[发明专利]批量配置网络设备的方法、系统和电子设备在审
申请号: | 202110869309.4 | 申请日: | 2021-07-30 |
公开(公告)号: | CN113810219A | 公开(公告)日: | 2021-12-17 |
发明(设计)人: | 任成成 | 申请(专利权)人: | 吟雪情枫信息科技(上海)有限公司 |
主分类号: | H04L12/24 | 分类号: | H04L12/24;G06N3/04;G06N3/08;G06K9/62 |
代理公司: | 暂无信息 | 代理人: | 暂无信息 |
地址: | 201100 上*** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 批量 配置 网络设备 方法 系统 电子设备 | ||
1.一种批量配置网络设备的方法,其特征在于,包括:
获取在当前时间之前的一系列预定时间间隔的时间点的待批量配置的多个网络设备各自的流量值;
以列表填充的方式将所述一系列预定时间间隔的时间点的待批量配置的多个网络设备各自的流量值构造成数值矩阵,其中,所述数值矩阵中每个位置的特征值表示某个网络设备在某个时间点的流量值;
将所述数值矩阵通过卷积神经网络以从所述数值矩阵获得特征图;
获取当前时间的各个所述网络设备的流量值以获得由多个所述网络设备的流量值组成的查询向量;
将所述查询向量与所述特征图进行矩阵相乘以获得特征向量;
计算所述特征向量中各个位置的特征值相对于所述查询向量中各个位置的特征值的效用分数,以获得由多个效用分数组成的效用分数向量,其中,所述效用分数基于所述特征向量中各个位置的特征值、所述查询向量中各个位置的特征值以及预定系数生成;
使用类Softmax分类函数计算所述效用分数向量中各个位置的概率,其中,所述概率为每个所述网络设备对应的流量分配概率,所述类Softmax分类函数为以所述效用分数向量中对应位置的特征值为幂的自然指数函数值除以以所述效用分数向量中各个位置的特征值为幂的自然指数函数值的加权和的结果;以及
基于所述概率和总流量,确定对应于各个所述网络设备的分配流量值。
2.根据权利要求1所述的批量配置网络设备的方法,其中,以列表填充的方式将所述一系列预定时间间隔的时间点的待批量配置的多个网络设备各自的流量值构造成数值矩阵,包括:
以网络设备和时间点为排列维度,将所述一系列预定时间间隔的时间点的待批量配置的多个网络设备各自的流量值构造成数值矩阵。
3.根据权利要求2所述的批量配置网络设备的方法,其中,所述预定时间间隔的时间点的数量等于所述网络设备的数量。
4.根据权利要求1所述的批量配置网络设备的方法,其中,计算所述特征向量中各个位置的特征值相对于所述查询向量中各个位置的特征值的效用分数,以获得由多个效用分数组成的效用分数向量,包括:
以如下公式计算所述特征向量中各个位置的特征值相对于所述查询向量中各个位置的特征值的效用分数,以获得由多个效用分数组成的效用分数向量;
其中,所述公式为:p=αf1i-β(f1i-f2i)2,其中f1i和f2i分别是所述查询向量和所述特征向量的对应位置的数值,α和β是效用分数的预定系数。
5.根据权利要求1所述的批量配置网络设备的方法,其中,预定系数α和β作为超参数参与到所述卷积神经网络的训练过程中。
6.根据权利要求1所述的批量配置网络设备的方法,其中,所述类Softmax分类函数为exp(pi)/∑i exp(pi)。
7.根据权利要求1所述的批量配置网络设备的方法,其中,所述卷积神经网络为深度残差网络。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于吟雪情枫信息科技(上海)有限公司,未经吟雪情枫信息科技(上海)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110869309.4/1.html,转载请声明来源钻瓜专利网。