[发明专利]基于混合整数规划的网络流量建模和预测方法和装置

说明书

本发明公开了基于混合整数规划的网络流量建模和预测方法和装置，引入了Box集的相关概念，建立了基于混合整数规划的流量模型。在该建模和优化问题中，将网络流量时间序列转化为高维点集，以在所有情境下切割冗余空间最多为目标，通过建立了混合整数规划模型来求解Box集的多个超平面边界。在该优化问题中，可以保证所有情景下一段流量时间序列对应的点都被包含在这个Box集合中，保证在对未来数据做区间预测时可以有较小的估计误差。同时引入了多个预算约束，在这一模型的基础上对时间序列进行预测。预算约束主要由对网络流量的分析结果得到，通过这些预算约束可以保证描述网络流量的Box集更加精确。

技术领域

本发明属于于网络流量分析技术领域，具体涉及基于混合整数规划的网络流量建模和预测方法和装置。

背景技术

网络流量是网络上传输的数据量，网络流量是网络性能研究的重要基础，所有的网络行为特点都可以通过网络流量分析来获得。一般认为网络流量具有以下几方面的特点：自相似性，长相关性，周期性，突发性等等。

园区网络在结构上，整体上呈现树状结构，比较庞大的园区网络局部还会有星型结构存在。一般来说，园区网络可以分为接入层、汇聚层和核心层三层结构，由于接入层连接的交换机以及向下拓展的AP和终端非常多，导致了园区流量中流量的加入、退出，以及流量本身吞吐及报文大小都不定，随机性强，约束条件多。因此如何分析网络上运载的流量，实时采集高带宽高负荷的网络环境中的流量，并能对最新网络协议动态支持，实施网络流量建模和性能分析，改善和优化网络性能，是研究人员一直致力解决的问题。

目前，网络流量多针对流量时间序列展开分析，网络模型包括传统的网络流量模型、自相似网络流量模型、基于机器学习的预测模型等等。具体有马尔可夫模型、泊松过程模型、FBM/FGN模型、多重分形小波模型等等。

当前，基于机器学习的预测模型，如LSTM，以及混沌理论模型的使用已日趋普遍，但在对实际网络流量建模的过程中，由于园区网络中有线侧拥塞、突发丢包；无线侧随机丢包。园区无线侧吞吐受环境影响较大，当接入的STA数量增多，或者空口状态发生变化时，无线空口物理层由于干扰都会引起随机丢包，建模的实际精度无法令人满意。网络流量固有的馄钝性和多分形性，虽然每个模型都有各自的特点，但它们的相关结构都呈现指数衰减，在数学表征上表现为自相关函数的迅速衰减，无法准确刻画网络流量。在对未来时间节点的网络流量数据量大小做预测时，无法适用于所有的应用场景。

该方案希望通过研究一个基于混合整数规划的网络流量的较优建模和预测策略，结合实际网络数据，在满足流量自相似性、长相关性的同时，最小化预测误差，并根据建立的模型通过滚动预测的方式来描述网络流量的不确定性。

发明内容

为了解决上述问题，本发明提供了基于混合整数规划的网络流量建模和预测的计算过程和优化方法，能够准确描述网络流量的周期性、自相关性和随机性，提高网络流量建模精度通过滚动预测的方式，准确给出未来若干个时间点的区间预测结果。

为达到上述目的，本发明所述基于混合整数规划的网络流量建模和预测方法，包括以下步骤：

S1、收集园区网络中各个终端的网络流量传输数据；

S2、构建流量传输数据的Box集，根据S1收集到的网络流量传输数据，建立混合整数规划模型来求解描述流量不确定性的Box集，利用Box集构建数学规划问题进行滚动预测，得到流量数据的预测结果；

S3、根据S2得到的流量数据的预测结果对包含终端和多种交换机设备的园区网络系统运行进行控制。

进一步的，S1包括以下步骤：

S1.1、使用Netflow软件进行网络流量数据包采集；

S1.2、将所接收的数据包流量信息汇聚成一条条的流。

进一步的，S2包括以下步骤：