溶滯網絡緩沖區占用率預測模型設計

劉 博,康 旖,陳禹旭,梁子鍵,李曉璐

(南方電網數字電網集團有限公司,廣東 廣州 510700)

0 引言

多組件融合技術可以按照相似性聚合標準將具有相關性映射關系的數據樣本關聯在一起,以保證互聯網絡的布局合理性、避免信息樣本出現過度累積的情況。

溶滯網絡是包含路由協議的存儲與轉發的網絡。由于其具有高延遲的特性,故數據樣本的連接在緩沖區域內會表現出間接性。這也是導致網絡緩沖區占用率過高的主要原因。文獻[1]基于多層前饋神經網絡的預測模型,借助神經性節點過濾溶滯網絡中的非必要傳輸數據,并利用多層前饋神經網絡組件,將這些信息樣本整合成多個數據包存儲結構。文獻[2]基于循環神經網絡的預測模型,主要通過復雜化數據樣本傳輸路徑的方式,緩解溶滯網絡的數據擁堵情況。由于網絡環境內包含多臺數據庫主機,所以未被完全消耗的信息樣本可被這些元件設備直接存儲。文獻[3]提出長短時記憶網絡預測模型,旨在去除溶滯網絡中不具備自主傳輸能力的數據樣本,并通過多次處理過程使得網絡體系的信息存儲壓力得到緩解。然而,隨著網絡運行時間的延長,上述3種方法的信道平均占用率并不能保持在既定數值標準之內,占用率相對較高。

為此,本文構建基于多組件融合的溶滯網絡緩沖區占用率預測模型。首先,本文在多組件框架的基礎上,融合溶滯網絡緩沖區內的數據樣本,并配置可移植的任務。然后,本文基于獲取的任務,根據溶滯缺失值計算結果,設計基于決策樹的溶滯網絡緩沖區占用率預測模型。最后,本文通過試驗驗證了該模型具有較好的預測效果。該模型為解決溶滯網絡中數據滯留引起的緩沖區內存不足的問題提供了參考。

1 溶滯網絡緩沖區內的數據樣本處理

溶滯網絡緩沖區內的數據樣本處理需要在多組件框架的基礎上,推導數據樣本融合條件,并聯合可應用信息參量,確定可移植任務的配置情況。

1.1 多組件框架

在溶滯網絡中,多組件框架同時管控Linux數據庫、網絡服務層、頂層緩沖單元、Java組件等多個預測結構。溶滯網絡的多組件預測框架如圖1所示。

圖1 溶滯網絡的多組件預測框架

Bundle預測軟件可以直接提取溶滯網絡緩沖區內的擁塞數據參量,并可以借助傳輸信道將這些信息樣本反饋至網絡服務層結構中。當前情況下,若Linux數據庫中已存儲樣本滿足信息參量的多組件融合條件,Java組件就可以在處理數據樣本的同時,對數據占用率進行計算[4-5]。

本文設α為網絡溶滯系數的最小取值結果、ε為最大取值結果、β為多組件框架內的數據樣本辨別系數、Vα為基于α的溶滯網絡緩沖特征值;Vε為基于ε的溶滯網絡緩沖特征值。在設置多組件框架時,α∈(1,e)、ε∈(1,e)的賦值條件同時成立。本文聯立上述物理量,將多組件框架對于數據占用率的計算式定義為:

(1)

Java組件[6]對于溶滯網絡緩沖區內擁塞數據參量的處理能力,決定了多組件框架的運行能力。為避免頂層緩沖單元中出現信息參量過存儲情況,本文在設置多組件框架時,要求數據占用率計算結果不得超過溶滯網絡緩沖區組織對數據信息樣本最大存儲能力的50%。

1.2 數據樣本融合條件

數據樣本融合條件決定了溶滯網絡緩沖區的當前占用率水平是否具備繼續存儲數據信息參量的能力。當選取的數值樣本趨近于1時,表明溶滯網絡緩沖區占用率水平較高,基本不具備繼續存儲數據信息參量的能力;當選取的數值樣本趨近于0時,表明溶滯網絡緩沖區占用率水平較低,可以繼續存儲數據信息。本文以多組件框架作為必要預測結構,根據式(1)獲取的M,結合數據樣本融合程度X將具有連續存儲能力的溶滯網絡緩沖區占用率水平視為未達到信息參量溢出標準的數據樣本融合條件。綜合上述分析和參量,本文得到網絡緩沖區域溶滯強度為c時的數據樣本取值結果Zc。Zc的取值范圍為:

(2)

本文基于式(2)對c強度下的數據樣本融合向量Xc求導,則有:

(3)

(4)

