一种基于时空相关的网络节点和链路剩余资源预测方法技术

本发明专利技术提供了一种基于时空相关的网络节点和链路剩余资源预测方法，根据网络节点以及节点之间链路的拓扑关系，构建网络拓扑的节点链路连接图；通过节点链路连接图构建了节点链路邻接矩阵，综合考虑网络中节点和链路之间的相关性；通过利用图卷积网络GCN与门控循环单元GRU，根据Seq2Seq模型结构，构成改进型的S

【技术实现步骤摘要】
一种基于时空相关的网络节点和链路剩余资源预测方法


[0001]本专利技术属于网络通信
，具体涉及一种基于时空相关的网络节点和链路剩余资源预测方法，可用于网络功能虚拟化(Network Function Virtualization，NFV)场景下的资源分配。

技术介绍

[0002]NFV利用通用硬件及虚拟化技术完成了虚拟网络功能(Virtual Network Function,VNF)的软件化部署，能够在满足不同业务需求的同时降低运营商的基础设施建设成本，实现网络功能的弹性部署。预测网络节点和链路的剩余资源，可以帮助服务提供商高效地利用网络资源灵活地部署VNF。
[0003]所述网络节点和链路剩余资源预测，是指在给定网络拓扑、各节点历史剩余资源数据和各链路历史剩余资源数据的情况下，学习各节点之间、各链路之间以及节点和链路之间剩余资源数据的关联关系，预测各节点和链路未来一段时间内剩余资源的过程。网络中各节点和链路的剩余资源变化有一定规律，且会受到相邻节点和链路上剩余资源的影响。由于网络拓扑的复杂性和网络剩余资源变化的高度非线性，传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，包括：S1：根据网络节点以及节点之间链路的拓扑关系，构建网络拓扑的节点链路连接图G；S2：根据所述节点链路连接图，获得节点链路邻接矩阵A；S3：通过从网络节点以及链路获取各类资源的剩余量，构建训练集X
train
以及测试集X
test
；其中，所述训练集X
train
包括节点特征训练集以及链路特征训练集所述测试集X
test
包括节点特征测试集以及链路特征测试集S4：构建改进型S
‑
GRU神经网络模型；S5：利用所述训练集X
train
和节点链路邻接矩阵A对改进型S
‑
GRU神经网络模型进行训练，得到训练好的改进型S
‑
GRU神经网络模型；S6：将所述测试集X
test
和节点链路邻接矩阵A输入训练好的改进型S
‑
GRU神经网络模型，得到网络中节点和链路剩余资源的预测值。2.根据权利要求1所述的一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，S1包括：S1.1：根据网络节点以及节点之间链路的拓扑关系，将网络拓扑中的每个节点定义为node
i
；其中i∈{1,2,
…
,N}，N表示节点数量，将网络拓扑中的每条链路定义为link
k
，其中k∈{1,2,
…
,L}，L表示链路数量；S1.2：将网络拓扑的节点和链路转化成顶点v
m
,m∈{1,2,
…
,N+L}，其中前N个顶点v1,v2,
…
,v
n
表示网络拓扑的节点，后L个顶点v
N+1
,v
N+2
,
…
,v
N+L
表示网络拓扑的链路；S1.3：若网络拓扑中第i个节点node
i
与第j个节点node
j
之间有链路连接，将顶点v
i
和v
j
相连得到边e
i,j
，j∈{1,2,
…
,N}；S1.4：若网络拓扑中第k个链路link
k
与第l个链路link
l
经过同一个节点，将顶点v
N+k
和v
N+l
相连得到边e
N+k,N+l
，l∈{1,2,
…
,L}；S1.5：若网络拓扑中第i个节点node
i
与第k个链路link
k
相连，将顶点v
i
和v
N+k
相连得到边e
i,N+k
；S1.6：顶点v
m
和边e
m,n
组成节点链路连接图G。3.根据权利要求2所述的一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，S2包括：S2.1：用a
m,n
表示节点链路连接图G中第m个顶点v
m
与第n个节点v
n
的连接关系；n∈{1,2,
…
,N+L}，a
m,n
＝0表示不相连，a
m,n
＝1表示相连，则存在边e
m,n
；S2.2：根据图G的顶点连接关系a
m,n
，获得维度(N+L)
×
(N+L)的节点链路邻接矩阵A：4.根据权利要求1所述的一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，S3包括：
S3.1：通过从网络节点以及链路获取各类资源的剩余量，构建节点特征矩阵X
node
和链路特征矩阵X
link
；S3.2：根据所述节点特征矩阵X
node
得到节点特征训练集和节点特征测试集根据所述链路特征矩阵X
link
得到链路特征训练集和链路特征测试集S3.3：根据所述节点特征训练集和链路特征训练集得到训练集X
train
，根据所述节点特征测试集和链路特征测试集得到测试集X
test
。5.根据权利要求4所述的一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，S3.1包括：S3.1.1：在时刻t，获取网络拓扑中每个节点上各个种类资源的剩余量其中N表示节点数量，P表示节点上的资源种类数，节点特征矩阵T表示数据样本的时刻总数；S3.1.2：在时刻t，获取网络拓扑中每条链路上各个种类资源的剩余量其中L表示链路数量，Q表示链路上的资源种类数，链路特征矩阵T表示数据样本的时刻总数。6.根据权利要求4所述的一种基于时空相关的网络节点和链路剩余资源预测方法，其特征在于，S3.2包括：S3.2.1：对节点特征矩阵X
...

【专利技术属性】
技术研发人员：杨帆，赖佳洪，宋文超，任亚欣，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：