[发明专利]一种基于FAHP-SVM理论的WLAN网络负载综合评价方法

权利要求书

1.一种基于FAHP-SVM理论的WLAN网络负载综合评价方法，其特征在于包括以下步骤：

步骤1、构建WLAN网络负载综合评价指标体系，该指标体系在综合了WLAN网络特点的基础上，以可行性、代表性、综合性为指标挑选原则，选取CPU利用率、内存利用率、下挂AP数、DHCP地址池利用率和关联用户数构成WLAN网络负载评价指标体系；

步骤2、选择机器学习算法的学习样本，为后续模型的自动评价奠定基础；

步骤3、采用层次分析法确定WLAN网络负载评价指标体系中各个指标的权重，根据专家意见，构造出判断矩阵并以此求得权重向量，具体包括以下子步骤：

子步骤(a)、采用1-9比例标度法构造判断矩阵C＝(c_ij)_n×m；

子步骤(b)、计算判断矩阵C的最大特征值λ_max及其对应的特征向量ξ＝(x₁,x₂,…,x_n)，将此特征向量进行归一化处理即可得到权重向量A＝{a₁,a₂,…,a_n}；

子步骤(c)、对判断矩阵C进行一致性检验,首先采用公式(1)计算一般一致性指标C_I，

式中，λ_max表示判断矩阵C的最大特征值，n表示判断矩阵的阶数；其次通过查表得到平均随机一致性指标R_I，最后通过公式(2)计算判断矩阵C的一致性比率C_R，

式中，C_I表示一般一致性指标，R_I表示平均随机一致性指标，当C_R<0.1时，可以认为该判断矩阵C达到了满意的一致性，当C_R≥0.1时，应该对判断矩阵做出适当的修改，直至满足C_R<0.1的条件；

步骤4、运用模糊综合评价法确定样本数据的网络负载评价值与负载评价等级，具体包括以下子步骤：

子步骤(a)、将WLAN网络负载分成高负载、均衡、低负载三种状态，并以此建立相应的评价等级集V和相对应的得分向量c；

V＝{v₁,v₂,v₃}

c＝(1,0.6,0.2)

其中：v₁表示高负载状态的评价等级，与之相对应的得分向量为1，v₂表示均衡状态的评价等级，与之相对应的得分向量为0.6，v₃表示低负载状态的评价等级，与之相对应的得分向量为0.2；

子步骤(b)、明确隶属度矩阵R，根据专家意见，建立学习样本的模糊关系矩阵，求得学习样本的评价值与评价等级之间的隶属关系，用专家打分的方法，对每一具体指标按照高负载、均衡、低负载进行等级评价，建立隶属度矩阵R；

子步骤(c)、计算模糊综合评价结果向量F和模糊综合评价值y,模糊综合评价结果向量F通过公式(3)计算，模糊综合评价值y通过公式(4)计算，

F＝AR (3)

式中，F表示模糊综合评价向量，A表示指标权重向量，R表示隶属度矩阵；

y＝F c (4)

式中，y表示模糊综合评价值，F表示模糊综合评价向量，c表示负载评价等级对应的得分向量；

子步骤(d)、确定模糊综合评价等级；

步骤5、机器学习算法支持向量机模型训练，获得网络负载自动评价模型，具体包括以下子步骤：

子步骤(a)、确定输入输出；

子步骤(b)、数据归一化处理；

为了防止大数量级数据对小数量级数据的掩盖，需要对训练集输入进行归一化处理，按照公式(5)处理，使输入值都介于[-1,1]之间，

式中，x为输入指标值，x_max表示输入训练集的最大值，x_min表示输入训练集的最小值，Y为归一化后的输出值，y_max＝1，y_min＝-1；

子步骤(c)、确定核函数以及SVM模型最优参数；

子步骤(d)、依据最优参数，获得SVM模型，输出WLAN网络负载评价模型；

步骤6、WLAN网络负载评价模型根据输入的实时WLAN网络性能数据，输出该时刻网络对应的负载值与负载等级。