文摘

无线网状网络流行为用户提供一个去中心化的访问和其他智能设备。与此同时,它可以用作最后几英里的基础设施连接各种网络应用程序,例如,物联网和移动网络(物联网)。无线网状网络骨干,它取得了广泛关注,因为它的大容量和低成本。网络流量预测是重要的对于网络规划和路由配置,实现提高对用户的服务质量。本文提出一种网络流量预测方法基于深度学习体系结构和时空压缩传感方法。该方法首先采用离散小波变换提取的低通分量描述远程网络流量的依赖关系本身。然后,预测模型是由学习深架构基于提取的低通的深层信念网络组件。否则,剩余的高通组件,表达了网络流量的突发的和不规则的波动,采用时空压缩传感的方法来预测。基于预测的两个组件,我们可以获得网络流量的预测。从仿真,提出了预测方法优于三个现有的方法。

1。介绍

无线网状网(WMN)提供无处不在的最后几英里连接未来的无线服务,例如,物联网,G移动网络,认知无线电。除此之外,也是一种很有前途的解决方案已被称作物联网群体感知应用程序通过连接一大群个体能力的计算和感应。相对于其他无线架构(例如,特设网络),WMN高容量,健壮性和低成本部署(1]。因此,它是更受欢迎的作为一个新兴的访问模式在实践中。移动通信的快速发展,移动云计算系统,物联网,无线网络提供的应用程序成为众多。此外,大数据已经成为一个重要的角色在工业和日常生活。WMN的数量和实质性的增长(在规模和服务)带来的一系列新挑战的能力;例如,网络拥塞可能出现在无线网状骨干网由巨大的交通需求。

网格路由器构成的主要基础设施WMN称为无线网状骨干网。WMN架构的自组织的方式强化了弹性的网络故障,但它出现一些限制,通常情况下,资源分配问题,等等。最重要的是,必要的网络管理操作是有用的提供一个具有成本效益的解决方案提高WMN的性能。这些网络管理操作实现相对的网络流量信息。例如,为了提高对用户的服务质量,预测网络规划对于isp是必要的。这个计划是根据未来的痕迹进行所有可能的术语叫做之间的网络流量(OD)节点对2,3]。

提出了很多的方法来处理传统的IP骨干网络的网络流量预测问题[4- - - - - -8]。统计方法已被广泛采用。最初,一些简单的模型,如自回归(AR)和自回归移动平均(ARIMA)集成,是用来追求短程依赖(阶跃恢复二极管)的网络流量4]。然而,当前的网络流量展品远程依赖(上)的行为特征和多重分形特性的终端(4]。在这种情况下,分段自回归综合移动平均(FARIMA)模型和多重分形小波模型(微波加工)是参与这个领域应对网络流量预测问题5]。各种网络服务和应用程序,网络流量的特征更加复杂。例如,它表现出一些非线性特性(4,6]。因此,一些方法参考GARCH模型为预测模型的网络流量。此外,很多方法提出了基于混合模型来预测网络流量(7]。然而,这些方法不适合处理的问题在无线网状网络流量预测骨干网(2]。一般来说,用户加入随机无线网状网络。此外,他们往往有复杂的个体协会,这是明显不符与传统的IP骨干网络的用户。尽管用户的应用程序的两个网络可能是重合的,占主导地位的应用程序通常是有区别的。

出于这个问题,我们提出一种网络流量预测方法的基础上,深度信念网(DBN)和时空压缩传感(stc))方法,名叫深层信念网络和时空压缩传感(DBNSTCS)模型。我们所知,这是第一篇论文,侧重于无线网状网络骨干的交通预测问题和考虑预测的时空特征。我们考虑网络流量的远程依赖和不规则的波动行为独立;参见图1(9]。离散小波变换(DWT),网络流量分为两个组件标记扩展和离散小波变换系数。即DWT只是喜欢一个网络流量分解成低通滤波器组件和一个高通组件。低通组件表示的远程依赖网络流量,高通一个声明了阵阵和不规则波动。上意味着在任何时候的网络流量取决于多个以前的交通数据。上的网络流量来源于一系列相互作用的因素(例如,用户的行为)。来描述这些繁杂的关系,前者是基于DBN深度预测的架构。可以深入学习提出的体系结构上的网络流量。短程和不规则的波动,优质的方法称为一名优秀的插值算法是用来预测。