式中:φ為基于多組件融合算法的數據樣本取值系數;Δb為溶滯網絡緩沖區內數據樣本的單位累積量;γ為良性取值條件。

如果Δb取值超過數據信息樣本在溶滯網絡緩沖區組織內存儲數量的50%,表示網絡體系已經出現擁塞現象;如果Δb取值接近數據樣本存儲數量的50%,表示溶滯網絡體系正面臨擁塞風險[7];如果Δb取值遠小于數據樣本存儲數量的50%,表示單位運行周期內,溶滯網絡體系不會出現擁塞現象。

1.3 可移植任務配置

可移植任務配置主要用于集成溶滯網絡緩沖區內的數據樣本統計與管理服務。在已知數據樣本融合條件的情況下,待移植任務之間的關聯性越強,則網絡主機在存儲數據參量時所需消耗的占用空間就越大[8-10]。本文設τ為數據樣本移植處理的方向性系數,λn為n個不相等也不等于零的網絡擁塞行為標記向量,An為與n個不相等擁塞行為標記向量相關的數據預測參數。在上述物理量的支持下,本文聯立式(4),將可移植任務指令執行文件mn定義為:

(5)

在式(5)的基礎上,本文設a為初始配置權限,則基于多組件融合的可移植任務配置表達式為:

(6)

本文配置可移植任務指令,要求數據樣本在溶滯網絡中必須占據相同的緩沖區存儲空間。當數據樣本注入多組件框架結構時,已存儲信息參量由相同存儲節點傳輸至相同目標節點,使得占用網絡空間的數據樣本得到充分融合。

2 占用率預測模型設計

在多組件融合算法的支持下,本文建立決策樹組織,并根據溶滯缺失值計算結果確定復雜度指標的取值范圍,以實現溶滯網絡緩沖區占用率預測模型的設計與應用。

2.1 決策樹組織

決策樹組織布局形式如圖2所示。

圖2 決策樹組織布局形式

決策樹組織由1個根節點(輸入節點)、多個子葉節點(過渡節點)共同組成[11],可以處理溶滯網絡中的數據分類問題。為實現對溶滯網絡緩沖區占用率的預測,根節點的選取必須遵循多組件融合標準,即所選取決策樹組織根節點必須與多組件框架連接形式及數據樣本融合條件相匹配。為避免數據信息樣本在溶滯網絡緩沖區域內占據過大的存儲空間,每增加1層子葉節點對象,都要預留1個結余節點供網絡主機自由分配[12]。子葉節點連接數量較多,且實際連接數量隨著決策樹組織復雜度的提升而持續增多。因此,根節點與子葉節點之間的數據傳輸方向雖然保持一致,但對應關系并不唯一。

(7)

因為決策樹組織對于數據樣本參量的傳輸能力不可能等于100%,所以η∈(0,1)。但為避免溶滯網絡緩沖區占用率過高,應使數據樣本在網絡體系內保持較快的傳輸速率,故η的取值更趨近于1。

2.2 溶滯缺失值

溶滯網絡緩沖區組織經過數據清洗后,各決策樹節點內都存在不同程度的信息樣本流失行為,即所缺失數據不能完全代替連續時間點處的流量數據。原始數據樣本與流失后數據樣本之間的對應關系可以用溶滯缺失值來表示。求解網絡緩沖區溶滯缺失值這一過程涉及對數據樣本基本存儲特征與基本融合特征的計算。具體計算式如式(8)和式(9)所示。

(8)

(9)

本文聯立式(7)、式(8)、式(9),則求解基于多組件融合的網絡緩沖區溶滯缺失值的表達式為:

(10)

式中:kv、ko、kμ分別為3個不相等的數據樣本存儲占比率參量,%。

為了最大限度控制數據樣本在溶滯網絡緩沖區的占用率水平,本文在獲取溶滯缺失值指標之后,對具有缺失值特征的數據樣本進行選取處理,再對剩余信息參量進行擬合填充處理。

2.3 復雜度指標

構建溶滯網絡緩沖區占用率預測模型時,復雜度指標決定了網絡體系的布局繁瑣程度。其取值越大,表示網絡體系的布局越繁瑣,數據樣本由1個緩沖區傳輸到另外1個緩沖區所需消耗的時間越長,網絡主機存儲樣本參量所需消耗的占用空間越大。R′為溶滯網絡緩沖區域內數據樣本的布局系數。

(11)

(12)

因為(umax-umin)的計算數值恒大于零,所以數據樣本參量在溶滯網絡緩沖區內的傳輸方向始終為正。在求解占用率預測模型時,不需考慮數據信息的反向傳輸行為。

3 實例分析

溶滯網絡環境緩沖區占用率水平影響網絡體系的擁塞程度。一般而言,隨著數據樣本傳輸量的增大,緩沖區組織占用率水平也會不斷增大,但其增幅平緩且輕微。若在某個緩沖區內出現大幅度攀升,則表示該緩沖區組織內的占用率水平異常增大,即該區域出現了局部擁塞問題。因此,對于溶滯網絡擁塞程度的分析,等同于對網絡緩沖區占用率的統計。本次試驗針對上述內容展開對比研究。

