流量矩阵的估计方法和装置制造方法及图纸

本发明专利技术实施例提供的流量矩阵的估计方法和装置，可以解决求解流量矩阵时准确率较低、计算复杂度较高和效率低的问题。具体方案为：获取预设范围内网络的流量值并根据获取的流量值得到约束矩阵B；根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R；其中，流量矩阵X＝LRT，L为利用非负矩阵分解算法分解流量矩阵X得到的左特征向量，R为利用非负矩阵分解算法分解流量矩阵X得到的右特征向量，约束条件为Λ(LRT)＝B，Λ(·)为线性算子，rank(LRT)为流量矩阵X的秩，min函数为求最小值的函数。

【技术实现步骤摘要】

本专利技术实施例涉及通信领域，尤其涉及一种流量矩阵的估计方法和装置。
技术介绍
互联网的高速发展，使网络类型呈现出多样化、规模大型化、结构复杂化的特点，网络性能参数变化也越来越复杂，流量矩阵是最重要的网络性能参数之一。流量矩阵表示的是通信网络中源节点-目的节点(英文：Origin-Destination，缩写：OD)对的流量信息。流量矩阵的准确性至关重要，如果能够获取准确的流量矩阵，网络工作人员不但可以优化网络拓扑结构的设计、链路容量的规划、流量的预测和路由协议的实现，而且还能更好的制定路由策略，使网络总流量负载均衡、实时检测网络中流量的异常，防止外来攻击进而保证网络的安全。但是，直接监控网络获取流量矩阵非常困难，因此，如何根据有限链路的测量数据和路由信息等先验信息，合理地建立数学模型来估计和预测流量矩阵已经成为一个重要的研究课题。目前求解流量矩阵的方法主要有以下三种：线性规划法、主成分分析方法、神经网络算法。线性规划法利用约束条件，最优化目标函数来求解流量矩阵。不过利用该方法求解的矩阵方程的欠定程度仍然比较大(方程的秩仍远小于所需求解的未知数)，并且随着网络规模的增大，目标函数的不确定变量因子进一步增多，导致最终求解出来的流量矩阵准确性较低。主成分分析法计算量大，并且需要的存储空间要求比较大，忽略了数据在高维上的关系。由于主成分分析法依赖所给数据，所以采集数据的准确性对最终的分析结果影响很大。神经网络算法普遍存在着稳定性和可塑性不可调和的矛盾，这使得神经网络在学习新的样本时会影响甚至是遗忘旧有的记忆。流量矩阵的复杂特性和高维特性需要大量的样本才能够充分的训练神经网络的权值。而这些必将导致神经网络的训练速度非常慢，对大量的高维样本数据的训练，会加剧神经网络记忆性和可塑性的矛盾，即记忆扭曲变形或记忆消失的问题。综上所述，现有的求解流量矩阵的方法，均存在准确率较低、计算复杂度较高和效率低的问题。
技术实现思路
本专利技术实施例提供的流量矩阵的估计方法和装置，可以解决求解流量矩阵时准确率较低、计算复杂度较高和效率低的问题。第一方面，本专利技术实施例提供一种流量矩阵的估计方法，所述方法包括：获取预设范围内网络的流量值并根据所述流量值得到约束矩阵B；根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R；其中，流量矩阵X＝LRT，L为利用非负矩阵分解算法分解所述流量矩阵X得到的左特征向量，R为利用非负矩阵分解算法分解所述流量矩阵X得到的右特征向量，所述约束条件为Λ(LRT)＝B，Λ(·)为线性算子，rank(LRT)为所述流量矩阵X的秩，min函数为求最小值的函数。结合第一方面，在第一种可能的实现方式中，所述根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R具体包括：利用规则化核范数将所述目标函数min(rank(LRT))转换为第二目标函数其中，为所述左特征向量L的第F范数的平方，为所述右特征向量R的第F范数的平方，F为预设值；根据所述预设算法以及所述约束条件求解所述第二目标函数以获取所述左特征向量L和所述右特征向量R。结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述根据所述预设算法以及所述约束条件求解所述第二目标函数以获取所述左特征向量L和所述右特征向量R具体包括：根据低秩估计正则化将在所述约束条件下的所述第二目标函数转换为第三目标函数其中，λ为预设参数，为(Λ(LRT)-B)的第F范数的平方，F为预设值；根据所述预设算法求解所述第三目标函数以获取所述左特征向量L和所述右特征向量R。结合第一方面的第二种可能的实现方式，在第三种可能的实现方式中，所述根据所述预设算法求解所述第三目标函数以获取所述左特征向量L和所述右特征向量R具体包括：将所述第三目标函数转换为第四目标函数其中，T为常对角矩阵，S为根据所述流量矩阵X的相邻行向量相似度值得到的矩阵；根据所述预设算法求解所述第四目标函数以获取所述左特征向量L和所述右特征向量R。结合第一方面或其上述实现方式的任一种，在第四种可能的实现方式中，所述预设算法包括：交替最小二乘算法、迭代阈值算法、最小全变分算法或匹配追踪算法。第二方面，本专利技术实施例提供一种用于估计流量矩阵的装置，所述装置包括：获取单元，用于获取预设范围内网络的流量值并根据所述流量值得到约束矩阵B；处理单元，用于根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R；其中，流量矩阵X＝LRT，L为利用非负矩阵分解算法分解所述流量矩阵X得到的左特征向量，R为利用非负矩阵分解算法分解所述流量矩阵X得到的右特征向量，所述约束条件为Λ(LRT)＝B，Λ(·)为线性算子，rank(LRT)为所述流量矩阵X的秩，min函数为求最小值的函数。结合第二方面，在第一种可能的实现方式中，所述处理单元具体用于：利用规则化核范数将所述目标函数min(rank(LRT))转换为第二目标函数其中，为所述左特征向量L的第F范数的平方，为所述右特征向量R的第F范数的平方，F为预设值；根据所述预设算法以及所述约束条件求解所述第二目标函数以获取所述左特征向量L和所述右特征向量R。结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述处理单元具体用于：根据低秩估计正则化将在所述约束条件下的所述第二目标函数转换为第三目标函数其中，λ为预设参数，的第F范数的平方，F为预设值；根据所述预设算法求解所述第三目标函数以获取所述左特征向量L和所述右特征向量R。结合第二方面的第二种可能的实现方式，在第三种可能的实现方式中，所述处理单元具体用于：将所述第三目标函数转换为第四目标函数其中，T为常对角矩阵，S为根据所述流量矩阵X的相邻行向量相似度值得到的矩阵；根据所述预设算法求解所述第四目标函数以获取所述左特征向量L和所述右特征向量R。结合第二方面或其上述实现方式的任一种，在第四种可能的实现方式中，所述预设算法包括：交替最小二乘算法、迭代阈值算法、最小全变分算法或匹配追踪算法。本专利技术实施例提供的流量矩阵的估计方法和装置，获取预设范围内网络的流量值并根据所述流量值得到约束矩阵B；利用非负矩阵分解算法分解流量矩阵X，其中，所述流量矩阵X＝LRT，L为所述流量矩阵的本文档来自技高网...

【技术保护点】
一种流量矩阵的估计方法，其特征在于，包括：获取预设范围内网络的流量值并根据所述流量值得到约束矩阵B；根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和R；其中，流量矩阵X＝LRT，L为利用非负矩阵分解算法分解所述流量矩阵X得到的左特征向量，R为利用非负矩阵分解算法分解所述流量矩阵X得到的右特征向量，所述约束条件为Λ(LRT)＝B，Λ(·)为线性算子，rank(LRT)为所述流量矩阵X的秩，min函数为求最小值的函数。

【技术特征摘要】
1.一种流量矩阵的估计方法，其特征在于，包括：
获取预设范围内网络的流量值并根据所述流量值得到约束矩阵B；
根据预设算法以及约束条件求解目标函数min(rank(LRT))以获取L和
R；其中，流量矩阵X＝LRT，L为利用非负矩阵分解算法分解所述流量矩阵
X得到的左特征向量，R为利用非负矩阵分解算法分解所述流量矩阵X得到
的右特征向量，所述约束条件为Λ(LRT)＝B，Λ(·)为线性算子，rank(LRT)为
所述流量矩阵X的秩，min函数为求最小值的函数。
2.根据权利要求1所述的方法，其特征在于，所述根据预设算法以及约
束条件求解目标函数min(rank(LRT))以获取L和R具体包括：
利用规则化核范数将所述目标函数min(rank(LRT))转换为第二目标函
数其中，为所述左特征向量L的第F范数的平方，为所述右特征向量R的第F范数的平方，F为预设值；
根据所述预设算法以及所述约束条件求解所述第二目标函数
以获取所述左特征向量L和所述右特征向量R。
3.根据权利要求2所述的方法，其特征在于，所述根据所述预设算法以
及所述约束条件求解所述第二目标函数以获取所述左特征
向量L和所述右特征向量R具体包括：
根据低秩估计正则化将在所述约束条件下的所述第二目标函数
转换为第三目标函数其中，λ为预设参数，为(Λ(LRT)-B)的第F范数的平方，F
为预设值；
根据所述预设算法求解所述第三目标函数
以获取所述左特征向量L和所述右特征
向量R。
4.根据权利要求3所述的方法，其特征在于，所述根据所述预设算法求
解所述第三目标函数以获取所述左特征
向量L和所述右特征向量R具体包括：
将所述第三目标函数转换为第四目

\t标函数其中，T
为常对角矩阵，S为根据所述流量矩阵X的相邻行向量相似度值得到的矩阵；
根据所述预设算法求解所述第四目标函数
以获取所述左特
征向量L和所述右特征向量R。
5.根据权利要求1至4任一所述的方法，其特...

【专利技术属性】
技术研发人员：涂丹丹，
申请(专利权)人：杭州华为数字技术有限公司，
类型：发明
国别省市：浙江;33