基于相关向量机的网络运行质量评估方法

夏靖波，柏骏

（1．厦门大学 嘉庚学院，福建 厦门 363105；2．空军工程大学 信息与导航学院，陕西 西安 710077）

基于相关向量机的网络运行质量评估方法

夏靖波1，柏骏2

（1．厦门大学 嘉庚学院，福建 厦门 363105；2．空军工程大学 信息与导航学院，陕西 西安 710077）

为一致、稳定地评估网络运行质量并克服基于SVM（Support Vector Machine）评估方法在训练过程中存在的参数难以确定、过拟合等问题，提出了基于RVM（Relevant Vector Machine）的网络运行质量评估方法。该方法利用RVM对灰色模糊综合评估方法得到的网络运行质量评估值进行训练，构建基于RVM的网络运行质量评估模型。实验分析表明，该模型获得的网络运行质量评估值与通过灰色模糊综合评估得到的运行质量评估值的平均绝对误差仅为1．61%，而且优于基于SVM的网络评估方法。

网络态势感知；运行态势感知；链路权重；运行质量评估

网络运行质量评估是网络态势感知的关键技术之一。网络态势是指由各种网络设备运行状况、网络行为以及用户行为等因素所构成的整个网络的当前状态和变化趋势［1］，这就要求态势感知模型能够以一致的评估标准、稳定的评估结果反映网络整体状态，因此一致性和稳定性是网络态势评估必须具备的因素。一方面，综合评估的无量纲化处理与其他数据有关，可能导致同一组指标样本数据得到不同的评估结果，难以保证评估的一致性；模糊评估的专家评价过程受专家主观因素的影响，难以保证评估的稳定性［2］。另一方面，将机器学习方法引入到网络性能评估中可有效解决上述两个问题，但是神经网络训练过程中可能收敛于局部极小，而支持向量机又存在参数难以确定、过拟合等问题。因此，基于以上考虑，本文将RVM学习方法引入到网络态势感知领域中。

相关向量机（Relevant Vector Machine，RVM）［3］是一种新的机器学习方法，其决策形式与SVM相同，通过引入稀疏贝叶斯学习理论，不仅使其具备了SVM避免过学习的优点，且极大地减少了核函数的计算量，还弥补了SVM存在的稀疏性不强、计算量大、核函数必须满足Mercer条件以及需人为凭经验确定参数等不足。因此，与SVM相比，RVM更稀疏，计算时间更短，更适用于在线分析处理数据。目前RVM已被广泛应用于故障预报［4］、网络流量分类［5］等领域中，取得了良好的效果。

根据以上分析，提出了一种基于相关向量机的网络运行质量评估方法。该方法利用灰色模糊综合评估方法构造出来训练样本集训练评估模型ModelRVM，然后实时采集态势指标作为评估模型的输入，得到链路运行质量评估结果。

1　相关向量机

在监督学习中，给定一组输入样本向量X=｛xn｝Nn-1，其中N为样本的个数，对应的目标输出t=｛tn｝Nn-1，在回归问题中，tn可以是任意值，在分类问题中，tn是类别标号（二元分类时可以是0或1）。

RVM采用了与支持向量机相同的决策形式：

其中K(x，xn)是选用的核函数，｛ωn｝Nn-1代表不同的权重，εn是噪声，假设其服从均值为零，方差为τ-1的高斯分布。

同时引入了贝叶斯概率模型来解释噪声对预测结果的影响，这样不仅能很好地解决了SVM中误差参数难以确定的问题，还获得了预测结果概率的能力，这也是RVM的核心概念。有贝叶斯概率：

为了使w中大部分元素为0，参数w服从零均值的高斯先验分布：

注意这里每一个权值ωn都独立地对应一个参数αn。

根据贝叶斯准则进行推理，有

2.3.2 膀胱灌注化疗和免疫治疗 TURBT术后肿瘤复发率高，小部分NMIBC患者会进展为MIBC。原位癌患者单纯行TURBT不能解决术后高复发率和疾病进展问题[11]。推荐所有NMIBC患者进行术后辅助性膀胱灌注治疗。

通过不断地迭代，以逼近∂MP及σ2MP。其中大部分∂i趋近无限大，对应的ωi则为零；少量的ωi稳定趋于有限值，对应xi的即为相关向量（Relevant Vectors）。

应用回归方法中解决分类问题的Logistic模型：

有结果预测概率：

2　基于相关向量机的网络运行质量评估方法

基于相关向量机的网络运行质量评估方法利用RVM对灰色模糊综合评估方法得到的网络运行质量评估值进行训练，构建基于RVM的网络运行质量评估模型。该方法描述如下：

步骤1按照选定的态势指标采集样本数据集data；

步骤2利用灰色模糊综合评估方法构造训练样本数据data_train和 测 试 样 本 数 据data_test，有，其中fij为态势指标，ei为运行质量评估值；

步骤4利用测试样本检验评估模型，若无效则重复步骤3；

步骤5以时间间隔T采集态势指标输入评估模型ModelRVM，输出链路运行质量评估结果。

3　实验分析

美国教育科研网Abilene网络是典型的互联网络，具有很强的代表性。因此，本文以美国教育科研网Abilene骨干网络拓扑为例，利用NS2仿真软件，搭建网络模拟平台，其最大链路带宽为9．6 Gb/s，最小链路带宽为2．4 Gb/s，如图1所示。为尽量模拟现实网络，两两节点之间以随机的方式相互通信，产生Exponential、Pareto以及CBR流量。

图1　Abilene骨干网络拓扑Fig．1　Backbone network topology of abilene

文中所用数据采自节点4和节点6之间的链路，仿真时间为60 s，以时间间隔T=1 s采集每条链路上的传输延时、延时抖动、包损失率、吞吐量和带宽利用率等数据。

3.1训练样本集

选取传输延时（Delay（s））、延时抖动（Jitter（s））、包丢失率（Loss Ratio（%））、吞吐量（Thruput（Gb/s））以及带宽利用率（Bandwidth Availability Ratio（%））作为运行态势指标，将前10 s数据作为训练样本，通过灰色模糊综合评估方法得到该链路在某一时刻的运行质量评估值，部分数据如表1所示。

表1　训练样本集部分样本Tab.1 Part of the training sample set

灰色模糊综合评估方法［6］步骤如下：

步骤1无量纲化处理。上述指标中传输延时、延时抖动、包丢失率为成本型指标，吞吐量为效益型指标，带宽利用率为区间型指标（带宽利用率在［0．3，0．7］区间为最佳）。为了消除指标间由于量纲不同而带来比较上的困难，根据文献［15］对上述指标进行处理。

步骤2指标权重确定。通过灰色关联分析确定指标关联度，有各个指标权重A=(α1，α2，…，αm)。

步骤3模糊关系矩阵构造。采用三角形隶属函数［16］，评估评语为优秀、良好、合格、差、很差。则根据表2有第i个被评对象xi中第j个指标uj对应第k个等级vk的隶属度rjk（i），最终可求得模糊关系矩阵R（i）=(rjk(i))m×n。

表2　5类评语对应的隶属函数Tab.2 The membership function according to five kinds of comments

步骤4模糊评估结果计算。根据模型对指标权重序列A和模糊关系矩阵R（i）进行模糊运算，即

选取归一化后的bk（i）中的最大值所对应的评语作为最终评语。

步骤5链路运行质量评估。将评语集按照V=［90，80，60，50，30］进行量化。最后综合得分表达式记为：

3.2评价结果

根据上述灰色综合模糊评估方法求得前10 s各链路的运行质量评估值，并将其作为训练样本构建RVM运行质量评估模型ModelRVM。从第 11 s开始，将每s获取的14条链路上的5项态势指标作为评估模型ModelRVM的输入，输出相应链路运行质量评估值。结果如图2所示，从图中可以发现，通过网络运行态势感知模型能够较为准确地感知网络运行态势，并呈现出较好的一致性与稳定性。

图2　RVM评估方法与其他方法的比较Fig．2　The comparison between RVM and the other methods

为了进一步比较RVM与SVM［］在网络运行质量评估方面的性能，利用上述训练样本构建基于SVM的运行质量评估模型，选定γ=0．001及C=500以达到最佳模型效果，并生成网络运行评估结果如图2所示。通过比较可以发现，RVM模型得到的评估值与期望值 （通过灰色模糊综合评估方法得到的评估值）更为接近，鲜有明显的偏差，二者的平均相对误差（MAPE）为1．61%，低于SVM模型与期望值的2．52%，因而在准确性方面要略优于SVM模型。另外，RVM的训练过程更简便，无需人为设置参数，而SVM训练过程中惩罚因子C的选取需凭经验或通过参数寻优确定。此外，RVM模型的评估时间仅为10-4s，实时性较好，可在线评估网络运行质量。

4　结　论

相较于传统网络评估方法对网络性能局部、静态的评价，网络运行态势是一个全局、动态的过程，更加强调网络的整体运行状态及其变化趋势。网络运行质量评估是网络运行态势感知的关键技术，现有的评估方法难以保证一致、稳定的评估网络运行质量。基于此，文中提出了基于RVM的网络运行质量评估方法。仿真实验证明了文中所提方法的有效性。

［1］龚正虎，卓莹．网络态势感知研究［J］．软件学报，2010，21 （7）:1605-1619．

［2］徐海东，李冶文，宋俊德，等．基于神经网络的UTRAN网络质量综合评价［J］．北京邮电大学学报，2005，28（4）:41-44．

［3］Tipping M．Sparse bayesian learning and the relevance vector machine［J］．Journal of Machine Learning Research，2001，1 （1）:211-244．

［4］胡昌华，王兆强，周志杰，等．一种RVM模糊模型辨识方法及在故障预报中的应用［J］．自动化学报，2011，37（4）:503-512．

［5］柏骏，夏靖波，赵小欢，等．基于RVM的网络流量分类方法研究［J］．电子科技大学学报：自然科学版，2014，43（2）: 241-246．

［6］钟贇，夏靖波，吴吉祥，等．基于灰色关联的网络性能模糊评估［J］．空军工程大学学报：自然科学版，2014，15（3）:76-79，84．

［7］温祥西，孟相如．基于支持向量机和云模型的网络健康状态评估［J］．北京邮电大学学报，2012，35（1）:10-14．

Network running quality evaluation method based on relevant vector machine

XIA Jing-bo1，BAI Jun2
（1．Tan Kah Kee College，Xiamen University，Xiamen 363105，China；2．School of Information and Navigation,Air Force Engineering University，Xi’an 710077，China）

To evaluate network running quality coincidently and steadily and overcome the problem of evaluation method based on Support Vector Machine（SVM）during the process of training，a network running quality evaluation method based on Relevant Vector Machine（RVM）is proposed．The method uses the network running quality evaluation result from a grey fuzzy comprehensive evaluation method by RNM to train，and builds the model of network running quality evaluation based on RVM．Experiment studies illustrate that，the mean absolute deviation of network running quality evaluation result between this model and grey fuzzy comprehensive evaluation method is only 1．61%，which is much better than the network evaluation method based on SVM．

network situation awareness；running situation awareness；link weight；running quality evaluation

TN91

A

1674－6236（2016）02-0121-03

2015-03-29稿件编号：201503423

陕西省自然科学基础研究计划项目（2012JZ8005）

夏靖波（1963—），男，河北秦皇岛人，教授。研究方向：网络管理和网络测量。