專利名稱：：異構網(wǎng)絡中不同丟包模式隸屬度函數(shù)的構建方法
技術領域：
：本發(fā)明涉及一種在無線/有線融合的異構網(wǎng)絡環(huán)境下，根據(jù)誤碼丟包模式和擁塞丟包模式下隸屬度函數(shù)的特點，將高斯分布的均值和方差作為丟包模式區(qū)分參數(shù)進行分類，從而構建不同丟包模式隸屬度函數(shù)的方法，屬于網(wǎng)絡服務質量(QoS)
技術領域：
。
背景技術：
：在無線/有線融合的異構網(wǎng)絡環(huán)境中，現(xiàn)有技術把所有的分組丟失簡單歸因于網(wǎng)絡擁塞的盲目性嚴重惡化了無線網(wǎng)絡中TCP的性能。如果TCP仍然遵循丟包必然是由擁塞引起的原則，盲目減小發(fā)送速率，就勢必降低帶寬利用率，導致TCP性能的無謂惡化。因此，在有線/無線混合的異構網(wǎng)絡環(huán)境下，要實現(xiàn)理想的控制策略，就必須能夠正確區(qū)分無線誤碼所造成的丟包和網(wǎng)絡擁塞所造成的丟包，從而分別采取不同的控制策略。在發(fā)明人發(fā)表的論文《一種基于Fuzzy丟包區(qū)分的TCP擁塞控制算法》(載于《系統(tǒng)仿真學報》2008年20巻7期)中，提出了一種基于不同丟包模式下丟失包對(LossPair)探測包相對單向傳輸時延(RelativeOneiayDelay,簡寫為ROD)的統(tǒng)計特性，構造不同丟包模式的隸屬度函數(shù)，從而進行誤碼丟包和擁塞丟包區(qū)分的方法。該方法的具體內容簡述如下選取丟失包對(LossPair)中的探測包的單向傳輸時延ROD作為統(tǒng)計參數(shù)，分別統(tǒng)計其在網(wǎng)絡擁塞丟包模式A。和無線誤碼丟包模式Aw下的概率分布，從而在論域U=上，針對兩種丟包標準模式分別構造其隸屬函數(shù)(")和^,(")。最后根據(jù)最大隸屬度原則進行丟包區(qū)分。丟失包對是指由發(fā)送端背靠背發(fā)送的一對數(shù)據(jù)包，其中一個包丟失，因為兩個包傳輸過程足夠接近，所以在丟失包前成功傳送的探測包的ROD體現(xiàn)了丟失包在網(wǎng)絡傳輸中的時延狀態(tài)。因此，在兩種丟包原因區(qū)分中，相對于誤碼丟包，丟失包對中探測包的ROD可以較好地反映擁塞時數(shù)據(jù)包在網(wǎng)絡中的最大排隊時延。對于只有自擁塞丟包的模式A^由于丟失包對中的探測數(shù)據(jù)包往往反映了丟失包在瓶頸鏈路中的最大排隊時延，因此，該數(shù)據(jù)包的ROD統(tǒng)計特性k'近似服從高斯分布，即、N(/V,，《,)。對于交叉擁塞丟包的模式^，假設每個節(jié)點的交叉擁塞率一致，均為P。2，包對中探測包穿越此節(jié)點所需的最大排隊時延為t，因此有tN(yA。2，oA。22)。其中/^;為此節(jié)點最大排隊時延。因為丟失包對中探測包穿越全部n個節(jié)點，因而此數(shù)據(jù)包在鏈路中經(jīng)過最大排隊時延的次數(shù)iB(n，pe2)，1《i《n-l。因此，對于擁塞丟包模式A。=AelUA。2，則此時數(shù)據(jù)包穿越全部n個節(jié)點的ROD隸屬度函數(shù)為<formula>formulaseeoriginaldocumentpage3</formula>其中；為自擁塞和交叉擁塞同時存在時的延遲因子。對于無線誤碼丟包的模式A,，該模式下ROD與最大排隊時無關，考慮到背景流量的公平性以及網(wǎng)絡利用率，該統(tǒng)計量反映丟失包的探測數(shù)據(jù)包在傳輸鏈路隊列中的平均排隊時延，即、N(i，《,)。其中;為傳輸鏈路上的平均ROD。則此模式隸屬度函數(shù)為"a(t)=exp(-(t-//A)2/2《)(2)但是，發(fā)明人在進一步研究中發(fā)現(xiàn)在不同模式下，上述方法的有效性對于隸屬度函數(shù)的參數(shù)準確度依賴較大。由于現(xiàn)有技術中隸屬度函數(shù)的參數(shù)主要是通過是手動確定的，誤判率可能較高，因此仍需要進一步加以改進。
