電力通信網信息流量監控與預測分析平臺

呂洪波 樊家樹 馬旭東

（國網吉林省電力有限公司信息通信公司，吉林 長春130021）

電力工業通信網為電力生產經營提供了傳輸和數據通道。根據業務屬性的分類可以大致分為兩大類：生產和管理。隨著太陽能、風能、生物質能、潮汐能等新能源的迅速發展。分布式能源供應系統是[1]未來的發展趨勢。

分布式電源系統中存在著許多分散的分布式電源，且多種類趨向于一種以上。有了儲能裝置和功率的負載平衡裝置，結構會變得相當復雜。這將需要信息中心智能電網和能源互聯網[2]的發展。

為了反映電力通信網的現狀，本課題研究了電力通信網的信息采集、表示和業務流程分析預測技術[3]。主要解決電力通信網絡中的三個問題：

（1）網絡運行狀態不可知。包括網絡中有多少應用；哪個應用程序消耗了最多的帶寬資源。

（2）網絡無法有效控制。

（3）網絡瓶頸問題得不到有效解決。

1 電力通信網現狀分析

近年來，隨著電網的不斷發展，作為電網管理、運行和控制信息的電力通信網發展迅速。由于電力通信網絡的建設主要是按照系統的規劃階段,施工階段,并不認為是網絡本身的特性和優化設計,和不同的投資主體,在一定程度上影響整個電力通信網絡的性能,重復建設,設備落后的兼容性和風險分散點隱藏,網絡不能充分發揮作用。為了進一步提高通信網絡的可靠性和業務承載能力,電力通信網絡風險分析評估工作是必要的,通過評估,及時發現和預警網絡風險點,從而實現網絡資源的優化配置,并進一步提高安全性、可靠性和網絡的傳輸效率。

目前電力通信網的現狀可以概括為：

（1）網絡運行的狀態未知。包括：不了解網絡上主要有哪些應用程序在運行；不知道有多少應用程序正在運行，哪個應用程序消耗了最多的帶寬資源；沒有網絡運行歷史數據，也無法預測趨勢。

（2）網絡無法有效控制。包括：P2P 和流媒體應用消耗帶寬資源，但無法有效控制；關鍵業務不能保證；關鍵用戶的網絡質量得不到有效保障。

（3）網絡瓶頸問題得不到有效解決。局域網規模越來越大，訪問速度越來越快。

但是廣域網的速度并不隨局域網的增加而增加。在廣域網中，用戶、應用和帶寬三個方面的矛盾并不能完全解決。在網絡流量的早期研究中，流量建模主要是基于泊松分布和馬爾可夫過程，使用公共交換電話網絡（PSTN）流模式和泊松模型來描述流量數據。隨著網絡技術的發展和網絡業務的增長，利蘭發現自相似特征廣泛存在于每個網絡流量中。由于網絡自相似特性的影響是非常巨大的，因此得到了研究人員的重視，建立了各種自相似模型來描述和仿真流量特性，如分形布朗運動模型、多重分形小波模型等。

2 電力通信網流量監控實現

平臺使用的關鍵技術是大數據分析技術、數據挖掘技術、基于業務流程分析策略的引擎技術、流量預測和預警機制。系統的技術創新點有：數據挖掘技術分析、業務流程預測技術等。該平臺可以通過深度數據挖掘，預測出一個階段的數據流與未來趨勢。

2.1 實際網絡流量特點分析

通過觀察和分析，發現實際流量具有以下幾個重要特征：

（1）突發性（也稱峰值），業務流量在小時間尺度上表現最為明顯。

（2）長關聯長依賴，隨著時間的推移，不同時間尺度下的業務流序列具有相同的統計特性，即理論具有統計特性。

（3）周期性，又稱季節性，長時間的流動序列也反映周期性變化。

（4）混沌的，看似沒有規律的類似隨機現象。

2.2 為了進行業務可視化分析和流量預測，首先進行網絡業務流分析。研究的重點是：

（1）網絡節點端口流量分析。即對網絡節點設備端口流入和流出數據包的信息進行統計。它包括包的數量、字節的數量、包的大小分布和包丟失的數量等大量的統計信息。通過對端口流量網絡節點的分析，可以了解網絡的基本狀態。

（2）端到端的IP 流量分析。在網絡層中從一個源到一個目的IP 包的統計信息。通過對它的分析，我們可以理解用戶訪問網絡的目的，這是網絡分析、規劃、設計和優化的重要依據。

（3）業務層流程分析。對傳輸層端口信息的分析，以及類型信息的應用服務，利用這些信息可以做更詳細的分析。

（4）全面分析用戶業務數據流，提高網絡安全性。

2.3 流量監控實現

設計了基于多模流量采集的流量測量方法。根據監控網絡的特點，可以靈活地改變流量采集方式，支持包級、NetFlow、sFlow 等多種流量數據格式的采集。該系統采用采集流量測量方法，能夠高效、準確地采集網絡流量，分析網絡特性，掌握網絡運行狀態。利用數據挖掘技術，設計了基于P2P 網絡流量特征的流量識別方案。通過實時流量屬性特征計算系統，計算了不同流量和基于數據包分析的統計特性。利用多個屬性的特征值，選擇有效檢測P2P 流量的方法，并應用基于流屬性選擇的數據挖掘算法進行驗證。

3 電力通信網流量預測分析

根據上述特點對流量預測進行研究，得到可靠、有效的數據、統計和模型分析。穩態流動模型分為兩類：短期依賴和長期依賴。短依賴模型包括馬爾可夫過程和自回歸模型（AR）、自回歸移動平均（ARMA）模型、自回歸綜合移動平均（ARIMA）模型等。長期依賴模型包括分形自回歸移動平均模型（F-ARIMA）和分形布朗運動模型（FBM）等。

流量預測實例

基于流量突發特征，長距離相關，周期性和混沌性，通過對電力通信網絡中各種業務流程數據進行統計分析，得出各種業務的特點。根據各種復雜的業務場景，利用馬爾科夫過程、ARMA 模型、F-ARIMA 模型、FBM模型等方法，建立了電力通信服務系統的流量評價模型。建立并實現了業務流程需求、帶寬需求、QoS 需求、生存性指標建模、電力通信網絡流量預測模型。對現有業務的短期和長期依賴關系、業務穩定性進行評估，以達到可接受的算法復雜度。仿真和實際軟件系統平臺驗證了該方法的有效性。摘要基于自相似流量數據，區分流量數據的具體業務類型，結合不同的情景，采用智能預測模型和組合預測方法，建立了一種靈活的流量預測模型。現有的網絡流量管理平臺僅涉及歷史數據的可視化。數據為實時數據，未來無預測，不涉及網絡的預測功能。通過項目的實施，可以實現數據的可視化，并通過對數據的深度挖掘，預測出一個階段的數據流的未來趨勢。左圖是流量預測實例。

從圖中可以看出網絡流的特征。第一個是流量突發特征。在23：00-7：00，突然產生一個數據流。第二個圖可以顯示出短期的相關性。流動趨勢在短時間內相同，但在較長時間間隔內發生變化。在0：00 和12：00 時，沒有連續的趨勢，發生了破斷。

4 結論

通過對電力通信網網絡特點以及流量特性的分析，利用大數據分析技術實現了電力通信網的流量監控以及流量預測。系統平臺是軟件部分，是為了顯示電力通信網絡的狀態而設計的，同時也討論了信息采集、表示和業務流程分析預測技術。