[發(fā)明專利]對量子通信網(wǎng)絡(luò)中多網(wǎng)元數(shù)據(jù)進行預測的方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202111089520.0
• 申請日: 2021-09-16
• 公開（公告）號: CN113872703B
• 公開（公告）日: 2022-09-06
• 發(fā)明（設(shè)計）人: 陳柱;夏晨臣;王平;陳德華;王旭東;張玲君;翟學鋒;張遠旸
• 申請（專利權(quán)）人: 國科量子通信網(wǎng)絡(luò)有限公司
• 主分類號: H04B10/70
• 分類號: H04B10/70;H04L41/147;G06N3/08;G06N3/04
• 代理公司: 北京玄法律師事務(wù)所 16002
• 代理人: 潘滿根

本發(fā)明的實施例提供了一種對量子通信網(wǎng)絡(luò)中多網(wǎng)元數(shù)據(jù)進行預測的方法及系統(tǒng)、對該預測方法進行可靠性評估預測的方法、以及評估該可靠性評估預測方法的方法。其中，對量子通信網(wǎng)絡(luò)中多網(wǎng)元數(shù)據(jù)進行預測的方法，包括：獲取量子通信網(wǎng)絡(luò)中的多網(wǎng)元數(shù)據(jù)；對多網(wǎng)元數(shù)據(jù)進行數(shù)據(jù)預處理；以及利用LSTM?DBN網(wǎng)絡(luò)模型對預處理后的多網(wǎng)元數(shù)據(jù)進行預測，獲得下一時刻多網(wǎng)元數(shù)據(jù)的預測值，其中，LSTM?DBN網(wǎng)絡(luò)模型包括LSTM模型和DBN模型，下一時刻多網(wǎng)元數(shù)據(jù)的預測值包括下一時刻所述量子通信的網(wǎng)絡(luò)狀態(tài)和下一時刻的多網(wǎng)元數(shù)據(jù)。通過本發(fā)明中的方法，能夠充分利用LSTM模型和DBN模型的特征，并且在保障網(wǎng)絡(luò)模型的可靠性的同時提高預測精確度。

技術(shù)領(lǐng)域

本發(fā)明涉及量子通信網(wǎng)絡(luò)技術(shù)領(lǐng)域，尤其涉及一種對量子通信網(wǎng)絡(luò)中多網(wǎng)元數(shù)據(jù)進行預測的方法及系統(tǒng)。

背景技術(shù)

量子通信網(wǎng)絡(luò)是一種采用量子通信系統(tǒng)的網(wǎng)絡(luò)。如圖1所示，量子通信網(wǎng)絡(luò)由眾多子系統(tǒng)組成，例如量子網(wǎng)絡(luò)子系統(tǒng)、傳輸網(wǎng)絡(luò)子系統(tǒng)、經(jīng)典網(wǎng)絡(luò)子系統(tǒng)、機房環(huán)境子系統(tǒng)以及安全網(wǎng)絡(luò)子系統(tǒng)等。每個子系統(tǒng)又包含分離的多個節(jié)點，例如，量子網(wǎng)絡(luò)子系統(tǒng)中包含OKD網(wǎng)元、OKM網(wǎng)元、S600網(wǎng)元等；傳輸網(wǎng)絡(luò)子系統(tǒng)中包含傳輸設(shè)備、光纜線路等等。量子信息就存儲在這些節(jié)點的檢測數(shù)據(jù)(即網(wǎng)元數(shù)據(jù))中。

由于量子通信網(wǎng)絡(luò)中的網(wǎng)元數(shù)據(jù)具有時間依賴性、高維復雜性，且不同網(wǎng)元的數(shù)據(jù)特性不同，因此傳統(tǒng)的機器學習方法不能很好適用于量子通信網(wǎng)絡(luò)。例如人工神經(jīng)網(wǎng)絡(luò)ANN、SVM、PCA等，對數(shù)據(jù)的特征提取能力較為欠缺；RNN雖然理論上可以表示長時間步長狀態(tài)之間的依賴關(guān)系，但是由于梯度爆炸或梯度彌散現(xiàn)象的存在，導致RNN在實際應(yīng)用中“記憶能力”受限，往往只能學習到短時間步長的依賴關(guān)系；HMM僅限于離散的隱藏狀態(tài)，并且與RNN相似也有長期依賴的問題。

因此，亟需一種更加穩(wěn)定、可靠的對量子通信網(wǎng)絡(luò)中多網(wǎng)元數(shù)據(jù)進行預測的方法和系統(tǒng)。

發(fā)明內(nèi)容

因此，本發(fā)明實施例的目的在于克服上述相關(guān)技術(shù)的缺陷，提供一種對量子通信網(wǎng)絡(luò)中多網(wǎng)元數(shù)據(jù)進行預測的方法及系統(tǒng)，能夠在保障可靠性的前提下提高預測的精度。

上述目的是通過以下技術(shù)方案實現(xiàn)的：

根據(jù)本發(fā)明實施例的第一方面，提供了一種對量子通信網(wǎng)絡(luò)中多網(wǎng)元數(shù)據(jù)進行預測的方法，包括：獲取量子通信網(wǎng)絡(luò)中的多網(wǎng)元數(shù)據(jù)；對所述多網(wǎng)元數(shù)據(jù)進行數(shù)據(jù)預處理；以及利用LSTM-DBN網(wǎng)絡(luò)模型對預處理后的所述多網(wǎng)元數(shù)據(jù)進行預測，獲得下一時刻多網(wǎng)元數(shù)據(jù)的預測值，其中，所述LSTM-DBN網(wǎng)絡(luò)模型包括LSTM模型和DBN模型，所述下一時刻多網(wǎng)元數(shù)據(jù)的預測值包括下一時刻所述量子通信的網(wǎng)絡(luò)狀態(tài)和下一時刻的多網(wǎng)元數(shù)據(jù)。

可選地，其中，所述對所述多網(wǎng)元數(shù)據(jù)進行數(shù)據(jù)預處理包括：對所述多網(wǎng)元數(shù)據(jù)進行歸一化處理和一致化處理。

可選地，其中，所述LSTM-DBN網(wǎng)絡(luò)模型通過以下方式訓練獲得:獲取量子通信網(wǎng)絡(luò)多網(wǎng)元數(shù)據(jù)的訓練集；以及利用所述多網(wǎng)元數(shù)據(jù)訓練集分別訓練LSTM模型和DBN模型，獲得訓練好的所述LSTM-DBN網(wǎng)絡(luò)模型。

可選地，其中，所述利用LSTM-DBN網(wǎng)絡(luò)模型對預處理后的所述多網(wǎng)元數(shù)據(jù)進行預測，獲得下一時刻多網(wǎng)元數(shù)據(jù)的預測值包括：將預處理后的所述多網(wǎng)元數(shù)據(jù)輸入訓練好的所述LSTM模型，獲得LSTM模型預測的下一時刻的網(wǎng)元數(shù)據(jù)；以及將所述LSTM模型預測的下一時刻的網(wǎng)元數(shù)據(jù)整合，輸入訓練好的所述DBN模型，獲得下一時刻所述量子通信網(wǎng)絡(luò)的網(wǎng)絡(luò)狀態(tài)和下一時刻的多網(wǎng)元數(shù)據(jù)。

可選地，上述方法還包括：對所述LSTM-DBN網(wǎng)絡(luò)模型進行可靠性評估預測；以及基于所述可靠性評估預測值優(yōu)化所述LSTM-DBN網(wǎng)絡(luò)模型。