罗尚平，刘才铭

（乐山师范学院 计算机科学学院，四川 乐山 614004）

网络通信过度负载影响网络数据传输的性能与吞吐量，网络通信负载状态可准确描述网络通信负载情况[1]。网络通信处于均衡负载状态，证明网络通信状态良好，正常维护即可[2]；若网络通信处于过度负载状态，说明网络通信超出工作负荷，应采取有效措施分担网络传输数据量、缓解网络负载[3]。识别网络通信负载状态是保障网络安全、健康通信的有效措施，避免网络崩溃的同时营造良好的网络通信环境[4-5]。本文采用全局搜索性能优的量子粒子群算法与最小二乘支持向量机模型结合设计网络通信负载状态识别系统。

1 网络通信负载状态识别系统

1.1 系统总体结构设计

基于QPSO-LSSVM 设计网络通信负载状态识别系统，总体架构如图1所示。

图1 基于QPSO-LSSVM 的网络通信负载状态识别系统总体框图Fig.1 Overall block diagram of network communication load status identification system based on QPSO-LSSVM

1.2 硬件设计

1.2.1 WinPcap 数据采集模块

WinPcap 数据采集模块具备网络通信状态数据捕获与数据转发功能。该模块与交换机镜像端口连接交互，采集初始数据。WinPcap 包含许多高效接口，便于进行网络通信数据获取和监听，同时可预处理数据包，最终完成网络通信状态数据捕获[6-7]。以TCP 协议为中介，将封装后的数据转发到底层流，以供求取分析平台的数据适配节点[8]。

1.2.2 SPI 通信接口电路

系统通过P89LPC932 与MF RC522 SPI 接口进行网络状态数据通信。该接口是一种高速串行的数据通信SPI 接口，具备同步、双工、高效的特点，包含主模式与从模式两种，两种模式分别支持3 Mb/s 与2 Mb/s 的速率；传输完成，出现写冲突时有明显标志。

1.2.3 负载识别模块

模块硬件构成包括P89LPC932 单片机、MF RC522射频芯片、SPI 通信接口等，负载识别模块的MF RC522基于QPSO-LSSVM 进行网络通信状态识别。模块中P89LPC932 单片机主导作用是模块识别网络负载状态的控制器，其中的MF RC522 是负载识别模块的关键，包括电源输入、射频接口电路和其他外围电路，是控制器与电子标签的连接纽带。上述电路同时包含数字信号和模拟信号，因此设计电路时应注意抗干扰功能[9]，决定负载识别模块的工作状态。

1.3 软件设计

1.3.1 基于QPSO 的模型参数寻优

优化PSO 算法得到QPSO 算法。QPSO 算法优点是全局搜索性能佳，具备搜索全部可行解空间的能力，优于PSO 算法。

具体描述QPSO 算法：D维搜索空间内，存在m个粒子表示第i个粒子的坐标，且i=1,2,…,m。目标函数的适应值通过代入的方式计算。表示第i个粒子搜索到的最优坐标，表示全部粒子群搜索到的最优坐标是势中心点。归纳更新粒子状态的步骤为：

式中：i=1,2,…,m；d=1,2,…,D；h，r1，r2取值在[0，1]之间；t表示迭代次数；e为非负数，且在以下，发挥其收缩扩张功能将参数e做线性变换，得到以下形式：

式中：e0，e1是常数；t是迭代步数；Tmax是定义的迭代次数上限。

采用QPSO 优化LSSVM 参数的过程为：

1）在问题大小的基础上得到粒子群的数量，定义为m，还原全部粒子，2 是粒子维数，与正则化参数γ、核函数参数σ对应。

2）确定QPSO 收缩因子最大值与最小值、迭代次数上限等参数。

3）全部粒子采用LSSVM 构建网络通信负载状态识别模型，同时获取适应值函数。

4）运算个体极值和全局极值参数，作为数据构建信息数据库。

5）更新信息数据库中的个体极值ai、种群全局极值ag、势中心点a等参数。

6）采用式（1）～式（3）更新粒子坐标的同时约束粒子的位置信息。

7）迭代系数逐次增加1，执行步骤3），得到1 个预期适应值时或者迭代次数达到上限时停止。

8）基于QPSO 实现参数寻优，将最优粒子作为LSSVM 模型的参数[10]，构建 LSSVM 模型，判定网络通信状态为均衡负载或者过度负载。

1.3.2 网络通信负载状态识别流程

采用QPSO-LSSVM 识别网络通信负载状态流程如图2所示。由图2可知，预处理网络通信负载状态数据后，采用QPSO 优化LSSVM 参数，使用最优粒子作为最优参数构建LSSVM，最优的LSSVM 针对网络通信负载状态数据识别出网络负载状态。

图2 基于QPSO-LSSVM 的网络通信负载状态识别流程Fig.2 Flow chart of network communication load status identification based on QPSO-LSSVM

2 实验分析

2.1 系统识别结果分析

为证明本文系统识别网络通信负载状态的优越性，采用PSO-SVM 负载识别系统、BP-SVM 负载识别系统进行对比测试。三种系统识别的网络通信负载状态结果如表1所示。

表1 不同系统的网络通信负载状态识别结果Table 1 Results of network communication load status identification of different systems

由表1可知，本文系统识别到的网络通信负载状态与实际情况基本一致；PSO-SVM 负载识别系统将A 网络的均衡负载状态误判为过度负载；BP-SVM 负载识别系统将E 网络的过度负载误判为均衡负载。因此，本文系统识别网络负载状态的能力最强，精度最高。

2.2 系统性能分析

反复进行50 次测试，记录三种系统识别网络通信负载状态的时间开销、空间开销、稳定性等性能参数均值，如表2所示。表2数据显示，本文系统识别网络通信负载状态的耗时比PSO-SVM 负载识别系统、BP-SVM 负载识别系统分别节约117 ms，159 ms，空间开销分别节约6.1 GB，9.4 GB；本文系统的平均稳定性、平均识别率高达98.6%，99.5%，识别网络通信负载状态可靠性强、准确度高；本文系统的吞吐量高达2.5 Mb/s，即识别网络负载状态过程中发送的数据量较大，有效提升了系统传输数据的速度。

表2 系统识别性能对比Table 2 Comparison of system identification performances

3 结 论

本文基于QPSO-LSSVM 设计网络通信负载状态识别系统。其优势在于使用量子粒子群算法优化最小二乘支持向量机模型的参数。由于量子粒子群算法具备极强的全局搜索能力，优化的模型参数精度高，采用最优参数构建最优的最小二乘支持向量机模型，所以识别的网络负载状态精确度较高，结果可靠。营造安全、畅通的网络通信环境应时刻掌握网络通信负载状态。本文系统提供一种高效、可靠的网络通信负载状态识别方式，是监测网络负载状态的有效依据，应用前景广阔。