基于ＳＮＭＰ的天基網絡流量的在線遙測與預測

摘要：針對星上路由器的業務流量速率為遙測目標，使用SNMP報文來實時收集網絡流量統計信息，并使用多分辨率分析與神經網絡結合的方法，對測量的流量數據序列進行冗余小波變換，將分解后不同尺度的系數用于BP神經網絡的輸入來進行流量的在線短時預測。

關鍵詞：冗余小波變換;神經網絡;流量預測

中圖分類號：TP391文獻標志碼：A

文章編號：1001－3695(2007)07－0283－03

0引言

在對天基網絡的管理中，資源管理和調度是保證空間任務實施非常關鍵的任務。這需要地面天基網絡管理中心能夠實時監測當前網絡的資源分配情況、骨干節點和關鍵鏈路的業務流量負載，并作出預測分析。資源管理與調度的前提是對網絡性能進行監測和預測，通過性能監測獲取網絡中關鍵節點和鏈路的性能指標，并根據這些數據來掌握網絡的運行狀態，發現網絡行為規律以及異常，為進行網絡規劃、定位和排除故障、分析網絡總體運行狀態提供輔助手段。傳統的網絡管理是一種響應模式的行為，在監測到性能狀態發生改變時，再實施管理往往會滯后。以對星上路由器端口流量的監測為例，在監測到流量超出預設閾值而觸發告警時，網絡已經因為過載而遭受影響。這需要根據歷史數據對未來趨勢進行預測，就可以獲得網絡性能在一定時間內的動態范圍，提前給出預警，進而實施管理以滿足優化網絡性能和資源調度的需要。

與地面互聯網絡和移動通信網絡相比，對星上路由器流量的監控面臨很多困難。一些常用的檢測手段和分析方法不再適用。由于衛星是在軌運行，無法像在地面一樣使用流量監聽工具，如Netflow等進行連續檢測，只能由地面信關站進行遙測[1，2]。衛星網絡具有動態運行、往返時延抖動很大、鏈路差錯率高、上下行鏈路不對稱等特點。因此對星上路由器的流量遙測數據是非平穩、不可靠的，會頻繁發生遙測數據差錯、丟失。在這種情況下，需要對遙測數據進行處理，去除噪聲和差錯后進行預測，為空間任務規劃和調度提供決策支持。

1天基網絡流量的遙測與預測

本文提出了一種空間綜合信息網絡流量遙測與預測系統結構，如圖1所示。管理中心向星座代理發出輪詢SNMP報文；信關站將地面發出的指令、數據等通過虛擬信道進行復接，形成標準的比特流，通過發射機發往衛星；衛星接收機收到來自地面或通過其他衛星轉發的數據，經過分接，將SNMP報文交給星載中央處理器；星載處理器中將分析后的SNMP報文送往相應的代理，由代理對指令進行響應。以流量監測為例，星載代理從MIB信息中查詢路由器端口發送的數據量，封裝成SNMP單元，通過1553B高速總線送往高速多路復接器；將協議包與其他數據，如測控指令、有效載荷數據、轉發數據等復接為標準格式的數據幀，由發射機送往地面站或其他衛星。

地面管理中心在接收到SNMP響應報文后，通過管理網絡將數據送往相應的功能節點進行處理。預測節點將對接收到的流量統計信息進行預測。首先將采集的實時流量統計序列進行小波分解；然后對分解后的平滑信號和多層細節信號使用BP神經網絡進行預測，得到流量在不同尺度上的突發特征；根據當前的突發強度調整輪詢周期，提高對突發特征的捕捉并減少數據采集開銷。其中，長期預測是對網絡流量的長期趨勢進行分析，多用于網絡的規劃、更新和資源調度；短期預測用于對網絡進行過載告警。短期預測還能夠用于對輪詢策略進行微調，根據短期預測結果判斷網絡流量的變化特征和突發特征，進一步決定輪詢周期。

2基于冗余小波和神經網絡的多分辨率預測方法

神經網絡具有分布存儲、并行處理、自學習、自組織以及非線性映射等優點。將神經網絡技術與小波分析技術結合用于對非線性和非平穩數據進行分析與預測，在很多領域已經取得優異的效果，成為研究熱點。小波神經網絡將小波變換良好的時頻局域化特性和神經網絡的自學習功能相結合，具有較強的逼近能力和容錯能力。在結合方法上，可以將小波函數作為基函數構造神經網絡形成小波網絡，或將小波變換作為前饋神經網絡的輸入前置處理工具，即以小波變換的多分辨率特性對過程狀態信號進行處理，實現信噪分離，提取出對流量預測誤差影響最大的狀態特性，作為神經網絡的輸入。O. Renaud等人[3，4]闡述使用基于小波的方法進行信號濾波與預測，信號經冗余小波分解后再對各分量使用多層傳感器神經網絡進行預測；F. Murtagh等人提出了一種使用小波分解和神經網絡相結合的決策支持系統[5]；D. Benaouda等人[6]使用小波分析方法和神經網絡方法對電力負荷進行了預測。

目前對網絡流量的預測多數研究是采用對連續記錄的報文流進行分析，使用時間序列分析方法來進行預測。Y. Qiao等人在對NSFNET骨干網流量進行預測時，使用了小波分解和時間序列分析方法，從多個尺度對影響流量的主要因素進行研究。他的研究重點是使用時間序列分析方法對分解后的平滑信號在粗顆粒的時間集上進行預測[7]。D. Papagiannaki等人在對Sprint IP骨干網的流量預測研究中，使用SNMP從分布全國的骨干網節點收集流量統計信息，分析和預測網絡瓶頸。他使用了冗余小波將流量統計信號分解為七個分量，然后使用ARIMA模型進行預測[8]。

2．1冗余小波變換

小波分析可以將信號一層一層分解到不同的頻率通道上。由于分解后的信號在頻率成分上比原始信號單一，且小波分解對信號作了平滑，分解后的信號平穩性比原始信號好得多。這樣，小波分解后的時間序列可以當做是平穩時間序列來處理。利用小波變換將流量統計序列分解為多個分量，對各信號分量分別進行預測，再合成最終的預測結果，將極大地提高預測準確度。

2．2BP神經網絡

BP網絡[10，11]是一種單向傳播的具有三層或三層以上的前向神經網絡，包括輸入層、中間層（隱層）和輸出層。上下層之間實現全連接，而每層神經元之間無連接。當一對學習樣本提供給網絡后，神經元的激活值從輸入層經各中間層向輸入層傳播，在輸出層的各種神經元獲得網絡的輸入響應；接下來按照減少目標輸出與實際誤差的方向，從輸出層經過各中間層逐層修正各連接權植，最后回到輸入層。這種算法稱為誤差逆傳播算法，即BP算法。隨著這種誤差逆傳播修正不斷進行，網絡對輸入模式響應的正確率也不斷上升。

BP網絡的傳遞函數要求必須是可微的。所以不能使用感知器網絡中的二值函數，常用的有sigmoid型的對數、正切函數或線性函數。由于傳遞函數是處處可微的，對于BP網絡而言，一方面，所劃分的區域不再是一個線性劃分，而是由一個非線性超平面組成的區域，它是比較平滑的曲面，其分類比線性劃分更加精確，容錯性也比線性劃分更好；另一方面，網絡可以嚴格采用梯度下降法進行學習，權值修正的解析式十分明確。

3仿真

本文以天基網絡仿真環境中測量的星上路由器吞吐量數據作為仿真對象。地面信關站按照固定或可變的時間間隔接收通過HSNMP單元傳輸的星上代理獲取的流量數據。

使用BP神經網絡對分解后的信號進行預測。隱層神經元數量設置為3、5、7、8。其中數量為5時效果較好。隱層的設計是非常關鍵的問題，也非常復雜。任何在閉區間內的一個連續函數都可以用單隱層的BP網絡，即三層BP網絡逼近。隱層單元的數目與問題的要求、輸入/輸出單元的數目有直接關系。隱層單元數目過多會導致學習時間過長、誤差不一定最佳，也會導致容錯性差、不能識別以前沒有看到的樣本等。

在仿真時，將隱層、輸出層的傳遞函數和訓練函數設置為不同類型進行了測試，具體如下面的分析。訓練次數設置為350，經測試表明能夠迅速達到較低的MSE。

對于平滑信號都有比較好的預測精度，而對細節信號的預測誤差較大。其中對D1層的預測誤差最大，它是構成最終預測誤差的主要成分。設T為真實值向量，X為預測值向量，有如下定義：

4結束語

多孔小波是適用于對時間序列信號進行處理的一種有效方法，能夠對非線性、非平穩信號進行分解，使主要成分趨于平穩，進而為應用各種時間序列分析方法提供保障。對分解后的信號使用神經網絡進行預測能夠達到較高的預測準確率，在效果上要優于傳統的基于統計的時間序列分析方法。本文使用多孔小波和BP神經網絡對天基網絡流量遙測數據進行預測，用于輪詢策略優化和長期資源調度，取得了良好的效果。下一步的工作是針對信號本身的特點，即自相似特性來優化預測策略，減少細節信號神經元的冗余輸入，提高對流量突發的捕捉和預測能力。

參考文獻：

［1］夏南銀. 航天測控系統[M].北京：國防工業出版社， 2002:15－22.

［2］劉蘊才.遙測遙控系統：下冊[M].北京:國防工業出版社，2000.

［3］RENAUD O， STARCK J L，MURTAGH F.Prediction based on a multiscale decomposition[J].International Journal of Wavelets， Multiresolution and Information Processing， 2003，1(2):217－232.

［4］RENAUD O，STARCK J L，MURTAGH F.Wavelet－based combined signal filtering and prediction[J]. IEEE Transactions SMC:Part B，2005，35(6): 1241－1251.

［5］MURTAGH F，STARCK J L，RENAUD O.On neuro－wavelet modeling[J].Decision Support Systems， 2004，37(4):475－484.

［6］BENAOUDA D，MURTAGH F，STARCK J L，et al.Wavelet－based nonlinear multiscale decomposition model for electricity load forecasting，neurocomputing[EB/OL].http://cs.rhul.ac.uk/home/fionn/paper/fm39.pdf.

［7］QIAO Y，SKICEWICZ J，DINDA P.An empirical study of the multiscale predictability of network traffic，NWU－CS－02－13[R].Evanston:Department of Computer Science， Northwestern University，2002.

［8］PAPAGIANNAKI D，TAFT N， ZHANG Z L，et al.Long－term forecasting of internet backbone traffic:observations and initial models[J].IEEE Trans Neural Networks，2005，16(5):1110－1124.

［9］MALLAT S. A wavelet tour of signal processing[M]. Beijing: China Machine Press， 2002:115－117.

［10］KOSKELA T， LEHTOKANGAS M， SAARINEN J，et al.Time series prediction with multilayer perceptron，FIR and Elman neural networks[C]//Proc of the World Congress on Neural Networks.San Diego:INNS Press， 1996:491－496.

［11］楊行峻，鄭君里.人工神經網絡[M]．北京：高等教育出版社，1993.

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”