一种面向大数据互联网的多业务流量估计方法技术

本发明专利技术提出一种面向大数据互联网的多业务流量估计方法，属于通信网络技术领域，包括如下步骤：步骤1：网络管理站采用简单网络管理协议获取骨干网链路负载；步骤2：网络管理站根据网络拓扑结构以及路由器中路由表信息获取路由矩阵；步骤3：网络管理站生成一个随机的伯努利矩阵，并根据该矩阵确定部分直接测量的端到端网络流量；步骤4：利用主成分分析方法近似地描述流量矩阵；步骤5：根据步骤1、2和4构建网络层析成像模型；步骤6：根据步骤3和4构建线性测量模型；步骤7：根据步骤5和6中的模型，网络管理站通过构建最优化模型的方法估计流量矩阵。本发明专利技术通过伯努利矩阵构建线性测量模型，并采用网络层析成像技术构建流量估计模型。

【技术实现步骤摘要】

本专利技术属于通信网络
，特别涉及一种面向大数据互联网的多业务流量估 计方法。
技术介绍
随着信息和通信技术的不断发展，互联网技术已经深入到当今社会生活、工业生 产中。特别是"互联网+"的提出，进一步推进了互联网技术在工业、农业等领域的推广，促 进了社会产业信息化进程。互联网技术逐渐深入到社会各个领域的同时，海量数据处理、信 息安全等方面的问题日益突出，这些问题给网络管理提出了更高的要求。 近些年，互联网为不同的终端用户提供了多种多样的网络服务，在此背景下互联 网已经成为一个复杂的异构网络。网络管理功能被引入到网络中以保证每一个用户的服务 质量。对于一个网络管理者，其在执行一个有效的网络管理功能时首先需要了解端到端网 络流量的状态信息。在实际当中，端到端网络流量信息可以通过流量矩阵进行描述，流量矩 阵是网络管理过程一个重要的输入参数。 虽然流量矩阵具有极其重要的作用，但是对于一个大尺度骨干网来说，获取流量 矩阵并不简单。这个原因是多重的，首先，对于一个大尺度骨干网，直接采集网络流量信息 是不可实现的。在这种情况下，研究人员更倾向于间接地估计网络流量而非直接采集网络 流量信息。在众多的网络流量估计方法中，通常是通过其他有效的网络信息去推断网络流 量，例如网络层析成像技术通过链路负载和路由信息去估计网络流量。然而网络层析成像 模型具有高度的病态特性，因此估计网络流量的研究任然面临诸多挑战。
技术实现思路
针对现有方法存在的不足，本专利技术提出一种面向大数据互联网的多业务流量估计 方法，以此获取准确的骨干网流量估计值，为实现有效的网络管理和网络规划奠定坚实的 基础。 -种面向大数据互联网的多业务流量估计方法，包括以下步骤： 步骤1 :网络管理站采用简单网络管理协议获取骨干网链路负载； 步骤2 :网络管理站根据网络拓扑结构以及路由器中路由表信息获取路由矩阵； 步骤3 :网络管理站生成一个随机的伯努利矩阵，并根据该矩阵确定部分直接测量的 端到端网络流量； 步骤4 :利用主成分分析方法近似地描述流量矩阵； 步骤5 :根据步骤1、2和4构建网络层析成像模型； 步骤6 :根据步骤3和4构建线性测量模型； 步骤7 :根据步骤5和6中的模型，网络管理站通过构建最优化模型的方法估计流量矩 阵。 步骤1所述的网络管理站采用简单网络管理协议获取骨干网链路负载，方法为： 当用矩阵z表示链路负载时，对于一个具有#节点和户条链路的骨干网，截取r个时槽的 链路负载数据，则z为一个矩阵。 步骤2所述的网络管理站根据网络拓扑结构以及路由器中路由表信息获取路由 矩阵，方法为：当用#示路由矩阵时，对于一个具有#节点和Z3条链路的骨干网，路由矩 阵^/一个fXi的矩阵。 步骤3所述的网络管理站生成一个随机的伯努利矩阵，并根据该矩阵确定部分直 接测量的端到端网络流量，具体步骤如下： 步骤3-1 :用矩阵示一个流量矩阵，则流量矩阵为一个#X肅矩阵，每一个端到端 网络流量获得一个标识，分别为1至#; 步骤3-2 :网络管理站生成一个的随机伯努利矩阵，用符号i?表示，其元素之分 别为1或0。矩阵万中每一个元素独立同分布，并且其中fl，2，"*，ft /?=1，2,…，见z为当之"=1时的概率； 步骤3-3 :对伯努利矩阵雄]每一个列上的元素取并集，即其中，『"为W中每一个列的元素并集的计算结果； 步骤3-4 :当％的值等于1时，则网络管理站通过控制路由器端口的方法，利用路由器NetFlow功能测量编号为的端到端网络流量； 步骤3-5 :将直接测量的端到端网络流量放入流量矩阵_，则流量矩阵_包含了通 过直接测量而已知的端到端网络流量和未被测量的未知流量； 步骤3-6 :根据步骤3-5获得了一个线性系统，SP F二撕， 其中，矩阵玲尔为测量值，由上面的线性关系可知，/只与流量矩阵_已知的端到端 网络流量有关，而与未知流量无关，因此测量值役t于我们来说是已知的，可通过直接测量 的端到端网络流量和伯努利矩阵辨目乘计算得到。 