基于流量感知的網(wǎng)絡(luò)切片配置方法與流程
1.本發(fā)明屬于網(wǎng)絡(luò)通信技術(shù)領(lǐng)域，具體涉及一種基于流量感知的網(wǎng)絡(luò)切片配置方法。
背景技術(shù)：
2.未來5g業(yè)務(wù)的多樣化發(fā)展將存在信道、流量需求、業(yè)務(wù)場景等很多不確定因素。5g核心網(wǎng)云化、網(wǎng)絡(luò)切片等資源靈活分配手段，是當(dāng)前運(yùn)營商提高用戶服務(wù)質(zhì)量、增加網(wǎng)絡(luò)性能的法寶。很多學(xué)者在該領(lǐng)域進(jìn)行相關(guān)的研究。falahatraftar等人在5g應(yīng)用場景下提出一種基于條件生成對抗網(wǎng)絡(luò)的異構(gòu)車輛網(wǎng)絡(luò)切片方法；及翠婷等人在農(nóng)業(yè)網(wǎng)監(jiān)控傳輸領(lǐng)域提出一種多元化信息的5g切片傳輸方案；barakabitze等人提出基于sdn和nfv的5g切片方案并提供開源代碼編程器；abidi等人提出一種基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的5g切片方案，基于深度學(xué)習(xí)實(shí)現(xiàn)最優(yōu)加權(quán)特征提取并提出一個(gè)有效的網(wǎng)絡(luò)切片混合學(xué)習(xí)算法；高亮等人提出一種基于sdn的網(wǎng)絡(luò)資源管理方法，其仿真結(jié)果顯示帶寬資源利用率明顯提高。上述研究大多數(shù)從業(yè)務(wù)請求的動態(tài)變化來實(shí)現(xiàn)網(wǎng)絡(luò)資源的分配，卻沒有結(jié)合當(dāng)前業(yè)務(wù)流量的感知角度，即僅僅采用簡單方法預(yù)測的網(wǎng)絡(luò)未來負(fù)載狀態(tài)來分配資源。上述方法有可能出現(xiàn)vnf(virtual network feature，虛擬網(wǎng)絡(luò)功能)頻繁遷移問題，即系統(tǒng)一旦出現(xiàn)網(wǎng)絡(luò)流量過載，為了保證業(yè)務(wù)可靠性，系統(tǒng)開始啟動數(shù)據(jù)重定向，從而實(shí)現(xiàn)數(shù)據(jù)快速遷移。而vnf頻繁遷移必然占用大量計(jì)算資源和存儲資源，降低系統(tǒng)性能，增加用戶使用的業(yè)務(wù)時(shí)延。因此，基于上述需求，有必要提出一種解決方案類預(yù)測未來業(yè)務(wù)對資源的動態(tài)需求，來降低由于業(yè)務(wù)請求動態(tài)變化引起的vnf遷移頻率。
技術(shù)實(shí)現(xiàn)要素：
3.本發(fā)明意在提供一種基于流量感知的網(wǎng)絡(luò)切片配置方法，以降低由于業(yè)務(wù)請求動態(tài)變化引起的vnf遷移頻率，從而在一定程度上避免了由于網(wǎng)絡(luò)功能虛擬化調(diào)度產(chǎn)生的端到端時(shí)延增加的問題。
4.為了達(dá)到上述目的，本發(fā)明的方案為：
5.一種基于流量感知的網(wǎng)絡(luò)切片配置方法，具體按照以下步驟進(jìn)行：
6.s1：基于壓縮感知的端到端網(wǎng)絡(luò)流量重構(gòu)方法對時(shí)間為t時(shí)刻的網(wǎng)絡(luò)流量進(jìn)行重構(gòu)，得到重構(gòu)網(wǎng)絡(luò)流量a；
7.s2：獲取歷史網(wǎng)絡(luò)數(shù)據(jù)中時(shí)間長度為t0+1時(shí)刻的網(wǎng)絡(luò)流量b，將其代入帶未知網(wǎng)絡(luò)參數(shù)的lstm網(wǎng)絡(luò)框架，進(jìn)行l(wèi)stm網(wǎng)絡(luò)訓(xùn)練，得到lstm網(wǎng)絡(luò)參數(shù)，并輸出lstm預(yù)測網(wǎng)絡(luò)；
8.s3：將步驟s1得到的重構(gòu)網(wǎng)絡(luò)流量a，代入步驟s2得到的lstm預(yù)測網(wǎng)絡(luò)，實(shí)現(xiàn)對所述重構(gòu)網(wǎng)絡(luò)流量a進(jìn)行流量負(fù)載預(yù)測，進(jìn)而得到每個(gè)網(wǎng)元預(yù)測負(fù)載值；
9.s4：結(jié)合nfv技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)切片資源智能分配：比較當(dāng)前系統(tǒng)中每個(gè)服務(wù)器的負(fù)載閾值和所有網(wǎng)元預(yù)測負(fù)載值，對所有網(wǎng)元預(yù)測負(fù)載值進(jìn)行資源分配。
10.通過上述設(shè)計(jì)，利用基于壓縮感知的端到端網(wǎng)絡(luò)流量重構(gòu)方法對未知的網(wǎng)絡(luò)流量
進(jìn)行重構(gòu)，避免直接測量網(wǎng)絡(luò)流量而造成的網(wǎng)絡(luò)資源大量耗費(fèi)。適用性廣，相對于直接測量網(wǎng)絡(luò)流量昂貴價(jià)格，本發(fā)明采用的預(yù)估方法成本低，利于大力推廣。結(jié)合lstm和注意機(jī)制實(shí)現(xiàn)流量預(yù)測，最后采用nfv技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)切片資源智能分配。本發(fā)明通過當(dāng)前時(shí)刻的網(wǎng)絡(luò)流量，來預(yù)測下一時(shí)間段的網(wǎng)絡(luò)流量，并結(jié)合預(yù)測的負(fù)載值和系統(tǒng)中服務(wù)器的負(fù)載閾值，進(jìn)行合理分配和規(guī)劃，合理利用、分配系統(tǒng)資源，加快系統(tǒng)網(wǎng)絡(luò)運(yùn)行速度和處理效率。
11.進(jìn)一步地，步驟s1中，基于壓縮感知的端到端網(wǎng)絡(luò)流量重構(gòu)方法對網(wǎng)絡(luò)流量a進(jìn)行重構(gòu)的具體內(nèi)容為：
12.s11：生成一個(gè)全零項(xiàng)矩陣g＝{g
ij
}
l
×n；并構(gòu)造隨機(jī)0-1矩陣r＝{r
ij
}
l
×n；從而得到隨機(jī)測量矩陣φ，求出獲取的網(wǎng)絡(luò)流量a的od流信號x(t)；進(jìn)而得到測量矢量z(t)；
13.其中，g
ij
＝1，ifp(i＝k)》α；r
ij
的取值為0或者1；
