[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113825165B - 基于时间图网络的5g切片网络拥塞预警方法及装置 - Google Patents

基于时间图网络的5g切片网络拥塞预警方法及装置 Download PDF

Info

Publication number
CN113825165B
CN113825165B CN202010558931.9A CN202010558931A CN113825165B CN 113825165 B CN113825165 B CN 113825165B CN 202010558931 A CN202010558931 A CN 202010558931A CN 113825165 B CN113825165 B CN 113825165B
Authority
CN
China
Prior art keywords
slice
load
network
slice network
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010558931.9A
Other languages
English (en)
Other versions
CN113825165A (zh
Inventor
邢彪
张卷卷
陈维新
章淑敏
蔡晓俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Group Zhejiang Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010558931.9A priority Critical patent/CN113825165B/zh
Publication of CN113825165A publication Critical patent/CN113825165A/zh
Application granted granted Critical
Publication of CN113825165B publication Critical patent/CN113825165B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0284—Traffic management, e.g. flow control or congestion control detecting congestion or overload during communication

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明实施例涉及通信技术领域，公开了一种基于时间图网络的5G切片网络拥塞预警方法及装置，该方法包括：从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值；根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞。通过上述方式，本发明实施例能够及时避免切片网络拥塞，提高预警准确率。

Description

基于时间图网络的5G切片网络拥塞预警方法及装置
技术领域
本发明实施例涉及通信技术领域，具体涉及一种基于时间图网络的5G切片网络拥塞预警方法及装置。
背景技术
目前切片网络拥塞预警主要通过对切片网络中各切片网络节点负荷分别设置阈值的方式来实现，但该种方式容易出现频繁误告警、准确率不高等问题。另外，通过该种方式发现告警时往往网络拥塞已经发生，对于切片网络拥塞的避免帮助不大。同时切片网络的节点繁多、节点间关系复杂，自动化检测的难度较大，目前无较好的切片网络拥塞预警手段。
发明内容
鉴于上述问题，本发明实施例提供了一种基于时间图网络的5G切片网络拥塞预警方法及装置，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种基于时间图网络的5G切片网络拥塞预警方法，所述方法包括：从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值；根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞。
在一种可选的方式中，所述将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵，包括：根据所述切片负荷拓扑图将各切片网络节点的连接关系表示为N*N的所述邻接矩阵，N为所述切片负荷拓扑图中切片网络节点的个数；根据所述切片负荷拓扑图将各切片网络节点的第一数量个时刻的负荷时间序列的特征表示为N*M的所述特征矩阵，M为切片网络节点属性的负荷时间序列长度。
在一种可选的方式中，所述根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值，包括：应用所述切片网络负荷预测模型中的图卷积网络根据所述邻接矩阵和所述特征矩阵捕获切片网络负荷拓扑图的空间特征；应用长短期记忆神经网络根据所述空间特征学习切片网络负荷的动态变化来提取时间特征，并输出未来第二数量个时刻的所述切片网络节点的所述负荷预测值。
在一种可选的方式中，所述根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值之前，包括：从NSMF中收集历史切片负荷拓扑图作为总数据集，并将所述切片负荷拓扑图转化为历史邻接矩阵和历史特征矩阵；获取要预测的未来第二数量个时刻的切片网络节点的真实节点属性值，形成标签矩阵；应用所述总数据集对基于时间图网络的所述切片网络负荷预测模型进行训练，获取收敛的所述切片网络负荷预测模型的权重参数。
在一种可选的方式中，所述应用所述总数据集对基于时间图网络的所述切片网络负荷预测模型进行训练，获取收敛的所述切片网络负荷预测模型的权重参数，包括：根据所述总数据集中的所述历史邻接矩阵和所述历史特征矩阵对所述切片网络负荷预测模型进行训练，获取预测的未来第二数量个时刻的切片网络节点的负荷预测值；计算所述切片网络节点的所述负荷预测值与所述真实节点属性值之间的误差，应用目标函数衡量所述误差；应用梯度下降优化算法使所述切片网络负荷预测模型梯度下降，获取使所述目标函数最小的所述切片网络负荷预测模型的最优权重参数，所述最优权重参数为训练后的所述切片网络负荷预测模型的权重参数。
在一种可选的方式中，所述根据所述总数据集中的所述历史邻接矩阵和所述历史特征矩阵对所述切片网络负荷预测模型进行训练，获取预测的未来第二数量个时刻的切片网络节点的负荷预测值，包括：应用输入层接收输入的所述历史邻接矩阵和所述历史特征矩阵；应用两个图卷积层获取切片负荷拓扑图的空间特征对应的时间序列；应用两个长短期记忆层获取包括切片负荷拓扑图的空间特征和时间特征的特征向量；应用输出层根据所述特征向量输出预测的未来第二数量个时刻的所述切片网络节点的所述负荷预测值。
在一种可选的方式中，所述根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞，包括：判断是否有切片网络节点存在连续第三数量个时刻的所述负荷预测值超过预设阈值；若有，则确定所述切片网络节点存在拥塞，通知NSMF对与所述切片网络节点相关的切片用户进行限流。
根据本发明实施例的另一个方面，提供了一种基于时间图网络的5G切片网络拥塞预警装置，所述装置包括：数据获取模块，用于从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；负荷预测模块，用于根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值；拥塞判断模块，用于根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞。
根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于时间图网络的5G切片网络拥塞预警方法的步骤。
根据本发明实施例的又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使所述处理器执行上述基于时间图网络的5G切片网络拥塞预警方法的步骤。
本发明实施例通过从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值；根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞，能够及时避免切片网络拥塞，提高预警准确率。
上述说明仅是本发明实施例技术结果的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的基于时间图网络的5G切片网络拥塞预警的方法示意图；
图2示出了本发明实施例提供的基于时间图网络的5G切片网络拥塞预警方法的流程示意图；
图3示出了本发明实施例提供的基于时间图网络的5G切片网络拥塞预警方法的切片网络负荷预测模型的结构示意图；
图4示出了本发明实施例提供的基于时间图网络的5G切片网络拥塞预警方法的切片网络负荷预测模型中的LSTM神经元示意图；
图5示出了本发明实施例提供的基于时间图网络的5G切片网络拥塞预警装置的结构示意图；
图6示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
网络切片(Network Slice)是端到端的逻辑功能和其所需的物理或虚拟资源集合，包括接入网、传输网、核心网等，网络切片可认为是5G网络中的虚拟化“专网”；网络切片基于网络功能虚拟化(Network Function Virtualization，NFV)的统一基础设施构建，实现低成本高效运营。网络切片技术可以实现通信网络的逻辑隔离，允许在每个网络切片中配置和重用网络元件及功能以满足特定的行业应用需求。切片管理架构主要由通信业务管理功能(Communication Service Management Function，CSMF)、网络切片管理功能(Network Slice Management Function，NSMF)、网络切片子网管理功能(Network SliceSubnet Management Function，NSSMF)组成。
其中，CSMF完成用户业务通信服务的需求订购和处理，负责将运营商/第三方客户的通信服务需求转化为对网络切片的需求，并通过和NSMF之间的接口向NSMF发送对网络切片的需求(如创建、终结、修改网络切片实例请求等)，从NSMF获取网络切片的管理数据(如性能、故障数据等)。NSMF负责接收CSMF发送的网络切片需求，对网络切片实例的生命周期、性能、故障等进行管理，编排网络切片实例的组成，分解网络切片实例的需求为各网络切片子网实例或网络功能的需求，向各NSSMF发送网络切片子网实例管理请求。NSSMF接收从NSMF下发的网络切片子网部署需求，对网络切片子网实例进行管理，编排网络切片子网实例的组成，将网络切片子网的SLA需求映射为网络服务的QoS需求，向欧洲电信标准化协会(European Telecommunications Standards Institute，ETSI)NFV域的NFV编排器(NFVOrchestration，NFVO)系统下发网络服务的部署请求。
切片网络节点繁多、关系复杂，切片网络不是二维网格，而是图的形式，这意味着卷积神经网络(Convolutional Neural Network，CNN)模型不能反映切片网络复杂的拓扑结构因此不能准确地捕捉空间依赖关系。因此本发明实施例提出利用时间图卷积神经网络(Temporal Graph Convolutional Network，T-GCN)在同时捕获空间和时间依赖关系上的优势。时间图卷积神经网络结合了图卷积网络(GCN)和长短期记忆神经网络(LSTM)。GCN用于学习复杂的拓扑结构来捕获空间依赖关系，LSTM用于学习切片网络负荷的动态变化来捕获时间依赖关系。
在本发明实施例中，基于时间图网络的5G切片网络拥塞预警方法如图1所示，在每个时刻，从网络切片管理功能NSMF中获取最近M个时刻的切片负荷拓扑图；将切片负荷拓扑图转化为邻接矩阵A和特征矩阵X，邻接矩阵A为切片网络各节点的连接关系，特征矩阵X为切片网络中各切片网络节点M个时刻的负荷时间序列的特征表示；对邻接矩阵A和特征矩阵X进行数据归一化处理；将经预处理后的邻接矩阵A和特征矩阵X输入至基于时间图网络的切片网络负荷预测模型中；经过预训练完毕的切片网络负荷预测模型计算后输出未来T时刻的各切片网络节点的负荷预测值；断是否有切片网络节点存在连续K个时刻的负荷预测值超过预设阈值，若有，则通知NSMF对与该切片网络节点相关的切片用户进行限流。如此可以及时避免切片网络拥塞，提高预警准确率。
