[发明专利]一种面向大数据的骨干网多业务流量估计方法及系统

权利要求书

1.一种面向大数据的骨干网多业务流量估计方法，其特征在于，所述估计方法包括如下步骤；

生成随机矩阵；

基于压缩感知理论，测量骨干网中所述随机矩阵对应的端到端网络流量，获得测量矩阵；

利用所述测量矩阵约束动态变化矩阵，建立动态变化矩阵约束函数；

建立骨干网的网络层析成像模型的优化模型；

基于所述动态变化矩阵约束函数，求解所述优化模型，获得最优动态变化矩阵；

根据最优动态变化矩阵，基于奇异值分解的方法确定低频分量估计值；

根据所述测量矩阵，利用极大似然估计方法求取高频分量服从的高斯分布的期望和方差，确定高频分量服从的高斯分布；

根据高频分量服从的高斯分布确定高频分量估计值；

根据所述低频分量估计值和所述高频分量估计值采用离散小波逆变换的方法确定骨干网的流量；

根据流量矩阵的低频分量估计值和高频分量估计值，利用离散小波逆变换的方法获得流量矩阵估计值，方法为：

每一条OD流的估计是通过下式计算

其中，和分别为矩阵和中的元素，为低频分量估计值，为高频分量估计值。

2.根据权利要求1所述的面向大数据的骨干网多业务流量估计方法，其特征在于，所述动态变化矩阵约束函数为：

其中，U^T表示流量矩阵M的动态变化矩阵，表示对角矩阵，表示正交矩阵、B表示随机矩阵，Y表示测量矩阵。

3.根据权利要求1所述的面向大数据的骨干网多业务流量估计方法，其特征在于，所述优化模型为：

其中，L表示骨干网的链路负载矩阵,U^T表示流量矩阵M的动态变化矩阵，表示对角矩阵，表示正交矩阵、R表示路由矩阵。

4.根据权利要求1所述的面向大数据的骨干网多业务流量估计方法，其特征在于，所述根据最优动态变化矩阵，基于奇异值分解的方法确定低频分量估计值，具体包括：

根据最优动态变化矩阵基于奇异值分解的方法，利用公式确定低频分量估计值其中，表示对角矩阵，表示正交矩阵。

5.一种面向大数据的骨干网多业务流量估计系统，其特征在于，所述估计系统包括：

随机矩阵生成模块，用于生成随机矩阵；

测量矩阵获取模块，用于基于压缩感知理论，测量骨干网中所述随机矩阵对应的端到端网络流量，获得测量矩阵；

动态变化矩阵约束函数建立模块，用于利用所述测量矩阵约束动态变化矩阵，建立动态变化矩阵约束函数；

优化模型建立模块，用于建立骨干网的网络层析成像模型的优化模型；

优化模型求解模块，用于基于所述动态变化矩阵约束函数，求解所述优化模型，获得最优动态变化矩阵；

低频分量估计值确定模块，用于根据最优动态变化矩阵，基于奇异值分解的方法确定低频分量估计值；

高频分量服从的高斯分布，用于根据所述测量矩阵，利用极大似然估计方法求取高频分量服从的高斯分布的期望和方差，确定高频分量服从的高斯分布；

高频分量估计值确定模块，用于根据高频分量服从的高斯分布确定高频分量估计值；

骨干网的流量确定模块，用于根据所述低频分量估计值和所述高频分量估计值采用离散小波逆变换的方法确定骨干网的流量；

根据流量矩阵的低频分量估计值和高频分量估计值，利用离散小波逆变换的方法获得流量矩阵估计值，方法为：

每一条OD流的估计是通过下式计算

其中，和分别为矩阵和中的元素，为低频分量估计值，为高频分量估计值。

6.根据权利要求5所述的面向大数据的骨干网多业务流量估计系统，其特征在于，所述动态变化矩阵约束函数为：

其中，U^T表示流量矩阵M的动态变化矩阵，表示对角矩阵，表示正交矩阵、B表示随机矩阵，Y表示测量矩阵。