一种基于图神经网络的网络带宽预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于图神经网络的网络带宽预测方法及装置，首先进行数据采集，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；第二步构建特征工程，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；第三步进行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；第四步对网络中的节点特征、链路特征采用图神经网络算法进行建模，训练得到新的节点特征和链路特征信息；最后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。算法对链路之间的带宽进行预测。算法对链路之间的带宽进行预测。

【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输，在进行端边云协同计算时，网络带宽受限是其中一个最关键的制约因素。在建模过程中必须考虑网络的影响，随着现有网络规模的日益庞大和结构日趋复杂，导致如今影响网络正常运行的因素不断增加，网络带宽也会收到网络抖动、丢包等的影响，对网络带宽进行实时预测的需求也日益增大。
[0003]针对网络带宽的预测研究，现有的建模技术并不能实现对其的准确估计，存在计算量庞大、模型构建理想化、网络信息考虑不全面等缺陷。对于网络性能分析方面的研究，可分为测量法、解析法和仿真法。测量法是单纯利用软件、硬件工具来监测相关特性的度量。解析法则利用数学理论的方法描述性能特征和系统参数之间的关系，得到性能估计的参数解(如排队论、网络演算等)。仿真法是抽象地建立网络系统模型，再结合数学描述和网络建模等相关技术来进行网络性能的预测。
[0004]上述方法存在如下几个问题：
[0005](1)测量法难以满足新型网络对测量分析的严格要求；
[0006](2)解析法建立的都是理想模型，无法反映网络中的真实情况，与实际复杂的网络存在一定差异。
[0007](3)现有的仿真模型在更广泛应用的非欧几里得空间(如拥有复杂、不规律的连接信息的现实网络中)性能一般
[0008]近年来随着深度学习的兴起和数据驱动的发展，越来越多的研究开始采用深度神经网络来进行网络性能的预测。其中循环神经网络RNN具有一定的时间记忆功能,被研究人员大量地使用到流量预测中,但是基于RNN的模型只考虑时序特征而忽略了空间特征.为了更好地刻画网络的空间特征,一些研究引入了卷积神经网络CNN对空间进行建模。但传统的卷积神经网络只能处理欧氏空间数据(如图像、文本和语音)，针对网络这样具有非结构化特性的图数据，图神经网络可以从非结构化数据中生成图，其输出不随节点的输入顺序为
转移，边则表示两个节点之间的链路连接关系，可以依赖周围的状态来更新节点和边的状态，对网络的性能预测研究具有实际意义。

技术实现思路

[0009]为解决现有技术的不足，实现对不同网络拓扑结构下各链路上带宽的预测，避免实测的耗时耗力，本专利技术提供一种基于图神经网络的网络带宽预测方法。
[0010]一种基于图神经网络的网络带宽预测方法，包括如下步骤：
[0011]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；
[0012]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；
[0013]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；
[0014]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；
[0015]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。
[0016]进一步地，所述S101的数据采集，包括如下步骤：
[0017]步骤201，采集各种网络拓扑结构，所述网络拓扑结构包括但不限于星型拓扑结构、网状拓扑结构、树形拓扑结构、混合型拓扑结构。
[0018]所述星型拓扑结构是一个中心，多个分节点。多节点与中央节点通过点对点的方式连接。
[0019]所述网状拓扑结构是各节点通过传输线互相连接，并且每一个节点至少与其他两个节点相连。
[0020]所述树形拓扑结构顶端是树根,树根以下带分支,每个分支还可再带子分支，树根接收各站点发送的数据,然后再广播发送到全网。
[0021]所述混合型拓扑结构则是将两种或几种网络拓扑结构混合起来构成的一种网络拓扑结构。
[0022]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；
[0023]所述网络节点是指网络拓扑结构下的各种设备，可以是路由器、交换机等网络设备，也可以是具备网络连接功能的服务器、台式机、开发板等计算机设备。
[0024]所述节点上不同队列下每个数据包的输出大小是指每个数据包产生的字节大小，单位是Byte。所述不同队列产生的数据包的执行调度策略包括但不限于先进先出(FIFO)、严格优先级调度(PQ)、加权公平队列调度(WFQ)、循环调度(RR)、加权轮询调度(WRR)、差分轮询调度(DRR)和差分加权轮询调度(DWRR)。
[0025]所述权重信息仅针对调度策略有加权的情况赋予权值。
[0026]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；
[0027]所述链路是指连接每两个网络节点之间的通路，所述链路的最大带宽容量是指在不同网络拓扑结构下的全链路的最大带宽限制，所述单链路上的丢包率是指单条链路上传输中所丢失数据包数量占所发送数据包的比率，依靠测量所得；所述单链路上的吞吐量以全链路最大带宽容量除以链路总数进行初始化。
[0028]进一步地，所述S102的构建特征工程，包括如下步骤：
[0029]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，以及在不同策略下可能产生的调度权重信息s本文档来自技高网...

【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：