王慧強(qiáng)，陳曉明

（哈爾濱工程大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，哈爾濱 150001）

基于認(rèn)知無線網(wǎng)絡(luò)的移動終端業(yè)務(wù)流的分析方法

王慧強(qiáng)，陳曉明

（哈爾濱工程大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，哈爾濱 150001）

針對認(rèn)知移動終端業(yè)務(wù)流在多網(wǎng)絡(luò)層具有不同復(fù)雜性的特點(diǎn)，提出了一種基于多時(shí)空尺度的業(yè)務(wù)特性分析方法。該方法首先建立多空間尺度業(yè)務(wù)模型，然后利用多尺度熵方法對終端業(yè)務(wù)流信息進(jìn)行特征提取，對比分析不同時(shí)空尺度上網(wǎng)絡(luò)行為的結(jié)構(gòu)復(fù)雜度，探索其隨時(shí)空尺度的變化規(guī)律，從而預(yù)測下一時(shí)段的業(yè)務(wù)量。實(shí)驗(yàn)數(shù)據(jù)分析的結(jié)果表明，該方法能夠有效的實(shí)現(xiàn)業(yè)務(wù)流的在線監(jiān)測。

認(rèn)知網(wǎng)絡(luò)；多尺度熵；業(yè)務(wù)分析；跨層感知

0 引 言

認(rèn)知網(wǎng)絡(luò)（Cognitive Networks）的核心思想［1，2］是網(wǎng)絡(luò)能夠感知當(dāng)前環(huán)境及其變化，通過對所處環(huán)境的理解，實(shí)時(shí)調(diào)整網(wǎng)絡(luò)系統(tǒng)的配置，智能地適應(yīng)環(huán)境的變化；同時(shí)，認(rèn)知網(wǎng)絡(luò)具備自學(xué)習(xí)的能力，并指導(dǎo)未來的自主決策過程。因此，網(wǎng)絡(luò)如何能感知環(huán)境變化是認(rèn)知網(wǎng)絡(luò)研究的基礎(chǔ)。

受限于層次化網(wǎng)絡(luò)限制，網(wǎng)絡(luò)控制與數(shù)據(jù)層的緊耦合關(guān)系，再加上混合式的網(wǎng)絡(luò)控制模式，加劇了新業(yè)務(wù)需求與網(wǎng)絡(luò)控制層可擴(kuò)展性之間的矛盾，導(dǎo)致網(wǎng)絡(luò)的控制和管理越來越臃腫，網(wǎng)絡(luò)安全性、可靠性難以實(shí)現(xiàn)。而未來網(wǎng)絡(luò)的發(fā)展將用戶體驗(yàn)的服務(wù)質(zhì)量放在發(fā)展的首位，這使得對用戶業(yè)務(wù)特性的分析顯得至關(guān)重要。而移動終端的時(shí)變性、通信業(yè)務(wù)多樣性，致使終端業(yè)務(wù)特性難以直接分析。

認(rèn)知終端用戶活動區(qū)域具有一定規(guī)律性，各個(gè)用戶活動區(qū)域在不同時(shí)段呈現(xiàn)出比較強(qiáng)的相關(guān)性和相似性［3］，因此采集不同時(shí)段用戶業(yè)務(wù)特征作為歷史數(shù)據(jù)，通過多尺度熵對當(dāng)前用戶的特征進(jìn)行分析并預(yù)測下個(gè)時(shí)段的業(yè)務(wù)類型及業(yè)務(wù)量，從而推測出各個(gè)區(qū)域需要服務(wù)的用戶數(shù)。開展基于多尺度熵（MSE，Multiscale Entropy）理論［4］的用戶業(yè)務(wù)特性研究，是實(shí)現(xiàn)認(rèn)知網(wǎng)絡(luò)接入選擇、認(rèn)知網(wǎng)絡(luò)重配置、認(rèn)知網(wǎng)絡(luò)頻譜分配的基礎(chǔ)。

