一種基于隱馬爾可夫的網(wǎng)絡(luò)利用率感知方法
【專利摘要】本發(fā)明公開(kāi)了一種基于隱馬爾可夫的網(wǎng)絡(luò)利用率感知方法,屬于網(wǎng)絡(luò)性能評(píng)估領(lǐng)域,具體為:首先,將某個(gè)計(jì)算機(jī)通信網(wǎng)絡(luò)劃分為W個(gè)小網(wǎng)絡(luò);通過(guò)測(cè)量某個(gè)小網(wǎng)絡(luò)在某一時(shí)刻的網(wǎng)絡(luò)總延時(shí),對(duì)W個(gè)小網(wǎng)絡(luò)分別建立W個(gè)隱馬爾可夫HMM模型;然后,用統(tǒng)計(jì)量χ2來(lái)檢驗(yàn)每個(gè)小網(wǎng)絡(luò)中由隱狀態(tài)序列構(gòu)成的Markov鏈?zhǔn)欠穹像R氏性;當(dāng)符合后,將每個(gè)HMM模型的顯狀態(tài)映射為隱狀態(tài);也就是根據(jù)每個(gè)小網(wǎng)絡(luò)的網(wǎng)絡(luò)總延時(shí)計(jì)算t時(shí)刻每個(gè)小網(wǎng)絡(luò)的即時(shí)利用率,在分別進(jìn)行量化,得到t時(shí)刻每個(gè)小網(wǎng)絡(luò)的量化利用率;最后,按照小網(wǎng)絡(luò)資產(chǎn)的重要性設(shè)定權(quán)重,得到總網(wǎng)絡(luò)的量化利用率;優(yōu)點(diǎn)在于:能夠幫助網(wǎng)絡(luò)管理員從宏觀上掌握主機(jī)和網(wǎng)絡(luò)的態(tài)勢(shì)變化,進(jìn)而分析出網(wǎng)絡(luò)的即時(shí)利用率。
【專利說(shuō)明】
-種基于隱馬爾可夫的網(wǎng)絡(luò)利用率感知方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于網(wǎng)絡(luò)性能評(píng)估領(lǐng)域,具體設(shè)及一種基于隱馬爾可夫的網(wǎng)絡(luò)利用率感知 方法。
【背景技術(shù)】
[0002] 隨著個(gè)人上網(wǎng)設(shè)備的普及和移動(dòng)蜂窩網(wǎng)與寬帶無(wú)線接入網(wǎng)絡(luò)的發(fā)展,各種各樣網(wǎng) 絡(luò)應(yīng)用不斷涌現(xiàn),隨之也帶來(lái)了巨大的流量需求。多種網(wǎng)絡(luò)業(yè)務(wù)流量的加入不僅影響了網(wǎng) 絡(luò)的整體性能,同時(shí)還為網(wǎng)絡(luò)管理和流量分配等帶來(lái)了巨大的挑戰(zhàn)。
[0003] 不同類型的業(yè)務(wù)需要不同的網(wǎng)絡(luò)保障,因此,如何根據(jù)業(yè)務(wù)的類型為其分配最優(yōu) 的網(wǎng)絡(luò)來(lái)承載運(yùn)個(gè)業(yè)務(wù)、實(shí)現(xiàn)網(wǎng)絡(luò)性能的最優(yōu)化成為亟待解決的問(wèn)題。
[0004] 網(wǎng)絡(luò)性能評(píng)估通過(guò)收集與分析當(dāng)前網(wǎng)絡(luò)的狀態(tài)參數(shù),能夠獲取對(duì)打種前網(wǎng)絡(luò)性能 狀況的準(zhǔn)確感知,因此成為解決運(yùn)一問(wèn)題的關(guān)鍵技術(shù)。此外,在網(wǎng)絡(luò)接入選擇方面,由于現(xiàn) 有的用戶設(shè)備大多具備多個(gè)網(wǎng)絡(luò)接口,可W接入多種網(wǎng)絡(luò),通過(guò)網(wǎng)絡(luò)性能評(píng)估可W得到附 近網(wǎng)絡(luò)的性能評(píng)價(jià)結(jié)果,從而可W根據(jù)用戶設(shè)備上所運(yùn)行的業(yè)務(wù)類型,為用戶選擇一個(gè)最 佳的網(wǎng)絡(luò)進(jìn)行接入,提升用戶的業(yè)務(wù)體驗(yàn)。
[0005] 在運(yùn)種背景下,網(wǎng)絡(luò)態(tài)勢(shì)感知技術(shù)應(yīng)運(yùn)而生。自Endsl巧提出態(tài)勢(shì)感知,并由Bass 等將態(tài)勢(shì)感知的概念引入網(wǎng)絡(luò)性能評(píng)估領(lǐng)域W來(lái),態(tài)勢(shì)評(píng)估技術(shù)也得到了長(zhǎng)足的發(fā)展,國(guó) 外的學(xué)者往往選擇從單一角度出發(fā)來(lái)獲取態(tài)勢(shì)要素,進(jìn)行態(tài)勢(shì)評(píng)估。如Grubesic等通過(guò)獲 取網(wǎng)絡(luò)的資產(chǎn)脆弱信息來(lái)評(píng)估網(wǎng)絡(luò)的脆弱性態(tài)勢(shì);Thonnard等則通過(guò)honey net采集攻擊 信息,通過(guò)攻擊報(bào)警日志來(lái)評(píng)估網(wǎng)絡(luò)的風(fēng)險(xiǎn)狀況。