(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111435813.X (22)申请日 2021.11.29 (65)同一申请的已公布的文献号 申请公布号 CN 114124554 A (43)申请公布日 2022.03.01 (73)专利权人 燕山大学 地址 066004 河北省秦皇岛市海港区河北 大街438号 专利权人 中国电子科技 集团公司第五十四 研究所 (72)发明人 刘刚　郭建立　陈华　索宏泽　 (74)专利代理 机构 石家庄众志华清知识产权事 务所(特殊普通 合伙) 13123 专利代理师 田秀芬 (51)Int.Cl. H04L 9/40(2022.01) H04L 43/0888(2022.01) (56)对比文件 CN 108427989 A,2018.08.21CN 110210495 A,2019.09.0 6 CN 110460463 A,2019.1 1.15 CN 110798365 A,2020.02.14 CN 113112089 A,2021.07.13 CN 113220450 A,2021.08.0 6 CN 112949902 A,2021.0 6.11 CN 111815053 A,2020.10.23 CN 113362598 A,2021.09.07 US 2020125 545 A1,2020.04.23 US 20162324 40 A1,2016.08.1 1 万晨.基于深度学习的多变量时间序列预测 算法与应用研究. 《中国优秀硕士学位 论文全文 数据库》 .2021, Yonghua Zhu， Wei lin Zhang， Yihai C hen， Honghao Gao.A n ovel approach to workload predicti on using attention-based LSTM encoder-decoder netw ork in cloud environment. 《Spri ngerLink》 .2019, 审查员 汪婷静 (54)发明名称 一种虚拟网络服 务链吞吐量预测方法 (57)摘要 本发明公开了一种虚拟网络服务链吞吐量 预测方法， 属于网络通信技术领域， 包括提取虚 拟网络服务链承载硬件设施的状态参数， 归一 化、 标准化处理、 构建基于长短期记忆LSTM网络 的编码器和解码器架构吞吐量预测模型输入时 序序列， 根据输入时序序列经由编码器提取其特 征向量， 解码器根据编码器获取的特征向量及监 测值进行解码并输出预测值， 预测值评估， 利用 预测模型进行在线预测。 本发明通过对网络服务 链吞吐量的实时预测， 为灵活、 高效的利用网络 服务资源及为网络用户提供安全、 快速、 稳定并 且满足特定网络吞吐量需求的网络服务提供基 础。 权利要求书3页 说明书7页 附图2页 CN 114124554 B 2022.08.30 CN 114124554 B 1.一种虚拟网络服 务链吞吐量预测方法， 其特 征在于： 包括以下步骤： 步骤1， 提取虚拟网络服 务链承载硬件设施的状态参数； 步骤2， 对步骤1提取的状态参数进行归一化、 标准化处理， 进行时间序列处理得到时序 序列； 步骤3， 构建基于长短期记忆LSTM网络的编码器和解码器架构吞吐量预测模型， 输入时 序序列， 实现虚拟网络服 务链吞吐量预测； 所述吞吐量预测模型包括编码器和解码器； 模型将一个长短期记忆LSTM网络作为编码 器， 完成系统监测变量编码， 将输入的系统监测变量转换为包含各变量间非线性关系的特 征码； 然后， 将编码器的特征码和虚拟网络服务链吞吐量的历史数据一同输入到由另一个 独立的长短期记忆网络构成的解码器中， 经过解码得到未来下一时刻的吞吐量预测 值； 吞 吐量预测模型的初始参数至少包括权值 W、 偏置b和学习率； 具体过程如下： 3.1首先将虚拟网络服务链的系统监测变量输入到一个由具有记忆能力的动态模型长 短期记忆LSTM网络构成的编码器中； 输入数据经过长短期记忆LSTM网络循环单元中遗忘 门、 输入门和输出门的共同抉择， 完成输入数据的特征提取， 挖掘系统监测变量之间的非线 性关系， 并将输入数据转换为特征码； 编码器所形成的特征码获取了输入变量的时间特性 和不同变量间的非线性关系； 吞吐量预测模型中编码器长短期记忆LSTM网络的输入门、 输出门、 遗忘门的状态根据 t‑1时刻的特 征ht‑1以及t时刻的输入 xt按下述方式进行 更新： it＝σ(Wixt+Uiht‑1+bi)                                  (3) ot＝σ(Woxt+Uoht‑1+bo)                                 (4) ft＝σ(Wfxt+Ufht‑1+bf)                                 (5) 式(3)‑(5)中， Wi,Wo,Wf,Ui,Uo,Uf,bi,bo,bf为编码器长短期记忆LSTM网络 所需学习的模型参数； 然后， 按下述方式更新长短期记 忆LSTM单 元在t时刻的候选状态： 式(6)中， xt为t时刻编码器长短期记忆LSTM网络的输入， ht‑1为上一 时刻编码器长短期记 忆LSTM网络的输出， Wc,Uc,bc为长短期记 忆LSTM网络所需学习的参数； 获取候选状态 后， 编码器长短期记忆LSMT网络t时刻的单元状态ct按以下方式进行迭 代更新： 式(7)中， ⊙为哈达玛积； 经过上述状态更新过程， 编码器长短期记 忆LSTM网络在t时刻的输出为： ht＝ot⊙tanh(ct)                                       (8) 因此， 对于编码器的输入序列XT， 由式(3) ‑(8)可以得到在一个完整的时间区间T， 编码 器长短期记 忆LSTM网络的最终输出序列：权　利　要　求　书 1/3 页 2 CN 114124554 B 2C＝[h1,h2,…,hT]                                        (9) 预测模型编码器对输入数据XT的编码过程完成， 进入预测模型的解码阶段； 3.2编码完成后， 得到的特征码与虚拟网络服务链 的历史吞吐量数据一同输入到由另 一个独立的长 短期记忆 LSTM网络构成的解码 器中； 解码 器通过挖掘历史吞吐量数据与特征 码之间的规 律， 输出未来下一时刻的吞吐量预测值； 在吞吐量预测模型中解码器同样由一个长短期记忆LSTM网络所构成， 因此解码器的内 部状态更新和 运算方式与编码器基本相同； 与编码器不同的是， 解码器的输入由吞吐量历 史数据向量YT＝(Y1,…,Yt,…,YT)和编码器的输出特征序列C拼接而成， 在解码器的长短期 记忆LSTM网络中， 各门控单 元以及单 元状态的更新方式分别如下： 式(10)‑(13)中， WiD, 为解码器长短期记忆LSTM网络 所需学习的参数， Yt为t时刻的吞吐量表征属性 值， Cj为Yt所对应的特 征编码； 解码器的记 忆单元更新方式为： 解码器的输出为： 根据T时刻解码器的输出 再经过一个全连接层， 即可得到T+1时刻的吞吐量预测值 式中， WY,bY为预测模型需要学习的权 重参数； 由此， 预测模型通过编码 ‑解码过程得到 了下一时刻的预测吞吐量 步骤4， 吞吐量预测模型训练； 步骤5， 重复执行步骤3与步骤4的迭代更新过程， 直到损失函数不再降低则吞吐量预测 模型训练过程结束； 步骤6， 利用训练好的吞吐量预测模型对虚拟网络服务链能够提供的吞吐量进行实时 预测。 2.根据权利要求1所述的一种虚拟网络服务链吞吐量预测方法， 其特征在于： 步骤1中， 将承载虚拟网络服务链的各种硬件资源的与网络服务能力密切相关的状态监测数据作为 系统变量， 同时将网络服 务吞吐量作为系统目标变量。 3.根据权利要求1所述的一种虚拟网络服务链吞吐量预测方法， 其特征在于： 步骤2中， 基于虚拟网络服务链与其物理承载网络系统的映射关系， 构建虚拟网络服务链承载能力与 吞吐量之间的数据关联， 进而构建基于编码解码器架构的吞吐量预测模型的输入数据结 构。权　利　要　求　书 2/3 页 3 CN 114124554 B 3