基于事件同步和网络建模的识别系统拥塞风险的方法

摘要

本发明公开了一种基于事件同步和网络建模的识别系统拥塞风险的方法，采用过峰值阈值法从初始时空序列中提取事件序列，各地理位置处的事件序列记录的是事件发生的时间索引；根据动态延迟和最大延迟确定事件序列中同步发生的事件；将地理位置定义为网络中的节点，不同地理位置间发生的同步事件的数量定义为连边的权重，从而将时空序列映射为以事件发生地点为基元的无向加权网络；根据网络的拓扑特征定义节点的拥塞系数，量化节点发生拥塞的风险。本发明从时空数据中的特殊事件的发生位置和发生时间建立网络，定义节点拥塞系数，识别系统拥塞风险。

说明书

技术领域

本发明涉及一种识别系统拥塞风险的方法。特别是涉及到一种基于事件同步和网络建模的识别系统拥塞风险的方法。

背景技术

系统拥塞是物联网飞速发展的必然结果。随着5G的发展和万物互联时代的到来，通信技术和硬件设施在不断增强。但是，由于更多设备的接入使得系统拥塞问题依然存在并受到重点关注。解决系统拥塞一般从两个方面着手：一、预防，降低网络延迟、提高吞吐量以避免拥塞的发生；二、控制，系统拥塞已经发生时，采取措施改善系统，恢复数据的正常传输。

系统拥塞受到研究者的关注，无论是拥塞预防还是拥塞控制都有科学家在此方面做出贡献。目前，研究人员主要在协议、算法流程和硬件方面关注系统拥塞问题。在协议方面，计算机网络拥塞控制的研究重点在于速率控制，使用TPC传输协议进行源端控制，实现系统拥塞控制。在算法流程设计方面，设计拥塞控制流程，提高链路利用率以控制系统拥塞的出现。在硬件方面，运营商通过增加硬件设备以减少系统拥塞，但增设硬件会增加运营商的经济成本与谈判成本。

复杂网络方法可以量化具有多元素的随时间变化的结构，有利于人们更深入地了解系统各组件之间的相互作用。复杂网络可以加深人们对各领域中具有多元素和多联系的复杂系统的理解。近年来，来自各个领域的科学家们采用复杂网络建模的方法挖掘复杂系统的内部信息。已知事件发生的时间信息即可依据事件同步方法构建复杂网络。最初，在神经科学中引入事件同步方法，量化脑电图信号中的事件同步性。事件同步方法是非参数方法，可以解决相关性分析中数据非正态和非线性导致的分析困难。

发明内容

本发明所要解决的技术问题是，对于具有地理位置属性的时间序列数据，提供一种基于事件同步和网络建模的识别系统拥塞风险的方法。

本发明所采用的技术方案是：基于事件同步和网络建模的识别系统拥塞风险的方法，包括如下步骤：

1)根据过峰值阈值法，将时间序列中大于阈值的值定义为事件，记录事件发生的时间，从不同地理位置处产生的时间序列中提取事件序列，即：从地理位置l处的初始时间序列Y(l)＝{y

其中，

2)根据动态延迟τ

如果

3)将互不相同的地理位置视为复杂网络中的节点，不同地理位置间有事件同步发生则对应的节点之间存在连边，同步发生的事件的数量作为该连边的权重，如此，将时空序列映射为以事件发生的地理位置为基元的无向加权网络，无向加权网络的邻接矩阵A是对称矩阵，A中的元素a

4)计算无向加权网络的拓扑特征，包括网络边权分布p(w)、网络累积度分布P(k)、网络累积强度分布P(s)和节点集聚系数c

上式中，E

上式中，n

上式中，q

上式中，E

5)识别系统拥塞风险，定义节点的拥塞系数为：

上式中，

对网络中的每个节点计算其拥塞系数，用于识别系统发生拥塞的风险；

6)借助MATLAB软件实现网络及拓扑特征和拥塞系数在地理位置上的可视化。

步骤2)是由于事件发生的时间间隔是变化的，为适应事件发生时间，动态延迟τ

其中，

为排除不合理的长动态延迟，根据实际情况确定最大延迟τ

步骤3)中计算任意两个地理位置处同步发生事件的数量，定义系数g

计算位置l处的事件i(i＝1,···,N

所有同步事件中，m处事件发生在l处事件之后的同步事件个数ES

其中，N

无向加权网络的邻接矩阵A中的元素a

a

本发明的基于事件同步和网络建模的识别系统拥塞风险的方法，采用事件同步方法和复杂网络建模方法，对包含地理位置信息的时间序列定义事件、提取事件、计算同步事件的个数、建立网络，根据网络的拓扑特征所定义的节点的拥塞系数可以识别发生系统拥塞的风险。本发明的特色体现在以下几个方面：

