CN115913979A - 一种全域网络拓扑处理方法和设备 - Google Patents
一种全域网络拓扑处理方法和设备 Download PDFInfo
- Publication number
- CN115913979A CN115913979A CN202211482677.4A CN202211482677A CN115913979A CN 115913979 A CN115913979 A CN 115913979A CN 202211482677 A CN202211482677 A CN 202211482677A CN 115913979 A CN115913979 A CN 115913979A
- Authority
- CN
- China
- Prior art keywords
- topology
- network
- node
- information
- global network
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012512 characterization method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000002787 reinforcement Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 15
- 238000007726 management method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种全域网络拓扑处理方法,包括以下步骤:合并多个网络域的拓扑信息为全域网络拓扑信息,经过图卷积神经网络处理获得全域网络节点拓扑知识;用所述全域网络节点拓扑知识作为先验知识,构建Loss函数对AI模型进行训练,形成策略生成模型。本申请还包含用于实现所述方法的全域网络拓扑处理设备。本申请的技术方案能实现网络的智能化决策、高精度配置,更好地支撑自治网络、数字孪生网络、意图网络等智能化网络。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种全域网络拓扑处理方法和设备。
背景技术
随着自治网络、数字孪生网络、意图网络等智能化网络的迅速发展,对于网络的智能化决策、高精度配置等均提出较高的要求。但是当前由于网络自身非常复杂,一旦出现故障或者拥塞等异常情况,局部调优极有可能出现“牵一发而动全身”的局面,从而导致多个网络节点出现故障。因此,亟需一种面向网络全域进行智能化决策的方法进行智能化策略的制定,这对网络的运维管理具有重要的作用。
网络全域智能化策略的生成高度依赖全域拓扑信息,拓扑信息包括网络节点的节点信息及节点之间的关系信息。如何挖掘和抽取全域拓扑信息中隐藏的关联关系,表征形成一种可供AI等智能化手段决策的先验知识,基于先验知识进行智能策略的生成,从而增加智能策略的准确性,将智能策略转为网络配置下发实体网络,实现网络的智能化决策和高精度配置是本专利需要解决的核心问题,也是业界尚未解决的一个难题。
发明内容
本申请提出一种全域网络拓扑处理方法和设备,解决现有技术的网络缺少智能化决策功能的问题。
一方面,本申请实施例提出一种全域网络拓扑处理方法,包括以下步骤:
合并多个网络域的拓扑信息为全域网络拓扑信息,经过图卷积神经网络处理获得全域网络节点拓扑知识;
所述全域网络节点拓扑知识,包含网络节点特征向量及其状态值,以及不同节点间特征的关系;
用所述全域网络节点拓扑知识,设置用于AI模型训练的特征、设置AI模型的初始化权重参数,设定AI模型的Loss函数进行训练,形成策略生成模型;
所述策略生成模型输出的策略为网络节点特征向量及其对应的状态值,此处的状态值是AI模型训练后得到的最优解。
优选地,所述经过图卷积神经网络处理获得全域网络节点拓扑知识,进一步包含以下步骤:
根据全域网络拓扑信息构建输入信息,其包含N个节点,构建图卷积神经网络模型,模型结构包括输入层、N层GCN层+ReLU层输出层;
定义信息传播函数(如公式1),其中输入信息包含:ln为节点n的特征向量,lne[n]为节点n相邻点的特征向量,xn(t)为节点n在t时刻的状态向量,lco[n]为节点n的特征与相关联节点的特征之间的关系特征向量,xne[b](t)为节点n相邻节点t时刻的状态向量;将全域网络拓扑信息构建的输入信息输入到信息传播函数,通过映射函数聚合每个节点的特征信息和邻居节点的特征信息;
基于信息传播函数定义激活函数(如公式2),通过图神经网络实现,经过激活函数处理,输出层产生全域网络节点拓扑知识,作为智能策略生成模块的先验知识,具体形式为经过信息聚合的网络节点特征向量ln及其对应的状态值xn,以及信息补全的对应节点邻接矩阵l(u,v)。
