流量信号转换方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施方式涉及通信技术领域，公开了一种流量信号转换方法，包括：获取OTN若干个时刻的流量信号；利用图卷积网络将所述流量信号转换为具有时间特征和空间特征的流量信号。本发明专利技术实施方式还公开了一种流量信号转换装置、电子设备及存储介质。本发明专利技术实施方式提供的流量信号转换方法、装置、电子设备及存储介质，可以对OTN进行有效的机器学习，以实现OTN的流量预测。预测。预测。

【技术实现步骤摘要】
流量信号转换方法、装置、电子设备及存储介质


[0001]本申请实施例涉及通信
，特别涉及一种流量信号转换方法、装置、电子设备及存储介质。

技术介绍

[0002]近年来，随着OTN(光传送网络)特别是超100G光传送网技术的快速发展，以满足5G时代下的三大应用场景(eMBB、uRLLC、mMTC)需求为导向，深挖5G中回传OTN组网场景中的AI技术应用，已被业界高度认可，具有极其重要的现实意义。
[0003]在现网中，对OTN中ODU(光数据单元)层承载的二层业务流量进行预测，并根据预测结果对OTN组网中的网元设备节点进行扩容改造规划，或者对ODU层业务的交换粒度ODUk、ODUFlex进行BOD模式的智能化调整，是OTN的SDON(软件定义光网络)管控系统需要提供给运营商用户的重要功能。
[0004]然而，由于普通的神经网络只能处理欧式空间数据，而OTN涉及的数据为非欧式空间数据，因此普通的神经网络无法对OTN进行有效的机器学习，以实现OTN的流量预测。

技术实现思路

[0005]本申请实施例的主要目的在于提出一种流量信号转换方法、装置、电子设备及存储介质，可以对OTN进行有效的机器学习，以实现OTN的流量预测。
[0006]为实现上述目的，本申请实施例提供了一种流量信号转换方法，包括：获取OTN若干个时刻的流量信号；利用图卷积网络将所述流量信号转换为具有时间特征和空间特征的流量信号。
[0007]为实现上述目的，本申请实施例还提供了一种流量信号转换装置，包括：获取模块，用于获取OTN若干个时刻的流量信号；转换模块，用于利用图卷积网络将所述流量信号转换为具有时间特征和空间特征的流量信号。
[0008]为实现上述目的，本申请实施例还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的流量信号转换方法。
[0009]为实现上述目的，本申请实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的流量信号转换方法。
[0010]本专利技术实施方式相对于相关技术而言，通过图卷积网络将OTN若干个时刻的流量信号转换为具有时间特征和空间特征的流量信号，可以将OTN的流量信号这一非欧式空间数据转换为欧式空间数据，从而可以根据转换后的流量信号进行有效的机器学习，进而实现OTN的流量预测。
附图说明
[0011]一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
[0012]图1是本专利技术第一实施方式提供的流量信号转换方法的流程示意图；
[0013]图2是OTN组网环境下的流量信号示意图；
[0014]图3(a)为使用CNN对欧式空间数据进行卷积的示意图；
[0015]图3(b)是本专利技术第一实施方式提供的流量信号转换方法中使用圈卷积网络对非欧式空间进行卷积的示意图；
[0016]图4是本专利技术第二实施方式提供的流量信号转换方法的流程示意图；
[0017]图5是本专利技术第二实施方式提供的流量信号转换方法中按照时间和空间维度的ODU电层的流量信号的模型示意图；
[0018]图6是本专利技术第三实施方式提供的流量信号转换方法的流程示意图；
[0019]图7是OTN组网环境下ODU电层拓扑的业务流量示意图；
[0020]图8是本专利技术第三实施方式提供的流量信号转换方法中按照时间和空间维度的ODU电层业务的流量信号的模型示意图；
[0021]图9是本专利技术第三实施方式提供的流量信号转换方法的另一流程示意图；
[0022]图10是本专利技术第四实施方式提供的流量信号转换方法的流程示意图；
[0023]图11是本专利技术第四实施方式提供的流量信号转换方法的原理示例图；
[0024]图12是本专利技术第五实施方式提供的流量信号转换装置的模块结构示意图；
[0025]图13是本专利技术第六实施方式提供的电子设备的结构示意图。
具体实施方式
[0026]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本申请的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
[0027]本专利技术第一实施方式涉及一种流量信号转换方法，通过获取OTN若干个时刻的流量信号，利用图卷积网络将OTN若干个时刻的流量信号转换为具有时间特征和空间特征的流量信号。通过图卷积网络将OTN的流量信号这一非欧式空间数据转换为欧式空间数据，可以根据转换后的流量信号对OTN的流量进行有效的机器学习，进而实现OTN的流量预测。
[0028]应当说明的是，本专利技术实施方式提供的流量信号转换方法的执行主体可以为服务端，其中，服务端可由单独的服务器或多个服务器组成的服务器集群来实现，以下以服务端为例进行说明。
[0029]本专利技术实施方式提供的流量信号转换方法的具体流程如图1所示，具体包括以下步骤：
[0030]S101：获取OTN若干个时刻的流量信号。
[0031]在一个具体的例子中，获取OTN若干个时刻的流量信号，具体可以是获取OTN的ODU
(光数据单元)电层拓扑若干个时刻的流量信号。
[0032]请参考图2，其为OTN组网环境下的流量信号示意图。具体地，OTN网络由光电混合调度网元节点组建，每个光电混合调度网元节点大体分为光交叉设备与ODU电层交叉设备两部分。在各光电混合调度网元节点上的ODU的流量信号由本光电混合调度网元的ODU电层交叉设备进行调度，分为两种类型的流量调度：ODU电层穿通流量和ODU电层上下路流量，其中，ODU电层穿通流量主要是指经ODU电层交叉设备调度的、不被终结的ODU电层业务流量；ODU电层上下路流量主要是指在ODU电层交叉设备上下路的ODU电层业务流量。
[0033]S102：利用图卷积网络将流量信号转换为具有时间特征和空间特征的流量信号。
[0034]由于一般的机器学习方法(例如CNN(卷积神经网络))只能处理欧式空间数据，而OTN为图拓扑数据，为非欧式空间数据，因此一般的机器学习方法无法对OTN进行有效的机器学习，进而实现OTN的流量预测。
[0035]由于OTN的图拓扑结构中不仅包含了拓扑节点的特征信息，还包含了拓扑节点与拓扑节点之间的拓扑结构信息，因此提取这两个维度的信息才能有效地对OTN进行机器学习。图卷积网络(Graph Convolutional networks,GCN)可以有效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种流量信号转换方法，其特征在于，包括：获取OTN若干个时刻的流量信号；利用图卷积网络将所述流量信号转换为具有时间特征和空间特征的流量信号。2.根据权利要求1所述的流量信号转换方法，其特征在于，所述获取OTN若干个时刻的流量信号，具体为：获取所述OTN的ODU电层拓扑若干个时刻的流量信号。3.根据权利要求2所述的流量信号转换方法，其特征在于，所述获取所述OTN的ODU电层拓扑若干个时刻的流量信号，具体为：获取拓扑节点若干个时刻的总流量，所述总流量包括穿通流量和上下路流量，所述拓扑节点为所述ODU电层拓扑所包含的节点。4.根据权利要求3所述的流量信号转换方法，其特征在于，所述利用图卷积网络将所述流量信号转换为具有时间特征和空间特征的流量信号，包括：利用图卷积网络根据将所述流量信号转换为具有时间特征和空间特征的流量信号，其中，所述y'为转换后的流量信号，所述σ为激活函数，所述α
jt
为所述拓扑节点在第t个时刻的第j维流量属性的卷积核参数，所述L为归一化的图拉普拉斯算子，所述x
jt
为所述拓扑节点在第t个时刻的第j维流量属性，所述k为流量属性的总维度，所述M为所述时刻的总个数，所述流量属性的维度包括所述总流量、所述穿通流量和所述上下路流量。5.根据权利要求2所述的流量信号转换方法，其特征在于，所述获取所述OTN的ODU电层拓扑若干个时刻的流量信号，具体为：获取拓扑节点所包含业务在若干个时刻的流量信号，所述拓扑节点为所述ODU电层拓扑所包含的节点。6.根据权利要求5所述的流量信号转换方法，其特征在于，所述利用图卷积网络将所述流量信号转换为具有时间特征和空间特征的流量信号，包括：利用图卷积网络根据将所述流量信号转换为具有时间特征和空间特征的流量信号，其中，所述y'为转换后的流量信号，所述σ为激活函数，所述α
jt
为所述拓扑节点在第t个时刻的第j条业务的流量属性的卷积核参数，所述L...

【专利技术属性】
技术研发人员：王大江，叶友道，张伟，王振宇，
申请(专利权)人：南京中兴软件有限责任公司，
类型：发明
国别省市：