CN105049279B - 一种通信潮流柔性配置方法和*** - Google Patents

Abstract

本发明公开了一种通信潮流柔性配置方法和***，包括搭建网络环境；设置测试流量和流量转发路径；在所搭建的网络环境中进行测试，然后采集流量；对采集的流量数据进行计算，实现网络流量的预测；根据流量预测结果对网络流量进行配置。从而，本发明所述的通信潮流柔性配置方法和***能够提高对网络流量配置的效率。

Description

一种通信潮流柔性配置方法和***

技术领域

本发明涉及通信网络技术领域，特别是指一种通信潮流柔性配置方法和***。

背景技术

通信网络流量的配置包含了网络流量测算与网络配置两项基本内容。

目前，网络的潮流测算技术主要采用时间序列分析的趋势外推法和因果分析法两大类：

(1)基于时间序列的趋势外推

该方法包括两部分：OD矩阵计算和增长曲线计算。在不采用DPI/DFI(DPI：DeepPacket Inspection，深度包检测；DFI：Deep/Dynamic Flow Inspection，深度/动态流检测)采集方法时，可采用网络层析成像、卡尔曼滤波、线性规划等方法求解OD矩阵，为保证求解的准确性和减少迭代次数，可通过重力法和吸引系数法引入链路状态因素进行优化。此外，在采用DPI/DFI时，可以通过各局向流量的分布比例直接获取OD矩阵。基于时间序列的增长曲线计算，则主要根据OD矩阵流量的历史曲线变化的趋势向外延伸，采用线性方程、指数方程和多项式等多种曲线拟合方式进行推演。

(2)因果分析法

该方法可细分为如下两类：一种是流量模型法，如果某OD对中的流量(混合或者某类应用)产生机制和分布特性可以用一类分析模型表达，如泊松分布、高斯分布，则OD矩阵可以结合路由矩阵通过计算该模型的联合分布获取，但只适合于短时流量预测。另一种方法是通过分析流量构成中的主要应用类型及其流量特性，如不同用户行为引起的流量特性及其分布、主要应用的分布特性等，根据应用发展规模预测长期趋势。此外，也可以对影响流量的宏观因素进行分析，并用于已有预测结果的修正。在互联网工程中，这是一种更接近流量变化原因的预测手段。

近些年来，许多新的方法不断被提出，主要有回归模型、基于人工神经网络法、基于灰色理论法、模糊理论、基于均值法、基于中间值法、小波理论、统计学习理论方法等。

对于网络的配置，由于传统网络中网络与业务的割裂，目前大部分网络的配置是通过命令行或网管、由管理员手工配置的，是一个静态处理过程。

现有技术缺点主要包括以下两点：

(1)目前主要流量预测模型的泛化能力，即对新数据样本的适应性不高，从而造成预测误差增大；

(2)目前网络流量的配置过程中，当预测到网络流量问题时，需通过管理人员对相关设备进行手工配置，无法做到实时动态响应，并且效率低下。

发明内容

有鉴于此，本发明的目的在于提出一种通信潮流柔性配置方法和***，能够提高对网络流量配置的效率。

基于上述目的本发明提供的一种通信潮流柔性配置方法，包括步骤：

搭建网络环境；

设置测试流量和流量转发路径；

在所搭建的网络环境中进行测试，然后采集流量；

对采集的流量数据进行计算，实现网络流量的预测；

根据流量预测结果对网络流量进行配置。

可选地，所述搭建网络环境使用SDN设备进行。

进一步地，所述网络搭建包括了流量测试仪、核心路由器、第一AR路由器、第二AR路由器、第三AR路由器、交换机和SDN控制器，所述流量测试仪和所述核心路由器串联；并且所述第二AR路由器、所述第三AR路由器并联后串联所述第一AR路由器，再与所述流量测试仪串联；所述流量测试仪用于发送测试流量，所述第一AR路由器、所述第二AR路由器、所述第三AR路由器支持标准BGP协议；所述交换机与所述核心路由器相连，所述交换机受所述SDN控制器支配用于设备互联，所述核心路由器支持流量上报，配合所述SDN控制器进行流量转发路径调整。

进一步地，所述网络流量的预测包括：

对采集的数据进行预处理，并展示；

根据处理后的数据构建矩阵预测模型；

通过最小二乘支持向量机的方法对矩阵预测模型进行计算得到预测矩阵。

进一步地，所述对采集的数据进行预处理并展示是所述SDN控制器对采集的数据进行聚合、统计分析，将分析结果以图表形式进行展示。

进一步地，所述的矩阵预测模型是以节点n形成n*n的矩阵，矩阵内部数据为起始节点到目的节点的预测流量；即

其中，左列为起始点，横排为目的节点，矩阵数据为预测流量数据。

进一步地，所述通过最小二乘支持向量机的方法对矩阵预测模型进行计算得到预测矩阵，具体的步骤包括：

首先，对于一个给定的训练数据集：(x_i,y_i),i＝1,2,...,l,x_i∈Rⁿ,y_i∈R，训练集中，x_i表示输入数据值，即对于网络流量的历史监测数据；y_i表示输出数据值，即在网络流量数据为x_i时，一定时间段后网络流量的数据值，待模型训练完成，该输出参数即为网络流量的预测值；

利用高维特征空间中的线性函数，用一非线性映射将样本的输入空间Rⁿ映射到其特征空间在此高维特征空间中构造最优决策函数:

y(x)＝w^Tφ(x)+b (1)

其中，式(1)中的w与b为待解优化参数(矩阵)，T代表的是W矩阵的转置矩阵；

其次，根据结构风险最小化原则，即根据公式(1)得到结构风险计算式：

将结构风险计算式求极小得到下面公式(2)中的第一个公式；根据统计学原理，根据公式(1)得到下面公式(2)中的第二个公式，即约束优化的公式：

s.t.y_i＝w^Tφ(x_i)+b+e_i,i＝1,2,...,l

其中，J(w,e)是期望风险，minJ(w,e)表示对流量预测值的期望风险最小，即保证流量预测值最为接近实际情况；Σe_i ²表示经验风险，e_i是模型对流量值训练样本的预测误差；w^Tw是影响期望风险的因子，C表示待定常数；

为了求解上述优化问题，把约束优化问题变成无约束优化问题，建立Lagrange函数：

其中α_i＝[α₁,α₂,...α_i,...,α_n]为Lagrange乘子。

根据KKT条件有:

从式(3)中消去e_i、w后，可以得到

其中，

y＝(y₁,y₂,...,y_l)^T,eI＝(1,2,..,1),

α＝(α₁,α₂,...,α_l)^T,

Q_i,j＝(φ(x_i)·φ(x_j))＝k(x_i,x_j),i,j＝1,2,...,l

最后，所求的拟合函数，即支持向量机的输出，即求得各链路的预测流量数据为：

其中，k(x,x_i)为核函数，是高维特征空间的内积；

基于训练样本集(x_i,y_i),i＝1,2,...,l求解方程(4)，得到模型参数[b,α₁,α₂,...α_i,...,α_n]；待确定模型参数后，以方程(4)进行网络流量值预测。

进一步地，所述根据预测结果对网络流量进行配置，包括：

第一步，将流量预测结果作用于网络环境中；

第二步，判断网络环境中的链路带宽利用率是否超过越限阈值。若超过则进行下一步，若没有超过则保持网络环境现状；

第三步，调整越限的流量预测结果；

第四步，将调整后的流量预测结果作用于网络环境中，然后返回第二步。

另外，本发明还提出了一种通信潮流柔性配置***，所述通信潮流柔性配置***包括依次连接的网络环境搭建单元、数据采集单元、网络流量预测单元和网络流量配置单元，所述网络环境搭建单元使用SDN设备搭建网络环境，并在搭建的网络环境下设置测试流量和流量转发路径；所述数据采集单元在所搭建的网络环境中进行测试，然后采集流量；所述网络流量预测单元对采集的流量数据进行计算，实现网络流量的预测；所述网络流量配置单元根据流量预测结果对网络流量进行配置。

可选地，所述网络流量预测单元包括依次连接的预处理展示模块、构建矩阵预测模型模块和预测矩阵获取模块；其中，所述预处理展示模块对采集的数据进行预处理，并展示；所述构建矩阵预测模型模块据处理后的数据构建矩阵预测模型，所述预测矩阵获取模块通过最小二乘支持向量机的方法对矩阵预测模型进行计算得到预测矩阵。

从上面所述可以看出，本发明提供的通信潮流柔性配置方法和***，通过搭建网络环境；设置测试流量和流量转发路径；在所搭建的网络环境中进行测试，然后采集流量；对采集的流量数据进行计算，实现网络流量的预测；根据流量预测结果对网络流量进行配置。从而，本发明所述的通信潮流柔性配置方法和***解决了现有技术中流量预测模型适应性差、误差大，以及无法做到实时动态响应，并且效率低下的问题。

附图说明

图1为本发明实施例一种通信潮流柔性配置方法的流程示意图；

图2为本发明实施例网络搭建拓扑图；

图3为本发明实施例网络流量的预测方法的流程示意图；

图4为本发明实施例网络流量进行配置的流程示意图；

图5为本发明实施例一种通信潮流柔性配置***的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

参阅图1所示，为本发明实施例一种通信潮流柔性配置方法的流程示意图，步骤包括：

步骤101，使用SDN设备搭建网络环境。

在本发明的一个实施例中，如图2所示，网络搭建包括了流量测试仪1、核心路由器2、第一AR路由器3、第二AR路由器4、第三AR路由器5、交换机6和SDN控制器7。其中，流量测试仪1和核心路由器2串联，并且第二AR路由器4、第三AR路由器5并联后串联第一AR路由器3，再与流量测试仪1串联。流量测试仪1用于发送测试流量，第一AR路由器3、第二AR路由器4、第三AR路由器5支持标准BGP协议。交换机6与核心路由器2相连，交换机6受SDN控制器7支配用于设备互联，核心路由器2支持流量上报，配合SDN控制器7进行流量转发路径调整。也就是说，SDN控制器7能够完成网络流量规划和控制。

需要说明的是，该网络实验环境建立起两条不同的通信路径，在实验中，当一条路径流量超过阈值时，可以调整流量到另一条较空闲的路径，流量是由流量测试仪1生成，可以控制每条路径的流量，以满足实验要求，达到实验目的。

步骤102，设置测试流量和流量转发路径。

较佳地，根据测试要求SDN控制器7设置流量转发路径控制，同时SDN控制器7可以控制流量测试仪1模仿不同电网业务特性，向网络发送测试流量。

步骤103，在所搭建的网络环境中进行测试，然后采集流量。

优选地，SDN控制器7对采集的流量进行可视化。

步骤104，对采集的流量数据进行计算，实现网络流量的预测。

作为本发明的一个实施例，如图3所示，网络流量的预测包括：

步骤301：对采集的数据进行预处理，并展示。

较佳地，SDN控制器7对采集的数据进行聚合、统计分析，将分析结果以直观的图表等形式进行展示。优选地，将处理后的节点、链路流量以及历史预测矩阵进行软件模拟以便进行输入与展示。也就是说，将处理过的数据能够进行软件的展示分析，如通过图表显示以体现总流量、实时流量以及流量速率等信息。

步骤302：根据处理后的数据构建矩阵预测模型。

在一个实施例中，所述的矩阵预测模型就是以节点(假设n个)形成n*n的矩阵，矩阵内部数据为起始节点到目的节点的预测流量。即

其中，左列为起始点，横排为目的节点，矩阵数据为预测流量数据。

另外，还有根据用户数预测、业务预测、带宽预测等因素为矩阵提供条件与数据内容。

步骤303：通过最小二乘支持向量机的方法对矩阵预测模型进行计算得到预测矩阵。

作为本发明的另一个实施例，对流量数据采用最小二乘支持向量机法对实际搭建的网络流量进行预测。

优选地，首先，对于一个给定的训练数据集：(x_i,y_i),i＝1,2,...,l,x_i∈Rⁿ,y_i∈R，训练集中，x_i表示输入数据值，即对于网络流量的历史监测数据；y_i表示输出数据值，即在网络流量数据为x_i时，一定时间段后网络流量的数据值，待模型训练完成，该输出参数即为网络流量的预测值。

利用高维特征空间中的线性函数，用一非线性映射将样本的输入空间Rⁿ映射到其特征空间在此高维特征空间中构造最优决策函数:

y(x)＝w^Tφ(x)+b (1)

其中，式(1)中的w与b为待解优化参数(矩阵)。另外，T代表的是W矩阵的转置矩阵。

其次，来拟合样本集，以便使输入空间即网络流量监测数据中的非线性拟合问题变成高维特征空间中的线性拟合问题。较佳地，根据结构风险最小化原则，即根据公式(1)得到结构风险计算式：

将结构风险计算式求极小得到下面公式(2)中的第一个公式。优选地，综合考虑函数复杂度和拟合误差，回归问题可以表示为约束优化问题，根据统计学原理，根据公式(1)得到下面公式(2)中的第二个公式，即约束优化的公式。约束优化是为了所求结果更加精准引入的。

s.t.y_i＝w^Tφ(x_i)+b+e_i,i＝1,2,...,l

其中，J(w,e)是期望风险，minJ(w,e)表示对流量预测值的期望风险最小，即保证流量预测值最为接近实际情况；Σe_i ²表示经验风险，e_i是模型对流量值训练样本的预测误差；w^Tw是影响期望风险的因子，其减小可以降低期望风险的大小；C表示待定常数。

为了求解上述优化问题，把约束优化问题变成无约束优化问题，建立Lagrange函数：

其中α_i＝[α₁,α₂,...α_i,...,α_n]为Lagrange乘子。

根据KKT条件有:

从式(3)中消去e_i、w后，可以得到

其中，

y＝(y₁,y₂,...,y_l)^T,eI＝(1,2,..,1),

α＝(α₁,α₂,...,α_l)^T,

Q_i,j＝(φ(x_i)·φ(x_j))＝k(x_i,x_j),i,j＝1,2,...,l

最后，所求的拟合函数，即支持向量机的输出，即求得各链路的预测流量数据(也就是上述矩阵的内部流量预测值的参考数据)为

其中，k(x,x_i)为核函数，是高维特征空间的内积。

另外，基于训练样本集(x_i,y_i),i＝1,2,...,l求解方程(4)，可以得到模型参数[b,α₁,α₂,...α_i,...,α_n]。优选地，该方程(4)的求解过程可通过训练样本集借助MATLAB中的SVM工具箱进行机器学习来实现。

待确定模型参数后，以方程(4)进行网络流量值预测，并结合上述用户数预测、业务预测等因素确定的节点间流量流向，构建流量预测矩阵。

步骤105，根据流量预测结果对网络流量进行配置。

在实施例中，如图4所示，根据预测结果对网络流量进行配置。包括：

步骤401：将流量预测结果作用于网络环境中。

步骤402：判断网络环境中的链路带宽利用率是否超过越限阈值。若超过则进行步骤403，若没有超过则保持网络环境现状。

较佳地，通过SDN控制器7的路径界面对预测越限链路创建信息流，其包含的关键因素有路径名称、流方向、源IP和目的IP。

优选地，按业界规定，设置带宽利用率阈值为75％，保持75％以下以保证网络稳定

步骤403：调整越限的流量预测结果。

较佳地，在SDN控制器7的业务界面选中需要调整的信息流，然后在界面的网络拓扑中手动拖拽改变信息流传输途径。

需要说明的是，预测值是针对各条链路，能够预测出每条链路得带宽利用率，即越限的链路以及预测出其他链路的带宽利用率。根据带宽利用率的高低，来确定将越限的链路流量调整至其他没有越限的链路。

