基于流量预测与深度强化学习的虚拟资源动态扩缩容方法技术

本发明专利技术公开了基于流量预测与深度强化学习的虚拟资源动态扩缩容方法，包括：S1：获取5G核心网的历史指标数据和网络状态数据，并对所述历史指标数据进行数据清洗；S2：将数据清洗后的所述历史指标数据输入LSTM模型进行训练和预测，得到预测结果；S3：将所述预测结果和所述网络状态数据输入到Priority

【技术实现步骤摘要】
基于流量预测与深度强化学习的虚拟资源动态扩缩容方法


[0001]本专利技术属于通信
，涉及基于流量预测与深度强化学习的虚拟资源动态扩缩容方法。

技术介绍

[0002]第五代移动通信技术(5G)中对于低时延、广接入、高带宽场景的刻画使得其服务对象从人逐步扩展到各种类型的设备，同时也对核心网的资源合理分配提出更高要求。智能化的5G核心网编排算法可以灵活组网，在实现自动扩缩容后降低服务拒绝率并提升网络资源利用率。
[0003]为了解虚拟资源动态扩缩容现有方法，对已有的论文和专利进行了检索，选出下列论文及专利信息，并进行分析：
[0004]文献方案1：《Forecasting assistedVNF scaling in NFV
‑
enabled networks》中，作者首先验证了VNF的动态部署及扩缩容问题可被具体为离线VNF部署成本最小化问题且是一种NP
‑
hard问题，然后提出一种基于傅里叶级数的预测方法，该方法通过避免网络拓扑的频繁变化来实现开销最小化，同时提出一种基于多臂赌博机算法的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于流量预测与深度强化学习的虚拟资源动态扩缩容方法，其特征在于，包括：S1：获取5G核心网的历史指标数据和网络状态数据，并对所述历史指标数据进行数据清洗；S2：将数据清洗后的所述历史指标数据输入LSTM模型进行训练和预测，得到预测结果；S3：将所述预测结果和所述网络状态数据输入到Priority
‑
DQN算法进行决策，输出AMF决策结果。2.根据权利要求1所述的基于流量预测与深度强化学习的虚拟资源动态扩缩容方法，其特征在于，对所述历史指标数据进行数据清洗具体包括：将所述历史指标数据中各时间点内的数据整合成一个时间段内的数据；将整合后所述一个时间段内的数据，根据预设时间跨度进行分组聚合；对分组聚合后的所述一个时间段内的数据进行时间序列化和归一化处理，得到数据清洗后的所述历史指标数据。3.根据权利要求1所述的基于流量预测与深度强化学习的虚拟资源动态扩缩容方法，其特征在于：将数据清洗后的所述历史指标数据，根据预设比例划分为训练集和预测集，分别进行所述LSTM模型的训练和预测。4.根据权利要求1所述的基于流量预测与深度强化学习的虚拟资源动态扩缩容方法，其特征在于：所述Priority
‑

【专利技术属性】
技术研发人员：马润，李晓波，吴双，马梦轩，闫舒怡，哈欣楠，王晔，王圣杰，王宁，冯国礼，魏文彬，
申请(专利权)人：国网宁夏电力有限公司信息通信公司，
类型：发明
国别省市：