CN115905863A - 机器学习模型训练方法、量子网络设备性能值预测方法 - Google Patents

Abstract

本发明公开的机器学习模型训练方法、量子网络设备性能值预测方法，涉及量子网络设备管理机人工智能技术领域，通过获取量子网络设备的历史运行数据；根据量子网络设备各个性能指标的属性，从所述历史运行数据中分别确定各个性能指标对应的自变量；根据该自变量，分别获取各个性能指标对应的性能值；分别为各个性能指标对应的自变量、性能值打上不同的标识；将携带标识的自变量及对应的性能值输入机器学习模型，对该机器学习模型进行训练，得到训练过的机器学习模型，实现了对量子网络设备性能指标的性能值进行精准预测，能够对量子网络设备进行便捷、高效地监控和管理，保证了量子通信系统的稳定性。

Description

机器学习模型训练方法、量子网络设备性能值预测方法

技术领域

本发明涉及量子网络设备管理及人工智能技术领域，具体涉及一种机器学习模型训练方法、量子网络设备性能值预测方法及系统。

背景技术

量子通信技术作为一个新兴的通信技术，近些年来，鉴于量子通信技术较传统通信技术高安全性能高的特点，量子通信技术飞速的发展。随着量子通信技术的飞速发展，量子网络设备也随之产生，量子网络设备性能的好坏决定量子通信系统性能的好坏，所以说，通过预测量子网络设备未来的性能情况，针对未来可预见的性能情况做具体预案（磁盘扩容等）很有必要，能够保证量子通信系统性能的稳定性。

目前，仅对量子网络设备已产生的历史运行数据及当前运行数据做展示使用，没有对量子网络设备性能指标的性能值进行预测，数据利用率较低，无法保证量子通信系统的稳定性。

发明内容

本发明实施例提供了一种机器学习模型训练方法、量子网络设备性能值预测方法及系统，用以解决现有技术存在的数据利用率较低，无法保证量子通信系统的稳定性的缺陷。

第一方面，本发明实施例提供的机器学习模型训练方法包括以下步骤：

获取量子网络设备的历史运行数据；

根据所述量子网络设备各个性能指标的属性，从所述历史运行数据中确定各个所述性能指标对应的自变量；

根据所述自变量，分别获取各个所述性能指标对应的性能值；

分别为各个所述性能指标对应的自变量、性能值打上不同的标识，其中，一个性能指标对应一个性能值及至少一个自变量；

将携带标识的自变量及对应的性能值输入机器学习模型，对所述机器学习模型进行训练，得到训练过的机器学习模型。

作为本发明实施例一个优选的实现方式，在获取量子网络设备的历史运行数据之后，所述方法还包括：

对所述历史运行数据进行清洗，删除所述历史运行数据中的冗余数据。

作为本发明实施例一个优选的实现方式，所述机器学习模型为基于最小二乘法的线性回归模型。

作为本发明实施例一个优选的实现方式，所述历史运行数据包括量子网络设备在设定的历史时间段内运行时的性能参数，其中，所述性能参数包括多个性能指标、性能值、单位及时间。

作为本发明实施例一个优选的实现方式，多个所述性能指标包括CPU使用率、内存使用率、成码率及当前量子密钥生成总量。

第二方面，本发明实施例提供的量子网络设备性能值预测方法包括：

接收用户输入的待预测的量子网络设备的性能指标；

根据所述性能指标的属性，从所述量子网络设备的历史运行数据中获取所述性能指标对应的自变量及性能值，其中，一个性能指标对应一个性能值及至少一个自变量；

基于所述性能指标对应的自变量及性能值，基于线性回归模型，对所述性能指标在设定的未来时间段内的性能值进行预测。

作为本发明实施例一个优选的实现方式，基于线性回归模型，对所述性能指标在设定的未来时间段内的性能值进行预测包括：

采用最小二乘法，对所述性能指标在设定的未来时间段内的性能值进行预测。

第三方面，本发明实施例提供的量子网络设备性能值预测系统包括：

接收模块，被配置为接收用户输入的待预测的量子网络设备的性能指标；

获取模块，被配置为根据所述性能指标的属性，从量子网络设备的历史运行数据中获取所述性能指标对应的自变量及性能值，其中，一个性能指标对应一个性能值及至少一个自变量；

预测模块，被配置为基于所述性能指标对应的自变量及性能值，基于线性回归模型，对所述性能指标在设定的未来时间段内的性能值进行预测。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述第一或第二方面所述的方法。

第五方面，本发明实施例提供了一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述第一或第二方面所述的方法。

本发明实施例提供的机器学习模型训练方法、量子网络设备性能值预测方法及系统具有以下有益效果：

基于量子网络设备历史运行数据对机器学习模型进行训练，利用训练过的机器学习模型对量子网络设备性能值进行预测，有效地利用了历史运行数据，实现了对量子网络设备性能指标的性能值进行精准预测，能够对量子网络设备进行便捷、高效地监控和管理，保证了量子通信系统的稳定性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单介绍，显而易见地，下面描述中的附图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为量子网络设备管理系统结构示意图；

