[发明专利]一种基于图神经网络的电力数据流传输时间推理方法

说明书

本发明提出了一种基于图神经网络的电力数据流传输时间推理方法，用以解决现有传输时间推理无法准确推理每个数据流的传输时间，运行时间长的问题。本发明步骤为：建立GNN模型：根据电力数据中心的网络结构和路由信息建立GNN模型的拓扑结构，将电力数据中心的数据流信息映射为GNN模型中属性图的特征值；GNN模型训练：利用采集的数据集，通过监督学习对GNN模型进行训练，得到GNN推理模型；传输时间的推理：将在电力数据中心采集的测试数据映射为GNN模型的特征值，将特征值输入到GNN推理模型，推理得到数据流的传输时间。本发明可以快速、准确地推理出数据流的传输时间，利于数据流传输与调度的决策，从而提高电力数据中心中网络的运行效率。

技术领域

本发明涉及电力数据中心的技术领域，尤其涉及一种基于图神经网络的电力数据流传输时间推理方法。

背景技术

电力数据中心部署着大量的电力业务，诸如，电力计费、电力政务、实时交易等是当前电力系统正常运行不可或缺的重要组成部分。如何高效地使用电力数据中心的计算、存储和传输资源是一个重要问题，不仅关系着电力数据中的建设收益，也影响着电力业务的运行效率。其中，电力数据中心的传输资源具体是指其网络资源，即将电力数据中心的大量服务器互连起来的数据中心网络，也是本发明所侧重的背景技术。

一种电力业务通常需要多台服务器协同运行来完成，它们之间的协同运行不可避免地需要交互数据，称之为数据流。数据流需要借助网络资源来传输，且要耗费一定的时间，称之为数据流的传输时间。数据流的传输时间是电力业务高效调度的一项重要参考指标，类似于某员工一天中需要在城市中的多个地点办理业务，如果其能准确推测任意时间段其在路上所花费的时间，则可以提前合理地安排行程，有助于工作更高效地完成。然而，当电力数据中心中运行着大量的电力业务时，大量数据流之间的传输会相互影响，进而导致它们的传输时间难以确定。

当前数据流传输时间的推理方法主要包括两类：1)基于排队论建立宏观的数学模型，进而推导出相应的数学计算公式，但该方法仅能从统计意义上求出平均值，无法准确推理每个数据流的传输时间，不能满足电力业务高效调度时所需参考的指标；2)通过仿真软件来模拟电力数据中心网络中数据流的传输，诸如NS3、Omnet++等，进而得出其传输时间。然而，该方法存在参数配置复杂(现实网络中的状态如何映射为仿真软件中的参数)，运行时间太长(即使在一般的仿真精度下，仿真软件中的运行时间通常也是网络实际运行时间的上百倍)，因此无法满足实时调度的需求。

大部分应用到网络中的AI技术(例如，DGN，DRL，DBA等)存在着一个共性的缺陷---没有泛化能力使得其难以适应网络动态多变的特征，训练好的神经网络(NN)在网络拓扑发生细微变化(例如，链路断开、新主机加入等)时将不再适用，需要采集新的数据重新训练。由于网络的拓扑结构通常是动态变化的，这个缺陷将会更加严重，使得AI技术难以在网络中商业化部署。

图神经网络(Graph Neural Network，GNN)是对基于图的神经网络的各种方法的推广和扩展，支持关系推理和组合泛化。因此，GNN能够建模和表示网络中拓扑、路由和流量之间的复杂关系，并将训练好的网络参数推广到任意拓扑、路由方案和可变流量强度下。

发明内容

针对现有数据流传输时间的推理方法无法准确推理每个数据流的传输时间，运行时间长的技术问题，本发明提出一种基于图神经网络的电力数据流传输时间推理方法，借助当前最新的人工智能技术---图神经网络(Graph Neural Network，GNN)来推理电力数据中心中数据流的传输时间，且具有结果准确、计算快速、使用简单的明显优势。

为了达到上述目的，本发明的技术方案是这样实现的：一种基于图神经网络的电力数据流传输时间推理方法，其步骤如下：

步骤一、建立GNN模型：根据电力数据中心的网络结构和路由信息建立GNN模型的拓扑结构，将电力数据中心的网络的数据流信息映射为GNN模型中属性图的特征值；