淺析網(wǎng)絡(luò)性能評估中BP算法的應(yīng)用

摘 要：本文針對網(wǎng)絡(luò)性能評估，以網(wǎng)絡(luò)性能指標作為輸入數(shù)據(jù)，網(wǎng)絡(luò)性能作為輸出參數(shù)，采用BP算法對網(wǎng)絡(luò)性能指標進行分析，經(jīng)過測試結(jié)果表明，BP網(wǎng)絡(luò)訓(xùn)練輸出能夠很好的逼近實際數(shù)據(jù)，因此，BP網(wǎng)絡(luò)算法具有很好的識別精度。

關(guān)鍵詞：網(wǎng)絡(luò)性能評估；BP算法；逼近

中圖分類號：TP183

近時期，隨著信息化的發(fā)展，網(wǎng)絡(luò)信息化逐漸遍布生活的每一個角落，人們對于網(wǎng)絡(luò)的需求日益增長，網(wǎng)絡(luò)也逐漸變得越來越復(fù)雜，常常導(dǎo)致網(wǎng)絡(luò)超負荷運作，然而網(wǎng)絡(luò)的復(fù)雜性導(dǎo)致了網(wǎng)絡(luò)性能一定程度上的改善，然而也導(dǎo)致網(wǎng)絡(luò)出現(xiàn)故障或性能不好時，無法很好的對網(wǎng)絡(luò)進行維護和管理和配置。網(wǎng)絡(luò)性能是一個定性的量，因此網(wǎng)絡(luò)性能評價顯得比較含糊，經(jīng)學(xué)者廣泛研究，網(wǎng)絡(luò)性能評價主要從背景流量、網(wǎng)絡(luò)時延、時延抖動情況和網(wǎng)絡(luò)丟包率等考慮，從而給出一個較好的評估，使得用戶根據(jù)評估結(jié)果，合理的維護和配置管理網(wǎng)絡(luò)。網(wǎng)絡(luò)性能評估中終端用戶的性能評估一直是研究的熱點。德國馬普研究所就終端用戶的性能評估問題中，除了考慮性能評估的算法，作者同時考慮了用戶的使用體驗。在實驗中，作者發(fā)現(xiàn)，最佳的實驗時間為6分鐘之內(nèi)，如果測量過程超過10分鐘，大多數(shù)用戶將中斷測量。對于網(wǎng)絡(luò)性能的評價，原慧琴和楊文偉等人研究了BP神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)性能評估中的應(yīng)用，給出了BP網(wǎng)絡(luò)的綜合評價模型，作為實踐指導(dǎo)的一個參考案例；羅赟騫，夏靖波和陳天平等人采用標準差法、熵權(quán)法、離差最大化法以及它們之間的改進算法對網(wǎng)絡(luò)性能進行評估，采用仿真方法，給出了網(wǎng)絡(luò)評價指標中的權(quán)重確定方法。因此對于網(wǎng)絡(luò)性能評估研究有一定的實際指導(dǎo)意義。

1 網(wǎng)絡(luò)性能評估分析

網(wǎng)絡(luò)性能綜合評估適用性較廣，能夠通過網(wǎng)絡(luò)評估輸出結(jié)果，較好的作為網(wǎng)絡(luò)管理人員和網(wǎng)絡(luò)運營商的一個參考值，為它們提供較好的科學(xué)依據(jù)和決策，從而更好的去管理網(wǎng)絡(luò)，配置網(wǎng)絡(luò)和維護網(wǎng)絡(luò)。由于網(wǎng)絡(luò)性能指標較抽象，因此提取網(wǎng)絡(luò)性能指標的數(shù)據(jù)較困難，確定各指標權(quán)重也較困難。目前，針對基于網(wǎng)絡(luò)性能的綜合評估，常用的算法有BP算法、線性加權(quán)算法、客觀權(quán)重評估方法、主成分分析方法、模糊綜合評價方法、支持向量機方法等等，通常主成分分析方法，常常在提取主要因子時，會造成評價結(jié)果失真，主成分因子去除了部分影響較小的因子，然而這些因子往往對網(wǎng)絡(luò)性能評估中是不可或缺的，而主觀分析法和客觀權(quán)重分析法、標準差法、離差最大法等方法對于網(wǎng)絡(luò)性能評估，前者較多的取決于有經(jīng)驗的人提供的數(shù)據(jù)，后者則通過波動不是很大的網(wǎng)絡(luò)性能指標數(shù)據(jù)而言，計算參考值常常不明顯，因此在網(wǎng)絡(luò)性能評估中較多的避免使用，因此實際中網(wǎng)絡(luò)的綜合評價常常采用BP神經(jīng)網(wǎng)絡(luò)、模糊綜合評價和支持向量機來進行網(wǎng)絡(luò)性能評估，本文將采用BP神經(jīng)網(wǎng)絡(luò)算法對網(wǎng)絡(luò)性能進行定量分析。

為了全面而系統(tǒng)的對網(wǎng)絡(luò)性能進行綜合評估，大多數(shù)時候需要從不同角度反映網(wǎng)絡(luò)性能的指標，對比BP網(wǎng)絡(luò)算法的應(yīng)用研究，在此分析基于線性加權(quán)的網(wǎng)絡(luò)性能評估模型，基于線性加權(quán)的網(wǎng)絡(luò)性能評估，選取背景流量、網(wǎng)絡(luò)時延、時延抖動情況和網(wǎng)絡(luò)丟包率等因素，作為網(wǎng)絡(luò)性能評估指標。采用客觀權(quán)重的方法，根據(jù)經(jīng)驗數(shù)據(jù)，進行網(wǎng)絡(luò)性能各指標權(quán)重系數(shù)進行評估，當然也可以根據(jù)仿真方法模擬先前網(wǎng)絡(luò)數(shù)據(jù)，得出網(wǎng)絡(luò)性能指標的權(quán)重值，通過網(wǎng)絡(luò)權(quán)重值和各指標量，通過歸一化處理，避免可能的大數(shù)吃小數(shù)等現(xiàn)象，由此得到網(wǎng)絡(luò)性能綜合評價模型，根據(jù)待檢測的數(shù)據(jù)，得出相應(yīng)的評估值。

其中網(wǎng)絡(luò)性能指標值統(tǒng)計如表1所示。

表1 網(wǎng)絡(luò)性能指標值

背景流量/Kbps時延/s時延抖動/s丟包率

500.00000.0655060.0016490.000000

550.00000.0654830.0016790.000000

600.00000.0656250.0018650.000000

650.00000.0656680.0027900.000000

700.00000.0656460.0020030.000000

750.00000.0657640.0038790.000000

800.00000.0660840.0050850.000000

850.00000.0666140.0065910.000000

900.00000.0727210.0148620.003731

910.00000.0743680.0150660.041199

920.00000.0766680.0117140.060606

930.00000.0772520.0124980.057471

940.00000.0777840.0117600.085603

950.00000.0778820.0120310.120301

為了定量的給出每個網(wǎng)絡(luò)的好壞程度，以上數(shù)據(jù)各指標有14個工況，采用1到14進化量化作為輸出值，1表示網(wǎng)絡(luò)最好，14則表示網(wǎng)絡(luò)最差，同樣，這個評估性能參數(shù)，也可以作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸出結(jié)果。

2 3BP神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)性能評估中的應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)是一種常用的神經(jīng)網(wǎng)絡(luò)，是人工智能網(wǎng)絡(luò)的一種形式，BP神經(jīng)網(wǎng)絡(luò)采用反向傳播的方式，進行數(shù)據(jù)的訓(xùn)練仿真，BP神經(jīng)網(wǎng)絡(luò)模擬生物神經(jīng)元結(jié)構(gòu)模型，通過相連神經(jīng)元之間，相互交互信息，BP神經(jīng)網(wǎng)絡(luò)一般由輸入層、隱藏層和輸出層構(gòu)成，BP神經(jīng)網(wǎng)絡(luò)根據(jù)輸入的信息具有自我學(xué)習(xí)的功能，通過隱藏層和相應(yīng)的閾值和權(quán)值放大，得到相應(yīng)的輸出結(jié)果，BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖

從圖1可看出，BP神經(jīng)網(wǎng)絡(luò)每一個輸入量經(jīng)過每一個隱藏層，在相應(yīng)的權(quán)值和閾值的作用下放大，隱藏層經(jīng)過一定的加權(quán)后給輸出層；BP神經(jīng)網(wǎng)絡(luò)具有記憶和學(xué)習(xí)功能，具體的BP神經(jīng)網(wǎng)絡(luò)的具體步驟和流程如下：

Step1：初始化給各聯(lián)接權(quán)﹛ωij﹜及閾值﹛θij﹜賦予[-1，+1]之間的隨機值。

Step2：隨機選取一模式對Ak=（a1k，a2k，L，ank），Yk=（y1k，y2k，L，ynk）提供給網(wǎng)絡(luò)。

Step3：用輸入模式Ak=（a1k，a2k，L，ank）、聯(lián)接權(quán)﹛ωij﹜和閾值﹛θij﹜計算中間層各單元的輸入Sj；然后用﹛Sj﹜通過函數(shù)計算中間層各單元的輸出﹛bj﹜。

Step4：用希望輸出模式Y(jié)k=（y1k，y2k，L，ynk）、網(wǎng)絡(luò)實際輸出﹛Cj﹜，計算輸出層的各單元的一般化誤差﹛djk﹜。

Step5：用聯(lián)接權(quán)﹛ωij﹜、輸出層的一般化誤差﹛djk﹜、中間層的輸出﹛bj﹜計算中間層各單元的一般化誤差﹛ejk﹜。

Step6：選取待檢測數(shù)據(jù)給網(wǎng)絡(luò)，返回到步驟（3），直至全部模式對訓(xùn)練完畢。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖

Step7：學(xué)習(xí)結(jié)束。

由表1中網(wǎng)絡(luò)性能指標數(shù)據(jù)，即背景流量、網(wǎng)絡(luò)時延、時延抖動情況和網(wǎng)絡(luò)丟包率數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)進行分析，得如圖3所示。

圖3 期望值與實際輸出值的曲線比較圖

從圖3可看出，期望值與實際輸出值非常的逼近，均方根誤差為0.0105，以上數(shù)據(jù)各指標有14個工況，采用1到14進化量化作為輸出值，1表示網(wǎng)絡(luò)最好，14則表示網(wǎng)絡(luò)最差，在此BP神經(jīng)網(wǎng)絡(luò)中歸一化處理后，映射到-1到1之間，分析表1中數(shù)據(jù)可知道，表1中數(shù)據(jù)，背景流量、網(wǎng)絡(luò)時延、時延抖動情況和網(wǎng)絡(luò)丟包率數(shù)據(jù)是逐漸增大的，網(wǎng)絡(luò)性能是逐漸變差的，因此圖3能很好的表征BP網(wǎng)絡(luò)性能，采用BP神經(jīng)網(wǎng)絡(luò)模型能夠較精確的評估網(wǎng)絡(luò)性能，BP神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)非線性函數(shù)的映射功能。

3 結(jié)束語

隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)性能評估成為廣大網(wǎng)絡(luò)運營商的科學(xué)決策值，本文對網(wǎng)絡(luò)性能進行分析，網(wǎng)絡(luò)性能是一個定性的量，作者在本文中將網(wǎng)絡(luò)性能指標分為背景流量、網(wǎng)絡(luò)時延、時延抖動情況和網(wǎng)絡(luò)丟包率等因素，從而給出一個較好的評估，使得用戶根據(jù)評估結(jié)果能夠更好的管理網(wǎng)絡(luò)和配置網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是一種常用的反饋性網(wǎng)絡(luò)，在數(shù)據(jù)預(yù)測中表現(xiàn)較好的性能，本文基于BP神經(jīng)網(wǎng)絡(luò)，采用網(wǎng)絡(luò)性能指標數(shù)據(jù)和定量的網(wǎng)絡(luò)性能好壞進行網(wǎng)絡(luò)評估分析，從分析結(jié)果可看出，BP神經(jīng)網(wǎng)絡(luò)能夠很好的實現(xiàn)輸出數(shù)據(jù)和實際數(shù)據(jù)的擬合預(yù)測分析，因此BP神經(jīng)網(wǎng)絡(luò)可作為網(wǎng)絡(luò)性能評估中的一個較好的算法之一。

參考文獻

[1]鄭明才，張大方，趙小超.最小跳數(shù)路由無線傳感器網(wǎng)絡(luò)行為特征研究[J].計算機應(yīng)用，2007，27（10）：2552-2555.

[2]孫勇進，孫雨耕，陳寶江.無線傳感器網(wǎng)絡(luò)1點和2點連通可靠性研究[J].傳感技術(shù)學(xué)報，2004，17（3）：379-385.

[3]朱紅松，孫利民，徐勇軍.基于精細化梯度的無線傳感器網(wǎng)絡(luò)匯聚機制及分析[J].軟件學(xué)報，2007，18（5）：1138-1151.

[4]王繼承.一種新的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[J].計算機工程與科學(xué)，2000，3.

[5]張耀庭.應(yīng)用BP網(wǎng)絡(luò)預(yù)測混凝土中的鋼筋銹蝕量[J].混凝土，2001，2：56-60.

作者簡介：秦云濤（1972.03-），男，講師，研究方向：計算機網(wǎng)絡(luò)。

作者單位：蘇州市職業(yè)大學(xué)，江蘇蘇州 215104