CN103595656A - 一种基于小波神经网络预测的dvb_rcs卫星信道动态分配方法 - Google Patents

Abstract

本发明涉及一种基于小波神经网络预测的DVB_RCS卫星信道动态分配方法。方法针对卫星网络流量的多尺度特性，首先利用小波神经网络流量预测算法预测下一周期用户站的实时达到流量，发送给信关站。然后信关站在每个信道申请分配周期内，根据各用户站的实时接入数据率进行按需分配，再以各用户站所预测的下一个周期内的接入数据率为权重分配剩余容量。本发明的特点是针对卫星业务流量的多尺度特性如长相关性、自相似性以及多重分形性，利用小波神经网络预测下一时刻的流量，提高流量预测准确率，合理分配业务时隙，有效缩短业务时延，保证用户服务质量，提高信道资源利用率。

Description

一种基于小波神经网络预测的DVB_RCS卫星信道动态分配方法

技术领域

本发明属于卫星通信领域，具体涉及一种基于小波神经网络预测的DVB_RCS卫星信道动态分配方法。 

背景技术

卫星带宽资源紧张，多址接入的主要目的是最大程度和最有效地利用卫星带宽资源。多址接入的方式主要有固定分配、随机分配、按需分配等分配方式。固定分配方式，当终端数量增大或是业务不是太均衡，此接入方法不再适用，尤其是对突发性业务更不适用。随机分配接入方式，当业务量增大时，会发生碰撞，碰撞会造成传输时延的增大(尤其是同步卫星)，继续重传导致了性能的降低。 

按需分配的方式，是通过地面终端事先发送预约请求，由卫星控制中心根据地球站的请求分配带宽资源，以此达到最大程度地利用带宽资源目的。相比固定分配中预留过多的带宽和随机分配中的碰撞和重传来说，按需分配不会造成带宽的浪费。另外，控制中心完全控制带宽的分配，因此相比其他策略来说，网络的健壮性很高，公平性能够很容易实现。 

现有的按需分配方式多为基于队列长度或者基于业务模型预测 来分配带宽，基于队列长度的分配算法是一种纯反应式的方法，仅根据当前队列长度分配带宽，分配带宽容量等于队列长度，没有考虑流量实时到达的情况；基于业务模型预测的方法对于业务模型依赖性强，不具有普适性，没有考虑卫星网络流量的突发性。 

自从Leland等人发现了以太网中业务流的自相似特征以来，已经证实自相似业务流广泛地存在于各类分组交换网络中，近年来人们在研究宽带卫星通信网时也多采用了自相似业务模型。小波分析所固有的尺度特性很自然地成为进行多尺度预测的有效方法，在合适小波的选择下，网络流量在不同尺度下的特性可以得到很好的刻画。 

应用于DVB_RCS宽带卫星的基于小波神经网络预测的信道分配算法的目的是，提高流量预测准确率，合理分配业务时隙，有效缩短业务时延，保证用户服务质量，提高信道资源利用率。 

发明内容

本发明所要解决的技术问题：针对卫星业务流量的多尺度特性如长相关性、自相似性以及多重分形性，现有星上预测方法预测不够准确的问题，本发明提供了一种应用于DVB_RCS宽带卫星的基于小波神经网络预测的信道分配方法，可以提高流量预测准确率，合理分配业务时隙，有效缩短业务时延，保证用户服务质量，提高信道资源利用率。 

本发明提供一种应用于DVB_RCS宽带卫星的基于预测的信道分配方法，该方法包括： 

A、用户小站记录链路层的流量包到达的数量，针对流量的多尺度特性，用小波神经网络预测算法，根据历史记录数据预测下一周期包到达数量； 

上述方法中，步骤A具体包括： 

A1、用户站以10ms时间周期存储到达小站的业务流量，以存储的前9个时间周期的流量作为小波神经网络的训练输入； 

A2、9个输入信号中，以前8个信号预测后1个，先进行多尺度小波变换，1个序列变换成4个高频和低频序列，再分别对四个序列进行神经网络预测训练； 

A3、神经网络预测之后进行多次小波反变换，将4个序列变换回1个序列； 

A4、训练结果完成后，用最新的8个流量值来预测下一周期10ms的流量到达值。 

B、用户小站通过卫星向信关站发送流量时隙请求时，捎带上预测的下一周期流量时隙数； 

C、信关站在分配时隙资源时，首先根据各用户站的实时接入数据率进行按需分配，再以各用户站所预测的下一个周期内的接入数据率为权重分配剩余容量，更真实合理的满足用户服务质量QoS。 

上述方法中，步骤C具体包括： 

C1、在每个信道申请分配周期内，多址接入控制单元首先根据各用户站的实时接入数据率进行按需分配； 

C2、再以各用户站所预测的下一个周期内的接入数据率为权重分 配剩余容量。因此第k个用户站在第N+1个周期内获得的容量为 

$A_k(N+1)=R_k\left(N\right)+\frac{{\mathrm{Free}}_{\mathrm{Cap}}}{{\mathrm{\Σ}}_{k=1}^K{\mathrm{PR}}_k(N+1)}{\mathrm{PR}}_k(N+1)$

