[发明专利]一种基于图神经网络的智能QoS推理方法

权利要求书

1.一种基于图神经网络的智能QoS推理方法，其特征在于，其步骤如下：

步骤一、建立GNN模型：根据网络拓扑结构构建GNN的图结构，将网络中的状态信息映射为图结构中节点和边的特征值；

步骤二、GNN模型的训练：采集网络拓扑结构中设备的状态信息组成数据集，将采集的数据集输入到步骤一建立的GNN模型进行训练，保存最优的节点和边的神经网络参数获得GNN推理模型；

步骤三、推理：将采集的现实网络实时的设备中的状态数据输入GNN推理模型，实现当前状态下QoS的推理；

每个节点的当前值即输入特征值(s,f_inupt,f_output)为v_i、每条边的当前值为e_i；在循环计算的一轮中，边上的计算为：其中，是有向边起点所连节点的值，是有向边终点所连节点的值；节点上的计算为：其中，neighbor(v_i)表示与节点v_i相连接的边；对每个节点、每个边分别输入数据(e₀,e₁,...),(v₀,v₁,...)，多次循环计算，求得输出数据(e′₀,e′₁,...),(v′₀,v′₁,...)；(v′₀,v′₁,...)表示QoS的信息；

其中，s为交换能力，f_input为流入的流量信息，f_output为流入的流量信息；φ^v对应有向图中节点上的神经网络函数，φ^e对应有向图中边上的神经网络函数；

通过计算理论值(v′₀,v′₁,...)和实际值中的元素值的误差根据反向回馈算法来梯度优化φ^v和φ^e中的参数，完成网络的训练，为从网络中采集的真实值，Nⁿ指GNN中节点的数目。

2.根据权利要求1所述的基于图神经网络的智能QoS推理方法，其特征在于，所述GNN中的节点与网络拓扑结构中的设备一一对应，GNN的有向边与网络拓扑结构中的链路相对应，网络拓扑结构中的一条链路对应GNN中的两条边。

3.根据权利要求1或2所述的基于图神经网络的智能QoS推理方法，其特征在于，所述GNN以多边有向图结构来组织两个神经网络的数据传递，分别为φ^v、φ^e。

4.根据权利要求3所述的基于图神经网络的智能QoS推理方法，其特征在于，所述步骤一中网络中的状态信息映射为图结构中节点和边的特征值的方法为：将网络中的状态信息映射为GNN中节点和边的特征值；其中，数据x是GNN的输入，数据x中GNN节点的特征值为节点所对应设备的特征信息；数据x中GNN边的特征值为其所对应链路的信息；GNN的输出数据即标签y是GNN节点的特征值v′_i，即网络的QoS。

5.根据权利要求4所述的基于图神经网络的智能QoS推理方法，其特征在于，所述节点所对应设备的特征信息为交换机、路由器或电脑的特征信息，包括但不仅限于交换能力、流量信息、路由信息；所述链路的信息包括但不仅限于链路的传输速率和链路所连接的端口的拥塞状态；所述网络的QoS包括时延、抖动。