基于E1业务的OTN传输网中大规模IP流量预测方法与流程

本发明涉及无线通信技术领域，特别是涉及基于e1业务的otn传输网中大规模ip流量预测方法。

背景技术：

随着3g、wifi和wimax技术成功地应用于接入网，目前通信网络越来越复杂，更多的异构，管理和维护比以前更难。同时，各种新的网络应用迅速产生新的业务量，实时终端到终端的需求促使网络运营商学习和掌握流量矩阵。然而，不幸的是流量矩阵是很难直接获得，尽管先前许多研究都对关于流量矩阵进行过估计，它是一个重要的挑战，但是要准确估计流量矩很困难。

网络中的流量矩阵包括所有的od对，这也反映了整个网络中从入节点到出节点的流量交换。因此，对网络操作者和研究人员来说，流量矩阵提供了当前网络有价值的信息。许多网络工程和管理任务，例如网络设计、路由优化、异常检测等，在很大程度上依赖于精确的流量矩阵。然而，得到一个可靠和准确的流量矩阵估计是一个重大的挑战；流量矩估计对于操作者十分重要，并且到目前为止已经成为了一个让人感兴趣的研究问题；流量矩估计对流量工程来说是一个关键参数，它从宏观概念上描述了ip网络的特征。流量矩估计反映了网络中流过所有源到目的地的流量容量，它的元素就是源目的地组(流)，流量矩在流量矩中满足一些限制，如路由矩和链路负载。限制的意思是：y(t)＝ax(t),(1)其中y(t)，x(t)分别代表在时间上的链路负载和流量矩，而a是路由矩阵，其元素是aij如果od流j流经链路i或0时aij等于1。一般而言，每个链路中的负载很容易得到，比如通过简单的网络管理协议snmp，而通过网络的地位和配置信息也可以得到路由矩阵。然而，在一个网络中，特别是在大规模的ip主干网中，链路的数目比od流中的要少很多。因此，(1)式中的问题就很棘手了。

技术实现要素：

为了克服现有技术的上述缺点，本发明提供了基于e1业务的otn传输网中大规模ip流量预测方法；在本发明方法中，采用大规模的ip流量矩估计，名为反向传播神经网络重复均衡适应程序(bpnnipfp)。首先，利用反向传播神经网络(bpnn)来模拟大规模ip流量矩估计；通过训练bpnn，建立大规模ip流量矩估计的模型；第二，结合模型与重复均衡适应程序(ipfp)，就能得到大规模的ip流量矩估计；最后用来自艾比利尼网的数据来校验bpnnipfp。

本发明解决其技术问题所采用的技术方案是：基于e1业务的otn传输网中大规模ip流量预测方法，包括如下步骤：

步骤1、初始化反向传播神经网络(bpnn)模型，通过反向传播神经网络(bpnn)模型来模拟大规模ip流量矩估计；进而通过训练初始化反向传播神经网络(bpnn)模型，建立大规模ip流量矩估计的模型；

步骤2、结合步骤1所得大规模ip流量矩估计的模型和重复均衡适应程序(ipfp)，得到大规模的ip流量矩估计。

所述步骤1中初始化反向传播神经网络(bpnn)模型中设误差界为δ，总的重复步数t且k＝0。

所述步骤1中所述的训练初始化反向传播神经网络(bpnn)模型，建立大规模ip流量矩估计模型的具体步骤为；在初始化反向传播神经网络(bpnn)模型的网络结构中，其中(i＝1,…,l；l是网络中链路的数量)表示的是初始化反向传播神经网络(bpnn)模型的第i个输入；(i＝1,…,z(z＝m1,…,mu)；k＝1,…,u；u是隐藏的层的数目)是第k个隐藏层的第i个输入，y是数据预处理单元的l×1输入矢量，是初始化反向传播神经网络(bpnn)模型中的第i个输出(i＝1,…,n；n是网络中od流的数目；p表示后处理之前的结果)，是第k层的第i×j个网络向前连接权重矩阵(i＝1,…,r(r＝m1,…,mu,n)；j＝1,…,s+1(s＝l,m1,…,mu)；k＝1,…,u,u+1)；根据初始化反向传播神经网络(bpnn)模型的网络结构，数据预处理单元将输入数据转化为适合初始化反向传播神经网络(bpnn)模型的数据，输出层是一个预测网络中所有od流的单步预测器；加入，在时间t，初始化反向传播神经网络演练结构中的输入和输出矢量分别是y(t)和根据初始化反向传播神经网络(bpnn)模型的网络演练结构，可以得到如下方程：

i＝1,...,n，s＝1,...,m1，f意思是数据预处理过程并且是一个一对一的映射函数，fi(u+1)(i＝1,...,n)是第i个输出层的线性激活函数，是第n个隐藏层的第m个激活函数。

从(2)，得到如下映射关系：

此处fi表示从r^l到r¹的映射；因此，初始化反向传播神经网络(bpnn)模型的网络演练结构表示如下映射：

即，

ψ表示从r^l到rⁿ的映射，式(5)显示通过利用输入输出数据对来训练初始化反向传播神经网络，从而可以成功地建立大型ip流量矩阵估计模型；

即向初始化反向传播神经网络提供训练数据对，根据式(5)，得出初始化反向传播神经网络(bpnn)模型结构中的训练结果的输出

通过利用反向传输算法计算初始化反向传播神经网络的梯度并更新它的权重；

计算总误差ε；若ε＜δ或k＞t，就将初始化反向传播神经网络保存到文件中或者设k＝k+1并返回到向初始化反向传播神经网络提供训练数据对，根据式(5)，得出初始化反向传播神经网络(bpnn)模型结构中的训练结果的输出

所述初始化反向传播神经网络模型通过输入输出数据对得到训练后，它能够描述流量矩阵的特征；同时在另一个时间点利用初始化反向传播神经网络模型来预测大型ip流量矩阵。

所述利用初始化反向传播神经网络模型来预测大型ip流量矩阵的具体过程包括：步骤1、得到初始化反向传播神经网络(bpnn)模型权重并初始化网络；步骤2、向初始化反向传播神经网络(bpnn)模型提供输入数据，并对数据进行预处理；步骤3、根据初始化反向传播神经网络(bpnn)模型，得到估计值进行预处理；然后操作重复均衡适应程序，通过得出流量矩估计步骤4、若程序完毕，就把估计值保存到文件中并退出，否则返回到步骤2。

从到的关系估计表示如下：

γ表示从到的映射；初始化反向传播神经网络的预测结构可以表示如下：

φ表示从y(t)到的映射，方程(7)表示了这一预测结果。

本发明的有益效果：

本发明解决了大型ip网中流量矩估计的问题，从一个新的角度提出了一个新颖的方法，叫做反向传播神经网络与重复均衡适应程序(bpnnipfp)，这是基于反向传播神经网络来模拟大型ip流量矩估计并用重复均衡程序(ipfp)来满足(1)式带有限制的流量矩估计的方法。

bpnn得到了广泛研究，因此可以应用到信号处理、生物医学、模式识别以及模拟等等场合中；通常用它来模拟未知的复杂的系统，线性和非线性的。用bpnn来模拟系统的最低的好处就是可以避免复杂的数学运算问题，特别是在要模拟的系统不能被分析表达的时候，就很有用。一旦bpnn得到正确的建立和成功的演练，它就可以很快做出对大型难题的准确估计，这一特点很适合处理大型ip流量矩估计的问题；为了准确估计流量矩阵并捕捉其特点，本发明利用bpnn来处理这一问题，由于专家表示多层网络是广泛的近似者，所以bpnn就具有广泛的近似特征，这一特性保证了它能准确地适应用于训练的输入输出数据对并捕捉准确的特性；最后，我们用来自艾比利亚网的真实数据来证实bpnnipfp，模拟结果显示bpnnipfp能够准确的表现出对大型ip流量矩阵的估计，并能跟踪其动态变化。

附图说明

图1：用于大型ip流量矩阵估计和训练的bpnn模型呈现；

图2：关于第43、47、137个od流的估计结果；

(黑色是准确的，浅灰色是用bpnnipfp估计的)

图3：对应图2，显示od流从时间点2012到2212的估计结果；

(黑色是正确的，浅灰色是用bpnnipfp估计的)

图4：对应图2，显示od流从时间点6100到6300的估计结果；

图5：对应图2，显示od流从时间点9500到9700的估计结果。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。

实施例1

所用方法中的bpnn的网络结构用图表示在了图1中，其中(i＝1,…,l；l是网络中链路的数量)的意思是bpnn的第i个输入；(i＝1,…,z(z＝m1,…,mu)；k＝1,…,u；u是隐藏的层的数目)是第k个隐藏层的第i个输入，y是数据预处理单元的l×1输入矢量，是bpnn中的第i个输出(i＝1,…,n；n是网络中od流的数目；p意思是后处理之前的结果)，是第k层的第i×j个网络向前连接权重矩阵(i＝1,…,r(r＝m1,…,mu,n)；j＝1,…,s+1(s＝l,m1,…,mu)；k＝1,…,u,u+1)，’tansig’激活tansigmoid类型函数，‘line’为纯线性活动函数；在图1的演练结构中，数据预处理单元将输入数据转化为适合bpnn的数据，输出层是一个预测网络中所有od流的单步预测器。因此，这是一个多输入多输出的bpnn加入，在时间t，图1演练结构中的输入和输出矢量分别是y(t)和根据图1的演练结构，可以得到如下方程。

i＝1,...,n，s＝1,...,m1，f意思是数据预处理过程并且是一个一对一的映射函数，fi(u+1)(i＝1,...,n)是第i个输出层的线性激活函数，是第n个隐藏层的第m个激活函数。

从(2)，得到如下映射关系。

此处fi表示从r^l到r¹的映射。因此，图1的演练结构表示如下映射：

即，

ψ表示从r^l到rⁿ的映射。式(5)显示了通过利用输入输出数据对来训练图1所示的网络，我们可以成功地建立大型ip流量矩阵估计模型，进而容易预测出流量矩阵。到现在为止，大型ip流量矩阵估计已经成功建立。

一旦bpnn通过输入输出数据对得到训练，它就可以描述流量矩阵的特征。那么在另一个时间点就可以利用bpnn来预测大型ip流量矩阵。由于bpnn拥有强大的学习和概括能力，通过它进行预测通常比较准确。一般而言，矩估计必须满足(1)表示的限制，而且矩阵的元素必须是非负的。然而，流量矩阵估计通常不满足式(1)，且在估计结果中od流也存在负数估计。为了解决这些问题，我们提出了数据后处理程序，然后利用ipfp来适应估计结果。图1的预测结构表示流量矩阵的预测过程；从到的关系估计表示如下：

γ表示从到的映射。那么图1的预测结构可以表示如下：

φ表示从y(t)到的映射。方程(7)表示了这一预测结果。

实施例2

在实施例1的基础上，提出训练过程为：

步骤1：在图一中初始化网络模型；设误差界δ，总的重复步数t且k＝0；

步骤2：向网络提供训练数据对。根据式(5)，得出图一中的训练结果的输出

步骤3：通过利用反向传输算法计算bpnn的梯度并更新它的权重；

步骤4：计算总误差ε。若ε＜δ或k＞t，就将bpnn保存到文件中或者设k＝k+1并返回到步骤2。

预测过程为：

步骤1：通过算法2.2，得到bpnn权重并初始化网络；

步骤2：向图一中的模型提供输入数据，并对数据进行预处理；

步骤3：根据模型，得到得到估计值进行预处理。然后操作ipfp。通过(7)，得出流量矩估计

步骤4：若程序完毕，就把估计值保存到文件中并退出，否则返回到步骤2.

实施例3

用来自艾比利尼网的真实数据来考证bpnnipfp，分析流量矩阵跟踪；

由于在艾比利尼网络中有12个节点、144个od流和54个链路，因此我们根据上述提到的网络模型用54-54t-54t-144lbpnn结构，该结构有54个输入，每54个节点两个隐藏层，144个节点为输出层，此处t的意思是带有tansigmoid类型激活函数的隐藏层，l为线性预测。我们对整个流量矩阵的估计用多输入多输出的bpnn。模拟结果显示bpnnipfp能很好地跟踪流量矩阵。因此从一个新的角度，用新颖的方法来估计大型ip流量矩阵；

以下讨论模拟结果；在此用[7]中的数据，从2004年五月29日到七月9日(共6周的数据)，来考证上述方法，前2011个时间点的数据用于演练bpnn，余下的用于对流量矩阵的连续估计。流量矩阵的估计分别展示在图2、3、4和图5，在这些图中，真实值用黑色表示，bpnnipfp作出的估计值用浅灰色表示。图2显示了连续五周的流量矩阵跟踪；模拟结果显示bpnnipfp不仅能很好地跟踪od流发生的变化，其估计值还能无比地接近真实值。这样的验证是在bpnn得到训练后，它能很好地捕捉大型ip流量矩阵的特征，并可以准确的预测出在另一个时间点流量矩阵的值。另外，从图2可以看出即使在od流中发生了流量崩溃，bpnnipfp依然可以准确预测出流量，例如，od流137.并且在这种情况下od流中存在周期和动态变化，bpnnipfp也能得出od流的准确估计值，如od流43与47。另一方面，我们用2011时间点数据来训练bpnn，但能得到od流其他10085时间点的值；这表明了图1的模型具有预测大型ip流量矩阵的强大能力。

相对于图2，图3显示od流从时间点2012到2212的估计，利用bpnnipfp图4从6100到6300，图5从9500到9700，这些图展示了详细的预测结果；模拟结果显示bpnnipfp可以用于准确测出大型ip流量矩阵。