D、信关站通过卫星向用户小站发送时隙分配表，完成整个动态分配过程。 

附图说明

图1是本发明基于小波神经网络预测的信道分配方法结构示意图。其中①是用户小站，②是卫星，③是信关站。 

具体实施方式

请参阅图1，本发明提供一种应用于DVB_RCS宽带卫星的基于预测的信道分配方法，该方法包括： 

A、用户小站记录链路层的流量包到达的数量，针对流量的多尺度特性，用小波神经网络预测算法，根据历史记录数据预测下一周期包到达数量； 

B、用户小站通过卫星向信关站发送流量时隙请求时，捎带上预测的下一时刻流量时隙数； 

C、信关站在分配时隙资源时，首先根据各用户站的实时接入数据率进行按需分配，再以各用户站所预测的下一个周期内的接入数据率为权重分配剩余容量，更真实合理的满足用户服务质量QoS。 

D、信关站通过卫星向用户小站发送时隙分配表，完成整个动态分配过程。 

上述方法中，步骤A所述根据历史记录数据利用小波神经网络预测算法预测下一周期包到达数量，其具体步骤包括： 

A1、用户站以10ms时间周期存储到达小站的业务流量，以存储的前9个时间周期的流量作为小波神经网络的训练输入； 

A2、9个输入信号中，以前8个信号预测后1个，先进行多尺度小波变换，1个序列变换成4个高频和低频序列，再分别对四个序列进行神经网络预测训练； 

A3、神经网络预测之后进行多次小波反变换，将4个序列变换回1个序列； 

A4、训练结果完成后，用最新的8个流量值来预测下一周期10ms的流量到达值，最后将预测结果加入到请求时隙中，发送给信关站作为信道分配参数。 

上述方法中，步骤C所述根据预测的下一周期内接入数据率来分配剩余容量，其具体步骤包括： 

C1、在每个信道申请分配周期内，多址接入控制单元首先根据各用户站的实时接入数据率进行按需分配； 

C2、再以各用户站所预测的下一个周期内的接入数据率为权重分配剩余容量。因此第k个用户站在第N+1个周期内获得的容量为 

$A_k(N+1)=R_k\left(N\right)+\frac{{\mathrm{Free}}_{\mathrm{Cap}}}{{\mathrm{\Σ}}_{k=1}^K{\mathrm{PR}}_k(N+1)}{\mathrm{PR}}_k(N+1)$

C3、信关站通过卫星将时隙分配信息发送给用户站，完成信道分配方案过程。 

Claims (3)

1.一种应用于DVB_RCS宽带卫星的基于预测的信道分配方法，其特征在于，该方法包括：

A、用户小站记录链路层的流量包到达的数量，针对流量的多尺度特性，用小波神经网络预测算法，根据历史记录数据预测下一周期包到达数量；

B、用户小站通过卫星向信关站发送流量时隙请求时，捎带上预测的下一周期流量时隙数；

C、信关站在分配时隙资源时，首先根据各用户站的实时接入数据率进行按需分配，再以各用户站所预测的下一个周期内的接入数据率为权重分配剩余容量，更真实合理的满足用户服务质量QoS。

D、信关站通过卫星向用户小站发送时隙分配表，完成整个动态分配过程。

2.根据权利要求1所述的方法，其特征在于，步骤A所述根据历史记录数据利用小波神经网络预测算法预测下一周期包到达数量的方法包括：

A1、用户站以10ms时间周期存储到达小站的业务流量，以存储的前9个时间周期的流量作为小波神经网络的训练输入；

A2、9个输入信号中，以前8个信号预测后1个，先进行多尺度小波变换，1个序列变换成4个高频和低频序列，再分别对四个序列进行神经网络预测训练；

A3、神经网络预测之后进行多次小波反变换，将4个序列变换回1个序列；

A4、训练结果完成后，用最新的8个流量值来预测下一周期10ms的流量到达值，最后将预测结果加入到请求时隙中，发送给信关站作为信道分配参数。

3.根据权利要求1所述的方法，其特征在于，步骤C所述根据预测的下一周期内接入数据率来分配剩余容量的方法包括：

C1、在每个信道申请分配周期内，多址接入控制单元首先根据各用户站的实时接入数据率进行按需分配；

C2、再以各用户站所预测的下一个周期内的接入数据率为权重分配剩余容量。因此第k个用户站在第N+1个周期内获得的容量为

$A_k(N+1)=R_k\left(N\right)+\frac{{\mathrm{Free}}_{\mathrm{Cap}}}{{\mathrm{\Σ}}_{k=1}^K{\mathrm{PR}}_k(N+1)}{\mathrm{PR}}_k(N+1)$

式中R_k(N)是与第k个用户站在第N个周期内的实时接入数据率等价的容量，PR_k(N+1)为第k个用户站所预测的第N+1个周期内的接入数据率，K为用户站的数量。

C3、信关站通过卫星将时隙分配信息发送给用户站，完成信道分配方案过程。

Images