[发明专利]机器学习模型训练方法、量子网络设备性能值预测方法

说明书

本发明公开的机器学习模型训练方法、量子网络设备性能值预测方法，涉及量子网络设备管理机人工智能技术领域，通过获取量子网络设备的历史运行数据；根据量子网络设备各个性能指标的属性，从所述历史运行数据中分别确定各个性能指标对应的自变量；根据该自变量，分别获取各个性能指标对应的性能值；分别为各个性能指标对应的自变量、性能值打上不同的标识；将携带标识的自变量及对应的性能值输入机器学习模型，对该机器学习模型进行训练，得到训练过的机器学习模型，实现了对量子网络设备性能指标的性能值进行精准预测，能够对量子网络设备进行便捷、高效地监控和管理，保证了量子通信系统的稳定性。

技术领域

本发明涉及量子网络设备管理及人工智能技术领域，具体涉及一种机器学习模型训练方法、量子网络设备性能值预测方法及系统。

背景技术

量子通信技术作为一个新兴的通信技术，近些年来，鉴于量子通信技术较传统通信技术高安全性能高的特点，量子通信技术飞速的发展。随着量子通信技术的飞速发展，量子网络设备也随之产生，量子网络设备性能的好坏决定量子通信系统性能的好坏，所以说，通过预测量子网络设备未来的性能情况，针对未来可预见的性能情况做具体预案（磁盘扩容等）很有必要，能够保证量子通信系统性能的稳定性。

目前，仅对量子网络设备已产生的历史运行数据及当前运行数据做展示使用，没有对量子网络设备性能指标的性能值进行预测，数据利用率较低，无法保证量子通信系统的稳定性。

发明内容

本发明实施例提供了一种机器学习模型训练方法、量子网络设备性能值预测方法及系统，用以解决现有技术存在的数据利用率较低，无法保证量子通信系统的稳定性的缺陷。

第一方面，本发明实施例提供的机器学习模型训练方法包括以下步骤：

获取量子网络设备的历史运行数据；

根据所述量子网络设备各个性能指标的属性，从所述历史运行数据中确定各个所述性能指标对应的自变量；

根据所述自变量，分别获取各个所述性能指标对应的性能值；

分别为各个所述性能指标对应的自变量、性能值打上不同的标识，其中，一个性能指标对应一个性能值及至少一个自变量；

将携带标识的自变量及对应的性能值输入机器学习模型，对所述机器学习模型进行训练，得到训练过的机器学习模型。

作为本发明实施例一个优选的实现方式，在获取量子网络设备的历史运行数据之后，所述方法还包括：

对所述历史运行数据进行清洗，删除所述历史运行数据中的冗余数据。

作为本发明实施例一个优选的实现方式，所述机器学习模型为基于最小二乘法的线性回归模型。

作为本发明实施例一个优选的实现方式，所述历史运行数据包括量子网络设备在设定的历史时间段内运行时的性能参数，其中，所述性能参数包括多个性能指标、性能值、单位及时间。

作为本发明实施例一个优选的实现方式，多个所述性能指标包括CPU使用率、内存使用率、成码率及当前量子密钥生成总量。

第二方面，本发明实施例提供的量子网络设备性能值预测方法包括：

接收用户输入的待预测的量子网络设备的性能指标；

根据所述性能指标的属性，从所述量子网络设备的历史运行数据中获取所述性能指标对应的自变量及性能值，其中，一个性能指标对应一个性能值及至少一个自变量；

基于所述性能指标对应的自变量及性能值，基于线性回归模型，对所述性能指标在设定的未来时间段内的性能值进行预测。

作为本发明实施例一个优选的实现方式，基于线性回归模型，对所述性能指标在设定的未来时间段内的性能值进行预测包括：

采用最小二乘法，对所述性能指标在设定的未来时间段内的性能值进行预测。

第三方面，本发明实施例提供的量子网络设备性能值预测系统包括：