[发明专利]一种基于图神经网络的SDN时延感知方法

权利要求书

1.一种基于图神经网络的SDN时延感知方法，其特征在于，包括如下步骤：

步骤1：根据SDN网络用户业务流大小、网络资源、网络拓扑环境特征信息进行网络序列建模，所述网络资源包括可用带宽资源，通过TensorFlow框架中的TFRecord格式存储和读取样本数据；

步骤2：构建图神经网络模型，所述图神经网络模型是一种由门控循环单元(GRU)、自编码器、多层感知机构所构成的三级级联神经网络模型；

所述图神经网络模型具体级联结构如下：

第一层即消息传递阶段，通过GRU神经网络对SDN网络中链路和路径进行状态感知，即时延感知，此层以SDN网络中环境特征信息特征向量为输入，然后经由隐藏层中的GRU神经单元抓取链路、路径以及网络路由拓扑之间的依赖关系，再对网络中的路径和链路的时延信息进行计算与更新；

第二层自编码器对GRU神经单元所获得的输出进行重构和提取抽象特征，该层是一种无监督学习过程，无需知道数据的标签即可完成训练，即该层可以在无监督的条件下完成对输入数据的特征提取和重构；

第三层采用多层感知机的隐藏结构读取时延信息，得到最终结果；

步骤3：使用步骤1的样本数据对图神经网络模型进行训练，得到训练好的图神经网络模型；

步骤4：通过SDN控制组件将实时采集的网络数据输入到步骤2训练完成后的图神经网络模型中，输出为链路和路径的网络延迟估计值，在图神经网络模型中对数据进行时延感知的过程具体如下：

所述图神经网络模型包括消息阶段和读出阶段，消息阶段包含转换和输出两个处理过程，经由消息阶段后，读出阶段负责对状态聚合输出预测值，即网络延迟估计值，具体公式如下述：

其中M_t为转换函数，为转换后的更新函数，U_t为输出函数，Re为读出函数，n，u为节点，t为时间，为节点n，u的状态，ne[n]为节点n的邻接节点，e(n,u)为n,u的边，G代表计算网络全图的特征向量，为读出的网络时延预测值。

2.根据权利要求1所述的一种基于图神经网络的SDN时延感知方法，其特征在于，所述样本数据采用KDN(Knowledge Defined Networking)网络建模开源数据集。

3.根据权利要求1所述的一种基于图神经网络的SDN时延感知方法，其特征在于，所述网络序列建模具体如下：

(1)对于一个连接关系矩阵为C、路由配置矩阵为RC、可用带宽资源矩阵为B以及负载矩阵T的SDN网络，其链路集合表示为C={c_i,j|i≠j；i,j＝1,2,3,…,n}，其中i，j代表两个节点，链路c_i,j的情景信息特征公式如下述：

假设一条由m条路径组成的路由路径p_k的情景信息特征为则可以将该路径表述为一个链路集合，具体公式如下述：

描述整条路径的情景信息特征的公式如下述：

其中|p_k|表示路径p_k的长度；

(2)时延信息为情景状态特征之一，为了感知SDN时延，路径p_k的时延计算公式如下述：

其中表示处于路径p_k上的第m条链路上的时延；可将路径p_k和链路c_i,j的状态信息即时延信息表示为矢量在神经网络的参数传播过程中，遵循以下原则：

1)路径的状态属性与路径所包含的所有链路状态属性相关；

2)链路的状态属性与链路所处所有路径相关。

4.根据权利要求1所述的一种基于图神经网络的SDN时延感知方法，其特征在于，所述图神经网络模型以MPNN消息传递机制和RouteNet架构为基础，并以此来感知网络中的时延信息。

5.根据权利要求1所述的一种基于图神经网络的SDN时延感知方法，其特征在于，所述消息转换函数即消息传递机制更新图状态的数学处理过程；该过程主要涉及一个转换函数，此函数可以将节点的特征和边的特征作为输入并输出新的更新状态；最后再由输出函数处理更新状态和特征，产生输出。

6.根据权利要求1所述的一种基于图神经网络的SDN时延感知方法，其特征在于，所述图神经网络的框架为消息传递神经网络，该框架假设边缘特征非离散，并将GNN处理过程分为消息阶段和读出阶段。