一种时空数据驱动的电力5G切片资源协同调整方法及系统与流程

本发明涉及电力5g切片资源协同调整方法及系统，尤其涉及一种时空数据驱动的电力5g切片资源协同调整方法及系统，属于5g切片资源协同调整领域。

背景技术：

1、近年来，电力网络和通信网络的融合成为了一个研究热点，5g通信技术作为第五代移动通信技术的代表，具有高速、低延迟和大容量的特点，被广泛应用于移动通信领域。然而，传统的5g通信网络主要面向移动通信用户，对于电力网络的特殊需求并没有得到很好的满足，电力网络具有严格的实时性和可靠性要求，而传统的5g通信网络无法提供对电力网络的定制化支持；为了解决这一问题，电力网络5g切片技术应运而生，但是传统的方法在业务变动时重新根据新的业务需求制定网络切片和资源分配策略，不能满足波动性较强的网络业务需求，现有的方法主要是基于各种预测算法进行流量预测，实现网络切片的主动调整。

2、然而，现有的基于流量预测的主动调整方法应用在电力5g切片网络上有两类缺陷。一是流量预测算法并不符合电力网络切片的特征，不能捕捉到电力网络切片之间的关联性，电力网络切片的流量预测的准确性有待提高；二是网络切片的主动调整算法虽然提高了利用率，但未能关注电力业务的高可靠性和安全性的需求，且未能考虑到各电力切片之间的协同效应。

技术实现思路

1、发明目的：本发明的目的是提供了一种时空数据驱动的电力5g切片资源协同调整方法及系统，用于捕捉电力网络切片之间的关联性特征，提高电力网络切片的流量预测的准确性，在电力业务的高可靠性和安全性的需求下，更有效实现5g切片资源协同调整方法。

2、技术方案：本发明所述的时空数据驱动的电力5g切片资源协同调整方法包括如下步骤：

3、(1)采集目标网络中的历史切片流量数据，将其转化为三维切片流量矩阵；

4、(2)对三维切片流量矩阵进行数据预处理；

5、(3)将预处理后的数据作为输入矩阵，搭建基于密集连接卷积神经网络和长短期记忆网络的切片流量预测模型并对其进行训练；

6、(4)采集实时切片流量数据，根据完成预处理的数据，通过训练完成的切片流量预测模型进行预测，得到切片流量预测结果；

7、(5)将各个电力5g网络节点之间通过信息交互和协作，确定切片的需求协同策略和切片分组策略；

8、(6)判断切片流量预测结果是否可信，并根据判断结果调整切片带宽需求；

9、(7)根据所述需求协同策略和切片分组策略，以及所述切片带宽需求，采用分组共享的方法计算并分配带宽资源；

10、(8)启动业务动态保障模块，执行带宽资源的分配结果，得到主动协同调整策略。

11、进一步地，步骤(1)所述的三维切片流量矩阵是将网络中h×w个切片与n条历史切片流量数据构成，其大小为(h，w，n)，且目标网络中的任一切片(i，j)在时刻t的流量大小用表示。

12、进一步地，步骤(2)所述的数据预处理包括数据清洗，数据归一化和数据划分；

13、所述数据清洗采用补零法和均值插补混合方法对三维切片流量矩阵的异常值进行填补，异常值包括超出切片容量的值，不应该存在的负值以及缺失值；如果存在一个异常值且其有前后两个正常值，则采用均值插补的方法进行填补；如果存在一个异常值且其前后只有一个正常值或者存在两个以上连续的异常值组成的序列，则采用补零法进行填补；

14、所述数据归一化是通过对每个切片所承载的不同业务的流量统计特性进行最大最小值归一化，并保留其归一化尺度，具体步骤如下：maxsi，j和minsi，j分别表示切片(i，j)的流量序列中的最大值和最小值，归一化的计算公式为

15、

16、对每一个切片均需单独计算maxsi，j和minsi，j，并将最大值和最小值的计算结果保留在以下两个矩阵中：max s＝{max si，j|i＝1，2，...，h；j＝1，2，...，w}和min s＝{minsi，j|i＝1，2，...，h；j＝1，2，...，w}；用于步骤(4)的反归一化处理；

17、所述数据划分是按照模型的输入和输出大小将经过数据清洗和数据归一化之后的三维切片流量矩阵划分为训练集，设模型的输入矩阵的维度为(h，w，tin)，输出矩阵的维度为(h，w，tout)，则训练集中每个输入矩阵表示为

18、

19、用于对比训练结果的真实标签矩阵表示为

20、

21、进一步地，步骤(3)所述的切片流量预测模型的操作步骤如下：

22、(31)将三维输入矩阵xτ拆分为二维矩阵序列后输入密集连接卷积神经网络中，其中密集连接卷积神经网络中的每一层输出是通过前面所有层的输入得到的，计算公式为xl＝hl(x0，x1，...，xl-1)，其中x0＝xτ为初始输入，xl(l＞0)为密集连接卷积神经网络第l层的输出，hl为密集连接卷积神经网络第l层的组合函数，包括批归一化，激活以及卷积操作；密集连接卷积神经网络的输出表示为dτ是与xτ维度大小相同的切片协同特征矩阵，

