[發(fā)明專利]一種面向大數(shù)據(jù)的骨干網(wǎng)多業(yè)務(wù)流量估計(jì)方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010157077.5
• 申請(qǐng)日: 2020-03-09
• 公開（公告）號(hào): CN113379092B
• 公開（公告）日: 2022-12-09
• 發(fā)明（設(shè)計(jì)）人: 聶來森;吳詒軒;尚潤(rùn)澤;王蕙質(zhì)
• 申請(qǐng)（專利權(quán)）人: 西北工業(yè)大學(xué)青島研究院
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/30;G06F17/16;G06N3/00;G06K9/62
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 楊媛媛

本發(fā)明提出了一種面向大數(shù)據(jù)的骨干網(wǎng)多業(yè)務(wù)流量估計(jì)方法及系統(tǒng)。本發(fā)明的方法基于壓縮感知技術(shù)，利用測(cè)量矩陣約束動(dòng)態(tài)變化矩陣，建立動(dòng)態(tài)變化矩陣約束函數(shù)，然后基于動(dòng)態(tài)變化矩陣約束函數(shù)，求解層析成像模型的優(yōu)化模型，實(shí)現(xiàn)低頻分量的估計(jì)，本發(fā)明將壓縮感知技術(shù)與網(wǎng)絡(luò)層析成像技術(shù)結(jié)合，克服了網(wǎng)絡(luò)層析成像模型的病態(tài)特性，提高網(wǎng)絡(luò)流量估計(jì)的精度，并無需直接測(cè)量骨干網(wǎng)的所有端到端網(wǎng)絡(luò)流量，提高了骨干網(wǎng)流量獲取的效率。

技術(shù)領(lǐng)域

本發(fā)明涉及通信網(wǎng)絡(luò)技術(shù)領(lǐng)域，特別是涉及一種面向大數(shù)據(jù)的骨干網(wǎng)多業(yè)務(wù)流量估計(jì)方法及系統(tǒng)。

背景技術(shù)

信息和通信技術(shù)的發(fā)展極大地改變了人類生活和生產(chǎn)方式，智能電網(wǎng)、辦公自動(dòng)化等基于Internet技術(shù)的業(yè)務(wù)已經(jīng)進(jìn)入人們生活當(dāng)中。此外，智慧城市、大數(shù)據(jù)等先進(jìn)信息理念和技術(shù)的提出，對(duì)未來人類社會(huì)的發(fā)展起到了積極的推動(dòng)作用。Internet的發(fā)展使得網(wǎng)絡(luò)規(guī)模急劇增大，網(wǎng)絡(luò)承載業(yè)務(wù)類型呈多樣化發(fā)展，特別是云計(jì)算、物聯(lián)網(wǎng)的興起使得網(wǎng)絡(luò)已經(jīng)成為一個(gè)復(fù)雜的異構(gòu)網(wǎng)絡(luò)。互聯(lián)網(wǎng)技術(shù)逐漸深入到社會(huì)各個(gè)領(lǐng)域的同時(shí)，海量數(shù)據(jù)處理、信息安全等方面的問題日益突出，這些問題給網(wǎng)絡(luò)管理提出了更高的要求。

網(wǎng)絡(luò)管理者在執(zhí)行網(wǎng)絡(luò)管理決策時(shí)，需要了解網(wǎng)絡(luò)運(yùn)行狀態(tài)，例如時(shí)延、丟包率、吞吐量、帶寬和網(wǎng)絡(luò)流量等等。網(wǎng)絡(luò)測(cè)量技術(shù)為網(wǎng)絡(luò)管理者獲取實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)提供了必要的解決方案和技術(shù)支持。為了有效地實(shí)施網(wǎng)絡(luò)規(guī)劃、負(fù)載均衡機(jī)制、IGP鏈路權(quán)重設(shè)置算法、網(wǎng)絡(luò)故障診斷和異常檢測(cè)等網(wǎng)絡(luò)管理操作，網(wǎng)絡(luò)管理者需要了解網(wǎng)絡(luò)中各節(jié)點(diǎn)間端到端的數(shù)據(jù)包轉(zhuǎn)發(fā)情況。流量矩陣描述了網(wǎng)絡(luò)中源-目的(OD)節(jié)點(diǎn)間的網(wǎng)絡(luò)流量動(dòng)態(tài)變化情況，是網(wǎng)絡(luò)管理的重要依據(jù)和輸入?yún)?shù)。

雖然流量矩陣具有極其重要的作用，但是對(duì)于一個(gè)大尺度骨干網(wǎng)來說，獲取流量矩陣并不簡(jiǎn)單。這個(gè)原因是多重的，首先，對(duì)于一個(gè)大尺度骨干網(wǎng)，直接采集網(wǎng)絡(luò)流量信息是不可實(shí)現(xiàn)的。在這種情況下，研究人員更傾向于間接地估計(jì)網(wǎng)絡(luò)流量而非直接采集網(wǎng)絡(luò)流量信息。在眾多的網(wǎng)絡(luò)流量估計(jì)方法中，通常是通過其他有效的網(wǎng)絡(luò)信息去推斷網(wǎng)絡(luò)流量，例如網(wǎng)絡(luò)層析成像技術(shù)通過鏈路負(fù)載和路由信息去估計(jì)網(wǎng)絡(luò)流量。然而網(wǎng)絡(luò)層析成像模型具有高度的病態(tài)特性，因此估計(jì)網(wǎng)絡(luò)流量的研究任然面臨諸多挑戰(zhàn)。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種面向大數(shù)據(jù)的骨干網(wǎng)多業(yè)務(wù)流量估計(jì)方法，以克服網(wǎng)絡(luò)層析成像模型具有高度的病態(tài)特性，提高網(wǎng)絡(luò)流量估計(jì)的精度。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種面向大數(shù)據(jù)的骨干網(wǎng)多業(yè)務(wù)流量估計(jì)方法，所述估計(jì)方法包括如下步驟；

生成隨機(jī)矩陣；

基于壓縮感知理論，測(cè)量骨干網(wǎng)中所述隨機(jī)矩陣對(duì)應(yīng)的端到端網(wǎng)絡(luò)流量，獲得測(cè)量矩陣；

利用所述測(cè)量矩陣約束動(dòng)態(tài)變化矩陣，建立動(dòng)態(tài)變化矩陣約束函數(shù)；

建立網(wǎng)絡(luò)層析成像模型的包括動(dòng)態(tài)變化矩陣的優(yōu)化模型；

基于所述動(dòng)態(tài)變化矩陣約束函數(shù)，求解所述優(yōu)化模型，獲得最優(yōu)動(dòng)態(tài)變化矩陣；

根據(jù)最優(yōu)動(dòng)態(tài)變化矩陣，基于奇異值分解的方法確定低頻分量估計(jì)值；

根據(jù)所述測(cè)量矩陣，利用極大似然估計(jì)方法求取高頻分量服從的高斯分布的期望和方差，確定高頻分量服從的高斯分布；

根據(jù)高頻分量服從的高斯分布確定高頻分量估計(jì)值；

根據(jù)所述低頻分量估計(jì)值和所述高頻分量估計(jì)值采用離散小波逆變換的方法確定骨干網(wǎng)的流量。

可選的，所述動(dòng)態(tài)變化矩陣約束函數(shù)為：

其中，U^T表示流量矩陣M的動(dòng)態(tài)變化矩陣，表示對(duì)角矩陣，表示正交矩陣、B表示隨機(jī)矩陣，Y表示測(cè)量矩陣。

可選的，所述優(yōu)化模型為：