[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

说明书

本发明提出了一种面向大数据的骨干网多业务流量估计方法及系统。本发明的方法基于压缩感知技术，利用测量矩阵约束动态变化矩阵，建立动态变化矩阵约束函数，然后基于动态变化矩阵约束函数，求解层析成像模型的优化模型，实现低频分量的估计，本发明将压缩感知技术与网络层析成像技术结合，克服了网络层析成像模型的病态特性，提高网络流量估计的精度，并无需直接测量骨干网的所有端到端网络流量，提高了骨干网流量获取的效率。

技术领域

本发明涉及通信网络技术领域，特别是涉及一种面向大数据的骨干网多业务流量估计方法及系统。

背景技术

信息和通信技术的发展极大地改变了人类生活和生产方式，智能电网、办公自动化等基于Internet技术的业务已经进入人们生活当中。此外，智慧城市、大数据等先进信息理念和技术的提出，对未来人类社会的发展起到了积极的推动作用。Internet的发展使得网络规模急剧增大，网络承载业务类型呈多样化发展，特别是云计算、物联网的兴起使得网络已经成为一个复杂的异构网络。互联网技术逐渐深入到社会各个领域的同时，海量数据处理、信息安全等方面的问题日益突出，这些问题给网络管理提出了更高的要求。

网络管理者在执行网络管理决策时，需要了解网络运行状态，例如时延、丢包率、吞吐量、带宽和网络流量等等。网络测量技术为网络管理者获取实时网络状态提供了必要的解决方案和技术支持。为了有效地实施网络规划、负载均衡机制、IGP链路权重设置算法、网络故障诊断和异常检测等网络管理操作，网络管理者需要了解网络中各节点间端到端的数据包转发情况。流量矩阵描述了网络中源-目的(OD)节点间的网络流量动态变化情况，是网络管理的重要依据和输入参数。

虽然流量矩阵具有极其重要的作用，但是对于一个大尺度骨干网来说，获取流量矩阵并不简单。这个原因是多重的，首先，对于一个大尺度骨干网，直接采集网络流量信息是不可实现的。在这种情况下，研究人员更倾向于间接地估计网络流量而非直接采集网络流量信息。在众多的网络流量估计方法中，通常是通过其他有效的网络信息去推断网络流量，例如网络层析成像技术通过链路负载和路由信息去估计网络流量。然而网络层析成像模型具有高度的病态特性，因此估计网络流量的研究任然面临诸多挑战。

发明内容

本发明的目的是提供一种面向大数据的骨干网多业务流量估计方法，以克服网络层析成像模型具有高度的病态特性，提高网络流量估计的精度。

为实现上述目的，本发明提供了如下方案：

一种面向大数据的骨干网多业务流量估计方法，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；

建立网络层析成像模型的包括动态变化矩阵的优化模型；

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。

可选的，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。

可选的，所述优化模型为：