一種網(wǎng)絡(luò)資源與環(huán)境耦合關(guān)系預(yù)測(cè)技術(shù)

劉穎 羅濤 楊燦

【摘 ?要】

針對(duì)復(fù)雜多維環(huán)境下彈性網(wǎng)絡(luò)資源受到氣象、地形、電磁、時(shí)空等環(huán)境影響的問(wèn)題，提出了一種網(wǎng)絡(luò)資源與環(huán)境耦合關(guān)系預(yù)測(cè)技術(shù)，主要目的是實(shí)現(xiàn)網(wǎng)絡(luò)資源與環(huán)境耦合關(guān)系預(yù)測(cè)，提升網(wǎng)絡(luò)資源的利用率。通過(guò)實(shí)測(cè)驗(yàn)證了技術(shù)的可行性，滿(mǎn)足實(shí)際網(wǎng)絡(luò)通信過(guò)程中對(duì)網(wǎng)絡(luò)資源與環(huán)境耦合關(guān)系的預(yù)測(cè)。

【關(guān)鍵詞】彈性網(wǎng)絡(luò);網(wǎng)絡(luò)資源;環(huán)境耦合

0 ? 引言

在實(shí)際網(wǎng)絡(luò)通信[1]過(guò)程中，由于設(shè)備故障、環(huán)境突變等問(wèn)題，導(dǎo)致環(huán)境感知設(shè)備采集到不完整或不準(zhǔn)確的數(shù)據(jù)，進(jìn)而引發(fā)網(wǎng)絡(luò)資源[2]狀態(tài)的表征結(jié)果異常。網(wǎng)絡(luò)資源狀態(tài)的表征是否準(zhǔn)確，對(duì)網(wǎng)絡(luò)資源的利用率有很大的影響。

本文針對(duì)復(fù)雜多維環(huán)境下彈性網(wǎng)絡(luò)資源受到氣象、地形、電磁、時(shí)空等環(huán)境影響的問(wèn)題，提出了一種網(wǎng)絡(luò)資源與環(huán)境耦合關(guān)系預(yù)測(cè)技術(shù)，滿(mǎn)足在實(shí)際網(wǎng)絡(luò)通信過(guò)程中，對(duì)網(wǎng)絡(luò)資源與環(huán)境耦合關(guān)系預(yù)測(cè)，提升網(wǎng)絡(luò)資源的利用率。

在實(shí)際網(wǎng)絡(luò)通信過(guò)程中，環(huán)境感知設(shè)備采集到大量不完整或不準(zhǔn)確的數(shù)據(jù)，迫切需要解決通信信息的清洗與提煉、海量信息智能分析處理等關(guān)鍵問(wèn)題。下面分別從數(shù)據(jù)預(yù)處理[3]、預(yù)測(cè)方法[4]綜述現(xiàn)階段研究現(xiàn)狀。

由于設(shè)備故障、環(huán)境突變等問(wèn)題，導(dǎo)致環(huán)境感知設(shè)備采集到不完整或不準(zhǔn)確的數(shù)據(jù)，所以，需要對(duì)缺失值進(jìn)行填充[5]。在數(shù)據(jù)清洗過(guò)程中，經(jīng)常遇到空值問(wèn)題。一般可分為兩種空值問(wèn)題類(lèi)型：（1）數(shù)值的不完整;（2）數(shù)值為空（即空值）。數(shù)值不完整包括數(shù)據(jù)部分或所屬字段沒(méi)有值;空值的定義是實(shí)際不存在而空的值。處理方法有：（1）根據(jù)某種規(guī)則推導(dǎo)出某些缺失值;（2）用最小值、中值、最大值、平均值替換缺失值;（3）手動(dòng)輸入一個(gè)可接受范圍內(nèi)的值等。

目前有很多機(jī)器學(xué)習(xí)算法被用于預(yù)測(cè)的研究，常見(jiàn)的有K近鄰（KNN， K Nearest Neighbors）[6]、決策樹(shù)（DT， Decision Tree）[7]、支持向量機(jī)（SVM， Support Vector Machines）[8]等算法。

（1）K-近鄰算法

K-近鄰是測(cè)量特征之間的間距進(jìn)行分類(lèi)。已知訓(xùn)練集，對(duì)于新的輸入數(shù)據(jù)，在訓(xùn)練集中找到與該數(shù)據(jù)最接近的K個(gè)數(shù)據(jù)，這K個(gè)數(shù)據(jù)的多數(shù)數(shù)據(jù)屬于某一個(gè)類(lèi)，就把該輸入數(shù)據(jù)歸類(lèi)到這個(gè)子類(lèi)中。如圖1所示：

（2）決策樹(shù)

