一种基于线性相关性分析实现光网络建设的高效控制方法

技术领域

本发明属于通讯技术领域，特别是涉及一种光网络建设的控制方法。

背景技术

随着信息社会的不断发展，人们对信息服务的需求量与日俱增，近期P2P、网络视频和移动互联网等数据业务的快速增长已经造成了“带宽饥渴”。而智慧城市、物联网规划建设对通信带宽提出更大挑战，依旧沿用传统光电混合型网络已无法满足多媒体、大带宽业务需求，全光网络发展势在必行，且光网络改造已不能局限于传统建设模式，即根据单一或固定组合因素确定汇聚或接入层面热点的建设方式或类型，要动态、综合考虑多种因素、特征及海量数据分析、处理，包括网络架构及承载业务类型、流量等，如何将光网络发展建设模式与海量数据分析更好结合，将成为全光网络发展的重要研究课题。

海量数据分析的关键不是要求所包含数据的准确性达到某种程度，而是在于对数据搜集的广度及对异常数据的容忍度及容错性。而在“光进铜退”实施过程中，针对各种类型的热点场景及海量热点特征及元素，没有行之有效的规划、设计手段。目前亟需一套合理的优化方法根据区域的不同需求，不同的热点特征、用户群体、业务类别实现网络建设的合理规划，网元设备的高效部署，网络业务的优化配置，加快工程实施进度，在传统设计模式的基础上必须适时寻求更强大的技术支持，如运用海量数据分析及云计算技术，通过构建数据仓库或数据超市，可视化分析以及强大的预测能力，实现海量数据的质量管理功能，提高规划工作的质量与效率、网络建设质量，降低工程实施成本，加速网络部署，为未来光网络发展奠定坚实的技术理论基础和行之有效的分析、评估方法。

发明内容

本发明提出了一种基于线性相关性分析实现光网络建设的高效控制方法。采用特征向量的线性相关性对光接入网热点进行多维度优化分解，匹配最为适合的建设模型满足热点的建设需求。本发明中新增光接入网热点与建设优化模型进行线性匹配，找出一组近似集，构建贝叶斯网络作出决策判断，选取最优建设模型实现热点的高效建设。

本方法包括如下步骤：

步骤一：对光接入网热点建设场景等描述进行整理，将特征元素按等级、类别分类，并根据重要程度赋予不同的权重值，形成对应的特征向量；

对于热点场景特征元素等级、分类划分取决于实际建设需求，如以大规模用户接入为主，可考虑将接入场景的建筑类型、用户数量等作为I级元素（向量中重要元素），如优先考虑现有光缆资源情况实现接入，则将现有光缆资源情况（如现有光缆条数、纤芯数及纤芯占用率等）作为I级元素，进而在规划阶段完成对新热点接入的特征元素分级预定义，构筑矢量（即特征向量）便于分解、计算。

设定某热点场景的特征向量X，向量内元素为x_ij，其中序号i为分级（热点场景的分级），j为在i级下的特征元素（即i级下的序号j的特征描述），故x_ji为i级下的j个特征元素；分级及对应元素数量可根据实际建设需求调整，但一类研究对象所采用的分级、分类元素必须保持严格一致，便于线性相关性分析，并根据特征描述的重要程度赋予不同的权重值T（t_ij：t_ijx_ij中x_ij元素的权重值）。即：

X={T·X}={t_ijx_ij}；

步骤二：将海量热点场景的特征向量通过线性相关性的余弦函数判定相似性，相似热点归为一类，实现海量热点的特征向量组模型，并通过哈希映射为信息指纹集进行存储，以节省存储空间；

通过余弦函数计算一组热点的特征向量集（数量N）线性相关性，根据特点数量及建设模型颗粒度，设定最小模型集数量S，门限阈值，其中Q为模型集容量，为向量空间的颗粒度（可与最小模型数S保持一致，根据现有光接入网热点建设场景约近于60个，所以Q取值可暂定为60），为调整系数，保证两个特征向量的余弦值在合理的门限阈值范围内，热点与建设模型的场景特征足够相似，通常取值范围为[3~10]。

热点间两两比对，其特征向量的线性相关性计算的余弦函数值，可判定两个热点建设模型相似；其特征向量的线性相关性计算的余弦函数绝对值，可判定两个热点建设模型不相关。设定最大模型数量L，以上归类后特征数量集超过预定值L，则考虑增大颗粒度，采用调整系数，增加向量容量。

以上海量热点的线性相关性快速归类，形成新的特征向量集（数量M），便于数据的压缩存储，通过哈希函数映射信息指纹，将现有特征向量集映射为信息指纹集，即：

{Ha(X₁),Ha(X₂),…,Ha(X_M)}。

其中Ha（X）即采用哈希映射完成

步骤三：根据步骤二模型，对新热点进行分解及特征分析，找出一组相近特征向量；具体步骤如下所示：

步骤A：采用余弦函数对新热点X_O与模型集中现有特征向量X_A进行相似性分析；

是热点场景特征向量的余弦值。

步骤B：计算值的判定方法如下（门限阈值，其中Q为模型集容量，为调整系数）；

1），可判定新热点X_O与建设模型X_A相似；

2），可判定新热点X_O与建设模型X_A无关。

步骤C：与新热点相关的模型唯一，则直接判定新热点在热点场景集中的合理建设模型；

根据步骤B方式，与现有模型集特征向量逐一比对，相似模型唯一，则直接判定新热点在热点场景集中的合理建设模型；

步骤D：与新热点相关的模型为一组，进入步骤四；

根据步骤B方式，与现有模型集特征向量逐一比对，相似模型数量大于1，则进入步骤四；

步骤E：与新热点无相关性，则该热点加入热点模型集，并适当调整模型相关性颗粒度；

根据步骤B方式，与现有模型集特征向量逐一比对，相似模型数量为0，现有热点特征向量模型集数量N=N+1，当N时，调整，将该热点加入热点特征向量模型集，并映射为信息指纹存入指纹库；

步骤四：将步骤三得到的特征向量组与新热点构造贝叶斯网络模型，特征向量组中概率值最大的为新热点最合理建设场景；

步骤A：将特征向量组与新热点的特征向量设定为一组事件{R}；

即事件R_X与特征向量组事件R_A,>B,…,R_N；

步骤B：将特征向量组设为前提条件，新热点设为结果，通过贝叶斯网络模型，计算出最大值；

即max{P(R_X|R_A),P(R_X|R_B),…,P(R_X|R_N)}

步骤C：根据计算结果，选取合理建设模型。

本发明的有益效果：

本发明一种基于线性相关性分析实现光网络建设的高效控制方法，旨在通过提取热点建设场景的特征描述，组成特征向量，采用特征向量的线性相关性判定该类热点场景的建设相似性，此计算方法尤其适用于海量热点场景建设，提高热点分类规划、建设效率，避免人工分析的偏差，为光网络建设提供一个高效的新方法与思路。

附图说明

附图为本发明的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步地详细说明。

本发明选取某地市光网络改造过程中热点场景的建设模式，其中包括热点场景17242个，每个接入热点的描述项为73项，本发明旨在采用一种基于线性相关性分析实现光网络建设的高效控制方法，划分热点建设模型集，并实现新热点与建设模型集的快速匹配，包括以下步骤：

步骤一：对光接入网热点建设场景等描述进行整理，将特征元素按等级、类别分类，并根据重要程度赋予不同的权重值，形成对应的特征向量；

深入理解光接入网建设需求，对接入网规划、实施、维护环节中的设备配置、施工步骤等进行分析，进而在规划期完成对新热点接入的特征元素分级预定义，构筑矢量（即特征向量）便于分解、计算。

设定热点场景为矢量X，其特征向量元素为x_ij，其中i为分级，j为在i级下的特征元素序号，故x_ji为i级下的j个特征元素；分级及对应元素数量可根据实际建设需求调整，但一类研究对象所采用的分级、分类元素必须保持严格一致，便于线性相关性分析，并根据特征描述的重要程度赋予不同的权重值T。即：

X={T·X}={t_ijx_ij}；

根据热点建设信息表，将现有热点描述的73项内容分为5等级，I、II、III、IV、V，其中I级为重要元素级，包括：业务区、建筑类型、建筑面积、住户/商户数等；II级为次重要元素级，包括：现有光缆资源情况（是否光缆接入、光缆条数、纤芯数量及占用率）等；III级为一般元素级，IV为非重要元素级，V为可忽略元素级，如流水号、区域编码等辅助标识元素。每级别元素采用数字分配；此类热点特征元素分解，可根据实际业务需求及建设重心对元素分级、分类进行适当调整，在热点描述点较多时，形成热点特征向量时不考虑V级元素。

权重值T设定范围如下所示：

I级：T值取定区间[4,9]；

II级：T值取定区间[1,4]；

III级：T值取定区间[0.6,1.0]；

IV级：T值取定区间[0.2,0.6]；

V级：T值取定区间[0,0.1]；

步骤二：将海量热点的特征向量通过线性相关性的余弦函数测定相似性，相似热点归为一类，实现海量热点的特征向量组模型，并通过哈希映射为信息指纹集进行存储，以节省存储空间；

通过余弦函数计算一组热点的特征向量集（数量N）线性相关性，根据特点数量及建设模型颗粒度，设定最小模型集数量60（S=60），Q=60、=3（暂定）热点间两两比对，其特征向量的线性相关性计算的余弦函数值0.95，可判定两个热点建设模型相似；其特征向量的线性相关性计算的余弦函数值0.95，可判定两个热点建设模型不相关。设定最大模型数量L，以上归类后特征数量集超过预定值100（L=100），则考虑增加相似性颗粒度值，即适当增加取值。

以上海量热点的线性相关性快速归类，形成新的特征向量集（数量M，建设模型容量，线性分析后或根据实际情况增加，但100），便于数据的压缩存储及快速运算，通过哈希函数映射信息指纹，将现有特征向量集映射为信息指纹库，即：

{Ha(X₁),Ha(X₂),…,Ha(X_M)}。

信息指纹库的形成，取决于哈希函数的转换方法，借鉴google关于网络爬虫对网页搜索及存储方法，采用PRNG（伪随机数产生器算法）或梅森旋转算法，可将建设模型特征向量集映射为信息指纹库，当建设场景数据量在百万级时，可通过信息指纹特征向量的线性相关性分析热点的相似性，这样可将原有O(N²)的运算量降为O(N)，同时减少了O(N)存储空间的耗费。

配置一台Intel I5处理器8G内存，操作系统为win7，通过C编程插件采集Excel表格中转换的特征向量内容，耗时约13分钟完成现有17242个热点场景的特征向量分类，形成建设模型的特征向量集为47个。

步骤三：根据步骤二模型，对新热点进行分解及特征分析，找出一组相近特征向量；具体步骤如下所示：

采用余弦函数对新热点X_O与模型集中现有特征向量X_A进行相似性分析；

是热点场景特征向量的余弦值。

步骤B：设定阈值，计算值小于阈值可判定两者相关；大于阈值可判定两者不相关；

3），可判定新热点Xo与建设模型X_A相似；

4），可判定新热点Xo与建设模型X_A无关。

步骤C：与新热点相关的模型唯一，则直接判定新热点在热点场景集中的合理建设模型；

根据步骤B方式，与现有模型集特征向量逐一比对，相似模型唯一，则直接判定新热点在热点场景集中的合理建设模型；

步骤D：与新热点相关的模型为一组，进入步骤四；

根据步骤B方式，与现有模型集特征向量逐一比对，相似模型数量大于1，则进入步骤四；

步骤E：与新热点无相关性，则该热点加入热点模型集，并适当调整模型相关性颗粒度；

根据步骤B方式，与现有模型集特征向量逐一比对，相似模型数量为0，现有热点特征向量模型集数量N=N+1，当N时，调整系数，将该热点加入热点特征向量模型集，并进行映射存入信息指纹库；

步骤四：将步骤三得到的特征向量组与新热点构造贝叶斯网络模型，特征向量组中概率值最大的为新热点最合理建设场景；

步骤A：将特征向量组与新热点的特征向量设定为一组事件集（R）；

即事件R_X与特征向量组事件R_A,>B,…,R_N；

步骤B：将特征向量组设为前提条件，新热点设为结果，通过贝叶斯网络模型，计算出最大值；

即max{P(R_X|R_A),P(R_X|R_B),…,P(R_X|R_N)}

步骤C：根据计算结果，选取合理建设模型。

结合步骤三、四所述，引入一组新热点，热点数量为10个，通过现有47个建设模型特征向量集，带入步骤三、四所述内容，其中10个热点特征向量遍历后余弦函数值大等于0.95且9个新热点对应建设模型唯一；

另外1个热点与现有特征向量库三个单元相似，从而进入步骤四，引入贝叶斯网络模型，新热点设定为特征向量Xo，现有特征向量模型分别为X_A,>B,>C，作为四个事件引入公式：

max{P(R_X|R_A),P(R_X|R_B),>X|R_C)}

概率值分析通常可采用大数统计法（A、B、C的I、II级元素促发X的海量数据累加统计的方法）、正态分布法（符合正态统计数点分布）及专家预测法（参考A、B、C事件情况，借鉴规划专家及工程实施人员经验，提供参考概率），本次采取专家预测法分别计算得出：

P(R_X|R_A)=0.37,>X|R_B)=0.52,>X|R_C)=0.61

即新热点Xo参考X_C类建设模型完成规划建设。