[发明专利]一种基于隐马尔可夫的网络利用率感知方法

摘要

本发明公开了一种基于隐马尔可夫的网络利用率感知方法，属于网络性能评估领域，具体为：首先，将某个计算机通信网络划分为W个小网络；通过测量某个小网络在某一时刻的网络总延时，对W个小网络分别建立W个隐马尔可夫HMM模型；然后，用统计量χ²来检验每个小网络中由隐状态序列构成的Markov链是否符合马氏性；当符合后，将每个HMM模型的显状态映射为隐状态；也就是根据每个小网络的网络总延时计算t时刻每个小网络的即时利用率，在分别进行量化，得到t时刻每个小网络的量化利用率；最后，按照小网络资产的重要性设定权重，得到总网络的量化利用率；优点在于：能够帮助网络管理员从宏观上掌握主机和网络的态势变化，进而分析出网络的即时利用率。

主权项

1.一种基于隐马尔可夫的网络利用率感知方法，其特征在于，包括步骤如下：步骤一、针对某个计算机通信网络，按物理位置将该网络划分为W个小网络；步骤二、针对W个小网络中某个小网络h，测量该小网络h在某一时刻的网络总延时；步骤三、根据每个小网络某一时刻的网络总延时，对W个小网络分别建立W个满足P(O|λ')收敛或达到预定精度要求的隐马尔可夫HMM模型；隐马尔可夫HMM模型记为：λ＝{N,M,A,B,π}；N为网络利用率的档位数目，对应马尔可夫链的隐状态数目；HMM模型的隐状态几何为S＝{S1,...,Si,...,SN}；M为观测到的网络总时延大小的档位数目，对应任意网络利用率档位的观察值数目；HMM模型的观察值集合为V＝{V1,...,Vk,...,VM}；π为初始状态概率矢量，对应初始时刻每个小网络中每台主机的即时利用率的概率分布；记π＝(π1,...,πi...,πN)，当初始时刻Markov链所处隐状态为Si时概率为πi；A为状态转移概率矩阵，描述的是不同网络利用率档位之间相互转移的概率；记从隐状态S_i转移到隐状态S_j的概率为a_ij；B为观察值概率矩阵，对应为处于不同网络利用率档位下，观察到某个网络总时延档位的概率；记当前隐状态为S_j时观察到HMM模型的观察值V_k的概率为b_j(k)；所述的步骤三具体为：步骤301、将每个小网络对应的HMM模型中的参数A,B,π分别赋初始值；步骤302、将某个小网络h得到的观察值序列O和对应的初始HMM模型参数代入重估式进行优化，得到估计值πi'，aij'和bj(k)'；用Baum‑Welch算法对初始的HMM模型参数A,B,π分别优化，重估式公式如下：γ₁(i)表示初始时刻t＝1时，从隐状态S_i转移出去的次数期望；表示在T‑1时间段内，隐状态从S_i转移到隐状态S_j的次数期望之和，表示在T‑1时间段内，从隐状态S_i转移出去的次数期望之和，表示当前时刻观察值为V_k时，在时间段T内处于隐状态S_j的次数期望之和，表示在时间段T内处于隐状态S_j的次数期望之和；步骤303、利用估计值πi'，aij'和bj(k)'得到新的模型λ'＝(A',B',π')；步骤304、判断新的模型λ'是否满足该小网络的P(O|λ')收敛或达到预定精度要求，如果是，则λ'定为最终的模型；否则，返回步骤302，逐步改进HMM的模型参数，直到满足该小网络的P(O|λ')收敛或达到预定精度要求；步骤四、针对每个小网络，分别用统计量χ2来检验该小网络中由隐状态序列构成的Markov链是否符合马氏性；步骤五、当每个小网络的Markov链符合马氏性后，将每个HMM模型的显状态映射为隐状态；显状态映射为隐状态体现在：根据每个小网络的网络总延时计算t时刻每个小网络的即时利用率；t时刻每个小网络的即时利用率Rnetwork,t如下：ci表示隐状态Si对应的权值；γt(i)表示在给定观察值时延序列O和最终的模型参数下，在t时刻处于隐状态Si的概率；αt(i)＝P(O1,O2,...Ot,qt＝Si|λ)表示前向变量；βt(i)＝P(Ot+1,Ot+2,...OT,qT＝Si|λ)为后向变量；步骤六、对t时刻每个小网络的即时利用率分别进行量化，得到t时刻每个小网络的量化利用率；步骤七、在得到网络中所有小网络的量化利用率后，按照小网络资产的重要性设定权重，得到总网络的量化利用率；计算公式为：μnetwork为计算机的资产重要性权重，具体数值根据不同的网络环境或需求进行设置。