一种基于多源数据融合的网络流量预测及自动优化均衡方法技术

本发明专利技术属于通信领域，公开了一种基于多源数据融合的网络流量预测及自动优化均衡方法。采集某一城市基站的多源数据，所述多源数据包括站址信息数据、传输网络流量数据、通用网络数据和移动信令；基于多源数据，利用决策融合方法对数据进行融合处理；对融合后的数据，利用循环神经网络算法，建立流量预测模型；利用流量预测模型，对网络流量进行预测；基于网络流量预测数据，利用马尔可夫流量转移方法，建立全局视觉下网络流量均衡模型，对全局视觉下网络流量均衡模型进行训练并验证。用以解决现有技术中的网络配置和管理有很多是依赖人工，网络结构复杂，问题处理依旧依靠人工分析的问题。题。题。

【技术实现步骤摘要】
一种基于多源数据融合的网络流量预测及自动优化均衡方法


[0001]本专利技术属于通信领域，具体涉及一种基于多源数据融合的网络流量预测及自动优化均衡方法。

技术介绍

[0002]目前，我们根据实际现网结构，通过对传输流量的精细化分析，助力当前网络质量发展。首先，根据对PTNNNI端口峰值带宽利用率的百分比划分，分为红橙黄三色预警，并组织开展相关专项工作。同时，在红橙黄分级机制的基础上，细化出连续三天峰值超90％且忙时均值超50％和连续三天峰值80％
‑
90％且忙时均值超过40％
‑
50％两个分类，从影响业务感知和预警两个层面进行更精确的分析。最后，结合核心网DPI数据，关联PTN环网与基站对应关系，挖掘传输越限环网与DPI数据中影响业务感知指标的关系。
[0003]对全省PTN流量从环网及NNI端口、峰值带宽利用率、连续3天越限、连续7天越限、影响业务等进行多维度全面分析，仅在带宽利用率>90％时会对业务产生影响。
[0004]以上针对传输流量的分析和预测算法针对于PTNNNI端口峰值带宽利用率这一个指标进行分析，维度相对单一。
[0005]网络中采用的先进技术越来越多，网络规模也越来越复杂，网络结构的多样化是网络管理所需的专业知识也日益增加，网络管理与维护工作变得日益困难，人力成本不断提高，从而提高了对网络管理系统高度自动化和智能化的要求，以减轻网管人员的工作复杂度和工作强度，这也是近几年网络管理发展的一大趋势，相关人员也对动态流量在智能系统里应用做了相关研究，相关预测目前的网络配置和管理有很多是依赖人工，网络结构复杂，问题处理依靠人工分析，提供一事一议的解决方案，没有经验积累，无法跨专业协同，无论是初期的网络建设还是后期维护，这将极大的增加网络的配置和维护成本，而且其配置效果非常不理想，系统的整体性能欠佳，过分依赖于人工的配置和处理故障方法显然已不适用。
[0006]随着通信技术的飞速发展，网络流量行为日益复杂，网络业务需求主要有音频，视频，数据和应用业务等不断增多，对网络服务的时延、带宽等网络性能也有了相应要求，由于数据的多源化，基于流量的监测和处理，以及数据源获取后，对数据的性能研究仍然处于不成熟阶段，在大数据和5G科技快速的发展背景下，依靠智能手段对网络流量进行提前预测、拥塞进行自动优化，对有限的网络资源进行合理分配，提高网络利用率对于网络的设计与规划，流量控制，通信质量，研究拥塞控制和带宽分配机制，分析与评价通信性能，进一步优化通行网络质量有着非常重要的意义。

技术实现思路

[0007]本专利技术提供一种基于多源数据融合的网络流量预测方法及系统自动优化均衡方法，用以解决现有技术中的网络配置和管理有很多是依赖人工，网络结构复杂，问题处理依旧依靠人工分析的问题。
[0008]本专利技术提供一种基于多源数据融合的网络流量预测的自动优化均衡方法及系统，实现依靠智能手段对网络流量进行提前预测、拥塞进行自动优化，对有限的网络资源进行合理分配，提高网络利用率对于网络的设计与规划，流量控制，通信质量，研究拥塞控制和带宽分配机制，分析与评价通信性能，进一步优化通行网络质量的目的。
[0009]本专利技术通过以下技术方案实现：
[0010]一种基于多源数据融合的网络流量预测方法，所述网络流量预测方法具体包括一下步骤：
[0011]步骤1：采集某一城市基站的多源数据，所述多源数据包括站址信息数据、传输网络流量数据、通用网络数据和移动信令；
[0012]步骤2：基于步骤1的多源数据，利用决策融合方法对数据进行融合处理；
[0013]步骤3：对步骤2融合后的数据，利用循环神经网络算法，建立流量预测模型；
[0014]步骤4：利用步骤3的流量预测模型，对网络流量进行预测。
[0015]一种基于多源数据融合的网络流量预测方法，所述步骤2具体为，将不连续特征数据通过embedding网络结构进行特征提取，合并成比原始输入特征更具有判别能力同维度向量特征。
[0016]一种基于多源数据融合的网络流量预测方法，进行完数据的特征提取后，将等维度的特征向量输入到特征乘机层Product,输出线性组合Z和非线性组合P；
[0017]Z＝concat([emb1,emb1,...,emb
n
],axis＝1)
ꢀꢀ
(1)
[0018]P与Z拼接后进入隐藏层，得到下列矩阵，来降低数据处理复杂度：
[0019]U
T
V
×
W＝U
×
W
×
V
T
ꢀꢀ
(2)
[0020]之后，将Product层输出结果依次输入到Deepnetwork和Cross层，输出以下向量：
[0021][0022]最后，将以上三部分输出向量特征通过Combination Output Layer连接起来，输出最后结果。
[0023]一种基于多源数据融合的网络流量预测方法，所述步骤3具体为，
[0024]利用用户历史手机信令数据、基站流量、设备及环网关系等数据研究环网、设备及基站流量，利用循环神经网络seq2seq结构模型来对各环网流量进行预测。以基站覆盖区域作为图节点，基站之间的转化关系作为边进行构图，对区域流量的空间相关性进行建模，挖掘信令流量在时间上的模式，对未来环网流量进行预测。
[0025]一种基于多源数据融合的网络流量预测方法，流量预测模型由编码器和解码器组成，输入列x1,x2,
…
,x
n
通过中间长短期记忆网络(LSTM)h1,h2,
…
,h
n
模块，提取和整合输入数据的特征，输出解码器的输入向量C，向量C经过长短时记忆网络模块h
’1,h
’2,
…
,h
’
n
，最终输出未来预测数据p1,p2,
…
,p
n
。
[0026]一种基于多源数据融合的网络流量预测系统，所述预测系统包括采集模块和流量预测计算模块；
[0027]所述采集模块，用于采集某一城市基站的多源数据；
[0028]所述流量预测计算模块，利用决策融合方法对多源数据数据进行融合处理，再利用循环神经网络算法，建立流量预测模型，对网络流量进行预测。
[0029]一种基于多源数据融合的网络流量预测的自动优化均衡方法，所述自动优化均衡方法包括以下步骤：
[0030]步骤5：利用马尔可夫流量转移方法，建立全局视觉下网络流量均衡模型；
[0031]步骤6：基于步骤4的网络流量预测数据，对全局视觉下网络流量均衡模型进行训练并验证。
[0032]一种基于多源数据融合的网络流量预测的自动优化均衡方法，根据信令数据和网络通用数据的信息，统计一个时间片内网络流量转移邻接矩阵p
flow...

【技术保护点】

【技术特征摘要】
1.一种基于多源数据融合的网络流量预测方法，其特征在于，所述网络流量预测方法具体包括一下步骤：步骤1：采集某一城市基站的多源数据，所述多源数据包括站址信息数据、传输网络流量数据、通用网络数据和移动信令；步骤2：基于步骤1的多源数据，利用决策融合方法对数据进行融合处理；步骤3：对步骤2融合后的数据，利用循环神经网络算法，建立流量预测模型；步骤4：利用步骤3的流量预测模型，对网络流量进行预测。2.根据权利要求1所述一种基于多源数据融合的网络流量预测方法，其特征在于，所述步骤2具体为，将不连续特征数据通过embedding网络结构进行特征提取，合并成比原始输入特征更具有判别能力同维度向量特征。3.根据权利要求2所述一种基于多源数据融合的网络流量预测方法，其特征在于，进行完数据的特征提取后，将等维度的特征向量输入到特征乘机层Product,输出线性组合Z和非线性组合P；Z＝concat([emb1,emb1,
…
,emb
n
],axis＝1)
ꢀꢀ
(1)P与Z拼接后进入隐藏层，得到下列矩阵，来降低数据处理复杂度：U
T
V
×
W＝U
×
W
×
V
T
ꢀꢀ
(2)之后，将Product层输出结果依次输入到Deepnetwork和Cross层，输出以下向量：最后，将以上三部分输出向量特征通过CombinationOutputLayer连接起来，输出最后结果。4.根据权利要求1所述一种基于多源数据融合的网络流量预测方法，其特征在于，所述步骤3具体为，利用用户历史手机信令数据、基站流量、设备及环网关系等数据研究环网、设备及基站流量，利用循环神经网络seq2seq结构模型来对各环网流量进行预测。以基站覆盖区域作为图节点，基站之间的转化关系作为边进行构图，对区域流量的空间相关性进行建模，挖掘信令流量在时间上的模式，对未来环网流量进行预测。5.根据权利要求4所述一种基于多源数据融合的网络流量预测方法，其特征在于，流量预测模型由编码器和解码器组成，输入列x1,x2,
…
,x
n
通过中间长短期记忆网络h1,h2,
…
,h
n
模块，提取和整合输入数据的特征，输出解码器的输入向量C，向量C经...

【专利技术属性】
技术研发人员：杨馥宁，张兴亮，杜宇，宋丹丹，王英，徐蕾，宋姗姗，
申请(专利权)人：吉林大学，
类型：发明
国别省市：