地址配置方法及相关设备技术

本申请提供一种地址配置方法及相关设备，根据当前时刻的用户终端数量通过时空图形神经网络模型，得到各个区域中下一时刻的预测用户终端数量，然后再根据历史移动序列信息通过递归神经网络模型，得到每个用户终端的在对应区域中的预测在线时间，最后根据下一时刻的预测用户终端数量设置每个区域的地址池容量，按照每个用户终端的在对应区域中的预测在线时间为对应的用户终端分配地址租约时间，利用递归神经网络模型能够准确地预测用户的在线时间，从而能够充分利用个体用户的行为特征，确保有效地为个体用户终端分配地址租约时间，并且还通过时空图形神经网络模型准确预测每个区域的群体用户终端数量，从而提供有效的地址租约时间和地址池容量。租约时间和地址池容量。租约时间和地址池容量。

【技术实现步骤摘要】
地址配置方法及相关设备


[0001]本申请涉及计算机网络通信
，尤其涉及一种地址配置方法及相关设备。

技术介绍

[0002]DHCP(Dynamic Host Configuration Protocol，动态主机配置协议)在局域网中被广泛部署，用于为WiFi(Wireless Fidelity，无线网络通信技术)设备自动分配IP(Internet Protocol，网际互连协议)地址。但是用户终端设备频繁地移动给DHCP性能造成很大的挑战，当前提出的IP分配策略(包括IP租约和IP地址池)依赖于传统的模型，而由于个体用户的行为习惯不同，导致不同用户终端设备的在线时间分布变化很大，因此，在不同的地点和时间段，各个用户终端设备的数量在空间和时间上会有所不同，而通过对每个区域的群体用户终端数量建模，根据周期性模式配置IP地址池大小，不仅忽略了其他区域的空间依赖性，还忽略了群体用户的局部时间依赖性。
[0003]此外，即使不同用户使用的用户终端设备类型和所在位置相同，所有IP地址设置相同租约时间，利用根据特定的特征(例如，区域类型和设备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地址配置方法，其特征在于，包括：获取目标局域网覆盖的各个区域中当前时刻的用户终端数量；将所述当前时刻的用户终端数量输入预先经过训练获得的时空图形神经网络模型，得到所述各个区域中下一时刻的预测用户终端数量；获取每个用户终端的历史移动序列信息，将所述历史移动序列信息输入预先经过训练获得的递归神经网络模型，得到所述每个用户终端的在对应区域中的预测在线时间；根据所述下一时刻的预测用户终端数量设置每个所述区域的地址池容量；按照所述每个用户终端的在对应区域中的预测在线时间为对应的用户终端分配地址租约时间。2.根据权利要求1所述的方法，其特征在于，所述时空图形神经网络模型的获得过程包括：构建时空图形神经网络预训练模型；获取无线区域网覆盖的各个区域中各个历史时刻的实际用户终端数量，并将所述各个历史时刻的实际用户终端数量划分为用户终端数量训练集和用户终端数量测试集；将目标历史时刻的用户终端数量训练集输入所述时空图形神经网络预训练模型，输出所述各个区域中所述目标历史时刻的下一时刻的预测用户终端数量，其中，所述目标历史时刻为所述历史时刻中任一时刻；根据所述下一时刻的预测用户终端数量和所述下一时刻的的实际用户终端数量确定第一平均绝对误差损失函数loss，所述第一平均绝对误差损失函数loss表达为：其中，V表示无线区域网覆盖的区域，i表示第i个区域，Y
i
表示区域V
i
中实际用户终端数量，表示区域V
i
中预测用户终端数量，θ2表示时空图形神经网络预训练模型中全部可训练调整的参数，λ2表达为预定义超参数；根据所述下一时刻的预测用户终端数量和所述下一时刻的的实际用户终端数量确定第一均方根误差函数RMSE，所述第一均方根误差函数RMSE表达为：其中，Y
i
表示区域V
i
中实际用户终端数量，表示区域V
i
中预测用户终端数量，i表示第i个区域，n表示区域的数量；根据所述下一时刻的预测用户终端数量和所述下一时刻的的实际用户终端数量确定第一平均绝对误差函数MAE，所述第一平均绝对误差函数MAE表达为：其中，Y
i
表示区域V
i
中实际用户终端数量，表示区域V
i
中预测用户终端数量，i表示第
i个区域，n表示区域的数量；基于所述第一平均绝对误差损失函数loss进行最小化处理，不断对所述时空图形神经网络预训练模型进行训练调整，得到经过训练的时空图形神经网络预训练模型，将所述经过训练的时空图形神经网络预训练模型作为所述时空图形神经网络模型；将目标历史时刻的用户终端数量测试集输入所述时空图形神经网络模型，输出所述各个区域中所述目标历史时刻的下一时刻的测试用户终端数量，并基于所述下一时刻的测试用户终端数量和所述下一时刻的实际用户终端数量分别利用所述第一均方根误差函数RMSE和所述第一平均绝对误差函数MAE进行计算时空图形神经网络模型的准确率。3.根据权利要求2所述的方法，其特征在于，所述获取无线区域网覆盖的各个区域中各个历史时刻的实际用户终端数量，包括：获取所述无线区域网覆盖的各个区域中在各个历史时刻每个用户终端的媒体存取控制位址、所在区域的无线接入点的媒体存取控制位址和对应无线接入点的名称；对所述无线区域网覆盖的各个区域中在各个历史时刻每个用户终端的媒体存取控制位址、所在区域的无线接入点的媒体存取控制位址和对应无线接入点的名称按照预设时间进行分组，得到多个第一分组；对每个所述第一分组按照无线接入点的名称进行分组，得到多个第二分组；对各个无线接入点的名称相同的第二分组中各个用户终端的媒体存取控制位址进行数量统计，得到无线区域网覆盖的各个区域中各个历史时刻的实际用户终端数量。4.根据权利要求1所述的方法，其特征在于，所述递归神经网络模型的获得过程包括：构建递归神经网络预训练模型；获取所述每个用户终端在各个历史时刻的所处的全部区域和在每个所述区域的实际在线时间，将所述在各个历史时刻的所处的全部区域和在每个所述区域的实际在线时间作为历史实际移动序列信息，并将所述历史实际移动序列信息划分为移动序列信息训练集和移动序列信息测试集；将目标历史时刻的移动序列信息训练集输入所述递归神经网络预训练模型，输出目标历史时刻的下一时刻的每个用户终端的在对应区域中的预测在线时间，其中，所述目标历史时刻为所述历史时刻中任一时刻；根据所述下一时刻的每个用户终端的在对应区域中的预测在线时间和所述下一时刻的每个用户终...

【专利技术属性】
技术研发人员：张沛，黄小红，王奇，何方舟，杨逸珺，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：