其涉及一种基于隐马尔科夫的Internet网络时延预测方法。

背景技术

基于Internet网络的应用中，有些应用对Internet的网络时延并不敏感，但有很多应用对Internet的网络时延要求较高。对时延要求较高的应用，一般有两种预测时延的方法：一种是根据时延数据之间的关系，进行拟合，预测未来的时延；另一种通过构建Internet的网络模型，实现对时延的预测。后一种方法相对于前一种方法有着更好的预测效果，这是因为后者不但能够包含时延数据之间的规律，而且能够更好的反映出当前的网络状况以及未来时刻网络的状况和时延情况。

本文提出基于隐马尔科夫的Internet网络时延预测方法，即采用隐马尔科夫(HMM，Hidden Markov Model)的方法构建Internet网络模型，预测Internet网络时延。该方法通过预测未来时刻的可观测状态值，准确表示时延数据集的规律以及Internet网络的特性；同时，该方法对于未来的可观测状态的预测有较高的准确性，能够更好地对Internet时延敏感的应用作出决策。

发明内容

本发明的目的在于，提供一种基于隐马尔科夫的Internet网络时延预测方法，用于解决现有技术在预测Internet网络时延时存在的不足。

为了实现上述目的，本发明提出的技术方案是，一种基于隐马尔科夫的Internet网络时延预测方法，其特征是所述方法包括：

步骤1：根据历史时延数据集和设定的时延预测精度，获得可观测状态和可观测状态序列；

步骤2：设定参数K的值，采用K-Means聚类方法对历史时延数据集进行聚类，计算不同k值下历史时延数据集的误差，根据不同k值下历史时延数据集的误差确定初始值k_start；

步骤3：估计不同k值下的隐马尔科夫参数，并根据不同k值下的隐马尔科夫参数计算不同k值下的隐马尔科夫贝叶斯信息准则值，选择最小的隐马尔科夫贝叶斯信息准则值对应的k值作为最佳隐状态个数k_best；其中，k_start≤k≤K；

步骤4：根据可观测状态和最佳隐状态个数k_best，预测未来时延。

所述步骤1包括如下子步骤：

子步骤101：确定历史时延数据集中的最大时延t_max和最小时延t_min；

子步骤102：根据公式计算可观测状态的数量；其中，N为可观测状态的数量，I为设定的时延预测精度，[·]为取整运算；

子步骤103：建立N个时延区间I_j=((j-1)I,jI]，其中j为时延区间的序号，j=1,2,...,N；

子步骤104：将历史时延数据集中的每一个时延映射为一个整数；映射规则为，如果t_i∈I_j，则将t_i映射为时延区间I_j的序号j；其中，i=1,2,...,n，n为历史时延数据集中的时延个数；

子步骤105：将每一个时延区间的序号作为一个可观测状态，则由历史时延数据集中的每一个时延映射为一个时延区间的序号后得到的所有时延区间的序号组成的序列为可观测状态序列。

所述步骤2包括如下子步骤：

子步骤201：根据公式计算不同k值下历史时延数据集的误差；

其中，e_k是k值下历史时延数据集的误差；

t_i是历史时延数据集中的第i个时延；

c_k是采用K-Means聚类方法对历史时延数据集进行聚类后得到的聚类C_k的聚类中心，k=2,3,...,K；

n为历史时延数据集中的时延个数；

子步骤202：选择满足|e_k-e_k+1|/e_k<θ的第一个k值作为初始值并记为k_start，θ为设定值。

所述估计不同k值下的隐马尔科夫参数采用Baum-Welch算法，包括估计不同k值下的所有隐状态之间的转移概率矩阵A_k×k、任意隐状态到可观测状态之间的概率矩阵B_k×N和初始隐状态概率向量π_1×k；