基于时序图神经网络的网络信道瓶颈点检测及分配方法组成比例

本发明专利技术公开了一种基于时序图神经网络的网络信道瓶颈点检测及分配方法，检测方法包括根据当前网络信道图G

【技术实现步骤摘要】
基于时序图神经网络的网络信道瓶颈点检测及分配方法


[0001]本专利技术涉及网络资源分配领域，特别涉及一种基于时序图神经网络的网络信道瓶颈点检测及分配方法。

技术介绍

[0002]随着Internet的飞速发展和大数据信息的快速增长，全球计算机通信以及网络技术的发展有着前所未有的进步与创新。近年来，无线通信技术以及有线光纤传输经历了巨大的技术变革和演变，对互联网的发展以及其他产业产生了巨大的推动作用。网络资源广义上是指在网络通信行业中通过合理有效的将带宽或无线网络分给各用户或机构使用，实际上网络信道的分配便是网络资源的分配，当用户想请求共享的网络信道时，将使用某种方法为共同请求的用户合理的分配信道。
[0003]网络信道可以是由多根有线的电缆或光纤组成，也可以是无线频谱的一部分。信道分配方法将有线信道带宽或者无线网络资源分配给基站，局域网或者终端设备。信道分配的方法主要可以分成三种，一种是静态信道分配，一种是动态信道分配，还有一种是随机信道分配。其中，比较常用的动态信道分配可以根据用户的动态请求从中央池中动态分配信道给用户，其能够优化带宽以及无线的使用，进而合理充分的分配资源给各终端或基站。但是，动态分配需要考虑很多因素，并且会出现分配不均衡或者分配不到位的不良作用，而且由于网络的复杂性，可能会使得某些终端或基站出现资源持续严重短缺的情况，这种情况被称为瓶颈点。
[0004]目前，传统的网络信息分配方法并不能够实时的满足终端或基站的实时请求，而且也无法动态捕获通信网络的变化情况，从而缺乏实时的动态适应性分配的功能。

技术实现思路

[0005]本专利技术的目的是提供一种跟随通信网络变化且动态适应性分配网络资源的基于时序图神经网络的网络信道瓶颈点检测及分配方法，本方法可以用来检测网络信道分配中出现的瓶颈点问题，并根据当前每个资源点(基站或终端)分配的情况以及使用情况的紧张程度来判断是否将该资源点作为候选点，随后使用图编码的方式对去除候选点的图以及完整图进行相似性分析，最后比对所有候选点找出最有可能的瓶颈点并再给其合理分配资源，之后再更新下一个状态的网络信道图以进行下一个瓶颈点的动态检测及资源分配工作。
[0006]为达到上述目的，本专利技术采用的技术方案如下：
[0007]一种基于时序图神经网络的网络信道瓶颈点检测方法，其特征在于，包括：
[0008]根据当前网络信道图G
i
进行建立模型，所述当前网络信道图G
i
包括点集V{v1,v2,...,v
m
}和边集E{e1,e2,e3,...,e
n
}，其中，i为当前时间，v1,v2,
……
，v
m
表示网络传输中的m个节点，且所述节点表示终端或基站，e1,e2,e3,
……
，e
n
表示网络传输中n个传输信道；
[0009]基于G
i
中每个终端或基站的实时请求的资源数量以及该终端或基站的先前使用
情况选择是否将与该终端或基站对应的节点作为候选点，从而得到k个候选点p
i
，其中，i满足1<i≤k；
[0010]按照以下方法处理每个候选点p
i
以确定每个候选点成为瓶颈点的概率值：将G
i
中与该候选点p
i
相对应的节点v
j
以及该节点v
j
所连接的边去除，从而得到网络信道图G
i
′
，再计算所述G
i
和所述G
i
′
的差异值Diff
j
，并将所述Diff
j
作为该候选点p
i
成为瓶颈点的概率值；
[0011]比较所有的概率值，并选择最大概率值所对应的候选点作为网络传输中的瓶颈点。
[0012]进一步地，所述计算所述G
i
和所述G
i
′
的差异值Diff
j
包括：
[0013]基于时序图神经网络对所述G
i
和所述G
i
′
分别进行特征提取，从而得到G
i
和G
i
′
中的每个节点的特征向量，进而计算G
i
和G
i
′
中除候选点p
i
以外的所有节点的特征向量间的差异度S(F
y1i
,F
y2i
)，并对所述差异度进行累加以得到所述G
i
和所述G
i
′
的差异值Diff
j
。
[0014]进一步地，所述特征向量间的差异度通过下式计算得到：
[0015][0016]式中，S(F
y1i
,F
y2i
)为F
y1i
和F
y2i
的差异度，F
y1i
为G
i
中的节点的特征向量且1≤yli≤m，F
y2i
为G
i
′
中的节点的特征向量且1≤y2i≤m
‑
1，m为网络传输中的节点个数。
[0017]进一步地，所述Diff
j
通过下式计算得到：
[0018][0019]式中，Diff
j
为G
i
和G
i
′
的差异值，S(F
y1i
,F
y2i
)为F
y1i
和F
y2i
的差异度，其中，F
y1i
和F
y2i
分别为G
i
和G
i
′
中对应相同的第i个节点的特征向量，m为网络传输中的节点个数。
[0020]进一步地，所述特征提取的方法包括：
[0021]分别将G
i
和G
i
′
的权重矩阵、邻接矩阵输入至所述模型中进行训练优化，从而提取出节点的编码特征，所述编码特征表示节点特征集合。
[0022]进一步地，所述特征向量包括以下定义：
[0023]F
v
＝H(f
v
,m
ne[v],f
co[v],f
ne[v])
[0024]式中，F
v
为节点v的特征向量，H为传递函数，f
v
为节点v自带的特征，m
ne[v]为节点v的邻居节点的当前状态，f
co[v]为节点v的边特征，f
ne[v]为节点v的邻居节点的特征。
[0025]优选地，f
v
包括每个终端或基站的属性信息，或者，f
co[v]包括传输信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序图神经网络的网络信道瓶颈点检测方法，其特征在于，包括：根据当前网络信道图G
i
进行建立模型，所述当前网络信道图G
i
包括点集V{v1,v2,...,v
m
}和边集E{e1,e2,e3,...,e
n
}，其中，i为当前时间，v1,v2,
……
，v
m
表示网络传输中的m个节点，且所述节点表示终端或基站，e1,e2,e3,
……
，e
n
表示网络传输中n个传输信道；基于G
i
中每个终端或基站的实时请求的资源数量以及该终端或基站的先前使用情况选择是否将与该终端或基站对应的节点作为候选点，从而得到k个候选点p
i
，其中，i满足1<i≤k；按照以下方法处理每个候选点p
i
以确定每个候选点成为瓶颈点的概率值：将G
i
中与该候选点p
i
相对应的节点v
j
以及该节点v
j
所连接的边去除，从而得到网络信道图G
i
′
，再计算所述G
i
和所述G
i
′
的差异值Diff
j
，并将所述Diff
j
作为该候选点p
i
成为瓶颈点的概率值；比较所有的概率值，并选择最大概率值所对应的候选点作为网络传输中的瓶颈点。2.根据权利要求1所述的网络信道瓶颈点检测方法，其特征在于，所述计算所述G
i
和所述G
i
′
的差异值Diff
j
包括：基于时序图神经网络对所述G
i
和所述G
i
′
分别进行特征提取，从而得到G
i
和G
i
′
中的每个节点的特征向量，进而计算G
i
和G
i
′
中除候选点p
i
以外的所有节点的特征向量间的差异度S(F
y1i
,F
y2i
)，并对所述差异度进行累加以得到所述G
i
和所述G
i
′
的差异值Diff
j
。3.根据权利要求2所述的网络信道瓶颈点检测方法，其特征在于，所述特征向量间的差异度通过下式计算得到：式中，S(F
y1i
,F
y2i
)为F
y1i
和F
y2i
的差异度，F<...

【专利技术属性】
技术研发人员：任勇，宋巍，田宏伟，尤凤翔，张剑，王婷，郑文裕，刘栋，陈迪，
申请(专利权)人：苏州大学应用技术学院，
类型：发明
国别省市：