一种非平稳Web流的监控、预测与仿真方法

摘要

本发明所设计的两层隐马尔科夫模型是一种结构化的模型，它克服了现有单步平板结构的时间序列模型的缺点，通过结构化的模型实现对复杂、多层次的非平稳流的描述。在相同参数下，两层隐马尔科夫模型描述非平稳流的性能优于现有的其它时间序列模型。基于本发明所设计的方法，可以在真实网络环境下，在线实现非平稳网络流的监控与预测，从而改善网络负载均衡，提升网络的服务质量与用户体验。该方法也可以用来产生非平稳网络流的仿真流，用于对即将投入运营的网络服务、设备进行性能测试。

主权项

一种非平稳Web流的监控、预测与仿真方法，其特征在于包括步骤S1：根据非平稳Web流到达率大小将非平稳Web流划分为若干不同的阶段，每一阶段由一个宏状态表示，每一个宏状态具有子状态集合，宏状态过程与子状态过程构成双状态链模型；步骤S2：用双层隐马尔科夫模型来描述上述的双状态链模型；步骤S3：根据上述双层隐马尔科夫模型对非平稳Web流进行监控、预测和仿真；上述宏状态的初始状态概率等于宏状态的稳态分布；且每一个宏状态的子状态集合包含一个吸收态，吸收态不输出任何东西，当吸收态出现时，系统停止当前的子状态过程返回宏状态过程，然后宏状态过程将跳转到另一个新的宏状态；双状态链模型的输出由子状态过程决定，在给定子状态的情况，输出值相互间条件独立；不同宏状态下的子状态集合各不相同，相互独立；对非平稳Web流进行监控具体为：非平稳的监控包括两个方面的内容：(1)给定一个非平稳流的到达率序列O_1：T和模型λ，推断出对应的隐状态过程(2)给定一个非平稳流的到达率序列O_1：T与模型λ，测量O_1：T相对于模型的最大或然概率P[O_1：T|λ]；对非平稳Web流进行预测具体为：根据上述获得的在时间T中t时刻O_1：t，根据非平稳流的到达率模型λ预测O_t+1，定义下一时刻的模型输出函数为σ_t+1(k)；按照下式推断出t+1时刻最大概率的输出${\hat{o}}_{t+1}\equiv \arg \underset{k}{\max }\left[{\sigma }_{t+1}\left(k\right)\right]$其中σ_t+1(k)≡P[o_1：t，O_t+1＝k|λ]，k表示状态，按相同的方法，将上述的一步预测扩展为s步预测，即预测