提出了论文的贡献如下:(我)我们利用DWT提取网络流量的低通和高通组件。DWT的时间序列可以看作是这时间序列通过一个低通滤波器和一个高通滤波器,分别。因此,我们可以获得网络流量的低通和高通组件。他们显示了低通近似和网络流量的细节,分别。在我们的方法中,我们独立预测系数两种类型。(2)我们提出一个深架构基于DBN捕获网络流量的低通分量。在此体系结构中,通过学习建立深架构的训练集通过已知的网络流量,深层结构可以描述上交通流量的特征,对网络流量进行预测。(3)我们采用时空压缩传感以适应网络流量的突发的和不规则的波动。我们首先假设高通组件遵循一个时空的依赖。然后,我们实现一个网络流量的预测稀疏正则化矩阵分解(SRMF)方法。

本文的其余部分组织如下。部分2回顾了关于网络流量预测问题的相关工作。节3介绍一些关于网络流量的定义,DWT技术,DBN理论,分别和时空压缩传感方法。我们建议我们的预测方法4。然后,我们验证我们的方法的性能5。部分6本文的结论是我们的工作。

2。相关工作

大量的研究人员调查了网络流量的预测,对拥塞控制是有益的,预测网络规划和智能路由(10- - - - - -14]。现有的网络流量预测技术包括四类:线性时间序列方法,非线性时间序列的方法,混合模型方法和分解模型的方法。

线性时间序列方法(例如,基于“增大化现实”技术、马和ARMA)经常用于端到端流量预测模型。根据小说的研究发现,流量非线性特性表现出显著地在复杂网络用户行为和各种应用程序。通常,GARCH模型(10)用于模型破裂特征。此外,神经网络也是一个有效的方法来跟踪的交通流量非线性特性(12]。

随着网络服务的迅速发展,ISP网络异构和复杂的网络。流量显示等多方面的统计特征上阶跃恢复二极管、重尾分布,和多重分形特性。因此,研究人员采用混合模型和复杂模型的交通流分布。基于混合模型的方法,利用两个或两个以上的模型来捕获流量的痕迹。在[4),作者结合ARIMA模型和GARCH模型以适应交通流量(即的几个特征。上和阶跃恢复二极管特性)。与此同时,提出了混合模型也可以模型流量的自相似性和多重分形特性。自相关函数和偏自相关函数是受雇于作者确定混合模型中的参数。第四个方法如上面提到的部分是交通流的模型分解方法分为几个组件。在此基础上分解,收获的组件,分别建模和预测。这些方法可以被看作是一个进化的混合模型方法。在[13),作者共同利用平稳小波变换(SWT),量子遗传算法(相)和反向传播神经网络(摘要)来实现交通预测的无线网络流量。他们首先分解SWT的交通流量,流量是由几个固定的组件。之后,所有这些组件都使用相结合预测的一个训练有素的摘要。作者在14]大型蜂窝网络的流量分解为固定和随机组件由一个典型的时间序列分解法。

3所示。背景

3.1。流量矩阵

流量矩阵是一种表达形式的网络流量。收集网络流量信息后,运营商实现适当的网络管理功能的网络流量信息。在此期间,网络流量信息表示为流量矩阵。如果我们表示的OD流用于描述交通流的平均体积的从原点节点到目标节点在th时间段,那么流量矩阵被定义为 在哪里 , 。这个流量矩阵的网络流量数据和报告时间槽。一般来说,时间槽的长度或分钟。

3.2。离散小波变换

对于一个时间序列 ,它可以表达的 在哪里和缩放和离散小波变换系数。 是在规模尺度函数吗 。 是所谓的小波函数。比例系数表达的粗糙近似 。离散小波变换系数表示的细节 。因此,(2)可以被视为时间序列通过一个过滤器,然后获取的表示的低通和高通近似。

