[发明专利]一种基于神经网络的带宽预测方法

说明书

本发明公开了一种基于神经网络的带宽预测方法。该方法的步骤为：(1)建立神经网络模型并进行训练，神经网络模型的输入为历史时刻的带宽变化特征，输出为未来时刻的带宽预测值；(2)记录用户的实时带宽数据并按照时间排序；将实时带宽数据按照设定的采样间隔进行采样；(3)提取带宽的时序特征；(4)将带宽的时序特征输入训练好的神经网络模型，计算未来时刻的带宽量化因子；(5)将计算得到的带宽量化因子转换为预测的未来时刻带宽。本发明提出了一种量化反映未来网络状态变化的方法，在带宽测量的基础上预测未来的带宽，弥补带宽测量耗时长的缺陷，能有效指导互联网应用应对网络变化。

技术领域

本发明涉及网络通信技术领域，特别涉及网络状况预测方法，具体涉及一种基于神经网络的带宽预测方法。

背景技术

随着互联网的逐渐普及，网络通信技术不断提高，用户对于优质网络的需求日益提高，许多日常互联网应用依赖于带宽的稳定性。为了提高用户的实际体验，需要获知用户实时的可用带宽。例如用户观看视频时，若可用带宽小于每秒视频帧的大小，会造成视频卡顿，降低用户体验。开发者在开发直播视频软件时考虑到带宽的波动性，会加入视频码率及分辨率调整策略，在用户网络不佳时，降低带宽需求，达到流畅播放视频的目的。

目前主流的测量网络带宽的方法包括单包算法等，测量得到的带宽是当前时刻或当前时刻之前一段时间内的用户带宽。但是网络中的带宽是时刻变化的，直接测量得到的带宽无法反映未来一段时间的网络状态，且目前主流的测量网络带宽的方法耗费时间较长，计算复杂，不支持高并发，因此无法满足低测量间隔的需求。

由于带宽随时间不断变化，带宽测量间隔时间长。在实际应用中，历史带宽测量值可能与当前时刻的带宽测量值相差较大，指导意义较小。基于神经网络的带宽预测方法相比于使用直接测得的带宽数据，整体上能够提高准确性，但如何使用神经网络进行带宽预测，如何提升预测效果，都是需要解决的技术问题。

发明内容

为了克服现有带宽测量间隔时间长、测量得到的带宽无法反映未来的带宽变化趋势的技术缺陷，本发明提供一种基于神经网络的带宽预测方法。

本发明采用的技术方案如下：

一种基于神经网络的带宽预测方法，具体步骤为：

步骤1，建立神经网络模型并进行训练，神经网络模型的输入为历史时刻的带宽变化特征，输出为未来时刻的带宽预测值，采用MSE损失作为损失函数，并使用自适应矩估计优化器对神经网络模型进行优化；

步骤2，记录用户的实时带宽数据，并按照时间排序；将实时带宽数据按照设定的采样间隔进行采样；

步骤3，提取带宽的时序特征：其中，O表示滤波之前的带宽数据，M表示滤波之后的带宽数据；

步骤4，将带宽的时序特征输入训练好的神经网络模型，计算未来时刻的带宽量化因子：其中，n表示带宽数据的次序；

步骤5，将计算得到的带宽量化因子转换为预测的未来时刻带宽：

进一步地，所述步骤1中的神经网络模型采用MSE损失函数，并使用自适应矩估计优化器对训练过程进行优化。

本发明在测得用户带宽的基础上，将带宽的变化特征作为输入，通过神经网络计算，预测出未来一段时间内的带宽。相比现有技术，本发明采用神经网络预测带宽的方法，减少了预测带宽与实际带宽的误差，弥补了现有带宽测量耗时长导致的预测带宽不够准确的缺陷。根据本发明方法输出的预测带宽，可以达到指导互联网应用调整网络策略的目的。

附图说明

图1为本发明方法的流程图；

图2为本发明实施例中四层神经网络结构图。

具体实施方式