一种基于注意力机制和流量预测模型的资源预留方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110445646A(43)申请公布日2019.11.12(21)申请号201910693220.X(22)申请日2019.07.30(71)申请人广东工业大学地址510006广东省广州市番禺区大学城外环西路100号(72)发明人程良伦林芝峰(74)专利代理机构广州粤高专利商标代理有限公司44102代理人林丽明(51)Int.Cl.H04L12/24(2006.01)权利要求书2页说明书5页附图3页(54)发明名称一种基于注意力机制和流量预测模型的资源预留方法(57)摘要本发明公开了一种基于注意力机制和流量预测模型的资源预留方法，首先获取历史流量数据并进行数据预处理；利用注意力机制对预处理后的数据进行权重系数的计算；构建LSTM时间序列预测模型，输入加权后的数据进行训练及预测后得到预测流量；基于预测得到的预测流量，通过SDN计算所需的预留资源并下达路由器流表从而预留网络资源。本发明方法对于预测效果影响较大的部分赋有更大的权重，从而提高流量预测的精度，使得基于预测结果的网络资源预留具有较高的准确性，提高网络资源的利用率。CN110445646ACN110445646A权利要求书1/2页1.一种基于注意力机制和流量预测模型的资源预留方法，其特征在于，包括以下步骤：S1.获取历史流量数据并进行数据预处理；S2.利用注意力机制对预处理后的数据进行权重系数的计算；S3.构建LSTM时间序列预测模型，输入加权后的数据进行训练及预测后得到预测流量；S4.基于预测得到的预测流量，通过SDN计算所需的预留资源并下达路由器流表从而预留网络资源。2.根据权利要求1所述的基于注意力机制和流量预测模型的资源预留方法，其特征在于，所述步骤S1具体为：获取历史流量数据，得到流量序列为Seq＝{s1,s2,s3,...sN}，将所述流量序列划分为训练序列Seqtrain＝{s1,s2,s3,...sM}以及测试序列Seqtest＝{sM+1,sM+2,sM+3,...sN}，其中N是所述流量序列的总长度，M是所述训练序列的分段长度；将所述训练序列分成n个序列段，得到序列段集合为：123nX0＝Seqtrain＝{x,x,x,...,x}其中其中T是划分后每个序列段的长度，k是进行分段时数据需要向后移动的步长；xn表示第n个序列段。3.根据权利要求2所述的基于注意力机制和流量预测模型的资源预留方法，其特征在于，所述步骤S2具体为：构造利用注意力机制对预处理后的数据进行权重系数计算的模型，包括：注意力权重衡量流量序列在时间t的重要性的注意力量其中为需要学习的参数，Be为偏差项，为时间t上的第k个片段的值；通过SoftMax函数对以及进行求解，使得的总和为1，得到加权后的序列段集合为4.根据权利要求3所述的基于注意力机制和流量预测模型的资源预留方法，其特征在于，所述步骤S3中所述的LSTM时间序列预测模型包括输入层、输出层和隐藏层，所述隐藏层包括由LSTM细胞构成的LSTM层和以relu函数为激活函数的全连接层；其中LSTM细胞状态ct的更新公式为：其中it是输入门的输出，wxi为输入与输入门的权重矩阵，whi为隐藏层和输入门的权重矩阵，ht-1为t-1时刻的隐藏层输出，bi为输入门偏差量，ft为遗忘门的输出，ct-1为t-1时刻的细胞状态，wxc为输入与细胞状态的权重矩阵，wxc为隐藏层和细胞状态的权重矩阵，bc为细胞状态的偏差量，⊙和tanh分别是元素乘法和双曲正切激活函数；其中隐藏层状态ht的更新公式为：2CN110445646A权利要求书2/2页ht＝ot⊙tanh(ct)其中ot为输出门的输出，wxo为输入与输出门的权重矩阵，who为隐藏层和输出门的权重矩阵，bobc为输出门的偏差量；其中所述输出层的输出预测值为：pt＝σ(Vht+ct)；采用输出预测值和真实值的均方误差RMSE作为损失函数loss，定义为：其中pi为输出预测值，yi为真实值。5.根据权利要求4所述的基于注意力机制和流量预测模型的资源预留方法，其特征在于，所述步骤S3中输出加权后的序列段集合并采用反向传播BPTT算法对所述LSTM时间序列预测模型进行训练后，基于训练完毕的LSTM时间序列预测模型对所述测试序列进行预测得到预测流量。6.根据权利要求1～5任一项所述的基于注意力机制和流量预测模型的资源预留方法，其特征在于，步骤S4中所述的通过SDN计算所需的预留资源具体为：定义时间段0～t1为网络当前的链路状况，时间段t1～t2为所述预测流量，且在t1时刻有一条持续t2-t1时间的大象流通过，时间段t1～t2间的tk时刻有一条老鼠流经过，则对所述老鼠流的预留资源为：Rneed＝Tneed×BneedBleft＝B-