优选地,本申请方法中,用所述全域网络节点拓扑知识,设置用于AI模型训练的特征、设置AI模型的初始化权重参数,设定AI模型的Loss函数进行训练,形成策略生成模型的步骤,进一步包含:
根据先验知识中特征关系向量l(u,v)判断特征之间的相关性,对具有相关性的特征进行高阶多项式特征衍生;
构建图神经网络模型,在Loss函数中加入正则化项λ·∑K(zp-zc)2,在优化Loss函数的时选择满足约束的梯度减少的方向,使最终的解倾向于符合先验知识;其中λ为超参数,zp为先验知识提取的特征向量、zc为当前节点状态的特征向量;
输出信息具体表达形式为:网络节点特征向量及其对应的最佳状态值。
优选地,本申请方法还包含以下步骤:解析所述策略生成模型输出的策略,根据输出策略的特征向量及对应的最佳状态值,生成网络配置参数,下发网络实体。
另一方面,本申请还提出一种全域网络拓扑处理设备,包含:
收集模块,用于从基础资源层收集多个网络域的拓扑信息,合并为全域网络拓扑信息;
表征模块,用于全域网络拓扑信息,经过图卷积神经网络处理获得全域网络节点拓扑知识;
生成模块,用于以所述全域网络节点拓扑知识作为先验数据,对AI模型进行训练,形成策略生成模型。
优选地,本申请的装置进一步包含:管控层,用于解析所述策略、生成网络配置,下发到基础资源层。
在本申请的任意一个实施例中,优选地,所述拓扑信息包含节点信息和关系信息。所述节点信息包含表示网络拓扑中节点的固有性质的数据;所述关系信息包含节点间关联性质的数据。
在本申请的任意一个实施例中,优选地,所述全域网络节点拓扑知识,包含表示多个节点之间的线性关系和或非线性关系的数据。
在本申请的任意一个实施例中,优选地,所述拓扑信息包含以下一种或多种:分层主拓扑、子网拓扑、切片拓扑、流量拓扑、业务拓扑。
在本申请的任意一个实施例中,优选地,所述多个网络域位于基础资源层,包含以下至少2种的组合:接入网、传送网、承载网、核心网。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
为了能实现网络的智能化决策、高精度配置,更好的支撑自治网络、数字孪生网络、意图网络等智能化网络的迅速发展,本专利首先提出一种面向全域网络的智能化策略生成框架,基于此框架,还创新性地提出一种全域网络拓扑的知识表征方法,并细化了方案实现的具体流程,旨在挖掘和抽取全域拓扑信息中隐藏的关联关系,表征形成一种可供AI等智能化手段决策的先验知识,进一步保证了智能化决策模型生成策略的准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请全域网络拓扑处理方法的实施例流程图;
图2为通过多重GCN层+ReLU层处理获取节点间隐藏关系示意图;
图3为智能调度策略的示意图;
图4为进一步说明策略模型生成过程的实施例流程图;
图5为智能策略生成模型构建的结构示意图;
图6为本申请全域网络拓扑处理设备的实施例示意图;
图7为在本申请装置实施例中实施全域网络拓扑处理的流程图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请全域网络拓扑处理方法的实施例流程图。
本申请实施例提出一种全域网络拓扑处理方法,包括以下步骤:
步骤101、合并多个网络域的拓扑信息为全域网络拓扑信息,
在本申请的最佳实施例中,所述拓扑信息包含节点信息和关系信息。所述节点信息包含表示图中对象的固有性质的数据;所述关系信息包含节图中对象间关联性质的数据。
例如,所述多个网络域位于基础资源层,包含以下至少2种网络域的组合:接入网、传送网、承载网、核心网。
所述拓扑信息包含以下一种或多种:分层主拓扑、子网拓扑、切片拓扑、流量拓扑、业务拓扑。其中,分层主拓扑,包含网络内所有节点(包括网元、连接、逻辑域等)连接的内层结构的拓扑关系。子网拓扑,包含每个网络子网及网内节点之间的连接关系。流量拓扑,包含每个节点及链路的带宽利用率、流量大小、承载流量范围等。切片拓扑,包含网络切片的拓扑结构,包括虚拟网络节点和虚拟网络链路的集合关系。业务拓扑,包含每条拓扑连接及节点的源、宿端口、设备IP、型号等。
步骤102、经过图卷积神经网络处理获得全域网络节点拓扑知识;
优选地,所述全域网络节点拓扑知识,包含表示多个节点之间的线性关系和或非线性关系的数据。
所述经过图卷积神经网络处理获得全域网络节点拓扑知识,进一步包含以下步骤:
步骤102A、构建输入信息。
输入信息中包含N个节点,每个节点对应于实体网络中的一个单元,诸如一个交换机或者服务器,其N个节点共有S个特征,对应于单元的节点信息,诸如交换机的类型、物理尺寸、输入带宽、输出带宽、CPU负载等。定义总特征集D={d1,d2,…,dS}。针对任意节点n,其包含特征数量为Sn,定义其特征向量节点n所包含特征向量属于总特征集D,其数目Sn≤S,定义节点状态向量其中为特征在某一时刻的状态值(网络是一个动态的系统,状态值也随时间变化)。定义关系特征向量其中表示节点u中与节点v中的关系。
步骤102B、构建图卷积神经网络模型,模型结构包括输入层、GCN层+ReLU层、输出层;GCN卷积层+ReLU层的层数可根据输入信息的复杂度动态设置;将全域网络拓扑信息作为图数据输入到GCN层,通过映射函数聚合每个节点的特征信息和邻居节点的特征信息,生成新的节点信息;通过ReLU层进行非线性变换;
具体地,基于步骤102A的特征向量和状态向量,定义信息传播函数
xn(t+1)=fw(ln,xn(t),lco[n],xne[b](t),lne[n]) 公式1
其中,ln为节点n的特征向量,xn为节点n的状态向量,lco[n]为与节点n相连的边的特征向量,xne[b]为节点n相邻节点t时刻的状态向量,lne[n]为节点n相邻点的特征向量。
基于信息传播函数定义激活函数,使
x(t+1)=Fw(x(t),l) 公式2
信息传播函数可以通过全连接网络进行实现,其中Fw(x(t),l)为非线性映射或激活函数,通过图神经网络实现公式2,此处l包含三种类型信息:节点的特征向量ln,与节点相连的边的特征向量lco[n]以及与节点相连节点的特征向量lne[n]。
步骤102C、重复步骤102B,由多重GCN层+ReLU层,经过激活函数处理,输出层产生全域网络节点拓扑知识。这样实现了全域拓扑知识表征,生成拓扑知识,作为智能策略生成模块的先验知识,具体形式为经过信息聚合的网络节点特征向量ln及其对应的状态值xn,以及信息补全的对应节点邻接矩阵l(u,v)。
步骤103、用所述全域网络节点拓扑知识作为先验知识,获取训练数据对AI模型进行训练,形成策略生成模型。
在步骤103中,用所述全域网络节点拓扑知识,设置用于AI模型训练的特征、设置AI模型的初始化权重参数,设定AI模型的Loss函数进行训练,形成策略生成模型。
智能策略生成模型的输入是经过步骤102生成的全域网络拓扑知识图,基于上述定义,可以构建用于智能策略生成模型的AI模型,诸如全连接神经网络、强化学习模型等,进行正向传播和反向传播,定义状态相关的Loss函数,进行监督学习或者无监督学习或者强化学习。
智能策略模型生成的智能策略在实际网络中即为针对特定的应用场景,网络节点特征向量及其对应的最佳状态值,以及对应节点特征关系的配置,与ln、xn、l(u,v)对应。具体实现参照状态矩阵和邻接矩阵进行图神经网络模型训练。
进一步地,本申请方法还包含以下步骤:
步骤104、解析所述策略生成模型输出的策略,生成网络配置参数,下发网络实体,包括接入网、承载网、传输网、核心网等。
输出策略为网络节点特征向量及其对应的最佳状态值,可从网络节点特征向量及其对应的最佳状态值提取和配置相关的信息,例如,经过计算获得如流量调度比例:节点A→节点B、节点A→节点C、节点A→节点D流量比例为1:1:1,相应的下发策略配置为:在节点A端口设置流量分割比1/3、1/3、1/3。以达到流量均衡调度的目的。
图2为通过多重GCN层+ReLU层处理获取节点间隐藏关系示意图。基于卷积核提取相邻节点之间的关系。
需要说明的是,现有技术中大部分考虑的是拓扑的节点信息,忽略了拓扑的关系信息,未实现将节点信息和关系信息结合起来进行学习。因此,无法学习到拓扑之间隐藏的关联关系,无法准确的进行拓扑的知识表征。
通过构建图卷积神经网络(Graph Convolutional Network,GCN),将全域网络拓扑信息作为输入,将全域网络拓扑信息作为一种图数据,包含两部分信息:节点信息和关系信息。节点信息描述了网络拓扑中节点的固有性质,以交换机为例,交换机的基本属性包括:交换机的种类,如二层、三层、四层等类型交换机;物理指标包括交换机的尺寸、功耗、端口数量、端口最大带宽等;功能指标包括交换机支持的各种转发功能、管理功能等。关系信息描述了节点之间的关联关系,例如以下关联关系:对应交换机实例之间或者交换机同其他网元之间的关系,例如物理直连、逻辑互联、IP可达等,这种由关联所产生的结构不仅对数据中节点的刻画具有很大的帮助作用,而且对该全图的刻画也起着关键作用。表征模块,基于图神经网络,对节点信息和关系信息进行端到端的学习,进行全域网络拓扑信息中隐藏关联关系的挖掘与抽取,可抽取各个节点之间隐藏的线性或非线性关系,并将挖掘与抽取的关系表征为知识,并表征形成一种可供AI等智能化手段决策的先验知识,为生成模块提供决策依据,如两节点之间的如下关系表达式就是知识的一种。
线性关系举例:节点B,C,D∈节点A,表示节点B,C,D是节点A的子节点。具体数学公式表示为:节点A的流量=a*节点B流量+b*节点C流量+c*节点D,a,b,c为常数。
非线性关系:节点A和节点B之间存在如下关系:A=f(B),f可以为xY函数、Logxy函数、tanh(x)等。
判定为何种隐藏关系,可根据拓扑结构中节点之间大量数据的拟合得到相关函数表达式。
图3为智能调度策略的示意图。
以智能调度举例,以13个节点为一个拓扑的网络结构举例,如果出现节点A→节点B、节点A→节点C、节点A→节点D流量比例为8:1:1,那么会出现节点A→节点B这条路径上的网络拥塞,需要借助AI等智能算法进行节点流量的智能调度。首先,动态收集各个节点的流量数据,借助拓扑表征生成的拓扑知识作为先验知识,将节点之间隐藏的关联关系转换为约束条件加入模型,如IB-IA≤0,节点A的流量大于节点B的流量,|δIB-θIN|≤ε,表示节点B流量的δ倍和节点N的θ倍之间差值绝对值小于一定值ε。进行特征筛选和Loss函数设计,利用强化学习算法建模。输出策略为:流量调度比例:A→节点B、节点A→节点C、节点A→节点D流量比例为1:1:1,相应的下发策略配置为:在节点A端口设置流量分割比。以达到流量均衡调度的目的。
为进一步详细说明步骤103的技术方案,图4为策略模型生成过程的实施例,用所述全域网络节点拓扑知识,设置用于AI模型训练的特征、设置AI模型的初始化权重参数,设定AI模型的Loss函数进行训练,形成策略生成模型的过程,进一步包含以下步骤:
步骤401、训练数据获取。根据应用场景需求,从数据中心、网管系统、深度数据包检测(DPI)系统等网络数据存储单元中获取各网络节点特征及其状态信息,构建对应节点特征向量对应状态向量以及关系特征向量特征向量、状态向量、关系特征向量表达形式与拓扑知识表征模块相同,上标t表示训练数据。
步骤402、训练数据处理。对获取到的原始数据进行清洗、补全、去重、归一化等处理,形成可训练的输入数据。
步骤403、特征选择。结合不同任务场景任务及算法,评估不同智能策略生成模型对不同特征的依赖度,进行特征选择。
步骤403A、将拓扑知识表征模块得到的拓扑知识作为先验知识,结合关系特征向量,针对节点特征向量进行特征相关性分析,并结合包裹法等方法进行特征选择,针对相关特征进行特征强化。
例如,包裹法主要思想是:将特征子集的选择看作是一个搜索寻优问题,生成不同的组合,对组合进行评价,再与其他的组合进行比较,生成不同组合的方法可以参照递归特征消除算法;优选地,直接把最后要使用的智能策略生成模型的推理的Loss函数值作为特征选择的评价函数,选择对于特定的智能策略生成模型最优的特征子集。
步骤403B、特征强化:若先验知识中特征l1和l2存在隐藏关系且对训练结果有一定影响,那么对特征l1和l2进行高阶多项式特征衍生,(M、N表示幂次)作为新的特征。选取重要的特征进行多项式衍生,是强化重要特征的表现形式。
步骤404、数据扩充构建。针对特征选择选定的节点特征、状态向量进行数据扩充,构建节点特征矩阵X和邻接矩阵C以及先验知识邻接矩阵K。
步骤404C、基于拓扑知识表征模块中生成的拓扑知识,构建先验知识邻接矩阵P∈R(N×S)×(N×S),构建方法参照步骤2.2。
步骤405、智能策略生成模型构建。构建基于监督学习、无监督学习或强化学习的神经网络或机器学习模型,如图5所示。图卷积神经网络A用于当前节点的特征提取,以当前节点的邻接矩阵C和节点特征矩阵X作为输入,图卷积神经网络C具有与A网路相同的结构,以先验知识邻接矩阵P和节点特征矩阵X作为输入。
步骤405A、图卷积神经网络A通过提取当前节点邻接矩阵C及节点特征状态矩阵X的特征实现对当前节点特征的进一步提取,经过必要的激活函数构建降维的特征向量zc,可用的激活函数包括softmax、tanh等。
步骤405B、图卷积神经网络C通过提取先验知识邻接矩阵P及节点特征状态矩阵X的特征实现对拓扑知识表征模块得到的先验知识的提取,经过必要的激活函数后构建降维的特征向量zp,可用的激活函数包括softmax、tanh等。
图卷积神经网络A和C具有相同或相似的结构,通过将神经网络参数共享给A,实现先验知识的传递,使训练任务速度更快、准确度更高。
步骤405C、图卷积神经网络B针对图卷积神经网络A的提取的特征进行处理,得到神经网络输出为与流量预测、任务智能调度、故障预测、故障定位相对应的节点级(节点特征向量,用于节点回归或者节点分类任务,诸如网络节点故障预测、故障定位等)、边缘级(节点特征邻接矩阵,诸如流量预测)或者图级(诸如区域故障定位等)信息。
步骤405D、定义Loss函数,如公式3。
λ·∑K(zp-zc)2为正则化项(根据先验知识设计),λ为超参数,该项通过约束先验知识提取的特征向量zp和当前节点状态的特征向量zc最小实现将先验知识转换为目标约束,通过正则化(对最小化经验误差函数上加约束)或者在Loss函数中加入噪声,在优化Loss函数的时候倾向于选择满足约束的梯度减少的方向,使最终的解倾向于符合先验知识。
基于上述步骤401~405中的数据、模型及Loss函数,进行迭代训练,训练完成后,模型的输出即为与流量预测、任务智能调度、故障预测、故障定位等任务场景相对应的状态、关系信息。可通过该输出信息进一步解析出输出策略的特征向量及对应的最佳状态值。
图6为本申请全域网络拓扑处理设备的实施例示意图。
本专利提出一种面向全域网络的智能化策略生成框架,包括基础资源层、智能表征决策层、管控层。为实现所述框架,本申请提出一种全域网络拓扑处理设备,包含智能表征决策层的收集模块201、表征模块202及生成模块203。智能表征决策层是利用AI等智能化方法生成智能化策略,为网络的智能化管理运维提供有效支撑。其中:
收集模块201,用于从基础资源层收集多个网络域的拓扑信息,合并为全域网络拓扑信息。其中,所述的基础资源层即物理网络的实体,包括物理资源和逻辑资源。
所述收集模块的功能,例如包含:一、从基础资源层中的接入网、传送网、承载网、核心网等网络子网中收集网络拓扑信息,其中拓扑信息包括但不限于:分层主拓扑、子网拓扑、切片拓扑、流量拓扑、业务拓扑等。二、收集模块将各个网络域收集的各种类型的拓扑信息进行整合、拼接为全域网络拓扑信息。
表征模块202,用于全域网络拓扑信息,经过图卷积神经网络处理获得全域网络节点拓扑知识;
表征模块的功能是是通过构建图卷积神经网络(Graph Convolutional Network,GCN),将全域网络拓扑信息作为模型输入,进行全域网络拓扑信息中隐藏关联关系的挖掘与抽取,并将挖掘与抽取的关系表征为知识。
将全域网络拓扑信息作为一种图数据,包含两部分信息:节点信息和关系信息。节点信息描述了图中对象的固有性质;关系信息描述了对象之间的关联性质,这种由关联所产生的结构不仅对数据中节点的刻画具有很大的帮助作用,而且对该全图的刻画也起着关键作用。
基于图神经网络,对节点信息和关系信息进行端到端的学习,进行全域网络拓扑信息中隐藏关联关系的挖掘与抽取,可抽取各个节点之间隐藏的线性或非线性关系,并将挖掘与抽取的关系表征为知识,并表征形成一种可供AI等智能化手段决策的先验知识,为生成模块提供决策依据。
生成模块203,用于以所述全域网络节点拓扑知识作为先验数据,对AI模型进行训练,形成策略生成模型。
生成模块的功能是将表征模块生成的拓扑知识作为先验数据,基于网络数据,利用如机器学习、深度学习、强化学习等AI算法进行模型构建,生成如流量预测、任务智能调度、故障预测、故障定位等智能策略生成模型。
模型的输出即为智能策略,是在某种场景下实现目标的最优解。具体表达形式为:网络节点特征向量及其对应的最佳状态值。将输出的最优结果通过参数配置,以达到网络优化目的。
优选地,本申请的装置进一步包含:管控层204,用于解析所述策略、生成网络配置,下发到基础资源层。管控层至少具备两个功能:一是解析智能表征决策层提供的智能策略,将智能策略转换为具体网络配置;二是将配置信息下发至基础资源层,从而实现网络的运维管控。
所述智能表征决策层与基础资源层的接口为第一接口,连接于所述收集模块,所述第一接口,用于传输拓扑信息,传输消息至少包括[源IP、目的IP,拓扑信息]。
所述智能表征决策层与管控层之间的接口为第二接口,连接于所述生成模块。所述第二接口:用于传输表征后的拓扑知识,传输消息至少包括[源IP、目的IP,生成的智能策略]。
图7为在本申请装置实施例中实施全域网络拓扑处理的流程图。
步骤301、智能表征决策层中的收集模块通过第一接口向从基础资源层中的接入网、传送网、承载网、核心网分别发起收集拓扑信息的请求,请求消息中包括[源IP、目的IP,拓扑信息],其中拓扑信息包括:分层主拓扑、子网拓扑、切片拓扑、流量拓扑、业务拓扑等。
基础资源层中的接入网、传送网、承载网、核心网分别向收集模块返回拓扑信息。
步骤302、收集模块将各个网络域收集的各种类型的拓扑信息进行整合、拼接为全域网络拓扑信息,拓扑信息包括节点信息和关系信息两部分。节点信息描述了图中对象的固有性质;关系信息描述了对象之间的关联性质。这种由关联所产生的结构不仅对数据中节点的刻画具有很大的帮助作用,而且对该全图的刻画也起着关键作用。
步骤303、收集模块将步骤302中的全域网络拓扑信息发送给表征模块。
步骤304、表征模块,通过构建图卷积神经网络(Graph Convolutional Network,GCN),将全域网络拓扑信息作为模型输入,进行全域网络拓扑信息中隐藏关联关系的挖掘与抽取,并将挖掘与抽取的关系表征为知识。
算法流程如步骤102A~C,这里不再赘述。
步骤305、将步骤304中表征后的拓扑知识发送给生成模块,作为智能决策的先验知识。
步骤306、智能策略生成模型,将表征后的网络拓扑知识作为模型的先验知识,基于网络数据,利用AI等算法进行模型训练,形成智能策略生成模型,用于智能化决策。
步骤307、将步骤306中生成模块生成的策略,通过第二接口发送到管控层。
步骤308、管控层解析策略,并将策略解译为网络可识别的配置参数,下发到相应的实体网络中的接入网、承载网、传输网、核心网等。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
因此,本申请还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请中任一实施例所述的方法。
进一步地,本申请还提出一种电子设备(或称为计算设备),包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请任一实施例所述的方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述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。
Claims (14)
1.一种全域网络拓扑处理方法,其特征在于,包括以下步骤:
合并多个网络域的拓扑信息为全域网络拓扑信息,经过图卷积神经网络处理获得全域网络节点拓扑知识;
所述全域网络节点拓扑知识,包含网络节点特征向量及其状态值,以及不同节点间特征的关系;
用所述全域网络节点拓扑知识,设置用于AI模型训练的特征、设置AI模型的初始化权重参数,设定AI模型的Loss函数进行训练,形成策略生成模型;
所述策略生成模型输出的策略为网络节点特征向量及其对应的状态值,此处的状态值是AI模型训练后得到的最优解。
2.如权利要求1所述全域网络拓扑处理方法,其特征在于,所述经过图卷积神经网络处理获得全域网络节点拓扑知识,进一步包含以下步骤:
根据全域网络拓扑信息构建输入信息,其包含N个节点,构建图卷积神经网络模型,模型结构包括输入层、N层GCN层+ReLU层、输出层;
定义信息传播函数xn(t+1)=fw(ln,xn(t),lco[n],xne[b](t),lne[n]),
其中,输入信息包含:ln为节点n的特征向量,lne[n]为节点n相邻点的特征向量,xn(t)为节点n在t时刻的状态向量,lco[n]为节点n的特征与相关联节点的特征之间的关系特征向量,xne[b](t)为节点n相邻节点t时刻的状态向量;将全域网络拓扑信息构建的输入信息输入到信息传播函数,通过映射函数聚合每个节点的特征信息和邻居节点的特征信息;
基于信息传播函数定义激活函数Fw(x(t),l),通过图神经网络实现,使x(t+1)=Fw(x(t),l),此处l包含三种类型信息:ln、lco[n]以及lne[n];
经过激活函数处理,输出层产生全域网络节点拓扑知识,作为智能策略生成模块的先验知识,具体形式为经过信息聚合的网络节点特征向量ln及其对应的状态值xn,以及信息补全的对应节点邻接矩阵l(u,v)。
3.如权利要求1所述的全域网络拓扑处理方法,其特征在于,用所述全域网络节点拓扑知识,设置用于AI模型训练的特征、设置AI模型的初始化权重参数,设定AI模型的Loss函数进行训练,形成策略生成模型的步骤,进一步包含:
根据先验知识中特征关系向量l(u,v)判断特征之间的相关性,对具有相关性的特征进行高阶多项式特征衍生;
构建图神经网络模型,在Loss函数中加入正则化项λ·∑K(zp-zc)2,在优化Loss函数的时选择满足约束的梯度减少的方向,使最终的解倾向于符合先验知识;其中λ为超参数,zp为先验知识提取的特征向量、zc为当前节点状态的特征向量;
输出信息具体表达形式为:网络节点特征向量及其对应的最佳状态值。
4.如权利要求1所述全域网络拓扑处理方法,其特征在于,还包含以下步骤:
解析所述策略生成模型输出的策略,根据输出策略的特征向量及对应的最佳状态值,生成网络配置参数,下发网络实体。
5.如权利要求1所述全域网络拓扑处理方法,其特征在于,
所述拓扑信息包含节点信息和关系信息;
所述节点信息包含表示网络拓扑中节点的固有性质的数据;所述关系信息包含节点间关联性质的数据。
6.如权利要求1所述全域网络拓扑处理方法,其特征在于,
所述全域网络节点拓扑知识,包含表示多个节点之间的线性关系和或非线性关系的数据。
7.如权利要求1所述全域网络拓扑处理方法,其特征在于,所述拓扑信息包含以下一种或多种:分层主拓扑、子网拓扑、切片拓扑、流量拓扑、业务拓扑。
8.如权利要求1所述全域网络拓扑处理方法,其特征在于,所述多个网络域位于基础资源层,包含以下至少2种的组合:接入网、传送网、承载网、核心网。
9.一种全域网络拓扑处理设备,用于实现权利要求1~8任意一项所述方法,其特征在于,包含:
收集模块,用于从基础资源层收集多个网络域的拓扑信息,合并为全域网络拓扑信息;
表征模块,用于全域网络拓扑信息,经过图卷积神经网络处理获得全域网络节点拓扑知识;
生成模块,用于以所述全域网络节点拓扑知识作为先验数据,对AI模型进行训练,形成策略生成模型。
10.如权利要求9所述全域网络拓扑处理设备,其特征在于,进一步包含:
管控层,用于解析所述策略、生成网络配置,下发到基础资源层。
11.如权利要求9所述全域网络拓扑处理设备,其特征在于,进一步包含:第一接口,用于传输拓扑信息,传输消息至少包括[源IP、目的IP,拓扑信息]。
12.如权利要求9所述全域网络拓扑处理设备,其特征在于,进一步包含:第二接口,用于传输表征后的拓扑知识,传输消息至少包括[源IP、目的IP,生成的智能策略]。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~8中任一所述的方法。
14.一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211482677.4A CN115913979B (zh) | 2022-11-24 | 2022-11-24 | 一种全域网络拓扑处理方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211482677.4A CN115913979B (zh) | 2022-11-24 | 2022-11-24 | 一种全域网络拓扑处理方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115913979A true CN115913979A (zh) | 2023-04-04 |
CN115913979B CN115913979B (zh) | 2024-07-16 |
Family
ID=86492840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211482677.4A Active CN115913979B (zh) | 2022-11-24 | 2022-11-24 | 一种全域网络拓扑处理方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115913979B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116436844A (zh) * | 2023-06-13 | 2023-07-14 | 苏州浪潮智能科技有限公司 | 路由震荡的定位方法及装置、存储介质及电子设备 |
CN118114761A (zh) * | 2024-04-28 | 2024-05-31 | 国网冀北电力有限公司智能配电网中心 | 基于知识库的营配贯通数据处理方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140207967A1 (en) * | 2013-01-23 | 2014-07-24 | Adva Optical Networking Se | Method and Apparatus for Provisioning a Transport Service in a Multi-Domain Multi-Layer Network |
CN113780431A (zh) * | 2021-09-15 | 2021-12-10 | 杭州英视信息科技有限公司 | 基于神经网络技术的网络流量信息分析方法及系统 |
US20210392049A1 (en) * | 2020-06-15 | 2021-12-16 | Cisco Technology, Inc. | Machine-learning infused network topology generation and deployment |
-
2022
- 2022-11-24 CN CN202211482677.4A patent/CN115913979B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140207967A1 (en) * | 2013-01-23 | 2014-07-24 | Adva Optical Networking Se | Method and Apparatus for Provisioning a Transport Service in a Multi-Domain Multi-Layer Network |
US20210392049A1 (en) * | 2020-06-15 | 2021-12-16 | Cisco Technology, Inc. | Machine-learning infused network topology generation and deployment |
CN113780431A (zh) * | 2021-09-15 | 2021-12-10 | 杭州英视信息科技有限公司 | 基于神经网络技术的网络流量信息分析方法及系统 |
Non-Patent Citations (2)
Title |
---|
ZHU YANHONG等: "A knowledge graph based construction method for Digital Twin Network", 《2021 IEEE 1ST INTERNATIONAL CONFERENCE ON DIGITAL TWINS AND PARALLEL INTELLIGENCE (DTPI)》, 22 September 2021 (2021-09-22) * |
王敬宇等: "知识定义的意图网络自治", 《电信科学》, 20 September 2021 (2021-09-20) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116436844A (zh) * | 2023-06-13 | 2023-07-14 | 苏州浪潮智能科技有限公司 | 路由震荡的定位方法及装置、存储介质及电子设备 |
CN116436844B (zh) * | 2023-06-13 | 2023-09-08 | 苏州浪潮智能科技有限公司 | 路由震荡的定位方法及装置、存储介质及电子设备 |
CN118114761A (zh) * | 2024-04-28 | 2024-05-31 | 国网冀北电力有限公司智能配电网中心 | 基于知识库的营配贯通数据处理方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115913979B (zh) | 2024-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368888B (zh) | 基于深度动态贝叶斯网络的服务功能链故障诊断方法 | |
Jiang | Graph-based deep learning for communication networks: A survey | |
CN115913979A (zh) | 一种全域网络拓扑处理方法和设备 | |
CN113341712B (zh) | 无人机自主控制系统智能分层递阶控制选择方法 | |
CN115022937B (zh) | 拓扑特征提取方法和考虑拓扑特征的多边缘协作调度方法 | |
CN109903853B (zh) | 基于个体敏感度与大众媒体影响力的双层网络传播模型构建方法 | |
Zhan et al. | Dynamics of functional failures and recovery in complex road networks | |
CN113190939B (zh) | 基于多边形系数的大型稀疏复杂网络拓扑分析和简化方法 | |
CN113780470A (zh) | 一种基于自适应多通道交叉图卷积网络的图分类方法 | |
CN115396366A (zh) | 基于图注意力网络的分布式智能路由方法 | |
CN105306251B (zh) | 一种拟态网络拓扑变换的方法 | |
CN113228059A (zh) | 面向跨网络的表示学习算法 | |
Shuvro et al. | Transformer based traffic flow forecasting in SDN-VANET | |
CN113541986B (zh) | 5g切片的故障预测方法、装置及计算设备 | |
Mukhtar et al. | CCGN: Centralized collaborative graphical transformer multi-agent reinforcement learning for multi-intersection signal free-corridor | |
CN114070775A (zh) | 面向5g智能网联系统的区块链网络切片安全智能优化方法 | |
CN114051272A (zh) | 动态拓扑网络智能路由方法 | |
Hoang et al. | Lstm-based server and route selection in distributed and heterogeneous sdn network | |
Khedkar | A deep learning method for effective channel allotment for SDN based IoT | |
Modi et al. | Enhanced routing using recurrent neural networks in software defined‐data center network | |
Miao et al. | Simplification, merging and division of fuzzy cognitive maps | |
CN112801160A (zh) | 基于蜂窝图模型的无人机编队脆弱性分析方法及系统 | |
CN112615736A (zh) | 面向线性边缘网络的延迟最优分布式NNs协同优化方法 | |
CN106713136B (zh) | 一种基于堆结构扩张软件定义网络的方法 | |
Yang et al. | Virtual network function placement based on differentiated weight graph convolutional neural network and maximal weight matching |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |