基于网络业务特征的用户行为及虚拟映射技术研究

For the needs of building high credibility network, the efficient resource allocation scheme based on virtual mapping is designed for the huge growing data services in the future network to make communication credible between the network and users. It solves the problems of lacking of dynamic prediction and intelligent resources control in the current network.The research work in the project is as following: A mass data collection and analysis system,the data classifacation method, the prediction method of network traffic and user behavior, A credible network architecture with dynamic perception ability,and the resource scheduling mechanism based on virtual mapping in the new network. The goal of the project is how to guarantee and improve the network intelligent control ability, and how to solve the problem of blind network resources scheduling, when the data services characteristics and user behavior requirement, traffics load variation and network nodes failure are unknow. The research work provides theoretical basis and practical guidance to build a smart, trusted network resource management system.

针对国家建设未来高可信网络的战略计划需求，本项目针对日益增长的网络数据业务，在研究海量网络数据的特征和用户业务行为需求的基础上，设计未来网络中基于虚拟映射技术的高效资源分配方案，实现未来网络和用户之间通信可信赖的目的，解决目前通信网络缺乏动态预测和资源智能管理能力的问题。具体包括：本项目拟设计一套完整的网络海量数据采集和分析系统；研究海量网络业务数据分类理论；研究网络流量及用户行为预测算法，提出具有动态感知能力的可信网络模型，及研究该模型下基于虚拟映射的资源管理机制。本项目的目标是探索未来网络面临的如何保证和提高网络智能管控能力的关键技术，从而解决当数据业务特征和用户行为需求未知、负载变化、网络节点失效等因素引起的当前网络盲目调度资源问题，为构建一个智能、可信的网络资源管理体系提供理论依据和实践指导。

针对国家建设未来智能可信的通信网络的战略需求，重点就要解决从海量网络数据和用户业务行为上挖掘出有效的规律和知识，以及设计基于虚拟化技术的有效资源管理方案，解决目前通信网络缺乏动态预测和资源智能管理能力问题。.为了完成基于业务特征的用户行为及虚拟映射技术，我们主要做了以下几方面工作（1）为了提高对TB级数据的处理效率，设计并实现了一套基于Hadoop的海量数据分布式处理系统，提出了新的云调度算法。（2）通过分析两个市在不同年用户的上网流量分布特点，提出了对数正态指数分布模型来刻画用户使用数据业务时新出现的特征。（3）通过研究了人类移动行为特点，发现了人们出行时间的稳定性和新的变化特征，以及用户每天迁移路径的规律。（4）为了解决多维节点在未知类别数量的情况下的分类问题，我们提出了一种自适应聚类算法并取得好的效果。（5）我们研究了用户的频繁模式，解决了提取用户的四个共同特征就能最大限度的预测用户未来的行为问题。（6）发现了每个基站用户数和产生流量之间的模型关系，用来解决网络绿色通信问题。（7）我们使用熵证实了移动互联网业务特征的可预测性。（8）提出了一种通过生物侧抑制和交叉机制来改善神经网络神经元的丰富特性的神经网络预测方法，达到满意的预测精度。（9）提出了基于小波注入的最小复杂度回声状态网络（MCESN）预测模型，在150个神经单元时，就能够达到接近传统ESN的预测效果，但复杂度远远低于ESN。（10）提出了一种基于HCR（混合环形动态池）的ESN方法，不但扩展了应用的谱半径的范围，还到达了满意的预测精确度。（11）提出了基于多维博弈论的虚拟化资源分配机制，并利用拉格朗日乘子法和海森矩阵的性质证明了多维Nash的存在性，来处理多个VNs处理多种资源的分配问题。（12）针对传统的虚拟网络映射算法效率低下的这一问题，我们提出了基于拓扑聚合度的虚拟网络映射算法。（13）提出了针对不同业务需求的资源分配方法。（14）提出了基于拍卖机制的网络资源分配框架，让多个InP和SP相互竞争网络资源，以达到系统整体的利益最大化。（15）设计了基于预测的智能化分布式虚拟网络资源管理架构，达到高效的物理资源共享。围绕项目研究内容，已发表论文24篇（包括EI检索论文21篇，SCI检索论文3篇），专利5项，专著1本，已投稿4篇SCI论文。