CN115883401A - 一种基于流交互图的端到端网络性能预测方法、系统及平台 - Google Patents
一种基于流交互图的端到端网络性能预测方法、系统及平台 Download PDFInfo
- Publication number
- CN115883401A CN115883401A CN202211433920.3A CN202211433920A CN115883401A CN 115883401 A CN115883401 A CN 115883401A CN 202211433920 A CN202211433920 A CN 202211433920A CN 115883401 A CN115883401 A CN 115883401A
- Authority
- CN
- China
- Prior art keywords
- stream
- flow
- data
- network performance
- real time
- 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.)
- Pending
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000010586 diagram Methods 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于流交互图的端到端网络性能预测方法、系统及平台。通过获取OD(Origin‑Destination)流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图；根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理；结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据预测模型，实时生成端到端网络性能预测数据；以及与方法相应的系统及平台，在该构造图的基础上，解决了拓扑信息以及流量动态信息的编码问题，并提出基于图Transformer的预测模型，其性能优于现有的预测方法，能够较好地满足网络建模的需求。
Description
技术领域
本发明属于网络性能预测技术领域，具体涉及一种基于流交互图的端到端网络性能预测方法、系统及平台。
背景技术
端到端网络性能指标(例如网络吞吐量、时延、抖动、丢包率等)的测量与建模是网络领域的研究热点。网络性能测量与预测对网络管理任务至关重要，例如，流量工程、负载均衡、故障恢复、异常检测等。实际上，端到端网络性能测量需要耗费大量的网络资源。端到端网络性能预测是一种更实用的替代方案。然而，由于网络的异构、动态、突变等非线性特征，致使网络性能预测异常困难。传统的网络性能建模通常采用排队论的方法。但是，排队论需要假设网络特性的概率分布，由于与真实网络存在较大偏差，其预测性能往往很不理想。
近年来，图神经网络技术被应用到端到端的网络性能指标预测领域，取得了很好的预测效果。2019年，文献1：K.Rusek,J.Suarez-Varela,A.Mestres,P.Barlet-Ros,andA.Cabellos-Aparicio,“Unveiling the potential of graph neural networks fornetwork modeling and optimization in sdn,”(in Proceedings of the 2019 ACMSymposium on SDN Research,2019,pp.140–151.)提出了基于图神经网络的RouteNet模型。该模型利用网络拓扑、路由以及流量矩阵等信息，预测端到端网络时延指标。RouteNet模型根据链路的属性(例如，容量)为链路设置状态，并根据链路与端到端路径的包含关系，实现链路状态与路径状态的迭代更新，最终在端到端路径的状态上建立读出(Readout)函数，实现对端到端时延的预测。文献1指出，在同样的输入条件下，除了预测端到端网络时延，RouteNet模型还可以预测时延抖动，丢包率等其它端到端指标。与RouteNet模型一样，本发明在已知网络拓扑、路由信息以及流量矩阵的条件下，研究端到端网络性能指标的预测问题。同样地，本发明提出的预测模型，除了预测端到端网络时延，也可以应用于预测端到端时延抖动、丢包率等性能指标。但是，为了方便描述，本发明内容中仅用端到端时延作为预测目标，并未对其它端到端性能指标的预测做出相关说明。
RouteNet模型直接在网络拓扑图上进行建模，需要模仿网络的实际传输过程，进行渐进式的状态更新，对训练数据、迭代控制等提出较高的要求，模型训练难度大。另一方面，由于缺乏对建模对象的交互关系的直接建模，在预测性能上也存在进一步提升空间。
因此，针对以上的技术问题缺陷，急需设计和开发一种基于流交互图的端到端网络性能预测方法、系统及平台。
发明内容
为克服上述现有技术存在的不足及困难，本发明之目的在于提供一种基于流交互图的端到端网络性能预测方法、系统及平台，在该构造图的基础上，解决了拓扑信息以及流量动态信息的编码问题，同时提出了一种基于图Transformer的预测模型。提出模型的性能优于现有的预测方法，能够较好地满足网络建模的需求。
本发明的第一目的在于提供一种基于流交互图的端到端网络性能预测方法；
本发明的第二目的在于提供一种基于流交互图的端到端网络性能预测系统；
本发明的第三目的在于提供一种基于流交互图的端到端网络性能预测平台；
本发明的第四目的在于提供一种计算机可读取存储介质；
本发明的第一目的是这样实现的：所述方法包括如下步骤：
获取OD流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图；