決策樹(shù)算法是一種歸納式的學(xué)習(xí)算法，目的在于從數(shù)據(jù)源中推理和歸納出樹(shù)形結(jié)構(gòu)的決策樹(shù)表現(xiàn)形式。決策樹(shù)的思想是“分而治之”，該算法從一個(gè)結(jié)點(diǎn)開(kāi)始，根據(jù)一定的分支標(biāo)準(zhǔn)劃分樣本，一直加入新節(jié)點(diǎn)分割上一次分裂剩下的樣本，直至所有樣本被準(zhǔn)確歸類(lèi)為止。決策樹(shù)會(huì)訓(xùn)練模型根據(jù)特征一級(jí)級(jí)地分裂。而分裂的閾值會(huì)根據(jù)訓(xùn)練的數(shù)據(jù)學(xué)習(xí)得，最終實(shí)現(xiàn)預(yù)測(cè)。

（3）支持向量機(jī)

支持向量機(jī)是二分類(lèi)模型，基本模型是在特征空間上的間距最大的線性分類(lèi)器，間距最大使它有別于感知機(jī)，能較好解決非線性、小樣本以及高維模式識(shí)別任務(wù)。

1 ? 總體方案

本方案架構(gòu)示意如圖2所示。首先，通過(guò)基于多維模糊映射、服務(wù)擴(kuò)充的方法對(duì)原始的不完整參數(shù)集進(jìn)行預(yù)處理;其次，通過(guò)基于多維環(huán)境參數(shù)的特征表征方法，對(duì)數(shù)據(jù)進(jìn)行特征構(gòu)造，以獲得具有更強(qiáng)表征能力的數(shù)據(jù);然后，融合前向選擇、后向選擇、模擬退火[9]的方法對(duì)特征進(jìn)行降維，降低各維度的變量空間及多維表征模型訓(xùn)練的復(fù)雜度;最后，采用基于決策樹(shù)的模型訓(xùn)練方法，對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)預(yù)測(cè)，實(shí)現(xiàn)網(wǎng)絡(luò)資源在復(fù)雜環(huán)境約束下的精確描述。

1.1 ?預(yù)處理階段

針對(duì)當(dāng)前實(shí)際網(wǎng)絡(luò)通信過(guò)程中，由于設(shè)備故障、環(huán)境突變等問(wèn)題，導(dǎo)致環(huán)境感知設(shè)備采集到不完整或不準(zhǔn)確的數(shù)據(jù)，本文提出基于多維模糊映射、服務(wù)擴(kuò)充的缺失值處理的補(bǔ)全方法，能快速準(zhǔn)確地補(bǔ)全缺失值，達(dá)到提高模型效率的目的。該方法通過(guò)多維模糊推理，利用歷史數(shù)據(jù)對(duì)缺失的環(huán)境參數(shù)進(jìn)行預(yù)測(cè)，完成不完整參數(shù)集向完整參數(shù)集的映射過(guò)程。算法流程如圖3所示：

對(duì)于一些特定的字段，通過(guò)第三方服務(wù)進(jìn)行填充。例如根據(jù)時(shí)間、地點(diǎn)查找氣象表填充天氣。通過(guò)經(jīng)緯度定位填充地形。對(duì)于這些特殊字段，服務(wù)擴(kuò)充的方式能夠更加精準(zhǔn)地填充缺失值。通過(guò)氣象服務(wù)填充天氣示意圖、通過(guò)地形檢索服務(wù)填充地形示意圖，如圖4所示：

1.2 ?特征構(gòu)造階段

為了增強(qiáng)對(duì)環(huán)境資源的表征能力，本文提出了基于多維環(huán)境參數(shù)的特征構(gòu)造方法，從而更準(zhǔn)確地學(xué)習(xí)網(wǎng)絡(luò)資源與多維環(huán)境的表征關(guān)系。通過(guò)對(duì)不同的特征進(jìn)行交叉組合，使得特征之間可以相互聯(lián)系相互作用，從而表達(dá)出單一特征所不具有的非線性性。交叉構(gòu)造特征采用加、減、乘、除、平方、均值、方差等方式進(jìn)行特征組合。即對(duì)于數(shù)值型特征，讓兩兩特征在數(shù)值上進(jìn)行加法、減法、乘法、除法等運(yùn)算以及均值、方差等操作。特征構(gòu)造方法如圖5所示：

1.3 ?特征約簡(jiǎn)階段

為了篩選特征構(gòu)造方法產(chǎn)生的冗余特征，本文提出了基于前向搜索、后向搜索、模擬退火算法融合的特征約簡(jiǎn)方法。融合前向搜索、后向搜索方法的各自的優(yōu)點(diǎn)。此外，引入模擬退火機(jī)制，該機(jī)制有效克服序列搜索算法容易陷入局部最優(yōu)值的缺點(diǎn)。通過(guò)融合三種方法，本文增加了特征選擇和特征約簡(jiǎn)的有效性，從而保留優(yōu)良的特征。特征約簡(jiǎn)流程如圖6所示：

