一種基于rbf的城域數(shù)據(jù)網(wǎng)流量測算方法
【技術(shù)領(lǐng)域】
[0001 ]本發(fā)明涉及到城域數(shù)據(jù)網(wǎng)領(lǐng)域，提出一種基于徑向基函數(shù)(RBF，Radical Basis Funct i on)神經(jīng)網(wǎng)絡(luò)的的城域數(shù)據(jù)網(wǎng)流量測算方法。
【背景技術(shù)】
[0002] 作為運(yùn)營商重要的數(shù)據(jù)網(wǎng)絡(luò)，城域網(wǎng)承擔(dān)著互聯(lián)網(wǎng)在城域范圍內(nèi)的延伸功能，并 提供基于IP的各種業(yè)務(wù)處理能力，如家庭寬帶業(yè)務(wù)、WLAN、IDC業(yè)務(wù)、虛擬專線/專網(wǎng)業(yè)務(wù)、 IPTV、頂S和VoIP等。國內(nèi)外研究發(fā)現(xiàn)，網(wǎng)絡(luò)環(huán)境中大多存在自相似通信流量。為了使帶寬有 效利用，保證網(wǎng)絡(luò)所承受的流量不超過實(shí)際運(yùn)載能力，需要抽取網(wǎng)絡(luò)流量的特征參數(shù)，建立 可靠的模型，并利用仿真實(shí)驗(yàn)來模擬實(shí)際流量。
[0003] 在實(shí)際的運(yùn)營管理中，對網(wǎng)絡(luò)鏈路帶寬的設(shè)計(jì)一般采用冗余法，即提供富余的帶 寬，由于無法掌握流量的分布規(guī)律，運(yùn)營商通常以鏈路實(shí)測流量均值的線性算法設(shè)計(jì)帶寬。 這種方法簡單易行，不需要復(fù)雜的模型，主要缺點(diǎn)為:一、提供的冗余帶寬過多，浪費(fèi)網(wǎng)絡(luò)帶 寬資源;二、盡管有帶寬冗余，但峰值期間的流量突增可能會(huì)產(chǎn)生網(wǎng)絡(luò)瞬間擁塞。
[0004] 神經(jīng)網(wǎng)絡(luò)旨在探索模擬人腦神經(jīng)系統(tǒng)功能，按照規(guī)則通過矩陣的迭代變換實(shí)現(xiàn)， 可以處理非線性關(guān)系，可以學(xué)習(xí)某一種規(guī)則或規(guī)律。網(wǎng)絡(luò)的學(xué)習(xí)過程就是神經(jīng)元連接權(quán)值 的調(diào)整過程，待網(wǎng)絡(luò)各層權(quán)值都收斂到一定值，學(xué)習(xí)過程結(jié)束。基函數(shù)屬于前饋神經(jīng)網(wǎng)絡(luò)， 由Powell于1985年提出。常見的為RBF三層網(wǎng)絡(luò):第一層為輸入層，由信號(hào)源結(jié)點(diǎn)組成;第二 層為隱含層，隱層節(jié)點(diǎn)數(shù)視問題需要而確定，隱層神經(jīng)元的變換函數(shù)即徑向基函數(shù)是對中 心點(diǎn)徑向?qū)ΨQ且衰減的非負(fù)非線性函數(shù)，是局部響應(yīng)函數(shù);第三層為輸出層。RBF網(wǎng)絡(luò)能夠 逼近任意的非線性函數(shù)，可以處理系統(tǒng)內(nèi)的難以解析的規(guī)律性，具有良好的泛化能力，收斂 速度快，能夠從現(xiàn)有數(shù)據(jù)特征中獲取復(fù)雜的映射關(guān)系，通過模型學(xué)習(xí)城域網(wǎng)流量規(guī)律。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明提出一種基于RBF神經(jīng)網(wǎng)絡(luò)測算城域網(wǎng)流量的方法。
[0006] 本發(fā)明提出一種新的城域數(shù)據(jù)網(wǎng)流量測試方法，建立基于RBF神經(jīng)網(wǎng)絡(luò)的模型，相 對于運(yùn)營商常用的線性算法，本發(fā)明占用帶寬更低，精度更高，更貼合實(shí)際應(yīng)用。
[0007] 步驟1，取樣：以a天為周期，從現(xiàn)有城域網(wǎng)設(shè)備中采集一個(gè)區(qū)域f時(shí)段的入流量作 為輸入樣本L，將接下a+Ι~2a天該區(qū)域f時(shí)段的入流量作為輸出樣本H;
[0008] 步驟2,預(yù)處理:將輸入樣本L進(jìn)行小波分解，對輸入樣本L中的低頻分量加矩形窗 函數(shù)后重構(gòu)，得到輸入樣本L的近似值L' ；
[0009] 步驟3，建模:將L'作為訓(xùn)練網(wǎng)絡(luò)模型的輸入，Η作為訓(xùn)練網(wǎng)絡(luò)模型的輸出，采用K-均值聚類方法，學(xué)習(xí)后得到訓(xùn)練好的網(wǎng)絡(luò)模型；
[0010] 步驟4,對輸出樣本Η進(jìn)行小波分解后的低頻分量加矩形窗函數(shù)，重構(gòu)之后得到其 近似值Η'，保持步驟3的網(wǎng)絡(luò)參數(shù)(權(quán)值、訓(xùn)練次數(shù)和訓(xùn)練步長)不變，將Η'作為輸入，輸出則 為預(yù)測值Τ，Τ為2a+l~3a天該區(qū)域f時(shí)段的入流量預(yù)測值。
[0011] 其中，步驟2包括如下步驟：
[0012]步驟2-1，設(shè)輸入樣本L為原始輸入信號(hào)，通過兩個(gè)互補(bǔ)的濾波器組，其中一個(gè)濾波 器為低通濾波器h，通過該低通濾波器得到原始輸入信號(hào)的近似值A(chǔ)，另一個(gè)濾波器為高通 濾波器g，通過該高通濾波器得到原始輸入信號(hào)的細(xì)節(jié)值D;近似值A(chǔ)表示原始輸入信號(hào)的低 頻分量，細(xì)節(jié)值D表示原始輸入信號(hào)的高頻分量；
[0013] 步驟2-2,對低頻分量A進(jìn)一步分解，設(shè)％表示分解中的低頻分量A的第j個(gè)函數(shù)子 空間，W」表示分解中的高頻分量D的第j個(gè)函數(shù)子空間，小波分解的過程定義為用函數(shù)子空 間序列Vj和Wj來表不函數(shù)空間L 2(R)，則Wj表不Vj在Vj+ι中的正交補(bǔ)，即：
[0014] 匕.+1=匕?%，（1)
[0015] 其中，」=1，2，一，1~表示分解尺度的總數(shù)，取值為自然數(shù)，％+1表示％的下一個(gè)函 數(shù)子空間，W」包含的是信號(hào)函數(shù)SEL 2(R)的細(xì)節(jié)值，則7^』％=^^)，1?表示實(shí)數(shù)域；
[0016] 步驟2-3,對于上任意的信號(hào)函數(shù)SeVn，采用如下公式(2)和(3)的分解方法 得到公式(4):
[0017] ····= 十％r-,十…十(2)
[0018] 公式(2)中，Vo表示分解尺度為0的低頻子空間，VN表示分解尺度為N的低頻子空間， WN表示分解尺度為N的高頻子空間。
[0019]
[0020] 公式(3)中，An表示原始輸入信號(hào)的分解尺度為N時(shí)對應(yīng)的近似值，Dn表示原始輸入 信號(hào)的分解尺度為N時(shí)對應(yīng)的細(xì)節(jié)值，N為分解尺度的總數(shù)，i取值1~N;當(dāng)N = 0時(shí)，即L的分 解尺度為〇，S等于原始輸入信號(hào)L;當(dāng)N= 1時(shí)，SiAi+Di，即分解為一個(gè)低頻分量和一個(gè)高頻 分量之和；
[0021] 則得到如下公式(4):
[0022]
[0023] 公式⑷中，Aj,k表示大小為jXk的低頻分量，Dj,k表示大小為jXk的高頻分量;k表 示時(shí)間位移，取值范圍為整數(shù)集合Z;S(t)表示時(shí)域上的原始輸入信號(hào)，t表示時(shí)間序列，取 值為正整數(shù)；尺度函勠
，小波母函數(shù)&= 并且也 (t)具有1階消失矩，1 = 1，2,……，N，小波母函數(shù)至少有一階消失矩；
[0024] 再采用公式(5)的雙尺度方程得到小波分解方法：
[0025]
[0026] A川,i為紅適過低通濾波器h后得到第j+Ι層的低頻分量，D川,i為紅k通過高通濾 波器g后得到第j+Ι層的高頻分量。
[0027]采用公式(5)將上的信號(hào)函數(shù)S分解為其函數(shù)子空間％和^的投影，即分解為一 個(gè)低頻分量和一個(gè)高頻分量之和，采用公式(6)得到信號(hào)的重構(gòu)算法，即由函數(shù)子空間Vj上 的一個(gè)低頻分量和Wj上的一個(gè)高頻分量重構(gòu)出上的信號(hào)函數(shù)S，
[0028]
[0029]整個(gè)小波分解和重構(gòu)的過程稱為Mallat算法，通過小波分解的低頻分量和高頻分 量分別重構(gòu)出原始輸入信號(hào)的近似值和細(xì)節(jié)值；
[0030] 步驟2-4,用窗函數(shù)E(r)與輸入樣本L的低頻分量相乘，形成加窗信號(hào)，其中E(r)取 矩形窗函數(shù)，定義為玢Ο = S 1，然后重構(gòu)出輸入樣本L的近似值L '。 1〇,其他
[0031] 將L'作為訓(xùn)練網(wǎng)絡(luò)模型的輸入，Η作為訓(xùn)練網(wǎng)絡(luò)模型的輸出，設(shè)置訓(xùn)練網(wǎng)絡(luò)模型， 設(shè)置徑向基函數(shù)RBF(Radical Basis Function)的三層結(jié)構(gòu)，即輸入層、隱含層和輸出層， 各層神經(jīng)元數(shù)目依次是m、p、mi，輸入樣本向量為= ，:輸出樣本向量為 r = (6Λ，?，……，.?)，該模型實(shí)現(xiàn)由I二(?，％·····i，?1)到輸出）/：^.l' 1辦·…·的 映射，對于每個(gè)輸出節(jié)點(diǎn)…，叫），滿足如下公式：
[0032]
[0033] 其中\(zhòng)?表示m個(gè)隱含層到第j:個(gè)輸出層的權(quán)值矩陣，i:取值1~m，$表示徑向基 函數(shù)的中心，G( ·)是一類非線性徑向?qū)ΨQ基函數(shù)，U · | |表示距中心的距離，采用高斯函 數(shù)得到訓(xùn)練網(wǎng)絡(luò)模型為：
[0034]
[0035]其中，徑向基函數(shù)的中心Ci和基函數(shù)寬度〇是徑向基函數(shù)需要學(xué)習(xí)的參數(shù)。對于這 兩個(gè)參數(shù)，常用的學(xué)習(xí)算法有四種：隨機(jī)選取中心法，自組織選取中心法，正交最小二乘法 和有監(jiān)督選取中心法。本發(fā)明采用自組織選取中心法，得到最終的訓(xùn)練網(wǎng)絡(luò)模型。
[0036] 有益效果：目前城域網(wǎng)硬件設(shè)備都有相應(yīng)的質(zhì)量監(jiān)控系統(tǒng)，可以輕易地從設(shè)備端 口取得流量采樣數(shù)據(jù)，通過對樣本進(jìn)行擬合，就能夠預(yù)測新數(shù)據(jù)。本發(fā)明對預(yù)測模型進(jìn)行了 客觀評(píng)價(jià)，表明該模型可以預(yù)測一定時(shí)期內(nèi)城域網(wǎng)流量的變化，尤其在預(yù)測短時(shí)大流量數(shù) 據(jù)方面，比目前主流的線性算法占用帶寬更低，精度更高。
[0037] 采用本發(fā)明對城域網(wǎng)預(yù)測得到的數(shù)據(jù)能夠與實(shí)際值較好地吻合，與傳統(tǒng)的運(yùn)營商 算法性能對比結(jié)果見表1。
[0038] 表1兩種算法對比結(jié)果
[0039]
[0040] 從表1可以看出，本發(fā)明比線性算法能夠節(jié)約17.1 %的帶寬資源，同時(shí)算法復(fù)雜度 增