基于INT和机器学习的服务质量预测方法技术

本发明专利技术公开了一种基于INT和机器学习的服务质量预测方法，包括步骤：S1，用户端发起互联网访问请求，控制器根据用户请求指示用户端发送数据包；S2，网络中各节点交换机依据数据包中的遥测指令字段进行带内遥测，采集INT元数据嵌入数据包的头部；S3，最后一跳交换机将INT元数据与用户数据包分离，终端遥测服务器提取INT元数据，使用机器学习训练方法建立预测模型；S4，依据输出的预测模型进行服务质量评估；S5，依据服务质量评估结果，后台管理端下发指令至控制器或服务器调整资源分配。本发明专利技术通过带内遥测在数据包头部嵌入元数据的方式，在保证数据包完整性的情况下更准确地预测网络中运行的服务的状态。运行的服务的状态。运行的服务的状态。

【技术实现步骤摘要】
基于INT和机器学习的服务质量预测方法


[0001]本专利技术涉及网络安全预测方法，尤其涉及一种基于INT和机器学习的服务质量预测方法。

技术介绍

[0002]随着信息时代的到来，网络使用量激增，用户请求的网络服务数量在过去十年间发生了猛烈的增加，然而，互联网复杂的网络环境使得服务的状态千变万化，因此有效的服务质量预测此时就显得十分重要。传统的服务质量预测方法主要是深入报文内部提取所需信息，然而目前传统方法在服务质量预测方面并不完善，仍有以下问题：
[0003]1)传统服务预测利用的报文数据比较有限，仅包括源地址、目的地址、源端口、目的端口以及协议类型等表面信息，不能深入数据包内部分析，从而影响服务质量预测准确性，从而影响用户对网络服务的使用体验。
[0004]2)当前已经出现了一些基于人工智能的服务质量的时间序列预测模型，如长短期记忆模型(LSTM)等，这些模型将神经网络与预测算法结合，以提高网络服务质量的预测能力，但是这些模型由于神经网络自身局限，在面对复杂网络场景时仍有一定的预测误差。
[0005]带内网络遥测(INT)是一种新的网络测量方法，INT可以快速收集和整合网络状态数据，以监测服务质量，并可以深入的读取网络状态进行分析，实现网络服务的端到端可视化，而采用机器学习的方法可以在数据预处理阶段将网路数据进行特征提取和聚类分析，对现有的预测模型进行改进，以提高服务质量的预测精度。

技术实现思路

[0006]专利技术目的：本专利技术的目的是提供一种能提高预测速度和准确性的基于INT和机器学习的服务质量预测方法。
[0007]技术方案：本专利技术的服务质量预测方法，包括步骤如下：
[0008]S1，用户端发起互联网访问请求，控制器根据用户请求指示用户端发送数据包；
[0009]S2，网络中各节点交换机依据数据包中的遥测指令字段进行带内遥测，采集INT元数据嵌入数据包的头部；
[0010]S3，最后一跳交换机将INT元数据与用户数据包分离，终端遥测服务器提取INT元数据，采用机器学习方法进行数据预处理，采用ANFIS神经网络建立模型；
[0011]S4，依据输出的预测模型进行服务质量评估；
[0012]S5，依据服务质量评估结果，后台管理端下发指令至控制器或服务器调整资源分配。
[0013]进一步，步骤S3中，元数据输入训练层后，经过神经网络训练模块的多次迭代训练输出预测模型，并存储该预测模型。
[0014]进一步，步骤S3中，提取遥测元数据标记INT度量的质量评价指标结果为数据集X，用户数据包的Qos度量为数据集Y；基于细粒度遥测元数据{X
t
}，在时间t内估计网络服务质
量度量{Y
t
}；详细的实现步骤如下：
[0015]S31，将数据集X分为n个互不重叠的特征空间r1，r2，
…
r
i
，Qos度量Y分为n个不同特征空间y1，y2，
…
y
i
，1≤i≤n，计算两个特征空间的最大似然距离，提取两个特征空间的数据集的共同特征h(x,y)：
[0016][0017]对提取到的共同特征h(x,y)进行聚类，输入神经网络训练的数据集X
train
，将共同特征h(x,y)中的时延、流量等细粒度属性进行分组，数据集X
train
的表达式如下：
[0018][0019]其中，μ为隶属函数，n为特征空间数，m为最大分组数；
[0020]S32，将训练数据集X
train
输入深度学习ANFIS神经网络进行k次迭代训练，迭代次数由数据集X
train
的大小决定，输出初始预测函数则有
[0021][0022]其中，w
l
代表第l次迭代训练神经网络的权重，1≤l≤k；σ为激活函数，用于对遥测元数据X
t
的数据特征进行映射；
[0023]S33，对初始预测函数进行误差修正，得到最终预测函数F(X
t
)；
[0024]S34，根据最终预测函数F(X
t
)，输出预测模型
[0025]进一步，步骤S33中，采用二次误差函数优化，直到误差精度满足输出要求，得到最终预测函数F(X
t
)，则有:
[0026][0027]其中，λ为常数，ε
j2
为二次误差函数，为第j次训练得到的与j
‑
1次训练得到的的差值。
[0028]进一步，步骤S4中，所述服务质量评估通过重新计算网络服务质量度量Y
t
与用户数据包的Qos度量Y
test
的最大似然估计值μ，来反应预测模型的精确程度,表达式为：
[0029][0030]其中，m为最大分组数。
[0031]本专利技术与现有技术相比，其显著效果如下：
[0032]1、本专利技术采用带内遥测方法进行数据收集，通过带内遥测在数据包头部嵌入元数据的方式，在保持数据包完整度的前提下对数据进行更加细粒度的收集，能更深入地从底层数据中来预测当前应用的服务质量；
[0033]2、相比传统基于时间序列的预测模型，预测速度更快，准确性更高：一方面，INT允许的大量网络指标给网络管理员带来了网络的新视图，能对数据进行细粒度收集，例如数据包的路径、缓冲区的占用率和数据包在队列中的等待时间；另一方面，机器学习算法获取遥测元数据在预处理阶段基于机器学习的特征提取和聚类分析对现有预测模型进行改进，，通过输入的训练数据集提升模型的预测精度，建立的预测模型本身能够处理高维网络特征，提取隐藏特征，抗噪性能好；在保证数据包完整性的情况下更准确地预测网络中运行
的服务的状态，从而为新的管理操作提供机会。
附图说明
[0034]图1为本专利技术的平台架构图；
[0035]图2为本专利技术的预测全过程流程图；
[0036]图3为神经网络训练的总流程图。
具体实施方式
[0037]下面结合说明书附图和具体实施方式对本专利技术做进一步详细描述，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域的技术人员在没有做出创造性劳动前提下所获得的所有实施例都属于本专利技术保护的范围。
[0038]本专利技术首先采用带内遥测方式进行数据采集，遥测服务器解析遥测元数据后输入训练层，采用机器学习相关算法进行数据预处理，提升模型训练精度，再采用ANFIS神经网络进行训练，最后基于输出的预测模型进行评估，这种方式提升了服务质量预测的准确性，有助于服务端进一步处理提升用户体验。为实现上述目的，如图1所示，本专利技术包括以下部分：用户层，训练层和服务层。
[0039]用户层代表当前网络服务的请求者，服务请求者发起服务请求后，控制器或服务器下发指令发送数据包，带内遥测模块部署在用户层，带内遥测的工作原理是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于INT和机器学习的服务质量预测方法，其特征在于，包括步骤如下：S1，用户端发起互联网访问请求，控制器根据用户请求指示用户端发送数据包；S2，网络中各节点交换机依据数据包中的遥测指令字段进行带内遥测，采集INT元数据嵌入数据包的头部；S3，最后一跳交换机将INT元数据与用户数据包分离，终端遥测服务器提取INT元数据，采用机器学习方法进行数据预处理，采用ANFIS神经网络建立模型；S4，依据输出的预测模型进行服务质量评估；S5，依据服务质量评估结果，后台管理端下发指令至控制器或服务器调整资源分配。2.根据权利要求1所述的基于INT和机器学习的服务质量预测方法，其特征在于，步骤S3中，元数据输入训练层后，经过神经网络训练模块的多次迭代训练输出预测模型，并存储该预测模型。3.根据权利要求2所述的基于INT和机器学习的服务质量预测方法，其特征在于，步骤S3中，提取遥测元数据标记INT度量的质量评价指标结果为数据集X，用户数据包的Qos度量为数据集Y；基于细粒度遥测元数据{X
t
}，在时间t内估计网络服务质量度量{Y
t
}；详细的实现步骤如下：S31，将数据集X分为n个互不重叠的特征空间r1，r2，
…
r
i
，Qos度量Y分为n个不同特征空间y1，y2，
…
y
i
，1≤i≤n，计算两个特征空间的最大似然距离，提取两个特征空间的数据集的共同特征h(x,y)：对提取到的共同特征h(x,y)进行聚类，输入神经网络训练的数据集X

【专利技术属性】
技术研发人员：郭永安，马德睿，佘昊，钱琪杰，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：