CN115695280A - 基于边缘节点的路由方法及装置、电子设备、存储介质 - Google Patents
基于边缘节点的路由方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN115695280A CN115695280A CN202211086088.4A CN202211086088A CN115695280A CN 115695280 A CN115695280 A CN 115695280A CN 202211086088 A CN202211086088 A CN 202211086088A CN 115695280 A CN115695280 A CN 115695280A
- Authority
- CN
- China
- Prior art keywords
- network
- edge node
- service
- node
- fusion
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000007499 fusion processing Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开涉及移动通信技术领域，具体涉及一种基于边缘节点的路由方法及装置、电子设备，以及存储介质。所述方法包括：响应于用户业务流量请求，确定所述用户业务流量请求对应的业务特征；以及根据边缘节点当前的网络拓扑结构确定对应的网络特征；将所述业务特征、网络特征进行特征融合处理，获取融合特征；将所述融合特征输入图神经网络模型，以输出所述业务流量请求对应的转发规划路径。本方案能够实现流量途径的边缘节点的自动化选择，解决因边缘节点分布的改变而需要重新人工规划边缘节点间转发方案的问题，能够根据业务特性选择最合适的转发边缘节点。
Description
技术领域
本公开涉及移动通信技术领域，具体涉及一种基于边缘节点的路由方法、一种基于边缘节点的路由装置、一种电子设备，以及一种存储介质。
背景技术
随着安全原子能力下沉到边缘云，很多有安全需求的业务流量会经由边缘节点的安全处理转发至目的地，同时由于分布式的边缘节点中原子能力部署各异并处于动态变化的过程中，传统的基于静态路由的方式需要复杂的规划且配置耗时耗力，每次因边缘节点的网络拓扑变化都需要重新人工规划路径，造成效率的低下，并且无法根据流量具体业务特性动态调整。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种基于边缘节点的路由方法、一种基于边缘节点的路由装置、一种电子设备，以及一种存储介质；满足不同业务流量的转发路径规划的不同业务需求。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供一种基于边缘节点的路由方法，所述方法包括：
响应于用户业务流量请求，确定所述用户业务流量请求对应的业务特征；以及
根据边缘节点当前的网络拓扑结构确定对应的网络特征；
将所述业务特征、网络特征进行特征融合处理，获取融合特征；
将所述融合特征输入图神经网络模型，以输出所述业务流量请求对应的转发规划路径。
在本公开的一种示例性实施例中，所述响应于用户的业务流量请求，确定所述业务流量请求对应的业务特征，包括：
对所述用户业务流量请求进行解析，确定所述用户业务流量请求对应的业务流量类型；
基于预设的对应关系确定所述业务流量类型对应的业务优先级参数、网络性能需求参数、边缘节点安全需求参数；
对各参数进行数值化处理，并利用数值化处理结果构建所述业务特征的业务特征向量。
在本公开的一种示例性实施例中，所述根据边缘节点当前的网络拓扑结构确定对应的网络特征，包括：
响应于当前边缘节点接收的所述用户业务流量请求，获取当前部署的边缘节点的节点信息；
根据所述节点信息构建图网络模型，并根据所述图网络模型对应的网络拓扑结构、节点信息确定所述网络特征的网络特征向量。
在本公开的一种示例性实施例中，所述节点信息包括：节点间的网络传输性能、节点内的安全原子能力配置信息。
在本公开的一种示例性实施例中，所述网络特征用于描述所述图网络模型的节点特征信息、链路特征信息、路径特征信息。
在本公开的一种示例性实施例中，所述方法还包括：
响应于接收到的边缘节点变更信息，更新网络拓扑结构，并依据更新的网络拓扑结构更新所述网络特征；
将所述业务特征、更新的所述网络特征进行融合处理以获取更新的融合特征，并将所述更新的融合特征输入图神经网络模型以重新规划所述转发规划路径。
在本公开的一种示例性实施例中，所述将所述融合特征输入图神经网络模型，以输出所述业务流量请求对应的转发规划路径，包括：
将所述融合特征输入所述图神经网络模型，利用所述图神经网络模型预测当前边缘节点对应的下一个预测边缘节点并循环处理，以获取多个预测边缘节点，并根据预测边缘节点确定所述转发规划路径。
据本公开的第二方面，提供一种基于边缘节点的路由装置，包括：
业务特征获取模块，用于响应于用户业务流量请求，确定所述用户业务流量请求对应的业务特征；以及
网络特征获取模块，用于根据边缘节点当前的网络拓扑结构确定对应的网络特征；
