CN116192666A - 一种基于时空相关的网络节点和链路剩余资源预测方法 - Google Patents

一种基于时空相关的网络节点和链路剩余资源预测方法 Download PDF

Info

Publication number
CN116192666A
CN116192666A CN202310094945.3A CN202310094945A CN116192666A CN 116192666 A CN116192666 A CN 116192666A CN 202310094945 A CN202310094945 A CN 202310094945A CN 116192666 A CN116192666 A CN 116192666A
Authority
CN
China
Prior art keywords
node
link
network
characteristic
gru
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
Application number
CN202310094945.3A
Other languages
English (en)
Inventor
杨帆
赖佳洪
宋文超
任亚欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202310094945.3A priority Critical patent/CN116192666A/zh
Publication of CN116192666A publication Critical patent/CN116192666A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于时空相关的网络节点和链路剩余资源预测方法，根据网络节点以及节点之间链路的拓扑关系，构建网络拓扑的节点链路连接图；通过节点链路连接图构建了节点链路邻接矩阵，综合考虑网络中节点和链路之间的相关性；通过利用图卷积网络GCN与门控循环单元GRU，根据Seq2Seq模型结构，构成改进型的S‑GRU神经网络模型；通过训练改进型的S‑GRU神经网络模型，利用图卷积网络GCN学习了数据特征的空间特性，利用门控循环单元GRU学习了数据特征的时间特性，有助于获得更高的预测精度，利用Seq2Seq模型结构，提升了多步预测的预测精度。本发明与现有技术相比，挖掘到的数据特征的特性更加全面，实现了更精确的预测。

