一种基于FAHP-SVM理论的WLAN网络负载综合评价方法

摘要

本发明涉及一种网络负载综合评价方法，一种基于FAHP-SVM理论的WLAN网络负载综合评价方法，包括以下步骤：1、构建WLAN网络负载综合评价指标体系，2、选择机器学习算法的学习样本，3、采用层次分析法确定WLAN网络负载评价指标体系中各个指标的权重，4、运用模糊综合评价法确定样本数据的网络负载评价值与负载评价等级，5、机器学习算法支持向量机模型训练，获得网络负载自动评价模型，6、WLAN网络负载评价模型根据输入的实时WLAN网络性能数据，输出该时刻网络对应的负载值与负载等级。本发明方法既充分利用了专家知识，又不依赖于某个具体的专家意见，使得评估结果准确客观。通过运用机器学习经典算法SVM实现了对WLAN网络性能的自动评价，大大降低了人工成本。

说明书

技术领域

本发明涉及一种网络负载综合评价方法，更具体地说，涉及一种基于FAHP-SVM理论的WLAN网络负载综合评价方法。

背景技术

最近几年，智能终端数量越来越多，移动互联网逐渐兴起，以此带来了WLAN网络建设规模的持续扩大。相比于传统的有线网络，WLAN网络具有使用更方便、部署成本低、使用灵活等特点，因此，在很多公共场景，WLAN网络已经开始取代传统的组网方式。目前，各大城市基本已经建立起了大规模的WLAN网络，但是对WLAN网络的管理以及优化还不是很成熟。WLAN优化管理面临网络结构复杂、性能指标多、数据海量等问题。

目前，在各大运营商内部，现有的WLAN网管系统仅仅是对部分关键性能指标进行监控，但是也仅仅局限于指标的数据采集、监视告警而已。WLAN网络的负载评价往往是通过网络优化人员的主观评价来得出结果，这样不仅浪费了大量的人力物力，而且无法对WLAN网络的整体运行状况做出一个客观合理的判断。所以，一种能够综合各个性能指标并且可以实现自动评价的WLAN网络负载评价方法就显得尤为重要。

发明内容

为了克服现有技术中存在的不足，本发明目的是提供一种基于FAHP-SVM理论的WLAN网络负载综合评价方法。该评价方法不仅降低了人工成本，还能够实现自动评价，克服了现有技术中存在的判断主观性强、人工成本高等缺点，实现了比较全面客观地对WALN网络进行评估的目的。

为了实现上述发明目的，解决现有技术中所存在的问题，本发明采取的技术方案是：一种基于FAHP-SVM理论的WLAN网络负载综合评价方法，其特征在于包括以下步骤：

步骤1、构建WLAN网络负载综合评价指标体系，该指标体系在综合了WLAN网络特点的基础上，以可行性、代表性、综合性为指标挑选原则，选取CPU利用率、内存利用率、下挂AP数、DHCP地址池利用率和关联用户数构成WLAN网络负载评价指标体系；

步骤2、选择机器学习算法的学习样本，为后续模型的自动评价奠定基础；

步骤3、采用层次分析法确定WLAN网络负载评价指标体系中各个指标的权重，根据专家意见，构造出判断矩阵并以此求得权重向量，具体包括以下子步骤：

子步骤(a)、采用1-9比例标度法构造判断矩阵C＝(c_ij)_n×m；

子步骤(b)、计算判断矩阵C的最大特征值λ_max及其对应的特征向量ξ＝(x₁,x₂,…,x_n)，将此特征向量进行归一化处理即可得到权重向量A＝{a₁,a₂,…,a_n}；

子步骤(c)、对判断矩阵C进行一致性检验,首先采用公式(1)计算一般一致性指标C_I，

$C_I=\frac{{\lambda }_{\max }-n}{n-1}---\left(1\right)$

式中，λ_max表示判断矩阵C的最大特征值，n表示判断矩阵的阶数；其次通过查表得到平均随机一致性指标R_I，最后通过公式(2)计算判断矩阵C的一致性比率C_R，

$C_R=\frac{C_I}{R_I}---\left(2\right)$

式中，C_I表示一般一致性指标，R_I表示平均随机一致性指标，当C_R<0.1时，可以认为该判断矩阵C达到了满意的一致性，当C_R≥0.1时，应该对判断矩阵做出适当的修改，直至满足C_R<0.1的条件；

步骤4、运用模糊综合评价法确定样本数据的网络负载评价值与负载评价等级，具体包括以下子步骤：

子步骤(a)、将WLAN网络负载分成高负载、均衡、低负载三种状态，并以此建立相应的评价等级集V和相对应的得分向量c；

V＝{v₁,v₂,v₃}

c＝(1,0.6,0.2)

其中：v₁表示高负载状态的评价等级，与之相对应的得分向量为1，v₂表示均衡状态的评价等级，与之相对应的得分向量为0.6，v₃表示低负载状态的评价等级集，与之相对应的得分向量为0.2；

子步骤(b)、明确隶属度矩阵R，根据专家意见，建立学习样本的模糊关系矩阵，求得学习样本的评价值与评价等级之间的隶属关系，用专家打分的方法，对每一具体指标按照高负载、均衡、低负载进行等级评价，建立隶属度矩阵R；

子步骤(c)、计算模糊综合评价结果向量F和模糊综合评价值y,模糊综合评价结果向量F通过公式(3)计算，模糊综合评价值y通过公式(4)计算，

F＝AR   (3)

式中，F表示模糊综合评价向量，A表示指标权重向量，R表示隶属度矩阵；

y＝Fc   (4) 

式中，y表示模糊综合评价值，F表示模糊综合评价向量，c表示负载评价等级对应的得分向量；

子步骤(d)、确定模糊综合评价等级；

步骤5、机器学习算法支持向量机模型训练，获得网络负载自动评价模型，具体包括以下子步骤：

子步骤(a)、确定输入输出；

子步骤(b)、数据归一化处理；

为了防止大数量级数据对小数量级数据的掩盖，需要对训练集输入进行归一化处理，按照公式(5)处理，使输入值都介于[-1,1]之间，

$Y=\frac{(y_{\max }-y_{\min })*(x-x_{\min })}{(x_{\max }-x_{\min })+y_{\min }}---\left(5\right)$

式中，x为输入指标值，x_max表示输入训练集的最大值，x_min表示输入训练集的最小值，Y为归一化后的输出矩阵,y_max＝1，y_min＝-1；

子步骤(c)、确定核函数以及SVM模型最优参数；

子步骤(d)、输出最佳参数，获得SVM模型，输出WLAN网络负载评价模型；

步骤6、WLAN网络负载评价模型根据输入的实时WLAN网络性能数据，输出该时刻网络对应的负载值与负载等级。

本发明有益效果是：一种基于FAHP-SVM理论的WLAN网络负载综合评价方法，包括以下步骤：步骤1、构建WLAN网络负载综合评价指标体系；步骤2、选择机器学习算法的学习样本，为后续模型的自动评价奠定基础；步骤3、采用层次分析法确定WLAN网络负载评价指标体系中各个指标的权重；步骤4、运用模糊综合评价法确定样本数据的网络负载评价值与负载评价等级；步骤5、机器学习算法支持向量机模型训练，获得网络负载自动评价模型；步骤6、WLAN网络负载评价模型根据输入的实时WLAN网络性能数据，输出该时刻网络对应的负载值与负载等级。与已有技术相比，本发明既充分利用了专家知识，又不依赖于某个具体的专家意见，使得评估结果准确客观。该发明方法综合各方面的不同性能指标，能够较全面地评估WLAN网络性能质量，可以指导运营商网络优化部门有效地进行WLAN网络优化和负载均衡。另外，该发明方法通过运用机器学习经典算法SVM实现了对WLAN网络负载的自动评价，大大降低了人工成本和时间成本。

附图说明

图1为本发明方法流程图。

图2为本发明方法评估效果对比图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，一种基于FAHP-SVM理论的WLAN网络性能综合评价方法，包括以下步骤：步骤1、构建WLAN网络负载综合评价指标体系，该指标体系在综合了WLAN网络特点的基础上，以可行性、代表性、综合性为指标挑选原则，选取CPU利用率、内存利用率、下挂AP数、DHCP地址池利用率和关联用户数构成WLAN网络负载评价指标体系，具体的指标及其指标的含义如表1所示；

步骤2、选择机器学习算法的学习样本，为后续模型的自动评价奠定基础。考虑到WLAN网络负载评价系统本身，学习样本的输出评价值需要专家大量的工作，样本数量不宜过大。经过反复试验以及专家讨论，现选取出附录A中30组具有代表性的样本数据，作为机器学习建模的样本来源。在这30组样本数据中，高负载、均衡、低负载状态的数据各10组，每种状态的10组数据都均匀分布，避免重复覆盖。

表1

步骤3、采用层次分析法确定WLAN网络负载评价指标体系中各个指标的权重，根据专家意见，构造出判断矩阵并以此求得权重向量，具体包括以下子步骤：

步骤(a)、用1-9比例标度法构造判断矩阵C＝(c_ij)_n×m，C具体表示为：

$C=\left(\begin{array}{ccccc}1& 6& 1& 5& 2\\ 1/6& 1& 1/6& 1/2& 1/5\\ 1& 6& 1& 5& 2\\ 1/5& 2& 1/5& 1& 1/4\\ 1/2& 5& 1/2& 4& 1\end{array}\right)$

步骤(b)、计算判断矩阵C的最大特征值λ_max及其对应的特征向量ξ＝(x₁,x₂,…,x_n)，将此特征向量进行归一化处理即可得到权重向量A＝{a₁,a₂,…,a_n}；

通过特征根法求解判断矩阵可以得出判断矩阵C的最大特征值λ_max＝5.0687，经过计算对应该特征根的特征向量为：

ξ＝(x₁,x₂,x₃,x₄,x₅)＝(-0.6405，-0.0878，-0.6405，-0.1303，-0.3935)

对该特征向量归一化之后即可得到评价指标的权重向量A

A＝(0.3384,0.0464,0.3384,0.0689,0.2079)

步骤(c)、对判断矩阵C进行一致性检验,首先采用公式(1)计算一般一致性指标C_I，

$C_I=\frac{{\lambda }_{\max }-n}{n-1}---\left(1\right)$

式中，λ_max表示判断矩阵C的最大特征值，n表示判断矩阵的阶数；其次通过查表得到平均随机一致性指标R_I，最后通过公式(2)计算判断矩阵C的一致性比率C_R，

$C_R=\frac{C_I}{R_I}---\left(2\right)$

式中，C_I表示一般一致性指标，R_I表示平均随机一致性指标，当C_R<0.1时，可以认为该判断矩阵C达到了满意的一致性，当C_R≥0.1时，应该对判断矩阵做出适当的修改，直至满足C_R<0.1的条件；通过查表可知，当n＝5时，R_I＝1.12，则

$C_R=C_I/R_I=\frac{{\lambda }_{\max }-n}{(n-1)*R_I}=\frac{5.0687-5}{(5-1)*1.12}\approx 0.015$

此时C_R<0.1，满足一致性的要求，就此可以得出WLAN网络负载评价体系各个指标的权重，结果如表2所示。

表2

评价指标 指标权重 CPU实时利用率 0.3384 内存利用率 0.0464 下挂AP数 0.3384 DHCP地址池利用率 0.0689 关联用户数 0.2079

步骤4、运用模糊综合评价法确定样本数据的网络负载评价值与负载评价等级，具体包括以下子步骤：

步骤(a)、将WLAN网络负载分成高负载、均衡、低负载三种状态，并以此建立相应的评价等级集V和相对应的得分向量c；

V＝{v₁,v₂,v₃}

c＝(1,0.6,0.2)

其中：v₁表示高负载状态的评价等级，与之相对应的得分向量为1，v₂表示均衡状态的评价等级，与之相对应的得分向量为0.6，v₃表示低负载状态的评价等级集，与之相对应的得分向量为0.2；

步骤(b)、明确隶属度矩阵R，根据专家意见，建立学习样本的模糊关系矩阵，求得学习样本的评价值与评价等级之间的隶属关系。用专家打分的方法，对每一具体指标按照高负载、均衡、低负载进行等级评价，建立隶属度矩阵R；

步骤(c)、计算模糊综合评价结果向量F和模糊综合评价值y，模糊综合评价结果向量F通过公式(3)计算，模糊综合评价值y通过公式(4)计算

F＝AR   (3)

式中，F表示模糊综合评价向量，A表示指标的权重向量，R表示隶属度矩阵；

y＝Fc   (4) 

式中，y表示模糊综合评价值，F表示模糊综合评价向量，c表示负载评价等级对应的得分向量。经计算得出的样本模糊综合评价向量和负载值如表3所示；

表3

步骤(d)、确定模糊综合评价等级，负载评价值与负载等级之间的对应关系如表4所示；

表4

负载值综合评分 负载等级 负载状况描述 (0.75,1] 高负载 设备运行负载大，存在运行故障隐患 (0.40,0.75] 均衡 设备运行健康，可以长期运行 [0,0.40] 低负载 设备运行负载低，可为高负载设备分担负载压力

步骤5、机器学习算法支持向量机模型训练，获得网络负载自动评价模型，具体包括以下子步骤：

步骤(a)、确定输入输出，以30组样本数据作为训练集输入矩阵X，经过模糊层次分析法确定样本负载值作为训练集的输出矩阵Y；

步骤(b)、数据归一化处理；

为了防止大数量级数据对小数量级数据的掩盖，需要对训练集输入进行归一化处理，按照公式(5)处理，使输入值都介于[-1,1]之间

$Y=\frac{(y_{\max }-y_{\min })*(x-x_{\min })}{(x_{\max }-x_{\min })+y_{\min }}---\left(5\right)$

式中，x为输入指标值，x_max表示输入训练集的最大值，x_min表示输入训练集的最小值，Y为归一化后的输出矩阵,y_max＝1，y_min＝-1；

步骤(c)、确定核函数以及SVM模型最优参数，选用RBF核函数 运用网格搜索算法寻找最优参数,获得SVM最佳参数(惩罚因子C和核参数γ)为C＝4.0,γ＝0.0825；

步骤(d)、输出最佳参数，获得SVM模型，输出WLAN网络负载评价模型；

步骤6、WLAN网络负载评价模型根据输入的实时WLAN网络性能数据，输 出该时刻网络对应的负载值与负载等级。

为了验证模型的有效性与可靠性，现选取10组测试数据进行模型的验证，以专家给出的负载评价值为标准，分别计算本文的负载评价模型和另一种机器学习算法——BP神经网络模型的负载预测值，三者负载评价值如表5所示。

表5

样本号 专家评价值Y SVM预测值X1 BP预测值X2 1 0.7841 0.8162 0.7667 2 0.9116 0.8503 0.7062 3 0.8337 0.8474 0.9939 4 0.7494 0.777 0.8487 5 0.2371 0.2944 0.3307 6 0.2371 0.2625 0.2484 7 0.4371 0.3735 0.3126 8 0.4481 0.4788 0.5342 9 0.4885 0.4143 0.4909 10 0.4542 0.4758 0.5073

为了有效比较后两者的预测精度，现选取以下四个模型评价标准来进行模型的评价，分别为：均相对误差(MRE)、均方根误差(RMSE)、模型训练时间、模型预测时间，模型的比较结果如表6所示。

两种机器学习评价模型的预测结果与专家给出的负载评价值对比图如图2所示。由图2以及表6可以看出，BP神经网络模型的预测值平均相对误差比较大，已经超过了10％，SVM模型的预测值相对误差小，说明该模型的负载评价预测值精确。总体来看，支持向量机模型有更高的预测精度、更短的预测时间，整体评价效果强于BP神经网络学习方法。

表6

模型评价标准 SVM模型 BP网络模型 MRE(％) 5.91 14.26 RMSE 0.0454 0.0636 模型训练时间(秒) 0.0016 2.0812 预测时间(秒) 0.0034 0.066

本发明优点在于：一种基于FAHP-SVM理论的WLAN网络负载综合评价方 法既充分利用了专家知识，又不依赖于某个具体的专家意见，使得评估结果准确客观。该发明方法综合各方面的不同性能指标，能够较全面地评估WLAN网络性能质量，可以指导运营商网络优化部门有效地进行WLAN网络优化和负载均衡。另外，该发明方法通过运用机器学习经典算法SVM实现了对WLAN网络负载的自动评价，大大降低了人工成本和时间成本。