一种基于组合多摇臂赌博机的关键业务流识别方法技术

本发明专利技术公开了一种基于组合多摇臂赌博机的关键业务流识别方法，将

【技术实现步骤摘要】
一种基于组合多摇臂赌博机的关键业务流识别方法


[0001]本专利技术涉及网络流量预测
，尤其涉及一种基于组合多摇臂赌博机的关键业务流识别方法
。

技术介绍

[0002]近年来，随着技术的迅速发展，涌现出一系列新型网络垂直业务，如在线教育，虚拟现实以及智能制造
。
然而，现有的移动通讯网络架构忽略了业务垂直需求间的差异性并采取“一刀切”的方式来为各种业务提供服务，从而导致了业务的灵活性低，可伸缩性不足以及资源浪费等问题
。
此外，一些传统的网络功能服务
(
如防火墙，负载均衡器，深度包检测等
)
只能部署在特定的物理设备上
。
因此，网络运营商需要花费大量的金钱来维护旧的设备以及购买新的设备来满足不断增长的用户需求
。
为了降低网络运营商的运营费用和提高用户的体验质量，对传统网络架构进行革新是历史发展的必然趋势
。
[0003]软件定义网络
(Software Defined Network,SDN)
和网络功能虚拟化
(Network Function Virtualization,NFV)
被视为解决上述不足的关键技术
。SDN
通过分离传统网络的控制平面和转发平面，不仅能灵活高效地对网络进行管理，而且能有效地降低网络的部署成本和运维成本
。
[0004]在现实网络场景中，网络流量的分布是不均衡的，即
80
％以上的流量大小都是小于
10KB
，并且网络中大部分的数据包都是由少于
10
％的大流量产生，这意味着网络中的少数流量有非常大的带宽需求
。
在各软件定义网络和网络切片中，如网络流重路由
、
异常检测
、
网络切片资源调整
、
时延敏感网络，识别或提前预测出具有大带宽需求的网络流
(top
‑
K
流
)
是非常有必要的
。
[0005]时间序列预测是预测的一个重要分支，它通过收集和分析过去对同一变量的观察结果，以建立描述潜在关系的模型
。
然后，该模型被用于推断时间序列数据在未来一段时间的发展趋势，数值区间等
。
时间序列预测技术对科学应用有深刻的影响，如社会科学家跟踪人口的时间序列数据来推断未来的出生率和入学率，流行病学家可能会对一段时间内观察到的病例数感兴趣
。
此外，时间序列预测技术还深刻地影响着人们的日常生活，如天气预测的本质就是时间序列的预测
。
随着研究工作的不断深入，科研人员设计出了大量优秀的时间序列预测技术，其中
5G
网络流量预测研究是一个热门的方向
。
[0006]在各种应用场景中，如网络流重路由
、
异常检测
、
网络切片资源调整
、
时延敏感网络，识别或提前预测出具有大带宽需求的网络流
(top
‑
K
流
)
是非常有必要的
。
面向
5G
网络，考虑到网络中不同业务资源需求的差异性，本专利技术展开针对网络中关键业务流的动态识别
。

技术实现思路

[0007]为了解决上述技术问题，本专利技术提供了一种基于组合多摇臂赌博机的关键业务流识别方法
。
[0008]为了实现上述的技术目的，本专利技术所采用的技术方案为：
[0009]本专利技术提供了一种基于组合多摇臂赌博机的关键业务流识别方法，将
top
‑
K
流识别问题定义成随机多摇臂赌博机组合模型
(Combinatorial Multi
‑
Armed Bandit
，
CMAB)
，包括如下步骤：
1)
：将一条网络流定义为一个源节点到目的节对，并将网络当中的一条流视为一个摇臂，将该流在
t
‑1到
t
时间段内的带宽需求
X
i,t
，视为摇臂在第
t
个回合产生的随机奖赏；
[0010]2)
：在
CMAB
模型中，每过指定的采样间隔
T
，从
M
个摇臂中选出
K
摇臂，其中
M
＝
N*(N
‑
1)
，
K
＝
10
％
M
，动态识别问题的目标表示为其中，
n
代表回合总数，
N
为网络拓扑中的节点数，
M
为网络拓扑中的摇臂数；
[0011]3)
：在回合
t
中选中的摇臂集合
S
定义为一个超臂，回合
t
内可以最大化玩家收益的超臂视为最佳超臂
S*
；
[0012]4)
：将最大化累积奖赏等价于最小化
S*
与
S
之间的差异，表示为
[0013][0014]5)
：定义第
i
个摇臂的奖赏分布为一个与时间相关的函数
y(t)
，在每一回合结束后，获得全部摇臂在上一回合的随机奖赏信息，
[0015]6)
在每一回合
t
，执行期望奖赏最大的动作
A
t
，其中，其中是基于第
i
个摇臂的所有历史奖赏数据
X
i,t
＝
{X
i,1
,X
i,2
,...,X
i,t
‑1}
计算得到
。
[0016]作为一种可能的实施方式，进一步，步骤
6)
中在每一回合贪婪选取期望奖赏排在前
K
的摇臂，最大化总的期望奖赏，具体包括如下步骤：
[0017]6.1)
对每个摇臂
i∈M
，根据其历史随机奖赏数据
X
i,t
，计算其在下一回合的期望奖赏；
[0018]6.2)
根据望奖赏对所有摇臂进行排序；
[0019]6.3)
选取前
K
个摇臂作为下一个回合需要执行的超臂
。
[0020]作为一种可能的实施方式，进一步，步骤
6.1)
中下一回合的期望奖赏计算方式为：
[0021]采用
sliding window
‑
greedy
仅关注摇臂最近的
d
个随机奖赏信息，忽略其他随机奖赏信息，下一回本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于组合多摇臂赌博机的关键业务流识别方法，其特征在于，将
top
‑
K
流识别问题定义成随机多摇臂赌博机组合模型，包括如下步骤：
1)
：将一条网络流定义为一个源节点到目的节对，并将网络当中的一条流视为一个摇臂，将该流在
t
‑1到
t
时间段内的带宽需求
X
i,t
，视为摇臂在第
t
个回合产生的随机奖赏；
2)
：在
CMAB
模型中，每过指定的采样间隔
T
，从
M
个摇臂中选出
K
摇臂，其中
M
＝
N*(N
‑
1)
，
K
＝
10
％
M
，动态识别问题的目标表示为其中，
n
代表回合总数，
N
为网络拓扑中的节点数，
M
为网络拓扑中的摇臂数；
3)
：在回合
t
中选中的摇臂集合
S
定义为一个超臂，回合
t
内可以最大化玩家收益的超臂视为最佳超臂
S*
；
4)
：将最大化累积奖赏等价于最小化
S*
与
S
之间的差异，表示为
5)
：定义第
i
个摇臂的奖赏分布为一个与时间相关的函数
y(t)
，在每一回合结束后，获得全部摇臂在上一回合的随机奖赏信息，
6)
在每一回合
t
，执行期望奖赏最大的动作
A
t
，其中，其中是基于第
i
个摇臂的所有历史奖赏数据
X
i,t
＝
{X
i,1
,X
i,2
,...,X
i,t
‑1}
计算得到<...

【专利技术属性】
技术研发人员：舒兆港，冯浩贤，张治方，陈淑武，
申请(专利权)人：厦门四信通信科技有限公司，
类型：发明
国别省市：