特征融合处理模块，用于将所述业务特征、网络特征进行特征融合处理，获取融合特征；
路径规划模块，用于将所述融合特征输入图神经网络模型，以输出所述业务流量请求对应的转发规划路径。
据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来如上述实施例中任一项所述的基于边缘节点的路由方法。
据本公开的第四方面，提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中任一项所述的基于边缘节点的路由方法。
本公开的一种实施例所提供的基于边缘节点的路由方法中，边缘节点在接收到用户业务流量请求后，确定当前请求对应的业务特征，并能够根据当前的网络拓扑结构确定当前的网络特征，从而动态获取当前的网络拓扑；再将业务特征、网络特征特征融合处理后的融合特征作为图神经网络模型的输入来获取转发规划路径。通过响应用户业务流量请求来获取当前网络拓扑，避免了传统静态路由的方式需要复杂的规则；并且，通过利用图神经网络对边缘节点进行自动化选择，节省了人工配置方式的耗时，有效提高路径规划的效率；进而实现基于不同业务的差异化流量转发与边缘节点安全处理，满足用户对业务的动态安全需求。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中一种基于边缘节点的路由方法的示意图；
图2示意性示出本公开示例性实施例中一种确定业务特征的方法的示意图；
图3示意性示出本公开示例性实施例中一种确定网络特征的方法的示意图；
图4示意性示出本公开示例性实施例中一种转换图网络结构的方式示意图；
图5示意性示出本公开示例性实施例中一种图神经网络进行边缘节点计算流程的示意图；
图6示意性示出本公开示例性实施例中一种基于边缘节点的路由方法的流程示意图；
图7示意性示出本公开示例性实施例中一种基于边缘节点的路由装置的示意图；
图8示意性示出本公开示例性实施例中一种电子设备的示意图；
图9示意性示出本公开示例性实施例中一种存储介质的组成示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在相关的现有技术中，现有的基于静态路由的方式需要复杂的规划且配置耗时耗力，每次因边缘节点的网络拓扑变化都需要重新人工规划路径，造成效率的低下，并且无法根据流量具体业务特性动态调整。
本示例实施方式中，为了解决现有技术中存在的技术缺陷，首先提供了一种通信基站评估方法。参考图1中所示，基于边缘节点的路由方法，具体可以包括：
步骤S11，响应于用户业务流量请求，确定所述用户业务流量请求对应的业务特征；以及
步骤S12，根据边缘节点当前的网络拓扑结构确定对应的网络特征；
步骤S13，将所述业务特征、网络特征进行特征融合处理，获取融合特征；
步骤S14，将所述融合特征输入图神经网络模型，以输出所述业务流量请求对应的转发规划路径。
本示例实施方式所提供的基于边缘节点的路由方法中，一方面，边缘节点在接收到用户业务流量请求后，确定对应的业务特征，并根据当前的网络拓扑结构确定当前的网络特征，利用业务特征来描述用户的业务流量需求，同时通过网络特征来描述当前的网络性能。另一方面，将业务特征、网络特征特征融合处理后的融合特征作为图神经网络模型的输入来获取转发规划路径，从而可以实现基于不同业务的差异化流量转发与边缘节点安全处理，满足用户对业务的动态安全需求。
下面，将结合附图及实施例对本示例实施方式中的基于边缘节点的路由方法的各个步骤进行更详细的说明。
在步骤S11中，响应于用户业务流量请求，确定所述用户业务流量请求对应的业务特征。
本示例实施方式中，上述的方法可以应用于网络设备。具体的，可以是边缘云平台中任意一个边缘节点执行。一般而言，边缘节点可以是接入点、基站或者是边缘服务器；或者，边缘节点也可以是由接入点(或基站)与边缘服务器组成的。
当用户在通过终端设备使用网络服务时，便可以触发用户业务流量请求。例如，用户在终端设备发送邮件，进入网络游戏，使用即时通讯软件发送即时消息、进行视频通话，等操作时，均可以触发用户业务流量请求，并将该用户业务流量请求上传至网络侧设备。其中，用户业务流量请求至少可以包括源IP地址、目的地IP地址、协议信息、端口信息、业务特征信息等内容。
本示例实施方式中，参考图2所示，上述的步骤S11可以包括：
步骤S111，对所述用户业务流量请求进行解析，确定所述用户业务流量请求对应的业务流量类型；
步骤S112，基于预设的对应关系确定所述业务流量类型对应的业务优先级参数、网络性能需求参数、边缘节点安全需求参数；
步骤S113，对各参数进行数值化处理，并利用数值化处理结果构建所述业务特征的业务特征向量。
具体来说，上述的网络侧设备可以是边缘云服务中的边缘节点。当前边缘节点在接收到用户终端设备的用户业务流量请求后，可以对其进行解析，根据请求中包含的目的地IP地址，业务特征信息、协议的具体内容，确定当前的业务流量请求对应的业务流量类型。具体的，可以预先根据业务流量的内容，以及网络需求对业务流量进行类别划分。
举例来说，业务类型可以划分为：游戏、多媒体流、文件传输、即时通讯、社交网络、电子邮件等多个业务类型。针对不同的业务类型，可以配置对应的网络性能需求参数，以及对应的边缘节点安全需求参数；并可以根据该些参数需求配置对应的业务优先级。其中，网络性能需求可以包括：转发速率、时延、抖动、丢包率等参数；边缘节点安全需求参数可以包括：加密方式、防泄漏、威胁检测、入侵防御等的内容。
或者，在一些示例性实施例中，也可以预先根据业务的网络性能需求、边缘节点安全需求对业务进行类别划分。此外，可以建立业务类型与对应的网络性能需求、边缘节点安全需求的对应关系列表，并预先为各业务类型以及对应的网络性能需求参数、边缘节点安全需求参数进行数值化处理，转换为对应的特征向量表示。
对于终端设备而言，在发起用户业务流量请求时，还可以在请求中携带业务类型的标识信息，作为上述的业务特征信息，从而便于边缘节点快速识别业务类型。例如，可以在协议中携带业务类型信息。
通过识别业务类型和对应流量转发优先级，可以根据优先级定义不同路径权重，作为影响当前路径的评分要素之一。并且，根据业务类型需求的不同的网络性能指标，在设定阈值基础上进行数值化与归一化，差异化图网络中的边(链路)属性。同时，根据业务的不同安全需要，定义能力匹配的边缘节点，扩展图网络中节点属性。
在步骤S12中，根据边缘节点当前的网络拓扑结构确定对应的网络特征。
本示例实施方式中，参考图3所示，上述的步骤S12可以包括：
步骤S121，响应于当前边缘节点接收的所述用户业务流量请求，获取当前部署的边缘节点的节点信息；
步骤S122，根据所述节点信息构建图网络模型，并根据所述图网络模型对应的网络拓扑结构、节点信息确定所述网络特征的网络特征向量。
具体来说，当前边缘节点在接收到用户业务流量请求后，在转换对应的业务特征向量的同时，还可以同步执行网络特征向量的处理。具体的，当前边缘节点可以获取当前部署的全部边缘节点信息，边缘节点信息包括各边缘节点的网络拓扑信息，包括节点间的网络传输性能、节点内的安全原子能力配置信息。
举例来说，参考图4所示的网络结构，包括多个边缘节点401，不同的边缘节点401之间形成网络通道。对网络结构抽象化转换处理，得到对应的图网络结构，并为图网络结构中节点、边赋予属性特征。具体的，节点的属性特征可以包括安全能力与转发能力配置；边的属性特征可以作为链路，描述节点间网络性能参数；图网络结构的路径则可以描述流量转发优先级。另外，可以根据业务类型识别结果和对应的流量转发优先级，定义不同路径权重。
根据当前已部署的边缘节点信息抽象为图模型，形成图网络初始状态，并利用特征向量进行表示。其中，网络特征用于描述所述图网络模型的节点特征信息、链路特征信息、路径特征信息。
具体的，xpoint表示为节点特征，xline表示为链路特征、xpath表示为
路径特征；利用该节点特征、链路特征、路径特征形成图网络初始状态。
在步骤S13中，将所述业务特征、网络特征进行特征融合处理，获取融合特征。
本示例实施方式中，在获取用户业务流量请求对应的业务特征向量，以及当前网络拓扑结构对应的网络特征向量后，便可以进行特征融合处理，得到融合特征的特征矩阵。具体而言，可以对业务特征向量、网络特征向量进行卷积运算，从而得到融合特征的向量表示。将基于业务流量生成的业务特征融入初始化特征中，使得相同的网络对不同的业务有不同的特征表现。
在步骤S14中，将所述融合特征输入图神经网络模型，以输出所述业务流量请求对应的转发规划路径。
本示例实施方式中，具体的，将所述融合特征输入所述图神经网络模型，利用所述图神经网络模型预测当前边缘节点对应的下一个预测边缘节点并循环处理，以获取多个预测边缘节点，并根据预测边缘节点确定所述转发规划路径。
具体而言，参考5所示，在进行业务特征和网络特征的特征融合运算时，其具体公式可以包括：
其中，αclass为业务特征；
为节点特征、链路特征、路径特征与业务特征融合计算的结果，形成特征向量矩阵，并作为图网络模型的初始状态h0。
将融合特征输入已训练的图神经网络作为初始状态h0，对初始状态进行隐藏状态更新。对隐藏状态hl利用消息函数M进行空域卷积运算，实现消息的交错传输，聚合节点的邻居信息。其中，计算公式可以包括：
之后，利用门控循环单元(GRU，gated returrent unit)进行隐藏状态更新。一般来说，GRU的输入为t时刻的输入xt，和t-1时刻的隐藏层状态ht-1，这隐藏层状态包含了之前节点的相关信息；而GRU的输出为t 时刻隐藏节点的输出yt和传递给下一个节点的隐状态ht。如图5所示，即将空域卷积后的结果ml+1作为GRU的输入，进行隐状态更新，输出ht+1，从而实现对下一个转发节点的预测。对于GRU的运算原理，使用现有技术即可解释，本公开对此不再赘述。
通过重复执行上述的过程，持续预测下一个转发节点，直至终点节点，实现对完整转发规划路径的计算。通过将融合的特征作为图网络模型的输入，经过神经网络预测下一个可能的边缘节点并进行循环处理，得到由多个节点组成的转发路径，作为匹配当前业务的最佳节点与规划路径。
在一些示例性实施方式中，参考图7所示，上述的方法还可以包括：
步骤S71，响应于接收到的边缘节点变更信息，更新网络拓扑结构，并依据更新的网络拓扑结构更新所述网络特征；
