[發(fā)明專利]一種虛擬網(wǎng)絡(luò)的映射方法、映射裝置及可讀存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201911337626.0
• 申請日: 2019-12-23
• 公開（公告）號: CN111106960B
• 公開（公告）日: 2021-03-05
• 發(fā)明（設(shè)計）人: 姚海鵬;張培穎;馬思涵;紀哲
• 申請（專利權(quán)）人: 北京郵電大學(xué)
• 主分類號: H04L12/24
• 分類號: H04L12/24;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務(wù)所(特殊普通合伙) 11463
• 代理人: 胡蓉

1.一種虛擬網(wǎng)絡(luò)的映射方法，其特征在于，所述映射方法包括：

基于待映射物理網(wǎng)絡(luò)中每個物理網(wǎng)絡(luò)節(jié)點的節(jié)點信息，生成每個物理網(wǎng)絡(luò)節(jié)點的節(jié)點特征向量；

基于每個物理網(wǎng)絡(luò)節(jié)點的節(jié)點特征向量，構(gòu)建所述待映射物理網(wǎng)絡(luò)的網(wǎng)絡(luò)特征矩陣；

將所述網(wǎng)絡(luò)特征矩陣輸入至預(yù)先訓(xùn)練好的網(wǎng)絡(luò)映射模型中，獲取將所述物理網(wǎng)絡(luò)節(jié)點映射到虛擬網(wǎng)絡(luò)之后，所述虛擬網(wǎng)絡(luò)中各虛擬網(wǎng)絡(luò)節(jié)點的映射位置信息；

針對每個物理網(wǎng)絡(luò)節(jié)點，所述節(jié)點信息包括以下信息中的至少一種：

該物理網(wǎng)絡(luò)節(jié)點的計算資源剩余量信息；與該物理網(wǎng)絡(luò)節(jié)點連接的相鄰網(wǎng)絡(luò)節(jié)點數(shù)量；與該物理網(wǎng)絡(luò)節(jié)點連接的各鏈路帶寬的帶寬總量和該物理網(wǎng)絡(luò)節(jié)點的計算資源剩余量之間的乘積；

所述映射方法通過以下方式訓(xùn)練所述網(wǎng)絡(luò)映射模型：

獲取多個樣本物理網(wǎng)絡(luò)、每個樣本物理網(wǎng)絡(luò)中每個樣本物理網(wǎng)絡(luò)節(jié)點的樣本節(jié)點信息和每個樣本物理網(wǎng)絡(luò)的實際網(wǎng)絡(luò)特征向量，以及與每個樣本物理網(wǎng)絡(luò)對應(yīng)的樣本虛擬網(wǎng)絡(luò)和每個樣本虛擬網(wǎng)絡(luò)中每個樣本虛擬網(wǎng)絡(luò)節(jié)點在該虛擬網(wǎng)絡(luò)中的實際位置信息；

針對每個樣本物理網(wǎng)絡(luò)，基于每個樣本物理網(wǎng)絡(luò)節(jié)點的樣本節(jié)點信息，生成每個樣本物理網(wǎng)絡(luò)節(jié)點的樣本節(jié)點特征向量；

基于每個樣本物理網(wǎng)絡(luò)節(jié)點的樣本節(jié)點特征向量，構(gòu)建每個樣本物理網(wǎng)絡(luò)的樣本網(wǎng)絡(luò)特征矩陣；

基于每個樣本物理網(wǎng)絡(luò)的樣本網(wǎng)絡(luò)特征矩陣、每個樣本物理網(wǎng)絡(luò)的實際網(wǎng)絡(luò)特征向量以及每個樣本虛擬網(wǎng)絡(luò)中每個樣本虛擬網(wǎng)絡(luò)節(jié)點的實際位置信息，訓(xùn)練構(gòu)建好的循環(huán)神經(jīng)網(wǎng)絡(luò)，以獲得所述網(wǎng)絡(luò)映射模型；

所述基于每個樣本物理網(wǎng)絡(luò)的樣本網(wǎng)絡(luò)特征矩陣、每個樣本物理網(wǎng)絡(luò)的實際網(wǎng)絡(luò)特征向量以及每個樣本虛擬網(wǎng)絡(luò)中每個樣本虛擬網(wǎng)絡(luò)節(jié)點的實際位置信息，訓(xùn)練構(gòu)建好的循環(huán)神經(jīng)網(wǎng)絡(luò)，以獲得所述網(wǎng)絡(luò)映射模型，包括：

針對每個樣本物理網(wǎng)絡(luò)，將該樣本物理網(wǎng)絡(luò)的樣本網(wǎng)絡(luò)特征矩陣輸入至所述循環(huán)神經(jīng)網(wǎng)絡(luò)中的編碼網(wǎng)絡(luò)層中，確定出該樣本物理網(wǎng)絡(luò)的樣本網(wǎng)絡(luò)特征向量；

基于每個樣本物理網(wǎng)絡(luò)的樣本網(wǎng)絡(luò)特征向量和實際網(wǎng)絡(luò)特征向量，訓(xùn)練所述循環(huán)神經(jīng)網(wǎng)絡(luò)中的編碼網(wǎng)絡(luò)層中的網(wǎng)絡(luò)參數(shù)；

將該樣本物理網(wǎng)絡(luò)的實際網(wǎng)絡(luò)特征向量輸入至所述循環(huán)神經(jīng)網(wǎng)絡(luò)中的解碼網(wǎng)絡(luò)層中，確定出該樣本物理網(wǎng)絡(luò)節(jié)點映射到對應(yīng)的樣本虛擬網(wǎng)絡(luò)之后，該樣本虛擬網(wǎng)絡(luò)中每個樣本虛擬網(wǎng)絡(luò)節(jié)點的樣本位置信息；

基于每個樣本虛擬網(wǎng)絡(luò)中每個樣本虛擬網(wǎng)絡(luò)節(jié)點的樣本位置信息和實際位置信息，訓(xùn)練所述循環(huán)神經(jīng)網(wǎng)絡(luò)中的解碼網(wǎng)絡(luò)層；

基于訓(xùn)練好的編碼網(wǎng)絡(luò)層和訓(xùn)練好的解碼網(wǎng)絡(luò)層，確定所述網(wǎng)絡(luò)映射模型。

2.如權(quán)利要求1所述的映射方法，其特征在于，所述將所述網(wǎng)絡(luò)特征矩陣輸入至預(yù)先訓(xùn)練好的網(wǎng)絡(luò)映射模型中，獲取將所述物理網(wǎng)絡(luò)節(jié)點映射到虛擬網(wǎng)絡(luò)中之后，所述虛擬網(wǎng)絡(luò)中各虛擬網(wǎng)絡(luò)節(jié)點的位置信息，包括：

將所述網(wǎng)絡(luò)特征矩陣輸入至所述網(wǎng)絡(luò)映射模型中的編碼網(wǎng)絡(luò)層中，確定出所述物理網(wǎng)絡(luò)的網(wǎng)絡(luò)特征向量；

將所述網(wǎng)絡(luò)特征向量輸入至所述網(wǎng)絡(luò)映射模型中的解碼網(wǎng)絡(luò)層中，確定出所述物理網(wǎng)絡(luò)節(jié)點映射到虛擬網(wǎng)絡(luò)之后，所述虛擬網(wǎng)絡(luò)中各虛擬網(wǎng)絡(luò)節(jié)點的位置信息。

3.如權(quán)利要求2所述的映射方法，其特征在于，所述將所述網(wǎng)絡(luò)特征向量輸入至網(wǎng)絡(luò)映射模型中的解碼網(wǎng)絡(luò)層中，確定出所述物理網(wǎng)絡(luò)節(jié)點映射到虛擬網(wǎng)絡(luò)之后，所述虛擬網(wǎng)絡(luò)中各虛擬網(wǎng)絡(luò)節(jié)點的位置信息，包括：

將所述網(wǎng)絡(luò)特征向量作為所述網(wǎng)絡(luò)映射模型中解碼網(wǎng)絡(luò)層輸出的當前時刻解碼輸出向量，并獲取與當前時刻對應(yīng)的所述解碼網(wǎng)絡(luò)層輸出的當前時刻中間網(wǎng)絡(luò)參數(shù)；

依次將所述解碼網(wǎng)絡(luò)層輸出的所述當前時刻解碼輸出向量和所述當前時刻中間網(wǎng)絡(luò)參數(shù)再次輸入至所述解碼網(wǎng)絡(luò)層中，確定與所述當前時刻的下一時刻對應(yīng)的下一時刻解碼輸出向量和下一時刻中間網(wǎng)絡(luò)參數(shù)；

基于確定出的每個下一時刻解碼輸出向量，確定將所述物理網(wǎng)絡(luò)映射到虛擬網(wǎng)絡(luò)時，所述虛擬網(wǎng)絡(luò)中每個虛擬網(wǎng)絡(luò)節(jié)點的位置信息。