CN116388864A - 量子网络设备性能预测方法、装置、电子设备及存储介质 - Google Patents
量子网络设备性能预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116388864A CN116388864A CN202310626554.1A CN202310626554A CN116388864A CN 116388864 A CN116388864 A CN 116388864A CN 202310626554 A CN202310626554 A CN 202310626554A CN 116388864 A CN116388864 A CN 116388864A
- Authority
- CN
- China
- Prior art keywords
- performance
- historical
- moment
- time
- predicted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims description 64
- 230000008859 change Effects 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000739 chaotic effect Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/70—Photonic quantum communication
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optics & Photonics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种量子网络设备性能预测方法、装置、电子设备及存储介质,涉及数据处理技术领域,其中方法包括:确定所需预测的目标时刻,以及,获取待预测量子网络设备在每一个历史时刻的性能参数所对应的历史性能值;根据所述目标时刻距离当前时刻的时间长度,确定性能预测所需使用的性能预测模型的数量和类型;利用所述历史性能值构建相应数量和类型的性能预测模型;根据构建的性能预测模型输出所述量子网络设备在所述目标时刻的性能参数的预测性能值。本方案,能够实现对量子网络设备在未来时刻性能的预测。
Description
技术领域
本发明实施例涉及数据处理技术领域,特别涉及一种量子网络设备性能预测方法、装置、电子设备及存储介质。
背景技术
随着量子通信技术的飞速发展,量子网络设备也随之产生。量子网络设备性能的好坏决定量子通信系统性能的好坏,所以说,通过预测量子网络设备未来的性能情况,针对未来可预见的性能情况做具体预案(磁盘扩容等)很有必要,能够保证量子通信系统性能的稳定性。
目前,仅对量子网络设备已产生的历史运行数据及当前运行数据做展示使用,没有对量子网络设备性能参数的性能值进行预测,数据利用率较低,无法保证量子通信系统的稳定性。
因此,亟需提供一种量子网络设备性能预测方法。
发明内容
本发明实施例提供了一种量子网络设备性能预测方法、装置、电子设备及存储介质,能够实现对量子网络设备在未来时刻性能的预测。
第一方面,本发明实施例提供了一种量子网络设备性能预测方法,包括:
确定所需预测的目标时刻,以及,获取待预测量子网络设备在每一个历史时刻性能参数的历史性能值;
根据所述目标时刻距离当前时刻的时间长度,确定性能预测所需使用的性能预测模型的数量和类型;
基于所述每一个历史时刻性能参数的历史性能值,构建相应数量和类型的性能预测模型;
根据构建的性能预测模型输出所述量子网络设备在所述目标时刻性能参数的预测性能值。
第二方面,本发明实施例还提供了一种量子网络设备性能预测装置,包括:
第一确定单元,用于确定所需预测的目标时刻;
获取单元,用于获取待预测量子网络设备在每一个历史时刻性能参数的历史性能值;
第二确定单元,用于根据所述目标时刻距离当前时刻的时间长度,确定性能预测所需使用的性能预测模型的数量和类型;
模型构建单元,用于基于所述每一个历史时刻性能参数的历史性能值,构建相应数量和类型的性能预测模型;
预测单元,用于根据构建的性能预测模型输出所述量子网络设备在所述目标时刻性能参数的预测性能值。
第三方面,本发明实施例还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本说明书任一实施例所述的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种量子网络设备性能预测方法、装置、电子设备及存储介质,在对量子网络设备进行性能预测时,需要依据量子网络设备历史时刻性能参数的性能值构建性能预测模型,且对于所需预测的目标时刻距离当前时刻的时间长度不同,构建的性能预测模型的数量和类型也不同,利用构建的性能预测模型能够准确预测并输出量子网络设备在目标时刻性能参数的预测性能值,从而实现了对量子网络设备在未来时刻性能的预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1是本发明一实施例提供的一种量子网络设备性能预测方法流程图;
图2是本发明一实施例提供的一种电子设备的硬件架构图;
图3是本发明一实施例提供的一种量子网络设备性能预测装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,本发明实施例提供了一种量子网络设备性能预测方法,该方法包括:
步骤100,确定所需预测的目标时刻,以及,获取待预测量子网络设备在每一个历史时刻性能参数的历史性能值;
步骤102,根据所述目标时刻距离当前时刻的时间长度,确定性能预测所需使用的性能预测模型的数量和类型;
步骤104,基于所述每一个历史时刻性能参数的历史性能值,构建相应数量和类型的性能预测模型;
步骤106,根据构建的性能预测模型输出所述量子网络设备在所述目标时刻的性能参数的预测性能值。
本发明实施例中,在对量子网络设备进行性能预测时,需要依据量子网络设备历史时刻性能参数的历史性能值构建性能预测模型,且对于所需预测的目标时刻距离当前时刻的时间长度不同,构建的性能预测模型的数量和类型也不同,利用构建的性能预测模型能够准确预测并输出量子网络设备在目标时刻性能参数的预测性能值,从而实现了对量子网络设备在未来时刻性能值的预测。
下面描述图1所示的各个步骤的执行方式。
首先,针对步骤100,确定所需预测的目标时刻,以及,获取待预测量子网络设备在每一个历史时刻性能参数的历史性能值。
其中,目标时刻可以是用户输入的所需预测的时刻。
量子网络设备可以包括量子密钥分发管理服务器、量子密钥分发设备、量子密钥管理设备、量子VPN和光量子交换机中的至少一种。不同量子网络设备所对应的性能参数也不同。比如,针对量子密钥分发管理服务器,其性能参数为CPU使用率、内存使用率及已配置的量子网络设备数量;针对量子密钥分发设备,其性能参数为CPU使用率、内存使用率、成码率、误码率及当前量子密钥生成总量;针对量子密钥管理设备,其性能参数为CPU使用率、内存使用率及量子密钥中继量。
本发明实施例中,历史性能值可以是量子网络设备在设定的历史时间段内的各性能参数的性能值。该历史时间段可以是过去一年内或过去一个月内。历史时刻可以是位于历史时间段内间隔相等的各个时刻。
然后,针对步骤102,根据所述目标时刻距离当前时刻的时间长度,确定性能预测所需使用的性能预测模型的数量和类型。
由于在对目标时刻进行性能预测时,是逐步进行预测的,每步预测下一时刻的性能值,而每次预测均会增加相应的误差,因此,若目标时刻距离当前时刻的时间长度越长,则增加的误差会越多,在进行性能预测时,准确率就会越低。为了能够提高目标时刻性能值的预测准确率,当目标时刻距离当前时刻的时间长度较长时,可以通过构建多个不同类型的性能预测模型以选取最优性能预测模型的方式来减少误差。具体地,本步骤可以包括:
确定所述时间长度是否超过设定时长;若是,则性能预测所需使用的性能预测模型的数量为至少两个,且该至少两个性能预测模型分别对应不同类型;若否,则性能预测所需使用的性能预测模型的数量为一个。
其中,不同类型的性能预测模型是采用不同构建方式得来的。
本发明实施例中,性能预测模型至少可以包括:基于神经网络训练得到的结构化性能预测模型、基于李雅普诺夫指数的混沌性能预测模型或基于Volterra级数的混沌性能预测模型。
也就是说,当性能预测模型的数量为一个时,则该性能预测模型为上述三个性能预测模型中的任意一个;当性能预测模型的数量为至少两个时,则该至少两个性能预测模型可以包括上述三种性能预测模型中的任意一个或多个。
需要说明的是,性能预测模型除上述三个类型以外,还可以为其他类型,比如,将基于李雅普诺夫指数的混沌性能预测模型和基于Volterra级数的混沌性能预测模型进行叠加混合后得到的混沌性能预测模型。
本发明一个实施例中,该设定时长的设置影响着性能预测模型的数量以及预测结果的准确性,因此,该设定时长的设置至关重要。由于性能预测模型是基于量子网络设备在历史时刻的历史性能值构建得到的,可见,所使用历史性能值对应的历史时刻越远,那么性能预测模型中记录的性能变化特征越准确,且能够对未来更远时刻的性能进行预测,因此,该设定时长根据获取历史性能值时所对应的最远历史时刻距离当前时刻的时间长度进行确定。
优选地,该设定时长为历史时间长度的一半;所述历史时间长度为获取历史性能值时所对应的最远历史时刻距离当前时刻的时间长度。
通过将设定时长设置为历史时间长度的一半,当目标时刻距离当前时刻的时间长度不小于该设定时长时,表明该目标时刻距离当前时刻较近,使用一个性能预测模型进行预测即可预测得到准确的性能值;而当目标时刻距离当前时刻的时间长度大于该设定时长时,表明该目标时刻距离当前时刻较远,使用一个性能预测模型进行预测的误差较大,因此,可以使用多个性能预测模型来提高预测结果的准确性。
步骤104,基于所述每一个历史时刻性能参数的历史性能值,构建相应数量和类型的性能预测模型。
本发明实施例中,当性能预测所需使用的性能预测模型的数量为一个时,该性能预测模型可以优先选择基于神经网络训练得到的结构化性能预测模型,以提高预测速度和准确率。
本发明实施例中,在利用每一个历史时刻性能参数的历史性能值构建上述类型的性能预测模型时,需要利用每一个性能参数在时间维度上的变化关系矩阵、性能参数之间的相关关系矩阵、性能参数和性能评价结果之间的映射关系矩阵作为输入特征。
其中,性能评价结果可以是由专家经验评估的,也可以是通过性能参数所对应性能值与性能评价结果的预设映射关系得到的,或者,是将各性能参数的性能值输入训练模型中输出的。
本发明实施例中,生成变化关系矩阵的方式为:将每一个性能参数在每一个历史时刻的历史性能值添加到变化关系矩阵中;其中,变化关系矩阵中的元素ait为第i个性能参数在t时刻的历史性能值。
生成相关关系矩阵的方式为:计算任意两个性能参数之间的关联度,将任意两个性能参数之间的关联度添加到相关关系矩阵中;其中,所述相关关系矩阵中的元素bij为第i个性能参数与第j个性能参数之间的关联度。
具体地,第i个性能参数与第j个性能参数之间的关联度为:第i个性能参数与第j个性能参数的历史性能值同时超过相应性能阈值时的概率。举例来说,1000个历史时刻所对应的历史性能值中,第1个性能参数和第2个性能参数同时超出相应性能阈值的数量为100,则b12=0.1。
生成映射关系矩阵的方式为:计算每一个性能参数的历史性能值在超过相应性能阈值时对应每一个性能评价结果的概率,并将计算的概率添加到映射关系矩阵中;其中,映射关系矩阵中的元素cik为第i个性能参数的历史性能值在超出相应性能阈值时对应第k个性能评价结果的概率。举例来说,1000个历史时刻性能参数i对应的历史性能值中有100个超出了相应性能阈值,针对该100个超出相应性能阈值的历史性能值,存在10个对应第一个性能评价结果,存在20个对应第二个性能评价结果,存在70个对应第三个性能评价结果,则ci1=0.1,ci2=0.2,ci3=0.7。
在构建基于李雅普诺夫指数的混沌性能预测模型和基于Volterra级数的混沌性能预测模型时,针对每一个时刻,将该时刻的变化关系矩阵、相关关系矩阵和映射关系矩阵作为该时刻的性能状态xt,从而可以利用t时刻的性能状态时间序列{x1,x2,…,xt}构建基于李雅普诺夫指数的混沌性能预测模型和基于Volterra级数的混沌性能预测模型,以预测(t+1)时刻的性能状态xt+1,并根据性能状态xt+1确定出(t+1)时刻的变化关系矩阵,进而得出(t+1)时刻性能参数的性能值。
在构建结构化性能预测模型时,具体地,所述结构化性能预测模型的训练方法可以包括如下步骤S1-S3:
S1:基于每一个历史时刻性能参数的历史性能值,形成多个样本对;所述样本对包括:连续的设定数量个历史时刻性能参数的历史性能值;其中,所述样本对中最近历史时刻性能参数的历史性能值为输出样本,所述样本对中其他历史时刻性能参数的历史性能值为输入样本。
举例来说,假设获取的历史性能值对应的历史时刻从远及近分别为t-50、t-49、t-48、…、t-2、t-1,那么该设定数量小于50,比如,设定数量为10,即一个样本对可以为:t-50、t-49、t-48、…、t-42、t-41,针对该样本对,量子网络设备在最近历史时刻t-41的性能参数的历史性能值作为该样本对中的输出样本,量子网络设备在其他历史时刻t-50、t-49、t-48、…、t-42、t-42的性能参数的历史性能值作为该样本对中的输入样本;再比如另一个样本对为:t-49、t-48、t-47、…、t-41、t-40,针对该样本对,量子网络设备在最近历史时刻t-40的性能参数的历史性能值作为该样本对中的输出样本,量子网络设备在其他历史时刻t-49、t-48、t-47、…、t-41的性能参数的历史性能值作为该样本对中的输入样本。
由此,通过获取的历史性能值所对应的历史时间长度来预先设置该设定数量,使得利用历史时间长度内的历史性能值能够得到更多的样本数量,保证性能预测模型的训练准确性。
本发明一个实施例中,该设定数量可以根据目标时刻距离当前时刻的时间长度进行设置,使得选取的设定数量中的最远历史时刻与最近历史时刻的时间长度大于目标时刻距离当前时刻的时间长度。如此,在利用性能预测模型预测逐步预测量子网络设备的性能时,当在最后一步预测目标时刻时,向性能预测模型输入的设定数量的性能值中也能够包含真实的性能值,以避免在最后若干步预测过程中输入的性能值中均为预测得到的预测性能值。可见,通过预先设置该设定数量,能够进一步提高预测结果的准确性。
S2:针对每一个所述样本对的输入样本,均执行:生成每一个性能参数在时间维度上的变化关系矩阵;生成性能参数之间的相关关系矩阵;生成性能参数和性能评价结果之间的映射关系矩阵;将所述变化关系矩阵、所述相关关系矩阵和所述映射关系矩阵作为处理后的输入样本。
S3:利用处理后的多个样本对训练神经网络,直至得到所述结构化性能预测模型。
以上,在训练完成后,得到结构化性能预测模型。
步骤106,根据构建的性能预测模型输出所述量子网络设备在所述目标时刻性能参数的预测性能值。
在本发明实施例中,当性能预测所需使用的性能预测模型的数量不同时,在对目标时刻的性能参数进行性能预测时的方法也不同,具体地,可以分为如下两种情况:
第一种情况:性能预测所需使用的性能预测模型的数量为至少两个。
在第一种情况下,由于目标时刻距离当前时刻的时间长度较长,引入的误差在叠加后已经超出可以接受的范围,因此,需要在每一步预测时,均需要选择最优性能预测模型进行预测,以降低最终预测结果的误差。具体可以包括如下步骤A1-A3:
A1:基于当前时刻及历史时刻性能参数的性能值,利用该至少两个性能预测模型分别预测下一个时刻性能参数的性能值;
当前时刻为t0,利用每一个性能预测模型分别预测下一个时刻t1性能参数的性能值。
A2:基于每一个性能预测模型预测得到的下一个时刻性能参数的性能值,计算每一个性能预测模型所预测结果的变化程度,并选择最小变化程度对应的性能值作为预测得到的下一个时刻性能参数的性能值;
具体地,可以利用如下公式计算每一个性能预测模型所预测结果的变化程度S:
需要说明的是,在计算不同时刻的变化关系矩阵、相关关系矩阵、映射关系矩阵时,采用相同数量的性能值进行计算的。比如,计算当前时刻t0对应的变化关系矩阵、相关关系矩阵、映射关系矩阵时,采用时刻t-m、…、t-1、t0性能参数的性能值进行计算,计算下一个时刻t1对应的变化关系矩阵、相关关系矩阵、映射关系矩阵时,采用时刻t-m+1、…、t0、t1性能参数的性能值进行计算。
本发明实施例中,通过计算每一个性能预测模型所预测结果的变化程度,当变化程度越小,则表明越逼近实际值,可以认为达到要求的精度和收敛,认为引入的误差更小,因此,将最小变化程度对应的性能预测模型作为最优预测模型,以及将最小变化程度对应的性能值作为预测得到的下一个时刻的性能值。
A3:确定该下一个时刻是否为所述目标时刻,若是,则结束,将预测得到的该下一个时刻性能参数的性能值输出为所述量子网络设备在所述目标时刻性能参数的预测性能值;若否,则将该下一个时刻作为当前时刻,并继续执行步骤A1以进行下一步预测过程。
比如,目标时刻为tn,本步预测过程的下一个时刻为t1,则将t1作为当前时刻,以进行下一步预测过程预测时刻t2时性能参数的性能值,如此反复执行每一步预测过程,直到将时刻tn时性能参数的性能值预测出来为止。可见,在每一步预测过程中均选择最优的性能预测模型对下一个时刻性能参数的性能值,能够减少每步预测过程中引入的误差,从而可以保证目标时刻预测结果的准确性。
第二种情况:性能预测所需使用的性能预测模型的数量为一个。
在第二种情况下,由于目标时刻距离当前时刻的时间长度较短,引入的误差在叠加后也属于可以接受的范围内,因此,可以随机任意选择一个性能预测模型对目标时刻的性能值进行预测。
优选地,由于基于神经网络训练得到的结构化性能预测模型是经过深度学习的,因此,可以优先选择结构化性能预测模型进行性能预测,以提高预测结果的准确性。
在进行目标时刻的性能预测时,需要逐步进行预测,具体地:
B1:基于当前时刻及历史时刻性能参数的性能值,利用该性能预测模型预测下一个时刻性能参数的性能值;
其中,当该性能预测模型为结构化性能预测模型时,历史时刻的数量为设定数量减1。
B2:确定该下一个时刻是否为所述目标时刻,若是,则结束,将预测得到的该下一个时刻性能参数的性能值输出为所述量子网络设备在所述目标时刻性能参数的预测性能值;若否,则将该下一个时刻作为当前时刻,并继续执行步骤B1以进行下一步预测过程。
与第一种情况同理,但与第一种情况不同的是,每步预测过程中均采用已经构建的那一个性能预测模型进行预测,直到预测出目标时刻性能参数的性能值为止。该第二种情况下,由于无需额外计算预测结果的变化程度,且每步预测均使用一个性能预测模型进行预测,复杂度较低,预测速度也更快。
本发明实施例中,在对量子网络设备进行性能预测时,需要依据量子网络设备历史时刻性能参数的历史性能值构建性能预测模型,且对于所需预测的目标时刻距离当前时刻的时间长度不同,构建的性能预测模型的数量和类型也不同,利用构建的性能预测模型能够准确预测并输出量子网络设备在目标时刻性能参数的预测性能值,从而实现了对量子网络设备在未来时刻性能值的预测。
如图2、图3所示,本发明实施例提供了一种量子网络设备性能预测装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图2所示,为本发明实施例提供的一种量子网络设备性能预测装置所在电子设备的一种硬件架构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图3所示,作为一个逻辑意义上的装置,是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种量子网络设备性能预测装置,包括:
第一确定单元301,用于确定所需预测的目标时刻;
获取单元302,用于获取待预测量子网络设备在每一个历史时刻性能参数的历史性能值;
第二确定单元303,用于根据所述目标时刻距离当前时刻的时间长度,确定性能预测所需使用的性能预测模型的数量和类型;
模型构建单元304,用于基于所述每一个历史时刻性能参数的历史性能值,构建相应数量和类型的性能预测模型;
预测单元305,用于根据构建的性能预测模型输出所述量子网络设备在所述目标时刻性能参数的预测性能值。
在本发明一个实施例中,所述第二确定单元,具体用于:确定所述时间长度是否超过设定时长;若是,则性能预测所需使用的性能预测模型的数量为至少两个,且该至少两个性能预测模型分别对应不同类型;若否,则性能预测所需使用的性能预测模型的数量为一个。
在本发明一个实施例中,所述设定时长根据获取历史性能值时所对应的最远历史时刻距离当前时刻的时间长度进行确定。
在本发明一个实施例中,所述性能预测模型至少包括:基于神经网络训练得到的结构化性能预测模型、基于李雅普诺夫指数的混沌性能预测模型或基于Volterra级数的混沌性能预测模型。
在本发明一个实施例中,所述模型构建单元在构建所述结构化性能预测模型时,具体利用如下训练方法得到所述结构化性能预测模型:
基于每一个历史时刻性能参数的历史性能值,形成多个样本对;所述样本对包括:设定数量个连续的历史时刻性能参数的历史性能值;其中,所述样本对中最近历史时刻性能参数的历史性能值为输出样本,所述样本对中其他历史时刻性能参数的历史性能值为输入样本;
针对每一个所述样本对的输入样本,均执行:生成每一个性能参数在时间维度上的变化关系矩阵;生成性能参数之间的相关关系矩阵;生成性能参数和性能评价结果之间的映射关系矩阵;将所述变化关系矩阵、所述相关关系矩阵和所述映射关系矩阵作为处理后的输入样本;
利用处理后的多个样本对训练神经网络,直至得到所述结构化性能预测模型。
在本发明一个实施例中,当性能预测所需使用的性能预测模型的数量为至少两个时,所述预测单元,具体用于执行如下操作:
A1:基于当前时刻及历史时刻性能参数的性能值,利用该至少两个性能预测模型分别预测下一个时刻性能参数的性能值;
A2:基于每一个性能预测模型预测得到的下一个时刻性能参数的性能值,计算每一个性能预测模型所预测结果的变化程度,并选择最小变化程度对应的性能值作为预测得到的下一个时刻性能参数的性能值;
A3:确定该下一个时刻是否为所述目标时刻,若是,则结束,将预测得到的该下一个时刻性能参数的性能值输出为所述量子网络设备在所述目标时刻性能参数的预测性能值;若否,则将该下一个时刻作为当前时刻,并继续执行步骤A1以进行下一步预测过程。
在本发明一个实施例中,所述预测单元在执行计算每一个性能预测模型所预测结果的变化程度时,具体包括:
利用如下公式计算每一个性能预测模型所预测结果的变化程度S:
可以理解的是,本发明实施例示意的结构并不构成对一种量子网络设备性能预测装置的具体限定。在本发明的另一些实施例中,一种量子网络设备性能预测装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本发明任一实施例中的一种量子网络设备性能预测方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,使所述处理器执行本发明任一实施例中的一种量子网络设备性能预测方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种量子网络设备性能预测方法,其特征在于,包括:
确定所需预测的目标时刻,以及,获取待预测量子网络设备在每一个历史时刻性能参数的历史性能值;
根据所述目标时刻距离当前时刻的时间长度,确定性能预测所需使用的性能预测模型的数量和类型;
基于所述每一个历史时刻性能参数的历史性能值,构建相应数量和类型的性能预测模型;
根据构建的性能预测模型输出所述量子网络设备在所述目标时刻性能参数的预测性能值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标时刻距离当前时刻的时间长度,确定性能预测所需使用的性能预测模型的数量和类型,包括:
确定所述时间长度是否超过设定时长;
若是,则性能预测所需使用的性能预测模型的数量为至少两个,且该至少两个性能预测模型分别对应不同类型;
若否,则性能预测所需使用的性能预测模型的数量为一个。
3.根据权利要求2所述的方法,其特征在于,所述设定时长根据获取历史性能值时所对应的最远历史时刻距离当前时刻的时间长度进行确定。
4.根据权利要求2所述的方法,其特征在于,所述性能预测模型至少包括:基于神经网络训练得到的结构化性能预测模型、基于李雅普诺夫指数的混沌性能预测模型或基于Volterra级数的混沌性能预测模型。
5.根据权利要求4所述的方法,其特征在于,所述结构化性能预测模型的训练方法包括:
基于每一个历史时刻性能参数的历史性能值,形成多个样本对;所述样本对包括:设定数量个连续的历史时刻性能参数的历史性能值;其中,所述样本对中最近历史时刻性能参数的历史性能值为输出样本,所述样本对中其他历史时刻性能参数的历史性能值为输入样本;
针对每一个所述样本对的输入样本,均执行:生成每一个性能参数在时间维度上的变化关系矩阵;生成性能参数之间的相关关系矩阵;生成性能参数和性能评价结果之间的映射关系矩阵;将所述变化关系矩阵、所述相关关系矩阵和所述映射关系矩阵作为处理后的输入样本;
利用处理后的多个样本对训练神经网络,直至得到所述结构化性能预测模型。
6.根据权利要求2所述的方法,其特征在于,当性能预测所需使用的性能预测模型的数量为至少两个时,所述根据构建的性能预测模型输出所述量子网络设备在所述目标时刻性能参数的预测性能值,包括:
A1:基于当前时刻及历史时刻性能参数的性能值,利用该至少两个性能预测模型分别预测下一个时刻性能参数的性能值;
A2:基于每一个性能预测模型预测得到的下一个时刻性能参数的性能值,计算每一个性能预测模型所预测结果的变化程度,并选择最小变化程度对应的性能值作为预测得到的下一个时刻性能参数的性能值;
A3:确定该下一个时刻是否为所述目标时刻,若是,则结束,将预测得到的该下一个时刻性能参数的性能值输出为所述量子网络设备在所述目标时刻性能参数的预测性能值;若否,则将该下一个时刻作为当前时刻,并继续执行步骤A1以进行下一步预测过程。
8.一种量子网络设备性能预测装置,其特征在于,包括:
第一确定单元,用于确定所需预测的目标时刻;
获取单元,用于获取待预测量子网络设备在每一个历史时刻性能参数的历史性能值;
第二确定单元,用于根据所述目标时刻距离当前时刻的时间长度,确定性能预测所需使用的性能预测模型的数量和类型;
模型构建单元,用于基于所述每一个历史时刻性能参数的历史性能值,构建相应数量和类型的性能预测模型;
预测单元,用于根据构建的性能预测模型输出所述量子网络设备在所述目标时刻性能参数的预测性能值。
9.一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626554.1A CN116388864B (zh) | 2023-05-31 | 2023-05-31 | 量子网络设备性能预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626554.1A CN116388864B (zh) | 2023-05-31 | 2023-05-31 | 量子网络设备性能预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116388864A true CN116388864A (zh) | 2023-07-04 |
CN116388864B CN116388864B (zh) | 2023-08-11 |
Family
ID=86967876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310626554.1A Active CN116388864B (zh) | 2023-05-31 | 2023-05-31 | 量子网络设备性能预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116388864B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719648A (zh) * | 2023-08-10 | 2023-09-08 | 泰山学院 | 一种用于计算机系统的数据管理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445010A (zh) * | 2020-03-26 | 2020-07-24 | 南京工程学院 | 一种基于证据理论融合量子网络的配网电压趋势预警方法 |
CN113872703A (zh) * | 2021-09-16 | 2021-12-31 | 国科量子通信网络有限公司 | 对量子通信网络中多网元数据进行预测的方法及系统 |
CN115905863A (zh) * | 2022-11-10 | 2023-04-04 | 国开启科量子技术(北京)有限公司 | 机器学习模型训练方法、量子网络设备性能值预测方法 |
-
2023
- 2023-05-31 CN CN202310626554.1A patent/CN116388864B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445010A (zh) * | 2020-03-26 | 2020-07-24 | 南京工程学院 | 一种基于证据理论融合量子网络的配网电压趋势预警方法 |
CN113872703A (zh) * | 2021-09-16 | 2021-12-31 | 国科量子通信网络有限公司 | 对量子通信网络中多网元数据进行预测的方法及系统 |
CN115905863A (zh) * | 2022-11-10 | 2023-04-04 | 国开启科量子技术(北京)有限公司 | 机器学习模型训练方法、量子网络设备性能值预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719648A (zh) * | 2023-08-10 | 2023-09-08 | 泰山学院 | 一种用于计算机系统的数据管理方法及系统 |
CN116719648B (zh) * | 2023-08-10 | 2023-11-07 | 泰山学院 | 一种用于计算机系统的数据管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116388864B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kroese et al. | Network reliability optimization via the cross-entropy method | |
CN116388864B (zh) | 量子网络设备性能预测方法、装置、电子设备及存储介质 | |
US20220405682A1 (en) | Inverse reinforcement learning-based delivery means detection apparatus and method | |
JP7119820B2 (ja) | 予測プログラム、予測方法および学習装置 | |
JP4265296B2 (ja) | 変化点検出装置,変化点検出方法および変化点検出用プログラム | |
CN114428748B (zh) | 一种用于真实业务场景的模拟测试方法及系统 | |
CN110807508A (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
US20220366315A1 (en) | Feature selection for model training | |
EP1920367A1 (en) | Electronic circuit design | |
US11176502B2 (en) | Analytical model training method for customer experience estimation | |
CN117010272A (zh) | 基于强化学习的决策生成方法、装置、计算机设备和介质 | |
JP5135803B2 (ja) | 最適パラメータ探索プログラム、最適パラメータ探索装置および最適パラメータ探索方法 | |
CN115936802A (zh) | 基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质 | |
Borges et al. | Testing the predictive power of variable history web usage | |
CN112231127A (zh) | 电子装置及用于分析设备可靠度的方法 | |
CN112419098A (zh) | 基于安全信息熵的电网安全稳定仿真样本筛选扩充方法 | |
CN112733433A (zh) | 装备测试性策略优化方法和装置 | |
CN116361662B (zh) | 机器学习模型的训练方法及量子网络设备性能预测方法 | |
CN116405323B (zh) | 安全态势感知攻击预测方法、装置、设备、介质及产品 | |
JP7475549B2 (ja) | 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム | |
Shang et al. | Chance Constrained Model Predictive Control via Active Uncertainty Set Learning and Calibration | |
CN115622894B (zh) | 基于历史数据概率分析的动态网络拓扑预测方法与系统 | |
CN116360387B (zh) | 融合贝叶斯网络和性能-故障关系图谱的故障定位方法 | |
JP7362937B2 (ja) | 敵対的生成ネットワークを用いた生産条件生成システム、及びその生産条件生成方法並びに生産条件生成プログラム | |
WO2009107313A1 (ja) | 確率モデル選択装置、確率モデル選択方法、およびプログラム |
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 |