专利名称：网络流量的人工合成方法和装置的制作方法
技术领域：
本发明实施例涉及通信技术，尤其涉及一种网络流量的人工合成方法和装置。
背景技术：
随着移动电信行业的迅速发展，尤其是3G网络的爆炸式增长，网络流量的增加已经大大超前运营商的预期，与此同时3G移动用户还在快速持续地增长，网络流量的急速增长使得运营商网络面临着巨大的挑战。因此，深入分析运营商网络的现网流量特征对于运营商的网络优化等具有非常重要的意义。网络仿真是一种通过建立网络流量和网络链路的抽象模型，对网络流量的传输进行模拟，从而获取网络性能数据的仿真技术。在网络仿真中，作为输入参数的网络流量可以是现网采集的真实流量或根据真实流量的某些特征产生的人工合成的网络流量(简称为人工流量)。人工流量符合真实流量的某些特征，但是与真实流量又不完全相同，其用在网络仿真中可以模拟真实流量所不能满足的特性，如可以模拟用户数增加后的网络流量，因而可以用来仿真运营商现有网络对未来网络流量的承受能力，为运营商网络设备的升级或更新提供依据。因此，研究如何产生更加符合现网特征的人工流量是网络仿真中的一个重要研究内容。在现有技术中，网络流量的人工合成方法为根据现网采集的数据分别提取单位时间内的包个数序列和单位时间内的包流量序列，再采用合适的算法分别产生人工合成的单位时间内的包个数序列和包流量序列，具体可以采用多分形小波模型算法、马尔科夫调制的泊松过程算法等。但现有技术在产生人工流量时未考虑网络流量的两个组成部分之间的相关性，利用该人工流量进行网络仿真时不能真实地模拟真实流量对网络的影响，降低了仿真结果的准确性。
发明内容
本发明实施例在于提供一种网络流量的人工合成方法和装置，考虑网络流量的两个组成部分之间的相关性，使得人工流量更好地匹配真实流量，能够更真实地模拟真实流量对网络的影响，提供更准确的仿真结果。本发明实施例提供了一种网络流量的人工合成方法，包括从真实流量中提取第一真实流量组成参数序列和第二真实流量组成参数序列；根据所述第一真实流量组成参数序列生成第一人工流量组成参数序列；对所述第一真实流量组成参数序列和所述第二真实流量组成参数序列进行自相关性学习，获取第一流量组成参数与第二流量组成参数之间的关系系数，并根据所述第一人工流量组成参数序列和所述关系系数生成第二人工流量组成参数序列；根据所述第一人工流量组成参数序列和所述第二人工流量组成参数序列合成人工流量。本发明实施例提供了一种网络流量的人工合成装置，包括
提取模块，用于从真实流量中提取第一真实流量组成参数序列和第二真实流量组成参数序列；第一生成模块，用于根据所述第一真实流量组成参数序列生成第一人工流量组成参数序列；获取模块，用于对所述第一真实流量组成参数序列和所述第二真实流量组成参数序列进行自相关性学习，获取第一流量组成参数与第二流量组成参数之间的关系系数；第二生成模块，用于根据所述第一人工流量组成参数序列和所述关系系数生成第二人工流量组成参数序列；合成模块，用于根据所述第一人工流量组成参数序列和所述第二人工流量组成参数序列合成人工流量。本发明实施例提供的一种网络流量的人工合成方法和装置，通过对从真实流量中提取的第一真实流量组成参数序列和第二真实流量组成参数序列进行自相关学习，获取第一流量组成参数与第二流量组成参数之间的关系系数，再根据生成的第一人工流量组成参数序列和关系系数来获取第二人工流量组成参数序列，以此合成人工流量；本实施例考虑了网络流量的两个组成部分之间的相关性，使得人工流量更好地匹配真实流量，能够更真实地模拟真实流量对网络的影响，提供了更准确的仿真结果。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本发明网络流量的人工合成方法实施例一的流程图；图2为本发明网络流量的人工合成方法实施例二的流程图；图3为本发明网络流量的人工合成方法实施例二中人工神经网络的结构示意图；图4为本发明网络流量的人工合成方法实施例二中包流量与包个数的关系示例图；图5为本发明网络流量的人工合成装置实施例一的结构图；图6为本发明网络流量的人工合成装置实施例二的结构图。
具体实施例方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。图1为本发明网络流量的人工合成方法实施例一的流程图，如图1所示，本实施例提供了一种网络流量的人工合成方法，可以具体包括如下步骤步骤101，从真实流量中提取第一真实流量组成参数序列和第二真实流量组成参数序列。
5
本实施例利用真实流量来合成人工流量，在获取到真实流量后，从该真实流量中提取第一真实流量组成参数序列和第二真实流量组成参数序列。由于网络流量的基本组成部分在不同的网络仿真精度的要求下可以包括多种形式，此处将其统称为第一流量组成参数和第二流量组成参数，其对应的序列分别为第一流量组成参数序列和第二流量组成参数序列。为了区分真实流量和人工流量，对其进行分别命名；对于真实流量来说，此处可以将其分别称为第一真实流量组成参数序列和第二真实流量组成参数序列；对于人工流量来说，此处可以将其分别称为第一人工流量组成参数序列和第二人工流量组成参数序列。具体地，本实施例中的第一流量组成参数可以为单位时间内的包个数，则相应地第二流量组成参数可以为单位时间内的包流量。或者，第一流量组成参数也可以为单位时间内的包流量，则相应地第二流量组成参数可以为单位时间内的包个数。或者，第一流量组成参数可以为包间隔时间，则相应地第二流量组成参数可以为包大小。或者，第一流量组成参数可以为包大小，则相应地第二流量组成参数可以为包间隔时间。步骤102，根据所述第一真实流量组成参数序列生成第一人工流量组成参数序列。在从真实流量中提取出第一真实流量组成参数序列和第二真实流量组成参数序列后，本步骤先根据第一真实流量组成参数序列生成第一人工流量组成参数序列。具体可以采用多分形小波模型(Multi-fractal Wavelet Model)算法来产生满足多分形特性的时间序列，或者可以采用马尔科夫调制的泊松过程(Markov-Modulated Poisson Process)算法来产生满足自相似性特征的时间序列，还可以采用泊松过程产生满足泊松分布的时间序列。步骤103，对所述第一真实流量组成参数序列和所述第二真实流量组成参数序列进行自相关性学习，获取第一流量组成参数与第二流量组成参数之间的关系系数，并根据所述第一人工流量组成参数序列和所述关系系数生成第二人工流量组成参数序列。在获取到真实流量中的两个基本组成部分，即获取到第一真实流量组成参数序列和第二真实流量组成参数序列后，对第一真实流量组成参数序列和第二真实流量组成参数序列进行自相关学习处理，通过自相关学习过程，获取到真实流量中第一流量组成参数与第二流量组成参数之间的关系系数，即获取第一流量组成参数与第二流量组成参数之间的相关性。具体可以在自相关学习过程中建立第一流量组成参数与第二流量组成参数之间的关系等式，由此便可以学习到相应的关系系数。然后根据步骤102生成的第一人工流量组成参数序列和上述过程得到的两个参数之间的关系系数，生成第二人工流量组成参数序列，具体可以将第一人工流量组成参数序列中的各值和关系系数代入上述关系等式中，来得到第二人工流量组成参数序列中的各值。步骤104，根据所述第一人工流量组成参数序列和所述第二人工流量组成参数序列合成人工流量。在获取到第一人工流量组成参数序列和第二人工流量组成参数序列后，便可以将二者合成为人工流量，该人工流量中的两个组成部分中第二人工流量组成参数序列已将其与第一人工流量组成参数序列的相关性考虑在内。