CN119449630A 基于时序预测的私域流量峰值识别与路由调度方法及系统 （北京易汇众盟网络技术有限公司）

基于时序预测的私域流量峰值识别与路由本发明提供一种基于时序预测的私域流量化模型，基于链路可靠性得分进行路由资源分2获取私域流量数据，提取所述私域流量数据中的流量特征、关系和隐式依赖关系输入预先构建的多任务预测模型，输出预测流量数据和预测置信度，将多维异构图网络中的业务节点设置为预警节点，基于所述预构建考虑服务质量约束的多目标路由优化模型，计体强化学习方法在各资源组内搜索满足约束的候选路径集合，并根据所述分级预警信号、获取私域流量数据，对所述私域流量数据进行小波包分解得到多尺度采集用户行为数据，构建包含用户操作序列和状态转移的行为图获取业务请求数据，将业务请求特征输入条件变分推断网基于流量特征向量、用户行为特征向量和业务特征向量构建多维3将所述节点序列及其正样本对输入基于层次化异构图神经网络，所述将节点结构化表征分解得到流量特征向量、用户行为特征向量和将所述流量特征向量、所述用户行为特征向量和所述业务特征向量基于所述显式依赖关系和所述隐式依赖关系构建有向图，其中，构建多任务预测模型，所述多任务预测模型包括反馈纠偏层基于所述增强特征计算初始预测值，计算所述初始预测值之间的相关性强度，计算最终预测值的统计方差，将所述统计方差与所述有向对预测流量数据进行经验模态分解，通过迭代筛选获取固有模值点得到上包络线和下包络线，计算所述上包络线和所述下包络线的均值得到均值包络对所述波动项进行分块极大值采样得到极值序列，将所述极值序列4将所述预测流量数据、预测置信度和动态阈值序列输入模糊推理器获取多维异构图网络中业务节点的地理位置信息和业务层级基于所述预警节点拓扑结构获取预测流量数据和预测置信度，对根据所述预警节点拓扑结构获取各节点的最大业务吞吐量和当基于所述预警节点拓扑结构和所述加权流量波动率构建资源需构建包含链路带宽容量、时延和丢包率约束的多目采集多个时间窗口内的路由链路服务质量指标序列，所述服务质5所述指标重要性权重的加权和计算得到链路可靠性根据所述路由资源组的平均可靠性得分计算基础分流权重，接收在预测峰值时段，所述强化学习智能体根据所述路径选择策略选择具有最大Q值的最优路径，将私域流量数据按照所述资源组分流比例通过所述最优路对链路可靠性得分进行算术平均运算得到所述路由资源组的平均可靠性得分，采用计算所有路由资源组的平均可靠性得分的平均值，将接收分级预警信号获取预警等级，将所述基础分流权重与结合峰值预测结果，对调整后的分流权重进行标准化8.一种基于时序预测的私域流量峰值识别与路由调取节点间的语义关联特征，将所述语义关联特征输入图神经网络学习得到节点结构化表6第二单元，用于将多维异构图网络中的业务节点设置为第三单元，用于构建考虑服务质量约束的多目其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意7[0005]本发明实施例提供一种基于时序预测的私域流量峰值识别与路由调度方法及系8获取私域流量数据，对所述私域流量数据进行小波包分解得到多尺度系数矩阵，所述节点语义相似度计算节点转移概率，在每条元路径上执行随机游走采样得到节点序基于所述节点结构化表征采用因果推理机制分析节点间的显式依赖关系和隐式将节点结构化表征分解得到流量特征向量、用户行为特征向量和业务特征向量，关系数经Fisher变换得到z统计量，基于所述z统计量的显著性检验结果确定显式依赖关9构建多任务预测模型，所述多任务预测模型包括时序特征编码层和反馈纠偏层；入因果卷积网络提取时序特征，并生成时序位置编码与所述时序特征组合得到增强特征，标准差的加权和构建得到动态阈值序列；隶属度函数对预测流量数据、预测置信度和动态阈值序列进行模糊化处理得到模糊变量，分与所述指标重要性权重的加权和计算得到链性得分的路由链路聚类形成多个路由资源组，在每个路由资源组内部署强化学习智能体，合中选择具有最大Q值的最优路径，将私域流量数据按照所述资源组分流比例通过所述最[0017]图1为本发明实施例基于时序预测的私域流量峰值识别与路由调度方法的流程示图2为本发明实施例基于时序预测的私域流量峰值识别与路由调度系统的结构示[0020]图1为本发明实施例基于时序预测的私域流量峰值识别与路由调度方法的流程示S102.将多维异构图网络中的业务节点设置为预警节点，基于所述预测流量数据S103.构建考虑服务质量约束的多目标路由优化模型，计算路由链路的历史服务质量指标得到链路可靠性得分，将具有相似可靠性得分的路由链路聚类形成路由资源组，获取私域流量数据，对所述私域流量数据进行小波包分解得到多尺度系数矩阵，所述节点语义相似度计算节点转移概率，在每条元路径上执行随机游走采样得到节点序多尺度系数矩阵输入到该模型中。变分自编码器可以对数据进行降维，提取出数据的潜在特征；而循环神经网络可以捕捉数据中的时序依赖关系。例如，我们可以使用LSTM网络将节点结构化表征分解得到流量特征向量、用户行为特征向量和业务特征向量，关系数经Fisher变换得到z统计量，基于所述z统计量的显著性检验结果确定显式依赖关构建多任务预测模型，所述多任务预测模型包括时序特征编码层和反馈纠偏层；入因果卷积网络提取时序特征，并生成时序位置编码与所述时序特征组合得到增强特征，量和用户行为特征向量之间存在显著的显式标准差的加权和构建得到动态阈值序列；隶属度函数对预测流量数据、预测置信度和动态阈值序列进行模糊化处理得到模糊变量，波动项。列。使用小波变换或经验模态分解等方法进行时序分解。假设分解后得到长期趋势项为先级流量的权重为0.2，则综合业务负载率为(800Mbps/2000Mbps)×0.8+(200Mbps/[0068]将预测流量数据和综合业务负载率输入资源需求预测模型，输出计算资源需求分与所述指标重要性权重的加权和计算得到链性得分的路由链路聚类形成多个路由资源组，在每个路由资源组内部署强化学习智能体，合中选择具有最大Q值的最优路径，将私域流量数据按照所述资源组分流比例通过所述最靠性得分为0.5×0.8+0.3×0.9+0.奖励函数可以设置为服务质量约束满足程度的权重乘以满足程度值加上链路负载均衡度的权重乘以均衡度值加上网络吞吐量的权重乘[0087]之后，将基础分流权重与权重调整函数的输出结果相乘得到调整后的分流权