CN114760669B - 一种基于流量预测的路由决策方法及系统 - Google Patents
一种基于流量预测的路由决策方法及系统 Download PDFInfo
- Publication number
- CN114760669B CN114760669B CN202210661593.0A CN202210661593A CN114760669B CN 114760669 B CN114760669 B CN 114760669B CN 202210661593 A CN202210661593 A CN 202210661593A CN 114760669 B CN114760669 B CN 114760669B
- Authority
- CN
- China
- Prior art keywords
- data
- forwarded
- analyzed
- data packet
- link
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/38—Flow based routing
Abstract
本发明公开了一种基于流量预测的路由决策方法及系统,涉及路由决策技术领域,用于获得目标网络区域内对待转发数据包进行转发的直接连接或间接连接起点与终点之间的各条待分析数据链路、以及各待分析数据链路分别所包含的各个节点,当目标网络区域接收到待转发数据包时,分别针对目标网络区域内起点与终点之间直接连接或间接连接的各条待分析数据链路,训练并获得待转发数据包对应的路由选择模型,应用路由选择模型获得待转发数据包对应的最佳转发路径,并对待转发数据包进行转发。通过本发明的技术方案可以大大降低网络调度、路由、负载均衡的延迟,并且大大降低采用如ARIMA等预测时间序列的成本,带来良好的有益效果。
Description
技术领域
本发明涉及路由决策技术领域,具体而言涉及一种基于流量预测的路由决策方法及系统。
背景技术
5G及5G以上版本不仅复杂且难以管理,而且还必须满足各种严格的性能要求,并快速适应流量和网络状态的变化。机器学习和并行计算的进步支撑着新的强大工具,这些工具有可能应对这些复杂的挑战。
之前的工作将机器学习模型嵌入到特定算法的设计中,侧重于网络功能,包括:移动性管理、资源管理和编排以及服务供应;大规模MIMO系统中的检测和信道估计;路由;虚拟网络功能(VNF)的资源扩展。
它们的主要缺点恰恰在于它们是特定于机制的,即每个网络控制机制都需要专门构建机器学习的方法,并且不能轻易重用。相比之下,我们使用机器学习进行准确的交通预测,这些预测可以直接用作完善算法和决策模块的输入。同时,以前的工作主要集中在流量分析以优化特定网络操作,例如路由或VNF资源扩展,而我们的方法依赖于流量分析以提高通用网络控制机制的性能。
发明内容
本发明的目的在于提供一种基于流量预测的路由决策方法及系统,以解决现有技术中的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于流量预测的路由决策方法,用于获得目标网络区域内对待转发数据包进行转发的直接连接或间接连接起点与终点之间的各条待分析数据链路、以及各待分析数据链路分别所包含的各个节点,当目标网络区域接收到待转发数据包时,基于待转发数据包在目标网络区域中的位置,分别针对目标网络区域内起点与终点之间直接连接或间接连接的各条待分析数据链路,通过以下步骤A至步骤D训练并获得待转发数据包分别在各条待分析数据链路下所对应的路由选择模型,再通过以下步骤E应用路由选择模型获得待转发数据包对应的最佳转发路径,根据最佳转发路径对待转发数据包进行转发:
步骤A、收集并获得当前时刻向历史时间方向的一段历史时间范围内待分析数据链路上各个已转发数据包分别所对应的预设数据类型,分别针对各个已转发数据包,获得该已转发数据包在该目标区域内所经过的各个待分析数据链路、以及该待分析数据链路所包含的各个节点,进而获得该已转发数据包对应的全局视图,即获得各个已转发数据包分别所对应的全局视图,随后进入步骤B;
步骤B、分别针对各个全局视图,构建用于对全局视图进行特征提取,进一步获得该全局视图对应的链路分类特征的特征提取模块,随后进入步骤C;
步骤C、收集并获得待转发数据包在待分析数据链路上对应的预设数据类型,进一步获得待转发数据包对应的全局视图,利用特征提取模块获得该待转发数据包对应的链路分类特征,即获得待转发数据包和已转发数据包分别所对应的全局视图;
