一种多模态网络指标融合的网络路径动态编排方法与流程

摘要: 本发明涉及一种网络路径动态编排方法,特别是一种多模态网络指标融合的网络路径动态编排方法。背景技术:1、随着车路云一体化与软件定义广域网(sd-wan)技术的深度...
一种多模态网络指标融合的网络路径动态编排方法与流程

本发明涉及一种网络路径动态编排方法,特别是一种多模态网络指标融合的网络路径动态编排方法。

背景技术:

1、随着车路云一体化与软件定义广域网(sd-wan)技术的深度融合,交通网络呈现出云边端协同的新形态。在此背景下,高速公路的激光雷达点云传输、云端数字孪生等业务对网络的确定性提出了极高要求。

2、现有的路径选择技术,如传统路由、策略路由及基础sd-wan选路,主要依赖单一维度的网络质量指标(qos),如时延、丢包率和带宽。然而,实际生产环境中的业务卡顿往往并非由网络拥塞引起,而是边缘节点算力瓶颈(cpu/内存过载)或云端资源争抢所致。忽略这些非网络但影响体验的指标,导致传统方案在复杂场景下决策失准。

3、虽然现有技术中开始尝试引入人工智能(ai)进行流量预测,但大多采用复杂的深度学习模型,如lstm、dnn等。这类模型参数量大、推理耗时长,难以在资源受限的边缘网关上实现毫秒级的实时推理。此外,现有方案缺乏在线增量学习机制,无法适应车路云场景下网络拓扑的快速演变,导致模型容易滞后。

4、因此,亟需一种既能融合多模态指标,又能适应边缘算力限制的轻量化机器学习路径编排方法,以解决上述技术瓶颈。

技术实现思路

1、发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种多模态网络指标融合的网络路径动态编排方法。

2、为了解决上述技术问题,本发明公开了一种多模态网络指标融合的网络路径动态编排方法,包括以下步骤:

3、步骤1,实时采集所有候选路径的多模态网络指标,经过预处理得到标准化的多模态指标数据;

4、步骤 2,基于多模态特征指标数据,结合xgboost回归模型,进行路径融合评分;

5、步骤 3,根据路径融合评分的结果计算综合决策值进行路径切换;

6、步骤4,采集路径切换后的多模态指标数据,优化更新xgboost回归模型,并重新执行步骤1,实现多模态网络指标融合的网络路径动态编排。

7、进一步的,步骤1中所述的多模态网络指标,包括:

8、网络质量指标、主机负载指标、云端资源指标和sd-wan节点状态;其中,

9、网络质量指标具体包括,延迟、抖动、丢包率和可用带宽;

10、主机负载指标具体包括,cpu利用率、内存占用率和磁盘i/o延迟;

11、云端资源指标具体包括,云链路带宽配额、可用cpu核数和租户资源占用率;

12、sd-wan节点状态具体包括,路由表完整性、链路冗余状态、会话数和转发队列长度;

13、定义服务等级协议sla的核心指标包括时延、抖动、丢包率和可用带宽。

14、进一步的,步骤1中所述的经过预处理得到标准化的多模态指标数据,包括:

15、步骤1-1,采集时采集所有候选路径的多模态网络指标数据;

16、步骤1-2,对采集到的多模态网络指标数据进行预处理,具体包括:

17、步骤1-2-1,指标统一化与时间对齐,具体如下:

18、统一在相同时间窗口采集所有指标数据,并打上统一时间戳;对不同来源的异构的指标数据,进行格式统一与时间对齐。

19、步骤1-2-2,归一化处理与方向一致性处理,具体如下:

20、将所有指标数据值映射到[0,1]区间;对值越低越优的指标采用反向归一化,对值越高越优的指标采用正向归一化,实现方向一致性处理。

21、进一步的,步骤 2中所述的进行路径融合评分,包括:

22、步骤2-1,根据所述多模态指标数据进行推理计算,得到各指标对应的动态权重 ;

23、步骤2-2,基于所述动态权重构建路径融合评分模型,计算各候选路径的综合评分;

24、步骤2-3,计算各候选路径的切换代价;

25、步骤2-4,根据综合评分和切换代价计算各候选路径的综合决策值。

26、进一步的,步骤2-1所述的根据所述多模态指标数据进行推理计算,包括:

27、步骤2-1-1,初始权重分配,具体包括:

28、根据多模态指标数据构建输入特征向量;通过预训练的xgboost回归模型预测得到初始权重;

29、步骤2-1-2,基于多模态指标数据,实时计算各候选路径对应的服务等级协议sla完成率和sla完成率偏差;

30、步骤2-1-3,根据sla完成率偏差在初始权重的基础上动态修正各指标对应的权重,得到各指标对应的动态权重。

31、进一步的,步骤2-1-2中所述的实时计算各候选路径对应的服务等级协议sla完成率和sla完成率偏差,其中,sla完成率根据各候选路径的业务类型选取对应的关键指标进行计算,具体包括:

32、对于时延敏感业务,依据实时的延迟、抖动和丢包率是否满足预设sla阈值,分别计算延迟达标率、抖动达标率和丢包率达标率;

33、对于带宽敏感业务,依据可用带宽是否满足预设sla阈值计算带宽达标率;

34、对于业务承载稳定敏感业务,依据cpu利用率、内存占用率、云链路带宽配额、会话数和转发队列长度是否处于预设范围内,分别计算资源达标率和节点状态达标率;

35、根据各达标率加权计算得到当前候选路径的sla完成率,具体如下:

36、

37、其中,为指标在sla完成率计算中的权重系数,表示指标的达标率;

38、将所述sla完成率与预设目标值进行比较,得到sla偏差,表示如下:

