[发明专利]虚拟网络映射方法及其模型训练方法、装置

说明书

本发明提供了一种虚拟网络映射方法及其模型训练方法、装置，该模型训练方法包括：根据物理网络中的节点信息获取训练集，将训练集进行预处理，得到训练集中节点信息的索引信息；将已完成预处理的训练集输入至模型的编码单元中进行训练，得到第一训练结果；将第一训练结果输入至模型的解码单元中进行训练，得到第二训练结果；根据第二训练结果，使用预设的损失函数计算模型的损失值；通过损失值更新模型参数；判断损失值是否满足预设的损失阈值；如果满足，则结束训练，得到用于虚拟网络映射的模型。通过编码单元中的多个编码器以及解码单元中的多个解码器并采用强化学习算法进行训练，提升了模型对虚拟网络的映射效果。

技术领域

本发明涉及人工智能领域，尤其是涉及一种虚拟网络映射方法及其模型训练方法、装置。

背景技术

网络虚拟化是在一个物理网络中模拟多个逻辑网络的技术，随着人工智能技术的发展，采用机器学习领域中的算法可实现网络虚拟化，从而解决虚拟网络映射的问题。例如使用RNN(Recurrent Neural Network，循环神经网络)对物理网络信息进行提取，并依次输出映射结果，可模拟出实际虚拟网络的映射过程。但现有模型在对物理网络中的每个节点的信息进行提取时只能串行处理，效率较低。同时现有模型中由于神经元过多，容易出现梯度消失或梯度爆炸，影响模型最终的虚拟网络映射效果。

发明内容

有鉴于此，本发明的目的在于提供一种虚拟网络映射方法及其模型训练方法、装置。通过编码单元中的多个编码器以及解码单元中的多个解码器并采用强化学习算法进行并行计算，提升了模型对虚拟网络的映射效果。

第一方面，本发明实施例提供了一种用于虚拟网络映射的模型训练方法，该方法包括：根据物理网络中的节点信息获取训练集，将训练集进行预处理，得到训练集中的节点信息的索引信息；将已完成预处理的训练集输入至模型的编码单元中进行训练，得到第一训练结果；将第一训练结果输入至模型的解码单元中进行训练，得到第二训练结果；根据第二训练结果，使用预设的损失函数计算模型的损失值；通过损失值更新模型参数；判断损失值是否满足预设的损失阈值；如果满足，则结束训练，得到用于虚拟网络映射的模型。

在一些实施方式中，模型的编码单元中包含多个编码器；将已完成预处理的训练集输入至模型的编码单元中进行训练，得到第一训练结果的步骤，包括：对模型的编码单元进行初始化，编码单元中包含多个相同的编码器；将已完成预处理的训练集输入至第一个编码器中并输出编码结果；依次将前一个编码器输出的编码结果输入后一个编码器，直至最后一个编码器输出的编码结果记为第一训练结果。

在一些实施方式中，编码器包括自注意力机制层以及前向传递层；上述将已完成预处理的训练集输入至第一个编码器并输出编码结果的步骤，包括：将已完成预处理的训练集输入至自注意力机制层，得到第一向量列表；将第一向量列表传递到前向传递层，得到第二向量列表，第二向量列表与第一向量列表的维度相同；将第二向量列表记为第一个编码器的编码结果。

在一些实施方式中，上述训练集中的数据为底层物理网络中每个物理节点的数据，包括：节点的度、节点的CPU数据以及与节点相连接的链路的带宽数据。

在一些实施方式中，模型的解码单元中包含多个解码器；将第一训练结果输入至模型的解码单元中进行训练，得到第二训练结果步骤，包括：对模型的解码单元进行初始化，解码单元中包含多个相同的解码器；将第一训练结果输入至第一个解码器并输出解码结果；依次将前一个解码器输出的解码结果以及第一训练结果输入后一个解码器，直至最后一个解码器输出的解码结果记为第二训练结果。