Description

一种基于时空相关的网络节点和链路剩余资源预测方法
技术领域
本发明属于网络通信技术领域，具体涉及一种基于时空相关的网络节点和链路剩余资源预测方法，可用于网络功能虚拟化(Network Function Virtualization，NFV)场景下的资源分配。
背景技术
NFV利用通用硬件及虚拟化技术完成了虚拟网络功能(Virtual NetworkFunction,VNF)的软件化部署，能够在满足不同业务需求的同时降低运营商的基础设施建设成本，实现网络功能的弹性部署。预测网络节点和链路的剩余资源，可以帮助服务提供商高效地利用网络资源灵活地部署VNF。
所述网络节点和链路剩余资源预测，是指在给定网络拓扑、各节点历史剩余资源数据和各链路历史剩余资源数据的情况下，学习各节点之间、各链路之间以及节点和链路之间剩余资源数据的关联关系，预测各节点和链路未来一段时间内剩余资源的过程。网络中各节点和链路的剩余资源变化有一定规律，且会受到相邻节点和链路上剩余资源的影响。由于网络拓扑的复杂性和网络剩余资源变化的高度非线性，传统方法难以预测网络剩余资源。目前，国内外常用的预测方法主要包括两大类：基于统计分析的方法和基于机器学习的方法，其中：
基于统计分析的方法的代表方法是整合移动平均自回归模型ARIMA及其变体。然而这种模型受到时间序列平稳性假设的限制，在网络节点和链路剩余资源预测中，难以有效获取动态变化的数据特征。循环神经网络RNN是基于机器学习的方法中的代表，其中的长短时记忆LSTM神经网络和门控循环单元GRU解决了传统RNN的梯度消失问题，在解决预测问题时得到广泛应用。
Fenglei Yu等人在论文Neural Network-Based Traffic Prediction Modelwith Adaptive Spatial-Temporal Analysis in NFV Networks//2021IEEE 21stInternational Conference on Communication Technology(ICCT),2021,pp.502-507中不仅利用长短时记忆LSTM神经网络捕捉数据的时间相关性，还根据链路之间的距离和特征序列的皮尔逊相关系数计算了数据的空间相关性。但这种方式难以充分捕捉节点和链路之间复杂的动态相关性，难以准确预测。J.Zhang等人在论文Flow Prediction in Spatio-Temporal Networks Based on Multitask Deep Learning,"in IEEE Transactions onKnowledge and Data Engineering,vol.32,no.3,pp.468-478,1March 2020中利用三流全卷积网络3S-FCN捕捉数据的时间相关性和空间相关性，同时利用多任务框架综合考虑了网络中的顶点和边的数据特征。但卷积网络难以在有复杂拓扑结构的网络中工作，无法充分捕捉拓扑的空间相关性，预测精度不足。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于时空相关的网络节点和链路剩余资源预测方法。本发明要解决的技术问题通过以下技术方案实现：
本发明提供了一种基于时空相关的网络节点和链路剩余资源预测方法包括：
S1：根据网络节点以及节点之间链路的拓扑关系，构建网络拓扑的节点链路连接图G；
S2：根据所述节点链路连接图，获得节点链路邻接矩阵A；
S3：通过从网络节点以及链路获取各类资源的剩余量，构建训练集Xtrain以及测试集Xtest；其中，所述训练集Xtrain包括节点特征训练集
Figure BDA0004085552810000021
以及链路特征训练集/>
Figure BDA0004085552810000022
所述测试集Xtest包括节点特征测试集/>
Figure BDA0004085552810000023
以及链路特征测试集/>
Figure BDA0004085552810000024
S4：构建改进型S-GRU神经网络模型；
S5：利用所述训练集Xtrain和节点链路邻接矩阵A对改进型S-GRU神经网络模型进行训练，得到训练好的改进型S-GRU神经网络模型；
S6：将所述测试集Xtest和节点链路邻接矩阵A输入训练好的改进型S-GRU神经网络模型，得到网络中节点和链路剩余资源的预测值。
本发明的有益效果：
1、本发明利用图卷积网络GCN与门控循环单元GRU构成的空间门控循环单元S-GRU，不仅利用图卷积网络GCN学习了数据特征的空间特性，而且利用门控循环单元GRU学习了数据特征的时间特性。与现有技术相比，挖掘到的数据特征的特性更加全面，有助于获得更高的预测精度；
2、本发明通过综合考虑网络中的节点和链路，构建了节点链路连接图，获得了节点链路邻接矩阵A，利用S-GRU神经网络根据节点链路邻接矩阵A捕获节点和链路剩余资源之间的相关性，有效提升了预测精度；同时，根据Seq2Seq模型结构，构建改进型S-GRU神经网络模型，提升了多步预测的预测精度。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例中提供的基于时空相关的网络节点和链路剩余资源预测方法流程示意图；
