[发明专利]一种用于IPv6网络的流量动态测量方法

权利要求书

1.一种用于IPv6网络的流量动态测量方法，该方法包括：

步骤1：获取IPv6网络流数据并搭建预测神经网络，利用获取到的数据对预测神经网络进行训练；

采用向量来表示IPv6网络中流量和链路：

其中，X表示IPv6网络中的流量，其中每个元素表示每个节点的流量；Y表示IPv6网络中的链路，其中每个元素表示一个节点；N表示有N个结点，网络中最多将有N*N个流；M表示网络中有M个链路，IPv6网络中路由矩阵A为：

A＝[a_mn]_M*(N*N),m∈[1,M],n∈[1,N*N],a_mn∈{0,1} (3)

路由矩阵中的每个元素表示流是否经过链路，当a_mn＝1时，表示流n经过链路m传输数据，否则a_mn＝0，路由矩阵表示链路和流之间的关系，流量矩阵为：

Y＝AX (4)

获取IPv6网络的网络流量和链路，作为样本数据；

步骤2：建立预测神经网络并训练；

其中，C_(t)＝f_(t)⊙C_(t-1)+i_(t)⊙c′_(t) (6)

h_(t)＝o_(t)⊙tanh(C_(t)) (7)

其中，y_(t)表示预测网络的输出即预测的IPv6网络全部网络节点流量和全部链路，表示t时刻预测神经网络第i个维度的输入即IPv6网络部分网络节点流量和对应的部分链路，表示t-1时刻第i个维度的隐藏状态，表示对应计算单元的权重矩阵，表示对应计算单元的偏置向量，p与q分别表示预测网络输入维度与隐含层节点数，σ(·)表示sigmoid激活函数，tan(·)表示双曲正切活函数；

采用步骤1获得数据对建立的预测神经网络进行训练，

采用训练好的预测神经网络对IPv6网络进行实施预测，得到预测结果；

步骤3：针对预测神经网络得到的初步预测结果进行自适应采样方案，对IPv6网络中的网络流进行采样，得到粗粒度流量测量结果；

采用下述公式判断是否对该流量预测值进行采样：

其中，δ(t)为t时刻流量预测值是否采样，如果流量预测值的差大于临界值θ，则对IPv6网络进行采样，否则，不进行采样；

根据公式(12)得到的采样序列为：

其中，t₀是抽样过程的开始，Δt是每个采样点的更新步骤，具体采样过程为：

其中，δ_n(k)为流n的采样序列，k为采样时间序列；链路和流量的流量瞬时采样率R(t)为：

其中S(t₂)-S(t₁)为两次统计量的字节增量，t₂-t₁为测量间隔，根据公式(13)，(14)，(15)的采样方式对IPv6网络进行采样，得到粗粒度流量结果；

步骤4：对步骤3得到的粗粒度流量进行插值，得到最终的细粒度测量结果。

2.如权利要求1所述的一种用于IPv6网络的流量动态测量方法，其特征在于，所述步骤4对插值后数据进行进一步优化，具体方法为：

步骤4.1：对获得的粗粒度流量测量结果，采用插值方法对其进行矩阵填充；

步骤4.2：对步骤4.1得到的结果采用下式进行优化；

其中，λ是拉格朗日乘子，A_i表示链路i的流，约束C1表示链路负荷与流量之间的约束，即各链路上的流量之和不再是链路容量；约束C2表示链路的流量限制，即流量和链路的流量是非负的；C3表示每个节点的流量是保守的，即流入一个节点的流量等于流出该节点的流量。

在此基础上，用拉格朗日方法对目标函数(16)中的约束进行松弛，因此优化函数可以写成：

其中α和β是拉格朗日乘数，λ为权重系数；

最后，利用迭代法采用公式(16)和(17)计算优化后的细粒度测量值，得到最优的IPv6网络流细粒度测量结果。