一种基于时空特征融合的网络流量预测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种基于时空特征融合的网络流量预测方法、装置及存储介质，属于智能电网技术领域，方法包括：将各网络设备的历史网络流量和空间拓扑输入至预构建的GAN模型，由GAN模型中的生成器进行拟合训练，并输出生成流量；将生成流量和与其相对应的网络流量真实值输入至GAN模型中的鉴别器，进行鉴别训练，并输出相应的鉴别概率；根据鉴别概率，更新生成器和鉴别器中的训练参数；若训练参数达到稳定并收敛，则由GAN模型输出预测流量，否则，继续训练，直到训练参数达到稳定并收敛。该方法通过准确的网络流量预测，能够提高能源互联网切片智能管控平台中所涉及到的FlexE设备动态资源调度和编排算法的性能。源调度和编排算法的性能。源调度和编排算法的性能。

【技术实现步骤摘要】
一种基于时空特征融合的网络流量预测方法、装置及存储介质


[0001]本专利技术涉及一种基于时空特征融合的网络流量预测方法、装置及存储介质，属于智能电网


技术介绍

[0002]目前，网络流量预测大部分都是当作时序数据去处理和建模，但是在实际中，网络设备是在一个巨大的且相互关联的网中存在的，所以挖掘网络流量预测时空相关性是很有必要的。
[0003]现阶段的根据网络流量配置带宽技术比较实时或者滞后，而我们需要把带宽配置时间提前，需要与网络流量预测相结合，预测未来时段的流量，然后利用预测的网络流量去配置带宽，在一些任务上可以节约时间，提高工作效率。
[0004]GAN在计算机视觉里面取得了巨大的成功，在图像生成以及图像去噪等方向已经成为了主流方法。GAN中生成器用于生成以假乱真的数据或者图像，所以此方法亦可以被用于各种数据的生成，而且GAN在时序预测方面也展现了一定的潜力，因此GAN用于时空也可以更好的来对数据进行预测。
[0005]FlexE按照每个FlexE Client业务流所需要的带宽以及FlexE Shim中所对应的每个PHY的5G粒度时隙(Slot)的分布情况，调度并分配FlexE Group中可用的时隙资源，形成FlexE Client业务流到一个或多个时隙资源的映射。因此，影响FlexE业务切片的核心问题在于时隙资源的调度和管理需要适配不断变化的FlexE Client侧的业务特征。快速准确的资源调度和编排算法是解决这一核心问题的关键，也是构建基于Flex
‑
>E技术的能源互联网切片智能管控平台的重要环节。如果在资源调度和编排算法工作之前能够提前一段时间对不同FlexE Client端的网络流量进行准确预测，可以为资源调度和编排算法提供不同FlexE Client端未来的流量信息，进一步提高切片智能管控平台中资源调度和编排算法的性能。