图2是本发明实施例中提供的构建网络拓扑的节点链路连接图G的示意图；
图3是本发明实施例中提供的空间门控循环单元S-GRU的结构图；
图4是本发明实施例中提供的改进型S-GRU神经网络模型图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
参见图1，图1是本发明实施例中提供的基于时空相关的网络节点和链路剩余资源预测方法流程示意图，具体包括以下步骤：
S1：根据网络节点以及节点之间链路的拓扑关系，构建网络拓扑的节点链路连接图G；
参见图2，图2是本发明实施例中提供的构建网络拓扑的节点链路连接图G的示意图，本步骤的实现如下：
S1.1：所述网络拓扑由节点和链路组成，根据网络节点以及节点之间链路的拓扑关系，将网络拓扑中的每个节点定义为nodei；其中i∈{1,2,…,N}，N表示节点数量，将网络拓扑中的每条链路定义为linkk，其中k∈{1，2，...，L}，L表示链路数量；
本实施例中，网络拓扑中有4个节点和5条链路，分别定义为node1，node2，…，node4和link1，link2，…，link5。
S1.2：将网络拓扑的节点和链路转化成顶点vm，m∈{1，2，...，N+L}，其中前N个顶点v1，v2，...，vN表示网络拓扑的节点，后L个顶点vN+1，vN+2，...，vN+L表示网络拓扑的链路。
S1.3：若网络拓扑中第i个节点nodei与第j个节点nodej之间有链路连接，将顶点vi和vj相连得到边ei，j，j∈{1，2，...，N}。
S1.4：若网络拓扑中第k个链路linkk与第l个链路linkl经过同一个节点，将顶点vN+k和vN+l相连得到边eN+k，N+l，l∈{1，2，...，L}。
S1.5：若网络拓扑中第i个节点nodei与第k个链路linkk相连，将顶点vi和vN+k相连得到边ei，N+k。
S1.6：顶点vm和边em，n组成节点链路连接图G。
S2：根据所述节点链路连接图G，获得节点链路邻接矩阵A。
S2.1：用am，n表示节点链路连接图G中第m个顶点vm与第n个节点vn的连接关系，n∈{1，2，...，N+L}，am，n＝0表示不相连，am，n＝1表示相连，即存在边em，n。
S2.2：根据图G的顶点连接关系am，n，获得维度(N+L)×(N+L)的节点链路邻接矩阵A：
Figure BDA0004085552810000041
参见图2，本实施例中的节点链路邻接矩阵维度为9×9，表示为：
Figure BDA0004085552810000051
S3：通过从网络节点以及链路获取各类资源的剩余量，构建训练集Xtrain以及测试集Xtest；其中，所述训练集Xtrain包括节点特征训练集
Figure BDA0004085552810000052
以及链路特征训练集/>
Figure BDA0004085552810000053
所述测试集Xtest包括节点特征测试集/>
Figure BDA0004085552810000054
以及链路特征测试集/>
Figure BDA0004085552810000055
S3.1：通过从网络节点以及链路获取各类资源的剩余量，构建节点特征矩阵Xnode和链路特征矩阵Xlink；
S3.1.1：在时刻t，获取网络拓扑中每个节点上各个种类资源的剩余量
Figure BDA0004085552810000056
其中/>
Figure BDA0004085552810000057
N表示节点数量，P表示节点上的资源种类数，节点特征矩阵
Figure BDA0004085552810000058
T表示数据样本的时刻总数；
本实施例中，节点数量为4，节点上的资源包括计算资源CPU和存储资源内存，资源种类数为2。
S3.1.2：在时刻t，获取网络拓扑中每条链路上各个种类资源的剩余量
Figure BDA0004085552810000059
其中
Figure BDA00040855528100000510
L表示链路数量，Q表示链路上的资源种类数，链路特征矩阵
Figure BDA00040855528100000511
T表示数据样本的时刻总数。
本实施例中，链路数量为5，链路上的资源包括两个方向的传送资源带宽，资源种类数为2。
S3.2：根据所述节点特征矩阵Xnode得到节点特征训练集
Figure BDA00040855528100000512
和节点特征测试集
Figure BDA00040855528100000513
S3.2.1：对节点特征矩阵Xnode进行归一化处理，得到归一化的节点特征矩阵
Figure BDA00040855528100000514
对链路特征矩阵Xlink进行归一化处理，得到归一化的链路特征矩阵/>
Figure BDA00040855528100000515
在本实施例中，通过最大最小归一化方法对特征值进行归一化处理，最大最小归一化的公式如下：
Figure BDA0004085552810000061
其中，