本实施例提供了一种网络流量的人工合成方法，通过对从真实流量中提取的第一真实流量组成参数序列和第二真实流量组成参数序列进行自相关学习，获取第一流量组成参数与第二流量组成参数之间的关系系数，再根据生成的第一人工流量组成参数序列和关系系数来获取第二人工流量组成参数序列，以此合成人工流量；本实施例考虑了网络流量的两个组成部分之间的相关性，使得人工流量更好地匹配真实流量，能够更真实地模拟真实流量对网络的影响，提供了更准确的仿真结果。图2为本发明网络流量的人工合成方法实施例二的流程图，如图2所示，本实施例提供了一种网络流量的人工合成方法，本实施例中具体以第一流量组成参数为单位时间内的包流量(以下简称为包流量)，第二流量组成参数为单位时间内的包个数(以下简称为包个数)为例进行说明，本实施例提供的网络流量的人工合成方法可以具体包括如下步骤步骤201，从真实流量中提取真实包流量序列和真实包个数序列，本步骤可以类似上述步骤101，此处不再赘述。步骤202，根据真实包流量序列分析多分形小波模型的参数。本实施例具体以采用多分形小波模型算法生成人工包流量序列为例来对技术方案进行详细说明，先根据提取的真实包流量序列进行多分形模型的参数分析，进而得到多分形小波模型的参数。具体的分析方法可以参照文献Rudolf H. Riedi, Matthew S.Crouse, Vinay J. Ribeiro, Richard G. Baraniuk AMultifractal Wavelet Model with Application to Network Traffic. IEEETransaction on Information Theory 45(3) 992-1018(1999)中所述的方法，此处不再赘述。步骤203，根据多分形小波模型的参数，利用多分形小波模型生成人工包流量序列。在分析得到多分形小波模型的参数后，利用多分形小波模型来产生人工包流量序列，具体产生方法也可以类似上述步骤202中所示文献中的方法。需要指出的是，本实施例中产生人工包流量序列的方法并不限于此处所指的多分形小波模型，本领域技术人员还可以采用其他类似的方法来实现，此处不再赘述。步骤204，根据真实包流量序列和真实包个数序列确定自动学习网络模型的结构。在获取包流量与包个数之间的关系系数时，本实施例具体以人工神经网络算法为例进行说明，本领域技术人员还可以采用现有的其他关系学习算法，如模糊人工神经网络算法、回归模型算法等，此处不再一一赘述。下面以人工神经网络为例对自相关性学习过程进行说明。在对包流量与包个数的自相关性进行自动学习时，本步骤先根据上述步骤201 提取到的真实包流量序列和真实包个数序列确定自动学习网络模型的结构，即确定的网络模型的结构m*n*l中参数m和η的值，其中，参数m即为输入层中神经元的个数，η即为隐藏层中神经元的个数。具体可以根据真实包流量序列和真实包个数序列中元素的个数来确定，当元素个数较多时，可以将m和η的值设置的相对大一些。具体地，该网络模型可以由依次相连的输入层、隐藏层和输出层组成，其中，隐藏层中的每个神经元与输入层中的各神经元均连接在一起，输出层中的每个神经元与隐藏层中的各神经元均连接在一起，各神经元的输入值为所有输入所述神经元的输出值与对应连接的权重的乘积之和。输入层的每个神经元对应预测变量，输出层的神经元对应目标变量，隐藏层的层数和每层神经元的个数决定了神经网络的复杂度。图3为本发明网络流量的人工合成方法实施例二中人工神经网络的结构示意图，如图3所示，在本实施例中，假设输入层包含3个神经元，即参数m取值为 3，隐藏层包含3个神经元，即参数η取值为3，输出层包含1个神经元，即该网络模型的结构为3*3*1。在本实施例中，各层中的每一个神经元相当于一个函数，包含一个输入值和一个输出值，输入值为其所有输入神经元的输出值与对应连接的权重的乘积之和。例如，神经元^的输入值为神经元N11与连接N11-N21的权重的乘积、神经元^与连接^-N21的权重的乘积以及神经元N13与连接N13-N21的权重的乘积之和。步骤205，根据自动学习网络模型建立包流量与包个数之间的关系模型。在确定自动学习网络模型的结构后，根据该自动学习网络模型建立包流量与包个数之间的关系模型。其中，在上述图3所示的人工神经网络中，包流量作为网络模型的输入，包个数作为网络模型的输出。具体地，包流量作为输入层中神经元的输入，包个数作为输出层中神经元的输出。由于输入层、隐藏层和输出层之间存在连接关系，且各层的各神经元的输入值等于前层的各神经元的输出值与相应连接的权重乘积之和，由此则可以得到网络模型的输入与输出之间的关系模型，即建立包流量与包个数之间的关系模型，具体可以参照上述对神经元的输入值的计算过程推导得到，此处不再赘述。步骤206，根据关系模型、真实包流量序列和真实包个数序列生成包流量与包个数之间的关系系数。在建立包流量与包个数之间的关系模型后，根据该关系模型、提取到的真实包流量序列和真实包个数序列，便可以生成包流量与包个数之间的关系系数，此处的关系系数可以具体为网络模型中各连接的权重，具体可以将真实包流量序列和真实包个数序列中的各值代入该关系模型中来获取各连接的权重。本实施例中为建立包流量到包个数的关系， 则可以将该人工神经网络模型标记为3*3*1 (包流量一包个数)。图4为本发明网络流量的人工合成方法实施例二中包流量与包个数的关系示例图，如图4所示，在神经网络的构建过程中，可以通过在建立的关系模型中依次输入连续的三个包流量序列，将输出的包个数与真实包个数进行比较，然后根据比较结果来调整各个连接的权重，直到输出的包个数序列与真实包个数序列的误差小于规定值为止，这样便完成本实施例的神经网络的构建。步骤207，根据人工包流量序列和关系系数生成人工包个数序列。在获取到人工包流量序列以及包流量与包个数之间的关系系数，即各连接的权重后，根据该人工包流量序列和关系系数来生成人工包个数序列，具体可以将人工包流量序列代入到上述包含权重的关系模型中，计算生成对应的人工包个数序列。与上述图5所示类似，在产生人工包个数序列的过程中，具体可以使用连续三个人工包流量序列作为输入， 产生一个人工包个数序列，由此可见，该生成的人工包个数序列是与人工包流量序列相关的，而非现有技术中相互独立的。步骤208，根据人工包流量序列和人工包个数序列合成人工流量。在经过上述步骤依次产生人工包流量序列和人工包人数序列后，将人工包流量序列和人工包个数序列进行合成处理，便得到了最终合成的人工流量。随后，在合成人工流量后，可以通过网络仿真器(NS》对人工流量对网络的影响进行评估。其中，链路参数可以设置如下带宽为2Mbps，队列模型为随机早期诊断(Random Early Detection ；以下简称RED)，链路队列大小为5。如下表1所示为在相同的网络仿真条件下，本实施例产生的人工流量和现有技术产生的人工流量对网络的影响结果的对照示例，此处以网络延迟为例进行说明。表1本实施例和现有技术产生的人工流量对网络的影响结果的对照示例
权利要求
1.一种网络流量的人工合成方法，其特征在于，包括从真实流量中提取第一真实流量组成参数序列和第二真实流量组成参数序列； 根据所述第一真实流量组成参数序列生成第一人工流量组成参数序列； 对所述第一真实流量组成参数序列和所述第二真实流量组成参数序列进行自相关性学习，获取第一流量组成参数与第二流量组成参数之间的关系系数，并根据所述第一人工流量组成参数序列和所述关系系数生成第二人工流量组成参数序列；根据所述第一人工流量组成参数序列和所述第二人工流量组成参数序列合成人工流量。
2.根据权利要求1所述的方法，其特征在于，所述对所述第一真实流量组成参数序列和所述第二真实流量组成参数序列进行自相关性学习，获取第一流量组成参数与第二流量组成参数之间的关系系数包括根据所述第一真实流量组成参数序列和所述第二真实流量组成参数序列确定自动学习网络模型的结构；根据所述自动学习网络模型建立第一流量组成参数与第二流量组成参数之间的关系模型；根据所述关系模型、所述第一真实流量组成参数序列和所述第二真实流量组成参数序列生成所述第一流量组成参数与所述第二流量组成参数之间的关系系数。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述第一真实流量组成参数序列生成第一人工流量组成参数序列包括根据所述第一真实流量组成序列分析多分形小波模型的参数； 根据所述多分形小波模型的参数，利用多分形小波模型生成第一人工流量组成参数序列。
4.根据权利要求2所述的方法，其特征在于，所述第一流量组成参数为单位时间内的包个数，所述第二流量组成参数为单位时间内的包流量；或者，所述第一流量组成参数为单位时间内的包流量，所述第二流量组成参数为单位时间内的包个数；或者，所述第一流量组成参数为包间隔时间，所述第二流量组成参数为包大小；或者，所述第一流量组成参数为包大小，所述第二流量组成参数为包间隔时间。
5.根据权利要求2所述的方法，其特征在于，所述自动学习网络模型包括人工神经网络模型、模糊人工神经网络模型和回归模型。
6.一种网络流量的人工合成装置，其特征在于，包括提取模块，用于从真实流量中提取第一真实流量组成参数序列和第二真实流量组成参数序列；第一生成模块，用于根据所述第一真实流量组成参数序列生成第一人工流量组成参数序列；获取模块，用于对所述第一真实流量组成参数序列和所述第二真实流量组成参数序列进行自相关性学习，获取第一流量组成参数与第二流量组成参数之间的关系系数；第二生成模块，用于根据所述第一人工流量组成参数序列和所述关系系数生成第二人工流量组成参数序列；合成模块，用于根据所述第一人工流量组成参数序列和所述第二人工流量组成参数序列合成人工流量。
7.根据权利要求6所述的装置，其特征在于，所述获取模块包括结构确定单元，用于根据所述第一真实流量组成参数序列和所述第二真实流量组成参数序列确定自动学习网络模型的结构；模型建立单元，用于根据所述自动学习网络模型建立第一流量组成参数与第二流量组成参数之间的关系模型；关系生成单元，用于根据所述关系模型、所述第一真实流量组成参数序列和所述第二真实流量组成参数序列生成所述第一流量组成参数与所述第二流量组成参数之间的关系系数。
8.根据权利要求6或7所述的装置，其特征在于，所述第一生成模块包括分析单元，用于根据所述第一真实流量组成序列分析多分形小波模型的参数；序列生成单元，用于根据所述多分形小波模型的参数，利用多分形小波模型生成第一人工流量组成参数序列。
9.根据权利要求7所述的装置，其特征在于，所述第一流量组成参数为单位时间内的包个数，所述第二流量组成参数为单位时间内的包流量；或者，所述第一流量组成参数为单位时间内的包流量，所述第二流量组成参数为单位时间内的包个数；或者，所述第一流量组成参数为包间隔时间，所述第二流量组成参数为包大小；或者，所述第一流量组成参数为包大小，所述第二流量组成参数为包间隔时间。
10.根据权利要求7所述的装置，其特征在于，所述自动学习网络模型包括人工神经网络模型、模糊人工神经网络模型和回归模型。
全文摘要
本发明实施例公开了一种网络流量的人工合成方法和装置，方法包括从真实流量中提取第一真实流量组成参数序列和第二真实流量组成参数序列；生成第一人工流量组成参数序列；获取第一流量组成参数与第二流量组成参数之间的关系系数，并生成第二人工流量组成参数序列；根据第一人工流量组成参数序列和第二人工流量组成参数序列合成人工流量。本发明实施例提供了一种网络流量的人工合成装置。本实施例使人工流量更准确地匹配真实流量。
文档编号H04W24/06GK102204319SQ201180000307
公开日2011年9月28日 申请日期2011年4月28日 优先权日2011年4月28日
发明者何秀强, 何诚, 欧森力-安德烈, 潘璐伽 申请人:华为技术有限公司