CN116248522B - 一种业务意愿与确定性网络切片关联方法 - Google Patents
一种业务意愿与确定性网络切片关联方法 Download PDFInfo
- Publication number
- CN116248522B CN116248522B CN202310528095.3A CN202310528095A CN116248522B CN 116248522 B CN116248522 B CN 116248522B CN 202310528095 A CN202310528095 A CN 202310528095A CN 116248522 B CN116248522 B CN 116248522B
- Authority
- CN
- China
- Prior art keywords
- business
- hypergraph
- network
- function
- nodes
- 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.)
- Active
Links
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
- H04L41/145—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
- H04L41/14—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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Abstract
本发明涉及计算机技术领域，具体的说是一种业务意愿与确定性网络切片关联方法，包括以下步骤：步骤S1：业务集超图与设施集超图输入；步骤S2：超图注意力机制的输入；步骤S3：卷积核设计：通过聚合邻居节点的信息以提取原始数据隐藏的重要特征，并更新当前节点的状态，从而达到预测的效果；步骤S4：激活函数和损失函数选取；步骤S5：通过多轮训练得到业务集超图与设施集超图预测关联模型。通过参数、超图注意力卷积核、激活函数和损失函数的设计与选取，从而预测关联模型，快速的将业务意愿与网络切片进行匹配，进而提高工作效率。
Description
技术领域
本发明涉及计算机技术领域，具体的说是一种业务意愿与确定性网络切片关联方法。
背景技术
体现业务意愿的确定性网络的研究已经成为前沿热点。ONF制定了意图网络架构的标准草案。Gartner发布了基于意愿网络系统所需具备能力报告。思科也发布了《ESG：向基于意愿网络迈进白皮书》。然而，业务意愿与网络切片属于不同层面的理念，业务意愿与网络切片关联机制及影响机理尚未有效揭示。研究业务意愿与网络切片关联机制具有重大理论意义及实用价值。
现有意愿获取方法都假定存在确定性网络切片的服务配置文件(请求图、概要或者虚拟化网络功能)，且配置文件需要包括服务图和附加的服务属性，如防火墙和负载均衡器等各个中间件及各节点链接的边约束(链路带宽、丢包等)。然而，业务应用、网络运营、基础设施三者独立发展。应用日新月异、千差万别，新兴业务的开通时间由过去以年为单位到现在以天或者小时甚至分钟为单位，且业务具有多场景性，同一业务有可能在不同的场景具有完全不同的特性，业务只知道应用的定性需求。这些因素导致业务意愿难以理解。随选网络提供的切片则只包含相关的网络功能、各个网络功能所带的属性、各个属性所消耗的网络资源、各个功能之间的依赖关系、切片所服务的场景等；基础设施具有多模态性，同一设施在虚拟化后可以组装成不同的虚拟化网络功能。这导致业务意愿与网络切片不能直接匹配，需要深层次地挖掘业务意愿与网络切片的关联机制。
发明内容
针对现有技术中的问题，本发明提供了一种业务意愿与确定性网络切片关联方法。
本发明解决其技术问题所采用的技术方案是：一种业务意愿与确定性网络切片关联方法，包括以下步骤：
步骤S1：业务集超图与设施集超图输入；
具体为：
步骤S11：基于体现业务意愿的确定性网络数据集；
步骤S12：通过词嵌入张量把业务意愿的功能与设施的网络功能进行对应，业务意愿的性能与设施各网络功能所需要消耗的各种网络资源的数量进行对应；通过语句分块张量把业务场景与网络服务功能链进行对应，从而在进行模型预测时自动添/删相关网络功能；通过位置编码张量标记各个网络功能的位置关系；
步骤S13：将步骤S12中得到的3个向量加和形成BERT的输入编码；
步骤S2：超图注意力机制的输入：基于体现业务意愿的确定性网络数据集构建的关联规则数据集，将这些信息表示为带或不带属性的节点或边、加权或无权重的边和有向或无向的边，作为BERT的自适应分级多层图注意力机制；
根据节点类型及数量设置多层分级注意力，每一层注意力由节点级和边级两级注意力构成，其中：
节点级注意力用来调节节点的K跳邻居节点及其与K跳邻居节点之间的最短路径对该节点的重要性；
边级注意力用来调节K跳相邻边及其端节点对该边的重要性；
自适应是指依据损失函数结果自适应调整与更新分级注意力机制中的跳数K；
步骤S3：卷积核设计：通过聚合邻居节点的信息以提取原始数据隐藏的重要特征，并更新当前节点的状态，从而达到预测的效果；
步骤S4：激活函数和损失函数选取；
步骤S5：通过多轮的训练得到业务集超图与设施集超图预测关联模型。
具体的，步骤S3具体为：基于步骤S2设计的分级多层图注意力机制，通过路径长度设置神经网络卷积层的层数，即若一个卷积层至多聚合m跳的节点和边的信息，则该层的下一卷积层至多聚m-1跳的信息进行状态更新。
具体的，步骤S4的具体流程如下：
步骤S41：先采用多种激活函数加权组合的形式，将两种激活结果进行加权平均；
步骤S42：基于新构建的图注意力网络输入形式对现有激活函数进行扩展；
步骤S43：选择损失函数；
步骤S44：将所述的损失函数与激活函数比对，训练前后相邻节点之间的得分和任意一对节点之间的得分差异。
具体的，步骤S41中：所采用的激活函数包括但不限于Sigmoid、ReLU、Tanh、ELU、LeakyReLU。
