[发明专利]一种边缘节点负载预测方法及装置

说明书

本发明公开了一种边缘节点负载预测方法及装置，所述方法包括：根据边缘节点拓扑关系图确定当前边缘节点的邻近边缘节点，并采集当前边缘节点的特征及邻近边缘节点的特征；采用已训练好的图神经网络模型对当前边缘节点的特征及邻近边缘节点的特征进行加权求和，以计算获取当前边缘节点在未来预定时间段内的预测负载值。根据本发明提供的边缘节点负载预测方法及装置，综合考虑了边缘节点的特征及邻近边缘节点的特征，即便对于具有多边缘节点的复杂拓扑结构，依然能够给出更加准确的负载预测结果。

技术领域

本发明涉及一种边缘节点负载预测方法及装置，属于通信技术领域。

背景技术

现有的边缘节点负载预测技术，主要通过机器学习、时间序列等模型，对不同地区、不同时段边缘节点的负载进行建模，并未考虑邻近边缘节点相互影响、边缘节点负载具有空间相关性的问题，导致边缘节点负载预测准确度不高。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种边缘节点负载预测方法及装置，考虑邻近边缘节点的影响，能够给出更为准确的边缘节点负载预测结果。

为达到上述目的，本发明是采用下述技术方案实现的：

根据本发明的一个方面，提供了一种边缘节点负载预测方法，所述方法包括：

根据边缘节点拓扑关系图确定当前边缘节点的邻近边缘节点，并采集当前边缘节点的特征及邻近边缘节点的特征；

采用已训练好的图神经网络模型对当前边缘节点的特征及邻近边缘节点的特征进行加权求和，以计算获取当前边缘节点在未来预定时间段内的预测负载值。

在本发明的实施例中，所述特征包括边缘节点的资源特征、历史负载值和任务请求特征。

在本发明的实施例中，所述历史负载值包括昨天历史负载值、最近一周历史平均负载值、最近一个月历史平均负载值、以及最近一年历史平均负载值。

在本发明的实施例中，所述资源特征包括边缘节点的CPU核数、内存总量、带宽总量及边缘节点的服务器数目。

在本发明的实施例中，所述任务请求特征包括昨日用户请求总数及用户请求的资源特征。

在本发明的实施例中，所述图神经网络模型的训练方法包括：

采集边缘节点拓扑关系图中每个边缘节点的特征；

根据每个边缘节点的特征及每个边缘节点的邻近边缘节点的特征，采用前向传播算法学习边缘节点的特征与负载的关系，从而计算获取每个边缘节点在指定历史时间段内基于图神经网络模型的预测负载值；

根据每个边缘节点在指定历史时间段内基于图神经网络模型的预测负载值与相应边缘节点的实际负载值计算均方误差MSE损失，以优化图神经网络模型的参数。

在本发明的实施例中，所述边缘节点拓扑关系图的构建方法包括：

根据边缘节点之间的结构信息与网络延迟信息，在同属于一个区域的边缘节点之间通过边连接构建无向图，同时提取每个边缘节点的特征；

其中，无向图中边的权重被定义为边缘节点之间的网络延迟。

在本发明的实施例中，当边缘节点数量超过预定上限值时，通过删除长尾边缘节点及设置边权重阈值的方式限制边缘节点拓扑关系图的规模。

在本发明的实施例中，所述加权求和的权重由边缘节点拓扑关系图中边的权重、及每层的图神经网络模型的系数矩阵共同确定。

根据本发明的另一方面，提供了一种边缘节点负载预测装置，所述装置包括：

特征采集单元：用于根据边缘节点拓扑关系图确定当前边缘节点的邻近边缘节点，并采集当前边缘节点的特征及邻近边缘节点的特征；