[发明专利]一种时频同步应用中大规模IP流量的估计方法

说明书

技术领域

本发明涉及时频同步网络环境下网络管理技术领域，尤其涉及一种时频同步应用中大规模IP流量的估计方法。

背景技术

随着信息技术的发展，互联网的规模呈指数级增长。互联网已经由简单的网络变成了异构的和复杂的网络。并且，维护和管理大型网络非常困难。因此，如何有效地处理与大规模网络相关联的活动是网络运营商目前面临的主要问题之一。这些活动包括网络尺寸、负载均衡、流量检测、网络容量规划、路由优化、故障管理和配置等。为了很好地处理这些活动，网络运营商应该知道网络流量是如何通过他们的网络。而流量矩阵反映的是网络中的所有源和目的地对之间流动的流量。其元素被称为源始目的地(OD)对(或流)。同时，流量矩阵为网络运营商提供了大规模网络中所有流量是如何流动的。因此，以流量矩阵作为流量工程和网络管理的关键输入，对网络运营商准确获取大规模网络中的流量矩阵具有重要意义。

然而，在大规模网络中直接测量流量通常是不实用的。1996年，Vardi首先介绍了用网络层析成像方法来研究网络中的流量矩阵是间接测量的问题。从那时起，许多研究人员研究了这个问题并提出了解决方案。随着Vardi将网络层析成像方法引入到研究领域，尽管流量矩阵的估计已经被充分研究，但准确地估计大规模网络的流量矩阵仍是非常困难的。一方面，大型网络的规模比简单的大得多。这使得流量矩阵的计算和处理更加困难和复杂。尤其，在时间和空间上的开销大得多。另一方面，大规模网络中流量矩阵的模型不是太准确以至于不能捕获它们的特性。Li，M.B.，Peng，J.-X.等使用统计推理方法通过将OD流模型化为概率模型来估计流量矩阵。如A.Soule等人所述，这些方法对先验敏感。Yin Zhang等讨论了大规模IP流量矩阵估计的问题。然而，如A.Soule等人所述，这种方法部分降低了对先验的灵敏度，它具有较大的误差，因为它只考虑了OD流之间的空间相关性。因此现阶段，大规模IP流量矩阵的估计方法仍然面临着估计方法的模型建立问题、实时估计问题和估计精度等问题。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种时频同步应用中大规模IP流量的估计方法，基于RBF神经网络进行流量估计，以达到准确估计大规模IP流量矩阵并跟踪其动态的目的。

为解决上述技术问题，本发明所采取的技术方案是：

一种时频同步应用中大规模IP流量的估计方法，包括以下步骤：

步骤1：收集获得网络IP流量样本数据集S，初始化整个RBF神经网络模型，设置误差界限δ、总的迭代步数T和迭代变量k＝0；

步骤2：构建包括输入层和输出层的两层RBF神经网络模型G，将网络IP流量样本数据集S进行数据零均值归一化预处理，构建训练数据对{<y(t-1)，x(t)＞，<y(t)，x(t+1)＞，…，<y(t+h-1)，x(t+h)＞}，其中y(r)＝(x(r-R)，x(r-(R-1))，...，x(r-1))，R表示当前时隙之前的时隙数目，x(t)＝(x₁(t)，x₂(t)，...，x_N(t))^T表示当前网络流量矩阵，N表示网络中OD流数据目，T表示矩阵转置，r＝t-1，t，...，t+h-1；将训练数据对输入到网络模型G中，得到RBF神经网络模型G训练结果的输出值其中y(r)和x(s)分别为网络模型G的输入和输出数据，s＝t，t+1，...，t+h；

步骤3：计算RBF神经网络模型G的梯度，并更新该网络模型G的权重；

步骤4：计算网络模型G输出的误差其中x(t)表示真实的IP网络流量值；如果误差ε＜δ或迭代次数k＞T，则保存网络模型G的权重并退出训练过程，获得具有k个隐含层的RBF神经网络模型G，执行步骤5；否则，添加一个隐含层到RBF神经网络模型G中，设置k＝k+1，并返回步骤2；

步骤5：利用IP网络流量满足的约束条件，对网络模型G的输出结果进行迭代比例拟合(IPFP)过程，并获得网络流量的估计值从而构建基于k个隐含层的RBF神经网络模型G的IP网络流量预测模型E；

步骤6：将在IP网络中收集的IP网络流量数据y＝(x(t-z+1)，x(t-(z-1)+1)，...，x(t))，进行数据零均值归一化预处理，其中z表示包括当前时刻t及其之前z-1个时刻的z个时刻的流量数据数目，输入构建的IP网络流量预测模型E，得到IP网络流量估计