在实施例中，例如根据SDN控制器7的流量预测监测界面BR1～AR1的链路带宽利用率显示为红色，超过了链路越限阀值75％，链路的实时数据传输速率为38286Mbps。而另一条链路BR2～AR2的带宽利用率为33％，实时数据传输速率为16985，尚有较高的剩余带宽可以利用，两条链路的负载失衡，降低了网络的性能和资源利用率。为了降低BR1～AR1链路的带宽利用率，提高网络性能，通过手动拖拽的方式，改变数据的出口路由，使此部分数据改由BR2～AR2链路进行传输，降低BR1～AR1链路的带宽利用率。其中，BR1、AR1、BR2、AR2分别为路由器。

步骤404：将调整后的流量预测结果作用于网络环境中，然后返回步骤402。

作为本发明的另一个实施例，参阅图5所示，为本发明实施例一种通信潮流柔性配置***的结构示意图。所述通信潮流柔性配置***包括依次连接的网络环境搭建单元501、数据采集单元502、网络流量预测单元503和网络流量配置单元504。其中网络环境搭建单元501使用SDN设备搭建网络环境，并在搭建的网络环境下设置测试流量和流量转发路径。数据采集单元502在所搭建的网络环境中进行测试，然后采集流量。网络流量配置单元504将流量预测结果作用于网络环境中，判断网络环境中的链路带宽利用率是否超过越限阈值，若是则调整越限的流量预测结果，将调整后的流量预测结果作用于网络环境中直至网络环境中的链路带宽利用率不会超过越限阈值。由于各单元的工作流程上面已描述，在此不做重复说明。

较佳地，网络流量预测单元503包括依次连接的预处理展示模块、构建矩阵预测模型模块和预测矩阵获取模块。由于各模块的工作流程上面已描述，在此不做重复说明。

综上所述，本发明提供的通信潮流柔性配置方法和***，创造性地提出了在对网络流量的预测中，采用基于最小二乘支持向量机方法，比之传统的基于经验风险最小化原则的机器学习方法如人工神经网络法,它不仅结构简单，而且泛化能力明显提高；并且最小二乘支持向量机能够把支持向量机、神经网络、高斯过程、bays技术有机地统一在一起，从而扩展为自回归的形式来处理动态问题；与此同时，将SDN技术引入电力通信网络中，对智能电网通信***目前的通信资源进行有效地整理和融合，对网络资源进行统一的管理和配置，能够优化网络设备的使用情况，最大化资源利用率，并能够提前对网络潮流做出判断，做到实时动态响应，从而全面提升效率；最后，整个所述的通信潮流柔性配置方法和***简便、紧凑，易于实现。

所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种通信潮流柔性配置方法，其特征在于，包括步骤：

搭建网络环境；所述搭建网络环境使用SDN设备进行

设置测试流量和流量转发路径；

在所搭建的网络环境中进行测试，然后采集流量；

对采集的流量数据进行计算，实现网络流量的预测；

根据流量预测结果对网络流量进行配置；

其中，所述网络搭建包括了流量测试仪、核心路由器、第一AR路由器、第二AR路由器、第三AR路由器、交换机和SDN控制器，所述流量测试仪和所述核心路由器串联；并且所述第二AR路由器、所述第三AR路由器并联后串联所述第一AR路由器，再与所述流量测试仪串联；所述流量测试仪用于发送测试流量，所述第一AR路由器、所述第二AR路由器、所述第三AR路由器支持标准BGP协议；所述交换机与所述核心路由器相连，所述交换机受所述SDN控制器支配用于设备互联，所述核心路由器支持流量上报，配合所述SDN控制器进行流量转发路径调整。

2.根据权利要求1所述的方法，其特征在于，所述网络流量的预测包括：

对采集的数据进行预处理，并展示；

根据处理后的数据构建矩阵预测模型；

通过最小二乘支持向量机的方法对矩阵预测模型进行计算得到预测矩阵。

3.根据权利要求2所述的方法，其特征在于，所述对采集的数据进行预处理并展示是所述SDN控制器对采集的数据进行聚合、统计分析，将分析结果以图表形式进行展示。

4.根据权利要求2所述的方法，其特征在于，所述的矩阵预测模型是以节点n形成n*n的矩阵，矩阵内部数据为起始节点到目的节点的预测流量；即

其中，左列为起始点，横排为目的节点，矩阵数据为预测流量数据。

5.根据权利要求4所述的方法，其特征在于，所述通过最小二乘支持向量机的方法对矩阵预测模型进行计算得到预测矩阵，具体的步骤包括：

首先，对于一个给定的训练数据集：(x_i,y_i),i＝1,2,...,l,x_i∈Rⁿ,y_i∈R，训练集中，x_i表示输入数据值，即对于网络流量的历史监测数据；y_i表示输出数据值，即在网络流量数据为x_i时，一定时间段后网络流量的数据值，待模型训练完成，该输出参数即为网络流量的预测值；

利用高维特征空间中的线性函数，用一非线性映射将样本的输入空间Rⁿ映射到其特征空间在此高维特征空间中构造最优决策函数:

y(x)＝w^Tφ(x)+b (1)

其中，式(1)中的w与b为待解优化参数(矩阵)，T代表的是W矩阵的转置矩阵；

其次，根据结构风险最小化原则，即根据公式(1)得到结构风险计算式：

将结构风险计算式求极小得到下面公式(2)中的第一个公式；根据统计学原理，根据公式(1)得到下面公式(2)中的第二个公式，即约束优化的公式：

其中，J(w,e)是期望风险，minJ(w,e)表示对流量预测值的期望风险最小，即保证流量预测值最为接近实际情况；∑e_i ²表示经验风险，e_i是模型对流量值训练样本的预测误差；w^Tw是影响期望风险的因子，C表示待定常数；

为了求解上述优化问题，把约束优化问题变成无约束优化问题，建立Lagrange函数：

其中α_i＝[α₁,α₂,...α_i,...,α_n]为Lagrange乘子,

根据KKT条件有:

从式(3)中消去e_i、w后，可以得到

其中，

y＝(y₁,y₂,...,y_l)^T,eI＝(1,2,..,1),

α＝(α₁,α₂,...,α_l)^T,

Q_i,j＝(φ(x_i)·φ(x_j))＝k(x_i,x_j),i,j＝1,2,...,l

最后，所求的拟合函数，即支持向量机的输出，即求得各链路的预测流量数据为：

其中，k(x,x_i)为核函数，是高维特征空间的内积；

基于训练样本集(x_i,y_i),i＝1,2,...,l求解方程(4)，得到模型参数[b,α₁,α₂,...α_i,...,α_n]；待确定模型参数后，以方程(4)进行网络流量值预测。

6.根据权利要求2所述的方法，其特征在于，所述根据预测结果对网络流量进行配置，包括：

第一步，将流量预测结果作用于网络环境中；

第二步，判断网络环境中的链路带宽利用率是否超过越限阈值, 若超过则进行下一步，若没有超过则保持网络环境现状；

第三步，调整越限的流量预测结果；

第四步，将调整后的流量预测结果作用于网络环境中，然后返回第二步。