基于深度置信網(wǎng)絡的互聯(lián)網(wǎng)流量預測方法

關鍵詞：深度置信網(wǎng)絡；互聯(lián)網(wǎng)流量；預測

隨著互聯(lián)網(wǎng)技術的進一步發(fā)展與普及，它廣泛應用于人們的日常生活中。近年來，我國寬帶網(wǎng)絡資費成本逐年下降，但網(wǎng)絡流量的規(guī)?？焖僭鲩L，呈線性增長趨勢。因此，通過合理規(guī)劃互聯(lián)網(wǎng)網(wǎng)絡資源，既可以充分利用用戶網(wǎng)絡資源，又可以保證每個用戶網(wǎng)絡資源的有效使用價值與質(zhì)量。通過將實際流量與預測模型進行預測比較，可以準確識別出不規(guī)則數(shù)量的垃圾郵件，以及數(shù)據(jù)流量使用過程中涉及的其他安全攻擊?；诖?，本文重點研究深度置信網(wǎng)絡（DBN） 的結構，以實現(xiàn)高預測精度。

一、推動互聯(lián)網(wǎng)發(fā)展的關鍵性因素

（一）視頻

在我國信息技術飛速發(fā)展的背景下，3D 電視（3DTV）和超高清電視（UHDTV）技術已經(jīng)逐漸發(fā)展，且高清電視（HDTV）普及得越來越廣泛，能夠滿足人們對于信息資源獲取的需求。一般情況下，對于互聯(lián)網(wǎng)數(shù)據(jù)的獲取而言，一段20 分鐘時長、分辨率為7680×4320 像素的UHDTV2 原始視頻會占據(jù)很大的空間，一般而言可能需要整個空間的4TB。為減小空間占用，需要將其進行相應的壓縮，但經(jīng)過壓縮后也至少需要承載250Mbit/s 的實時傳輸帶寬。為滿足網(wǎng)絡承載需要，就需要提供1020Mbit/s 的接入帶寬。

（二）移動

對于我國互聯(lián)網(wǎng)的使用而言，一般可以將其分為固定和移動兩種模式。移動接入互聯(lián)網(wǎng)的方式是一種有效方式，更是互聯(lián)網(wǎng)發(fā)展的重要特征類型之一。截至2020年上半年，國內(nèi)的手機上網(wǎng)用戶數(shù)量有所增加，甚至超過了臺式電腦上網(wǎng)用戶數(shù)的情況。如今，人們主要通過使用各種移動終端設備獲取和接收移動互聯(lián)網(wǎng)信息，其中包括智能手機、筆記本電腦等。這些設備在使用過程中會產(chǎn)生一定的數(shù)據(jù)流量，而智能手機流量是非智能手機流量的35 倍[1]。經(jīng)過相關分析，隨著未來5 年的發(fā)展，移動接入數(shù)據(jù)流量將會繼續(xù)增長，并且其增速將是固定網(wǎng)絡接入流量增速的三倍。

（三）云計算

云計算涵蓋了許多不同的技術，其中包括分布式計算、網(wǎng)絡分布式云存儲、虛擬化、負載分布智能技術等，這些技術形式都是云計算的一種應用形式。通過利用互聯(lián)網(wǎng)，用戶可以遠程獲取處理信息能力和存儲信息的能力，并實現(xiàn)資源共享的目的。隨著我國互聯(lián)網(wǎng)技術的發(fā)展，“終端”這個概念逐漸引入互聯(lián)網(wǎng)應用中。在此期間，大量的數(shù)據(jù)可以在本地終端與云端之間進行轉(zhuǎn)化，主要以計算機與視頻傳輸?shù)男问竭M行。由此可見，云計算技術對互聯(lián)網(wǎng)的發(fā)展有明顯的影響。由于云存儲系統(tǒng)對整個互聯(lián)網(wǎng)帶寬的要求更高。為了能夠滿足本地終端實時讀取云存儲數(shù)據(jù)的需求，視頻技術的應用可以提供相應的解決方案，從而為互聯(lián)網(wǎng)流量的爆發(fā)式增長提供支持。

