基于时空特征的交换机链路资源预测方法技术

本发明专利技术公开了一种基于时空特征的交换机链路资源预测方法，主要解决现有数据中心网络中链路拥塞、网络能效比和资源利用率低的问题。其方案为：根据各层交换机连接关系构建链路的图结构；设计由改进的门循环网络、图卷积神经网络、改进的门循环网络级联构成的改进型空间门循环网络S

【技术实现步骤摘要】
基于时空特征的交换机链路资源预测方法


[0001]本专利技术属于通信
，特别涉及一种交换机链路资源的预测方法，可用于数据中心路由调度和资源的分配与调度。

技术介绍

[0002]近年来，云计算、大数据、物联网新兴产业的快速发展，全球数据信息量呈现爆炸式的增长趋势。数据中心维护着数以万计的具有计算能力和存储能力的设备，其作为新型基础设施平台支撑着新兴产业的发展。随着大数据、云计算典型分布式计算应用类型和数量的不断增加以及数据中心网络规模的快速扩张，造成数据中心网络链路拥塞难避免，导致数据栈中心资源利用率和网络能效比低下。
[0003]传统方法是通过SDN控制器获取每条链路的负载信息，并将其与每条链路的最大带宽比对，获取链路当前是否拥塞，从而对路由进行调度，此类方法在已经拥塞的情况下进行调度，无法捕获链路负载的复杂时空特征，对链路资源造成浪费，增加了传输时延，严重影响网络性能。
[0004]由于网络拓扑的高度非线性和复杂性，传统方法无法提前获取链路的拥塞情况，因而目前通过网络链路资源的特征预测链路负载信息去实现路由和资源的及时调度，成为了主流方法，其中经典统计模型和机器学习模型是两个主要代表。
[0005]自回归综合移动平均ARIMA及其变体是基于经典统计模型的最综合方法之一，然而，这种模型受到时间序列平稳性假设的限制，在链路负载特征处理中，无法有效提取随时间动态变化的特征。递归神经网络RNN是机器学习模型中处理时间序列的典型代表，特别是长短期记忆网络LSTM和门循环单元GRU，消除了传统RNN的梯度消失问题，使其预测更加准确。
[0006]VINAYAKUMAR等人发表在2017年计算进展国际会议上的文章《Applying deep learning approaches for network traffic prediction》提出利用LSTM模型获取骨干网的链路信息的时间特征，来对真实的骨干网链路负载信息进行预测的方法，其将网络的23个对等节点的链路负载经过预处理作为输入，经过6个lstm隐藏层单元，得到输出。该方法由于将23个对等节点网络拓扑直接转换为一维向量，丢弃了链路之间的空间特征信息，只是单一地考虑了链路负载的时间特征,不能准确预测网络链路负载信息。
[0007]综上，传统的SDN方法虽然准确但却无法保障时延，而自回归综合移动平均ARIMA和递归神经网络能捕获链路负载的时间特征，却没有考虑时空相关性，难以从输入中联合提取空间和时间联合特征，无法准确预测链路负载信息。

技术实现思路

[0008]本专利技术目的在于针对上述现有技术的不足，提出一种基于时空特征的交换机链路资源预测方法，以联合提取链路负载的空间特征和时间特征，提高链路负载信息的预测准确率。
[0009]实现本专利技术目的的技术思路是：通过利用图卷积神经网络GCN提取链路负载的空间特征；通过对门循环单元GRU网络结构的改变，去除GRU的重置门，以减少网络参数，并在加块训练速度的同时保留历史信息；通过利用改变的GRU网络提取链路负载的时间特征，准确预测链路负载信息，为及时实现路由和资源的调度奠定基础。
[0010]根据上述思路，本专利技术的实现方案如下：
[0011]1.一种基于时空特征的交换机链路资源预测方法，其特征在于，包括：
[0012](1)将所有交换机之间的每条链路映射成一个节点，并将部署于同一台交换机的节点相互连接，构建链路负载之间的图结构；
[0013](2)设计改进型空间门循环网络S
‑
GRU
+
模型：
[0014](2a)将改进的门循环单元网络GRU
+
、图卷积神经网络GCN、改进的门循环单元网络GRU
+
和输出层网络依次纵向级联，组成改进型空间门循环单元；
[0015](2b)将多个改进型空间门循环单元中的GRU
+
横向级联，构成改进型空间门循环网络S
‑
GRU
+
模型；
[0016](3)构建S
‑
GRU
+
网络模型的数据集：
[0017](3a)每隔固定的时间间隔，通过软件定义网络SDN控制器向所有交换机发送“端口统计量请求消息”指令，获取和存储交换机之间所有链路负载信息x
t
，并将其作为节点的链路负载特征值：
[0018][0019]其中，表示在时间t第i个节点的链路负载特征值，N表示节点数量，T表示矩阵转置；
[0020](3b)用获取τ个时间间隔的交换机之间所有链路负载信息x
t
构成数据集：
[0021][0022]其中，x
t
∈R
N
表示所有节点在时间t时刻的链路负载特征值；
[0023](3c)将数据集X按照4：1的比例划分为训练集X1和测试集X2；
[0024](4)根据每条链路空间位置信息，构建链路之间关联关系的邻接矩阵A：
[0025](4a)定义链路的图结构为无向图G＝(V，E)，其中V是节点集，E是两个节点之的边集；
[0026](4b)根据链路的无向图，构建N个节点空间位置关系的N*N维邻接矩阵A：
[0027][0028]其中，a
ij
为图结构上任意两个节点i和j的相互连接情况，若a
ij
等于1则表示节点i与节点j相连，否则，为0表示两节点之间无连接，i,j∈[1,N]；
[0029](5)将训练集X1和邻接矩阵A输入S
‑
GRU
+
网络模型，通过反向传播算法对其进行训练，得到训练好的S
‑
GRU
+
网络模型；
[0030](6)将测试集X2和邻接矩阵A输入到训练完成的S
‑
GRU
+
网络模型，输出结果即为预测的每条链路负载。
[0031]本专利技术与现有技术相比，具有如下优点：
[0032]第一，本专利技术根据交通车流预测和数据中心网络链路场景的相似性，将广泛应用于交通车流预测的GCN模型，用于提取链路负载的空间特征，并利用GRU的时间特征提取能力，来提取链路负载的时间特征，联合考虑链路负载信息的时空特征，可在链路发生拥塞之前准确地预测出数据中心网络链路负载信息，及时实现路由调度和资源分配，避免了链路拥塞，提高了网络能效比。
[0033]第二，本专利技术针对数据中心网络的复杂时空特性，构建了S
‑
GRU
+
的时空特征网络模型，即首先利用改进的GRU
+
提取链路负载的时间特征，再将提取的时间特征和邻接矩阵输入到GCN网络，实现了从时间特征到空间特征的空间状态快速传播。同时由于删除了GRU的重置门，利用更新门综合考虑新输入的信息和隐藏层历史信息，减少了网络训练参数，加快了网络模型的收敛速度，降低了网络模型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空特征的交换机链路资源预测方法，其特征在于，包括：(1)将所有交换机之间的每条链路映射成一个节点，并将部署于同一台交换机的节点相互连接，构建链路负载之间的图结构；(2)设计改进型空间门循环网络S
‑
GRU
+
模型：(2a)将改进的门循环单元网络GRU
+
、图卷积神经网络GCN、改进的门循环单元网络GRU
+
和输出层网络依次纵向级联，组成改进型空间门循环单元；(2b)将多个改进型空间门循环单元中的GRU
+
横向级联，构成改进型空间门循环网络S
‑
GRU
+
模型；(3)构建S
‑
GRU
+
网络模型的数据集：(3a)每隔固定的时间间隔，通过软件定义网络SDN控制器向所有交换机发送“端口统计量请求消息”指令，获取和存储交换机之间所有链路负载信息x
t
，并将其作为节点的链路负载特征值：其中，表示在时间t第i个节点的链路负载特征值，N表示节点数量，T表示矩阵转置；(3b)用获取τ个时间间隔的交换机之间所有链路负载信息x
t
构成数据集：X＝(x1，x2,
…
,x
t
,
…
,x
τ
)
T
，其中，x
t
∈R
N
表示所有节点在时间t时刻的链路负载特征值；(3c)将数据集X按照4：1的比例划分为训练集X1和测试集X2；(4)根据每条链路空间位置信息，构建链路之间关联关系的邻接矩阵A：(4a)定义链路的图结构为无向图G＝(V，E)，其中V是节点集，E是两个节点之的边集；(4b)根据链路的无向图，构建N个节点空间位置关系的N*N维邻接矩阵A：其中，a
ij
为图结构上任意两个节点i和j的相互连接情况，若a
ij
等于1则表示节点i与节点j相连，否则，为0表示两节点之间无连接，i,j∈[1,N]；(5)将训练集X1和邻接矩阵A输入S
‑
GRU
+
网络模型，通过反向传播算法对其进行训练，得到训练好的S
‑
GRU
+
网络模型；(6)将测试集X2和邻接矩阵A输入到训练完成的S
‑
GRU
+
网络模型，输出结果即为预测的每条链路负载。2.根据权利要求书1所述的方法，其中(2)中使用改进的门循环单元网络GRU
+
，由多个级联的GRU
+
单元组成，每一个GRU
+
单元包括单元状态模块和更新门z
t
...

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