[發(fā)明專利]一種以流量工程為中心的流量矩陣預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202110810615.0
• 申請日: 2021-07-16
• 公開（公告）號: CN113556266B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 郭澤華;張云天;韓寧;竇松石
• 申請（專利權(quán)）人: 北京理工大學(xué)
• 主分類號: H04L43/0876
• 分類號: H04L43/0876;H04L41/147;G06F18/214;G06N3/0442;G06N3/08
• 代理公司: 北京理工大學(xué)專利中心 11120
• 代理人: 代麗

本發(fā)明公開了一種以流量工程為中心的流量矩陣預(yù)測方法，通過設(shè)計方法捕獲與流量工程相關(guān)的流量矩陣關(guān)鍵特性，提出了以流量工程為中心的流量矩陣預(yù)測問題。本發(fā)明設(shè)計了相應(yīng)的基于深度學(xué)習(xí)的模型實現(xiàn)方法，能夠為流量工程提供所需的預(yù)測的流量矩陣。實驗證明，在真實骨干網(wǎng)拓?fù)洵h(huán)境下本發(fā)明可有效緩解網(wǎng)絡(luò)擁塞的情況，提高骨干網(wǎng)的性能，并有效降低了預(yù)測流量矩陣過程中的訓(xùn)練開銷。

技術(shù)領(lǐng)域

本發(fā)明屬于計算機(jī)網(wǎng)絡(luò)技術(shù)領(lǐng)域，具體涉及一種以流量工程為中心的流量矩陣預(yù)測方法。

背景技術(shù)

流量矩陣是指由計算機(jī)網(wǎng)絡(luò)中一段時間內(nèi)每對源網(wǎng)絡(luò)節(jié)點與目的網(wǎng)絡(luò)節(jié)點間的流量大小構(gòu)成的矩陣，流量矩陣是網(wǎng)絡(luò)運行和管理的重要組成部分，在流量工程中，往往通過對流量矩陣中的流進(jìn)行路由與重路由，來降低網(wǎng)絡(luò)中擁塞最嚴(yán)重的鏈路的利用率。然而，由于成本與運營問題，流量矩陣往往難以直接測量。針對這一問題，可以將流量矩陣看作一個時間序列，使用特定的時間序列模型將過去的流量矩陣作為輸入，預(yù)測獲得下一時刻的流量矩陣。

大部分流量矩陣預(yù)測的研究都是基于歷史流量來預(yù)測單個流量矩陣。其中，自回歸移動平均模型(ARMA)與自回歸綜合移動平均模型(ARIMA)是最常見的線性序列模型預(yù)測方法，Ahmed與Cook等學(xué)者使用ARIMA進(jìn)行了矩陣預(yù)測。然而，流量矩陣的時域模型會發(fā)生顯著的動態(tài)變化，以至于線性預(yù)測模型無法識別并描述某些非線性特征。因此，線性模型僅適用于部分場景，無法廣泛應(yīng)用。

近年來，學(xué)者們提出了一些基于神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測方法。例如，循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)因其結(jié)構(gòu)特性可以記憶并利用先前信息，被應(yīng)用于時間序列預(yù)測任務(wù)中。長短時間記憶網(wǎng)絡(luò)(LSTM)與門控循環(huán)單元(GRU)是較為完善的循環(huán)神經(jīng)網(wǎng)絡(luò)，在流量矩陣預(yù)測領(lǐng)域中也得到了廣泛使用。Hochreiter與Cho分別使用了LSTM與GRU對流量矩陣進(jìn)行了預(yù)測，取得了一定的成果。而目前性能最好的流量矩陣預(yù)測方法是Gao等學(xué)者提出的ACRNN，其通過卷積神經(jīng)網(wǎng)絡(luò)(CNN)捕捉流之間的相關(guān)性，通過循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)捕捉流內(nèi)部的相關(guān)性，并為CNN和RNN分別設(shè)計了注意力機(jī)制。

現(xiàn)有的流量矩陣預(yù)測研究主要集中在對流量矩陣中各元素值的精確預(yù)測上。然而，一方面，準(zhǔn)確預(yù)測每個元素的值是十分困難的，即使是最先進(jìn)的方法ACRNN也會產(chǎn)生10⁵數(shù)量級的預(yù)測誤差，并在一些特定元素的預(yù)測結(jié)果上誤差尤為明顯。在流量工程應(yīng)用場景下，真實的流量矩陣與預(yù)測的流量矩陣的小誤差都可能會導(dǎo)致網(wǎng)絡(luò)性能的急劇衰減，因為這些誤差可能影響整個網(wǎng)絡(luò)的路由策略。另一方面，目前的預(yù)測方法雖然表現(xiàn)出不錯的性能，但是其需要大量數(shù)據(jù)集與較多的迭代次數(shù)來訓(xùn)練網(wǎng)絡(luò)。這些復(fù)雜的需求限制了此類預(yù)測方法在現(xiàn)實中的部署和進(jìn)一步應(yīng)用。

綜上所述，現(xiàn)有技術(shù)中流量矩陣的預(yù)測方法主要存在以下問題：一是，集中在對流量矩陣中各元素值的精確預(yù)測上，忽視了其在諸如流量工程中的應(yīng)用效果；二是，需要大量數(shù)據(jù)集和較多的迭代次數(shù)來訓(xùn)練網(wǎng)絡(luò)，限制了其在現(xiàn)實中的部署和進(jìn)一步應(yīng)用。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供了一種以流量工程為中心的流量矩陣預(yù)測方法，能夠基于預(yù)測的流量矩陣進(jìn)行網(wǎng)絡(luò)中流的路由與重路由，達(dá)到降低網(wǎng)絡(luò)擁塞、提升網(wǎng)絡(luò)性能的目的。

本發(fā)明提供的一種以流量工程為中心的流量矩陣預(yù)測方法，包括以下步驟：

步驟1、采集待測網(wǎng)絡(luò)M天內(nèi)連續(xù)時間點的流量矩陣，形成歷史數(shù)據(jù)集；其中，以預(yù)測時間點的前P個時間點對應(yīng)的實際流量矩陣作為輸入樣本，以預(yù)測的后N個時間點對應(yīng)的實際流量矩陣作為標(biāo)簽，形成訓(xùn)練樣本集及測試樣本集；

步驟2、建立流量矩陣預(yù)測模型，所述流量矩陣預(yù)測模型依次包括：歸一化層、展開層、嵌入層、時序模型層、映射裁剪重組層及誤差計算層；