[发明专利]一种智能电网的网络编排层承载的切片部署方法及装置

权利要求书

1.一种智能电网的网络编排层承载的切片部署方法，其特征在于，包括：

将智能电网的网络编排层划分为路径模块，权重模块，以及效用模块；

路径模块根据网络拓扑结构，确定源节点到目的节点之间的路径数量，通过建立路径存储矩阵，将遍历后路径存储于所述矩阵中；

权重模块根据电力业务不同的类型对权重指标的需求，使用动量梯度下降算法动态调整神经网络的权重，包括：使用的动量梯度下降算法为，

Q_ji(t+1)＝Q_ji(t)+v[(1-mc)F(t)+mcF(t-1)]

其中，F(t)表示t时刻的负梯度，F(t-1)表示t-1时刻的负梯度，v表示学习速率，mc表示动量因子，并且mc∈(0,1)；

当mc＝0时，表示权值修正只与当前负梯度有关，当mc＝1时，权值修正完全取决于上一次的循环的负梯度；并使用测试数据对所述神经网络进行训练；

效用模块使用路径模块存储的路径，应用效用函数对待处理的业务所对应的所有路径的得分进行表述，选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署，包括：

定义效用函数y(x)＝1-e^-δx，其中x是决策向量，δ是相对应的权重(δ0)；同时考虑输入的带宽、可靠性、时延的权值；

在处理业务时，应用效用函数对待处理的业务所对应的所有路径的得分进行表述；同时计算带宽，可靠性，以及时延的三个指标因素值及三个指标的权重值，具体的计算路径NR_j得分的公式如下，

其中

仅当路径的三项指标数值满足于切片要求时，才具有非零的路径得分；然后选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署。

2.根据权利要求1所述的方法，其特征在于，所述动量梯度下降算法，用于提高神经网络的学习速度和增加神经网络算法的可靠性，同时降低神经网络对误差曲面局部细节的敏感性。

3.根据权利要求1所述的方法，其特征在于，所述使用测试数据对所述神经网络进行训练，包括：

输入测试数据后，对测试数据进行归一化处理，减少测试数据中存在奇异样本数据引起的神经网络训练时间的增长和收剑时间的增长；

通过均方误差与精度的对比选择是否继续训练或输出训练结果。

4.根据权利要求1所述的方法，其特征在于，所述权重模块的功能，还包括：

构建电网权重的约束条件，

δ_B×δ_R×δ_L≠0

δ_B+δ_R+δ_L＝1

其中，δ_B、δ_R、δ_L分别表示带宽、可靠性、时延的权值大小。

5.一种智能电网的网络编排层承载的切片部署装置，其特征在于，包括：

模块划分单元，将智能电网的网络编排层划分为路径模块，权重模块，以及效果模块；

路径存储单元，路径模块根据网络拓扑结构，确定源节点到目的节点之间的路径数量，通过建立路径存储矩阵，将遍历后路径存储于所述矩阵中；

权重调整单元，权重模块根据电力业务不同的类型对权重指标的需求，使用动量梯度下降算法动态调整神经网络的权重，包括：使用的动量梯度下降算法为，

Q_ji(t+1)＝Q_ji(t)+v[(1-mc)F(t)+mcF(t-1)]

其中，F(t)表示t时刻的负梯度，F(t-1)表示t-1时刻的负梯度，v表示学习速率，mc表示动量因子，并且mc∈(0,1)；

当mc＝0时，表示权值修正只与当前负梯度有关，当mc＝1时，权值修正完全取决于上一次的循环的负梯度；并使用测试数据对所述神经网络进行训练；

切片部署单元，效用模块使用路径模块存储的路径，应用效用函数对待处理的业务所对应的所有路径的得分进行表述，选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署，包括：

定义效用函数y(x)＝1-e^-δx，其中x是决策向量，δ是相对应的权重(δ0)；同时考虑输入的带宽、可靠性、时延的权值；

在处理业务时，应用效用函数对待处理的业务所对应的所有路径的得分进行表述；同时计算带宽，可靠性，以及时延的三个指标因素值及三个指标的权重值，具体的计算路径NR_j得分的公式如下，

其中

仅当路径的三项指标数值满足于切片要求时，才具有非零的路径得分；然后选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署。