[发明专利]一种基于深度学习的全局视野网络系统的解释方法

说明书

本发明涉及互联网信息技术领域，尤其涉及一种基于深度学习的全局视野网络系统的解释方法。本发明方法对全局视野情况下基于深度学习的计算机网络系统的决策进行因果性解释与转换。首先采用深度强化学习的方法对原网络系统进行训练，在完成原有基于深度学习的系统训练后，对产生的全局配置结果通过超图的方式进行建模，并分析超图中关键的点‑超边连接，为每一个点‑超边连接对最终全局配置结果的影响力打分，使网络管理员理解决策中关键的组成部分。本方法极大地降低了原基于深度学习的全局视野网络系统的理解难度，便于网络管理员对决策过程进行理解。将本解释方法部署于实际系统上时，有助于网络管理员理解并纠错原全局视野网络系统的决策过程。

技术领域

本发明涉及互联网信息技术领域，尤其涉及一种基于深度学习的全局视野网络系统的解释方法。

背景技术

计算机网络系统一般可以分为具有局部视野的系统和具有全局视野的系统。局部视野指的是网络系统部署在服务器端、客户端或者中间件、交换机上(如：拥塞控制系统)，这些具有局部视野的系统只能通过对系统中的一个点的信息进行观测并做出决策。全局视野的系统则例如网络管理控制器、流量工程调度系统、软件定义网络控制器等，这些具有全局视野的系统能够对网络中多个设备进行观测并做出决策。在决策逻辑上，部分现有的全局视野网络系统采用深度学习技术来作为其决策算法，例如基于深度神经网络的软件定义网络路由优化算法等。

传统的网络系统的决策策略中，经常通过“加增乘减”等简明的策略来进行决策。而现有的基于深度学习的这些系统其决策方式并不能被网络管理员所理解：神经网络经常包含成千上万的神经元，经过一系列非线性的计算得出最终的结论。因此，尽管在训练中表现较好，但网络管理员并不能够理解其决策的逻辑，因此往往难以获得信任。

发明内容

本发明的目的是提出一种基于深度学习的全局视野网络系统的解释方法，对全局视野情况下基于深度学习的计算机网络系统的决策进行因果性解释与转换。首先采用深度强化学习的方法对原网络系统进行训练，在完成原有基于深度学习的系统训练后，对其产生的全局配置结果通过超图(hypergraph)的方式进行建模，并分析超图中关键的点-超边(hyperedge)连接，为每一个点-超边连接对最终全局配置结果的影响力打分，以让网络管理员理解决策中关键的组成部分。

本发明提出的基于深度学习的全局视野网络系统的解释方法，包括以下步骤：

(1)将资源和请求输入到待解释的全局视野网络系统S中，输出得到全局配置结果集合，将该全局配置结果集合记为O；

(2)构建一个包括资源和请求的全局视野计算机网络系统超图H，该全局视野计算机网络系统超图H具有以下四种形式：

a、当全局视野网络系统S为软件定义网络路由优化系统时，超图H中物理链路构建为点，路由路径构建为超边；

b、当全局视野网络系统S为虚拟网络功能放置优化系统时，超图H中物理服务器构建为点，虚拟网络功能为超边；

c、当全局视野网络系统S为超密集蜂窝网络优化系统时，超图H中移动用户构建为点，基站构建为超边；

d、当全局视野网络系统S为集群任务调度优化系统时，超图H中请求任务构建为点，任务间依赖关系构建为超边；

用一个关联矩阵I表示全局视野计算机网络系统超图H，关联矩阵I为一个V×E维的0-1矩阵，关联矩阵I中的位置(v,e)为1时，表示点v和超边e有连接关系，位置(v,e)为0时，表示点v和超边e没有连接关系；

(3)对步骤(2)的全局视野计算机网络系统超图H进行特征计算，包括以下步骤：

(3-1)构建一个评价矩阵W，用于表征关联矩阵I中各非零元素的重要性；

(3-2)计算上述评价矩阵W的性能损失：