The invention discloses a resource reservation method based on attention mechanism and flow prediction model, which first obtains the historical flow data and preprocesses the data; calculates the weight coefficient of the preprocessed data by using attention mechanism; constructs the LSTM time series prediction model, inputs the weighted data for training and prediction to obtain the predicted flow; and obtains the predicted flow based on the predicted data Predict the traffic, calculate the required reserved resources through SDN and issue router flow table to reserve network resources. The method of the invention has a greater weight for the part having a greater influence on the prediction effect, so as to improve the accuracy of the traffic prediction, make the network resource reservation based on the prediction result have a higher accuracy, and improve the utilization rate of the network resource.
【技术实现步骤摘要】
一种基于注意力机制和流量预测模型的资源预留方法
本专利技术涉及网络服务质量
,更具体地,涉及一种基于注意力机制和流量预测模型的资源预留方法。
技术介绍
随着软件定义网络(Software-DefinedNetworking,SDN)与AI人工智能技术的发展,越来越多的学者和机构开始研究通过AI处理后结合SDN实现智能网络,让SDN做出符和当前系统实际情况的决策,如动态地预留带宽方便“老鼠流”(指通过网络链路进行少量的,短时间的数据传递过程)的通过,及时回收预留带宽以便“大象流”(指通过网络链路进行大量的,长时间的数据传递过程)的通过等的资源预留。其中AI人工智能技术在时间序列预测方面,传统的模型有Holt-Winters模型,ARIMA模型,但这两种模型对数据的平滑性和数量有很高的要求,当不满足这些要求时,预测效果相对较差,对于不同类型的数据,总是需要手动调整参数,使得模型的泛化性能较差。因此为了解决泛化问题,进一步提出了一些基于机器学习的预测方法,如SVM,神经网络等预测模型等,但这些预测模型对于时间序列数据没有一定的先验认知,对数据进行平等处理,不能更好地发现序列数据中的特征数据段,会对时间序列的预测结果造成一定影响,从而影响后续基于SDN的网络资源预留。
技术实现思路
本专利技术为解决现有的网络资源预留方法由于流量预测结果存在误差,导致资源预留过多或过少的问题,提供了一种基于注意力机制和流量预测模型的资源预留方法。为实现以上专利技术目的,而采用的技术手段是:一种基于注意力机制和流量预测模型的资源预留方法,包括以下步骤:S1.获取历史流量数据并进行数 ...
【技术保护点】
1.一种基于注意力机制和流量预测模型的资源预留方法,其特征在于,包括以下步骤:S1.获取历史流量数据并进行数据预处理;S2.利用注意力机制对预处理后的数据进行权重系数的计算;S3.构建LSTM时间序列预测模型,输入加权后的数据进行训练及预测后得到预测流量;S4.基于预测得到的预测流量,通过SDN计算所需的预留资源并下达路由器流表从而预留网络资源。
【技术特征摘要】
1.一种基于注意力机制和流量预测模型的资源预留方法,其特征在于,包括以下步骤:S1.获取历史流量数据并进行数据预处理;S2.利用注意力机制对预处理后的数据进行权重系数的计算;S3.构建LSTM时间序列预测模型,输入加权后的数据进行训练及预测后得到预测流量;S4.基于预测得到的预测流量,通过SDN计算所需的预留资源并下达路由器流表从而预留网络资源。2.根据权利要求1所述的基于注意力机制和流量预测模型的资源预留方法,其特征在于,所述步骤S1具体为:获取历史流量数据,得到流量序列为Seq={s1,s2,s3,...sN},将所述流量序列划分为训练序列Seqtrain={s1,s2,s3,...sM}以及测试序列Seqtest={sM+1,sM+2,sM+3,...sN},其中N是所述流量序列的总长度,M是所述训练序列的分段长度;将所述训练序列分成n个序列段,得到序列段集合为:X0=Seqtrain={x1,x2,x3,...,xn}其中其中T是划分后每个序列段的长度,k是进行分段时数据需要向后移动的步长;xn表示第n个序列段。3.根据权利要求2所述的基于注意力机制和流量预测模型的资源预留方法,其特征在于,所述步骤S2具体为:构造利用注意力机制对预处理后的数据进行权重系数计算的模型,包括:注意力权重衡量流量序列在时间t的重要性的注意力量其中为需要学习的参数,Be为偏差项,为时间t上的第k个片段的值;通过SoftMax函数对以及进行求解,使得的总和为1,得到加权后的序列段集合为4.根据权利要求3所述的基于注意力机制和流量预测模型的资源预留方法,其特征在于,所述步骤S3中所述的LSTM时间序列预测模型包括输入层、输出层和隐藏层,所述隐藏层包括由LSTM细胞构成的LSTM层和以relu函数为激活函数的全连接层;其中LSTM细胞状态ct的更新公式为:其中i...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。