而國(guó)內(nèi)的學(xué)者往往選擇從多個(gè)角度來(lái)綜 合分析網(wǎng)絡(luò)狀況,如朱麗娜、陳鋒等W網(wǎng)絡(luò)報(bào)警信息為基礎(chǔ),結(jié)合提供的服務(wù)、主機(jī)的重要 性及網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu),采用層次化的量化評(píng)估方法對(duì)網(wǎng)絡(luò)進(jìn)行態(tài)勢(shì)評(píng)估。此外,通過(guò)借鑒其他 學(xué)科的思想,例如李濤通過(guò)生物學(xué)上的啟發(fā)而來(lái)的基于免疫的網(wǎng)絡(luò)風(fēng)險(xiǎn)檢測(cè)方法,對(duì)后續(xù) 的研究都有不可忽視的借鑒作用。
[0006] 目前,人們無(wú)法直觀地得到網(wǎng)絡(luò)的利用率,唯一可見(jiàn)的是得到的各種時(shí)延,也就是 觀察符號(hào),只有通過(guò)時(shí)延才能推斷出網(wǎng)絡(luò)的即時(shí)利用率,而隱馬爾可夫模型(Hidden MarkovMode 1,HMM)本身的隱狀態(tài)W及觀察符號(hào),則完全模擬了運(yùn)一過(guò)程。
【發(fā)明內(nèi)容】
[0007] 本發(fā)明為了感知并預(yù)測(cè)網(wǎng)絡(luò)的即時(shí)利用率,提供了一種基于隱馬爾可夫的網(wǎng)絡(luò)利 用率感知方法,包括步驟如下:
[0008] 步驟一、針對(duì)某個(gè)計(jì)算機(jī)通信網(wǎng)絡(luò),按物理位置將該網(wǎng)絡(luò)劃分為W個(gè)小網(wǎng)絡(luò);
[0009] W根據(jù)實(shí)際網(wǎng)絡(luò)大小劃分,為整數(shù);針對(duì)第h個(gè)小網(wǎng)絡(luò),計(jì)算機(jī)主機(jī)為化臺(tái);h = l,
[0010] 步驟二、針對(duì)w個(gè)小網(wǎng)絡(luò)中某個(gè)小網(wǎng)絡(luò)h,測(cè)量該小網(wǎng)絡(luò)h在某一時(shí)刻的網(wǎng)絡(luò)總延 時(shí);
[0011] 首先,在第h個(gè)小網(wǎng)絡(luò)內(nèi)設(shè)置數(shù)據(jù)包傳遞路由,即設(shè)置數(shù)據(jù)傳輸路徑;
[0012] 然后,使用Ping命令,在數(shù)據(jù)傳輸路徑起始點(diǎn)和終點(diǎn)之間測(cè)得數(shù)據(jù)從輸入小網(wǎng)絡(luò)h 到輸出小網(wǎng)絡(luò)h的時(shí)延,P i ng命令彈出的提示框內(nèi)顯示時(shí)延大?。?br>[0013] 步驟立、根據(jù)每個(gè)小網(wǎng)絡(luò)某一時(shí)刻的網(wǎng)絡(luò)總延時(shí),對(duì)W個(gè)小網(wǎng)絡(luò)分另幡立W個(gè)滿足P (0 I λ')收斂或達(dá)到預(yù)定精度要求的隱馬爾可夫HMM模型;
[0014] 隱馬爾可夫ΗΜΜ模型記為:λ=陽(yáng),M,A,B,3i};通常用簡(jiǎn)寫Ξ元組表示:λ={Α,Β,3?}。
[0015] Ν為網(wǎng)絡(luò)利用率的檔位數(shù)目,對(duì)應(yīng)馬爾可夫鏈的隱狀態(tài)數(shù)目;
[0016] ΗΜΜ模型的隱狀態(tài)幾何為S={Si,. . .,Si,. . .,Sn};記t時(shí)刻Markov鏈所處隱狀態(tài)為 qt,則qtG (Si, . . . ,Sn)。
[0017] Μ為觀測(cè)到的網(wǎng)絡(luò)總時(shí)延大小的檔位數(shù)目,對(duì)應(yīng)任意網(wǎng)絡(luò)利用率檔位的觀察值數(shù) 目;
[001引ΗΜΜ模型的觀察值集合為V={Vi,. . .,Vk,. . .,Vm};記t時(shí)刻觀察到的觀察值為Ot, 則0te(Vi,. . .,Vm)。
[0019] π為初始狀態(tài)概率矢量,對(duì)應(yīng)初始時(shí)刻每個(gè)小網(wǎng)絡(luò)中每臺(tái)主機(jī)的即時(shí)利用率的概 率分布。記31 = (311,...,3ii. ..,JIN),當(dāng)初始時(shí)刻Markov鏈所處隱狀態(tài)為Si時(shí)概率為町;
[0020] A為狀態(tài)轉(zhuǎn)移概率矩陣,描述的是不同網(wǎng)絡(luò)利用率檔位之間相互轉(zhuǎn)移的概率。
[0021] 記.
