一种基于RNN神经网络的RTT预测方法技术

本发明专利技术公开了一种基于RNN神经网络的RTT预测方法。该方法的步骤为：首先测量得到RTT数据并按照时间先后排序；然后提取RTT数据的特征并转换为神经网络的输入数据与标签数据，对数据按照RTT数据特征进行分类，并平衡各分类中数据的个数；建立RNN神经网络模型，该模型利用历史时刻的RTT数据特征作为输入，其输出是未来时刻的RTT数据；接着对神经网络进行训练；最后利用训练后的神经网络将实时测量的RTT数据的特征转换得到预测的RTT数据。本发明专利技术提出了一种量化反映未来RTT变化的方法，在高测量间隔的条件下，弥补单纯测量RTT不足以反映未来RTT变化的缺陷，能有效指导互联网应用应对复杂网络变化。

【技术实现步骤摘要】
一种基于RNN神经网络的RTT预测方法
本专利技术涉及网络通信
，特别涉及网络状况预测方法，具体涉及一种基于RNN神经网络的RTT预测方法。
技术介绍
随着互联网的逐渐普及，网络通信技术不断提高，用户对于优质网络的需求日益提高，许多日常互联网应用依赖于RTT(Round-TripTime)做出相应的调整策略。为了提高用户的实际体验，需要获知用户实时的RTT。例如，用户玩网络游戏时，服务器可以有多个选择，开发者根据用户与服务器之间的RTT选择中继结点以及转发路径，尽量减少用户玩游戏时的延时，增加操作连贯性，提高用户体验。目前主流的RTT测量的方法是服务器或者客户端发送一个带时间戳的RTT探测包，另一方收到RTT之后回复RTT探测包，最终服务器或客户端将当前时间减去RTT探测包内时间得到RTT。RTT在用户网络状况良好时都是稳定的，随时间推移不会有太大改变。当用户网络状况较差时，RTT随时间变化大。同时，客户端密度较高时，由于数据包的优先度问题，低探测间隔会带来RTT探测误差，因此需要提高RTT的探测间隔也就意味着探测得到的RTT是当前时刻或之前一段时间内的RTT，无法体现未来一段时间内的RTT变化。因此，现有RTT探测方法的主要缺陷是在高测量间隔的条件下，单纯测量RTT以及采用滤波处理的方式，这不足以反映未来RTT变化，将使得基于RTT变化所做的应用策略受到影响甚至失效。基于神经网络的RTT预测方法对于训练方法有一定的要求，具体体现在训练集的选取以及神经网络模型结构两个方面。在训练集的选取方面，RTT数据在大部分网络空闲的情况下都是稳定的，变化幅度较小，若直接采用这部分数据进行训练，很容易导致神经网络过拟合，在网络状态良好时预测效果较好，在网络状态较差时，预测效果不是很理想。在神经网络模型方面，RNN网络可以提取序列中随时间变化的动力特征，因此其在学习和测试序列具有不同长度时也可以有稳定的表现，在整体上要优于非RNN网络。
技术实现思路
针对上述现有技术存在的缺陷，本专利技术的目的是提供一种基于RNN神经网络的RTT预测方法，可以预测未来一段时间内RTT的变化。为了实现上述专利技术目的，本专利技术采用的技术方案如下：一种基于RNN神经网络的RTT预测方法，具体步骤为：步骤1，测量得到RTT数据，并按照时间先后排序；步骤2，提取RTT数据的特征并转换为神经网络的输入数据与标签数据，形成数据集；对数据集中的数据按照RTT数据特征进行分类，并平衡各分类中数据的个数；步骤3，建立RNN神经网络模型用于训练与预测，所述神经网络模型利用历史时刻的RTT数据特征作为输入，其输出是未来时刻的RTT数据；RNN神经网络模型至少包括一层RNN层或其变体，采用卷积层、全连接层或者池化层增加/减少特征维度，并采用BN层加速训练，以及采用Dropout层防止网络过拟合；步骤4，从步骤2平衡后的数据集中分出一批数据作为训练数据，另一批数据作为交叉验证数据；从训练数据中随机选择N个数据作为神经网络的输入数据；重复迭代至误差满足需求或者迭代达到一定次数；步骤5，使用交叉验证数据对神经网络进行验证，若效果满足需求则训练完成；步骤6，训练完成之后，提取实时测量的RTT数据的特征，输入神经网络计算，经过转换得到预测的RTT数据。进一步地，所述步骤2中，提取RTT数据的特征并转换为神经网络的输入数据与标签数据具体步骤如下：步骤21：利用公式平滑原始RTT数据，其中Rt为原始RTT数据，St为平滑之后的RTT数据，σ为常数；步骤22：取原始RTT数据减去对应时刻的平滑之后的RTT数据，再除以平滑之后的RTT数据，即得到时序RTT特征；步骤23：取多个连续时刻的时序RTT特征作为神经网络的输入，即其中n为输入时间维度长度；取下时刻的原始RTT数据减去此刻的平滑之后的RTT数据，再除以此刻平滑之后的RTT数据，即作为神经网络的训练标签Lt。本专利技术提出了一种量化反映未来RTT变化的方法，在实时测得用户RTT的基础上，将RTT数据的变化特征作为输入，通过RNN神经网络计算，预测出未来一段时间内的RTT。在高测量间隔的条件下，本专利技术可以弥补单纯测量RTT不足以反映未来RTT变化的缺陷，能有效指导互联网应用应对复杂网络变化。附图说明图1为本专利技术方法的流程图；图2为本专利技术实施例中四层神经网络结构图。具体实施方式下面结合实例对本专利技术作进一步的详细说明，有必要指出的是，以下的实例只用于对本专利技术做进一步的说明，不能理解为对本专利技术保护范围的限制，所属领域技术熟悉人员根据上述
技术实现思路
，对本专利技术做出一些非本质的改进和调整进行具体实施，应仍属于本专利技术的保护范围。图1展示了本专利技术基于RNN神经网络的RTT预测方法的流程图。过程101用于提取RTT的时序特征，并将测量RTT记录转换为神经网络的输入数据与标签数据，放入数据集。过程102根据需求划分数据集，保证每个分类的数据量在一个数量级。过程103使用神经网络进行训练，神经网络训练完成后，输入RTT数据经转换得到的时序特征，经过神经网络计算与数学换算之后得到下一时刻的RTT预测值。本实施例中，过程101包括的具体步骤如下：步骤1：将测量得到的RTT记录整合、采样、清洗之后按照时间先后排序。取RTT数据，按照公式平滑原始RTT数据，其中Rt为原始RTT数据，St为平滑之后的RTT数据。σ取0.1。对数据平滑之后，能够得到相对平稳的数据，降低数据噪声，减少噪声对模型拟合的影响。步骤2：取原始RTT数据减去对应时刻t的平滑之后的RTT数据，再除以平滑之后的RTT数据，即得到时序RTT特征。步骤3：神经网络的输入数据为：其中n为输入时间维度长度，本实施例取10个连续时刻的时序RTT特征作为神经网络的输入；取下时刻的原始RTT数据减去此刻的平滑之后的RTT数据，再除以此刻平滑之后的RTT数据，即作为神经网络的训练标签Lt。本实施例中，过程102的具体步骤如下：步骤1：得到过程101输出的数据集。步骤2：样本的RTT数据变化范围不是均匀的，采用深度学习的方式必须要保证各个标签的样本数量不能相差太大，本实施例采用的是根据RTT的变化率平衡样本数量，同时将样本数量较多的标签中的数据丢掉一些。这里，根据即下一时刻的RTT相对于此刻RTT的平滑值的变化率，将相对变化率的绝对值按照区间[0％,2％),[2％,8％),[8％,15％),[15％,∞)进行划分，记录五个区间内数据数量的最小值，记为最小样本数。将五个区间内数据分别随机采样，保证每个区间内数据数量为最小样本数。步骤3：将采样之后的数据集作为输出。通过神经网络计算预测RTT的具体步骤如下：步骤1：将过程102得到的数据集输入神经网络。步骤2：将神经网络的输出转换为下一时刻RTT的预测值，即Rt+1＝St*Ot+St，其中Rt+1为下一时刻的RTT预测值，本文档来自技高网...

【技术保护点】
1.一种基于RNN神经网络的RTT预测方法，其特征在于，该方法的具体步骤为：/n步骤1，测量得到RTT数据，并按照时间先后排序；/n步骤2，提取RTT数据的特征并转换为神经网络的输入数据与标签数据，形成数据集；对数据集中的数据按照RTT数据特征进行分类，并平衡各分类中数据的个数；/n步骤3，建立RNN神经网络模型用于训练与预测，所述神经网络模型利用历史时刻的RTT数据特征作为输入，其输出是未来时刻的RTT数据；/n步骤4，从步骤2平衡后的数据集中分出一批数据作为训练数据，另一批数据作为交叉验证数据；从训练数据中随机选择N个数据作为神经网络的输入数据；重复迭代至误差满足需求或者迭代达到一定次数；/n步骤5，使用交叉验证数据对神经网络进行验证，若效果满足需求则训练完成；/n步骤6，训练完成之后，提取实时测量的RTT数据的特征，输入神经网络计算，经过转换得到预测的RTT数据。/n

【技术特征摘要】
1.一种基于RNN神经网络的RTT预测方法，其特征在于，该方法的具体步骤为：
步骤1，测量得到RTT数据，并按照时间先后排序；
步骤2，提取RTT数据的特征并转换为神经网络的输入数据与标签数据，形成数据集；对数据集中的数据按照RTT数据特征进行分类，并平衡各分类中数据的个数；
步骤3，建立RNN神经网络模型用于训练与预测，所述神经网络模型利用历史时刻的RTT数据特征作为输入，其输出是未来时刻的RTT数据；
步骤4，从步骤2平衡后的数据集中分出一批数据作为训练数据，另一批数据作为交叉验证数据；从训练数据中随机选择N个数据作为神经网络的输入数据；重复迭代至误差满足需求或者迭代达到一定次数；
步骤5，使用交叉验证数据对神经网络进行验证，若效果满足需求则训练完成；
步骤6，训练完成之后，提取实时测量的RTT数据的特征，输入神经网络计算，经过转换得到预测的RTT数据。


2.根据权利要求1所述的一种基于RNN神经网络的RTT预测方法，其特征在于，所述步骤2中，提取RTT数据的特征并转换为神经网络的输入数据与标签数据具体步骤如下：
步骤21...

【专利技术属性】
技术研发人员：张旭，张欣宇，薛雨，马展，
申请(专利权)人：南京大学，成都云格致力科技有限公司，
类型：发明
国别省市：江苏;32