进一步分别针对各个全局视图,基于待转发数据包对应的各预设数据类型和链路分类特征,构建用于对待转发数据包进行特征转换,获得分类特征矩阵的分类预测模块,随后进入步骤D;
步骤D、针对待分析数据链路,以该待分析数据链路上各个已转发数据包分别所对应的转发数据类型为输入,以全局视图下的完整转发路径为输出,将已转发数据包在待分析数据链路上对应的链路分类特征作为训练样本,以分类预测模块所获的分类特征矩阵为基础,对待训练路由选择模型进行训练,获得用于筛选最佳转发路径的路由选择模型,随后进入步骤E;
步骤E、针对待转发数据包,以待转发数据包对应的各预设数据类型为输入,基于该待转发数据包在各个待分析数据链路上对应的链路分类特征,应用路由选择模型,确定待转发数据包的最佳转发路径,完成待转发数据包的转发。
进一步地,前述的步骤A中,分别针对各个已转发数据包,获得已转发数据包所对应的各个全局视图,其中全局视图包括对已转发数据包进行转发的各个待分析数据链路、以及各待分析数据链路所含的各个节点;
根据以下公式通过邻接矩阵对已转发数据包分别所对应的全局视图G进行特征表示:
G(V,E,{fv(u)},{fe(u,v)})
其中,V为待分析数据链路所含各个节点的集合,E为该已转发数据包对应的待分析数据链路的集合,u、v分别为全局视图的顶点,即待分析数据链路的节点,e为待分析数据链路,fv(u)为节点特征,fe(u,v)为待分析数据链路e的特征;
根据以下公式:
fe(u,v)=log(1+(ce(u,v)-ai e(u,v)/ce(u,v)))
获得待分析数据链路e的特征fe(u,v),其中,ce(u,v)为待分析数据链路e的满载容量,ai e(u,v)为待分析数据链路e对应的已转发数据包i的预设数据类型;
根据以下公式:
获得节点特征fv(u),其中,av(u)为节点所对应已转发数据包的预设数据类型。
进一步地利用邻接矩阵对全局视图进行特征表示,获得全局特征矩阵,全局特征矩阵中节点特征包括已转发数据包长度、接收分组率和接收比特率,待分析数据链路的特征包括待分析数据链路的连接状况、待分析数据链路的延迟、传输比特率和传输分组率。
进一步地,前述的步骤B中,对全局视图进行特征提取,分别针对全局特征矩阵中的各个节点,基于广度优先算法,获得该节点对应的各个邻域节点的节点特征,并建立该节点的节点特征索引顺序,按照节点特征索引顺序依次输出该节点的节点特征、以及各个邻域节点的节点特征,完成对全局视图的特征提取。
进一步地,利用穷举法列举直接连接起点与终点或间接连接起点与终点的各条待分析数据链路,获得待转发数据包的预设数据类型,分别对各预设数据类型进行特征转换,提取并获得待转发数据包对应的分类特征矩阵,将列举的所有待分析数据链路作为转发路径,进行最佳转发路径的筛选。
进一步地,前述的步骤E中,对最佳转发路径进行更新,提升精确度,当获得路由选择模型后,通过调度大象流和老鼠流的链路分配,对路由选择模型选择的最佳转发路径进行负载均衡优化,并根据优化结果更新最佳转发路径。
本发明的另一方面提出一种基于流量预测的路由决策系统,包括:
节点采集模块,用于获得目标网络区域内对待转发数据包进行转发的直接连接或间接连接起点与终点之间的各条待分析数据链路、以及各待分析数据链路分别所包含的各个节点;
已转发数据类型提取模块,用于收集并获得当前时刻向历史时间方向的一段历史时间范围内待分析数据链路上各个已转发数据包分别所对应的预设数据类型;
待转发数据类型提取模块,用于收集并获得待转发数据包在待分析数据链路上对应的预设数据类型;
全局视图获取模块,分别针对各个转发数据包,获得各个转发数据包分别所对应的全局视图,所述转发数据包包括待转发数据包和已转发数据包;
特征提取模块,用于对全局视图进行特征提取,获得全局视图对应的链路分类特征;
分类预测模块,用于对待转发数据包对应的各预设数据类型和链路分类特征进行特征转换,获得分类特征矩阵;
模型训练模块,用于针对待分析数据链路,对待训练路由选择模型进行训练,筛选并获得最佳转发路径;
数据转发模块,用于对路由选择模型进行应用,确定待转发数据包的最佳转发路径,对待转发数据包进行转发。
本发明所述一种基于流量预测的路由决策方法及系统,采用以上技术方案与现有技术相比,具有以下技术效果:
改进了原有的将机器学习嵌入到算法之中的模式,采用机器学习编排器的形式实现了一种可即插即用的机器学习系统,机器学习编排器在离线的状态下先进行训练,在对原有网络改变不大的情况下,只需要选择希望使用的算法,直接加入机器学习的功能,对流量进行预测和分类,并以此结果作为原有网络本该作为后验的输入,以此方法可以大大降低网络调度,路由,负载均衡的延迟,并且大大降低采用如ARIMA等预测时间序列的成本,实现了机器学习即插即用到原有网络中,以最小的改变,较低的成本,实现对几种应用场景的优化。
附图说明
图1为本发明示例性实施例的一种网络优化方法工作流程图;
图2为本发明示例性实施例的一种网络优化方法系统架构图;
图3为本发明示例性实施例的一种网络优化系统模块示意图;
图4为本发明示例性实施例的一种网络优化系统工作流程图;
图5为本发明示例性实施例的一种实施例的架构图;
图6为本发明示例性实施例的一种实施例的流程图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
结合图1至图6,本发明示例性实施例提供一种基于流量预测的路由决策方法,用于获得目标网络区域内对待转发数据包进行转发的直接连接或间接连接起点与终点之间的各条待分析数据链路、以及各待分析数据链路分别所包含的各个节点,当目标网络区域接收到待转发数据包时,基于待转发数据包在目标网络区域中的位置,分别针对目标网络区域内起点与终点之间直接连接或间接连接的各条待分析数据链路,参照图1,通过以下步骤A至步骤D训练并获得待转发数据包分别在各条待分析数据链路下所对应的路由选择模型,再通过以下步骤E应用路由选择模型获得待转发数据包对应的最佳转发路径,根据最佳转发路径对待转发数据包进行转发:
步骤A、收集并获得当前时刻向历史时间方向的一段历史时间范围内待分析数据链路上各个已转发数据包分别所对应的预设数据类型,分别针对各个已转发数据包,获得该已转发数据包在该目标区域内所经过的各个待分析数据链路、以及该待分析数据链路所包含的各个节点,根据以下公式通过邻接矩阵对已转发数据包分别所对应的全局视图G进行特征表示:
G(V,E,{fv(u)},{fe(u,b)})
其中,V为待分析数据链路所含各个节点的集合,E为该已转发数据包对应的待分析数据链路的集合,u、v分别为全局视图的顶点,即待分析数据链路的节点,e为待分析数据链路,fv(u)为节点特征,fe(u,v)为待分析数据链路e的特征;
获得全局特征矩阵,全局特征矩阵中节点特征包括已转发数据包长度、接收分组率和接收比特率,待分析数据链路的特征包括待分析数据链路的连接状况、待分析数据链路的延迟、传输比特率和传输分组率,进而获得该已转发数据包对应的全局视图,即获得各个已转发数据包分别所对应的全局视图,随后进入步骤B。
根据以下公式:
fe(u,v)=log(1+(ce(u,v)-ai e(u,v)/ce(u,v)))
获得待分析数据链路e的特征fe(u,v),其中,Ce(u,v)为待分析数据链路e的满载容量,ai e(u,v)为待分析数据链路e对应的已转发数据包i的预设数据类型;
根据以下公式:
获得节点特征fv(u),其中,av(u)为节点所对应已转发数据包的预设数据类型。
步骤B、分别针对各个全局视图,构建用于对全局视图进行特征提取,进一步获得该全局视图对应的链路分类特征的特征提取模块,随后进入步骤C。
作为优选方案,对全局视图进行特征提取,分别针对全局特征矩阵中的各个节点,基于广度优先算法,获得该节点对应的各个邻域节点的节点特征,并建立该节点的节点特征索引顺序,按照节点特征索引顺序依次输出该节点的节点特征、以及各个邻域节点的节点特征,完成对全局视图的特征提取。
步骤C、收集并获得待转发数据包在待分析数据链路上对应的预设数据类型,进一步获得待转发数据包对应的全局视图,利用特征提取模块获得该待转发数据包对应的链路分类特征,即获得待转发数据包和已转发数据包分别所对应的全局视图。
进一步分别针对各个全局视图,基于待转发数据包对应的各预设数据类型和链路分类特征,构建用于对待转发数据包进行特征转换,获得分类特征矩阵的分类预测模块,随后进入步骤D。
作为优选方案,利用穷举法列举直接连接起点与终点或间接连接起点与终点的各条待分析数据链路,获得待转发数据包的预设数据类型,分别对各预设数据类型进行特征转换,提取并获得待转发数据包对应的分类特征矩阵,将列举的所有待分析数据链路作为转发路径,进行最佳转发路径的筛选,此处,待转发数据包所对应的链路分类特征同样来自于全局视图,全局视图来自于所该待转发数据包所经过的各个待分析数据链路,将各个待分析数据链路作为待转发数据包的转发路径,即可列举出起点与终点之间的每一种转发路径,当获得一条待转发路径,该转发路径对应全局视图也同时获得,待转发数据包对应的不同预设数据类型是唯一的,即获得的所有多条转发路径分别所对应的链路分类特征也是唯一的,反之,根据链路分类特征也可获得转发路径。
步骤D、针对待分析数据链路,以该待分析数据链路上各个已转发数据包分别所对应的转发数据类型为输入,以全局视图下的完整转发路径为输出,将已转发数据包在待分析数据链路上对应的链路分类特征作为训练样本,以分类预测模块所获的分类特征矩阵为基础,对待训练路由选择模型进行训练,获得用于筛选最佳转发路径的路由选择模型,随后进入步骤E;
步骤E、针对待转发数据包,以待转发数据包对应的各预设数据类型为输入,基于该待转发数据包在各个待分析数据链路上对应的链路分类特征,应用路由选择模型,确定待转发数据包的最佳转发路径,完成待转发数据包的转发。
本发明的另一方面提供一种基于流量预测的路由决策系统,包括节点采集模块、已转发数据类型提取模块、待转发数据类型提取模块、全局视图获取模块、特征提取模块、分类预测模块、模型训练模块、以及数据转发模块,参照图2-图3,本发明示例性的还包括:
编排器模块:具体为实例化的节点采集模块,定义了测量移动网络节点的集合、流量测量的持续时间和聚合级别以及机器学习管道特定的参数,例如时期数、层数等。编排器模块通过实例化的管道分别与测量移动网络模块、参数提取模块、机器学习算法模块和决策模块相连接。
测量移动网络模块:利用标准接口从网络中提取每个流的数据包序列,以及它们的长度、到达间隔时间、方向(上行链路/下行链路),甚至可能是有效载荷的一部分,将此类数据作为机器学习的输入,测量移动网络模块与参数提取模块相连,为参数提取模块提供大量的基础数据。
参数提取模块:具体包括已转发数据类型提取模块和待转发数据类型提取模块,将测量移动网络模块产生的数据进行筛选,并且将筛选后的数据、以及已转发数据类型提取模块和待转发数据类型提取模块所获的转发数据类型,提供给相应的机器学习算法模块,参数提取模块与机器学习算法模块相连,为机器学习算法模块提供所需要的特征向量等。
机器学习算法模块:处理测量移动网络模块产生的数据的机器学习算法。机器学习算法模块与决策模块相连,机器学习算法模块对输入的数据进行训练并进行预测,为决策模块提供接下来一段时间的流信息,以达到决策模块提前预测到流信息的作用并做出最优调度,机器学习算法模块包括:用于为决策模块提供更加准确的流分类信息的特征提取子模块和用于通过机器学习算法对即将到达不同流进行预测,并将预测信息传达给决策模块,从而进行更优的路由和调度的分类预测子模块。
决策模块:基于现有算法,只需更新这些算法即可将机器学习算法做出的预测作为输入。决策模块与机器学习算法模块相连,并基于机器学习算法模块的分类和预测,做出最优的调度、路由和负载均衡等。
管道建立模块:为不同的目标实例化多个机器学习管道。
结合图4-图6,本发明的目的在于改变以上将机器学习嵌入到特定算法的设计,使用了一个机器学习编排器,实现了一种即插即用的机器学习系统,将机器学习产生的数据应用于决策模块,从而起到降低数据包延时的效果。
作为实施例,本发明的目的是通过以下实施步骤来实现的:
步骤一:机器学习编排器定义收集器节点集、流量测量的持续时间和聚合级别,以及机器学习管道特定的参数,例如epoch、层数,以及可能的自定义丢失函数。
步骤二:机器学习编排器根据步骤一中定义的收集器节点集相应地实例化机器学习编排器与收集器节点的管道,以及实例化参数提取模块、机器学习算法模块和网络决策模块的对应通道,用于上传数据便于机器学习编排器统一调度,并确保预配足够的计算能力以集中式或分布式方式训练机器学习模型。
步骤三:观测模块进行数据的采集,提取每个流的数据包序列,以及它们的长度,到达时间,方向(上行链路/下行链路),甚至可能是有效载荷的一部分等等。
步骤四:机器学习编排器收到来自观测模块采集到的数据,形成多个特征矩阵,将采集到的数据以流量矩阵的方式传入到在线的机器学习模型进行离线训练。
在此,运用了一个图感知卷积结构模型。可以分为两个阶段,特征提取和图感知卷积神经网络。网络由一个四元组构成,即G(V,E,(fv(u)},{fe(u,v)}),作为实施例对应的四元组,V为拓扑图的顶点集合,E为链路的集合,fv(u)、fe(u,v)分别为顶点特征和边特征,具体为以下子步骤:
