CN116112379B - 一种数据中心多维业务共享设备的有向链路动态预测方法 - Google Patents

Abstract

本申请涉及一种数据中心多维业务共享设备的有向链路动态预测方法，包括以下具体步骤：计算第k维网络的Adamic‑Adar指标；计算第k维网络的业务流依赖指标；将所有维度所有时间采样的网络链接都被动态赋权；基于指数加权滑动平均法对节点对的链接建模设计预测模型；基于混合高斯模型建模含平滑系数α的期望、协方差的表达式；进行目标函数建模，建模约束条件；求出的最优解即为对应的平滑系数α的值；根据建立的预测模型对T+1时刻的网络迭代预测，输出预测结果。本申请有助于分析数据中心异构网络设备群在业务尺度上的关联，进而为数据中心实时业务自由调度、链路状态预测、网络拥塞、异常监测等应用的实现奠定基础。

Description

一种数据中心多维业务共享设备的有向链路动态预测方法

技术领域

本申请涉及复杂网络领域，具体涉及一种数据中心多维业务共享设备的有向链路动态预测方法。

背景技术

随着5G的迅速发展，新型电力系统也在向着高度数字化、智能化不断推进，“大云物移智链”等技术蕴藏着无穷的潜力与发展的可能，不断完善的5G落实至国家电网等企业生态，为产业的智能化升级与数字化转型提供不竭动力。5G的发展，使得传输高可靠低时延的业务成为可能，使得实时监控高清的数据中心设备状态系统成为可能，但面向新型电力系统的多维、海量数据，如何能够基于已有的历史数据适时作出预测，规避可能的风险，已然成为需要重点关注的问题。

发明内容

本申请实施例的目的在于提供一种数据中心多维业务共享设备的有向链路动态预测方法，提升系统的实时运维水平和风险预估能力。

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多维业务共享设备的有向链路动态预测方法，包括以下具体步骤：

步骤1：输入数据中心同一机房的网络设备数量N，假设第t时刻将第i台设备拟合为社交网络中的节点v_i,i＝1...N，若第i台设备和第j台设备之此时存在第k种业务交互，则代表节点v_i和节点v_j之间的连边不为零。将一段时间T内的社交网络参数设为G_t＝{V,E_t}(1≤t≤T),V＝(v₁,v₂,...v_N)，其中G_t代表网络的拓扑结构参数集，V代表节点集合，E_t代表节点间连边集合,

边集M代表链路的维度，/>代表在第k种业务维度下，节点v_i和节点v_j之间业务交互的权重，不同维度代表不同种类的业务流，在边集E_t中遍历所有维度为k的边，并找出这些边对应的节点，计算第k维网络的Adamic-Adar指标；

步骤2：根据不同业务流的语义信息计算第k维网络的业务流依赖指标；

步骤3：将上述的两种相似度结合在一起，计算第k维度下节点对(i,j)的动态权重并将节点对(i,j)的动态权重/>赋为链接/>的权重；重复步骤1-3直至所有维度所有时间采样的网络链接都被动态赋权；

步骤4：输入t＝1....T内的第k维网络的节点对的链接权重基于指数加权滑动平均法对节点对的链接建模设计预测模型，约束模型中平滑系数α的值满足：0<α<1，α的取值未知；

步骤5：将已有的历史链接权重数据划分为训练集和测试集，并假设训练集和测试集中的数据服从联合高斯分布，基于混合高斯模型建模含平滑系数α的期望、协方差的表达式；

步骤6：利用高斯混合模型中的均方误差作为损失函数进行目标函数建模，建模约束条件，上述问题化为一个优化问题，即求在约束范围内使得损失函数/>最小时对应的平滑系数α的值；

步骤7：采用最大超参数的对数似然函数算法来求解上述优化问题，求出的最优解即为对应的平滑系数α的值；

步骤8：考虑不同维度业务之间的依赖关系，根据建立的预测模型对T+1时刻的网络迭代预测，输出预测结果，即第T+1时刻的网络参数G_T+1＝{V,E_T+1}。

所述步骤1通过以下具体方式对网络结构的相似性进行描述：首先在边集E_t中遍历所有维度为k的边，并找出这些边对应的节点，对所有节点对(i,j)i＝1...N,j＝1...N分别计算在t时刻第k维对应的节点i,j的M阶邻居集合Γ_k(i,t)和Γ_k(j,t)，M阶邻居数定义为从节点i经过M+1跳到达其他节点并现存链路的节点集合,用Γ表示，求节点对(i,j)的共同邻居数，即Γ_k(i,t)∩Γ_k(j,t),求共同邻居集中所有的节点的近邻程度ω_k(t)：

利用下式计算第k维t时刻网络所有节点对的Adamic-Adar指标：

所述步骤2中根据不同业务流的语义信息定义不同层面业务之间的关联程度，这种程度用θ来表征，通过以下具体方式对业务关联特征的相似度进行描述：假设存在四种关联关系：①相互独立，互不干扰，此时业务关联因子θ＝0；②传递，即t时刻第k维网络对应的业务会在t+1时刻对第q维网络对应的业务产生单向影响，此时θ_k,q>1；③交互，即t时刻第k维网络对应的业务t+1时刻对第q维网络对应的业务产生影响，t+1时刻第q维网络对应的业务也会在t+2时刻对第k维网络对应的业务产生影响，即是一种双向的影响，此时0<θ_k,q<1；④回溯，t+1时刻第q维网络对应的业务也会在t+2时刻对第k维网络对应的业务产生影响，此时θ_k,q<0，根据t时刻两两业务的相对内存利用率和交互数据量占所有数据量的比率来确定θ值，并将θ值归一化到规定的区间内，从而得到业务k和业务q之间的依赖度θ_k,q。

所述步骤3通过下式将上述的两种相似度结合在一起，计算第k维度下节点对(i,j)的动态权重

所述步骤4中基于指数加权滑动平均法对节点对的链接预测模型设计如下式：

上式中，是T+1时刻的预测平均值，/>是T时刻的预测平均值，是T时刻的实际值，α为平滑系数，0<α<1，

而多个节点对之间的链接权重可以看作是一个多维的时间序列，那么T+1时刻的预测值可以按照下式进行计算：

上时两边同乘(1-α)并代入即可得到：

步骤6中的优化问题建模过程如下：

代表历史时刻网络拓扑，F(H)代表基于历史时刻预测的T+1时刻的网络拓扑，L(·)代表损失函数，以此来衡量真实值和预测值之间的差距，使用混合高斯模型来定量损失函数，从而预测链路动态权重。

与现有技术相比，本发明的有益效果是：

通过提取采样后的历史低时间分辨率的链路传输数据拓扑的结构特征和数据特征作为已有数据输入到预测模型中进行分析，通过Adamic-Adar指标表征各维度网络的结构特征，通过不同维业务流的语义信息表征各维度网络的数据特征，二者相结合来描述节点对的相似性，从而实现对于链接的动态赋权；这种方式有助于我们后续对于业务关联特征的进一步研究。

考虑利用高斯混合模型设计包含滑动系数α在内的损失函数，由于高斯回归模型作为一种能够应用至智能学习领域的统计类建模工具，具有高度的数据驱动性和清晰的可解释性，因此选用高斯模型为基础进行定量分析。基于GMM设计损失函数，并规划约束条件。如此形成一个优化问题，即以滑动系数为最优解，目标函数为损失函数最小的优化问题，这样建模的好处是有助于合理建模预测模型，模型的可解释性强、泛化性能好，相比依据经验为预测模型中的平滑系数赋值，无疑会提升预测模型的精确度和实时性。

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是本申请实施例方法的流程图。

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介绍本发明的具体实施方式为一种数据中心多维业务共享设备的有向链路动态预测方法，包括以下具体步骤：

步骤1：输入数据中心同一机房的网络设备数量N，假设第t时刻将第i台设备拟合为社交网络中的节点v_i,i＝1...N，若第i台设备和第j台设备之此时存在第k种业务交互，则代表节点v_i和节点v_j之间的连边不为零。将一段时间T内的社交网络参数设为G_t＝{V,E_t}(1≤t≤T),V＝(v₁,v₂,...v_N)，其中G_t代表网络的拓扑结构参数集，V代表节点集合，E_t代表节点间连边集合,

边集M代表链路的维度，不同维度代表不同种类的业务流，下面以M＝3为例进行说明。首先在边集E_t中遍历所有维度为k(k＝1,2,3)的边，并找出这些边对应的节点。计算第k维网络的Adamic-Adar指标,这一步骤是基于网络结构就节点对的相似性进行描述。

通过以下具体方式对网络结构的相似性进行描述：对所有节点对(i,j),i＝1...N,j＝1...N分别计算在t时刻第k维对应的节点i,j的M阶邻居集合Γ_k(i,t)和Γ_k(j,t)。M阶邻居数定义为从节点i经过M+1跳到达其他节点并现存链路的节点集合,用Γ表示。求节点对(i,j)的共同邻居数，即Γ_k(i,t)∩Γ_k(j,t),求共同邻居集中所有的节点的近邻程度ω_k(t)：

利用下式计算第k维t时刻网络所有节点对的Adamic-Adar指标：

步骤2：根据不同业务流的语义信息计算第k维网络的业务流依赖指标，这是基于业务流关联特征就节点对的相似度进行描述。

根据不同业务流的语义信息定义不同层面业务之间的关联程度，这种程度用θ来表征，通过以下具体方式对业务关联特征的相似度进行描述：假设存在四种关联关系：①相互独立，互不干扰，此时业务关联因子θ＝0；②传递，即t时刻第k维网络对应的业务(发送方)会在t+1时刻对第q维网络对应的业务(响应方)产生单向影响，此时θ_k,q>1；③交互，即t时刻第k维网络对应的业务(发送方)t+1时刻对第q维网络对应的业务(响应方)产生影响，t+1时刻第q维网络对应的业务(响应方)也会在t+2时刻对第k维网络对应的业务(发送方)产生影响，即是一种双向的影响，此时0<θ_k,q<1；④回溯，t+1时刻第q维网络对应的业务(响应方)也会在t+2时刻对第k维网络对应的业务(发送方)产生影响，此时θ_k,q<0。

假设目前考虑三种业务，名称分别为国网数据中心的“运营监测(控)信息支撑系统”(k＝1),“统一视频监控”(k＝2),“运维安全审计”(k＝3)。则从语义上看，第1，2种业务存在回溯关系，第2，3种业务存在传递关系，第1，3种业务存在交互关系。因此我们可以根据t时刻两两业务的相对内存利用率和交互数据量占所有数据量的比率来确定θ值，并将θ值归一化到规定的区间内，从而得到业务k和业务q之间的依赖度θ_k,q。

步骤3：将上述的两种相似度结合在一起，计算第k维度下节点对(i,j)的动态权重并将节点对(i,j)的动态权重/>赋为链接/>的权重。重复步骤1-3直至所有维度所有时间采样的网络链接都被动态赋权。

具体通过下式将上述的两种相似度结合在一起，计算第k维度下节点对(i,j)的动态权重

步骤4：输入t＝1....T内的第k维网络的节点对的链接权重基于指数加权滑动平均法对节点对的链接建模设计预测模型，约束模型中平滑系数α的值满足：0<α<1，α的取值未知。

基于指数加权滑动平均法对节点对的链接预测模型设计如下式：

上式中，是T+1时刻的预测平均值，/>是T时刻的预测平均值，是T时刻的实际值，α为平滑系数(0<α<1)。

而多个节点对之间的链接权重可以看作是一个多维的时间序列，那么T+1时刻的预测值可以按照下式进行计算：

由于

上式两边同乘(1-α)并代入即可得到：

因此只要从初始值进行迭代，就可以得到T+1时刻的预测值。但这个方法中，α的值待定。

步骤5：将已有的历史链接权重数据划分为训练集和测试集，并假设训练集和测试集中的数据服从联合高斯分布，基于混合高斯模型建模含平滑系数α的期望、协方差(核函数)的表达式。

将已有的历史链接权重数据划分为训练集和测试集，并假设训练集和测试集中的数据服从联合高斯分布，在训练集中，假设输入为历史已有的链路权重数据，即H＝(H(1),H(2),...H(p))∈R^T×p,其中T代表训练时间，p代表训练样本数。训练集中的标签为下一时刻的链路权重数据，即 我们的目标是当给定测试集的前T时刻链路权重/>时，求解下一时刻的流量值/>其中*代表测试集。假设训练集和测试集均服从联合高斯分布，那么有：

公式中 为协方差矩阵。/>式中t＝1....T表示采样的时间索引，m(t)表示训练集和测试集联合高斯分布的数学期望，Σ(t)表示训练集和测试集联合高斯分布的协方差。

使用周期核函数来表征其长期演化趋势，核函数表达式如下：

式中分别代表第v时刻和第u时刻的链路权重。λ_k为k维度下的周期长度，表示周期为日时采集的数据点数。

步骤6：利用高斯混合模型中的均方误差作为损失函数进行目标函数建模，建模约束条件。上述问题化为一个优化问题，即求在约束范围内使得损失函数/>最小时对应的平滑系数α的值。

优化问题建模过程如下：

代表历史时刻网络拓扑，F(H)代表基于历史时刻预测的T+1时刻的网络拓扑。L(·)代表损失函数，以此来衡量真实值和预测值之间的差距，本发明中使用混合高斯模型来定量损失函数，从而预测链路动态权重。

结合高斯模型的损失函数定义为：

优化函数总结如下：

步骤7：采用最大超参数的对数似然函数算法(EM算法)来求解上述优化问题，求出的最优解即为对应的平滑系数α的值。

即

j＝1,2,...T开始EM算法迭代：

前面E步(期望步)：计算L(G_T+1,F(H))的条件概率期望

后面M步(极大步)：将似然函数最大化，以得到新的参数∑(t_j+1)。

如果∑(t_j+1)已经收敛，则算法结束，否则继续进行E步和M步的迭代。求出最优的∑(t_j+1)，并计算对应的α。

步骤8：考虑不同维度业务之间的依赖关系，根据预测模型(67)对T+1时刻的网络迭代预测。输出预测结果，即第T+1时刻的网络参数G_T+1＝{V,E_T+1}。

相较于现有技术，本发明提出一种数据中心多维业务共享设备的有向链路动态预测方法。通过结构特征和数据特征结合来描述节点对的相似性，从而实现对于链接的动态赋权，Adamic-Adar指标表征各维度网络的结构特征，不同维业务流的语义信息表征各维度网络的数据特征；通过指数加权滑动平均法设计预测滑动系数α未知的预测模型；然后利用高斯混合模型(Gaussian Mixture Model，GMM)设计包含滑动系数α在内的损失函数，形成以滑动系数为最优解的损失函数最小的优化问题。最后通过最大超参数的对数似然算法来求解优化问题，得到最优的滑动系数α，并且将最优解代入到预测模型中进行迭代，预测出下一时刻的链路状态，有助于实现数据中心异构网络设备群在业务尺度上的关联，提升动态链路状态预测的精确度。

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)

1.一种数据中心多维业务共享设备的有向链路动态预测方法，其特征在于，包括以下具体步骤：

步骤1：输入数据中心同一机房的网络设备数量N，假设第t时刻将第i台设备拟合为社交网络中的节点v_i,i＝1...N，若第i台设备和第j台设备此时存在第k种业务交互，则代表节点v_i和节点v_j之间的连边不为零，将一段时间T内的社交网络参数设为G_t＝{V,E_t}(1≤t≤T),V＝(v₁,v₂,...v_N)，其中G_t代表网络的拓扑结构参数集，V代表节点集合，E_t代表节点间边集，

边集M代表链路的维度，/>代表在第k种业务维度下，节点v_i和节点v_j之间业务交互的权重，不同维度代表不同种类的业务流，在边集E_t中遍历所有维度为k的边，并找出这些边对应的节点，计算第k维网络的Adamic-Adar指标；

步骤2：根据不同业务流的语义信息计算第k维网络的业务流依赖指标；

步骤3：计算第k维度下节点对(i,j)的动态权重并将节点对(i,j)的动态权重赋为链接/>的权重；重复步骤1-3直至所有维度所有时间采样的网络链接都被动态赋权；

步骤4：输入t＝1....T内的第k维网络的节点对的链接权重基于指数加权滑动平均法对节点对的链接建模设计预测模型，约束模型中平滑系数α的值满足：0<α<1，α的取值未知；

步骤5：将已有的历史链接权重数据划分为训练集和测试集，并假设训练集和测试集中的数据服从联合高斯分布，基于混合高斯模型建模含平滑系数α的期望、协方差的表达式；

步骤6：利用混合高斯模型中的均方误差作为损失函数进行目标函数建模，目标函数建模转化为一个优化问题，优化问题即是求在约束范围内使得损失函数/>最小时对应的平滑系数α的值；

步骤7：采用最大超参数的对数似然函数算法来求解上述优化问题，求出的最优解即为对应的平滑系数α的值；

步骤8：考虑不同维度业务之间的依赖关系，根据建立的预测模型对T+1时刻的网络迭代预测，输出预测结果，即第T+1时刻的网络参数G_T+1＝{V,E_T+1}。