14.l＜＜n,l＝klog(n/k)，k表示網(wǎng)絡(luò)流量信號稀疏度；n為網(wǎng)絡(luò)流量a中輸出節(jié)點(diǎn)od流的流數(shù)；k＜＜n；
15.k＝1,2，
…
l；i＝1,2，
…
l,j＝1,2，
…
n；α為概率閾值，0≤α≤1；
16.所述隨機(jī)測量矩陣φ計(jì)算公式為：
17.φ＝{φ
ij
}
l
×n＝r
·
*g＝{r
ij
·
*g
ij
}
l
×n；
18.所述網(wǎng)絡(luò)流量a的od流信號x(t)為：
[0019][0020]
xi(t)表示時(shí)間段t內(nèi)的第t個(gè)時(shí)刻第i個(gè)od流的流量；
[0021]
所述測量矢量z(t)的計(jì)算公式為：z(t)＝φx(t)；
[0022]
s12：利用k-svd，構(gòu)造時(shí)間段t中第t時(shí)刻端到端網(wǎng)絡(luò)流量的稀疏變換矩陣ψ；
[0023]
稀疏變換矩陣ψ的求解步驟為：
[0024]
所述網(wǎng)絡(luò)流量a的od流x(t)的稀疏表示為：
[0025]
x(t)＝ψs(t)；即z(t)＝φx(t)＝φψs(t)；
[0026]
s(t)為端到端網(wǎng)絡(luò)流量的od流x(t)在稀疏變換矩陣ψ變換域中的稀疏信號；
[0027]
設(shè)d∈rn×n、x(t)∈rn、s(t)∈r
n；
；
[0028]
d表示網(wǎng)絡(luò)流量字典；
[0029]
則x＝(x(1)，x(2)，
…
，x(z))表示z個(gè)網(wǎng)絡(luò)流量信號集合；
[0030]
s＝(s(1)，s(2)，
…
，s(z))表示流量x的稀疏表示向量集合；
[0031]
則未知數(shù)d和s的解通過多重約束優(yōu)化問題表示為：
[0032][0033]
通過最小二乘法als變換，未知數(shù)d和s的解通過多重約束優(yōu)化問題進(jìn)一步改進(jìn)為：
[0034][0035]
d＝(d1，d2，
…
，dn)；k＝1,2，
…
，n；
[0036]
s＝(s1，s2，
…
，sn)
t
；k＝1,2，
…
，n；
[0037]ek
是由于移除所有n個(gè)樣本的原子dk的成分而引起的誤差；
[0038]
通過奇異值分解法svd更新dk和sk，未知數(shù)d和s的解通過多重約束優(yōu)化問題再進(jìn)一步改進(jìn)，更新得到新的字典網(wǎng)絡(luò)流量字典的新稀疏信號通過新的字典的稀疏分解得到；再結(jié)合迭代得到最終的字典最終的字典為網(wǎng)絡(luò)流量的稀疏表示稀疏變換矩陣ψ，即
[0039]
再進(jìn)一步多重約束優(yōu)化問題表示為：
[0040][0041]
ωk是一個(gè)矩陣，其大小為z
×
|wk|，且(wk(i)，i)上的項(xiàng)等于1，否則為0；
[0042]
定義s
kr
＝skωk、x
kr
＝xωk和e
kr
＝ekωk[0043]skr
是從sk中刪除零輸入的收縮結(jié)果；
[0044]
x
kr
是從xk中刪除零輸入的收縮結(jié)果；
[0045]ekr
是從ek中刪除零輸入的收縮結(jié)果；
[0046]
x
kr
是目前在dk中使用的原子樣本集；
[0047]ekr
是由于去除樣品中的原子dk而引起的誤差；
[0048]skr
的長度是|wk|；
[0049]
x
kr
和e
kr
矩陣的大小為x
×
|wk|；
[0050]
s13：計(jì)算t時(shí)刻的重構(gòu)稀疏信號
[0051][0052]
s14：結(jié)合步驟s13得到的重構(gòu)稀疏信號得到初始重構(gòu)網(wǎng)絡(luò)流量
[0053][0054]
s15：對初始重構(gòu)網(wǎng)絡(luò)流量進(jìn)行優(yōu)化，得到時(shí)刻t的od流信號
[0055][0056]
s16：判斷時(shí)間段t內(nèi)的所有時(shí)刻是否重構(gòu)完成，若全部完成，則輸出時(shí)間段t的重構(gòu)網(wǎng)絡(luò)流量a；否則令t＝t+1，返回步驟s13。
[0057]
再進(jìn)一步地，步驟s2的具體步驟為：
[0058]
假設(shè)共有t0+1個(gè)時(shí)刻的網(wǎng)絡(luò)流量數(shù)據(jù)，用數(shù)據(jù)長度為t0個(gè)時(shí)刻的網(wǎng)絡(luò)流量數(shù)據(jù)來預(yù)測t0+1時(shí)刻的網(wǎng)絡(luò)流量數(shù)據(jù)，t0＝t，t是壓縮感知的重構(gòu)時(shí)間數(shù)；
[0059]
s21：把第i0時(shí)刻到第t0+i
0-1時(shí)刻的網(wǎng)絡(luò)流量數(shù)據(jù)放進(jìn)lstm網(wǎng)絡(luò)框架，得到lstm網(wǎng)絡(luò)每個(gè)細(xì)胞的輸出集合其中，i0取值為1到t
0-t0+1；
[0060]
s22：將lstm網(wǎng)絡(luò)每個(gè)細(xì)胞的輸出集合h放入注意機(jī)制，得到合理注意系數(shù)α；
[0061]
所述注意機(jī)制計(jì)算公式為：
[0062]
m＝tanh(hwu)；
[0063]
α＝softmax(m)；
[0064]
其中，d是產(chǎn)生的lstm層的長度；w和u為學(xué)習(xí)參數(shù)；和和a＝t0；tanh表示是激活函數(shù)；softmax為歸一化函數(shù)；
[0065]
s23：計(jì)算注意層的輸出r，計(jì)算公式為：
[0066]
r＝(h
t
α)
t
；
[0067]
其中，
[0068]
s24：將注意層的輸出r放進(jìn)lstm網(wǎng)絡(luò)框架的全連接層，分別得到預(yù)測的第t2時(shí)刻網(wǎng)絡(luò)流量
[0069][0070]
其中，t2的取值為t0+1到t0+1；
[0071]
其中，w
fc
為權(quán)重矩陣；b
fc
為偏置；
[0072]
s25：使用sse和方差訓(xùn)練lstm網(wǎng)絡(luò)參數(shù)j：
[0073]
為網(wǎng)絡(luò)流量真實(shí)值。
[0074]
本方案的有益效果在于：
[0075]
通過本設(shè)計(jì)，基于壓縮感知的端到端網(wǎng)絡(luò)流量重構(gòu)方法，實(shí)現(xiàn)對未知網(wǎng)絡(luò)流量實(shí)現(xiàn)預(yù)估，并用于對后續(xù)網(wǎng)絡(luò)系統(tǒng)進(jìn)行規(guī)劃。避免直接測量網(wǎng)絡(luò)流量而造成的網(wǎng)絡(luò)資源大量耗費(fèi)。適用性廣，相對于直接測量網(wǎng)絡(luò)流量昂貴價(jià)格，本發(fā)明采用的預(yù)估方法成本低，利于大力推廣。
[0076]
預(yù)估流量時(shí)，有效利用了壓縮感知在信號重構(gòu)方面有很多優(yōu)勢。根據(jù)壓縮感知框
架，在樣本值前提下，實(shí)現(xiàn)高準(zhǔn)確度的重構(gòu)原始信號。并且在預(yù)測網(wǎng)絡(luò)流量時(shí)，利用注意機(jī)制從所有輸入中選擇對當(dāng)前任務(wù)相對重要的信息，注意力機(jī)制的一個(gè)優(yōu)點(diǎn)是，它們可以確定輸入的哪一部分需要集中，然后將更大的權(quán)重分配給重要的部分。因此，預(yù)測更精準(zhǔn)。
附圖說明
[0077]
圖1為本發(fā)明網(wǎng)絡(luò)切片配置流程圖；
[0078]
圖2為本發(fā)明網(wǎng)絡(luò)流量重構(gòu)流程圖；
[0079]
圖3為lstm預(yù)測網(wǎng)絡(luò)計(jì)算流程圖；
[0080]
圖4為通過部分測量od流量獲得的測量向量的構(gòu)造框架示意圖；
[0081]
圖5為遺忘門數(shù)據(jù)輸入輸出示意圖；
[0082]
圖6為輸入門數(shù)據(jù)輸入輸出示意圖；
[0083]
圖7為輸出門數(shù)據(jù)輸入輸出示意圖；
[0084]
圖8為基于nfv技術(shù)實(shí)現(xiàn)端到端的資源分配過程圖。
具體實(shí)施方式
[0085]
下面通過具體實(shí)施方式進(jìn)一步詳細(xì)說明：
[0086]
一種基于流量感知的網(wǎng)絡(luò)切片配置方法，結(jié)合圖1可以看出，具體按照以下步驟進(jìn)行：
[0087]
s1：基于壓縮感知的端到端網(wǎng)絡(luò)流量重構(gòu)方法對時(shí)間為t時(shí)刻的網(wǎng)絡(luò)流量進(jìn)行重構(gòu)，得到重構(gòu)網(wǎng)絡(luò)流量a；
[0088]
參見圖2，步驟s1中，基于壓縮感知的端到端網(wǎng)絡(luò)流量重構(gòu)方法對網(wǎng)絡(luò)流量a進(jìn)行重構(gòu)的具體內(nèi)容為：
[0089]
s11：生成一個(gè)全零項(xiàng)矩陣g＝{g
ij
}
l
×n；并構(gòu)造隨機(jī)0-1矩陣r＝{r
ij
}
l
×n；從而得到隨機(jī)測量矩陣φ，求出獲取的網(wǎng)絡(luò)流量a的od流信號x(t)；進(jìn)而得到測量矢量z(t)；
[0090]
其中，g
ij
＝1，ifp(i＝k)》α；r
ij
的取值為0或者1；
[0091]
l＜＜n,l＝klog(n/k)，k表示網(wǎng)絡(luò)流量信號稀疏度；n為網(wǎng)絡(luò)流量a中輸出節(jié)點(diǎn)od流的流數(shù)；k＜＜n；
[0092]
k＝1,2，
…
l；i＝1,2，
…
l；j＝1,2，
…
n；α為概率閾值，0≤α≤1；
[0093]
所述隨機(jī)測量矩陣φ計(jì)算公式為：
[0094]
φ＝{φ
ij
}
l
×n＝r
·
*g＝{r
ij
·
*g
ij
}
l
×n；
[0095]
所述網(wǎng)絡(luò)流量a的od流信號x(t)為：
[0096][0097]
xi(t)表示時(shí)間段t內(nèi)的第t個(gè)時(shí)刻第i個(gè)od流的流量；
[0098]ci
(t)表示t時(shí)刻第i個(gè)od流所經(jīng)過路徑的容量；
[0099]
a(t)表示t時(shí)刻的路由信息矩陣；
[0100]
y(t)＝(y1(t),y2(t),
…
,y
m1
(t))表示網(wǎng)絡(luò)中所有的鏈接的流量；y
m1
是第m1條鏈接的流量；
[0101]
m1是鏈接的總數(shù)；
[0102]
我們使用壓縮感知理論和框架來解決等式中所示的端到端網(wǎng)絡(luò)流量重構(gòu)問題。根據(jù)壓縮感知理論，我們將網(wǎng)絡(luò)流量x(t)投影到一組度量基上φ＝{φ1，φ2，
…
φj…
,φn}則所述測量矢量z(t)的計(jì)算公式為：z(t)＝φx(t)；
[0103]
z(t)＝(z1(t)，z2(t)，
…
，z
l
(t))表示壓縮感知的測量數(shù)據(jù)；l＜＜n；
[0104]
隨機(jī)測量矩陣φ的大小為l
×
n；
[0105]
φj表示第j個(gè)測量依據(jù)；其中j＝1,2，
…
，n；
[0106]
s12：利用k-svd，構(gòu)造時(shí)間段t中第t時(shí)刻端到端網(wǎng)絡(luò)流量的稀疏變換矩陣ψ；
[0107]
稀疏變換矩陣ψ的求解步驟為：
[0108]
所述網(wǎng)絡(luò)流量a的od流x(t)的稀疏表示為：
[0109]
x(t)＝ψs(t)；即z(t)＝φx(t)＝φψs(t)；
[0110]
s(t)為端到端網(wǎng)絡(luò)流量的od流x(t)在稀疏變換矩陣ψ變換域中的稀疏信號；
[0111]
設(shè)d∈rn×n、x(t)∈rn、s(t)∈r
n；
；
[0112]
d表示網(wǎng)絡(luò)流量字典；
[0113]
則x＝(x(1)，x(2)，
…
，x(z))表示z個(gè)網(wǎng)絡(luò)流量信號集合；
[0114]
s＝(s(1)，s(2)，
…
，s(z))表示流量x的稀疏表示向量集合；
[0115]
則未知數(shù)d和s的解通過多重約束優(yōu)化問題表示為：
[0116][0117]
通過最小二乘法als變換，未知數(shù)d和s的解通過多重約束優(yōu)化問題進(jìn)一步改進(jìn)為：
[0118][0119]
d＝(d1，d2，
…
，dn)；k＝1,2，
…
，n；
[0120]
s＝(s1，s2，
…
，sn)
t
；k＝1,2，
…
，n；
[0121]ek
是由于移除所有n個(gè)樣本的原子dk的成分而引起的誤差；
[0122]
通過奇異值分解法svd更新dk和sk，未知數(shù)d和s的解通過多重約束優(yōu)化問題再進(jìn)一步改進(jìn)，更新得到新的字典網(wǎng)絡(luò)流量字典的新稀疏信號通過新的字典的稀疏分解得到；再結(jié)合迭代得到最終的字典最終的字典為網(wǎng)絡(luò)流量的稀疏表示稀疏變換矩陣
ψ，即
[0123]
再進(jìn)一步多重約束優(yōu)化問題表示為：
[0124][0125]
ωk是一個(gè)矩陣，其大小為z
×
|wk|，且(wk(i)，i)上的項(xiàng)等于1，否則為0；
[0126]
定義s
kr
＝skωk、x
kr
＝xωk和e
kr
＝ekωk[0127]skr
是從sk中刪除零輸入的收縮結(jié)果；
[0128]
x
kr
是從xk中刪除零輸入的收縮結(jié)果；
[0129]ekr
是從ek中刪除零輸入的收縮結(jié)果；
[0130]
x
kr
是目前在dk中使用的原子樣本集；
[0131]ekr
是由于去除樣品中的原子dk而引起的誤差；
[0132]skr
的長度是|wk|；
[0133]
x
kr
和e
kr
矩陣的大小為x
×
|wk|；
[0134]
s13：計(jì)算t時(shí)刻的重構(gòu)稀疏信號
[0135][0136]
s14：結(jié)合步驟s13得到的重構(gòu)稀疏信號得到初始重構(gòu)網(wǎng)絡(luò)流量得到初始重構(gòu)網(wǎng)絡(luò)流量
[0137]
s15：對初始重構(gòu)網(wǎng)絡(luò)流量進(jìn)行優(yōu)化，得到時(shí)刻t的od流信號
[0138][0139]
s16：判斷時(shí)間段t內(nèi)的所有時(shí)刻是否重構(gòu)完成，若全部完成，則輸出時(shí)間段t的重構(gòu)網(wǎng)絡(luò)流量a；否則令t＝t+1，返回步驟s13。
[0140]
s2：獲取歷史網(wǎng)絡(luò)數(shù)據(jù)中時(shí)間長度為t0+1時(shí)刻的網(wǎng)絡(luò)流量b，將其代入帶未知網(wǎng)絡(luò)參數(shù)的lstm網(wǎng)絡(luò)框架，進(jìn)行l(wèi)stm網(wǎng)絡(luò)訓(xùn)練，得到lstm網(wǎng)絡(luò)參數(shù)，并輸出lstm預(yù)測網(wǎng)絡(luò)；
[0141]
參見圖3，步驟s2的具體步驟為：
[0142]
假設(shè)共有t0+1個(gè)時(shí)刻的歷史網(wǎng)絡(luò)流量數(shù)據(jù)，用數(shù)據(jù)長度為t0個(gè)時(shí)刻的網(wǎng)絡(luò)流量數(shù)據(jù)來預(yù)測t0+1時(shí)刻的網(wǎng)絡(luò)流量數(shù)據(jù)；t0＝t，t是壓縮感知的重構(gòu)時(shí)間數(shù)；；
[0143]
s21：把第i0時(shí)刻到第t0+i
0-1時(shí)刻的網(wǎng)絡(luò)流量數(shù)據(jù)放進(jìn)lstm網(wǎng)絡(luò)框
架，得到lstm網(wǎng)絡(luò)每個(gè)細(xì)胞的輸出集合其中，i0取值為1到t
0-t0+1；
[0144]
s22：將lstm網(wǎng)絡(luò)每個(gè)細(xì)胞的輸出集合h放入注意機(jī)制，得到合理注意系數(shù)α；
[0145]
所述注意機(jī)制計(jì)算公式為：
[0146]
m＝tanh(hwu)
[0147]
α＝softmax(m)；
[0148]
其中，d是產(chǎn)生的lstm層的長度；w和u為學(xué)習(xí)參數(shù)；和和a＝t0；tanh表示是激活函數(shù)；softmax為歸一化函數(shù)；
[0149]
s23：計(jì)算注意層的輸出r，計(jì)算公式為：
[0150]
r＝(h
t
α)
t
；
[0151]
其中，
[0152]
s24：將注意層的輸出r放進(jìn)lstm網(wǎng)絡(luò)框架的全連接層，分別得到預(yù)測的第t2時(shí)刻網(wǎng)絡(luò)流量
[0153][0154]
其中，t2的取值為t0+1到t0+1；
[0155]
其中，w
fc
為權(quán)重矩陣；b
fc
為偏置；
[0156]
s25：使用sse和方差訓(xùn)練lstm網(wǎng)絡(luò)參數(shù)j：
[0157]
為網(wǎng)絡(luò)流量真實(shí)值。
[0158]
s3：將步驟s1得到的重構(gòu)網(wǎng)絡(luò)流量a，代入步驟s2得到的lstm預(yù)測網(wǎng)絡(luò)，實(shí)現(xiàn)對所述重構(gòu)網(wǎng)絡(luò)流量a進(jìn)行流量負(fù)載預(yù)測，進(jìn)而得到每個(gè)網(wǎng)元預(yù)測負(fù)載值；
[0159]
s4：結(jié)合nfv技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)切片資源智能分配：比較當(dāng)前系統(tǒng)中每個(gè)服務(wù)器的負(fù)載閾值和所有網(wǎng)元預(yù)測負(fù)載值，對所有網(wǎng)元預(yù)測負(fù)載值進(jìn)行資源分配。具體參見圖8.
[0160]
為了更為詳盡的說明上述網(wǎng)絡(luò)流量處理重構(gòu)、預(yù)測的內(nèi)容的準(zhǔn)確性，通過以下推到過程來進(jìn)行說明：
[0161]
一、基于壓縮感知的端到端網(wǎng)絡(luò)流量重構(gòu)方法對網(wǎng)絡(luò)流量進(jìn)行重構(gòu)
[0162]
端到端網(wǎng)絡(luò)流量矩陣反映了網(wǎng)絡(luò)用戶的固有行為和網(wǎng)絡(luò)設(shè)備用于數(shù)據(jù)傳輸和信息交換的特性。對于n個(gè)節(jié)點(diǎn)的骨干網(wǎng)，od流數(shù)為n＝n2。對于骨干網(wǎng)，可以將端到端的網(wǎng)絡(luò)流量建模為:
[0163][0164]
式中i＝1,2，
…
,n,xi(t)表示t時(shí)刻第i個(gè)od流的流量，ci(t)表示t時(shí)刻第i個(gè)od流所經(jīng)過路徑的容量，a(t)表示t時(shí)刻的路由信息矩陣。y(t)＝(y1(t),y2(t),
…
,ym(t))表示網(wǎng)絡(luò)中所有的鏈接的流量,m是鏈接的總數(shù),ym是第m條鏈接的流量。根據(jù)(2)-(4)可以在式
(1)中到網(wǎng)絡(luò)流量xi(t)。但是，實(shí)際網(wǎng)絡(luò)中的鏈路數(shù)量遠(yuǎn)遠(yuǎn)小于od流量的數(shù)量，即m＜＜n。換句話說，式(2)中不是方陣，導(dǎo)致了一個(gè)高度不適置的逆問題。因此，很難根據(jù)方程(2)-(4)得到端到端網(wǎng)絡(luò)流量的精確解。
[0165]
則本實(shí)施例中，使用壓縮感知理論和框架來解決等式中所示的端到端網(wǎng)絡(luò)流量重構(gòu)問題。
[0166]
根據(jù)壓縮感知理論，將網(wǎng)絡(luò)流量x(t)投影到一組度量基上φ＝{φ1，φ2，
…
,φ
m0
}。則可得到測量數(shù)據(jù):
[0167]
z(t)＝φx(t)
??
