[发明专利]流量预测下结合改进队列管理算法的AOS智能帧生成方法

权利要求书

1.一种流量预测下结合改进队列管理算法的AOS智能帧生成方法，其特征在于，包括以下步骤：使用基于遗传算法优化小波神经网络的预测方法对信源ON/OFF模型产生的自相似流量进行预测；将预测结果引入改进的队列管理算法，队列管理模块采用改进的EARED队列管理算法；经过队列管理的流量接着进入帧生成模块，将数据流进行封装成帧，其中帧生成模块采用粒子群优化人工鱼群算法对帧生成算法；对成帧的数据进行虚拟信道调度，虚拟信道调度模块选择采用边界可移动的虚拟信道调度算法，最终完成数据流的传输过程。

2.根据权利要求1所述的帧生产方法，其特征在于，假设ON/OFF源i(i＝1,2,…,M)相互独立且信源只有活跃与空闲两种状态，即在ON状态以固定速率发送数据包，在OFF状态不发送数据包。若i的第l个活跃期的起始点为持续时间为空闲状态的持续时间为其中，l＝0,1,2,…，与相互独立，每个信源的独立且具有相同的分布，即Pareto分布。当t趋于无穷大时，P(τ＞t)＝t^-α，其中1＜α＜2，并且τ的期望为有限值，记E(τ)＝a_τ，则同理可得，独立同分布，且E(θ)＝a_θ。自相似网络业务流量的实际测量表示，空闲状态持续时间的均值a_θ要大于活跃状态持续时间的均值a_τ，并且随着ON/OFF源的个数不断增大，a_θ也随着增大，若把各独立ON/OFF源在某一时刻处于ON的概率记作P，则处于OFF的概率为1-P，以随机变量表示如下式(3)、(4)所示：

P(η_i＝1)＝p,P(η_i＝0)＝1-p (4)

其中，η_i,i＝1,2,…,M且η_i独立同分布。若以ξ表示M个ON/OFF源中处于ON状态的数目，可知ξ是服从于参数为M和P的二项分布，即ξ～B(M,p)，则，

根据上面分析可知，当M→∞时，a_θ会相应增大，则会相应较小，再根据泊松定理，有ξ渐进服从λ的泊松分布，且λ＝Mp，则，

3.根据权利要求2所述的帧生产方法，其特征在于，对ON/OFF源包到达过程的描述为：

①信源的到达过程服从参数为λ的泊松过程，若用ξ_t表示在某时间t内信源到来的数目，则在时间t之前若有若干ON/OFF源到达时刻，设则有：

②各ON/OFF源的时间间隔服从系数为λ的指数分布，即各信源间的γ_j相互独立且同分布，

③记γ₁为时刻t₁与时刻t₂之间的时间间隔，并设为时刻t₁内到达的信源个数，为时刻t₂内到达的信源个数，信源发送数据包的速率为固定值R，则ON/OFF源处于ON状态的时间等于信源发送数据包的时间，记为τ₁。因为E(τ₁)＝a_τ，且与τ₁相互独立，故发送的数据包个数的相关计算为：

④当系统平衡时，

4.根据权利要求1所述的帧生产方法，其特征在于，应用Matlab仿真获取ON/OFF模型生成的网络流量并进行存储，将其内分为两部分，一部分用作数据的训练，另一部分用作数据的测试。为了保证数据样本的参照价值和可靠性，需要多进行几次仿真实验，获取较稳定的数据集；通过多次仿真分析，对预测模型的种群数目及迭代次数等参数进行合理的初始化设置，确定小波神经网络的各节点数，并对其权值、阈值等参数进行实数编码解码；构造适应度函数并进行相应的计算，判断适应度值是否为最大值或者迭代次数是否完成，若情况满足以上两个条件之一则训练结束，获取测试集数据；否则执行一次选择、交叉、变异操作训练，然后再次判别适应度值是否为最大值或者迭代次数是否完成，依此循环直至二者之一满足条件为止。