一种基于冗余储备池计算的边缘网络流量预测方法技术

本发明专利技术公开了一种基于冗余储备池计算的边缘网络流量预测方法，包括：采集边缘基站的流量数据，并根据所述流量数据构建训练集和测试集，将构建的训练集输入ESN模型并训练，收集储备池状态矩阵；利用序数模式转换网络建模方法将储备池状态矩阵进行高维映射，并根据复杂网络度量指标计算储备池神经元的序数复杂度，确定储备池关键和非关键神经元；将储备池关键神经元的输入权重和内部权重通过冗余方式向储备池非关键神经元进行均衡迁移，形成新的ESN模型，并重新训练新的ESN模型，获得最优的输出权重矩阵；将训练完成的新的ESN模型部署在边缘侧网络流量管控设备上，实时收集边缘基站的流量数据作为模型的输入，得到的模型输出为未来网络流量的预测值。为未来网络流量的预测值。为未来网络流量的预测值。

【技术实现步骤摘要】
一种基于冗余储备池计算的边缘网络流量预测方法


[0001]本专利技术涉及计算机应用
，尤其涉及一种基于冗余储备池计算的边缘网络流量预测方法。

技术介绍

[0002]移动边缘计算被认为是开启下一代移动通信系统，实现万物互联愿景的主要推动力。随着5G通信技术的全面商用，边缘网络流量规模日益增加，边缘设备类型多样、用户移动模式复杂。在这种背景下，准确可靠的边缘网络流量预测已成为保障网络管控的重要手段。然而，边缘设备通常具有计算和存储资源受限的特点，因此需要构建一种更高效的模型来满足边缘网络流量预测的需求。
[0003]储备池计算是一种使用大规模稀疏连接的神经元进行非线性建模的计算方法，能有效避免梯度下降方法的耗时、梯度爆炸等缺陷。回声状态网络(Echo State Network，ESN)是一种计算成本低、非线性映射能力强的储备池计算模型。该网络仅需采用线性回归来训练输出权重，即可达到与一般循环神经网络相当或更优的预测效果。基于这种优势，ESN被广泛用于非线性时间序列预测任务。这为我们在边缘设备上进行流量预测建模提供了一种有效地解决方案。
[0004]通常，在实际部署中，边缘设备和硬件环境的复杂性易导致射线、电压紊乱等干扰因素，从而造成神经网络模型故障。而传统与容错理论相关的研究大多面向前馈神经网络、卷积神经网络等模型，分别从添加冗余节点、修改训练算法或将训练过程和容错过程转化为非线性优化算法求解的优化问题三个方面解决神经网络的容错问题。在边缘流量预测场景下，修改训练算法或优化方法都将耗费边缘设备难以支撑的计算资源，不利于模型的实际部署。