步骤4所述的利用主成分分析方法近似地描述流量矩阵，具体步骤如下： 步骤4-1:网络管理站搜集历史流量矩阵，并表示为if; 步骤4-2:利用奇异值分解的方法分解历史流量矩阵，的转置，即其中，2$为对角矩阵，其对角元素上的值为矩阵的奇异值。0为一个正交矩阵，矩 阵"描述了历史流量矩阵动态变化信息； 步骤4-3:利用主成分近似地描述矩阵M%即其中，对角矩阵为提取尤个主成分后的奇异值矩阵，该步骤相当于保留尤个最大的 奇异值，并将其余小的奇异值设置为〇 ; 步骤4-4 :用历史流量矩阵，的主成分近似地描述流量矩阵私即其中，矩阵"描述了流量矩阵滅勺动态变化特性。 步骤5所述的根据步骤1、2和4构建网络层析成像模型，方法为：网络层析成像模 型表示为 步骤6所述的根据步骤3和4构建线性测量模型，方法为：该构建的模型表示为： 步骤7所述的根据步骤5和6中的模型，网络管理站通过构建最优化模型的方法 估计流量矩阵，具体步骤如下： 步骤7-1 :步骤5和6中的模型构建优化模型，如下步骤7-2 :通过求解步骤7-1中的最优化模型的方法获得矩阵的的估计值，表示为Es{的，则流量矩阵估计值Es{对=P2 %Es{的。 本专利技术的优点：本专利技术，采用压缩 感知技术和网络层析成像技术，一方面，克服了网络层析成像技术的欠定特性；另一方面， 避免了直接测量所有端到端网络流量的巨大开销问题。本专利技术方法获得了较好的流量矩阵 估计值，在估计误差方面有了明显的改进，估计误差降低了 16%。【附图说明】 图1为本专利技术具体实施例的网络 拓扑结构； 图2为本专利技术结构示意图； 图3为本专利技术流程图； 图4为本专利技术标号为99的端到端网络 流量真实值和估计值对比示意图； 图5为本专利技术标号为105的端到端网络 流量真实值和估计值对比示意图； 图6为本专利技术的相对均方根误差示意 图； 图7为本专利技术的相对均方根误差的累 积分布函数示意图。【具体实施方式】 下面结合附图和实施例对本专利技术作进一步详细说明。 本实施例对Abilene骨干网络数据进行估计，Abilene骨干网网络拓扑结构如图1 所示，其包含了 12个节点和54条单向链路(包括24条外部链路和30条内部链路)。因此 流量矩阵例3端到端网络流量的数目为#=12 2=144,链路负载的数量/^54。对于伯努利矩 阵汉其行数炉144,且F〇. 01。在主成分分析过程中，取主成分数量尤 =6。 本实施例，具体步骤如图2所示。 步骤1:网络管理站采用简单网络管理协议获取骨干网链路负载； 当用矩阵Z表示链路负载时，对于一个具有12个节点和54条链路的骨干网，截取1516 个时槽的链路负载数据，则Z为一个54X1516的矩阵。 步骤2 :网络管理站根据网络拓扑结构以及路由器中路由表信息获取路由矩阵； 当用#示路由矩阵时，对于一个具有12个节点和54条链路的骨干网，路由矩阵於3 一个54X144的矩阵。 步骤3 :网络管理站生成一个随机的伯努利矩阵，并根据该矩阵确定部分直接测 量的端到端网络流量，具体步骤如下： 步骤3-1 :用矩阵示一个流量矩阵，则流量矩阵为一个144X1516的矩阵，每一个 端到端网络流量获得一个识别码，分别为1至144 本文档来自技高网...

【技术保护点】
一种面向大数据互联网的多业务流量估计方法，其特征在于：包括如下步骤：步骤1：网络管理站采用简单网络管理协议获取骨干网链路负载；步骤2：网络管理站根据网络拓扑结构以及路由器中路由表信息获取路由矩阵；步骤3：网络管理站生成一个随机的伯努利矩阵，并根据该矩阵确定部分直接测量的端到端网络流量；步骤4：利用主成分分析方法近似地描述流量矩阵；步骤5：根据步骤1、2和4构建网络层析成像模型；步骤6：根据步骤3和4构建线性测量模型；步骤7：根据步骤5和6中的模型，网络管理站通过构建最优化模型的方法估计流量矩阵。

【技术特征摘要】

【专利技术属性】
技术研发人员：蒋定德，聂来森，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21