3.3。深度信念网络

DBN是一种常见的深度学习原始。这是一个组合的限制玻耳兹曼机(元)15- - - - - -17]。两层的遏制无向的图形模型由可见光和隐藏层用和(所示图2)[9,15]。每个单元在一个层是与所有其他层的单位无向边。单位在同一层相互脱节。图3显示了一个示例DBN架构有两元的9]。许多组织遏制DBN是一堆。所有单位都随机变量的值(16]。一般来说,他们服从伯努利分布和高斯分布。隐藏或显示当单位是高斯和伯努利方程,我们有以下条件分布: 在哪里 表示高斯分布的均值和方差 和 。 是乙状结肠函数。和分别可以隐藏或显示的数量单位(18]。和是可见的偏见和隐藏的单位。表达了对称可见单元之间的交互项和隐藏的单元 。遏制,联合概率分布函数可以隐藏或显示单元可以用 在哪里 称为能量函数定义为

训练DBN,想法是雇佣一个layer-wise贪婪策略。此外,通过最小化日志更新概率的参数 。

3.4。时空压缩传感和稀疏正则化矩阵分解

压缩感知是一种新型的抽样技术近年来信号处理,很好地利用结构或冗余的真实世界的信号。它利用了一种自适应抽样计划,这些结构性的信号。详细,这些信号的结构意味着它可以用一个向量(即有几个非零元素。向量是稀疏)。在自适应抽样方案,同时随机矩阵称为测量矩阵是用来实现压缩和编码。在解码阶段,压缩传感重建算法是一个辉煌的方法来解决逆问题的病态性特性。

压缩传感的导数,时空压缩传感技术总是作为插值算法来恢复丢失的数据集的元素。时空特性意味着相邻元素的值正确数据集的相似。这个特性而言,SRMF方法提出了(19),缺失的元素可以恢复精确虽然数据丢失的概率是巨大的。此外,SRMF方法也是一个准确的预测工具。在预测过程中,需要预测的元素被视为连续缺失的元素。

4所示。我们的方法

4.1。网络流量分解

我们假设已知的网络流量用的每个OD流用时间序列 ,在哪里 。根据(1),它可以用 如果我们设置规模 ,然后我们有 上面的方程将网络流量划分为两个组件。一个是低通近似换算系数(如图所示),展览上的网络流量 ,,另一个是高通近似(所描述的离散小波变换系数),表达了阵阵和不规则的波动行为的网络流量 。流量矩阵,描述之间的交通量OD节点对,很明显,它的低通和高通近似组件可以用两个矩阵,分别。

数据4和5给两个例子的交通流DWT的分解。我们从实际网络流量选择两个OD流随机数据集,分别和策划他们的低通和高通组件。显然,我们看到,低通组件期刊,这意味着他们更容易被预测与高通组件显示的数据进行比较4 (b)和5 (b)。在这种情况下,两个组件预计独立。

4.2。为低通组件体系结构预测

对于一个OD流 ,我们假设这个系列的长度是一个偶数。在这种情况下,数量的比例系数 。深层结构预测是绘制在图6。有在此体系结构中隐藏层。隐藏和输入层 单位。顶部的深层结构,单个神经元定义为采用逻辑回归预测。逻辑回归模型是由一个隐藏层 用一个单位的单位和一个输出层。深层结构是由反向传播算法训练方法。深层结构的参数确定的层(18]。

在我们的方法中,我们首先收集训练集用 。然后,我们有缩放系数训练集 。与此同时,相应的预测 。通过训练提出了深架构使用缩放系数训练集,我们可以获得一个输入和输出比例系数之间的关系。此外,我们使用的缩放系数作为输入,然后换算系数的预测将会实现。

4.3。时空压缩传感为高通组件的预测

离散小波变换系数,SRMF matrix-oriented插值算法。因此,不同比例系数的预测,其中每个独立OD流预测,我们预测离散小波变换系数的OD流在同一时间。根据(7),所有OD流的离散小波变换系数构成一个矩阵,表示为在这篇文章中。矩阵由两个部分组成。从训练数据是通过测量网络流量数据,和其他需要预测。我们表示最终的预测结果 ,然后它可以由下面的正则化优化预测模型: 的符号和分别表示弗罗贝尼乌斯规范和转位。矩阵 ,所谓的时序约束矩阵(如图所示(9)),描述了时间的邻居。 的矩阵和从矩阵的奇异值分解吗 ;也就是说, 和是两个酉矩阵,然后呢是一个对角矩阵的奇异值是谁的对角元素 。的矩阵和等于和 。

