劉穎 羅濤 楊燦

【摘 ?要】

針對復雜多維環(huán)境下彈性網(wǎng)絡資源受到氣象、地形、電磁、時空等環(huán)境影響的問題，提出了一種網(wǎng)絡資源與環(huán)境耦合關系預測技術，主要目的是實現(xiàn)網(wǎng)絡資源與環(huán)境耦合關系預測，提升網(wǎng)絡資源的利用率。通過實測驗證了技術的可行性，滿足實際網(wǎng)絡通信過程中對網(wǎng)絡資源與環(huán)境耦合關系的預測。

【關鍵詞】彈性網(wǎng)絡;網(wǎng)絡資源;環(huán)境耦合

0 ? 引言

在實際網(wǎng)絡通信[1]過程中，由于設備故障、環(huán)境突變等問題，導致環(huán)境感知設備采集到不完整或不準確的數(shù)據(jù)，進而引發(fā)網(wǎng)絡資源[2]狀態(tài)的表征結果異常。網(wǎng)絡資源狀態(tài)的表征是否準確，對網(wǎng)絡資源的利用率有很大的影響。

本文針對復雜多維環(huán)境下彈性網(wǎng)絡資源受到氣象、地形、電磁、時空等環(huán)境影響的問題，提出了一種網(wǎng)絡資源與環(huán)境耦合關系預測技術，滿足在實際網(wǎng)絡通信過程中，對網(wǎng)絡資源與環(huán)境耦合關系預測，提升網(wǎng)絡資源的利用率。

在實際網(wǎng)絡通信過程中，環(huán)境感知設備采集到大量不完整或不準確的數(shù)據(jù)，迫切需要解決通信信息的清洗與提煉、海量信息智能分析處理等關鍵問題。下面分別從數(shù)據(jù)預處理[3]、預測方法[4]綜述現(xiàn)階段研究現(xiàn)狀。

由于設備故障、環(huán)境突變等問題，導致環(huán)境感知設備采集到不完整或不準確的數(shù)據(jù)，所以，需要對缺失值進行填充[5]。在數(shù)據(jù)清洗過程中，經常遇到空值問題。一般可分為兩種空值問題類型：（1）數(shù)值的不完整;（2）數(shù)值為空（即空值）。數(shù)值不完整包括數(shù)據(jù)部分或所屬字段沒有值;空值的定義是實際不存在而空的值。處理方法有：（1）根據(jù)某種規(guī)則推導出某些缺失值;（2）用最小值、中值、最大值、平均值替換缺失值;（3）手動輸入一個可接受范圍內的值等。

目前有很多機器學習算法被用于預測的研究，常見的有K近鄰（KNN， K Nearest Neighbors）[6]、決策樹（DT， Decision Tree）[7]、支持向量機（SVM， Support Vector Machines）[8]等算法。

（1）K-近鄰算法

K-近鄰是測量特征之間的間距進行分類。已知訓練集，對于新的輸入數(shù)據(jù)，在訓練集中找到與該數(shù)據(jù)最接近的K個數(shù)據(jù)，這K個數(shù)據(jù)的多數(shù)數(shù)據(jù)屬于某一個類，就把該輸入數(shù)據(jù)歸類到這個子類中。如圖1所示：

（2）決策樹

決策樹算法是一種歸納式的學習算法，目的在于從數(shù)據(jù)源中推理和歸納出樹形結構的決策樹表現(xiàn)形式。決策樹的思想是“分而治之”，該算法從一個結點開始，根據(jù)一定的分支標準劃分樣本，一直加入新節(jié)點分割上一次分裂剩下的樣本，直至所有樣本被準確歸類為止。決策樹會訓練模型根據(jù)特征一級級地分裂。而分裂的閾值會根據(jù)訓練的數(shù)據(jù)學習得，最終實現(xiàn)預測。

（3）支持向量機

支持向量機是二分類模型，基本模型是在特征空間上的間距最大的線性分類器，間距最大使它有別于感知機，能較好解決非線性、小樣本以及高維模式識別任務。

1 ? 總體方案

本方案架構示意如圖2所示。首先，通過基于多維模糊映射、服務擴充的方法對原始的不完整參數(shù)集進行預處理;其次，通過基于多維環(huán)境參數(shù)的特征表征方法，對數(shù)據(jù)進行特征構造，以獲得具有更強表征能力的數(shù)據(jù);然后，融合前向選擇、后向選擇、模擬退火[9]的方法對特征進行降維，降低各維度的變量空間及多維表征模型訓練的復雜度;最后，采用基于決策樹的模型訓練方法，對數(shù)據(jù)進行訓練學習預測，實現(xiàn)網(wǎng)絡資源在復雜環(huán)境約束下的精確描述。