火隱狀態(tài)Si轉(zhuǎn)移到隱狀態(tài)Sj的概率為aij。
[0022] B為觀察值概率矩陣,對(duì)應(yīng)為處于不同網(wǎng)絡(luò)利用率檔位下,觀察到某個(gè)網(wǎng)絡(luò)總時(shí)延 檔位的概率。記
,當(dāng)前隱狀態(tài)為&時(shí)觀察到HMM模型的觀察值Vk的 概率為bj(k)。
[0023] 具體步驟如下:
[0024] 步驟301、將每個(gè)小網(wǎng)絡(luò)對(duì)應(yīng)的HMM模型中的參數(shù)A,B,31分別賦初始值;
[0025] 步驟302、將某個(gè)小網(wǎng)絡(luò)h得到的觀察值序列0和對(duì)應(yīng)的初始HMM模型參數(shù)代入重估 式進(jìn)行優(yōu)化,得到估計(jì)值Κι ',町'和bj(k) ' ;
[0026] 用Baum-Welch算法對(duì)初始的HMM模型參數(shù)A,B,31分別優(yōu)化,重估式公式如下:
[0027]
[002引 丫 i(i)表示初始時(shí)刻t = l時(shí),從隱狀態(tài)Si轉(zhuǎn)移出去的次數(shù)期望
表示在Τ? ι 時(shí)間段內(nèi) ,隱狀態(tài)從 Si 轉(zhuǎn)移到隱狀態(tài) Sj 的次數(shù)期望之和:
表示在T-1時(shí)間段內(nèi),從隱 狀態(tài)Si轉(zhuǎn)移出去的次數(shù)期望之巧
表示當(dāng)前時(shí)刻觀察值為Vk時(shí),在時(shí)間段T內(nèi)處 于隱狀態(tài)&的次數(shù)期望之和
衰示在時(shí)間段T內(nèi)處于隱狀態(tài)&的次數(shù)期望之和。
[0029] 步驟303、利用估計(jì)值和bj化)'得到新的模型λ' = (Α',Β>');
[0030] 步驟304、判斷新的模型λ'是否滿足該小網(wǎng)絡(luò)的Ρ(〇| λ')收斂或達(dá)到預(yù)定精度要 求,如果是,則λ'定為最終的模型;否則,返回步驟302,逐步改進(jìn)ΗΜΜ的模型參數(shù),直到滿足 該小網(wǎng)絡(luò)的Ρ(〇 I λ')收斂或達(dá)到預(yù)定精度要求。
[0031] 步驟四、針對(duì)每個(gè)小網(wǎng)絡(luò),分別用統(tǒng)計(jì)量^來(lái)檢驗(yàn)該小網(wǎng)絡(luò)中由隱狀態(tài)序列構(gòu)成 的Markov鏈?zhǔn)欠穹像R氏性;
[0032] 統(tǒng)計(jì)量公式如下:
[0033]
[0034] fu為不同隱狀態(tài)間的轉(zhuǎn)移頻數(shù);"邊際概率"P.J表示轉(zhuǎn)移頻數(shù)的第j列累加之和除 W各行累加和與各列累加和所得的值,即
當(dāng)樣本足夠大時(shí),統(tǒng)計(jì)量X2服從自 由度為(N-1)2的分布;給定顯著性水平α,查表可得分位點(diǎn)乂; ((N-1)2)的值,計(jì)算后得統(tǒng)計(jì) 量X2的值,若;Τ2 > ;d((N-妒),貝喊序列符合馬氏性。
[0035] 步驟五、當(dāng)每個(gè)小網(wǎng)絡(luò)的Markov鏈符合馬氏性后,將每個(gè)HMM模型的顯狀態(tài)映射為 隱狀態(tài);
[0036] 顯狀態(tài)映射為隱狀態(tài)體現(xiàn)在:根據(jù)每個(gè)小網(wǎng)絡(luò)的網(wǎng)絡(luò)總延時(shí)計(jì)算t時(shí)刻每個(gè)小網(wǎng) 絡(luò)的即時(shí)利用率;
[0037] 小網(wǎng)絡(luò)在一段時(shí)間內(nèi)檢測(cè)到一系列的總時(shí)延,對(duì)應(yīng)的HMM模型的觀察符號(hào)為0 = {〇1,〇2, . . .Οτ},則t時(shí)刻每個(gè)小網(wǎng)絡(luò)的即時(shí)利用率Rnetwork,河按下式計(jì)算:
[00;3 引
[0039] ci表示隱狀態(tài)Si對(duì)應(yīng)的權(quán)值;丫 t(i)表示在給定觀察值時(shí)延序列0和最終的模型參 數(shù)下,在t時(shí)刻處于隱狀態(tài)Si的概率;at(i)=P(Oi,〇2, . . .0t,qt = Si |λ)表示前向變量;0t(i) = P(0t+i,0t+2, . . .〇T,qT = Si |λ)為后向變量。
[0040] 步驟六、對(duì)t時(shí)刻每個(gè)小網(wǎng)絡(luò)的即時(shí)利用率分別進(jìn)行量化,得到t時(shí)刻每個(gè)小網(wǎng)絡(luò) 的量化利用率;
[0041] 步驟屯、在得到網(wǎng)絡(luò)中所有小網(wǎng)絡(luò)的量化利用率后,按照小網(wǎng)絡(luò)資產(chǎn)的重要性設(shè) 定權(quán)重,得到總網(wǎng)絡(luò)的量化利用率;
[0042] 計(jì)算公式為:
[0043]
[0044] ynetwDrk為計(jì)算機(jī)的資產(chǎn)重要性權(quán)重,具體數(shù)值根據(jù)不同的網(wǎng)絡(luò)環(huán)境或需求進(jìn)行設(shè) 置。
[0045] 本發(fā)明的優(yōu)點(diǎn)在于:
[0046] 1)、一種基于隱馬爾可夫的網(wǎng)絡(luò)利用率感知方法,基于隱馬爾可夫模型化idden Markov model,HMM),模型結(jié)構(gòu)簡(jiǎn)單、計(jì)算量小,并且不受制于數(shù)據(jù)規(guī)模;
