[发明专利]一种满足光组播资源预测的隐马尔科夫模型状态构造与参数训练方法

说明书

本发明公开了一种在软件定义数据中心光网络内基于因马尔科夫模型的组播资源预测方法和实现过程。本发明的主要创新点表现为在软件定义数据中心光网络内通过统计数据中心内的光网络流量分布模型、网络资源需求量、业务突发时间、业务持续时间和业务请求频度等信息构建隐马尔科夫模型的可观测状态；通过划分组播业务在数据中心网络中的作用区域以及组播业务对网络资源的需求状况构建隐马尔科夫模型的隐藏状态。通过获取的观测状态和隐藏状态空间的历史数据训练所建立模型的参数并实现对数据中心光网络组播资源的预测。

技术领域

本发明涉及一种在软件定义数据中心光网络中利用隐马尔科夫模型对数据中心光网络组播业务特征进行学习建模并对网络内的组播资源进行预测的方法和步骤，属于光交换网络技术领域。

背景技术

数据中心网络内部存在着广泛的组播通信模式，例如分布式集群系统数据的复制、分发与状态同步，云环境下虚拟机镜像安装，文件备份与分发等等。通过数据中心内部的组播服务，可以显著减少网络数据发送量，降低网络流量，提高网络资源使用效率，最终提高数据中心的服务能力。数据中心内部服务器提供组播服务是数据中心网络的必备功能之一。然而，数据中心内部有超过70%的流量为东西向流量，这种内部网络流量分布不均匀，并且具有极强的局部性、动态性、突发性和多样性等特征。这些特征对组播的可靠性和灵活性提出了更高的要求，使得传统IP组播难于满足应用需求。另一方面，数据中心设备间需要大量的数据交换和通信以实现集群协同工作，这使得传统IP网络在带宽、传输时延和网络能耗等方面都无法满足未来数据中心对网络的需求。

软件定义光网络(Software Defined Optical Network, SDON)能够实现光网络资源的统一控制和管理，代表了光网络在向传输智能和业务智能的综合方向发展，为管理光网络资源提供了有效的技术支撑。在软件定义数据中心光网络环境下实现全光组播是解决数据中心网络中传统IP组播存在问题的重要方法。另一方面，数据中心网络承载类型多样的组播业务，不同组播业务对网络的影响区域和资源需求差异性较大，表现出极强的局部性和突发性。如果在组播业务到达之前能够较为准确预测组播业务的资源需求情况和组播发生区域，同时在控制平面预先进行资源调度和分配，可以显著提高组播成功率和可靠性。

基于这一目标，本发明提出一种在软件定义数据中心光网络内基于隐马尔科夫模型的组播资源预测方法，将数据中心光网络中的组播应用请求特征，包括对请求时间段、不同业务类型所占的比例、业务持续时间、资源使用情况、高峰请求时间以及网络负载状态等时空多维度特征信息进行统计学习，并依据学习结果预测数据中心光网络未来一段时间突发组播业务的资源需求情况和影响范围。

发明内容

利用隐马尔科夫模型对数据中心光网络未来一段时间内突发的组播业务特征进行预测，首先需将可统计的组播业务特征和网络状态特征转换为预测模型可识别的状态空间，然后训练状态转换参数并设计预测算法。实现上述目标的核心问题在于从繁杂的网络指标和指标组合中确定可观测网络指标与组播预测结果的内在关联。

本发明的主要目的是建立数据中心光网络组播业务资源需求及影响范围到基于统计学习的预测模型状态空间的映射策略，确定预测结果与数据中心光网络组播业务类型、模型状态空间维度和状态信息离散化粒度之间的内在关系，设计预测模型最佳的状态空间构造方案、参数训练策略和状态预测算法。基于上述目的，本发明的主要内容如下：

一种构造隐马尔科夫预测模型隐藏状态和可观测状态的方法，其特征在于将数据中心内的网络流量分布模型、网络资源需求量、业务突发时间、业务持续时间和业务请求频度等信息映射为隐马尔科夫模型的可观测状态；将组播业务在数据中心网络中的作用区域以及组播业务对网络资源的需求状况映射为隐马尔科夫模型的隐藏状态。