[发明专利]机器学习模型训练方法、量子网络设备性能值预测方法

权利要求书

1.一种机器学习模型训练方法，其特征在于，包括：

获取量子网络设备的历史运行数据；

根据所述量子网络设备各个性能指标的属性，从所述历史运行数据中分别确定各个所述性能指标对应的自变量；

根据所述自变量，分别获取各个所述性能指标对应的性能值；

分别为各个所述性能指标对应的自变量、性能值打上不同的标识，其中，一个性能指标对应一个性能值及至少一个自变量；

将携带标识的自变量及对应的性能值输入机器学习模型，对所述机器学习模型进行训练，得到训练过的机器学习模型。

2.根据权利要求1所述的机器学习模型训练方法，其特征在于，在获取量子网络设备的历史运行数据之后，所述方法还包括：

对所述历史运行数据进行清洗，删除所述历史运行数据中的冗余数据。

3.根据权利要求1所述的机器学习模型训练方法，其特征在于，所述机器学习模型为基于最小二乘法的线性回归模型。

4.根据权利要求1所述的机器学习模型训练方法，其特征在于，所述历史运行数据包括量子网络设备在设定的历史时间段内运行时的性能参数，其中，所述性能参数包括多个性能指标、性能值、单位及时间。

5.根据权利要求4所述的机器学习模型训练方法，其特征在于，多个所述性能指标包括CPU使用率、内存使用率、成码率及当前量子密钥生成总量。

6.一种量子网络设备性能值预测方法，适用于权利要求1中所述的训练过的机器学习模型，其特征在于，包括：

接收用户输入的待预测的量子网络设备的性能指标；

根据所述性能指标的属性，从所述量子网络设备的历史运行数据中获取所述性能指标对应的自变量及性能值，其中，一个性能指标对应一个性能值及至少一个自变量；

基于所述性能指标对应的自变量及性能值，基于线性回归模型，对所述性能指标在设定的未来时间段内的性能值进行预测。

7.根据权利要求6所述的量子网络设备性能值预测方法，其特征在于，基于线性回归模型，对所述性能指标在设定的未来时间段内的性能值进行预测包括：

采用最小二乘法，对所述性能指标在设定的未来时间段内的性能值进行预测。

8.一种量子网络设备性能值预测系统，其特征在于，包括：

接收模块，被配置为接收用户输入的待预测的量子网络设备的性能指标；

获取模块，被配置为根据所述性能指标的属性，从所述量子网络设备的历史运行数据中获取所述性能指标对应的自变量及性能值，其中，一个性能指标对应一个性能值及至少一个自变量；

预测模块，被配置为基于所述性能指标对应的自变量及性能值，基于线性回归模型，对所述性能指标在设定的未来时间段内的性能值进行预测。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-5或6-7中任一项所述的方法。

10.一种电子设备，其特征在于，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-5或6-7中任一项所述的方法。