二、理論背景

由于互聯(lián)網(wǎng)能夠滿足人們的精神需求并為人們的生活帶來便利，為了提升互聯(lián)網(wǎng)的有效使用，需要加強對互聯(lián)網(wǎng)流量的使用監(jiān)測，為建設安全使用互聯(lián)網(wǎng)技術奠定基礎。深度置信網(wǎng)絡算法可以在訓練過程中通過讓神經(jīng)網(wǎng)絡模型達到特定輸入匹配的目標，從而保證其能夠適應各種不同的輸入。同時，還可以選擇網(wǎng)絡理論中目標輸入?yún)?shù)，并基于這些參數(shù)直接推導出給定目標輸入?yún)?shù)之間的非線性關系。為了提高人工神經(jīng)網(wǎng)絡中神經(jīng)元計算的效率，需要增加神經(jīng)元的數(shù)量以及增加隱藏層，并構建一個具有深層抽象結構的神經(jīng)元計算模型。其中一個或多個隱藏層可作為更多抽象層單元被執(zhí)行。深度置信網(wǎng)絡的更深層架構可以借助該方式，在實際應用期間具有強大的優(yōu)勢。在深度置信網(wǎng)絡建立期間，應基于隱藏層所具有的深度特征對神經(jīng)網(wǎng)絡進行分析。神經(jīng)網(wǎng)絡會涉及許多非線性層，這些非線性層的建立構成神經(jīng)網(wǎng)絡系統(tǒng)。深層網(wǎng)絡在層次結構方面存在不同的性質(zhì)，這些性質(zhì)均可以表示為高度可變的非線性模型。然而，目前為止人們還不清楚如何進一步設計深度網(wǎng)絡算法，為了解決這一實際的問題，需要采用一種全新的算法，有效提升互聯(lián)網(wǎng)流量預測的效果[2]。對于深度置信網(wǎng)絡而言，在構建期間，通過訓練一層深度網(wǎng)絡的方式。這種深度架構算法的實際應用可以通過疊加RBM（RestriCted Boltzmann Machines）網(wǎng)絡來實現(xiàn)，從而有效實現(xiàn)深度置信網(wǎng)絡模式。此外，DBN 算法也是當前最簡單、常見、有效可行的設計方法。通過構建DBN 模型，可以將若干個RBM 節(jié)點疊加組合而成，如圖1 所示。

三、構建模型

基于深度置信網(wǎng)絡的流量預測模型主要包括三種不同的網(wǎng)絡架構模式，可以選擇其中一種來建立模型。在建立網(wǎng)絡模型之后，可以利用該模型來預測相關的互聯(lián)網(wǎng)流量信息。具體可以根據(jù)模型預測未來超過1 小時的時間序列深度網(wǎng)絡流量數(shù)據(jù)，從而幫助人們更好地使用網(wǎng)絡。深度置信網(wǎng)絡對提升互聯(lián)網(wǎng)流量預測效果具有重要作用，具體結構可以按照圖2 所示進行構建。該模型可以分為4 層，用于預測未來的流量負荷情況。在確定模型隱藏層寬度大小及其選擇因素時，需要考慮隱藏神經(jīng)元數(shù)目的范圍和DDBN 模型的神經(jīng)元數(shù)目設置方式。

例如，可以通過蒙特卡羅模擬，計算第一隱藏神經(jīng)元數(shù)目范圍為100—600 時效果最好。表1 展示了DDBN模型的神經(jīng)元數(shù)目首選設置方式。由表1 可知，通過預訓練可以獲取參數(shù)值的具體情況，并為第一層神經(jīng)元構造一組初始輸入?yún)?shù)值。然后，在掌握相關參數(shù)值的基礎上，從上一層獲得的輸出作為另一個新輸入的特征層集，并將參數(shù)值作為下一層的新輸入。在構建模型期間，要想獲得更多的非線性表示內(nèi)容，需要進行相應的訓練，并可以重復使用相關內(nèi)容進行實際訓練，以達到參數(shù)初始化的目的。當前所涉及的DBN 網(wǎng)絡模型并沒有進行深入分析，其中RBM 層模型也尚未進行訓練模式。為解決這一問題，就需要進行微調(diào)訓練干預，以有效解決存在的問題。此外，在互聯(lián)網(wǎng)流量預測過程中，可以利用監(jiān)督學習算法進行訓練，這種微調(diào)訓練主要針對整個網(wǎng)絡模型，旨在有效確定預測模型的目標[3]。

四、基于深度置信網(wǎng)絡的互聯(lián)網(wǎng)流量預測方法

（一）預測智能手機和功能手機的用戶

在基于深度置信網(wǎng)絡的流量預測中，應對涉及的一定時間內(nèi)換機用戶數(shù)量進行相應分析。在分析期間，需要保證換機用戶占總用戶數(shù)的比例，并確保這個比例在分析期間保持不變。這說明用戶的換機需求穩(wěn)定且有一定的增長空間。因此，可以利用相對穩(wěn)定的換機率來預測換機用戶數(shù)量，只需要將總用戶數(shù)乘以換機率即可。還需要預測通話用戶總數(shù)，這是普通用戶的預測。由于用戶換機比例是穩(wěn)定的，可以根據(jù)歷史數(shù)據(jù)來確定。轉(zhuǎn)機用戶模型為： 轉(zhuǎn)機用戶數(shù)= 呼叫用戶總數(shù)× 轉(zhuǎn)機用戶比例。其中，總通話用戶數(shù)根據(jù)總用戶數(shù)的預測模型計算，轉(zhuǎn)機用戶占比使用歷史數(shù)據(jù)。

為了顯著提高互聯(lián)網(wǎng)流量預測的計算精度，只需要將輸入集的數(shù)據(jù)進一步簡單拆分，轉(zhuǎn)化為一個小時、月、天、時刻以及一個t、t-1 和兩個t-2 的互聯(lián)網(wǎng)流量。目前，手機終端可分為智能手機和功能手機兩類。根據(jù)兩類手機在換機用戶中的占比分析，這兩類換機比例基本上與終端廠商的出貨量占比相對應。這說明終端廠商的出貨量結構直接影響用戶對換機的選擇。因此，在模型中，可以根據(jù)終端廠商的出貨結構來確定更換用戶中智能手機和功能機用戶比例。

（二）預測TD和非TD換機用戶

除了智能手機和功能手機的分類外，目前手機還能分為TD終端和非TD終端。因此，移動終端類型又可以進一步分為TD智能手機、非TD智能手機、TD功能機和非TD 終端。TD 功能手機市場部調(diào)研顯示，影響用戶終端選擇的主要因素是渠道推廣。針對TD 和非TD換機用戶模型可以推斷：換機TD 智能手機用戶= 換機智能手機用戶× 換機TD 智能手機用戶比例。其中，涉及的TD 智能手機換機用戶也具有一定比例，其比例也會占TD 功能機換機比例。具體的比例取決于市場部門對TD 終端發(fā)展態(tài)度，而補貼方式則是由市場部根據(jù)發(fā)展戰(zhàn)略來確定。

（三）城鄉(xiāng)各類終端用戶到達量預測

在對城鄉(xiāng)各類終端用戶到達量進行預測時，可以根據(jù)移動公司的TD 網(wǎng)絡建設情況進行相應分析。分析后發(fā)現(xiàn)，在TD 網(wǎng)絡的實際應用中，其覆蓋主要針對城市地區(qū)，而沒有覆蓋農(nóng)村地區(qū)?；诋斍癟D 和GSM 網(wǎng)絡的實際情況，還需要將替代用戶劃分為城鄉(xiāng)，并根據(jù)市場部的研究來評估城鄉(xiāng)替代率。影響城鄉(xiāng)替代率的主要因素是市場部對城鄉(xiāng)發(fā)展的戰(zhàn)略。同時，市場部門對城鄉(xiāng)終端的評價指標基本一致，城鄉(xiāng)換機用戶可以按照以下方式計算：城市各類換機用戶= 各類換機用戶× 占比（城市中此類用戶的數(shù)量）。其中，城鄉(xiāng)終端置換用戶比例取決于市場部門對城鄉(xiāng)終端的發(fā)展戰(zhàn)略，可以通過市場部門的考核指標和發(fā)展戰(zhàn)略綜合確定。需要注意的是，換機用戶是指使用新IMEI 號碼的手機用戶，但不等同于凈增用戶。例如，某用戶是TD 智能手機用戶，更換TD 智能手機后成為TD 智能手機換機用戶，但這并不表示TD 智能手機用戶的凈增，通過分析換機用戶和凈增用戶可以發(fā)現(xiàn)兩者存在一定的相關性。

（四）各類終端流量預測

各類終端的流量預測是根據(jù)用戶數(shù)乘以單個用戶流量。常用的單個用戶流量預測方法有回歸分析和類比法，但這些方法都沒有考慮流量和移動應用開發(fā)對用戶的影響。目前，在預測單用戶流量時，通常會考慮流量、速率和應用之間的相關性。因此，各終端類型的流量預測模型可以表示為：各類終端流量= 各類終端用戶數(shù)× 該類終端單個用戶流量。在這個模型中，可以通過回歸分析、類比法和關聯(lián)分析等方法綜合判斷單個用戶的流量大小。

（五）預測TD 和GSM 網(wǎng)絡承載流量

通過以上預測模型，城市TD 智能手機、城市非TD智能手機、城市TD 功能手機、城市非TD 功能手機、農(nóng)村TD 智能手機、農(nóng)村非TD 智能手機在實際使用期間，均會產(chǎn)生一定的流量數(shù)據(jù)，這些流量數(shù)據(jù)都是使用手機的主要形式。在使用期間，TD 網(wǎng)絡只會覆蓋在城市地區(qū)，城市地區(qū)使用時也會產(chǎn)生相應的數(shù)據(jù)。農(nóng)村地區(qū)所有終端的數(shù)據(jù)流量都在GSM 網(wǎng)絡上進行，雖然城市有TD 網(wǎng)絡覆蓋，但在實際使用期間，部分地區(qū)也會存在覆蓋盲點的情況，或者存在信號差的問題。通過分析DTT 客戶在GSM 網(wǎng)絡上承載的流量，傳輸率與DTT 網(wǎng)絡的覆蓋范圍和質(zhì)量有關，可以根據(jù)歷史數(shù)據(jù)和TD 網(wǎng)絡優(yōu)化策略綜合確定檢測率。

（六）后端網(wǎng)絡反推市場策略

在深度神經(jīng)網(wǎng)絡模型檢測期間，由于投入其中使用的相關數(shù)據(jù)資源具有有限的特點，這樣就會嚴重影響市場的建立效果，導致當前建設的網(wǎng)絡模式無法滿足市場的實際需要。當前互聯(lián)網(wǎng)網(wǎng)絡數(shù)據(jù)在運行期間，市場部需要制定有關的TD 智能手機。在智能手機建設期間，相關人員只會考慮到自身的評價指標。但是在網(wǎng)絡分析期間，并沒有考慮到涉及網(wǎng)絡的實際分配需求，這樣就會導致TD 網(wǎng)絡無法將網(wǎng)絡流量有效分配。而在深度置信網(wǎng)絡模型建立期間，也可以基于GSM 網(wǎng)絡容量具有一定特點的情況下，通過模型建立的方式，有效推斷城市TD 網(wǎng)絡應分流的數(shù)據(jù)流量。在對流量數(shù)據(jù)分析期間，也可以獲得功能手機用戶數(shù)。在用戶數(shù)的建立之下，就可以形成一種前后端聯(lián)動體系。在體系建立之下，也可以實現(xiàn)逆向計算的目標。不僅能夠反推出相應的市場策略模式，還可以推算每個終端類型的用戶數(shù)。

五、結束語

綜上所述，本文提出了一種基于DBN 的神經(jīng)網(wǎng)絡模型，用于預測互聯(lián)網(wǎng)流量數(shù)據(jù)的使用。深度置信網(wǎng)絡模型具有更好的預測性能，能夠減小誤差，主要是由于DBN 模型具有明顯的特征提取能力。同時，WLAN 業(yè)務作為CMNET 的核心業(yè)務，是中國移動三網(wǎng)協(xié)同戰(zhàn)略的重要組成部分。而GSM、TD-SCDMA 網(wǎng)絡數(shù)據(jù)業(yè)務承載能力不足的問題，集團客戶專線、家庭寬帶等業(yè)務也是中國移動全業(yè)務競爭的必要手段之一。中國移動互聯(lián)網(wǎng)作為上述業(yè)務的承載網(wǎng)絡，在帶寬提速、全業(yè)務承載、電信級以太網(wǎng)演進等發(fā)展趨勢的推動下，正面臨前所未有的發(fā)展機遇。CMNET 核心網(wǎng)建設應注意保障有效網(wǎng)絡帶寬，積極引入網(wǎng)絡資源，并適時推廣高帶寬鏈路和路由器集群技術。

作者單位：李冉 中國電信股份有限公司北京分公司