资源需求预测模型训练方法、系统及资源需求预测方法与流程

本发明涉及人工智能，尤其涉及一种资源需求预测模型训练方法、系统及资源需求预测方法。

背景技术：

1、网络功能虚拟化（nfv，network functions virtualization），通过将网络功能从专用硬件中分离出来，并将其部署在通用服务器资源池，实现业务的快速自动部署，以提高网络服务的灵活性和成本效益。网元弹性扩缩容是实现nfv灵活部署的重要方式，而准确的网元物理资源需求预测能够更加高效地进行网元弹性扩缩容。

2、相关技术中的网元资源需求预测方法，通常根据现网资源占用情况预测出下一时刻的资源需求。然而，采用上述预测方法得到的资源需求预测结果不能完全反映出业务负荷需求变化带来的资源需求变化，导致资源需求预测的精确度较低，并且，上述预测方法不能较好地预测多个采样时刻后的资源需求。

技术实现思路

1、本发明提供一种资源需求预测模型训练方法、系统及资源需求预测方法，用以解决现有技术中利用网元资源需求预测方法得到的资源需求预测结果不能完全反映出业务负荷需求变化带来的资源需求变化，导致资源需求预测的精确度较低的问题。

2、本发明提供一种资源需求预测模型训练方法，包括：

3、基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型；

4、将所述业务负荷样本、以及每个所述业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型；所述业务负荷预测子模型用于在接收到输入的目标时刻的情况下，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果，将所述业务负荷预测结果输出至所述资源消耗子模型；所述资源消耗子模型用于基于所述业务负荷预测结果，进行资源需求预测，得到资源需求预测结果；

5、将训练好的所述资源消耗子模型和所述业务负荷预测子模型确定为资源需求预测模型。

6、可选地，基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型的步骤包括：

7、对同一时刻负责相同业务的全部网元的所述业务负荷样本进行求和，得到每个时刻对应所述业务的总业务负荷信息；

8、对负责相同所述业务的全部网元的所述总业务负荷信息，按照预设的预测时间跨度，滑动进行等间隔抽样，得到多个负荷信息抽样集，所述负荷信息抽样集的数量为所述预测时间跨度，所述负荷信息抽样集中所述总业务负荷信息的数量为目标数量，所述目标数量指相同所述业务的所述总业务负荷信息的数量与所述预测时间跨度之间的比值；

9、将全部所述负荷信息抽样集依次输入所述长短期记忆网络，得到训练好的所述业务负荷预测子模型。

10、可选地，将全部所述负荷信息抽样集依次输入所述长短期记忆网络，得到训练好的所述业务负荷预测子模型的步骤包括：

11、当基于任一所述负荷信息抽样集，对所述长短期记忆网络进行训练时，将当前所述负荷信息抽样集中最后一个时刻的总业务负荷信息，确定为真实总负荷；将当前所述负荷信息抽样集中最后一个时刻的总业务负荷信息之前的全部所述总业务负荷信息，确定为训练样本；

12、基于所述训练样本，进行业务负荷预测，得到业务负荷预测数据；

13、基于所述业务负荷预测数据和所述真实总负荷之间的差距，对所述长短期记忆网络进行参数更新，得到训练好的所述业务负荷预测子模型。

14、可选地，将所述业务负荷样本、以及每个所述业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型的步骤包括：

15、将所述业务负荷样本输入所述生成对抗网络的资源消耗生成网络，进行资源消耗生成，得到资源消耗生成结果；

16、将所述资源消耗生成结果、以及所述资源消耗生成结果对应的网元资源消耗信息样本输入所述生成对抗网络的资源消耗判别网络，进行一次判别，得到一次判别结果；

17、在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败的情况下，对所述资源消耗判别网络进行参数更新；基于更新后的所述资源消耗判别网络，重复进行所述一次判别，直至所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功；

18、在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，对所述资源消耗生成网络进行训练，以得到训练好的所述资源消耗子模型。

19、可选地，在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，对所述资源消耗生成网络进行训练，以得到训练好的所述资源消耗子模型的步骤包括：

20、在所述一次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，基于当前所述资源消耗判别网络，对所述资源消耗生成网络输出的所述资源消耗生成结果、以及对应的所述网元资源消耗信息样本进行二次判别，得到二次判别结果；

21、在所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本成功的情况下，对所述资源消耗生成网络进行参数更新；基于更新后的所述资源消耗生成网络，重新进行资源消耗生成，得到新的所述资源消耗生成结果；将新的所述资源消耗生成结果与对应的所述网元资源消耗信息样本输入当前所述资源消耗判别网络，重复进行二次判别，直至所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败；

22、在所述二次判别结果为当前所述资源消耗判别网络区分所述资源消耗生成结果与所述网元资源消耗信息样本失败，并且当前的资源消耗子模型训练次数等于预设的训练次数阈值的情况下，将当前所述资源消耗生成网络与所述资源消耗判别网络，确定为训练好的所述资源消耗子模型。

23、本发明还提供一种资源需求预测模型训练系统，包括：

24、第一训练模块，用于基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型；

25、第二训练模块，用于将所述业务负荷样本、以及每个所述业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型；所述业务负荷预测子模型用于在接收到输入的目标时刻的情况下，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果，将所述业务负荷预测结果输出至所述资源消耗子模型；所述资源消耗子模型用于基于所述业务负荷预测结果，进行资源需求预测，得到资源需求预测结果；

26、处理模块，用于将训练好的所述资源消耗子模型和所述业务负荷预测子模型确定为资源需求预测模型。

27、本发明还提供一种资源需求预测方法，包括：

28、将目标时刻输入训练好的业务负荷预测子模型，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果；

29、基于所述业务负荷预测结果、以及训练好的资源消耗子模型，进行资源需求预测，得到资源需求预测结果，训练好的所述业务负荷预测子模型和所述资源消耗子模型均通过如上述任一项所述的资源需求预测模型训练方法得到。

30、可选地，基于所述业务负荷预测结果、以及训练好的资源消耗子模型，进行资源需求预测，得到资源需求预测结果的步骤包括：

31、基于所述业务负荷预测结果和预设的单个网元的容量门限，得到所述业务负荷预测结果所对应的网元需求数、以及单个所述网元的业务负荷预测值；

32、将所述网元的所述业务负荷预测值输入所述资源消耗子模型，进行资源需求预测，得到所述目标时刻单个所述网元的资源需求；

33、将所述资源需求与资源利用率之间的比值确定为目标需求值；

34、将所述目标需求值与所述网元需求数之间的乘积确定为所述资源需求预测结果。

35、本发明还提供一种资源需求预测系统，包括：

36、业务负荷预测模块，用于将目标时刻输入训练好的业务负荷预测子模型，进行业务负荷预测，得到所述目标时刻的业务负荷预测结果；

37、资源需求预测模块，用于基于所述业务负荷预测结果、以及训练好的资源消耗子模型，进行资源需求预测，得到资源需求预测结果，训练好的所述业务负荷预测子模型和所述资源消耗子模型均通过如上述任一项所述的资源需求预测模型训练方法得到。

38、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述资源需求预测模型训练方法，或者如上述任一种所述资源需求预测方法。

39、本发明的有益效果：本发明提供的资源需求预测模型训练方法、系统及资源需求预测方法，通过基于业务负荷样本，对预设的长短期记忆网络进行训练，得到训练好的业务负荷预测子模型；将业务负荷样本、以及每个业务负荷样本各自对应的网元资源消耗信息样本输入预设的生成对抗网络进行训练，得到训练好的资源消耗子模型；业务负荷预测子模型用于在接收到输入的目标时刻的情况下，进行业务负荷预测，得到目标时刻的业务负荷预测结果，将业务负荷预测结果输出至资源消耗子模型；资源消耗子模型用于基于业务负荷预测结果，进行资源需求预测，得到资源需求预测结果；将训练好的资源消耗子模型和业务负荷预测子模型确定为资源需求预测模型。本方法中的资源消耗子模型能够直接建立业务负荷与资源消耗之间的关系，并且，本方法中的业务负荷预测子模型能够根据现有的业务负荷预测出未来的业务负荷，通过将资源消耗子模型和业务负荷预测子模型有机结合，得到资源需求预测模型，能够较为精准地实现对目标时刻的资源需求预测，可实施性较强。