CN116595690A - 基于知识融合图神经网络的计算机网络性能评估模型构建方法、系统、设备及介质 - Google Patents
基于知识融合图神经网络的计算机网络性能评估模型构建方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116595690A CN116595690A CN202310523137.4A CN202310523137A CN116595690A CN 116595690 A CN116595690 A CN 116595690A CN 202310523137 A CN202310523137 A CN 202310523137A CN 116595690 A CN116595690 A CN 116595690A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network
- graph neural
- physical
- knowledge
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 97
- 238000013210 evaluation model Methods 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 title claims abstract description 51
- 238000010276 construction Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 20
- 230000006399 behavior Effects 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于知识融合图神经网络的计算机网络性能评估模型构建方法、系统、设备及介质,方法包括:构建知识算法模块,物理组件库,逻辑组件库,抽取所需的物理组件和逻辑组件,扩充其属性,对扩充属性后的物理、逻辑组件进行编码,对编码扩充属性后的物理、逻辑组件进行连接或者重构,形成图结构,构建图神经网络模型架构,用数据集对图神经网络模型架构进行训练,得到图神经网络模型,对其进行网络拓扑性能指标预测与分析,得到基于知识融合图神经网络的计算机网络性能评估模型构建结果;系统、设备及介质,用于实现基于知识融合图神经网络的计算机网络性能评估模型构建方法;本发明具有可解释性好、使用场地灵活、能真实反映网络的运行机制的特点。
Description
技术领域
本发明涉及计算机网络性能评估技术领域,具体涉及基于知识融合图神经网络的计算机网络性能评估模型构建方法、系统、设备及介质。
背景技术
计算机网络规模日渐庞大,用于优化网络性能而提出的新算法也层出不穷。计算机网络性能评估模型构建在提前验证这些优化算法的可行性以及性能的方面扮演了重要角色。计算机网络性能评估模型构建是指使用各种数学模型或其他方法,如机器学习等,来描述、分析和优化计算机网络的行为。网络性能评估模型可以帮助我们预测网络的性能、安全性和可靠性等指标,并为我们提供优化网络结构和协议的方案。在计算机网络性能评估领域,人们最初使用数学模型来模拟网络的行为,例如排队轮等,然而,随着机器学习技术的发展,学者们开始将神经网络的方法运用到网络建模中。运用神经网络对计算机网络进行仿真与建模是一种精确度高,效率高且成本低的方法,基本的基于神经网络的计算机网络仿真模型是由输入层、隐藏层和输出层组成的,在这个基础上,我们可以逐步加入各种协议和应用程序,形成更加完整的仿真模型。通过将计算机网络知识嵌入到网络仿真模型中,我们可以更加真实地模拟网络中各种设备和协议的行为,提高仿真模型的真实性和可信度。
为了解决表示对象之间复杂关系的非欧氏域数据处理问题,图神经网络(graphneural network,GNN)被提出用于处理图结构数据,已广泛用于社交网络、知识图谱以及交通系统等领域。GNN能够更准确和灵活地对图中节点之间的依赖关系进行数据建模。计算机网络中的各种实体,例如转发节点、链路之间存在依赖关系,将GNN应用于计算机网络建模中,对网络中各种实体之间的依赖关系进行精准建模。
论文《RouteNet:Leveraging Graph Neural Networks for Network Modelingand Optimization in SDN》,是将计算机网络抽象成一系列链路、路径组成的图结构,采用图神经网络对计算机网络进行建模,聚合链路、路径之间的消息,去预测时延、抖动、丢包率等网络性能指标,并将最终训练好的模型用于SDN场景下的时延优化(In this paper wepropose RouteNet,a novel network model based_on Graph Neural Network(GNN)thatis able to understand the complex relationship between topology,routing,andinput traffic to produce accurate estimates of the per-source/destinationper-packet delay distribution and loss.Finally,and in order to showcase thepotential ofour GNN model we present a series ofuse cases applicable to a SDNarchitecture.);现有的基于神经网络的计算机网络性能评估模型通常只考虑网络拓扑结构和流量以及路由等构成网络行为的基本的因素,忽略了网络中包含的其他复杂知识和算法对网络的影响。