[發明專利]一種基于深度神經網絡算法的網元容量分析與預測的方法

有效

• 申請號: 201810059853.0
• 申請日: 2018-01-22
• 公開（公告）號: CN108471353B
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 陳曉莉;黃勇;陳磊;張雄江;徐菁;丁一帆;林建洪
• 申請（專利權）人: 浙江鵬信信息科技股份有限公司
• 主分類號: H04L12/24
• 分類號: H04L12/24;G06N3/08;G06N3/04
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 周希良

1.一種基于深度神經網絡算法的網元容量分析與預測的方法，其特征在于，

S1、獲取電信網元容量的輸入與輸出數據，組成樣本數據；

電信網元容量的輸入即為業務指標以及各項性能數據，電信網元容量的輸出為各項配置數據；通過歷史的、已知的、合理的輸入與輸出電信網元數據得到歷史數據；在深度神經網絡模型構建時，需要獲取電信網元容量的輸入與輸出數據作為樣本數據；

輸出指標包括需要預測的網絡資源配置數據、數據中心資源配置數據；

S2、利用深度神經網絡算法訓練樣本數據得到深度神經網絡模型；

S3、輸入網元容量的性能數據，通過深度神經網絡模型預測網元容量的資源分配指標；

步驟S1與步驟S2之間包括：歸一化處理樣本數據，通過轉換函數使樣本數據的取值范圍為[0,1]；

步驟S2還包括：利用梯度下降的方法更新訓練樣本的權重矩陣，通過迭代法直到指標的輸出誤差小于預設誤差閾值；

利用深度神經網絡算法訓練樣本數據得到深度神經網絡模型具體包括：

深度神經網絡模型的基本結構包括輸入層，若干隱藏層和輸出層；

深度神經網絡算法的過程分為兩個階段：第一階段是由輸入層開始逐層計算各層神經元的輸入和輸出，直到輸出層為止；第二階段是由輸出層開始逐層計算各層神經元的輸出誤差，并根據誤差梯度下降原則來調節各層的連接權值和節點閾值，使修改后的網絡的最終輸出能接近期望值；如果一次訓練以后還達不到精度要求，重復訓練，直到滿足訓練精度為止。

2.根據權利要求1所述的基于深度神經網絡算法的網元容量分析與預測的方法，其特征在于，所述輸出誤差的計算方法為：所述樣本數據中的目標輸出值與實際輸出值之差。

3.根據權利要求2所述的基于深度神經網絡算法的網元容量分析與預測的方法，其特征在于，通過成本函數的最小化實現深度神經網絡模型的實際輸出趨于所述目標輸出值；

在t時刻，將網絡的實際輸出y_i(t)與樣本數據給出的目標輸出d_i(t)進行比較，輸出產生的誤差ε_i(t)定義如下：

ε_i(t)＝d_i(t)-y_i(t)

所產生的誤差信號驅動了對學習算法的控制，其目的是對神經元的輸入權重進行一系列校準調節，校準調整的目的是通過一步步的迭代，使實際輸出y_i(t)越來越接近目標輸出d_i(t)，該目標可以通過成本函數E(t)最小化來實現：

4.根據權利要求2所述的基于深度神經網絡算法的網元容量分析與預測的方法，其特征在于，步驟S2中深度神經網絡算法訓練樣本數據的過程包括：輸入層至輸出層由輸入層逐層計算各層神經元的輸入與輸出；由輸出層逐層計算各層神經元的輸出誤差，以及根據誤差梯度下降原則調節各層的連接權值與節點誤差閾值。

5.根據權利要求1所述的基于深度神經網絡算法的網元容量分析與預測的方法，其特征在于，步驟S3還包括通過激活函數relu分類輸出網元容量的每項指標。