Figure BDA0004085552810000062
表示归一化特征值，x表示特征值，xmax和xmin分别表示特征值中的最大值和最小值。
S3.2.2：将所述归一化的节点特征矩阵
Figure BDA0004085552810000063
按照一定比例分割为节点特征训练集/>
Figure BDA0004085552810000064
和节点特征测试集/>
Figure BDA0004085552810000065
将所述归一化的链路特征矩阵/>
Figure BDA0004085552810000066
按照一定比例分割为链路特征训练集/>
Figure BDA0004085552810000067
和链路特征测试集/>
Figure BDA0004085552810000068
在本实施例中，按照4∶1的比例分割为训练集和测试集。
S3.3：根据所述节点特征训练集
Figure BDA0004085552810000069
和链路特征训练集/>
Figure BDA00040855528100000610
得到训练集Xtrain，根据所述节点特征测试集/>
Figure BDA00040855528100000611
和链路特征测试集/>
Figure BDA00040855528100000612
得到测试集Xtest。
S3.3.1：将所述节点特征训练集
Figure BDA00040855528100000613
和链路特征训练集/>
Figure BDA00040855528100000614
合并，得到训练集Xtrain；
S3.3.2：将所述节点特征测试集
Figure BDA00040855528100000615
和链路特征测试集/>
Figure BDA00040855528100000616
合并，得到测试集Xtest。
S4：构建改进型S-GRU神经网络模型。
S4.1：将图卷积网络GCN与门控循环单元GRU级联，得到空间门控循环单元S-GRU神经元，参见图3，图3是本发明实施例中提供的空间门控循环单元S-GRU的结构图，其中：
所述图卷积网络GCN通过对输入的特征矩阵X和邻接矩阵A进行图卷积运算
Figure BDA00040855528100000617
得到空间特征信息，并将空间特征信息/>
Figure BDA00040855528100000618
输入到门控循环单元GRU，作为门控循环单元GRU的输入；/>
Figure BDA00040855528100000619
是添加了自连接的邻接矩阵，I是单位矩阵，/>
Figure BDA00040855528100000620
是度矩阵，/>
Figure BDA00040855528100000621
θ是权重参数，ReLU(·)是激活函数；
所述门控循环单元GRU包括复位门rt和更新门zt；所述门控循环单元GRU通过tanh(·)函数对输入的特征矩阵
Figure BDA00040855528100000622
和隐含层历史状态信息ht-1做非线性化处理
Figure BDA00040855528100000623
得到候选隐含层状态/>
Figure BDA00040855528100000624
其中/>
Figure BDA0004085552810000071
分别表示候选隐含层状态/>
Figure BDA0004085552810000072
与空间特征信息/>
Figure BDA0004085552810000073
和隐含层历史状态信息ht-1之间的权重参数；
所述复位门
Figure BDA0004085552810000074
决定忽略多少历史状态信息，其中σ是非线性激活函数，/>
Figure BDA0004085552810000075
Whr分别表示复位门rt与空间特征信息/>
Figure BDA0004085552810000076
和隐含层历史状态信息ht-1之间的权重参数；所述更新门zt＝σ(Wxzxt+Whzht-1)决定保留多少历史状态信息，其中Wxz、Whz分别表示更新门zt与输入数据/>
Figure BDA0004085552810000077
和隐含层历史状态信息ht-1之间的权重参数；
根据所述候选隐含层状态信息
Figure BDA0004085552810000078
和更新门zt的线性组合可以得到隐含层状态信息/>
Figure BDA0004085552810000079
状态信息ht是门控循环单元GRU的输出；
S4.2：以空间门控循环单元S-GRU神经元为基础，根据Seq2Seq模型结构，构建改进型S-GRU神经网络模型，参见图4，图4是本发明实施例中提供的改进型S-GRU神经网络模型图。
S4.2.1：构建一个包括一个输入层、若干隐含层和一个输出层的普通RNN，各层之间依次连接，用于传输数据。
S4.2.2：将普通RNN中隐含层神经元替换为所述S-GRU神经元，得到一个S-GRU神经网络，其中的所有隐含层作为所述Seq2Seq模型结构中的编码器(encoder)结构，用于捕获输入数据的特征。
S4.2.3：在S-GRU神经网络的基础上，在编码器最后一层与输出层之间加入若干隐含层，将隐含层神经元替换为所述S-GRU神经元，作为所述Seq2Seq模型结构中的译码器(decoder)结构；
S4.2.4：根据编码器捕捉到的输入数据的特征，利用译码器计算预测值，并将译码器的输出传送给输出层，得到改进型S-GRU神经网络模型。
S5：利用所述训练集Xtrain和节点链路邻接矩阵A对改进型S-GRU神经网络模型进行训练，得到训练好的改进型S-GRU神经网络模型。
S5.1：将所述训练集Xtrain和节点链路邻接矩阵A输入所述改进型S-GRU神经网络模型的输入层，经过编码器(encoder)结构的计算，得到编码器最后一层的输出；
S5.2：将节点链路邻接矩阵A、所述编码器最后一层的输出和训练集Xtrain最后一个时刻的特征值作为译码器(decoder)结构的输入，经过译码器和输出层的计算，得到改进型S-GRU神经网络模型的输出层结果；
S5.3：利用所述改进型S-GRU神经网络模型的输出层结果与预期的真实特征值计算损失函数值，调整神经网络模型的权重，对其进行训练，得到训练好的改进型S-GRU神经网络模型。
在本实施例中，定义损失函数
Figure BDA0004085552810000081
其中/>
Figure BDA0004085552810000082
为预测值，Y为实际值，Lreg为有助于避免过拟合的L2正则化项，λ是超参数。
S6：将所述测试集Xtest和节点链路邻接矩阵A输入训练好的改进型S-GRU神经网络模型，得到网络中节点和链路剩余资源的预测值。
S6.1将所述测试集Xtest和节点链路邻接矩阵A输入所述训练好的改进型S-GRU神经网络模型的输入层，经过编码器(encoder)结构的计算，得到编码器最后一层的输出；
S6.2：将节点链路邻接矩阵A、所述编码器最后一层的输出和测试集Xtest最后一个时刻的特征值作为译码器(decoder)结构的输入，经过译码器和输出层的计算，得到网络中节点和链路剩余资源的预测值。
值得说明的是，本发明中的测试集可以为需要预测的节点和链路的剩余资源数据集合，在训练结束之后，将所有节点和链路的历史剩余资源输入训练好的模型中，预测所有节点和链路的剩余资源；或者使用训练好的模型，部署在服务器上，通过输入所有节点和链路的历史剩余资源，预测该网络拓扑中所有节点和链路的剩余资源。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示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一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，包括：
S1：根据网络节点以及节点之间链路的拓扑关系，构建网络拓扑的节点链路连接图G；
S2：根据所述节点链路连接图，获得节点链路邻接矩阵A；
S3：通过从网络节点以及链路获取各类资源的剩余量，构建训练集Xtrain以及测试集Xtest；其中，所述训练集Xtrain包括节点特征训练集
Figure FDA0004085552800000011
以及链路特征训练集/>
Figure FDA0004085552800000012
所述测试集Xtest包括节点特征测试集/>
Figure FDA0004085552800000013
以及链路特征测试集/>
Figure FDA0004085552800000014
S4：构建改进型S-GRU神经网络模型；
S5：利用所述训练集Xtrain和节点链路邻接矩阵A对改进型S-GRU神经网络模型进行训练，得到训练好的改进型S-GRU神经网络模型；
S6：将所述测试集Xtest和节点链路邻接矩阵A输入训练好的改进型S-GRU神经网络模型，得到网络中节点和链路剩余资源的预测值。
2.根据权利要求1所述的一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，S1包括：
S1.1：根据网络节点以及节点之间链路的拓扑关系，将网络拓扑中的每个节点定义为nodei；其中i∈{1,2,…,N}，N表示节点数量，将网络拓扑中的每条链路定义为linkk，其中k∈{1,2,…,L}，L表示链路数量；
S1.2：将网络拓扑的节点和链路转化成顶点vm,m∈{1,2,…,N+L}，其中前N个顶点v1,v2,…,vn表示网络拓扑的节点，后L个顶点vN+1,vN+2,…,vN+L表示网络拓扑的链路；
S1.3：若网络拓扑中第i个节点nodei与第j个节点nodej之间有链路连接，将顶点vi和vj相连得到边ei,j，j∈{1,2,…,N}；
S1.4：若网络拓扑中第k个链路linkk与第l个链路linkl经过同一个节点，将顶点vN+k和vN+l相连得到边eN+k,N+l，l∈{1,2,…,L}；
S1.5：若网络拓扑中第i个节点nodei与第k个链路linkk相连，将顶点vi和vN+k相连得到边ei,N+k；
S1.6：顶点vm和边em,n组成节点链路连接图G。
3.根据权利要求2所述的一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，S2包括：
S2.1：用am,n表示节点链路连接图G中第m个顶点vm与第n个节点vn的连接关系；n∈{1,2,…,N+L}，am,n＝0表示不相连，am,n＝1表示相连，则存在边em,n；
S2.2：根据图G的顶点连接关系am,n，获得维度(N+L)×(N+L)的节点链路邻接矩阵A：
Figure FDA0004085552800000021
4.根据权利要求1所述的一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，S3包括：
S3.1：通过从网络节点以及链路获取各类资源的剩余量，构建节点特征矩阵Xnode和链路特征矩阵Xlink；
S3.2：根据所述节点特征矩阵Xnode得到节点特征训练集
Figure FDA0004085552800000022
和节点特征测试集
Figure FDA0004085552800000023
根据所述链路特征矩阵Xlink得到链路特征训练集/>
Figure FDA0004085552800000024
和链路特征测试集/>
Figure FDA0004085552800000025
S3.3：根据所述节点特征训练集
Figure FDA0004085552800000026
和链路特征训练集/>
Figure FDA0004085552800000027
得到训练集Xtrain，根据所述节点特征测试集/>
Figure FDA0004085552800000028
和链路特征测试集/>
Figure FDA0004085552800000029
得到测试集Xtest。
5.根据权利要求4所述的一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，S3.1包括：
S3.1.1：在时刻t，获取网络拓扑中每个节点上各个种类资源的剩余量
Figure FDA00040855528000000210
其中
Figure FDA00040855528000000211
N表示节点数量，P表示节点上的资源种类数，节点特征矩阵
Figure FDA0004085552800000031
T表示数据样本的时刻总数；
S3.1.2：在时刻t，获取网络拓扑中每条链路上各个种类资源的剩余量
Figure FDA0004085552800000032
其中
Figure FDA0004085552800000033
L表示链路数量，Q表示链路上的资源种类数，链路特征矩阵
Figure FDA0004085552800000034
T表示数据样本的时刻总数。
6.根据权利要求4所述的一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，
S3.2包括：
S3.2.1：对节点特征矩阵Xnode进行归一化处理，得到归一化的节点特征矩阵
Figure FDA0004085552800000035
对链路特征矩阵Xlink进行归一化处理，得到归一化的链路特征矩阵/>
Figure FDA0004085552800000036
S3.2.2：将所述归一化的节点特征矩阵
Figure FDA0004085552800000037
按照一定比例分割为节点特征训练集
Figure FDA0004085552800000038
和节点特征测试集/>
Figure FDA0004085552800000039
将所述归一化的链路特征矩阵/>
Figure FDA00040855528000000310
按照一定比例分割为链路特征训练集/>
Figure FDA00040855528000000311
和链路特征测试集/>
Figure FDA00040855528000000312
S3.3包括：
S3.3.1：将所述节点特征训练集
Figure FDA00040855528000000313
和链路特征训练集/>
Figure FDA00040855528000000314
合并，得到训练集Xtrain；
S3.3.2：将所述节点特征测试集
Figure FDA00040855528000000315
和链路特征测试集/>
Figure FDA00040855528000000316
合并，得到测试集Xtest。
7.根据权利要求1所述的一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，S4包括：
S4.1：将图卷积网络GCN与门控循环单元GRU级联，得到空间门控循环单元S-GRU神经元；
所述图卷积网络GCN通过对输入的特征矩阵X和邻接矩阵A进行图卷积运算
Figure FDA00040855528000000317
得到空间特征信息，并将空间特征信息/>
Figure FDA00040855528000000318
输入到门控循环单元GRU，作为门控循环单元GRU的输入；/>
Figure FDA00040855528000000319
是添加了自连接的邻接矩阵，I是单位矩阵，/>
Figure FDA00040855528000000320
是度矩阵，/>
Figure FDA00040855528000000321
θ是权重参数，ReLU(·)是激活函数；
所述门控循环单元GRU包括复位门rt和更新门zt；所述门控循环单元GRU通过tanh(·)函数对输入的特征矩阵
Figure FDA0004085552800000041
和隐含层历史状态信息ht-1做非线性化处理
Figure FDA0004085552800000042
得到候选隐含层状态/>
Figure FDA0004085552800000043
其中/>
Figure FDA0004085552800000044
分别表示候选隐含层状态/>
Figure FDA0004085552800000045
与空间特征信息/>
Figure FDA0004085552800000046
和隐含层历史状态信息ht-1之间的权重参数；
所述复位门
Figure FDA0004085552800000047
决定忽略多少历史状态信息，其中σ是非线性激活函数，/>
Figure FDA0004085552800000048
Whr分别表示复位门rt与空间特征信息/>
Figure FDA0004085552800000049
和隐含层历史状态信息ht-1之间的权重参数；所述更新门zt＝σ(Wxzxt+Whzht-1)决定保留多少历史状态信息，其中Wxz、Whz分别表示更新门zt与输入数据/>
Figure FDA00040855528000000410
和隐含层历史状态信息ht-1之间的权重参数；
根据所述候选隐含层状态信息
Figure FDA00040855528000000411
和更新门zt的线性组合可以得到隐含层状态信息
Figure FDA00040855528000000412
状态信息ht是门控循环单元GRU的输出；
S4.2：以空间门控循环单元S-GRU神经元为基础，根据Seq2Seq模型结构，构建改进型S-GRU神经网络模型。
8.根据权利要求7所述的一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，S4.2包括：
S4.2.1：构建一个包括一个输入层、若干隐含层和一个输出层的RNN，各层之间依次连接，用于传输数据；
S4.2.2：将RNN中隐含层神经元替换为所述S-GRU神经元，得到一个S-GRU神经网络，其中的所有隐含层作为所述Seq2Seq模型结构中的编码器结构，用于捕获输入数据的特征；
S4.2.3：在S-GRU神经网络的基础上，在编码器最后一层与输出层之间加入若干隐含层，将隐含层神经元替换为所述S-GRU神经元，作为所述Seq2Seq模型结构中的译码器(decoder)结构；
S4.2.4：根据编码器捕捉到的输入数据的特征，利用译码器计算预测值，并将译码器的输出传送给输出层，得到改进型S-GRU神经网络模型。
9.根据权利要求1所述的一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，S5包括：
S5.1：将所述训练集Xtrain和节点链路邻接矩阵A输入所述改进型S-GRU神经网络模型的输入层，经过编码器(encoder)结构的计算，得到编码器最后一层的输出；
S5.2：将节点链路邻接矩阵A、所述编码器最后一层的输出和训练集Xtrain最后一个时刻的特征值作为译码器(decoder)结构的输入，经过译码器和输出层的计算，得到改进型S-GRU神经网络模型的输出层结果；
S5.3：利用所述改进型S-GRU神经网络模型的输出层结果与预期的真实特征值计算损失函数值，调整神经网络模型的权重，对其进行训练，得到训练好的改进型S-GRU神经网络模型。
10.根据权利要求1所述的一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，S6包括：
S6.1将所述测试集Xtest和节点链路邻接矩阵A输入所述训练好的改进型S-GRU神经网络模型的输入层，经过编码器(encoder)结构的计算，得到编码器最后一层的输出；
S6.2：将节点链路邻接矩阵A、所述编码器最后一层的输出和测试集Xtest最后一个时刻的特征值作为译码器(decoder)结构的输入，经过译码器和输出层的计算，得到网络中节点和链路剩余资源的预测值。
CN202310094945.3A 2023-02-09 2023-02-09 一种基于时空相关的网络节点和链路剩余资源预测方法 Pending CN116192666A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310094945.3A CN116192666A (zh) 2023-02-09 2023-02-09 一种基于时空相关的网络节点和链路剩余资源预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310094945.3A CN116192666A (zh) 2023-02-09 2023-02-09 一种基于时空相关的网络节点和链路剩余资源预测方法

Publications (1)

Publication Number Publication Date
CN116192666A true CN116192666A (zh) 2023-05-30

Family

ID=86448139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310094945.3A Pending CN116192666A (zh) 2023-02-09 2023-02-09 一种基于时空相关的网络节点和链路剩余资源预测方法

Country Status (1)

Country Link
CN (1) CN116192666A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926303A (zh) * 2021-02-23 2021-06-08 南京邮电大学 一种基于BERT-BiGRU的恶意URL检测方法
CN114205251A (zh) * 2021-12-09 2022-03-18 西安电子科技大学 基于时空特征的交换机链路资源预测方法
CN114330671A (zh) * 2022-01-06 2022-04-12 重庆大学 一种基于Transformer时空图卷积网络的交通流预测方法
US20220129745A1 (en) * 2020-10-27 2022-04-28 Sap Se Prediction and Management of System Loading

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220129745A1 (en) * 2020-10-27 2022-04-28 Sap Se Prediction and Management of System Loading
CN112926303A (zh) * 2021-02-23 2021-06-08 南京邮电大学 一种基于BERT-BiGRU的恶意URL检测方法
CN114205251A (zh) * 2021-12-09 2022-03-18 西安电子科技大学 基于时空特征的交换机链路资源预测方法
CN114330671A (zh) * 2022-01-06 2022-04-12 重庆大学 一种基于Transformer时空图卷积网络的交通流预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LAN YOU, SIYU XIAO, QINGXI PENG ET AL.: "ST-Seq2Seq: A Spatio-Temporal Feature-Optimized Seq2Seq Model for Short-TermVessel Trajectory Prediction", 《IEEE ACCESS》, 2 December 2020 (2020-12-02), pages 218567 - 218569 *

Similar Documents

Publication Publication Date Title
Kwilinski et al. TRANSPARENT COGNITIVE TECHNOLOGIES TO ENSURE SUSTAINABLE SOCIETY DEVELOPMENT.
CN111079931A (zh) 一种基于图神经网络的状态空间概率性多时间序列预测方法
CN109120462B (zh) 机会网络链路的预测方法、装置及可读存储介质
CN110851782A (zh) 一种基于轻量级时空深度学习模型的网络流量预测方法
CN113852432B (zh) 基于rcs-gru模型的频谱预测感知方法
CN114169394A (zh) 一种多尺度自适应图学习的多变量时间序列预测方法
CN113297972B (zh) 一种基于数据融合深度学习的变电站设备缺陷智能分析方法
CN113962294A (zh) 多类型事件预测模型
Sheng et al. Residual LSTM based short-term load forecasting
CN114500004A (zh) 一种基于条件扩散概率生成模型的异常检测方法
CN114265913A (zh) 工业物联网边缘设备上基于联邦学习的空时预测算法
CN114584406A (zh) 一种联邦学习的工业大数据隐私保护系统及方法
CN113676371A (zh) 一种基于深度q学习的网络故障检测与诊断方法
CN114205251A (zh) 基于时空特征的交换机链路资源预测方法
CN116504075A (zh) 注意力与多元图卷积融合的时空交通速度预测方法及系统
CN118468186A (zh) 一种基于联邦学习机制的风电数据异常检测方法及系统
CN113469013A (zh) 一种基于迁移学习和时间序列的电机故障预测方法及系统
CN113541986B (zh) 5g切片的故障预测方法、装置及计算设备
Peng et al. Hmm-lstm for proactive traffic prediction in 6g wireless networks
Veloz et al. Identification of lags in nonlinear autoregressive time series using a flexible fuzzy model
CN116192666A (zh) 一种基于时空相关的网络节点和链路剩余资源预测方法
CN116880381A (zh) 基于强化学习的工业过程时空因果有向图建模方法
CN115081609A (zh) 一种智能决策中的加速方法、终端设备及存储介质
CN115174421A (zh) 基于自监督解缠绕超图注意力的网络故障预测方法及装置
Rao et al. CR-LSO: Convex neural architecture optimization in the latent space of graph variational autoencoder with input convex neural networks

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