这导致了使用神经网络的计算机网络模型通常可解释性很差,应用场景少且使用起来不够灵活。并且如果没有计算机网络中的知识和算法的支持,网络模型只能是一些简单的数据和算法组合,不能真实地反映网络的运行机制。例如论文《RouteNet:Leveraging Graph Neural Networks for Network Modeling and Optimization inSDN》,(The main assumption behind RouteNet is that information at the pathlevel(e.g.,end-to-end metrics such as delays or packet loss)and the linklevel(e.g.,link delay,packet loss rate,link uti-lization)can be encoded inlearnable vectors ofreal numbers(path and link state vectors respectively).Note that the path abstraction may not necessarily correspond to a physicalpath.It could be a generic end-to-end traffic flow.);将计算机网络抽象的过于简单,只包含链路和路径,而这样的网络是一个概念比较泛化的网络,并未体现出SDN网络架构以及其内部调度算法的特殊性,导致其最终SDN场景中的时延优化效果不是很理想且使用起来局限性很大,只能用于最基本的网络场景中,不能真实地反映网络运行机制的特点。
专利申请号为[202111619382.2]的专利申请,提供了一种面向NAS的免训练神经网络性能评估方法、装置和设备,通过基于NAS的搜索策略搜索得到神经网络结构,获取神经网络结构在初始化时,不同输入样本在所有隐藏层中产生的响应,最后计算响应间的相关性,并根据相关性计算得到神经网络结构的网络性能评分;由于其使用的NAS技术是基于任务目标及相应的数据集,直接自动生成深度神经网络架构,缺少人工搭建神经网络的过程,因此具有可解释性差,使用场景局限性大的特点。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种基于知识融合图神经网络的计算机网络性能评估模型构建方法、系统、设备及介质,通过知识算法模块对物理组件和逻辑组件的单个组件行为进行影响,以及对图神经网络架构中的图结构的连接关系进行影响,将知识算法融合到基于图神经网络构建的计算机网络性能评估模型中,具有可解释性好、使用场地灵活、能真实反映网络的运行机制的特点。
基于知识融合图神经网络的计算机网络性能评估模型构建方法,包括以下步骤:
步骤1,根据计算机网络知识多模态中的语音、文本和图像,构建知识算法模块,物理组件库,逻辑组件库;
步骤2,根据计算机网络场景以及步骤1得到的知识算法模块在步骤1得到的物理组件库和逻辑组件库中抽取所需的物理组件和逻辑组件;
步骤3,扩充步骤2中抽取的物理组件和逻辑组件的属性;
步骤4,将步骤3扩充属性后的物理组件和逻辑组件进行编码,得到隐藏状态向量,公式如下:
其中,代表某种编号为i组件在T时刻的状态,R代表路由器,S代表交换机,T代表终端,L代表链路,P代表路径,F代表流;
步骤5,将步骤4编码扩充属性后的物理组件和逻辑组件进行连接或者重构,形成图神经网络输入所需的图结构;
步骤6,根据步骤5得到的图结构,构建图神经网络模型架构;
步骤7,在节点为14-24的网络中进行数据采集,得到训练所需的数据集;
步骤8,将步骤7得到的数据集对步骤6得到的图神经网络模型架构进行训练和误差评估,得到精确的图神经网络模型;再将得到的精确的图神经网络模型输入到节点为300及以上的网络中,进行网络拓扑性能指标预测与分析,得到基于知识融合图神经网络的计算机网络性能评估模型构建结果。
所述步骤1中的知识算法模块,指具体算法中所影响的物理组件以及逻辑组件对其行为产生影响的描述;具体算法包括数据链路层与网络层中的传输控制、安全措施、管理与监控方法:
物理组件包含:节点模块,包含路由器,交换机,终端,其基本特性描述如下:
路由器:包含路由表(N*N矩阵),端口,端口处的队列;表示为:
其中,Ri代表编号为i的路由器的特征,N*N节点数为N的拓扑中的路由表,pj代表路由器中编号为j的端口,代表此队列是属于编号为j端口,队列编号为k;
交换机:端口及其连接线路速率;表示为:
其中,Si代表编号为i的交换机的特征,pj代表交换机中编号为j的端口,代表其中某个端口的连接链路速率;
终端:流量产生,包含流量特征;表示为:
Ti∈<Markovian;Possion;On-Off;Autocorrelated exponentials...>
其中,Ti代表编号为i的终端的流量分布特征;
逻辑组件包含:链路,路径,数据流,其包含的基本特征如下:
链路:连接的节点,带宽,占用率;表示为:
Li=<{src,dst},c,d/c>
其中,Li代表编号为i的链路特征,src代表源节点,dst代表目的节点,c代表带宽,d/c代表占用率;
路经:一系列链路组成,代表单包的转发路径;表示为:
