[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

说明书

本发明属于人工智能技术领域，具体的说是涉及一种基于机器学习的链路拥塞故障预测及网络自主管控方法，首先周期性的测量的链路性能参数，并分析不同类型业务流的QoS需求特点，提出了基于效用值的QoS路由质量度量方法，量化了路由对于业务QoS的满足程度，建立了路由质量空间到数值空间的映射。然后，基于LSTM神经网络对链路流量进行预测，并根据流量预测的结果进行链路拥塞风险判断和预防。最后，基于效用值和流量预测设计了QoS路由引擎，该引擎可以根据网络的实时资源状态、业务效用函数和链路拥塞判断结果计算业务的QoS路由，为多种不同类型网络业务流提供QoS路由计算服务，同时起到控制网络拥塞的作用。

技术领域

本发明属于人工智能技术领域，具体的说是涉及一种基于机器学习的链路拥塞故障预测及网络自主管控方法。

背景技术

近年来，随着移动通信、互联网技术的高速发展，用户数量、网络规模和网络业务流量都在经历爆炸式的增长，新型网络应用层出不穷，业务场景越来越趋向于多样化，用户对网络的服务质量保障也提出了新的要求。服务质量(Quality Of Service，QoS)作为一种针对传统网络提出的控制机制，根据带宽、时延、时延抖动和丢包率等指标，为不同类型的业务提供与业务需求一致的服务质量保障。在传统网络中，服务商通常通过流量工程的方式优化网络，在节省硬件成本的情况下提高服务质量，改善用户体验，但是传统网络受限于紧耦合和分布式的架构本身，流量工程难以获取全局视图，难以进行集中化的控制协调和流量的统一调度，限制了网络路由更新设计和部署，无法为用户提供理想的QoS保障。因此，寻找一种能够根据网络的状态和需求进行自适应调整的网络业务路由方案，节省网络资源开销，增强网络服务质量，是传统网络中一个亟待解决的问题。

软件定义网络(Software Defined Network，SDN)的出现为实时业务的QoS保障问题带来了新的思路。区别于传统网络紧密耦合的垂直结构，SDN将数据平面和控制平面分离，数据平面由支持OpenFlow协议的SDN交换机实现，控制平面由软件实现，提供网络的可编程性。控制平面对整个网络具有完整的全局视图，能够根据网络状态动态配置业务流的转发路由，从而更高效地进行网络资源的调配。控制平面在向下层的数据平面下发控制策略的同时，向上层的应用平面提供开放应用程序可编程接口，使得运营商可以简单快速地完成动态、自动化的网络应用开发，而不被运维复杂的问题所困扰。整个SDN网络架构形成闭环，为部署QoS路由方案提供了保障。

随着人工智能技术的发展，机器学习算法已经渗透到包括QoS路由在内的各个领域。网络流量的特征是：自相似性、多尺度性、长期依赖性和高度非线性性质，这些统计特征决定了网络流量的可预测性。因此，使用机器学习技术进行流量预测，并根据预测结果进行拥塞控制和业务QoS路由计算，从而保障业务的服务质量，是网络自主管控的一个新的思路。

发明内容

本发明的发明目的在于：通过流量预测技术预测可能出现拥塞的链路，并通过效用值将路径对业务QoS需求的满足程度进行量化，从而寻找满足业务流传输QoS需求的路由，在提高网络资源的综合利用率的同时控制网络拥塞，实现网络的自主管控。

本发明的基于机器学习的链路拥塞故障预测及网络自主管控方法的技术方案为：

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；

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；

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。