1.1 ?預處理階段

針對當前實際網(wǎng)絡通信過程中，由于設備故障、環(huán)境突變等問題，導致環(huán)境感知設備采集到不完整或不準確的數(shù)據(jù)，本文提出基于多維模糊映射、服務擴充的缺失值處理的補全方法，能快速準確地補全缺失值，達到提高模型效率的目的。該方法通過多維模糊推理，利用歷史數(shù)據(jù)對缺失的環(huán)境參數(shù)進行預測，完成不完整參數(shù)集向完整參數(shù)集的映射過程。算法流程如圖3所示：

對于一些特定的字段，通過第三方服務進行填充。例如根據(jù)時間、地點查找氣象表填充天氣。通過經緯度定位填充地形。對于這些特殊字段，服務擴充的方式能夠更加精準地填充缺失值。通過氣象服務填充天氣示意圖、通過地形檢索服務填充地形示意圖，如圖4所示：

1.2 ?特征構造階段

為了增強對環(huán)境資源的表征能力，本文提出了基于多維環(huán)境參數(shù)的特征構造方法，從而更準確地學習網(wǎng)絡資源與多維環(huán)境的表征關系。通過對不同的特征進行交叉組合，使得特征之間可以相互聯(lián)系相互作用，從而表達出單一特征所不具有的非線性性。交叉構造特征采用加、減、乘、除、平方、均值、方差等方式進行特征組合。即對于數(shù)值型特征，讓兩兩特征在數(shù)值上進行加法、減法、乘法、除法等運算以及均值、方差等操作。特征構造方法如圖5所示：

1.3 ?特征約簡階段

為了篩選特征構造方法產生的冗余特征，本文提出了基于前向搜索、后向搜索、模擬退火算法融合的特征約簡方法。融合前向搜索、后向搜索方法的各自的優(yōu)點。此外，引入模擬退火機制，該機制有效克服序列搜索算法容易陷入局部最優(yōu)值的缺點。通過融合三種方法，本文增加了特征選擇和特征約簡的有效性，從而保留優(yōu)良的特征。特征約簡流程如圖6所示：

1.4 ?模型訓練階段

為了增強模型的學習能力和泛化能力，本文采用集成學習的方式進行訓練，提出了基于決策樹的集成分類模型構建及訓練方法。由于多維環(huán)境對網(wǎng)絡資源的影響呈現(xiàn)非線性的關系，常規(guī)的擬合方法對多維非線性函數(shù)的預測結果精度較低。針對這一問題，本文采用了決策樹的方法用來學習多維非線性函數(shù)的映射，將資源狀態(tài)表征為多維環(huán)境因素的多元函數(shù)。決策樹認為，物以類聚、人以群分，在特征空間里相近的樣本，那就是一類。如果為每個“類”分配的空間范圍比較小，那么，同一個類內的樣本差異會非常小，以至于看起來一樣。換句話說，如果我們可以將特征空間切分為較小的碎塊，然后為每一個碎塊內的樣本配置一個統(tǒng)一的因變量取值，就有機會做出誤差較小的預測。在本文任務中，每棵決策樹根據(jù)我們提供的發(fā)射凈空角、發(fā)生概率、干擾、海拔等特征，將特征空間切分很多小碎塊，并為這些碎塊提供因變量的取值。通過減小這個預測的取值和真實的取值的誤差來引導優(yōu)化。

2 ? 實驗

2.1 ?數(shù)據(jù)集

在實際網(wǎng)絡通信過程中，記錄了73 478條數(shù)據(jù)，數(shù)據(jù)中特征包括發(fā)射點、接收點、發(fā)射點海拔、接收點海拔、發(fā)射凈空角（度）、接收凈空角（度）等，標簽為吞吐率[10]、丟包率、時延[11]。根據(jù)特征分別預測標簽。

數(shù)據(jù)集經過特征構造后，通過隨機采樣的方式將其劃分為訓練集、驗證集、測試集。使用訓練集來訓練模型，通過模型在驗證集上的效果好壞來選擇模型，然后在測試集上對模型方法進行評估[12]。數(shù)據(jù)集組成如圖7所示：

2.2 ?評價指標

均方誤差是最常用的回歸損失函數(shù)，它通過衡量“平均誤差”的方式來評價數(shù)據(jù)的變化程度，其值越小，說明預測模型描述實驗數(shù)據(jù)具有更好的精確度。本文的任務中預測吞吐率、丟包率、延時都是回歸任務，所以選取該指標作為本文實驗的評價指標。

2.3 ?實驗流程

實驗流程見圖8所示。實驗步驟如下：

步驟1：載入73 478條數(shù)據(jù);

步驟2：隨機抽取其中的7 259條記錄作為測試集，剩下的66 219條記錄作為訓練集，再在訓練集中抽取7 000條記錄作為驗證集;

步驟3：選取原始特征;

步驟4：通過對多維環(huán)境參數(shù)進行特征構造;

步驟5：采用前向搜索、后向搜索、模擬退火算法融合的特征約簡方法特征約簡;

步驟6：構建基于決策樹的模型;

步驟7：使用驗證集選擇最優(yōu)模型;

步驟8：測試集數(shù)據(jù)輸入模型中進行預測。

2.4 ?性能測試

模型訓練及預測消耗的時間如表1所示：

通過性能測試結果顯示，預測時間小于0.02 s，預測效率高，可實現(xiàn)批量預測。

2.5 ?測試結果

各模型預測的MSE值如表2所示：

均方誤差是測試集的7 259條記錄中預測結果和真實值的均方誤差。其值越接近0，則預測值與真實值的偏差越小。“丟包率（%）”字段的MSE幾乎為0，預測結果幾乎達到了100%的準確率。為了更直接的展示預測效果，預測結果與真實值的擬合圖如圖9、10、11所示。

綠線代表預測值，紅線代表真實值。對于“丟包率”，可以觀察到預測結果與真實結果幾乎完全擬合。

3 ? 結束語

本文針對復雜多維環(huán)境下彈性網(wǎng)絡資源受到氣象、地形、電磁、時空等環(huán)境影響，提供了一種網(wǎng)絡資源與環(huán)境耦合關系預測技術，實現(xiàn)網(wǎng)絡資源在復雜環(huán)境約束下的精確描述，提升網(wǎng)絡資源的利用率。同時MSE測試結果較低，預測結果準確率高，并且在性能測試中，預測時間短，能高效地預測。驗證了一種網(wǎng)絡資源與環(huán)境耦合關系預測技術的可行性，對實際應用具有較強的指導作用。

參考文獻：

[1] ? ?田孝華. 現(xiàn)代軍事通信與通信新技術[J]. 無線通信技術， 1996（3）： 54-57.

[2] ? ?于驪，史子博，舒炎泰，等. 調度和擁塞控制相結合的無線網(wǎng)絡資源分配模型[J]. 計算機應用， 2009，29（2）： 487-490.

[3] ? ?陳莉，焦李成. 基于混合優(yōu)化算法的數(shù)據(jù)預處理算法Ⅱ[J]. 計算機應用與軟件， 2007，24（3）： 22-24.

[4] ? ? 李旭然，丁曉紅. 機器學習的五大類別及其主要算法綜述[J]. 軟件導刊， 2019，18（7）： 4-9.

[5] ? Jonathan T O， Gerald A M， Sandrine B. Special online collection： dealing with data[J]. Science， 2011，331（6018）： 639-806.

[6] ? ?Cover T M. Rates of convergence for nearest neighbor procedures[C]//Proceedings of the Hawaii International Conference on Systems Sciences. 1968： 413-415.

[7] ? ?Quinlan J R. Induction of decision trees[J]. Machine learning， 1986（1）： 81-106.

[8] ? ? 丁世飛，齊丙娟，譚紅艷. 支持向量機理論與算法研究綜述[J]. 電子科技大學學報， 2011，40（1）： 2-10.

[9] ? ?潘蔚. 模擬退火算法和應用[J]. 經濟技術協(xié)作信息， 2008（32）： 75.

[10] ? 劉凱，章欣. 多跳移動分組無線網(wǎng)絡的吞吐率分析[J]. 西安電子科技大學學報， 2000，27（1）： 70-75.

[11] ? 黎文偉，張大方，謝高崗，等. 基于通用PC架構的高精度網(wǎng)絡時延測量方法[J]. 軟件學報， 2006，17（2）： 275-284.

[12] ? 范永東. 模型選擇中的交叉驗證方法綜述[D]. 太原： 山西大學， 2013.