[0047] 2)、一種基于隱馬爾可夫的網(wǎng)絡(luò)利用率感知方法,通過(guò)BW算法對(duì)模型參數(shù)進(jìn)行優(yōu) 化,提高模型參數(shù)與觀察值的對(duì)數(shù)似然值,使模型更符合數(shù)據(jù)源的特點(diǎn);
[0048] 3)、一種基于隱馬爾可夫的網(wǎng)絡(luò)利用率感知方法,能夠幫助網(wǎng)絡(luò)管理員從宏觀上 掌握主機(jī)和網(wǎng)絡(luò)的態(tài)勢(shì)變化,進(jìn)而分析出網(wǎng)絡(luò)的即時(shí)利用率。
【附圖說(shuō)明】
[0049] 圖1為本發(fā)明一種基于隱馬爾可夫的網(wǎng)絡(luò)利用率感知方法流程圖;
[0050] 圖2為本發(fā)明對(duì)小網(wǎng)絡(luò)分別建立滿足P(0| λ')收斂或達(dá)到預(yù)定精度要求的隱馬爾 可夫ΗΜΜ模型流程圖。
【具體實(shí)施方式】
[0051 ]下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。
[0052] 本發(fā)明W測(cè)試數(shù)據(jù)集的網(wǎng)絡(luò)總時(shí)延為處理對(duì)象,采用隱馬爾可夫隨機(jī)過(guò)程作為分 析手段,建立了描述網(wǎng)絡(luò)處于不同網(wǎng)絡(luò)利用率時(shí)不同網(wǎng)絡(luò)總時(shí)延的隱馬爾可夫模型。與傳 統(tǒng)馬爾可夫鏈不同的是,本發(fā)明得到的觀測(cè)事件與狀態(tài)之間往往并非完全一一對(duì)應(yīng),通常 是由相應(yīng)的概率分布來(lái)描述他們之間的關(guān)系,所W本發(fā)明是一個(gè)雙重隨機(jī)過(guò)程。觀察者的 角度只能看到觀察值,不能看到馬爾可夫鏈所對(duì)應(yīng)的隱藏狀態(tài),只能由對(duì)應(yīng)的概率分布去 推斷,對(duì)應(yīng)到無(wú)線網(wǎng)絡(luò)中,人們無(wú)法直觀地得到網(wǎng)絡(luò)的利用率,唯一可見(jiàn)的是得到的各種時(shí) 延,也就是觀察符號(hào),只有通過(guò)時(shí)延才能推斷出網(wǎng)絡(luò)的即時(shí)利用率。而隱馬爾可夫模型本身 的隱狀態(tài)W及觀察符號(hào),則完全模擬了運(yùn)一過(guò)程。
[0053] 再者,通過(guò)Baum-Welch算法對(duì)模型參數(shù)進(jìn)行了優(yōu)化,使用量化分析方法得到整個(gè) 網(wǎng)絡(luò)利用率定量評(píng)價(jià)和預(yù)測(cè)。由于優(yōu)化前的初始模型參數(shù)受專家經(jīng)驗(yàn)的局限性,使得模型 初始參數(shù)與觀察值的對(duì)數(shù)似然值很低,導(dǎo)致初始模型參數(shù)不能準(zhǔn)確地通過(guò)已觀測(cè)到的網(wǎng)絡(luò) 總延時(shí)推測(cè)其即時(shí)利用率,并且隨著數(shù)據(jù)的增多,或者隱狀態(tài)數(shù)和觀察值種類的增加,人為 設(shè)定模型參數(shù)將愈發(fā)不能滿足要求。本發(fā)明中,經(jīng)BW算法優(yōu)化后,模型參數(shù)與觀察值的對(duì)數(shù) 似然值得到大幅提高。經(jīng)過(guò)優(yōu)化的模型參數(shù)可W更加準(zhǔn)確地描述網(wǎng)絡(luò)總時(shí)延與即時(shí)利用率 的關(guān)系變化,是的對(duì)無(wú)線網(wǎng)絡(luò)的感知結(jié)果更加符合實(shí)際,效果更好。
[0054] -種基于隱馬爾可夫的網(wǎng)絡(luò)利用率感知方法,如圖1所示,具體步驟如下:
[0055] 步驟一、針對(duì)某個(gè)計(jì)算機(jī)通信網(wǎng)絡(luò),按物理位置將該網(wǎng)絡(luò)劃分為W個(gè)小網(wǎng)絡(luò);
[0056] W根據(jù)實(shí)際網(wǎng)絡(luò)大小劃分,為整數(shù);針對(duì)第h個(gè)小網(wǎng)絡(luò),計(jì)算機(jī)主機(jī)為化臺(tái);p = l,
[0057] 步驟二、針對(duì)W個(gè)小網(wǎng)絡(luò)中某個(gè)小網(wǎng)絡(luò)h,計(jì)算該小網(wǎng)絡(luò)h在某一時(shí)刻的網(wǎng)絡(luò)總延 時(shí);
[0058] 每個(gè)HIM模型的顯狀態(tài)"網(wǎng)絡(luò)總時(shí)延"是通過(guò)在仿真實(shí)驗(yàn)中利用Ping命令測(cè)得的實(shí) 驗(yàn)數(shù)據(jù)。在整個(gè)仿真過(guò)程中要用到大量的網(wǎng)絡(luò)總時(shí)延觀測(cè)值序列,對(duì)于某一個(gè)觀測(cè)值序列, 去掉極大極小兩個(gè)觀測(cè)值,對(duì)剩下的觀測(cè)值取平均,得到隱馬爾可夫模型的輸入值。
[0059] 首先,在第h個(gè)小網(wǎng)絡(luò)內(nèi)設(shè)置數(shù)據(jù)包傳遞路由,即設(shè)置數(shù)據(jù)傳輸路徑;
[0060] 然后,使用Ping命令,在數(shù)據(jù)傳輸路徑起始點(diǎn)和終點(diǎn)之間測(cè)得數(shù)據(jù)從輸入小網(wǎng)絡(luò)h 到輸出小網(wǎng)絡(luò)h的時(shí)延,P i ng命令彈出的提示框內(nèi)會(huì)顯示時(shí)延大??;
[0061] 步驟Ξ、根據(jù)每個(gè)小網(wǎng)絡(luò)某一時(shí)刻的網(wǎng)絡(luò)總延時(shí),對(duì)W個(gè)小網(wǎng)絡(luò)分別建立W個(gè)滿足P (0 I λ')收斂或達(dá)到預(yù)定精度要求的隱馬爾可夫HMM模型;
[0062] 隱馬爾可夫ΗΜΜ模型記為:λ=陽(yáng),M,A,B,3i};通常用簡(jiǎn)寫Ξ元組表示:λ={Α,Β,3?}。
[0063] Ν為網(wǎng)絡(luò)利用率的檔位數(shù)目,對(duì)應(yīng)馬爾可夫鏈的隱狀態(tài)數(shù)目;
[0064] ΗΜΜ模型的隱狀態(tài)幾何為S={Si,. . .,Si,. . .,Sn}。隨著時(shí)間的變化,網(wǎng)絡(luò)所處的即 時(shí)利用率檔位會(huì)轉(zhuǎn)移,記t時(shí)刻Markov鏈所處狀態(tài)為qt,則qte (Si,. . .,Sn)。
[0065] Μ為觀測(cè)到的網(wǎng)絡(luò)總時(shí)延大小的檔位數(shù)目,對(duì)應(yīng)任意網(wǎng)絡(luò)利用率檔位的觀察值數(shù) 目;ΗΜΜ模型的觀察值集合為V={Vi,. . .,Vk,. . .,Vm}。記t時(shí)刻觀察到的觀察值為Ot,其中Ot e(Vi,...,Vm)ο
[0066] π為初始狀態(tài)概率矢量,對(duì)應(yīng)為初始時(shí)刻每個(gè)小網(wǎng)絡(luò)中每臺(tái)主機(jī)的即時(shí)利用率的 概率分布。記:π= (3Τ1, . . . ,JTi. . . ,jiN),其中:JTi = P(qi = Si,,表示初始時(shí)刻Markov鏈 所處隱狀態(tài)Si的概率為是初始時(shí)刻Markov鏈的狀態(tài),處于Si的狀態(tài)。
[0067] A為狀態(tài)轉(zhuǎn)移概率矩陣,描述的是不同網(wǎng)絡(luò)利用率檔位之間相互轉(zhuǎn)移的概率。記
其中:aij = P(qt+l = Sj/qt = Si)為矩陣中任一元素, N,表示從隱狀態(tài)Si轉(zhuǎn)移到隱狀態(tài)&的概率為aij。
[0068] B為觀察值概率矩陣,對(duì)應(yīng)為處于不同網(wǎng)絡(luò)利用率檔位下,觀察到某個(gè)網(wǎng)絡(luò)總時(shí)延 檔位的概率。記
庚中:bj(k) = P(0t = Vk/qt = Sj)為矩陣中任一元 素,l《j《N,l《k《M,表示當(dāng)前狀態(tài)為Sj時(shí),觀察到Vk的概率為bj(k)。
[0069] 如圖2所示,具體步驟如下:
[0070] 步驟301、將每個(gè)小網(wǎng)絡(luò)對(duì)應(yīng)的HMM模型中的參數(shù)Α,Β,π根據(jù)經(jīng)驗(yàn)分別賦初始值;
[0071] 步驟302、將某個(gè)小網(wǎng)絡(luò)h得到的觀察值序列0和對(duì)應(yīng)的初始ΗΜΜ模型參數(shù)代入重估 式進(jìn)行優(yōu)化,得到估計(jì)值Κι ',町'和bj(k) ' ;
[0072] 用BW(Baum-Welch)算法對(duì)初始的ΗΜΜ模型參數(shù)A,B,3i分別優(yōu)化,重估式公式如下:
[0073]
[0074] 丫 i(i)表示初始時(shí)刻t = l時(shí),從隱狀態(tài)Si轉(zhuǎn)移出去的次數(shù)期望
表示在Τ? ι 時(shí)間段內(nèi) ,隱狀態(tài)從 Si 轉(zhuǎn)移到隱狀態(tài) Sj 的次數(shù)期望之巧
I示在T-1時(shí)間段內(nèi),從隱 狀態(tài)Si轉(zhuǎn)移出去的次數(shù)期望之和
表示當(dāng)前時(shí)刻觀察值為Vk時(shí),在時(shí)間段T內(nèi)處 于隱狀態(tài)&的次數(shù)期望之和
衰示在時(shí)間段T內(nèi)處于狀態(tài)&的次數(shù)期望之和。
[0075] 步驟303、利用估計(jì)值和bj化)'得到新的模型λ' = (Α',Β>');
[0076] 由重估式而得到的λ'能比初始模型參數(shù)λ更好地表示觀察值序列0。
[0077] 步驟304、判斷新的模型λ'是否滿足該小網(wǎng)絡(luò)的Ρ(〇| λ')收斂或達(dá)到預(yù)定精度要 求,如果是,則λ'定為最終的模型;否則,返回步驟302,逐步改進(jìn)ΗΜΜ的模型參數(shù),直到滿足 該小網(wǎng)絡(luò)的Ρ(〇 I λ')收斂或達(dá)到預(yù)定精度要求,獲取最終的模型參數(shù)λ'。
[0078] 步驟四、針對(duì)每個(gè)小網(wǎng)絡(luò),分別用統(tǒng)計(jì)量^來(lái)檢驗(yàn)該小網(wǎng)絡(luò)中由隱狀態(tài)序列構(gòu)成 的Markov鏈?zhǔn)欠穹像R氏性;
[0079] 統(tǒng)計(jì)量公式如下:
[0080]
[0081] N為馬爾可夫鏈的隱狀態(tài)數(shù)目;fu為不同隱狀態(tài)間的轉(zhuǎn)移頻數(shù);"邊際概率"P.J表 示轉(zhuǎn)移頻數(shù)的第j列累加之和除W各行累加和與各列累加和所得的值,即
當(dāng) 樣本足夠大時(shí),統(tǒng)計(jì)量^服從自由度為(N-1)2的分布;給定顯著性水平α,查表可得分位點(diǎn) 若((Ν-機(jī)的值,計(jì)算后得統(tǒng)計(jì)量X2的值,若義-'>義^腫-1)2),側(cè)該序列符合馬氏性。
[0082] 步驟五、當(dāng)每個(gè)小網(wǎng)絡(luò)的Markov鏈符合馬氏性后,將每個(gè)ΗΜΜ模型的顯狀態(tài)映射為 隱狀態(tài);
[0083] 顯狀態(tài)映射為隱狀態(tài)體現(xiàn)在:根據(jù)每個(gè)小網(wǎng)絡(luò)的網(wǎng)絡(luò)總延時(shí)計(jì)算t時(shí)刻每個(gè)小網(wǎng) 絡(luò)的即時(shí)利用率;
[0084] 小網(wǎng)絡(luò)在一段時(shí)間內(nèi)檢測(cè)到一系列的總時(shí)延,對(duì)應(yīng)的HMM模型的觀察符號(hào)為0 = (〇1,〇2, . . .Οτ},則t時(shí)刻每個(gè)小網(wǎng)絡(luò)的即時(shí)利用率Rnetwork,t按下式計(jì)算:
[0085]
[0086] ci表示隱狀態(tài)Si對(duì)應(yīng)的權(quán)值;丫 t(i)表示在給定觀察值時(shí)延序列0和最終的模型參 數(shù)下,在t時(shí)刻處于隱狀態(tài)Si的概率;具體可由"前向-后向算法"來(lái)計(jì)算:
[0087] 定義前向變量at( i ) = P(0i ,〇2,. . . Ot,qt = si I λ)和后向變量0t( i ) = P(0t+i, Ot+2, . . .〇T,qT = Si |人)并計(jì)算:
[008引
[0089] 所W每個(gè)小網(wǎng)絡(luò)的即時(shí)利用率Rnetwork, t:
[0090]
[0091] 步驟六、對(duì)t時(shí)刻每個(gè)小網(wǎng)絡(luò)的即時(shí)利用率分別進(jìn)行量化,得到t時(shí)刻每個(gè)小網(wǎng)絡(luò) 的主機(jī)量化利用率;
[0092] 步驟屯、在得到網(wǎng)絡(luò)中所有主機(jī)的量化利用率后,按照小網(wǎng)絡(luò)中主機(jī)資產(chǎn)的重要 性設(shè)定權(quán)重,得到該計(jì)算機(jī)通信網(wǎng)絡(luò)總網(wǎng)絡(luò)的量化利用率為:
[0093]
[0094] ynetwDrk為計(jì)算機(jī)的資產(chǎn)重要性權(quán)重,具體數(shù)值根據(jù)不同的網(wǎng)絡(luò)環(huán)境或需求進(jìn)行設(shè) 置,W為是小網(wǎng)絡(luò)的個(gè)數(shù)。
[00巧]實(shí)施例:
[0096] 為了從時(shí)間上完整表達(dá)網(wǎng)絡(luò)的利用率,本發(fā)明選用3個(gè)整天的數(shù)據(jù),合計(jì)72小時(shí), 共9000個(gè)網(wǎng)絡(luò)總時(shí)延測(cè)量值作為實(shí)驗(yàn)數(shù)據(jù)。將9000個(gè)網(wǎng)絡(luò)總時(shí)延測(cè)量值一次性作為HMM模 型的輸入并進(jìn)行參數(shù)學(xué)習(xí),根據(jù)不同的網(wǎng)絡(luò)環(huán)境需求,可采用:①全部輸入數(shù)據(jù)W注重其全 局性;②采用滑動(dòng)窗口部分輸入數(shù)據(jù)W注重其實(shí)時(shí)性,因此本發(fā)明不受數(shù)據(jù)規(guī)模的限制。
[0097] 為方便建立模型,將觀測(cè)到的時(shí)延測(cè)量值按照大小進(jìn)行等級(jí)劃分;共分為小、中、 大3個(gè)等級(jí),對(duì)應(yīng)HMM模型的巧帕E察值。
[0098] 網(wǎng)絡(luò)利用率的檔位數(shù)量多少直接決定了 HMM的復(fù)雜程度,過(guò)多的檔位不便于管理 員對(duì)網(wǎng)絡(luò)狀態(tài)的理解,并且會(huì)降低模型的運(yùn)算效率,考慮了綜合模型復(fù)雜度、便于人理解和 模型感知準(zhǔn)確度等因素后,設(shè)定0~50% (極速)、50%~80% (流楊)、80%~100% (堵塞)立 個(gè)利用率檔位,如此一來(lái),本發(fā)明的隱馬爾可夫模型具體可表示為:
[0099] (1)狀態(tài)空間:首先規(guī)定巧巾利用率檔位,0~50% (極速)、50%~80% (流楊)、80% ~100% (擁塞),則狀態(tài)空間可表示為S={極速,流楊,擁塞}。
[0100] (2)觀察符號(hào)空間:將觀測(cè)到的時(shí)延測(cè)量值按照大小劃分為小、中、大3個(gè)等級(jí),可 用V={小,中,大}來(lái)表示觀察符號(hào)空間。當(dāng)然,用戶也可W根據(jù)所處網(wǎng)絡(luò)的具體情況,自行 選擇網(wǎng)絡(luò)延時(shí)的等級(jí)和分類方法。
[0101] (3)狀態(tài)轉(zhuǎn)移概率矩陣:由于目前定義了 3種隱藏狀態(tài),則狀態(tài)轉(zhuǎn)移概率矩陣為一 個(gè)3X3的矩陣,可表示為:例如ai2表示從1(極速)轉(zhuǎn)移到2(流楊)的概 率。
[0102] (4)觀察值概率矩陣(混淆矩陣):由于定義了3種隱藏狀態(tài)和巧巾觀察值,則觀察值 概率矩陣為一個(gè)3X3的矩陣,可表示為:
,例如b2W表示在狀態(tài)2(流 楊)下觀測(cè)到延時(shí)屬于"小"等級(jí)的概率。
[0103] (5)初始狀態(tài)概率矢量:π =(巧廊,巧應(yīng)),表示初始時(shí)刻,網(wǎng)絡(luò)中的主機(jī)處于某 一狀態(tài)的概率。
[0104] 記網(wǎng)絡(luò)中的主機(jī)數(shù)量為L(zhǎng),并賦予所有主機(jī)相同的資產(chǎn)重要性權(quán)重(可W根據(jù)不同 網(wǎng)絡(luò)環(huán)境調(diào)整主機(jī)的資產(chǎn)重要性權(quán)重)。此時(shí),在確定隱狀態(tài)N為3后,由Viterbi算法可W得 到各主機(jī)網(wǎng)絡(luò)利用率的最佳隱狀態(tài)序列,進(jìn)而可得到狀態(tài)轉(zhuǎn)移頻數(shù)矩陣,再由
