[发明专利]一种基于图神经网络的SDN时延感知方法

说明书

本发明公开一种基于图神经网络的SDN时延感知方法，包括如下步骤：步骤1：根据相关情景数据集进行网络序列建模，通过TensorFlow框架中的TFRecord格式存储和读取样本数据；步骤2：构建由门控循环单元(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；步骤3：使用步骤1的数据集对图神经网络模型进行训练；步骤4：将测试集输入到步骤3训练完成后的模型中，对数据进行感知、筛选并得到具有概括性的数据。本发明利用图神经网络基于非欧几里得空间的数据格式的准确的推理能力并且不会丢失图形数据的结构信息的特点，相比于其他深度学习模型展现出了更强大的数据处理能力。

技术领域

本发明涉及情景网络技术和深度学习技术，具体涉及一种基于图神经网络的SDN时延感知方法。

背景技术

迄今为止，深度学习在图像识别和数据挖掘等领域已经取得了巨大的成功。大多数机器学习任务例如目标监测、机器翻译以及语音识别等曾严重依赖人工特征工程去获取特征信息集。随着多种深度学习方法如卷积神经网络(CNN，Convolutional NeuralNetwork)、循环神经网络(RNN，Recurrent Neural Network)等的提出，这种状况得到大幅改善。深度学习的成功离不开机器计算能力的高速发展、海量数据集的成功获取以及深度学习可以从欧几里得数据集中提取潜在表征的有效性。例如CNN可以利用局部连通性、图像数据合成性和时移不变性，提取出有意义的特征用于图像任务。尽管深度学习可以高效的捕捉欧几里得数据中的隐藏特征，但是在非欧几里得数据方面表现同样得到了广泛的应用。

网络中的情景是复杂多样且动态变化的，可以将SDN网络情景描述为网络环境、资源及用户业务的变化。其中网络的QoS情景包含了时延、抖动、丢包率等。

网络运行QoS状态的基本属性既是对网络情景的高级表征，也是网络服务策略抉择的一个重要参考值。SDN网络所具有的控制与转发分离特性使得网络控制器具有全网络的静态拓扑、动态转发表信息、资源利用率、故障状态等视图。在SDN的数据转发层，通过包括时延等网络情景感知可以实现对底层的流量情况的监控，并且可以通过网络中各节点的负载信息来获取链路时延、抖动以及丢包率等。据此对网络的全局状态进行分析可以提高网络的转发性能，实现负载均衡等网络功能。用户所处的网络环境对网络服务提供者而言同样不可或缺。例如用户所处网络位置决定其被服务的方式以及用户的服务体验也与据用户位置所部署网络服务相关。

发明内容

本发明克服了典型的深度学习应用会丢失图形数据的结构信息的不足，提出一种基于图神经网络的SDN时延感知方法，该方法充分考虑了节点所处情景，能够充分利用节点所处环境。为感知网络中的关于时延的情景要素，首先对网络进行序列建模，然后提出一种基于图神经网络的时延感知模型。

本发明解决技术问题所采用的技术方案如下：一种基于图神经网络的SDN时延感知方法，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(主要是可用带宽资源)、网络拓扑等环境特征信息进行网络序列建模，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(深度神经网络，即MLP)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。