子步骤1:编排器在定义所有管道和设备节点之后,形成全局视图,u定义为顶点,av(u)定义为顶点的属性;边定义为(u,v),其中u,v为相邻顶点,并将ae(u,v)定义为边属性,ce(u,v)作为边的满载容量,使用的原始属性可以是链路连接状况、链路延迟、接受比特率、接受分组率、传输比特率和传输分组率等属性,我们采用邻接矩阵来表示链路连接状况,并且定义边特征fi e(u,v),边特征定义如下:
子步骤2:根据链路测量,定义顶点属性:
通过顶点属性,得到顶点特征:
fv(u)=(av(u))/∑v∈{v|(u,v)∈E}av(u)
其中,E为链路的集合。
子步骤3:为w个根节点分别探索k个邻域,在探索邻域时,这里对全局视图G优先采用广度优先进行探索,为根节点u构建一棵树,图的根节点可以根据探索深度Duv得到多个分区。
具体的,采用中心性作为标记顶点的标准,中心性定义为所有顶点通过给定的某个顶点到其他所有顶点的最短路径数量,反映出了该顶点的重要程度。根据中心性顺序,进行分区排列,得到序列vL,L为顶点的标签。
子步骤4:选择w个顶点作为根顶点,顶点的索引顺序根据序列vL,对每个顶点在分区中选择k个顶点,据此,构建链路特征矩阵顶点特征矩阵其中,和为输入特征的数量。根据历史数据(线性回归),对各个链路负载进行流量负载预测,对当前节点进行路径选择,选择最优路由,降低端到端的时延。
子步骤5:将这些矩阵分别输入大小为k2和k的卷积核中,进行训练。
步骤五:训练完毕,机器学习算法模块通过离线已经训练好的机器学习模型,将实时传来的数据输入训练好的机器学习模型,具体为进行流量预测和流量分类。
步骤六:所述决策模块基于现有的机器学习预测数据大小或者流量分类,只需要更新机器学习算法的预测作为输入,为原有网络提供更加精准的预测和分类。
步骤七:原有的网络架构根据ML算法提供的输入作出路由、负载均衡、调度等方面的操作,合理调度大象流和老鼠流的链路分配,实现负载均衡,达到降低传输数据时延的效果。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (6)
1.一种基于流量预测的路由决策方法,用于获得目标网络区域内对待转发数据包进行转发的直接连接或间接连接起点与终点之间的各条待分析数据链路、以及各待分析数据链路分别所包含的各个节点,其特征在于,当目标网络区域接收到待转发数据包时,基于待转发数据包在目标网络区域中的位置,分别针对目标网络区域内起点与终点之间直接连接或间接连接的各条待分析数据链路,通过以下步骤A至步骤D训练并获得待转发数据包分别在各条待分析数据链路下所对应的路由选择模型,再通过以下步骤E应用路由选择模型获得待转发数据包对应的最佳转发路径,根据最佳转发路径对待转发数据包进行转发:
步骤A、收集并获得当前时刻向历史时间方向的一段历史时间范围内待分析数据链路上各个已转发数据包分别所对应的预设数据类型,分别针对各个已转发数据包,获得该已转发数据包在目标网络区域内所经过的各个待分析数据链路、以及该待分析数据链路所包含的各个节点,进而获得该已转发数据包对应的全局视图,即获得各个已转发数据包分别所对应的全局视图,随后进入步骤B;
获得已转发数据包所对应的各个全局视图,其中全局视图包括对已转发数据包进行转发的各个待分析数据链路、以及各待分析数据链路所含的各个节点;
根据以下公式:
根据以下公式:
步骤B、分别针对各个全局视图,构建用于对全局视图进行特征提取,进一步获得该全局视图对应的链路分类特征的特征提取模块,随后进入步骤C;
步骤C、收集并获得待转发数据包在待分析数据链路上对应的预设数据类型,进一步获得待转发数据包对应的全局视图,利用特征提取模块获得该待转发数据包对应的链路分类特征,即获得待转发数据包和已转发数据包分别所对应的全局视图;
进一步分别针对各个全局视图,基于待转发数据包对应的各预设数据类型和链路分类特征,构建用于对待转发数据包进行特征转换,获得分类特征矩阵的分类预测模块,随后进入步骤D;
步骤D、针对待分析数据链路,以该待分析数据链路上各个已转发数据包分别所对应的转发数据类型为输入,以全局视图下的完整转发路径为输出,将已转发数据包在待分析数据链路上对应的链路分类特征作为训练样本,以分类预测模块所获的分类特征矩阵为基础,对待训练路由选择模型进行训练,获得用于筛选最佳转发路径的路由选择模型,随后进入步骤E;
步骤E、针对待转发数据包,以待转发数据包对应的各预设数据类型为输入,基于该待转发数据包在各个待分析数据链路上对应的链路分类特征,应用路由选择模型,确定待转发数据包的最佳转发路径,完成待转发数据包的转发。
2.根据权利要求1所述的一种基于流量预测的路由决策方法,其特征在于,利用邻接矩阵对全局视图进行特征表示,获得全局特征矩阵,全局特征矩阵中节点特征包括已转发数据包长度、接收分组率和接收比特率,待分析数据链路的特征包括待分析数据链路的连接状况、待分析数据链路的延迟、传输比特率和传输分组率。
3.根据权利要求2所述的一种基于流量预测的路由决策方法,其特征在于,所述步骤B中,对全局视图进行特征提取,分别针对全局特征矩阵中的各个节点,基于广度优先算法,获得该节点对应的各个邻域节点的节点特征,并建立该节点的节点特征索引顺序,按照节点特征索引顺序依次输出该节点的节点特征、以及各个邻域节点的节点特征,完成对全局视图的特征提取。
4.根据权利要求1-3任意一项所述的一种基于流量预测的路由决策方法,其特征在于,利用穷举法列举直接连接起点与终点或间接连接起点与终点的各条待分析数据链路,获得待转发数据包的预设数据类型,分别对各预设数据类型进行特征转换,提取并获得待转发数据包对应的分类特征矩阵,将列举的所有待分析数据链路作为转发路径,进行最佳转发路径的筛选。
5.根据权利要求1所述的一种基于流量预测的路由决策方法,其特征在于,所述步骤E中,对最佳转发路径进行更新,提升精确度,当获得路由选择模型后,通过调度大象流和老鼠流的链路分配,对路由选择模型选择的最佳转发路径进行负载均衡优化,并根据优化结果更新最佳转发路径。
6.一种基于流量预测的路由决策系统,其特征在于,包括:
节点采集模块,用于获得目标网络区域内对待转发数据包进行转发的直接连接或间接连接起点与终点之间的各条待分析数据链路、以及各待分析数据链路分别所包含的各个节点;
已转发数据类型提取模块,用于收集并获得当前时刻向历史时间方向的一段历史时间范围内待分析数据链路上各个已转发数据包分别所对应的预设数据类型;
待转发数据类型提取模块,用于收集并获得待转发数据包在待分析数据链路上对应的预设数据类型;
全局视图获取模块,分别针对各个转发数据包,获得各个转发数据包分别所对应的全局视图,所述转发数据包包括待转发数据包和已转发数据包;
获得已转发数据包所对应的各个全局视图,其中全局视图包括对已转发数据包进行转发的各个待分析数据链路、以及各待分析数据链路所含的各个节点;
根据以下公式:
根据以下公式:
特征提取模块,用于对全局视图进行特征提取,获得全局视图对应的链路分类特征;
分类预测模块,用于对待转发数据包对应的各预设数据类型和链路分类特征进行特征转换,获得分类特征矩阵;
模型训练模块,用于针对待分析数据链路,对待训练路由选择模型进行训练,筛选并获得最佳转发路径;
数据转发模块,用于对路由选择模型进行应用,确定待转发数据包的最佳转发路径,对待转发数据包进行转发。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210661593.0A CN114760669B (zh) | 2022-06-13 | 2022-06-13 | 一种基于流量预测的路由决策方法及系统 |
PCT/CN2023/098738 WO2023241423A1 (zh) | 2022-06-13 | 2023-06-07 | 一种基于流量预测的路由决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210661593.0A CN114760669B (zh) | 2022-06-13 | 2022-06-13 | 一种基于流量预测的路由决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114760669A CN114760669A (zh) | 2022-07-15 |
CN114760669B true CN114760669B (zh) | 2022-09-02 |
Family
ID=82336220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210661593.0A Active CN114760669B (zh) | 2022-06-13 | 2022-06-13 | 一种基于流量预测的路由决策方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114760669B (zh) |
