[发明专利]一种基于深度学习模型的链路评估方法和系统

权利要求书

1.一种基于深度学习模型的链路评估方法，其特征在于，包括：

设置深度学习模型结构；

采集网络中链路的流量数据和该链路的占用度数据以构成数据对，并将所有该数据对进行划分以建立训练集和测试集；

以该训练集对该深度学习模型进行训练，确定该深度学习模型的参数；

以该测试集对该深度学习模型进行测试，若测试正确率小于测试阈值，则调整该参数并对该深度学习模型重新训练，反之则以该深度学习模型为链路评估模型；

通过该链路评估模型以该链路的当前流量数据获取该链路的当前占用度。

2.如权利要求1所述的链路评估方法，其特征在于，所述深度学习模型为多层神经网络结构，包括输入层、多个隐藏层和输出层，该输入层包括N个输入神经元，该输入神经元一一对应于该链路的N个节点，每个该隐藏层包括L个计算神经元，该计算神经元满足y＝φ(ωx+b)，该输出层包括M个输出神经元，该输出神经元一一对应于该网络的M个该链路，其中φ为非线性函数，x为该计算神经元的输入矢量，y为该计算神经元的输出矢量，ω、b为该深度学习模型的参数，ω为权重矢量，b为偏置矢量，κ为矫正常数，L、M、N为正整数，1≤κ≤10。

3.如权利要求2所述的链路评估方法，其特征在于，φ为双曲正切函数。

4.如权利要求2或3所述的链路评估方法，其特征在于，通过反向传播算法对该链路评估模型进行训练，且当训练该链路评估模型的损失函数l_s小于损失阈值时，停止训练并获取权重矢量ω和偏置矢量b，其中为该数据对的流量数据通过该链路评估模型得到的实际输出，y_i为该数据对的占用度数据。

5.如权利要求4所述的链路评估方法，其特征在于，通过衰减方式对权重矢量ω进行调整，即其中ω'为权重矢量ω在上一轮调整中获得的调整值，η为训练该链路评估模型的自适应学习率。

6.如权利要求1所述的链路评估方法，其特征在于，采用泊松流量模型或自相似流量模型采集该数据对。

7.一种基于深度学习模型的链路评估系统，用于评估网络流量与链路占用度之间的关系，其特征在于，包括：

模型构建模块，用于设置深度学习模型结构；

数据采集模块，用于采集网络中链路的流量数据和该链路的占用度数据以构成数据对，并将所有该数据对进行划分以建立训练集和测试集；

模型训练模块，用于以该训练集对该深度学习模型进行训练，确定该深度学习模型的参数；

模型测试模块，用于以该测试集对该深度学习模型进行测试，若测试正确率小于测试阈值，则调整该参数并对该深度学习模型重新训练，反之则以该深度学习模型为链路评估模型；

链路评估模块，用于通过该链路评估模型以当前链路的流量数据获取该链路的当前占用度。

8.如权利要求7所述的链路评估系统，其特征在于，所述深度学习模型为多层神经网络结构，包括输入层、多个隐藏层和输出层，该输入层包括N个输入神经元，该输入神经元一一对应于该链路的N个节点，每个该隐藏层包括L个计算神经元，该计算神经元满足y＝φ(ωx+b)，该输出层包括M个输出神经元，该输出神经元一一对应于该网络的M个该链路，其中φ为非线性函数，x为该计算神经元的输入矢量，y为该计算神经元的输出矢量，ω、b为该深度学习模型的参数，ω为权重矢量，b为偏置矢量，κ为矫正常数，L、M、N为正整数，1≤κ≤10。

9.如权利要求8所述的链路评估系统，其特征在于，所述模型训练模块具体包括：通过反向传播算法对该链路评估模型进行训练，且当训练该链路评估模型的损失函数l_s小于损失阈值时，停止训练并获取权重矢量ω和偏置矢量b，其中为该数据对的流量数据通过该链路评估模型得到的实际输出，y_i为该数据对的占用度数据。

10.如权利要求9所述的链路评估方法，其特征在于，所述模型测试模块还包括：参数调整模块，用于通过衰减方式对权重矢量ω进行调整，其中ω'为权重矢量ω在上一轮调整中获得的调整值，η为训练该链路评估模型的自适应学习率。