根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理；
结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据。
进一步地，所述获取OD流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图，还包括：
获取网络上的OD流数据，并根据所述网络上的OD流数据，实时构造流交互图节点；其中，所述OD流数据与所述流交互图节点一一对应；
根据OD流的转发路径，实时构造生成与流交互图节点相应的边。
进一步地，所述根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理，还包括：
根据路由协议和网络拓扑信息，计算生成OD流的转发路径，并按顺序串接对应的链路属性信息；
计算任意两个节点对应的OD流的转发路径，生成两节点之间链路集合的交集，并且串接对应的链路属性信息。
进一步地，所述根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理，还包括：
采取截断或补零的策略，生成统一长度的节点编码以及边编码。
进一步地，所述结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据，还包括：
分别获取节点编码和边编码；并根据所述节点编码，映射成相应的初始节点特征；根据所述边编码，映射成相应的初始边特征。
进一步地，所述结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据，还包括：
于每一层分别计算自注意力权重和中间的隐藏特征，迭代更新节点特征；
于每一层利用全连接神经网络对边特征进行更新，生成更新后的边特征；
获取经最后一个层处理生成的节点特征和边特征；
将最后生成的节点特征代入全连接层，实时生成网络性能预测数据。
进一步地，所述端到端网络性能预测数据为端到端时延数据，或端到端时延抖动数据，或端到端丢包率数据。
本发明的第二目的是这样实现的：所述系统包括：
获取构建单元，用于获取OD流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图；
编码处理单元，用于根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理；
预测数据生成单元，用于结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据。
进一步地，所述获取构建单元，还包括：
第一构造模块，用于获取网络上的OD流数据，并根据所述网络上的OD流数据，实时构造流交互图节点；其中，所述OD流数据与所述流交互图节点一一对应；
第二构造模块，用于根据OD流的转发路径，实时构造生成与流交互图节点相应的边；
和/或，所述编码处理单元，还包括：
第一计算模块，用于根据路由协议和网络拓扑信息，计算生成OD流的转发路径，并按顺序串接对应的链路属性信息；
第二计算模块，用于计算任意两个节点对应的OD流的转发路径，生成两节点之间链路集合的交集，并且串接对应的链路属性信息；
第一生成模块，用于采取截断或补零的策略，生成统一长度的节点编码以及边编码；
和/或，所述预测数据生成单元，还包括：
获取映射模块，用于分别获取节点编码和边编码，并根据所述节点编码，映射成相应的初始的节点特征，根据所述边编码，映射成相应的初始的边特征；
第一更新模块，用于在每一层分别计算自注意力权重和中间的隐藏特征，迭代更新节点特征；
第二更新模块，用于在每一层利用全连接神经网络对边特征进行更新，生成更新后的边特征；
获取生成模块，用于获取经最后一个层处理生成的节点特征和边特征；
第二生成模块，用于将最后生成的节点特征代入全连接层，实时生成网络性能预测数据；
所述端到端网络性能预测数据为端到端时延数据，或端到端时延抖动数据，或端到端丢包率数据。
本发明的第三目的是这样实现的：包括处理器、存储器以及基于流交互图的端到端网络性能预测平台控制程序；
其中在所述的处理器执行所述的基于流交互图的端到端网络性能预测平台控制程序，所述的基于流交互图的端到端网络性能预测平台控制程序被存储在所述存储器中，所述的基于流交互图的端到端网络性能预测平台控制程序，实现所述的基于流交互图的端到端网络性能预测方法。
本发明的第四目的是这样实现的：所述计算机可读取存储介质存储有基于流交互图的端到端网络性能预测平台控制程序，所述的基于流交互图的端到端网络性能预测平台控制程序，实现所述的基于流交互图的端到端网络性能预测方法。
本发明通过方法获取OD流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图；根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理；结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据；以及与方法相应的系统及平台，在该构造图的基础上，解决了拓扑信息以及流量动态信息的编码问题，同时提出了一种基于图Transformer的预测模型。提出模型的性能优于现有的预测方法，能够较好地满足网络建模的需求。
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为本发明流交互图的构造示意图；
图2为本发明链路的实际带宽使用量计算示意图；
图3为本发明一种基于流交互图的端到端网络性能预测方法流程示意图；
图4为本发明一种基于流交互图的端到端网络性能预测系统架构示意图；
图5为本发明一种基于流交互图的端到端网络性能预测平台架构示意图；
图6为本发明一种实施例中计算机可读取存储介质架构示意图；
