本申请涉及复杂网络领域,具体涉及一种数据中心多维业务共享设备的有向链路动态预测方法。
背景技术:
1、随着5g的迅速发展,新型电力系统也在向着高度数字化、智能化不断推进,“大云物移智链”等技术蕴藏着无穷的潜力与发展的可能,不断完善的5g落实至国家电网等企业生态,为产业的智能化升级与数字化转型提供不竭动力。5g的发展,使得传输高可靠低时延的业务成为可能,使得实时监控高清的数据中心设备状态系统成为可能,但面向新型电力系统的多维、海量数据,如何能够基于已有的历史数据适时作出预测,规避可能的风险,已然成为需要重点关注的问题。
技术实现思路
1、本申请实施例的目的在于提供一种数据中心多维业务共享设备的有向链路动态预测方法,提升系统的实时运维水平和风险预估能力。
2、为实现上述目的,本申请提供如下技术方案:
3、本申请实施例提供一种数据中心多维业务共享设备的有向链路动态预测方法,包括以下具体步骤:
4、步骤1:输入数据中心同一机房的网络设备数量n,假设第t时刻将第i台设备拟合为社交网络中的节点vi,i=1...n,若第i台设备和第j台设备之此时存在第k种业务交互,则代表节点vi和节点vj之间的连边不为零。将一段时间t内的社交网络参数设为gt={v,et}(1≤t≤t),v=(v1,v2,...vn),其中gt代表网络的拓扑结构参数集,v代表节点集合,et代表节点间连边集合,
5、边集m代表链路的维度,代表在第k种业务维度下,节点vi和节点vj之间业务交互的权重,不同维度代表不同种类的业务流,在边集et中遍历所有维度为k的边,并找出这些边对应的节点,计算第k维网络的adamic-adar指标;
6、步骤2:根据不同业务流的语义信息计算第k维网络的业务流依赖指标;
7、步骤3:将上述的两种相似度结合在一起,计算第k维度下节点对(i,j)的动态权重并将节点对(i,j)的动态权重赋为链接的权重;重复步骤1-3直至所有维度所有时间采样的网络链接都被动态赋权;
8、步骤4:输入t=1....t内的第k维网络的节点对的链接权重基于指数加权滑动平均法对节点对的链接建模设计预测模型,约束模型中平滑系数α的值满足:0<α<1,α的取值未知;
9、步骤5:将已有的历史链接权重数据划分为训练集和测试集,并假设训练集和测试集中的数据服从联合高斯分布,基于混合高斯模型建模含平滑系数α的期望、协方差的表达式;
10、步骤6:利用高斯混合模型中的均方误差作为损失函数进行目标函数建模,建模约束条件,上述问题化为一个优化问题,即求在约束范围内使得损失函数最小时对应的平滑系数α的值;
11、步骤7:采用最大超参数的对数似然函数算法来求解上述优化问题,求出的最优解即为对应的平滑系数α的值;
12、步骤8:考虑不同维度业务之间的依赖关系,根据建立的预测模型对t+1时刻的网络迭代预测,输出预测结果,即第t+1时刻的网络参数gt+1={v,et+1}。
13、所述步骤1通过以下具体方式对网络结构的相似性进行描述:首先在边集et中遍历所有维度为k的边,并找出这些边对应的节点,对所有节点对(i,j)i=1...n,j=1...n分别计算在t时刻第k维对应的节点i,j的m阶邻居集合γk(i,t)和γk(j,t),m阶邻居数定义为从节点i经过m+1跳到达其他节点并现存链路的节点集合,用γ表示,求节点对(i,j)的共同邻居数,即γk(i,t)∩γk(j,t),求共同邻居集中所有的节点的近邻程度ωk(t):
14、
15、利用下式计算第k维t时刻网络所有节点对的adamic-adar指标:
16、
17、所述步骤2中根据不同业务流的语义信息定义不同层面业务之间的关联程度,这种程度用θ来表征,通过以下具体方式对业务关联特征的相似度进行描述:假设存在四种关联关系:①相互独立,互不干扰,此时业务关联因子θ=0;②传递,即t时刻第k维网络对应的业务会在t+1时刻对第q维网络对应的业务产生单向影响,此时θk,q>1;③交互,即t时刻第k维网络对应的业务t+1时刻对第q维网络对应的业务产生影响,t+1时刻第q维网络对应的业务也会在t+2时刻对第k维网络对应的业务产生影响,即是一种双向的影响,此时0<θk,q<1;④回溯,t+1时刻第q维网络对应的业务也会在t+2时刻对第k维网络对应的业务产生影响,此时θk,q<0,根据t时刻两两业务的相对内存利用率和交互数据量占所有数据量的比率来确定θ值,并将θ值归一化到规定的区间内,从而得到业务k和业务q之间的依赖度θk,q。
18、所述步骤3通过下式将上述的两种相似度结合在一起,计算第k维度下节点对(i,j)的动态权重
19、
20、所述步骤4中基于指数加权滑动平均法对节点对的链接预测模型设计如下式:
21、
22、上式中,是t+1时刻的预测平均值,是t时刻的预测平均值,是t时刻的实际值,α为平滑系数,0<α<1,
23、而多个节点对之间的链接权重可以看作是一个多维的时间序列,那么t+1时刻的预测值可以按照下式进行计算:
24、
25、上时两边同乘(1-α)并代入即可得到:
26、
27、步骤6中的优化问题建模过程如下:
28、代表历史时刻网络拓扑,f(h)代表基于历史时刻预测的t+1时刻的网络拓扑,l(·)代表损失函数,以此来衡量真实值和预测值之间的差距,使用混合高斯模型来定量损失函数,从而预测链路动态权重。
29、与现有技术相比,本发明的有益效果是:
30、通过提取采样后的历史低时间分辨率的链路传输数据拓扑的结构特征和数据特征作为已有数据输入到预测模型中进行分析,通过adamic-adar指标表征各维度网络的结构特征,通过不同维业务流的语义信息表征各维度网络的数据特征,二者相结合来描述节点对的相似性,从而实现对于链接的动态赋权;这种方式有助于我们后续对于业务关联特征的进一步研究。
31、考虑利用高斯混合模型设计包含滑动系数α在内的损失函数,由于高斯回归模型作为一种能够应用至智能学习领域的统计类建模工具,具有高度的数据驱动性和清晰的可解释性,因此选用高斯模型为基础进行定量分析。基于gmm设计损失函数,并规划约束条件。如此形成一个优化问题,即以滑动系数为最优解,目标函数为损失函数最小的优化问题,这样建模的好处是有助于合理建模预测模型,模型的可解释性强、泛化性能好,相比依据经验为预测模型中的平滑系数赋值,无疑会提升预测模型的精确度和实时性。
1.一种数据中心多维业务共享设备的有向链路动态预测方法,其特征在于,包括以下具体步骤:
2.根据权利要求1所述的一种数据中心多维业务共享设备的有向链路动态预测方法,其特征在于,所述步骤1通过以下具体方式对网络结构的相似性进行描述:首先在边集et中遍历所有维度为k的边,并找出这些边对应的节点,对所有节点对(i,j)i=1...n,j=1...n分别计算在t时刻第k维对应的节点i,j的m阶邻居集合γk(i,t)和γk(j,t),m阶邻居数定义为从节点i经过m+1跳到达其他节点并现存链路的节点集合,用γ表示,求节点对(i,j)的共同邻居数,即γk(i,t)∩γk(j,t),求共同邻居集中所有的节点的近邻程度ωk(t):
3.根据权利要求1所述的一种数据中心多维业务共享设备的有向链路动态预测方法,其特征在于,所述步骤2中根据不同业务流的语义信息定义不同层面业务之间的关联程度,这种程度用θ来表征,通过以下具体方式对业务关联特征的相似度进行描述:假设存在四种关联关系:①相互独立,互不干扰,此时业务关联因子θ=0;②传递,即t时刻第k维网络对应的业务会在t+1时刻对第q维网络对应的业务产生单向影响,此时θk,q>1;③交互,即t时刻第k维网络对应的业务t+1时刻对第q维网络对应的业务产生影响,t+1时刻第q维网络对应的业务也会在t+2时刻对第k维网络对应的业务产生影响,即是一种双向的影响,此时0<θk,q<1;④回溯,t+1时刻第q维网络对应的业务也会在t+2时刻对第k维网络对应的业务产生影响,此时θk,q<0,根据t时刻两两业务的相对内存利用率和交互数据量占所有数据量的比率来确定θ值,并将θ值归一化到规定的区间内,从而得到业务k和业务q之间的依赖度θk,q。
4.根据权利要求1所述的一种数据中心多维业务共享设备的有向链路动态预测方法,其特征在于,所述步骤3通过下式将上述的两种相似度结合在一起,计算第k维度下节点对(i,j)的动态权重
5.根据权利要求1所述的一种数据中心多维业务共享设备的有向链路动态预测方法,其特征在于,所述步骤4中基于指数加权滑动平均法对节点对的链接预测模型设计如下式:
6.根据权利要求1所述的一种数据中心多维业务共享设备的有向链路动态预测方法,其特征在于,步骤6中的优化问题建模过程如下: