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。
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：(1)将所有交换机之间的每条链路映射成一个节点，并将部署于同一台交换机的节点相互连接，构建链路负载之间的图结构；
(2)设计改进型空间门循环网络S‑GRU模型：+ +
(2a)将改进的门循环单元网络GRU、图卷积神经网络GCN、改进的门循环单元网络GRU和输出层网络依次纵向级联，组成改进型空间门循环单元；其中改进的门循环单元网络GRU+ + +，由多个级联的GRU单元组成，每一个GRU单元包括单元状态模块 和更新门zt；
所述单元状态模块 通过tanh函数对新输入信息xt和隐藏层历史信息ht‑1做非线性化处理，所述更新门zt，通过sigmod函数调整新输入信息xt和隐藏层历史信息ht‑1的权重，得到输出结果： 其中：zt＝σ(Wxzxt+Whzht‑1+bz)式中，σ表示sigmod函数，Wxz、Whz分别表示更新门zt的新输入信息xt和隐藏层历史信息ht‑1的权重参数，Wxh、Whh分别表示单元状态 新输入信息xt和隐藏层历史信息ht‑1的权重参数，bz、bh分别表示更新门zt和单元状态 的偏置参数；
(2b)将多个改进型空间门循环单元中的GRU横向级联，构成改进型空间门循环网络S‑+GRU模型；
(3)构建S‑GRU网络模型的数据集：(3a)每隔固定的时间间隔，通过软件定义网络SDN控制器向所有交换机发送“端口统计量请求消息”指令，获取和存储交换机之间所有链路负载信息xt，并将其作为节点的链路负载特征值：其中， 表示在时间t第i个节点的链路负载特征值，N表示节点数量，T表示矩阵转置；
(3b)用获取τ个时间间隔的交换机之间所有链路负载信息xt构成数据集：T
其中，xt∈R表示所有节点在时间t时刻的链路负载特征值；
(3c)将数据集X按照4：1的比例划分为训练集X1和测试集X2；
(4)根据每条链路空间位置信息，构建链路之间关联关系的邻接矩阵A：(4a)定义链路的图结构为无向图G＝(V，E)，其中V是节点集，E是两个节点之的边集；
(4b)根据链路的无向图，构建N个节点空间位置关系的N*N维邻接矩阵A：其中，aij为图结构上任意两个节点i和j的相互连接情况，若aij等于1则表示节点i与节点j相连，否则，为0表示两节点之间无连接，i,j∈[1,N]；
(5)将训练集X1和邻接矩阵A输入S‑GRU网络模型，通过反向传播算法对其进行训练，得+到训练好的S‑GRU网络模型；
(6)将测试集X2和邻接矩阵A输入到训练完成的S‑GRU网络模型，输出结果即为预测的每条链路负载。
2.根据权利要求1所述的方法，其中(2)中的图卷积神经网络GCN，由输入层、图卷积层和输出层构成：该输入层用于输入图结构的节点特征X和邻接矩阵A；
该图卷积层用于对图结构的节点特征X和邻接矩阵A进行图卷积运算，得到空间特征信息： 式中， I表示单位矩阵， 表示 的度矩阵，W表示权重参数，Relu表示激活函数；
3.根据权利要求1所述的方法，其中(5)中利用反向传播算法训练S‑GRU网络模型，实现如下：+
(5a)将训练集X1和邻接矩阵A输入到S‑GRU网络模型，得到模型输出值+
(5b)计算S‑GRU网络模型输出值 与实际值xt+1的偏差+
其中，xt‑τ表示t‑τ时刻的所有节点负载特征值，Wθ表示S‑GRU网络模型的权重；
(5c)将偏差 与链路负载资源路由调度给定的精度ε进行比较：+
如果偏差 满足精度ε，停止训练，S‑GRU网络模型训练结束；
如果偏差 不满足精度ε，则计算偏差 对于Wθ的偏导 更新权重为： 返回(5b)，直至偏差达到精度ε或者模型达到收敛，其中，Wθ′表示更新后的权重参数。
基于时空特征的交换机链路资源预测方法
技术领域
[0001] 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
[0002] 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。
[0003] 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。
[0004] 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。
[0005] 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。
[0006] VINAYAKUMAR等人发表在2017年计算进展国际会议上的文章《Applying deep learning 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。
[0007] 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
[0008] 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。
[0009] 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。
[0010] 根据上述思路，本发明的实现方案如下：
[0011] 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：
[0012] (1)将所有交换机之间的每条链路映射成一个节点，并将部署于同一台交换机的节点相互连接，构建链路负载之间的图结构；
[0013] (2)设计改进型空间门循环网络S‑GRU+模型：
[0014] (2a)将改进的门循环单元网络GRU+、图卷积神经网络GCN、改进的门循环单元网络+GRU和输出层网络依次纵向级联，组成改进型空间门循环单元；
[0015] (2b)将多个改进型空间门循环单元中的GRU+横向级联，构成改进型空间门循环网+络S‑GRU模型；
[0016] (3)构建S‑GRU+网络模型的数据集：
[0017] (3a)每隔固定的时间间隔，通过软件定义网络SDN控制器向所有交换机发送“端口统计量请求消息”指令，获取和存储交换机之间所有链路负载信息xt，并将其作为节点的链路负载特征值：
[0018]
[0019] 其中， 表示在时间t第i个节点的链路负载特征值，N表示节点数量，T表示矩阵转置；
[0020] (3b)用获取τ个时间间隔的交换机之间所有链路负载信息xt构成数据集：
[0021] X＝(x1，x2,…,xt,…,xτ)T，
[0022] 其中，xt∈RN表示所有节点在时间t时刻的链路负载特征值；
[0023] (3c)将数据集X按照4：1的比例划分为训练集Xz和测试集X2；
[0024] (4)根据每条链路空间位置信息，构建链路之间关联关系的邻接矩阵A：
[0025] (4a)定义链路的图结构为无向图G＝(V，E)，其中V是节点集，E是两个节点之的边集；
[0026] (4b)根据链路的无向图，构建N个节点空间位置关系的N*N维邻接矩阵A：
[0027]
[0028] 其中，aij为图结构上任意两个节点i和j的相互连接情况，若aij等于1则表示节点i与节点j相连，否则，为0表示两节点之间无连接，i,j∈[1,N]；
[0029] (5)将训练集X1和邻接矩阵A输入S‑GRU+网络模型，通过反向传播算法对其进行训+练，得到训练好的S‑GRU网络模型；
[0030] (6)将测试集X2和邻接矩阵A输入到训练完成的S‑GRU+网络模型，输出结果即为预测的每条链路负载。
[0031] 本发明与现有技术相比，具有如下优点：
[0032] 第一，本发明根据交通车流预测和数据中心网络链路场景的相似性，将广泛应用于交通车流预测的GCN模型，用于提取链路负载的空间特征，并利用GRU的时间特征提取能力，来提取链路负载的时间特征，联合考虑链路负载信息的时空特征，可在链路发生拥塞之前准确地预测出数据中心网络链路负载信息，及时实现路由调度和资源分配，避免了链路拥塞，提高了网络能效比。
[0033] 第二，本发明针对数据中心网络的复杂时空特性，构建了S‑GRU+的时空特征网络+模型，即首先利用改进的GRU 提取链路负载的时间特征，再将提取的时间特征和邻接矩阵输入到GCN网络，实现了从时间特征到空间特征的空间状态快速传播。同时由于删除了GRU的重置门，利用更新门综合考虑新输入的信息和隐藏层历史信息，减少了网络训练参数，加快了网络模型的收敛速度，降低了网络模型的训练时间。
附图说明
[0034] 图1是本发明的实现流程图；
[0035] 图2是本发明中的交换机链路映射图；
[0036] 图3是本发明中构建的S‑GRU+网络模型图；
[0037] 图4是图3中每个改进型空间门循环单元的结构图。
具体实施方式
[0038] 以下结合附图和具体实施例，对本发明作进一步详细描述。
[0039] 参照图1，本发明的实现步骤如下：
[0040] 步骤1，构建链路负载之间的图结构。
[0041] 数据中心网络由核心层交换机、汇聚层交换机、边缘交换机及其之间的链路组成，在数据中心网络中，数据通过交换机之间的链路进行传输，
[0042] 参照图2，本步骤具体实现如下：
[0043] 将所有交换机之间的每条链路映射成一个节点，并将部署于同一台交换机的节点相互连接，构建链路负载之间的图结构；
[0044] 本实施例中，共有五台交换机，分别为A，B，C，D，E，交换机之间共有五条链路，分别为l1、l2、l3、l4、l5，如图2(a)所示。
[0045] 步骤2，设计改进型空间门循环网络S‑GRU+模型。
[0046] (2.1)删除原有门循环单元网络GRU中的重置门，利用更新门综合考虑新输入的信息和隐藏层历史信息，以避免原有门循环单元网络GRU中重置门对隐藏层历史信息进行过+滤，无法充分利用隐藏层的历史信息，形成改进的门循环单元网络GRU；
[0047] (2.2)将改进的门循环单元网络GRU+、图卷积神经网络GCN、改进的门循环单元网+络GRU依次纵向级联组成的改进型空间门循环单元网络，如图4，其中：
+
[0048] 所述改进的门循环单元网络GRU单元，包括单元状态模块 和更新门zt，
[0049] 该单元状态模块 通过tanh函数对新输入信息xt和隐藏层历史信息ht‑1做非线性化处理，即
[0050] 该更新门zt，通过sigmod函数调整新输入信息xt和隐藏层历史信息ht‑1的权重，得到输出结果： 其中，zt＝σ(Wxzxt+Whzht‑1+bz)，式中，σ表示sigmod函数，Wxz、Whz分别表示更新门zt的新
输入信息xt和隐藏层历史信息ht‑1的权重参数，Wxh、Whh分别表示单元状态 新输入信息xt和隐藏层历史信息ht‑1的权重参数，bz、bh分别表示更新门zt和单元状态 的偏置参数；
[0051] 所述GCN单元通过对上一层GRU+单元输出的节点特征ht和邻接矩阵A进行图卷积运+算，得到空间特征信息： 并将空间特征信息y输入给下一层GRU 单
+
元，作为下一层GRU单元的输入，式中， I表示单位矩阵，表示 的度矩阵，W表
示权重参数，Relu表示激活函数；
[0052] (2.3)将多个改进型空间门循环单元网络中的GRU+横向级联，构成改进型空间门+循环网络S‑GRU模型；
[0053] 本实施例中，改进型空间门循环单元网络的个数设置为5，5个改进型空间门循环+ +单元网络GRU之间横向级联，构成改进型空间门循环网络S‑GRU模型，如图3所示。
[0054] 步骤3，构建S‑GRU+网络模型的数据集。
[0055] (3.1)每隔固定的时间间隔，通过软件定义网络SDN控制器向所有交换机发送“端口统计量请求消息”指令，获取和存储交换机之间所有链路负载信息xt，并将其作为节点的链路负载特征值：
[0056]
[0057] 其中， 表示在时间t第i个节点的链路负载特征值，N表示节点数量，T表示矩阵转置；
[0058] (3.2)用获取τ个时间间隔的交换机之间所有链路负载信息xt构成数据集：
[0059] X＝(x1，x2,…,xt,…,xτ)T，
[0060] 其中，xt∈RN表示所有节点在时间t时刻的链路负载特征值；
[0061] (3.3)将数据集X按照4：1的比例划分为训练集X1和测试集X2。
[0062] 步骤4，根据每条链路空间位置信息，构建链路之间关联关系的邻接矩阵A。
[0063] (4.1)定义链路的图结构为无向图G＝(V，E)，其中V是节点集，E是两个节点之的边集；
[0064] 本实施例中，将图2(a)中五条链路l1、l2、l3、l4、l5映射为图2(b)中五个顶点v1、v2、v3、v4、v5。其中，链路l1、l2连接在交换机A上，映射到图2(b)中的节点v1、v2相互连接；链路l1、l3连接在交换机C上，映射到图2(b)中节点v1、vl相互连接；链路l2、l4连接在交换机D上，映射到图2(b)中节点v2、v4相互连接；链路l3、l4连接在交换机A上，映射到图2(b)中节点v3、v4相互连接；链路l3、l5连接在交换机A上，映射到图2(b)中节点v3、v5相互连接；链路l4、l5连接在交换机A上，映射到图2(b)中节点v4、v5相互连接；
[0065] (4.2)根据链路的无向图G，构建N个节点空间位置关系的N*N维邻接矩阵A：
[0066]
[0067] 其中，aij为图结构上任意两个节点i和j的相互连接情况，若aij等于1则表示节点i与节点j相连，否则，为0表示两节点之间无连接，i，j∈[1，N]；
[0068] 参照图2(b)，本实施例中，节点v1、v2相互连接，则a12＝1，a21＝1；节点v1、v3相互连接，则a13＝1，a31＝1；节点v2、v4相互连接，则a24＝1，a42＝1；节点v3、v4相互连接，则a34＝1，a43＝1；节点v3、v5相互连接，则a35＝1，a53＝1；节点v4、v5相互连接，则a45＝1，a54＝1；其余元素都为0，得到的邻接矩阵A如下：
[0069]
[0070] 步骤5，将训练集X1和邻接矩阵A输入到S‑GRU+网络模型，通过反向传播算法对其进+行训练，得到训练好的S‑GRU网络模型。
[0071] (5.1)将训练集X1作为输入，输入到第一个改进的门循环GRU+网络层提取时间特l+1征，得到输出H ；
[0072] (5.2)将第一层网络输出Hl+1和邻接矩阵A输入GCN网络层提取出空间特征，得到输i+2出H ；
[0073] (5.3)将第二层网络输出Hi+2作为输入，输入到第二个改进的门循环GRU+网络层提l+3取空间特征，得到输出H ；
[0074] (5.4)将第三层网络输出Hl+3作为输入，输入到输出层，得到S‑GRU+网络模型输出值
[0075] (5.5)计算S‑GRU+网络模型输出值 与实际值xt+1的偏差
[0076]
[0077] 其中，xt‑τ表示t‑τ时刻的所有节点负载特征值，Wθ表示S‑GRU+网络模型的权重；
[0078] (5.6)将偏差 与链路负载资源路由调度给定的精度ε进行比较：
[0079] 如果偏差 满足精度ε，停止训练，得到训练好的S‑GRU+网络模型；
[0080] 如果偏差 不满足精度ε，则计算偏差 对于Wθ的偏导 更新权重： 返回(5.5)，直至偏差达到精度ε或者模型达到收敛，其中，Wθ′表示
更新后的权重参数。
[0081] 步骤6，将测试集X2和邻接矩阵A输入到训练好的S‑GRU+网络模型，输出结果即为预测的每条链路负载。
[0082] 以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