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为便于更好的理解本发明的目的、技术方案和优点更加清楚，下面结合附图和具体的实施方式对本发明作进一步说明，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。
本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。其次，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
优选地，本发明一种基于流交互图的端到端网络性能预测方法应用在一个或者多个终端或者服务器中。所述终端是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述终端可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可以与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
本发明为实现一种基于流交互图的端到端网络性能预测方法、系统及平台。
如图3所示，是本发明实施例提供的基于流交互图的端到端网络性能预测方法的流程图。
在本实施例中，所述基于流交互图的端到端网络性能预测方法，可以应用于具备显示功能的终端或者固定终端中，所述终端并不限定于个人电脑、智能手机、平板电脑、安装有摄像头的台式机或一体机等。
所述基于流交互图的端到端网络性能预测方法也可以应用于由终端和通过网络与所述终端进行连接的服务器所构成的硬件环境中。网络包括但不限于：广域网、城域网或局域网。本发明实施例的基于流交互图的端到端网络性能预测方法可以由服务器来执行，也可以由终端来执行，还可以是由服务器和终端共同执行。
例如，对于需要进行基于流交互图的端到端网络性能预测终端，可以直接在终端上集成本发明的方法所提供的基于流交互图的端到端网络性能预测功能，或者安装用于实现本发明的方法的客户端。再如，本发明所提供的方法还可以软件开发工具包(SoftwareDevelopment Kit，SDK)的形式运行在服务器等设备上，以SDK的形式提供基于流交互图的端到端网络性能预测功能的接口，终端或其他设备通过所提供的接口即可实现基于流交互图的端到端网络性能预测功能。
以下结合附图对本发明作进一步阐述。
如图1-6所示，本发明提供了一种基于流交互图的端到端网络性能预测方法，所述的方法包括如下步骤：
S1、获取OD流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图；
S2、根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理；
S3、结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据。
所述获取OD流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图，还包括：
S11、获取网络上的OD流数据，并根据所述网络上的OD流数据，实时构造流交互图节点；其中，所述OD流数据与所述流交互图节点一一对应；
S12、根据OD流的转发路径，实时构造生成与流交互图节点相应的边。
所述根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理，还包括：
S21、根据路由协议和网络拓扑信息，计算生成OD流的转发路径，并按顺序串接对应的链路属性信息；
S22、计算任意两个节点对应的OD流的转发路径，生成两节点之间链路集合的交集，并且串接对应的链路属性信息。
所述根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理，还包括：
S23、采取截断或补零的策略，生成统一长度的节点编码以及边编码。
所述结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据，还包括：
S31、分别获取节点编码和边编码；并根据所述节点编码，映射成相应的初始节点特征；根据所述边编码，映射成相应的初始边特征。
所述结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据，还包括：
S32、于每一层分别计算自注意力权重和中间的隐藏特征，迭代更新节点特征；
S33、于每一层利用全连接神经网络对边特征进行更新，生成更新后的边特征；
S34、获取经最后一个层处理生成的节点特征和边特征；
S35、将最后生成的节点特征代入全连接层，实时生成网络性能预测数据。
所述端到端网络性能预测数据为端到端时延数据，或端到端时延抖动数据，或端到端丢包率数据。
具体地，在本发明实施例中，端到端网络性能的变化，主要由各OD(Origin-Destination)流的资源竞争状况所决定，直接对OD流的竞争情况进行建模能够获得更好的端到端网络性能预测性能。本发明将各个OD流的交互关系建模成为“流交互图”，在该图上实现网络拓扑信息、流量信息等信息的编码，应用图Transformer模型实现了端到端网络性能指标的预测模型。本发明提出模型的性能优于RouteNet模型，可以应用在流量工程、网络容量规划等不同场景，具有重要的实用价值。
也就是说，端到端网络性能建模以OD流为研究对象，对其网络性能指标进行刻画和预测。由于全网的OD流共用网络资源，它们之间构成了复杂的争用关系，其交互结果最终造成各个OD流的网络性能差异。为此，本发明提出了一种基于OD流交互关系建模的图神经网络预测方法，将OD流之间的交互关系直接刻画成一个“流交互图”。
(1)流交互图的构造
构造节点：网络上的OD流构造成为流交互图的节点。例如，预测任务涉及M个OD流，则构造的流交互图上存在一一对应的M个节点。