图2为本发明实施例提供的机器学习模型训练方法流程示意图；

图3为本发明实施例提供的量子网络设备性能值预测方法流程示意图；

图4为本发明实施例提供的量子网络设备性能值预测系统结构示意图；

图5为采用本发明实施例提供的量子网络设备性能值预测方法得到的量子密钥管理设备CPU使用率预测示意图；

图6为采用本发明实施例提供的量子网络设备性能值预测方法得到的量子密钥管理设备内存使用率预测示意图；

图7为采用本发明实施例提供的量子网络设备性能值预测方法得到的量子密钥分发设备当前量子密钥生成总量预测示意图；

图8为采用本发明实施例提供的量子网络设备性能值预测方法得到的量子密钥分发设备成码率预测示意图；

图9是本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，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的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，在量子网络设备管理系统中，由网络管理服务器统一对量子密钥分发管理服务器、量子密钥分发设备、量子密钥管理设备、量子VPN及光量子交换机的性能指标进行监控并统一管理各类量子网络设备。其中，量子密钥分发管理服务器用于向量子密钥分发设备发送密钥分发开始及停止指令，量子密钥分发设备用于基于BB84协议生成量子密钥，量子密钥管理设备用于存储、更新及销毁量子密钥，量子VPN用于加密待传输的业务数据，光量子交换机为量子密钥分发设备之间的光开关。

下面对本发明实施例提供的机器学习模型训练方法、量子网络设备性能值预测方法及系统所涉及的方案进行详细说明。

实施例1

如图2所示，本发明实施例提供的机器学习模型训练方法包括以下步骤：

S101，获取量子网络设备的历史运行数据。

具体地，该量子网络设备包括量子密钥分发管理服务器、量子密钥分发设备、量子密钥管理设备、量子VPN及光量子交换机。

在一个示例中，该历史运行数据包括量子网络设备在设定的历史时间段内（过去一年内或过去一月内）运行时的性能参数，其中，性能参数包括多个性能指标、性能值、单位及时间，多个性能指标包括CPU使用率、内存使用率、成码率及当前量子密钥生成总量。

具体地，不同类型的量子网络设备对应的性能指标也不同。针对量子密钥分发设备，其主要的性能指标为CPU使用率、内存使用率、成码率、误码率及当前量子密钥生成总量；针对量子密钥分发管理服务器，其主要的性能指标为CPU使用率、内存使用率及已配置的量子网络设备数量；针对量子密钥管理设备，其主要的性能指标为CPU使用率、内存使用率及量子密钥中继量。

具体地，历史运行数据包括：“设备类型：量子密钥管理设备；性能名称：CPU使用率；单位：%；阈值上限：100；阈值下限：0；时间：20220929-14:16:46”。

在一个示例中，在获取量子网络设备的历史运行数据之后，对该历史运行数据进行清洗，删除该历史运行数据中的冗余数据。其中，冗余数据包括时间相同的重复数据、无效的字符串及空格符、阈值上限、阈值下限及单位等与因变量无关联的字段。

S102，根据量子网络设备各个性能指标的属性，从历史运行数据中分别确定各个性能指标对应的自变量。

S103，根据各个性能指标对应的自变量，分别获取各个性能指标对应的性能值，其中，一个性能指标对应一个性能值及至少一个自变量。

S104，分别为各个性能指标对应的自变量、性能值打上不同的标识。

具体地，可以将性能指标CPU使用率对应的自变量标识为“0”，对应的性能值标识为“1”。

S105，将携带标识的自变量及对应的性能值输入机器学习模型，对该机器学习模型进行训练，得到训练过的机器学习模型。

在一个示例中，该机器学习模型为基于最小二乘法的线性回归模型。携带标识的自变量及对应的性能值的数量越多，训练后的机器学习模型的预测精度度越高。

实施例2

如图3所示，本发明实施例提供的量子网络设备性能值预测方法，执行主体为实施例1中所述的训练过的机器学习模型，包括以下步骤：

S201，接收用户输入的待预测的量子网络设备的性能指标。

具体地，用户输入的待预测的量子网络设备的性能指标的数量可以为一个，也可以为两个或多个。

S202，根据该性能指标的属性，从该量子网络设备的历史运行数据中获取所述性能指标对应的自变量及性能值，其中，一个性能指标对应一个性能值及至少一个自变量。

具体地，不同属性的性能指标对应的自变量也不尽相同。例如，CPU使用率、内存使用率对应的自变量为时间，当前量子密钥生成总量对应的自变量为成码率及时间，成码率对应的自变量为误码率。其中，误码率与光路的路径衰减（光纤长度）有关。

S203，基于该性能指标对应的自变量及性能值，基于线性回归模型，对该性能指标在设定的未来时间段内的性能值进行预测。

在一个示例中，采用最小二乘法，对该性能指标在设定的未来时间段内的性能值进行预测。

具体地，根据量子网络设备管理系统的配置，可以预测未来一天内、一月内或一年内的一个或多个性能指标对应的性能值。

具体地，最小二乘法是机器学习模型的基本算法，该算法能解决的问题是通过数据拟合，从而得到比较符合事物内部规律的数学表达式，也就是说寻找到数据与数据之间的规律所在。当需要预测某个性能指标具体的性能值时，就是回归问题，所以说，使用线性回归模型对性能指标对应的性能值进行预测有利于提高预测的准确性。

具体地，在图5-图8中，实线部分表示历史性能值，虚线部分表示采用本发明实施例提供的量子网络设备性能值预测方法预测得到的性能值。

实施例3

如图4所示，本发明实施例提供的量子网络设备性能值预测系统包括：

接收模块，被配置为接收用户输入的待预测的性能指标。

获取模块，被配置为根据所述性能指标的属性，从量子网络设备的历史运行数据中获取所述性能指标对应的自变量及性能值，其中，一个性能指标对应一个性能值及至少一个自变量。

预测模块，被配置为基于所述性能指标对应的自变量及性能值，基于线性回归模型，对所述性能指标在设定的未来时间段内的性能值进行预测。

实施例5

图9是本发明一示例性实施例提供的电子设备的结构。如图9所示，该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。图9图示了根据本发明公开实施例的电子设备的框图。如图9所示，电子设备包括一个或多个处理器401和存储器402。

处理器401可以是中央处理单元（CPU）或者具有渗透数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。

存储器402可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器401可以运行所述程序指令，以实现上文所述的被公开的各个实施例的软件程序的对历史变更记录进行信息挖掘的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置403和输出装置404，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

此外，该输入装置403还可以包括例如键盘、鼠标等等。

该输出装置404可以向外部输出各种信息。该输出设备404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图9中仅示出了该电子设备中与本发明公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。

实施例6

除了上述方法和设备以外，本发明公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明公开各种实施例的渗透数据标注、封装及获取方法中的步骤。

所述计算机程序产品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公开实施例操作的程序代码，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。

此外，本发明公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明公开各种实施例的渗透数据标注、封装及获取方法中的步骤。

所述计算机可读存储介质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包括但不限于电、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子（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。

以上结合具体实施例描述了本发明公开的基本原理，但是，需要指出的是，在本发明公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明公开为必须采用上述具体的细节来实现。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

可能以许多方式来实现本发明公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明公开的方法的机器可读指令。因而，本发明公开还覆盖存储用于执行根据本发明公开的方法的程序的记录介质。

还需要指出的是，在本发明公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明公开的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明公开的范围。因此，本发明公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、调整、添加和子组合。

可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种机器学习模型训练方法，其特征在于，包括：

获取量子网络设备的历史运行数据；

根据所述量子网络设备各个性能指标的属性，从所述历史运行数据中分别确定各个所述性能指标对应的自变量；

根据所述自变量，分别获取各个所述性能指标对应的性能值；

分别为各个所述性能指标对应的自变量、性能值打上不同的标识，其中，一个性能指标对应一个性能值及至少一个自变量；

将携带标识的自变量及对应的性能值输入机器学习模型，对所述机器学习模型进行训练，得到训练过的机器学习模型。

2.根据权利要求1所述的机器学习模型训练方法，其特征在于，在获取量子网络设备的历史运行数据之后，所述方法还包括：

对所述历史运行数据进行清洗，删除所述历史运行数据中的冗余数据。

3.根据权利要求1所述的机器学习模型训练方法，其特征在于，所述机器学习模型为基于最小二乘法的线性回归模型。

4.根据权利要求1所述的机器学习模型训练方法，其特征在于，所述历史运行数据包括量子网络设备在设定的历史时间段内运行时的性能参数，其中，所述性能参数包括多个性能指标、性能值、单位及时间。

5.根据权利要求4所述的机器学习模型训练方法，其特征在于，多个所述性能指标包括CPU使用率、内存使用率、成码率及当前量子密钥生成总量。

6.一种量子网络设备性能值预测方法，适用于权利要求1中所述的训练过的机器学习模型，其特征在于，包括：

接收用户输入的待预测的量子网络设备的性能指标；

根据所述性能指标的属性，从所述量子网络设备的历史运行数据中获取所述性能指标对应的自变量及性能值，其中，一个性能指标对应一个性能值及至少一个自变量；

基于所述性能指标对应的自变量及性能值，基于线性回归模型，对所述性能指标在设定的未来时间段内的性能值进行预测。

7.根据权利要求6所述的量子网络设备性能值预测方法，其特征在于，基于线性回归模型，对所述性能指标在设定的未来时间段内的性能值进行预测包括：

采用最小二乘法，对所述性能指标在设定的未来时间段内的性能值进行预测。

8.一种量子网络设备性能值预测系统，其特征在于，包括：

接收模块，被配置为接收用户输入的待预测的量子网络设备的性能指标；

获取模块，被配置为根据所述性能指标的属性，从所述量子网络设备的历史运行数据中获取所述性能指标对应的自变量及性能值，其中，一个性能指标对应一个性能值及至少一个自变量；

预测模块，被配置为基于所述性能指标对应的自变量及性能值，基于线性回归模型，对所述性能指标在设定的未来时间段内的性能值进行预测。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-5或6-7中任一项所述的方法。

10.一种电子设备，其特征在于，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-5或6-7中任一项所述的方法。

Images