[发明专利]一种OTN网络中业务流智能估计方法

权利要求书

1.一种OTN网络中业务流智能估计方法，其特征在于：包括以下步骤，

步骤1：获取OD流量协方差矩阵C，并构建OD流迭代估计等式，基于考虑OD流的时空相关性特征，通过协方差矩阵C构建优化模型，利用该优化模型和迭代估计等式智能地获得OD流的初步估计值；

协方差矩阵C，通过如下等式获得：

其中，C表示OD流的协方差矩阵；

OD流量的初步估计值，采用如下具体步骤：

步骤11：利用OD流测量样本，通过上面OD流的协方差矩阵C等式计算获得协方差矩阵C；

步骤12：通过网络层析成像等式y(t)＝Ax(t)，其中y(t)表示t时刻的链路负载，A表示路由矩阵，x(t)表示网络t时刻的OD流量矩阵，但一般地由于网络链路数目远远小于OD流的数目，故等式网络层析成像等式y(t)＝Ax(t)表示x(t)未知的欠定方程，故有无穷多个解满足等式y(t)＝Ax(t)，建立如下最优化模型：

min||(y(t)-Ax^k+1(t))||²+λ||C×Δx^k+1||²

步骤13：构建OD流迭代等式如上：

x^k+1(t)＝x^k(t)+Δx^k+1

其中，Δx^k+1为满足等式min||(y(t)-Ax^k+1(t))||²+λ||C×Δx^k+1||²的OD流估计值的偏差，即Δx^k+1＝x^k+1(t)-x^k(t)；

步骤14：让k＝0，则得到x¹(t)＝x⁰(t)+Δx¹

让当前测量值为x⁰(t)，从而获得网络OD流量的初步估计值；

步骤2：基于OD流量矩阵网络层析成像约束条件，利用此约束条件限定OD流估计值的范围，从而有助于获得精确的OD流估计值，将步骤1所获得的OD流初步估计值作为模拟退火算法SA迭代过程的初始值，利用OD流矩阵估计偏差，通过模拟退火过程，利用从高温到低温的迭代寻优来智能地获得全局最优的OD流估计结果；

该步骤中OD流估计值采用如下步骤，

步骤21：设误差为ε，比例因子α，初始温度T₀，最低温度T_min，最大迭代步数K和最大不变的时间M，并初始化温度变量T＝T₀，迭代变量K＝0，代价函数值不发生变化的累积次数的变量m＝0，并给出初始流量矩阵值x_0，

由方程f(x(t))＝||y(t)-Ax(t)||

其中，x(t)表示流量矩阵，y(t)表示链路负载，A表示路由矩阵,计算代价函数值f(x-0)，并设x_opt＝x_cur＝x_0，f_min＝f_cur＝f(x_0)；

步骤22：令x^k(t)＝x_cur,并且产生从0到1的任意值；通过求解方程

得到OD流新的估计值x_g，并通过方程f(x(t))＝||y(t)-Ax(t)||，计算得到代价函数值为f(x_g)；

步骤23：令x^k+1(t)＝x_g，通过方程Δf^k+1＝f(x^k+1(t))-f(x^k(t))，计算代价函数价值函数值的偏差为查分Δf^k+1，如果Δf^k+1＝0，则令m＝m+1；

步骤24：通过生成随机数p_rand，然后利用p_rand与Δf^k+1的值来判决是否接收OD流新的估计值x_g；具体判决确定方法为：如果Δf^k+1≤0，或则接受新的OD流估计值，反之放弃新的OD流估计值；系数p_rand，取值范围为0-1内的任一随机数；

步骤25：如果接受新的估计值x_g，则让x_cur＝x_g和f_cur＝f(x_g)；

步骤26：如果f_cur＜f_min，则让x_opt＝x_cur和f_min＝f_cur；

步骤27：如果k＜K且m＜M，则令k＝k+1，然后返回步骤22；

步骤28：降低当前温度，使T＝αT，如果T≥T_min，则令k＝0,m＝0,x_cur＝x_opt f_cur＝f_min，然后返回步骤22；

步骤29：使x_sa＝x_opt，使用迭代比例拟合过程调整x_sa，达到估计

步骤3：基于步骤2获得的OD流估计结果，利用OD流量矩阵网络层析成像约束条件，通过迭代比例拟合过程IPFP来获得OD流的更精确估计结果；如果输出结果OD流估计值此值即为OD流的更精确估计结果，否则直接测量OD流量并返回到步骤21。