【技术实现步骤摘要】
一种基于图神经网络的网络带宽预测方法及装置
[0001]本专利技术涉及人工智能
，尤其是涉及一种基于图神经网络的网络带宽预测方法及装置。
技术介绍
[0002]随着物联网、云计算、边缘计算和人工智能等新一代信息技术的快速发展，机器人已实现了从感知到认知、推理、决策的智能化进阶，并逐渐成为了各行业领域未来发展的主要趋势之一，在工业制造、生活服务等许多方面都有着巨大的应用价值。目前的机器人技术融合了云计算和边缘计算，产生了云机器人和雾机器人，云机器人利用云服务器强大的计算能力为机器人提供充足的算力，雾机器人则旨在解决云计算实时响应能力差的问题，利用边缘计算实现部分云侧的通信、计算、数据存储与处理等能力。目前的研究趋势是采用机器人本体(端)
‑
边缘服务器(边)
‑
云服务器(云)融合的计算架构来为执行不同计算任务的机器人提供一个可以适应其计算、存储和协同合作之间的分布关系，在云和边缘侧提供算力的支撑，以实现更有效、更经济的计算力部署。由于机器人本体和边缘服务器、云服务器之间涉及到大量的数据传...
【技术保护点】
【技术特征摘要】
1.一种基于图神经网络结合机器学习的网络带宽预测方法，其特征在于包括如下步骤：S101，数据采集，采集不同网络拓扑结构下的数据，包括每个网络节点上的队列数量、每个队列的长度和每个数据包的输出大小以及执行调度策略与权重信息，节点之间的链路连接关系与链路的最大带宽容量，链路上的丢包率等网络性能相关信息；S102，构建特征工程，对采集的数据进行预处理，根据网络拓扑节点的信息构建网络节点的特征向量，根据节点之间每条链路的信息构建链路的特征向量；S103，网络系统抽象化表征，将网络抽象成由节点和边表示的图，节点的权重由节点的特征向量赋值，边由节点之间链路的特征向量赋值；S104，基于图神经网络的模型训练，对网络中的节点特征、链路特征利用图神经网络模型进行建模，训练得到新的节点特征和链路特征信息，更精确的表征网络拓扑中的节点特征以及链路特征信息；S105，网络带宽预测，根据更新后的节点特征以及链路特征信息，采用机器学习算法对链路之间的带宽进行预测。2.根据权利要求1所述的一种图神经网络结合机器学习的网络带宽预测方法，其特征在于，步骤S101所述的网络拓扑结构选自星型拓扑结构、网状拓扑结构、树形拓扑结构、混合型拓扑结构之一。3.根据权利要求1所述的一种基于图神经网络的网络带宽预测方法，其特征在于所述S101的数据采集，包括如下步骤：步骤201，采集各种网络拓扑结构；步骤202，采集不同网络拓扑结构下的网络节点信息，包括：节点上的队列数量、每个队列的长度和每个数据包的输出大小，节点上不同队列产生的数据包的执行调度策略和权重信息；步骤203，采集不同网络拓扑结构下的链路信息，包括：链路的最大带宽容量，单链路上的丢包率，单链路的吞吐量。4.根据权利要求1所述的一种基于图神经网络的网络带宽预测方法，其特征在于所述S102的构建特征工程，包括如下步骤：S301，根据网络拓扑的节点信息构建网络节点的特征向量x
v
，包括节点上的队列数量queue_num，每个队列的长度queue_length，每个队列下输出数据包的大小queue_size，队列的数据包调度策略schedule_policy，在不同策略下可能产生的调度权重信息schdule_weight，表示为S302，根据节点之间每条链路的信息构建网络链路的特征向量x
l
，包括链路的最大带宽容量max_capacity，链路上的丢包率link_loss，吞吐量link_throughput，表示为x
l
＝{c
max
,l
loss
,l
througput
}；S303，根据节点之间的链路连接关系构建路由关系矩阵R
n
×
n
，n为节点的数量。5.根据权利要求1所述的一种基于图神经网络的网络带宽预测方法，其特征在于所述S103的网络系统抽象化表征，是对于给定的网络，根据拓扑结构抽象成由节点和边表示的图G＝(V，...
【专利技术属性】
技术研发人员：朱世强，向甜，朱宏伟，宋伟，杨慧轩，
申请(专利权)人：之江实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。