大尺度IP骨干网络流量矩阵估计方法研究

流量矩阵估计是当前的热点研究问题,它被网络操作员用来进行负载均衡、路由最优化、流量侦测、网络规划等等.然而,流量矩阵估计本身固有的高度病态特性,使得精确地估计流量矩阵成为具有挑战性的研究课题.本文研究大尺度IP骨干网络的流量矩阵估计;基于RBF(RadialBasisFunction)神经网络,提出一种新的估计方法TMRI(TrafficMatrixRecurrenceInference).TMRI利用RBF神经网络强大的建模功能来建模流量矩阵估计问题,将这一问题的病态特性克服于RBF神经网络的训练过程中,从而避免复杂的数学建模过程.并在所建立的估计模型基础上,将流量矩阵估计描述为约束条件下的最优化过程,通过迭代寻优,TMRI能进一步克服这一问题的病态特性.仿真结果表明TMRI能精确地估计流量矩阵和追踪它的动态变化,与以前的方法相比,具有更强的抗噪声性能和显著的性能改善.