一种全域网络拓扑处理方法和设备技术

本申请公开了一种全域网络拓扑处理方法，包括以下步骤：合并多个网络域的拓扑信息为全域网络拓扑信息，经过图卷积神经网络处理获得全域网络节点拓扑知识；用所述全域网络节点拓扑知识作为先验知识，构建Loss函数对AI模型进行训练，形成策略生成模型。本申请还包含用于实现所述方法的全域网络拓扑处理设备。本申请的技术方案能实现网络的智能化决策、高精度配置，更好地支撑自治网络、数字孪生网络、意图网络等智能化网络。络等智能化网络。络等智能化网络。

【技术实现步骤摘要】
一种全域网络拓扑处理方法和设备


[0001]本申请涉及通信
，尤其涉及一种全域网络拓扑处理方法和设备。

技术介绍

[0002]随着自治网络、数字孪生网络、意图网络等智能化网络的迅速发展，对于网络的智能化决策、高精度配置等均提出较高的要求。但是当前由于网络自身非常复杂，一旦出现故障或者拥塞等异常情况，局部调优极有可能出现“牵一发而动全身”的局面，从而导致多个网络节点出现故障。因此，亟需一种面向网络全域进行智能化决策的方法进行智能化策略的制定，这对网络的运维管理具有重要的作用。
[0003]网络全域智能化策略的生成高度依赖全域拓扑信息，拓扑信息包括网络节点的节点信息及节点之间的关系信息。如何挖掘和抽取全域拓扑信息中隐藏的关联关系，表征形成一种可供AI等智能化手段决策的先验知识，基于先验知识进行智能策略的生成，从而增加智能策略的准确性，将智能策略转为网络配置下发实体网络，实现网络的智能化决策和高精度配置是本专利需要解决的核心问题，也是业界尚未解决的一个难题。

技术实现思路

[0004]本申请提出一种全域网络拓扑处理方法和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种全域网络拓扑处理方法，其特征在于，包括以下步骤：合并多个网络域的拓扑信息为全域网络拓扑信息，经过图卷积神经网络处理获得全域网络节点拓扑知识；所述全域网络节点拓扑知识，包含网络节点特征向量及其状态值，以及不同节点间特征的关系；用所述全域网络节点拓扑知识，设置用于AI模型训练的特征、设置AI模型的初始化权重参数，设定AI模型的Loss函数进行训练，形成策略生成模型；所述策略生成模型输出的策略为网络节点特征向量及其对应的状态值，此处的状态值是AI模型训练后得到的最优解。2.如权利要求1所述全域网络拓扑处理方法，其特征在于，所述经过图卷积神经网络处理获得全域网络节点拓扑知识，进一步包含以下步骤：根据全域网络拓扑信息构建输入信息，其包含N个节点，构建图卷积神经网络模型，模型结构包括输入层、N层GCN层+ReLU层、输出层；定义信息传播函数x
n
(t+1)＝f
w
(l
n
,x
n
(t),l
co[n]
,x
ne[b]
(t),l
ne[n]
)，其中，输入信息包含：l
n
为节点n的特征向量，l
ne[n]
为节点n相邻点的特征向量，x
n
(t)为节点n在t时刻的状态向量，l
co[n]
为节点n的特征与相关联节点的特征之间的关系特征向量，x
ne[b]
(t)为节点n相邻节点t时刻的状态向量；将全域网络拓扑信息构建的输入信息输入到信息传播函数，通过映射函数聚合每个节点的特征信息和邻居节点的特征信息；基于信息传播函数定义激活函数F
w
(x(t),l)，通过图神经网络实现，使x(t+1)＝F
w
(x(t),l)，此处l包含三种类型信息：l
n
、l
co[n]
以及l
ne[n]
；经过激活函数处理，输出层产生全域网络节点拓扑知识，作为智能策略生成模块的先验知识，具体形式为经过信息聚合的网络节点特征向量l
n
及其对应的状态值x
n
，以及信息补全的对应节点邻接矩阵l
(u,v)
。3.如权利要求1所述的全域网络拓扑处理方法，其特征在于，用所述全域网络节点拓扑知识，设置用于AI模型训练的特征、设置AI模型的初始化权重参数，设定AI模型的Loss函数进行训练，形成策略生成模型的步骤，进一步包含：训练数据包含节点特征向量状态向量以及关系特征向量上标t表示训练数据；将所述的拓扑知识作为先验知识，结合关系特征向量，针对节点特征向量进行特征相...

【专利技术属性】
技术研发人员：朱艳宏，党梅梅，李少晖，朱鹏飞，程强，刘姿杉，胡志杰，
申请(专利权)人：中国信息通信研究院，
类型：发明
国别省市：