專(zhuān)利名稱(chēng)：一種時(shí)變動(dòng)態(tài)網(wǎng)絡(luò)中端到端流量的重構(gòu)方法
技術(shù)領(lǐng)域：
本發(fā)明是屬于網(wǎng)絡(luò)技術(shù)領(lǐng)域，涉及大規(guī)模端到端流量測(cè)量與分析領(lǐng)域，特別是一種時(shí)變動(dòng)態(tài)網(wǎng)絡(luò)中端到端流量的重構(gòu)方法。
背景技術(shù)：
隨著近年來(lái)互聯(lián)網(wǎng)的飛速發(fā)展，網(wǎng)絡(luò)應(yīng)用的不斷增多，骨干網(wǎng)中的流量特征發(fā)生了巨大的變化，端到端流量展現(xiàn)出隨機(jī)性、時(shí)變性和非平穩(wěn)性。而且根據(jù)最近的研究表明，在大型骨干網(wǎng)絡(luò)的端到端流量具有分形特性，其中包括長(zhǎng)相關(guān)性，突發(fā)性和自相似性。傳統(tǒng)的端到端流量模型已經(jīng)不能很好地描述當(dāng)前骨干網(wǎng)的流量特征。端到端流量用來(lái)進(jìn)行網(wǎng)絡(luò)規(guī)劃、負(fù)載均衡、故障診斷、路由最優(yōu)化等網(wǎng)絡(luò)管理活動(dòng)。所以，探索當(dāng)前骨干網(wǎng)流量的規(guī)律，研究其特征已成為端到端流量領(lǐng)域中一個(gè)重要內(nèi)容。眾所周知，之前對(duì)端到端流量的模擬大部分都是基于泊松分布，馬爾科夫模型和高斯模型。然而傳統(tǒng)的業(yè)務(wù)模型只有短相關(guān)性，即在不同的時(shí)間尺度上有不同特性，從而無(wú)法描述網(wǎng)絡(luò)的長(zhǎng)相關(guān)性。從傳統(tǒng)模型得到的結(jié)論是這些模型仿真產(chǎn)生的業(yè)務(wù)通常在時(shí)域上僅具有短相關(guān)性，當(dāng)業(yè)務(wù)源數(shù)目增加時(shí)，突發(fā)性也會(huì)被吸收，聚類(lèi)業(yè)務(wù)變得越來(lái)越平滑，不能反映業(yè)務(wù)突發(fā)性。而且，傳統(tǒng)模型產(chǎn)生的業(yè)務(wù)流高頻成分多而低頻成分少，相關(guān)結(jié)構(gòu)呈指數(shù)衰減，因而不能準(zhǔn)確的描述流量自相關(guān)性，所以對(duì)于一個(gè)復(fù)雜的異構(gòu)網(wǎng)絡(luò)，這些經(jīng)典模型不再適用。因此，人們開(kāi)始采用能夠表征長(zhǎng)相關(guān)性和突發(fā)性的自相關(guān)模型來(lái)描述端到端流量，如分析模型，流量預(yù)測(cè)模型等。流量矩陣是網(wǎng)絡(luò)流量工程的重要輸入?yún)?shù)，它表示網(wǎng)絡(luò)中所有的端到端流量，完整地描述了網(wǎng)絡(luò)中所有流量需求的分布情況，給網(wǎng)絡(luò)操作者提供關(guān)于當(dāng)前網(wǎng)絡(luò)狀態(tài)的全局信息。由于網(wǎng)絡(luò)設(shè)備缺乏主動(dòng)配合，網(wǎng)絡(luò)服務(wù)提供商處于商業(yè)秘密考慮，以及流量矩陣測(cè)量將占用額外的網(wǎng)絡(luò)資源等原因，直接測(cè)量端到端流量是非常困難的。目前端到端流量重構(gòu)引起研究人員的廣泛關(guān)注，已被網(wǎng)絡(luò)操作者用來(lái)進(jìn)行網(wǎng)絡(luò)規(guī)劃、負(fù)載均衡、故障診斷、路由最優(yōu)化等網(wǎng)絡(luò)管理活動(dòng)。鑒于骨干網(wǎng)流量的多分形，時(shí)變性和非平穩(wěn)性，僅僅根據(jù)時(shí)域的振幅特性或頻域的頻率特性并不能全面刻畫(huà)流量特征，多分形小波模型通過(guò)對(duì)將端到端流量信號(hào)時(shí)頻域特征的聯(lián)合分析，精確重構(gòu)出端到端流量。為了獲得端到端流量，已經(jīng)提出一些方法來(lái)解決這個(gè)問(wèn)題。Vardi提出使用網(wǎng)絡(luò)層析成像方法解決端到端流量重構(gòu)問(wèn)題，隨后這種方法得到廣泛運(yùn)用，并被用于研究IP網(wǎng)絡(luò)內(nèi)部特征。