[发明专利]一种基于数据中心网络流量预测与学习的智能节能控制方法

说明书

本发明公开了一种基于数据中心网络流量预测与学习的智能节能控制方法，其特点是采用混合叠加的神经网络模型预测数据中心网络中的网络流量，使用DDPG算法的深度强化学习，以优化网络中的带宽分配和路由选择，实现数据中心网络的节能控制和未来网络流量的准确预测。本发明与现有技术相比具有预测结果精确和智能节能控制，大大优化了网络中的带宽分配和路由选择，实现对未来网络流量的有效准确预测，方法简便，优化的网络结构更加节能，较好的解决了数据中心网络的多物网络流问题。

技术领域

本发明涉及网络优化和流量预测技术领域，尤其是一种基于数据中心网络流量预测与学习的智能节能控制方法。

背景技术

随着云计算在搜索引擎、社交媒体、电子商务等方面的广泛应用，近年来数据中心网络(Data Center Networking，缩写为DCN)成为了一种重要的网络结构，其为大规模存储和高性能计算提供了仓库级的计算服务。云计算和数据中心网络的普遍使用，也相应地带来了能量消耗的同步增长，业界已经不能够再忽视其能量消耗问题，一些针对数据中心网络中节能的带宽分配和路由选择优化方法被相继提出。现有的带宽分配和路由选择优化方法大多为依据当前网络流情况的离线分析和优化算法，这些静态类型的方法显然具有诸多缺点。尤其是这些方法为了使得整个网络系统对将来的网络流保持较好的性能表现，导致了它们的带宽分配和路由选择结果往往是带有时间延迟的。因此为了实现对网络的无时延高效优化，需要对未来的网络流量进行准确的预测。

网络流量的预测可以被视为一个时间序列预测问题。该问题致力于分析在网络上已收集的时间序列数据，并以此来预测未来网络中的需求。在网络中使用深度神经网络进行学习和预测的动机是实现无监督训练，其可以在大量的数据中检测出隐藏的模式，这几乎不可能由人类手工制作出适合所有场景的特征。此外，许多新的研究表明，单一的模型不足以满足某些应用的需要，因此开发出一种具有不同模型优点和缺点的混合神经网络结构可以创造出一种新的高效的神经网络，从而提供更好的结果。传统方法如移动平均(MovingAverage)带有许多缺陷，适用性差。近些年来，循环神经网络(Recurrent Neural Network，缩写为RNN)被广泛应用于时间序列预测问题中并展现了其有效性。但是随着RNN中循环数目的增加，其导致的梯度消失问题(Vanishing Gradient)会造成网络参数的更新减慢。

基于对未来网络流量的预测结果，数据中心网络中的带宽分配和路由选择优化问题可以化归为多物网络流问题(Multi-Commodity Flow，缩写为MCF)。多物网络流问题是多个物品(或货物)在网络中从不同的源点流向不同的汇点的网络流问题。对于数据中心网络而言，不同的源点和目标点对可以通信不同数量的数据。如何找到一个可行的交换机和路由分配可以看作是一个具体的多物网络流问题。数据中心网络的MCF问题，可以通过添加一系列的约束：需求满足、容量约束以及流量守恒来表示为整数线性规划问题。针对该问题，已有的解决方法往往在路由选择过程中使用启发式策略尽可能地节约能量，但其效率和优化结果均不能得到有效保证。

发明内容

本发明的目的是针对现有技术的不足而设计的一种基于数据中心网络流量预测与学习的智能节能控制方法，采用混合叠加的神经网络模型预测数据中心网络中的网络流量，以及使用深度强化学习方法，优化网络中的带宽分配和路由选择，实现对未来网络流量的有效准确预测和数据中心网络的智能节能控制，方法简便，优化的网络结构更加节能，较好的解决了数据中心网络的多物网络流问题。

本发明的目的是这样实现的：一种基于数据中心网络流量预测与学习的智能节能控制方法，其特点是采用混合叠加的神经网络模型预测数据中心网络中的网络流量，使用DDPG算法的深度强化学习，以优化网络中的带宽分配和路由选择，实现数据中心网络的节能控制，所述DDPG算法的深度强化学习具体包括以下步骤：

a步骤：通过观察网络当前的拓扑结构以及流量需求得到环境的状态。

b步骤：根据当前状态和策略采取合适的动作，与环境进行交互，得到下一个状态和奖励，该动作将改变网络的拓扑和路由。