CN115242663B - 基于时间相关图卷积的虚拟网络流量预测方法 - Google Patents

Abstract

本发明公开了一种基于时间相关图卷积的虚拟网络的流量预测方法，主要解决数据中心虚拟网络中流量预测精度欠佳，资源利用率和网络吞吐量低的问题。其实现方案为：通过虚拟网络拓扑结构构建链路流量关系图G；统计历史数据中各个时刻上所有链路的流量值；计算两两链路流量之间的最大时间互相关系数，对其归一化处理后获得时间相关矩阵A^TC；构建流量特征矩阵X_t；用A^TC替换原图卷积神经网络的邻接矩阵，生成时间相关图卷积神经网络，并用A^TC与X_t进行卷积运算，对该网络进行训练，预测出下一个时刻虚拟网络中链路的流量值。本发明能精准表征链路流量之间的时间相关性，提升了虚拟网络的流量预测精度，可用于数据中心网络的资源分配。

Description

基于时间相关图卷积的虚拟网络流量预测方法

技术领域

本发明属于通信技术领域，具体涉及一种虚拟网络流量预测方法，可用于数据中心网络的资源分配。

背景技术

数据中心承载的业务由多个计算任务合作完成，计算任务之间的链路构成虚拟网络。虚拟网络映射将任务节点映射于服务器的容器之中，容器之间通过有线网络进行连接。虚拟网络映射技术支持数据中心计算资源、存储资源和网络资源的共享，可有效提升数据中心资源利用率，因此提升数据中心虚拟网络流量预测精度已经成为研究的热点。

虚拟网络流量预测指的是在一个已知业务的虚拟网络拓扑下，给定各条链路上一段时间的历史流量数据，预测每条链路未来一段时间内的流量数据大小。由于链路之间的连接关系，虚拟网络流量受邻接节点的影响，由于容器之间的启动存在先后顺序，虚拟网络各链路的流量呈现一定的相关性。现有的网络流量预测工作集中在单链路流量领域，主要包括：传统的线性预测方法和基于神经网络的预测方法。

传统的线性预测方法，主用通过统计学的方法处理时间序列，将现在和过去的时间序列进行线性拟合，得到未来的数据。该方法需要人工设置多种参数，且由于网络流量的复杂性，简单的线性模型难以对数据的非线性特征进行建模，使得预测误差较大。

基于神经网络的预测方法，其中最适用于对拓扑图进行建模的方法是图卷积神经网络GCN预测模型。对于大量图数据，使用GCN网络学习每个节点上的特征可以获取节点的空间特征。但传统的GCN网络假定了图中各节点时间同步，而虚拟网络中各任务的执行存在时间先后顺序，所以传统的GCN网络无法精准表征虚拟网络链路的时间特征。

综上，现有的网络流量预测方法，由于没有充分考虑虚拟网络链路之间的时间先后关系及流量的时间特征复杂多变性，导致流量预测的精度降低，难以准确判断网络中的流量传输情况，制约了数据中心资源利用率。

发明内容

本发明目的在于针对上述现有技术的不足，提出一种基于时间相关图卷积的虚拟网络的流量预测方法，以获取流量更复杂的空时特征，提高预测的准确率和计算效率，进而快速分析虚拟网络容器的占用情况及资源使用量，有效提升数据中心的资源利用率。

本发明的技术方案是：在现有GCN网络中，利用斯皮尔曼相关系数，分析虚拟网络各链路流量之间的时间先后关系，据此构建GCN网络的邻接矩阵，生成时间相关图卷积网络，提高了虚拟网络流量的预测准确率。实现步骤包括如下：

(1)构建链路流量关系图G：

(1a)将虚拟网络拓扑图中的链路l_i映射为链路流量关系图中的节点v_i，i∈[1,N]，其中，N为节点个数；

(1b)将虚拟网络中的两条邻接链路l_i与l_j映射为链路流量关系图中的邻接节点v_i与v_j，j∈[1,N]；

(2)获取流量特征序列：

(2a)在t时刻，根据虚拟网络每条链路上传输的数据包数量，使用网络流量解析软件Wireshark对数据包数量进行统计，该数据包数量即为链路l_i的流量值；

(2b)统计历史数据中各个时刻上的所有链路的流量值，构造各条链路上的流量序列X¹,…,X^j,…,X^N；

(3)构建时间相关矩阵A^TC：

(3a)用斯皮尔曼相关系数计算第i条链路l_i与第j条链路l_j之间的时间互相关系数ρ^i,j,τ,t：

其中，t为当前时刻，T为序列中元素选取的个数，τ为两条链路流量相差的时刻，τ不同，互相关系数ρ^i,j,τ,t也不相同，表示链路l_i在t-τ时刻的流量大小，/>表示链路l_j在t时刻的流量大小，ρ^i,j,τ,t越大表示相关性越大；

(3b)将虚拟网络各条链路上的所有历史流量数据X¹,…,X^j,…,X^N输入斯皮尔曼相关系数公式，计算所有历史流量数据的时间互相关系数ρ^i,j,τ,t；

(3c)选取链路l_i与l_j的最大互相关系数ρ^i,j,τ,t表示时间相关矩阵中的一个系数根据(3b)计算出的所有链路最大互相关系数构造维度为N×N的时间相关矩阵A^TC；

(3d)使用softmax激活函数对每条链路最大相关系数按照权重总和为1分配权重的大小:

其中，矩阵中的第i行第j列元素

(4)构造链路流量特征矩阵X_t：

(4a)统计虚拟网络在当前时刻t之前M个时刻的所有链路上的流量值，构建流量特征矩阵：其中/>是维度为N×N的矩阵，p∈[0,M]；

(5)使用时间相关矩阵A^TC替换GCN网络中的邻接矩阵，生成时间相关图卷积网络；

(6)将流量特征矩阵X_t和时间相关矩阵A^TC输入到时间相关图卷积网络中，预测t+1时刻虚拟网络中每条链路上的流量值：

(6a)定义损失函数其中，/>为t+1时刻链路l_i上的实际流量值，/>为t+1时刻链路l_i上的预测流量值；

(6b)以最小化Loss值为目标训练时间相关图卷积网络直至收敛，输出的流量特征矩阵即为最终预测的t+1时刻虚拟网络中每条链路上的流量值。

与现有技术相比，本发明的优点在于：

1.本发明由于建立了虚拟网络拓扑结构图的对偶图，即链路流量关系图，将虚拟网络中的链路流量变成输入的节点特征，便于对所有链路上流量关联关系的计算，能够提高计算的效率。

2.本发明由于对传统的图卷积神经网络GCN进行改进，利用斯皮尔曼相关函数计算链路之间的互相关系数，构建了时间相关矩阵替代传统GCN网络的邻接矩阵，与现有技术相比，所挖掘到的流量的时空特征更加全面，有助于预测准确率的提高。从而可快速推断出每条链路的占用情况和虚拟机的部署状态，有效提升数据中心网络资源的利用率。

附图说明

图1是本发明的实现流程图；

图2是本发明中构建链路流量关系图G的示意图；

图3是本发明中生成的时间相关图卷积网络的结构图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

参照图1，本实例的实现步骤如下：

步骤1，构建虚拟网络的图G。

数据中心承载的业务由多个计算任务合作完成，计算任务及其任务之间的链路构成虚拟网络，每个计算任务为虚拟网络中的节点，节点间的链路为虚拟链路，仅承载任务节点之间的流量。

参照图2，本步骤的具体实现如下

(1.1)将虚拟网络拓扑图中的链路l_i映射为链路流量关系图中的节点v_i，i∈[1,N]，其中，N为节点个数；

本实例中，所获取的虚拟网络拓扑结构如图2(a)所示，其包含5个顶点和5条链路；

(1.2)将虚拟网络中的两条邻接边l_i与l_j映射为链路流量关系图中的邻接节点v_i与v_j，j∈[1,N]；

本实例中，虚拟网络拓扑结构中顶点1和2、顶点1和3、顶点1和4、顶点3和5、顶点4和5之间的连接链路l₁、l₂、l₃、l₄、l₅映射为链路流量关系图中的节点v₁、v₂、v₃、v₄、v₅。虚拟网络拓扑结构中的两条邻接边在链路流量关系图中亦为邻接关系，即相邻链路l₁和l₂映射为的v₁和v₂之间也有一条连边；最终形成节点v₁与v₂、v₁与v₃、v₂与v₃、v₂与v₄、v₃与v₅、v₄与v₅之间相连，共得到6条边，这6条边和5个节点即链路流量关系图G，如图2(b)所示。

步骤2，获取虚拟网络每条链路流量序列。

(2.1)在t时刻，根据虚拟网络每条链路上传输的数据包数量，使用网络流量解析软件Wireshark对数据包数量进行统计，该数据包数量即为链路l_i的流量值；

(2.2)统计历史数据中各个时刻上的所有链路的流量值，构造各条链路上的流量序列X¹,…,X^j,…,X^N；

本实例中，一共有6条虚拟网络链路，参照图2，N＝6。

步骤3，构建时间相关矩阵A^TC：

(3.1)用斯皮尔曼相关系数计算链路第i条l_i与第j条链路l_j之间的时间互相关系数ρ^i,j,τ,t：

其中，t为当前时刻，T为序列中元素选取的个数，τ为两条链路流量相差的时刻，τ不同，互相关系数ρ^i,j,τ,t也不相同，表示链路l_i在t-τ时刻的流量大小，/>表示链路l_j在t时刻的流量大小，ρ^i,j,τ,t越大表示相关性越大；

(3.2)将虚拟网络各条链路上的所有历史流量数据X¹,…,X^j,…,X^N输入斯皮尔曼相关系数公式，计算所有历史流量数据的时间互相关系数ρ^i,j,τ,t；

(3.3)选取链路l_i与l_j的最大互相关系数ρ^i,j,τ,t表示时间相关矩阵中的一个系数根据(3.2)计算出的所有链路最大互相关系数构造维度为N×N的时间相关矩阵A^TC；

(3.4)使用softmax激活函数对每条链路最大相关系数按照权重总和为1分配权重的大小:

其中，矩阵中的第i行第j列元素

本实例中，链路流量关系图中共有6条链路，两两之间计算出最大时间互相关系数为一个6×6的矩阵A^TC，通过softmax激活函数计算后为：

其中，矩阵的每一行表示一条链路与其他链路之间的互相关系数，softmax函数使得每行元素总和相加为1。

步骤4，构建流量特征矩阵X_t。

统计虚拟网络在当前时刻t之前M个时刻的所有链路上的流量值，构建流量特征矩阵X_t：

其中，是维度为N×N的矩阵，p∈[0,M]；

本实例中，X_t的维度为6×6。

步骤5，生成时间相关图卷积神经网络。

参照图3，本步骤的具体实现如下：

选用现有图卷积神经网络，其包括卷积层，池化层和全连接层，其中卷积层参数包括邻接矩阵A、流量特征矩阵X_t、以及图卷积神经网络参数矩阵W；

用步骤3构建的时间相关矩阵A^TC替换现有图卷积神经网络的邻接矩阵A，生成时间相关图卷积神经网络。

本实例中，设置时间相关图卷积网络的参数为：卷积层个数设置为2，每个卷积层中卷积核个数设置为12，卷积核大小设置为3×3，全连接层个数设置为1。

步骤6，将流量特征矩阵X_t和时间相关矩阵A^TC输入到时间相关图卷积网络中，预测t+1时刻虚拟网络中每条链路上的流量值。

(6.1)定义损失函数其中，/>为t+1时刻链路l_i上的实际流量值，/>为t+1时刻链路l_i上的预测流量值；

(6.2)以最小化Loss值为目标训练时间相关图卷积网络直至收敛，输出的流量特征矩阵即为最终预测的t+1时刻虚拟网络中每条链路上的流量值。

(6.21)设置学习率为α，设置网络收敛的阈值为γ，随机初始化时间相关图卷积网络中的卷积核参数；

(6.22)将流量特征矩阵X_t与时间相关矩阵A^TC输入时间相关图卷积网络进行卷积计算；

(6.23)利用真实流量值和预测值/>通过损失函数/>计算误差大小，根据误差值判断时间相关图卷积网络是否收敛：

若误差值小于阈值γ，则网络收敛，停止训练并输出最终预测结果；

否则，返回(6.22)。

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (3)

