基于雙超平面的電力通信網(wǎng)業(yè)務(wù)QoS評價方法

李榮榮，唐良瑞

(華北電力大學(xué) 新能源國家重點實驗室，北京　102206)

?

基于雙超平面的電力通信網(wǎng)業(yè)務(wù)QoS評價方法

李榮榮，唐良瑞

(華北電力大學(xué) 新能源國家重點實驗室，北京102206)

摘要：為解決傳統(tǒng)業(yè)務(wù)服務(wù)質(zhì)量(Quality of Services, QoS)評價算法客觀性不足、評價效率低等問題，將業(yè)務(wù)QoS評價映射為業(yè)務(wù)QoS等級分類，提出了一種基于雙超平面(Double Decision Hyperplane, DDH)決策圖的電力通信網(wǎng)業(yè)務(wù)實時QoS評價方法。該方法提取業(yè)務(wù)網(wǎng)絡(luò)層特征來表征業(yè)務(wù)的服務(wù)質(zhì)量，以QoS等級已知的現(xiàn)有業(yè)務(wù)作為分類器的訓(xùn)練樣本，由分類器的構(gòu)造順序來確定決策圖的形成。此外，算法對傳統(tǒng)類間耦合度進行了重新定義，并在決策圖各層按照最小類間耦合度原則依次構(gòu)造分類雙超平面，實現(xiàn)業(yè)務(wù)QoS等級的不完全三分類，避免了傳統(tǒng)多分類決策圖低層結(jié)點“誤差崩盤”，自適應(yīng)性低及決策圖結(jié)構(gòu)固定等問題。仿真結(jié)果證明，DDH決策圖在電力業(yè)務(wù)QoS評價中比經(jīng)典DAG-SVM方法具有更短判決時間和更優(yōu)分類性能，可更好地實現(xiàn)電力業(yè)務(wù)QoS實時準(zhǔn)確評價。

關(guān)鍵詞：電力通信網(wǎng)；業(yè)務(wù)服務(wù)質(zhì)量；雙超平面；類間耦合度；DAG-SVM

0引言

作為電力系統(tǒng)中第二個實體網(wǎng)絡(luò)，電力通信網(wǎng)依托于電網(wǎng)建設(shè)，是保證電力系統(tǒng)安全穩(wěn)定運行的基礎(chǔ)[1]，是電力系統(tǒng)中的支撐和保障體系，不僅承擔(dān)著電力系統(tǒng)的生產(chǎn)指揮和調(diào)度，同時也為行政管理和自動化信息的傳輸提供服務(wù)[2]。隨著智能電網(wǎng)的發(fā)展及電力ICT水平的提升，電力通信網(wǎng)近幾年發(fā)展迅猛，網(wǎng)絡(luò)規(guī)模不斷擴大，結(jié)構(gòu)也日趨復(fù)雜，電力通信業(yè)務(wù)需求量和要求均在提高，電力通信網(wǎng)維護單位已經(jīng)越來越重視其業(yè)務(wù)服務(wù)質(zhì)量(QoS)的保證和服務(wù)水平的提高。雖然電力通信網(wǎng)和公共通信網(wǎng)同屬于通信網(wǎng)絡(luò)，但承載在電力通信網(wǎng)上的業(yè)務(wù)不同于公網(wǎng)業(yè)務(wù)，具有很強的行業(yè)特殊性[3]，對業(yè)務(wù)的各項指標(biāo)的要求更加嚴(yán)格，新一代電力通信網(wǎng)業(yè)務(wù)要實現(xiàn)“高可靠、全方位、多元化、網(wǎng)絡(luò)化”，因此亟需在分析電力系統(tǒng)業(yè)務(wù)特性及需求的基礎(chǔ)上，采用有效的評價方法來對電力通信網(wǎng)業(yè)務(wù)QoS進行實時準(zhǔn)確可靠的評價。