图2示出了本发明实施例提供的基于时间图网络的5G切片网络拥塞预警方法的流程示意图。该基于时间图网络的5G切片网络拥塞预警方法应用于服务器端，如图2所示，基于时间图网络的5G切片网络拥塞预警方法包括：
步骤S11：从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵。
每个时刻，从NSMF中获取最近第一数量M个时刻的切片负荷拓扑图。其中，切片网络负荷拓扑图可表示为G＝(V，E)，V为切片网络节点的集合V＝{V1，V2，V3，…，VN}，N为切片网络负荷拓扑图中切片网络节点的个数，E为边的集合。若切片网络节点Vi和切片网络节点Vj之间有连接则eij＝1，否则eij＝0。将切片网络负荷拓扑图转化为邻接矩阵A和特征矩阵X，具体根据所述切片负荷拓扑图将各切片网络节点的连接关系表示为N*N的所述邻接矩阵A，N为所述切片负荷拓扑图中切片网络节点的个数；根据所述切片负荷拓扑图将各切片网络节点的第一数量个时刻的负荷时间序列的特征表示为N*M的所述特征矩阵X，M为切片网络节点属性的负荷时间序列长度。
其中，eij表示切片网络节点Vi和切片网络节点Vj之间的连接关系，切片网络节点之间相连为1，否则为0，xit表示第i个切片网络节点在时刻t的属性。本发明实施例中，切片网络节点属性，即网络负荷，可以为每秒建立呼叫数量(Call Attempts Per Second，CAPS)，即网络并发量(CAPS)，或每秒事务处理量(Transaction Per Second，TPS)。M代表该切片网络节点属性的时间序列长度，由于切片网络节点某一时刻其属性个数为1，因此特征矩阵X的时间序列长度与第一数量M相等。
本发明实施例还对数据进行标准化预处理，对每个维度分别进行：(X-mean)/std，即将数据按属性(按列进行)减去其均值mean，并除以其方差。标准化预处理后可以提升后续切片网络负荷预测模型的收敛速度，提升模型的精度。
步骤S12：根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值。
本发明实施例的切片网络负荷预测模型为由图卷积网络(GCN)和长短期记忆神经网络(LSTM)搭建成的时间图卷积神经网络(T-GCN)。利用时间图卷积神经网络在同时提取空间和时间依赖关系上的优势，具体应用所述切片网络负荷预测模型中的图卷积网络GCN根据所述邻接矩阵和所述特征矩阵捕获切片网络负荷拓扑图的空间特征；将得到的具有空间特征的时间序列输入LSTM，应用长短期记忆神经网络LSTM根据所述空间特征学习切片网络负荷的动态变化来提取时间特征，并输出未来第二数量T个时刻的所述切片网络节点的所述负荷预测值。每一个图神经网络层可以写成一个非线性函数：
H(l+1)＝f(H(l),A),
其中，H(0)＝X即为输入数据，H(l)＝Z即为输出数据，L为图神经网络的层数，选择不同的f()以及参数也决定了不同的切片网络负荷预测模型。W(l)是第l个神经网络层的参数矩阵，是非线性激活函数比如ReLU，A为邻接矩阵，D是A的节点度对角矩阵。
在本发明实施例中，在步骤S12之前，完成切片网络负荷预测模型的预训练，获取切片网络负荷预测模型收敛的权重参数。具体地，从NSMF中收集历史切片负荷拓扑图作为总数据集，并将所述切片负荷拓扑图转化为历史邻接矩阵A和历史特征矩阵X；获取要预测的未来第二数量个时刻的切片网络节点的真实节点属性值，形成标签矩阵Y；应用所述总数据集对基于时间图网络的所述切片网络负荷预测模型进行训练，获取收敛的所述切片网络负荷预测模型的权重参数。邻接矩阵A的形状为N*N，特征矩阵X的矩阵形状为N*M，标签矩阵Y的形状为N*T，其中，第i个切片网络节点在时刻t的属性表示为Yit。而应用总数据集对切片网络负荷预测模型进行训练之前，对数据进行预处理，具体的预处理方法与前述相同，在此不再赘述。在本发明实施例中，将总数据集的80％划为训练集，将总数据集的20％划为测试集，训练集用于训练模型，测试集用于测试模型的性能。
对切片网络负荷预测模型进行训练时，根据所述总数据集中的所述历史邻接矩阵和所述历史特征矩阵对所述切片网络负荷预测模型进行训练，获取预测的未来第二数量个时刻的切片网络节点的负荷预测值。切片网络负荷预测模型的结构参考图3，具体地，应用输入层接收输入的所述历史邻接矩阵A和所述历史特征矩阵X。图3中的Xt表示t时刻切片网络节点的特征属性，为历史特征矩阵X的输入，与此同时，还会输入历史邻接矩阵A(图未示)。应用两个图卷积层(GCN)获取切片负荷拓扑图的空间特征对应的时间序列。将时间序列输入随后的长短期记忆层(LSTM)，应用两个长短期记忆层(LSTM)获取包括切片负荷拓扑图的空间特征和时间特征的特征向量。应用输出层根据所述特征向量输出预测的未来第二数量个时刻的所述切片网络节点的所述负荷预测值。其中，两个图卷积层的卷积核个数为32(即输出的维度)，激活函数设置为“relu”。两个长短期记忆层(LSTM)的神经元个数设置为64，激活函数设置为“relu”。长短期记忆层(LSTM)是一种特殊的循环神经网络类型，通过控制缓存中的值保存的时间，可以记住长期的信息，适合进行时间序列的预测。如图4所示，每个神经元有四个输入和一个输出，每个神经元内有一个Cell存放记忆的数值。每一个LSTM神经元中含有三个门控：遗忘门、输入门、输出门，遗忘门ft控制上一个时刻的内部状态ct-1需要遗忘多少信息；输入门it控制当前时刻的候选状态有多少信息需要保存；输出门ot控制当前时刻的内部状态ct有多少信息需要输出给外部状态ht。具体分别通过以下公式计算获得：
遗忘门：
输入门：
通过非线性函数得到状态更新函数：
内部状态：
输出门：
输出外部状态：
输出外部状态：Yt＝σ(W′ht)。
其中，xt为第t个时刻的特征向量输入，ft表示遗忘门，it表示输入门，ot表示输出门，ct表示t时刻的神经元状态，ht表示神经元的外部状态，亦即LSTM层的隐藏状态，W为可训练的权重矩阵，b为偏置向量。如Wi是输入门的权重矩阵，Wf表示遗忘门的权重矩阵，Wo是输出门的权重矩阵，bi是输入门的偏置项，bf是遗忘门的偏置项，bo是输出门的偏置项，门激活函数为sigmoid(σ)，其值域是(0，1)，输出的激活函数为tanh函数。公式(1)代表了遗忘门，在公式(2)、(3)中新的信息被添加进来，公式(4)融合了新信息和旧信息，公式(5)、(6)输出目前LSTM神经元已学习到的关于下一个时间戳的信息。LSTM神经元内每条连接线上含有相应的权重。长短期记忆神经网络在长序列的学习上具有较好的效果。
输出层由全连接层(Dense)构成。将所述输出层包括的神经元个数设置为第二数量T，激活函数设置为sigmoid，即输出预测的未来第二数量T个时刻的各切片网络节点的历史负荷预测值。
得到预测的历史负荷预测值之后，计算所述切片网络节点的所述负荷预测值与所述真实节点属性值之间的误差，应用目标函数衡量所述误差。选择均方误差MSE(MeanSquared Error)作为损失函数即目标函数(loss＝'mean_squared_error')，训练目标是最小化该误差。将训练回合数设置为1000(epochs＝1000)，批处理大小设置为32(batch_size＝32)，梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度(optimizer＝'adam')。神经网络通过梯度下降，可以找到使目标函数最小的最优权重参数，神经网络通过训练会自主学习到权重参数。用训练集进行训练，使得目标函数越小越好，并在每轮训练后用测试集来评价验证网元功能裁剪切片网络负荷预测模型。如此应用梯度下降优化算法使所述切片网络负荷预测模型梯度下降，获取使所述目标函数最小的所述切片网络负荷预测模型的最优权重参数，所述最优权重参数为训练后的所述切片网络负荷预测模型的权重参数。
在步骤S12中，具体地，将邻接矩阵A和特征矩阵X输入预训练后的基于时间图网络的切片网络负荷预测模型，该切片网络负荷预测模型的权重参数为训练得到的最优权重参数，通过切片网络负荷预测模型计算输出未来第二数量T个时刻的切片网络节点的负荷预测值。
步骤S13：根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞。
具体地，判断是否有切片网络节点存在连续第三数量K个时刻的所述负荷预测值超过预设阈值；若有，则确定所述切片网络节点存在拥塞，通知NSMF对与所述切片网络节点相关的切片用户进行限流，从而可以及时避免切片网络拥塞。
本发明实施例通过构建的基于时间图网络的切片网络负荷预测模型在每个时刻预测未来T个时刻的切片网络节点的负荷预测值，进而根据负荷预测值来判断对应的切片网络节点是否可能存在拥塞的情况，并在可能存在拥塞时及时通知NSMF对相关切片用户进行限流，能够及时避免切片网络拥塞，提高5G切片网络拥塞预警的自动化。并且在进行拥塞判断时，只在某个切片网络节点连续K个时刻的所述负荷预测值超过预设阈值时，才确定该切片网络节点可能存在拥塞，能够排除单个异常检测数据引起的错误预警的产生，能够提高预警准确率，也能够防止产生过于频繁的预警。
本发明实施例通过从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值；根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞，能够及时避免切片网络拥塞，提高预警准确率。
图5示出了本发明实施例的基于时间图网络的5G切片网络拥塞预警装置的结构示意图。如图5所示，该基于时间图网络的5G切片网络拥塞预警装置包括：数据获取模块501、负荷预测模块502、拥塞判断模块503以及模型训练单元504。其中：
数据获取模块501用于从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；负荷预测模块502用于根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值；拥塞判断模块503用于根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞。
在一种可选的方式中，数据获取模块501用于：根据所述切片负荷拓扑图将各切片网络节点的连接关系表示为N*N的所述邻接矩阵，N为所述切片负荷拓扑图中切片网络节点的个数；根据所述切片负荷拓扑图将各切片网络节点的第一数量个时刻的负荷时间序列的特征表示为N*M的所述特征矩阵，M为切片网络节点属性的负荷时间序列长度。
在一种可选的方式中，负荷预测模块502用于：应用所述切片网络负荷预测模型中的图卷积网络根据所述邻接矩阵和所述特征矩阵捕获切片网络负荷拓扑图的空间特征；应用长短期记忆神经网络根据所述空间特征学习切片网络负荷的动态变化来提取时间特征，并输出未来第二数量个时刻的所述切片网络节点的所述负荷预测值。
在一种可选的方式中，模型训练单元504用于：从NSMF中收集历史切片负荷拓扑图作为总数据集，并将所述切片负荷拓扑图转化为历史邻接矩阵和历史特征矩阵；获取要预测的未来第二数量个时刻的切片网络节点的真实节点属性值，形成标签矩阵；应用所述总数据集对基于时间图网络的所述切片网络负荷预测模型进行训练，获取收敛的所述切片网络负荷预测模型的权重参数。
在一种可选的方式中，模型训练单元504用于：根据所述总数据集中的所述历史邻接矩阵和所述历史特征矩阵对所述切片网络负荷预测模型进行训练，获取预测的未来第二数量个时刻的切片网络节点的负荷预测值；计算所述切片网络节点的所述负荷预测值与所述真实节点属性值之间的误差，应用目标函数衡量所述误差；应用梯度下降优化算法使所述切片网络负荷预测模型梯度下降，获取使所述目标函数最小的所述切片网络负荷预测模型的最优权重参数，所述最优权重参数为训练后的所述切片网络负荷预测模型的权重参数。
在一种可选的方式中，模型训练单元504还用于：应用输入层接收输入的所述历史邻接矩阵和所述历史特征矩阵；应用两个图卷积层获取切片负荷拓扑图的空间特征对应的时间序列；应用两个长短期记忆层获取包括切片负荷拓扑图的空间特征和时间特征的特征向量；应用输出层根据所述特征向量输出预测的未来第二数量个时刻的所述切片网络节点的所述负荷预测值。
在一种可选的方式中，拥塞判断模块503用于：判断是否有切片网络节点存在连续第三数量个时刻的所述负荷预测值超过预设阈值；若有，则确定所述切片网络节点存在拥塞，通知NSMF对与所述切片网络节点相关的切片用户进行限流。
本发明实施例通过从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值；根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞，能够及时避免切片网络拥塞，提高预警准确率。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于时间图网络的5G切片网络拥塞预警方法。
可执行指令具体可以用于使得处理器执行以下操作：
从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；
根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值；
根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
根据所述切片负荷拓扑图将各切片网络节点的连接关系表示为N*N的所述邻接矩阵，N为所述切片负荷拓扑图中切片网络节点的个数；
根据所述切片负荷拓扑图将各切片网络节点的第一数量个时刻的负荷时间序列的特征表示为N*M的所述特征矩阵，M为切片网络节点属性的负荷时间序列长度。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用所述切片网络负荷预测模型中的图卷积网络根据所述邻接矩阵和所述特征矩阵捕获切片网络负荷拓扑图的空间特征；
应用长短期记忆神经网络根据所述空间特征学习切片网络负荷的动态变化来提取时间特征，并输出未来第二数量个时刻的所述切片网络节点的所述负荷预测值。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
从NSMF中收集历史切片负荷拓扑图作为总数据集，并将所述切片负荷拓扑图转化为历史邻接矩阵和历史特征矩阵；
获取要预测的未来第二数量个时刻的切片网络节点的真实节点属性值，形成标签矩阵；
应用所述总数据集对基于时间图网络的所述切片网络负荷预测模型进行训练，获取收敛的所述切片网络负荷预测模型的权重参数。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
根据所述总数据集中的所述历史邻接矩阵和所述历史特征矩阵对所述切片网络负荷预测模型进行训练，获取预测的未来第二数量个时刻的切片网络节点的负荷预测值；
计算所述切片网络节点的所述负荷预测值与所述真实节点属性值之间的误差，应用目标函数衡量所述误差；
应用梯度下降优化算法使所述切片网络负荷预测模型梯度下降，获取使所述目标函数最小的所述切片网络负荷预测模型的最优权重参数，所述最优权重参数为训练后的所述切片网络负荷预测模型的权重参数。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用输入层接收输入的所述历史邻接矩阵和所述历史特征矩阵；
应用两个图卷积层获取切片负荷拓扑图的空间特征对应的时间序列；
应用两个长短期记忆层获取包括切片负荷拓扑图的空间特征和时间特征的特征向量；
应用输出层根据所述特征向量输出预测的未来第二数量个时刻的所述切片网络节点的所述负荷预测值。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
判断是否有切片网络节点存在连续第三数量个时刻的所述负荷预测值超过预设阈值；
若有，则确定所述切片网络节点存在拥塞，通知NSMF对与所述切片网络节点相关的切片用户进行限流。
本发明实施例通过从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值；根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞，能够及时避免切片网络拥塞，提高预警准确率。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任意方法实施例中的基于时间图网络的5G切片网络拥塞预警方法。
可执行指令具体可以用于使得处理器执行以下操作：
从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；
根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值；
根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
根据所述切片负荷拓扑图将各切片网络节点的连接关系表示为N*N的所述邻接矩阵，N为所述切片负荷拓扑图中切片网络节点的个数；
根据所述切片负荷拓扑图将各切片网络节点的第一数量个时刻的负荷时间序列的特征表示为N*M的所述特征矩阵，M为切片网络节点属性的负荷时间序列长度。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用所述切片网络负荷预测模型中的图卷积网络根据所述邻接矩阵和所述特征矩阵捕获切片网络负荷拓扑图的空间特征；
应用长短期记忆神经网络根据所述空间特征学习切片网络负荷的动态变化来提取时间特征，并输出未来第二数量个时刻的所述切片网络节点的所述负荷预测值。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
从NSMF中收集历史切片负荷拓扑图作为总数据集，并将所述切片负荷拓扑图转化为历史邻接矩阵和历史特征矩阵；
获取要预测的未来第二数量个时刻的切片网络节点的真实节点属性值，形成标签矩阵；
应用所述总数据集对基于时间图网络的所述切片网络负荷预测模型进行训练，获取收敛的所述切片网络负荷预测模型的权重参数。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
根据所述总数据集中的所述历史邻接矩阵和所述历史特征矩阵对所述切片网络负荷预测模型进行训练，获取预测的未来第二数量个时刻的切片网络节点的负荷预测值；
计算所述切片网络节点的所述负荷预测值与所述真实节点属性值之间的误差，应用目标函数衡量所述误差；
应用梯度下降优化算法使所述切片网络负荷预测模型梯度下降，获取使所述目标函数最小的所述切片网络负荷预测模型的最优权重参数，所述最优权重参数为训练后的所述切片网络负荷预测模型的权重参数。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用输入层接收输入的所述历史邻接矩阵和所述历史特征矩阵；
应用两个图卷积层获取切片负荷拓扑图的空间特征对应的时间序列；
应用两个长短期记忆层获取包括切片负荷拓扑图的空间特征和时间特征的特征向量；
应用输出层根据所述特征向量输出预测的未来第二数量个时刻的所述切片网络节点的所述负荷预测值。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
判断是否有切片网络节点存在连续第三数量个时刻的所述负荷预测值超过预设阈值；
若有，则确定所述切片网络节点存在拥塞，通知NSMF对与所述切片网络节点相关的切片用户进行限流。
本发明实施例通过从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值；根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞，能够及时避免切片网络拥塞，提高预警准确率。
图6示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对设备的具体实现做限定。
如图6所示，该计算设备可以包括：处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。
其中：处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。通信接口604，用于与其它设备比如客户端或其它服务器等的网元通信。处理器602，用于执行程序610，具体可以执行上述基于时间图网络的5G切片网络拥塞预警方法实施例中的相关步骤。
具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。
处理器602可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或各个集成电路。设备包括的一个或各个处理器，可以是同一类型的处理器，如一个或各个CPU；也可以是不同类型的处理器，如一个或各个CPU以及一个或各个ASIC。
存储器606，用于存放程序610。存储器606可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序610具体可以用于使得处理器602执行以下操作：
从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；
根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值；
根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
根据所述切片负荷拓扑图将各切片网络节点的连接关系表示为N*N的所述邻接矩阵，N为所述切片负荷拓扑图中切片网络节点的个数；
根据所述切片负荷拓扑图将各切片网络节点的第一数量个时刻的负荷时间序列的特征表示为N*M的所述特征矩阵，M为切片网络节点属性的负荷时间序列长度。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
应用所述切片网络负荷预测模型中的图卷积网络根据所述邻接矩阵和所述特征矩阵捕获切片网络负荷拓扑图的空间特征；
应用长短期记忆神经网络根据所述空间特征学习切片网络负荷的动态变化来提取时间特征，并输出未来第二数量个时刻的所述切片网络节点的所述负荷预测值。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
从NSMF中收集历史切片负荷拓扑图作为总数据集，并将所述切片负荷拓扑图转化为历史邻接矩阵和历史特征矩阵；
获取要预测的未来第二数量个时刻的切片网络节点的真实节点属性值，形成标签矩阵；
应用所述总数据集对基于时间图网络的所述切片网络负荷预测模型进行训练，获取收敛的所述切片网络负荷预测模型的权重参数。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
根据所述总数据集中的所述历史邻接矩阵和所述历史特征矩阵对所述切片网络负荷预测模型进行训练，获取预测的未来第二数量个时刻的切片网络节点的负荷预测值；
计算所述切片网络节点的所述负荷预测值与所述真实节点属性值之间的误差，应用目标函数衡量所述误差；
应用梯度下降优化算法使所述切片网络负荷预测模型梯度下降，获取使所述目标函数最小的所述切片网络负荷预测模型的最优权重参数，所述最优权重参数为训练后的所述切片网络负荷预测模型的权重参数。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
应用输入层接收输入的所述历史邻接矩阵和所述历史特征矩阵；
应用两个图卷积层获取切片负荷拓扑图的空间特征对应的时间序列；
应用两个长短期记忆层获取包括切片负荷拓扑图的空间特征和时间特征的特征向量；
应用输出层根据所述特征向量输出预测的未来第二数量个时刻的所述切片网络节点的所述负荷预测值。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
判断是否有切片网络节点存在连续第三数量个时刻的所述负荷预测值超过预设阈值；
若有，则确定所述切片网络节点存在拥塞，通知NSMF对与所述切片网络节点相关的切片用户进行限流。
本发明实施例通过从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值；根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞，能够及时避免切片网络拥塞，提高预警准确率。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (6)

1.一种基于时间图网络的5G切片网络拥塞预警方法，其特征在于，所述方法包括：
从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；
从NSMF中收集历史切片负荷拓扑图作为总数据集，并将所述切片负荷拓扑图转化为历史邻接矩阵和历史特征矩阵；获取要预测的未来第二数量个时刻的切片网络节点的真实节点属性值，形成标签矩阵；应用所述总数据集对基于时间图网络的所述切片网络负荷预测模型进行训练，获取收敛的所述切片网络负荷预测模型的权重参数；
所述应用所述总数据集对基于时间图网络的所述切片网络负荷预测模型进行训练，获取收敛的所述切片网络负荷预测模型的权重参数，包括：根据所述总数据集中的所述历史邻接矩阵和所述历史特征矩阵对所述切片网络负荷预测模型进行训练，获取预测的未来第二数量个时刻的切片网络节点的负荷预测值；计算所述切片网络节点的所述负荷预测值与所述真实节点属性值之间的误差，应用目标函数衡量所述误差；应用梯度下降优化算法使所述切片网络负荷预测模型梯度下降，获取使所述目标函数最小的所述切片网络负荷预测模型的最优权重参数，所述最优权重参数为训练后的所述切片网络负荷预测模型的权重参数；
所述根据所述总数据集中的所述历史邻接矩阵和所述历史特征矩阵对所述切片网络负荷预测模型进行训练，获取预测的未来第二数量个时刻的切片网络节点的负荷预测值，包括：应用输入层接收输入的所述历史邻接矩阵和所述历史特征矩阵；应用两个图卷积层获取切片负荷拓扑图的空间特征对应的时间序列；应用两个长短期记忆层获取包括切片负荷拓扑图的空间特征和时间特征的特征向量；应用输出层根据所述特征向量输出预测的未来第二数量个时刻的所述切片网络节点的所述负荷预测值；
根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值，包括：应用所述切片网络负荷预测模型中的图卷积网络根据所述邻接矩阵和所述特征矩阵捕获切片网络负荷拓扑图的空间特征；应用长短期记忆神经网络根据所述空间特征学习切片网络负荷的动态变化来提取时间特征，并输出未来第二数量个时刻的所述切片网络节点的所述负荷预测值；
根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞。
2.根据权利要求1所述的方法，其特征在于，所述将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵，包括：
根据所述切片负荷拓扑图将各切片网络节点的连接关系表示为N*N的所述邻接矩阵，N为所述切片负荷拓扑图中切片网络节点的个数；
根据所述切片负荷拓扑图将各切片网络节点的第一数量个时刻的负荷时间序列的特征表示为N*M的所述特征矩阵，M为切片网络节点属性的负荷时间序列长度。
3.根据权利要求1所述的方法，其特征在于，所述根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞，包括：
判断是否有切片网络节点存在连续第三数量个时刻的所述负荷预测值超过预设阈值；
若有，则确定所述切片网络节点存在拥塞，通知NSMF对与所述切片网络节点相关的切片用户进行限流。
4.一种基于时间图网络的5G切片网络拥塞预警装置，其特征在于，所述装置包括：
数据获取模块，用于从NSMF中获取最近第一数量个时刻的切片负荷拓扑图，并将所述切片负荷拓扑图转化为邻接矩阵和特征矩阵；
模型训练单元，用于从NSMF中收集历史切片负荷拓扑图作为总数据集，并将所述切片负荷拓扑图转化为历史邻接矩阵和历史特征矩阵；获取要预测的未来第二数量个时刻的切片网络节点的真实节点属性值，形成标签矩阵；应用所述总数据集对基于时间图网络的所述切片网络负荷预测模型进行训练，获取收敛的所述切片网络负荷预测模型的权重参数；
所述应用所述总数据集对基于时间图网络的所述切片网络负荷预测模型进行训练，获取收敛的所述切片网络负荷预测模型的权重参数，包括：根据所述总数据集中的所述历史邻接矩阵和所述历史特征矩阵对所述切片网络负荷预测模型进行训练，获取预测的未来第二数量个时刻的切片网络节点的负荷预测值；计算所述切片网络节点的所述负荷预测值与所述真实节点属性值之间的误差，应用目标函数衡量所述误差；应用梯度下降优化算法使所述切片网络负荷预测模型梯度下降，获取使所述目标函数最小的所述切片网络负荷预测模型的最优权重参数，所述最优权重参数为训练后的所述切片网络负荷预测模型的权重参数；
所述根据所述总数据集中的所述历史邻接矩阵和所述历史特征矩阵对所述切片网络负荷预测模型进行训练，获取预测的未来第二数量个时刻的切片网络节点的负荷预测值，包括：应用输入层接收输入的所述历史邻接矩阵和所述历史特征矩阵；应用两个图卷积层获取切片负荷拓扑图的空间特征对应的时间序列；应用两个长短期记忆层获取包括切片负荷拓扑图的空间特征和时间特征的特征向量；应用输出层根据所述特征向量输出预测的未来第二数量个时刻的所述切片网络节点的所述负荷预测值；
负荷预测模块，用于根据所述邻接矩阵和所述特征矩阵应用预训练的基于时间图网络的切片网络负荷预测模型计算输出未来第二数量个时刻的切片网络节点的负荷预测值，包括：应用所述切片网络负荷预测模型中的图卷积网络根据所述邻接矩阵和所述特征矩阵捕获切片网络负荷拓扑图的空间特征；应用长短期记忆神经网络根据所述空间特征学习切片网络负荷的动态变化来提取时间特征，并输出未来第二数量个时刻的所述切片网络节点的所述负荷预测值；
拥塞判断模块，用于根据未来第二数量个时刻的所述切片网络节点的所述负荷预测值判断是否存在切片网络拥塞。
5.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行根据权利要求1-3任一项所述基于时间图网络的5G切片网络拥塞预警方法的步骤。
6.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行根据权利要求1-3任一项所述基于时间图网络的5G切片网络拥塞预警方法的步骤。
CN202010558931.9A 2020-06-18 2020-06-18 基于时间图网络的5g切片网络拥塞预警方法及装置 Active CN113825165B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010558931.9A CN113825165B (zh) 2020-06-18 2020-06-18 基于时间图网络的5g切片网络拥塞预警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010558931.9A CN113825165B (zh) 2020-06-18 2020-06-18 基于时间图网络的5g切片网络拥塞预警方法及装置

Publications (2)

Publication Number Publication Date
CN113825165A CN113825165A (zh) 2021-12-21
CN113825165B true CN113825165B (zh) 2023-08-04

Family

ID=78911692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010558931.9A Active CN113825165B (zh) 2020-06-18 2020-06-18 基于时间图网络的5g切片网络拥塞预警方法及装置

Country Status (1)

Country Link
CN (1) CN113825165B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114358449A (zh) * 2022-03-21 2022-04-15 国网天津市电力公司电力科学研究院 基于图神经网络的电动汽车充电负荷时空分布预测方法
CN115296984B (zh) * 2022-08-08 2023-12-19 中国电信股份有限公司 异常网络节点的检测方法及装置、设备、存储介质
GB2628551A (en) * 2023-03-27 2024-10-02 Neueda Tech Ireland Limited Network traffic prediction method

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106549806A (zh) * 2016-10-26 2017-03-29 清华大学 一种网络切片管理器及其管理方法
CN109154990A (zh) * 2016-06-03 2019-01-04 英特尔公司 卷积神经网络中的查找卷积层
CN110383292A (zh) * 2017-04-07 2019-10-25 英特尔公司 用于深度神经网络的经预算和经简化的训练的方法和系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10986010B2 (en) * 2018-08-09 2021-04-20 At&T Intellectual Property I, L.P. Mobility network slice selection
US11363031B2 (en) * 2018-08-27 2022-06-14 Ciena Corporation Network architecture providing device identification and redirection using whitelisting traffic classification
US10743211B2 (en) * 2018-09-25 2020-08-11 Verizon Patent And Licensing, Inc. Diversified ran architecture with congestion control based on spectrum re-allocation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109154990A (zh) * 2016-06-03 2019-01-04 英特尔公司 卷积神经网络中的查找卷积层
CN106549806A (zh) * 2016-10-26 2017-03-29 清华大学 一种网络切片管理器及其管理方法
CN110383292A (zh) * 2017-04-07 2019-10-25 英特尔公司 用于深度神经网络的经预算和经简化的训练的方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
5G网络切片在智能电网领域应用探讨;李亚光;《通讯世界》;全文 *

Also Published As

Publication number Publication date
CN113825165A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN111124840B (zh) 业务运维中告警的预测方法、装置与电子设备
CN113825165B (zh) 基于时间图网络的5g切片网络拥塞预警方法及装置
CN114297036B (zh) 数据处理方法、装置、电子设备及可读存储介质
CN117110748A (zh) 一种基于融合终端的变电站主设备运行状态异常检测方法
CN112651534B (zh) 一种预测资源供应链需求量的方法、装置及存储介质
CN111027591B (zh) 一种面向大规模集群系统的节点故障预测方法
CN113746696A (zh) 网络流量预测方法、设备、存储介质及装置
CN113824575B (zh) 故障节点识别的方法、装置、计算设备及计算机存储介质
CN113541980B (zh) 网络切片故障根因定位方法、装置、计算设备及存储介质
US11197175B2 (en) Forcasting time series data
CN116489038A (zh) 网络流量的预测方法、装置、设备和介质
CN113822684B (zh) 黑产用户识别模型训练方法、装置、电子设备及存储介质
CN116804964A (zh) 数据处理方法、装置、电子设备及可读存储介质
CN113541986B (zh) 5g切片的故障预测方法、装置及计算设备
CN113825161B (zh) 基于深度自编码神经网络的5g切片异常检测方法及装置
CN114143163B (zh) 基于图注意力网络的切片误告警识别方法及装置
CN111935005A (zh) 数据传输方法、装置、处理设备及介质
CN113822454B (zh) 切片投诉处理资源的预估方法及装置
CN112632846B (zh) 一种电力系统输电断面极限概率评估方法及电子设备
CN113762978B (zh) 5g切片用户的投诉定界方法、装置及计算设备
CN113825151B (zh) 基于关系图卷积网络的切片告警间关系预测方法及装置
CN113949633A (zh) 基于机器学习的5g网络切片容灾池资源管理方法及装置
CN112990425A (zh) 5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质
CN113810212B (zh) 5g切片用户投诉的根因定位方法及装置
CN111767934A (zh) 一种图像识别方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant