本技术涉及算力网络带宽预测，特别涉及一种算力网络的带宽预测方法、装置、设备及介质。
背景技术：
1、随着信息技术的不断进步，算力网络作为支撑海量传统与新型应用的基础设施，其重要性日益凸显。这些应用涵盖了从搜索引擎、在线推荐到即时通信等延迟敏感型服务，再到高性能计算、分布式机器学习等计算密集型任务。这些应用不仅需要处理大量的数据，还需要在严格的延迟限制内完成任务，这对算力网络的带宽预测能力提出了极高的要求。
2、在算力网络中，带宽预测是实现高效数据传输和资源管理的重要手段。通过对网络带宽的准确预测，可以优化数据传输策略，避免网络拥塞，提高数据传输的效率和稳定性。同时，带宽预测还可以为资源管理提供决策支持，帮助系统根据网络负载情况动态调整资源分配，以满足不同应用的需求。然而，算力网络带宽预测面临着诸多挑战。首先，网络流量具有突发性和不确定性，导致带宽预测的准确性受到影响。其次，随着分布式系统规模的扩大和应用的复杂性增加，网络拓扑结构变得越来越复杂，给带宽预测带来了更大的难度。此外，算力网络中还存在着多种不同类型的流量，如数据流量、控制流量等，这些流量对带宽的影响也不尽相同，增加了带宽预测的难度。
3、为了应对这些挑战，研究人员提出了多种算力网络带宽预测方法。其中，传统预测方法通过收集和分析历史网络流量数据，建立线性模型来预测未来带宽的变化趋势。这种方法简单直观，但在面对突发流量和网络拓扑变化时预测准确性较低。基于机器学习的预测方法利用机器学习算法对网络流量进行建模和预测，可以较好地处理非线性和不确定性问题，然而，这种方法很难捕捉到带宽变化的突发性。由此可见，现有的算力网络带宽预测方法存在带宽预测的准确性低的问题。
技术实现思路
1、本技术提供了一种算力网络的带宽预测方法、装置、设备及介质，可以解决带宽预测准确性低的问题。
2、第一方面，本技术实施例提供了一种算力网络的带宽预测方法，该带宽预测方法包括：
3、获取目标算力网络在 t个时刻的带宽值；第 t个时刻为当前时刻；
4、根据所有带宽值获取带宽时域信息和带宽频域信息，并将带宽时域信息和带宽频域信息进行拼接，得到融合信息；带宽时域信息用于描述所有带宽值在时域中的信息，带宽频域信息用于描述所有带宽值在频域中的信息；
5、将融合信息线性投影到隐藏维度，得到融合信息的第一投影和第二投影，对第一投影和第二投影进行下采样的特征提取，得到局部特征，并对第一投影和第二投影进行上采样的特征提取，得到全局特征；
6、将局部特征和全局特征进行融合，得到最终特征；
7、对最终特征进行预测，得到在当前时刻的下一时刻目标算力网络的预测带宽值。
8、可选的，根据所有带宽值获取带宽时域信息和带宽频域信息，包括：
9、将所有带宽值按照对应的所有时刻进行排序，得到带宽序列；
10、将带宽序列分解为多个子序列，并将包含元素最多的子序列的元素数量作为最大元素数量；
11、分别针对每个子序列，判断子序列中的元素数量是否等于最大元素数量，若是，则将子序列作为一频域分量，否则，向子序列中填充多个0元素，使子序列中的元素数量等于最大元素数量，并将填充后的子序列作为一频域分量；
12、将所有频域分量拼接为矩阵，得到带宽频域信息；
13、对每个子序列进行滑动平均池化，得到每个子序列对应的池化子序列；
14、分别针对每个池化子序列，判断池化子序列中的元素数量是否等于最大元素数量，若是，则将池化子序列作为一时域分量，否则，向池化子序列中填充多个0元素，使池化子序列中的元素数量等于最大元素数量，并将填充后的池化子序列作为一时域分量；
15、将所有时域分量拼接为矩阵，得到带宽时域信息。
16、可选的，将带宽序列分解为多个子序列，包括：
17、通过公式：
18、
19、获取第个子序列；
20、其中，表示第个子序列的低频分量，表示第个子序列的高频分量，表示低通滤波器，表示高通滤波器，表示第个子序列，，表示子序列的数量，当时，为带宽序列。
21、可选的，对第一投影和第二投影进行下采样的特征提取，得到局部特征，包括：
22、对第一投影进行下采样和激活函数处理，得到第一下采样投影向量，并利用状态空间模型对第一下采样投影向量进行处理，得到第一下采样投影表示；
23、对第二投影进行下采样和激活函数处理，得到第二下采样投影向量；
24、将第一下采样投影表示与第二下采样投影向量进行残差连接，得到局部特征。
25、可选的，对第一投影和第二投影进行上采样的特征提取，得到全局特征，包括：
26、对第一投影进行上采样和激活函数处理，得到第一上采样投影向量，并利用状态空间模型对第一上采样投影向量进行处理，得到第一上采样投影表示；
27、对第二投影进行上采样和激活函数处理，得到第二上采样投影向量；
28、将第一上采样投影表示和第二上采样投影向量进行残差连接，得到全局特征。
29、可选的，将局部特征和全局特征进行融合，得到最终特征，包括：
30、将局部特征和全局特征进行拼接，得到拼接特征；
31、利用融合模块对拼接特征进行特征融合，得到最终特征。
32、可选的，利用融合模块对拼接特征进行特征融合，得到最终特征，包括：
33、通过公式：
34、
35、
36、
37、计算最终特征；
38、其中，表示拼接特征，表示第一融合子模块的运算，表示第二融合子模块的运算，为第二融合子模块的输入且，表示多层感知机，表示平均池化，表示最大池化，表示卷积操作，表示激活函数。
39、第二方面，本技术实施例提供了一种算力网络的带宽预测装置，包括：
40、获取模块，获取目标算力网络在 t个时刻的多个带宽值；第 t个时刻为当前时刻；
41、拼接模块，根据所有带宽值获取带宽时域信息和带宽频域信息，并将带宽时域信息和带宽频域信息进行拼接，得到融合信息；带宽时域信息用于描述所有带宽值在时域中的信息，带宽频域信息用于描述所有带宽值在频域中的信息；
42、特征提取模块，将融合信息线性投影到隐藏维度，得到融合信息的第一投影和第二投影，对第一投影和第二投影进行下采样的特征提取，得到局部特征，并对第一投影和第二投影进行上采样的特征提取，得到全局特征；
43、融合模块，将局部特征和全局特征进行融合，得到最终特征；
44、预测模块，对最终特征进行预测，得到在当前时刻的下一时刻目标算力网络的预测带宽值。
45、第三方面，本技术实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，该处理器执行上述计算机程序时实现上述的算力网络的带宽预测方法。
46、第四方面，本技术实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述的算力网络的带宽预测方法。
47、本技术的上述方案有如下的有益效果：
48、在本技术的实施例中，通过获取目标算力网络在 t个时刻的带宽值，然后根据所有带宽值获取带宽时域信息和带宽频域信息，并将带宽时域信息和带宽频域信息进行拼接，得到融合信息，再将融合信息线性投影到隐藏维度，得到融合信息的第一投影和第二投影，对第一投影和第二投影进行下采样的特征提取，得到局部特征，并对第一投影和第二投影进行上采样的特征提取，得到全局特征，然后将局部特征和全局特征进行融合，得到最终特征，最后对最终特征进行预测，得到在当前时刻的下一时刻目标算力网络的预测带宽值。其中，将带宽时域信息和带宽频域信息进行拼接，能够提高融合信息中的信息丰富度，对信息丰富度高的融合信息提取局部特征和全局特征，能够考虑局部和全局两个方面的信息，使得最终特征的准确性提高，利用准确性高的最终特征预测得到的预测带宽值的准确性提高。
49、本技术的其它有益效果将在随后的具体实施方式部分予以详细说明。