一种空天地一体化网络下的混沌动态拥塞预测系统及方法

1.本发明属于网络流量预测技术领域，特别涉及一种空天地一体化网络下的混沌动态拥塞预测系统及方法。


背景技术：

2.与传统网络环境相比，空天地一体化网络环境存在着较大的差异。空天地一体化网络的动态性及异构性给网络拥塞预测带来了挑战。
3.网络拥塞预测的本质是对其时间序列进行预测，空天地一体化网络的拥塞预测满足时间序列的趋势性、周期性和不规则性。
4.传统的时间序列模型有移动平均模型(moving average,ma)、自回归模型(auto regressive,ar)、自回归移动平均模型(auto regressive moving average，arma)。arma模型适用于平稳时间序列，在arma模型中加入差分方法形成arima模型使其适用于非平稳的时间序列。chen[1]利用arima方法建立预测模型。然而，传统的时间序列预测方法依赖于参数的选择，人工参数设定对预测模型的精度有很大的影响，因此将机器学习方法引入时间序列预测领域。
[0005]
时间序列数据预测工作本质上与机器学习方法分类中的回归分析之间存在着紧密的联系。经典的支持向量机svm、贝叶斯网络bn等在时间序列预测方面均取得了不错的效果。早期的人工神经网络ann也被用来获取时间序列中长期的趋势。随着深度学习的崛起，其也成为了实现时间序列预测的有效工具。mellit使用支持向量机svm建立时间序列预测模型对气象领域的时间序列数据进行预测。使用深度学习中的cnn与rnn建立时间序列预测模型。分别建立卷积神经网络时间序列预测架构与循环神经网络的时间序列预测架构，由于rnn经常在训练中出现梯度消失问题，因此采用lstm来解决梯度消失问题，设计出基于lstm的时间序列预测框架。
[0006]
在网络通信领域，深度学习也是目前对时间序列进行预测的有效方法。在地面网络中，将深度学习应用于移动通信技术中业务的预测，设计了基于lstm的时间序列预测模型，并对其进行仿真实验，证明其可行性。在卫星网络中，基于lstm神经网络设计leo卫星网络的网络拥塞预测模型，预测网络拥塞程度。综合分析leo低轨卫星网络tcp协议的时效性及计算资源有限等方面，采用单层lstm网络结构。在保证在基预测结果的前提下，尽可能的减少参数寻优和网络训练的时间。lstm神经网络能较好地处理大时间尺度数据，但收敛速度慢，参数无法直接确定，容易陷入局部最优。
[0007]
综上所述，现有的神经网络模型均难以满足实际的网络拥塞预测需求。


技术实现要素：

[0008]
本发明的目的在于提供一种空天地一体化网络下的混沌动态拥塞预测系统及方法，解决了传统神经网络模型均难以满足实际的网络拥塞预测需求的问题。
[0009]
本发明是通过以下技术方案来实现：
为0到1之间的随机数；x
best,i,k
为第k次迭代时第i个粒子经历过的最优位置；x
i,k
为第k次迭代时第i个粒子的位置；p
best,i,k
为第k次迭代时全部粒子经历过的最优位置。
[0035]
进一步，第四步中的gru神经网络预测模型为：
[0036]
y＝σ(w
yht
)；
[0037]
其中，y为网络的输出，wy为隐含层到输入层的权值，h
t
为gru神经网络中当前时刻隐含层状态；
[0038]
当前时刻隐含层状态为上一时刻隐含层状态与当前隐含层激活状态的和，表达式为：
[0039][0040]
其中，z
t
为更新门，h
t-1
为上一时刻隐含层状态，为当前隐含层激活状态。
[0041]
进一步，重置门r
t
和更新门z
t
为当前时刻输入数据与上一时刻隐含层状态的组合，表达式为：
[0042]rt
＝σ(wrx
t
u
rht-1
)；
[0043]zt
＝σ(wzx
t
u
zht-1
)；
[0044]
其中，σ为sigmoid函数，将r
t
和z
t
限制在0和1之间；wr、ur、wz、uz为神经网络权值；x
t
为当前时刻输入数据；
[0045]
当前时刻隐含层的激活状态的计算过程为：上一时刻隐含层数据经过重置门处理以后与当前的输入x
t
相结合并通过tanh激活函数可以得到当前时刻隐含层的激活状态，即：
[0046][0047]
nz＝wx
t
u(r
t
⊙ht-1
)；
[0048]
其中，
⊙
表示hadmard积运算；w、u为gru神经网络权值。
[0049]
本发明还公开了一种空天地一体化网络下的混沌动态拥塞预测系统，包括：
[0050]
数据获取模块，用于获取链路与节点的状态数据，作为原始序列数据；
[0051]
数据预处理模块，用于对原始序列数据进行归一化处理，得到处理后的拥塞序列；
[0052]
小波分解模块，用于将处理后的拥塞序列通过小波分析分解为若干低频序列和若干高频序列；
[0053]
粒子群优化模块，用于利用粒子群算法对gru神经网络预测模型进行优化，得到最优gru神经网络参数；
[0054]
预测模块，用于使用优化后的gru神经网络预测模型对各个低频序列和高频序列进行拥塞预测，得到各序列的拥塞预测结果；
[0055]
重构模块，用于将各序列的拥塞预测结果重构得到完整的拥塞预测序列，作为最终的预测结果。
[0056]
与现有技术相比，本发明具有以下有益的技术效果：
[0057]
本发明公开了一种空天地一体网络下的混沌动态拥塞预测方法，首先通过控制器获得链路与节点的拥塞时间序列作为原始数据，对数据进行归一化预处理；将原始序列进行小波分析得到高频序列与低频序列；对各序列采用粒子群算法优化的gru神经网络预测
模型得到各子序列的拥塞预测结果；最终将各子序列重构得到整体序列的预测结果，即拥塞预测结果。将小波分析与流量预测方法相结合，采用混沌动态拥塞预测方法，收敛速度快，能快速迭代，提高了拥塞预测的精度；设计了基于小波分析的粒子群算法优化的gru神经网络预测模型，满足了空天地一体化网络动态性的需求。该方法中的小波分析部分可以对非线性信号进行多层次分解，能够更好地描述非线性信号的变化特性。经实验，基于小波分析的神经网络预测模型的预测精度明显高于单一的神经网络。本发明的混沌动态拥塞预测方法提高了拥塞预测的精度，且收敛速度快，可以快速迭代。
附图说明
[0058]
图1为本发明的小波分析过程示意图；
[0059]
图2为gru神经网络结构；
[0060]
图3为基于pso算法优化的gru神经网络的具体流程；
[0061]
图4为混沌动态拥塞预测模型框架图。
具体实施方式
[0062]
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
[0063]
门控循环单元网络gru作为lstm的变体适用于大规模动态空间的网络拥塞预测，其收敛速度快，可以快速迭代，考虑空天地一体化网络低时延的要求选择gru神经网络作为空天地一体化网络拥塞预测的方法。本发明采用具有较强全局优化能力的粒子群算法对gru神经网络参数进行优化，有效提高模型的预测精度。小波分析可以对非线性信号进行多层次分解，能够更好地描述非线性信号的变化特性，实验表明经小波分析的神经网络的预测精度明显高于单一的神经网络，因此采用小波分析对改进粒子群算法对gru神经网络进行优化。
[0064]
如图4所示，本发明公开了一种空天地一体化网络下的混沌动态拥塞预测方法，包括以下步骤：
[0065]
步骤一、获取链路与节点的状态数据，作为原始序列数据；
[0066]
步骤二、对原始序列数据进行归一化处理，得到处理后的拥塞序列；
[0067]
步骤三、将处理后的拥塞序列通过小波分析分解为若干低频序列和若干高频序列；
[0068]
步骤四、利用粒子群算法对gru神经网络预测模型进行优化，得到最优gru神经网络参数；
[0069]
步骤五、使用优化后的gru神经网络预测模型对各个低频序列和高频序列进行拥塞预测，得到各序列的拥塞预测结果；
[0070]
步骤六、将各序列的拥塞预测结果重构得到完整的拥塞预测序列，作为最终的预测结果。
[0071]
步骤二中，为减小错误数据点对预测结果的影响，采用加权平均来替换错误的数据点，采用下式对其进行归一化处理。
[0072][0073]
其中，zi表示归一化后的数据，xi表示待归一化的数据，x
min
表示样本数据的最小值，x
max
表示样本数据的最大值。
[0074]
将处理后的拥塞序列视为信号，对序列进行如图1所示的小波分析。将原始小波信号分解为近似序列(低频系数)以及细节序列(高频系数)。在此选择对信号进行db3小波分解，a1和d1是小波分解后的低频系数和高频系数，a2和d2是a1小波分解后获得的低频系数和高频系数，经2尺度小波分解后，最终获得近似序列a3和细节序列d1、d2、d3。
[0075]
令拥塞时间序列x分解为近似序列a3和细节序列d1、d2、d3。则针对拥塞时间序列信号，f(x)可分解为：
[0076]
f(x)＝a3 d3 d2 d1。
[0077]
步骤四具体为：初始化神经网络权值以及各粒子速度，计算得出各个粒子的初始适应度，通过粒子群算法对粒子的个体最优和全局最优位置进行迭代更新，取得最优解之后，按照所得权值利用gru神经网络对拥塞进行预测。
[0078]
如图3所示，采用粒子群算法对gru神经网络的参数进行优化，具体包括以下步骤：
[0079]
s4.1、设置粒子群算法参数，如粒子的数量、最大迭代次数、常数c1，c2等。初始化神经网络参数wr、ur、wz、uz、w、u、wy。初始化各个粒子的适应度。
[0080]
s4.2、通过适应度函数评估粒子位置的优劣。将每一个粒子位置与当前个体最优位置和粒子群最优位置进行比较，如果粒子位置优于它们的位置，就用粒子位置替换当前个体最优位置和粒子群最优位置，这就使得粒子群朝着参数最优组合方向搜索。
[0081]
所述适应度函数如下：
[0082][0083]
其中，表示样本预测值，yi表示样本实际值，n表示样本数量。
[0084]
粒子群算法的基本迭代式为：
[0085]vi，k
＝pv
i，k
c1r1(x
best，i，k-x
i，k
) c2r2(p
best，i，k-x
i，k
)
[0086]
x
i，k 1
＝x
i，k
v
i，k
[0087]
其中，v
i,k
为第k次迭代时第i个粒子的速度；p为惯性权重；c1，c2为学习因子；r1、r2为0到1之间的随机数；x
best,i,k
为第k次迭代时第i个粒子经历过的最优位置；x
i,k
为第k次迭代时第i个粒子的位置；p
best,i,k
为第k次迭代时全部粒子经历过的最优位置。
[0088]
若当前粒子位置没有达到最优，则再一次进行迭代。如果迭代次数超过最初设置的最大迭代次数，那么根据粒子群的最优位置向量得到gru神经网络的最优参数，否则就继续迭代，寻找最优的粒子位置。
[0089]
通过粒子群算法可以得到的最优gru神经网络参数wr、ur、wz、uz、w、u、wy。
[0090]
gru神经网络的具体结构如图2所示。
[0091]
步骤五，具体包括：
[0092]
将参数带入到gru神经网络的输出中，即：y＝σ(w
yht
)，其中，y为网络的输出；wy为
隐含层到输入层的权值。h
t
为gru神经网络中当前时刻隐含层状态。
[0093]
当前时刻隐含层状态为上一时刻隐含层状态与当前隐含层激活状态的和：
[0094][0095]
重置门r
t
和更新门z
t
为当前时刻输入数据与上一时刻隐含层状态的组合，即：
[0096]rt
＝σ(wrx
t
u
rht-1
)；
[0097]zt
＝σ(wzx
t
u
zht-1
)；
[0098]
其中，σ为sigmoid函数，可以将rt和zt限制在0和1之间；wr、ur、wz、uz为神经网络权值。
[0099]
为上一时刻隐含层数据经过重置门处理以后与当前的输入x
t
相结合并通过tanh激活函数可以得到当前时刻隐含层的激活状态，即：
[0100][0101]
nz＝wx
t
u(r
t
⊙ht-1
)
[0102]
其中，n表示hadmard积运算；w、u为gru神经网络权值。
[0103]
最终，将各子序列的预测结果进行重构得到一个完整的拥塞预测序列，即最终的预测结果。
[0104]
通过重构的方式将原始信号不同时频的信息构成新的时间序列组。与一维原始序列相比，新的时间序列组能够更加准确地表征拥塞时间序列的潜在信息，以提升模型预测的精度。
[0105]
对于任意信号f(x)，其小波分解公式为(重构公式即逆变换)：
[0106][0107]
其中，a为尺度因子，b为平移因子，ψ
a，b
为小波基函数。