The present invention provides an estimation method of large scale IP traffic in time frequency synchronization application, which involves the field of network management technology in time frequency synchronous network environment. This method is based on the estimation method of large scale IP flow matrix of RBF neural network, and uses RBF neural network to simulate the estimation of large IP flow matrix. By training RBF neural network, a large-scale IP traffic matrix estimation model is established. At the same time, combined with the model and iterative proportional fitting process, a large IP traffic matrix is well estimated and dynamically tracked.
【技术实现步骤摘要】
一种时频同步应用中大规模IP流量的估计方法
本专利技术涉及时频同步网络环境下网络管理
,尤其涉及一种时频同步应用中大规模IP流量的估计方法。
技术介绍
随着信息技术的发展,互联网的规模呈指数级增长。互联网已经由简单的网络变成了异构的和复杂的网络。并且,维护和管理大型网络非常困难。因此,如何有效地处理与大规模网络相关联的活动是网络运营商目前面临的主要问题之一。这些活动包括网络尺寸、负载均衡、流量检测、网络容量规划、路由优化、故障管理和配置等。为了很好地处理这些活动,网络运营商应该知道网络流量是如何通过他们的网络。而流量矩阵反映的是网络中的所有源和目的地对之间流动的流量。其元素被称为源始目的地(OD)对(或流)。同时,流量矩阵为网络运营商提供了大规模网络中所有流量是如何流动的。因此,以流量矩阵作为流量工程和网络管理的关键输入,对网络运营商准确获取大规模网络中的流量矩阵具有重要意义。然而,在大规模网络中直接测量流量通常是不实用的。1996年,Vardi首先介绍了用网络层析成像方法来研究网络中的流量矩阵是间接测量的问题。从那时起,许多研究人员研究了这个问题并提出了解决方案。随着Vardi将网络层析成像方法引入到研究领域,尽管流量矩阵的估计已经被充分研究,但准确地估计大规模网络的流量矩阵仍是非常困难的。一方面,大型网络的规模比简单的大得多。这使得流量矩阵的计算和处理更加困难和复杂。尤其,在时间和空间上的开销大得多。另一方面,大规模网络中流量矩阵的模型不是太准确以至于不能捕获它们的特性。Li,M.B.,Peng,J.-X.等使用统计推理方法通过将OD流模型化为概 ...
【技术保护点】
一种时频同步应用中大规模IP流量的估计方法,其特征在于:包括以下步骤:步骤1:收集获得网络IP流量样本数据集S,初始化整个RBF神经网络模型,设置误差界限δ、总的迭代步数T和迭代变量k=0;步骤2:构建包括输入层和输出层的两层RBF神经网络模型G,将网络IP流量样本数据集S进行数据零均值归一化预处理,构建训练数据对{<y(t‑1),x(t)>,<y(t),x(t+1)>,…,<y(t+h‑1),x(t+h)>},其中y(r)=(x(r‑R),x(r‑(R‑1)),...,x(r‑1)),R表示当前时隙之前的时隙数目,x(t)=(x1(t),x2(t),...,xN(t))
【技术特征摘要】
1.一种时频同步应用中大规模IP流量的估计方法,其特征在于:包括以下步骤:步骤1:收集获得网络IP流量样本数据集S,初始化整个RBF神经网络模型,设置误差界限δ、总的迭代步数T和迭代变量k=0;步骤2:构建包括输入层和输出层的两层RBF神经网络模型G,将网络IP流量样本数据集S进行数据零均值归一化预处理,构建训练数据对{<y(t-1),x(t)>,<y(t),x(t+1)>,…,<y(t+h-1),x(t+h)>},其中y(r)=(x(r-R),x(r-(R-1)),...,x(r-1)),R表示当前时隙之前的时隙数目,x(t)=(x1(t),x2(t),...,xN(t))T表示当前网络流量矩阵,N表示网络中OD流数据目,T表示矩阵转置,r=t-1,t,...,t+h-1;将训练数据对输入到网络模型G中,得到RBF神经网络模型G训练结果的输出值其中y(r)和x(s)分别为网络模型G的输入和输出数据,s=t,t+1,...,t+h;步骤3:计算RBF神经网络模型G的梯度,并更新该网络模型G的权重;步骤4:计算网络模型G输出的误差其中x(t)表示真实的IP...
【专利技术属性】
技术研发人员:孟凡博,马伟哲,姜运斗,吴菲,关松,赵宏昊,李学斌,宋曼瑞,刘鹏,蒋定德,
申请(专利权)人:国网辽宁省电力有限公司本溪供电公司,国网辽宁省电力有限公司,国家电网公司,
类型:发明
国别省市:辽宁,21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。