多尺度熵理論在機(jī)械滾動軸承故障檢測、腦電波疾病檢測上有廣泛的應(yīng)用。近年來，多尺度熵理論被應(yīng)用于網(wǎng)絡(luò)蠕蟲病毒檢測、網(wǎng)絡(luò)流量分析等領(lǐng)域。文獻(xiàn)［5］提出網(wǎng)絡(luò)流量具有自相似特性，參數(shù)具有穩(wěn)定性，即自相似程度不會隨著時(shí)間粒度的取值、分析序列的長短、劃分尺度的起止值等參數(shù)的變化而發(fā)生顯著變化。文獻(xiàn)［6］利用復(fù)雜網(wǎng)絡(luò)的統(tǒng)計(jì)特性，在多尺度分析的基礎(chǔ)上提出一種基于多重分形小波模型的網(wǎng)絡(luò)連接層流量模型，對網(wǎng)絡(luò)流量進(jìn)行了較為準(zhǔn)確的預(yù)測；文獻(xiàn)［7］提出使用多尺度熵分析用于描述網(wǎng)絡(luò)流量的復(fù)雜性；文獻(xiàn)［8］使用多尺度熵分析對不相關(guān)（white）和長相關(guān)（1／f）模型進(jìn)行了成功仿真，為最終成功建立網(wǎng)絡(luò)流量行為模型帶來了希望。在以上文獻(xiàn)對網(wǎng)絡(luò)流量特性的分析基礎(chǔ)上，對認(rèn)知無線網(wǎng)絡(luò)業(yè)務(wù)流進(jìn)行了分析，且考慮多網(wǎng)絡(luò)層分層特性的分析方法。

采用多尺度熵對認(rèn)知網(wǎng)絡(luò)移動終端用戶的業(yè)務(wù)流規(guī)律進(jìn)行了分析，獲取不同業(yè)務(wù)類型的多尺度熵值的范圍，并采用K－近鄰法對業(yè)務(wù)流進(jìn)行分類，并應(yīng)用多元回歸分析預(yù)測下一時(shí)刻的業(yè)務(wù)量，為認(rèn)知網(wǎng)絡(luò)優(yōu)化配置奠定基礎(chǔ)。

1 多尺度業(yè)務(wù)流模型建立

1.1 模型建立

為分析認(rèn)知移動終端用戶業(yè)務(wù)流特性，首先建立多尺度業(yè)務(wù)流模型，由四元組構(gòu)成，表示為T＝（G，V，S，F(xiàn)）。

G表示業(yè)務(wù)流的不同采樣時(shí)間粒度；G＝｛Mi+ croSec，MilliSec，Sec，Min，OPT｝，其中MicroSec表示微秒，MilliSec表示毫秒，Sec表示秒，Min表示分鐘，OPT為備選時(shí)間粒度。

V表示不同網(wǎng)絡(luò)層次集合。研究中僅選取應(yīng)用層、網(wǎng)絡(luò)層及MAC層的網(wǎng)絡(luò)流作為參數(shù)。時(shí)間序列表示為｛Packeti｝，｛Bytej｝，｛Bitk｝，其中 0≤i≤ Npacket，0≤j≤Nbyte，0≤K≤Nbit。Npacket、Nbyte、Nbit.分別表示各層可用于多尺度分析的時(shí)間序列長度。

S表示移動終端業(yè)務(wù)類型的歸屬分類，用集合｛Si｝表示，traffic_type＝｛Si｝。

F為空閑集合，作為模型系統(tǒng)升級、性能擴(kuò)展的預(yù)留字段。

以上述四元組建立多尺度流量初始參變量數(shù)據(jù)庫，記為T_HistoryData；經(jīng)多尺度分析、約簡，并由K－近鄰法對網(wǎng)絡(luò)流量進(jìn)行分類、記為T_CurrentDa+ ta；由多元回歸分析預(yù)測下一較小時(shí)段網(wǎng)絡(luò)流量，對下一時(shí)刻業(yè)務(wù)流的預(yù)測記為T_NextData，每個(gè)數(shù)據(jù)庫至少包含兩個(gè)字段，分別為認(rèn)知移動終端的業(yè)務(wù)類型和業(yè)務(wù)流量。

模型表示的時(shí)空尺度關(guān)系如圖1所示。

1.2 實(shí)施過程

人類活動的聚集效應(yīng)表明人與人的活動并不完全獨(dú)立，尤其在局部空間呈現(xiàn)出較強(qiáng)相關(guān)性。因此，不可忽視網(wǎng)絡(luò)環(huán)境在空間尺度上蘊(yùn)含的潛在結(jié)構(gòu)及其對網(wǎng)絡(luò)行為的影響。要開展基于多尺度熵理論的終端業(yè)務(wù)時(shí)空尺度特性研究，首先需根據(jù)多尺度熵在時(shí)間尺度上由單尺度向多尺度擴(kuò)展的原理，進(jìn)一步將其推廣到空間尺度上。推廣之后，運(yùn)用多尺度熵對業(yè)務(wù)流時(shí)空尺度特性展開研究，主要分五個(gè)步驟，整個(gè)過程如圖2所示。

圖2 業(yè)務(wù)流分析框架

（1）確定所需考察業(yè)務(wù)流特性的物理量，從網(wǎng)絡(luò)測量認(rèn)知移動終端節(jié)點(diǎn)所監(jiān)測的物理量中選取時(shí)空尺度序列，選取應(yīng)用層、網(wǎng)絡(luò)層、MAC層的數(shù)據(jù)包流、字節(jié)流、比特流進(jìn)行分析。

（2）以多尺度熵理論為基礎(chǔ)，對既定不同層次（Layer），計(jì)算多尺度熵值，從而實(shí)現(xiàn)量化分析，依據(jù)多尺度熵理論中顯著異常行為信號將降低結(jié)構(gòu)復(fù)雜度的論斷，研究基于多尺度熵變化規(guī)律。

（3）約簡所得的時(shí)空尺度參數(shù)，作為K－近鄰法學(xué)習(xí)的輸入。對比分析不同時(shí)空尺度業(yè)務(wù)流的結(jié)構(gòu)復(fù)雜度，探索其隨時(shí)空尺度的變化規(guī)律，尋找相對穩(wěn)定的多尺度熵值，完成終端業(yè)務(wù)流分類。

（4）從網(wǎng)絡(luò)測量認(rèn)知移動終端節(jié)點(diǎn)所監(jiān)測的物理量中選取時(shí)空尺度序列，對其進(jìn)行多元回歸分析，根據(jù)當(dāng)前業(yè)務(wù)流類型，流量特性，預(yù)測較短的下一時(shí)刻的數(shù)據(jù)流量。

（5）根據(jù)對下一時(shí)刻業(yè)務(wù)量的預(yù)測，及不同業(yè)務(wù)類型對網(wǎng)絡(luò)性能指標(biāo)參數(shù)的需求，配置相應(yīng)的網(wǎng)絡(luò)參數(shù)，以滿足移動終端用戶的業(yè)務(wù)需求。

2 多尺度業(yè)務(wù)流分析方法實(shí)現(xiàn)

認(rèn)知網(wǎng)絡(luò)移動終端業(yè)務(wù)流分析方法由時(shí)空尺度業(yè)務(wù)流分析、K－近鄰法業(yè)務(wù)流分類，多元回歸分析預(yù)測組成。

2.1 時(shí)空尺度業(yè)務(wù)流分析

多尺度熵的業(yè)務(wù)流分析方法包含三個(gè)重要參數(shù)τ，m和r，τ是尺度因子，m是嵌入維數(shù)，r是閾值，也稱相似系數(shù)，分為下面7個(gè)步驟。

（1）設(shè)獲取的網(wǎng)絡(luò)業(yè)務(wù)流離散序列x1，x2，…，xL，共L個(gè)點(diǎn)；對序列進(jìn)行coarse+graining變換，得到新的時(shí)空尺度序列，從不同網(wǎng)絡(luò)層獲取的尺度序列為空間尺度序列，從相同網(wǎng)絡(luò)層獲取的尺度序列為時(shí)間尺度序列，表示如下。

①空間尺度：分別為數(shù)據(jù)包級P：Packets，字節(jié)流級By：Bytes，比特流級Bi：Bits，如式（1）～式（3）所示，空間尺度也可根據(jù)具體的應(yīng)用進(jìn)行擴(kuò)展。

②時(shí)間尺度：分別為毫秒級MS：millisecond，秒級S：second，分級M：minute，如式（4）～式（6）所示，具體可能時(shí)間的尺度還需要依據(jù)應(yīng)用探索，主要依據(jù)所采集的數(shù)據(jù)流的級別而定，選取0.1 s作為采樣粒度，選取時(shí)間尺度為1～40。

式中，τMS，τS，τM分別為毫秒級，秒級，分級的尺度因子；相應(yīng)的coarse+graining時(shí)間尺度序列的長度為L／τMS，L／τS，L／τM；而τP，τBy，τBi分別為數(shù)據(jù)包級，字節(jié)流級，比特流級的尺度因子；相應(yīng)的coarse+grai+ ning空間尺度序列的長度為L／τP，L／τBy，L／τBi。當(dāng)尺度等于1時(shí)，coarse+graining時(shí)空尺度序列及時(shí)原始序列。式（7），式（8）給出了尺度因子為2和3的變化。

（2）以下τMS，τS，τM，τP，τBy，τBi統(tǒng)一用τ表示。根據(jù)尺度τ變化所得到的新序列，長度N＝L／τ，按連續(xù)序號組成一組 m維矢量：從 Y（x）（1）～Y（x）（N－m＋1），其中，Y（x）（i）＝［y（x）（i）］，y（x）（i＋1），…，y（x）（i＋m－1）］］，i＝1，…，N－m＋1。這些矢量代表了從第i個(gè)點(diǎn)開始的連續(xù)m個(gè)y值。

（3）定義d［Y（x）（i），Y（x）（j）］為尺度τ，矢量Y（x）（i）和Y（x）（j）對應(yīng)元素相減并取絕對值最大的那個(gè)值，即其中i，j＝1，…，N－m＋1，i≠j，k＝0，…，m－1，（此時(shí)Y（x）（i），Y（x）（j）中對應(yīng)元素間差的絕對值都小于r）。并對應(yīng)i值計(jì)算Y（x）（i）與其余矢量Y（x）（j）間的距離d［Y（x）（i），Y（x）（j）］。

（4）給定閾值r，對于每一個(gè)i≤N－m＋1的值，統(tǒng)計(jì)d［Y（x）（i），Y（x）（j）］小于r的數(shù)目及次數(shù)目與距離總數(shù)N－m的比值，記作（r），

（5）對同網(wǎng)絡(luò)層的空間尺度序列，同種時(shí)間粒度的時(shí)間尺度的所有點(diǎn)求取平均值，即（r）＝。Cτ，m（r）表示矢量｛Y（τ）（j）｝在尺度τ下的平均自相關(guān)程度。

（6）增加維數(shù)值m＋1為，重復(fù)（2）～（5）步驟，從而得到尺度τ，m＋1維數(shù)下的（r），求其平均值，得到（r）。

該序列在尺度τ下的樣本熵值定義為

當(dāng)N為有限值時(shí)，按上述步驟的而出的是序列長度為N，尺度為τ時(shí)樣本熵估計(jì)值，將估計(jì)值記為

多尺度熵定義為樣本熵值在多個(gè)尺度下的集合，所以多尺度熵值為

（7）依照以上（1）～（6）步驟，分別對不同層進(jìn)行空間尺度熵分析，序列｛xi｝熵值記為｛mse（xi）｝。

2.2 K－近鄰法業(yè)務(wù)流分類

以上文多尺度熵的結(jié)果｛mse（x1），mse（x2），…，mse（xn）｝作為樣本輸入，以Si為業(yè)務(wù)流分類預(yù)測結(jié)果。類別數(shù)c事先確定（本文取值為3），選擇誤差平方和準(zhǔn)則函數(shù)為目標(biāo)函數(shù)：

式中，wi為第i個(gè)類別的聚類中心。Jc度量了用c個(gè)聚類中心w1，w2，…，wc代表c個(gè)類別是對樣本集合進(jìn)行分類時(shí)所產(chǎn)生的總的誤差和。

根據(jù)式（13），如果mse（xj）離第i個(gè)類別中心最近，則dij＝1，即mse（xj）歸入第i個(gè)類別；否則dij＝0，即mse（xj）不歸入第i個(gè)類別。

根據(jù)上述分析獲取不同類型的業(yè)務(wù)流多尺度熵值，建立多尺度熵值和業(yè)務(wù)流之間的映射關(guān)系，用式（14）表示。fK，fL為置信度95%時(shí)的置信區(qū)間值，由多次試驗(yàn)統(tǒng)計(jì)獲得。

設(shè)業(yè)務(wù)流的分類集合為Si，則可表示為式（14）。

由于不同的業(yè)務(wù)流對帶寬的需求不同，所以，依據(jù)業(yè)務(wù)流的分類完成相應(yīng)的認(rèn)知網(wǎng)絡(luò)移動終端節(jié)點(diǎn)的帶寬配置，如式（15）所示。

2.3 多元回歸分析預(yù)測

多元回歸的回歸截距a和各回歸系數(shù)bi（i＝1，2，…，k），依據(jù)最小二乘法確定。即：

多尺度業(yè)務(wù)流的時(shí)間粒度用x表示，所對應(yīng)的業(yè)務(wù)流用y表示，則對于每一個(gè)自變量x預(yù)測y的取值范圍，則y表示下一時(shí)刻的流量數(shù)據(jù)。對于變量x的每一個(gè)可能的xi，都有隨機(jī)變量yi的一個(gè)分布與之對應(yīng)，則多元回歸方程的一般表示形式為

根據(jù)最小二乘原理，視a，bi（i＝1，2，…，k）為統(tǒng)計(jì)量，進(jìn)行參數(shù)估計(jì)得其值，需要分別對各統(tǒng)計(jì)量求偏導(dǎo)數(shù)，并令其偏導(dǎo)數(shù)為零，即：

整理式（18）后，即得多元回歸統(tǒng)計(jì)量的正規(guī)方程組，即：

通過求解式（19），即可得出各統(tǒng)計(jì)的估計(jì)量，從而可得回歸方程。最終完成下一時(shí)刻業(yè)務(wù)流量在線預(yù)測。

3 時(shí)空尺度終端業(yè)務(wù)分析

3.1 參數(shù)分析

由式（10）可知，多尺度熵的計(jì)算明顯與參數(shù)（尺度因子τ、嵌入維數(shù)m、相似系數(shù)r）有關(guān)，另外由于多尺度熵是樣本熵在多個(gè)尺度τ下的集合，根據(jù)式（6）和式（8），多尺度熵的計(jì)算與序列長度L有關(guān)。下面分別討論以上參數(shù)的取值。

（1）尺度因子τ的選取。尺度因子τ為正整數(shù)，τ＝1，2，3，……，當(dāng)τ＝1時(shí)，yi（1）為原序列，根據(jù)需求設(shè)置，τMS，τS，τM，τP，τBy，τBi等尺度因子，分別表示毫秒級、秒級、分鐘級尺度因子，及數(shù)據(jù)包流、字節(jié)流、比特流級尺度因子。

（2）嵌入維數(shù)m的選取。m值越大，根據(jù)式（4）計(jì)算Cm（r）時(shí)，將獲得更多的序列信息；但m值和原始序列長度具有一定關(guān)系（一般L＝10m～30m），m越大，需要的序列就越長，獲得相應(yīng)的計(jì)算結(jié)果將會出現(xiàn)延遲。綜合考慮兩方面，本文選取m＝2。

（3）相似系數(shù)r的選取。如果r過大，會導(dǎo)致序列信息丟失較多；如果r過小，又難以分析出序列的統(tǒng)計(jì)特性。一般選取r＝（0.1～0.25）SD，其中SD為序列的標(biāo)準(zhǔn)差，序列｛xi｝＝｛x1，x2，……，xN｝的標(biāo)準(zhǔn)差按照式（20）計(jì)算。

綜合考慮，相似系數(shù)選取r＝0.15SD。

（4）數(shù)據(jù)長度L的選取。數(shù)據(jù)長度L和業(yè)務(wù)流采樣頻率相關(guān)，選取的L過長，將導(dǎo)致計(jì)算多尺度熵的速度較慢，影響算法的時(shí)間復(fù)雜度，考慮m的取值為2，選取嵌入維數(shù)L的值大于500，小于2 000。

3.2 方法實(shí)現(xiàn)

（1）初始化網(wǎng)絡(luò)各子層復(fù)雜度參數(shù)τ、m、r。

（2）取離散序列表示不同網(wǎng)絡(luò)層得設(shè)計(jì)變量集，x1，x2，……，xN共L個(gè)點(diǎn)，表示不同網(wǎng)絡(luò)層的業(yè)務(wù)流向量集，對序列進(jìn)行coarse+graining變換，得到新的時(shí)間時(shí)空尺度。

分析樣本熵確定時(shí)間序列在單一尺度上的無規(guī)則程度，進(jìn)而計(jì)算時(shí)間序列在多個(gè)尺度上的樣本熵值，由熵值確定時(shí)間序列在尺度上的無規(guī)則度。若熵值在尺度上越小，則序列在尺度上自相似性較低，結(jié)構(gòu)簡單，屬于隨機(jī)時(shí)間序列；若熵值在尺度上越大，則序列自相似性越大，復(fù)雜度大；若一個(gè)時(shí)間序列的熵值在絕大部分尺度上大于另一個(gè)時(shí)間序列的熵值，說明后者比較復(fù)雜。根據(jù)不同認(rèn)知網(wǎng)絡(luò)移動終端業(yè)務(wù)流的樣本復(fù)雜度不同，區(qū)分業(yè)務(wù)流類型，從而自適應(yīng)完成認(rèn)知網(wǎng)絡(luò)的業(yè)務(wù)流預(yù)測。

4 仿真實(shí)驗(yàn)及結(jié)果分析

4.1 仿真場景設(shè)計(jì)

實(shí)驗(yàn)環(huán)境采用NS2仿真［9］實(shí)現(xiàn)，設(shè)置仿真區(qū)域大小為 400×400。區(qū)域中心設(shè)置一個(gè)固定的WLAN AP，40個(gè)的認(rèn)知移動終端隨機(jī)分布在仿真區(qū)域內(nèi)，在基站發(fā)射功率覆蓋范圍內(nèi)的圓形區(qū)域隨機(jī)移動，30個(gè)節(jié)點(diǎn)用作業(yè)務(wù)流多尺度特性分析訓(xùn)練集，10個(gè)移動節(jié)點(diǎn)用作在線測試。所有節(jié)點(diǎn)均能夠發(fā)送三種業(yè)務(wù)類型的數(shù)據(jù)流，業(yè)務(wù)類型設(shè)置為常用的三類，分別為文件傳輸、網(wǎng)頁瀏覽，視頻播放，仿真實(shí)驗(yàn)拓?fù)淙鐖D4所示。仿真實(shí)驗(yàn)采用802.11 g協(xié)議。其它參數(shù)按照NS2 2.31版本默認(rèn)設(shè)置參數(shù)，路由協(xié)議采用DSDV。仿真實(shí)驗(yàn)時(shí)間為100 s，為使得仿真更具有準(zhǔn)確性，仿真場景運(yùn)行100次。其中以VBR流量模型模擬文件傳輸，數(shù)據(jù)分組大小區(qū)間設(shè)為［200：700］；以指數(shù)on／off流量模型模擬網(wǎng)頁瀏覽，數(shù)據(jù)速率設(shè)為200 KB／s；以帕累托on／off流量模型模擬視頻播放，數(shù)據(jù)速率設(shè)為350 KB／s。

圖4 仿真實(shí)驗(yàn)場景

從30個(gè)移動終端節(jié)點(diǎn)獲取的網(wǎng)絡(luò)流量信息時(shí)間序列如圖5所示，其中能發(fā)送三種業(yè)務(wù)的節(jié)點(diǎn)各10個(gè)，為了訓(xùn)練的有效性和準(zhǔn)確性，設(shè)置訓(xùn)練集的每個(gè)節(jié)點(diǎn)只發(fā)送一種類型的數(shù)據(jù)流。圖5（a）為認(rèn)知移動終端在文件傳輸中獲得時(shí)間間隔為0.1s網(wǎng)絡(luò)流量圖，并在空間尺度上，分別獲取比特流級、字節(jié)流級和數(shù)據(jù)包流級網(wǎng)絡(luò)流量圖。圖5（b）為認(rèn)知移動終端在網(wǎng)頁瀏覽中獲得時(shí)間間隔為0.1 s網(wǎng)絡(luò)流量圖，并在空間尺度上，分別獲取比特流級、字節(jié)流級和數(shù)據(jù)包流級網(wǎng)絡(luò)流量圖。圖5（c）為認(rèn)知移動終端在文件傳輸中獲得時(shí)間間隔為0.1 s網(wǎng)絡(luò)流量圖，并在空間尺度上，分別獲取比特流級、字節(jié)流級和數(shù)據(jù)包流級網(wǎng)絡(luò)流量圖。

圖5 三種類型業(yè)務(wù)流時(shí)間序列

圖6 業(yè)務(wù)類型與多尺度熵

三種業(yè)務(wù)類型在空間尺度（bits，packets，bytes），如圖6所示。尺度因子1～40的平均多尺度熵。依據(jù)圖中易得出流媒體的多尺度熵值最高，文件傳輸?shù)亩喑叨褥刂稻又?，網(wǎng)頁瀏覽的多尺度熵值最低。表明流媒體的業(yè)務(wù)流復(fù)雜度最高，網(wǎng)頁瀏覽的業(yè)務(wù)流復(fù)雜度最低。從圖6中觀察得出，尺度因子在1～9，15～20時(shí)，能夠較明顯的區(qū)分出三種業(yè)務(wù)流類型，且比特流和字節(jié)流的多尺度熵值具有高度相似性。為獲得更高的效率，約簡獲取比特流或字節(jié)流中的一種，作為K－近鄰法的輸入數(shù)據(jù)。選用數(shù)據(jù)包流和字節(jié)流的多尺度熵值作為分析依據(jù)。

4.2 實(shí)驗(yàn)結(jié)果分析

依據(jù)上述實(shí)驗(yàn)，時(shí)空尺度和業(yè)務(wù)流之間的映射關(guān)系，分析混合流量類型，驗(yàn)證算法的有效性，為驗(yàn)證所提出算法的可行性，選取字節(jié)流和數(shù)據(jù)包流計(jì)算多尺度熵值，進(jìn)行流量類型預(yù)測，混合類型數(shù)據(jù)包流如圖7所示。取樣時(shí)間粒度分別為0.1 s。

應(yīng)用測試移動終端節(jié)點(diǎn)，發(fā)送混合業(yè)務(wù)流數(shù)據(jù)，測試算法的有效性，如圖7所示，仿真時(shí)間為300 s，從0～50 s為ftp文件傳輸，50～150 s為網(wǎng)頁瀏覽，150～250 s為視頻播放，現(xiàn)測試場景運(yùn)行100次，來驗(yàn)證算法的有效性。

圖7 混合類型數(shù)據(jù)流圖

依據(jù)算法可得出，應(yīng)用多尺度熵對終端流量類型進(jìn)行分類預(yù)測，見表1。準(zhǔn)確率可達(dá)到95.3%，誤報(bào)率可達(dá)到4.7%，算法運(yùn)行的平均時(shí)間延遲為0.2 s，效率較高，能夠滿足認(rèn)知終端用戶的需求。

表1 多尺度分類檢驗(yàn)

混合類型數(shù)據(jù)流預(yù)測如圖8所示，其中，藍(lán)色線條表示原始數(shù)據(jù)流圖，綠色表示預(yù)測的數(shù)據(jù)流圖。選取七元多項(xiàng)式完成回歸擬合分析，預(yù)測曲線和原曲線具有較高擬合性。

圖8 混合類型數(shù)據(jù)流預(yù)測

5 結(jié) 語

多時(shí)空尺度的認(rèn)知網(wǎng)絡(luò)移動終端業(yè)務(wù)流分析方法，建立多尺度業(yè)務(wù)流模型，并引入K－近鄰法對終端業(yè)務(wù)類型進(jìn)行分類，采用多元回歸方法對下一時(shí)刻業(yè)務(wù)流量進(jìn)行預(yù)測。仿真實(shí)驗(yàn)結(jié)果表明，該分類預(yù)測方法具有可行性和正確性，能夠?qū)崿F(xiàn)網(wǎng)絡(luò)流量的在線預(yù)測。本研究為認(rèn)知網(wǎng)絡(luò)的頻譜資源分配、認(rèn)知網(wǎng)絡(luò)接入選擇、認(rèn)知網(wǎng)絡(luò)重配置的研究奠定基礎(chǔ)。下一步將以此研究作為基礎(chǔ)，對認(rèn)知網(wǎng)絡(luò)的重配置參數(shù)設(shè)置進(jìn)行深入研究。

［1］王慧強(qiáng)，徐俊波，馮光升，等.認(rèn)知網(wǎng)絡(luò)體系結(jié)構(gòu)研究新進(jìn)展［J］.計(jì)算機(jī)科學(xué)，2011（8）：9.

［2］THOMAS R W.Cognitive Networks［D］.Blacksburg，VA，USA：Virginia Polytechnic and State University，2007.

［3］ZHAO RONGCAI，ZHANG SHUO.Network Traffic Gen+ eration：A Combination of Stochastic and Self+similar［C］／／2010 2nd International Conference on Advanced Computer Control.2010：171+175.

［4］MADALENA C，ARY L.G.Multiscale Entropy Analysis（MSE）［EB／OL］.http：／／www.physionet.org／phys+ iotools／mse／tutorial／，2014

［5］傅雷揚(yáng)，王汝傳，王海艷，任勛益.R／S方法求解網(wǎng)絡(luò)流量自相似參數(shù)的實(shí)現(xiàn)與應(yīng)用［J］，南京航空航天大學(xué)學(xué)報(bào).2007，39（3）：56+60.

［6］洪飛，吳志美.基于小波的多尺度網(wǎng)絡(luò)流量預(yù)測模型［J］.計(jì)算機(jī)學(xué)報(bào)，2006，29（1）：166+170.

［7］JANNE R，PETRIM，MATTHIASW.Metrics for Char+ acterizing Complexity of Network Traffic.［C］／／in Proc. of ICT，St.Petersburg，Russia，2008.

［8］VANDENDRIESSCHE B，PEPERSTRAETE H，ROGGE E，etal.A Multiscale Entropy+Based Tool for Scoring Se+ verity of Systemic Inflammation［J］.Critical care medi+ cine，2014，42（8）：5+8.

［9］http：／／www.isi.edu／nsnam／ns／，2014.

王慧強(qiáng)（1960—），男，河南周口人，博士，教授，主要研究方向?yàn)檎J(rèn)知網(wǎng)絡(luò)、可信超網(wǎng)絡(luò)、空間信息網(wǎng)、物聯(lián)網(wǎng)、網(wǎng)絡(luò)技術(shù)與信息安全、網(wǎng)絡(luò)安全態(tài)勢感知等；

E+mail：wanghuiqiang＠hrbeu.ed

陳曉明（1983—），女，黑龍江哈爾濱人，博士研究生，主要研究方向認(rèn)知網(wǎng)絡(luò)、跨層設(shè)計(jì)、異構(gòu)網(wǎng)絡(luò)接入、網(wǎng)絡(luò)體系結(jié)構(gòu)等；

E+mail：chenxiaoming＠hrbeu.edu.cn

A Network Traffic Analysis M ethod for M obile Term inal Based on Cognitive Network

WANG Hui+qiang，CHEN Xiao+ming
（Institute of Computer Science and Technology，Harbin Engineering University，Harbin 150001，China）

For cognitive networks acrossmultiple network layers have the characteristics of varying com+ plexity，a traffic characteristics analysismethod based on space and time scales is put forword.Firstly，the traffic model is established using multi+scale，and then network behavior at different temporal and spatial scales of structural complexity network behavior is analyzed；explore its change law of time scale，so as to accurately forecast the next period of time of business.The results of the experiment data analysis show that themethod can effectively realize onlinemonitoring of the business flow.

cognitive network；multi+scale entropy；network traffic analysis；cross+layer perception

TP393

：A

：1673+5692（2014）06+575+07

10.3969／j.issn.1673+5692.2014.06.005

2014+10+22

2014+11+10

本課題得到國家自然科學(xué)基金 （60973027，61370212，61402127）；黑龍江省自然科學(xué)重點(diǎn)基金項(xiàng)目（ZD 201102）；黑龍江省自然科學(xué)基金（F201037）；博士點(diǎn)基金優(yōu)先發(fā)展領(lǐng)域項(xiàng)目（20122304130002）；教育部高等學(xué)校博士點(diǎn)基金（20102304120012）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金（HEUCF100601；HEUCFZ1213）；黑龍江省博士后基金（LBH－210204）資助。