一种基于流量预测与ONU迁移的无源光网络动态切片方法、装置及存储介质

本发明涉及通信，尤其涉及一种基于流量预测与onu迁移的无源光网络动态切片方法、装置及存储介质。

背景技术：

1、在工业互联网高速发展阶段，其接入网设备激增，工业互联网应用场景对网络承载能力的要求不断提升。

2、作为工业互联网主要接入技术，现有光接入网由于结构固化、灵活性差等问题，在面对异构网络时会导致部署成本增加和接入网带宽资源的浪费，难以匹配工业互联网各项设备的需求。

技术实现思路

1、鉴于此，本发明的实施例提供了一种基于流量预测与onu迁移的无源光网络动态切片方法，以消除或改善现有技术中存在的一个或更多个缺陷。

2、本发明的一个方面提供了一种基于流量预测与onu迁移的无源光网络动态切片方法，所述方法的步骤包括：

3、获取切片中每个光网络单元的历史流量数据，基于历史流量数据构建输入数据，将所述输入数据输入到预设的预测模型中，输出每个光网络单元在预测周期对应的输出数据，基于每个光网络单元的输出数据确定该切片在所述预测周期的预测流量数据；

4、计算当前切片总带宽是否满足预测流量数据；

5、若不满足，则计算其他切片在预测周期的剩余带宽，修改光网络单元与切片的从属关系，将溢出流量对应的光网络单元迁移至剩余带宽最大的切片中；

6、若满足，则以当前切片执行流量传输。

7、采用上述方案，本方案通过光网络单元(optical network unit，onu)迁移改变与切片从属关系，获得空闲切片的带宽，最小化资源调整的范围，提高资源利用率，同时，由于网络资源计算和指令下发占用时间较长，导致切片迁移滞后，引入预测模型进行流量预测，提前进行灵活的网络调整，在面对异构网络时避免了成本增加和接入网带宽资源的浪费，能够匹配工业互联网各项设备的需求。

8、在本发明的一些实施方式中，在计算当前切片总带宽是否满足预测流量数据的步骤中，根据如下公式计算：

9、

10、其中，bk表示当前切片k在预测周期的剩余带宽，若bk＜0，则不能满足预测流量数据，若bk≥0，则满足预测流量数据；wk表示切片k的总带宽；l表示当前切片中的光网络单元总数量，i表示第i个光网络单元，si第i个光网络单元中的流量所需的带宽。

11、在本发明的一些实施方式中，所述将溢出流量对应的光网络单元迁移至剩余带宽最大的切片中的步骤包括：

12、分别计算每个切片在预测周期的剩余带宽，将切片根据剩余带宽的大小进行排序；

13、将溢出流量对应的光网络单元迁移至排序高的切片中。

14、在本发明的一些实施方式中，将切片根据剩余带宽的大小按照升序进行排序。

15、在本发明的一些实施方式中，所述将溢出流量对应的光网络单元迁移至剩余带宽最大的切片中的步骤还包括：

16、在预测周期的执行过程中，识别每个光网络单元所接收到的流量的业务类型，基于所述业务类型的优先级，基于流量的优先级确定光网络单元的优先级，将低优先级的光网络单元迁移至剩余带宽最大的切片中。

17、在本发明的一些实施方式中，所述基于流量的优先级确定光网络单元的优先级，将低优先级的光网络单元迁移至剩余带宽最大的切片中的步骤包括：

18、从最低优先级的光网络单元开始判断，将最低优先级的光网络单元逐个标记为待迁移状态，每标记一次待迁移状态则判定一次切片的带宽是否能够满足剩余未标记的光网络单元；若能满足，则将待迁移状态的光网络单元进行迁移；若不能满足，则继续进行标记；

19、若任一优先级的光网络单元全部标记为待迁移状态后，所述切片的带宽不能满足剩余未标记的光网络单元，则继续将该优先级上一优先级的光网络单元逐个标记为待迁移状态，每标记一个光网络单元判定一次切片的带宽是否能够满足剩余未标记的光网络单元；若能满足，则将待迁移状态的光网络单元进行迁移；若不能满足，则继续进行标记，直到切片的带宽是否能够满足剩余未标记的光网络单元。

20、在本发明的一些实施方式中，在基于所述业务类型的优先级，基于流量的优先级确定光网络单元的优先级，将低优先级的光网络单元迁移至剩余带宽最大的切片中的步骤中，基于所述业务类型将流量分为三个优先级，以当前切片优先负载优先级高的流量对应的光网络单元。

21、采用上述方案，onu业务优先级识别可通过使用流量识别分类方法来实现，识别方法可分为四种：基于端口的识别分类、基于深度包检测的识别分类、基于行为模式的识别分类和基于机器学习的识别分类，在具体实施过程中，在流量生成中使用为流量的业务类型预设业务优先级来简化这一过程。

22、在本发明的一些实施方式中，在将所述输入数据输入到预设的预测模型中的步骤中，预设的所述预测模型为预训练的预测模型，在对所述预测模型进行预训练的步骤中，获取预设的训练数据集，以均方误差作为损耗函数进行计算，对所述预测模型进行训练。

23、在本发明的一些实施方式中，所述预测模型采用lstm神经网络模型。

24、在本发明的一些实施方式中，本发明中神经网络的训练，以onu带宽分配周期为采样周期，对每个onu的流量进行采集，获得样本数据集，并将其划分为训练集、验证集和测试集。对所有数据集进行归一化预处理，采用均方误差作为损失函数对lstm神经网络进行训练。使用验证集和测试集对训练后的lstm网络进行验证和测试。预测下一个onu带宽分配周期的流量，根据训练好的lstm神经网络与onu历史流量得到onu流量预测值。

25、采用上述方案，本方案将流量预测与onu迁移的结合，对是否迁移进行判决，这意味着此算法可以减少频繁改变配置造成的系统损耗和onu迁移时延增大。

26、本发明的第二方面还提供一种基于流量预测与onu迁移的无源光网络动态切片装置，所述装置包括：

27、流量预测模块，用于获取切片中每个光网络单元的历史流量数据，基于历史流量数据构建输入数据，将所述输入数据输入到预设的预测模型中，输出每个光网络单元在预测周期对应的输出数据，基于每个光网络单元的输出数据确定该切片在所述预测周期的预测流量数据；

28、带宽计算与分配模块，用于计算当前切片总带宽是否满足预测流量数据；若不满足，则计算其他切片在预测周期的剩余带宽，修改光网络单元与切片的从属关系，将溢出流量对应的光网络单元迁移至剩余带宽最大的切片中；若满足，则以当前切片执行流量传输。

29、本发明的第三方面还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述基于流量预测与onu迁移的无源光网络动态切片方法所实现的步骤。

30、本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出并获得。

31、本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。