[发明专利]一种虚拟网络的映射方法、映射装置及可读存储介质

权利要求书

1.一种虚拟网络的映射方法，其特征在于，所述映射方法包括：

基于待映射物理网络中每个物理网络节点的节点信息，生成每个物理网络节点的节点特征向量；

基于每个物理网络节点的节点特征向量，构建所述待映射物理网络的网络特征矩阵；

将所述网络特征矩阵输入至预先训练好的网络映射模型中，获取将所述物理网络节点映射到虚拟网络之后，所述虚拟网络中各虚拟网络节点的映射位置信息；

针对每个物理网络节点，所述节点信息包括以下信息中的至少一种：

该物理网络节点的计算资源剩余量信息；与该物理网络节点连接的相邻网络节点数量；与该物理网络节点连接的各链路带宽的带宽总量和该物理网络节点的计算资源剩余量之间的乘积；

所述映射方法通过以下方式训练所述网络映射模型：

获取多个样本物理网络、每个样本物理网络中每个样本物理网络节点的样本节点信息和每个样本物理网络的实际网络特征向量，以及与每个样本物理网络对应的样本虚拟网络和每个样本虚拟网络中每个样本虚拟网络节点在该虚拟网络中的实际位置信息；

针对每个样本物理网络，基于每个样本物理网络节点的样本节点信息，生成每个样本物理网络节点的样本节点特征向量；

基于每个样本物理网络节点的样本节点特征向量，构建每个样本物理网络的样本网络特征矩阵；

基于每个样本物理网络的样本网络特征矩阵、每个样本物理网络的实际网络特征向量以及每个样本虚拟网络中每个样本虚拟网络节点的实际位置信息，训练构建好的循环神经网络，以获得所述网络映射模型；

所述基于每个样本物理网络的样本网络特征矩阵、每个样本物理网络的实际网络特征向量以及每个样本虚拟网络中每个样本虚拟网络节点的实际位置信息，训练构建好的循环神经网络，以获得所述网络映射模型，包括：

针对每个样本物理网络，将该样本物理网络的样本网络特征矩阵输入至所述循环神经网络中的编码网络层中，确定出该样本物理网络的样本网络特征向量；

基于每个样本物理网络的样本网络特征向量和实际网络特征向量，训练所述循环神经网络中的编码网络层中的网络参数；

将该样本物理网络的实际网络特征向量输入至所述循环神经网络中的解码网络层中，确定出该样本物理网络节点映射到对应的样本虚拟网络之后，该样本虚拟网络中每个样本虚拟网络节点的样本位置信息；

基于每个样本虚拟网络中每个样本虚拟网络节点的样本位置信息和实际位置信息，训练所述循环神经网络中的解码网络层；

基于训练好的编码网络层和训练好的解码网络层，确定所述网络映射模型。

2.如权利要求1所述的映射方法，其特征在于，所述将所述网络特征矩阵输入至预先训练好的网络映射模型中，获取将所述物理网络节点映射到虚拟网络中之后，所述虚拟网络中各虚拟网络节点的位置信息，包括：

将所述网络特征矩阵输入至所述网络映射模型中的编码网络层中，确定出所述物理网络的网络特征向量；

将所述网络特征向量输入至所述网络映射模型中的解码网络层中，确定出所述物理网络节点映射到虚拟网络之后，所述虚拟网络中各虚拟网络节点的位置信息。

3.如权利要求2所述的映射方法，其特征在于，所述将所述网络特征向量输入至网络映射模型中的解码网络层中，确定出所述物理网络节点映射到虚拟网络之后，所述虚拟网络中各虚拟网络节点的位置信息，包括：

将所述网络特征向量作为所述网络映射模型中解码网络层输出的当前时刻解码输出向量，并获取与当前时刻对应的所述解码网络层输出的当前时刻中间网络参数；

依次将所述解码网络层输出的所述当前时刻解码输出向量和所述当前时刻中间网络参数再次输入至所述解码网络层中，确定与所述当前时刻的下一时刻对应的下一时刻解码输出向量和下一时刻中间网络参数；

基于确定出的每个下一时刻解码输出向量，确定将所述物理网络映射到虚拟网络时，所述虚拟网络中每个虚拟网络节点的位置信息。