巧得1臺(tái)主機(jī)的^統(tǒng)計(jì)量,若各主機(jī)的卡方統(tǒng)計(jì)量均 大于查表得到的分位點(diǎn),則滿足馬氏性。
[0105] 緊接著根據(jù)專家經(jīng)驗(yàn),設(shè)置初始模型參數(shù)no,Ao和Bo;用BW算法對(duì)模型參數(shù)不斷迭 代,通過(guò)觀察優(yōu)化后各主機(jī)的模型參數(shù),比較初始狀態(tài)分布η顯示初始狀態(tài)處于某狀態(tài)的概 率(收斂于某個(gè)數(shù)值)與測(cè)試數(shù)據(jù),可W發(fā)現(xiàn)迭代后的模型參數(shù)符合實(shí)際情況。由于優(yōu)化前 的初始模型參數(shù)受專家經(jīng)驗(yàn)的局限性,使得模型初始參數(shù)與觀察值的對(duì)數(shù)似然值可能較 低,導(dǎo)致初始模型參數(shù)不能準(zhǔn)確地通過(guò)已觀測(cè)到的延時(shí)推測(cè)其利用率,并且隨著數(shù)據(jù)的增 多,或者隱狀態(tài)數(shù)和觀察值種類的增加,人為設(shè)定模型參數(shù)將愈發(fā)不能滿足要求。經(jīng)BW算法 優(yōu)化后,模型參數(shù)與觀察值的對(duì)數(shù)似然值得到大幅提高。通過(guò)優(yōu)化的模型參數(shù),可W更加準(zhǔn) 確地描述網(wǎng)絡(luò)總延時(shí)與利用率的變化關(guān)系,使得感知結(jié)果更加符合實(shí)際,效果更好。
[0106] 在建立了基于ΗΜΜ的網(wǎng)絡(luò)安全模型之后,可W對(duì)某一時(shí)刻的網(wǎng)絡(luò)利用率進(jìn)行定性 分析。但為了定量得出某時(shí)刻網(wǎng)絡(luò)的利用率,在定性分析的基礎(chǔ)上進(jìn)一步定量分析??蒞先 定義一個(gè)利用率權(quán)值向量C=kl,C2, . . .Ci, . . .cn},該向量中的Ci與網(wǎng)絡(luò)狀態(tài)向量S = (Si,. . .,Si,. . .,Sn}中的Si-一對(duì)應(yīng),表示對(duì)應(yīng)的隱狀態(tài)對(duì)網(wǎng)絡(luò)利用的影響程度;
[0107] 網(wǎng)絡(luò)在一段時(shí)間內(nèi)檢測(cè)到一系列的總時(shí)延,觀察符號(hào)為0={〇1,化,...化},則t時(shí) 刻每個(gè)小網(wǎng)絡(luò)主機(jī)的風(fēng)險(xiǎn)態(tài)勢(shì)值即時(shí)利用率RnetwMk,t按下式計(jì)算
;由 "前向-后向算法"來(lái)計(jì)算:
I由此得出主機(jī)的 量化利用率為:
[0108] 在得到網(wǎng)絡(luò)中所有主機(jī)的量化利用率后,可W按照主機(jī)資產(chǎn)的重要性設(shè)定權(quán)重, 得到網(wǎng)絡(luò)的量化利用率為
[0109] W上所述的具體實(shí)施例,對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳 細(xì)說(shuō)明,應(yīng)理解的是,w上所述僅為本發(fā)明的具體實(shí)施例而已,并不用于限制本發(fā)明,凡在 本發(fā)明的精神和原則之內(nèi),所做的任何修改、等同替換、改進(jìn)等,均應(yīng)包含在本發(fā)明的保護(hù) 范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于隱馬爾可夫的網(wǎng)絡(luò)利用率感知方法,其特征在于,包括步驟如下: 步驟一、針對(duì)某個(gè)計(jì)算機(jī)通信網(wǎng)絡(luò),按物理位置將該網(wǎng)絡(luò)劃分為W個(gè)小網(wǎng)絡(luò); 步驟二、針對(duì)W個(gè)小網(wǎng)絡(luò)中某個(gè)小網(wǎng)絡(luò)h,測(cè)量該小網(wǎng)絡(luò)h在某一時(shí)刻的網(wǎng)絡(luò)總延時(shí); 步驟三、根據(jù)每個(gè)小網(wǎng)絡(luò)某一時(shí)刻的網(wǎng)絡(luò)總延時(shí),對(duì)W個(gè)小網(wǎng)絡(luò)分別建立W個(gè)滿足P(0 入')收斂或達(dá)到預(yù)定精度要求的隱馬爾可夫HMM模型; 隱馬爾可夫ΗΜΜ模型記為:λ={Ν,Μ,Α,Β,3?}; Ν為網(wǎng)絡(luò)利用率的檔位數(shù)目,對(duì)應(yīng)馬爾可夫鏈的隱狀態(tài)數(shù)目;HMM模型的隱狀態(tài)幾何為S -{Si,· · ·,Si,·· ·,Sn}; Μ為觀測(cè)到的網(wǎng)絡(luò)總時(shí)延大小的檔位數(shù)目,對(duì)應(yīng)任意網(wǎng)絡(luò)利用率檔位的觀察值數(shù)目; ΗΜΜ模型的觀察值集合為VzlVi. . .,Vk,. . .,Vm}; π為初始狀態(tài)概率矢量,對(duì)應(yīng)初始時(shí)刻每個(gè)小網(wǎng)絡(luò)中每臺(tái)主機(jī)的即時(shí)利用率的概率分 布;記3^ = (>1,...,:^...,:^),當(dāng)初始時(shí)亥1」|/^1?^鏈所處隱狀態(tài)為5財(cái)概率為:^; Α為狀態(tài)轉(zhuǎn)移概率矩陣,描述的是不同網(wǎng)絡(luò)利用率檔位之間相互轉(zhuǎn)移的概率;記|從隱狀態(tài)Si轉(zhuǎn)移到隱狀態(tài)Sj的概率為aij; B為觀察值概率矩陣,對(duì)應(yīng)為處于不同網(wǎng)絡(luò)利用率檔位下,觀察到某個(gè)網(wǎng)絡(luò)總時(shí)延檔位 的概率;,當(dāng)前隱狀態(tài)為S j時(shí)觀察到HMM模型的觀察值Vk的概率 為bj(k); 步驟四、針對(duì)每個(gè)小網(wǎng)絡(luò),分別用統(tǒng)計(jì)量X2來(lái)檢驗(yàn)該小網(wǎng)絡(luò)中由隱狀態(tài)序列構(gòu)成的 Markov鏈?zhǔn)欠穹像R氏性; 步驟五、當(dāng)每個(gè)小網(wǎng)絡(luò)的Markov鏈符合馬氏性后,將每個(gè)HMM模型的顯狀態(tài)映射為隱狀 態(tài); 顯狀態(tài)映射為隱狀態(tài)體現(xiàn)在:根據(jù)每個(gè)小網(wǎng)絡(luò)的網(wǎng)絡(luò)總延時(shí)計(jì)算t時(shí)刻每個(gè)小網(wǎng)絡(luò)的 即時(shí)利用率; t時(shí)刻每個(gè)小網(wǎng)絡(luò)的即時(shí)利用率Rnetwork, t如下:Ci表示隱狀態(tài)Si對(duì)應(yīng)的權(quán)值;yt(i)表示在給定觀察值時(shí)延序列0和最終的模型參數(shù) 下,在t時(shí)刻處于隱狀態(tài)Si的概率;. . .0t,qt = Si |λ)表示前向變量;0t(i)=p (0七+1,(^+2,...〇?,9了 = 31|人)為后向變量; 步驟六、對(duì)t時(shí)刻每個(gè)小網(wǎng)絡(luò)的即時(shí)利用率分別進(jìn)行量化,得到t時(shí)刻每個(gè)小網(wǎng)絡(luò)的量 化利用率; 步驟七、在得到網(wǎng)絡(luò)中所有小網(wǎng)絡(luò)的量化利用率后,按照小網(wǎng)絡(luò)資產(chǎn)的重要性設(shè)定權(quán) 重,得到總網(wǎng)絡(luò)的量化利用率; 計(jì)算公式為:為計(jì)算機(jī)的資產(chǎn)重要性權(quán)重,具體數(shù)值根據(jù)不同的網(wǎng)絡(luò)環(huán)境或需求進(jìn)行設(shè)置。2. 如權(quán)利要求1所述的一種基于隱馬爾可夫的網(wǎng)絡(luò)利用率感知方法,其特征在于,所述 的步驟二具體為: 首先,在第h個(gè)小網(wǎng)絡(luò)內(nèi)設(shè)置數(shù)據(jù)包傳遞路由,即設(shè)置數(shù)據(jù)傳輸路徑; 然后,使用Ping命令,在數(shù)據(jù)傳輸路徑起始點(diǎn)和終點(diǎn)之間測(cè)得數(shù)據(jù)從輸入小網(wǎng)絡(luò)h到輸 出小網(wǎng)絡(luò)h的時(shí)延,P i ng命令彈出的提示框內(nèi)顯示時(shí)延大小。3. 如權(quán)利要求1所述的一種基于隱馬爾可夫的網(wǎng)絡(luò)利用率感知方法,其特征在于,所述 的步驟三具體為: 步驟301、將每個(gè)小網(wǎng)絡(luò)對(duì)應(yīng)的HMM模型中的參數(shù)A,B,π分別賦初始值; 步驟302、將某個(gè)小網(wǎng)絡(luò)h得到的觀察值序列0和對(duì)應(yīng)的初始HMM模型參數(shù)代入重估式進(jìn) 行優(yōu)化,得到估計(jì)值町',叫'和b他'; 用Baum-Welch算法對(duì)初始的HMM模型參數(shù)A,B,π分別優(yōu)化,重估式公式如下:γ I(i)表示初始時(shí)刻t = l時(shí),從隱狀態(tài)Si轉(zhuǎn)移出去的次數(shù)期望;表示在T-1時(shí)間 段內(nèi),隱狀態(tài)從Si轉(zhuǎn)移到隱狀態(tài)&的次數(shù)期望之和表示在T-1時(shí)間段內(nèi),從隱狀態(tài)Si 轉(zhuǎn)移出去的次數(shù)期望之和表示當(dāng)前時(shí)刻觀察值為vk時(shí),在時(shí)間段T內(nèi)處于隱狀 態(tài)&的次數(shù)期望之和表示在時(shí)間段T內(nèi)處于隱狀態(tài)&的次數(shù)期望之和; 步驟303、利用估計(jì)值^',出/和b瓜)'得到新的模型λ' = (Α',Β>'); 步驟304、判斷新的模型λ'是否滿足該小網(wǎng)絡(luò)的Ρ(〇|λ')收斂或達(dá)到預(yù)定精度要求,如 果是,則λ'定為最終的模型;否則,返回步驟302,逐步改進(jìn)ΗΜΜ的模型參數(shù),直到滿足該小網(wǎng) 絡(luò)的Ρ(〇 I λ')收斂或達(dá)到預(yù)定精度要求。4. 如權(quán)利要求1所述的一種基于隱馬爾可夫的網(wǎng)絡(luò)利用率感知方法,其特征在于,所述 的步驟四具體為: 統(tǒng)計(jì)量公式如下:fu為不同隱狀態(tài)間的轉(zhuǎn)移頻數(shù);"邊際概率"Ρ.』表示轉(zhuǎn)移頻數(shù)的第j列累加之和除以各 行累加和與各列累加和所得的值,當(dāng)樣本足夠大時(shí),統(tǒng)計(jì)量X2服從自由度 為(N-1)2的分布;給定顯著性水平α,查表可得分位點(diǎn)€((N-I)2)的值,計(jì)算后得統(tǒng)計(jì)量X 2的 值,若Z2 1):),則該序列符合馬氏性。
【文檔編號(hào)】H04L12/26GK106059829SQ201610559284
【公開(kāi)日】2016年10月26日
【申請(qǐng)日】2016年7月15日
【發(fā)明人】劉唯毓, 溫向明, 路兆銘, 王魯晗, 馬璐, 于邦超
【申請(qǐng)人】北京郵電大學(xué)