本申请提供一种流量重构方法、装置、设备及存储介质。该方法包括：根据采集的多个时段对应的流量数据确定对应的流量特征数据；根据流量特征数据以及流量数据确定稀疏基，并根据稀疏基确定稀疏表示；确定多个时段对应的流量数据中最新相邻时段对应的流量数据对应的相似度，根据相似度确定稀疏基是否可用；若稀疏基可用，则根据相似度优化稀疏表示，将稀疏基和优化的稀疏表示发送至输出端，以使输出端根据稀疏基和优化的稀疏表示重构对应的流量数据。本申请的方法，在流量数据重构前确认稀疏基是否可用，若稀疏基可用，说明稀疏基能够很好的进行稀疏表示，并对稀疏表示进行优化，根据稀疏基和优化的稀疏表示可更好的重构流量数据，减少重构误差。减少重构误差。减少重构误差。
【技术实现步骤摘要】
流量重构方法、装置、设备及存储介质
[0001]本申请涉及通信
，尤其涉及一种流量重构方法、装置、设备及存储介质。
技术介绍
[0002]随着5G网络的正式商用，高清视频、AR/VR等大流量带宽、高传输速率的业务应用场景越来越多，随着用户数量和业务量的不断增多，网络流量的潮汐现象越来越明显，流量抽样以及流量重构变得更为重要。
[0003]现有的流量抽样通常采用香农采样定理以及压缩感知理论，香农采样定理要求信号的采样频率必须达到信号最大频率分量的两倍及以上，才能从观测值中不失真地恢复原信号。而压缩感知理论可突破香农采样定理的限制，在低于奈奎斯特标准的情况下，对稀疏或可压缩信号进行采样，并精确恢复原信号，压缩感知理论可以降低信号获取对硬件的要求，因此得到广泛应用。压缩感知是以信号的稀疏表示为基础的，自然界中的信号往往不是稀疏的，但是在某些稀疏基下的投影是稀疏的，因此稀疏基的选取尤为重要。
[0004]而现有的稀疏基是一组正交变换基，如离散傅里叶变换基(Discrete Fourier Transform,DFT)以及冗余字典等。现有固定稀疏基不能对流量数据进行很好的稀疏表示，导致在实际应用中存在重构误差较大的问题。
技术实现思路
[0005]本申请提供一种流量重构方法、装置、设备及存储介质，用以解决现有固定稀疏基不能对数据进行很好的稀疏表示的问题。
[0006]第一方面，本申请提供一种流量重构方法，包括：
[0007]根据采集的多个时段对应的流量数据确定对应的流量特征数据；
[0008]根据所述流量特征数据以及所述流量数据确定对所述流量数据进行稀疏表示的稀疏基，并根据所述稀疏基确定最新时段对应的流量数据对应的稀疏表示；
[0009]确定多个时段对应的流量数据中最新相邻时段对应的流量数据对应的相似度，根据所述相似度确定稀疏基是否可用；
[0010]若确定稀疏基可用，则根据所述相似度优化所述稀疏表示，以获得优化的稀疏表示，将稀疏基和优化的稀疏表示发送至对应的输出端，以使所述输出端根据稀疏基和优化的稀疏表示重构对应的流量数据。
[0011]第二方面，本申请提供一种流量重构装置，包括：
[0012]第一确定单元，用于根据采集的多个时段对应的流量数据确定对应的流量特征数据；
[0013]第二确定单元，用于根据所述流量特征数据以及所述流量数据确定对所述流量数据进行稀疏表示的稀疏基，并根据所述稀疏基确定最新时段对应的流量数据对应的稀疏表示；
[0014]第三确定单元，用于确定多个时段对应的流量数据中最新相邻时段对应的流量数
据对应的相似度，根据所述相似度确定稀疏基是否可用；
[0015]优化单元，用于若确定稀疏基可用，则根据所述相似度优化所述稀疏表示，以获得优化的稀疏表示；
[0016]发送单元，用于将稀疏基和优化的稀疏表示发送至对应的输出端，以使所述输出端根据稀疏基和优化的稀疏表示重构对应的流量数据。
[0017]第三方面，本专利技术提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
[0018]所述存储器存储计算机执行指令；
[0019]所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如第一方面所述的方法。
[0020]第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法。
[0021]本申请提供的一种流量重构方法、装置、设备及存储介质，根据采集的多个时段对应的流量数据确定对应的流量特征数据；进一步根据所述流量特征数据以及所述流量数据确定对所述流量数据进行稀疏表示的稀疏基，从而根据所述稀疏基确定最新时段对应的流量数据对应的稀疏表示；确定多个时段对应的流量数据中最新相邻时段对应的流量数据对应的相似度，根据所述相似度确定稀疏基是否可用；若确定稀疏基可用，则根据所述相似度优化所述稀疏表示，以获得优化的稀疏表示，将稀疏基和优化的稀疏表示发送至对应的输出端，以使输出端根据稀疏基和优化的稀疏表示重构对应的流量数据。在流量数据重构前确认稀疏基是否可用，若稀疏基可用，说明稀疏基能够很好的进行稀疏表示，并对稀疏表示进行优化，根据稀疏基和优化的稀疏表示可更好的重构流量数据，减少重构误差。
附图说明
[0022]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0023]图1是本专利技术提供的流量重构方法的网络架构示意图；
[0024]图2是本专利技术实施例一提供的流量重构方法的流程示意图；
[0025]图3是本专利技术一实施例提供的流量重构方法中矩阵示意图；
[0026]图4是本专利技术实施例五提供的流量重构方法的流程示意图；
[0027]图5是本专利技术实施例五提供的流量重构方法的特征融合流程示意图；
[0028]图6是本专利技术一实施例提供的流量重构装置的结构示意图；
[0029]图7是用来实现本专利技术实施例的流量重构方法的电子设备的框图。
[0030]通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
[0031]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及
附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0032]为了清楚理解本申请的技术方案，首先对现有技术的方案进行详细介绍。
[0033]现有的流量抽样通常采用香农采样定理以及压缩感知理论，香农采样定理又称奈奎斯特采样定理，香农采样定理为了不失真地恢复模拟信号，采样频率应该不小于模拟信号频谱中最高频率的两倍。也就是说香农采样定理要求信号的采样频率必须达到信号最大频率分量的两倍及以上，才能从观测值中不失真地恢复原信号。实际中要想精确地恢复原信号，每个信号周期至少要采样20个点，但是由于A/D转换器采样频率的限制，尤其是在高速信号采样中，以传统的奈奎斯特采样定理为基础的信号获取技术遇到了极大挑战，并且高速采样会产生大量的数据，对数据的存储和传输带来了很大的压力，不利于数据的分析和管理。而压缩感知理论可突破香农采样定理的限制，在低于奈奎斯特标准的情况下，对稀疏或可压缩信号进行采样，并精确恢复原信号，压缩感知理论可以降低信号获取对硬件的要求，因此得到广泛应用。压缩感知是以信号的稀疏表示为基础的，自然界中的信号往往不是稀疏的，但是在某些稀疏基下的投影是稀疏的，因此稀疏基的选取尤为重要。
[0034]常用的稀疏基是一组正交变换基，如离本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种流量重构方法，其特征在于，所述方法包括：根据采集的多个时段对应的流量数据确定对应的流量特征数据；根据所述流量特征数据以及所述流量数据确定对所述流量数据进行稀疏表示的稀疏基，并根据所述稀疏基确定最新时段对应的流量数据对应的稀疏表示；确定多个时段对应的流量数据中最新相邻时段对应的流量数据对应的相似度，根据所述相似度确定稀疏基是否可用；若确定稀疏基可用，则根据所述相似度优化所述稀疏表示，以获得优化的稀疏表示，将稀疏基和优化的稀疏表示发送至对应的输出端，以使所述输出端根据稀疏基和优化的稀疏表示重构对应的流量数据。2.根据权利要求1所述的方法，其特征在于，所述根据采集的多个时段对应的流量数据确定对应的流量特征数据，包括：将采集的多个时段对应的流量数据输入至预设神经网络模型中确定对应的流量特征数据。3.根据权利要求2所述的方法，其特征在于，所述流量数据表示为流量矩阵；所述将采集的多个时段对应的流量数据输入至预设神经网络模型中确定对应的流量特征数据，包括：将所述流量矩阵输入至预设神经网络模型的卷积层中，通过所述预设神经网络模型的卷积层对所述流量矩阵进行卷积操作，以获得卷积操作结果矩阵，将所述卷积操作结果矩阵确定为对应的流量特征数据。4.根据权利要求3所述的方法，其特征在于，所述根据所述流量特征数据以及所述流量数据确定对所述流量数据进行稀疏表示的稀疏基，包括：将所述卷积操作结果矩阵右乘所述流量矩阵对应的逆矩阵得到对应的稀疏矩阵，将所述稀疏矩阵确定为对所述流量数据进行稀疏表示的稀疏基。5.根据权利要求1所述的方法，其特征在于，所述确定多个时段中最新相邻时段对应的流量数据对应的相似度，包括：将最新时段对应的流量数据拆分为最新时段对应的多个时刻流量数据，将所述最新时段对应的多个时刻流量数据输入至卷积神经网络模型中，通过所述卷积神经网络模型对最新时段对应的多个时刻流量数据进行特征提取，以获得最新时段对应的多个时刻流量数据对应的多个第一流量特征；将最新时段对应的前一时段流量数据拆分为前一时段对应的多个时刻流量数据，将前一时段对应的多个时刻流量数据输入至卷积神经网络中，通过所述卷积神经网络模型对前...
【专利技术属性】
技术研发人员：樊学宝，李秀峰，朱海玲，黄智勇，罗艳珍，陈懿，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：
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。