一种提升树算法在网络故障关联分析中的应用

针对移动网络故障反馈与故障分类的准确率问题,提出一种基于k-NN的多分类器提升树算法,该算法采用k近邻对特征向量空间划分,结合adboost误差函数和迭代算法,实现多分类器决策判别,并利用R语言可视化方法的关系数矩阵提取和筛选出投诉/故障映射主属性,进而建立基于基站退服、覆盖盲点、非网络原因3类故障投诉关联分析及预测模型。实验结果表明,与C50决策树、RIPPER分类规则及SVM比较,在网络故障关联预测方面新算法的分类准确率提升约2%～10%。     

高级在轨系统的自相似业务量预测链路优化模型

在AOS高级在轨系统链路协议的基础上,分析了具有自相似特性的业务流量,提出了一种基于FARIMA模型的自相似预测的链路优化模型。该预测模型基于分数阶统计理论,在估计赫斯特参数的基础上,根据不同的时间粒度,提前预测突发业务量的到来,从而降低了网络丢包率。仿真表明模型在20点预测内具有较好拟合性,在一定置信区间下具有较好的预测成功概率和较低的虚警概率,同时使网络丢包率大幅下降。     

高级在轨系统吞吐量跨层优化虚拟信道调度模型

CCSDS高级在轨系统的VCLC子层的输出作为虚拟信道的输入,其复用效率与等待时间因子直接影响VCA子层和整个系统的吞吐性能.基于泊松分布,将效率问题转化为对满效率发生概率的研究,建立了MPDU复用的统计概率模型,提出一种基于跨层优化的加权时间片虚拟信道调度模型,并推导给出了满足吞吐量最优的公式.仿真结果表明,新跨层优化模型能够明显提离虚拟信道下行数据吞吐量,减小平均延迟.