[发明专利]一种时频同步应用中大规模IP流量的估计方法

摘要

本发明提供一种时频同步应用中大规模IP流量的估计方法，涉及时频同步网络环境下网络管理技术领域。该方法基于RBF神经网络的大规模IP流量矩阵的估计方法，提出采用RBF神经网络来模拟大型IP流量矩阵的估计。通过训练RBF神经网络，建立大型IP流量矩阵的估计模型；同时，结合该模型和迭代比例拟合过程，实现了大规模IP流量矩阵的良好估计并且能对其进行动态跟踪。

主权项

一种时频同步应用中大规模IP流量的估计方法，其特征在于：包括以下步骤：步骤1：收集获得网络IP流量样本数据集S，初始化整个RBF神经网络模型，设置误差界限δ、总的迭代步数T和迭代变量k＝0；步骤2：构建包括输入层和输出层的两层RBF神经网络模型G，将网络IP流量样本数据集S进行数据零均值归一化预处理，构建训练数据对{<y(t‑1),x(t)>，<y(t),x(t+1)>，…，<y(t+h‑1),x(t+h)>}，其中y(r)＝(x(r‑R),x(r‑(R‑1)),...,x(r‑1))，R表示当前时隙之前的时隙数目，x(t)＝(x1(t),x2(t),...,xN(t))T表示当前网络流量矩阵，N表示网络中OD流数据目，T表示矩阵转置，r＝t‑1,t,...,t+h‑1；将训练数据对输入到网络模型G中，得到RBF神经网络模型G训练结果的输出值其中y(r)和x(s)分别为网络模型G的输入和输出数据，s＝t,t+1,...,t+h；步骤3：计算RBF神经网络模型G的梯度，并更新该网络模型G的权重；步骤4：计算网络模型G输出的误差其中x(t)表示真实的IP网络流量值；如果误差ε<δ或迭代次数k>T，则保存网络模型G的权重并退出训练过程，获得具有k个隐含层的RBF神经网络模型G，执行步骤5；否则，添加一个隐含层到RBF神经网络模型G中，设置k＝k+1，并返回步骤2；步骤5：利用IP网络流量满足的约束条件，对网络模型G的输出结果进行迭代比例拟合(IPFP)过程，并获得网络流量的估计值从而构建基于k个隐含层的RBF神经网络模型G的IP网络流量预测模型E；步骤6：将在IP网络中收集的IP网络流量数据y＝(x(t‑z+1),x(t‑(z‑1)+1),...,x(t))，进行数据零均值归一化预处理，其中z表示包括当前时刻t及其之前z‑1个时刻的z个时刻的流量数据数目，输入构建的IP网络流量预测模型E，得到IP网络流量估计步骤7：对IP网络流量估计执行迭代比例拟合过程，基于网络层析成像约束的调整，得出IP网络流量的估计值步骤8：如果网络流量预测过程结束，则保存估计值并退出；否则返回到步骤6，执行下一个时刻的网络流量预测。