[發明專利]流量矩陣的估計方法和裝置

在審

• 申請號: 201410759560.5
• 申請日: 2014-12-11
• 公開（公告）號: CN104468272A
• 公開（公告）日: 2015-03-25
• 發明（設計）人: 涂丹丹
• 申請（專利權）人: 杭州華為數字技術有限公司
• 主分類號: H04L12/26
• 分類號: H04L12/26
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 楊貝貝;黃健

技術領域

本發明實施例涉及通信領域，尤其涉及一種流量矩陣的估計方法和裝置。

背景技術

互聯網的高速發展，使網絡類型呈現出多樣化、規模大型化、結構復雜化的特點，網絡性能參數變化也越來越復雜，流量矩陣是最重要的網絡性能參數之一。流量矩陣表示的是通信網絡中源節點-目的節點(英文：Origin-Destination，縮寫：OD)對的流量信息。流量矩陣的準確性至關重要，如果能夠獲取準確的流量矩陣，網絡工作人員不但可以優化網絡拓撲結構的設計、鏈路容量的規劃、流量的預測和路由協議的實現，而且還能更好的制定路由策略，使網絡總流量負載均衡、實時檢測網絡中流量的異常，防止外來攻擊進而保證網絡的安全。但是，直接監控網絡獲取流量矩陣非常困難，因此，如何根據有限鏈路的測量數據和路由信息等先驗信息，合理地建立數學模型來估計和預測流量矩陣已經成為一個重要的研究課題。

目前求解流量矩陣的方法主要有以下三種：線性規劃法、主成分分析方法、神經網絡算法。線性規劃法利用約束條件，最優化目標函數來求解流量矩陣。不過利用該方法求解的矩陣方程的欠定程度仍然比較大(方程的秩仍遠小于所需求解的未知數)，并且隨著網絡規模的增大，目標函數的不確定變量因子進一步增多，導致最終求解出來的流量矩陣準確性較低。主成分分析法計算量大，并且需要的存儲空間要求比較大，忽略了數據在高維上的關系。由于主成分分析法依賴所給數據，所以采集數據的準確性對最終的分析結果影響很大。神經網絡算法普遍存在著穩定性和可塑性不可調和的矛盾，這使得神經網絡在學習新的樣本時會影響甚至是遺忘舊有的記憶。流量矩陣的復雜特性和高維特性需要大量的樣本才能夠充分的訓練神經網絡的權值。而這些必將導致神經網絡的訓練速度非常慢，對大量的高維樣本數據的訓練，會加劇神經網絡記憶性和可塑性的矛盾，即記憶扭曲變形或記憶消失的問題。

綜上所述，現有的求解流量矩陣的方法，均存在準確率較低、計算復雜度較高和效率低的問題。

發明內容

本發明實施例提供的流量矩陣的估計方法和裝置，可以解決求解流量矩陣時準確率較低、計算復雜度較高和效率低的問題。

第一方面，本發明實施例提供一種流量矩陣的估計方法，所述方法包括：

獲取預設范圍內網絡的流量值并根據所述流量值得到約束矩陣B；

根據預設算法以及約束條件求解目標函數min(rank(LR^T))以獲取L和R；其中，流量矩陣X＝LR^T，L為利用非負矩陣分解算法分解所述流量矩陣X得到的左特征向量，R為利用非負矩陣分解算法分解所述流量矩陣X得到的右特征向量，所述約束條件為Λ(LR^T)＝B，Λ(·)為線性算子，rank(LR^T)為所述流量矩陣X的秩，min函數為求最小值的函數。

結合第一方面，在第一種可能的實現方式中，所述根據預設算法以及約束條件求解目標函數min(rank(LR^T))以獲取L和R具體包括：

利用規則化核范數將所述目標函數min(rank(LR^T))轉換為第二目標函數其中，為所述左特征向量L的第F范數的平方，為所述右特征向量R的第F范數的平方，F為預設值；

根據所述預設算法以及所述約束條件求解所述第二目標函數以獲取所述左特征向量L和所述右特征向量R。

結合第一方面的第一種可能的實現方式，在第二種可能的實現方式中，所述根據所述預設算法以及所述約束條件求解所述第二目標函數以獲取所述左特征向量L和所述右特征向量R具體包括：

根據低秩估計正則化將在所述約束條件下的所述第二目標函數轉換為第三目標函數其中，λ為預設參數，為(Λ(LR^T)-B)的第F范數的平方，F為預設值；

根據所述預設算法求解所述第三目標函數以獲取所述左特征向量L和所述右特征向量R。

結合第一方面的第二種可能的實現方式，在第三種可能的實現方式中，所述根據所述預設算法求解所述第三目標函數以獲取所述左特征向量L和所述右特征向量R具體包括：

將所述第三目標函數轉換為第四目標函數其中，T為常對角矩陣，S為根據所述流量矩陣X的相鄰行向量相似度值得到的矩陣；

根據所述預設算法求解所述第四目標函數以獲取所述左特征向量L和所述右特征向量R。

結合第一方面或其上述實現方式的任一種，在第四種可能的實現方式中，所述預設算法包括：