[发明专利]基于资源预测的路由方法、装置、计算机设备及存储介质

说明书

本申请属于网络领域，涉及一种基于资源预测的路由方法、装置、计算机设备及存储介质，所述方法包括下述步骤：通过网络资源状况矩阵序列，结合LSTM及CNN对网络资源状况进行局部时空预测，掌握网络资源状况的长期规律；构建路由的评价机制，根据网络资源状况的局部时空预测结果，对端到端流量的路由路径进行评价，得到资源最充裕、延迟最低的路由候选路径集；由网络资源状况的长期规律指导路由决策的执行；利用强化学习，在候选路径集中选择最优的路径。通过局部时空预测获得网络资源的长期规律的同时，利用强化学习决策来处理短期的不规律波动，弥补了LSTM在短期预测方面的不足，也使得强化学习决策更具有长期的前瞻性。

技术领域

本申请涉及网络技术领域，尤其涉及基于资源预测的路由方法、装置、计算机设备及存储介质。

背景技术

人工智能在大规模数据处理、分类以及智能决策方面的卓越性能，使得它成为网络控制智能化的有效武器。为了解决传统选路方式的不足，许多研究人员尝试将机器学习、强化学习等诸多智能算法引入软件定义网络路由选路机制，从而实现路由的智能化、可定制与细粒度管理。现有技术中，有用于自定义网络拓扑和放置控制器的拓扑控制器规划器，由于启发式算法自身的局限性，所建模型只针对特定问题，并且当网络状态发生变化时，参数可能需要重新调整，可扩展性受限。

发明内容

本申请实施例的目的在于提出一种基于资源预测的路由方法、装置、计算机设备及存储介质，以解决现有技术中由于启发式算法自身的局限性，所建模型只针对特定问题，并且当网络状态发生变化时，参数可能需要重新调整，可扩展性受限的问题。

为了解决上述技术问题，本申请提供一种基于资源预测的路由方法，采用了如下所述的技术方案，包括下述步骤：

通过网络资源状况矩阵序列，结合LSTM及CNN对网络资源状况进行局部时空预测，掌握网络资源状况的长期规律；

构建路由的评价机制，根据结合LSTM及CNN对网络资源状况的局部时空预测结果，对端到端流量的路由路径进行评价，得到资源最充裕、延迟最低的路由候选路径集；

由网络资源状况的长期规律指导路由决策的执行；

利用强化学习，在候选路径集中选择最优的路径。

进一步的，所述通过网络资源状况矩阵序列，结合LSTM及CNN对网络资源状况进行局部时空预测，掌握网络资源状况的长期规律的步骤具体包括：

建立网络资源状况矩阵序列；

通过LSTM及CNN并行对网络资源状况矩阵序列进行单步预测；

通过一个fusion层来结合LSTM及CNN的预测结果，掌握网络资源状况的长期规律。

进一步的，所述构建路由的评价机制，根据网络资源状况的局部时空预测结果，对端到端流量的路由路径进行评价，得到资源最充裕、延迟最低的路由候选路径集的步骤具体包括：

定义网络资源评分矩阵为：

其中f_resource(d)＝α_cr(c)+α_mr(m)，r(x)为评判资源状况的评分，r(c)为cpu资源的评分，r(m)为内存资源的评分，α_c,α_m分别为各个参数的可调权重，节点的拥挤程度越高，r(x)越大；

假设在网络资源矩阵D中有转发路径rt，根据网络资源评分矩阵对rt进行评分：

假设在网络资源矩阵D中有转发路径rt，以跳数来评估传输路径rt的时延：

fhop(rt)＝hop(rt)；