构造边：根据网络路由协议，计算出各OD流的转发路径，如果两个OD流转发路径之间至少存在一条重叠链路，则在该OD流对应的节点对之间设置一条边。
若两个OD流经过相同的链路，则构成了直接的网络资源竞争关系，因此在图上将它们的关系用边的形式刻画出来。通过这种方式，流交互图刻画了OD流之间对网络资源的直接竞争关系。基于流交互图的端到端网络性能建模方法，具有直接、简单、高效等优势。图1给出了流交互图的构造示意图。
(2)流交互图的编码
在流交互图上应用Transformer模型预测端到端网络性能时，需要对图上的节点以及边进行编码。具体做法如下：
1)节点编码：由于流交互图不具备物理网络的拓扑信息，因此需要在代表OD流的节点上将网络拓扑的相关信息编码进来。本发明提出的节点编码方法主要包含两方面的信息：一是OD流流经网络的拓扑信息；二是流量矩阵中的流量信息。具体来说，首先根据路由协议和网络拓扑信息，计算出OD流的转发路径，并将对应的链路属性信息按顺序串接起来。例如，假设利用链路的容量属性C以及链路的实际带宽使用量U作为预测模型的输入。图2给出了链路的实际带宽使用量的计算过程示意图。假设OD流i按顺序流经链路l1、链l2、链路l3，则其编码为：[Cl1，Ul1，Cl2，Ul2，Cl3，Ul3]。其次，根据预测模型的实际情况，增加其他的端到端性能编码信息，如OD流的流量信息。记端到端流量信息为T，则OD流i对应的节点编码为：[Ti，Cl1，Ul1，Cl2，Ul2，Cl3，Ul3]。
由于OD流路径长度不等，可以采取截断或者补零的策略，以获得统一长度的节点编码pi。
2)边编码
为了刻画不同节点(OD流)之间的相互影响程度，需要对边进行编码，并在预测模型中加以利用。本发明提出的边编码方法如下：
假设节点i和节点j之间存在一条边Eij，则将其编码为rij。首先，计算节点i和j对应的OD流的转发路径，求取两者之间链路集合的交集，并且将对应的链路属性信息串接起来。例如，利用链路的容量属性C以及链路的实际带宽使用量U作为预测模型的输入。假设OD流i和OD流j都流经链路lm和ln，则rij编码为：[Clm，Ulm，Cln，Uln]。同样地，采取截断或者补零的方式，使得边编码的长度相同。
(3)图Transformer预测模型
在构造的流交互图上，为节点设置编码pi，为边设置编码rij后，本发明进一步应用图Transformer神经网络方法构建端到端网络时延的预测模型。假设流交互图上共有N个节点(即存在N个OD流)。
第一步：特征映射：首先，将节点编码和边编码，映射成为初始的节点特征和边特征。将节点编码pi输入到一个全连接层中，得到长度为d的节点特征
将边编码rij输入到另一个全连接层中，得到长度为H的边特征/>
其中，H为注意力头的个数，Wh代表完成节点编码特征映射的全连接层的权重；We代表完成边编码特征映射的全连接层的权重。
第二步：多层迭代更新：提出的图Transformer模型由多个Transformer层(例如，L个)组成，第一个Transformer层更新第一步输出的节点特征h(0)与边特征
得到节点特征h(1)与边特征/>
输出给第二个Transformer层。依此类推，一直到最后一个Transformer层，得到节点特征h(L)与边特征/>
下面以第l层为例，说明节点特征与边特征的更新过程：在第l个Transformer层中，将节点特征
输入到Tranformer层中进行更新，将其分别分解成为Q(l)、K(l)、V(l)。/>
Q(l)＝h(l-1)WQ,K(l)＝h(l-1)WK,V(l)＝h(l-1)WV
其中，
分别为Q(l)、K(l)、V(l)分解时的权重矩阵；令dK＝dV＝d/H。
接着，计算自注意力权重，如下所示：
然后，再计算中间的隐藏特征
如下：
重复上面Q、K、V分解及其自注意力计算，直至得到H个
(即多头注意力)，将它们串接起来，得到/>
将/>
带入带残差连接的前馈神经网络FFN，得到更新后的节点特征
为V(l)的第j个元素。
最后，在每一层，都利用全连接神经网络(Fully Connected Neural Network,FCNN)对边特征进行更新：
其中
代表第(l-1)层的边特征，/>
代表第(l)层的边特征；FCNN表全连接神经网络。
第三步：读出层：将最后一个Transformer层输出的节点特征h(L)，输入到一个全连接层中，得到预测的目标时延值。本发明提出的模型使用MSE作为损失函数。
delay＝h(L)Wr (8)
其中，
代表读出层全连接的权重；delay为网络时延的预测值。
为实现上述目的，本发明还提供一种基于流交互图的端到端网络性能预测系统，如图4所示，所述的系统具体包括：
获取构建单元，用于获取OD流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图；
编码处理单元，用于根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理；
预测数据生成单元，用于结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据。
所述获取构建单元，还包括：
第一构造模块，用于获取网络上的OD流数据，并根据所述网络上的OD流数据，实时构造流交互图节点；其中，所述OD流数据与所述流交互图节点一一对应；
第二构造模块，用于根据OD流的转发路径，实时构造生成与流交互图节点相应的边；
和/或，所述编码处理单元，还包括：
第一计算模块，用于根据路由协议和网络拓扑信息，计算生成OD流的转发路径，并按顺序串接对应的链路属性信息；
第二计算模块，用于计算任意两个节点对应的OD流的转发路径，生成两节点之间链路集合的交集，并且串接对应的链路属性信息；
第一生成模块，用于采取截断或补零的策略，生成统一长度的节点编码以及边编码；