(5)
[0168]
其中z(t)＝(z1(t)，z2(t)，
…
，z
l
(t))表示壓縮感知的測量數(shù)據(jù)，l＜＜n。φ為隨機(jī)測量矩陣，大小為l
×
n。φi表示第i個(gè)測量依據(jù)，其中i＝1,2，
…
，m0，φ主要用于將網(wǎng)絡(luò)流量x(t)投影到測量數(shù)據(jù)矩陣z(t)中。
[0169]
根據(jù)式(5)，如果能夠準(zhǔn)確地得到低維測量數(shù)據(jù)z(t)，那么就可以利用壓縮感知理論重構(gòu)端到端網(wǎng)絡(luò)流量x(t)。然而，端到端網(wǎng)絡(luò)流量在實(shí)踐中并不稀疏，現(xiàn)有的流量測量文獻(xiàn)表明，端到端網(wǎng)絡(luò)流量主要由少數(shù)幾個(gè)大外徑流量(象流)組成，這些大外徑流量占整個(gè)外徑流量的80％。如果只考慮象流，根據(jù)信號稀疏理論，可以用變換矩陣ψ將端到端網(wǎng)絡(luò)流量x(t)稀疏表示為:
[0170][0171]
ψ＝(ψ1，ψ2，
…
，ψn)表示網(wǎng)絡(luò)流量信號的稀疏變換矩陣；
[0172]
s(t)為端到端網(wǎng)絡(luò)流量x(t)在ψ變換域中的稀疏投影；有k個(gè)非零行(其中k＜＜n)。
[0173]
根據(jù)方程式(5)和(6)，可得方程式(7):
[0174]
z(t)＝φx(t)＝φψs(t)
??
(7)
[0175]
如果得到了測量信號z(t)，則可以根據(jù)壓縮感知理論準(zhǔn)確地重構(gòu)稀疏信號s(t)。因此，可以根據(jù)式(6)準(zhǔn)確地重構(gòu)端到端網(wǎng)絡(luò)流量x(t)，這促使發(fā)明人考慮根據(jù)式(1)-(4)使用壓縮感知來解決端到端網(wǎng)絡(luò)流量重構(gòu)問題。
[0176]
隨機(jī)測量矩陣φ構(gòu)造內(nèi)容為：
[0177]
隨機(jī)測量矩陣φ擁有以下重構(gòu)屬性：
[0178]
1.為了使用隨機(jī)測量矩陣φ提取要測量的od流，隨機(jī)測量矩陣φ應(yīng)該是0或1并服從隨機(jī)分布。隨機(jī)測量矩陣φ等于1表示需要測量的od流，隨機(jī)測量矩陣φ等于0表示不需要測量的od流。
[0179]
2.隨機(jī)測量矩陣φ表示測量信號z(t)與端到端網(wǎng)絡(luò)流量x(t)的線性組合關(guān)系。隨機(jī)測量矩陣φ中的行向量可以有多個(gè)非零條目，測量信號z(t)的條目可以表示為多個(gè)od流的線性組合。
[0180]
3.隨機(jī)測量矩陣φ表示某od流只與測量信號z(t)中的某一項(xiàng)有關(guān)系。φ中的每個(gè)列(行)向量只有一個(gè)非零條目，并且一個(gè)od流只被收集到測量信號z(t)中的一個(gè)條目中。
[0181]
4.隨機(jī)測量矩陣φ表示測量信號z(t)與網(wǎng)絡(luò)流量x(t)的聚合關(guān)系。od流聚集成測量信號z(t)。
[0182]
5.隨機(jī)測量矩陣φ表示高維網(wǎng)絡(luò)流量x(t)到低維測量信號z(t)的轉(zhuǎn)換關(guān)系。
[0183]
通過上述屬性，提出以下算法1：構(gòu)造端到端網(wǎng)絡(luò)流量的隨機(jī)測量矩陣φ：
[0184]
(1)根據(jù)屬性1，我們得到一個(gè)完全零矩陣g＝{g
ij
}
l
×n，其中l(wèi)＜＜n,l＝k log(n/k)，k表示網(wǎng)絡(luò)流量信號稀疏度。
[0185]
(2)根據(jù)屬性1和2，從完全零矩陣g＝{g
ij
}
l
×n的每個(gè)列向量中隨機(jī)選取d個(gè)位置，設(shè)為:
[0186]gij
＝1，if p(i＝k)＞α
???
(8)
[0187]
其中k為變量，k＝1,2，
…
，l,i也是一個(gè)變量，i＝1,2，
…
，l,j＝1,2，
…
n；α為概率閾值，0≤α≤1。對于完全零矩陣g的每個(gè)列向量，根據(jù)式(8)選擇并更新d個(gè)隨機(jī)位置。實(shí)驗(yàn)表明，d的值越小，最終構(gòu)建的測量矩陣稀疏度越高，端到端網(wǎng)絡(luò)流量重構(gòu)越精確。
[0188]
(3)根據(jù)屬性3，設(shè)隨機(jī)選取位置個(gè)數(shù)d＝1
[0189]
(4)構(gòu)造隨機(jī)的0-1矩陣r＝{r
ij
}
l
×n，得到隨機(jī)測量矩陣如下:
[0190]
φ＝{φ
ij
}
l
×n＝r
·
*g＝{r
ij
·
*g
ij
}
l
×m???
(9)
[0191]
若r為隨機(jī)生成的0-1矩陣，則由式(9)得到的隨機(jī)測量矩陣φ的秩不大于完全零矩陣g的秩，因此，隨機(jī)測量矩陣φ與完全零矩陣g相比，其列向量的線性相關(guān)性發(fā)生了變化；如果r是隨機(jī)生成的0-1矩陣，則由式(9)得到的隨機(jī)測量矩陣φ的稀疏度得到增強(qiáng)。由式(9)可知，我們可以通過隨機(jī)生成的0-1矩陣r來改善矩陣g的稀疏性。隨后，基于壓縮感知的端到端網(wǎng)絡(luò)流量重構(gòu)精度將得到提高。
[0192]
(5)將被測量的od流的一個(gè)子集由隨機(jī)測量矩陣φ確定；eq.(11)表示，對隨機(jī)測量矩陣φ的列向量進(jìn)行“和”計(jì)算，可以正確地求出待測外徑流量所對應(yīng)的非零位置。
[0193]mod
＝{odj|φ
ij
∩1＝1}
??
(11)
[0194]
(6)根據(jù)屬性4和5，我們將獲得以下測量向量：
[0195][0196]
結(jié)合圖4，對于端到端交通流向量深灰方框表示由測量矩陣確定的部分測量od流量，白框表示需要重構(gòu)的od流量。
[0197]
稀疏變換矩陣ψ的構(gòu)造內(nèi)容為：
[0198]
從壓縮感知理論知道，由于流量矩陣本身不是稀疏的，僅通過構(gòu)造隨機(jī)測量矩陣無法正確、準(zhǔn)確地重構(gòu)od流。因此，需要到一個(gè)合適的稀疏變換矩陣ψ，使網(wǎng)絡(luò)流量x(t)可以用稀疏變換矩陣ψ稀疏表示。
[0199]
用k-svd算法，通過構(gòu)造過完備字典來構(gòu)造我們的稀疏矩陣。k-svd算法具有較強(qiáng)的稀疏表示能力和較低的計(jì)算復(fù)雜度。
[0200]
根據(jù)k-svd，設(shè)d∈rn×n,x(t)∈rn和s(t)∈rn分別表示網(wǎng)絡(luò)流量字典、網(wǎng)絡(luò)流量信號和網(wǎng)絡(luò)流量的稀疏表示。因此，x＝(x(1)，x(2)，
…
，x(z))表示z個(gè)網(wǎng)絡(luò)流量信號集合。s＝(s(1)，s(2)，
…
，s(z))表示x的稀疏表示向量集，為了構(gòu)造端到端網(wǎng)絡(luò)流量的稀疏表示矩陣，根據(jù)k-svd,d和s的解可以表示為以下多重約束優(yōu)化問題:
[0201][0202]
n為端到端網(wǎng)絡(luò)流量稀疏表示中非零項(xiàng)個(gè)數(shù)的上限。方程(13)包含兩個(gè)未知變量d
和s，用交替最小二乘(als)來獲得上述方程所示優(yōu)化過程(13)-(16)的最優(yōu)解。
[0203]
首先，給定網(wǎng)絡(luò)流量字典d，我們使用als方法確定網(wǎng)絡(luò)流量的稀疏表示s。
[0204]
然后，進(jìn)一步使用als方法，可以根據(jù)獲得的網(wǎng)絡(luò)流量稀疏表示s更好地確定網(wǎng)絡(luò)流量字典d。一次更新網(wǎng)絡(luò)流量字典d的一列，如果想更新網(wǎng)絡(luò)流量字典d的第k列(其中k＝1,2，
…
，n，d＝(d1，d2，
…
，dn))，讓網(wǎng)絡(luò)流量稀疏矩陣s的第k列對應(yīng)于sk(其中k＝1,2，
…
，n，s＝(s1，s2，
…
，sn)
t
)，那么上述多約束優(yōu)化問題可以表示為：
[0205][0206]
等式(17)將乘法ds劃分為k個(gè)秩1矩陣的和。給定k-1項(xiàng)，第k列是要處理的向量。矩陣ek表示誤差，該誤差是由于移除所有n個(gè)樣本的原子dk的成分而引起的。等式(18)—(20)表示約束條件。然后，使用奇異值分解(svd)來更新dk和sk。根據(jù)奇異值分解(svd)，可以到最接近ek的秩1矩陣。然后可以有效地減小等式(17)的誤差。然而，通過這種方式獲得的sk中的大多數(shù)條目將是非零向量。因此，不能強(qiáng)制更新dk以滿足稀疏性約束。也就是說，由于零值的影響，當(dāng)更新非零位置的向量時(shí)，會發(fā)生sk變化，并出現(xiàn)發(fā)散現(xiàn)象。為了解決這個(gè)問題，則刪除sk中的所有0并保留非零值。當(dāng)使用svd更新dk和sk時(shí)，則可以避免發(fā)散現(xiàn)象。
[0207]
定義wk＝{i|1≤i≤n、s
ki
≠0}作為dk使用的所有信號集的{x(1)，x(2)，
…
，x(z)}索引集，即s
ki
≠0時(shí)的點(diǎn)索引(其中s
ki
表示矩陣s的第k行和第i列的項(xiàng))。定義ωk是一個(gè)矩陣，其大小為z
×
|wk|，且(wk(i)，i)上的項(xiàng)等于1，否則為0。定義s
kr
＝skωk、x
kr
＝xωk和e
kr
＝ekωk分別是從sk、x和ek中刪除零輸入的收縮結(jié)果。x
kr
是目前在dk中使用的原子樣本集。e
kr
是由于去除樣品中的原子dk而引起的誤差，并且不考慮去除的影響。s
kr
的長度是|wk|。x
kr
和e
kr
矩陣的大小為x
×
|wk|。等式(17)—(20)可以重寫為：
[0208][0209]
更新后，可以獲得新的網(wǎng)絡(luò)流量字典的新稀疏表示可以通過字典的稀疏分解得到。通過迭代的方式，可以得到最終的字典可以視為網(wǎng)絡(luò)流量的稀疏表示矩陣ψ，即
[0210]
端到端網(wǎng)絡(luò)流量重構(gòu)內(nèi)容：
[0211]
基于以上討論，成功構(gòu)造了測量矩陣φ和稀疏矩陣ψ。因此，我們可以根據(jù)壓縮感知理論對t時(shí)刻的稀疏信號s(t)進(jìn)行重構(gòu)。重構(gòu)過程可以表示為以下優(yōu)化問題:
[0212][0213]
那么根據(jù)式(5)可以得到t時(shí)刻端到端網(wǎng)絡(luò)流量的重構(gòu)結(jié)果，即:
[0214][0215]
由于端到端網(wǎng)絡(luò)流量復(fù)雜的固有特性，由式(26)得到的結(jié)果可能不準(zhǔn)確，存在一定的誤差。為了進(jìn)一步減小重構(gòu)誤差，根據(jù)方程(1)-(4)所表示的端到端網(wǎng)絡(luò)流量模型，將式(26)所表示的重構(gòu)方法表示為一個(gè)有約束的優(yōu)化過程。據(jù)此，可得:
[0216][0217]
二、利用lstm網(wǎng)絡(luò)和注意機(jī)制實(shí)現(xiàn)流量預(yù)測。
[0218]
lstm網(wǎng)絡(luò)通過引入一個(gè)存儲單元和三個(gè)附加門(輸入門、遺忘門和輸出門)來處理長序列。具體地說，輸入門決定進(jìn)入存儲器單元的信息。輸出門在每個(gè)時(shí)間步中產(chǎn)生輸出。遺忘門更新記憶單元的狀態(tài)方程式。
[0219]
lstm單元的計(jì)算過程:
[0220]
遺忘門：在lstm中的第一步是決定會從細(xì)胞狀態(tài)中丟棄什么信息。這個(gè)決定通過一個(gè)稱為忘記門層完成。該門會讀取h
t-1
和x
t
,輸出一個(gè)在0到1之間的數(shù)值給每個(gè)在細(xì)胞狀態(tài)c
t-1
中的數(shù)字，1表示“完全保留”，0表示“完全舍棄”。
[0221]
結(jié)合圖5可以看出，為遺忘門數(shù)據(jù)輸入輸出過程，存在以下關(guān)系式：
[0222]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
[0223]
其中h
t-1
表示的是上一個(gè)細(xì)胞的輸出，x
t
表示的是當(dāng)前細(xì)胞的輸入。σ表示sigmoid函數(shù)。
[0224]
輸入門：下一步是決定讓多少新的信息加入到細(xì)胞狀態(tài)中來。實(shí)現(xiàn)這個(gè)需要包括兩個(gè)步驟：首先，一個(gè)叫做“input gate layer”的sigmoid層決定哪些信息需要更新；一個(gè)tanh層生成一個(gè)向量也就是備選的用來更新的內(nèi)容。在下一步，我們把這兩部分聯(lián)合起來，對細(xì)胞的狀態(tài)進(jìn)行一個(gè)更新。
[0225]
參見圖6，為輸入門數(shù)據(jù)輸入輸出過程，存在以下關(guān)系式：
[0226]it
＝σ(wi·
[h
t-1
，x
t
]+bi)；
[0227][0228]
現(xiàn)在是更新舊細(xì)胞狀態(tài)的時(shí)間了，c
t-1
更新為c
t
。前面的步驟已經(jīng)決定了將會做什么，我們現(xiàn)在就是實(shí)際去完成。我們把舊狀態(tài)與f
t
相乘，丟棄掉我們確定需要丟棄的信息。接著加上這就是新的候選值，根據(jù)我們決定更新每個(gè)狀態(tài)的程度進(jìn)行變化。
[0229]
輸出門：輸出門由兩部分組成，第一部分同樣是以上一時(shí)刻的隱藏狀態(tài)和本時(shí)刻的輸入變量為輸入，通過sigmoid函數(shù)來控制輸出范圍，第二部分將隱藏狀態(tài)通過tanh激活函數(shù)控制輸出范圍，再與第一部分輸出結(jié)果相乘來更新隱藏狀態(tài)。參見圖7為輸出門輸入輸
出關(guān)系式：
[0230]ot
＝σ(wo[h
t-1
，x
t
]+bo)
[0231]ht
＝o
t
*tanh(c
t
)
[0232]
注意機(jī)制：
[0233]
在這里，使用兩個(gè)可學(xué)習(xí)的參數(shù)w和u來提高注意層的表示能力。合理注意系數(shù)a指示h中每個(gè)元素的重要性。在這種情況下，注意層可以為輸入h中的不同元素分配更合理的權(quán)重。
[0234]
m＝tanh(hwu)；
[0235]
α＝softmax(m)；
[0236]
r＝(h
t
α)
t
.