步骤S72，将所述业务特征、更新的所述网络特征进行融合处理以获取更新的融合特征，并将所述更新的融合特征输入图神经网络模型以重新规划所述转发规划路径。
具体来说，对于边缘云来说，在任意一个边缘节点发生状态变化时，例如网络性能、启停状态等发生变化时，导致网络拓扑变化或边缘节点间链路网络状况改变，其他边缘节点均可以获取该边缘节点发生的变化信息。对于当前的边缘节点来说，若当前响应用户业务流量请求，进行路径规划且并未完成时，若接收到其他边缘节点的变更信息时，便可以根据该变更的边缘节点首先更新如上述图4的网络结构。从而可以根据该更新后的网络结构重新进行网络特征的计算，进而可以根据更新后的网络特征，以及业务特征重新进行路径规划，可以根据及时的图网络状态更新重复上述的步骤流程进行处理，实现动态的路径规划。
本公开实施例所提供的方法，参考图6所示，在601中，当前边缘节点接收用户流量请求；在602中，确定边缘节点的安全配置；在603 中，响应用户流量请求，收集已部署的边缘节点对应的边缘节点信息；在604中，根据边缘节点信息确定网络特征，并抽象为图模型，形成图网络初始状态；在605中，响应响应用户流量请求，结合业务流量安全需求与网络性能需求对节点、链路和路径特征进行加权与归一化处理，形成业务特征向量；在606中，将图网络初始状态与业务特征向量融合形成特征矩阵，作为输入提供给已经训练过GRU神经网络训练的图神经网络模型中；在607中，图神经网络模型输出自动匹配最佳的边缘节点；在608中，根据图网络最终的输出确定最佳的边缘节点和节点间路径规划；在609中，实时的判断边缘节点配置是否发生变化；若发生变化，则重新收集更新后的边缘节点信息，并执行后续的步骤；或者，若边缘节点配置未发生变化，则进入610，业务流量按规划完成的路径传输。
本方法实现首先收集边缘节点的网络拓扑信息，包括边缘节点内的安全能力与转发能力配置，边缘节点间链路的网络性能参数，并将网络结构抽象化为图网络结构，并赋予节点和边属性特征。其次将业务流量进行分类，并定义各自分类下转发的优先级、对网络性能和安全性能的需求参数，形成业务的特征向量。在业务特征向量中，识别业务类型和对应流量转发优先级，根据优先级定义不同路径权重，作为影响当前路径的评分要素之一；根据业务类型需求的不同的网络性能指标，在设定阈值基础上进行数值化与归一化，差异化图网络中的边(链路)属性；根据业务的不同安全需要，定义能力匹配的边缘节点，扩展图网络中节点安全属性。随后将当前边缘节点的网络拓扑结构、节点间的网络传输性能、节点内的安全原子能力配置等信息生成图网络的初始特征，将基于业务流量生成的业务特征融入初始化特征中，使得相同的网络对不同的业务有不同的特征表现；将融合的特征作为图网络的输入，经过神经网络训练预测下一个可能的边缘节点并进行循环处理，得到由多个节点组成的转发路径，作为匹配当前业务的最佳节点与规划路径。
本方法实现结合业务特征和节点安全属性的图神经网络边缘节点选择方法，将当前边缘节点的网络拓扑结构、节点间的网络传输性能、节点内的安全原子能力配置等特征抽象化为包含节点与边的图网络，并通过神经网络模型训练输出最佳的边缘节点间的转发路径，实现根据边缘节点网络拓扑变化的实时动态节点选择与路径规划。同时将用户的不同业务特征和对网络性能、安全能力的不同需求抽象化并形成不同的特征向量输入到图神经网络中进行训练和处理，实现基于不同业务的差异化流量转发与边缘节点安全处理，满足用户对业务的动态安全需求。
需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
进一步的，参考图7所示，本示例的实施方式中还提供一种基于边缘节点的路由装置70，所述装置70包括：业务特征获取模块701、网络特征获取模块702、特征融合处理模块703、路径规划模块704；其中，
所述业务特征获取模块701可以用于响应于用户业务流量请求，确定所述用户业务流量请求对应的业务特征。
所述网络特征获取模块702可以用于根据边缘节点当前的网络拓扑结构确定对应的网络特征。
所述特征融合处理模块703可以用于将所述业务特征、网络特征进行特征融合处理，获取融合特征。
所述路径规划模块704可以用于将所述融合特征输入图神经网络模型，以输出所述业务流量请求对应的转发规划路径。
在一些示例性实施方式中，所述业务特征获取模块701包括：对所述用户业务流量请求进行解析，确定所述用户业务流量请求对应的业务流量类型；基于预设的对应关系确定所述业务流量类型对应的业务优先级参数、网络性能需求参数、边缘节点安全需求参数；对各参数进行数值化处理，并利用数值化处理结果构建所述业务特征的业务特征向量。
在一些示例性实施方式中，所述网络特征获取模块702包括：响应于当前边缘节点接收的所述用户业务流量请求，获取当前部署的边缘节点的节点信息；根据所述节点信息构建图网络模型，并根据所述图网络模型对应的网络拓扑结构、节点信息确定所述网络特征的网络特征向量。
在一些示例性实施方式中，所述节点信息包括：节点间的网络传输性能、节点内的安全原子能力配置信息。
在一些示例性实施方式中，所述网络特征用于描述所述图网络模型的节点特征信息、链路特征信息、路径特征信息。
在一些示例性实施方式中，所述基于边缘节点的路由装置70还可以包括：动态更新模块。
