[發明專利]一種基于深度學習的全局視野網絡系統的解釋方法

有效

• 申請號: 202010532906.3
• 申請日: 2020-06-12
• 公開（公告）號: CN111753892B
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 徐明偉;孟子立;王敏虎;白家松
• 申請（專利權）人: 清華大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06F17/16
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 羅文群

1.一種基于深度學習的全局視野網絡系統的解釋方法，其特征在于該方法包括以下步驟：

(1)將資源和請求輸入到待解釋的全局視野網絡系統S中，輸出得到全局配置結果集合，將該全局配置結果集合記為0；

(2)構建一個包括資源和請求的全局視野計算機網絡系統超圖H，該全局視野計算機網絡系統超圖H具有以下四種形式：

a、當全局視野網絡系統S為軟件定義網絡路由優化系統時，超圖H中物理鏈路構建為點，路由路徑構建為超邊；

b、當全局視野網絡系統S為虛擬網絡功能放置優化系統時，超圖H中物理服務器構建為點，虛擬網絡功能為超邊；

c、當全局視野網絡系統S為超密集蜂窩網絡優化系統時，超圖H中移動用戶構建為點，基站構建為超邊；

d、當全局視野網絡系統S為集群任務調度優化系統時，超圖H中請求任務構建為點，任務間依賴關系構建為超邊；

用一個關聯矩陣I表示全局視野計算機網絡系統超圖H，關聯矩陣I為一個V×E維的0-1矩陣，關聯矩陣I中的位置(v，e)為1時，表示點v和超邊e有連接關系，位置(v，e)為0時，表示點v和超邊e沒有連接關系；

(3)對步驟(2)的全局視野計算機網絡系統超圖H進行特征計算，包括以下步驟：

(3-1)構建一個評價矩陣W，用于表征關聯矩陣I中各非零元素的重要性；

(3-2)計算上述評價矩陣W的性能損失：

對步驟(1)的全局配置結果集合0進行判斷，若步驟(1)中的全局配置結果輸出結果為離散變量，則利用下式計算關聯矩陣I與評價矩陣W的KL散度D(W，I)；若步驟(1)中的全局配置結果輸出結果為連續變量，則利用下式計算全局配置結果關聯矩陣I與評價矩陣W的均方誤差D(W，I)：

上式中，f(W)為待解釋全局視野網絡系統S的評估函數對評價矩陣W的評估結果，f(I)為待解釋的全局視野網絡系統S關聯矩陣I的評估結果；

(3-3)利用下式，計算步驟(3-1)中的評價矩陣W的簡潔性，定義評價矩陣W的簡潔性為：

上式中，W_ev為評價矩陣W在關聯矩陣I的(e，v)位置的元素值；

(3-4)采用評價矩陣W的熵H(W)表征評價矩陣W的確定性：

(3-5)建立求解評價矩陣W的優化模型，該優化模型的目標函數為：

minD(W，I)+λ₁||W||+λ₂H(W)

優化模型的約束條件為：

其中，D(W，I)為步驟(3-2)中的均方誤差，||W||為步驟(3-3)中的簡潔性，H(W)為步驟(3-4)中評價矩陣W的熵，λ₁和λ₂分別為簡潔性和熵的計算參數；

(4)采用梯度下降法，求解步驟(3-5)的優化模型，得到評價矩陣W，根據評價矩陣W，得到關聯矩陣I中各連接關系重要性的表征，實現基于深度學習的全局視野網絡系統的解釋。