[发明专利]基于时空网络STN的虚拟网络链路流量预测方法

权利要求书

1.一种基于时空网络STN的虚拟网络链路流量预测方法，其特征在于，包括：

(1)构建虚拟网络的图G：

(1a)将虚拟网络的每条链路l_i转化成每个顶点v_i，i∈[1,N]，N是顶点个数；

(1b)将第i个顶点v_i与第j个顶点v_j相连得到的边e_i,j和顶点v_i，形成虚拟网络图G，j∈[1,N]；

(1c)用w_i,j表示G中第i个顶点v_i与第j个顶点v_j的连接关系，w_i,j＝0表示不相连，w_i,j＝1表示相连即图中存在边e_i,j；

(2)根据图G的顶点连接关系w_i,j，获得维度为N×N的邻接矩阵W：

(3)构建特征矩阵序列X：

(3a)在时刻t，使用网络流量解析软件Wireshark统计每条链路l_i上传输的数据包数量即t时刻虚拟网络中链路l_i上的流量值；

(3b)统计虚拟网络在当前时刻t之前M个时刻的所有链路上的流量值，得到流量特征矩阵序列：其中是维度为1×N的矩阵，p∈[0,M]；

(4)设置图卷积网络GCN的参数，并将M个互不相连的图卷积网络GCN分别与长短期记忆网络LSTM中的M个神经元对应连接，构成时空网络STN，M1；

(5)将特征矩阵序列X和邻接矩阵W输入到时空网络STN，预测t+1时刻虚拟网络中每条链路上的流量值：

(5a)定义损失函数为t时刻的链路l_i上的实际流量值，Y_tⁱ为t时刻的链路l_i上的预测流量值；

(5b)以最小化Loss值为目标训练STN网络直至收敛，输出的流量特征矩阵即为最终预测的t+1时刻虚拟网络中每条链路上的流量值。

2.根据权利要求1所述的方法，其特征在于：所述(4a)中设置图卷积网络GCN的参数，是将该图卷积网络的卷积层个数设置为2，每个卷积层中卷积核个数设置为12，卷积核大小设置为3×3，全连接层个数设置为1。

3.根据权利要求1所述的方法，其特征在于：所述(5b)中对时空网络STN进行训练，实现如下：

5b1)设置学习率为α，设置网络收敛的阈值为γ，随机初始化图卷积网络GCN中的卷积核参数和长短期记忆网络LSTM中的神经元参数；

5b2)将M个时刻的特征矩阵序列X与邻接矩阵W分别输入M个图卷积网络GCN并行训练；

5b3)将每个图卷积网络GCN的输出值作为长短期记忆网络LSTM的输入，该长短期记忆网络LSTM的输出即为每条链路上的流量预测值Y_tⁱ；

5b4)利用真实流量值和预测值Y_tⁱ，计算训练后损失函数根据损失函数判断时空网络STN是否收敛：

若损失函数Loss小于阈值γ，则网络收敛，停止训练并输出最终预测结果；

否则，返回5b2)。