和/或，所述预测数据生成单元，还包括：
获取映射模块，用于分别获取节点编码和边编码，并根据所述节点编码，映射成相应的初始的节点特征，根据所述边编码，映射成相应的初始的边特征；
第一更新模块，用于在每一层分别计算自注意力权重和中间的隐藏特征，迭代更新节点特征；
第二更新模块，用于在每一层利用全连接神经网络对边特征进行更新，生成更新后的边特征；
获取生成模块，用于获取经最后一个层处理生成的节点特征和边特征；
第二生成模块，用于将最后生成的节点特征代入全连接层，实时生成网络性能预测数据；
所述端到端网络性能预测数据为端到端时延数据，或端到端时延抖动数据，或端到端丢包率数据。
在本发明系统方案实施例中，所述的一种基于流交互图的端到端网络性能预测中涉及的方法步骤，具体细节已在上文阐述，此处不再赘述。
为实现上述目的，本发明还提供一种基于流交互图的端到端网络性能预测平台，如图5所示，包括处理器、存储器以及基于流交互图的端到端网络性能预测平台控制程序；
其中，在所述的处理器执行所述的基于流交互图的端到端网络性能预测平台控制程序，所述的基于流交互图的端到端网络性能预测平台控制程序被存储在所述存储器中，所述的基于流交互图的端到端网络性能预测平台控制程序，实现所述的基于流交互图的端到端网络性能预测方法步骤，例如：
S1、获取OD流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图；
S2、根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理；
S3、结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据。
步骤具体细节已在上文阐述，此处不再赘述。
本发明实施例中，所述的基于流交互图的端到端网络性能预测平台内置处理器，可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processingunit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器利用各种接口和线路连接取各个部件，通过运行或执行存储在存储器内的程序或者单元，以及调用存储在存储器内的数据，以执行基于流交互图的端到端网络性能预测各种功能和处理数据；
存储器用于存储程序代码和各种数据，安装在基于流交互图的端到端网络性能预测平台中，并在运行过程中实现高速、自动地完成程序或数据的存取。
所述存储器包括只读存储器(Read-Only Memory，ROM)，随机存储器(RandomAccess Memory，RAM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
为实现上述目的，本发明还提供一种计算机可读取存储介质，如图6所示，所述计算机可读取存储介质存储有基于流交互图的端到端网络性能预测平台控制程序，所述的基于流交互图的端到端网络性能预测平台控制程序，实现所述的基于流交互图的端到端网络性能预测方法步骤，例如：
S1、获取OD流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图；
S2、根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理；
S3、结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据。
步骤具体细节已在上文阐述，此处不再赘述。
在本发明的实施方式的描述中，需要说明的是，流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理模块的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读取介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。
另外，计算机可读取介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
在本发明实施例中，为实现上述目的，本发明还提供一种芯片系统，所述芯片系统包括至少一个处理器，当程序指令在所述至少一个处理器中执行时，使得所述芯片系统执行所述的基于流交互图的端到端网络性能预测方法步骤，例如：
S1、获取OD流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图；
S2、根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理；
S3、结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据。
步骤具体细节已在上文阐述，此处不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。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、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明通过方法获取OD流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图；根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理；结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据；以及与方法相应的系统及平台，在该构造图的基础上，解决了拓扑信息以及流量动态信息的编码问题，同时提出了一种基于图Transformer的预测模型。提出模型的性能优于现有的预测方法，能够较好地满足网络建模的需求。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于流交互图的端到端网络性能预测方法，其特征在于，所述方法包括步骤：
获取OD流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图；
根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理；
结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据。
2.根据权利要求1所述的一种基于流交互图的端到端网络性能预测方法，其特征在于，所述获取OD流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图，还包括：
获取网络上的OD流数据，并根据所述网络上的OD流数据，实时构造流交互图节点；其中，所述OD流数据与所述流交互图节点一一对应；
根据OD流的转发路径，实时构造生成与流交互图节点相应的边。
3.根据权利要求1所述的一种基于流交互图的端到端网络性能预测方法，其特征在于，所述根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理，还包括：
根据路由协议和网络拓扑信息，计算生成OD流的转发路径，并按顺序串接对应的链路属性信息；
计算任意两个节点对应的OD流的转发路径，生成两节点之间链路集合的交集，并且串接对应的链路属性信息。
4.根据权利要求1或3所述的一种基于流交互图的端到端网络性能预测方法，其特征在于，所述根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理，还包括：
采取截断或补零的策略，生成统一长度的节点编码以及边编码。
5.根据权利要求1所述的一种基于流交互图的端到端网络性能预测方法，其特征在于，所述结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据，还包括：
分别获取节点编码和边编码；并根据所述节点编码，映射成相应的初始节点特征；根据所述边编码，映射成相应的初始边特征。
6.根据权利要求1或5所述的一种基于流交互图的端到端网络性能预测方法，其特征在于，所述结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据，还包括：
于每一层分别计算自注意力权重和中间的隐藏特征，迭代更新节点特征；
于每一层利用全连接神经网络对边特征进行更新，生成更新后的边特征；
获取经最后一个层处理生成的节点特征和边特征；
将最后生成的节点特征代入全连接层，实时生成网络性能预测数据。
7.根据权利要求6所述的一种基于流交互图的端到端网络性能预测方法，其特征在于，所述端到端网络性能预测数据为端到端时延数据，或端到端时延抖动数据，或端到端丢包率数据。
8.一种基于流交互图的端到端网络性能预测系统，其特征在于，所述系统包括：
获取构建单元，用于获取OD流数据，并根据所述OD流数据，实时构建与OD流相应的流交互图；
编码处理单元，用于根据路由协议和网络拓扑信息，结合所述流交互图，实时对流交互图上的节点以及边进行编码处理；
预测数据生成单元，用于结合图Transformer神经网络方法创建端到端网络性能的预测模型，根据所述预测模型，实时生成端到端网络性能预测数据。
9.根据权利要求7所述的一种基于流交互图的端到端网络性能预测系统，其特征在于，所述获取构建单元，还包括：
第一构造模块，用于获取网络上的OD流数据，并根据所述网络上的OD流数据，实时构造流交互图节点；其中，所述OD流数据与所述流交互图节点一一对应；
第二构造模块，用于根据OD流的转发路径，实时构造生成与流交互图节点相应的边；
和/或，所述编码处理单元，还包括：
第一计算模块，用于根据路由协议和网络拓扑信息，计算生成OD流的转发路径，并按顺序串接对应的链路属性信息；
第二计算模块，用于计算任意两个节点对应的OD流的转发路径，生成两节点之间链路集合的交集，并且串接对应的链路属性信息；
第一生成模块，用于采取截断或补零的策略，生成统一长度的节点编码以及边编码；
和/或，所述预测数据生成单元，还包括：
获取映射模块，用于分别获取节点编码和边编码，并根据所述节点编码，映射成相应的初始的节点特征，根据所述边编码，映射成相应的初始的边特征；
第一更新模块，用于在每一层分别计算自注意力权重和中间的隐藏特征，迭代更新节点特征；
第二更新模块，用于在每一层利用全连接神经网络对边特征进行更新，生成更新后的边特征；
获取生成模块，用于获取经最后一个层处理生成的节点特征和边特征；
第二生成模块，用于将最后生成的节点特征代入全连接层，实时生成网络性能预测数据；
所述端到端网络性能预测数据为端到端时延数据，或端到端时延抖动数据，或端到端丢包率数据。
10.一种基于流交互图的端到端网络性能预测平台，其特征在于，包括处理器、存储器以及基于流交互图的端到端网络性能预测平台控制程序；
其中，在所述的处理器执行所述的基于流交互图的端到端网络性能预测平台控制程序，所述的基于流交互图的端到端网络性能预测平台控制程序被存储在所述存储器中，所述的基于流交互图的端到端网络性能预测平台控制程序，实现如权利要求1至7中任一项所述的基于流交互图的端到端网络性能预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211433920.3A CN115883401A (zh) | 2022-11-16 | 2022-11-16 | 一种基于流交互图的端到端网络性能预测方法、系统及平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211433920.3A CN115883401A (zh) | 2022-11-16 | 2022-11-16 | 一种基于流交互图的端到端网络性能预测方法、系统及平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115883401A true CN115883401A (zh) | 2023-03-31 |
