[发明专利]基于网络层析成像技术的网络流量矩阵预测方法

说明书

基于网络层析成像技术的网络流量矩阵预测方法，它属于网络流量矩阵预测领域。本发明解决了由于观测矩阵属于确定性矩阵，其受网络拓扑结构限制，因此难以满足压缩感知理论的RIP原则，以及网络流量矩阵发生突变导致的预测误差大的问题。本发明基于路由矩阵构造观测矩阵和观测结果矩阵，避免了观测矩阵受网络拓扑结构限制，导致难以满足压缩感知理论的RIP原则的问题；通过计算网络流量矩阵的样本数据的每个子样本片段对应的一组正交基得到近似过完备正交基集合，再通过稀疏系数估计值重构出网络流量矩阵，在网络流量矩阵发生突变时，本发明方法应用于Abilene网络流量矩阵预测时的平均预测误差小于10％。本发明可以应用于网络流量矩阵预测领域用。

技术领域

本发明属于网络流量矩阵预测技术领域，具体涉及一种网络流量矩阵预测方法。

背景技术

网络流量矩阵作为描述网络中源节点和目的节点之间流量信息的参数，是对互联网进行网络控制、实施QoS保证和提高网络性能的基础。目前，网络流量矩阵的测量主要通过网络节点之间的协作来实现，但是随着互联网朝着分布式、异构化和基于边缘控制的方向演变，网络内部节点往往呈现非协作的特点，使得依靠网络内部节点间配合的直接测量方法不能完全满足各种网络应用对互联网测量的需求。网络层析成像将医学上的计算机层析成像技术引入到网络测量中，在没有网络内部节点协作的条件下进行端到端的测量，通过网络边界的测量信息来分析和推断网络链路级性能参数。

网络层析成像技术应用于网络流量矩阵预测中，是传统网络链路级性能参数推断的逆过程，其目的是从链路级的测量数据中预测出路径级的网络流量矩阵信息。链路流量表示相邻两节点间链路上传输的数据量大小，是在路由矩阵控制下各网络OD流(OriginDestination Flow)在链路上的聚合。

链路流量与网络流量矩阵的数学表达式如公式Y^T＝AX^T所示，设表示在测量时间点q上的链路流量，M为网络链路数量；表示当前测量时间点上的网络流量矩阵，N为网络流量矩阵中OD流对的数量；A为M×N的路由矩阵，其构造过程如下：若第i条网络OD流经过第j条链路，则A_i,j＝1，否则A_i,j＝0。在网络流量矩阵测量过程中，假设进行Q次测量，各节点收集的链路流量数据为Y＝(Y₁；Y₂；...；Y_Q)，其大小为Q×M；对应的网络流量矩阵为X＝(X₁；X₂；...；X_Q)，其大小为Q×N。

网络流量矩阵预测是在已知网络链路流量Y和路由矩阵A的情况下，获得网络流量矩阵X的预测值。但是，由于通常情况下由于M＜N，因此式Y^T＝AX^T为欠定方程组，在没有额外信息的情况下，上述方程组没有唯一解。

从信号处理角度上看，网络流量矩阵预测问题是典型的欠采样信号恢复问题。近年来，相关学者提出采用信号领域的压缩感知理论解决网络流量矩阵预测问题，在满足稀疏性的条件下，以远低于奈奎斯特频率的方法进行全局观测，通过重构算法快速准确的恢复出源信息，取得了一定的效果。但是现有的压缩感知的理论在解决网络流量矩阵预测问题上仍然面临两个主要问题：观测矩阵的设计和信号的稀疏表示。一方面，式Y^T＝AX^T所采用的观测矩阵为路由矩阵，由于其本身属于确定性矩阵，而且受网络拓扑结构限制，因此难以满足压缩感知理论的RIP(Restricted Isometry Property)原则。另一方面，网络流量矩阵本身不具有稀疏性，虽然采用SVD(Singular Value Decomposition)能够一定程度上发掘网络流量矩阵的低维特性，但是仍然无法解决当网络流量矩阵发生突变时预测误差过大问题。

发明内容

本发明的目的是为解决由于观测矩阵属于确定性矩阵，其受网络拓扑结构限制，因此难以满足压缩感知理论的RIP原则，以及网络流量矩阵发生突变导致的预测误差大的问题。