[发明专利]一种OTN网络中业务流智能估计方法

说明书

本发明属于OTN网络领域，具体为一种OTN网络中业务流智能估计方法。包含，步骤1：考虑时空相关OD流量，通过协方差矩阵C构建优化模型等分析，智能获得OD流的初步估计值；步骤2：将获得的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流估计值；步骤3：基于上步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。本估计方法可以快速选择SA迭代过程走向全局最优解的方向，修改后的SA方法简单，能快速执行OTN网络中业务流智能估计并能跟踪其动态。

技术领域：

本发明是属于OTN网络领域，特别提供了一种OTN网络中业务流智能估计方法。

背景技术：

随着IP网络规模指数式增长而带来的对网络管理和维护的迫切需求，迫使网络操作员需要知道网络中不同节点间数据包的转发情况，以便更好地进行负载均衡、流量检测、路由最优化、网络维护、网络设计和网络规划等网络活动流量矩阵估计。流量矩阵表示网络中源目的(OD)节点之间流动的网络流量(即OD流大小)，流量矩阵的维数等于网络中所有OD流的数目，它从全局的观点来描述整个网络的数据流动情况，是网络操作员决策的重要依据。因此准确而快速地得出大规模IP通信业务流流量并迅速采取正确的响应措施是保证网络安全高效运行的重要前提，且已成为目前国内外学术界和工业界共同关注的前沿科学问题。然而，直接测量网络流量比较困难。Vardi首先介绍了网络层析成像方法研究流量矩阵在网络间接测量的问题。自那时以来，许多研究人员研究了这个问题，并提出了许多解决方案。但从相对很大且处于不断变化的正常流量中，精确地估算到大规模中的IP中流量，直接测量的方式来获得流量矩阵非常困难，有时甚至是不可能，必须采用新的侦测技术、方法与机制。

到目前为止，SA方法被广泛研究，并有许多成功的解决方案。它是一种简单、全局最优的非数值算法，适合于求解大规模组合优化问题。然而，由于大规模的业务流估计的复杂性，直接用SA方法进行估计是非常困难的，甚至是不实用的。流量矩阵的解空间是连续实子空间。因此，由于传统的SA方法生成一个新的解决方案具有随机性，很难快速找到全局最优解。

发明内容：

为了解决大规模流量测量问题，我们从一个新的视角，提出了一种新的OTN网络中业务流智能估计方法，也称为模拟退火算法和迭代比例拟合程序(SAIPFP)方法。此新的解决方法是基于模拟退火(SA)算法基础上，SAIPFP方法充分考虑时空相关的OD流量，并结合部分流量测量，然后使用迭代比例拟合过程去满足流量矩阵断层约束估计，即达到流量矩阵一个准确的估计。

本发明提供一种OTN网络中业务流智能估计方法，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；

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；

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。

进一步地，所述的步骤1中OD流的协方差矩阵C，通过如下等式获得：

其中，C表示OD流的协方差矩阵；

进一步地，步骤1中进行OD流量测量分析得到OD流量的初步估计值，采用如下步骤，