基于时空网络STN的虚拟网络链路流量预测方法技术

本发明专利技术公开了一种基于时空网络STN的虚拟网络链路流量预测方法，主要解决现有虚拟网络中，链路结构复杂、各条链路上业务流量预测准确率低、网络资源利用率低的问题。其实现方案为：构建虚拟网络的图G；根据图G的顶点连接关系获得邻接矩阵W；获取前M个时刻各链路上的流量值，构建特征矩阵序列X；设计由M个并列的图卷积网络GCN分别与长短期记忆网络LSTM的M个神经元对应连接组成的时空网络STN；将特征矩阵序列X和邻接矩阵W输入时空网络STN，预测出下一时刻虚拟网络中每条链路上的流量值。本发明专利技术简化了虚拟网络的链路结构，提高了虚拟网络链路流量的预测准确率，为通信网络中的资源分配工作奠定有利基础，可用于数据中心网络。可用于数据中心网络。可用于数据中心网络。

【技术实现步骤摘要】
基于时空网络STN的虚拟网络链路流量预测方法


[0001]本专利技术属于通信
，具体涉及一种虚拟网络链路流量的预测方法，可用于数据中心网络的资源分配。

技术介绍

[0002]在数据中心网络中，对于每一个实际布署的业务，都对应一个虚拟网络：最小业务部署单元Pod映射为虚拟网络的节点，Pod之间的通信链路映射为虚拟网络中的链路。学习虚拟网络中各链路上的流量分布，可以帮助控制器对网络资源进行有效的分配，因此虚拟网络链路流量预测已成为数据中心网络中的研究热点。
[0003]所述虚拟网络链路流量预测，是指在给定网络拓扑结构以及各条链路上历史流量数据的情况下，学习各节点之间的关联关系，预测各条链路上未来一段时间内流量大小的过程。对于一个确定的业务，网络中每条链路上的流量分布都有一定规律，并受到相邻链路上流量的影响。目前，国内外的网络流量预测方法可总结为两种：基于线性模型的方法、基于非线性模型的方法，其中：
[0004]基于线性模型的方法，需要人工凭借经验设置多种参数，线性地拟合数据，仅适用于短期流量预测。而实际网络流量具有非常多的特性，如周期性、自相似性、突发性等，仅用线性模型预测的结果误差较大。
[0005]基于非线性模型的方法，其最先进的模型是时间序列预测模型，对于大量时间序列数据，使用长短期记忆网络LSTM学习每个节点上流量的时序规律。这种方法不能有效地探索和利用通信网络中流量传输的空间特征，没有考虑节点之间的关联关系，因此不能实现高识别准确率。
[0006]以上网络流量预测方法虽说都对虚拟网络链路流量预测的研究有重要的启发意义，但由于都没充分考虑网络中各个节点并不相互独立的空间特征，因而在运用到数据中心网络中的虚拟网络时，对流量预测的准确率低，难以推断出网络中各条链路上未来一段时间的流量传输情况和Pod部署状态，不能为动态的网络资源分配奠定必要的基础，从而无法提升网络资源的利用率。

技术实现思路

[0007]本专利技术目的在于针对上述现有技术的不足，提出一种基于时空网络STN的虚拟网络链路流量预测方法，以提高流量预测的准确率，快速推断出每条链路的占用情况和Pod的部署状态，进而有效提升网络资源的利用率。
[0008]为实现专利技术目的，本专利技术采取的技术方案包括如下：
[0009](1)构建虚拟网络的图G：
[0010](1a)将虚拟网络的每条链路l
i
转化成每个顶点v
i
，i∈[1,N]，N是顶点个数；
[0011](1b)将第i个顶点v
i
与第j个顶点v
j
相连得到的边e
i,j
和顶点v
i
，形成虚拟网络图G，j∈[1,N]；
[0012](1c)用w
i,j
表示G中第i个顶点v
i
与第j个顶点v
j
的连接关系，w
i,j
＝0表示不相连，w
i,j
＝1表示相连即图中存在边e
i,j
；
[0013](2)根据图G的顶点连接关系w
i,j
，获得维度为N
×
N的邻接矩阵W：
[0014][0015](3)构建特征矩阵序列X：
[0016](3a)在时刻t，使用网络流量解析软件Wireshark统计每条链路l
i
上传输的数据包数量即t时刻虚拟网络中链路l
i
上的流量值；
[0017](3b)统计虚拟网络在当前时刻t之前M个时刻的所有链路上的流量值，得到流量特征矩阵序列：其中是维度为1
×
N的矩阵，p∈[0,M]；
[0018](4)设置图卷积网络GCN的参数，并将M个互不相连的图卷积网络GCN分别与长短期记忆网络LSTM中的M个神经元对应连接，构成时空网络STN，M>1；
[0019](5)将特征矩阵序列X和邻接矩阵W输入到时空网络STN，预测t+1时刻虚拟网络中每条链路上的流量值：
[0020](5a)定义损失函数为t时刻的链路l
i
上的实际流量值，Y
ti
为t时刻的链路l
i
上的预测流量值；
[0021](5b)以最小化Loss值为目标训练STN网络直至收敛，输出的流量特征矩阵即为最终预测的t+1时刻虚拟网络中每条链路上的流量值。
[0022]与现有技术相比，本专利技术的优点在于：
[0023]1.本专利技术采用图卷积网络GCN和长短期记忆网络LSTM构成的时空网络STN，不仅可以通过图卷积网络GCN学习到每条链路上流量的空间特性，而且可通过长短期记忆网络LSTM学到流量的时间特性，与现有技术相比，挖掘到的流量的随机特性更加全面，有助于预测准确率的提高。
[0024]2.本专利技术由于以虚拟网络的拓扑结构来构建图，可以通过图获取到虚拟网络的空间特征，建立邻接矩阵，便于对所有链路上流量的关联关系的计算，与现有技术只计算时间特征的方式相比，增加了计算空间特征的方式，通过这两种特征的结合计算网络链路流量特征，进一步提高了流量预测的准确率，
[0025]3.本专利技术由于准确率高，故可快速推断出每条链路的占用情况和Pod的部署状态，进而有效提升网络资源的利用率。
附图说明
[0026]图1是本专利技术的实现流程图；
[0027]图2是本专利技术中使用虚拟网络构建图G的示意图；
[0028]图3是本专利技术中设计的时空网络STN结构图。
具体实施方式
[0029]以下结合附图和具体实施例，对本专利技术作进一步详细描述。
[0030]参照图1，本专利技术的实现步骤如下：
[0031]步骤1，构建虚拟网络的图G。
[0032]参照图2，本步骤的具体实现如下
[0033]所述虚拟网络由业务最小部署单元Pod组成，每个Pod都是一个网络节点，Pod之间由通信链路相连。
[0034](1.1)将虚拟网络的每条链路l
i
转化成每个顶点v
i
，i∈[1,N]，N是顶点个数；
[0035]本实施例中，虚拟网络由四个节点组成，如图2(a)所示，节点A、B、C、D之间有五条链路l1、l2、l3、l4、l5，分别转化成图的五个顶点v1,v2,v3,v4,v5；
[0036](1.2)将第i个顶点v
i
与第j个顶点v
j
相连得到的边e
i,j
，该e
i,j
和顶点v
i
，形成虚拟网络图G，j∈[1,N]；
[0037]本实施例中，第1个顶点v1分别与第2个顶点v2、第3个顶点v3、第4个顶点v4相连，得到三条边e
1,2
、e
1,3
、e
1,4
，第2个顶点v2分别与第3个顶点v3、第4个顶点v4、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空网络STN的虚拟网络链路流量预测方法，其特征在于，包括：(1)构建虚拟网络的图G：(1a)将虚拟网络的每条链路l
i
转化成每个顶点v
i
，i∈[1,N]，N是顶点个数；(1b)将第i个顶点v
i
与第j个顶点v
j
相连得到的边e
i,j
和顶点v
i
，形成虚拟网络图G，j∈[1,N]；(1c)用w
i,j
表示G中第i个顶点v
i
与第j个顶点v
j
的连接关系，w
i,j
＝0表示不相连，w
i,j
＝1表示相连即图中存在边e
i,j
；(2)根据图G的顶点连接关系w
i,j
，获得维度为N
×
N的邻接矩阵W：(3)构建特征矩阵序列X：(3a)在时刻t，使用网络流量解析软件Wireshark统计每条链路l
i
上传输的数据包数量即t时刻虚拟网络中链路l
i
上的流量值；(3b)统计虚拟网络在当前时刻t之前M个时刻的所有链路上的流量值，得到流量特征矩阵序列：其中是维度为1
×
N的矩阵，p∈[0,M]；(4)设置图卷积网络GCN的参数，并将M个互不相连的图卷积网络GCN分别与长短期记忆网络LSTM中的M个神经元对应连接，构成时空网络STN，...

【专利技术属性】
技术研发人员：李红艳，刘文慧，索龙，张晗，刘兆建，李媛媛，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：