CN116016223B - 一种数据中心网络数据传输优化方法 - Google Patents

Abstract

本申请涉及一种数据中心网络数据传输优化方法，包括如下步骤：读取各设备在前n个周期中各个周期向控制中心传输的数据报文量；控制中心在调度周期内接收到的各设备的报文接收率，历史报文接收率序列；将历史报文接收率序列作为训练集，利用反向传播算法进行LSTM神经网络参数更新，进行数据中心设备传输规律学习模型的构建；将当前时刻t的各设备的报文接收率进行正态化变换，然后作为预测模型的输入，得到预测值；依据预测的各设备平均每条报文产生的间隔和调度周期长度的优化目标函数，找到最优的调度周期。本申请通过基于LSTM神经网络的学习模型来提取数据中心设备的传输规律；通过构建调度周期长度的优化目标，对调度周期进行了优化。

Description

一种数据中心网络数据传输优化方法

技术领域

本申请涉及网络优化领域，涉及一种数据中心网络数据传输优化方法。

背景技术

随着现代计算机技术的发展，社会的信息化程度在不断提高，很多高校、企业单位在运作过程中需要大量计算机和服务器来存储管理海量数据信息，这些计算机和服务器都存放在数据中心机房中。数据中心机房的正常运行需要动力环境的保证，如果机房的环境出现了巨大变化，就会影响到整个数据中心机房计算机的运行。

因此，需要将数据中心机房中服务器的运行状态数据和动环监测设备感知到的环境数据传输到控制中心。但对于数据中心中的各种设备，传输的数据量和频率不一致且不是一成不变的，传输需求也会因此产生变化，由此导致固定的调度周期难以满足设备的传输需求。

发明内容

本申请实施例的目的在于提供一种数据中心网络数据传输优化方法，通过LSTM神经网络的学习模型来提取数据中心设备的传输规律，然后构建了调度周期长度的优化目标，以此找到最优的调度周期来匹配设备的传输需求，实现在恰好满足设备传输需求的同时减少多余的数据传输量，避免不必要的开销。

为实现上述目的，本申请提供如下技术方案：

本申请实施例提供一种数据中心网络数据传输优化方法，包括如下步骤：

步骤1：在数据中心网络中，控制中心接收到各设备的数据报文，将各设备的报文数量记为N_i，初始调度周期为T_s,读取各设备在前n个周期中各个周期向控制中心传输的数据报文量，记为N_n,i；

步骤2：控制中心在调度周期内接收到的各设备的报文接收率为λ_n,i，历史报文接收率序列D_i＝{λ_1,i,λ_2,i,…,λ_n,i}；

步骤3：将D_i作为训练集，利用反向传播算法进行LSTM神经网络参数更新，进行数据中心设备传输规律学习模型的构建；

步骤4：将当前时刻t的各设备的报文接收率进行正态化变换，然后作为预测模型的输入，得到t+1时刻的预测值，然后反正态化变换得到t+1时刻的报文接收率λ_t+1,i和平均每条报文产生的间隔I_t+1,i；

步骤5：依据预测的各设备平均每条报文产生的间隔I_t+1,i和调度周期长度的优化目标函数，找到最优的调度周期T_f。

所述步骤3中，对于数据中心网络中设备传输规律学习模型的构建具体为，

报文的接收率为N_n,i表示第i个设备在第n个周期向控制中心传输的数据报文量，T_s表示调度周期的时间长度，

对于训练集D_i，为了防止在学习时神经元饱和，需要采用对数变换实现序列数据正态化：

y_n,i＝f(λ_n,i)＝ln(λ_n,i-min(λ_n,i)+1)

其中，min(λ_n,i)是历史报文接收率序列D_i中的最小值，

使用LSTM神经网络进行预测:

计算预测值与真实值的误差：

利用反向传播算法对LSTM神经网络参数进行训练，以此得到最终的传输规律学习模型。

所述步骤5中求得最优的调度周期具体为，：

调度周期长度的优化目标：

其中，L_i是设备i的数据包传输时间长度，m是数据中心设备的数量，是单位时间内为设备i分配的传输次数与所需传输次数的差值，

其中，I_i是预测出的下一个周期的设备i的报文产生间隔，T_f是所要求的最优调度周期，k₁表示当设备i产生的报文间隔小于调度周期T_f时，在一个调度周期内可设置的发送次数；k₂表示当设备i产生的报文间隔大于调度周期T_f时，在k₂个调度周期T_f中发送一次，

将T_f赋值为min{I_i}，按照一定步长从min{I_i}搜索到max{I_i}，并记录每一次的使/>最小的T_f作为最优调度周期。

与现有技术相比，本发明的有益效果是：

1.针对数据中心网络中设备传输需求的差异性和动态变化性，通过LSTM神经网络的学习模型来提取数据中心设备的传输规律，以此预测控制中心对数据中心网络各设备的报文接收率；

2.为避免不必要的开销，实现设备数据的周期性和规律性传输，构建了调度周期长度的优化目标，对调度周期进行了优化，以此实现了在减少多余的数据传输量传输的同时，满足了各个设备的传输需求。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是本申请实施例基于LSTM的报文接收率预测示意图；

图2是本申请实施例方法的具体流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

下面结合图1和图2，介绍本发明的具体实施方式为一种数据中心网络数据传输优化方法，包括以下具体步骤：

步骤1：数据中心网络中有m个设备，每个设备向控制中心发送的数据报文量为N_i，初始调度周期为T_s，读取各设备在前n个周期中各个周期内向控制中心传输的数据报文量，记为N_n,i；

步骤2：计算各设备在各调度周期内的报文接收率λ_n,i，组成历史报文接收序列D_i＝{λ_1,i,λ_2,i,…,λ_n,i}；

其中λ_n,i表示在第n个调度周期中控制中心对设备i的报文接收率，N_n,i表示第i个设备在第n个周期向控制中心传输的数据报文量，T_s表示调度周期的时间长度。

步骤3：将D_i作为训练集，为了防止在学习时神经元饱和，采用对数变换实现序列数据正态化：

y_n,i＝f(λ_n,i)＝ln(λ_n,i-min(λ_n,i)+1)

其中，min(λ_n,i)是历史报文接收率序列D_i中的最小值。

使用LSTM神经网络进行预测：

其中，代表通过神经网络预测出的控制中心对设备i的报文接收率；

计算预测值与真实值的误差：

利用反向传播算法对LSTM神经网络参数进行训练，以此得到最终的传输规律学习模型。

步骤4：将当前时刻t的各设备的报文接收率进行正态化变换：

y_t,i＝f(λ_t,i)＝ln(λ_t,i-min(λ_n,i)+1)

然后将y_t,i作为预测模型的输入，得到各设备t+1时刻的预测值

然后反正态化变换得到t+1时刻的报文接收率λ_t+1,i和平均每条报文产生的间隔I_t+1,i；

步骤5：调度周期长度的优化目标函数构建为：

其中，L_i是设备i的数据包传输时间长度，m是数据中心设备的数量，是单位时间内为设备i分配的传输次数与所需传输次数的差值。

其中，I_i是预测出的下一个周期的设备i的报文产生间隔，T_f是所要求的最优调度周期，k₁表示当设备i产生的报文间隔小于调度周期T_f时，在一个调度周期内可设置的发送次数；k₂表示当设备i产生的报文间隔大于调度周期T_f时，在k₂个调度周期T_f中发送一次。

将T_f赋值为min{I_i}，按照步长a从min{I_i}搜索到max{I_i}，并记录每一次的使/>最小的T_f作为最优调度周期。

相较于现有技术，本发明提出一种数据中心网络数据传输优化方法。针对数据中心网络中设备传输需求的差异性和动态变化性，通过LSTM神经网络的学习模型来提取数据中心设备的传输规律，以此预测控制中心对数据中心网络各设备的报文接收率；为避免不必要的开销，实现设备数据的周期性和规律性传输，构建了调度周期长度的优化目标，对调度周期进行了优化，以此实现了在减少多余的数据传输量传输的同时，满足了各个设备的传输需求。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (1)

1.一种数据中心网络数据传输优化方法，其特征在于，包括如下步骤：

步骤1：在数据中心网络中，控制中心接收到各设备的数据报文，将各设备的报文数量记为N_i，初始调度周期为T_s,读取各设备在前n个周期中各个周期向控制中心传输的数据报文量，记为N_n,i；

步骤2：控制中心在调度周期内接收到的各设备的报文接收率为λ_n,i，历史报文接收率序列D_i＝{λ_1,i,λ_2,i,…,λ_n,i}；

步骤3：将D_i作为训练集，利用反向传播算法进行LSTM神经网络参数更新，进行数据中心设备传输规律学习模型的构建；

步骤4：将当前时刻t的各设备的报文接收率进行正态化变换，然后作为预测模型的输入，得到t+1时刻的预测值，然后反正态化变换得到t+1时刻的报文接收率λ_t+1,i和平均每条报文产生的间隔I_t+1,i；

步骤5：依据预测的各设备平均每条报文产生的间隔I_t+1,i和调度周期长度的优化目标函数，找到最优的调度周期T_f；

所述步骤3中，对于数据中心网络中设备传输规律学习模型的构建具体为，

报文的接收率为N_n,i表示第i个设备在第n个周期向控制中心传输的数据报文量，T_s表示调度周期的时间长度，

对于训练集D_i，为了防止在学习时神经元饱和，需要采用对数变换实现序列数据正态化：

y_n,i＝f(λ_n,i)＝ln(λ_n,i-min(λ_n,i)+1)

其中，min(λ_n,i)是历史报文接收率序列D_i中的最小值，

使用LSTM神经网络进行预测:

计算预测值与真实值的误差：

利用反向传播算法对LSTM神经网络参数进行训练，以此得到最终的传输规律学习模型；

所述步骤5中求得最优的调度周期具体为：

调度周期长度的优化目标：

其中，L_i是设备i的数据包传输时间长度，m是数据中心设备的数量，是单位时间内为设备i分配的传输次数与所需传输次数的差值，

其中，I_i是预测出的下一个周期的设备i的报文产生间隔，T_f是所要求的最优调度周期，k₁表示当设备i产生的报文间隔小于调度周期T_f时，在一个调度周期内可设置的发送次数；k₂表示当设备i产生的报文间隔大于调度周期T_f时，在k₂个调度周期T_f中发送一次，

将T_f赋值为min{I_i}，按照一定步长从min{I_i}搜索到max{I_i}，并记录每一次的使最小的T_f作为最优调度周期。