一种云网资源的统一表示及优化分配方法与系统与流程

一种云网资源的统一表示及优化分配方法与系统
【技术领域】
1.本发明属于云网融合和资源分技术领域，更具体地，涉及一种云网资源的统一表示及优化分配方法与系统。


背景技术：

2.目前，云网资源应用领域中往往存在以下问题：
3.一是云网资源独立。云网多采用单域控制、分段管理的模式，云网资源彼此独立分开，导致大量数据散乱在云网各个角落，存在大量的异构数据，即数据与数据之间的保存格式、名称、采集时间段、采集后计算方法等各不相同，因此难以准确运用网络数据，而目前还没有云网统一化表示的方法。而且，数据采集通常只集中于当前时间或某一段时间，难以准确描述网络随时间变化。
4.二是云网资源随需分配困难。云网面对业务多、需求面广、网络环境复杂，但传统方案中云网资源缺乏统一调度，分配、协同资源困难。而且，传统的云网资源稳定性判定是仅仅在单一维度考虑云网资源利用率的最大化，而且网络分配反应的是网络层性能，难以实现云网资源的优化分配。
5.鉴于此，克服上述现有技术所存在的缺陷是本技术领域亟待解决的问题。


技术实现要素：

6.针对现有技术的以上缺陷或改进需求，本发明提供了一种云网资源的统一表示及优化分配方法与系统，其目的在于基于张量实现云网资源的统一表示，并基于最大化用户效用和云网资源利用率对云网资源进行分配，由此解决传统方案中云网资源独立无法统一化表示以及云网资源随需分配困难的技术问题。
7.为实现上述目的，按照本发明的一个方面，提供了一种云网资源的统一表示及优化分配方法，包括：
8.根据数据采集范围将整个物理网络切分为一个或多个局部网络，分别对每个局部网络进行数据采集，并周期性地进行数据上报；
9.当切分为一个局部网络时，根据上报数据构建得到整个物理网络对应的网络张量；当切分为多个局部网络时，根据上报数据分别针对每个局部网络构建网络单元张量，并逐步将每个局部网络对应的网络单元张量进行融合，得到整个物理网络对应的网络张量；
10.将用户任务张量与所述网络张量进行匹配，并基于最大化用户效用和云网资源利用率的原则，计算出云网资源的最优分配方案。
11.优选地，所述根据上报数据分别针对每个局部网络构建网络单元张量，并逐步将每个局部网络对应的网络单元张量进行融合，得到整个物理网络对应的网络张量，具体包括：
12.将当前上报周期t内的上报数据按属性划分为空间结构类和空间资源类，并根据每个局部网络在空间资源维度上的属性变化计算整个物理网络在空间资源维度上的最小
时间间隔t1；
13.根据所述最小时间间隔t1将当前上报周期t按时间顺序划分为b个时间段，每个局部网络均根据对应的上报数据计算每个时间段内的数据表示值；
14.针对每个局部网络，根据对应的数据表示值构建每个时间段对应的网络单元张量，最终得到对应b个时间段的b个网络单元张量；
15.根据空间资源维度和空间结构维度将不同局部网络中相同时间段内的各网络单元张量融合，得到每个时间段内整个物理网络对应的网络张量。
16.优选地，所述根据空间资源维度上的属性变化计算整个物理网络在空间资源维度上的最小时间间隔t1具体为：
17.对于每个局部网络，根据该局部网络在空间资源维度上每个属性的变化情况，计算出该局部网络在空间资源维度上的最小时间间隔；
18.将每个局部网络在空间资源维度上的最小时间间隔取最大公约数，作为整个物理网络在空间资源维度上的最小时间间隔t1。
19.优选地，对于空间资源维度中属性值随着时间改变而改变的数据，数据表示值的计算过程具体为：
20.如果对应的属性值为数值型，则根据属性值随时间的变化曲线计算属性值随时间的分布函数，并根据该分布函数和当前时间段内该属性对应的上报数据，计算该属性在当前时间段内的数据表示值；
21.如果对应的属性值为文本型，则针对该属性构建属性值对应表，并根据所述属性值对应表和当前时间段内该属性对应的上报数据，计算该属性在当前时间段内的数据表示值。
22.优选地，当局部网络数量为a且a≥2时，相同时间段内a个网络单元张量的融合过程具体为：将所述a个网络单元张量按照迭代方式逐步进行两两融合，直至进行a
‑
1次两两融合后得到该时间段对应的网络张量；
23.其中，对于相同时间段内的第一网络单元张量和第二网络单元张量，当以第一网络单元张量为融合基础时，所述第一网络单元张量和所述第二网络单元张量的两两融合过程具体包括：
24.通过在空间资源维度上确定所述第二网络单元张量中的新属性，并在所述第一网络单元张量的空间资源维度上增加所述新属性，实现所述第一网络单元张量和所述第二网络单元张量在空间资源维度上的融合；
25.通过在空间结构维度上计算所述物理网络中的比较节点与其余各节点的最短路径并进行映射，实现所述第一网络单元张量和所述第二网络单元张量在空间结构维度上的融合，从而得到该时间段内对应的网络张量。
26.优选地，所述通过在空间资源维度上确定所述第二网络单元张量中的新属性，并在所述第一网络单元张量的空间资源维度上增加所述新属性，实现所述第一网络单元张量和所述第二网络单元张量在空间资源维度上的融合，具体包括：
27.通过在空间资源维度上比较所述第一网络单元张量和所述第二网络单元张量的各属性，确定所述第二网络单元张量相对所述第一网络单元张量的新属性；
28.分别计算所述新属性与所述第一网络单元张量上各空间资源维度之间的距离，并
通过比较各距离的大小确定所述新属性的所属空间资源维度；
29.判断所述新属性在其所属空间资源维度上与所述第一网络单元张量上各属性是否相似，如果不相似则在所述第一网络单元张量的所属空间资源维度上增加所述新属性，实现所述第一网络单元张量和所述第二网络单元张量在空间资源维度上的融合。
30.优选地，所述新属性与所述第一网络单元张量上各空间资源维度之间的距离，等于所述新属性与所述第一网络单元张量在该空间资源维度上所有相同类型属性之间的距离和；其中：
31.如果所述新属性为数值型属性，则所述新属性与所述第一网络单元张量上该空间资源维度之间的距离，等于所述新属性与所述第一网络单元张量在该空间资源维度上所有数值型属性之间的距离和；其中，所述新属性与该空间资源维度上任一数值型属性的距离，等于两个属性值的差的绝对值；
32.如果所述新属性为文本型数据，则所述新属性与所述第一网络单元张量上该空间资源维度之间的距离，等于所述新属性与所述第一网络单元张量在该空间资源维度上所有文本型属性之间的距离和；其中，所述新属性与该空间资源维度上任一文本型属性的距离基于两个属性的文本取值的概率计算。
33.优选地，所述判断所述新属性在其所属空间资源维度上与所述第一网络单元张量上各属性是否相似，如果不相似则在所述第一网络单元张量的所属空间资源维度上增加所述新属性，具体为：
34.在所属空间资源维度上将每个属性沿时间维度构成属性向量，同时对所述新属性构建新向量，计算新向量与各属性向量间的偏离程度；
35.如果偏离程度大于所述第一网络单元张量在所属空间资源维度上的偏离平均值，则判定所述新属性与所述第一网络单元张量在所属空间资源维度上的每个属性均不相似，则在所述第一网络单元张量的所属空间资源维度上增加所述新属性；
36.如果偏离程度小于等于所述第一网络单元张量在所属空间资源维度上的偏离平均值，则判定所述新属性与所述第一网络单元张量在所属空间资源维度上的每个属性相似，则不与融合。
37.优选地，所述通过在空间结构维度上计算所述物理网络中的比较节点与其余各节点的最短路径并进行映射，实现所述第一网络单元张量和所述第二网络单元张量在空间结构维度上的融合，具体包括：
38.在所述物理网络中任选一个节点作为比较节点，计算其余各节点到所述比较节点的距离，并将各节点按照距离从小到大进行排序；
39.根据其余各节点到所述比较节点的距离计算各链路到所述比较节点的距离，并将各链路按照距离从小到大进行排序；
40.将各节点到所述比较节点的距离排序以及各链路到所述比较节点的距离排序映射到同一网络张量上，实现所述第一网络单元张量和所述第二网络单元张量在空间结构维度上的融合。
41.优选地，在所述将用户任务张量与所述网络张量进行匹配之前，所述方法还包括根据两个相邻时间段内网络张量的变化情况判断云网资源的稳定性，具体为：
42.从第一网络张量和第二网络张量的多个相同点中找出不动点；其中，所述第一网
络张量和所述第二网络张量分别对应相邻的在前时间段和在后时间段；
43.通过在所述第一网络张量上计算所述不动点与其余各相同点的距离确定优选距离d，并围绕所述不动点在优选距离d的空间内设置观察张量；
44.通过比较所述观察张量随时间的资源变化率与所述第一网络张量随时间的资源变化率，判断云网资源的稳定性。
45.优选地，在所述将用户任务张量与所述网络张量进行匹配，并基于最大化用户效用和云网资源利用率的原则，计算出云网资源的最优分配方案之后，所述方法还包括：
46.根据云网资源的最优分配方案对所述网络张量进行切片，并重新映射到所述物理网络中，实现对所述物理网络的切片；
47.在每个物理网络切片上对所述用户任务张量进行分布式计算处理。
48.按照本发明的另一方面，提供了一种云网资源的统一表示及优化分配系统，包括数据采集模块、张量构建模块、张量匹配模块、张量切片模块和张量计算模块；
49.所述数据采集模块用于根据数据采集范围将整个物理网络切分为至少两个局部网络，分别对每个局部网络进行数据采集，并周期性地进行数据上报给所述张量构建模块；
50.所述张量构建模块用于根据所述数据采集模块对应的上报数据分别针对每个局部网络构建网络单元张量，并逐步将每个局部网络对应的网络单元张量进行融合，得到整个物理网络对应的网络张量并发送至所述张量匹配模块；同时将用户任务构建成用户任务张量，并分别发送至所述张量匹配模块和所述张量计算模块；
51.所述张量匹配模块用于将所述张量构建模块发送来的用户任务张量与所述网络张量进行匹配，并基于最大化用户效用和云网资源利用率的原则，计算出云网资源的最优分配方案并发送给所述张量切片模块；
52.所述张量切片模块用于根据所述张量匹配模块发送来所述最优分配方案对所述网络张量进行切片，并重新映射到所述物理网络中，实现对所述物理网络的切片；
53.所述张量计算模块用于在每个物理网络切片上对所述用户任务张量进行分布式计算处理。
54.总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有如下有益效果：本发明提供的云网资源统一表示及优化分配方法中，可基于采集数据对每个局部网络分别构建网络单元张量，再将每个局部网络的网络单元张量进行融合，得到整个物理网络的网络张量，如此一来便借助张量实现了云网资源的统一表示，有效解决了云网资源独立、数据异构的问题；另外，在针对用户任务进行资源分配时同时考虑用户感受和云网资源利用情况，基于最大化用户效用和云网资源利用率实现云网资源的随需分配，可为不同应用提供不同服务质量保证，更好地满足用户需求，提高云网资源分配价值。
【附图说明】
55.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
56.图1是本发明实施例提供的一种云网资源的统一表示及优化分配方法流程图；
57.图2是本发明实施例提供的一种云网资源的网络张量的维度表示图；
58.图3是本发明实施例提供的一种云网结构的拓扑示意图；
59.图4是本发明实施例提供的一种telemetry1的采集数据表的示意图；
60.图5是本发明实施例提供的一种构建网络张量的方法流程图；
61.图6是本发明实施例提供的一种telemetry1的采集数据在第一时间段22:51:08到22:56:08内对应的时间段表；
62.图7是本发明实施例提供的一种网络单元张量t
1.1
沿节点维度展开后的结构示意图；
63.图8是本发明实施例提供的一种网络单元张量融合成网络张量的方法流程图；
64.图9是本发明实施例提供的一种telemetry1的补充采集数据在第一时间段22:51:08到22:56:08内对应的时间段表；
65.图10是本发明实施例提供的一种补充采集后的新网络单元张量t
1.1
沿节点维度展开后的结构示意图；
66.图11是本发明实施例提供的一种t
1.1
与t
2.1
融合后的网络张量t1沿节点维度展开后的结构示意图；
67.图12是本发明实施例提供的一种云网资源的网络张量沿时间维度展开后的结构示意图；
68.图13是本发明实施例提供的一种判断云网资源稳定性的方法流程图；
69.图14是本发明实施例提供的一种匹配用户任务张量与网络张量的方法流程图；
70.图15是本发明实施例提供的一种voip业务
‑
带宽效用图；
71.图16是本发明实施例提供的一种云网资源的统一表示及优化分配系统结构图。
【具体实施方式】
72.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
73.此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面就参考附图和实施例结合来详细说明本发明。
74.实施例1
75.为解决传统方案中云网资源独立无法统一化表示以及云网资源随需分配困难的技术问题，本发明实施例首先提供了一种云网资源的统一表示及优化分配方法，主要包括数据采集、张量构建、张量匹配、张量切片和张量计算五大部分，其中张量构建和张量匹配两个步骤为本方案的重点。
76.如图1所示，步骤10
‑
步骤50分别对应数据采集、张量构建、张量匹配、张量切片和张量计算，具体实现过程如下：
77.步骤10，根据数据采集范围将整个物理网络切分为一个或多个局部网络，分别对每个局部网络进行数据采集，并周期性地进行数据上报。
78.所述物理网络在本发明中也就是指云网，云网主要分为光层、ip层和云层，每层都有多个节点，节点与节点之间通过链路相连接，没有链路相连接则代表两个节点之间无法
直接通信。在云网领域中通常采用telemetry技术进行数据采集，因此可根据telemetry采集范围将整个物理网络切分为一个或多个局部网络，此处可记为a个局部网络(a≥1)，每个局部网络中包含至少两个节点和至少一个链路。需要说明的是，当a＝1时表示切分为一个局部网络，这个局部网络实际上就是所述物理网络，也就相当于没有进行切分，证明此时telemetry采集范围足够大，可以完全覆盖整个物理网络，因此无需再切分为两个及以上的局部网络。
79.切分完成后，分别对每个局部网络进行周期性的数据采集，并将当前局部网络对应采集的数据周期性上报；其中，为便于描述，此处将采集周期记为t0，将上报周期记为t，即每隔时间t0采集一次数据，每隔时间t上报一次数据，显然t≥t0。
80.步骤20，当切分为一个局部网络时，根据上报数据构建得到整个物理网络对应的网络张量；当切分为多个局部网络时，根据上报数据分别针对每个局部网络构建网络单元张量，并逐步将每个局部网络对应的网络单元张量进行融合，得到整个物理网络对应的网络张量。
81.张量是一种高维数组，能够保持复杂类型数据的内在结构，基于张量的上述应用优势，本发明针对云网构建网络张量，利用张量实现云网资源的统一表示，从而可解决云网彼此独立、数据异构的问题。当切分为多个局部网络时，对于每个局部网络来说，可根据该局部网络对应的上报数据构建一个对应的网络单元张量，则a个局部网络可得到对应的a个网络单元张量；再将每个局部网络对应的网络单元张量进行融合，即将a个网络单元张量融合，便可得到整个物理网络对应的网络张量，实现云网资源的统一表示。其中，所述网络张量的维度如图2所示，共包括时间、链路、节点、计算资源、网络资源和存储资源六个维度。
82.为准确描述云网资源随时间的变化，在优选实施例中还可按照时间颗粒针对每个局部网络构建多个网络单元张量。大致如下：按照时间先后顺序将当前上报周期t平均划分为b个时间段；针对每个局部网络，在当前上报周期t的每个时间段分别构建一个网络单元张量，则每个局部网络对应构建b个网络单元张量，分别对应b个时间段；最后将每个时间段内的所有网络单元张量融合，得到对应时间段内的网络张量。由于有a个局部网络，则每个时间段对应有分别来自不同局部网络的a个网络单元张量，将这a个网络单元张量融合，也就得到该时间段内整个物理网络对应的网络张量，最终得到物理网络的b个网络张量，分别对应b个时间段，因此可准确描述云网资源随时间的变化。
83.需要说明的是，当切分为一个局部网络时，即a＝1时，可直接根据上报数据构建得到整个物理网络对应的网络张量；此时，网络张量的构建过程与a≥2时网络单元张量的构建过程相同。也就是说，当a＝1时，针对这一个局部网络构建的网络单元张量实际上就是整个物理网络对应的网络张量，无需再进行网络单元张量的融合；相应地，当前上报周期t划分为b个时间段时，同样对应构建得到b个网络张量。因此，后续对a＝1时的网络张量构建过程不做赘述，可直接参考a≥2时网络单元张量的构建过程。
84.步骤30，将用户任务张量与所述网络张量进行匹配，并基于最大化用户效用和云网资源利用率的原则，计算出云网资源的最优分配方案。主要分为以下两大步：
85.第一步，判断云网资源的稳定性。当网络张量构建完成后，先根据两个相邻时间段内两个网络张量的变化情况判断云网资源的稳定性；如果云网资源不稳定则需要重新分配云网资源；如果云网资源稳定则继续进行第二步。其中，由于划分了时间段，云网资源稳定
性的判断也可按照时间段分别进行；对于每个时间段，需要根据该时间段和相邻在前时间段内这两个网络张量的变化情况，判断该时间段内云网资源的稳定性。
86.第二步，将用户任务张量与所述网络张量进行匹配，计算云网资源的最优分配方案。由于本发明将云网资源采用网络张量进行表示，因此用户提出任务需求后同样需要将用户任务张量化表示，然后在空间资源维度上将用户任务张量和网络张量相匹配，得到云网资源对用户任务的多个分配方案；对于每个分配方案，通过计算每个用户任务在该分配方案中的用户效用u和云网资源利用率v，得到每个分配方案的方案价值；最后选择方案价值最大的分配方案作为最优分配方案，以便实现云网资源的优化分配。其中，在不同的分配方案中，每个用户任务分配到的节点和链路是不同的。
87.步骤40，根据云网资源的最优分配方案对所述网络张量进行切片，并重新映射到所述物理网络中，实现对所述物理网络的切片。
88.在该步骤中，先按照最优分配方案对步骤20中构建的所述网络张量进行切片，属于虚拟切片；然后再将切片结果映射到实际的物理网络中，实现对所述物理网络的实际切片。按照最优分配方案，不同的物理网络切片分配给不同的用户任务，也就是根据最优分配方案将节点和链路上的对应资源通过切片分给对应的用户任务，真正实现云网资源的优化分配。
89.步骤50，在每个物理网络切片上对所述用户任务张量进行分布式计算处理。通过对所述用户任务张量进行分布式计算处理，可加速用户任务进程，提高网络效率，更快地满足用户需求。
90.综上所述，本发明提供的云网资源统一表示及优化分配方法中，依次经过数据采集、构建网络张量、网络张量与用户任务张量匹配、网络张量切片、用户任务分布式计算。在构建网络张量时，基于采集数据对每个局部网络分别构建网络单元张量，再将每个局部网络的网络单元张量进行融合，得到整个物理网络的网络张量，如此一来便借助张量实现了云网资源的统一表示，有效解决了云网资源独立、数据异构的问题；在进行张量匹配时，基于最大化用户效用和云网资源利用率实现云网资源的随需分配，可为不同应用提供不同服务质量保证，从而更好地满足用户需求，合理分配云网资源，提高云网资源分配价值。
91.实施例2
92.在上述实施例1的基础上，本发明进一步结合具体的云网实例，主要以整个物理网络切分为多个(即a≥2)局部网络为例，对步骤10对应的数据采集过程和步骤20对应的张量构建过程进行介绍。
93.假设某个云网的结构拓扑图如图3所示，整个云网分为光层、ip层和云层，每层有多个节点，节点与节点之间通过链路连接。其中，各节点采用实心黑点表示，例如光层中的node1、node2、node3，ip层中的node4、node5，云层中的node6、node7；同层节点与节点之间的链路用实线表示，例如云层node6与云层node7之间通过链路line9连接；跨层节点与节点之间的链路用虚线表示，例如云层node6与ip层node4之间通过链路line6连接。由图3可知，整个云网中总共包含了7个节点(即图中node1，
…
，node7)和9条链路(即图中line1，
…
，line9)。
94.在步骤10中，根据数据采集范围将整个物理网络切分为至少两个局部网络，分别对每个局部网络进行数据采集，并周期性地进行数据上报。
95.如图3所示，假设此处根据telemetry采集范围将整个物理网络切分为图中圈出的上下两个局部网络，分别对应由两个telemetry模块(可记为telemetry1、telemetry2)负责数据采集。其中，上侧圈出的局部网络可记为第一局部网络，组成为：云层node6、云层node7、ip层node4、line9、line6和line8；下侧圈出的局部网络可记为第二局部网络，组成为：ip层node5、光层node1、光层node2、光层node3、line1、line2、line3、line4、line5、line7、line8。所述第一局部网络对应的数据由telemetry1进行采集，所述第二局部网络对应的数据由telemetry2进行采集。
96.以所述第一局部网络为例，假设在2020年7月9日22:51:08到23:06:58这一段时间内，telemetry1采集到的所述第一局部网络的部分数据如图4所示。结合图4可知，telemetry1每隔1分钟采集一次数据，每15分钟集中上报一次，即采集周期t0＝1min，上报周期t＝15min，缺失的数据可用0补齐，图4中都是无量纲数据。
97.在步骤20中，根据对应的上报数据分别针对每个局部网络构建网络单元张量，并逐步将每个局部网络对应的网络单元张量进行融合，得到整个物理网络对应的网络张量。具体实施过程如图5所示，包括：
98.步骤201，将当前上报周期t内的上报数据按属性划分为空间结构类和空间资源类，并根据每个局部网络在空间资源维度上的属性变化计算整个物理网络在空间资源维度上的最小时间间隔t1。主要分为以下两步：
99.第一步，确定网络张量的维度。对于每个上报周期t内的上报数据，均按属性划分为空间结构类数据和空间资源类数据。空间结构类数据包括节点node和链路line两个维度，如图4中的地址列所示；空间资源类数据包括计算资源、网络资源和存储资源三个维度，每个空间资源维度包含一种或多种属性。以图4为例，网络资源维度包括带宽、长度两个属性，存储资源维度包括节点的内存这一属性，计算资源维度包括节点上的cpu个数这一属性，即在空间资源维度上总共包括内存、cpu、带宽、长度四个属性。
100.第二步，确定空间资源维度上的最小时间间隔t1。首先，对于每个局部网络，根据该局部网络在空间资源维度上每个属性的变化情况，计算出该局部网络在空间资源维度上的最小时间间隔；这里通常先计算空间资源维度上每个属性的最小时间间隔t
1.i
，则该局部网络在空间资源维度上的最小时间间隔就等于所有属性的最小时间间隔t
1.i
中的最小值。然后，将每个局部网络在空间资源维度上的最小时间间隔取最大公约数，作为整个物理网络在空间资源维度上的最小时间间隔t1，即所有局部网络采用相同的最小时间间隔t1；例如，两个局部网络在空间资源维度上的最小时间间隔分别为5分钟和10分钟，则取5和10的最大公约数5分钟作为整个物理网络在空间资源维度上的最小时间间隔t1。特殊地，当a＝1时，计算出空间资源维度上每个属性的最小时间间隔t
1.i
后，取最小值即可作为整个物理网络在空间资源维度上的最小时间间隔t1，无需进行多个局部网络间的公约数计算。
101.其中，空间资源维度上每个属性的最小时间间隔t
1.i
取决于该属性值的变化率，如果某一时刻该属性值突然增大，则认为该属性值处于另一时间间隔，属性值的变化快则时间间隔短，属性值的变化慢则时间间隔长。因此，空间资源维度上的任一属性x
i
的最小时间间隔t
1.i
的计算方式如下：
102.t
1,i
＝qt0ꢀꢀ
(1)
103.δx
i,q
/t0＜δx
i,q+1
/t0ꢀꢀ
(2)
104.δx
i,q
/t0＜δx
i,q
‑1/t0ꢀꢀ
(3)
105.q表示包含的telemetry采集周期t0个数，公式(1)表示属性x
i
的最小时间间隔t
1.i
内包含了q个采集周期t0。δx
i,q
表示从第1个telemetry采集时间到第q个telemetry采集时间这一时间段内属性x
i
的变化值，δx
i,q+1
表示从第1个telemetry采集时间到第q+1个telemetry采集时间这一时间段内属性x
i
的变化值，δx
i,q
‑1表示从第1个telemetry采集时间到第q
‑
1个telemetry采集时间这一时间段内属性x
i
的变化值。公式(2)和(3)为q取值的两个约束条件，当q的取值同时满足公式(2)和(3)时，则认为属性x
i
的最小时间间隔t
1,i
＝qt0。例如在容量属性方面，因为白天用户多，运营商白天对网络进行扩容较少，晚上则扩容操作频繁；那么对于容量属性来说，白天的时间间隔高，多为分钟级；晚上的时间间隔小，多为秒级，则基于公式(1)
‑
(3)可计算出容量属性对应的最小时间间隔。
106.计算出某个局部网络在空间资源维度上每个属性的最小时间间隔t
1.i
后，该局部网络在空间资源维度上的最小时间间隔就等于所有属性的最小时间间隔t
1.i
中的最小值。例如在图4中，假设内存的最小时间间隔t
1.1
为10分钟，cpu的最小时间间隔t
1.2
为15分钟，带宽的最小时间间隔t
1.3
为5分钟，长度的最小时间间隔t
1.4
为15分钟，则第一局部网络在空间资源维度上的最小时间间隔为5分钟；假设以同样的方法计算出第二局部网络在空间资源维度上的最小时间间隔为10分钟，则取最大公约数作为两个局部网络共同的最小时间间隔t1，即t1＝5min。
107.步骤202，根据所述最小时间间隔t1将当前上报周期t按时间顺序划分为b个时间段，每个局部网络均根据对应的上报数据计算每个时间段内的数据表示值。主要分为以下两步：
108.第一步，对当前上报周期t划分时间段。以计算出的最小时间间隔t1为单位，将当前上报周期t按时间顺序平均划分为b个时间段，则b＝t/t1，每个时间段的时间长度为t1。以图4为例，当前上报的是22:51:08到23:06:58这15分钟内采集的数据，即上报周期t＝15min，则根据最小时间间隔t1＝5min可划分出三个时间段(即b＝15/5＝3)，分别为22:51:08到22:56:08、22:56:08到23:01:08、23:01:08到23:06:08，为方便描述可分别记为第一时间段、第二时间段和第三时间段，每个时间段的时长为5min。
109.第二步，计算每个时间段的数据表示值。针对每个局部网络，需要计算每个时间段内的所有上报数据在该时间段内的数据表示值。以图4中第一时间段22:51:08到22:56:08的上报数据表示为例，将telemetry1采集上报的数据按照与时间的关系分类为：
110.1)表示时间的数据。例如图4中的开始时间与截止时间，可用于判断该数据所属的网络单元张量，例如第一条数据从22:51:08到22:52:08，表明第一条数据应用于构建第一时间段的网络单元张量。这部分数据的数据表示值与当前时间段内的原时间数据一致。
111.2)空间资源维度中属性值随着时间改变而改变的数据。如果对应的属性值为数值型，则需根据属性值随时间的变化曲线计算属性值随时间的分布函数，然后根据该分布函数，基于当前时间段内该属性对应的所有上报数据，计算该属性在当前时间段内的数据表示值。例如图4中的带宽属性，带宽随时间为均匀分布，则当前时间段内的总带宽除以时间就是带宽在当前时间段内对应的数据表示值。如果对应的属性值为文本型，则需要针对该属性构建属性值对应表，然后根据所述属性值对应表和当前时间段内该属性对应的上报数据，确切地说是根据与所述属性值对应表进行对应后的所有属性值，计算该属性在当前时
间段内的数据表示值。例如属性为是否发生拥塞，属性值为是和否，则需要构建属性值对应表(例如是为1，否为0)；假设当前时间段内该属性值分别为否、否、否、是、是
…
，分别对应成0、0、0、1、1
…
，则当前时间段内对应后的属性值和(0+0+0+1+1+
…
)除以时间就是该属性在当前时间段内对应的数据表示值。
112.3)空间资源维度中属性值不随时间改变而改变的数据。这部分数据的属性值保持不变，如图4中的内存、cpu个数，直接将原属性值作为当前时间段内对应属性的数据表示值即可。
113.根据以上三种情况，可以将telemetry1采集上报的图4数据划分为三个时间段表，每个时间段表中记录了当前时间段内各属性对应的数据表示值，其中，所述第一时间段对应的时间段表如图6所示。
114.步骤203，针对每个局部网络，根据对应的数据表示值构建每个时间段对应的网络单元张量，最终得到对应b个时间段的b个网络单元张量。
115.对于每个局部网络，对应采集上报的数据都被划分为b个时间段表，需要针对每个时间段根据对应时间段表中的数据表示值构建一个对应的网络单元张量，即每个局部网络构建b个网络单元张量。以所述第一局部网络为例，telemetry1采集上报的图4数据划分为三个时间段表，需要分别构建所述第一时间段(即22:51:08到22:56:08)的网络单元张量t
1.1
、所述第二时间段(即22:56:08到23:01:08)的网络单元张量t
1.2
和所述第三时间段(即23:01:08到23:06:08)的网络单元张量t
1.3
。
116.以所述第一局部网络在所述第一时间段内构建的网络单元张量t
1.1
为例，t
1.1
沿着节点维度展开后如图7所示，表示规则为节点
‑
链路
‑
资源属性，资源属性即空间资源维度上的属性。规则一：若该节点与链路相连，且节点和链路存在资源属性值，则节点
‑
链路
‑
资源属性等于节点与链路在该资源维度上的属性值和；规则二：若该节点与链路不相连，则节点
‑
链路
‑
资源属性等于0。例如，在图3中node4与line6在物理拓扑上相连，而且node4内存为2，line6内存为0，则node4
‑
line6
‑
内存＝2；同理，对于node6
‑
line9
‑
带宽而言，node6与line9相连，line9带宽为400，node6带宽为0，则node6
‑
line9
‑
带宽＝400；node7与line6不相连，则node7
‑
line6
‑
内存＝0。
117.根据上述步骤，同样根据2020年7月9日22:51:08到23:06:58时间段内telemetry2采集到的所述第二局部网络的数据，分别构建所述第一时间段(即22:51:08到22:56:08)的网络单元张量t
2.1
、所述第二时间段(即22:56:08到23:01:08)的网络单元张量t
2.2
和所述第三时间段(即23:01:08到23:06:08)的网络单元张量t
2.3
。
118.步骤204，根据空间资源维度和空间结构维度将不同局部网络中相同时间段内的各网络单元张量融合，得到每个时间段内整个物理网络对应的网络张量。
119.结合前面步骤可知，当局部网络数量为a时，每个时间段内有a个网络单元张量，分别对应不同的局部网络。当a＝1时，执行完步骤203后便得到了整个物理网络对应的b个网络张量，无需再进行张量融合；当a≥2时，需要将同一时间段内的a个网络单元张量进行融合，得到该时间段对应的网络张量，相当于在每个时间段都从局部网络融合成整体的物理网络。
120.当a＝2时，每个相同时间段内有两个网络单元张量，只需要将两个网络单元张量进行融合，即可得到该时间段内对应的网络张量。当a＞2时，相同时间段内a个网络单元张
量的融合过程具体为：将所述a个网络单元张量按照迭代方式逐步进行两两融合，即每次将两个网络单元张量进行融合，直至进行a
‑
1次两两融合后得到该时间段内整体物理网络对应的网络张量。例如，某个相同时间段内有三个网络单元张量(即a＝3)，分别记为网络单元张量一、网络单元张量二、网络单元张量三，则可先将网络单元张量一和网络单元张量二融合得到网络单元张量四，再将网络单元张量四与网络单元张量三融合，最终得到该时间段对应的网络张量。
121.其中，张量融合包括空间资源维度的融合和空间结构维度上的融合。以相同时间段内的第一网络单元张量和第二网络单元张量为例，可以所述第一网络单元张量为基础进行融合，也可以所述第二网络单元张量为基础进行融合。当以所述第一网络单元张量为基础时，所述第一网络单元张量和所述第二网络单元张量之间的两两融合过程可参考图8，具体包括：
122.步骤2041，通过在空间资源维度上确定所述第二网络单元张量中的新属性，并在所述第一网络单元张量的空间资源维度上增加所述新属性，实现所述第一网络单元张量和所述第二网络单元张量在空间资源维度上的融合。
123.该步骤为空间资源维度上的融合，主要包括以下三大步：
124.第一步，通过在空间资源维度上比较所述第一网络单元张量和所述第二网络单元张量的各属性，确定所述第二网络单元张量相对所述第一网络单元张量的新属性。在本发明实施例中，主要是以所述第一时间段内的网络单元张量t
1.1
与网络单元张量t
2.1
融合成网络张量t1为例，即所述第一网络单元张量为t
1.1
，所述第二网络单元张量为t
2.1
，需要从计算资源、网络资源和存储资源三个空间资源维度上比较网络单元张量t
1.1
与t
2.1
的各属性，找出t
2.1
相对于t
1.1
增加的新属性x
new
，即t
2.1
上有但t
1.1
上没有的属性，例如误码率。
125.第二步，分别计算所述新属性与所述第一网络单元张量上各空间资源维度之间的距离，并通过比较各距离的大小确定所述新属性的所属空间资源维度。具体如下：
126.分别计算所述新属性x
new
与所述第一网络单元张量t
1.1
上计算资源、网络资源和存储资源三个空间资源维度之间的距离；然后根据三个距离中的最小值判定所述新属性x
new
的所属空间资源维度。例如，所述新属性x
new
到所述第一网络单元张量t
1.1
上网络资源维度的距离最小，则判定所述新属性x
new
属于网络资源维度。其中，所述新属性x
new
与所述第一网络单元张量t
1.1
上各空间资源维度之间的距离，等于所述新属性x
new
与t
1.1
上该空间资源维度上所有相同类型属性之间的距离和。也就是说，如果所述新属性x
new
为数值型属性，则所述新属性x
new
与所述第一网络单元张量t
1.1
上该空间资源维度之间的距离，等于所述新属性x
new
与所述第一网络单元张量t
1.1
上该空间资源维度上所有数值型属性之间的距离和；如果所述新属性x
new
为文本型属性，则所述新属性x
new
与所述第一网络单元张量t
1.1
上该空间资源维度之间的距离等于所述新属性x
new
与所述第一网络单元张量t
1.1
上该空间资源维度上所有文本型属性之间的距离和。
127.基于上述计算原则，需要先要判断所述新属性x
new
的类型。如果为数值型属性，则所述新属性x
new
与所述第一网络单元张量t
1.1
上任一数值型属性的距离，等于两个对应属性值的差的绝对值；如果为文本型数据，假设所述新属性x
new
的取值范围有(0,1,
…
,j)共j+1种取值，则所述新属性x
new
与所述第一网络单元张量t
1.1
上任一文本型属性的距离，需要基于两个属性的文本取值的概率来计算。在一个具体的实施例中，以ρ(x
new
＝k)表示当前时间
段内出现所述第二网络单元张量t
2.1
上的新属性x
new
取值为k的概率，以ρ(x
i
＝k)表示当前时间段内(此处即所述第一时间段)出现所述第一网络单元张量t
1.1
上的某个文本型属性x
i
取值为k的概率，则所述新属性x
new
与所述第一网络单元张量t
1.1
上某个文本型属性x
i
的距离d
i,new
计算公式如下：
[0128][0129]
第三步，判断所述新属性在其所属空间资源维度上与所述第一网络单元张量上各属性是否相似，如果不相似则在所述第一网络单元张量的所属空间资源维度上增加所述新属性，实现所述第一网络单元张量和所述第二网络单元张量在空间资源维度上的融合。具体如下：
[0130]
在所属空间资源维度上将每个属性沿时间维度构成属性向量，同时对所述新属性x
new
构建新向量然后计算新向量与各属性向量间的偏离程度。如果偏离程度大于所述第一网络单元张量在所属空间资源维度上的偏离平均值，则判定所述新属性x
new
确实属于第二步判断出的所属空间资源维度，且与所述第一网络单元张量在所属空间资源维度上的每个属性均不相似，则在所述第一网络单元张量的所属空间资源维度上增加所述新属性x
new
；如果偏离程度小于等于所述第一网络单元张量在所属空间资源维度上的偏离平均值，则判定所述新属性x
new
与所述第一网络单元张量在所属空间资源维度上的每个属性相似，则不与融合。其中，偏离程度的计算和比较公式如下：
[0131][0132][0133]
表示新向量与各属性向量间的偏离程度，p表示所述第一网络单元张量上每个属性沿时间维度构成的属性向量的总个数，∑θ
new
表示新量间的夹角之和，即所有p个属性向量之间两两计算夹角并求和，任两个属性向量之间的夹角计算方法与公式(6)类似，在此不做赘述。
[0134]
例如，当第二步中确定所述第二网络单元张量为t
2.1
上的所述新属性x
new
(误码率)属于网络资源维度时，需要在网络资源维度上将每个属性(包括带宽属性和长度属性)沿时间维度构成属性向量。以带宽属性沿时间维度构建属性向量为例，也就是将带宽属性根据所述第一局部网络对应的网络张量t
1.1
、t
1.2
、t
1.3
构建向量，可构建得到node4
‑
line6
‑
带宽
向量(400,400,400)，node4
‑
line8
‑
带宽向量(100,100,100)，node4
‑
line9
‑
带宽向量(0,0,0)，node6
‑
line6
‑
带宽向量(400,400,400)，
…
总计9条属性向量；同理地，长度属性沿时间维度也可以构建得到9条属性向量，因此属性向量总数p＝18。对于新属性x
new
，对应构建的新向量为x
new,1
、x
new,2
、x
new,3
分别表示所述新属性x
new
在网络张量t
2.1
对应的第一时间段内的值、在网络张量t
2.2
对应的第二时间段内的值、在网络张量t
2.3
对应的第三时间段内的值。然后按照公式(5)和(6)进行计算和判定，假设经计算后发现新向量与18个属性向量间的偏离程度大于所述第一网络单元张量t
1.1
在网络资源维度上的偏离平均值，判定所述新属性x
new
(误码率)确实属于网络资源维度，且与所述第一网络单元张量t
1.1
网络资源维度上的带宽属性和长度属性均不相似，则可在所述第一网络单元张量t
1.1
的网络资源维度上增加新属性误码率，完成空间资源维度上的融合。需要注意的是，融合之后需要调整对应的telemetry1，将当前时间段(即所述第一时间段22:51:08到22:56:08)内各链路(包括line6、line9、line8)的误码率也采集上报。其中，telemetry1进行数据补充采集后，所述第一时间段对应得到的时间段表如图9所示，此时根据图9构建的所述第一时间段对应的新网络单元张量t
1.1
沿着节点维度展开后如图10所示。
[0135]
需要说明的是，这里所述第二网络单元张量相对所述第一网络单元张量可能有一个或多个新属性，当有多个新属性时，每个新属性都需要分别按照上面的第二步和第三步进行判断融合，即有几个新属性就需要在空间资源维度上进行几次融合。例如，当有两个新属性(分别记为新属性一和新属性二)时，可先判断新属性一的所属空间资源维度并进行相似判断和融合，再判断新属性二的所属空间资源维度并进行相似判断和融合，两个新属性均融合后则完成在空间资源维度上的张量融合。
[0136]
另外，上述实施例中是以所述第一网络单元张量为基础进行融合为例，如果是以所述第二网络单元张量为基础进行融合，则需要确定所述第一网络单元张量相对所述第二网络单元张量的新属性，确定所述新属性在所述第二网络单元张量上的所属空间资源维度；然后判断新属性在其所属空间资源维度上与所述第二网络单元张量上各属性是否相似，如果不相似则在所述第二网络单元张量的所属空间资源维度上增加所述新属性。具体过程可参考上述介绍，在此不做赘述。
[0137]
步骤2042，通过在空间结构维度上计算所述物理网络中的比较节点与其余各节点的最短路径并进行映射，实现所述第一网络单元张量和所述第二网络单元张量在空间结构维度上的融合，从而得到该时间段内对应的网络张量。该步骤为空间结构维度上的融合，主要包括以下三大步：
[0138]
第一步，在所述物理网络中任选一个节点作为比较节点，计算其余各节点到所述比较节点的距离，并将各节点按照距离从小到大进行排序。以图3所示的云网拓扑为例，假设选取node1作为比较节点，则需要计算分别其余各节点(即node2
‑
node7)与node1之间的距离。其中，
①
若某节点与比较节点之间有链路相连，则该节点与比较节点之间的距离等于链路长；例如node2、node3分别与node1有直接链路line1、line3相连，则node2、node3与node1的距离分别为100、110。
②
若某节点与比较节点之间无链路直接相连，则采用最短寻路的方式(例如dijkstra算法)在拓扑图上找到与比较节点之间的最短路径，进而根据最短
路径得到该节点与所述比较节点之间的距离；例如node5与node1不直接相连，找到的最短路径为node1
‑
node4
‑
node5，则node5与node1间的距离为150。待计算出其余各节点分别与node1之间的距离后，从小到大进行排序：node1、node4、node2、node3、node6、node5、node7。
[0139]
第二步，根据其余各节点到所述比较节点的距离计算各链路到所述比较节点的距离，并将各链路按照距离从小到大进行排序。其中，某链路到比较节点的距离等于该链路两端节点分别到比较节点的距离和；例如line1两端节点node1、node2到node1的距离和为(0+100)，则lind1到node1的距离等于100。待计算出所有链路与比较节点node1的距离后，从小到大进行排序：line4、line1、line3、line6、line8、line2、line5、line9、line7。
[0140]
第三步，将各节点到所述比较节点的距离排序以及各链路到所述比较节点的距离排序映射到同一网络张量上，实现所述第一网络单元张量和所述第二网络单元张量在空间结构维度上的融合。本发明实施例主要是以所述第一时间段内的网络单元张量t
1.1
与网络单元张量t
2.1
融合成网络张量t1为例，通过将前两步得到的距离排序结果映射到同一网络张量上，即可融合t
1.1
与t
2.1
得到所述第一时间段(即22:51:08到22:56:08)对应的网络张量t1，沿着节点维度展开后如图11所示。
[0141]
根据上述步骤，同样可融合t
1.2
与t
2.2
得到所述第二时间段(即22:56:08到23:01:08)对应的网络张量t2，融合t
1.3
与t
2.3
得到所述第三时间段(即23:01:08到23:06:08)对应的网络张量t3，最终得到沿时间维度分布的t1、t2、t3三个网络张量。也就是说，对于图3所示的云网结构，在2020年7月9日22:51:08到23:06:58这15分钟的上报周期内，云网张量t包括t1、t2、t3，沿时间维度展开后如图12所示。为方便观察，仅在网络张量t2中对各维度进行标注，其余两个网络张量t1和t3对应的维度可参考网络张量t2，在此不做赘述。
[0142]
通过本发明实施例提供的上述步骤201
‑
步骤204即可完成云网资源的张量构建，借助张量实现了云网资源的统一表示，有效解决了云网资源独立、数据异构的问题。通过按照时间最小颗粒划分，以节点为核心、链路为骨架、资源为上层建筑的模式构建网络张量，基于时间特征提出云网资源随时间的张量化表示方法，可准确描述云网资源随时间的变化；另外，本发明还基于特征相似计算提出网络单元张量在空间资源维度的融合方法，可准确有效地实现张量融合。
[0143]
实施例3
[0144]
在上述实施例2的基础上，本发明实施例继续以图3所示的云网拓扑为例，对步骤30对应的张量匹配过程进行介绍。该过程主要分为两大步，第一步是判断云网资源的稳定性，第二步是用户任务张量与网络张量的匹配(即用户任务与云网资源的匹配)，本发明实施例将针对两个主要步骤分别展开介绍。
[0145]
结合图13，第一步“判断云网资源的稳定性”具体包括：
[0146]
步骤301，从第一网络张量和第二网络张量的多个相同点中找出不动点；其中，所述第一网络张量和所述第二网络张量分别对应相邻的在前时间段和在后时间段。
[0147]
由前面介绍可知，按照步骤20中的张量构建方法，当前上报周期t内按时间维度共得到b个网络张量，分别对应b个不同的时间段，因此可通过比较相邻两个时间段内网络张量的变化来判断云网资源的稳定性。首先要根据相邻两个时间段内的两个网络张量中的相同点，来找到两个网络张量的不动点；其中，相同点就是指该点在两个网络张量上的节点维度和链路维度均相同。假设相邻两个时间段中在前时间段内对应的网络张量记为第一网络
张量，在后时间段内对应的网络张量记为第二网络张量，则所述第一网络张量和所述第二网络张量中不动点的寻找过程具体如下：
[0148]
首先根据所述物理网络中包含的节点数和链路数找到所述第一网络张量和所述第二网络张量的所有相同点，相同点的总数量＝节点数*链路数；然后在每个相同点上计算所述第一网络张量和所述第二网络张量的距离，并按照距离从小到大的进行排序；最后从所有相同点中选择距离最小的w个相同点设定为不动点，w≥1。其中，在每个相同点上，该相同点在两个网络张量之间的距离等于该相同点上每个属性在两个网络张量之间的距离之和。若某个节点在所述在前时间段内存在，在所述在后时间段不存在，则在所述在后时间段对应的所述第二网络张量上用0补齐该节点；若某个节点在所述在前时间段内不存在，在所述在后时间段存在，则判断云网资源不稳定，需要重新调整云网资源分配方案。
[0149]
结合图3所示的云网拓扑，以比较所述第一时间段的网络张量t1和所述第二时间段的网络张量t2来判断云网资源稳定性为例，即所述第一网络单元张量为t1，所述第二网络单元张量为t2。首先找到t1和t2两个网络张量中的相同点，包括点(node1，line1，内存，cpu，带宽，长度，误码率)、点(node2，line1,
…
)
…
共计7*9＝63个相同点。然后针对每个相同点，通过计算该相同点在每个属性(包括内存、cpu、带宽、长度、误码率)上的距离之和得到该相同点在t1和t2两个网络张量之间的距离。例如，网络张量t1上的点0(node1，line1，内存＝1，cpu＝1，带宽＝100，长度＝100，误码率＝0.2)与网络张量t2上的点0(node1，line1，内存＝1，cpu＝1，带宽＝100，长度＝100，误码率＝0.3)，点0在两个网络张量间的距离等于内存距离(1
‑
1＝0)、cpu距离(1
‑
1＝0)、带宽距离(100
‑
100＝0)、长度距离(100
‑
100＝0)、误码率距离(0.3
‑
0.2＝0.1)之和，即点0在网络张量t1和网络张量t2之间的距离为0.1。假设计算完成所有63个相同点在两个网络张量之间的距离之后，按照距离从小到大的顺序排列为点1(node5，line5，内存＝1，cpu＝2，带宽＝400，长度＝50，误码率＝0.3)、点2(node1，line3，cpu＝1，带宽＝100，长度＝100，误码率＝0.1)，...，以w＝1为例，则可选择其中距离最小的第一个点设为不动点，即点1(node5，line5，内存＝1，cpu＝2，带宽＝400，长度＝50，误码率＝0.3)为不动点。
[0150]
步骤302，通过在所述第一网络张量上计算所述不动点与其余各相同点的距离确定优选距离d，并围绕所述不动点在优选距离d的空间内设置观察张量。
[0151]
对于每个不动点，需要计算所述第一网络张量t1上该不动点与其余各相同点之间的距离；然后按照距离从小到大进行排序，可选取其中第m个距离作为优选距离d，然后围绕该不动点在优选距离d的空间内设置相应的观察张量；此处设置w个不动点时，则对应设置w个观察张量。其中，经多次试验发现，m优选取值为两倍链路数，当然也可在两倍链路数上下一定范围你选择或根据实际需求选择其他合适的数值，在此不做限制。
[0152]
例如，当w＝1且选择点1作为不动点时，需要计算点1与其余62个相同点之间的距离，然后从小到大依次排序；这里总共计算出62个距离，所述第一网络张量t1上的链路数为9，则可选取排序后的第18个距离作为优选距离d；最后在所述第一网络张量t1上围绕不动点1(node5，line5，内存＝1，cpu＝2，带宽＝400，长度＝50，误码率＝0.3)，在优选距离d的空间内设置一个观察张量，则在这个观察张量中包含了18个相同点。
[0153]
步骤303，通过比较所述观察张量随时间的资源变化率与所述第一网络张量随时间的资源变化率，判断云网资源的稳定性。通常通过以下两个条件来判断云网资源的稳定
性：
[0154]
1)在所述第一网络张量上，w个观察张量中有一半及以上观察张量的资源变化率小于所述第一网络张量的资源变化率*(相同点总数量/观察张量中的相同点数量)。
[0155]
2)在所述第一网络张量上，w个观察张量中有一半及以上观察张量的资源变化率大于所述第一网络张量的资源变化率。
[0156]
若满足以上两个条件，则判定网络资源稳定，不需重新分配资源。
[0157]
例如，本发明实施例中所述第一网络张量t1上只包含一个观察张量，该观察张量中包含18个相同点，则该观察张量的资源变化率应：
[0158]
①
小于所述第一网络张量t1资源变化率的3.5倍(因为所述第一网络张量t1和所述第二网络张量t2上的相同点总数量为63，观察向量中相同点数量为18，则倍数＝63/18＝3.5)，否则就可以为云网资源不稳定。这是因为大部分相同点，例如点4(node1，line7，内存＝0，cpu＝0，带宽＝0，长度＝0，误码率＝0)，其空间资源维度上的属性值均为0，而且在两个相邻时间段内变化的距离也为0，第一网络张量t1上这样的点有45个。如果观察张量的资源变化率比所述第一网络张量t1的资源变化率大很多，则认为原来在空间资源维度上属性值不为0的相同点上，因为某种原因(类似节点坏掉)导致某些空间资源维度上属性值变为0，导致在观察张量中该相同点的资源变化过大，从而加大观察张量的资源变化率，使得观察张量的资源变化率过大。
[0159]
②
大于所述第一网络张量t1内的资源变化率，否则同样认为云网资源不稳定。这是因为当观察张量的资源变化率过小时，说明这些空间资源维度上属性值均为0的相同点，因为某些原因(类似新链路开通)变成了空间资源维度上属性值不为0的相同点，从而导致不在观察张量中的该相同点的资源变化过大，提高了所述第一网络张量t1内的资源变化率，使得所述第一网络张量t1内的资源变化率大于观察张量的资源变化率。
[0160]
当基于上述两个条件判定当前时间段内云网资源稳定后，进入到第二步的用户任务张量与网络张量的匹配阶段。
[0161]
继续结合图14，第二步“用户任务张量与网络张量的匹配”具体包括：
[0162]
步骤304，对用户任务进行向量化表示，并通过将用户任务张量与所述网络张量在空间资源维度上进行匹配，得到云网资源的多个分配方案。
[0163]
用户提出任务需求后，可通过人工智能方式(例如语音识别、图像识别等)将用户任务转换成用户任务张量；其中，用户任务的数量可能为一个或多个，每个用户任务对应构建一个用户任务张量，则最终得到一个或多个用户任务张量。以图3所示的云网拓扑为例，假设有两个用户任务，分别记为任务1和任务2，则可通过将对应的用户任务张量与前面构建的网络张量在空间资源维度上进行匹配，在满足任务资源限制的条件下枚举出所有的分配方案。例如，分配方案1：将node1、node2、node3、line1、line2、line3、line5分配给任务1，将剩余的节点和链路分配给任务2；分配方案2：将node4、node5、line1、line2、line3、line4分配给任务1，将剩余的节点和链路分配给任务2；...，等等。
[0164]
步骤305，基于用户效用和云网资源利用率计算每个分配方案的方案价值，并选取方案价值最大的分配方案作为云网资源的最优分配方案。
[0165]
用户任务与云网资源的最优匹配是基于最大化用户效用u和云网资源利用率v。当枚举出所有的分配方案之后，对于每个分配方案，计算每个用户任务在该分配方案中的用
户效用u和云网资源利用率v，进而根据计算出的用户效用u和云网资源利用率v得到该分配方案下每个用户任务的任务价值u，此处定义任务价值u＝uv；然后将该分配方案下每个用户任务的任务价值u之和作为该分配方案的方案价值。得到所有分配方案的方案价值后，选取方案价值最大的分配方案作为云网资源的最优分配方案，如此一来便基于最大化用户效用和云网资源利用率达到最大化网络资源分配价值的目标，实现为不同应用提供不同服务质量保证，合理分配云网资源。
[0166]
其中，对于每个分配方案，云网资源利用率v等于所有属性上已用资源与可用资源的比值，已用资源不能超过可用资源。而每个用户任务对应的用户效用u的计算过程如下：
[0167]
①
首先根据使用协议对不同业务进行划分。例如可分为voip(voice over internet protocol，即基于ip的语音传输)业务、iptv(interactive personality tv，即个人交互式电视)业务、tcp(transmission control protocol，即传输控制协议)业务、http(hypertext transfer protocol，即超文本传输协议)业务和udp(user datagram protocol，即用户数据报协议)业务等。
[0168]
②
其次根据每个业务在不同属性上的不同特性，确定每个业务在每个属性上的用户效用函数。例如对于网络资源维度的带宽属性b，voip业务对分组延迟和丢失十分敏感，当分配带宽低于voip业务最低带宽b
min
时，用户效用迅速降为0；当实际带宽高于最低带宽时用户的效用也不会增加，而是具有固定的带宽需求。根据voip业务在带宽属性上的上述特性，可画出voip业务
‑
带宽效用图，如图15所示。根据图15，可构建得到voip业务在带宽属性上的用户效用函数u(b)如下：
[0169][0170]
其中，对于同一类型的业务，该类型业务在同一属性上的用户效用函数的表达式是相同的，但与具体业务相关的特有参数有所不同。例如，对于带宽属性，所有voip业务的用户效用函数相同，如公式(7)所示，但每个业务的参数b
min
时则根据不同业务自身决定。
[0171]
③
最后基于用户效用函数计算当前用户任务在空间资源维度(包括计算、网络、存储三个维度)每个属性上的用户效用，则当前用户任务的用户效用u等于当前用户任务在空间资源维度所有属性上的用户效用之和。
[0172]
通过本发明实施例提供的上述步骤301
‑
步骤305，可根据每个业务在不同属性上的不同特性确定用户效用函数，以便利用用户效用函数来计算用户任务的用户效用，最后基于最大化用户效用和云网资源利用率实现云网资源的随需分配，为不同应用提供不同服务质量保证，从而更好地满足用户需求，合理分配云网资源，提高云网资源分配价值。
[0173]
实施例4
[0174]
在上述实施例1
‑
实施例3的基础上，本发明实施例进一步提供了一种云网资源的统一表示及优化分配系统，如图16所示，主要包括数据采集模块、张量构建模块、张量匹配模块、张量切片模块和张量计算模块，分别用于数据采集、张量构建、张量匹配、张量切片和张量计算。具体如下：
[0175]
所述数据采集模块用于根据数据采集范围将整个物理网络切分为至少两个局部网络，分别对每个局部网络进行数据采集，并周期性地进行数据上报给所述张量构建模块，即执行所述步骤10；其中，更具体的功能描述可参考实施例1和实施例2中的相关介绍，在此
不做赘述。
[0176]
所述张量构建模块用于根据所述数据采集模块对应的上报数据分别针对每个局部网络构建网络单元张量，并逐步将每个局部网络对应的网络单元张量进行融合，得到整个物理网络对应的网络张量，并发送至所述张量匹配模块，即执行所述步骤20；其中，更具体的功能描述可参考实施例1和实施例2中的相关介绍，在此不做赘述。同时，所述张量构建模块还可将用户任务构建成用户任务张量，并分别发送至所述张量匹配模块和所述张量计算模块。
[0177]
所述张量匹配模块用于将所述张量构建模块发送来的用户任务张量与所述网络张量进行匹配，并基于最大化用户效用和云网资源利用率的原则，计算出云网资源的最优分配方案，并发送给所述张量切片模块，即执行所述步骤30；其中，更具体的功能描述可参考实施例1和实施例3中的相关介绍，在此不做赘述。
[0178]
所述张量切片模块用于根据所述张量匹配模块发送来的云网资源的最优分配方案对所述网络张量进行切片，并重新映射到所述物理网络中，实现对所述物理网络的切片，即执行所述步骤40。其中，按照最优分配方案对所述张量构建模块构建的所述网络张量进行切片，属于虚拟切片；然后再将切片结果映射到实际的物理网络中，实现对所述物理网络的实际切片。按照最优分配方案，不同的物理网络切片分配给不同的用户任务，真正实现云网资源的优化分配。
[0179]
所述张量计算模块用于在每个物理网络切片上对所述用户任务张量进行分布式计算处理，即执行所述步骤40。通过对所述用户任务张量进行分布式计算处理，可加速用户任务进程，提高网络效率，更快地满足用户需求。
[0180]
通过所述张量构建模块，可基于采集数据对每个局部网络分别构建网络单元张量，再将每个局部网络的网络单元张量进行融合，得到整个物理网络的网络张量，如此一来便借助张量实现了云网资源的统一表示，有效解决了云网资源独立、数据异构的问题；通过所述张量匹配模块，可基于最大化用户效用和云网资源利用率实现云网资源的随需分配，为不同应用提供不同服务质量保证，从而更好地满足用户需求，合理分配云网资源，提高云网资源分配价值。