一种确定无线网格网络流量的方法技术

本发明专利技术公开了一种确定无线网格网络流量的方法和系统。所述方法包括：构建深度信念网络模型；采集待检测无线网格网络的端到端流量，并将端到端流量作为第一网络流量的先验测量值；对先验测量值进行零均值处理，并获得处理后的零均值网络流量值的低频分量和高频分量；将低频分量输入深度信念网络模型，获得网络流量的低频预测值；采用空‑时压缩感知技术预测高频分量，获得网络流量的高频预测值；将网络流量的低频预测值和网络流量的高频预测值进行离散小波变换，获得端到端流量的预测值，即获得待检测网络的流量值。本发明专利技术提供的预测无线网格网络流量的方法和系统，能够对网络流量进行精确预测，且具有预测难度低的特点。

A method to determine the traffic of wireless grid network

【技术实现步骤摘要】
一种确定无线网格网络流量的方法
本专利技术涉及网络流量预测
，特别是涉及一种确定无线网格网络流量的方法。
技术介绍
近些年，伴随着物联网、车联网和时间敏感网络的发展，无线网格网络(无线Mesh网络)得到了广泛的应用，成为目前无线网络应用的支撑技术。无线Mesh网络仍然采用与传统的服务供应(英文全称InternetServiceProvider，简称ISP)网络相似的通信协议族。对于物联网、车联网等应用场景，相比于传统的ISP网络，其特点不仅仅在于物理层和数据链路层的差别，更主要在于网络拓扑结构的差别。也就是说，传统ISP网络的拓扑结构相对比较固定，而无线Mesh网络中节点随机接入或离开网络，网络拓扑结构变化频繁，这给组网技术的可扩展性提出了严格的要求。网络流量预测技术是网络规划等网络管理功能的基础和参考依据，是决定网络可扩展性的重要因素之一。随着无线Mesh网络的不断发展，面向无线Mesh网络的网络流量预测技术得到了广泛的关注。经过近20年的探索和发展，面向传统ISP网络的流量预测技术发展比较成熟，研究人员通过分析和建模网络流量的空间、时间和空-时特征来实现网络流量预测。然而，对于无线Mesh网络，其网络流量呈现出更多的突发特征，这显著增加了流量预测的难度。面向传统ISP网络的流量预测方法主要建模网络流量的低频特征，从而预测网络流量的变化趋势。而无线Mesh网络具有较多的高频分量，因此传统的统计模型很难对无线Mesh网络的流量进行精确预测。
技术实现思路
本专利技术的目的是提供一种确定无线网格网络流量的方法和系统，能够对网络流量进行精确预测，且具有预测难度低的特点。为实现上述目的，本专利技术提供了如下方案：一种确定无线网格网络流量的方法，包括：构建深度信念网络模型；所述深度信念网络模型是以零均值网络流量值的低频分量为输入，以网络流量的低频预测值为输出的神经网络模型；采集待检测无线网格网络的端到端流量，并将所述端到端流量作为第一网络流量的先验测量值；对所述第一网络流量的先验测量值进行零均值处理，得到第一零均值网络流量值；采用离散小波变换法，将所述第一零均值网络流量值分解为低频分量和高频分量；将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型，获得网络流量的低频预测值；采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量，获得网络流量的高频预测值；将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换，获得所述端到端流量的预测值；所述端到端流量的预测值即为待检测无线网格网络的流量值。可选的，所述构建深度信念网络模型之前，还包括：采集无线网格网络的端到端流量，并将所述端到端流量作为第二网络流量的先验测量值；对所述第二网络流量的先验测量值进行零均值处理，得到第二零均值网络流量值；获取所述第二零均值网络流量值的低频分量，并将所获得的低频分量作为训练集；选取所述训练集中符合预设条件的低频分量，对所述深度信念网络进行优化训练。可选的，所述采用空-时压缩感知技术预测所述高频分量，获得高频网络流量预测值，包括：将所述高频分量转换为矩阵，得到高频分量转换矩阵；获取所述高频分量转换矩阵的预测值，所述预测值的初始值为设定值；将所述预测值的初始值代入得到新的预测值；将所述新的预测值代入公式不断进行迭代，直至公式的最小值小于设定值；所述最小值即为所述网络流量的高频预测值；其中，||·||F表示范数，λ为正则化系数，D′为高频分量的转换矩阵，为高频分量转换矩阵的预测值，H为常数矩阵，L和R均为通过对进行奇异值分解得到的矩阵，U为表示变换趋势的矩阵，Σ为对角矩阵，V为正交矩阵。可选的，所述端到端流量的预测值为：式中，为端到端流量的预测值，为第n次平移后的低频分量转换矩阵的预测值，为第n次平移后的高频分量转换矩阵的预测值，n为平移次数，φ(*)为尺度函数，ψ(*)为小波函数。可选的，所述零均值网络流量值为：式中，xp,q(t)为零均值网络流量值，为t时刻从源节点到目标节点的网络流量先验测量值，T为信号周期。一种确定无线网格网络流量的系统，包括：网络模型构建模块，用于构建深度信念网络模型；所述深度信念网络模型是以零均值网络流量值的低频分量为输入，以网络流量的低频预测值为输出的神经网络模型；第一端到端流量采集模块，用于采集待检测无线网格网络的端到端流量，并将所述端到端流量作为第一网络流量的先验测量值；第一零均值处理模块，用于对所述第一网络流量的先验测量值进行零均值处理，得到第一零均值网络流量值；第一零均值网络流量分解模块，用于采用离散小波变换法，将所述第一零均值网络流量值分解为低频分量和高频分量；低频网络流量预测模块，用于将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型，获得网络流量的低频预测值；高频网络流量预测模块，用于采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量，获得网络流量的高频预测值；流量获取模块，用于将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换，获得所述端到端流量的预测值；所述端到端流量的预测值即为待检测无线网格网络的流量值。可选的，所述系统还包括：第二端到端流量采集模块，用于采集无线网格网络的端到端流量，并将所述端到端流量作为第二网络流量的先验测量值；第二零均值处理模块，用于对所述第二网络流量的先验测量值进行零均值处理，得到第二零均值网络流量值；训练集获取模块，用于获取所述第二零均值网络流量值的低频分量，并将所获得的低频分量作为训练集；优化训练模块，用于选取所述训练集中符合预设条件的低频分量，对所述深度信念网络进行优化训练。可选的，所述高频网络流量预测模块包括：矩阵转换单元，用于将所述高频分量转换为矩阵，得到高频分量转换矩阵；初始值设定单元，用于设定一个所述高频分量转换矩阵预测值的初始值；预测值获取单元，用于获取所述高频分量转换矩阵的预测值，所述预测值的初始值为设定值；所述预测值获取单元，还用于将所述预测值的初始值代入得到新的预测值；将所述新的预测值代入公式不断进行迭代，直至公式的最小值小于设定值；所述最小值即为所述网络流量的高频预测值；其中，||·||F表示范数，λ为正则化系数，D′为高频分量的转换矩阵，为高频分量转换矩阵的预测值，H为常数矩阵，L和R均为通过对进行奇异值分解得到的矩阵，U为表示变换趋势的矩阵，Σ为对角矩阵，V为正交矩阵。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的一种确定无线网格网络流量的方法和系统，通过采用“分而治之”的方法对所获得的低频分量和高频分量采用不同的预测方法进行预测，并对预测得到的低频网络流量预测值和高频网络流量预测值进行离散小波变换，获得待预测本文档来自技高网...

【技术保护点】
1.一种确定无线网格网络流量的方法，其特征在于，包括：/n构建深度信念网络模型；所述深度信念网络模型是以零均值网络流量值的低频分量为输入，以低频网络流量预测值为输出的神经网络模型；/n采集待检测无线网格网络的端到端流量，并将所述端到端流量作为第一网络流量的先验测量值；/n对所述第一网络流量的先验测量值进行零均值处理，得到第一零均值网络流量值；/n采用离散小波变换法，将所述第一零均值网络流量值分解为低频分量和高频分量；/n将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型，获得网络流量的低频预测值；/n采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量，获得网络流量的高频预测值；/n将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换，获得所述端到端流量的预测值；所述端到端流量的预测值即为待检测无线网格网络的流量值。/n

【技术特征摘要】
1.一种确定无线网格网络流量的方法，其特征在于，包括：
构建深度信念网络模型；所述深度信念网络模型是以零均值网络流量值的低频分量为输入，以低频网络流量预测值为输出的神经网络模型；
采集待检测无线网格网络的端到端流量，并将所述端到端流量作为第一网络流量的先验测量值；
对所述第一网络流量的先验测量值进行零均值处理，得到第一零均值网络流量值；
采用离散小波变换法，将所述第一零均值网络流量值分解为低频分量和高频分量；
将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型，获得网络流量的低频预测值；
采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量，获得网络流量的高频预测值；
将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换，获得所述端到端流量的预测值；所述端到端流量的预测值即为待检测无线网格网络的流量值。


2.根据权利要求1所述的一种确定无线网格网络流量的方法，其特征在于，所述构建深度信念网络模型之前，还包括：
采集无线网格网络的端到端流量，并将所述端到端流量作为第二网络流量的先验测量值；
对所述第二网络流量的先验测量值进行零均值处理，得到第二零均值网络流量值；
获取所述第二零均值网络流量值的低频分量，并将所获得的低频分量作为训练集；
选取所述训练集中符合预设条件的低频分量，对所述深度信念网络进行优化训练。


3.根据权利要求1所述的一种确定无线网格网络流量的方法，其特征在于，所述采用空-时压缩感知技术预测所述高频分量，获得高频网络流量预测值，包括：
将所述高频分量转换为矩阵，得到高频分量转换矩阵；
获取所述高频分量转换矩阵的预测值，所述预测值的初始值为设定值；
将所述预测值的初始值代入得到新的预测值；
将所述新的预测值代入公式不断进行迭代，直至公式的最小值小于设定值；所述最小值即为所述网络流量的高频预测值；
其中，||·||F表示范数，λ为正则化系数，D′为高频分量的转换矩阵，为高频分量转换矩阵的预测值，H为常数矩阵，L和R均为通过对进行奇异值分解得到的矩阵，U为表示变换趋势的矩阵，Σ为对角矩阵，V为正交矩阵。


4.根据权利要求3所述的一种确定无线网格网络流量的方法，其特征在于，所述端到端流量的预测值为：



式中，为端到端流量的预测值，为第n次平移后的低频分量转换矩阵的预测值，为第n次平移后的高频分量转换矩阵的预测值，n为平移次数，φ(*)为尺度函数，ψ(*)为小波函数。


5.根据权利要求1所述的一种确定无线网格网络流量的方法，其特征在于，所述零均值网络流量值为：

【专利技术属性】
技术研发人员：聂来森，尚润泽，吴诒轩，赵畅菲，吴甜司，李田丰，乔宁，王蕙质，
申请(专利权)人：西北工业大学青岛研究院，
类型：发明
国别省市：山东;37