最后,根据预测的缩放和离散小波变换系数,我们预测网络流量的逆离散小波变换。算法1提出了我们的方法的细节。

5。仿真结果和分析

本节将验证的性能预测方法。在我们的模拟,一个真正的网络流量数据集时段是采样的时间尺度分钟。准确预测,第一时段作为前训练深层结构和矩阵的信息 。我们将把我们的方法与网络流量预测领域的三种最先进的方法,即主成分分析(PCA)方法(20.],Tomogravity方法[21],和SRMF方法[19]。该方法由MATLAB实现在单一机器Core i5中央处理单元,GB内存,MB的图形处理单元(GPU)的记忆。与此同时,我们将 和 。

我们第一次情节真实网络流量与预测的四种方法,分别。图7显示我们的方法的预测结果。的设在和分别设在表示预测和实际网络流量。从图7,我们看到,我们的方法对小型网络流量预测偏差较低。相比之下,我们的方法显示了积极的大型网络流量的预测。从图可以得到相同的结论8。对于大型网络流量,它也有积极的预测。对小型网络流量,PCA更大的预测偏差。Tomogravity一贯积极预测大型网络流量图所示9。对小型网络流量,Tomogravity显示所需的预测误差。此外,对于大型网络流量,SRMF图10有或多或少的积极或消极的预测。

现在,我们指的是空间和时间相对误差作为一个指标来比较四种方法。空间和时间相对误差被定义为 在哪里和是端到端网络交通流及其预测。正如上面提到的, ;因此OD流的数量 。图(11日)展览空间相对误差(sr)的四个方法。的的身份是设在端到端网络流量。端到端网络流量按降序排序对他们意味着什么。与此同时,设在行为。从这个模拟,我们发现我们的方法的行为始终低与其他三种方法进行比较。图11 (b)显示了非常的四种方法。从图11 (b),它表明PCA的非常远高于其他方法。的混乱关系DBNSTCS是最低的四分之一的方法。行为的累积分布和混乱关系图所示12。它可以显示预测误差更直接。此外,我们发现DBNSTCS更突出的混乱关系的改善,与行为进行比较。这是因为我们的方法预测的低通分量独立每个交通流。此外,对比到高通组件,该组件对预测有很大的影响。因此,弱改善行为是由预测高通组件使用时空压缩传感方法。

小错误或偏见的预测方法并不意味着它是可用的。虽然误差较低,不能提供精确的预测具有较高的方差。因此,标准差是参与我们的模拟作为方差指标,定义为 在哪里 。在(12),的长度是交通预测数据集。图吗13显示了四种方法的偏差和标准偏差。我们发现四个方法执行不同的方差。Tomogravity与其他方法相比有较大的差异。相比之下,PCA方法表现出相对较高的方差。DBNSTCS和SRMF方法显示方差相对较低。

最后,性能提升比例如图14作为一个整体的评价。被定义为性能改善的比例 在哪里和表示通过算法预测和 ,分别。性能改进DBNSTCS的比率 , ,和Tomogravity, SRMF PCA。

6。结论和未来的工作

本文在无线网状网络流量预测问题的骨干网络,提出了一种层次化的预测方法。提出的分级预测方法将网络流量划分为两个组件,然后预测每个组件由不同的模型。在细节,该方法利用了DBN和时空压缩传感网络流量的预测。在我们的方法中,小波应用于网络流量划分成两个部分,即远程依赖组件和波动组件由低通和高通组件,分别。深架构组成的DBN层和逻辑回归架构提出了预测低通组件。与此同时,另一种是SRMF预测的方法捕捉高通组件的时空特征。我们评估提出的性能预测方法,比较三种方法被广泛用于网络流量的预测。根据仿真,我们的方法在预测误差,尤其是在混乱关系。无线网状的主要瓶颈骨干网络流量预测的预测精度是不规则的网络流量的波动。因此,预测算法针对低通组件在未来是必要的。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(61701406,61701406)和中央大学的基础研究基金(3102017 oqd022)。