Pi=<l1,l2...,lj>
其中,Pi代表编号为i的路径特征,lj代表此路径包含的编号为j链路特征;
数据流:一系列路径组成;表示为:
Fi=<p1,p2...,pj>
其中,Fi代表编号为i的流特征,Pj代表此流包含的编号为j路径特征。
所述步骤3中扩充抽取的物理组件和逻辑组件的属性,具体过程为:
确定知识算法模块对物理组件和逻辑组件的输入输出以及物理组件和逻辑组件行为影响,并根据这种影响,参照如下公式,采用独热码的形式增加物理组件和逻辑组件的算法相关属性:
Algorithm→<Attribute(One-hot code)>
所述的组件行为影响,是指使用独热码表征组件的在算法影响下而产生的不同状态。
所述步骤5根据算法知识模块及拓扑连接关系,将具有直接关联的节点连接在一起,抽象成图神经网络输入所需的图结构,其中,图结构是指由点、边组成的数据结构,点的属性是指步骤4中所述的物理和逻辑组件的隐藏状态向量,边是指步骤5.1-5.3中的连接及重构过程;所述步骤5的具体过程为:
步骤5.1,将编码扩充属性后的物理组件按照拓扑中的连接方式直接连接起来,得到物理局部图结构;
步骤5.2,将编码扩充属性后的逻辑组件连接到根据步骤5.1得到的物理局部图结构中,得到物理-逻辑图结构;
步骤5.3,按照知识算法模块对步骤5.1得到的物理局部图结构和步骤5.2得到的物理-逻辑图结构进行重构,得到图神经网络输入所需的图结构;所述重构的具体步骤是:
步骤5.3.1,按照知识算法模块中的描述,将步骤5.1得到物理局部图结构和步骤5.2得到的物理-逻辑图结构建立连接;
步骤5.3.2,删除步骤5.3.1中的重复的以及多余的连接。
所述步骤6构建图神经网络模型架构的具体过程为:
步骤6.1,根据步骤5得到的图神经网络输入所需的图结构之间的连接关系,确定组件状态的更新由哪些组件状态决定,并初始化对应的物理组件和逻辑组件的特征向量,使用0填充,使得所有特征向量的维度相同;
步骤6.2,通过门控循环单元即Gated Recurrent Units(GRU)聚合步骤6.1得到的相关组件的特征向量,聚合一次作为一步状态更新,称为一次消息传递;
步骤6.3,将步骤6.2中的一次消息传递循环N次,构成N次消息传递的过程,得到图的高阶隐藏特征;
步骤6.4,不断重复步骤6.1-6.3,获得所需的传递消息后加激活函数的全连接神经网络,得到图神经网络模型架构。
所述步骤7在节点为14-24的网络中进行数据采集,得到训练所需的数据集,具体为:
在真实网络中或使用离散事件网络仿真器按照需求搭建一个节点为14-24的小型网络,收集数据集,并将数据集抽取一部分用于网络模型的训练,剩余的部分作为测试集对模型进行泛化误差评估。
所述步骤8中将步骤7得到的数据集对步骤6得到的图神经网络模型架构进行训练和误差评估,得到精确的图神经网络模型,具体过程为:
将步骤7中的数据集抽取的一部分用于步骤6中的网络模型的训练,剩余的部分作为测试集对模型进行评估,训练时设置好优化器的初始学习率以及损失函数。
将精确图神经网络模型输入到节点为300及以上的网络中,进行网络拓扑性能指标预测与分析,得到基于知识融合图神经网络的计算机网络性能评估模型构建结果,具体过程为:
将经过训练与评估之后预测结果准确率超过90%的模型,用于预测想要性能评估的目标拓扑的性能指标,包括时延、抖动、丢包率,并且根据需求对预测的性能指标进行分析,将性能指标赋予适当的权重用以评估算法的优劣。
基于知识融合图神经网络的计算机网络性能评估模型构建系统,包括:
物理组件库,逻辑组件库,知识算法模块创建模块:用于创建后续步骤所需要的物理组件库,逻辑组件库,知识算法模块,将计算机网络知识或算法转化为对网络中各个物理组件和逻辑组件的行为影响的描述,构成知识算法模块,将路由器,交换机,终端物理设备构成物理组件库,将网络中不能直接描述而需要抽象的部分包含:链路、路径、数据流组成逻辑组件库;
图结构抽象模块:根据知识算法模块及计算机网络场景抽取相应的物理组件和逻辑组件,并扩展其属性,编码得到隐藏状态向量,并且按照知识算法模块以及计算机网络场景将这些组件进行连接得到图结构;
图神经网络模型建立模块:根据图结构中各组件的连接关系构建图神经网络框架,并且使用构建的数据集对图神经网络进行训练与评估,得到精确的图神经网络模型;
网络性能评估模块:将精确的图神经网络模型运用到节点为300及以上的网络中,进行网络拓扑性能指标预测与分析,得到基于知识融合图神经网络的计算机网络性能评估模型构建结果。
基于知识融合图神经网络的计算机网络性能评估模型构建设备,包括:
存储器:用于存储实现所述的一种基于知识融合图神经网络的计算机网络性能评估模型构建方法的计算机程序;
处理器,用于执行所述计算机程序时实现所述的一种基于知识融合图神经网络的计算机网络性能评估模型构建方法。
一种计算机可读存储介质,包括:
所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时能够实现一种基于知识融合图神经网络的计算机网络性能评估模型构建方法。
相对于现有技术,本发明的有益效果在于:
1.本发明通过引入构建物理组件库、逻辑组件库,不仅将常用的基本物理中实际存在的器件设计组成物理器件库,并且将网络中一些基本但重要的逻辑组件也抽象并设计组成逻辑组件库,在组件库中的组件可以根据使用者的需求增添属性,使得知识算法可以影响单独的器件行为,与现有技术相比,对网络行为的模拟更加真实,应用范围更广,且保证了使用者的调用与设计的使用场地的灵活性。
2.由于本发明使用图神经网络架构,使得计算机网络知识不仅可以影响单独器件的行为而且可以通过影响图结构的连接进而直接影响神经网络的结构,与现有技术相比,更进一步的将计算机网络知识嵌入到计算机网络模型的构建中,增强了基于神经网络模型的计算机网络模型的可解释性,能真实反应网络的运行机制。
综上所述,本发明通过知识算法模块对物理组件和逻辑组件的单个组件行为进行影响,以及对图神经网络架构中的图结构的连接关系进行影响,将知识算法融合到基于图神经网络构建的计算机网络性能评估模型中,因此具有可解释性好、使用场地灵活、能真实反映网络的运行机制的特点。
附图说明
图1是本发明的流程图。
图2是本发明的总体框架图。
图3是本发明对根据抽取出的物理组件和逻辑组件形成图神经网络输入所需的图结构的转换图;其中,图3(a)是一个数据中心网络场景,图3(b)是数据中心网络场景抽象后的物理-逻辑图结构。
具体实施方式
参见图1、图2,一种基于知识融合图神经网络的计算机网络性能评估模型构建方法,包括以下步骤:
步骤1,根据计算机网络知识多模态中的语音、文本和图像,构建知识算法模块,物理组件库,逻辑组件库;
将计算机网络知识或算法转化为对网络中各个物理组件和逻辑组件的行为影响的描述,构成知识算法模块;将终端,路由器,交换机等物理设备构成物理组件库,将网络中不能直接描述而需要抽象的部分包含:链路、路径、数据流组成逻辑组件库;
所述步骤1中的知识算法模块,指具体算法中所影响的物理组件以及逻辑组件对其行为产生影响的描述;具体算法包括数据链路层与网络层中的传输控制、安全措施、管理与监控方法:
物理组件包含:节点模块,包括路由器,交换机,终端,其基本特性描述如下:
路由器:包含路由表(N*N矩阵),端口,端口处的队列;表示为:
其中,Ri代表编号为i的路由器的特征,N*N节点数为N的拓扑中的路由表,pj代表路由器中编号为j的端口,代表此队列是属于编号为j端口,队列编号为k;
交换机:端口及其连接线路速率;表示为:
其中,Si代表编号为i的交换机的特征,pj代表交换机中编号为j的端口,代表其中某个端口的连接链路速率;
终端:流量产生,包含流量特征;表示为:
Ti∈<Markovian;Possion;On-Off;Autocorrelated exponentials...>
其中,Ti代表编号为i的终端的流量分布特征;
逻辑组件包含:链路,路径,数据流,其包含的基本特征如下:
链路:连接的节点,带宽,占用率;表示为:
Li=<{src,dst},c,d/c>
其中,Li代表编号为i的链路特征,src代表源节点,dst代表目的节点,c代表带宽,d/c代表占用率;
路经:一系列链路组成,代表单包的转发路径;表示为:
Pi=<l1,l2...,lj>
其中,Pi代表编号为i的路径特征,lj代表此路径包含的编号为j链路特征;
数据流:一系列路径组成;表示为:
Fi=<p1,p2...,pj>
其中,Fi代表编号为i的流特征,Pj代表此流包含的编号为j路径特征。
步骤2,根据计算机网络场景以及步骤1得到的知识算法模块在步骤1得到的物理组件库和逻辑组件库中抽取所需的物理组件和逻辑组件;
步骤3,扩充步骤2中抽取的物理组件和逻辑组件的属性;具体过程为:
确定知识算法模块对物理组件和逻辑组件的输入输出以及物理组件和逻辑组件行为影响,并根据这种影响,参照如下公式,采用独热码的形式增加物理组件和逻辑组件的算法相关属性:
Algorithm→<Attribute(One-hot code)>
所述的组件行为影响,是指使用独热码表征组件的在算法影响下而产生的不同状态。
步骤4,将步骤3扩充属性后的物理组件和逻辑组件进行编码,得到隐藏状态向量,公式如下:
其中,代表某种编号为i组件在T时刻的状态,R代表路由器,S代表交换机,T代表终端,L代表链路,P代表路径,F代表流;
所述将步骤3扩充属性后的物理组件和逻辑组件进行编码,是指python编程语言中的深度学习库Tensorflow中所使用的张量。
步骤5,将步骤4编码扩充属性后的物理组件和逻辑组件进行连接或者重构,形成图神经网络输入所需的图结构;所述步骤5根据算法知识模块及拓扑连接关系,将具有直接关联的节点连接在一起,抽象成图神经网络输入所需的图结构,其中,图结构是指由点、边组成的数据结构,点的属性是指步骤4中所述的物理和逻辑组件的隐藏状态向量,边是指步骤5.1-5.3中的连接及重构过程;所述步骤5的具体过程为:
步骤5.1,将编码扩充属性后的物理组件按照拓扑中的连接方式直接连接起来,得到物理局部图结构;
步骤5.2,将编码扩充属性后的逻辑组件连接到根据步骤5.1得到的物理局部图结构中,得到物理-逻辑图结构;
步骤5.3,按照知识算法模块对步骤5.1得到的物理局部图结构和步骤5.2得到的物理-逻辑图结构进行重构,得到图神经网络输入所需的图结构;所述重构的具体步骤是:
步骤5.3.1,按照知识算法模块中的描述,将步骤5.1得到物理局部图结构和步骤5.2得到的物理-逻辑图结构建立连接;
步骤5.3.2,删除步骤5.3.1中的重复的以及多余的连接。
步骤6,根据步骤5得到的图结构,构建图神经网络模型架构;具体过程为:
步骤6.1,根据步骤5得到的形成图神经网络输入所需的图结构之间的连接关系,确定组件状态的更新由哪些组件状态决定,并初始化对应的物理组件和逻辑组件的特征向量,使用0填充,使得所有特征向量的维度相同;
步骤6.2,通过门控循环单元即Gated Recurrent Units(GRU)聚合步骤6.1得到的相关组件的特征向量,聚合一次作为一步状态更新,称为一次消息传递;
步骤6.3,将步骤6.2中的一次消息传递循环N次,构成N次消息传递的过程,得到图的高阶隐藏特征;
步骤6.4,不断重复步骤6.1-6.3,获得所需的传递消息后加激活函数的全连接神经网络,得到图神经网络模型架构。
步骤7,在节点为14-24的网络中进行数据采集,得到训练所需的数据集,具体过程为:
在真实网络中或使用离散事件网络仿真器按照需求搭建一个节点为14-24的小型网络,收集数据集,并将数据集抽取一部分用于网络模型的训练,剩余的部分作为测试集对模型进行泛化误差评估。
步骤8,将步骤7得到的数据集对步骤6得到的图神经网络模型架构进行训练和误差评估,得到精确的图神经网络模型;再将得到的精确图神经网络模型,输入到节点为300及以上的网络中,进行网络拓扑性能指标预测与分析,得到基于知识融合图神经网络的计算机网络性能评估模型构建结果;具体过程为:
将步骤7中的数据集抽取80%用于步骤6中的网络模型的训练,剩余的20%作为测试集对模型进行评估,训练时设置好优化器的初始学习率以及损失函数。初始学习率为0.001的Adam优化器,将均方误差(MSE)设置为损失函数。
将精确图神经网络模型,输入到节点为300及以上的网络中,进行网络拓扑性能指标预测与分析,得到基于知识融合图神经网络的计算机网络性能评估模型构建结果;具体过程为:
将经过训练与评估之后预测结果准确率超过90%的模型,用于预测想要性能评估的目标拓扑的性能指标,包括时延、抖动、丢包率,并且根据需求对预测的性能指标进行分析,将性能指标赋予适当的权重用以评估算法的优劣。
参见图3,图3(a)代表一个数据中心网络场景,其网络由电脑终端,路由器,交换机,链路,流,路径构成,图3(b)是其抽象后的物理-逻辑图结构,其中灰色的线代表物理上的连接,蓝色和红色的线代表逻辑上的连接。
基于知识融合图神经网络的计算机网络性能评估模型构建系统,包括:
物理组件库,逻辑组件库,知识算法模块创建模块:用于创建后续步骤所需要的物理组件库,逻辑组件库,知识算法模块,将计算机网络知识或算法转化为对网络中各个物理组件和逻辑组件的行为影响的描述,构成知识算法模块,将路由器,交换机,终端物理设备构成物理组件库,将网络中不能直接描述而需要抽象的部分包含:链路、路径、数据流组成逻辑组件库;
图结构抽象模块:根据知识算法模块及计算机网络场景抽取相应的物理组件和逻辑组件,并扩展其属性,编码得到隐藏状态向量,并且按照知识算法模块以及计算机网络场景将这些组件进行连接得到图结构;
图神经网络模型建立模块:根据图结构中各组件的连接关系构建图神经网络框架,并且使用构建的数据集对图神经网络进行训练与评估,得到精确的图神经网络模型;
网络性能评估模块:将精确的图神经网络模型运用到节点为300及以上的网络中,进行网络拓扑性能指标预测与分析,得到基于知识融合图神经网络的计算机网络性能评估模型构建结果。
基于知识融合图神经网络的计算机网络性能评估模型构建设备,包括:
存储器:用于存储实现所述的一种基于知识融合图神经网络的计算机网络性能评估模型构建方法的计算机程序;
处理器,用于执行所述计算机程序时实现所述的一种基于知识融合图神经网络的计算机网络性能评估模型构建方法。
一种计算机可读存储介质,包括:
所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时能够实现一种基于知识融合图神经网络的计算机网络性能评估模型构建方法。
基于知识融合图神经网络的计算机网络性能评估模型是一种将知识融合和图神经网络技术相结合的网络模型,其核心思想是通过知识算法影响单独的网络器件的行为以及网络模型的架构,以达到利用先验知识来帮助图神经网络更准确地学习网络数据的特征的结果,从而提高网络性能评估的精度和效率。
基于知识融合图神经网络的计算机网络性能评估模型最典型的应用场景是通信网络中的算法评估和优化。例如路由算法,流量控制算法等数据链路层与网络层中的传输控制、安全措施、管理与监控方法,将这些算法嵌入到网络模型中,用以在不同网络场景中对其性能(时延、抖动、丢包率)造成的影响评估,并在此基础上进行优化。
数据中心网络的拓扑结构通常为复杂的多层结构,同时节点之间的关系也较为复杂。为了准确地评估其性能,需要考虑到多种因素,例如数据中心网络中的拓扑结构、网络拥塞程度以及路由算法等。基于知识融合图神经网络的计算机网络性能评估模型能够将这些因素结合起来,对网络性能进行准确预测与评估。
无线网络的性能评估需要考虑多个方面,如带宽利用率、传输延迟、能耗等指标。基于知识融合图神经网络的计算机网络性能评估模型,通过将这些关键因素引入到算法模块以及组件库的构建中,将传统的复杂分析运算过程,变成神经网络学习的过程,可以很好地解决传统方法复杂度高,精度不高的问题。
在卫星通信网络这个较新的领域中,基于知识融合图神经网络的计算机网络性能评估模型可以应用于许多方面,如网络拓扑设计、链路容量分配、调度算法设计等。例如,在网络拓扑设计中,该模型可以根据网络拓扑结构和节点属性,快速评估不同拓扑结构对网络性能的影响,进而选择最佳的网络拓扑结构。在链路容量分配中,该模型可以根据用户需求、信道状态等因素,实时分配链路容量,保证网络的高效、稳定和可靠性。在调度算法设计中,该模型可以根据不同的调度策略和场景,预测网络性能,从而设计出更加高效的调度算法。
基于知识融合图神经网络的计算机网络性能评估模型还可以用于卫星通信网络中的资源分配、动态路由选择、传输协议设计等方面。例如,在资源分配方面,该模型可以根据网络负载情况和节点属性,优化资源分配,提高网络资源的利用率。在动态路由选择方面,该模型可以根据不同的路由选择策略和场景,预测网络性能,从而选择最佳的路由路径。在传输协议设计方面,该模型可以根据卫星通信网络的特点和需求,设计出更加适合卫星通信网络的传输协议,提高数据传输的效率和可靠性。
此外,基于知识融合图神经网络的计算机网络性能评估模型的构建方法在一些类网络的应用场景中也具有很大的潜力。例如,在云计算中,由于云计算系统具有高度的动态性和复杂性,网络性能评估成为了关键的问题。传统的网络性能评估方法难以适应云计算系统的特点,而基于知识融合图神经网络的计算机网络性能评估模型则能够针对性地解决这一问题。基于知识融合图神经网络的计算机网络性能评估模型还可以应用于物联网领域。随着物联网技术的发展,物联网设备的数量呈现出爆炸式增长的趋势,这也使得物联网的网络性能评估变得更加重要。基于知识融合图神经网络的计算机网络性能评估模型可以通过对物联网设备进行监测和分析,实现对物联网网络的性能评估和优化,提高物联网系统的可靠性和稳定性。
Claims (10)
1.基于知识融合图神经网络的计算机网络性能评估模型构建方法,其特征在于,包括以下步骤:
步骤1,根据计算机网络知识多模态中的语音、文本和图像,构建知识算法模块,物理组件库,逻辑组件库;
步骤2,根据计算机网络场景以及步骤1得到的知识算法模块在步骤1得到的物理组件库和逻辑组件库中抽取所需的物理组件和逻辑组件;
步骤3,扩充步骤2中抽取的物理组件和逻辑组件的属性;
步骤4,将步骤3扩充属性后的物理组件和逻辑组件进行编码,得到隐藏状态向量,公式如下:
其中,代表某种编号为i组件在T时刻的状态,R代表路由器,S代表交换机,T代表终端,L代表链路,P代表路径,F代表流;
步骤5,将步骤4编码扩充属性后的物理组件和逻辑组件进行连接或者重构,形成图神经网络输入所需的图结构;
步骤6,根据步骤5得到的图结构,构建图神经网络模型架构;
步骤7,在节点为14-24的网络中进行数据采集,得到训练所需的数据集;
步骤8,将步骤7得到的数据集对步骤6得到的图神经网络模型架构进行训练和误差评估,得到精确的图神经网络模型;再将得到的精确的图神经网络模型,输入到节点为300及以上的网络中,进行网络拓扑性能指标预测与分析,得到基于知识融合图神经网络的计算机网络性能评估模型构建结果。
2.根据权利要求1所述的基于知识融合图神经网络的计算机网络性能评估模型构建方法,其特征在于,所述步骤1中的知识算法模块,指具体算法中所影响的物理组件以及逻辑组件对其行为产生影响的描述;具体算法包括数据链路层与网络层中的传输控制、安全措施、管理与监控方法:
物理组件包含:节点模块,包括路由器,交换机,终端,其基本特性描述如下:
路由器:包含路由表(N*N矩阵),端口,端口处的队列;表示为:
其中,Ri代表编号为i的路由器的特征,N*N节点数为N的拓扑中的路由表,pj代表路由器中编号为j的端口,代表此队列是属于编号为j端口,队列编号为k;
交换机:端口及其连接线路速率;表示为:
其中,Si代表编号为i的交换机的特征,pj代表交换机中编号为j的端口,代表其中某个端口的连接链路速率;
终端:流量产生,包含流量特征;表示为:
Ti∈<Markovian;Possion;On-Off;Autocorrelated exponentials...>
其中,Ti代表编号为i的终端的流量分布特征;
逻辑组件包含:链路,路径,数据流,其包含的基本特征如下:
链路:连接的节点,带宽,占用率;表示为:
Li=<{src,dst},c,d/c>
其中,Li代表编号为i的链路特征,src代表源节点,dst代表目的节点,c代表带宽,d/c代表占用率;
路经:一系列链路组成,代表单包的转发路径;表示为:
Pi=<l1,l2...,lj>
其中,Pi代表编号为i的路径特征,lj代表此路径包含的编号为j链路特征;
数据流:一系列路径组成;表示为:
Fi=<p1,p2...,pj>
其中,Fi代表编号为i的流特征,Pj代表此流包含的编号为j路径特征。
3.根据权利要求1所述的基于知识融合图神经网络的计算机网络性能评估模型构建方法,其特征在于,所述步骤3中扩充抽取的物理组件和逻辑组件的属性,具体过程为:
确定知识算法模块对物理组件和逻辑组件的输入输出以及物理组件和逻辑组件行为影响,并根据这种影响,参照如下公式,采用独热码的形式增加物理组件和逻辑组件的算法相关属性:
Algorithm→<Attribute(One-hot code)>
所述的组件行为影响,是指使用独热码表征组件的在算法影响下而产生的不同状态。
4.根据权利要求1所述的基于知识融合图神经网络的计算机网络性能评估模型构建方法,其特征在于,所述步骤5根据算法知识模块及拓扑连接关系,将具有直接关联的节点连接在一起,抽象成图神经网络输入所需的图结构,其中,图结构是指由点、边组成的数据结构,点的属性是指步骤4中所述的物理和逻辑组件的隐藏状态向量,边是指步骤5.1-5.3中的连接及重构过程;所述步骤5的具体过程为:
步骤5.1,将编码扩充属性后的物理组件按照拓扑中的连接方式直接连接起来,得到物理局部图结构;
步骤5.2,将编码扩充属性后的逻辑组件连接到根据步骤5.1得到的物理局部图结构中,得到物理-逻辑图结构;
步骤5.3,按照知识算法模块对步骤5.1得到的物理局部图结构和步骤5.2得到的物理-逻辑图结构进行重构,得到图神经网络输入所需的图结构;所述重构的具体步骤是:
步骤5.3.1,按照知识算法模块中的描述,将步骤5.1得到物理局部图结构和步骤5.2得到的物理-逻辑图结构建立连接;
步骤5.3.2,删除步骤5.3.1中的重复的以及多余的连接。
5.根据权利要求1所述的基于知识融合图神经网络的计算机网络性能评估模型构建方法,其特征在于,所述步骤6构建图神经网络模型架构的具体过程为:
步骤6.1,根据步骤5得到的图神经网络输入所需的图结构之间的连接关系,确定组件状态的更新由哪些组件状态决定,并初始化对应的物理组件和逻辑组件的特征向量,使用0填充,使得所有特征向量的维度相同;
步骤6.2,通过门控循环单元即GatedRecurrentUnits(GRU)聚合步骤6.1得到的相关组件的特征向量,聚合一次作为一步状态更新,称为一次消息传递;
步骤6.3,将步骤6.2中的一次消息传递循环N次,构成N次消息传递的过程,得到图的高阶隐藏特征;
步骤6.4,不断重复步骤6.1-6.3,获得所需的传递消息后加激活函数的全连接神经网络,得到图神经网络模型架构。
6.根据权利要求1所述的基于知识融合图神经网络的计算机网络性能评估模型构建方法,其特征在于,所述步骤7在节点为14-24的网络中进行数据采集,得到训练所需的数据集,具体为:
在真实网络中或使用离散事件网络仿真器按照需求搭建一个节点为14-24的小型网络,收集数据集,并将数据集抽取一部分用于网络模型的训练,剩余的部分作为测试集对模型进行泛化误差评估。
7.根据权利要求1所述的基于知识融合图神经网络的计算机网络性能评估模型构建方法,其特征在于,所述步骤8中将步骤7得到的数据集对步骤6得到的图神经网络模型架构进行训练和误差评估,得到精确的图神经网络模型,具体过程为:
将步骤7中的数据集抽取的一部分用于步骤6中的网络模型的训练,剩余的部分作为测试集对模型进行评估,训练时设置好优化器的初始学习率以及损失函数;
将精确图神经网络模型输入到节点为300及以上的网络中,进行网络拓扑性能指标预测与分析,得到基于知识融合图神经网络的计算机网络性能评估模型构建结果,具体过程为:
将经过训练与评估之后预测结果准确率超过90%的模型,用于预测想要性能评估的目标拓扑的性能指标,包括时延、抖动、丢包率,并且根据需求对预测的性能指标进行分析,将性能指标赋予适当的权重用以评估算法的优劣。
8.基于知识融合图神经网络的计算机网络性能评估模型构建系统,其特征在于,包括:
物理组件库,逻辑组件库,知识算法模块创建模块:用于创建后续步骤所需要的物理组件库,逻辑组件库,知识算法模块,将计算机网络知识或算法转化为对网络中各个物理组件和逻辑组件的行为影响的描述,构成知识算法模块,将路由器,交换机,终端物理设备构成物理组件库,将网络中不能直接描述而需要抽象的部分包含:链路、路径、数据流组成逻辑组件库;
图结构抽象模块:根据知识算法模块及计算机网络场景抽取相应的物理组件和逻辑组件,并扩展其属性,编码得到隐藏状态向量,并且按照知识算法模块以及计算机网络场景将这些组件进行连接得到图结构;
图神经网络模型建立模块:根据图结构中各组件的连接关系构建图神经网络框架,并且使用构建的数据集对图神经网络进行训练与评估,得到精确的图神经网络模型;
网络性能评估模块:将精确的图神经网络模型运用到节点为300及以上的网络中,进行网络拓扑性能指标预测与分析,得到基于知识融合图神经网络的计算机网络性能评估模型构建结果。
9.基于知识融合图神经网络的计算机网络性能评估模型构建设备,其特征在于,包括:
存储器:用于存储实现所述权利要求1-7的一种基于知识融合图神经网络的计算机网络性能评估模型构建方法的计算机程序;
处理器,用于执行所述计算机程序时实现所述权利要求1-7的一种基于知识融合图神经网络的计算机网络性能评估模型构建方法。
10.一种计算机可读存储介质,其特征在于,包括:
所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时能够实现权利要求1-7一种基于知识融合图神经网络的计算机网络性能评估模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310523137.4A CN116595690A (zh) | 2023-05-10 | 2023-05-10 | 基于知识融合图神经网络的计算机网络性能评估模型构建方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310523137.4A CN116595690A (zh) | 2023-05-10 | 2023-05-10 | 基于知识融合图神经网络的计算机网络性能评估模型构建方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116595690A true CN116595690A (zh) | 2023-08-15 |
Family
ID=87605686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310523137.4A Pending CN116595690A (zh) | 2023-05-10 | 2023-05-10 | 基于知识融合图神经网络的计算机网络性能评估模型构建方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595690A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116841536A (zh) * | 2023-08-30 | 2023-10-03 | 成都摹客科技有限公司 | 一种组件引用关系重构方法、装置、系统及存储介质 |
-
2023
- 2023-05-10 CN CN202310523137.4A patent/CN116595690A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116841536A (zh) * | 2023-08-30 | 2023-10-03 | 成都摹客科技有限公司 | 一种组件引用关系重构方法、装置、系统及存储介质 |
CN116841536B (zh) * | 2023-08-30 | 2023-12-05 | 成都摹客科技有限公司 | 一种组件引用关系重构方法、装置、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Manias et al. | Making a case for federated learning in the internet of vehicles and intelligent transportation systems | |
Suárez-Varela et al. | Graph neural networks for communication networks: Context, use cases and opportunities | |
CN111245673B (zh) | 一种基于图神经网络的sdn时延感知方法 | |
CN111368888A (zh) | 基于深度动态贝叶斯网络的服务功能链故障诊断方法 | |
CN113158543A (zh) | 一种软件定义网络性能智能预测方法 | |
Ferriol-Galmés et al. | RouteNet-Fermi: Network modeling with graph neural networks | |
CN111245718A (zh) | 一种基于sdn情景感知的路由优化方法 | |
CN113360349A (zh) | 基于大数据和云业务的信息优化方法及人工智能监测系统 | |
CN116595690A (zh) | 基于知识融合图神经网络的计算机网络性能评估模型构建方法、系统、设备及介质 | |
Li et al. | Traffic modeling and optimization in datacenters with graph neural network | |
Liu et al. | Deep generative model and its applications in efficient wireless network management: A tutorial and case study | |
Bonaventura et al. | Fluid-flow and packet-level models of data networks unified under a modular/hierarchical framework: Speedups and simplicity, combined | |
Ashok et al. | iBox: Internet in a Box | |
CN113541986B (zh) | 5g切片的故障预测方法、装置及计算设备 | |
CN114070775A (zh) | 面向5g智能网联系统的区块链网络切片安全智能优化方法 | |
Li et al. | Noception: a fast ppa prediction framework for network-on-chips using graph neural network | |
Afifi et al. | Machine Learning with Computer Networks: Techniques, Datasets and Models | |
CN115913426A (zh) | 一种虚实协同的天地一体化场景仿真系统 | |
CN115292044A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
Li et al. | Online coordinated NFV resource allocation via novel machine learning techniques | |
Liu et al. | A discrete-event-based simulator for distributed deep learning | |
Wang et al. | TSN switch queue length prediction based on an improved LSTM network | |
Sghaier et al. | Model Based Validation of Real Time QoS for NCDCLA Protocol in Wireless Sensor Networks | |
Modi et al. | Enhanced routing using recurrent neural networks in software defined‐data center network | |
Poncea et al. | Design and implementation of an Openflow SDN controller in NS-3 discrete-event network simulator |
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 |