WO (1) | WO2023241423A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114760669B (zh) * | 2022-06-13 | 2022-09-02 | 南京邮电大学 | 一种基于流量预测的路由决策方法及系统 |
CN115473838A (zh) * | 2022-09-15 | 2022-12-13 | 中国电信股份有限公司 | 网络请求的处理方法、装置、计算机可读介质及电子设备 |
CN117649769B (zh) * | 2024-01-29 | 2024-04-16 | 南京邮电大学 | 一种基于时空关联特征矩阵的未来交通流量智能预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114573A (zh) * | 2021-04-16 | 2021-07-13 | 重庆邮电大学 | Sdn网络中视频流分类与调度系统 |
CN114039929A (zh) * | 2021-11-08 | 2022-02-11 | 深圳市高德信通信股份有限公司 | 一种业务流量调度的方法和装置 |
CN114286413A (zh) * | 2021-11-02 | 2022-04-05 | 北京邮电大学 | Tsn网络联合路由选择与流分配方法及相关设备 |
CN114513816A (zh) * | 2022-01-26 | 2022-05-17 | 南京邮电大学 | 一种sdn网络资源分配方法、系统及存储介质 |
CN114567588A (zh) * | 2022-04-27 | 2022-05-31 | 南京邮电大学 | 基于时延预测及双蚁群的软件定义网络QoS路由算法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10027530B2 (en) * | 2015-10-30 | 2018-07-17 | Telefonaktiebolaget Lm Ericsson (Publ) | System and method for troubleshooting SDN networks using flow statistics |
CN112202672B (zh) * | 2020-09-17 | 2021-07-02 | 华中科技大学 | 一种基于业务服务质量需求的网络路由转发方法和系统 |
CN113114582B (zh) * | 2021-05-25 | 2022-05-17 | 电子科技大学 | 基于机器学习的链路拥塞故障预测及网络自主管控方法 |
CN114760669B (zh) * | 2022-06-13 | 2022-09-02 | 南京邮电大学 | 一种基于流量预测的路由决策方法及系统 |
-
2022
- 2022-06-13 CN CN202210661593.0A patent/CN114760669B/zh active Active
-
2023
- 2023-06-07 WO PCT/CN2023/098738 patent/WO2023241423A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114573A (zh) * | 2021-04-16 | 2021-07-13 | 重庆邮电大学 | Sdn网络中视频流分类与调度系统 |
CN114286413A (zh) * | 2021-11-02 | 2022-04-05 | 北京邮电大学 | Tsn网络联合路由选择与流分配方法及相关设备 |
CN114039929A (zh) * | 2021-11-08 | 2022-02-11 | 深圳市高德信通信股份有限公司 | 一种业务流量调度的方法和装置 |
CN114513816A (zh) * | 2022-01-26 | 2022-05-17 | 南京邮电大学 | 一种sdn网络资源分配方法、系统及存储介质 |
CN114567588A (zh) * | 2022-04-27 | 2022-05-31 | 南京邮电大学 | 基于时延预测及双蚁群的软件定义网络QoS路由算法 |
Non-Patent Citations (2)
Title |
---|
Dynamic Routing with Online Traffic Estimation for Video Streaming over Software Defined Networks;Riqiang Liu,etc;《2020 IEEE Symposium on Computers and Communications (ISCC)》;20200710;全文 * |
SDN/IP网络动态路由系统设计;贾旭涵等;《网络新媒体技术》;20220131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114760669A (zh) | 2022-07-15 |
WO2023241423A1 (zh) | 2023-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114760669B (zh) | 一种基于流量预测的路由决策方法及系统 | |
CN111371644B (zh) | 基于gru的多域sdn网络流量态势预测方法及系统 | |
CN108199928A (zh) | 一种多维电力通信网流量预测方法及系统 | |
CN113705959B (zh) | 网络资源分配方法及电子设备 | |
KR100950423B1 (ko) | 다개체 유전자 알고리즘을 이용한 라우팅 경로 검색 방법 및 그에 따른 센서 네트워크 시스템 | |
CN114827021B (zh) | 一种基于sdn和机器学习的多媒体业务流量加速系统 | |
CN113642809A (zh) | 一种用电量预测方法、装置、计算机设备和存储介质 | |
CN102571423A (zh) | 基于gshlpn的网络数据传输建模及性能分析方法 | |
CN110601916A (zh) | 一种基于机器学习的流量采样和应用感知的系统 | |
CN117061360A (zh) | 基于时空信息的sdn网络流量预测方法与系统 | |
CN116455820A (zh) | 基于拥塞规避的多传输路径调整系统及方法 | |
CN102461068A (zh) | 建模设备和方法 | |
CN114401063B (zh) | 基于轻量化模型的边缘设备协同频谱智能监测方法和系统 | |
Meng et al. | Intelligent routing orchestration for ultra-low latency transport networks | |
CN103702445B (zh) | 无线传感器网络语义通信中任务组合的本体及推理规则 | |
CN105959167B (zh) | 一种基于贪心算法的全局优化sdn测量方法 | |
Hoang et al. | Lstm-based server and route selection in distributed and heterogeneous sdn network | |
CN101958843A (zh) | 基于流量分析和节点信任度的智能路由选择方法 | |
CN115720212A (zh) | 一种基于多源数据融合的网络流量预测及自动优化均衡方法 | |
Bolodurina et al. | Comprehensive approach for optimization traffic routing and using network resources in a virtual data center | |
Khedkar | A Deep Learning method for effective channel allotment for SDN based IOT | |
CN115842766B (zh) | 流量仿真方法和装置 | |
CN117478518A (zh) | 一种图卷积神经网络辅助的大数据存储转发调度方法 | |
CN108337112B (zh) | 一种基于信息流模型的网络动态业务建模方法 | |
Sahana et al. | Optimal Network Route Estimator Using Prediction Algorithms |
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 |