【技术实现步骤摘要】
本专利技术涉及智联网及智能感知生成拓扑领域，具体涉及一种基于智慧网络业务智能感知绘制网络拓扑的方法及系统。
技术介绍
1、神经网络架构搜索(nas)是自动化架构工程。
2、多智能体系统(multi-agent system，mas)是当今人工智能中的前沿学科，是分布式人工智能研究的一个重要分支，其目标是将大的复杂系统建造成小的、彼此相互通信及协调的、易于管理的系统。
3、深度学习在过去几年中在各种任务上取得了显著进步，如图像识别.语音识别和机器翻译。这一进步的一个关键方面就是新颖的神经架构。目前使用的架构大多是由人类专家手动开发的，这是一个耗时且错误的过程。因此，人们对自动神经网络架构搜索方法越来越感兴趣。在感知任务中，深度学习的成功在很大程度上归功于其特征工程过程的自动化：分层特征提取器以端到端的方式从数据而不是手动设计中学习。然而，伴随着对建筑工程的不断增长的需求，越来越复杂的神经架构被手动设计。神经网络架构搜索(nas)是自动化架构工程，因此是机器学习自动化的合理下一步。nas可以被视为automl的子领域并且与超参数优化和元学习具有显著的重叠。目前使用的架构大多是由人类专家手动开发的，这是一个耗时且错误的过程。在智慧拓扑网络具备智能感知功能是现在需要突破的瓶颈。
技术实现思路
1、本专利技术针对现有技术中的不足，提供一种基于智慧网络业务智能感知绘制网络拓扑的方法及系统。
2、为实现上述目的，本专利技术采用以下技术方案：
3、一
4、将网络拓扑图中的网络节点映射为基因组；
5、利用neat算法对网络节点进行基于基因权重的更新，得到更新后的网络拓扑；
6、将更新后的网络拓扑嵌入到构建的神经网络架构中，利用神经网络架构搜索方法为网络拓扑的智能感知任务进行基于深度学习的搜索；所述神经网络架构搜索方法包括选择搜索空间，设置对应搜索空间的搜索策略以获得网络拓扑结构，评估搜索策略的性能以调整搜索策略。
7、为优化上述技术方案，采取的具体措施还包括：
8、进一步地，所述利用neat算法对网络节点进行基于基因权重的更新具体为：
9、设置相似距离d来量化不同网络拓扑之间的差异性，表达式如下：
10、
11、式中，d表示互斥基因的数量，e表示剩余基因的数量，表示配对基因平均权重误差，λd为互斥基因的数量的重要性系数，λe为剩余基因的数量的重要性系数，λw为配对基因平均权重误差的重要性系数，n为配对基因组中最大基因组的基因数量；
12、利用兼容性阈值dt来划分物种，更新个体的适应度，公式表达如下：
13、
14、
15、式中，μ(·)为共享函数，fi表示更新前的第i个个体的适应度，fi′表示更新后的第i个个体的适应度，n表示个体数量，dij表示第i个个体与第j个个体之间的相似距离；
16、根据更新后的适应度调整物种个体的数量：
17、
18、式中，ns表示物种上一代的个体数量，n′s表示物种新一代的个体数量，fsi是第s类物种中第i个个体更新后的适应度；是整个种群更新后的适应度的平均值；
19、每个物种利用内部适应度最好的r％个个体交叉配对产生对应的n＇s个后代，进而替换掉当前一代。
20、进一步地，所述搜索策略为运用量子贝叶斯网络预测网络节点为新加入的节点的概率，用于更新网络拓扑。
21、进一步地，所述量子贝叶斯网络由带标签的图和节点矩阵的集合组成，所述带标签的图由节点组成且节点之间由箭头连接，每个节点对应一个节点矩阵，且满足以下约束：
22、对于量子贝叶斯网络，外部箭头是具有起点但没有终点的箭头，内部箭头是具有起点和终点的箭头，外部节点是带有单个外部箭头的节点，内部节点是带有一个或多个内部箭头的节点，将没有输入箭头只有输出箭头的节点作为根节点，量子贝叶斯网络的所有节点必须是内部节点或外部节点；
23、将待预测的网络节点作为随机变量分配给量子贝叶斯网络的节点，待预测的n个网络节点作为的随机变量分别表示为x1，x2，…，xn，随机变量的状态组成条件概率矩阵a。
24、进一步地，所述运用量子贝叶斯网络预测网络节点为新加入的节点的概率的具体过程为：
25、随机变量都服从完全通用联合概率分布，用下式预测网络节点为新加入的节点的概率：
26、p(x.)＝p(xn | xn-1，xn-2，·…，x1)p(xn-1|xn-2，xn-3，·…，x1)···p(x2|x1)p(x1)
27、式中，p(x.)表示最终预测的网络节点为新加入的节点的概率，p(xn|xn-1，xn_2，…，x1)表示节点xn-1，xn-2，…，x1对应的状态事件发生的同时节点xn对应的状态事件发生的概率。
28、进一步地，所述搜索空间为链结构神经网络空间，链结构神经网络空间的层数为h层，设置每层执行的操作类型，包括汇集、深度可分离卷积和扩张卷积；设置与操作类型对应的超参数，包括滤波器的数量、核尺寸和卷积层的步幅。
29、本专利技术还提出一种基于智慧网络业务智能感知绘制网络拓扑的系统，包括：
30、映射模块，用于将网络拓扑图中的网络节点映射为基因组；
31、权重更新模块，用于利用neat算法对网络节点进行基于基因权重的更新，得到更新后的网络拓扑；
32、搜索模块，用于将更新后的网络拓扑嵌入到构建的神经网络架构中，利用神经网络架构搜索方法为网络拓扑的智能感知任务进行基于深度学习的搜索；所述神经网络架构搜索方法包括选择搜索空间，设置对应搜索空间的搜索策略以获得网络拓扑结构，评估搜索策略的性能以调整搜索策略。
33、本专利技术的有益效果是：
34、本专利技术利用neat算法对网络节点进行基于基因权重的更新，neat算法实质上属于加强版的遗传算法，不仅表现出了参数优化功能，而且表现出了结构复杂化功能。该算法可以在现存的较优结构上添加新的结构，使个体可以发挥出潜在的强大优势。
35、将更新后的网络拓扑嵌入到构建的神经网络架构中，利用神经网络架构搜索方法为网络拓扑的智能感知任务进行基于深度学习的搜索；nas可以被视为automl的子领域并且与超参数优化和元学习具有显著的重叠。创新性的对业务感知的搜索空间进行基于量子贝叶斯网络的目标节点预测，概率值高的节点做为业务感知敏感度最高的关注节点。从而在业务开始阶段和网络节点新增时第一时间发现并进行智慧网络拓扑的更新。
本文档来自技高网...【技术保护点】
1.一种基于智慧网络业务智能感知绘制网络拓扑的方法，其特征在于，包括：
2.如权利要求1所述的基于智慧网络业务智能感知绘制网络拓扑的方法，其特征在于，所述利用NEAT算法对网络节点进行基于基因权重的更新具体为：
3.如权利要求1所述的基于智慧网络业务智能感知绘制网络拓扑的方法，其特征在于，所述搜索策略为运用量子贝叶斯网络预测网络节点为新加入的节点的概率，用于更新网络拓扑。
4.如权利要求3所述的基于智慧网络业务智能感知绘制网络拓扑的方法，其特征在于，所述量子贝叶斯网络由带标签的图和节点矩阵的集合组成，所述带标签的图由节点组成且节点之间由箭头连接，每个节点对应一个节点矩阵，且满足以下约束：
5.如权利要求3所述的基于智慧网络业务智能感知绘制网络拓扑的方法，其特征在于，所述运用量子贝叶斯网络预测网络节点为新加入的节点的概率的具体过程为：
6.如权利要求1所述的基于智慧网络业务智能感知绘制网络拓扑的方法，其特征在于，所述搜索空间为链结构神经网络空间，链结构神经网络空间的层数为H层，设置每层执行的操作类型，包括汇集、深度可分离卷
7.一种基于智慧网络业务智能感知绘制网络拓扑的系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于智慧网络业务智能感知绘制网络拓扑的方法，其特征在于，包括：
2.如权利要求1所述的基于智慧网络业务智能感知绘制网络拓扑的方法，其特征在于，所述利用neat算法对网络节点进行基于基因权重的更新具体为：
3.如权利要求1所述的基于智慧网络业务智能感知绘制网络拓扑的方法，其特征在于，所述搜索策略为运用量子贝叶斯网络预测网络节点为新加入的节点的概率，用于更新网络拓扑。
4.如权利要求3所述的基于智慧网络业务智能感知绘制网络拓扑的方法，其特征在于，所述量子贝叶斯网络由带标签的图和节点矩阵的集合组成，所述带标签的图由节点组成且节点之间由箭...
【专利技术属性】
技术研发人员：谢国庆，
申请(专利权)人：中电信数智科技有限公司，
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。