發(fā)明內容本發(fā)明的目的在于提出一種在異構網(wǎng)絡中構建不同丟包模式隸屬度函數(shù)的方法。該方法根據(jù)誤碼丟包模式和擁塞丟包模式下隸屬度函數(shù)的特點，將高斯分布的均值和方差作為丟包模式區(qū)分參數(shù)進行分類，從而構建不同丟包模式的隸屬度函數(shù)。為實現(xiàn)上述的發(fā)明目的，本發(fā)明采用下述的技術方案—種異構網(wǎng)絡中不同丟包模式隸屬度函數(shù)的構建方法，所述丟包模式包括誤碼丟包模式和擁塞丟包模式，其特征在于首先利用勢函數(shù)確定高斯混合分布的中心點；然后利用期望最大化算法確定隸屬度函數(shù)的參數(shù)；根據(jù)不同丟包模式下隸屬度函數(shù)的特點，將估算出的高斯分布的均值和方差作為丟包模式區(qū)分參數(shù)進行分類，從而確定出不同丟包模式的隸屬度函數(shù)。其中，在利用勢函數(shù)確定高斯混合分布的中心點時，采用如下的步驟(1)計算每個樣本點的初始勢值，定義初始勢函數(shù)為<formula>formulaseeoriginaldocumentpage4</formula>K為該樣本點的次數(shù)，ra為一個正常數(shù)，表示領域半徑；取/f=max{/=l".."}(2)計算剩余樣本的更新勢值，定義更新勢函數(shù)公式為<formula>formulaseeoriginaldocumentpage4</formula>rb為一個正常數(shù)，表示領域半徑，取rb=1.5ra。(3)利用上述迭代公式依次找到樣本的最密集點P"次密集點P2，......P這些點作為高斯混合分布中每類高斯分布的初始均值。由期望最大化算法描述不同丟包模式的隸屬度函數(shù)分別為將A=5>^^^e2擁塞模式a二iV2;rcrcyt4=2>w誤碼模式由期望最大化算法估算出的高斯分布參數(shù)分別為勢函數(shù)確定的中心點、Pk、ok、nk。然后比較方差，選擇方差最大的高斯分布作為無線誤碼丟包的隸屬度函數(shù)；對剩余的三類高斯分布比較均值，選取均值小的高斯分布作為無線誤碼的隸屬度函數(shù)，另外兩類高斯分布即為網(wǎng)絡擁塞的隸屬度函數(shù)。本發(fā)明采用基于"勢函數(shù)"的方法選取聚類中心，在達到同樣精度的條件下具有較好的收斂速度。在網(wǎng)絡擁塞和無線誤碼同時存在的情況下，本發(fā)明將改進后的期望最大化算法應用于不同丟包模式下隸屬度函數(shù)的估算中，對于不同丟包模式的隸屬度函數(shù)可以取得很好的區(qū)分效果。下面結合附圖和具體實施方式對本發(fā)明作進一步的說明。圖1為連接數(shù)為1、瓶頸數(shù)為2、誤碼率為1%。的情況下數(shù)的對比圖；圖2為連接數(shù)為1、瓶頸數(shù)為2、誤碼率為1%的情況下數(shù)的對比圖；圖3為連接數(shù)為1、瓶頸數(shù)為2、誤碼率為2%的情況下數(shù)的對比圖；圖4為連接數(shù)為1、瓶頸數(shù)為1、誤碼率為5%的情況下數(shù)的對比圖；圖5為連接數(shù)為1、瓶頸數(shù)為1、誤碼率為10X的情況下，R0D樣本分布及隸屬度函數(shù)的對比圖。具體實施例方式根據(jù)研究，單向傳輸時延(ROD)在不同丟包模式下的隸屬度函數(shù)符合高斯混合分布，因此每個類都可以用參數(shù)概率分布數(shù)學描述?；谀Ｐ偷木垲惙椒ㄕ窃噲D優(yōu)化給定數(shù)據(jù)和某數(shù)學模型之間的擬合，因此，選取基于模型的聚類方法即可描述不同丟包模式下的隸屬度函數(shù)。另一方面，EM(ExpectationMaximization,期望最大化)算法的核心是根據(jù)一個代表隸屬度概率的權值將每個對象指派到類，不斷迭代使之收斂于某個最優(yōu)值。運用EM算法來實現(xiàn)高斯混合模型聚類，如何初始化參數(shù)是一個關鍵的問題。EM算法收斂的優(yōu)劣很大程度上取決于其初始參數(shù)。從數(shù)學角度來解釋，高斯混合分布的概率密度模型為，ROD樣本分布及隸屬度函，ROD樣本分布及隸屬度函，ROD樣本分布及隸屬度函，ROD樣本分布及隸屬度函5<formula>formulaseeoriginaldocumentpage6</formula>^(3)其中M是類的個數(shù)，cik是每一類的權重，<formula>formulaseeoriginaldocumentpage6</formula>是每類高斯分布hi贅算法實施的步驟如下(1)對混合模型的參數(shù)進行初始化(2)期望步(E-St印)用P(XiGCk)概率將每個樣本Xi指派到類Ck中。(4)<formula>formulaseeoriginaldocumentpage6</formula>其中<formula>formulaseeoriginaldocumentpage6</formula>(3)最大化(M-St印)利用每一類的隸屬度概率之和<formula>formulaseeoriginaldocumentpage6</formula>(n為樣本的個數(shù))重新估計(求精)模型參數(shù)，更新公式為<formula>formulaseeoriginaldocumentpage6</formula>這一步驟是對給定樣本的分布似然"最大化"。由以上描述可知EM算法的核心是根據(jù)一個代表隸屬度概率的權值將每個對象指派到類，不斷迭代使之收斂于某個最優(yōu)值。運用EM算法來實現(xiàn)高斯混合模型聚類，如何初始化參數(shù)是一個關鍵的問題，EM算法收斂的優(yōu)劣很大程度上取決于其初始參數(shù)。目前，對于高斯混合模型中的EM算法初始中心值的選取常用隨機選取的方法，然后通過不斷迭代調整達到最優(yōu)，這種隨機選取的方法雖然操作簡單，但對于算法的收斂穩(wěn)定性有一定的影響，有時會收斂于局部最小值，而不能得到全局最優(yōu)解，使得聚類效果受到影響。在數(shù)據(jù)規(guī)模較大的情況下，效率也很低，耗時長且需要較大的存儲空間(可進-考表1)。為此，本發(fā)明的基本思路在于首先利用勢函數(shù)確定高斯混合分布的中心點，然后利用EM算法確定隸屬度函數(shù)的參數(shù)，根據(jù)不同丟包模式下隸屬度函數(shù)的特點，將估算出的高斯分布的均值Pk和方差。k作為丟包模式區(qū)分參數(shù)進行分類，從而確定出不同丟包模式的隸屬度函數(shù)。下面，對上述方法的具體實施步驟展開詳細的說明。1.EM算法參數(shù)初始化在本發(fā)明中，首先基于"勢函數(shù)"的方法選取聚類中心(1)計算每個樣本點的初始勢值，定義初始勢函數(shù)為46(6)個正常數(shù)，表示領域半徑。其中，K為該樣本點的次數(shù)，ra為取/f=max{C=l",."}(2)計算剩余樣本的更新勢值，定義更新勢函數(shù)公式為)if+1)二if)-《e4,-w(7)其中rb為一個正常數(shù)，表示領域半徑，取rb=1.5ra。由上述更新勢函數(shù)公式可知樣本點的勢值不僅與樣本點間的距離有關，還與樣本點發(fā)生的次數(shù)有關。當樣本點發(fā)生的概率比較大，且具有足夠高的密度，其勢值就會大。利用上述公式(6)和(7)進行迭代，可以依次找到樣本的最密集點i^，次密集點P2，......PM，這些點可以作為高斯混合分布中每類高斯分布的初始均值。經(jīng)仿真實驗驗證，在達到同樣精度的條件下，上述方法具有較好的收斂速度。2.根據(jù)EM算法構建不同丟包模式下ROD的隸屬度函數(shù)在網(wǎng)絡擁塞丟包和無線誤碼丟包同時存在的情況下，通過對ROD樣本進行分析，發(fā)現(xiàn)擁塞模式下ROD的隸屬度函數(shù)為高斯混合分布，瓶頸的個數(shù)即為高斯混合分布的個數(shù)，無線誤碼模式下ROD的隸屬度函數(shù)與誤碼率有關。利用EM算法對ROD樣本進行分類，當誤碼率大時，無線誤碼模式隸屬度函數(shù)的均值和方差都很小，當誤碼率較小的時候，誤碼的方差很大。EM算法對重尾數(shù)據(jù)用高斯模型描述的時候可以用一個方差很大的高斯分布來擬合重尾的數(shù)據(jù)。所以誤碼的隸屬度函數(shù)可以用兩類高斯分布來描述。由于網(wǎng)絡中可能會有多個瓶頸，通過大量仿真發(fā)現(xiàn)當瓶頸數(shù)大于兩個時，ROD數(shù)據(jù)的次數(shù)比較少，對于次數(shù)少的瓶頸可以用一類高斯分布來描述，所以擁塞的隸屬度函數(shù)也可以用兩類高斯分布來描述(一個瓶頸用一類高斯分布描述，通過仿真發(fā)現(xiàn)，當瓶頸數(shù)大于兩個時，ROD次數(shù)比較少，所以用兩類高斯分布就可以)。因此，在利用勢函數(shù)的方法確定類中心的時候，選取這四類高斯分布進行迭代。在確定了高斯分布的個數(shù)之后，就確定了中心點的個數(shù)，然后再用EM算法進行迭代運算。由EM算法來描述不同丟包模式的隸屬度函數(shù)定義為7A二li擁塞模式誤碼模式^(5)首先采用改進算法參數(shù)初始化的EM算法估算出勢函數(shù)確定的中心點、Pk、ok、Jik這四個高斯分布參數(shù)，然后根據(jù)不同丟包模式下隸屬度函數(shù)的特點，將估算出的高斯分布的均值Pk和方差Ok作為丟包模式區(qū)分參數(shù)進行分類。(1)比較方差，選擇方差最大的高斯分布作為無線誤碼丟包的隸屬度函數(shù)。(2)對剩余的三類高斯分布比較均值，選取均值小的高斯分布作為無線誤碼的，另外的兩類高斯分布即組成網(wǎng)絡擁塞的隸屬度函數(shù)。從而得到不同丟包模式下ROD的隸屬度函數(shù)。表1(a)表1(e)分別為不同丟包模式下ROD的隸屬度函數(shù)統(tǒng)計參數(shù)表。^^_^包模式參數(shù)^""^^^4i424h4勢函數(shù)確定的中心點0.21300.44400.21402.05400.21490.33850.13102.04980.00420.16170.03291.84980.86840.03720.09100.0033L(a)連接數(shù)為l，瓶頸數(shù)為2，誤碼率為1%。參數(shù)^^^^^《i《2勢函數(shù)確定的中心點0.21300.22300.07401.20300.21900.32060.12782.78880.00840.12230.03132.75090.71060.09640.18770.0053表1(b)連接數(shù)為1，瓶頸數(shù)為2，誤碼率為1%<table>tableseeoriginaldocumentpage9</column></row><table>表1(e)連接數(shù)為1，瓶頸數(shù)為1，誤碼率為10%在Matlab7平臺上對本發(fā)明所述的丟包模式隸屬度函數(shù)構建方法進行仿真，并用不同的初始化方法對理論構造的高斯混合分布數(shù)據(jù)和ROD樣本進行仿真，有關的結果如下列各表所示。表2和表3分別顯示了對EM算法的初始中心值采取隨機選取和勢函數(shù)選取兩種初始化方法時，平均迭代次數(shù)的對比情況。<table>tableseeoriginaldocumentpage10</column></row><table>表2<table>tableseeoriginaldocumentpage10</column></row><table>表3從表2和表3可以看出，選取不同種類的樣本集合，如果達到相同的精度，隨機選取聚類中心迭代次數(shù)不穩(wěn)定，具有很大的隨機性?；趧莺瘮?shù)的方法選取聚類中心，非常穩(wěn)定，而且收斂速度快。圖1圖5分別為不同網(wǎng)絡條件下ROD樣本分布及隸屬度函數(shù)對比圖。比較ROD樣本概率分布圖和隸屬度函數(shù)可以看出隸屬度函數(shù)能近似表示實際樣本的概率分布，從而驗證了本方法的正確性。上面對本發(fā)明所述的基于勢函數(shù)構造擁塞丟包隸屬度函數(shù)的方法進行了詳細的說明，但顯然本發(fā)明的具體實現(xiàn)形式并不局限于此。對于本
技術領域：
的一般技術人員來說，在不背離本發(fā)明的權利要求范圍的情況下對它進行的各種顯而易見的改變都在本發(fā)明的保護范圍之內。權利要求一種異構網(wǎng)絡中不同丟包模式隸屬度函數(shù)的構建方法，所述不同丟包模式包括誤碼丟包模式和擁塞丟包模式，其特征在于首先利用勢函數(shù)確定高斯混合分布的中心點；然后利用期望最大化算法確定隸屬度函數(shù)的參數(shù)；根據(jù)不同丟包模式下隸屬度函數(shù)的特點，將估算出的高斯分布的均值和方差作為丟包模式區(qū)分參數(shù)進行分類，從而確定出不同丟包模式的隸屬度函數(shù)。2.如權利要求1所述的異構網(wǎng)絡中不同丟包模式隸屬度函數(shù)的構建方法，其特征在于在利用勢函數(shù)確定高斯混合分布的中心點時，采用如下的步驟(1)計算每個樣本點的初始勢值，定義初始勢函數(shù)為4(0)K為該樣本點的次數(shù)，ra為一個正常數(shù)，表示領域半徑；取=max{P(o):1，(2)計算剩余樣本的更新勢值，定義更新勢函數(shù)公式為P(A+1)=^p(A;)—JD、Yrb為一個正常數(shù)，表示領域半徑，取rb=1.5ra。(3)利用上述迭代公式依次找到樣本的最密集點i^，次密集點P2，作為高斯混合分布中每類高斯分布的初始均值。3.如權利要求l所述的異構網(wǎng)絡中不同丟包模式隸屬度函數(shù)的構建方法，其特征在于由期望最大化算法描述不同丟包模式的隸屬度函數(shù)分別為i(Ha)24,-wx—;cPM，將這些點1'at2412c"擁塞模式c々(-n.*)扁誤碼模式于于4.如權利要求l所述的異構網(wǎng)絡中不同丟包模式隸屬度函數(shù)的構建方法，其特征在由期望最大化算法估算出的高斯分布參數(shù)分別為勢函數(shù)確定的中心點、Pk、ok、Jik。5.如權利要求l所述的異構網(wǎng)絡中不同丟包模式隸屬度函數(shù)的構建方法，其特征在比較方差，選擇方差最大的高斯分布作為無線誤碼丟包的隸屬度函數(shù)；對其余的三類比較均值，選取均值小的高斯分布作為無線誤碼丟包的隸屬度函數(shù)，另外的兩類高斯分布即為網(wǎng)絡擁塞的隸屬度函數(shù)。全文摘要本發(fā)明提供了一種異構網(wǎng)絡中不同丟包模式隸屬度函數(shù)的構建方法。該方法通過對高斯混合模型的EM算法進行分析，用基于勢函數(shù)的方法對EM算法進行初始化。在網(wǎng)絡擁塞和無線誤碼同時存在的情況下，根據(jù)訓練樣本ROD統(tǒng)計結果，將改進后的EM算法應用于不同丟包模式下隸屬度函數(shù)的估算中。仿真驗證，對于不同丟包模式的隸屬度函數(shù)的確定可以達到很好的區(qū)分效果，本發(fā)明所提供的方法具有很好的實際應用價值。文檔編號H04W24/00GK101754258SQ20081024018公開日2010年6月23日申請日期2008年12月19日優(yōu)先權日2008年12月19日發(fā)明者向慧侃,李智慧,甄雁翔,蘇放,范英磊申請人:北京郵電大學