目前國內(nèi)外對電力通信網(wǎng)業(yè)務(wù)QoS評價方面的研究稍顯不足?，F(xiàn)有QoS評價方法[3-8]多采用傳統(tǒng)的多屬性單目標(biāo)決策算法，客觀性不足，且不具備機器學(xué)習(xí)算法高效性、智能化等優(yōu)點。實際上，現(xiàn)有電力通信網(wǎng)業(yè)務(wù)在網(wǎng)內(nèi)運行情況的優(yōu)劣是電網(wǎng)專家經(jīng)驗已知的，實際要進行的業(yè)務(wù)QoS評價是針對電力通信網(wǎng)未來會出現(xiàn)的新業(yè)務(wù)以及隨網(wǎng)絡(luò)狀況變化而運行質(zhì)量發(fā)生變化的現(xiàn)有業(yè)務(wù)。從分類的角度來看，基于監(jiān)督的分類器思想可以很好的實現(xiàn)從未知業(yè)務(wù)QoS到已知業(yè)務(wù)QoS的映射。其中，基于SVM的層次分類器具有諸多優(yōu)勢，如分類性能優(yōu)良、分類效率高等。因此，本文借鑒了SVM分類算法中決策超平面的思想，并對其加以改進，使得新算法的分類性能得到進一步提升。

基本SVM只能解決二分類問題，在解決多分類問題時，常采取構(gòu)造多個層次二分類器的方法來實現(xiàn)，常用的SVM多分類算法有OAA (One-against-all)，OAO (one-against-one)，DT-SVM (decision tree SVM)[9]和DAG-SVM (direct acyclic graphSVM)[10]。文獻[11]利用無類別標(biāo)識的樣本的聚類特征，提出一種基于半監(jiān)督分類算法的SVM分類機，充分利用了聚類算法和分類算法的優(yōu)勢；文獻[12]對5種可處理大規(guī)模樣本分類問題的支持向量機訓(xùn)練算法的分類性能進行了分析和比較，尤其是算法收斂速度、可擴展性和分類準(zhǔn)確度；文獻[13-14]針對訓(xùn)練樣本特征數(shù)目眾多而導(dǎo)致決策超平面訓(xùn)練時間過長的問題，采用相應(yīng)的算法對樣本特征進行篩選，得到樣本的最優(yōu)特征集，改進了傳統(tǒng)的支持向量機，減短了分類機的訓(xùn)練時間；為解決訓(xùn)練樣本有限的問題，文獻[15]通過在訓(xùn)練集內(nèi)增加已正確分類的樣本，同時去除分類偏差較大的樣本，從而保證了隨著分類的進行，訓(xùn)練樣本數(shù)目趨于穩(wěn)定且分類超平面趨于確定。然而，上述策略的本質(zhì)仍然是基本的二分類SVM，雖然相關(guān)的改進可以縮短分類器的訓(xùn)練時間，但決策圖一旦經(jīng)訓(xùn)練得到，新的樣本會沿著決策圖的走向進行類別判定，即實際上，分類器的訓(xùn)練時間并不會影響樣本分類速度。同時，某些樣本的類別屬性非常明顯，采用基本的二分類SVM會導(dǎo)致這些樣本在分類時歷經(jīng)比實際需要更多的分類器，增加了樣本分類的平均時間和分類錯誤率。

基于以上分析，本文提出一種基于DDH決策圖的電力通信網(wǎng)業(yè)務(wù)QoS評價方法，從網(wǎng)絡(luò)現(xiàn)行狀況中提取已知QoS等級的業(yè)務(wù)特征作為機器學(xué)習(xí)的學(xué)習(xí)集，在決策圖的每個結(jié)點依據(jù)最小類間耦合度原則確定分類雙超平面構(gòu)造的次序，逐層自動構(gòu)建分類機形成決策圖。同時由于決策超平面的構(gòu)造取決于學(xué)習(xí)集樣本的分布狀況，使得決策圖的結(jié)構(gòu)具有自適應(yīng)性，在保證訓(xùn)練和分類效率的同時，使分類性能達到最優(yōu)(或近優(yōu))。理論分析和實驗結(jié)果證明，DDH方法比多分類DAG-SVM方法具有更高的分類精度和效率，可更好地實現(xiàn)電力業(yè)務(wù)QoS的動態(tài)實時評價。

1基于DDH的業(yè)務(wù)QoS評價方法

1.1類間耦合度

在構(gòu)造多分類各層分類機時，需采用一定的準(zhǔn)則度量類間距離的大小，將可分性最好的兩類先分離出來，以此來盡可能降低分類錯誤率。通常采用類間分離度來保證每個決策結(jié)點處類間隔盡可能大。所謂類間分離度，是對類與類之間可分程度的度量，分離度越大兩類越易分開。類i與類j間的分離度[16]定義為

(1)

式中：dij=‖ci-cj‖表示類i與類j中心距離，ci與cj分別為類i與類j的樣本中心，si與sj分別為類i與類j的標(biāo)準(zhǔn)差。類中心距離反映類間樣本分布情況，類方差反映類內(nèi)樣本分布情況。

類間分離度在一定程度上反映了類間可分性能，但是對于如圖1所示情況，如果采用上述類間分離度定義，那么這兩種情況下類i與類j的分離度是一樣的，但很明顯圖1右圖中類i與類j間的空白區(qū)域(Margin)大，在此區(qū)域更易構(gòu)建得到最優(yōu)超平面，即決定最優(yōu)超平面構(gòu)造難易程度的是類間絕對距離，而非類間相對距離。

圖1　類間分離度Fig.1　The inter-class separation degree

(1) 類i與類j的樣本中心分別為ci與cj，類中心距離dij=‖ci-cj‖；

(3) 經(jīng)過(2)篩選得到類i樣本數(shù)減少為Pi，類j樣本數(shù)減少為Pj，計算Pi個樣本與Pj個樣本的平均距離，該平均距離的倒數(shù)即定義為類間耦合度，該值越小，類間耦合度越弱，類間絕對距離越大，越利于最優(yōu)超平面的構(gòu)造。

(2)

式中：m=1,2,…,Pi；n=1,2,…,Pj。

1.2DDH的構(gòu)造

DDH方法在每個分類層都采用1-a-1方式來構(gòu)造決策超平面，但采取的分類策略是不完全的三分類而非傳統(tǒng)的二分類。假設(shè)已知QoS等級的現(xiàn)有電力業(yè)務(wù)共N個，業(yè)務(wù)特征指標(biāo)共M個，其構(gòu)成一個M維業(yè)務(wù)特征空間L，每個業(yè)務(wù)用M維特征向量xi(xi1,xi2, …,xiM)∈L表示，其中i=1, 2, …, N，j=1, 2, …, M，xij表示業(yè)務(wù)i的指標(biāo)j，所有N個業(yè)務(wù)就對應(yīng)于M維特征空間L內(nèi)的N個點。根據(jù)業(yè)務(wù)i的特征向量xi，可將所有業(yè)務(wù)分為優(yōu)、中和差三類，分別用+1、0、-1表示，設(shè)xi的類別標(biāo)號為yi，則yi∈{-1, 0, +1}，那么定義M+1維空間內(nèi)的點(xi,yi)就代表業(yè)務(wù)i。

在這N個特征向量線性可分的情況下，如果可以找到兩個決策超平面

(3)

使得-1類點與+1類點分別幾乎全部位于G1(x)與G2(x)的兩側(cè)，0類點大部分位于超平面G1(x)與G2(x)之間，少量的點位于G1(x)與G2(x)兩側(cè)，即可實現(xiàn)訓(xùn)練點集的不完全三分類，其中，t1和t2應(yīng)為可調(diào)參數(shù)且t2>0>t1，用來調(diào)整0類點范圍的大小，如圖2所示，○代表“+1”，△代表“0”，□代表“-1”。

圖2　DDH不完全三分類示意圖Fig.2　The schematic diagram of DDH incomplete ternary classification

由分析可知，一旦找到超平面：

(4)

并確定t1和t2的值，就相當(dāng)于確定了兩個決策超平面；而超平面G(x)就是SVM對訓(xùn)練樣本進行分類時構(gòu)造的，在此實際需要確定的是t1和t2的值。

由于樣本點在空間L內(nèi)并不一定是線性可分的。為保證總能找到一個線性的超平面將其區(qū)分開來，可以通過非線性映射j: Rn→Rs, s>n，將x映射到一個高維空間中，即z=j(x)，使得在這個高維空間Rs內(nèi)存在線性的決策超平面，可以對z進行區(qū)分。映射后，式(4)即變?yōu)?/p>

(5)

那么一旦t1和t2確定，那么對于空間L內(nèi)的所有點，就有

(6)

式中：αi是拉格朗日乘子；K()為核函數(shù)；xi為第i個支持向量；yi為支持向量xi的類別標(biāo)簽；x為待分類的向量；b為常數(shù)。

(1) 計算訓(xùn)練集F中各類間耦合度Oij，i=1,2,…,N，j=1,2,…,i；

(2) 將類間耦合度按升序排列，提取出類間耦合度最小的兩類k與l，F(xiàn)1=F-{xk}，F(xiàn)2=F-{xl}；

(3) 選擇適當(dāng)?shù)暮撕瘮?shù)，訓(xùn)練分類機，得到?jīng)Q策超平面

(7)

優(yōu)化參數(shù)t1和t2構(gòu)造出超平面G1(x)與G2(x)；

(4) 對新訓(xùn)練集F1與F2重復(fù)(1)、(2)、(3)，直到生成整個圖結(jié)構(gòu)為止。

1.3QoS等級判定

依據(jù)上述規(guī)則進行訓(xùn)練，定義SVMij代表由i類與j類訓(xùn)練而得的分類機，對于4分類訓(xùn)練樣本就得到了如圖3所示DDH決策圖。對于待評價業(yè)務(wù)，其特征向量為x，那么該業(yè)務(wù)的QoS評價過程則首先在DDH決策圖根結(jié)點利用首層SVM14分類，x到超平面G(x)=0的距離可以表示為

(8)

將d定義為決策距離，可正可負，其表征業(yè)務(wù)當(dāng)前的QoS等級。具體判決方法如下：

(1) 若d≤t1，代表x屬于非4類，即業(yè)務(wù)QoS屬于1、2、3類中的一類，則下一步執(zhí)行二層左側(cè)SVM13；

(2) 若d≥t2，代表x屬于非1類，即業(yè)務(wù)QoS屬于2、3、4類中的一類，則下一步執(zhí)行二層右側(cè)SVM24；

(3) 若t1

(4) 在新的判決層，重復(fù)(1)、(2)、(3)過程，直至到達最底層結(jié)點判決出業(yè)務(wù)QoS所屬的類別，則等級判定過程結(jié)束。

圖3　一種四分類DDH結(jié)構(gòu)圖Fig.3　Structure diagram of DDH for four classes

2仿真與結(jié)果分析

為了驗證算法的性能，本文用Matlab對DDH算法、最小耦合度DAG-SVM算法以及最大可分度DAG-SVM算法進行了對比仿真實驗，仿真環(huán)境為IntelPenium4CPU2.93GHz，512M內(nèi)存臺式機。訓(xùn)練樣本為已知QoS等級的電力業(yè)務(wù)共7 500個(96個劣、294個差、1 698個中、3 117個良、2 295個優(yōu))，其中隨機按比例選取2 500個(32個劣、98個差、566個中，1 039個良，765個優(yōu))業(yè)務(wù)作為訓(xùn)練樣本，剩下樣本中隨機選取2 500為測試樣本，以“1”“2”“3”“4”“5”為類別標(biāo)簽來代表QoS等級的“劣”“差”“中”“良”“優(yōu)”，選取業(yè)務(wù)端到端時延、帶寬、吞吐率，誤碼率、抖動與誤信率這6項指標(biāo)作為樣本特征。表1所示為兩種多分類方法訓(xùn)練及分類復(fù)雜度比較。

表1兩種多分類方法訓(xùn)練及分類復(fù)雜度比較

Tab.1The efficiency and accuracy comparison in two multi-classification methods

DAG-SVMDDH分層依據(jù)最大可分度最小耦合度基本分類機訓(xùn)練方法二分類不完全三分類組合策略投票法決策圖決策圖需訓(xùn)練SVM個數(shù)K(K-1)《K(K-1)分類所需遍歷SVM平均個數(shù)K-1《K-1

基于類間最大可分度的DAG-SVM逐層構(gòu)造分類機，形成有向無環(huán)圖結(jié)構(gòu)，如圖4(a)所示，由于SVM為二分類，每個樣本都需要進行4次分類，所需遍歷的SVM平均個數(shù)較多，分類效率比較低且分類準(zhǔn)確度不高；本文提出的DDH依據(jù)類間最小耦合度逐層構(gòu)造分類機，如圖4(b)所示，由于SVM為不完全三分類，存在跨層直分情況，每個樣本最多進行4次分類，最少進行2次分類，所需遍歷的SVM平均個數(shù)大幅減少，具有較高的分類效率與準(zhǔn)確度。

圖4　DAG-SVM與DDH決策圖對比Fig.4　Comparison of decision graph of DAG-SVM and DDH

基于類間最大可分度的DAG-SVM首先對5類與2類進行分類，而基于最小耦合度的DAG-SVM則首先對5類與1類進行分類，兩種算法對各類別樣本分類準(zhǔn)確率的仿真結(jié)果如圖5所示，在本仿真樣本情況下，兩種算法的平均分類時間大致相當(dāng)，分別為42.279 4 ms與42.002 5 ms，但分類準(zhǔn)確度有所差異。這是由于第2類樣本分布比較集中造成的，并不能保證類間空白區(qū)域最大化，而最小耦合度表征的就是兩類間空白區(qū)域的實際大小，因此使得分類依據(jù)更加合理，總分類準(zhǔn)確率有所提高；但由于兩種多分類算法中，業(yè)務(wù)等級判定時所需遍歷的SVM數(shù)目始終為4，所需平均時間較長且相差不多，無法滿足短時間內(nèi)多業(yè)務(wù)的QoS等級判定，效率較低。

圖5　兩種方法的仿真結(jié)果Fig.5　The simulation results of two multi-classification methods

在DDH決策圖方法中，t1與t2的取值決定了跨層直分第三類的比例，其絕對值越大，跨層直分的樣本越多，從而導(dǎo)致訓(xùn)練時間縮短，但如果取值過大，會導(dǎo)致第一類與第二類點被誤認(rèn)為可跨層直分的點，從而導(dǎo)致分類準(zhǔn)確率的下降，為簡便起見，取-t1=t2，在上述樣本情況下，多次訓(xùn)練發(fā)現(xiàn)，-t1與t2取值在[0.65 0.8]之間時，分類時間較短且準(zhǔn)確率也較高，仿真結(jié)果如圖6所示。

圖6　DDH中t2取值與判定時間與準(zhǔn)確率的關(guān)系Fig.6　The relationship between t2 and decision time and accuracy in DDH

由圖6可知，當(dāng)t2的取值在[0.65 0.8]之間時，分類準(zhǔn)確度幾乎不變，但分類所需的平均時間變化很大。經(jīng)過反復(fù)優(yōu)化，得到在上述樣本下，t2=0.75時，分類性能達到最優(yōu)，此時通過3種算法得到的各類的準(zhǔn)確率如圖7所示，單業(yè)務(wù)QoS等級判決所需平均時間與總準(zhǔn)確率如表2所示。仿真結(jié)果表明，基于不完全三分類的DDH算法在分類性能上優(yōu)于DAG-SVM，這是由于很大一部分樣本分類所需遍歷的SVM個數(shù)都少于4個，這大大減少了判決所需要的時間，且由于遍歷的SVM個數(shù)減少且參數(shù)t1與t2選擇恰當(dāng)，在保證了分類依據(jù)正確的情況下減少了可能錯分的次數(shù)，使得整體分類性能得到較好的提升。

表2三種多分類方法的效率及準(zhǔn)確率

Tab.2The efficiency and accuracy of three multi-classification methods

多分類方法分類準(zhǔn)確率/%單個業(yè)務(wù)QoS判定所需平均時間/ms基于最小耦合度的DAG-SVM98.4342.2794基于最大可分度的DAG-SVM96.9842.0025DDH(t2=0.75)98.6528.3134

圖7　三種方法對各類別的分類準(zhǔn)確率Fig.7　The classification accuracy for each category in three multi-classification methods

3結(jié)論

本文提出一種基于DDH的電力通信網(wǎng)業(yè)務(wù)QoS評價方法，從網(wǎng)絡(luò)現(xiàn)行狀況中提取已知QoS等級的業(yè)務(wù)運行特征作為機器學(xué)習(xí)的學(xué)習(xí)集，在決策圖的每個節(jié)點利用最小類間耦合度進行分類決策優(yōu)化，基于雙判斷超平面決定圖徑走向，逐層自動構(gòu)建分類機形成決策圖。同時由于決策超平面的構(gòu)造取決于學(xué)習(xí)集樣本的分布狀況，使得決策圖的結(jié)構(gòu)具有自適應(yīng)性，在保證訓(xùn)練和分類效率的同時，使分類性能達到最優(yōu)(或近優(yōu))。理論分析和實驗結(jié)果表明，本文提出的新方法比多分類DAG-SVM方法具有更高的分類精度和分類效率。

參考文獻：

[1] Ye Yan, YiQian, HamidS,et al. Asurvey on smart grid communication infrastructure：motivations，requirements and challenges[J]. IEEE Communications Surveys and Tutorials, 2013, 15(1): 5-20.

[2] 李春華, 冉靜學(xué), 高會生. 基于離差最大化方法的電力通信網(wǎng)傳輸部分的綜合評估[J]. 電力系統(tǒng)保護與控制, 2008, 36(15): 33-36.

[3] Shah G A, Gungor V C, Akan O B.A Cross-Layer QoS-Aware Communication Framework in Cognitive Radio Sensor Networks for Smart Grid Applications[J]. Industrial Informatics, IEEE Transactions on, 2013, 9(3): 1477-1485.

[4] AL Tameemi O A, Chatterjee M, Kwiat K.Vector Quantization based QoS Evaluation in Cognitive Radio Networks[C]. Wireless and Optical Communication Conference (WOCC), 2014,23rd:1-6.

[5] Yosra M, Ayari A,Ayadi M.A Novel Approach for Mobile Network QoS Evaluation[C].Networks, Computers and Communications, The 2014 International Symposium on.IEEE,2014: 1-6.

[6] Dogman A, Saatchi R,Al-Khayatt S. Evaluation of Computer Network Quality of Service Using Neural Networks[C]. Business, Engineering and Industrial Applications (ISBEIA), 2012 IEEE Symposium on.IEEE, 2012: 217-222.

[7] 周靜，熊素琴，蘇斌，等．一種電力通信網(wǎng)絡(luò)運行質(zhì)量量化評估方法及應(yīng)用[J]．電網(wǎng)技術(shù)，2012，36(9)：168-173．

[8] 陳翔, 吳潤澤, 曹敏,等. 基于模糊AHP的電力ICT網(wǎng)絡(luò)業(yè)務(wù)質(zhì)量評價方法[J]. 電力系統(tǒng)通信,2011, 32(6):48-52.

[9] Moustakidis S, Mallinis G,Koutsias N,et al.SVM-Based Fuzzy Decision Trees for Classication of High Spatial Resolution Remote Sensing Images[J]. Geoscience and Remote Sensing, IEEE Transactions on, 2012, 50(1): 149-169.

[10] 黃振龍，鄭駿，胡文心．基于類間可分性DAG-SVM的文本分類[J]．華東師范大學(xué)學(xué)報(自然科學(xué)版)，2013,(3)：209-218．

[11] Zhen Fengshao, Lei Zhang, Xi Ranzhou. A Novel Hierarchical Semi-supervised SVM for Classification of Hyper-spectral Images[J]. IEEE Geoscience and Remote Sensing Letter, 2014, 11(9): 1609-1613.

[12] Cumani S, Laface P. Analysis of Large-Scale SVM Training Algorithms for Language and Speaker Recognition[J]. IEEE Transactions on Audio Speech and Language Processing,2012, 20(5):1585-1596.

[13] Geebelen D, Suykens J A K,Vandewalle J.Reducing the Number of Support Vectors of SVM Classifiers Using the Smoothed Separable Case Approximation[J]. IEEE Transactions on Neural Networks and Learning Systems, 2012, 23(4): 682-688.

[14] Liu Xiaoming, Tang Jinshan. Mass Classification in Mammograms Using Selected Geometry and Texture Features, anda New SVM-Based Feature Selection Method[J]. IEEESystems Journal, 2014, 8(3): 910-920.

[15] Ghoggali N, Melgani F, Bazi Y. A multi-objective genetic SVM approach for classification problems with limited training samples[J]. Geoscience and Remote Sensing, IEEE Transactions on, 2009, 47(6):1707-1718.

[16] 邱婧, 夏靖波, 柏駿. 基于SVM決策樹的網(wǎng)絡(luò)流量分類[J]. 電光與控制, 2012, 19(6): 13-16.

QoS Evaluation Method Based on Double Decision Hyperplanes in Electric Power Communication Networks

LI Rongrong, TANG Liangrui

(State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources,North China Electric Power University, Beijing 102206, China)

Abstract:In order to solve the problems of the insufficient objectivity and low evaluation efficiency in traditional services quality (QoS) evaluation algorithms, a novel double decision hyperplanes (DDH) decision graph method，which mapped the QoS evaluation to the QoS level classification, was proposed to evaluate the real-time quality of services (QoS) in electric power communication networks. It extracted representative features to reveal services running conditions in the network layer and exploited the services whose QoS were known to train the classifiers. The decision graph structure was determined via the class grouping algorithm, which formed the groups of classes to be separated at each internal node. Moreover, a novel coupling degree between classes was presented and the double planes in each decision layer were created based on principle of the minimum coupling degree between classes. Since the node discriminations are implemented via incomplete ternary SVMs, the new method can well avoid problems of “error collapse” in low decision layer nodes, low adaptability and the fixed structure in conventional decision graph algorithms. Finally, simulation results show that, compared with other classic methods, the novel method exhibits a number of attractive merits such as enhanced classification accuracy, short decision time, as well as achieves a more real-time QoS evaluation for electric power communication network services.

Key words：electric power communication networks; quality of services; double decision hyperplane; coupling degree between classes; DAG-SVM

作者簡介：李榮榮(1990-)，女，碩士研究生，主要研究方向為電力通信網(wǎng)業(yè)務(wù)質(zhì)量評估及網(wǎng)絡(luò)安全防護；唐良瑞(1966-)，男，教授，博士生導(dǎo)師，主要從事電力系統(tǒng)通信與信息處理、無線傳感器網(wǎng)絡(luò)與物聯(lián)網(wǎng)技術(shù)等方面的研究。

中圖分類號：TN91

文獻標(biāo)識碼：A

文章編號：1007-2691(2016)01-0092-07

基金項目：國家高技術(shù)研究發(fā)展計劃資助項目(2014AA01A701)；北京市自然基金資助項目(4142049).

收稿日期：2015-06-08.

doi:10.3969/j.ISSN.1007-2691.2016.01.16