CN119299327B 一种基于图神经网络的孪生网络性能预测方法、装置及存储介质 （南京信息工程大学）

一种基于图神经网络的孪生网络性能预测本发明公开了一种基于图神经网络的孪生集；对依赖图数据集中的各节点状态进行初始隐藏状态对预先构建的网络性能预测模型进行网络以及门控循环单元协同工作获取迭代更新理通信网络实时信息输入训练好的网络性能预2获取物理通信网络实时相关网络信息，输入到训练好的网络性对数字孪生通信网络获取到的物理通信网络历史相关网络信息进行使用所述初始隐藏状态对预先构建的网络性能预测模型进循环单元协同工作获取迭代更新的隐藏状态信息，并根据所述隐藏状态信息调整模型参所述对数字孪生通信网络获取到的物理通信网络历史相关网络信息进行预处所述网络依赖图包括一组链路、一组网络设备输出端口上的队列以及一组源到目的地所述对所述依赖图数据集中的各链路、路径及队列信息分别进行状路径状态初始化：通过连接流量特征、数据包数量特征以及零3通过所述GRUCell门控循环单元层分别定义路径循环单元、链路循环单元以及队列循结合所述Attention注意力层、MPNN消息传递神经网络层通过所述Readout读出层根据更新后的路径隐藏状态输出性根据所述性能预测值和真实值之间的均方误差MSE对所述网络性能预测模型进行训,计算网络性能预测模型的预测值与真实值之间的平均绝对误差MAE、平均绝对百分比,,4,队列和链路到路径：收集每条路径包含的队列和链路的信息隐藏状态和队列隐藏状态计算注意力机制产生的临时状态，根据和该时刻的路径隐藏状态作为输入利用RNN循环神经网络层中的GRU单元更新得到新路径隐藏状态息之和及队列隐藏状态通过RNN循环神经网络中的GRU单元更新得到新队列隐藏状性能预测结果获取模块：用于获取物理通信网络实时相关网络对数字孪生通信网络获取到的物理通信网络历史相关网络信息进行使用所述初始隐藏状态对预先构建的网络性能预测模型进循环单元协同工作获取迭代更新的隐藏状态信息，并根据所述隐藏状态信息调整模型参所述对数字孪生通信网络获取到的物理通信网络历史相关网络信息进行预处5所述网络依赖图包括一组链路、一组网络设备输出端口上的队列以及一组源到目的地器执行时实现如权利要求1至6任一项所述的基于图神经网络的孪生6[0003]图神经网络GNN由于其处理图结构数据的强大能力，进一步增强了性能预测的准[0005]本发明在于提供一种基于图神经网络的孪生网络性能预测方法、装置及存储介质，通过对训练集数据进行特征选择及特征整合选出最佳特征，并通过结合注意力机制、7包括相互连接的MPNN消息传递神经网络层和RNN[0024]可选地，所述使用所述初始隐藏状态对预先构建的网络8[0025]通过所述GRUCell门控循环单元层分别定义路径循环单元、链路循环单元以及队[0028]根据所述性能预测值和真实值之间的均方误差MSE对所述网络性能预测模型进行n轮训练以及最后一轮训练生成的网络性能预测模型，通过计算网络性能预测模型的预测值与真实值之间的平均绝对误差MAE、平均绝对百分比误差MAPE以及相关系数r2评估模型[0032]计算网络性能预测模型的预测值与真实值之间的平均绝对误差MAE、平均绝对百链路隐藏状态和队列隐藏状态计算注意力机制产生的临时状态，根据和该时刻的路径隐藏状态作为输入利用RNN循环神经网络层中的GRU单元更新得到新路径隐藏状9态信息之和及队列隐藏状态通过RNN循环神经网络中的GRU单元更新得到新队列隐程序被处理器执行时实现如第一方面任一步所述的基于图神经网络的孪生网络性能预测一方面任一步所述的基于图神经网络的孪生[0055]图6所示为本发明的一种实施例中不同测试集相对误差的累积分布函数对比结果[0077]数字孪生通信网络系统架构如图3所示。整个系统由三层组成，分别是物理网络进行存储及管理的数据共享仓库，对物理网络进行数字化建模的孪生网络模型及预测算据，不能直接用于模型的训练，因此需要进一步处理。运用张量流TensorFlow及网络库[0081]同时，将网络依赖图定义为由一组链路和网络设备输出端口上的队列以及一,表示一组链路中的第条链路，表示一组链路中的链路数其中，lpal表示路径中元组的数量，代表沿着路径的第lpal个队列，[0082]最后，使用张量流TensorFlow的从生成器创建数据集tf.data.Dataset.from_[0084]节点特征初始化是在图神经网络GNN模型开始训练之前，为图中的每个节点设置整的GNN模型由多层神经网络组成，包括依次连接的门控循环单元层GRUCell、注意力层点状态初始化功能集成在图神经网络GNN模型中，初始化层采用调用call方法执行模型的[0092]所述门控循环单元层用于定义门控循环单元GRUCell，包括自定义路径更新self.path_update、自定义链路更新self.link_update和自定义队列更新self.queue_update三个GRUCell实例。GRUCell是门控循环单元GRU的基本单元，相当于半个时间步的r:"h-r是重置门输出:和前一个隐藏状态hr-1的逐元素乘积。密集层Dense来计算输入的注意力分数，然后应用softmax函数来获取标准化的注意力权[0110]式中：表示输入矩阵，为偏置项，tanh为双曲正切函数，用于引入非线性，以处理图结构数据和时间序列数据。MPNN通过消息传递步骤来聚合图中节点的邻居信息，fi和为分别与队列状态、链路状态和路径状态相关的表示队列的隐藏状态，表示链路的隐藏状态，表示路径的隐藏状态,息传递过程中的状态更新函数及更新过程进行更详细的说明。刻的链路隐藏状态和队列隐藏状态计算注意力机制产生的临时状态，再以和该时刻的路径隐藏状态作为输入利用循环门控单元GRUCell更新得到新路径临时隐藏状态部求和后得到队列临时隐藏状态信息之和，再根据及队列隐藏状态通过循环门控单元GRUCell更新得到新队列隐藏状态以及新三个数据集，第一个是由14节点拓扑通信网络和24节点拓扑通信网络组成的约20000个样第三个是由真实世界多种网络拓扑与真实流量矩阵组成的约1000个样本的Abilene混合数证集和test测试集。训练的优化器采用自适应时刻估计算法Adam并设置初始的学习率为在此处实验中以预测值与真实值之间的相对误差作为随机变量。累积分布函数CDF是离散99.4798.3297.1297.12处理器执行时实现如实施例2任一步所述的基于图神经网络的孪生网络性过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能中获取和产生的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信[0159]本发明实施例所提供的计算机设备可执行本发明任意实施例所提供的网络性能[0162]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特