所述动态更新模块可以用于响应于接收到的边缘节点变更信息，更新网络拓扑结构，并依据更新的网络拓扑结构更新所述网络特征；将所述业务特征、更新的所述网络特征进行融合处理以获取更新的融合特征，并将所述更新的融合特征输入图神经网络模型以重新规划所述转发规划路径。
在一些示例性实施方式中，所述路径规划模块704可以包括：将所述融合特征输入所述图神经网络模型，利用所述图神经网络模型预测当前边缘节点对应的下一个预测边缘节点并循环处理，以获取多个预测边缘节点，并根据预测边缘节点确定所述转发规划路径。
上述的基于边缘节点的路由装置中各模块的具体细节已经在对应的基于边缘节点的路由方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
进一步的，本示例的实施方式中提供一种能够实现上述方法的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图1中所示的步骤。
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序 /实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
计算机系统800也可以与一个或多个外部设备50(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该计算机系统800交互的设备通信，和/或与使得该计算机系统800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，计算机系统800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器 860通过总线830与计算机系统800的其它模块通信。处理单元810通过总线830连接显示单元840应当明白，尽管图中未示出，可以结合计算机系统800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种基于边缘节点的路由方法，其特征在于，所述方法包括：
响应于用户业务流量请求，确定所述用户业务流量请求对应的业务特征；以及
根据边缘节点当前的网络拓扑结构确定对应的网络特征；
将所述业务特征、网络特征进行特征融合处理，获取融合特征；
将所述融合特征输入图神经网络模型，以输出所述业务流量请求对应的转发规划路径。
2.根据权利要求1所述的基于边缘节点的路由方法，其特征在于，所述响应于用户的业务流量请求，确定所述业务流量请求对应的业务特征，包括：
对所述用户业务流量请求进行解析，确定所述用户业务流量请求对应的业务流量类型；
基于预设的对应关系确定所述业务流量类型对应的业务优先级参数、网络性能需求参数、边缘节点安全需求参数；
对各参数进行数值化处理，并利用数值化处理结果构建所述业务特征的业务特征向量。
3.根据权利要求1所述的基于边缘节点的路由方法，其特征在于，所述根据边缘节点当前的网络拓扑结构确定对应的网络特征，包括：
响应于当前边缘节点接收的所述用户业务流量请求，获取当前部署的边缘节点的节点信息；
根据所述节点信息构建图网络模型，并根据所述图网络模型对应的网络拓扑结构、节点信息确定所述网络特征的网络特征向量。
4.根据权利要求3所述的基于边缘节点的路由方法，其特征在于，所述节点信息包括：节点间的网络传输性能、节点内的安全原子能力配置信息。
5.根据权利要求3所述的基于边缘节点的路由方法，其特征在于，所述网络特征用于描述所述图网络模型的节点特征信息、链路特征信息、路径特征信息。
6.根据权利要求1所述的基于边缘节点的路由方法，其特征在于，所述方法还包括：
响应于接收到的边缘节点变更信息，更新网络拓扑结构，并依据更新的网络拓扑结构更新所述网络特征；
将所述业务特征、更新的所述网络特征进行融合处理以获取更新的融合特征，并将所述更新的融合特征输入图神经网络模型以重新规划所述转发规划路径。
7.根据权利要求1所述的基于边缘节点的路由方法，其特征在于，所述将所述融合特征输入图神经网络模型，以输出所述业务流量请求对应的转发规划路径，包括：
将所述融合特征输入所述图神经网络模型，利用所述图神经网络模型预测当前边缘节点对应的下一个预测边缘节点并循环处理，以获取多个预测边缘节点，并根据预测边缘节点确定所述转发规划路径。
8.一种基于边缘节点的路由装置，其特征在于，所述装置包括：
业务特征获取模块，用于响应于用户业务流量请求，确定所述用户业务流量请求对应的业务特征；以及
网络特征获取模块，用于根据边缘节点当前的网络拓扑结构确定对应的网络特征；
特征融合处理模块，用于将所述业务特征、网络特征进行特征融合处理，获取融合特征；
路径规划模块，用于将所述融合特征输入图神经网络模型，以输出所述业务流量请求对应的转发规划路径。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述的基于边缘节点的路由方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于边缘节点的路由方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211086088.4A CN115695280A (zh) | 2022-09-06 | 2022-09-06 | 基于边缘节点的路由方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211086088.4A CN115695280A (zh) | 2022-09-06 | 2022-09-06 | 基于边缘节点的路由方法及装置、电子设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115695280A true CN115695280A (zh) | 2023-02-03 |
Family
ID=85061183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211086088.4A Withdrawn CN115695280A (zh) | 2022-09-06 | 2022-09-06 | 基于边缘节点的路由方法及装置、电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115695280A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171711A (zh) * | 2023-11-02 | 2023-12-05 | 南通透灵信息科技有限公司 | 一种基于云平台的企业内外部数据融合共享方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114374655A (zh) * | 2021-12-22 | 2022-04-19 | 中国电信股份有限公司 | 网络流量特征提取方法、装置、设备及存储介质 |
| CN114466369A (zh) * | 2021-12-20 | 2022-05-10 | 中兴通讯股份有限公司 | 网络资源处理方法、存储介质及电子装置 |
| CN114697229A (zh) * | 2022-03-11 | 2022-07-01 | 华中科技大学 | 一种分布式路由规划模型的构建方法及应用 |
| US20220263756A1 (en) * | 2020-01-13 | 2022-08-18 | Tencent Technology (Shenzhen) Company Limited | Routing control method and apparatus, electronic device, and storage medium |
| CN114938327A (zh) * | 2021-02-04 | 2022-08-23 | 中兴通讯股份有限公司 | 路由方法、路由装置、控制器和计算机可读存储介质 |
-
2022
- 2022-09-06 CN CN202211086088.4A patent/CN115695280A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220263756A1 (en) * | 2020-01-13 | 2022-08-18 | Tencent Technology (Shenzhen) Company Limited | Routing control method and apparatus, electronic device, and storage medium |
| CN114938327A (zh) * | 2021-02-04 | 2022-08-23 | 中兴通讯股份有限公司 | 路由方法、路由装置、控制器和计算机可读存储介质 |
| CN114466369A (zh) * | 2021-12-20 | 2022-05-10 | 中兴通讯股份有限公司 | 网络资源处理方法、存储介质及电子装置 |
| CN114374655A (zh) * | 2021-12-22 | 2022-04-19 | 中国电信股份有限公司 | 网络流量特征提取方法、装置、设备及存储介质 |
| CN114697229A (zh) * | 2022-03-11 | 2022-07-01 | 华中科技大学 | 一种分布式路由规划模型的构建方法及应用 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171711A (zh) * | 2023-11-02 | 2023-12-05 | 南通透灵信息科技有限公司 | 一种基于云平台的企业内外部数据融合共享方法及系统 |
| CN117171711B (zh) * | 2023-11-02 | 2023-12-26 | 南通透灵信息科技有限公司 | 一种基于云平台的企业内外部数据融合共享方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2021290416B2 (en) | Resource prioritization and communication-channel establishment | |
| Bandani et al. | Multiplicative long short-term memory-based software-defined networking for handover management in 5G network | |
| Huang et al. | Energy-efficient monitoring in software defined wireless sensor networks using reinforcement learning: A prototype | |
| Xie et al. | Self-attentive deep learning method for online traffic classification and its interpretability | |
| William et al. | Framework for intelligent smart city deployment via artificial intelligence software networking | |
| Ozturk et al. | Energy‐aware smart connectivity for IoT networks: enabling smart ports | |
| US11928583B2 (en) | Adaptation of deep learning models to resource constrained edge devices | |
| KR20170105582A (ko) | Nfv 및 sdn과 연동하기 위한 sdt를 위한 시스템들 및 방법들 | |
| AU2023203506A1 (en) | Intent-driven contact center | |
| CN115086202A (zh) | 一种基于网络数字孪生体的时延分析方法及系统 | |
| Poltronieri et al. | Phileas: A simulation-based approach for the evaluation of value-based fog services | |
| CN114548416A (zh) | 数据模型训练方法及装置 | |
| CN115695280A (zh) | 基于边缘节点的路由方法及装置、电子设备、存储介质 | |
| Kurniawan et al. | Mobile computing and communications-driven fog-assisted disaster evacuation techniques for context-aware guidance support: A survey | |
| Pasteris et al. | Data distribution and scheduling for distributed analytics tasks | |
| CN115473838A (zh) | 网络请求的处理方法、装置、计算机可读介质及电子设备 | |
| CN117203680A (zh) | 数据模态的自适应选择以用于高效视频识别 | |
| CN115426310A (zh) | 最优路径确定方法及装置、可读存储介质、电子设备 | |
| Hsieh et al. | Deep reinforcement learning-based task assignment for cooperative mobile edge computing | |
| CN114422453A (zh) | 一种在线规划时间敏感流的方法、装置及存储介质 | |
| CN104838624A (zh) | 一种控制业务数据在虚拟网络中转发的方法、装置及系统 | |
| CN113825149B (zh) | 5g切片网元功能自动裁剪方法、装置及计算设备 | |
| Saini et al. | Enhancing qos of network traffic based on 5g wireless networking using machine learning approaches | |
| Guan et al. | AI-assisted intent-based traffic grooming in a dynamically shared 5G optical fronthaul network | |
| Fonseca et al. | Active GA Accelerated by Simulated Annealing to Solve SPP in Packet Networks |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230203 |
|
| WW01 | Invention patent application withdrawn after publication |