技术实现思路

[0006]本专利技术的目的在于提供一种基于时空特征融合的网络流量预测方法、装置及存储介质，通过GAN模型，结合网络流量的时间信息和空间信息，进行网络流量预测，通过准确的网络流量预测，提高能源互联网切片智能管控平台中所涉及到的FlexE设备动态资源调度和编排算法的性能。
[0007]为达到上述目的，本专利技术提供如下技术方案：
[0008]第一方面，本专利技术提供一种基于时空特征融合的网络流量预测方法，包括：
[0009]将各网络设备的历史网络流量和空间拓扑输入至预构建的GAN模型，由所述GAN模型中的生成器进行拟合训练，并输出生成流量；
[0010]将所述生成流量和与其相对应的网络流量真实值输入至所述GAN模型中的鉴别
器，进行鉴别训练，并输出相应的鉴别概率；
[0011]根据所述鉴别概率，更新所述生成器和鉴别器中的训练参数；
[0012]若所述训练参数达到稳定并收敛，则由所述GAN模型输出预测流量；
[0013]否则，继续训练，直到所述训练参数达到稳定并收敛；
[0014]其中，所述鉴别概率代表所述生成流量和与其相对应的网络流量真实值的匹配度；所述预测流量为所述生成流量。
[0015]结合第一方面，进一步的，所述生成器包括：用于输出时间信息序列的时间信息学习模块、用于输出空间信息序列的空间信息学习模块，以及用于拼接所述时间信息序列和空间信息序列的时空融合模块。
[0016]结合第一方面，进一步的，所述时间信息学习模块包括：
[0017]使用分段聚合操作，将所述历史网络流量的时序数据进行成倍压缩聚合；
[0018]使用格拉姆角场中的对应做角度和/或对应做角度差操作，将压缩聚合后的时序数据进行对应角做差或做和，并使用余弦操作，以获取时序矩阵；
[0019]将所述时序矩阵以图像的形式进行表达，以获取时序特征图；
[0020]使用卷积操作中的不同卷积核学习所述时序特征图中不同时间间隔的时间相关性，以输出时间信息序列；
[0021]其中，将所述历史网络流量的时序数据进行成倍压缩聚合，所采用的倍数通过分段设定。
[0022]结合第一方面，进一步的，所述空间信息学习模块包括：
[0023]使用未加权图对各所述网络设备的空间拓扑进行描述，并将每一个网络设备视作一个结点；
[0024]使用邻接矩阵对各所述网络设备之间的连接关系进行描述；
[0025]使用图卷积神经网络在傅里叶域中建立过滤器，并将所述过滤器作用于各所述结点，通过一阶邻域捕捉各所述结点之间的空间信息，并通过堆叠多个卷积层，以构建GCN模型；
[0026]通过所述GCN模型，获取中心设备与其周围设备之间的拓扑关系，并进行编码，获取各所述网络设备的空间依赖关系，以输出空间信息序列；
[0027]其中，所述未加权图的表达式如公式(1)所示：
[0028]G＝(V,E)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0029]公式(1)中，G为未加权图的集合，V为网络设备的集合，V＝{ν1,ν2,
…
,ν
N
}，N为网络设备总数，E为边的集合；
[0030]所述邻接矩阵的表达式如公式(2)所示：
[0031]A∈R
N
×
N
(2)
[0032]公式(2)中，A为邻接矩阵，R为实数集合，N为网络设备总数；
[0033]其中，所述邻接矩阵包括用于表述任意两个网络设备之间没有连接的0元素，以及用于表述任意两个网络设备之间存在连接的非0元素；
[0034]所述GCN模型的表达式如公式(3)所示：
[0035][0036]公式(3)中，H
(l+1)
为GCN模型第l+1层的输出，H
(l0
为GCN模型第l层的输出，θ
(l)
为GCN模型第l层的参数，A为邻接矩阵，I
N
为单位矩阵，为每个结点增加自连接后的邻接矩阵，为结点i与结点j的连接关系，为度矩阵，σ(
·
)为非线性的Sigmoid函数。
[0037]结合第一方面，进一步的，所述时空融合模块包括：以各所述网络设备的ID为关键字，将所述时间信息序列和空间信息序列进行一一对应的拼接处理。
[0038]结合第一方面，进一步的，所述鉴别器包括：用于学习时间信息的LSTM模型和用于学习空间信息的GCN模型，所述LSTM模型与GCN模型并联。
[0039]结合第一方面，进一步的，所述LSTM模型的函数表达式如公式(4)所示：
[0040][0041]公式(4)中，[h
t
‑1,x
t
]为t时刻输入信息矩阵，h
t
‑1为t
‑
1时刻隐藏信息，x
t
为t时刻原始特征向量，f
t
为遗忘门，W
f
为遗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空特征融合的网络流量预测方法，其特征在于，包括：将各网络设备的历史网络流量和空间拓扑输入至预构建的GAN模型，由所述GAN模型中的生成器进行拟合训练，并输出生成流量；将所述生成流量和与其相对应的网络流量真实值输入至所述GAN模型中的鉴别器，进行鉴别训练，并输出相应的鉴别概率；根据所述鉴别概率，更新所述生成器和鉴别器中的训练参数；若所述训练参数达到稳定并收敛，则由所述GAN模型输出预测流量，否则，继续训练，直到所述训练参数达到稳定并收敛；其中，所述鉴别概率代表所述生成流量和与其相对应的网络流量真实值的匹配度；所述预测流量为所述生成流量。2.根据权利要求1所述的基于时空特征融合的网络流量预测方法，其特征在于，所述生成器包括：用于输出时间信息序列的时间信息学习模块、用于输出空间信息序列的空间信息学习模块，以及用于拼接所述时间信息序列和空间信息序列的时空融合模块。3.根据权利要求2所述的基于时空特征融合的网络流量预测方法，其特征在于，所述时间信息学习模块包括：使用分段聚合操作，将所述历史网络流量的时序数据进行成倍压缩聚合；使用格拉姆角场中的对应做角度和/或对应做角度差操作，将压缩聚合后的时序数据进行对应角做差或做和，并使用余弦操作，以获取时序矩阵；将所述时序矩阵以图像的形式进行表达，以获取时序特征图；使用卷积操作中的不同卷积核学习所述时序特征图中不同时间间隔的时间相关性，以输出时间信息序列；其中，将所述历史网络流量的时序数据进行成倍压缩聚合，所采用的倍数通过分段设定。4.根据权利要求2所述的基于时空特征融合的网络流量预测方法，其特征在于，所述空间信息学习模块包括：使用未加权图对各所述网络设备的空间拓扑进行描述，并将每一个网络设备视作一个结点；使用邻接矩阵对各所述网络设备之间的连接关系进行描述；使用图卷积神经网络在傅里叶域中建立过滤器，并将所述过滤器作用于各所述结点，通过一阶邻域捕捉各所述结点之间的空间信息，并通过堆叠多个卷积层，以构建GCN模型；通过所述GCN模型，获取中心设备与其周围设备之间的拓扑关系，并进行编码，获取各所述网络设备的空间依赖关系，以输出空间信息序列；其中，所述未加权图的表达式如公式(1)所示：G＝(V,E)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)公式(1)中，G为未加权图的集合，V为网络设备的集合，V＝{ν1,ν2,
…
,ν
N
}，N为网络设备总数，E为边的集合；所述邻接矩阵的表达式如公式(2)所示：A∈R
N
×
N
(2)公式(2)中，A为邻接矩阵，R为实数集合，N为网络设备总数；
其中，所述邻接矩阵包括用于表述任意两个网络设备之间没有连接的0元素，以及用于表述任意两个网络设备之间存在连接的非0元素；所述GCN模型的表达式如公式(3)所示：公式(3)中，H
(l+1)
为GCN模型第l+1层的输出，H
(l)
为GCN模型第l层的输...

【专利技术属性】
技术研发人员：陆涛，张浩，管荑，李菁竹，马涛，何迎利，冯宝，姚月月，南天，丁雍，周飞飞，蔡鹏，葛红舞，卢岸，胡光宇，贾鹏，罗衡森，李宇航，李芹，
申请(专利权)人：国网电力科学研究院有限公司国网山东省电力公司国网山东省电力公司经济技术研究院，
类型：发明
国别省市：