[0237]
其中d是產(chǎn)生的lstm層的長度，和是學(xué)習(xí)參數(shù)，a被設(shè)置為等于t0，t0＝t，t是壓縮感知那里的重構(gòu)時(shí)間數(shù)。函數(shù)tanh是激活函數(shù)，如下式所示。這里，使用兩個(gè)學(xué)習(xí)參數(shù)來更好地映射不同輸出向量之間的相關(guān)性，從而產(chǎn)生注意參數(shù)里，使用兩個(gè)學(xué)習(xí)參數(shù)來更好地映射不同輸出向量之間的相關(guān)性，從而產(chǎn)生注意參數(shù)方程(6)是softmax函數(shù)，用于歸一化m以計(jì)算a.是注意層的輸出。
[0238][0239][0240]
三、采用nfv技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)切片資源智能分配
[0241]
服務(wù)器負(fù)載與很多因素有關(guān)，考慮到5g核心網(wǎng)的服務(wù)器負(fù)載主要與nfv網(wǎng)元有關(guān)，因此，本文將不同類型nfv網(wǎng)元流量感知作為輸入，將不同nfv網(wǎng)元流量預(yù)測作為服務(wù)器負(fù)載，實(shí)現(xiàn)基于流量的負(fù)載預(yù)測，進(jìn)而結(jié)合系統(tǒng)設(shè)置的閾值，將變化較大的部分nfv網(wǎng)元遷至其他服務(wù)器。基于網(wǎng)絡(luò)功能虛擬化的技術(shù)，實(shí)現(xiàn)軟硬件的完全解耦，從而實(shí)現(xiàn)基于nfv網(wǎng)元智能遷出和遷入。參見圖8，為基于nfv技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)切片資源智能分配過程。
[0242]
基于nfv技術(shù)能夠?qū)⒕W(wǎng)絡(luò)設(shè)備資源整合在統(tǒng)一的資源池中，根據(jù)抽象出來的網(wǎng)絡(luò)服務(wù)和功能需求，對資源池進(jìn)行動態(tài)調(diào)度。在圖8中，顯示當(dāng)nfv網(wǎng)元4和網(wǎng)元5共用一個(gè)服務(wù)器并出現(xiàn)負(fù)載過大時(shí)，系統(tǒng)根據(jù)nfv網(wǎng)元4和網(wǎng)元5的流量感知水平，將nfv部分網(wǎng)元遷出原服務(wù)器，遷入到滿足流量需求的服務(wù)器中，實(shí)現(xiàn)網(wǎng)絡(luò)資源的智能分配。
[0243]
以上所述的僅是本發(fā)明的實(shí)施例，方案中公知的具體結(jié)構(gòu)及特性等常識在此未作過多描述。應(yīng)當(dāng)指出，對于本領(lǐng)域的技術(shù)人員來說，在不脫離本發(fā)明結(jié)構(gòu)的前提下，還可以作出若干變形和改進(jìn)，這些也應(yīng)該視為本發(fā)明的保護(hù)范圍，這些都不會影響本發(fā)明實(shí)施的效果和本發(fā)明的實(shí)用性。說明書中的具體實(shí)施方式等記載可以用于解釋權(quán)利要求的內(nèi)容。
技術(shù)特征：
1.一種基于流量感知的網(wǎng)絡(luò)切片配置方法，其特征在于，具體按照以下步驟進(jìn)行：s1：基于壓縮感知的端到端網(wǎng)絡(luò)流量重構(gòu)方法對時(shí)間為t時(shí)刻的網(wǎng)絡(luò)流量進(jìn)行重構(gòu)，得到重構(gòu)網(wǎng)絡(luò)流量a；s2：獲取歷史網(wǎng)絡(luò)數(shù)據(jù)中時(shí)間長度為t0+1時(shí)刻的網(wǎng)絡(luò)流量b，將其代入帶未知網(wǎng)絡(luò)參數(shù)的lstm網(wǎng)絡(luò)框架，進(jìn)行l(wèi)stm網(wǎng)絡(luò)訓(xùn)練，得到lstm網(wǎng)絡(luò)參數(shù)，并輸出lstm預(yù)測網(wǎng)絡(luò)；s3：將步驟s1得到的重構(gòu)網(wǎng)絡(luò)流量a，代入步驟s2得到的lstm預(yù)測網(wǎng)絡(luò)，實(shí)現(xiàn)對所述重構(gòu)網(wǎng)絡(luò)流量a進(jìn)行流量負(fù)載預(yù)測，進(jìn)而得到每個(gè)網(wǎng)元預(yù)測負(fù)載值；s4：結(jié)合nfv技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)切片資源智能分配：比較當(dāng)前系統(tǒng)中每個(gè)服務(wù)器的負(fù)載閾值和所有網(wǎng)元預(yù)測負(fù)載值，對所有網(wǎng)元預(yù)測負(fù)載值進(jìn)行資源分配。2.根據(jù)權(quán)利要求1所述的基于流量感知的網(wǎng)絡(luò)切片配置方法，其特征在于：步驟s1中，基于壓縮感知的端到端網(wǎng)絡(luò)流量重構(gòu)方法對時(shí)間為t時(shí)刻的網(wǎng)絡(luò)流量進(jìn)行重構(gòu)的具體內(nèi)容為：s11：生成一個(gè)全零項(xiàng)矩陣g＝{g
ij
}
l
×
n
；并構(gòu)造隨機(jī)0-1矩陣r＝{r
ij
}
l
×
n
；從而得到隨機(jī)測量矩陣φ，求出獲取的網(wǎng)絡(luò)流量a的od流信號x(t)；進(jìn)而得到測量矢量z(t)；其中，g
ij
＝1，ifp(i＝k)>α；r
ij
的取值為0或者1；l＜＜n,l＝klog(n/k)，k表示網(wǎng)絡(luò)流量信號稀疏度；n為網(wǎng)絡(luò)流量a中輸出節(jié)點(diǎn)od流的流數(shù)；k＜＜n；k＝1,2，
…
l；；i＝1,2，
…
l,j＝1,2，
…
n；α為概率閾值，0≤α≤1；所述隨機(jī)測量矩陣φ計(jì)算公式為：φ＝{φ
ij
}
l
×
n
＝r
·
*g＝{r
ij
·
*g
ij
}
l
×
n
；所述網(wǎng)絡(luò)流量a的od流信號x(t)為：x
i
(t)表示時(shí)間段t內(nèi)的第t個(gè)時(shí)刻第i個(gè)od流的流量；所述測量矢量z(t)的計(jì)算公式為：z(t)＝φx(t)；s12：利用k-svd，構(gòu)造時(shí)間段t中第t時(shí)刻端到端網(wǎng)絡(luò)流量的稀疏變換矩陣ψ；稀疏變換矩陣ψ的求解步驟為：所述網(wǎng)絡(luò)流量a的od流x(t)的稀疏表示為：x(t)＝ψs(t)；即z(t)＝φx(t)＝φψs(t)；s(t)為端到端網(wǎng)絡(luò)流量的od流x(t)在稀疏變換矩陣ψ變換域中的稀疏信號；設(shè)d∈r
n
×
n
、x(t)∈r
n
、s(t)∈r
n
；；d表示網(wǎng)絡(luò)流量字典；則x＝(x(1)，x(2)，
…
，x(z))表示z個(gè)網(wǎng)絡(luò)流量信號集合；s＝(s(1)，s(2)，
…
，s(z))表示流量x的稀疏表示向量集合；則未知數(shù)d和s的解通過多重約束優(yōu)化問題表示為：
通過最小二乘法als變換，未知數(shù)d和s的解通過多重約束優(yōu)化問題進(jìn)一步改進(jìn)為：d＝(d1，d2，
…
，d
n
)；k＝1,2，
…
，n；s＝(s1，s2，
…
，s
n
)
t
；k＝1,2，
…
，n；e
k
是由于移除所有n個(gè)樣本的原子d
k
的成分而引起的誤差；通過奇異值分解法svd更新d
k
和s
k
，未知數(shù)d和s的解通過多重約束優(yōu)化問題再進(jìn)一步改進(jìn)，更新得到新的字典網(wǎng)絡(luò)流量字典的新稀疏信號通過新的字典的稀疏分解得到；再結(jié)合迭代得到最終的字典^d；最終的字典^d為網(wǎng)絡(luò)流量的稀疏表示稀疏變換矩陣ψ，即ψ＝^d；再進(jìn)一步多重約束優(yōu)化問題表示為：ω
k
是一個(gè)矩陣，其大小為z
×
|w
k
|，且(w
k
(i)，i)上的項(xiàng)等于1，否則為0；定義s
kr
＝s
k
ω
k
、x
kr
＝xω
k
和e
kr
＝e
k
ω
k
s
kr
是從s
k
中刪除零輸入的收縮結(jié)果；x
kr
是從x
k
中刪除零輸入的收縮結(jié)果；e
kr
是從e
k
中刪除零輸入的收縮結(jié)果；x
kr
是目前在d
k
中使用的原子樣本集；e
kr
是由于去除樣品中的原子d
k
而引起的誤差；s
kr
的長度是|w
k
|；x
kr
和e
kr
矩陣的大小為x
×
|w
k
|；s13：計(jì)算t時(shí)刻的重構(gòu)稀疏信號^s(t)；
s14：結(jié)合步驟s13得到的重構(gòu)稀疏信號^s(t)，得到初始重構(gòu)網(wǎng)絡(luò)流量s14：結(jié)合步驟s13得到的重構(gòu)稀疏信號^s(t)，得到初始重構(gòu)網(wǎng)絡(luò)流量s15：對初始重構(gòu)網(wǎng)絡(luò)流量進(jìn)行優(yōu)化，得到時(shí)刻t的od流信號進(jìn)行優(yōu)化，得到時(shí)刻t的od流信號s16：判斷時(shí)間段t內(nèi)的所有時(shí)刻是否重構(gòu)完成，若全部完成，則輸出時(shí)間段t的重構(gòu)網(wǎng)絡(luò)流量a；否則令t＝t+1，返回步驟s13。3.根據(jù)權(quán)利要求1所述的基于流量感知的網(wǎng)絡(luò)切片配置方法，其特征在于：步驟s2的具體步驟為：假設(shè)共有t0+1個(gè)時(shí)刻的歷史網(wǎng)絡(luò)流量數(shù)據(jù)，用數(shù)據(jù)長度為t0個(gè)時(shí)刻的網(wǎng)絡(luò)流量數(shù)據(jù)來預(yù)測t0+1時(shí)刻的網(wǎng)絡(luò)流量數(shù)據(jù),t0＝t，t是壓縮感知的重構(gòu)時(shí)間數(shù)；s21：把第i0時(shí)刻到第t0+i
0-1時(shí)刻的網(wǎng)絡(luò)流量數(shù)據(jù)放進(jìn)lstm網(wǎng)絡(luò)框架，得到lstm網(wǎng)絡(luò)每個(gè)細(xì)胞的輸出集合其中，i0取值為1到t
0-t0+1；s22：將lstm網(wǎng)絡(luò)每個(gè)細(xì)胞的輸出集合h放入注意機(jī)制，得到合理注意系數(shù)α；所述注意機(jī)制計(jì)算公式為：m＝tanh(hwu)；a＝softmax(m)；其中，d是產(chǎn)生的lstm層的長度；w和u為學(xué)習(xí)參數(shù)；和和a＝t0；tanh表示是激活函數(shù)；softmax為歸一化函數(shù)；s23：計(jì)算注意層的輸出r，計(jì)算公式為：r＝(h
t
α)
t
；其中，s24：將注意層的輸出r放進(jìn)lstm網(wǎng)絡(luò)框架的全連接層，分別得到預(yù)測的第t2時(shí)刻網(wǎng)絡(luò)流量量其中，t2的取值為t0+1到t0+1；其中，w
fc
為權(quán)重矩陣；b
fc
為偏置；s25：使用sse和方差訓(xùn)練lstm網(wǎng)絡(luò)參數(shù)j：s25：使用sse和方差訓(xùn)練lstm網(wǎng)絡(luò)參數(shù)j：為網(wǎng)絡(luò)流量真實(shí)值。
技術(shù)總結(jié)
本發(fā)明屬于網(wǎng)絡(luò)通信技術(shù)領(lǐng)域，具體涉及一種基于流量感知的網(wǎng)絡(luò)切片配置方法，具體步驟：基于壓縮感知的端到端網(wǎng)絡(luò)流量重構(gòu)方法對網(wǎng)絡(luò)流量進(jìn)行重構(gòu)，得到重構(gòu)網(wǎng)絡(luò)流量A；獲取歷史網(wǎng)絡(luò)數(shù)據(jù)中的網(wǎng)絡(luò)流量B，進(jìn)行LSTM預(yù)測網(wǎng)絡(luò)訓(xùn)練，將重構(gòu)網(wǎng)絡(luò)流量A代入LSTM預(yù)測網(wǎng)絡(luò)，對重構(gòu)網(wǎng)絡(luò)流量A進(jìn)行流量負(fù)載預(yù)測，得到每個(gè)網(wǎng)元預(yù)測負(fù)載值；結(jié)合FV技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)切片資源智能分配：比較當(dāng)前系統(tǒng)中每個(gè)服務(wù)器的負(fù)載閾值和所有網(wǎng)元預(yù)測負(fù)載值，對每個(gè)網(wǎng)元預(yù)測負(fù)載值進(jìn)行資源分配。有益效果：適應(yīng)性廣，費(fèi)用低，進(jìn)行合理分配和規(guī)劃，合理利用、分配系統(tǒng)資源，加快系統(tǒng)網(wǎng)絡(luò)運(yùn)行速度和處理效率。快系統(tǒng)網(wǎng)絡(luò)運(yùn)行速度和處理效率。快系統(tǒng)網(wǎng)絡(luò)運(yùn)行速度和處理效率。
