[發(fā)明專利]一種面向分布式網(wǎng)絡(luò)的流量行為分析方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810728186.0
• 申請(qǐng)日: 2018-07-05
• 公開（公告）號(hào): CN108923975B
• 公開（公告）日: 2021-08-10
• 發(fā)明（設(shè)計(jì)）人: 馬海壽;謝逸;王臻
• 申請(qǐng)（專利權(quán)）人: 中山大學(xué)
• 主分類號(hào): H04L12/24
• 分類號(hào): H04L12/24;H04L12/26
• 代理公司: 廣州圣理華知識(shí)產(chǎn)權(quán)代理有限公司 44302
• 代理人: 頓海舟

1.一種面向分布式網(wǎng)絡(luò)的流量行為分析方法，其特征在于，具體為：

模型訓(xùn)練階段：采集網(wǎng)絡(luò)歷史流量數(shù)據(jù)作為訓(xùn)練模型的訓(xùn)練數(shù)據(jù)，得到網(wǎng)絡(luò)流量行為模型；

學(xué)習(xí)階段：將采集的實(shí)時(shí)流量數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)流量行為模型，并利用最大后驗(yàn)估計(jì)準(zhǔn)則經(jīng)過迭代計(jì)算得到網(wǎng)絡(luò)全局流量行為；

所述模型訓(xùn)練階段的實(shí)現(xiàn)過程具體為：確定網(wǎng)絡(luò)流量行為模型結(jié)構(gòu)及估計(jì)模型參數(shù)；

確定網(wǎng)絡(luò)流量行為模型結(jié)構(gòu)：

將分布式網(wǎng)絡(luò)流量行為信息分為兩層：隱狀態(tài)層和觀測(cè)數(shù)據(jù)層，觀測(cè)數(shù)據(jù)層是由網(wǎng)絡(luò)探針測(cè)量得到的網(wǎng)絡(luò)節(jié)點(diǎn)流量數(shù)據(jù)構(gòu)成，隱狀態(tài)層是由網(wǎng)絡(luò)節(jié)點(diǎn)的行為模式構(gòu)成，表示網(wǎng)絡(luò)內(nèi)在驅(qū)動(dòng)因素，直接驅(qū)動(dòng)網(wǎng)絡(luò)節(jié)點(diǎn)流量外在表現(xiàn)；使用隨機(jī)變量來表示隱狀態(tài)和觀測(cè)值，因此隱狀態(tài)層和觀測(cè)數(shù)據(jù)層構(gòu)成了兩個(gè)隨機(jī)場，即隱狀態(tài)場和觀測(cè)場；

定義數(shù)學(xué)符號(hào)：在一個(gè)擁有N個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)中，￥表示網(wǎng)絡(luò)節(jié)點(diǎn)集合，x_t,n∈E表示在第t個(gè)時(shí)隙的第n個(gè)節(jié)點(diǎn)，n∈￥，其中表示所有空時(shí)位置節(jié)點(diǎn)集合，有|E|＝|￥|×T，T是時(shí)隙數(shù)量；使用S_t,n表示節(jié)點(diǎn)x_t,n的隱狀態(tài)變量，s_t,n∈S表示隨機(jī)變量S_t,n的一個(gè)實(shí)例，其中S代表隱狀態(tài)集合，則表示定義在E上的隱狀態(tài)隨機(jī)變量族；因此，能夠使用S表示在[1,T]上的隱狀態(tài)場，s∈S表示S的一個(gè)配置，其中S表示隱狀態(tài)場所有可能配置集合；使用相似的表示式，O_t,n表示節(jié)點(diǎn)x_t,n的觀測(cè)值變量，o_t,n∈O表示隨機(jī)變量O_t,n的一個(gè)實(shí)例，其中O表示觀測(cè)值集合，則表示定義在E上的觀測(cè)值隨機(jī)變量族；因此，能夠使用O表示在[1,T]上的觀測(cè)場，o∈O表示O的一個(gè)配置，其中O表示觀測(cè)場所有可能配置集合；

使用HMRF模型刻畫隱狀態(tài)場與觀測(cè)場之間的空時(shí)演變關(guān)系；

針對(duì)隱狀態(tài)場，引入一個(gè)假設(shè)：空間上一個(gè)節(jié)點(diǎn)僅和它的一跳鄰居節(jié)點(diǎn)的狀態(tài)有關(guān)，時(shí)間上僅和它前一個(gè)時(shí)刻的狀態(tài)有關(guān)；基于統(tǒng)計(jì)學(xué)習(xí)的方法，隱狀態(tài)場的概率能夠通過以下公式獲取：

其中，E-{x_t,n}表示不包含節(jié)點(diǎn)x_t,n的網(wǎng)絡(luò)空時(shí)位置節(jié)點(diǎn)集合，與分別表示節(jié)點(diǎn)x_t,n的空間鄰居狀態(tài)與時(shí)間鄰居狀態(tài)，λ表示隱狀態(tài)場參數(shù)；

公式(1)中的局部概率，通過以下公式獲取：

其中，m表示節(jié)點(diǎn)狀態(tài)，時(shí)間轉(zhuǎn)移概率根據(jù)時(shí)間隱狀態(tài)轉(zhuǎn)移概率矩陣A計(jì)算，A表示隱狀態(tài)從t時(shí)刻到t+1時(shí)刻的狀態(tài)轉(zhuǎn)移概率矩陣，即時(shí)間隱狀態(tài)轉(zhuǎn)移構(gòu)成一階馬爾科夫鏈；A矩陣由下式表示：

其中P_ij的下標(biāo)i和j分別表示節(jié)點(diǎn)在t和t+1時(shí)刻所處的隱狀態(tài)；空間轉(zhuǎn)移概率通過以下公式獲取：

其中，U_t,n(m)表示邊緣能量函數(shù)，且表示節(jié)點(diǎn)x_t,n的空間鄰居節(jié)點(diǎn)，表示節(jié)點(diǎn)x_t,n的空間鄰居節(jié)點(diǎn)數(shù)量，其中勢(shì)函數(shù)定義為：V_t,n(m)＝num·α，其中參數(shù)α用于刻畫當(dāng)前節(jié)點(diǎn)與其空間鄰居節(jié)點(diǎn)相互影響關(guān)系的強(qiáng)弱，num表示空間鄰居節(jié)點(diǎn)狀態(tài)與當(dāng)前節(jié)點(diǎn)狀態(tài)不相同的數(shù)量；

針對(duì)觀測(cè)場，網(wǎng)絡(luò)節(jié)點(diǎn)觀測(cè)值通過網(wǎng)絡(luò)探針獲得，即網(wǎng)絡(luò)的觀測(cè)場是已知數(shù)據(jù)；設(shè)一個(gè)節(jié)點(diǎn)的觀測(cè)值只與該節(jié)點(diǎn)的狀態(tài)有關(guān)，觀測(cè)場在隱狀態(tài)驅(qū)動(dòng)下的輸出概率通過以下公式獲取：

其中，連乘符號(hào)下標(biāo)(t,n)表示Pr[O_t,n＝k|S_t,n＝m,θ_m]表示t時(shí)刻，節(jié)點(diǎn)n在狀態(tài)為m的條件下輸出觀測(cè)值為k的概率，為了方便計(jì)算，將觀測(cè)值O_t,n進(jìn)行離散化，使用頻率來近似代替概率，即使用觀測(cè)值在狀態(tài)m的頻率分布來近似條件概率，參數(shù)θ_m表示在特定的狀態(tài)下觀測(cè)值的分布參數(shù)，這里使用輸出概率矩陣B表示，稱為觀測(cè)場參數(shù)，B矩陣由下式表示：

其中P_mk表示節(jié)點(diǎn)在狀態(tài)m輸出觀測(cè)值為k的概率；

由此，確定網(wǎng)絡(luò)流量行為模型結(jié)構(gòu)，網(wǎng)絡(luò)流量行為模型由HMRF模型刻畫，因此模型參數(shù)為Ω＝{A,α,B}，

估計(jì)模型參數(shù)；

當(dāng)采集到歷史流量數(shù)據(jù)以及確定流量行為模型結(jié)構(gòu)之后，利用歷史流量數(shù)據(jù)訓(xùn)練模型參數(shù)Ω＝{A,α,B}；為了便于實(shí)際工程應(yīng)用，在計(jì)算過程中使用頻率近似概率，因此計(jì)算之前需要對(duì)觀測(cè)值O_t,n進(jìn)行離散化；

其訓(xùn)練過程輸入歷史流量數(shù)據(jù)o，即網(wǎng)絡(luò)節(jié)點(diǎn)觀測(cè)值，輸出模型參數(shù)Ω＝{A,α,B}；估計(jì)模型參數(shù)流程步驟如下：

(3-1)初始化迭代輪詢初始值i、迭代停止條件Iter、初始隱狀態(tài)場s⁽¹⁾；

其中迭代輪詢初始值i初始化為1；迭代停止條件設(shè)置為迭代停止次數(shù)Iter，根據(jù)經(jīng)驗(yàn)優(yōu)選設(shè)置為5-8次；另外，迭代停止條件也能夠設(shè)置為前后兩次迭代過程參數(shù)變化范圍閾值，當(dāng)變化范圍小于給定閾值時(shí)，停止迭代；初始隱狀態(tài)場s⁽¹⁾根據(jù)歷史流量數(shù)據(jù)觀測(cè)值使用聚類算法進(jìn)行初始化，聚類類別數(shù)量根據(jù)實(shí)際網(wǎng)絡(luò)監(jiān)控需求確定，類別數(shù)量對(duì)應(yīng)網(wǎng)絡(luò)節(jié)點(diǎn)行為狀態(tài)數(shù)量，因此類別數(shù)量反映了對(duì)網(wǎng)絡(luò)流量行為刻畫的粒度，行為狀態(tài)數(shù)量越多，能夠刻畫的流量行為粒度越細(xì)；

(3-2)根據(jù)隱狀態(tài)場的配置情況更新模型參數(shù)，依據(jù)時(shí)間狀態(tài)跳轉(zhuǎn)的頻率更新時(shí)間隱狀態(tài)轉(zhuǎn)移概率矩陣A，設(shè)時(shí)刻t處于狀態(tài)i時(shí)刻t+1轉(zhuǎn)移到狀態(tài)j的頻數(shù)記為A_ij，那么A中狀態(tài)轉(zhuǎn)移概率P_ij的估計(jì)值由以下公式獲取：

依據(jù)經(jīng)驗(yàn)公式確定α值，經(jīng)驗(yàn)值優(yōu)選0.5-10之間，α越大，表示節(jié)點(diǎn)之間相互作用越大，鄰居節(jié)點(diǎn)的狀態(tài)對(duì)當(dāng)前節(jié)點(diǎn)的狀態(tài)影響越大，反之亦然；依據(jù)相應(yīng)狀態(tài)輸出觀測(cè)值的頻率分布更新輸出概率矩陣B，設(shè)樣本中狀態(tài)為m并且觀測(cè)值為k的頻數(shù)是B_mk，那么B中輸出概率P_mk的估計(jì)值由以下公式獲取：

同時(shí)，迭代輪詢次數(shù)加1，即i＝i+1；

(3-3)判斷是否滿足停止條件，即判斷i＞Iter；

3-3-1)若判斷為否，則根據(jù)估計(jì)行為狀態(tài)流程更新隱狀態(tài)場s⁽ⁱ⁾，輸入數(shù)據(jù)為歷史流量數(shù)據(jù)o、當(dāng)前模型參數(shù)輸出數(shù)據(jù)為更新隱狀態(tài)場s⁽ⁱ⁾，其中，估計(jì)行為狀態(tài)流程中的初始隱狀態(tài)場使用當(dāng)前的隱狀態(tài)場s^(i-1)；

返回步驟(3-2)；

3-3-2)若判斷為是，則輸出最終模型參數(shù)Ω＝{A,α,B}；

根據(jù)以上步驟，能夠基于歷史流量數(shù)據(jù)訓(xùn)練得到的模型參數(shù)Ω＝{A,α,B}，作為流量行為模型。