[发明专利]基于时空特征的交换机链路资源预测方法

说明书

本发明公开了一种基于时空特征的交换机链路资源预测方法，主要解决现有数据中心网络中链路拥塞、网络能效比和资源利用率低的问题。其方案为：根据各层交换机连接关系构建链路的图结构；设计由改进的门循环网络、图卷积神经网络、改进的门循环网络级联构成的改进型空间门循环网络S‑GRU⁺；根据每条链路的历史负载特征值构建网络模型的训练集和测试集；根据图结构建立链路之间的邻接矩阵；利用训练集和邻接矩阵训练S‑GRU⁺网络；将测试集和邻接矩阵输入到训练好的S‑GRU⁺网络，输出下一时刻每条链路负载信息的预测值。本发明提高了链路载荷的预测准确率，提升了网络能效比和资源利用率，可用于数据中心路由调度和资源的分配与调度。

技术领域

本发明属于通信技术领域，特别涉及一种交换机链路资源的预测方法，可用于数据中心路由调度和资源的分配与调度。

背景技术

近年来，云计算、大数据、物联网新兴产业的快速发展，全球数据信息量呈现爆炸式的增长趋势。数据中心维护着数以万计的具有计算能力和存储能力的设备，其作为新型基础设施平台支撑着新兴产业的发展。随着大数据、云计算典型分布式计算应用类型和数量的不断增加以及数据中心网络规模的快速扩张，造成数据中心网络链路拥塞难避免，导致数据栈中心资源利用率和网络能效比低下。

传统方法是通过SDN控制器获取每条链路的负载信息，并将其与每条链路的最大带宽比对，获取链路当前是否拥塞，从而对路由进行调度，此类方法在已经拥塞的情况下进行调度，无法捕获链路负载的复杂时空特征，对链路资源造成浪费，增加了传输时延，严重影响网络性能。

由于网络拓扑的高度非线性和复杂性，传统方法无法提前获取链路的拥塞情况，因而目前通过网络链路资源的特征预测链路负载信息去实现路由和资源的及时调度，成为了主流方法，其中经典统计模型和机器学习模型是两个主要代表。

自回归综合移动平均ARIMA及其变体是基于经典统计模型的最综合方法之一，然而，这种模型受到时间序列平稳性假设的限制，在链路负载特征处理中，无法有效提取随时间动态变化的特征。递归神经网络RNN是机器学习模型中处理时间序列的典型代表，特别是长短期记忆网络LSTM和门循环单元GRU，消除了传统RNN的梯度消失问题，使其预测更加准确。

VINAYAKUMAR等人发表在2017年计算进展国际会议上的文章《Applying deeplearning approaches for network traffic prediction》提出利用LSTM模型获取骨干网的链路信息的时间特征，来对真实的骨干网链路负载信息进行预测的方法，其将网络的23个对等节点的链路负载经过预处理作为输入，经过6个lstm隐藏层单元，得到输出。该方法由于将23个对等节点网络拓扑直接转换为一维向量，丢弃了链路之间的空间特征信息，只是单一地考虑了链路负载的时间特征,不能准确预测网络链路负载信息。

综上，传统的SDN方法虽然准确但却无法保障时延，而自回归综合移动平均ARIMA和递归神经网络能捕获链路负载的时间特征，却没有考虑时空相关性，难以从输入中联合提取空间和时间联合特征，无法准确预测链路负载信息。

发明内容

本发明目的在于针对上述现有技术的不足，提出一种基于时空特征的交换机链路资源预测方法，以联合提取链路负载的空间特征和时间特征，提高链路负载信息的预测准确率。

实现本发明目的的技术思路是：通过利用图卷积神经网络GCN提取链路负载的空间特征；通过对门循环单元GRU网络结构的改变，去除GRU的重置门，以减少网络参数，并在加块训练速度的同时保留历史信息；通过利用改变的GRU网络提取链路负载的时间特征，准确预测链路负载信息，为及时实现路由和资源的调度奠定基础。

根据上述思路，本发明的实现方案如下：

1.一种基于时空特征的交换机链路资源预测方法，其特征在于，包括：