技术特征：
1.一种基于特征选择的vnf资源需求预测方法，其特征在于，包括：获取vnf基准数据；对vnf基准数据进行预处理，得到剔除异常数据、非数值型数据及不相关数据的预处理数据；将预处理数据输入到预先训练好的包括不同类型的vnf资源需求预测模型；根据vnf基准数据确定vnf的类型，根据vnf的类型确定与其类型相对应的vnf资源需求预测模型，通过该vnf资源需求预测模型输出vnf资源需求预测结果；所述包括不同类型的vnf资源需求预测模型的确定过程包括：获取不同类型的vnf历史基准数据；将某个类型的vnf历史基准数据进行预处理，得到剔除异常数据、非数值型数据及不相关数据的预处理历史数据；根据预处理历史数据提取vnf所有相关特征；根据vnf所有相关特征筛选出与预测目标高度相关的候选特征集；基于贪婪式前向搜索策略对候选特征集进一步筛选获得最优特征集；基于最优特征集，采用不同的回归模型训练出对应该vnf类型的不同的vnf资源需求预测模型，对训练出的对应该vnf类型的不同的vnf资源需求预测模型进行验证，确定该类型的vnf对应的最优vnf资源需求预测模型。2.根据权利要求1所述的基于特征选择的vnf资源需求预测方法，其特征在于，所述根据vnf所有相关特征筛选出与预测目标高度相关的候选特征集的过程包括：对获得的vnf所有相关特征进行筛选，筛选出与vnf资源分配量cpu时间相关性较高的原始特征，得到原始特征集n
raw
；根据原始特征与预测目标间的线性与非线性关系，计算皮尔逊相关系数和距离相关系数，根据皮尔逊相关系数和距离相关系数从原始特征集n
raw
特征中选择n
can
个特征作为候选特征集，其中n
can
是可设置的参数。3.根据权利要求2所述的基于特征选择的vnf资源需求预测方法，其特征在于，所述基于贪婪式前向搜索策略对候选特征集进一步筛选获得最优特征集的过程包括：从所述候选特征集中选择使得预测误差rmse最小化的单特征，然后再从剩余的候选特征中依次选择使预测误差rmse得到最大改善的特征，并添加到最终特征集中，当最大改善的改进值小于预先给定的阈值时，停止将最大改善的特征添加到最终特征集中，此时的最终特征集为最优特征集m
pred
。4.根据权利要求1所述的基于特征选择的vnf资源需求预测方法，其特征在于，所述包括不同的回归模型包括：线性回归模型、岭回归模型、k近邻模型、决策树模型、随机森林模型和自适应提升模型。5.一种基于特征选择的vnf资源需求预测系统，其特征在于，包括：第一获取模块，用于获取vnf基准数据；第一预处理模块，用于对vnf基准数据进行预处理，得到剔除异常数据、非数值型数据及不相关数据的预处理数据；输入模块，用于将预处理数据输入到预先训练好的包括不同类型的vnf资源需求预测
模型；输出模块，用于根据vnf基准数据确定vnf的类型，根据vnf的类型确定与其类型相对应的vnf资源需求预测模型，通过该vnf资源需求预测模型输出vnf资源需求预测结果；所述输出模块包括模型确定模块，包括：第二获取模块，用于获取不同类型的vnf历史基准数据；第二预处理模块，用于将某个类型的vnf历史基准数据进行预处理，得到剔除异常数据、非数值型数据及不相关数据的预处理历史数据；提取模块，用于根据预处理历史数据提取vnf所有相关特征；第一筛选模块，用于根据vnf所有相关特征筛选出与预测目标高度相关的候选特征集；第二筛选模块，基于贪婪式前向搜索策略对候选特征集进一步筛选获得最优特征集；最优模型确定模块，用于基于最优特征集，采用不同的回归模型训练出对应该vnf类型的不同的vnf资源需求预测模型，对训练出的对应该vnf类型的不同的vnf资源需求预测模型进行验证，确定该类型的vnf对应的最优vnf资源需求预测模型。6.根据权利要求5所述的基于特征选择的vnf资源需求预测系统，其特征在于，所述第一筛选模块包括：原始特征筛选模块，用于对获得的vnf所有相关特征进行筛选，筛选出与vnf资源分配量cpu时间相关性较高的原始特征，得到原始特征集n
raw
；后续特征筛选模块，用于根据原始特征与预测目标间的线性与非线性关系，计算皮尔逊相关系数和距离相关系数，根据皮尔逊相关系数和距离相关系数从原始特征集n
raw
特征中选择n
can
个特征作为候选特征集，其中n
can
是可设置的参数。7.根据权利要求6所述的基于特征选择的vnf资源需求预测系统，其特征在于，所述第二筛选模块包括：添加模块，用于从所述候选特征集中选择使得预测误差rmse最小化的单特征，然后再从剩余的候选特征中依次选择使预测误差rmse得到最大改善的特征，并添加到最终特征集中；判断模块，用于当最大改善的改进值小于预先给定的阈值时，停止将最大改善的特征添加到最终特征集中，此时的最终特征集为最优特征集m
pred
。
技术总结
本发明公开了一种基于特征选择的VNF资源需求预测方法及系统，包括：获取VNF基准数据；对VNF基准数据进行预处理，得到剔除异常数据、非数值型数据及不相关数据的预处理数据；将预处理数据输入到预先训练好的包括不同类型的VNF资源需求预测模型；根据VNF基准数据确定VNF的类型，根据VNF的类型确定与其类型相对应的VNF资源需求预测模型，通过该VNF资源需求预测模型输出VNF资源需求预测结果。优点：基于数据特征筛选出与预测目标高度相关的候选特征集，然后基于贪婪式前向搜索策略对候选特征集进一步筛选获得最优特征集，最终训练出不同类型的预测模型，可以获得更好的预测性能，同时该方法的可扩展性较好。该方法的可扩展性较好。该方法的可扩展性较好。
技术研发人员：江凌云 武静雯 朱洪波
受保护的技术使用者：南京邮电大学
技术研发日：2021.04.16
技术公布日：2022/10/20