[发明专利]一种基于深度学习模型的链路评估方法和系统

说明书

本发明涉及一种基于深度学习模型的链路评估方法，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为数据对；对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，以对该链路进行评估。

技术领域

本发明属于信息技术领域，特别适用于无线网络资源分配领域。

背景技术

随着无线通信技术的飞速发展，无线通信设备呈爆炸式增长，频谱资源变得越来越紧张，同时通信设备之间相互干扰，使得本来有限的频谱资源利用率严重不足。无线网络的通信设备之间的相互干扰，会造成数据的丢失，数据丢失后一般采用重传机制，该机制虽然在一定程度上可以提高数据传输成功率但也造成能量的浪费。如果网络的上层协议在选择路径进行传输数据时选择链路质量较好的链路进行传输，则会提高数据传输率，并且还能因减少数据的重传而节省能量。节点间的链路质量是周期性变化的，即，上一时刻链路质量较好的链路下一时刻的质量不一定也好。如果能够知道下一时刻的链路质量，上层协议选择下一时刻质量较好的链路进行数据传输则可以进一步提交数据传输成功率。另外，在同一无线网络下，网络由多个数据链路组成，不同通信设备的发送的流量各不相同，在上层数据传输协议的控制下，经常会出现链路占用程度差异很大的情况，大部分得流量是由小部分链路传输完成的。因此，挖掘网络流量与数据链路占用程度的非线性关系，实现网络资源的平衡调度分配，是提高网络频谱资源利用率的有效途径。

基于最优化理论是链路质量评估的常用方法，但是这些方法大都是启发式算法，很难适用于不断变化的网络流量与链路占用程度的关系挖掘。因此，本发明提出一种可以在不同网络流量下对链路质量进行评估，自适应挖掘网络流量与链路占用程度关系的算法。此算法采用深度学习模型对链路占用程度进行评估，它可以从不断变化的网络流量中提取高度抽象的特征，挖掘网络流量与链路占用程度直接的潜在关系。

发明内容

为解决上述问题，本发明公开了一种基于深度学习模型的链路评估方法，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当前链路的流量数据获取该链路的当前占用度。

其中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，φ为双曲正切函数。

本发明所述的链路评估方法，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ω和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。

本发明所述的链路评估方法，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。

本发明所述的链路评估方法，采用泊松流量模型或自相似流量模型采集该数据对。

本发明还涉及一种基于深度学习模型的链路评估系统，包括：