1.一种基于时间相关图卷积的虚拟网络流量预测方法，其特征在于，包括：

(1)构建链路流量关系图G：

(1a)将虚拟网络拓扑图中的链路l_i映射为链路流量关系图中的节点v_i，i∈[1,N]，其中，N为节点个数；

(1b)将虚拟网络中的两条邻接链路l_i与l_j映射为链路流量关系图中的邻接节点v_i与v_j，j∈[1,N]；

(2)获取流量特征序列：

(2a)在t时刻，根据虚拟网络每条链路上传输的数据包数量，使用网络流量解析软件Wireshark对数据包数量进行统计，该数据包数量即为链路l_i的流量值；

(2b)统计历史数据中各个时刻上的所有链路的流量值，构造各条链路上的流量特征序列X¹,…,X^j,…,X^N；

(3)构建时间相关矩阵A^TC：

(3a)用斯皮尔曼相关系数计算第i条链路l_i与第j条链路l_j之间的时间互相关系数ρ^i,j,τ,t：

其中，t为当前时刻，T为序列中元素选取的个数，τ为两条链路流量相差的时刻，τ不同，互相关系数ρ^i,j,τ,t也不相同，表示链路l_i在t-τ时刻的流量大小，/>表示链路l_j在t时刻的流量大小，ρ^i,j,τ,t越大表示相关性越大；

(3b)将虚拟网络各条链路上的所有历史流量数据X¹,…,X^j,…,X^N输入斯皮尔曼相关系数公式，计算所有历史流量数据的时间互相关系数ρ^i,j,τ,t；

(3c)选取链路l_i与l_j的最大互相关系数ρ^i,j,τ,t表示时间相关矩阵中的一个系数根据(3b)计算出的所有链路最大互相关系数构造维度为N×N的时间相关矩阵A^TC；

(3d)使用softmax激活函数对每条链路最大相关系数按照权重总和为1分配权重的大小:

其中，矩阵中的第i行第j列元素

(4)构造链路流量特征矩阵X_t：

(4a)统计虚拟网络在当前时刻t之前M个时刻的所有链路上的流量值，构建流量特征矩阵：其中/>是维度为N×N的矩阵，p∈[0,M]；

(5)使用时间相关矩阵A^TC替换GCN网络中的邻接矩阵，生成时间相关图卷积网络；

(6)将流量特征矩阵X_t和时间相关矩阵A^TC输入到时间相关图卷积网络中，预测t+1时刻虚拟网络中每条链路上的流量值：

(6a)定义损失函数其中，/>为t+1时刻链路l_i上的实际流量值，为t+1时刻链路l_i上的预测流量值；

(6b)以最小化Loss值为目标训练时间相关图卷积网络直至收敛，输出的流量特征矩阵即为最终预测的t+1时刻虚拟网络中每条链路上的流量值。

2.根据权利要求1所述的方法，其特征在于：所述(5)中生成的时间相关图卷积网络，选用现有图卷积神经网络，其包括卷积层，池化层和全连接层，其中卷积层参数包括邻接矩阵A、流量特征矩阵X_t、以及图卷积神经网络参数矩阵W，用(3)中构建的时间相关矩阵A^TC替换现有图卷积神经网络的邻接矩阵A，生成时间相关图卷积神经网络。

3.根据权利要求1所述的方法，其特征在于：所述(6b)中对时间相关图卷积网络进行训练，实现如下：

6b1)设置学习率为α，设置网络收敛的阈值为γ，随机初始化时间相关图卷积网络中的卷积核参数；

6b2)将流量特征矩阵X_t与时间相关矩阵A^TC输入时间相关图卷积网络进行图卷积计算；

6b3)利用真实流量值和预测值/>通过损失函数/>计算其误差大小；

6b4)根据误差值判断时间相关图卷积网络是否收敛：

若误差值小于阈值γ，则网络收敛，停止训练并输出最终预测结果；

否则，返回6b2)。