[发明专利]基于联邦学习的云边算力网络流量管理的方法和系统

权利要求书

1.一种基于联邦学习的云边算力网络流量管理的方法，其特征在于，所述方法包括：

通过算力节点获取本地私有流量数据，并通过所述本地私有流量数据对本地初始流量预测模型进行训练，得到初始模型参数；

将所述初始模型参数上传至算力控制器进行聚合，得到全局模型参数，并将所述全局模型参数回传给本地初始流量预测模型，得到云边算力网络全局流量预测模型，并将所述全局流量预测模型下发到各算力节点，对流量进行预测；

获取待调度网络流量，并对所述待调度网络流量进行分类，根据不同的类型获取流量预测值，对网络流量进行路径计算，实现最优路径调度。

2.根据权利要求1所述的方法，其特征在于，通过所述本地私有流量数据对初始流量预测模型进行训练之前，所述方法包括：

根据神经网络算法构建所述本地初始流量预测模型，并通过服务器将所述本地初始流量模型下发到各算力节点。

3.根据权利要求1或2所述的方法，其特征在于，通过所述本地私有流量数据对本地初始流量预测模型进行训练包括：

算力节点收集历史时间段内的本地私有流量数据，并对收集的私有历史流量数据进行不同时刻的平均流量值计算，得到组成时序信息的本地状态训练数据集；

算力节点通过所述本地状态训练数据集对所述本地初始流量预测模型进行训练，得到初始模型参数。

4.根据权利要求1所述的方法，其特征在于，将所述初始模型参数上传至算力控制器进行聚合，得到全局模型参数包括：

所述初始模型参数经多轮迭代计算之后，得到本地模型参数，将所述本地模型参数与初始化全局模型参数进行结合，得到更新参数；

各算力节点上传更新参数到服务器，服务器对所述更新参数进行聚合，得到更新的全局模型参数；

经多轮循环计算后，服务器得到最终的全局模型参数。

5.根据权利要求1所述的方法，其特征在于，对所述待调度网络流量进行分类包括：

根据网络流量对服务质量的不同需求进行分类，当流量要求传输过程为低时延时，所述流量为时延敏感型流量；当流量要求传输过程中有足够的带宽支持时，所述流量为带宽敏感型流量；当流量要求保证传输的可用性和完成率时，所述流量为尽力而为型流量。

6.根据权利要求5所述的方法，其特征在于，根据不同的类型获取流量预测值，对网络流量进行路径计算，实现最优路径调度包括：

若是时延敏感型流量，则以网络拓扑节点距离为权值进行最优路径计算；

若是带宽敏感型流量和尽力而为型流量，则根据网络拓扑节点距离与流量预测值进行最优路径计算。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

检测网络节点时间段内的平均流量值，当平均流量值超过节点队列总长度的预设阈值时，判定所述网络节点目前处于拥塞状态。

8.一种基于联邦学习的云边算力网络流量管理的系统，其特征在于，所述系统包括：

训练模块，用于通过算力节点获取本地私有流量数据，并通过所述本地私有流量数据对本地初始流量预测模型进行训练，得到初始模型参数；

预测模块，用于将所述初始模型参数上传至算力控制器进行聚合，得到全局模型参数，并将所述全局模型参数回传给本地初始流量预测模型，得到云边算力网络全局流量预测模型，并将所述全局流量预测模型下发到各算力节点，对流量进行预测；

寻优模块，用于获取待调度网络流量，并对所述待调度网络流量进行分类，根据不同的类型获取流量预测值，对网络流量进行路径计算，实现最优路径调度。

9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的方法。

10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至7中任一项所述的方法。