[發(fā)明專利]一種基于流量預(yù)測與果蠅優(yōu)化算法的網(wǎng)絡(luò)負(fù)載均衡方法

有效

• 申請?zhí)枺?/td>: 202010158447.7
• 申請日: 2020-03-09
• 公開（公告）號: CN111372260B
• 公開（公告）日: 2021-09-07
• 發(fā)明（設(shè)計(jì)）人: 曲樺;趙季紅;李佳琪
• 申請（專利權(quán)）人: 西安交通大學(xué)
• 主分類號: H04W16/22
• 分類號: H04W16/22;H04W24/00;H04W28/08;H04W36/00;H04W36/22
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 馬貴香

1.一種基于流量預(yù)測與果蠅優(yōu)化算法的網(wǎng)絡(luò)負(fù)載均衡方法，其特征在于，包括以下步驟：

(一)在網(wǎng)絡(luò)使用的空閑時(shí)段內(nèi)，所有小區(qū)以天為時(shí)間單位將歷史流量信息發(fā)送至區(qū)域內(nèi)的中心節(jié)點(diǎn)，通過果蠅優(yōu)化算法給出歷史信息上的負(fù)載均衡方案，中心節(jié)點(diǎn)在空閑時(shí)段將所得到的負(fù)載均衡方案廣播至各個(gè)小區(qū)；

具體過程如下：

1)假設(shè)每個(gè)小區(qū)的資源上限值一致并且為R，并且區(qū)域內(nèi)所有小區(qū)兩兩組成相鄰關(guān)系，能夠進(jìn)行業(yè)務(wù)切換，則網(wǎng)絡(luò)中的總資源利用率ρ為：

其中，T_i是小區(qū)i保持不變的業(yè)務(wù)流量，T_i'是鄰小區(qū)轉(zhuǎn)移到小區(qū)i的業(yè)務(wù)流量，n為小區(qū)個(gè)數(shù)，R為小區(qū)的資源上限值；

2)在夜晚網(wǎng)絡(luò)使用的閑暇時(shí)段，所有小區(qū)將各自每天以小時(shí)時(shí)間間隔的業(yè)務(wù)流量信息發(fā)送給中心節(jié)點(diǎn)；i小區(qū)流量t小時(shí)的業(yè)務(wù)流量信息包含保持不變的業(yè)務(wù)流量值x和鄰小區(qū)轉(zhuǎn)移進(jìn)本小區(qū)的業(yè)務(wù)流量值y,即流量向量形式為：(t,x_ti,y_ti)，其中t為時(shí)間，x_ti是小區(qū)i在t小時(shí)時(shí)保持不變的業(yè)務(wù)流量，y_ti是鄰小區(qū)在t小時(shí)時(shí)轉(zhuǎn)移到小區(qū)i的業(yè)務(wù)流量；

3)采用果蠅優(yōu)化算法對式(1.1)求解，所有小區(qū)組成果蠅種群，果蠅個(gè)體采用果蠅優(yōu)化算法搜索公式利用嗅覺搜索食物；

4)計(jì)算每個(gè)果蠅個(gè)體與坐標(biāo)原點(diǎn)之間的距離Dist_i，再計(jì)算每個(gè)果蠅個(gè)體的味道濃度判定值S_i：

S_i＝1/Dist_i(1.7)

其中，Dist_i為第i個(gè)果蠅個(gè)體與坐標(biāo)原點(diǎn)之間的距離，X_i、Y_i分別為第i個(gè)果蠅個(gè)體的x軸和y軸位置，S_i為第i個(gè)果蠅個(gè)體的味道濃度判定值；

5)將步驟4)中的第i個(gè)果蠅個(gè)體的味道濃度判定值S_i帶入味道濃度判定函數(shù)Function，求出每個(gè)果蠅個(gè)體位置的味道濃度Smell，并找出該果蠅群體中味道濃度最佳的果蠅：

Smell_i＝Function(S_i)(1.8)

[bestSmell bestIndex]＝max(Smell_i)(1.9)

其中，Smell_i為第i個(gè)果蠅個(gè)體位置的味道濃度，F(xiàn)unction()為味道濃度判定函數(shù)，bestSmell和bestIndex分別為當(dāng)前迭代次數(shù)中果蠅群體中最濃味道值和最濃味道值所在的果蠅個(gè)體標(biāo)號，max()為求最大值函數(shù)；

