[发明专利]基于机器学习的链路拥塞故障预测及网络自主管控方法

权利要求书

1.基于机器学习的链路拥塞故障预测及网络自主管控方法，其特征在于，包括以下步骤：

S1、构建实时的网络全局视图，对承载业务的SDN网络数据平面的每一条链路进行周期性的性能监测，获取每条链路实时的QoS性能参数；

S2、使用基于LSTM的流量预测方法，预测每一条链路未来一段时间的流量统计峰值，并根据该值进行链路拥塞风险判断；具体方法是：

S21、在步骤S1中采集一段时间的链路历史流量数据，使用间隔采样的方法构造数据集，设采集的时间间隔为i，则可以把t,t+i,t+2i,...,t+(n-1)i时刻的流量作为输入数据，t+ni时刻的流量作为输出，构成一组训练数据；

S22、根据构造出的历史流量数据集进行预训练，得到该条链路对应的LSTM神经网络模型，用于链路未来流量预测；

S23、采集链路t时刻到t+ni-1时刻的实时流量数据，预测出链路t+ni时刻到t+(n+1)i-1时刻的流量[x₁,x₂,...,x_i]；

S24、根据链路预测流量[x₁,x₂,...,x_i]计算出链路预测流量的统计峰值

S25、根据链路预测流量的统计峰值与链路额定带宽的比例是否超过一定门限来判断该条链路是否存在拥塞风险，即x_p≥r*B是否成立，B为链路的额定带宽，r为门限比例，取值范围为[0,1]；

S3、建立对业务路径质量的评估模型，依据不同类型业务的QoS需求特点，定义不同的效用函数，并根据效用函数将业务路径对业务QoS需求的满足程度量化为效用值；具体方法是：

S31、定义链路的QoS性能参数，包括剩余带宽、时延、时延抖动和丢包率；

S32、定义路径的QoS性能参数，设业务的一条可行路径为p，则路径p的QoS性能参数表示为：路径剩余带宽b_p为路径p的剩余带宽，b_e为路径p所包含的链路e的剩余带宽；路径时延d_p为路径p的总时延，d_e为路径p所包含的链路e的时延；路径时延抖动j_p为路径p的总抖动，j_e为路径p所包含的链路e的抖动；路径丢包率l_p为路径p的总丢包率，l_e为路径p所包含的链路e的丢包率；

S33、定义不同业务的路由效用评估函数，每个QoS参数的效用函数如下：

时延效用：

抖动效用：

丢包效用：

带宽效用：

其中，b_p代表路径p的剩余带宽，β^b和α^b控制效用的变化幅度和变量的延展范围，c^b用于调整效用在x轴作平移变换，d_p为路径p的总时延，单位为毫秒，参数β^d，用于表征每个区间中效用变化幅度，参数为分段函数的边界值；参数δ^d用于保持分段函数的连续性，j_p代表路径p的总抖动，用于调整效用在x轴作平移变换，用于调整效用在y轴作平移变换，β^j用于表征效用的变化幅度，l_p代表路径p的总丢包率，用于调整效用值在x轴作平移变换，用于调整效用在y轴作平移变换，β^l用于表征效用的变化幅度；

设一条路由中各个QoS参数相互独立，通过加权求和的方法计算路径的综合效用值：

U_p＝δ_bu_b+δ_du_d+δ_ju_j+δ_lu_l

其中，U_p表示路径p的综合效用，u_b,u_d,u_j,u_l分表代表带宽、时延、时延抖动、丢包率的效用值，δ_b,δ_d,δ_j,δ_l分表代表带宽、时延、时延抖动、丢包率的权重，权重之和为1；

S4、依据效用值和链路拥塞判断的结果，使用QoS路由算法进行业务流的路径计算，获取业务流传输的QoS路由。