CN113705959A - 网络资源分配方法及电子设备 - Google Patents

网络资源分配方法及电子设备 Download PDF

Info

Publication number
CN113705959A
CN113705959A CN202110790242.5A CN202110790242A CN113705959A CN 113705959 A CN113705959 A CN 113705959A CN 202110790242 A CN202110790242 A CN 202110790242A CN 113705959 A CN113705959 A CN 113705959A
Authority
CN
China
Prior art keywords
node
traffic
network
matrix
flow
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110790242.5A
Other languages
English (en)
Other versions
CN113705959B (zh
Inventor
杨辉
包博文
姚秋彦
李超
孙政洁
张�杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to US17/403,479 priority Critical patent/US11658921B2/en
Publication of CN113705959A publication Critical patent/CN113705959A/zh
Application granted granted Critical
Publication of CN113705959B publication Critical patent/CN113705959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
    • H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/83—Admission control; Resource allocation based on usage prediction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Optimization (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)

Abstract

本公开提供一种网络资源分配方法及电子设备，该方法包括：根据城域网中各节点间的空间邻接关系生成邻接矩阵；根据所述各节点的流量数据信息生成网络状态特征矩阵；从所述邻接矩阵和所述网络状态特征矩阵中提取所述各节点的流量空间特征；根据所述各节点的流量空间特征确定所述各节点的预测流量；以及根据所述各节点的预测流量进行网络资源分配。

Description

网络资源分配方法及电子设备
技术领域
本公开涉及城域网络资源控制技术领域，尤其涉及一种网络资源分配方法及电子设备。
背景技术
在城市化发展的驱动下，城乡人口大量迁移至城镇，使得城镇人口密集度逐年上涨。受益于快速发展的无线移动通信与光通信技术，大量新型网络设备接入城域网，由此导致城域网接入流量随人口增加而急剧上涨，给城域网络资源分配工作带来了极大挑战。鉴于城镇人员办公与居住位置通常按区域划分，城域网流量趋势随人员作息流动而产生对应变化，形成明显的网络流量潮汐现象。现有的城域网流量预测与资源分配方案，仅片面地划分地理位置或以全局视角看待问题，并不能结合实际网络流量潮汐情况分析问题，所以，目前在面向城域网的网络流量预测与资源分配方案层面，仍然存在预测角度片面、流量特性提取失准、资源分配利用失调等不足之处。
发明内容
有鉴于此，本公开的目的在于提出一种网络资源分配方法及电子设备。
本公开实施例所述的网络资源分配方法包括：
根据城域网中各节点间的空间邻接关系生成邻接矩阵；
根据所述各节点的流量数据信息生成网络状态特征矩阵；
从所述邻接矩阵和所述网络状态特征矩阵中提取所述各节点的流量空间特征；
根据所述各节点的流量空间特征确定所述各节点的预测流量；以及
根据所述各节点的预测流量进行网络资源分配。
可选的，根据城域网中各节点间的空间邻接关系生成邻接矩阵包括，包括：
获取城域网的动态网络状态图；
将所述动态网络状态图划分为若干静态网络状态图；
根据所述静态网络状态图包含的各传输交换节点间的链路连接关系确定所述各传输交换节点间的空间邻接关系；其中，两个传输交换节点间具有空间邻接关系表示所述两个传输交换节点间有直接的链路连接；根据所述各传输交换节点的空间邻接关系生成所述邻接矩阵At：
Figure BDA0003160815870000021
其中，ai,j代表传输交换节点i和传输交换节点j之间的空间邻接关系，其中，ai,j＝1代表传输交换节点i和传输交换节点j之间有直接的链路连接；ai,j＝0代表传输交换节点i和传输交换节点j之间没有直接的链路连接。
可选的，根据所述各节点的流量数据信息生成网络状态特征矩阵，包括：
针对t时刻的所述静态网络状态图，提取所述各传输交换节点的流量数据信息；其中，所述流量数据信息包括：传输交换节点所属区域、接入用户终端数目、日期、流量带宽、传输持续时间以及路径信息。
根据所述各传输交换节点的流量数据信息生成所述各节点的网络状态特征向量。
根据所述各传输交换节点的网络状态特征向量生成所述网络状态特征矩阵Zt：
Figure BDA0003160815870000022
其中，zi,j代表传输交换节点i在其网络状态特征向量中第j个维度上的特征值。
可选的，从所述邻接矩阵和所述网络状态特征矩阵中分别提取所述各节点的流量空间特征包括：
初始化并预训练空间特征提取模型；其中，所述空间特征提取模型为图卷积网络；以及
将所述邻接矩阵和所述网络状态特征矩阵输入所述空间特征提取模型得到所述各传输交换节点的流量空间特征。
可选的，所述初始化所述空间特征提取模型，包括：
初始化所述图卷积网络的人员流动权重矩阵：
Figure BDA0003160815870000031
其中，当所述城域网中传输交换节点i与传输交换节点j之间不存在直接人员流动影响时，mi,j＝0；否则，传输交换节点i与传输交换节点j之间的人员流动权重初始值设置为传输交换节点间距离的倒数：
Figure BDA0003160815870000032
其中，d(i,j)为传输交换节点i与传输交换节点j之间的物理直线距离。
可选的，所述将所述邻接矩阵和所述网络状态特征矩阵输入所述空间特征提取模型得到所述各节点的流量空间特征，包括：
所述各传输交换节点的流量空间特征表示为流量空间特征矩阵；其中，所述流量空间特征矩阵通过如下表达式确定：
Figure BDA0003160815870000033
Figure BDA0003160815870000034
Figure BDA0003160815870000035
Figure BDA0003160815870000036
Figure BDA0003160815870000037
其中，σ为Sigmoid激活函数，Lt为拉普拉斯变换矩阵，Zt为所述网络状态特征矩阵，
Figure BDA0003160815870000038
为输入层到隐藏层的所述人员流动权重矩阵，
Figure BDA0003160815870000039
为隐藏层到输出层的所述人员流动权重矩阵，
Figure BDA00031608158700000310
为经过对角单位化处理后的所述邻接矩阵，
Figure BDA00031608158700000311
为所述邻接矩阵
Figure BDA00031608158700000312
中的元素，Di,i为所述邻接矩阵
Figure BDA00031608158700000313
中第i行元素之和，Dt为与At相关的对角矩阵。
可选的，所述根据所述各节点的流量空间特征分别确定所述各节点的预测流量包括，包括：
初始化并预训练流量预测模型；其中，所述流量预测模型为：长短期长短期记忆网络、循环神经网络或门控循环单元。
将所述所述各节点的流量空间特征输入所述流量预测模型得到所述各节点的预测流量。
可选的，所述流量预测模型为门控循环单元；以及
所述将所述所述各传输交换节点的流量空间特征输入所述流量预测模型得到所述各节点的预测流量包括：
根据所述流量空间特征矩阵Xt中针对传输交换节点v的空间特征信息
Figure BDA0003160815870000041
并结合预先训练得到的所述门控循环单元的权重参数Wu、Wr、Wc、bu、br以及bc，得到节点v的预测流量：
Figure BDA0003160815870000042
Figure BDA0003160815870000043
Figure BDA0003160815870000044
Figure BDA0003160815870000045
其中，σ为Sigmoid激活函数，
Figure BDA0003160815870000046
分别为重置门、更新门、门控循环单元输出，
Figure BDA0003160815870000047
为传输交换节点v的时空流量预测结果，ht-T为前一个步长所对应的时空流量历史数据。
可选的，所述根据所述各传输交换节点的预测流量进行网络资源分配，包括：
根据所述各传输交换节点的预测流量以及所述各传输交换节点的流量承载容量上限，确定所述各传输交换节点的未来流量占比。
针对每个业务请求，
根据所述各传输交换节点的未来流量占比选择具有最小流量占比的传输路径作为所述业务请求对应的传输路径；以及
根据所述业务请求的网络资源需求，为所述业务请求对应的传输路径上的节点分配网络资源。
基于同一发明构思，本公开实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一项所述的基于城域网流量预测的资源分配方法。
从上面所述可以看出，本公开实施例提供的网络资源分配方法和电子设备，以网络拓扑节点连接情况为依据，结合人员作息流动带来的接入流量潮汐变化，进行城域网中各个节点的流量预测，并根据各个传输交换节点预测的流量进行网络资源分配，一方面可以提升网络流量预测结果准确度，增强节点对突发流量变化的预知能力与处理能力，另一方面还可以使整个城域网系统的资源平衡能力得到提升。
附图说明
为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的网络资源分配方法的应用场景示意图；
图2为本公开实施例提供的网络分配方法的流程图；
图3显示了本公开实施例所述的根据所述静态网络状态图包括的各传输交换节点间的空间邻接关系得到邻接矩阵的具体方法；
图4显示了本公开实施例所述的提取所述静态网络状态图包括的各传输交换节点的流量数据信息生成网络状态特征矩阵的具体方法；
图5显示了本公开实施例所述根据所述邻接矩阵和所述网络状态特征矩阵，以及预先训练得到的空间特征提取模型，得到流量空间特征矩阵的具体方法；
图6显示了本公开实施例所述根据所述各传输交换节点的流量空间特征确定所述各节点的预测流量的具体方法；
图7显示了本公开实施例所述预训练空间特征提取模型和流量预测模型的具体方法；
图8显示了本公开实施例所述根据所述各传输交换节点的预测流量进行网络资源分配的具体方法；
图9为本公开实施例提供的网络资源分配装置结构图；
图10为本公开实施例提供的电子设备硬件的结构示意图；
图11为本公开一个实施例所述的城域网网络资源分配方法的具体流程图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如背景技术部分所述，相关技术中的网络资源分配方案，城域网(MetropolitanArea Network)是在一个城市范围内所建立的计算机通信网，简称MAN，属宽带局域网，城域网在不同时间段以及不同区域所对应的流量需求存在差异，所以，如何精准预测以及合理分配城域网流量是至关重要的问题。
然而，现有相关技术中城域网流量的预测与分配往往基于地理或者全局划分区域，脱离城域网传输交换节点连接特征，网络流量空间特征提取难以对应网络节点实际变化，而且以全局视角划分城域网区域也难以贴切缩影的记录流量潮汐现象，网络流量预测结果无法为城域网提供更高效的资源分配方案，并且缺少实际资源分配方案来进行网络合理控制，同时，现有相关技术中虽综合考虑历史时刻城域网流量状态变化趋势以精确预测结果，但是现有相关方案没有结合城域网区域性人员流动影响，使其在应对城域网流量激增情况时并不具备针对性，网络流量预测精度遭受严重考验，无法提供快速灵活的实时资源分配调整方案。
综合上述考虑，本公开实施例提出一种网络资源分配方法，可以基于预先训练的空间特征提取模型和城域网流量预测模型，以网络拓扑节点连接情况为依据，结合人员作息流动带来的接入流量潮汐变化，预测城域网流量状况，并利用节点流量占用比例感知所需资源，定制资源分配方案，使整个城域网系统的资源平衡能力得到提升，从而能够有效地分配网络资源，解决预测角度片面、流量特性提取失准、资源分配利用失调等问题。
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
参考图1，其为本公开实施例提供的网络资源分配方法的应用场景示意图。该应用场景按照城域网内各地理位置的主要功能作用，将整个城域网覆盖范围内的地理分布划分为办公区域、居住区域、综合区域。其中，办公区域是指人员日常工作的所属地理范围，该区域网络流量随人员上班期间而增加至峰值，并随下班期间而降低至谷值；居住区域是指人员日常起居的所属地理范围，该区域网络流量随人员下班期间而增加至峰值，并随上班期间而降低至谷值；综合区域是指介于人员日常工作与起居的所属地理范围，由于该区域没有特定功能引导，该区域网络流量变化复杂而没有显著趋势。
该应用场景网络层的城域网拓扑结构，包括网络传输光纤、传输交换节点，其中传输交换节点具备存储单元、计算单元、控制单元。在本公开实施例中，为了描述方便，将上述传输交换节点简称为节点。
该应用场景的地理层中办公区域、居住区域和综合区域内包括若干城域网用户，每个城域网用户都对该应用场景的网络层的一个传输交换节点，每个传输交换节点通过网络传输光纤连接。
传输交换节点是指网络数据上行与下行网络边缘点，用以连接用户侧终端与网络传输光纤的输入/输出点，并具有网络传输光纤末端数据交换功能。
网络传输光纤是指供数据传输的物理光纤实体，用以承担网络传输媒介，提供透明传输通道。
存储单元是提供城域网记录城域网的动态网络状态数据与历史数据的独立网络模块，能为计算单元提供数据支撑。
在存储单元中，存储有城域网中各节点间的空间邻接关系以及各节点的流量数据信息，以及计算单元返回的根据城域网的动态网络状态数据构建的邻接矩阵与网络状态特征矩阵，作为后续流量预测的历史输入数据。
计算单元是提供城域网流量预测与资源规划的网络分析模块，能将分析结果反馈给存储单元用以作为历史数据。
上述计算单元中，可以根据城域网中各节点间的空间邻接关系生成邻接矩阵，根据所述各节点的流量数据信息生成网络状态特征矩阵，从所述邻接矩阵和所述网络状态特征矩阵中分别提取所述各节点的流量空间特征，根据所述各节点的流量空间特征分别确定所述各节点的预测流量，以及在有新的业务请求时，根据所述各节点的预测流量确定最优传输路径接收有存储单元中的动态网络状态数据与历史数据，通过解析动态网络状态数据与历史数据，以及更新预先训练得到的人员流动权重矩阵，得到流量空间特征矩阵，对流量空间特征矩阵进行时间特征提取，得到时空流量预测结果，本单元还用于计算传输交换节点的未来流量占比数据，根据未来流量占比情况，结合时空流量预测结果，计算出最优传输路径。
控制单元是执行计算单元分析结果的实际操作模块，用于直接体现流量分析结果与资源分配方案的关键主体。
在控制单元中，根据计算单元提供的最优传输路径进行网络资源分配。
下面结合图1的应用场景，来描述根据本公开示例性实施方式的网络资源分配分配方法。需要注意的是，上述应用场景仅是为了便于理解本公开的精神和原理而示出，本公开的实施方式在此方面不受任何限制。相反，本公开的实施方式可以应用于适用的任何场景。
参考图2，本公开实施例提供了一种网络资源分配方法，包括以下步骤：
步骤202，根据城域网中各节点间的空间邻接关系生成邻接矩阵；
步骤204，根据所述各节点的流量数据信息生成网络状态特征矩阵；
步骤206，从所述邻接矩阵和所述网络状态特征矩阵中提取所述各节点的流量空间特征；
步骤208，根据所述各节点的流量空间特征确定所述各节点的预测流量；以及；
步骤210，根据所述各节点的预测流量进行网络资源分配。
本公开实施例提供的基于城域网流量预测的资源分配方法，以网络拓扑节点连接情况为依据，结合人员作息流动带来的接入流量潮汐变化，提升网络流量预测结果准确度，增强网络节点对突发流量变化的预知能力与处理能力，利用节点流量占用比例感知的资源分配方案，使整个城域网系统的资源平衡能力得到提升。
下面将结合附图对上述方法中的各个步骤的实现方法进行详细说明。
图3显示了本公开实施例所述的根据城域网中各节点间的空间邻接关系生成邻接矩阵的具体方法。如图3所示，该方法可以包括：
步骤302，获取城域网的动态网络状态图，将所述动态网络状态图划分为若干静态网络状态图，根据所述静态网络状态图包含的各传输交换节点间的链路连接关系确定所述各传输交换节点间的空间邻接关系。
具体实施中，各节点间的空间邻接关系是指静态网络状态图包含的各传输交换节点间中任意两个节点之间有无通过直接的链路连接。其中，两个节点间具有空间邻接关系表示所述两个节点间有直接的链路连接，两个节点间不具有空间邻接关系表示所述两个节点间光纤断开的情况下，两个节点间无直接的链路连接。
在另一些实施例中，上述各节点间的空间邻接关系也可以是基本的空间目标点、线、面之间的邻接、关联和包含关系。
在本公开的另一些实施例中，还可以通过其他方法确定所述各传输交换节点间的空间邻接关系，例如，可以在城域网建立之时根据建立的传输交换节点以及传输交换节点之间的物理连接确定上述空间邻接关系。随后，还可以定期根据传输交换节点以及传输交换节点之间物理连接的变化更新上述空间邻接关系。
步骤304，根据所述各传输交换节点的空间邻接关系生成所述邻接矩阵At：
Figure BDA0003160815870000081
其中，ai,j代表节点i和节点j之间的空间邻接关系，其中，ai,j＝1代表节点i和节点j之间有直接的链路连接；ai,j＝0代表节点i和节点j之间没有直接的链路连接。n代表城域网中节点的数量。
下面通过一个具体的示例进行说明，假设所述静态网络状态图包括14个节点，将所述节点进行序号定义1,2,…,i,…,j,…,14；
依据14个节点的空间邻接关系并结合传输交换节点序号构建邻接矩阵At：
Figure BDA0003160815870000091
其中，ai,j代表节点i和节点j之间的空间邻接关系，矩阵At的某一行表示光网络中某一所述传输交换节点与其它所述传输交换节点的邻接程度。
当网络拓扑中节点i与节点j之间存在网络传输光纤直连时，ai,j＝1，否则ai,j＝0，该方法可以实现以矩阵形式刻画网络拓扑图形结构，体现网络节点连接状态。
如此，即可得到城域网的邻接矩阵At。
图4显示了本公开实施例所述的根据所述各节点的流量数据信息生成网络状态特征矩阵的具体方法。如图4所示，该方法可以包括：
步骤402，针对t时刻的所述静态网络状态图，提取所述各传输交换节点的流量数据信息。
具体实施中，各节点的流量数据信息是体现流量变化趋势的关键信息，例如，上述流量数据信息可以包括：节点所属区域、接入用户终端数目、日期、流量带宽大小、传输持续时间、路径信息等。其中，所述路径信息包含流量的源/目的节点的IP地址和端口信息。
在本公开的实施例中，采集流量数据信息的方法可以是但不限于NetFlow技术。NetFlow是一种网络监测技术，可以收集进入及离开网络界面的IP封包的数量及资讯。
在本公开实施例中，针对t时刻的静态网络状态图，基于NetFlow技术采集方法，利用传输交换节点的数据收集模块，可以收集网络全局各节点覆盖范围内接入用户终端数目，记录流入与流出各节点的流量数据信息。
在步骤404，根据所述各传输交换节点的流量数据信息生成所述各节点的网络状态特征向量。
在本公开的实施例中，上述各节点网络状态特征向量的维度即为提取到的各节点的流量数据信息的种类的数量。
在步骤406，根据所述各传输交换节点的网络状态特征向量生成所述网络状态特征矩阵Zt：
Figure BDA0003160815870000101
其中，zi,j代表节点i在其网络状态特征向量中第j个维度上的特征值。r代表上述各节点网络状态特征向量的维度。
在上述具体示例中，上述流量数据信息可以包括：节点所属区域、接入用户终端数目、日期、流量带宽大小、传输持续时间、路径信息六种。由于获取到的各节点的流量数据信息的种类的数量为6，因此，网络状态特征向量的维度即为6。在这种情况下，结合各传输交换节点的序号可以构建网络状态特征矩阵Zt：
Figure BDA0003160815870000102
其中，z表示所述传输交换节点在对应维度上的特征值，矩阵Zt某一行表示城域网某一节点具有6维度特征向量，每一维度代表该节点在某一特性上的不同取值，包含节点所属区域、节点接入用户终端数目、日期、流量带宽大小、传输持续时间和路径信息，以上特征向量都是可以体现流量变化趋势的关键信息。
在本公开实施例中，通过上述图3和4的方法，可以构建邻接矩阵和网络状态特征矩阵，将构建的两个矩阵存储至城域网中传输交换节点的存储单元的数据库中，并作为后续流量预测的历史输入数据。
图5显示了本公开实施例所述从所述邻接矩阵和所述网络状态特征矩阵中分别提取所述各节点的流量空间特征的具体方法。如图5所示，该方法可以包括：
在步骤502，初始化并预训练空间特征提取模型。
在具体实施中，需要对邻接矩阵和网络状态特征矩阵的空间特征进行提取，提取方式可以是但不限于图卷积网络(Graph Convolutional Network，GCN)。图卷积网络处理的数据是图结构，即Non Euclidean Structure非欧几里得结构，拓扑结构。如社交网络连接，信息网络等等。
在本公开实施例中，优选图卷积网络(GCN)作为上述空间特征提取模型提取邻接矩阵和网络状态特征矩阵的空间特征。
在本公开实施例中，上述GCN的权重矩阵包括两种，分别为
Figure BDA0003160815870000111
和
Figure BDA0003160815870000112
Figure BDA0003160815870000113
为GCN输入层到隐藏层的权重矩阵，
Figure BDA0003160815870000114
为GCN隐藏层到输出层的权重矩阵。
在本公开实施例中，初始化上述空间特征提取模型包括：初始化上述GCN的权重矩阵
Figure BDA0003160815870000115
和
Figure BDA0003160815870000116
需要说明的是，对于上述权重矩阵
Figure BDA0003160815870000117
和
Figure BDA0003160815870000118
的初始化方法是相同的，因此，在初始化过程中，为了描述方便，将上述GCN的权重矩阵
Figure BDA0003160815870000119
和
Figure BDA00031608158700001110
统称为GCN的权重矩阵Mt，并通过如下表达式初始化上述GCN的权重矩阵Mt：
Figure BDA00031608158700001111
其中，当节点i与节点j之间不存在直接人员流动影响时，mi,j＝0，否则节点i与节点j之间的人员流动权重初识值为节点间距离的倒数，即
Figure BDA00031608158700001112
其中，d(i,j)为节点i与节点j之间的物理直线距离。
在本公开的一个实施例中，如果节点i与节点j之间存在物理连接，例如光纤连接，则可以确定节点i与节点j之间存在直接人员流动影响；而如果节点i与节点j之间不存在物理连接，例如不存在光纤连接，则可以确定节点i与节点j之间不存在直接人员流动影响。
步骤504，将所述邻接矩阵和所述网络状态特征矩阵输入所述空间特征提取模型得到所述各节点的流量空间特征。
在本公开的实施例中，所述各节点的流量空间特征可以通过流量空间特征矩阵Xt表示。具体地，将邻接矩阵At以及状态特征矩阵Zt输入到GCN网络中提取t时刻网络流量空间特征，可以得到流量空间特征矩阵Xt：
Figure BDA00031608158700001113
Figure BDA00031608158700001114
Figure BDA00031608158700001115
Figure BDA0003160815870000121
Figure BDA0003160815870000122
其中，σ为Sigmoid激活函数，Lt为拉普拉斯变换矩阵，Zt为所述网络状态特征矩阵，
Figure BDA0003160815870000123
为输入层到隐藏层的所述人员流动权重矩阵，
Figure BDA0003160815870000124
为隐藏层到输出层的所述人员流动权重矩阵，
Figure BDA0003160815870000125
为经过对角单位化处理后的所述邻接矩阵，
Figure BDA0003160815870000126
为所述邻接矩阵
Figure BDA0003160815870000127
中的元素，Di,i为所述邻接矩阵
Figure BDA0003160815870000128
中第i行元素之和，Dt为与At相关的对角矩阵。
图6显示了本公开实施例所述根据所述各节点的流量空间特征确定所述各节点的预测流量的具体方法。如图6所示，该方法可以包括：
步骤602：初始化并预训练流量预测模型。
在具体实施中，对所述流量空间特征矩阵进行时间特征提取方式可以是但不限于长短期记忆网络(LSTM)、循环神经网络(RNN)或门控循环单元(GRU)。
其中，门控循环单元(gated recurrent unit，简称GRU)是一种常用的门控循环神经网络，用门控机制控制输入、记忆等信息而在当前时间步做出预测，其表达式为：
z＝σ(xtUz+st-1Wz)
r＝σ(xtUr+st-1Wr)
Figure BDA00031608158700001210
Figure BDA00031608158700001211
在本公开实施例中，优选门控循环单元(GRU)作为确定所述各节点的预测流量的流量预测模型，门控循环单元(GRU)可以对流量空间特征赋予时间序列特征。其中，在初始化流量预测模型具体为初始化权重参数Wu、Wr、Wc、bu、br以及bc。
步骤604：将所述所述各节点的流量空间特征输入所述流量预测模型得到所述各节点的预测流量。
在本公开的实施例中，可以根据流量空间特征矩阵Xt中针对传输交换节点v的空间特征信息
Figure BDA0003160815870000129
并结合预先训练得到的权重参数Wu、Wr、Wc、bu、br以及bc，得到传输交换节点v的时空流量预测结果：
Figure BDA0003160815870000131
Figure BDA0003160815870000132
Figure BDA0003160815870000133
Figure BDA0003160815870000134
其中，σ为Sigmoid激活函数，
Figure BDA0003160815870000135
分别为重置门、更新门、门控循环单元输出，
Figure BDA0003160815870000136
为传输交换节点v的时空流量预测结果，ht-T为前一个步长所对应的时空流量历史数据。
图7显示了本公开实施例所述预训练空间特征提取模型和流量预测模型的具体方法。如图7所示，该方法可以包括：
步骤702，获取训练集，其中，上述训练集包括一组输入数据和一组输出数据。其中，上述输入数据包括：邻接矩阵和网络状态特征矩阵；输出数据包括：各节点的真实流量。
步骤704，将上述训练集中的一组输入数据依次输入到上述空间特征提取模型和上述流量预测模型，得到对应上述一组输入数据的各节点的预测流量。
步骤706，计算上述各节点预测流量与真实流量之间的误差。
具体实施中，各节点预测流量与真实流量之间会存在误差，需要不断的通过更新空间特征提取模型和流量预测模型的参数来调节误差。具体地，在各节点预测流量与真实流量之间会存在误差时需要更新GCN的权重矩阵Mt和GRU的权重参数Wu、Wr、Wc、bu、br以及bc来调节误差。
在本公开实施例中，上述误差具体可以是平均绝对百分比误差(MAPE)，其计算方式如下：
Figure BDA0003160815870000137
其中，p为针对节点v在t时刻输入的训练数据个数，q表示针对节点v在t时刻输入的训练数据个数至少为1，
Figure BDA0003160815870000138
为节点v在t时刻的预测值，
Figure BDA0003160815870000139
为节点v在t时刻的实际值。
在具体实施中，平均绝对百分比误差(MAPE)小，说明时空流量预测模型拥有更好的精确度。
步骤708，响应于上述误差小于预先设定的阈值，则返回上述步骤704继续进行训练，直至达到预定的训练次数。
在本公开实施例中，上述阈值可以设置为0.2。
步骤710，响应于上述误差大于或等于预先设定的阈值，更新上述空间特征提取模型和流量预测模型的参数，并返回步骤704继续进行训练，直至达到预定的训练次数。
在经过上述预训练过程之后，即可将上述空间特征提取模型和流量预测模型应用于上述网络资源分配方法中。
图8显示了本公开实施例所述根据所述各节点的预测流量进行网络资源分配的具体方法。如图8所示，该方法可以包括：
步骤802，根据所述各传输交换节点的预测流量以及所述各传输交换节点的流量承载容量上限，确定所述各传输交换节点的未来流量占比。
在具体实施中，依据节点既定流量承载容量上限，可计算节点v中当前t时刻流量上下行吞吐与容量之间的占比关系
Figure BDA0003160815870000141
并以此类推获取城域网中所有节点的流量占比关系。
在本公开实施例中，假定14个节点在t时刻的流量占比取值如下：
Figure BDA0003160815870000142
在预测结果
Figure BDA0003160815870000143
指引下，可获得未来t+1时刻网络中节点v的流量信息，依据传输交换节点既定流量承载容量上限，可得t+1时刻流量上下行吞吐与容量之间的占比关系
Figure BDA0003160815870000144
并以此类推获取城域网中所有节点的未来流量占比关系。
假定14个节点在t+1时刻预测的流量占比取值如下：
Figure BDA0003160815870000145
其中，由于传输交换节点流量吞吐不能超过该节点既定容量上限，且存在该节点不出现流量吞吐情况，因此
Figure BDA0003160815870000146
其中，由于传输交换节点未来流量吞吐同样不能超过该节点既定容量上限，且存在该节点未来不出现流量吞吐情况，因此
Figure BDA0003160815870000147
步骤804，根据当前传输交换节点流量占比关系，将全部所述传输交换节点进行排序。
具体实施中，将全部所述传输交换节点进行排序的目的是便于计算未来流量占比之和，以便准确清晰找出使得未来流量占比之和最小的节点组合优先作为该节点流量服务的传输路径。因此，上述步骤804为可选步骤。
在具体实施中，上述排序可以为升序排序也可以为降序排序。
例如，在本公开实施例中，通过对比城域网中所有节点当前流量占比关系
Figure BDA0003160815870000151
将所有节点按照降序排序，得
Figure BDA0003160815870000152
Figure BDA0003160815870000153
步骤806，针对每个业务请求，根据所述各节点的流量占比选择具有最小流量占比的传输路径作为所述业务请求对应的传输路径。
具体实施中，上述传输路径的流量占比具体是指该传输路径上各个节点的流量占比之和。因此，上述步骤中，选择具有最小流量占比的传输路径即为选择传输路径上各个节点的流量占比之和最小的传输路径。
在本公开实施例中，在确定存在新接入流量的情况下，根据所有节点的流量占比关系，选择能使得流量占比之和最小的节点组合优先作为该节点流量服务的传输路径。
例如，在本公开实施例中，针对从节点11至节点4的业务请求，根据流量占比之和以及城域网拓扑结构，该流量路径选择存在三个候选传输路径方式，假定当前存在从节点11至节点4的流量服务需求。
路径1：11-10-7-4
路径2：11-10-8-4
路径3：11-9-8-4
可进一步计算这总节点组合的未来流量占比之和结果，其中，11、10、9、8、7、4代表节点序号:
Figure BDA0003160815870000154
Figure BDA0003160815870000155
Figure BDA0003160815870000156
因此三条候选的传输路径中，可以选择路径3作为上述业务请求对应的传输路径。
步骤808，针对每个业务请求，根据所述业务请求的网络资源需求，为所述业务请求对应的传输路径上的节点分配网络资源。
更进一步，在进行网络资源的分配时，还可以进一步考虑传输路径上的资源是否充足。也就是说，在执行完上述步骤806之后，还要继续判断上述业务请求对应的传输路径的资源是否充足，如果充足则执行上述步骤808，如果不充足，则选择流量占比次小的且资源充足的传输路径作为上述业务请求对应的传输路径。
特别的，如果所有的候选传输路径均不满足上述要求，则拒绝上述业务请求。
具体实施中，每个节点可以提供的传输路径资源有限，当节点间网络传输光纤上能够传输与传输交换节点匹配的资源，且每条路径上的每个节点的带宽容量都满足所述服务请求，则视为该传输路径资源充足，否则，则视为该传输路径资源不充足。通常情况下上述节点间网络传输光纤上能够传输与传输交换节点匹配的资源是指各个节点上的剩余带宽大约或者等于业务请求的带宽需求。
例如，在上述示例中，若传输路径3上不存在足量资源，则尝试在传输路径2上分配与该流量请求匹配的带宽资源，若存在能满足传输的足量资源，则完成该节点流量服务请求的资源分配过程。
若传输路径2上不存在足量资源，则尝试在传输路径1上分配与该流量请求匹配的带宽资源，若存在能满足传输的足量资源，则完成该节点流量服务请求的资源分配过程。
若传输路径1上存在能满足传输的足量资源，则完成该节点流量服务请求的资源分配过程；若传输路径1仍不存在能满足传输的足量资源，则拒绝该业务请求。
需要说明的是，本公开实施例中城域网中的每个传输交换节点都是可以执行所述流量预测的资源分配方法的主体。
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于上述本公开实施例的网络资源分配方法，其一个示例性应用场景可以为：日常生活中，当一天中晚高峰时间段，一般是晚上7:00～11:00，城域网的居住区域网络用户突增，本公开实施例依托流动人员在一定覆盖范围的网络节点间穿梭规律，对城域网中传输交换节点进行实时动态预测，可以提早发现由于网络用户突增所造成的网络流量潮汐，判断传输交换节点带宽流入流出需求，并根据预测结果制定网络资源分配，进而实时地调整光网络路由、调制与频谱分配策略，保证城域网运行平稳，提高网络资源利用效率。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种网络资源分配装置。
参考图9，所述一种网络资源分配装置，包括：
邻接矩阵生成模块902，用于根据城域网中各节点间的空间邻接关系生成邻接矩阵；
网络状态特征矩阵生成模块904，用于根据所述各节点的流量数据信息生成网络状态特征矩阵；
流量空间特征提取模块906，用于从所述邻接矩阵和所述网络状态特征矩阵中提取所述各节点的流量空间特征；
流量预测模块908，用于根据所述各节点的流量空间特征确定所述各节点的预测流量；以及
资源分配模块910，用于根据所述各节点的预测流量进行网络资源分配。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的网络资源分配方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的一种网络资源分配方法。
图10示出了本公开实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述公开实施例的电子设备用于实现前述任一实施例中相应的网络资源分配装置，并且具有相应的方法公开实施例的有益效果，在此不再赘述。
基于同一发明构思，本公开实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行日上任意一实施例所述的网络资源分配装置。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述公开实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的网络资源分配装置，并且具有相应的方法实施例的有益效果，在此不再赘述。
图11给出了本公开一个实施例所述的城域网网络资源分配方法的具体流程图。
参考图11，在图11所公开的技术方案中，将动态城域网络状态数据按照一定时间步长(T＝1)切分为若干个静态网络状态图，针对城域网中所有14个节点进行唯一序号定义1,2,…,14，并针对每个t时刻静态网络状态图依据14个节点的空间邻接关系构建邻接矩阵At：
Figure BDA0003160815870000181
其中，a表示光网络中两个传输交换节点之间的邻接关系，矩阵At的某一行表示光网络中某一所述传输交换节点与其它所述传输交换节点的邻接程度。
当网络拓扑中节点i与节点j之间存在光纤直连时，ai,j＝1，否则ai,j＝0，该方法可以实现以矩阵形式刻画网络拓扑图形结构，体现网络节点连接状态。
针对t时刻的静态网络状态图，利用传输交换节点的数据收集模块，收集网络全局各节点覆盖范围内接入用户终端数目，记录流入与流出各节点的6维流量数据信息，并结合各传输交换节点的序号构建网络状态特征矩阵Zt：
Figure BDA0003160815870000191
其中，z表示所述传输交换节点在对应维度上的特征值，矩阵Zt某一行表示光网络某一节点具有6维度特征向量，每一维度代表该节点在某一特性上的不同取值，包含节点所属区域、节点接入用户终端数目、日期、流量带宽大小、时间持续、流量路径等一系列体现流量变化趋势的关键信息。
将生成的两个矩阵存储至城域网存储单元的数据库中，并作为后续流量预测的历史输入数据。
初始化城域网节点间人员流动权重矩阵
Figure BDA0003160815870000192
和
Figure BDA0003160815870000193
得到人员流动权重矩阵：
Figure BDA0003160815870000194
其中，当网络拓扑中节点i与节点j之间不存在直接人员流动影响时，mi,j＝0，否则节点i与节点j之间的人员流动权重初识值为节点间距离的倒数，即
Figure BDA0003160815870000195
其中，d(i,j)为节点i与节点j之间的物理直线距离。
同时，初始化人工智能门控循环单元算法所涉及的权重参数，包括Wu、Wr、Wc、bu、br以及bc。
将邻接矩阵At、状态特征矩阵Zt以及人员流动权重矩阵Mt输入到GCN网络中提取t时刻网络流量空间特征，得到流量空间特征矩阵Xt：
Figure BDA0003160815870000196
Figure BDA0003160815870000197
Figure BDA0003160815870000201
Figure BDA0003160815870000202
Figure BDA0003160815870000203
其中，σ为Sigmoid激活函数，Lt为拉普拉斯变换矩阵，Zt为所述网络状态特征矩阵，
Figure BDA0003160815870000204
为输入层到隐藏层的所述人员流动权重矩阵，
Figure BDA0003160815870000205
为隐藏层到输出层的所述人员流动权重矩阵，
Figure BDA0003160815870000206
为经过对角单位化处理后的所述邻接矩阵，
Figure BDA0003160815870000207
为所述邻接矩阵
Figure BDA0003160815870000208
中的元素，Di,i为所述邻接矩阵
Figure BDA0003160815870000209
中第i行元素之和，Dt为与At相关的对角矩阵。
根据流量空间特征矩阵Xt中针对传输交换节点v的空间特征信息
Figure BDA00031608158700002010
并结合预先训练得到的权重参数Wu、Wr、Wc、bu、br以及bc，得到传输交换节点v的时空流量预测结果：
Figure BDA00031608158700002011
Figure BDA00031608158700002012
Figure BDA00031608158700002013
Figure BDA00031608158700002014
其中，σ为Sigmoid激活函数，
Figure BDA00031608158700002015
分别为重置门、更新门、门控循环单元输出，
Figure BDA00031608158700002016
为传输交换节点v的时空流量预测结果，ht-T为前一个步长所对应的时空流量历史数据。
其中，针对模型训练过程，对比预测结果与实际值差异，通过更新人员流动权重矩阵Mt和GRU权重参数Wu、Wr、Wc、bu、br以及bc，最终以预测值与实际值的平均绝对百分比误差(MAPE)小于0.2，计算方式如下：
Figure BDA00031608158700002017
其中，p为针对节点v在t时刻输入的训练数据个数，q表示针对节点v在t时刻输入的训练数据个数至少为1，
Figure BDA0003160815870000211
为节点v在t时刻的预测值，
Figure BDA0003160815870000212
为节点v在t时刻的实际值。
依据传输交换节点既定流量承载容量上限，可计算节点v中当前t时刻流量上下行吞吐与容量之间的占比关系
Figure BDA0003160815870000213
并以此类推获取城域网中所有节点的流量占比关系。
通过对比城域网中所有节点当前流量占比关系
Figure BDA0003160815870000214
将所有节点按照降序排序，得
Figure BDA0003160815870000215
针对该序列的每一个节点，在确定存在新接入流量的情况下，根据所有节点的未来流量占比关系
Figure BDA0003160815870000216
选择能使得未来流量占比之和最小的节点组合优先作为该节点流量服务的传输路径。
需要说明的是，本公开的实施例还可以以下方式进一步描述：
一种基于城域网流量预测的资源分配方法，包括：
获取城域网的动态网络状态数据，并将所述动态网络状态数据划分为若干静态网络状态数据；
根据所述静态网络状态，以及城域网包括的各传输交换节点间的空间邻接关系，得到邻接矩阵；
根据所述静态网络状态，以及各传输交换节点的流量数据信息，得到网络状态特征矩阵；
根据所述邻接矩阵和所述网络状态特征矩阵，以及预先训练得到的各传输交换节点间的人员流动权重矩阵，得到流量空间特征矩阵；
对所述流量空间特征矩阵进行时间特征提取，得到时空流量预测结果；
根据所述时空流量预测结果，进行网络资源分配。
其中，获取城域网的动态网络状态数据，并将所述动态网络状态数据划分为若干静态网络状态图，包括：
将动态城域网络状态数据按照一定时间步长切分为若干所述静态网络状态图。
其中，根据所述静态网络状态，以及城域网包括的各传输交换节点间的空间邻接关系，得到邻接矩阵，包括：
将城域网中所有n个所述传输交换节点进行序号定义1,2,…,i,…,j,…,n；
针对t时刻的所述静态网络状态图，依据n个所述传输交换节点的空间邻接关系，构建邻接矩阵At：
Figure BDA0003160815870000217
其中，a表示光网络中两个传输交换节点之间的邻接关系，矩阵At的某一行表示光网络中某一所述传输交换节点与其它所述传输交换节点的邻接程度。
其中，根据所述静态网络状态，以及各传输交换节点的流量数据信息，得到网络状态特征矩阵，包括：
针对t时刻的所述静态网络状态图，收集城域网包括的各所述传输交换节点的覆盖范围内接入用户终端的数目，以及流入与流出各所述传输交换节点的r维的所述流量数据信息，并结合各所述传输交换节点的序号，构建网络状态特征矩阵Zt：
Figure BDA0003160815870000221
其中,z表示所述传输交换节点在对应维度上的特征值，矩阵Zt某一行表示光网络某一所述传输交换节点对应的r维度的特征向量。
其中，人员流动权重矩阵表示为：
Figure BDA0003160815870000222
其中，当网络拓扑中两个传输交换节点i与传输交换节点j之间不存在直接人员流动影响时，mi,j＝0；否则，传输交换节点i与传输交换节点j之间的人员流动权重初始值为传输交换节点间距离的倒数：
Figure BDA0003160815870000223
其中，d(i,j)为传输交换节点i与传输交换节点j之间的物理直线距离。
其中，流量空间特征矩阵表示为：
Figure BDA0003160815870000224
Figure BDA0003160815870000225
Figure BDA0003160815870000226
Figure BDA0003160815870000227
Figure BDA0003160815870000231
其中，σ为Sigmoid激活函数，Lt为拉普拉斯变换矩阵，Zt为所述网络状态特征矩阵，
Figure BDA0003160815870000232
为输入层到隐藏层的所述人员流动权重矩阵，
Figure BDA0003160815870000233
为隐藏层到输出层的所述人员流动权重矩阵，
Figure BDA0003160815870000234
为经过对角单位化处理后的所述邻接矩阵，
Figure BDA0003160815870000235
为所述邻接矩阵
Figure BDA0003160815870000236
中的元素，Di,i为所述邻接矩阵
Figure BDA0003160815870000237
中第i行元素之和，Dt为与At相关的对角矩阵。
其中，对所述流量空间特征矩阵进行时间特征提取，得到时空流量预测结果，包括：
根据所述流量空间特征矩阵Xt中针对传输交换节点v的空间特征信息
Figure BDA0003160815870000238
并结合预先训练得到的权重参数Wu、Wr、Wc、bu、br以及bc，得到传输交换节点v的时空流量预测结果：
Figure BDA0003160815870000239
Figure BDA00031608158700002310
Figure BDA00031608158700002311
Figure BDA00031608158700002312
其中，σ为Sigmoid激活函数，
Figure BDA00031608158700002313
分别为重置门、更新门、门控循环单元输出，
Figure BDA00031608158700002314
为传输交换节点v的时空流量预测结果，ht-T为前一个步长所对应的时空流量历史数据。
其中，根据所述时空流量预测结果，进行网络资源分配，包括：
根据所述时空流量预测结果，得到全部所述传输交换节点分别对应的未来流量占比关系；
根据当前传输交换节点流量占比关系，将全部所述传输交换节点进行排序；
依次对全部所述传输交换节点进行网络资源分配；
其中，对于任一所述传输交换节点，根据全部所述传输交换节点分别对应的未来流量占比关系，生成该传输交换节点对应的流量服务的若干候选传输路径；
根据若干所述候选传输路径，对该传输交换节点进行网络资源分配。
其中，根据若干所述候选传输路径，对该传输交换节点进行网络资源分配，包括：
根据所述传输交换节点对应的未来流量占比关系，将若干所述候选传输路径排序；
依次根据若干所述候选传输路径，对该传输交换节点进行网络资源分配；
其中，对于任一候选传输路径，响应于确定该候选传输路径满足预设条件，将该候选传输路径作为最终选择的传输路径，完成网络资源分配；响应于确定所述候选传输路径不满足所述预设条件，判断下一候选传输路径是否满足所述预设条件，直至完成网络资源分配，或全部所述候选传输路径均不满足所述预设条件并拒绝该传输交换节点的流量分配。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于城域网流量预测的资源分配方法,其特征在于，包括：
根据城域网中各节点间的空间邻接关系生成邻接矩阵；
根据所述各节点的流量数据信息生成网络状态特征矩阵；
从所述邻接矩阵和所述网络状态特征矩阵中提取所述各节点的流量空间特征；
根据所述各节点的流量空间特征确定所述各节点的预测流量；以及
根据所述各节点的预测流量进行网络资源分配。
2.根据权利要求1所述的方法，其中，根据城域网中各节点间的空间邻接关系生成邻接矩阵包括：
获取城域网的动态网络状态图；
将所述动态网络状态图划分为若干静态网络状态图；
根据所述静态网络状态图包含的各传输交换节点间的链路连接关系确定所述各传输交换节点间的空间邻接关系；其中，两个传输交换节点间具有空间邻接关系表示所述两个传输交换节点间有直接的链路连接；根据所述各传输交换节点的空间邻接关系生成所述邻接矩阵At：
Figure FDA0003160815860000011
其中，ai,j代表传输交换节点i和传输交换节点j之间的空间邻接关系，其中，ai,j＝1代表传输交换节点i和传输交换节点j之间有直接的链路连接；ai,j＝0代表传输交换节点i和传输交换节点j之间没有直接的链路连接。
3.根据权利要求2所述的方法，其中，根据所述各节点的流量数据信息生成网络状态特征矩阵包括：
针对t时刻的所述静态网络状态图，提取所述各传输交换节点的流量数据信息；其中，所述流量数据信息包括：传输交换节点所属区域、接入用户终端数目、日期、流量带宽、传输持续时间以及路径信息；
根据所述各传输交换节点的流量数据信息生成所述各节点的网络状态特征向量；
根据所述各传输交换节点的网络状态特征向量生成所述网络状态特征矩阵Zt：
Figure FDA0003160815860000021
其中，zi,j代表传输交换节点i在其网络状态特征向量中第j个维度上的特征值。
4.根据权利要求1所述的方法，其中，从所述邻接矩阵和所述网络状态特征矩阵中分别提取所述各节点的流量空间特征包括：
初始化并预训练空间特征提取模型；其中，所述空间特征提取模型为图卷积网络；以及
将所述邻接矩阵和所述网络状态特征矩阵输入所述空间特征提取模型得到所述各传输交换节点的流量空间特征。
5.根据权利要求4所述的方法，其中，初始化所述空间特征提取模型包括：
初始化所述图卷积网络的人员流动权重矩阵：
Figure FDA0003160815860000022
其中，当所述城域网中传输交换节点i与传输交换节点j之间不存在直接人员流动影响时，mi,j＝0；否则，传输交换节点i与传输交换节点j之间的人员流动权重初始值设置为传输交换节点间距离的倒数：
Figure FDA0003160815860000023
其中，d(i,j)为传输交换节点i与传输交换节点j之间的物理直线距离。
6.根据权利要求4所述的方法,其中，将所述邻接矩阵和所述网络状态特征矩阵输入所述空间特征提取模型得到所述各节点的流量空间特征包括：
所述各传输交换节点的流量空间特征表示为流量空间特征矩阵；其中，所述流量空间特征矩阵通过如下表达式确定：
Figure FDA0003160815860000024
Figure FDA0003160815860000025
Figure FDA0003160815860000031
Figure FDA0003160815860000032
Figure FDA0003160815860000033
其中，σ为Sigmoid激活函数，Lt为拉普拉斯变换矩阵，Zt为所述网络状态特征矩阵，
Figure FDA0003160815860000034
为输入层到隐藏层的所述人员流动权重矩阵，
Figure FDA0003160815860000035
为隐藏层到输出层的所述人员流动权重矩阵，
Figure FDA0003160815860000036
为经过对角单位化处理后的所述邻接矩阵，
Figure FDA0003160815860000037
为所述邻接矩阵
Figure FDA0003160815860000038
中的元素，Di,i为所述邻接矩阵
Figure FDA0003160815860000039
中第i行元素之和，Dt为与At相关的对角矩阵。
7.根据权利要求1所述的方法，其中，根据所述各节点的流量空间特征分别确定所述各节点的预测流量包括：
初始化并预训练流量预测模型；其中，所述流量预测模型为：长短期长短期记忆网络、循环神经网络或门控循环单元；
将所述所述各节点的流量空间特征输入所述流量预测模型得到所述各节点的预测流量。
8.根据权利要求7所述的方法，其中，所述流量预测模型为门控循环单元；以及
所述将所述所述各传输交换节点的流量空间特征输入所述流量预测模型得到所述各节点的预测流量包括：
根据所述流量空间特征矩阵Xt中针对传输交换节点v的空间特征信息
Figure FDA00031608158600000310
并结合预先训练得到的所述门控循环单元的权重参数Wu、Wr、Wc、bu、br以及bc，得到节点v的预测流量：
Figure FDA00031608158600000311
Figure FDA00031608158600000312
Figure FDA00031608158600000313
Figure FDA00031608158600000314
其中，σ为Sigmoid激活函数，
Figure FDA00031608158600000315
rt (v)、
Figure FDA00031608158600000316
分别为重置门、更新门、门控循环单元输出，
Figure FDA0003160815860000041
为传输交换节点v的时空流量预测结果，ht-T为前一个步长所对应的时空流量历史数据。
9.根据权利要求1所述的方法，其中，根据所述各节点的预测流量进行网络资源分配包括：
根据所述各传输交换节点的预测流量以及所述各传输交换节点的流量承载容量上限，确定所述各传输交换节点的未来流量占比；
针对每个业务请求，
根据所述各传输交换节点的未来流量占比选择具有最小流量占比的传输路径作为所述业务请求对应的传输路径；以及
根据所述业务请求的网络资源需求，为所述业务请求对应的传输路径上的节点分配网络资源。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至9任意一项所述的方法。
CN202110790242.5A 2021-05-11 2021-07-13 网络资源分配方法及电子设备 Active CN113705959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/403,479 US11658921B2 (en) 2021-05-11 2021-08-16 Method and device of network resource allocation

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021105272125 2021-05-11
CN202110527212 2021-05-11

Publications (2)

Publication Number Publication Date
CN113705959A true CN113705959A (zh) 2021-11-26
CN113705959B CN113705959B (zh) 2023-08-15

Family

ID=78648527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110790242.5A Active CN113705959B (zh) 2021-05-11 2021-07-13 网络资源分配方法及电子设备

Country Status (2)

Country Link
US (1) US11658921B2 (zh)
CN (1) CN113705959B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113965837A (zh) * 2021-12-21 2022-01-21 华南师范大学 光网络动态频谱分区方法、装置、存储介质和计算机设备
CN114615183A (zh) * 2022-03-14 2022-06-10 广东技术师范大学 基于资源预测的路由方法、装置、计算机设备及存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188921B (zh) * 2022-11-30 2023-10-13 中咨公路养护检测技术有限公司 一种基于多图融合的隧道瓦斯浓度预测方法
CN116094758B (zh) * 2022-12-02 2023-07-21 肇庆医学高等专科学校 一种大规模网络流量采集方法及系统
CN115987816A (zh) * 2022-12-15 2023-04-18 中国联合网络通信集团有限公司 网络流量预测方法、装置、电子设备和可读存储介质
CN116137630B (zh) * 2023-04-19 2023-08-18 井芯微电子技术(天津)有限公司 网络业务需求的量化处理方法和装置
CN116756695B (zh) * 2023-06-27 2024-05-31 深圳技术大学 一种融合地理特征和流特征的城市功能协同优化方法

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090161541A1 (en) * 2007-12-24 2009-06-25 Telefonaktiebolaget Lm Ericsson (Publ) Resource allocation plan in a network
US20140351307A1 (en) * 2013-05-22 2014-11-27 International Business Machines Corporation Calculating node centralities in large networks and graphs
US20150178620A1 (en) * 2011-07-07 2015-06-25 Toyota Motor Europe Nv/Sa Artificial memory system and method for use with a computational machine for interacting with dynamic behaviours
US20150339572A1 (en) * 2014-05-23 2015-11-26 DataRobot, Inc. Systems and techniques for predictive data analytics
US20170251471A1 (en) * 2016-02-25 2017-08-31 Electronics And Telecommunications Research Institute Node device and method of allocating resources in wireless sensor networks
CN107451714A (zh) * 2017-06-22 2017-12-08 浙江力石科技股份有限公司 一种基于大数据分析的共享交通资源时域配置方法及系统
CN109743683A (zh) * 2018-12-03 2019-05-10 北京航空航天大学 一种采用深度学习融合网络模型确定手机用户位置的方法
EP3556064A1 (en) * 2016-12-19 2019-10-23 Telefonaktiebolaget LM Ericsson (publ) Method of controlling traffic flows in a radio communications network, remote node and radio communications network
CN110413844A (zh) * 2019-05-24 2019-11-05 浙江工业大学 基于时空注意力深度模型的动态链路预测方法
CN111586502A (zh) * 2020-03-26 2020-08-25 北京邮电大学 弹性光网络中的资源分配方法及系统
US20200285944A1 (en) * 2019-03-08 2020-09-10 Adobe Inc. Graph convolutional networks with motif-based attention
CN111919484A (zh) * 2018-03-23 2020-11-10 诺基亚技术有限公司 基于预测视频编码率分配无线电接入网络资源
CN111930524A (zh) * 2020-10-10 2020-11-13 上海兴容信息技术有限公司 一种计算资源分配的方法和系统
CN112216108A (zh) * 2020-10-12 2021-01-12 中南大学 一种基于属性增强的时空图卷积模型的交通预测方法
CN112333046A (zh) * 2020-11-09 2021-02-05 北京邮电大学 物联网节点流量预测系统及方法
CN112436992A (zh) * 2020-11-10 2021-03-02 北京邮电大学 基于图卷积网络的虚拟网络映射方法及装置
CN112529015A (zh) * 2020-12-17 2021-03-19 深圳先进技术研究院 一种基于几何解缠的三维点云处理方法、装置及设备
US20210090182A1 (en) * 2019-09-23 2021-03-25 International Business Machines Corporation Tensor-based predictions from analysis of time-varying graphs
CN112636995A (zh) * 2020-11-11 2021-04-09 北京邮电大学 一种前传网络资源分配方法及装置
CN112737823A (zh) * 2020-12-22 2021-04-30 国网北京市电力公司 一种资源切片分配方法、装置及计算机设备
CN112766551A (zh) * 2021-01-08 2021-05-07 鹏城实验室 一种交通预测方法、智能终端及计算机可读存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7451207B2 (en) * 2002-06-28 2008-11-11 Intel Corporation Predictive provisioning of media resources
CN102110365B (zh) * 2009-12-28 2013-11-06 日电（中国）有限公司 基于时空关系的路况预测方法和系统
WO2014127280A2 (en) * 2013-02-14 2014-08-21 Huawei Technologies Co., Ltd. System and method for network resource allocation considering user experience, satisfaction and operator interest
US20160219066A1 (en) * 2015-01-26 2016-07-28 Cisco Technology, Inc. Event correlation in a network merging local graph models from distributed nodes
US20210273858A1 (en) * 2018-07-13 2021-09-02 Google Llc Machine-Learned Prediction of Network Resources and Margins
US11842271B2 (en) * 2019-08-29 2023-12-12 Nec Corporation Multi-scale multi-granularity spatial-temporal traffic volume prediction
GB2593180A (en) * 2020-03-17 2021-09-22 Univ Court Univ Of Edinburgh A distributed network traffic data decomposition method

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090161541A1 (en) * 2007-12-24 2009-06-25 Telefonaktiebolaget Lm Ericsson (Publ) Resource allocation plan in a network
US20150178620A1 (en) * 2011-07-07 2015-06-25 Toyota Motor Europe Nv/Sa Artificial memory system and method for use with a computational machine for interacting with dynamic behaviours
US20140351307A1 (en) * 2013-05-22 2014-11-27 International Business Machines Corporation Calculating node centralities in large networks and graphs
US20150339572A1 (en) * 2014-05-23 2015-11-26 DataRobot, Inc. Systems and techniques for predictive data analytics
US20170251471A1 (en) * 2016-02-25 2017-08-31 Electronics And Telecommunications Research Institute Node device and method of allocating resources in wireless sensor networks
EP3556064A1 (en) * 2016-12-19 2019-10-23 Telefonaktiebolaget LM Ericsson (publ) Method of controlling traffic flows in a radio communications network, remote node and radio communications network
CN107451714A (zh) * 2017-06-22 2017-12-08 浙江力石科技股份有限公司 一种基于大数据分析的共享交通资源时域配置方法及系统
CN111919484A (zh) * 2018-03-23 2020-11-10 诺基亚技术有限公司 基于预测视频编码率分配无线电接入网络资源
CN109743683A (zh) * 2018-12-03 2019-05-10 北京航空航天大学 一种采用深度学习融合网络模型确定手机用户位置的方法
US20200285944A1 (en) * 2019-03-08 2020-09-10 Adobe Inc. Graph convolutional networks with motif-based attention
CN110413844A (zh) * 2019-05-24 2019-11-05 浙江工业大学 基于时空注意力深度模型的动态链路预测方法
US20210090182A1 (en) * 2019-09-23 2021-03-25 International Business Machines Corporation Tensor-based predictions from analysis of time-varying graphs
CN111586502A (zh) * 2020-03-26 2020-08-25 北京邮电大学 弹性光网络中的资源分配方法及系统
CN111930524A (zh) * 2020-10-10 2020-11-13 上海兴容信息技术有限公司 一种计算资源分配的方法和系统
CN112216108A (zh) * 2020-10-12 2021-01-12 中南大学 一种基于属性增强的时空图卷积模型的交通预测方法
CN112333046A (zh) * 2020-11-09 2021-02-05 北京邮电大学 物联网节点流量预测系统及方法
CN112436992A (zh) * 2020-11-10 2021-03-02 北京邮电大学 基于图卷积网络的虚拟网络映射方法及装置
CN112636995A (zh) * 2020-11-11 2021-04-09 北京邮电大学 一种前传网络资源分配方法及装置
CN112529015A (zh) * 2020-12-17 2021-03-19 深圳先进技术研究院 一种基于几何解缠的三维点云处理方法、装置及设备
CN112737823A (zh) * 2020-12-22 2021-04-30 国网北京市电力公司 一种资源切片分配方法、装置及计算机设备
CN112766551A (zh) * 2021-01-08 2021-05-07 鹏城实验室 一种交通预测方法、智能终端及计算机可读存储介质

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
任语铮;谢人超;黄韬;: "基于增强学习的5G网络切片资源动态优化方案", 中兴通讯技术, no. 01 *
冯春燕;张晨;丁炜;: "不准确网络信息下的实时流量优化", 北京邮电大学学报, no. 01 *
姚培昕;: "西安市公共WLAN热点的空间结构", 特区经济, no. 03 *
张涛;陈先;谢美萍;张杰;: "基于K近邻非参数回归的短时交通流预测方法", 系统工程理论与实践, no. 02 *
瞿莉;胡坚明;张毅;: "一种基于路网分配系数矩阵的网络交通状态建模方法", 清华大学学报(自然科学版), no. 01 *
石恒华;何泾沙;许鑫;: "基于邻接矩阵的网络流量检测点选取算法研究", 东南大学学报(自然科学版), no. 1 *
葛新;赵海;张昕;李超;: "基于多维特征向量的网络社团划分方法", 东北大学学报(自然科学版), no. 07 *
马东超;王晓亮;杨参;马礼;: "一种基于P2P流量规划的网络资源可重构分配方法", 计算机学报, no. 12 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113965837A (zh) * 2021-12-21 2022-01-21 华南师范大学 光网络动态频谱分区方法、装置、存储介质和计算机设备
CN114615183A (zh) * 2022-03-14 2022-06-10 广东技术师范大学 基于资源预测的路由方法、装置、计算机设备及存储介质
CN114615183B (zh) * 2022-03-14 2023-09-05 广东技术师范大学 基于资源预测的路由方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN113705959B (zh) 2023-08-15
US20220368650A1 (en) 2022-11-17
US11658921B2 (en) 2023-05-23

Similar Documents

Publication Publication Date Title
CN113705959B (zh) 网络资源分配方法及电子设备
Xu et al. Incentive mechanism for multiple cooperative tasks with compatible users in mobile crowd sensing via online communities
CN107172166A (zh) 面向工业智能化服务的云雾计算系统
CN104280028B (zh) 基于室内地图路径计算涉及跨楼层路径部分的实现方法
US11296963B1 (en) System and method of traffic prediction for IoT nodes
CN112561199B (zh) 天气参数预测模型训练方法、天气参数预测方法及装置
CN105472631A (zh) 一种业务数据量和/或资源数据量的预测方法及预测系统
CN112636995B (zh) 一种前传网络资源分配方法及装置
CN111083724B (zh) 一种雾计算网络下基于ocwg-topsis的用户关联方法
Shinkuma et al. Data assessment and prioritization in mobile networks for real-time prediction of spatial information with machine learning
CN114205317B (zh) 基于sdn与nfv的服务功能链sfc资源分配方法及电子设备
CN114676892A (zh) 一种基于智能匹配的服务派单方法、系统及设备
CN109661671A (zh) 使用边界位图对图像分类的改善
CN108139942A (zh) 数据中心端到端功率效率建模的方法
EP3884732A1 (en) Method and node for handling sensor nodes and fog nodes in a communications system
CN113268321A (zh) 用于边缘计算的数据处理调配方法
CN117453398A (zh) 一种提高供电可靠性的算力调度的智能优化方法及系统
CN116109058A (zh) 一种基于深度强化学习的变电站巡视管理方法和装置
CN111695679B (zh) 出入量的预测方法、装置、电子设备及存储介质
Galanis et al. Edge computing and efficient resource management for integration of video devices in smart grid deployments
CN114900435A (zh) 一种连接关系预测方法及相关设备
CN112989558A (zh) 基于多目标优化的电力业务质量匹配优化方法及相关设备
CN115622932B (zh) 算力调度方法、装置、电子设备及存储介质
CN117744950B (zh) 出行需求分析方法、装置、设备及存储介质
CN115552944A (zh) 估计通信业务需求

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant