欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025101106779
申请人: 山西大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种网络丢包模型分类识别与多参数计算方法,其特征在于,所述方法包括如下步骤:步骤1:针对多种复杂丢包模型,设定各类参数,以此生成数据集,并对其实施预处理操作,从中提取时域、频域以及统计域特征,进而融合形成多维特征向量;

步骤2:提出一种融合时频域与统计域的网络丢包多模型分类方法,构建全连接神经网络模型,将步骤1所获取的多维特征向量输入全连接神经网络模型中,借助全连接层逐步挖掘数据的深层特质,实现对网络丢包模型的分类;

步骤3:面向各类复杂丢包模型,通过设置多样化参数生成适用于丢包模型参数计算的比特值序列数据,且在其后附上对应的模型参数值;

步骤4:构建一种用于复杂丢包模型多参数计算的ResNeXt-BiLSTM深度神经网络框架,该框架包括多路径卷积ResNeXt、BatchNorm层、ReLU层和双向长短时记忆网络BiLSTM构成,将测试集输入到训练好的ResNeXt-BiLSTM模型中,由模型输出目标丢包模型的内部多参数值,并使用多个评估指标对模型性能进行全面评估。

2.根据权利要求1所述的一种网络丢包模型分类识别与多参数计算方法,其特征在于,所述步骤1中针对多种复杂丢包模型,合理设定各类参数,以此生成数据集,并对其实施预处理操作,从中提取时域、频域以及统计域特征,进而融合形成多维特征向量;具体步骤为:步骤1.1:使用系统生成的随机数作为判断条件,将随机数与各丢包模型的状态转移概率、输出概率进行比较,实现状态之间的转换,生成对应状态下的比特值序列;

步骤1.2:针对比特值序列,提取其多维特征,其中多维特征包括时域、频域和统计域三个领域;

步骤1.2.1:时域特征提取,将原始二进制比特值序列转换为整数形式的时间序列,并从中提取以下特征:过零率ZCR:量化比特值序列穿越零点的频次,反映“0”到“1”或“1”到“0”的转换频率;公式如下:,其中,是比特值序列的长度,是第个比特值,是指示函数,当条件成立时取值为1,否则为0;

最大峰值数量:通过检测比特值序列中的峰值,并统计峰值的总数来获取该特征;计算公式如下:,其中,是寻找峰值的函数,为比特值序列;

最小峰值数量:通过对比特值序列取负值,并利用峰值检测方法寻找谷值,从而得到谷值数量;计算公式如下:,其中,是寻找峰值的函数,为数据序列;

步骤1.2.2:频域特征提取;采用快速傅里叶变换FFT算法将比特值序列转换为频域表示,计算幅度谱并选取前半部分频谱,突出正频率成分的重要性;具体实现步骤如下:步骤1.2.1.1:对比特值序列进行快速傅里叶变换,得到复数形式的频域表示:;

步骤1.2.1.2:计算频域数据的幅度谱,即频域数据的绝对值:;

步骤1.2.1.3:取前半部分频谱,保留频谱的前半部分,即正频率部分:;

步骤1.2.1.4:使用排序方法找到幅度最大的前10个频率点的索引,并从中提取对应的幅度值:,

;

步骤1.2.3:统计域特征提取,根据比特值序列中特定模式的出现频次反映网络中的丢包现象及其特性;其中特定模式为:“01”,“10”,“00”;

“01”:代表丢包的开始,即从无丢包状态转变为丢包状态的转换次数;反映网络中突发丢包的发生频率;

“10”:代表丢包的结束,即从丢包状态恢复到正常状态的转换次数;反映网络从异常状态恢复正常的能力;

“00”:表示在没有丢包的状态下持续不丢包的现象,其出现的频率反映网络的稳定性和可靠性;

步骤1.3:将来自不同分析域的特征向量进行串联,构造出一个全新的高维特征向量,作为后续分类任务的数据集;

步骤1.3.1:初始化特征向量:将每个分析域中提取的若干特征分别表示为三个不同的向量:时域特征向量、频域特征向量、统计域特征向量;根据前面的步骤,这些特征向量包含的具体特征值如下:,,,其中,ZCR是过零率,和分别是最大峰值数量和最小峰值数量;表示幅度最大的前十个频率的幅度值;分别是“01”、“10”、“00”模式的出现次数;

步骤1.3.2:为构建最终的多维特征向量,将上述三个特征向量按顺序串联:,具体来说,当各个特征向量的维度分别为,,,则最终的特征向量的维度为:。

3.根据权利要求2所述的一种网络丢包模型分类识别与多参数计算方法,其特征在于,所述步骤2:提出一种融合时频域与统计域的网络丢包多模型分类方法,构建全连接神经网络模型,将步骤1所获取的多维特征向量输入全连接神经网络模型中,借助全连接层逐步挖掘数据的深层特质,实现对网络丢包模型的分类的具体步骤为:步骤2.1:数据预处理;对于每个特征,通过以下公式进行标准化:,其中,是该特征的均值,是标准差;

步骤2.2:构建全连接层,使用全连接层逐步挖掘数据的深层特质;表示如下:,其中,和分别是权重矩阵和偏置向量;表示输入向量;

步骤2.3:分类器设计,添加一个输出层,其神经元数量等于要分类的丢包模型种类数;采用softmax函数作为激活函数,将每个类别的得分转换为概率分布,使得输出值之和为1;具体计算如下:,,其中,代表的是第层的线性组合输出,是连接第层和第层之间的权重矩阵,是第层的激活输出,是第层的偏置向量,表示第类的概率;

步骤2.4:模型训练:利用生成的数据集中的样本及其对应的标签,即真实的丢包模型类型,通过反向传播算法调整权重参数以最小化损失函数:,其中,为丢包模型类别数,是真实标签,表示预测的概率分布;

步骤2.5:模型验证与调优,通过交叉验证的手段评估模型的表现,根据评估结果调整超参数,直到获得满意的分类效果,优化器采用Adam优化器,Adam优化器的更新公式为:,,,,,其中,和分别代表梯度的一阶矩估计和二阶矩估计,用于计算参数更新步骤中的自适应学习率;和是过去梯度衰减率的超参数;是损失函数对参数的梯度;是一个小常数,防止除零;是学习率,控制每次更新的步长;和是偏置校正后的矩估计;表示在时间步处的参数值。

4.根据权利要求3所述的一种网络丢包模型分类识别与多参数计算方法,其特征在于,所述步骤3:面向各类复杂丢包模型,通过设置多样化参数生成适用于丢包模型参数计算的比特值序列数据,且在其后附上对应的模型参数值的具体步骤如下:步骤3.1:数据生成,基于选取的参数,模拟产生相应的丢包事件,生成丢包时序序列;

步骤3.2:标注真值,对于每一个生成的丢包序列,记录下用来生成它的具体参数配置,作为该样本的真实标签;

步骤3.3:格式整理,按照统一的格式组织好所有的丢包时序序列及其匹配的模型参数值,形成结构化的数据集,以便于后续的读取、处理和分析。

5.根据权利要求4所述的一种网络丢包模型分类识别与多参数计算方法,其特征在于,所述步骤4中构建一种用于网络丢包模型多参数计算的ResNeXt-BiLSTM深度神经网络框架,该框架的构建包括以下步骤:步骤4.1:ResNeXt Block采用多路径卷积结构,具体的卷积过程包括1×1卷积用于降维、3×3分组卷积以增强特征多样性,BatchNorm层进行标准化处理,并使用ReLU激活函数引入非线性;输入特征图为,其中为输入通道数,为特征图的长度;步骤4.1.1:11卷积降维,并通过BatchNorm层和ReLU层,公式如下:,,,其中,表示经过1×1卷积操作后的输出;表示卷积核的权重矩阵;表示1x1卷积操作中的偏置项;表示经过批量归一化和ReLU激活函数处理后的输出;是BatchNormalization的缩放参数;为卷积后的均值;为卷积后的方差;是一个防止除零的常数;是Batch Normalization的平移参数;为中间维度;为路径数;为输出通道数;为宽度扩展因子;

步骤4.1.2:将进行分组卷积操作,公式如下:

,,其中,分组卷积将中间维度分为组,每组大小为,为分组数;表示卷积核的权重矩阵;表示分组卷积操作后的输出;表示分组卷积操作的偏置项;表示经过批量归一化和ReLU激活函数处理后的输出;为卷积后的均值;为卷积后的方差;是Batch Normalization的缩放参数;是Batch Normalization的平移参数;是一个防止除零的常数;

步骤4.1.3:11卷积恢复通道数,将分组卷积后的特征图恢复到原始通道数,以便与后续层进行连接;公式如下:,,其中,表示卷积核的权重矩阵;表示11卷积操作的输出;表示11卷积的偏置项;为卷积后的均值;为卷积后的方差;是Batch Normalization的缩放参数;是Batch Normalization的平移参数;表示批量归一化操作的输出;是一个防止除零的常数;

步骤4.1.4:将进行残差链接与ReLU激活,通过残差链接保留输入信息,防止信息丢失;ReLU激活函数增加非线性,提高模型表达能力:,其中,是通过下采样调整过的残差分支;表示经过残差链接与ReLU激活后的输出;

当输入和输出的维度不同时,对输入进行下采样:

,其中,表示对进行卷积下采样,表示对进行归一化处理;

步骤4.2:将通过两个ResNeXt Block得到的特征图输入全局池化层,池化操作将特征图压缩为固定大小,以适应后续的LSTM处理;公式如下:,其中,是输入特征图的长度;表示全局池化后的特征向量;

步骤4.3:将全局池化后的特征向量视为一个序列的输入,使用BiLSTM层对其进行处理;通过结合前向和后向LSTM的结果,BiLSTM能够捕捉丢包序列中的长期依赖关系;计算公式如下:,,,式中,表示在时间步的前向LSTM的隐藏状态、表示在时间步的后向LSTM的隐藏状态;表示激活函数;、分别表示前向和反向LSTM层的权重矩阵;、分别表示前向和反向LSTM层对前一时间步隐藏状态的权重矩阵;、分别表示前向和反向LSTM层的偏置项;表示双向LSTM的输出;表示输入序列;

步骤4.4:在BiLSTM层处理完序列特征后,取最后一个时间步的隐藏状态作为输入,通过全连接层生成最终的输出,用于预测丢包模型的多参数值,计算公式如下:,式中,为全连接层的权重矩阵;;为偏置;

步骤4.5:将均方误差MSE作为损失函数,其公式为:

,其中,是样本数量;是第个样本的真实值;是第个样本的预测值;

优化算法使用Adam优化器,其更新公式为:

,其中,和分别是梯度的一阶矩和二阶矩;为学习率;是一个防止除零的常数;表示更新后的参数值;

步骤4.6:使用多个指标进行模型性能评估:

均方误差MSE,衡量预测值与真实值之间的平方误差的平均值,数值越小表示模型的预测结果越接近真实值,公式如下:,其中,是样本数量;是第个样本的真实值;是第个样本的预测值;

平均绝对误差MAE,预测值与真实值之间绝对误差的平均值,用于衡量模型预测结果的平均误差大小,公式如下:,其中,是样本数量;是第个样本的真实值;是第个样本的预测值;

决定系数,用于衡量模型的解释能力,即模型解释自变量对因变量变异的比例;R²的取值范围为[0,1],其中1表示模型完美预测,0表示模型没有解释能力,公式如下:,其中,是样本数量;是第个样本的真实值;是第个样本的预测值,是真实值的平均值。

6.根据权利要求5所述的一种网络丢包模型分类识别与多参数计算方法,其特征在于,所述步骤4.6中,通过将测试集输入到训练好的ResNeXt-BiLSTM模型中,由模型输出目标丢包模型的内部多参数值,并使用多个评估指标对模型性能进行全面评估。