CN114900838B - 基于时序图神经网络的网络信道瓶颈点检测及分配方法 - Google Patents

Abstract

本发明公开了一种基于时序图神经网络的网络信道瓶颈点检测及分配方法，检测方法包括根据当前网络信道图G_i进行建立模型，当前网络信道图G_i包括点集V{v₁,v₂,...,v_m}和边集E{e₁,e₂,e₃,...,e_n}，v₁,v₂,……，v_m表示网络传输中的m个节点，且节点表示终端或基站；基于G_i中每个终端或基站的实时请求的资源数量以及该终端或基站的先前使用情况选择是否将与该终端或基站对应的节点作为候选点，得到k个候选点p_i，将G_i中与该候选点p_i相对应的节点v_j以及该节点v_j所连接的边去除，得到网络信道图G_i′，再计算G_i和G_i′的差异值Diff_j，并将Diff_j作为该候选点p_i成为瓶颈点的概率值；比较所有的概率值并选择最大概率值所对应的候选点作为网络传输中的瓶颈点。本发明能够跟随通信网络变化且动态适应性分配网络资源。

Description

基于时序图神经网络的网络信道瓶颈点检测及分配方法

技术领域

本发明涉及网络资源分配领域，特别涉及一种基于时序图神经网络的网络信道瓶颈点检测及分配方法。

背景技术

随着Internet的飞速发展和大数据信息的快速增长，全球计算机通信以及网络技术的发展有着前所未有的进步与创新。近年来，无线通信技术以及有线光纤传输经历了巨大的技术变革和演变，对互联网的发展以及其他产业产生了巨大的推动作用。网络资源广义上是指在网络通信行业中通过合理有效的将带宽或无线网络分给各用户或机构使用，实际上网络信道的分配便是网络资源的分配，当用户想请求共享的网络信道时，将使用某种方法为共同请求的用户合理的分配信道。

网络信道可以是由多根有线的电缆或光纤组成，也可以是无线频谱的一部分。信道分配方法将有线信道带宽或者无线网络资源分配给基站，局域网或者终端设备。信道分配的方法主要可以分成三种，一种是静态信道分配，一种是动态信道分配，还有一种是随机信道分配。其中，比较常用的动态信道分配可以根据用户的动态请求从中央池中动态分配信道给用户，其能够优化带宽以及无线的使用，进而合理充分的分配资源给各终端或基站。但是，动态分配需要考虑很多因素，并且会出现分配不均衡或者分配不到位的不良作用，而且由于网络的复杂性，可能会使得某些终端或基站出现资源持续严重短缺的情况，这种情况被称为瓶颈点。

目前，传统的网络信息分配方法并不能够实时的满足终端或基站的实时请求，而且也无法动态捕获通信网络的变化情况，从而缺乏实时的动态适应性分配的功能。

发明内容

本发明的目的是提供一种跟随通信网络变化且动态适应性分配网络资源的基于时序图神经网络的网络信道瓶颈点检测及分配方法，本方法可以用来检测网络信道分配中出现的瓶颈点问题，并根据当前每个资源点(基站或终端)分配的情况以及使用情况的紧张程度来判断是否将该资源点作为候选点，随后使用图编码的方式对去除候选点的图以及完整图进行相似性分析，最后比对所有候选点找出最有可能的瓶颈点并再给其合理分配资源，之后再更新下一个状态的网络信道图以进行下一个瓶颈点的动态检测及资源分配工作。

为达到上述目的，本发明采用的技术方案如下：

一种基于时序图神经网络的网络信道瓶颈点检测方法，其特征在于，包括：

根据当前网络信道图G_i进行建立模型，所述当前网络信道图G_i包括点集V{v₁,v₂,...,v_m}和边集E{e₁,e₂,e₃,...,e_n}，其中，i为当前时间，v₁,v₂,……，v_m表示网络传输中的m个节点，且所述节点表示终端或基站，e₁,e₂,e₃,……，e_n表示网络传输中n个传输信道；

基于G_i中每个终端或基站的实时请求的资源数量以及该终端或基站的先前使用情况选择是否将与该终端或基站对应的节点作为候选点，从而得到k个候选点p_i，其中，i满足1<i≤k；

按照以下方法处理每个候选点p_i以确定每个候选点成为瓶颈点的概率值：将G_i中与该候选点p_i相对应的节点v_j以及该节点v_j所连接的边去除，从而得到网络信道图G_i′，再计算所述G_i和所述G_i′的差异值Diff_j，并将所述Diff_j作为该候选点p_i成为瓶颈点的概率值；

比较所有的概率值，并选择最大概率值所对应的候选点作为网络传输中的瓶颈点。

进一步地，所述计算所述G_i和所述G_i′的差异值Diff_j包括：

基于时序图神经网络对所述G_i和所述G_i′分别进行特征提取，从而得到G_i和G_i′中的每个节点的特征向量，进而计算G_i和G_i′中除候选点p_i以外的所有节点的特征向量间的差异度S(F_y1i,F_y2i)，并对所述差异度进行累加以得到所述G_i和所述G_i′的差异值Diff_j。

进一步地，所述特征向量间的差异度通过下式计算得到：

式中，S(F_y1i,F_y2i)为F_y1i和F_y2i的差异度，F_y1i为G_i中的节点的特征向量且1≤yli≤m，F_y2i为G_i′中的节点的特征向量且1≤y2i≤m-1，m为网络传输中的节点个数。

进一步地，所述Diff_j通过下式计算得到：

式中，Diff_j为G_i和G_i′的差异值，S(F_y1i,F_y2i)为F_y1i和F_y2i的差异度，其中，F_y1i和F_y2i分别为G_i和G_i′中对应相同的第i个节点的特征向量，m为网络传输中的节点个数。

进一步地，所述特征提取的方法包括：

分别将G_i和G_i′的权重矩阵、邻接矩阵输入至所述模型中进行训练优化，从而提取出节点的编码特征，所述编码特征表示节点特征集合。

进一步地，所述特征向量包括以下定义：

F_v＝H(f_v,m_ne[v],f_co[v],f_ne[v])

式中，F_v为节点v的特征向量，H为传递函数，f_v为节点v自带的特征，m_ne[v]为节点v的邻居节点的当前状态，f_co[v]为节点v的边特征，f_ne[v]为节点v的邻居节点的特征。

优选地，f_v包括每个终端或基站的属性信息，或者，f_co[v]包括传输信道所具有的网络资源。

进一步地，所述网络信道瓶颈点检测方法还包括：

根据当前时间i检测到的瓶颈点，调整向该瓶颈点所对应的终端或基站传输的网络资源的分配情况，并更新网络信道图，从而得到下一时间i+1的网络信道图。

进一步地，所述调整向该瓶颈点所对应的终端或基站传输的网络资源的分配情况包括：

增加向该瓶颈点所对应的终端或基站传输的网络资源的数量。

一种基于时序图神经网络的网络信道分配方法，包括：

通过上文所述的瓶颈点检测方法确定网络传输中的瓶颈点，动态调整向该瓶颈点所对应的终端或基站传输的网络资源的分配情况。

本发明具有的优点：充分利用两种情况(终端或基站的动态使用情况和图神经网络动态地学习网络中的变化情况)下的时序特征及结构特征，将所有网络传输中的终端或基站作为图节点，并将图结构中所有涉及到的各因素动态的抽象成向量，并通过图神经网络来计算相应节点的变化情况，从而动态地判断该节点是否为瓶颈点，并动态且合理地分配网络资源以解决网络信道分配中出现的瓶颈点问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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是本发明实施例的一个示例性实施例提供的瓶颈点检测方法的流程框图；

图2是本发明实施例的一个示例性实施例提供的瓶颈点检测方法的示意框图；

图3是图2中检测更新的示意框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，更清楚地了解本发明的目的、技术方案及其优点，以下结合具体实施例并参照附图对本发明实施例中的技术方案进行清楚、完整地描述。需要说明的是，附图中未绘示或描述的实现方式，为所属技术领域中普通技术人员所知的形式。另外，虽然本文可提供包含特定值的参数的示范，但应了解，参数无需确切等于相应的值，而是可在可接受的误差容限或设计约束内近似于相应的值。显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。除此，本发明的说明书和权利要求书中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

近些年网络编码以及数据驱动的方法在图结构方面的预测任务上有着显著的成功，在标记数据稀疏乃至未标注的数据集上，图神经网络也可以进行预训练，首先针对泛任务学习一般的语义信息以及结构信息，然后再针对特定的任务进行预测。然而传统的图神经网络一般只能处理具有时序不变性以及平移不变性的领域数据，图数据是一种非欧几里德结构数据，不具有平移不变性，而将其用在网络信道分配中还得考虑实时的数据更新等情况，所以动态的考虑时序变化下的网络信道图结构可以充分利用图神经网络对于处理图结构的优越性能，并能够从中提取有效的结构特征。动态时序图神经网络就是在时间的顺序下动态的与图神经网络的结合，充分利用两种不同情况下的时序特征以及结构特征，实现动态的检测网络信道分配中出现的瓶颈点问题。

在本发明的一个实施例中，提供了一种基于时序图神经网络的网络信道瓶颈点检测方法。本检测方法将网络信道分配图作为输入，动态地对时间变化下的网络信道分配图使用动态时序图神经网络进行瓶颈点的检测。通过面向现实动态变化的网络信道分配的图数据的建模方法，将所有网络传输中的终端或基站作为图节点，并将图结构中所有涉及到的各因素动态的抽象成向量，并通过图神经网络来计算相应节点的变化情况，从而判断该节点是否为瓶颈点，从而实现动态的合理的分配网络资源。

具体地，本检测方法一方面根据终端或基站的动态使用情况以及实时请求的资源分配情况来判断该终端或基站是否可能是瓶颈点，并将该终端或基站作为候选点以备后用，另一方面根据候选点使用图神经网络来动态的学习网络中变化的情况从而判断该候选点是否是瓶颈点。

在本发明的一个实施例中，如图1至图3所示，本检测方法包括以下几部分：

(1)动态建模

首先根据当前时间节点所要检测瓶颈点的网络信道分配图以及终端或基站进行建模。

图可以被抽象的表示成图数据结构G_i(i为当前的时间)，其中，G_i包含点集V{v₁,v₂,...,v_m}边集E{e₁,e₂,e₃,...,e_n}，其中，V表示所有节点的集合，每个节点v代表网络传输中的终端或基站，v₁,v₂,……，v_m表示网络传输中的m个节点；E代表所有信道的集合，e代表网络传输中的某个传输信道，e₁,e₂,e₃,……，e_n表示网络传输中n个传输信道。

在本实施例中，图G_i是一张无向带权图，每个信道都有其分配的网络资源(例如网络带宽的速率等)，将其作为边的权重W{w₁,w₂,...,w_n}。在网络图中若终端向基站请求共享资源则他们之间将存在互相连接的边，所有的边集可以用邻接矩阵或邻接表表示。最后将每个终端或基站的各种属性信息作为该节点的原始特征f_v。

(2)选择候选点

假设当前i时间下前一个状态的网络信道图为G_i-1，根据当前网络信道图中每个终端或基站请求的资源数量以及前一个状态下该终端或基站使用情况来选择是否将其作为候选的瓶颈点，从而得到k个候选点p_i，其中，i满足1<i≤k。

(3)特征提取

根据步骤(2)中选定的k个候选点p_i，可以但不限于按照顺序依次选择第i个候选点p_i(该点在图G_i中为j点)作为当前状态下的瓶颈点，从G_i中去除该点即j点以及j点所连接的所有边，从而生成了一张新的网络信道图G_i′。然后，根据这两张图构成的网络结构信息分别使用图嵌入的图神经网络进行特征提取，具体过程见下文(4)。

(4)模型的建立与训练

对于图神经网络中的模型部分，在图中每个节点是由该节点与其邻接顶点来定义的。GNN的目的是学习一个状态嵌入F_v∈R^h，其包含了每个节点的邻域信息。状态嵌入F_v是节点v的h维向量，可用于产生输出o_v(例如节点标签)。定义函数H部转移函数(localtransition function)在所有节点之间共享，并根据输入邻域更新节点状态。函数G部输出函数(local output function)用以描述输出是如何产生的。那么状态F_v可以按如下定义：

F_v＝H(f_v,m_ne[v],f_co[v],f_ne[v])

式中，F_v为节点v的特征向量，H为传递函数，f_v为节点v自带的特征，m_ne[v]为节点v的邻居节点的当前状态，f_co[v]为节点v的边特征，f_ne[v]为节点v的邻居节点的特征。在本实施例中，f_v包括每个终端或基站的属性信息，或者，f_co[v]包括传输信道所具有的网络资源。

同样地，输出o_v可以按如下定义：

o_v＝G(F_v,f_v)

式中，F_v为节点v的特征向量，G为输出函数，f_v为节点v自带的特征。

最后通过loss函数进行优化训练，从而得到多个特征向量。

具体地，假设目前候选点集合为P(p₁,p₂,p₃,...,p_k)且其对应G_i中为V(v₁,v_j,...,v_k)，依次从P中选择一个候选点P_i(1≤i≤k)且其对应G_i中的v_j，此时根据步骤(3)中分别构建了两张图G_i以及G_i′(G_i′为去除了候选点P_i即v_j的G_i)，随后将G_i′和G_i的权重矩阵以及邻接矩阵传入模型中进行训练优化提取出节点的编码特征M_gi和M_gi′，其中，M_gi为G_i的节点特征集合即M_gi包括m个节点的特征向量，M_gi维度为m*N，m表示图G_i中节点的个数，N为模型的输出参数即每个节点被表示成了N维的特征向量，M_gi′为G_i′的节点特征集合即M_gi′包括m-1个节点的特征向量，M_gi′维度为(m-1)*N，N为模型的输出参数即每个节点被表示成了N维的特征向量。

(5)检测瓶颈点

根据步骤(4)中模型训练提取出来的每个节点(终端或基站)的特征向量，分别对两个图中除候选点j以外的所有节点特征进行相似性比对并做累加作为该候选点的偏差值即该候选点为瓶颈点的概率值，该概率值越大代表该点是瓶颈点的可能性越大。

图G_i′为包含了去除j节点后剩余的m-1个节点的网络信道图，图G_i为包含所有的m个节点的原始网络信道图，G_i和G_i′经过步骤(4)中的模型训练后每个节点都可提取相应的图嵌入特征F_y1i和F_y2i，其中，F_y1i为G_i中的节点的特征向量且1≤yli≤m，F_y2i为G_i′中的节点的特征向量且1≤y2i≤m-1，。

特征向量间的差异度通过下式计算得到：

式中，S(F_y1i,F_y2i)为F_y1i和F_y2i的差异度，F_y1i为G_i中的节点的特征向量且1≤yli≤m，F_y2i为G_i′中的节点的特征向量且1≤y2i≤m-1，m为网络传输中的节点个数。

随后对差异度进行累加以计算图G_i与G_i′的差异值Diff_j(1≤j≤k)，其中，Diff_j由以下公式计算得到：

式中，Diff_j为G_i和G_i′的差异值，S(F_y1i,F_y2i)为F_y1i和F_y2i的差异度，其中，F_y1i和F_y2i分别为G_i和G_i′中对应相同的第i个节点的特征向量，m为网络传输中的节点个数。

当将k个候选点遍历完后，通过比较差异值最大的候选点作为检测得到的瓶颈点。

(6)更新网络信道

当检测出潜在的通信瓶颈点后随即便在下一时间i+1更新网络信道图，调整向该瓶颈点所对应的终端或基站传输的网络资源的分配情况，比如给瓶颈点传输更多的网络资源或分配更大的带宽以满足该终端或基站的需求，从而得到下一状态的网络信道图G_i+1。

在本发明的一个实施例中，提供了一种基于时序图神经网络的网络信道分配方法，本分配方法通过上文所述的瓶颈点检测方法确定网络传输中的瓶颈点，动态调整向该瓶颈点所对应的终端或基站传输的网络资源的分配情况。

本分配方法实施例的思想与上述实施例中瓶颈点检测方法的工作过程属于同一思想，通过全文引用的方式将上述瓶颈点检测方法实施例的全部内容并入本分配方法实施例，不再赘述。

以上所述仅为本发明的优选实施例，并非因此限制其专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于时序图神经网络的网络信道瓶颈点检测方法，其特征在于，包括：

根据当前网络信道图G_i进行建立模型，所述当前网络信道图G_i包括点集V{v₁,v₂,...,v_m}和边集E{e₁,e₂,e₃,...,e_n}，其中，i为当前时间，v₁,v₂,……，v_m表示网络传输中的m个节点，且所述节点表示终端或基站，e₁,e₂,e₃,……，e_n表示网络传输中n个传输信道；

基于G_i中每个终端或基站的实时请求的资源数量以及该终端或基站的先前使用情况选择是否将与该终端或基站对应的节点作为候选点，从而得到k个候选点p_i’，其中，i’满足1<i’≤k；

按照以下方法处理每个候选点p_i’以确定每个候选点成为瓶颈点的概率值：将G_i中与该候选点p_i’相对应的节点v_j以及该节点v_j所连接的边去除，从而得到网络信道图G_i′，再计算所述G_i和所述G_i′的差异值Diff_j，并将所述Diff_j作为该候选点p_i’成为瓶颈点的概率值；

比较所有的概率值，并选择最大概率值所对应的候选点作为网络传输中的瓶颈点。

2.根据权利要求1所述的网络信道瓶颈点检测方法，其特征在于，所述计算所述G_i和所述G_i′的差异值Diff_j包括：

基于时序图神经网络对所述G_i和所述G_i′分别进行特征提取，从而得到G_i和G_i′中的每个节点的特征向量，进而计算G_i和G_i′中除候选点p_i’以外的所有节点的特征向量间的差异度S(F_y1i,F_y2i)，并对所述差异度进行累加以得到所述G_i和所述G_i′的差异值Diff_j，S(F_y1i,F_y2i)为F_y1i和F_y2i的差异度，F_y1i为G_i中的节点的特征向量且1≤y1i≤m，F_y2i为G_i′中的节点的特征向量且1≤y2i≤m-1，m为网络传输中的节点个数。

3.根据权利要求2所述的网络信道瓶颈点检测方法，其特征在于，所述特征向量间的差异度通过下式计算得到：

式中，S(F_y1i,F_y2i)为F_y1i和F_y2i的差异度，F_y1i为G_i中的节点的特征向量且1≤y1i≤m，F_y2i为G_i′中的节点的特征向量且1≤y2i≤m-1，m为网络传输中的节点个数。

4.根据权利要求1或3所述的网络信道瓶颈点检测方法，其特征在于，所述Diff_j通过下式计算得到：

式中，Diff_j为G_i和G_i′的差异值，S(F_y1i,F_y2i)为F_y1i和F_y2i的差异度，其中，F_y1i和F_y2i分别为G_i和G_i′中对应相同的第i个节点的特征向量，m为网络传输中的节点个数。

5.根据权利要求2所述的网络信道瓶颈点检测方法，其特征在于，所述特征提取的方法包括：

分别将G_i和G_i′的权重矩阵、邻接矩阵输入至所述模型中进行训练优化，从而提取出节点的编码特征，所述编码特征表示节点特征集合。

6.根据权利要求2所述的网络信道瓶颈点检测方法，其特征在于，所述特征向量包括以下定义：

F_v＝H(f_v,m_ne[v],f_co[v],f_ne[v])

式中，F_v为节点v的特征向量，H为传递函数，f_v为节点v自带的特征，m_ne[v]为节点v的邻居节点的当前状态，f_co[v]为节点v的边特征，f_ne[v]为节点v的邻居节点的特征。

7.根据权利要求6所述的网络信道瓶颈点检测方法，其特征在于，f_v包括每个终端或基站的属性信息，或者，f_co[v]包括传输信道所具有的网络资源。

8.根据权利要求1所述的网络信道瓶颈点检测方法，其特征在于，还包括：

根据当前时间i检测到的瓶颈点，调整向该瓶颈点所对应的终端或基站传输的网络资源的分配情况，并更新网络信道图，从而得到下一时间i+1的网络信道图。

9.根据权利要求8所述的网络信道瓶颈点检测方法，其特征在于，所述调整向该瓶颈点所对应的终端或基站传输的网络资源的分配情况包括：

增加向该瓶颈点所对应的终端或基站传输的网络资源的数量。

10.一种基于时序图神经网络的网络信道分配方法，其特征在于，包括：

通过权利要求1至9中任意一项所述的瓶颈点检测方法确定网络传输中的瓶颈点，动态调整向该瓶颈点所对应的终端或基站传输的网络资源的分配情况。