6)記錄下味道濃度最佳果蠅的味道濃度值以及其位置坐標(biāo)，果蠅群體中所有果蠅逐漸飛向這個(gè)位置以達(dá)到全局最優(yōu)解：

Smellbest＝bestSmell(1.10)

X_axis＝X_bestIndex(1.11)

Y_axis＝Y(jié)_bestIndex(1.12)

其中，bestSmell為全局果蠅群體中最濃味道值，X_axis,Y_axis，X_bestIndex,Y_bestIndex為達(dá)到最優(yōu)解的果蠅群體所在的位置坐標(biāo)；

7)進(jìn)入迭代優(yōu)化階段，重復(fù)上述步驟4)到步驟5)，并判斷味道濃度值是否大于前一迭代的味道濃度，若是，則執(zhí)行步驟6)；若否，則在最大迭代次數(shù)內(nèi)繼續(xù)重復(fù)上述步驟4)到步驟5)，得到小區(qū)群體在最大資源利用率時(shí)的各小區(qū)保持不變的業(yè)務(wù)流量值和鄰小區(qū)轉(zhuǎn)移到本小區(qū)的業(yè)務(wù)流量值；

8)根據(jù)小區(qū)群體在最大資源利用率時(shí)的各小區(qū)保持不變的業(yè)務(wù)流量值和鄰小區(qū)轉(zhuǎn)移到本小區(qū)的業(yè)務(wù)流量值，得到最大總體資源利用率的歷史最佳負(fù)載均衡策略，然后中心節(jié)點(diǎn)將歷史最佳負(fù)載均衡策略以廣播的形式發(fā)送給各小區(qū)；

(二)每個(gè)小區(qū)根據(jù)自己與鄰小區(qū)的歷史流量信息及負(fù)載均衡方案構(gòu)造GBDT回歸模型，并訓(xùn)練GBDT回歸模型，判斷是否還能夠接收呼叫業(yè)務(wù)或者轉(zhuǎn)移業(yè)務(wù)；

具體過程如下：

1)各小區(qū)接收并保存由步驟(一)中心節(jié)點(diǎn)發(fā)送的歷史最佳負(fù)載均衡策略；

2)各小區(qū)根據(jù)本小區(qū)和鄰小區(qū)的歷史流量及歷史最佳負(fù)載均衡策略構(gòu)造GBDT回歸模型的特征，GBDT回歸模型的特征有：時(shí)間t、本小區(qū)流量x_ti、鄰小區(qū)流量y_ti、本小區(qū)與鄰小區(qū)的流量差值δ_ti、歷史最佳負(fù)載均衡策略中該小區(qū)保持不變的業(yè)務(wù)流量x_t'_i，歷史最佳負(fù)載均衡策略中鄰小區(qū)轉(zhuǎn)移到該小區(qū)的業(yè)務(wù)流量值y_t'_i；

3)各小區(qū)構(gòu)建GBDT回歸模型，來對小區(qū)未來的負(fù)載進(jìn)行預(yù)測；

(三)若能夠接收呼叫任務(wù)，在進(jìn)行接入控制時(shí)，每個(gè)小區(qū)基于本小區(qū)和鄰小區(qū)預(yù)測的流量值，對本小區(qū)的接入控制進(jìn)行預(yù)測；

具體過程如下：

1)采用基于模糊聚類的LSTM的預(yù)測方法對t時(shí)刻的本小區(qū)的業(yè)務(wù)流量值和鄰小區(qū)轉(zhuǎn)移到本小區(qū)的業(yè)務(wù)流量值進(jìn)行預(yù)測，得到下一時(shí)刻本小區(qū)的業(yè)務(wù)流量預(yù)測值和鄰小區(qū)轉(zhuǎn)移到本小區(qū)的業(yè)務(wù)流量預(yù)測值

2)將步驟1)得到的下一時(shí)刻本小區(qū)的業(yè)務(wù)流量預(yù)測值和鄰小區(qū)轉(zhuǎn)移到本小區(qū)的業(yè)務(wù)流量預(yù)測值替換測試集中的x_t'_+1i和y_t'_+1i，然后將測試集輸入至步驟(二)中訓(xùn)練好的GBDT回歸模型當(dāng)中，得到預(yù)測值，若得到的預(yù)測值大于小區(qū)資源上限值則拒絕業(yè)務(wù)的接入，若預(yù)測值小于小區(qū)的資源上限值則接受業(yè)務(wù)的接入；

(四)如果小區(qū)進(jìn)行接入控制后的負(fù)載過載，則進(jìn)行業(yè)務(wù)的切換控制來均衡負(fù)載。