一种基于流量预测单元的资源分配系统及方法

本发明涉及资源分配，尤其涉及一种基于流量预测单元的资源分配系统及方法。

背景技术：

1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

2、流量预测单元是通过对历史数据的分析和建模，预测未来一段时间内的流量状况。流量预测单元常见的模型包括自回归移动平均(autoregressive integrated movingaverage，arima)模型、季节性指数(seasonal index model，sim)模型、神经网络(neuralnetwork models)模型和支持向量回归(support vector regression，svr)模型，其中，自回归移动平均模型是基于时间序列的预测方法，通过对历史数据的平稳性分析和自相关性分析，建立arima模型，进而对未来的流量进行预测；季节性指数模型用于具有明显季节性特征的流量预测，在sim模型中，首先拟合出不同季节的模型，然后对未来的流量进行季节性调整和预测。神经网络模型常用于非线性、高维度的流量预测问题。例如，可以使用循环神经网络(recurrent neural network，rnn)、图神经网络(graph neural network，gnn)或长短期记忆网络(long short-term memory，lstm)来学习时间序列中的隐藏模式，从而进行流量预测。支持向量回归模型是一种常用的非线性回归方法，通过核函数将数据映射到高维空间中，从而建立一个最优回归超平面来进行流量预测。

3、动态资源分配可以打破原有静态资源分配方式的僵化，动态资源分配是一种根据系统需求和优化目标，在运行时动态地分配计算资源的方法；动态资源分配实时按需分配资源，能提高系统性能、利用率和响应能力。

4、现有的动态资源分配是根据实时的反馈信息来调整资源分配。如何选用流量预测单元让未来一定时间之后的预测值动态资源分配，以迎合各类业务需求，成为一项亟待解决的问题。

技术实现思路

1、本发明提供了一种基于流量预测单元的资源分配系统及方法，考虑各网络切片的空间及时间相关性，基于流量预测单元利用历史数据流量需求值预测未来的预测数据流需求值，根据预测数据流需求值对各网络切片动态化资源分配，从而打破了原有静态资源分配方式僵化，迎合各类业务需求的动态特性。

2、实现本发明目的的技术方案如下：

3、一方面，本发明提供一种基于流量预测单元的资源分配系统，包括：

4、数据流量获取单元，所述数据流量获取单元获取各网络切片在过去一定单位时间段的历史数据流量需求值，网络切片指通信网络划分的多个逻辑独立网络切片；

5、流量预测单元，所述流量预测单元根据历史数据流量需求值预测t时刻后的预测数据流需求值；

6、资源分配单元，所述资源分配单元基于预测数据流需求值对各网络切片进行动态化资源分配。

7、基于一方面，在一种可能的实施例中，所述数据流量获取单元获取网络切片s在过去一定单位时间段历史数据流需求其中：

8、为网络切片s在t-n至t时刻的历史数据流需求，为网络切片s在t-n时刻的历史数据流需求，为网络切片s在t-n+1时刻的历史数据流需求，为网络切片s在t-n+2时刻的历史数据流需求，为网络切片s在t时刻的历史数据流需求。

9、基于一方面，在一种可能的实施例中，所述流量预测单元包括图卷积神经网络模型；

10、所述图卷积神经网络模型输入历史数据流量需求值

11、所述图卷积神经网络模型输入有向图邻接矩阵该有向图邻接矩阵为网络切片对应的物理基础设置建模的有向图gs＝{vs,es}中有向图邻接矩阵；

12、所述图卷积神经网络模型输出预测数据流需求值

13、基于一方面，在一种可能的实施例中，有向图gs＝{vs,es}包括：

14、基础设施网络的物理节点共n个，表示为n＝{1,2,3,...i,..,n}；每个物理节点i提供不同的资源记为ci，物理节点的资源池c＝{c1,c2,...,ci,...,cn}；

15、基础设施网络的物理链路eij的集合为e，每条链路的带宽容量为bij；

16、将基础设施网络建模为一个有向图，记作g＝(n,e)。

17、基于一方面，在一种可能的实施例中，有向图邻接矩阵包括：

18、

19、其中，s表示网络切片共s个，s个网络切片的集合为s＝{1,2,...,s}；

20、网络切片由vnf和连接vnf的链路组成，s个网络切片所需的vnf集合为vs＝{1,2,...,v}，连接vnf的链路为

21、将网络切片s的物理基础设施建模为有向图gs＝{vs,es}，有向图gs＝{vs,es}的邻接矩阵为

22、基于一方面，在一种可能的实施例中，所述资源分配单元包括资源分配模型，所述资源分配模型基于预测数据流需求值对各网络切片进行0-1规划；

23、采用cvx工具箱对0-1规划求解得到动态化资源分配。

24、基于一方面，在一种可能的实施例中，所述资源分配模型中以最小化配置的带宽资源和计算资源为目标的目标函数表达为：

25、

26、公式(1)中，s为网络切片，表示网络切片s的vnf是否映射到物理节点i上，表示物理节点i分配给网络切片s的vnf的计算资源，表示物理链路eij分配给网络切片s中链路ekl的带宽资源，α和β为常量，且α+β＝1。

27、基于一方面，在一种可能的实施例中，所述资源分配模型的约束包括：

28、同一个网络切片s的vnf无法同时映射到同一个物理节点i的约束表达式为：

29、

30、

31、公式(2)和公式(3)中，表示网络切片s的vnf是否映射到物理节点上。

32、网络切片s请求分配的资源量小于可用资源量的约束表达式为：

33、

34、

35、公式(4)中，表示网络切片s的vnf是否映射到物理节点上，civ(s)表示物理节点分配给网络切片s的vnf的计算资源，ci表示可用资源量；公式(5)中，表示物理链路eij分配给网络切片中链路ekl的带宽资源量，bij表示物理链路eij的带宽容量；

36、网络切片s链路的容量约束表达式为：

37、

38、

39、公式(6)和公式(7)中，表示网络切片s的vnf是否映射到物理节点上，表示物理节点分配给网络切片s的vnf的计算资源，表示网络切片s所需的单位数据流需求，βb表示单位数据流所消耗的带宽资源，βc表示单位数据流所消耗的计算资源，表示对网络切片s预测后的带宽需求，表示对网络切片s预测后的计算资源需求。

40、另一方面，本发明提供了一种基于流量预测单元的资源分配方法，包括：

41、获取各网络切片在过去一定单位时间段的历史数据流量需求值；

42、根据历史数据流量需求值预测t时刻后的预测数据流需求值；

43、基于预测数据流需求值对各网络切片进行动态化资源分配。

44、与现有技术相比，本发明的有益效果是：

45、本发明基于流量预测单元利用历史数据流量需求值预测未来的预测数据流需求值，根据预测数据流需求值对各网络切片动态化资源分配，从而打破了原有静态资源分配方式僵化，迎合各类业务需求的动态特性。