[发明专利]基于时空网络STN的虚拟网络链路流量预测方法

说明书

本发明公开了一种基于时空网络STN的虚拟网络链路流量预测方法，主要解决现有虚拟网络中，链路结构复杂、各条链路上业务流量预测准确率低、网络资源利用率低的问题。其实现方案为：构建虚拟网络的图G；根据图G的顶点连接关系获得邻接矩阵W；获取前M个时刻各链路上的流量值，构建特征矩阵序列X；设计由M个并列的图卷积网络GCN分别与长短期记忆网络LSTM的M个神经元对应连接组成的时空网络STN；将特征矩阵序列X和邻接矩阵W输入时空网络STN，预测出下一时刻虚拟网络中每条链路上的流量值。本发明简化了虚拟网络的链路结构，提高了虚拟网络链路流量的预测准确率，为通信网络中的资源分配工作奠定有利基础，可用于数据中心网络。

技术领域

本发明属于通信技术领域，具体涉及一种虚拟网络链路流量的预测方法，可用于数据中心网络的资源分配。

背景技术

在数据中心网络中，对于每一个实际布署的业务，都对应一个虚拟网络：最小业务部署单元Pod映射为虚拟网络的节点，Pod之间的通信链路映射为虚拟网络中的链路。学习虚拟网络中各链路上的流量分布，可以帮助控制器对网络资源进行有效的分配，因此虚拟网络链路流量预测已成为数据中心网络中的研究热点。

所述虚拟网络链路流量预测，是指在给定网络拓扑结构以及各条链路上历史流量数据的情况下，学习各节点之间的关联关系，预测各条链路上未来一段时间内流量大小的过程。对于一个确定的业务，网络中每条链路上的流量分布都有一定规律，并受到相邻链路上流量的影响。目前，国内外的网络流量预测方法可总结为两种：基于线性模型的方法、基于非线性模型的方法，其中：

基于线性模型的方法，需要人工凭借经验设置多种参数，线性地拟合数据，仅适用于短期流量预测。而实际网络流量具有非常多的特性，如周期性、自相似性、突发性等，仅用线性模型预测的结果误差较大。

基于非线性模型的方法，其最先进的模型是时间序列预测模型，对于大量时间序列数据，使用长短期记忆网络LSTM学习每个节点上流量的时序规律。这种方法不能有效地探索和利用通信网络中流量传输的空间特征，没有考虑节点之间的关联关系，因此不能实现高识别准确率。

以上网络流量预测方法虽说都对虚拟网络链路流量预测的研究有重要的启发意义，但由于都没充分考虑网络中各个节点并不相互独立的空间特征，因而在运用到数据中心网络中的虚拟网络时，对流量预测的准确率低，难以推断出网络中各条链路上未来一段时间的流量传输情况和Pod部署状态，不能为动态的网络资源分配奠定必要的基础，从而无法提升网络资源的利用率。

发明内容

本发明目的在于针对上述现有技术的不足，提出一种基于时空网络STN的虚拟网络链路流量预测方法，以提高流量预测的准确率，快速推断出每条链路的占用情况和Pod的部署状态，进而有效提升网络资源的利用率。

为实现发明目的，本发明采取的技术方案包括如下：

(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：