對(duì)于網(wǎng)絡(luò)層析成像方法，端到端流量可以通過(guò)泊松分布和高斯分布重構(gòu)，但是不能捕獲端到端流量的空間和時(shí)間的相關(guān)性；Y. Zhang等提出了用重力場(chǎng)模型描述目前端到端流量的特性，通過(guò)獲得額外的約束信息，以克服高度病態(tài)的問(wèn)題；A. Lakhina等提出了主成分分析法直接測(cè)量并構(gòu)建端到端流量重構(gòu)模型；A. Soule等基于端到端流量的獨(dú)立同分布泊松模型假設(shè)，提出迭代貝葉斯反演算法來(lái)重構(gòu)端到端流量；G. Liang等提出了一種偽似然重構(gòu)方法，使用改進(jìn)的EM算法將問(wèn)題分解為若干個(gè)包含一個(gè)OD對(duì)的子問(wèn)題，使估算精度的誤差有所降低。然而，這些方法僅適用于簡(jiǎn)單的數(shù)據(jù)統(tǒng)計(jì)模型和重力場(chǎng)模型，隨著近年來(lái)互聯(lián)網(wǎng)的飛速發(fā)展，網(wǎng)絡(luò)應(yīng)用的不斷增多，骨干網(wǎng)中的流量展現(xiàn)出時(shí)變性、非平穩(wěn)性以及多分形特性，以上方法已無(wú)法精確的重構(gòu)端到端流量。實(shí)際上，以前的大部分模型是基于時(shí)域分析的，很少是通過(guò)分析端到端流量的時(shí)頻域聯(lián)合特性實(shí)現(xiàn)端到端流量重構(gòu)。盡管現(xiàn)在已有多種方法對(duì)端到端流量進(jìn)行重構(gòu)，但是由于在IP骨干網(wǎng)中，端到端流量重構(gòu)本身就是一個(gè)高度病態(tài)的問(wèn)題。大型骨干網(wǎng)絡(luò)的時(shí)變動(dòng)態(tài)性使得端到端流量具有隨機(jī)性、時(shí)變性、非平穩(wěn)性和多分形特性，因而端到端流量的重構(gòu)更加困難。

發(fā)明內(nèi)容
針對(duì)現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提供一種時(shí)變動(dòng)態(tài)網(wǎng)絡(luò)中端到端流量的重構(gòu)方法，利用多分形小波模型來(lái)重構(gòu)端到端流量，以鏈路負(fù)載作為約束參量，通過(guò)多分辨率分析準(zhǔn)確重構(gòu)端到端流量。一種時(shí)變動(dòng)態(tài)網(wǎng)絡(luò)中端到端流量的重構(gòu)方法，包括如下步驟步驟一端到端流量小波變換；對(duì)端到端流量進(jìn)行離散小波變換，離散小波變換能將交織在一起的不同頻率成分組成的時(shí)間序列分解成頻率不相同的子序列。當(dāng)給定一組輸入信號(hào)，通過(guò)離散小波變換可以分解為低分辨率參考信號(hào)，以及一系列細(xì)節(jié)信號(hào)。而在某一個(gè)尺度下，參考信號(hào)和細(xì)節(jié)信號(hào)包含了完全恢復(fù)上一尺度下信號(hào)的全部信息。具體包括如下步驟步驟A :多分形小波模型寬度設(shè)置；對(duì)長(zhǎng)度為N的端到端流量時(shí)間序列，為了使多分形小波模型無(wú)失真的重構(gòu)出流量信號(hào)，設(shè)定多分形小波模型的寬度為L(zhǎng)= [N/2M]，其中M為正整數(shù)，[M/2m]代表對(duì)N/2m取整。然后把多分形小波模型寬度L內(nèi)的流量信號(hào)作為重構(gòu)整條端到端流量時(shí)間序列的樣本。步驟B :端到端流量零均值處理；將數(shù)據(jù)零均值化處理，使流量信號(hào)的均值為零，而且還能包含原始數(shù)據(jù)的全部信息，更有利于信號(hào)的分析，計(jì)算結(jié)果也更為直觀。對(duì)于信號(hào)X (t),最大值為max(x(t)),最小值min (X (t)),均值為mean (x (t)),則零均值處理后的結(jié)果@為，
權(quán)利要求
1.一種時(shí)變動(dòng)態(tài)網(wǎng)絡(luò)中端到端流量的重構(gòu)方法，其特征在于，包括如下步驟 步驟一端到端流量小波變換； 步驟二 提取端到端流量時(shí)頻域特征參數(shù)； 步驟三端到端流量重構(gòu)； 步驟四端到端流量重構(gòu)值校正。
2.根據(jù)權(quán)利要求I所述的時(shí)變動(dòng)態(tài)網(wǎng)絡(luò)中端到端流量的重構(gòu)方法，其特征在于，步驟一所述的端到端流量小波變換，具體包括如下步驟 步驟A :多分形小波模型寬度設(shè)置； 對(duì)長(zhǎng)度為N的端到端流量時(shí)間序列，設(shè)定多分形小波模型的寬度為L(zhǎng) = [N/2M]，其中M為正整數(shù)，[N/2m]代表對(duì)N/2m取整，然后把多分形小波模型寬度L內(nèi)的流量信號(hào)作為重構(gòu)整條端到端流量時(shí)間序列的樣本； 步驟B :端到端流量零均值處理； 對(duì)于信號(hào)X (t),最大值為max (x(t)),最小值min(x(t)),均值為mean (x(t)),則零均值處理后的結(jié)果x(V)為，