Family
ID=85760002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211433920.3A Pending CN115883401A (zh) | 2022-11-16 | 2022-11-16 | 一种基于流交互图的端到端网络性能预测方法、系统及平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115883401A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200184376A1 (en) * | 2018-12-05 | 2020-06-11 | The Board Of Trustees Of The University Of Illinois | Holistic Optimization for Accelerating Iterative Machine Learning |
| CN111709474A (zh) * | 2020-06-16 | 2020-09-25 | 重庆大学 | 一种融合拓扑结构和节点属性的图嵌入链路预测方法 |
| US20200396135A1 (en) * | 2019-06-17 | 2020-12-17 | International Business Machines Corporation | Automatic prediction of behavior and topology of a network using limited information |
| JP2021148498A (ja) * | 2020-03-17 | 2021-09-27 | 株式会社東京精密 | 内面形状測定機、及び内面形状測定機のアライメント方法 |
| CN114118375A (zh) * | 2021-11-29 | 2022-03-01 | 吉林大学 | 一种基于时序图Transformer的连续动态网络表征学习方法 |
| WO2022094926A1 (zh) * | 2020-11-06 | 2022-05-12 | 中国科学院深圳先进技术研究院 | 一种加密流量识别方法、系统、终端以及存储介质 |
-
2022
- 2022-11-16 CN CN202211433920.3A patent/CN115883401A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200184376A1 (en) * | 2018-12-05 | 2020-06-11 | The Board Of Trustees Of The University Of Illinois | Holistic Optimization for Accelerating Iterative Machine Learning |
| US20200396135A1 (en) * | 2019-06-17 | 2020-12-17 | International Business Machines Corporation | Automatic prediction of behavior and topology of a network using limited information |
| JP2021148498A (ja) * | 2020-03-17 | 2021-09-27 | 株式会社東京精密 | 内面形状測定機、及び内面形状測定機のアライメント方法 |
| CN111709474A (zh) * | 2020-06-16 | 2020-09-25 | 重庆大学 | 一种融合拓扑结构和节点属性的图嵌入链路预测方法 |
| WO2022094926A1 (zh) * | 2020-11-06 | 2022-05-12 | 中国科学院深圳先进技术研究院 | 一种加密流量识别方法、系统、终端以及存储介质 |
| CN114118375A (zh) * | 2021-11-29 | 2022-03-01 | 吉林大学 | 一种基于时序图Transformer的连续动态网络表征学习方法 |
Non-Patent Citations (6)
| Title |
|---|
| JIN, YIFEI, ET AL.: ""Open World Learning Graph Convolution for Latency Estimation in Routing Networks"", 《INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN). IEEE, 2022》, 30 September 2022 (2022-09-30) * |
| RUSEK, KRZYSZTOF, ET AL.: ""RouteNet: Leveraging graph neural networks for network modeling and optimization in SDN"", 《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS 38.10 (2020)》, 5 June 2020 (2020-06-05) * |
| TAM, PROHIM, ET AL.: ""Graph neural networks for intelligent modelling in network management and orchestration: a survey on communications"", 《ELECTRONICS 11.20 (2022)》, 19 October 2022 (2022-10-19) * |
| W.ZHENG ET AL.: ""End-to-End Delay Modeling via Leveraging Competitive Interaction Among Network Flows"", 《IN IEEE TRANSACTIONS ON NETWORK AND SERVICE MANAGEMENT》, 8 December 2023 (2023-12-08) * |
| WANG, HAOZHE, ET AL.: ""A graph neural network-based digital twin for network slicing management"", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS 18.2 (2020)》, 29 December 2020 (2020-12-29) * |
| YE, XUE, ET AL.: ""Meta graph transformer: A novel framework for spatial–temporal traffic prediction"", 《NEUROCOMPUTING 491 (2022)》, 28 June 2022 (2022-06-28) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10580013B2 (en) | Method and apparatus for autonomous services composition | |
| Tao et al. | Application and modeling of resource service trust-QoS evaluation in manufacturing grid system | |
| CN109376867A (zh) | 两量子比特逻辑门的处理方法及装置 | |
| CN105976020B (zh) | 一种考虑小波跨层关联性的网络流量预测方法 | |
| RU2336566C2 (ru) | Способ моделирования процессов обеспечения технической готовности сетей связи при технической эксплуатации и система для его реализации | |
| CN114172820B (zh) | 跨域sfc动态部署方法、装置、计算机设备及存储介质 | |
| CN106533966A (zh) | 一种网络服务的资源编排方法及装置 | |
| WO2021228264A1 (zh) | 一种应用机器学习的方法、装置、电子设备及存储介质 | |
| CN109886699A (zh) | 行为识别方法及装置、电子设备、存储介质 | |
| Pham et al. | Optimized IoT service chain implementation in edge cloud platform: A deep learning framework | |
| CN109598427A (zh) | 机器人的管理方法、装置及电子设备 | |
| CN113228059A (zh) | 面向跨网络的表示学习算法 | |
| CN114422018A (zh) | 卫星网络仿真系统及测试方法、设备、存储介质和产品 | |
| CN115618082B (zh) | 基于节点中心性的大规模网络空间视图展示方法与系统 | |
| CN113541986B (zh) | 5g切片的故障预测方法、装置及计算设备 | |
| CN115883401A (zh) | 一种基于流交互图的端到端网络性能预测方法、系统及平台 | |
| Soncini-Sessa et al. | TwoLe: a software tool for planning and management of water reservoir networks | |
| CN113765683A (zh) | 网络切片的割接告警屏蔽方法及装置 | |
| Yang et al. | Trust-based scheduling strategy for cloud workflow applications | |
| CN110597726A (zh) | 航电系统的安全性管理方法、装置、设备和存储介质 | |
| JPH02136034A (ja) | ニューラルネットワークによる最適電力負荷配分システム | |
| CN106155978A (zh) | 可重构系统的构建方法和装置 | |
| Zhang et al. | SFC-based multi-domain service customization and deployment | |
| CN107807818B (zh) | 一种面向SaaS多租户的多层模型及其构建方法 | |
| WU et al. | Intelligent Orchestrating of IoT Microservices Based on Reinforcement Learning |
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 |