【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RN ...
【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:
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。