3.根據(jù)權(quán)利要求I所述的時(shí)變動(dòng)態(tài)網(wǎng)絡(luò)中端到端流量的重構(gòu)方法，其特征在于，步驟二所述的提取端到端流量時(shí)頻域特征參數(shù)，具體步驟如下 步驟A :構(gòu)建標(biāo)準(zhǔn)正交基； 步驟B :小波系數(shù)< k與尺度系數(shù)ay間乘子C^t的生成。
4.根據(jù)權(quán)利要求I所述的時(shí)變動(dòng)態(tài)網(wǎng)絡(luò)中端到端流量的重構(gòu)方法，其特征在于，步驟三所述的端到端流量重構(gòu)，具體步驟如下 步驟A :確定迭代次數(shù)； 由步驟一中多分形小波模型的寬度式L= [N/2m]以及公式(11)可得，若要無(wú)失真的重構(gòu)出端到端流量，則需要迭代M+1次； 步驟B :根據(jù)多分形小波模型寬度進(jìn)行第一次迭代； 首先對(duì)多分形小波模型寬度內(nèi)的流量信號(hào)進(jìn)行第一層離散小波變換，計(jì)算系數(shù)建立起信號(hào)的全局均值，之后計(jì)算出多分形小波模型寬度內(nèi)的所有尺度系數(shù)與小波系數(shù)；步驟C :迭代次數(shù)加1，重復(fù)步驟B，直到滿(mǎn)足迭代次數(shù)為M，重構(gòu)出信號(hào)，執(zhí)行步驟D ； 步驟D :由于在步驟一中對(duì)流量信號(hào)進(jìn)行了零均值處理，則根據(jù)公式(I)，重構(gòu)回原始流量信號(hào)，則有，
5.根據(jù)權(quán)利要求I所述的時(shí)變動(dòng)態(tài)網(wǎng)絡(luò)中端到端流量的重構(gòu)方法，其特征在于，步驟四所述的端到端流量重構(gòu)值校正，是利用IPFP算法校正步驟三中得到的端到端流量重構(gòu)值漢O，具體步驟如下 步驟A :判定漢O是否滿(mǎn)足公式(18)，如果滿(mǎn)足則結(jié)束校正，保存最后校正值4^(0，執(zhí)行步驟D ;如果不滿(mǎn)足則執(zhí)行步驟B ； 設(shè)定重構(gòu)值與實(shí)際流量的誤差值e， e = Y-AX < 0. 001 (18) 步驟B :端到端流量重構(gòu)值校正； 利用IPFP算法對(duì)端到端流量的重構(gòu)值進(jìn)行校正，使其滿(mǎn)足公式(18)的條件，如果達(dá)到則結(jié)束調(diào)整保存最后調(diào)整值，執(zhí)行步驟D ;如果不滿(mǎn)足則執(zhí)行步驟C ； 步驟C :判定校正次數(shù)r是否已達(dá)到上限值R，如果達(dá)到則結(jié)束校正，保存最后校正值^PFpif)，執(zhí)行步驟D ;如果不滿(mǎn)足則校正次數(shù)r加1，執(zhí)行步驟A ； 步驟D :計(jì)算空間相對(duì)誤差和時(shí)間相對(duì)誤差。
全文摘要
本發(fā)明提供一種時(shí)變動(dòng)態(tài)網(wǎng)絡(luò)中端到端流量的重構(gòu)方法，包括如下步驟步驟一端到端流量小波變換；步驟二提取端到端流量時(shí)頻域特征參數(shù)；步驟三端到端流量重構(gòu)；步驟四端到端流量重構(gòu)值校正。利用多分形小波模型來(lái)重構(gòu)端到端流量，以鏈路負(fù)載作為約束參量，通過(guò)多分辨率分析準(zhǔn)確重構(gòu)端到端流量，兼顧端到端流量的自相似特性和多分形特性，從時(shí)頻域聯(lián)合分析的角度解決了端到端流量重構(gòu)的高度病態(tài)問(wèn)題，使對(duì)端到端流量重構(gòu)更為精確。利用本發(fā)明方法重構(gòu)出端到端流量，用來(lái)進(jìn)行網(wǎng)絡(luò)規(guī)劃、負(fù)載均衡、故障診斷、路由最優(yōu)化等網(wǎng)絡(luò)管理活動(dòng)。
文檔編號(hào)H04L12/24GK102647354SQ20121010663
公開(kāi)日2012年8月22日 申請(qǐng)日期2012年4月12日 優(yōu)先權(quán)日2012年4月12日
發(fā)明者姚成, 秦文達(dá), 蔣定德, 袁珍 申請(qǐng)人:東北大學(xué)