裸机vxlan的部署方法、系统和电子设备技术方案

本申请公开了一种裸机vxlan的部署方法、系统和电子设备，其通过时序编码器来提取出计算资源数据在时间维度和数据维度上的隐含关联特征，并利用图神经网络来融合源端口的拓扑结构特征和各个时间点的流量数据间的关联特征，进一步以计算资源的时序特征对逻辑链路和逻辑节点的低维特征联合表达进行特征空间搜索，并以所述时序特征对所述低维特征联合表达的低秩表达进行约束，从而通过特征向量与特征矩阵的空间内联合相关的类表征，来实现所述特征向量与所述特征矩阵在高维特征空间内的联立投影，以获得所述时序特征与所述逻辑联合特征在高维特征空间中的特征分布的对齐性，即特征适配程度的表征向量。这样就能够对当前虚拟机部署的合理性进行判断。机部署的合理性进行判断。机部署的合理性进行判断。

【技术实现步骤摘要】
裸机vxlan的部署方法、系统和电子设备


[0001]本专利技术涉及裸机vxlan的智能部署领域，且更为具体地，涉及一种裸机vxlan的部署方法、系统和电子设备。

技术介绍

[0002]随着互联网业务的快速发展，网络设备作为基础设施，其快速部署和减少投入成为需求的主要因素。云计算可以提供可用的、便捷的、按需的资源，成为当前企业网络建设的常规形态，而在云计算中大量采用和部署的虚拟化几乎成为一个基本的技术模式。部署虚拟机需要在网络中无限制地迁移到目标物理位置，虚拟增长的快速性以及虚拟迁移成为一个常态性业务，传统的网络已经不能很好地满足企业的这种需求。
[0003]因此，为了使得在裸机上部署的虚拟机资源能够满足所需计算资源的要求，以保证云计算的稳定性和可用性，期望一种裸机vxlan的部署方案。
[0004]目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0005]深度学习以及神经网络的发展为裸机vxlan的部署提供了新的解决思路和方案。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种裸机vxlan的部署方法、系统和电子设备，其通过时序编码器来提取出计算资源数据在时间维度和数据维度上的隐含关联特征，并利用图神经网络来融合源端口的拓扑结构特征和各个时间点的流量数据间的关联特征，进一步以计算资源的时序特征对逻辑链路和逻辑节点的低维特征联合表达进行特征空间搜索，并以所述时序特征对所述低维特征联合表达的低秩表达进行约束，从而通过特征向量与特征矩阵的空间内联合相关的类表征，来实现所述特征向量与所述特征矩阵在高维特征空间内的联立投影，以获得所述时序特征与所述逻辑联合特征在高维特征空间中的特征分布的对齐性，即特征适配程度的表征向量。这样就能够对当前虚拟机部署的合理性进行判断。
[0007]根据本申请的一个方面，提供了一种裸机vxlan的部署方法，其包括：
[0008]获取多个时间点的UDP报文数据，并从所述多个时间点的UDP报文数据中分别提取计算资源数据；
[0009]将所述多个时间点的计算资源数据通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量；
[0010]获取当前的虚拟机部署方案中源端口的拓扑矩阵，所述拓扑矩阵中非对角线上各个位置的值为相应各个源端口之间的逻辑链路流量，所述拓扑特征中对角线位置上各个位置的值为零；
[0011]将所述拓扑矩阵通过第一卷积神经网络以获得第一特征矩阵；
[0012]获取所述多个时间点中各个时间点的各个所述源端口的流量数据；
[0013]将所述各个时间点的各个所述源端口的流量数据通过包含嵌入层的上下文编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得对应于各个时间点的流量特征向量；
[0014]将所述各个时间点的流量特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得第二特征矩阵；
[0015]将所述第一特征矩阵和所述第二特征矩阵通过图神经网络以获得第三特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含不规则的拓扑特征和高维流量关联特征的矩阵表示；
[0016]计算所述第一特征向量与所述第三特征矩阵之间的类概率联合相关向量，所述类概率联合相关向量为以分子向量的每个位置的特征值除以分母向量的每个位置的特征值，再作为自然函数的指数得到所述类概率联合相关向量的每个位置的特征值，所述分子向量为所述第一特征向量乘以所述第三特征矩阵，所述分母向量为所述第一特征向量与所述第三特征矩阵的Frobenius范数的按位置点乘；以及
[0017]将所述类概率联合相关向量通过分类器以获得分类结果，所述分类结果用于表示当前的虚拟机部署方案是否满足预设要求。
[0018]在上述裸机vxlan的部署方法中，将所述多个时间点的计算资源数据通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量，包括：将所述多个时间点的计算资源数据按照时间维度排列为对应于各个所述UDP报文数据的一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中X是输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，表示矩阵乘；使用时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征，其中，所述公式为：
[0019][0020]其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
[0021]在上述裸机vxlan的部署方法中，将所述拓扑矩阵通过第一卷积神经网络以获得第一特征矩阵，包括：所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征矩阵，其中，所述第一卷积神经网络的第一层的输入为所述拓扑矩阵。
[0022]在上述裸机vxlan的部署方法中，将所述各个时间点的各个所述源端口的流量数据通过包含嵌入层的上下文编码器模型以获得多个特征向量，包括：使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述各个时间点的各个所述源端口的流量数据转化为输入向量以获得输入向量的序列；以及，使用所述基于上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量。
[0023]在上述裸机vxlan的部署方法中，计算所述第一特征向量与所述第三特征矩阵之间的类概率联合相关向量，包括：以如下公式计算所述第一特征向量与所述第三特征矩阵之间的类概率联合相关向量；
[0024]其中，所述公式为：
[0025][0026]其中V1为所述第一特征向量，M3为所述第三特征矩阵，表示向量与矩阵相乘，
⊙
表示向量与数值的点乘，即向量的各个位置都乘以该数值，且‖M3‖
F
表示所述第三特征矩阵的Frobenius范数，即所述第三特征矩阵的各特征值的绝对值的平方和开方。
[0027]在上述裸机vxlan的部署方法中，将所述类概率联合相关向量通过分类器以获得分类结果，包括：使用所述分类器以如下公式对所述类概率联合相关向量进行处理以获得所述分类结果；其中，所述公式为：softmax{(W
n
,B
n
):
…
:(W1,B1)|X}，其中，W1到W
n
为权重矩阵，B1到B
n
为偏置向量，X为所述类概率联合相关向量。
[0028]根据本申请的另一方面，提供了一种裸机vxlan的部署系统，其包括：
[0029]计算资源数据提取单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种裸机vxlan的部署方法，其特征在于，包括：获取多个时间点的UDP报文数据，并从所述多个时间点的UDP报文数据中分别提取计算资源数据；将所述多个时间点的计算资源数据通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量；获取当前的虚拟机部署方案中源端口的拓扑矩阵，所述拓扑矩阵中非对角线上各个位置的值为相应各个源端口之间的逻辑链路流量，所述拓扑特征中对角线位置上各个位置的值为零；将所述拓扑矩阵通过第一卷积神经网络以获得第一特征矩阵；获取所述多个时间点中各个时间点的各个所述源端口的流量数据；将所述各个时间点的各个所述源端口的流量数据通过包含嵌入层的上下文编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得对应于各个时间点的流量特征向量；将所述各个时间点的流量特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得第二特征矩阵；将所述第一特征矩阵和所述第二特征矩阵通过图神经网络以获得第三特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含不规则的拓扑特征和高维流量关联特征的矩阵表示；计算所述第一特征向量与所述第三特征矩阵之间的类概率联合相关向量，所述类概率联合相关向量为以分子向量的每个位置的特征值除以分母向量的每个位置的特征值，再作为自然函数的指数得到所述类概率联合相关向量的每个位置的特征值，所述分子向量为所述第一特征向量乘以所述第三特征矩阵，所述分母向量为所述第一特征向量与所述第三特征矩阵的Frobenius范数的按位置点乘；以及将所述类概率联合相关向量通过分类器以获得分类结果，所述分类结果用于表示当前的虚拟机部署方案是否满足预设要求。2.根据权利要求1所述的裸机vxlan的部署方法，其中，将所述多个时间点的计算资源数据通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量，包括：将所述多个时间点的计算资源数据按照时间维度排列为对应于各个所述UDP报文数据的一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中X是输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，表示矩阵乘；使用时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部
向量矩阵，w为卷积核的尺寸。3.根据权利要求2所述的裸机vxlan的部署方法，其中，将所述拓扑矩阵通过第一卷积神经网络以获得第一特征矩阵，包括：所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征矩阵，其中，所述第一卷积神经网络的第一层的输入为所述拓扑矩阵。4.根据权利要求3所述的裸机vxlan的部署方法，其中，将所述各个时间点的各个所述源端口的流量数据通过包含嵌入层的上下文编码器模型以获得多个特征向量，包括：使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述各个时间点的各个所述源端口的流量数据转化为输入向量以获得输入向量的序列；以及使用所述基于上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量。5.根据权利要求4所述的裸机vxlan的部署方法，其中，计算所述第一特征向量与所述第三特征矩阵之间的类概率联合相关向量，包括：以如下公式计算所述第一特征向量与所述第三特征矩阵之间的类概率联合相关向量；其中，所述公式为：其中V1为所述第一特征向量，M3为所述第三特征矩阵，表示向量与矩阵相乘，
⊙
表示向量与数值的点乘，即向量的各个位置都乘以该数值，且‖M3‖
F
表示所述第三特征矩阵的Frobenius范数，即所述第三特征矩阵的各特征值的绝对值的平方和开方。6.根据权利要求5所述的裸机vxlan的部署方法，其中，将所述类概率联合相关向量通过分类器以...

【专利技术属性】
技术研发人员：杨伟伟，梁浩，刘祯，王辉华，黄健，潘文静，周娟，孙海凤，
申请(专利权)人：福建福清核电有限公司，
类型：发明
国别省市：