基于信息增益、贝叶斯优化与深度学习的无线网络数据帧尺寸预测研究

Frame size prediction of wireless network is an important method to improve throughput and is a powerful tool to optimize network performance. The project studies the frame size prediction based on information gain, Bayesian Optimization and deep learning approaches, demonstrates comprehensively the relativity of frame size with the network feature information, obtains neural network prediction model with optimal objective function and parameters, and explores the novel application of deep learning in optimizing network performance. Therefore, some novel approaches are proposed in this project: (1) proposes a method which using information gain to measure the relativity between frame size and network feature information, provides a practical guide for selection network feature information and picks the training and testing data set for prediction model; (2) determines neural network structure, hidden layer number and links of neighbor layers, and summarizes the method by using deep learning to obtain and optimal the prediction model.(3) proposes a approach by employing Bayesian regularization method to solve the problem of data over-fitting of training prediction model, and by solving the minimum objective function to optimize the network weight and biased estimate parameters, and achieves real time prediction of frame size. Therefore, this project has important scientific significance and application value.

无线网络数据帧尺寸预测是提高网络吞吐量的重要手段，也是优化网络性能的有力工具。立项研究基于信息增益、贝叶斯优化和深度学习的数据帧尺寸预测，全面揭示各网络特征信息与数据帧尺寸间的强弱相关性，构建目标函数与参数优化的神经网络预测模型，探索深度学习在优化网络性能的新应用。为此，拟进行以下创新研究：(1)提出利用信息增益揭示并度量各网络特征信息与数据帧尺寸间相关性的方法，提供网络特征信息选取的实用指南，萃取用于预测模型训练和测试的数据；(2)通过研究神经网络的结构、隐藏层数目及相邻层间的链接关系，总结利用深度学习构建并优化预测模型的方法；(3)提出运用贝叶斯规整化方法解决预测模型训练中数据过拟合问题的思路，通过求解最小化目标函数，优化网络权重和偏估计值等参数，实现实时预测数据帧尺寸。因此，本项目的研究具有重要科学意义和应用价值。

本项目主要针对通过深度学习方法实现对无线网络中数据帧聚合尺寸的预测问题，开展了相关研究。数据帧聚合方法是优化无线网络性能的重要手段之一，也是提高网络吞吐量的有力工具。 本项目在研究中利用信息增益揭示并度量各种网络特征信息，如信噪比、数据帧长度、节点数量等，与数据帧尺寸间相关性。通过网络方法在国内和爱尔兰的进行了分时段、分地点、分环境的数据采集各种，已经收集到了超过100G的数据，并根据需求进行数据清洗和标注工作，构建神经网络模型训练和测试使用的训练集。项目组还利用LSTM和残差网络的思想，尝试提出了符合无线网络环境特性的神经网络结构，并利用数据集进行了模型的训练。在训练过程中，网络模型优化中利用了贝叶斯惩罚的方法进行处理，在模型中达到一定效果，但还需要继续进行优化。本项目的研究对于深度学习方法在无线网络方面的理论研究、应用推广具有比较重要的意义，同时相关思想也在图像识别的应用中得到体现。项目也支撑了6个硕士/博士研究生的工作，也获得了四川省科技进步奖1项。