流量矩陣的估計方法和裝置制造方法
【專利摘要】本發(fā)明實施例提供的流量矩陣的估計方法和裝置，可以解決求解流量矩陣時準(zhǔn)確率較低、計算復(fù)雜度較高和效率低的問題。具體方案為：獲取預(yù)設(shè)范圍內(nèi)網(wǎng)絡(luò)的流量值并根據(jù)獲取的流量值得到約束矩陣B；根據(jù)預(yù)設(shè)算法以及約束條件求解目標(biāo)函數(shù)min(rank(LRT))以獲取L和R；其中，流量矩陣X＝LRT，L為利用非負(fù)矩陣分解算法分解流量矩陣X得到的左特征向量，R為利用非負(fù)矩陣分解算法分解流量矩陣X得到的右特征向量，約束條件為Λ(LRT)＝B，Λ(·)為線性算子，rank(LRT)為流量矩陣X的秩，min函數(shù)為求最小值的函數(shù)。
【專利說明】流量矩陣的估計方法和裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明實施例涉及通信領(lǐng)域，尤其涉及一種流量矩陣的估計方法和裝置。

【背景技術(shù)】
[0002] 互聯(lián)網(wǎng)的高速發(fā)展，使網(wǎng)絡(luò)類型呈現(xiàn)出多樣化、規(guī)模大型化、結(jié)構(gòu)復(fù)雜化的特點， 網(wǎng)絡(luò)性能參數(shù)變化也越來越復(fù)雜，流量矩陣是最重要的網(wǎng)絡(luò)性能參數(shù)之一。流量矩陣表示 的是通信網(wǎng)絡(luò)中源節(jié)點-目的節(jié)點（英文：〇rigin-Destination，縮寫：OD)對的流量信息。 流量矩陣的準(zhǔn)確性至關(guān)重要，如果能夠獲取準(zhǔn)確的流量矩陣，網(wǎng)絡(luò)工作人員不但可以優(yōu)化 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的設(shè)計、鏈路容量的規(guī)劃、流量的預(yù)測和路由協(xié)議的實現(xiàn)，而且還能更好的制 定路由策略，使網(wǎng)絡(luò)總流量負(fù)載均衡、實時檢測網(wǎng)絡(luò)中流量的異常，防止外來攻擊進(jìn)而保證 網(wǎng)絡(luò)的安全。但是，直接監(jiān)控網(wǎng)絡(luò)獲取流量矩陣非常困難，因此，如何根據(jù)有限鏈路的測量 數(shù)據(jù)和路由信息等先驗信息，合理地建立數(shù)學(xué)模型來估計和預(yù)測流量矩陣已經(jīng)成為一個重 要的研宄課題。
[0003] 目前求解流量矩陣的方法主要有以下三種：線性規(guī)劃法、主成分分析方法、神經(jīng)網(wǎng) 絡(luò)算法。線性規(guī)劃法利用約束條件，最優(yōu)化目標(biāo)函數(shù)來求解流量矩陣。不過利用該方法求 解的矩陣方程的欠定程度仍然比較大（方程的秩仍遠(yuǎn)小于所需求解的未知數(shù)），并且隨著 網(wǎng)絡(luò)規(guī)模的增大，目標(biāo)函數(shù)的不確定變量因子進(jìn)一步增多，導(dǎo)致最終求解出來的流量矩陣 準(zhǔn)確性較低。主成分分析法計算量大，并且需要的存儲空間要求比較大，忽略了數(shù)據(jù)在高維 上的關(guān)系。由于主成分分析法依賴所給數(shù)據(jù)，所以采集數(shù)據(jù)的準(zhǔn)確性對最終的分析結(jié)果影 響很大。神經(jīng)網(wǎng)絡(luò)算法普遍存在著穩(wěn)定性和可塑性不可調(diào)和的矛盾，這使得神經(jīng)網(wǎng)絡(luò)在學(xué) 習(xí)新的樣本時會影響甚至是遺忘舊有的記憶。流量矩陣的復(fù)雜特性和高維特性需要大量的 樣本才能夠充分的訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值。而這些必將導(dǎo)致神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度非常慢，對 大量的高維樣本數(shù)據(jù)的訓(xùn)練，會加劇神經(jīng)網(wǎng)絡(luò)記憶性和可塑性的矛盾，即記憶扭曲變形或 記憶消失的問題。
[0004] 綜上所述，現(xiàn)有的求解流量矩陣的方法，均存在準(zhǔn)確率較低、計算復(fù)雜度較高和效 率低的問題。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明實施例提供的流量矩陣的估計方法和裝置，可以解決求解流量矩陣時準(zhǔn)確 率較低、計算復(fù)雜度較高和效率低的問題。
[0006] 第一方面，本發(fā)明實施例提供一種流量矩陣的估計方法，所述方法包括：
[0007] 獲取預(yù)設(shè)范圍內(nèi)網(wǎng)絡(luò)的流量值并根據(jù)所述流量值得到約束矩陣B ;
[0008] 根據(jù)預(yù)設(shè)算法以及約束條件求解目標(biāo)函數(shù)min(rank(LRT))以獲取L和R;其中，流 量矩陣X=LRT，L為利用非負(fù)矩陣分解算法分解所述流量矩陣X得到的左特征向量，R為利 用非負(fù)矩陣分解算法分解所述流量矩陣X得到的右特征向量，所述約束條件為A(LRT)= B，A(?)為線性算子，rank(LRT)為所述流量矩陣X的秩，min函數(shù)為求最小值的函數(shù)。
[0009] 結(jié)合第一方面，在第一種可能的實現(xiàn)方式中，所述根據(jù)預(yù)設(shè)算法以及約束條件求 解目標(biāo)函數(shù)min(rank(LRT))以獲取L和R具體包括：

【權(quán)利要求】
1. 一種流量矩陣的估計方法，其特征在于，包括： 獲取預(yù)設(shè)范圍內(nèi)網(wǎng)絡(luò)的流量值并根據(jù)所述流量值得到約束矩陣B; 根據(jù)預(yù)設(shè)算法以及約束條件求解目標(biāo)函數(shù)min(rank(LRt))以獲取L和R;其中，流量矩 陣X=LRT，L為利用非負(fù)矩陣分解算法分解所述流量矩陣X得到的左特征向量，R為利用 非負(fù)矩陣分解算法分解所述流量矩陣X得到的右特征向量，所述約束條件為A(LRt) =B， Λ(·)為線性算子，rank(LR1)為所述流量矩陣X的秩，min函數(shù)為求最小值的函數(shù)。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)預(yù)設(shè)算法以及約束條件求解目 標(biāo)函數(shù)min(rank(LRt))以獲取L和R具體包括： 利用規(guī)則化核范數(shù)將所述目標(biāo)函數(shù)min(rank(LRt))轉(zhuǎn)換為第二目標(biāo)函數(shù) min(||i^ +K)，其中，為所述左特征向量L的第F范數(shù)的平方，K為所述右 特征向量R的第F范數(shù)的平方，F(xiàn)為預(yù)設(shè)值； 根據(jù)所述預(yù)設(shè)算法以及所述約束條件求解所述第二目標(biāo)函數(shù)+ ||i?G)以 獲取所述左特征向量L和所述右特征向量R。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述預(yù)設(shè)算法以及所述約束條 件求解所述第二目標(biāo)函數(shù)11^1^IF +A 以獲取所述左特征向量L和所述右特征向量 R具體包括： 根據(jù)低秩估計正則化將在所述約束條件下的所述第二目標(biāo)函數(shù)mir^|L|2F+|7?^) 轉(zhuǎn)換為第三目標(biāo)函數(shù)
，其中，λ為預(yù)設(shè)參數(shù)， A(LRr)_召2為（Λ(LRt)-B)的第F范數(shù)的平方，F(xiàn)為預(yù)設(shè)值； F 根據(jù)所述預(yù)設(shè)算法求解所述第三目標(biāo)函數(shù)min||A(LR〇 -β||^ +/IllZlt+D 以獲取所述左特征向量L和所述右特征向量R。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)所述預(yù)設(shè)算法求解所述第三目 標(biāo)函f
以獲取所述左特征向量L和所述右特征
向量R具體包括： 將所述第三目標(biāo)函數(shù) 轉(zhuǎn)換為第四目標(biāo)函數(shù)
其中，T為常對角矩 陣，S為根據(jù)所述流量矩陣X的相鄰行向量相似度值得到的矩陣； 根據(jù)所述預(yù)設(shè)算法求解所述第四目標(biāo)函數(shù) I獲取所述左特征 向量L和所述右特征向量R。
5. 根據(jù)權(quán)利要求1至4任一所述的方法，其特征在于，所述預(yù)設(shè)算法包括： 交替最小二乘算法、迭代閾值算法、最小全變分算法或匹配追蹤算法。
6. -種用于估計流量矩陣的裝置，其特征在于，包括： 獲取單元，用于獲取預(yù)設(shè)范圍內(nèi)網(wǎng)絡(luò)的流量值并根據(jù)所述流量值得到約束矩陣B; 處理單元，用于根據(jù)預(yù)設(shè)算法以及約束條件求解目標(biāo)函數(shù)min(rank(LRt))以獲取L和R;其中，流量矩陣X=LRT，L為利用非負(fù)矩陣分解算法分解所述流量矩陣X得到的左特征 向量，R為利用非負(fù)矩陣分解算法分解所述流量矩陣X得到的右特征向量，所述約束條件為 Λ(LR1) =Β，Λ(·)為線性算子，rank(LR1)為所述流量矩陣X的秩，min函數(shù)為求最小值 的函數(shù)。
7. 根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述處理單元具體用于： 利用規(guī)則化核范數(shù)將所述目標(biāo)函數(shù)min(rank(LRt))轉(zhuǎn)換為第二目標(biāo)函數(shù) min|||Ζ||^ + ||i?【)，其中，為所述左特征向量L的第F范數(shù)的平方，為所述右特 征向量R的第F范數(shù)的平方，F(xiàn)為預(yù)設(shè)值； 根據(jù)所述預(yù)設(shè)算法以及所述約束條件求解所述第二目標(biāo)函數(shù)min(|L|「; + |及匕)以 獲取所述左特征向量L和所述右特征向量R。
8. 根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述處理單元具體用于： 根據(jù)低秩估計正則化將在所述約束條件下的所述第二目標(biāo)函數(shù)min(|L|2F + |及匕) 轉(zhuǎn)換為第三目標(biāo)函數(shù)
其中，λ為預(yù)設(shè)參數(shù)， |A(LRF)-5t為（Λ(LRt)-B)的第F范數(shù)的平方，F(xiàn)為預(yù)設(shè)值； 根據(jù)所述預(yù)設(shè)算法求解所述第三目標(biāo)函數(shù)
以獲取所述左特征向量L和所述右特征向量R。
9. 根據(jù)權(quán)利要求8所述的裝置，所述處理單元具體用于： 將所述第三目標(biāo)函聲
I轉(zhuǎn)換為第四目標(biāo)函數(shù)
;其中，T為常對角 矩陣，S為根據(jù)所述流量矩陣X的相鄰行向量相似度值得到的矩陣； 枏據(jù)所沭預(yù)設(shè)筧法龍解所沭笛四目標(biāo)函數(shù)
以獲取所述左特征 向量L和所述右特征向量R。
10.根據(jù)權(quán)利要求6至9任一所述的裝置，其特征在于，所述預(yù)設(shè)算法包括： 交替最小二乘算法、迭代閾值算法、最小全變分算法或匹配追蹤算法。
【文檔編號】H04L12/26GK104468272SQ201410759560
【公開日】2015年3月25日 申請日期:2014年12月11日 優(yōu)先權(quán)日:2014年12月11日
【發(fā)明者】涂丹丹 申請人:杭州華為數(shù)字技術(shù)有限公司