3.1 試驗準備

本文選擇基于多組件融合的預測模型(本文預測模型)、基于多層前饋神經網絡的預測模型(文獻[1]預測模型)、基于循環神經網絡的預測模型(文獻[2]預測模型)、長短時記憶網絡預測模型(文獻[3]預測模型)進行試驗。本文配置溶滯網絡拓撲結構作為試驗環境。

溶滯網絡拓撲結構如圖3所示。

圖3 溶滯網絡拓撲結構

溶滯網絡拓撲結構包括互聯網、RG-NBR1300G路由器、RG-S2928G-E智能交換機、計算機主機等。其中,互聯網連接不同地域的設備;RG-NBR1300G路由器可進行廣域網與局域網之間的轉接;RG-S2928G-E智能交換機可進行多設備之間的無阻塞轉發;計算機主機是網絡中的終端設備,通過Wi-Fi連接到局域網中,以實現數據傳輸和通信。在溶滯網絡拓撲結構中,本文分別利用4種試驗模型對溶滯網絡運行過程中緩沖區域的實時占用率水平進行預測,并對比試驗結果。

3.2 擁塞系數

溶滯網絡擁塞程度標準值σ、緩沖區擁塞系數ζ′之間的數值關系可表示為:

σ?(Ψ×ζ′)

(13)

式中:Ψ為數據樣本的單位輸出量。

根據第1節的溶滯網絡緩沖區內的數據樣本處理過程,獲取多組件框架可移植任務配置情況為9.0×109個數據樣本。本文以9.0×109個作為本文預測模型、文獻[1]預測模型、文獻[2]預測模型、文獻[3]預測模型的溶滯網絡緩沖區占用率預測樣本數,以ζ′為指標分析不同模型的預測效果。

在不同模型作用下的ζ′如表1所示。

表1 不同模型作用下的ζ′

在緩沖區數據樣本個數達到6.0×109個之前,應用本文預測模型可控制緩沖區擁塞系數取值始終等于0.3。在緩沖區數據樣本個數處于7.0×109～9.0×109個之間時,應用本文預測模型可控制緩沖區擁塞系數,使其呈現小幅增大的數值變化態勢,擁塞系數最大值僅達到0.6。應用文獻[1]預測模型后,控制緩沖區擁塞系數始終保持較為穩定的數值變化態勢,其值為0.9保持不變,但與0.6相比增大了0.3。應用文獻[2]預測模型后,控制緩沖區擁塞系數則呈現出持續增大的變化態勢,最大值達到1.4,與0.6相比增大了0.8。應用文獻[3]預測模型后,控制緩沖區擁塞系數保持先增大、再減小的變化態勢,全局最大值達到2.6,與0.6相比增大了2.0。

3.3 信道平均占用率

為驗證3.2節試驗結果的準確性,還需診斷溶滯網絡緩沖體系內的信道平均占用率水平。本文選擇表1中每組試驗方法的緩沖區擁塞系數最大值作為試驗條件,在多組件融合算法的支持下,建立決策樹預測模型。本文設定溶滯缺失值為5×109,復雜度取值范圍為[0.45,0.55],在該參數設置下記錄擁塞系數最大時的4組模型信道平均占用率的變化情況。信道平均占用率對比如表2所示。

表2 信道平均占用率對比

分析表2可知:本文預測模型在預測時,調節信道的平均占用率最低為37%、最高為60%;文獻[3]預測模型在預測時,調節信道的平均占用率最高為96%;文獻[1]預測模型在預測時,調節信道的平均占用率最大為70%,低于文獻[2]預測模型,但略高于本文預測模型。預測模型在預測時,調節信道平均占用率的排列順序與ζ′的排列順序一致,即3.2節試驗結果的準確性得到驗證。

4 結論

基于多組件融合的預測模型可以有效預測溶滯網絡緩沖區占用率,且預測準確率較高,能避免網絡體系出現大面積擁塞。然而現階段,多組件融合算法的能力有限,應用該算法所構建的預測模型進行預測時,只能控制溶滯網絡緩沖區擁塞系數取值在0.6以內,調節信道平均占用率仍達到60%。后續研究可以在多組件融合算法的基礎上對引發溶滯網絡緩沖區占用率過高問題的主要因素進行深入分析,力求在充分縮小擁塞系數取值的同時使信道組織的平均占用率水平得到控制。