用于预测网络中流的系统和方法技术方案

提供了一种用于管理传输多个网络流量流的混合网络204的装置202，其中所述混合网络204包括用于分组流交换的第一组设备206和用于每个端口光交换的第二组设备208，所述装置202包括处理器210，用于接收指示所述混合网络传输的所述多个网络流量流的网络资源利用率的性能数据，根据所述性能数据预测同其他网络流量流相比与所述混合网络的较高资源利用率关联的一组网络流量流，并生成配置所述混合网络的指令，以在所述第二组设备中的传输所述预测的一组网络流量流。

Systems and methods for predicting flows in networks

【技术实现步骤摘要】
【国外来华专利技术】用于预测网络中流的系统和方法
技术介绍
本专利技术在其一些实施例中涉及混合网络，并且更具体地但不仅限于涉及通过混合网络的高性能组件选择网络流。诸如数据中心网络的网络包含至少两组组件，并针对某种类型的网络流量优化每组组件。这种网络的配置在技术上具有挑战性，因为配置不匹配会导致网络性能降低。例如，对于设计用于传输第一类网络流量的第一组设备，用于传输比实际需要少的第一类网络流量，会导致为第二类网络流量设计的第二组设备低效地传输过多的第一类网络流量。
技术实现思路
本专利技术旨在提供一种用于管理混合网络的装置、方法、计算机程序产品和系统。通过独立权利要求的特征来实现上述和其他目标。进一步的实施方式在从属权利要求、具体说明和附图中显而易见。第一方面，提供了一种用于管理传输多个网络流量流的混合网络的装置。所述混合网络包括用于分组流交换的第一组设备以及用于每个端口光交换的第二组设备。所述装置包括处理器。所述处理器用于：接收指示所述混合网络传输的所述多个网络流量流的网络资源利用率的性能数据，根据所述性能数据预测同其他网络流量流相比与所述混合网络的本文档来自技高网...

【技术保护点】
1.一种用于管理传输多个网络流量流的混合网络(204)的装置(202)，其特征在于，所述混合网络(204)包括用于分组流交换的第一组设备(206)和用于每个端口光交换的第二组设备(208)，所述装置(202)包括：/n处理器(210)，用于：/n接收指示所述混合网络(204)传输的所述多个网络流量流的网络资源利用率的性能数据；/n根据所述性能数据预测同其他网络流量流相比与所述混合网络(204)的相对较高资源利用率关联的一组网络流量流；以及/n生成用于配置所述混合网络(204)的指令，以在第二组设备(208)中传输所述预测的一组网络流量流。/n

【技术特征摘要】
【国外来华专利技术】1.一种用于管理传输多个网络流量流的混合网络(204)的装置(202)，其特征在于，所述混合网络(204)包括用于分组流交换的第一组设备(206)和用于每个端口光交换的第二组设备(208)，所述装置(202)包括：
处理器(210)，用于：
接收指示所述混合网络(204)传输的所述多个网络流量流的网络资源利用率的性能数据；
根据所述性能数据预测同其他网络流量流相比与所述混合网络(204)的相对较高资源利用率关联的一组网络流量流；以及
生成用于配置所述混合网络(204)的指令，以在第二组设备(208)中传输所述预测的一组网络流量流。


2.根据权利要求1所述的装置(202)，其特征在于，所述混合网络(204)传输的所述多个网络流量流的数量(记为N)大于所述第二组设备(208)支持的网络流量流的预定数量(记为K)，其中，K不超过N的0.1％-10％。


3.根据上述权利要求中任一项所述的装置(202)，其特征在于，该组网络流量流中预定数量的成员指示由所述混合网络(204)进行传输时最集约利用网络资源的网络流量流。


4.根据上述权利要求中任一项所述的装置(202)，其特征在于，所述第一组设备(206)包括用于高分辨率分组流交换的电子联网设备，并且所述第二组设备(208)用于低分辨率lambda和/或聚合流交换，其中，所述网络流量流的预定数量基于所述第二组设备(208)支持的可用光连接的数量。


5.根据上述权利要求中任一项所述的装置(202)，其特征在于，所述混合网络(204)连接数据中心网络中的N个架顶(topofrack，ToR)交换机，其中，每个ToR交换机与其他ToR交换机中的至少一个交换机通信。


6.根据上述权利要求中任一项所述的装置(202)，其特征在于，所述处理器(210)用于：在不基于维护自回归和/或移动平均统计数据的假设对所述多个网络流量流进行建模，且不进行季节性假设时，预测该组网络流量流。


7.根据上述权利要求中任一项所述的装置(202)，其特征在于，所述处理器(210)用于生成配置所述混合网络(204)的所述第一组设备(206)的指令，以传输所述其它网络流量流。


8.根据上述权利要求中任一项所述的装置(202)，其特征在于，根据第一预定时间间隔周期性地接收所述性能数据，根据大于所述第一预定时间间隔且大于第三时间间隔的第二预定时间间隔，周期性生成用于配置所述混合网络(204)的所述指令，其中所述第三时间间隔指示基于所述生成的指令配置混合网络(204)的时间，所述预测基于在预定个数的历史第一预定时间间隔期间内收集到的性能数据进行。


9.根据上述权利要求中任一项所述的装置(202)，其特征在于，所述处理器(210)用于通过基于门控循环单元(gatedrecurrentunit，GRU)神经元应用深度学习递归神经网络(recurrentneuralnetwork，RNN)架构来执行所述预测，所述神经元接收作为输入的流量矩阵的序列，所述流量矩阵表示在预定时间间隔中收集的N个网络流量流，并且所述神经元输出所述预定量的网络流量流。


10.根据权利要求9所述的装置(202)，其特征在于，根据标签培训所述RNN，所述标签计算为根据预测时间间隔的流量矩阵的序列计算的平均流量矩阵中前预定数量的条目，其中，所述前预定数量的条目中的每一个条目与保持所述前预定数量的条目之间的排序的概率值关联。


11.根据权利要求9或10所述的装置(202)，其特征在于，所述处理器(210)还用于根据第一损失函数的评估来培训所述RNN，其中，所述第一损失函数表示为：



其中，最终损耗表示为：



其中，
KL表示KulbackLiebler发散函数；

表示大小为M的培训集的标签；

表示从第...

【专利技术属性】
技术研发人员：埃拉德·特佐雷夫，扎克·梅拉梅德，米沙尔·韦克斯勒，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44