1.4 ?模型訓(xùn)練階段

為了增強(qiáng)模型的學(xué)習(xí)能力和泛化能力，本文采用集成學(xué)習(xí)的方式進(jìn)行訓(xùn)練，提出了基于決策樹(shù)的集成分類(lèi)模型構(gòu)建及訓(xùn)練方法。由于多維環(huán)境對(duì)網(wǎng)絡(luò)資源的影響呈現(xiàn)非線性的關(guān)系，常規(guī)的擬合方法對(duì)多維非線性函數(shù)的預(yù)測(cè)結(jié)果精度較低。針對(duì)這一問(wèn)題，本文采用了決策樹(shù)的方法用來(lái)學(xué)習(xí)多維非線性函數(shù)的映射，將資源狀態(tài)表征為多維環(huán)境因素的多元函數(shù)。決策樹(shù)認(rèn)為，物以類(lèi)聚、人以群分，在特征空間里相近的樣本，那就是一類(lèi)。如果為每個(gè)“類(lèi)”分配的空間范圍比較小，那么，同一個(gè)類(lèi)內(nèi)的樣本差異會(huì)非常小，以至于看起來(lái)一樣。換句話說(shuō)，如果我們可以將特征空間切分為較小的碎塊，然后為每一個(gè)碎塊內(nèi)的樣本配置一個(gè)統(tǒng)一的因變量取值，就有機(jī)會(huì)做出誤差較小的預(yù)測(cè)。在本文任務(wù)中，每棵決策樹(shù)根據(jù)我們提供的發(fā)射凈空角、發(fā)生概率、干擾、海拔等特征，將特征空間切分很多小碎塊，并為這些碎塊提供因變量的取值。通過(guò)減小這個(gè)預(yù)測(cè)的取值和真實(shí)的取值的誤差來(lái)引導(dǎo)優(yōu)化。

2 ? 實(shí)驗(yàn)

2.1 ?數(shù)據(jù)集

在實(shí)際網(wǎng)絡(luò)通信過(guò)程中，記錄了73 478條數(shù)據(jù)，數(shù)據(jù)中特征包括發(fā)射點(diǎn)、接收點(diǎn)、發(fā)射點(diǎn)海拔、接收點(diǎn)海拔、發(fā)射凈空角（度）、接收凈空角（度）等，標(biāo)簽為吞吐率[10]、丟包率、時(shí)延[11]。根據(jù)特征分別預(yù)測(cè)標(biāo)簽。

數(shù)據(jù)集經(jīng)過(guò)特征構(gòu)造后，通過(guò)隨機(jī)采樣的方式將其劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集。使用訓(xùn)練集來(lái)訓(xùn)練模型，通過(guò)模型在驗(yàn)證集上的效果好壞來(lái)選擇模型，然后在測(cè)試集上對(duì)模型方法進(jìn)行評(píng)估[12]。數(shù)據(jù)集組成如圖7所示：

2.2 ?評(píng)價(jià)指標(biāo)

均方誤差是最常用的回歸損失函數(shù)，它通過(guò)衡量“平均誤差”的方式來(lái)評(píng)價(jià)數(shù)據(jù)的變化程度，其值越小，說(shuō)明預(yù)測(cè)模型描述實(shí)驗(yàn)數(shù)據(jù)具有更好的精確度。本文的任務(wù)中預(yù)測(cè)吞吐率、丟包率、延時(shí)都是回歸任務(wù)，所以選取該指標(biāo)作為本文實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)。

2.3 ?實(shí)驗(yàn)流程

實(shí)驗(yàn)流程見(jiàn)圖8所示。實(shí)驗(yàn)步驟如下：

步驟1：載入73 478條數(shù)據(jù);

步驟2：隨機(jī)抽取其中的7 259條記錄作為測(cè)試集，剩下的66 219條記錄作為訓(xùn)練集，再在訓(xùn)練集中抽取7 000條記錄作為驗(yàn)證集;

步驟3：選取原始特征;

步驟4：通過(guò)對(duì)多維環(huán)境參數(shù)進(jìn)行特征構(gòu)造;

步驟5：采用前向搜索、后向搜索、模擬退火算法融合的特征約簡(jiǎn)方法特征約簡(jiǎn);

步驟6：構(gòu)建基于決策樹(shù)的模型;

步驟7：使用驗(yàn)證集選擇最優(yōu)模型;

步驟8：測(cè)試集數(shù)據(jù)輸入模型中進(jìn)行預(yù)測(cè)。

2.4 ?性能測(cè)試

模型訓(xùn)練及預(yù)測(cè)消耗的時(shí)間如表1所示：

通過(guò)性能測(cè)試結(jié)果顯示，預(yù)測(cè)時(shí)間小于0.02 s，預(yù)測(cè)效率高，可實(shí)現(xiàn)批量預(yù)測(cè)。

2.5 ?測(cè)試結(jié)果

各模型預(yù)測(cè)的MSE值如表2所示：

均方誤差是測(cè)試集的7 259條記錄中預(yù)測(cè)結(jié)果和真實(shí)值的均方誤差。其值越接近0，則預(yù)測(cè)值與真實(shí)值的偏差越小。“丟包率（%）”字段的MSE幾乎為0，預(yù)測(cè)結(jié)果幾乎達(dá)到了100%的準(zhǔn)確率。為了更直接的展示預(yù)測(cè)效果，預(yù)測(cè)結(jié)果與真實(shí)值的擬合圖如圖9、10、11所示。

綠線代表預(yù)測(cè)值，紅線代表真實(shí)值。對(duì)于“丟包率”，可以觀察到預(yù)測(cè)結(jié)果與真實(shí)結(jié)果幾乎完全擬合。

3 ? 結(jié)束語(yǔ)

本文針對(duì)復(fù)雜多維環(huán)境下彈性網(wǎng)絡(luò)資源受到氣象、地形、電磁、時(shí)空等環(huán)境影響，提供了一種網(wǎng)絡(luò)資源與環(huán)境耦合關(guān)系預(yù)測(cè)技術(shù)，實(shí)現(xiàn)網(wǎng)絡(luò)資源在復(fù)雜環(huán)境約束下的精確描述，提升網(wǎng)絡(luò)資源的利用率。同時(shí)MSE測(cè)試結(jié)果較低，預(yù)測(cè)結(jié)果準(zhǔn)確率高，并且在性能測(cè)試中，預(yù)測(cè)時(shí)間短，能高效地預(yù)測(cè)。驗(yàn)證了一種網(wǎng)絡(luò)資源與環(huán)境耦合關(guān)系預(yù)測(cè)技術(shù)的可行性，對(duì)實(shí)際應(yīng)用具有較強(qiáng)的指導(dǎo)作用。

參考文獻(xiàn)：

[1] ? ?田孝華. 現(xiàn)代軍事通信與通信新技術(shù)[J]. 無(wú)線通信技術(shù)， 1996（3）： 54-57.

[2] ? ?于驪，史子博，舒炎泰，等. 調(diào)度和擁塞控制相結(jié)合的無(wú)線網(wǎng)絡(luò)資源分配模型[J]. 計(jì)算機(jī)應(yīng)用， 2009，29（2）： 487-490.

[3] ? ?陳莉，焦李成. 基于混合優(yōu)化算法的數(shù)據(jù)預(yù)處理算法Ⅱ[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2007，24（3）： 22-24.

[4] ? ? 李旭然，丁曉紅. 機(jī)器學(xué)習(xí)的五大類(lèi)別及其主要算法綜述[J]. 軟件導(dǎo)刊， 2019，18（7）： 4-9.

[5] ? Jonathan T O， Gerald A M， Sandrine B. Special online collection： dealing with data[J]. Science， 2011，331（6018）： 639-806.

[6] ? ?Cover T M. Rates of convergence for nearest neighbor procedures[C]//Proceedings of the Hawaii International Conference on Systems Sciences. 1968： 413-415.

[7] ? ?Quinlan J R. Induction of decision trees[J]. Machine learning， 1986（1）： 81-106.

[8] ? ? 丁世飛，齊丙娟，譚紅艷. 支持向量機(jī)理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報(bào)， 2011，40（1）： 2-10.

[9] ? ?潘蔚. 模擬退火算法和應(yīng)用[J]. 經(jīng)濟(jì)技術(shù)協(xié)作信息， 2008（32）： 75.

[10] ? 劉凱，章欣. 多跳移動(dòng)分組無(wú)線網(wǎng)絡(luò)的吞吐率分析[J]. 西安電子科技大學(xué)學(xué)報(bào)， 2000，27（1）： 70-75.

[11] ? 黎文偉，張大方，謝高崗，等. 基于通用PC架構(gòu)的高精度網(wǎng)絡(luò)時(shí)延測(cè)量方法[J]. 軟件學(xué)報(bào)， 2006，17（2）： 275-284.

[12] ? 范永東. 模型選擇中的交叉驗(yàn)證方法綜述[D]. 太原： 山西大學(xué)， 2013.