网络流量的人工合成方法和装置制造方法及图纸

本发明专利技术实施例公开了一种网络流量的人工合成方法和装置，方法包括：从真实流量中提取第一真实流量组成参数序列和第二真实流量组成参数序列；生成第一人工流量组成参数序列；获取第一流量组成参数与第二流量组成参数之间的关系系数，并生成第二人工流量组成参数序列；根据第一人工流量组成参数序列和第二人工流量组成参数序列合成人工流量。本发明专利技术实施例提供了一种网络流量的人工合成装置。本实施例使人工流量更准确地匹配真实流量。

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术实施例涉及通信技术，尤其涉及一种网络流量的人工合成方法和装置。
技术介绍
随着移动电信行业的迅速发展，尤其是3G网络的爆炸式增长，网络流量的增加已经大大超前运营商的预期，与此同时3G移动用户还在快速持续地增长，网络流量的急速增长使得运营商网络面临着巨大的挑战。因此，深入分析运营商网络的现网流量特征对于运营商的网络优化等具有非常重要的意义。网络仿真是一种通过建立网络流量和网络链路的抽象模型，对网络流量的传输进行模拟，从而获取网络性能数据的仿真技术。在网络仿真中，作为输入参数的网络流量可以是现网采集的真实流量或根据真实流量的某些特征产生的人工合成的网络流量(简称为人工流量)。人工流量符合真实流量的某些特征，但是与真实流量又不完全相同，其用在网络仿真中可以模拟真实流量所不能满足的特性，如可以模拟用户数增加后的网络流量，因而可以用来仿真运营商现有网络对未来网络流量的承受能力，为运营商网络设备的升级或更新提供依据。因此，研究如何产生更加符合现网特征的人工流量是网络仿真中的一个重要研究内容。在现有技术中，网络流量的人工合成方法为根据现网采集的数据分别提取单位时间内的包个数序列和单位时间内的包流量序列，再采用合适的算法分别产生人工合成的单位时间内的包个数序列和包流量序列，具体可以采用多分形小波模型算法、马尔科夫调制的泊松过程算法等。但现有技术在产生人工流量时未考虑网络流量的两个组成部分之间的相关性，利用该人工流量进行网络仿真时不能真实地模拟真实流量对网络的影响，降低了仿真结果的准确性。
技术实现思路
本专利技术实施例在于提供一种网络流量的人工合成方法和装置，考虑网络流量的两个组成部分之间的相关性，使得人工流量更好地匹配真实流量，能够更真实地模拟真实流量对网络的影响，提供更准确的仿真结果。本专利技术实施例提供了一种网络流量的人工合成方法，包括从真实流量中提取第一真实流量组成参数序列和第二真实流量组成参数序列；根据所述第一真实流量组成参数序列生成第一人工流量组成参数序列；对所述第一真实流量组成参数序列和所述第二真实流量组成参数序列进行自相关性学习，获取第一流量组成参数与第二流量组成参数之间的关系系数，并根据所述第一人工流量组成参数序列和所述关系系数生成第二人工流量组成参数序列；根据所述第一人工流量组成参数序列和所述第二人工流量组成参数序列合成人工流量。本专利技术实施例提供了一种网络流量的人工合成装置，包括提取模块，用于从真实流量中提取第一真实流量组成参数序列和第二真实流量组成参数序列；第一生成模块，用于根据所述第一真实流量组成参数序列生成第一人工流量组成参数序列；获取模块，用于对所述第一真实流量组成参数序列和所述第二真实流量组成参数序列进行自相关性学习，获取第一流量组成参数与第二流量组成参数之间的关系系数；第二生成模块，用于根据所述第一人工流量组成参数序列和所述关系系数生成第二人工流量组成参数序列；合成模块，用于根据所述第一人工流量组成参数序列和所述第二人工流量组成参数序列合成人工流量。本专利技术实施例提供的一种网络流量的人工合成方法和装置，通过对从真实流量中提取的第一真实流量组成参数序列和第二真实流量组成参数序列进行自相关学习，获取第一流量组成参数与第二流量组成参数之间的关系系数，再根据生成的第一人工流量组成参数序列和关系系数来获取第二人工流量组成参数序列，以此合成人工流量；本实施例考虑了网络流量的两个组成部分之间的相关性，使得人工流量更好地匹配真实流量，能够更真实地模拟真实流量对网络的影响，提供了更准确的仿真结果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术网络流量的人工合成方法实施例一的流程图；图2为本专利技术网络流量的人工合成方法实施例二的流程图；图3为本专利技术网络流量的人工合成方法实施例二中人工神经网络的结构示意图；图4为本专利技术网络流量的人工合成方法实施例二中包流量与包个数的关系示例图；图5为本专利技术网络流量的人工合成装置实施例一的结构图；图6为本专利技术网络流量的人工合成装置实施例二的结构图。具体实施例方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术网络流量的人工合成方法实施例一的流程图，如图1所示，本实施例提供了一种网络流量的人工合成方法，可以具体包括如下步骤步骤101，从真实流量中提取第一真实流量组成参数序列和第二真实流量组成参数序列。5本实施例利用真实流量来合成人工流量，在获取到真实流量后，从该真实流量中提取第一真实流量组成参数序列和第二真实流量组成参数序列。由于网络流量的基本组成部分在不同的网络仿真精度的要求下可以包括多种形式，此处将其统称为第一流量组成参数和第二流量组成参数，其对应的序列分别为第一流量组成参数序列和第二流量组成参数序列。为了区分真实流量和人工流量，对其进行分别命名；对于真实流量来说，此处可以将其分别称为第一真实流量组成参数序列和第二真实流量组成参数序列；对于人工流量来说，此处可以将其分别称为第一人工流量组成参数序列和第二人工流量组成参数序列。具体地，本实施例中的第一流量组成参数可以为单位时间内的包个数，则相应地第二流量组成参数可以为单位时间内的包流量。或者，第一流量组成参数也可以为单位时间内的包流量，则相应地第二流量组成参数可以为单位时间内的包个数。或者，第一流量组成参数可以为包间隔时间，则相应地第二流量组成参数可以为包大小。或者，第一流量组成参数可以为包大小，则相应地第二流量组成参数可以为包间隔时间。步骤102，根据所述第一真实流量组成参数序列生成第一人工流量组成参数序列。在从真实流量中提取出第一真实流量组成参数序列和第二真实流量组成参数序列后，本步骤先根据第一真实流量组成参数序列生成第一人工流量组成参数序列。具体可以采用多分形小波模型(Multi-fractal Wavelet Model)算法来产生满足多分形特性的时间序列，或者可以采用马尔科夫调制的泊松过程(Markov-Modulated Poisson Process)算法来产生满足自相似性特征的时间序列，还可以采用泊松过程产生满足泊松分布的时间序列。步骤103，对所述第一真实流量组成参数序列和所述第二真实流量组成参数序列进行自相关性学习，获取第一流量组成参数与第二流量组成参数之间的关系系数，并根据所述第一人工流量组成参数序列和所述关系系数生成第二人工流量组成参数序列。在获取到真实流量中的两个基本组成部分，即获取到第一真实流量组成参数序列和第二真实流量组成参数序列后，对第一真实流量组成参数序列和第二真实流量组成参数序列进行自相关学习处理，通过自相关学习过程，获取到真实流量中第一流量组成参数与第二流量组成参数之间的关系系数，即获取第一流本文档来自技高网...

【技术保护点】
１．一种网络流量的人工合成方法，其特征在于，包括：从真实流量中提取第一真实流量组成参数序列和第二真实流量组成参数序列；根据所述第一真实流量组成参数序列生成第一人工流量组成参数序列；对所述第一真实流量组成参数序列和所述第二真实流量组成参数序列进行自相关性学习，获取第一流量组成参数与第二流量组成参数之间的关系系数，并根据所述第一人工流量组成参数序列和所述关系系数生成第二人工流量组成参数序列；根据所述第一人工流量组成参数序列和所述第二人工流量组成参数序列合成人工流量。

【技术特征摘要】
【国外来华专利技术】1.一种网络流量的人工合成方法，其特征在于，包括从真实流量中提取第一真实流量组成参数序列和第二真实流量组成参数序列； 根据所述第一真实流量组成参数序列生成第一人工流量组成参数序列； 对所述第一真实流量组成参数序列和所述第二真实流量组成参数序列进行自相关性学习，获取第一流量组成参数与第二流量组成参数之间的关系系数，并根据所述第一人工流量组成参数序列和所述关系系数生成第二人工流量组成参数序列；根据所述第一人工流量组成参数序列和所述第二人工流量组成参数序列合成人工流量。2.根据权利要求1所述的方法，其特征在于，所述对所述第一真实流量组成参数序列和所述第二真实流量组成参数序列进行自相关性学习，获取第一流量组成参数与第二流量组成参数之间的关系系数包括根据所述第一真实流量组成参数序列和所述第二真实流量组成参数序列确定自动学习网络模型的结构；根据所述自动学习网络模型建立第一流量组成参数与第二流量组成参数之间的关系模型；根据所述关系模型、所述第一真实流量组成参数序列和所述第二真实流量组成参数序列生成所述第一流量组成参数与所述第二流量组成参数之间的关系系数。3.根据权利要求1或2所述的方法，其特征在于，所述根据所述第一真实流量组成参数序列生成第一人工流量组成参数序列包括根据所述第一真实流量组成序列分析多分形小波模型的参数； 根据所述多分形小波模型的参数，利用多分形小波模型生成第一人工流量组成参数序列。4.根据权利要求2所述的方法，其特征在于，所述第一流量组成参数为单位时间内的包个数，所述第二流量组成参数为单位时间内的包流量；或者，所述第一流量组成参数为单位时间内的包流量，所述第二流量组成参数为单位时间内的包个数；或者，所述第一流量组成参数为包间隔时间，所述第二流量组成参数为包大小；或者，所述第一流量组成参数为包大小，所述第二流量组成参数为包间隔时间。5.根据权利要求2所述的方法，其特征在于，所述自动学习网络模型包括人工神经网络模型、模糊人工神经网络模型和回归...

【专利技术属性】
技术研发人员：欧森力安德烈，何秀强，潘璐伽，何诚，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：94