技术实现思路

[0005]本申请的目的是针对现有技术中存在的技术缺陷，而提供一种基于冗余储备池计算的边缘网络流量预测方法。
[0006]为实现本申请的目的所采用的技术方案是：
[0007]一种基于冗余储备池计算的边缘网络流量预测方法，包括以下步骤：
[0008]步骤1，采集边缘基站的流量数据，并根据所述流量数据构建训练集和测试集，将构建的训练集输入ESN模型并训练，收集储备池状态矩阵；
[0009]步骤2，利用序数模式转换网络建模方法将储备池状态矩阵进行高维映射，并根据复杂网络度量指标计算储备池神经元的序数复杂度，确定储备池关键和非关键神经元；
[0010]步骤3，将储备池关键神经元的输入权重和内部权重通过冗余方式向储备池非关键神经元进行均衡迁移，形成新的ESN模型，并重新训练新的ESN模型，获得最优的输出权重矩阵；
[0011]步骤4，将训练完成的新的ESN模型部署在边缘侧网络流量管控设备上，实时收集
边缘基站的流量数据作为模型的输入，得到的模型输出为未来网络流量的预测值。
[0012]在上述技术方案中，所述步骤1具体包括以下步骤：
[0013]S101：采集T时刻内处于同一位置的l个边缘基站的流量数据，将T时刻内采集到的流量数据按照8:2的比例划分为训练集和测试集；
[0014]S102：对ESN模型进行初始化，将训练集输入初始化后的ESN模型；
[0015]S103：训练输入训练集后的ESN模型，更新储层神经元状态并记录，得到储备池状态矩阵，并利用岭回归方式得到输出权重矩阵；
[0016]S104：根据输出权重矩阵计算输出。
[0017]在上述技术方案中，对ESN模型进行初始化包括：
[0018]选用N个ESN模型中的储层神经元，随机生成输入权值矩阵、内部权值矩阵，并对内部权值矩阵进行缩放。
[0019]在上述技术方案中，更新储层神经元状态公式如下：
[0020]X(t+1)＝Tanh(W
in
·
u(t+1)+W
·
x(t))
[0021]式中，X(t+1)代表更新后的储层神经元状态，u(t+1)代表边缘基站的流量数据，W
in
代表输入权值矩阵，W代表内部权值矩阵，x(t)代表储层神经元状态。
[0022]在上述技术方案中，所述利用岭回归方式得到输出权重矩阵计算公式如下：
[0023]W
out
＝(X
T
X+λI)
‑1X
T
y
[0024]式中，W
out
代表输出权重矩阵，X代表储备池状态矩阵，X
T
代表储备池状态的转置矩阵，λ代表正则化项，I代表单位矩阵，y代表预测教师值。
[0025]在上述技术方案中，所述输出的计算公式如下：
[0026]Y(t)＝Tanh(W
out
·
x(t))
[0027]式中，Y(t)代表输出，W
out
代表输出权重矩阵，x(t)代表储层神经元状态。
[0028]在上述技术方案中，所述步骤2包括以下步骤：
[0029]S201：对于储备池状态矩阵中第n个储层神经元在训练时间下的时变序列，选定嵌入维度和嵌入延迟，得到所述时变序列的相空间表示；
[0030]S202：对相空间表示中的每个重构分量按照元素的数值大小进行排序，统计排序后由原始索引组成的向量记为一组序数模式，统计每个重构分量的序数模式组成一组序数编码，并计算每一组序数编码出现的转换概率；
[0031]S203：将序数模式作为节点，序数转换概率记为边，生成第n个神经元的时变状态的序数模式转换图；
[0032]S204：计算所述序数模式转换图的全局节点熵和平均路径长度，并结合全局节点熵和平均路径长度来衡量第n个神经元的重要程度；
[0033]S205：重复S201～S204依次得到每个神经元的序数复杂度，并按照10％、80％、10％的比例分别定义神经元类型。
[0034]在上述技术方案中，所述每一组序数编码出现的转换概率计算公式如下：
[0035][0036]式中，ρ
i,j
代表第i组序数编码到第j个序数模式的转换概率，π代表序数模式，O代表序数模式的组数。
[0037]在上述技术方案中，所述第n个神经元的重要程度的衡量公式如下：
[0038][0039]式中，c
n
代表第n个神经元的重要程度，α、β代表所述序数模式转换图的全局节点熵和平均路径长度的比例系数，GNE代表所述序数模式转换图的全局节点熵，APL代表所述序数模式转换图的平均路径长度，G
n
代表第n个神经元的时变状态的序数模式转换图，d
ij
代表节点i和j之间的最短距离，p
i
代表第i个节点的概率，s
i
代表该节点的香农熵，O代表序数模式的组数。
[0040]在上述技术方案中，所述步骤3包括以下步骤：
[0041]S301：对所述关键神经元和非关键神经元的输入权重和内部权重分别从大到小排序，按照关键神经元最高复杂度匹配非关键神经元最低复杂度的原则，选择待本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于冗余储备池计算的边缘网络流量预测方法，其特征在于，包括以下步骤：步骤1，采集边缘基站的流量数据，并根据所述流量数据构建训练集和测试集，将构建的训练集输入ESN模型并训练，收集储备池状态矩阵；步骤2，利用序数模式转换网络建模方法将储备池状态矩阵进行高维映射，并根据复杂网络度量指标计算储备池神经元的序数复杂度，确定储备池关键和非关键神经元；步骤3，将储备池关键神经元的输入权重和内部权重通过冗余方式向储备池非关键神经元进行均衡迁移，形成新的ESN模型，并重新训练新的ESN模型，获得最优的输出权重矩阵；步骤4，将训练完成的新的ESN模型部署在边缘侧网络流量管控设备上，实时收集边缘基站的流量数据作为模型的输入，得到的模型输出为未来网络流量的预测值。2.根据权利要求1所诉的边缘网络流量预测方法，其特征在于，所述步骤1具体包括以下步骤：S101：采集T时刻内处于同一位置的l个边缘基站的流量数据，将T时刻内采集到的流量数据按照8:2的比例划分为训练集和测试集；S102：对ESN模型进行初始化，将训练集输入初始化后的ESN模型；S103：训练输入训练集后的ESN模型，更新储层神经元状态并记录，得到储备池状态矩阵，并利用岭回归方式得到输出权重矩阵；S104：根据输出权重矩阵计算输出。3.根据权利要求2所诉的边缘网络流量预测方法，其特征在于，对ESN模型进行初始化包括：选用N个ESN模型中的储层神经元，随机生成输入权值矩阵、内部权值矩阵，并对内部权值矩阵进行缩放。4.根据权利要求2所诉的边缘网络流量预测方法，其特征在于，更新储层神经元状态公式如下：X(t+1)＝Tanh(W
in
·
u(t+1)+W
·
x(t))式中，X(t+1)代表更新后的储层神经元状态，u(t+1)代表边缘基站的流量数据，W
in
代表输入权值矩阵，W代表内部权值矩阵，x(t)代表储层神经元状态。5.根据权利要求2所诉的边缘网络流量预测方法，其特征在于，所述利用岭回归方式得到输出权重矩阵计算公式如下：W
out
＝(X
T
X+λI)
‑1X
T
y式中，W
out
代表输出权重矩阵，X代表储备池状态矩阵，X
T
代表储备池状态的转置矩阵，λ代表正则化项，I代表单位矩阵，y代表预测教师值。6.根据权利要求2所诉的边缘网络流量预测方法，其特征在于，所述输出的计算公式如下：Y(t)＝Tanh(W
out
·
x(t))式中，Y(t)代表输出，W
out
代表输出权重矩阵，x(t)代表储层神经元状态。7.根据权利要求1所诉的边缘网络流量预测方法，其特征在于，所述步骤2包...

【专利技术属性】
技术研发人员：李莹琦，郝明祥，黄天宇，刘英超，孙晓川，
申请(专利权)人：华北理工大学，
类型：发明
国别省市：