对量子通信网络中多网元数据进行预测的方法及系统

摘要

本发明的实施例提供了一种对量子通信网络中多网元数据进行预测的方法及系统、对该预测方法进行可靠性评估预测的方法、以及评估该可靠性评估预测方法的方法。其中，对量子通信网络中多网元数据进行预测的方法，包括：获取量子通信网络中的多网元数据；对多网元数据进行数据预处理；以及利用LSTM‑DBN网络模型对预处理后的多网元数据进行预测，获得下一时刻多网元数据的预测值，其中，LSTM‑DBN网络模型包括LSTM模型和DBN模型，下一时刻多网元数据的预测值包括下一时刻所述量子通信的网络状态和下一时刻的多网元数据。通过本发明中的方法，能够充分利用LSTM模型和DBN模型的特征，并且在保障网络模型的可靠性的同时提高预测精确度。

权利要求

1.一种对量子通信网络中多网元数据进行预测的方法，包括：

获取量子通信网络中的多网元数据；

对所述多网元数据进行数据预处理；以及

利用LSTM‑DBN网络模型对预处理后的所述多网元数据进行预测，获得下一时刻多网元数据的预测值，其中，所述LSTM‑DBN网络模型包括LSTM模型和DBN模型，所述下一时刻多网元数据的预测值包括下一时刻所述量子通信的网络状态和下一时刻的多网元数据；

所述对所述多网元数据进行数据预处理包括：对所述多网元数据进行归一化处理和一致化处理，数据归一化处理的目的是将原始网元数据限定在[0，1]范围内，通过公式(1)进行归一化处理：其中，xi,j(t)为量子通信网络中第i个子系统中第j个网元在t时刻的原始监测数据，min(xi,j)和max(xi,j)分别表示第i个子系统中第j个网元在所有时刻中的最小值和最大值，x′i,j(t)为对第i个子系统中第j个网元在t时刻的原始监测数据经过归一化后的值；

通过公式(2)对归一化后的网元数据进行一致化处理：

其中，x′i,j(t)为对第i个子系统中第j个网元在t时刻的原始监测数据经过归一化后的值， 为对x′i,j(t)进行一致化处理后的值；

所述利用LSTM‑DBN网络模型对预处理后的所述多网元数据进行预测，获得下一时刻多网元数据的预测值包括：将预处理后的所述多网元数据输入训练好的所述LSTM模型，获得LSTM模型预测的下一时刻的网元数据；以及将所述LSTM模型预测的下一时刻的网元数据整合，输入训练好的所述DBN模型，获得下一时刻所述量子通信网络的网络状态和下一时刻的多网元数据。

2.根据权利要求1所述的方法，其中，所述LSTM‑DBN网络模型通过以下方式训练获得:获取量子通信网络多网元数据的训练集；以及

利用所述多网元数据训练集分别训练LSTM模型和DBN模型，获得训练好的所述LSTM‑DBN网络模型。

3.根据权利要求1所述的方法，还包括，

对所述LSTM‑DBN网络模型进行可靠性评估预测；以及

基于可靠性评估预测值优化所述LSTM‑DBN网络模型。

4.一种对权利要求1‑3中任一所述LSTM‑DBN网络模型进行可靠性评估预测的方法，包括：基于所述LSTM‑DBN网络模型获得下一时刻量子通信网络中多网元数据的预测值；

基于所述多网元数据的预测值，获得所述LSTM‑DBN网络模型的预测曲线；以及基于所述预测曲线首次达到预设的标准阈值的周期数，对所述LSTM‑DBN网络模型进行可靠性评估预测，获得可靠性评估预测值。

5.一种对权利要求4所述的可靠性评估预测方法进行评估的方法，包括：使用评分函数评估所述可靠性评估预测方法，所述评分函数为：

其中，hi＝RAPi′‑RAPi，RAPi′为对量子通信网络中第i个子系统的网元数据的标签的可靠性评估预测值，RAPi为量子通信网络中第i个子系统的网元数据的标签的可靠性评估真实值，N为量子通信网络中子系统的个数，系数b＜a；Score为评分函数值。

6.根据权利要求5所述的方法，还包括：使用均方根误差评估所述可靠性评估预测值，所述均方根误差为：其中，hi＝RAPi′‑RAPi，RAPi′为对量子通信网络中第i个子系统的网元数据的标签的可靠性评估预测值，RAPi为量子通信网络中第i个子系统的网元数据的标签的可靠性评估真实值，N为量子通信网络中子系统的个数，RMSE为均方根误差。

7.一种对量子通信网络中多网元数据进行预测的系统，包括：

接收模块，用于获取量子通信网络中多网元数据；

预处理模块，用于对所述多网元数据进行数据预处理；

预测模块，用于利用LSTM‑DBN网络模型对预处理后的所述多网元数据进行预测，获得下一时刻多网元数据的预测值，其中，所述LSTM‑DBN网络模型包括LSTM模型和DBN模型，所述下一时刻多网元数据的预测值包括下一时刻所述量子通信的网络状态和下一时刻的多网元数据；

训练模块，用于利用多网元数据训练集分别训练LSTM模型和DBN模型，以获得训练好的所述LSTM‑DBN网络模型；以及评估模块，用于对所述LSTM‑DBN网络模型进行可靠性评估预测；

所述对所述多网元数据进行数据预处理包括：对所述多网元数据进行归一化处理和一致化处理，数据归一化处理的目的是将原始网元数据限定在[0，1]范围内，通过公式(1)进行归一化处理：其中，xi,j(t)为量子通信网络中第i个子系统中第j个网元在t时刻的原始监测数据，min(xi,j)和max(xi,j)分别表示第i个子系统中第j个网元在所有时刻中的最小值和最大值，x′i,j(t)为对第i个子系统中第j个网元在t时刻的原始监测数据经过归一化后的值；

通过公式(2)对归一化后的网元数据进行一致化处理：

其中，x′i,j(t)为对第i个子系统中第j个网元在t时刻的原始监测数据经过归一化后的值， 为对x′i,j(t)进行一致化处理后的值；

所述利用LSTM‑DBN网络模型对预处理后的所述多网元数据进行预测，获得下一时刻多网元数据的预测值包括：将预处理后的所述多网元数据输入训练好的所述LSTM模型，获得LSTM模型预测的下一时刻的网元数据；以及将所述LSTM模型预测的下一时刻的网元数据整合，输入训练好的所述DBN模型，获得下一时刻所述量子通信网络的网络状态和下一时刻的多网元数据。

8.一种存储介质，其中存储有计算机程序，在所述计算机程序被处理器执行时，能够用于实现权利要求1‑6中任一项所述的方法。

9.一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，在所述计算机程序被处理器执行时，能够用于实现权利要求1‑6中任一项所述的方法。

说明书

对量子通信网络中多网元数据进行预测的方法及系统

技术领域

[0001] 本发明涉及量子通信网络技术领域，尤其涉及一种对量子通信网络中多网元数据进行预测的方法及系统。

背景技术

[0002] 量子通信网络是一种采用量子通信系统的网络。如图1所示，量子通信网络由众多子系统组成，例如量子网络子系统、传输网络子系统、经典网络子系统、机房环境子系统以及安全网络子系统等。每个子系统又包含分离的多个节点，例如，量子网络子系统中包含OKD网元、OKM网元、S600网元等；传输网络子系统中包含传输设备、光缆线路等等。量子信息就存储在这些节点的检测数据(即网元数据)中。

[0003] 由于量子通信网络中的网元数据具有时间依赖性、高维复杂性，且不同网元的数据特性不同，因此传统的机器学习方法不能很好适用于量子通信网络。例如人工神经网络ANN、SVM、PCA等，对数据的特征提取能力较为欠缺；RNN虽然理论上可以表示长时间步长状态之间的依赖关系，但是由于梯度爆炸或梯度弥散现象的存在，导致RNN在实际应用中“记忆能力”受限，往往只能学习到短时间步长的依赖关系；HMM仅限于离散的隐藏状态，并且与RNN相似也有长期依赖的问题。

[0004] 因此，亟需一种更加稳定、可靠的对量子通信网络中多网元数据进行预测的方法和系统。

发明内容

[0005] 因此，本发明实施例的目的在于克服上述相关技术的缺陷，提供一种对量子通信网络中多网元数据进行预测的方法及系统，能够在保障可靠性的前提下提高预测的精度。

[0006] 上述目的是通过以下技术方案实现的：

[0007] 根据本发明实施例的第一方面，提供了一种对量子通信网络中多网元数据进行预测的方法，包括：获取量子通信网络中的多网元数据；对所述多网元数据进行数据预处理；以及利用LSTM‑DBN网络模型对预处理后的所述多网元数据进行预测，获得下一时刻多网元数据的预测值，其中，所述LSTM‑DBN网络模型包括LSTM模型和DBN模型，所述下一时刻多网元数据的预测值包括下一时刻所述量子通信的网络状态和下一时刻的多网元数据。

[0008] 可选地，其中，所述对所述多网元数据进行数据预处理包括：对所述多网元数据进行归一化处理和一致化处理。

[0009] 可选地，其中，所述LSTM‑DBN网络模型通过以下方式训练获得:获取量子通信网络多网元数据的训练集；以及利用所述多网元数据训练集分别训练LSTM模型和DBN模型，获得训练好的所述LSTM‑DBN网络模型。

[0010] 可选地，其中，所述利用LSTM‑DBN网络模型对预处理后的所述多网元数据进行预测，获得下一时刻多网元数据的预测值包括：将预处理后的所述多网元数据输入训练好的所述LSTM模型，获得LSTM模型预测的下一时刻的网元数据；以及将所述LSTM模型预测的下一时刻的网元数据整合，输入训练好的所述DBN模型，获得下一时刻所述量子通信网络的网络状态和下一时刻的多网元数据。

[0011] 可选地，上述方法还包括：对所述LSTM‑DBN网络模型进行可靠性评估预测；以及基于所述可靠性评估预测值优化所述LSTM‑DBN网络模型。

[0012] 本发明的另一方面，提供了一种对上述LSTM‑DBN网络模型进行可靠性评估预测的方法，包括：基于所述LSTM‑DBN网络模型获得下一时刻量子通信网络中多网元数据的预测值；基于所述多网元数据的预测值，获得所述LSTM‑DBN网络模型的预测曲线；以及基于所述预测曲线首次达到预设的标准阈值的周期数，对所述LSTM‑DBN网络模型进行可靠性评估预测，获得可靠性评估预测值。

[0013] 本发明的第三方面，提供了一种对上述可靠性评估预测方法进行评估的方法，包括：使用评分函数评估所述可靠性评估预测方法，所述评分函数为：

[0014]

[0015] 其中，hi＝RAPi′‑RAPi，RAPi′为对量子通信网络中第i个子系统的网元数据的标签的可靠性评估预测值，RAPi为量子通信网络中第i个子系统的网元数据的标签的可靠性评估真实值，N为量子通信网络中子系统的个数，系数b＜a；Score为评分函数值。

[0016] 可选地，上述方法还包括：使用均方根误差评估所述可靠性评估预测值，所述均方根误差为：

[0017]

[0018] 其中，hi＝RAPi′‑RAPi，RAPi′为对量子通信网络中第i个子系统的网元数据的标签的可靠性评估预测值，RAPi为量子通信网络中第i个子系统的网元数据的标签的可靠性评估真实值，N为量子通信网络中子系统的个数，RMSE为均方根误差。

[0019] 根据本发明实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被执行时实现如上述任一方法。

[0020] 根据本发明实施例的第五方面，提供了一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，在所述计算机程序被处理器执行时，实现如上述任一方法。

[0021] 本发明实施例的技术方案可以包括以下有益效果：

[0022] 一方面，针对量子网络中多网元数据的时间依赖性和数据高维复杂等特征，利用LSTM网络和DBN模型分别在序列学习和复杂数据特征提取方面的优势，通过LSTM‑DBN网络模型准确预测下一时刻的网元数据以及量子通信网络的网络状态；另一方面，通过可靠性评估预测确保LSTM‑DBN网络模型的稳定性和可靠性，以实现在保障可靠性的前提下提高模型预测的精度。

[0023] 应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

[0024] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

[0025] 图1示出了根据本发明一个实施例的量子通信网络中的系统结构示意图；

[0026] 图2示出了根据本发明一个实施例的对量子通信网络中多网元数据进行预测的方法的流程图；

[0027] 图3示出了根据本发明一个实施例的对LSTM‑DBN网络模型进行可靠性评估预测的方法的流程图；

[0028] 图4示出了根据本发明一个实施例的对量子通信网络中多网元数据进行预测的系统的结构图。

具体实施方式

[0029] 为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动下获得的所有其他实施例，都属于本发明保护的范围。

[0030] 此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

[0031] 附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

[0032] 附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

[0033] 长短时记忆网络(Long short‑term memory,LSTM)是一种特殊的循环神经网络(Recurrent Neural Network，RNN)。除了包括标准的循环层，LSTM网络还引入了门限机制，即“记忆”控制门，以控制信息的累积速度。LSTM网络标准模块分为两部分，即长期状态(ct)和短期状态(ht)，同时沿着状态路径添加3个控制门：输入门、遗忘门、输出门，对信息进行调节。LSTM网络通过门控状态来控制传输状态，记住需要长时间记忆的，而忘记不重要的信息。因此，相对于普通的RNN网络，LSTM网络在更长的序列中有更好的表现，能够避免长序列训练过程中的梯度消失和梯度爆炸问题。

[0034] 深度置信网络(Deep Belief Network，DBN)是一种基于受限玻尔兹曼机(RBM)的半监督学习方法。DBN网络整体结构为深度前馈神经网络，包括输入层、多个RBM层、输出层，模型设计分为预训练和反向微调两个阶段。DBN网络是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布。通过训练其神经元间的权重，可以让整个神经网络按照最大概率来生成训练数据。因此，DBN网络通过深层网络能够建立从原始数据到低维抽象特征的良好映射关系。

[0035] 基于上述研究，本发明的一个实施例提供了一种对量子通信网络中多网元数据进行预测的方法，该方法利用LSTM‑DBN网络模型对预处理后的多网元数据进行预测，获得下一时刻多网元数据的预测值，其中，LSTM‑DBN网络模型包括LSTM模型和DBN模型，下一时刻多网元数据的预测值包括下一时刻量子通信的网络状态和下一时刻的多网元数据。

[0036] 图2示出了根据本发明的一个实施例的对量子通信网络中多网元数据进行预测的方法的流程图。如图2所示，该方法包括以下步骤：

[0037] S210，获取量子通信网络中多网元数据。

[0038] 如上文所述，量子通信网络由例如量子网络子系统、传输网络子系统、经典网络子系统、机房环境子系统以及安全网络子系统等众多子系统组成。每个子系统又包含分离的多个节点，例如，量子网络子系统中包含OKD网元、OKM网元、S600网元等；传输网络子系统中包含传输设备、光缆线路等等。获取量子通信网络中一个或多个子系统的网元数据，以进行预测，获得其标签。

[0039] 下文中将以量子网络子系统中的OKD网元、OKM网元和S600网元数据为示例网元数据，介绍本发明对网元数据进行预测的方法和系统，但本领域内技术人员应当明白，本发明提供的方法和系统同样适用于量子通信网络中的其他子系统的网元数据。

[0040] S220，对多网元数据进行数据预处理。

[0041] 由于量子通信网络中直接获取的原始网元数据可能存在重复、不完整、含噪声、并一致等问题，可以对获得的网元数据先进行去重、补齐、除噪、对齐等数据预处理操作。

[0042] 在一个实施例中，由于量子通信网络各子系统的监测数据表示不同的特性，即量纲和数量级不同，且监测数据又分为网络类指标和业务类指标两类，为了消除数据不规范对预测效果的影响，提高预测精度及标签的可解释性和单调性，还可以对原始网元数据进行归一化和一致化处理。

[0043] 数据归一化处理的目的是将原始网元数据限定在[0，1]范围内。在一个实施例中，可以通过公式(1)进行归一化处理：

[0044]

[0045] 其中，xi，j(t)为量子通信网络中第i个子系统中第j个网元在t时刻的原始监测数据，min(xi，j)和max(xi，j)分别表示第i个子系统中第j个网元在所有时刻中的最小值和最大值，xi，j(t)为对第i个子系统中第j个网元在t时刻的原始监测数据经过归一化后的值。

[0046] 在一个实施例中，可以通过公式(2)对归一化后的网元数据进行一致化处理：

[0047]

[0048] 其中，xi，j(t)为对第i个子系统中第j个网元在t时刻的原始监测数据经过归一化后的值， 为对xi，j(t)进行一致化处理后的值。

[0049] 在一个实施例中，还可以以固定的时长为单位，在同一时间段内分别连续截取归一化和一致化处理后的的OKD网元数据、OKM网元数据和S600网元数据，得到若干组具有时间连续性的多网元数据，用于进行模型预测。

[0050] S230，将预处理后的多网元数据先输入训练好的LSTM模型，获得下一时刻的网元数据。

[0051] LSTM‑DBN网络模型包括LSTM模型和DBN模型。在一个实施例中，可以先构建网络模型的训练集，使用训练集对两个模型进行分别训练，通过调整超参数使输出误差最小化，以获得训练好的LSTM模型和DBN模型。

[0052] 在LSTM模型训练中，训练集中的数据是若干组具有时间连续性的带标签的网元数据。在一个实施例中，可以按照一定周期长度截取一组连续时间的网元数据序列，然后依次向后滑动一个周期直到结束，得到关于同一网元的不同周期的连续时间网元数据序列。以某一周期内的网元数据序列为输入，以下一周期内的网元数据序列为输出，训练LSTM模型，最后利用BPTT算法调整模型参数，得到训练好的LSTM模型。在LSTM模型内部，训练集中的网元数据先分别输入LSTM模型的输入层单元中，经处理后导入全连接层，使其时域维度降低到与训练集中的数据标签一致。

[0053] 在DBN模型训练中，可以通过将多网元数据融合来设置训练集中的数据标签。相较于单一网元数据，多网元数据融合能更加全面地表征量子通信网络的运行状态，同时也有助于在训练DBN模型的过程中通过反向微调调整模型参数，进而提高模型的精确度。因此，在一个实施例中，可以通过公式(3)设置DBN模型训练集中的数据标签：

[0054]

[0055] 其中， 为量子通信网络中第i个子系统中第j个网元在t时刻的原始监测数据经预处理后的值，ωj为第j个网元数据的融合系数，表示该网元数据在数据标签中所占比重，M为子系统的个数。

[0056] 在一个实施例中，为了防止过拟合，提高模型的泛化性能，在两个阶段的训练过程中引入正则化，例如Dropout正则化或者L2/L1正则化。

[0057] 利用训练好的LSTM模型对上述预处理后的量子通信网络中不同网元数据进行预测，即可得到下一时刻的网元数据。

[0058] S240，将下一时刻的网元数据整合，输入训练好的DBN模型，获得下一时刻量子通信网络的网络状态和下一时刻的多网元数据。

[0059] 将经LSTM模型的预测结果整合输入到训练好的DBN网络模型中进行特征提取和预测，即可获得下一有效时间段内的量子通信网络状态和与网元数据。

[0060] 上述实施例针对量子网络中多网元数据的时间依赖性和数据高维复杂等特征，利用LSTM网络和DBN模型分别在序列学习和复杂数据特征提取方面的优势，通过LSTM‑DBN网络模型能够准确预测下一时刻的网元数据以及量子通信网络的网络状态。

[0061] 为了确保上述LSTM‑DBN网络模型的稳定性和可靠性，在本发明的一个实施例中，还对上述LSTM‑DBN网络模型进行可靠性评估预测(Reliability Assessment Prediction，RAP)，并基于该RAP值优化该LSTM‑DBN网络模型。

[0062] 图3示出了根据本发明一个实施例的对LSTM‑DBN网络模型进行可靠性评估预测的方法的流程图，该方法包括以下步骤：

[0063] S310，基于LSTM‑DBN网络模型获得下一时刻量子通信网络中多网元数据的预测值。

[0064] 该步骤可以通过上述步骤S210‑S240实现，在此不再赘述。

[0065] S320，基于多网元数据的预测值，获得LSTM‑DBN网络模型的预测曲线。

[0066] 将LSTM‑DBN网络模型预测获得的预测值连接起来，即可得到预测曲线。

[0067] S330，基于预测曲线首次达到预设的标准阈值的周期数，对LSTM‑DBN网络模型进行可靠性评估预测，获得RAP值。

[0068] 在上述实施例中，通过对LSTM‑DBN网络模型的可靠性评估预测，可以依据预测结果对模型进行优化，以进一步提升模型可靠性和精确度。在一个实施例中，优化时则结合预测到的下一时刻的网元数据和量子通信网络的网络状态，选择相应的光缆优化、节点优化以及业务层级的优化，以提高网络的整体可靠性。

[0069] 为了客观、有效地评价该可靠性评估预测方法的性能，确保其泛化能力，本发明还提供了一种对上述可靠性评估预测方法进行评估的方法。

[0070] 在一个实施例中，可以使用评分函数评估上述可靠性评估预测方法。评分函数的计算公式为：

[0071]

[0072] 其中，hi＝RAPi′‑RAPi，RAPi′为对量子通信网络中第i个子系统的网元数据的标签的可靠性评估预测值，RAPi为量子通信网络中第i个子系统的网元数据的标签的可靠性评估真实值，N为量子通信网络中子系统的个数，系数b＜a；Score为评分函数值，其数值越小，则表示RAP预测效果越好。

[0073] 由于运维不及时造成灾难性后果的成本要远大于过度运维浪费资源的成本，因此上述评分函数对模型预测RAP误差进行不同的惩罚，即对于高估RAP的情况(即hi≥0)，其所受惩罚要高于低估RAP的情况(即hi＜0)，以符合量子通信网络的可靠性要求。

[0074] 但是单一依靠评分函数有时会因为异常值(比如过大或过小)的出现影响对模型整体预测性能的评价，为此，在另一个实施例中，还可以使用均方根误差(root mean square error，RMSE)来对RAP预测效果进行评估，以避免人为降低评分函数值的现象发生。均方根误差可以表示为：

[0075]

[0076] 其中，hi＝RAPi′‑RAPi，RAPi′为对量子通信网络中第i个子系统的网元数据的标签的可靠性评估预测值，RAPi为量子通信网络中第i个子系统的网元数据的标签的可靠性评估真实值，N为量子通信网络中子系统的个数，RMSE为均方根误差，其数值越小，表示RAP预测效果越好。

[0077] 图4示出了根据本发明一个实施例的对量子通信网络中多网元数据进行预测的系统的结构图。如图4所示，该系统400包括接收模块410、预处理模块420、预测模块430、训练模块440和评估模块450。尽管该框图以功能上分开的方式来描述组件，但这样的描述仅为了说明的目的。图中所示的组件可以任意地进行组合或被分为独立的软件、固件和/或硬件组件。而且，无论这样的组件是如何被组合或划分的，它们都可以在同一计算装置或多个计算装置上执行，其中多个计算装置可以是由一个或多个网络连接。

[0078] 接收模块410用于获取量子通信网络中的多网元数据。预处理模块420用于对多网元数据进行数据预处理。预测模块430用于利用LSTM‑DBN网络模型对预处理后的多网元数据进行预测，获得下一时刻多网元数据的预测值，其中，LSTM‑DBN网络模型包括LSTM模型和DBN模型，下一时刻多网元数据的预测值包括下一时刻所述量子通信的网络状态和下一时刻的多网元数据。训练模块440用于利用多网元数据训练集分别训练LSTM模型和DBN模型，以获得训练好的LSTM‑DBN网络模型。评估模块450用于对LSTM‑DBN网络模型进行可靠性评估预测。

[0079] 在本发明的又一个实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序或可执行指令，当所述计算机程序或可执行指令被执行时实现如前述实施例中所述的技术方案，其实现原理类似，此处不再赘述。在本发明的实施例中，计算机可读存储介质可以是任何能够存储数据且可以被计算装置读取的有形介质。计算机可读存储介质的实例包括硬盘驱动器、网络附加存储器(NAS)、只读存储器、随机存取存储器、CD‑ROM、CD‑R、CD‑RW、磁带以及其它光学或非光学数据存储装置。计算机可读存储介质也可以包括分布在网络耦合计算机系统上的计算机可读介质，以便可以分布式地存储和执行计算机程序或指令。

[0080] 在本发明的另一个实施例中，可以以电子设备的形式来实现本发明。该电子设备包括处理器和存储器，在存储器中存储有计算机程序，当该计算机程序被处理器执行时，能够用于实现本发明的方法。

[0081] 本说明书中针对“各个实施例”、“一些实施例”、“一个实施例”、或“实施例”等的参考指代的是结合所述实施例所描述的特定特征、结构、或性质包括在至少一个实施例中。因此，短语“在各个实施例中”、“在一些实施例中”、“在一个实施例中”、或“在实施例中”等在整个说明书中各地方的出现并非必须指代相同的实施例。此外，特定特征、结构、或性质可以在一个或多个实施例中以任何合适方式组合。因此，结合一个实施例中所示出或描述的特定特征、结构或性质可以整体地或部分地与一个或多个其他实施例的特征、结构、或性质无限制地组合，只要该组合不是非逻辑性的或不能工作。

[0082] 本说明书中“包括”和“具有”以及类似含义的术语表达，意图在于覆盖不排他的包含，例如包含了一系列步骤或单元的过程、方法、系统、产品或设备并不限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。“一”或“一个”也不排除多个的情况。另外，本申请附图中的各个元素仅仅为了示意说明，并非按比例绘制。

[0083] 虽然本发明已经通过上述实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所做出的各种改变以及变化。