1、本发明提出的拥塞系数既包含了一个节点事件同步发生的频率信息，同时包含了与该节点事件同步发生的拓扑邻居节点间有事件同步发生的概率信息。拥塞系数可以精准反映节点拥塞情况，识别系统拥塞风险。

2、本发明提出的拥塞系数的定义涉及到网络的拓扑特征，基于事件同步方法建立加权网络算得拓扑特征。事件同步方法关注时间序列中的特殊事件，这种方法的优势在于，它既可以量化时间序列中的事件之间的相互关联，又适用于事件之间有灵活的动态延迟的情况。此外，此方法不假定数据遵循何种概率分布，适用于具有地理位置信息的时空序列大数据分析。

3、本发明提出的拥塞系数针对包含地理位置信息的三维时空序列数据，软件编程易于实现。可以广泛应用于包含地理位置信息的三维时空序列数据，如：气象数据、交通数据、通信数据、互联网吞吐量数据、脑电信号时序数据等。

附图说明

图1是本发明基于事件同步和网络建模的识别系统拥塞风险的方法的流程图；

图2是移动通信时流量时空序列基于事件同步法生成的加权网络；

图3是图2的加权网络的拓扑特征；

图4是图2的加权网络中节点拥塞系数在地理上的离散分布；

图5是图2的加权网络中节点拥塞系数与平均强度的相关关系；

图6是基站系统拥塞风险图。

具体实施方式

下面结合实例和附图对本发明的基于事件同步和网络建模的识别系统拥塞风险的方法做出详细说明。

本发明的基于事件同步和网络建模的识别系统拥塞风险的方法，如图1所示，包括如下步骤：

步骤1：根据过峰值阈值法，将时间序列中大于阈值的值定义为事件，记录事件发生的时间，从不同地理位置处产生的时间序列中提取事件序列，即：从地理位置l处的初始时间序列Y(l)＝{y

其中，

步骤2：根据动态延迟τ

由于事件发生的时间间隔是变化的，为适应事件发生时间，动态延迟τ

其中，

为排除不合理的长动态延迟，根据实际情况确定最大延迟τ

假设l处的事件i和m处的事件j发生的时间间隔为d

如果d

步骤3：将互不相同的地理位置视为复杂网络中的节点，不同地理位置间有事件同步发生则对应的节点之间存在连边，同步发生的事件的数量作为该连边的权重。如此，将时空序列映射为以事件发生的地理位置为基元的无向加权网络。

计算任意两个地理位置处同步发生事件的数量，定义系数g

计算位置l处的事件i(i＝1,···,N

所有同步事件中，m处事件发生在l处事件之后的同步事件个数ES

其中，N

无向加权网络的邻接矩阵A中的元素a

a

无向加权网络的邻接矩阵A是对称矩阵。A中的元素a

步骤4：计算无向加权网络的拓扑特征，包括网络边权分布p(w)、网络累积度分布P(k)、网络累积强度分布P(s)和节点集聚系数c

上式中，E

上式中，n

上式中，q

上式中，E

步骤5：识别系统拥塞风险，定义节点的拥塞系数为：

上式中，

对网络中的每个节点计算其拥塞系数，用于识别系统发生拥塞的风险。

步骤6：借助MATLAB软件实现网络及拓扑特征和拥塞系数在地理位置上的可视化。

实施例

本案例使用的初始数据为某运营商局部区域的基站记录的具有时空特征的时流量数据。时间跨度从2017年2月21日0:00至2月26日23:00。将地理位置处的初始时间序列进行事件提取，选取最大动态延迟τ