39、。

40、

41、进一步的,步骤2-1-3所述的根据sla完成率偏差在初始权重的基础上动态修正各指标对应的权重,包括:

42、仅当sla偏差且持续超过预设时间窗口时,触发权重调整,否则保持当前权重不变;其中,权重调整的具体方法如下:

43、根据当前业务类型确定核心指标集合,将sla完成率计算中的权重系数的指标作为核心指标,其余指标为非核心指标;

44、对每个核心指标k计算权重调整量,具体如下:

45、

46、其中,是权重调整学习率,是核心指标的当前权重;

47、采用权重调整量更新核心指标的临时权重,表示如下:

48、

49、计算所有核心指标的权重总增量,表示如下:

50、

51、对非核心指标,按其当前权重占所有非核心指标总权重的比例,等比例扣减权重用于补偿核心指标的总增量,确保最终的所有权重之和为1,最终得到各指标对应的动态权重,记第个指标对应的动态权重为。

52、进一步的,步骤 2中所述的计算所有候选路径的综合决策值,包括:

53、对于任一候选路径,其综合评分定义为:

54、

55、其中:表示路径上的第个指标对应的多模态指标数据,表示参与评分计算的指标总数。

56、进一步的,步骤 3中所述的根据路径融合评分计算综合决策值进行路径切换,包括:

57、步骤3-1,设定行路切换触发条件,具体如下:

58、当当前主路径的综合评分低于备选路径的综合评分,即:

59、

60、并持续时间大于预设决策时间阈值时,触发路径切换;

61、步骤3-2,当触发路径切换时,计算当前主路径切换至候选路径的切换代价,具体如下:

62、

63、其中,表示目标候选路径的建连时延归一化值;表示活跃会话迁移成本归一化值;表示切换过程中预估丢包率归一化值;表示切换前后传输成本差异归一化值; 为权重系数;

64、步骤3-3,计算当前主路径和候选路径的综合决策值,表示如下:

65、

66、其中,为代价惩罚系数;

67、步骤3-4,当候选路径的综合决策值 为所有候选路径中的最大值时,采用双发模式执行路径切换;

68、步骤3-5,执行路径切换后,在预设回退监测窗口 内持续计算切换后路径的服务等级协议偏差值,表示如下:

69、

70、其中:表示第个服务等级协议指标在时刻的偏差量;

71、对于越小越优的指标,偏差量定义为:

72、

73、对于越大越优的指标,偏差量定义为:

74、

75、其中,为第 k 个指标的实时测量值,为该指标对应的服务等级协议阈值;

76、当满足任一预设条件时,执行路径回退;其中所述预设条件包括:

77、预设条件一,在连续监测时长 内,服务等级协议偏差值  持续大于预设偏差阈值 ;

78、预设条件二,切换后路径的综合评分 在连续监测时长  内低于切换前原路径综合评分  减去预设容差阈值;

79、预设条件三,检测到预设的异常事件;

80、执行路径回退前,判断原路径是否处于可用状态;当原路径可用时,将业务回退至原路径,否则从其余候选路径中重新选择综合决策值最大的路径作为替代回退路径;

81、完成回退后启动冷却时间 ,在所述冷却时间内禁止再次切换至上一次回退失败的路径。

82、进一步的,步骤4中所述的优化更新xgboost回归模型,包括:

83、步骤4-1,采集多模态指标数据,构建输入特征向量;所述输入特征向量包括:业务特征、网络特征、资源特征和切换特征;

84、步骤4-2,利用预训练的xgboost回归模型预测下一周期的初始权重,表示如下:

85、

86、其中,为模型输出的预测权重向量;为xgboost回归模型,由棵回归树组成;为第棵回归树的预测输出;

87、步骤4-3,在离线阶段,利用历史路径切换记录作为训练集,以路径切换后的sla达标率作为标签,训练xgboost回归模型,学习输入特征向量与最优权重之间的非线性映射关系;

88、步骤4-4,每隔预设时长或当新采集的数据量达到预设阈值时,基于最新的历史数据对模型进行增量训练;计算损失函数梯度 ,并对模型参数进行微调,表示如下:

89、

90、其中,为学习率,为当前模型参数,为微调后的模型参数。

91、有益效果:

92、1. 本发明实现了算网一体的细粒度感知,避免了单纯依赖网络指标的决策盲区。本发明不仅采集传统的网络质量指标,如时延、丢包等,还将边缘节点的主机负载,如cpu/内存及sd-wan隧道状态纳入决策体系。在车路云场景中,这能有效识别出网络通畅但边缘算力过载导致的业务卡顿,解决了传统路径选择算法在“车路云协同”场景下决策失准的技术痛点。

93、2. 本发明采用了轻量化xgboost模型,在保障ai推理精度的同时,满足了边缘侧的实时性要求。 针对深度学习模型(如lstm)在边缘网关上推理延迟高的问题,本发明采用轻量化xgboost回归模型。该模型参数量小、计算复杂度低,能够在毫秒级完成权重计算与路径评分,解决了ai算法在资源受限的边缘设备上难以落地的难题,实现了真正的实时智能选路。

94、3. 本发明引入了在线增量学习机制,赋予了系统动态适应业务变化的“自愈”能力。 本发明不仅是一次性部署的模型,而是通过基于滑动时间窗的增量学习,持续利用最新的历史数据微调模型参数。这使得系统能够自动适应早晚高峰流量变化、季节性车流变化等动态场景,无需人工干预重训练,延长了模型的有效生命周期。

95、4. 本发明提供了高可靠性的业务传输保障,特别适用于交通行业关键业务。 通过上述多模态融合决策,本发明能将激光雷达点云、云端数字孪生等高价值业务流量动态引导至最优路径,显著降低关键业务的传输抖动与丢包率,为自动驾驶与智慧交通管控提供确定性的网络传输基础。