本发明的有益效果：基于体现业务意愿的确定性网络数据集，把业务集超图与设施集超图作为BERT的双向编码，关联规则集作为BERT的初始注意力，通过参数、超图注意力卷积核、激活函数和损失函数的设计与选取，从而预测关联模型，快速的将业务意愿与网络切片进行匹配，进而提高工作效率。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
本发明所述的一种业务意愿与确定性网络切片关联方法，包括以下步骤：
步骤S1：业务集超图与设施集超图输入；
具体为：
步骤S11：基于体现业务意愿的确定性网络数据集；
步骤S12：通过词嵌入张量把业务意愿的功能与设施的网络功能进行对应，业务意愿的性能与设施各网络功能所需要消耗的各种网络资源的数量进行对应；通过语句分块张量把业务场景与网络服务功能链进行对应，从而在进行模型预测时自动添/删相关网络功能；通过位置编码张量标记各个网络功能的位置关系；
步骤S13：将步骤S12中得到的3个向量加和形成BERT的输入编码；
步骤S2：超图注意力机制的输入：基于体现业务意愿的确定性网络数据集构建的关联规则数据集，将这些信息表示为带或不带属性的节点或边、加权或无权重的边和有向或无向的边，作为BERT的自适应分级多层图注意力机制；
根据节点类型及数量设置多层分级注意力，每一层注意力由节点级和边级两级注意力构成，其中：
节点级注意力用来调节节点的K跳邻居节点及其与K跳邻居节点之间的最短路径对该节点的重要性；
边级注意力用来调节K跳相邻边及其端节点对该边的重要性；
自适应是指依据损失函数结果自适应调整与更新分级注意力机制中的跳数K；
步骤S3：卷积核设计：通过聚合邻居节点的信息以提取原始数据隐藏的重要特征，并更新当前节点的状态，从而达到预测的效果；
步骤S4：激活函数和损失函数选取；
步骤S5：通过多轮的训练得到业务集超图与设施集超图预测关联模型。
具体的，步骤S3具体为：基于步骤S2设计的分级多层图注意力机制，通过路径长度设置神经网络卷积层的层数，即若一个卷积层至多聚合m跳的节点和边的信息，则该层的下一卷积层至多聚m-1跳的信息进行状态更新。
具体的，步骤S4的具体流程如下：
步骤S41：先采用多种激活函数加权组合的形式，将两种激活结果进行加权平均；
步骤S42：基于新构建的图注意力网络输入形式对现有激活函数进行扩展；
步骤S43：选择损失函数；
步骤S44：将所述的损失函数与激活函数比对，训练前后相邻节点之间的得分和任意一对节点之间的得分差异。
具体的，步骤S41中：所采用的激活函数包括但不限于Sigmoid、ReLU、Tanh、ELU、LeakyReLU。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施方式和说明书中的描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入本发明要求保护的范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种业务意愿与确定性网络切片关联方法，其特征在于，包括以下步骤：
步骤S1：业务集超图与设施集超图输入；
具体为：
步骤S11：基于体现业务意愿的确定性网络数据集；
步骤S12：通过词嵌入张量把业务意愿的功能与设施的网络功能进行对应，业务意愿的性能与设施各网络功能所需要消耗的各种网络资源的数量进行对应；通过语句分块张量把业务场景与网络服务功能链进行对应，从而在进行模型预测时自动添/删相关网络功能；通过位置编码张量标记各个网络功能的位置关系；
步骤S13：将步骤S12中得到的3个向量加和形成BERT的输入编码；
步骤S2：超图注意力机制的输入：基于体现业务意愿的确定性网络数据集构建的关联规则数据集，将这些信息表示为带或不带属性的节点或边、加权或无权重的边和有向或无向的边，作为BERT的自适应分级多层图注意力机制；
根据节点类型及数量设置多层分级注意力，每一层注意力由节点级和边级两级注意力构成，其中：
节点级注意力用来调节节点的K跳邻居节点及其与K跳邻居节点之间的最短路径对该节点的重要性；
边级注意力用来调节K跳相邻边及其端节点对该边的重要性；
自适应是指依据损失函数结果自适应调整与更新分级注意力机制中的跳数K；
步骤S3：卷积核设计：通过聚合邻居节点的信息以提取原始数据隐藏的重要特征，并更新当前节点的状态，从而达到预测的效果；
步骤S4：激活函数和损失函数选取；
步骤S5：通过多轮的训练得到业务集超图与设施集超图预测关联模型。
2.根据权利要求1所述的一种业务意愿与确定性网络切片关联方法，其特征在于：步骤S3具体为：基于步骤S2设计的分级多层图注意力机制，通过路径长度设置神经网络卷积层的层数，即若一个卷积层至多聚合m跳的节点和边的信息，则该层的下一卷积层至多聚m-1跳的信息进行状态更新。
3.根据权利要求1所述的一种业务意愿与确定性网络切片关联方法，其特征在于：步骤S4的具体流程如下：
步骤S41：先采用多种激活函数加权组合的形式，将两种激活结果进行加权平均；
步骤S42：基于新构建的图注意力网络输入形式对现有激活函数进行扩展；
步骤S43：选择损失函数；
步骤S44：将所述的损失函数与激活函数比对，训练前后相邻节点之间的得分和任意一对节点之间的得分差异。
4.根据权利要求3所述的一种业务意愿与确定性网络切片关联方法，其特征在于：步骤S41中：所采用的激活函数包括但不限于Sigmoid、ReLU、Tanh、ELU、LeakyReLU。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310528095.3A CN116248522B (zh) | 2023-05-11 | 2023-05-11 | 一种业务意愿与确定性网络切片关联方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310528095.3A CN116248522B (zh) | 2023-05-11 | 2023-05-11 | 一种业务意愿与确定性网络切片关联方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116248522A CN116248522A (zh) | 2023-06-09 |
| CN116248522B true CN116248522B (zh) | 2023-09-22 |
Family
ID=86626355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310528095.3A Active CN116248522B (zh) | 2023-05-11 | 2023-05-11 | 一种业务意愿与确定性网络切片关联方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116248522B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112417219A (zh) * | 2020-11-16 | 2021-02-26 | 吉林大学 | 基于超图卷积的超边链接预测方法 |
| CN113628059A (zh) * | 2021-07-14 | 2021-11-09 | 武汉大学 | 一种基于多层图注意力网络的关联用户识别方法及装置 |
| CN113919441A (zh) * | 2021-11-03 | 2022-01-11 | 北京工业大学 | 一种基于超图变换网络的分类方法 |
| CN113962358A (zh) * | 2021-09-29 | 2022-01-21 | 西安交通大学 | 一种基于时序超图注意力神经网络的信息扩散预测方法 |
| US11354582B1 (en) * | 2020-12-16 | 2022-06-07 | Ro5 Inc. | System and method for automated retrosynthesis |
| CN114818515A (zh) * | 2022-06-24 | 2022-07-29 | 中国海洋大学 | 一种基于自注意力机制和图卷积网络的多维时序预测方法 |
| CN115333958A (zh) * | 2022-08-15 | 2022-11-11 | 中国电信股份有限公司 | 软件定义网络性能预测方法、装置、电子设备及存储介质 |
| CN115565369A (zh) * | 2022-09-20 | 2023-01-03 | 北京工商大学 | 一种基于超图的时空超图卷积交通流量预测方法及系统 |
| EP4120138A1 (en) * | 2021-07-16 | 2023-01-18 | Tata Consultancy Services Limited | System and method for molecular property prediction using hypergraph message passing neural network (hmpnn) |
| CN115798598A (zh) * | 2022-11-16 | 2023-03-14 | 大连海事大学 | 一种基于超图的miRNA-疾病关联预测模型及方法 |
| CN116091260A (zh) * | 2023-04-07 | 2023-05-09 | 吕梁学院 | 一种基于Hub-node节点的跨域实体身份关联方法及系统 |
-
2023
- 2023-05-11 CN CN202310528095.3A patent/CN116248522B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112417219A (zh) * | 2020-11-16 | 2021-02-26 | 吉林大学 | 基于超图卷积的超边链接预测方法 |
| US11354582B1 (en) * | 2020-12-16 | 2022-06-07 | Ro5 Inc. | System and method for automated retrosynthesis |
| CN113628059A (zh) * | 2021-07-14 | 2021-11-09 | 武汉大学 | 一种基于多层图注意力网络的关联用户识别方法及装置 |
| EP4120138A1 (en) * | 2021-07-16 | 2023-01-18 | Tata Consultancy Services Limited | System and method for molecular property prediction using hypergraph message passing neural network (hmpnn) |
| CN113962358A (zh) * | 2021-09-29 | 2022-01-21 | 西安交通大学 | 一种基于时序超图注意力神经网络的信息扩散预测方法 |
| CN113919441A (zh) * | 2021-11-03 | 2022-01-11 | 北京工业大学 | 一种基于超图变换网络的分类方法 |
| CN114818515A (zh) * | 2022-06-24 | 2022-07-29 | 中国海洋大学 | 一种基于自注意力机制和图卷积网络的多维时序预测方法 |
| CN115333958A (zh) * | 2022-08-15 | 2022-11-11 | 中国电信股份有限公司 | 软件定义网络性能预测方法、装置、电子设备及存储介质 |
| CN115565369A (zh) * | 2022-09-20 | 2023-01-03 | 北京工商大学 | 一种基于超图的时空超图卷积交通流量预测方法及系统 |
| CN115798598A (zh) * | 2022-11-16 | 2023-03-14 | 大连海事大学 | 一种基于超图的miRNA-疾病关联预测模型及方法 |
| CN116091260A (zh) * | 2023-04-07 | 2023-05-09 | 吕梁学院 | 一种基于Hub-node节点的跨域实体身份关联方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Interlayer Link Prediction in Multiplex Social Networks Based on Multiple Types of Consistency Between Embedding Vectors;rui tang等;《 IEEE Transactions on Cybernetics 》;第53卷(第4期);全文 * |
| 基于图神经网络的关联用户身份识别研究;肖益林;《中国知网硕士电子期刊库》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116248522A (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10127512B2 (en) | Association-based product design | |
| Rohrer et al. | Path diversification for future internet end-to-end resilience and survivability | |
| US9813287B2 (en) | Connectivity-aware virtual network embedding | |
| CN111147307A (zh) | 基于深度强化学习的服务功能链可靠部署方法 | |
| CN108616394B (zh) | 一种虚拟网络功能备份和部署方法 | |
| Soualah et al. | A link failure recovery algorithm for virtual network function chaining | |
| CN103138981A (zh) | 一种社交网络分析方法和装置 | |
| CN111787000A (zh) | 网络安全评估方法及电子设备 | |
| Dong et al. | Secure distributed on-device learning networks with byzantine adversaries | |
| Karimzadeh-Farshbafan et al. | Reliability aware service placement using a viterbi-based algorithm | |
| CN111723298A (zh) | 基于改进标签传播的社交网络社团发现方法、装置及介质 | |
| 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 | |
| CN114327889A (zh) | 一种面向分层联邦边缘学习的模型训练节点选择方法 | |
| CN116210211A (zh) | 网络拓扑中的异常检测 | |
| CN109510681B (zh) | 一种通信网络时间同步级数最小的基准节点选择方法 | |
| CN116248522B (zh) | 一种业务意愿与确定性网络切片关联方法 | |
| CN116545871A (zh) | 一种多模态网络流量预测方法、装置、介质 | |
| CN116562364A (zh) | 基于知识蒸馏的深度学习模型协同推演方法、装置及设备 | |
| CN104023056B (zh) | 更新数据的方法和相关设备 | |
| Raayatpanah et al. | Design of survivable wireless backhaul networks with reliability considerations | |
| Pop et al. | Adaptive method to support social‐based mobile networks using a pagerank approach | |
| Moradi et al. | MSN‐CDF: New community detection framework to improve routing in mobile social networks | |
| CN111865640A (zh) | 一种网络架构描述方法及其装置 | |
| Farshbafan et al. | A dynamic reliability-aware service placement for network function Virtualization (NFV) | |
| US20240004842A1 (en) | Rebalance method for blockchain-based decentralized file system |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zheng Chengyu Inventor after: Zhang Ji Inventor after: Wang Wenyong Inventor after: Jiang Cheng Inventor after: Liu Zhifeng Inventor after: Zou Sai Inventor after: Huang Dajiu Inventor after: Miao Dong Inventor after: Huang Lisheng Inventor before: Zheng Chengyu Inventor before: Zhang Ji Inventor before: Wang Wenyong Inventor before: Jiang Cheng Inventor before: Liu Zhifeng Inventor before: Zou Sai Inventor before: Huang Dajiu Inventor before: Miao Dong Inventor before: Huang Pengsheng |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |