CN113923129B - 基于数据驱动的vnf需求预测方法及系统 - Google Patents

基于数据驱动的vnf需求预测方法及系统 Download PDF

Info

Publication number
CN113923129B
CN113923129B CN202111049561.7A CN202111049561A CN113923129B CN 113923129 B CN113923129 B CN 113923129B CN 202111049561 A CN202111049561 A CN 202111049561A CN 113923129 B CN113923129 B CN 113923129B
Authority
CN
China
Prior art keywords
node
matrix
network
vnf
demand prediction
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.)
Active
Application number
CN202111049561.7A
Other languages
English (en)
Other versions
CN113923129A (zh
Inventor
李军飞
朱棣
李丹
崔鹏帅
董永吉
雷娟娟
李海林
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.)
Information Engineering University of the Chinese People's Liberation Army Cyberspace Force
Original Assignee
Information Engineering University of PLA Strategic Support Force
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 Information Engineering University of PLA Strategic Support Force filed Critical Information Engineering University of PLA Strategic Support Force
Priority to CN202111049561.7A priority Critical patent/CN113923129B/zh
Publication of CN113923129A publication Critical patent/CN113923129A/zh
Application granted granted Critical
Publication of CN113923129B publication Critical patent/CN113923129B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0893—Assignment of logical groups to network elements
    • 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
    • H04L41/12—Discovery or management of network topologies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/45595—Network integration; Enabling network access in virtual machine instances

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及网络信息处理技术领域，特别涉及一种基于数据驱动的VNF需求预测方法及系统，用于NFV网络流量的资源调度，依据目标待测网络节点及节点之间的链路获取该目标待测网络的拓扑结构及拓扑结构邻接矩阵；并依据时间点上每个节点的VNFI数量构建网络节点特征矩阵；通过目标待测网络拓扑结构邻接矩阵及网络节点特征矩阵，并依据每个VNF部署中需要处理的最大流量负载及每个基础设施VNFI在不降低服务质量的情况下能够处理的最大流量，预测待测节点在未来时间段内所需VNFI数量。本发明能够使VNF实例动态精准地供应并服务于NFV网络业务波动的流量，以实现最佳的资源调度和网络业务的高效运行，具有较好的应用价值。

Description

基于数据驱动的VNF需求预测方法及系统
技术领域
本发明涉及网络信息处理技术领域，特别涉及一种基于数据驱动的VNF需求预测方法及系统。
背景技术
网络功能虚拟化(network function virtualization，NFV)通过软硬件解耦及功能抽象使网络设备功能不再依赖于专用硬件，资源可以充分灵活共享，实现新业务的快速开发和部署，进行自动部署、弹性伸缩、故障隔离和自愈等。然而，NFV技术仍处于应用的起步阶段，要使预期优势真正落地仍然需要克服许多的挑战，其中最核心的挑战之一就是如何使虚拟化网络功能(virtualised network function，VNF)实例的动态供应精准地服务于NFV网络中波动的流量，以实现最佳的资源调度，即VNF的需求预测。目前的研究中大多采取被动的方式进行VNF放缩，这种反应式的方式会损害放缩期间的服务质量QoS水平。
发明内容
为此，本发明提供一种基于数据驱动的VNF需求预测方法及系统，使VNF实例动态供应精准地服务于NFV网络中波动的流量，以实现最佳的资源调度和网络业务的高效运行。
按照本发明所提供的设计方案，一种基于数据驱动的VNF需求预测方法，用于NFV网络流量的资源调度，包含如下内容：
依据目标待测网络节点及节点之间的链路获取该目标待测网络的拓扑结构及拓扑结构邻接矩阵；并依据时间点上每个节点的VNFI数量构建网络节点特征矩阵；
通过目标待测网络拓扑结构邻接矩阵及网络节点特征矩阵，并依据每个VNF部署中需要处理的最大流量负载及每个基础设施VNFI在不降低服务质量的情况下能够处理的最大流量，预测待测节点在未来时间段内所需VNFI数量。
作为本发明基于数据驱动的VNF需求预测方法，进一步地，针对目标待测网络的拓扑结构邻接矩阵和网络节点特征矩阵，利用已训练优化的VNF需求预测模型来预测未来时间段内待测节点所需VNFI数量，其中，该VNF需求预测模型包含：依据拓扑结构邻接矩阵和网络节点特征矩阵提取数据空间特征的GCN、依据前一时刻隐藏状态和GCN输出确定当前时刻网络节点特征及节点特征变化趋势的GRU及依据GRU输出确定未来时间段内待测节点VNFI数量的全连接层。
作为本发明基于数据驱动的VNF需求预测方法，进一步地，通过收集目标待测网络拓扑结构中设定时间长度的流量数据，将该设定时间长度中各节点域内流量负载构成用于获取流量随时间变化的前后依赖关系的单变量数据集，利用该单变量数据集获取拓扑结构邻接矩阵和网络节点特征矩阵，其中，设定时间长度至少包含一个时间步长。
作为本发明基于数据驱动的VNF需求预测方法，进一步地，VNF需求预测模型依据历史时间序列长度中网络拓扑邻接矩阵和网络节点特征矩阵通过映射函数预测未来时间段VNF数量。
作为本发明基于数据驱动的VNF需求预测方法，进一步地，VNF需求预测模型训练优化的损失函数表示为其中，Vt和/>分别表示在时刻t的实际VNF数量和预测VNFI数量，λ表示惩罚因子，Lreg表示回归损失。
作为本发明基于数据驱动的VNF需求预测方法，进一步地，拓扑结构表示为G＝(N,E)，其中，N＝{ni|i＝1,...,m}为网络节点的集合，m为节点数，E＝{eij|i,j＝1,...,m}为网络中节点ni和nj之间链路集合；拓扑结构邻接矩阵利用无向图邻接矩阵表示。
作为本发明基于数据驱动的VNF需求预测方法，进一步地，无向图邻接矩阵 其中，如果节点ni和nj之间存在一条链路eij，则链路权重aij＝1，否则为0。
进一步地，本发明还提供一种基于数据驱动的VNF需求预测系统，包含：数据获取模块和需求预测模块，其中，
数据获取模块，用于依据目标待测网络节点及节点之间的链路获取该目标待测网络的拓扑结构及拓扑结构邻接矩阵；并依据时间点上每个节点的VNFI数量构建网络节点特征矩阵；
需求预测模块，用于通过目标待测网络拓扑结构邻接矩阵及网络节点特征矩阵，并依据每个VNF部署中需要处理的最大流量负载及每个基础设施VNFI在不降低服务质量的情况下能够处理的最大流量，预测待测节点在未来时间段内所需VNFI数量。
本发明的有益效果：
本发明依据流量随时间变化的前后依赖关系获取目标待测网络拓扑邻接矩阵及节点特征矩阵，并依据每个VNF部署中需要处理的最大流量负载及每个基础设施VNFI在不降低服务质量的情况下能够处理的最大流量，通过流量数据时间和空间特征来预测待测节点在未来时间段内所需VNFI数量，能够动态且准确地供应网络业务波动流量所需的VNF实例，保证资源调度的合理性，提升业务执行效率，具有较好的应用前景。
附图说明：
图1为实施例中基于数据驱动的VNF需求预测流程示意；
图2为实施例中VNF需求预测模型结构示意；
图3为实施例中GGVP模型在24h内的VNF预测结果示意；
图4为实施例中GGVP模型和基线模型的评价指标示意。
具体实施方式：
下面结合附图和技术方案对本发明作进一步详细的说明，并通过优选的实施例详细说明本发明的实施方式，但本发明的实施方式并不限于此。
本发明实施例，参见图1所示，提供一种基于数据驱动的VNF需求预测方法，用于NFV网络流量的资源调度，包含如下内容：
S101、依据目标待测网络节点及节点之间的链路获取该目标待测网络的拓扑结构及拓扑结构邻接矩阵；并依据时间点上每个节点的VNFI数量构建网络节点特征矩阵；
S102、通过目标待测网络拓扑结构邻接矩阵及网络节点特征矩阵，并依据每个VNF部署中需要处理的最大流量负载及每个基础设施VNFI在不降低服务质量的情况下能够处理的最大流量，预测待测节点在未来时间段内所需VNFI数量。
依据流量随时间变化的前后依赖关系获取目标待测网络拓扑邻接矩阵及节点特征矩阵，并依据每个VNF部署中需要处理的最大流量负载及每个基础设施VNFI在不降低服务质量的情况下能够处理的最大流量，通过流量数据时间和空间特征来预测待测节点在未来时间段内所需VNFI数量，能够动态且准确地供应网络业务波动流量所需的VNF实例，保证资源调度的合理性，提升业务执行效率。
作为本发明实施例中基于数据驱动的VNF需求预测方法，进一步地，针对目标待测网络的拓扑结构邻接矩阵和网络节点特征矩阵，利用已训练优化的VNF需求预测模型来预测未来时间段内待测节点所需VNFI数量，其中，该VNF需求预测模型包含：依据拓扑结构邻接矩阵和网络节点特征矩阵提取数据空间特征的GCN、依据前一时刻隐藏状态和GCN输出确定当前时刻网络节点特征及节点特征变化趋势的GRU及依据GRU输出确定未来时间段内待测节点VNFI数量的全连接层。进一步地，通过收集目标待测网络拓扑结构中设定时间长度的流量数据，将该设定时间长度中各节点域内流量负载构成用于获取流量随时间变化的前后依赖关系的单变量数据集，利用该单变量数据集获取拓扑结构邻接矩阵和网络节点特征矩阵，其中，设定时间长度至少包含一个时间步长。
将目标待测网络的拓扑结构记为G＝(N,E)，其中N＝{ni|i＝1,...,m}为网络节点的集合，m为节点数。E＝{eij|i,j＝1,...,m}为网络中节点ni和nj之间链路的集合。在预测模型中，可将网络的拓扑结构信息用m×m的无向图邻接矩阵A表示，该矩阵定义如下：
其中，如果节点ni和nj之间存在一条链路eij，则aij＝1(无向无权图)，否则为0。
节点上的VNF数量被视为网络节点的特征，并由特征矩阵表示，其中K是节点特征的数量，即历史序列的长度。Xi表示时刻i每个节点的VNF数量。因此，可以将VNF需求预测建模的时间和空间依赖性建模为基于网络拓扑G和网络节点的特征矩阵X学习映射函数f的过程。从当前时刻起，到未来T时刻的VNF数量计算如下：
其中，f(·)是待学习的模型，p是给定历史时间序列的长度，T是需要预测的时间序列的长度，当T＝1时，仅预测下一时刻的信息。
参见图2所示，使用GCN进行特征分类，结合GRU进行时序回归来构建GGVP(A VNFRequirement Prediction Scheme Based on GCN and GRU)模型，用于NFV网络中的VNFI需求预测。将p个历史时间序列流量数据输入到GGVP模型中，以获得涵盖时空特征{ht-p,…,ht-1,ht}的p个隐藏状态(h)。GGVP的计算如等式(4)所示，其中，ht-1是t-1时刻的输出。f(A,Xt)是图卷积过程。zt和rt分别是t处的更新和复位门。ct是当前时刻存储的内容。ht是时刻t的输出状态。
zt＝σ(W(z)f(A,Xt)+bxz+U(z)ht-1+bhz) (4)
rt＝σ(W(r)f(A,Xt)+bxr+U(r)ht-1+bhr) (5)
ct＝tanh(W(c)f(A,Xt)+bxc+(rt⊙ht-1)U(c)+bhc) (6)
ht＝zt⊙ht-1+(1-zt)⊙ct (7)
接着，将GGVP模型的损失函数定义如下所示。
其中，在时刻t的实际VNF数量和预测VNFI数量分别由Vt和表示。其中，输入：表示网络拓扑的邻接矩阵：CSV格式。其中，把有连接关系的节点之间链路权重统一设置为1，无连接关系的节点间链路权重设置为0。对应网络拓扑中收集的流量数据，该数据为网络中各节点的域内流量负载构成的单变量数据集。需要收集较长一段时间内每个一个时间步长的流量数据，并组成一个CSV格式的数据文件，以便获取流量随时间变化的前后依赖关系。(流量数据输入模型前需要预处理：假设来自数据集的单个节点流量负载可以上升到XGbps，因此，可假设在每个VNF部署中需要处理的最大流量负载相当于XGbps，并且每个VNFI可以处理最大1Gbps的流量而不会降低QoS。则X为该节点在所求时间步长范围内所需VNFI的数量)。处理：GCN：将CSV格式的拓扑邻接矩阵和VNFI数量矩阵输入GCN(2层，第一层激活函数：Rectified Linear Unit(ReLU),第二层激活函数：softmax。)，提取数据的空间特征。GRU：利用前一时刻的隐藏状态和经过GCN特征重构的当前时刻的VNFI数量数据作为输入来确定当前时刻的节点特征。通过门控机制，在捕获当前节点特征时，也保留过去的节点特征的变化趋势。有效地提取待测数据的时间特征。输出：通过全连接层输出CSV格式的预测结果，预测结果为下一时间步长，或未来一段时间内的(被预测节点的)VNFI数量。
进一步地，基于上述的方法，本发明实施例还提供一种基于数据驱动的VNF需求预测系统，包含：数据获取模块和需求预测模块，其中，
数据获取模块，用于依据目标待测网络节点及节点之间的链路获取该目标待测网络的拓扑结构及拓扑结构邻接矩阵；并依据时间点上每个节点的VNFI数量构建网络节点特征矩阵；
需求预测模块，用于通过目标待测网络拓扑结构邻接矩阵及网络节点特征矩阵，并依据每个VNF部署中需要处理的最大流量负载及每个基础设施VNFI在不降低服务质量的情况下能够处理的最大流量，预测待测节点在未来时间段内所需VNFI数量。
为验证本案方案有效性，下面结合图3和4试验数据做进一步解释说明：
图3展示了网络中节点24小时内每隔15分钟分别需要的VNF数量的真实值和使用GGVP模型的预测值。我们可以看出，GGVP模型的预测结果比较接近真实值。以上实验结果较为充分的展示了在VNFI预测过程中同时考虑输入数据空间特征和时间特征提取的重要性和必要性。图4展示了GGVP模型和各基线模型各项评价指标的对比条形图，GGVP模型的预测性能好于目前最先进的CNN-LSTM模型，相比于之前的GCN、SVR、GRU等方法，因此，可以认为同时考虑数据表示的空间和时间两个维度的特征提取能够取得更好的性能。
基于上述的系统，本发明实施例还提供一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的方法。
基于上述的系统，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的方法。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述系统实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述系统实施例中相应内容。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述系统实施例中的对应过程，在此不再赘述。
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和系统，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述系统的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (4)

1.一种基于数据驱动的VNF需求预测方法，用于NFV网络流量的资源调度，其特征在于，包含如下内容：
依据目标待测网络节点及节点之间的链路获取该目标待测网络的拓扑结构及拓扑结构邻接矩阵；并依据时间点上每个节点的VNFI数量构建网络节点特征矩阵；其中，将目标待测网络的拓扑结构表示为G＝(N,E)，其中，N＝{ni|i＝1,...,m}为网络节点的集合，m为节点数，E＝{eij|i,j＝1,...,m}为网络中节点ni和nj之间链路集合；拓扑结构邻接矩阵利用无向图邻接矩阵表示；无向图邻接矩阵 其中，如果节点ni和nj之间存在一条链路eij，则链路权重aij＝1，否则为0；
通过目标待测网络拓扑结构邻接矩阵及网络节点特征矩阵，并依据每个VNF部署中需要处理的最大流量负载及每个基础设施VNFI在不降低服务质量的情况下能够处理的最大流量，预测待测节点在未来时间段内所需VNFI数量，其中，节点上的VNF数量视为网络节点的特征，并由特征矩阵表示，K是节点特征的数量，即历史序列的长度，Xi表示时刻i每个节点的VNF数量；将VNF需求预测建模的时间和空间依赖性建模为基于网络拓扑G和网络节点的特征矩阵X学习映射函数f的过程，针对目标待测网络的拓扑结构邻接矩阵和网络节点特征矩阵，利用已训练优化的VNF需求预测模型来预测未来时间段内待测节点所需VNFI数量，其中，使用GCN进行特征分类，结合GRU进行时序回归来构建VNF需求预测模型，该VNF需求预测模型包含：依据拓扑结构邻接矩阵和网络节点特征矩阵提取数据空间特征的GCN、依据前一时刻隐藏状态和GCN输出确定当前时刻网络节点特征及节点特征变化趋势的GRU及依据GRU输出确定未来时间段内待测节点VNFI数量的全连接层，VNF需求预测模型依据历史时间序列长度中网络拓扑邻接矩阵和网络节点特征矩阵通过映射函数预测未来时间段VNF数量，将CSV格式的拓扑邻接矩阵和VNFI数量矩阵输入GCN来提取数据的空间特征，在GRU中利用前一时刻的隐藏状态和经过GCN特征重构的当前时刻的VNFI数量数据作为输入来确定当前时刻的节点特征，并通过门控机制在捕获当前节点特征时保留过去的节点特征的变化趋势，以提取待测数据的时间特征，并通过全连接层输出CSV格式的预测结果，预测结果为下一时间步长，或未来一段时间内被预测节点的VNFI数量；VNF需求预测模型训练优化的损失函数表示为/>其中，Vt和/>分别表示在时刻t的实际VNF数量和预测VNFI数量，λ表示惩罚因子，Lreg表示回归损失；将p个历史时间序列流量数据输入到VNF需求预测模型中，以获得涵盖时空特征{ht-p,…,ht-1,ht}的p个隐藏状态(h)；并通过收集目标待测网络拓扑结构中设定时间长度的流量数据，将该设定时间长度中各节点域内流量负载构成用于获取流量随时间变化的前后依赖关系的单变量数据集，利用该单变量数据集获取拓扑结构邻接矩阵和网络节点特征矩阵，其中，设定时间长度至少包含一个时间步长。
2.一种基于数据驱动的VNF需求预测系统，其特征在于，基于权利要求1所述的方法实现，包含：数据获取模块和需求预测模块，其中，
数据获取模块，用于依据目标待测网络节点及节点之间的链路获取该目标待测网络的拓扑结构及拓扑结构邻接矩阵；并依据时间点上每个节点的VNFI数量构建网络节点特征矩阵；
需求预测模块，用于通过目标待测网络拓扑结构邻接矩阵及网络节点特征矩阵，并依据每个VNF部署中需要处理的最大流量负载及每个基础设施VNFI在不降低服务质量的情况下能够处理的最大流量，预测待测节点在未来时间段内所需VNFI数量。
3.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器之行时，使得所述处理器执行如权利要求1所述方法的步骤。
4.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1所述方法的步骤。
CN202111049561.7A 2021-09-08 2021-09-08 基于数据驱动的vnf需求预测方法及系统 Active CN113923129B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111049561.7A CN113923129B (zh) 2021-09-08 2021-09-08 基于数据驱动的vnf需求预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111049561.7A CN113923129B (zh) 2021-09-08 2021-09-08 基于数据驱动的vnf需求预测方法及系统

Publications (2)

Publication Number Publication Date
CN113923129A CN113923129A (zh) 2022-01-11
CN113923129B true CN113923129B (zh) 2023-08-29

Family

ID=79234243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111049561.7A Active CN113923129B (zh) 2021-09-08 2021-09-08 基于数据驱动的vnf需求预测方法及系统

Country Status (1)

Country Link
CN (1) CN113923129B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114745618B (zh) * 2022-04-11 2024-03-22 重庆邮电大学 一种自由空间光数据中心网络架构、拓扑重构系统和方法
CN114938335B (zh) * 2022-04-27 2024-01-26 中国人民解放军战略支援部队信息工程大学 一种网络切片服务功能动态调度方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107666412A (zh) * 2017-11-20 2018-02-06 电子科技大学 服务功能链的虚拟网络功能部署方法
CN108762768A (zh) * 2018-05-17 2018-11-06 烽火通信科技股份有限公司 网络服务智能化部署方法及系统
CN108900358A (zh) * 2018-08-01 2018-11-27 重庆邮电大学 基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法
CN108965024A (zh) * 2018-08-01 2018-12-07 重庆邮电大学 一种5g网络切片基于预测的虚拟网络功能调度方法
CN112887142A (zh) * 2021-01-26 2021-06-01 贵州大学 一种虚拟化无线接入边缘云中web应用切片生成方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170373938A1 (en) * 2016-06-27 2017-12-28 Alcatel-Lucent Usa Inc. Predictive auto-scaling of virtualized network functions for a network
US11341372B2 (en) * 2018-11-23 2022-05-24 POSTECH Research and Business Development Foundation Method of predicting demand of virtual network function resources to which machine learning is applied

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107666412A (zh) * 2017-11-20 2018-02-06 电子科技大学 服务功能链的虚拟网络功能部署方法
CN108762768A (zh) * 2018-05-17 2018-11-06 烽火通信科技股份有限公司 网络服务智能化部署方法及系统
CN108900358A (zh) * 2018-08-01 2018-11-27 重庆邮电大学 基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法
CN108965024A (zh) * 2018-08-01 2018-12-07 重庆邮电大学 一种5g网络切片基于预测的虚拟网络功能调度方法
CN112887142A (zh) * 2021-01-26 2021-06-01 贵州大学 一种虚拟化无线接入边缘云中web应用切片生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Novel Approaches for VNF Requirement Prediction Using DNN and LSTM";ZakiaZaman等;《IEEE》;全文 *

Also Published As

Publication number Publication date
CN113923129A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
CN109412829B (zh) 一种资源配置的预测方法及设备
Siryani et al. A machine learning decision-support system improves the internet of things’ smart meter operations
CN113923129B (zh) 基于数据驱动的vnf需求预测方法及系统
CA3088689C (en) Finite rank deep kernel learning for robust time series forecasting and regression
CN110187990A (zh) 一种基于模式转移的虚拟机混合备用动态可靠性评估方法
Ali-Tolppa et al. Self-healing and resilience in future 5G cognitive autonomous networks
CN117909083B (zh) 一种分布式云容器资源调度方法及系统
CN111027591B (zh) 一种面向大规模集群系统的节点故障预测方法
CN103365727A (zh) 一种云计算环境中的主机负载预测方法
CA3119533C (en) Finite rank deep kernel learning with linear computational complexity
US20210392055A1 (en) Managing computation load in a fog network
Wang et al. A discrete-time on–off source queueing system with negative customers
Donta et al. The promising role of representation learning for distributed computing continuum systems
CN117175588A (zh) 基于时空相关性的用电负荷预测方法及装置
AU2020326407A1 (en) Extending finite rank deep kernel learning to forecasting over long time horizons
CN113825165A (zh) 基于时间图网络的5g切片网络拥塞预警方法及装置
Zhou et al. Cushion: A proactive resource provisioning method to mitigate SLO violations for containerized microservices
CN116804964A (zh) 数据处理方法、装置、电子设备及可读存储介质
Jeong et al. Proactive resource autoscaling scheme based on SCINet for high-performance cloud computing
CN114338416B (zh) 一种时空多指标预测方法、装置和存储介质
CN113541986B (zh) 5g切片的故障预测方法、装置及计算设备
Agarwal et al. A Deep Recurrent-Reinforcement Learning Method for Intelligent AutoScaling of Serverless Functions
CN111935005A (zh) 数据传输方法、装置、处理设备及介质
Rashtian et al. Using deep reinforcement learning to improve sensor selection in the internet of things
Hirwa et al. An ensemble multivariate model for resource performance prediction in the cloud

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
CP03 Change of name, title or address

Address after: 450000 Science Avenue 62, Zhengzhou High-tech Zone, Henan Province

Patentee after: Information Engineering University of the Chinese People's Liberation Army Cyberspace Force

Country or region after: China

Address before: No. 62 Science Avenue, High tech Zone, Zhengzhou City, Henan Province

Patentee before: Information Engineering University of Strategic Support Force,PLA

Country or region before: China