23、(32)将密集连接卷积神经网络的输出xd组合后，按切片划分为适合长短期记忆网络的序列xr＝{r1，r2，...，rk，…，rh*w}，

24、其中，表示每个切片的特征序列；长短期记忆网络由双层长短期记忆单元构成，每一层的长短期记忆单元的个数与tin相同，特征序列rk按时间顺序τ，τ+1，...，τ+tin输入到网络中进行运算；

25、长短期记忆网络的输出表示为xv＝{v1，v2，...，vi，…，vh*w}，vi为提取到的时间切片联合特征序列；

26、(33)将长短期记忆网络的输出通过全连接层映射为最终输出，公式为：其中w为系数矩阵，b为偏置矩阵，为最终预测结果，表示为：是的预测结果；将预测值与真实值yτ进行对比，使用rmsprop作为优化器优化切片流量预测模型，并继续从步骤(31)开始训练直至模型收敛。

27、进一步地，步骤(4)所述预测结果是通过对进行反归一化，得到最终的预测结果，表示为：

28、

29、进一步地，步骤(5)所述的需求协同策略的过程如下：将一个电力网络描述为一个图g＝(v，e)，其中v＝{vi|i＝1，2，...，m}，e＝{eij|vi∈v，vj∈v，i≠j}，v和e分别代表电力通信节点和链接的集合；hk＝(vk，ek)，其中vk∈v，ek∈e，即图hk是图g的一张子图，承载图hk上业务的切片集合被调整为一个切片分组gk，即所述切片分组策略；切片si的等级被描述为其等级的分类标准是根据不同电力网络的业务优先级的情况和服务质量要求的高低制定。

30、进一步地，步骤(6)所述切片流量预测结果的可信判断和需求带宽的调整步骤包括：设ai(t)为切片si在t时刻的模型预测可信度，ai(t)的值为1表示预测可信，ai(t)的值为0表示预测不可信，则ai(t)的计算公式如下所示：

31、

32、其中，δt为观察窗口的长度，只有当预测结果的误差指标pi在连续δt个时间步长内的均值小于t，t时刻的预测才符合可信条件；

33、误差指标的计算公式如下：

34、

35、其中，和si(t)为切片si在t时刻的预测值和正常值；

36、经过上述计算，若切片预测结果可信，则按照预测结果与该时刻所申请带宽之间的最大值进行资源预留；如果切片预测结果不可信，则按照切片在该时刻申请的带宽进行预留，调整后的需求带宽bi′(t)的计算公式如下：

37、

38、进一步地，步骤(7)所述的带宽资源的计算和分配的步骤如下：对于电力网络中的每个切片分组gk，将为其分配的带宽资源表示为由专用带宽和共享带宽其中，是gk中的电力网络切片的数量；专用带宽bi仅用于支持第i个网络切片si，用作gk中所有电力网络切片的共享资源；切片分组gk的带宽资源总分布满足如下公式：

39、进一步地，步骤(8)所述的业务动态保障模块的操作步骤如下：将实时监测各电力网络切片中的业务流量，当电力网络切片的实际占用率在一定时间δtc内持续超过阈值tc∈(0，100％)时，业务动态保障模块将对切片进行临时的带宽提升，即为当前切片动态增加δb的带宽资源；其中，δtc和tc的值是根据业务的等级制定的，对于低可靠性需求等级的业务采用延长观察窗口和提高阈值，对于高可靠性需求的业务是采用缩短观察窗口和降低阈值；δb的数值是根据切片si在δtb内的历史流量的波动大小确定的，计算公式为：

40、

41、通过考虑业务动态保障模块，并结合步骤(7)中计算并分配到的带宽资源，得到最终的主动协同调整策略。

42、本发明所述的时空数据驱动的电力5g切片资源协同调整系统包括：

43、数据采集模块，用于采集历史切片流量数据和实时切片流量数据；

44、数据预处理模块，用于对数据依次进行数据清洗，数据归一化和数据划分；

45、数据分析模块，用于搭建切片流量预测模型，进行训练和预测；

46、需求协同模块，包括切片分组，用于切片分组后再按等级分类；

47、切片流量预测结果可信判断模块，用于判断切片流量预测结果是否可信；

48、切片带宽资源分配模块，通过分组共享的方法进行带宽资源的分配；

49、业务动态保障模块，用于避免预测出现错误时的业务降级和业务阻塞。

50、有益效果：与现有技术相比，本发明具有如下显著优点：(1)提高了模型预测结果的准确和预测精度，在流量预测的过程中，通过卷积神经网络提取空间拓扑特征和循环卷积网络来提取不同电力网络切片之间关联性以及搭建时空流量预测模型，再额外利用切片维度的信息，辅助流量预测模型进行更为精准的预测；同时，考虑到每个电力5g切片所承载的不同业务具有不同的流量统计特性，对每个切片的特性单独进行归一化的方法，加速了模型训练的收敛速度，提高了模型的预测精度；(2)保证了电力业务的高可靠性和安全性的需求，在运用流量预测结果进行电力5g切片资源协同调整的方法方面，通过可信判断，分组共享以及业务动态保障这三层保护机制的网络切片和资源分配的协同调整算法，在提高切片利用效率的同时，保证了各电力切片之间的协同效应。