[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

说明书

本申请涉及一种基于联邦学习的云边算力网络流量管理的方法和系统，其中，该方法包括：通过算力节点获取本地私有流量数据，并通过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。通过本申请，解决了云边算力网络中海量数据进行云计算流量管理时，无法保证用户流量信息和数据的隐私安全的问题。

技术领域

本申请涉及算力网络和云边协同管理的技术领域，特别是涉及基于联邦学习的云边算力网络流量管理的方法和系统。

背景技术

随着大数据时代的到来，计算和存储技术都得到了空前的发展，算力网络就是其中一种，它是一种整合网络所有算力节点的计算存储资源，并按照流量的不同服务质量需求来提供最优管理服务的技术。而作为算力网络中的一种计算范式，边缘计算也正逐渐被人们所重视。边缘计算的作用是在算力网络边缘部署计算资源，为用户提供低时延、高安全级别的流量传输服务，其在分布式生成的移动流量环境中具有巨大的潜力。

然而，随着流量生成的爆炸式增长和不同服务质量需求的业务对网络的处理能力和灵活性提出的更高要求，边缘计算由于单个算力节点数据和资源受限导致处理能力低下，当云边算力网络中流量分布不均衡时，采用边缘计算会导致高负载区域的拥塞和丢包问题，同时还会造成处在低负载区域的边缘节点空闲计算、存储资源浪费等问题。因此，为了解决上述问题，相关技术中提出了根据预测未来流量的流量管理方法对流量进行分类识别、控制和管理。例如，HQRP协议，其将流量数据上传至MEO层中进行预测管理，从而完成计算任务，然而，该方法虽然能有效解决网络管理问题，但是在计算过程中数据暴露，会出现用户失去对自身流量信息和数据的直接控制能力，从而无法保障用户流量信息和数据的隐私安全性，存在极大的安全隐患问题。

因此，目前针对相关技术中，云边算力网络中海量数据进行云计算流量管理时，无法保证用户流量信息和数据的隐私安全的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种基于联邦学习的云边算力网络流量管理的方法和系统，以至少解决相关技术中云边算力网络中海量数据进行云计算流量管理时，无法保证用户流量信息和数据的隐私安全的问题。

第一方面，本申请实施例提供了一种基于联邦学习的云边算力网络流量管理的方法，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。

在其中一些实施例中，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。

在其中一些实施例中，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。