一种边缘节点负载预测方法及装置与流程

1.本发明涉及一种边缘节点负载预测方法及装置，属于通信技术领域。


背景技术：

2.现有的边缘节点负载预测技术，主要通过机器学习、时间序列等模型，对不同地区、不同时段边缘节点的负载进行建模，并未考虑邻近边缘节点相互影响、边缘节点负载具有空间相关性的问题，导致边缘节点负载预测准确度不高。


技术实现要素：

3.本发明的目的在于克服现有技术中的不足，提供一种边缘节点负载预测方法及装置，考虑邻近边缘节点的影响，能够给出更为准确的边缘节点负载预测结果。
4.为达到上述目的，本发明是采用下述技术方案实现的：
5.根据本发明的一个方面，提供了一种边缘节点负载预测方法，所述方法包括：
6.根据边缘节点拓扑关系图确定当前边缘节点的邻近边缘节点，并采集当前边缘节点的特征及邻近边缘节点的特征；
7.采用已训练好的图神经网络模型对当前边缘节点的特征及邻近边缘节点的特征进行加权求和，以计算获取当前边缘节点在未来预定时间段内的预测负载值。
8.在本发明的实施例中，所述特征包括边缘节点的资源特征、历史负载值和任务请求特征。
9.在本发明的实施例中，所述历史负载值包括昨天历史负载值、最近一周历史平均负载值、最近一个月历史平均负载值、以及最近一年历史平均负载值。
10.在本发明的实施例中，所述资源特征包括边缘节点的cpu核数、内存总量、带宽总量及边缘节点的服务器数目。
11.在本发明的实施例中，所述任务请求特征包括昨日用户请求总数及用户请求的资源特征。
12.在本发明的实施例中，所述图神经网络模型的训练方法包括：
13.采集边缘节点拓扑关系图中每个边缘节点的特征；
14.根据每个边缘节点的特征及每个边缘节点的邻近边缘节点的特征，采用前向传播算法学习边缘节点的特征与负载的关系，从而计算获取每个边缘节点在指定历史时间段内基于图神经网络模型的预测负载值；
15.根据每个边缘节点在指定历史时间段内基于图神经网络模型的预测负载值与相应边缘节点的实际负载值计算均方误差mse损失，以优化图神经网络模型的参数。
16.在本发明的实施例中，所述边缘节点拓扑关系图的构建方法包括：
17.根据边缘节点之间的结构信息与网络延迟信息，在同属于一个区域的边缘节点之间通过边连接构建无向图，同时提取每个边缘节点的特征；
18.其中，无向图中边的权重被定义为边缘节点之间的网络延迟。
19.在本发明的实施例中，当边缘节点数量超过预定上限值时，通过删除长尾边缘节点及设置边权重阈值的方式限制边缘节点拓扑关系图的规模。
20.在本发明的实施例中，所述加权求和的权重由边缘节点拓扑关系图中边的权重、及每层的图神经网络模型的系数矩阵共同确定。
21.根据本发明的另一方面，提供了一种边缘节点负载预测装置，所述装置包括：
22.特征采集单元：用于根据边缘节点拓扑关系图确定当前边缘节点的邻近边缘节点，并采集当前边缘节点的特征及邻近边缘节点的特征；
23.预测单元：用于采用已训练好的图神经网络模型对当前边缘节点的特征及邻近边缘节点的特征进行加权求和，以计算获取当前边缘节点在未来预定时间段内的预测负载值。
24.与现有技术相比，本发明所达到的有益效果：
25.根据本发明提供的边缘节点负载预测方法及装置，综合考虑了边缘节点的特征及邻近边缘节点的特征，即便对于具有多边缘节点的复杂拓扑结构，依然能够给出更加准确的负载预测结果。
附图说明
26.为了更清楚地说明本发明的实施例的技术方案，下面将对实施例的附图进行简要说明，应当知道，以下描述的附图仅仅涉及本发明的一些实施例，而非对本发明的限制，其中：
27.图1是根据本发明实施例的边缘节点负荷预测方法的示例性流程图；
28.图2是根据本发明实施例的图神经网络模型图；
29.图3是根据本发明实施例的图神经网络模型的训练方法流程图；
30.图4是根据本发明实施例的边缘节点拓扑网络的示例结构图。
具体实施方式
31.为了使本发明的实施例的技术方案和优点更加清楚，下面将结合附图，对本发明的实施例的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域技术人员在无需创造性劳动的前提下所获得的所有其他实施例，也都属于本发明保护的范围。
32.实施例一：
33.图1示出了本发明实施例的边缘节点负荷预测方法的示例性流程图。
34.如图1所示，在步骤一中，根据边缘节点拓扑关系图确定当前边缘节点的邻近边缘节点，并采集当前边缘节点的特征及邻近边缘节点的特征。
35.参见图4，是根据本发明实施例的边缘节点拓扑网络的示例结构图，边缘节点拓扑关系图是一张无向图，在一些实施例中，其构建方法可以是：
36.根据边缘节点之间的结构信息与网络延迟信息，在同属于一个区域的边缘节点之间通过边连接构建无向图，同时提取每个边缘节点的特征；
37.其中，无向图中边的权重被定义为边缘节点之间的网络延迟。
38.边缘节点拓扑关系图中，具有边连接的边缘节点互为彼此的邻近边缘节点，两邻
邻近边缘节点通常距离较近，例如：同属于一个地理区域等。
39.在一些实施例中，每个边缘节点的特征主要包括如下几类：
40.a)资源特征：该边缘节点的cpu核数、内存总量、带宽总量；边缘节点的服务器数目等；
41.b)历史负载：昨日历史负载；最近一周历史平均负载；最近一个月历史平均负载；最近一年历史平均负载等；
42.c)任务请求特征：昨日的用户请求总数，用户请求的资源特征(如：cpu、内存、io、带宽等)。
43.在步骤二中，采用已训练好的图神经网络模型对当前边缘节点的特征及邻近边缘节点的特征进行加权求和，以计算获取当前边缘节点在未来预定时间段内的预测负载值。
44.参见图3，图神经网络模型的训练过程即通过历史负载学习边缘节点的特征与负载的关系，确定图神经网络模型的参数，具体的，可以包括如下步骤：
45.s201：采集边缘节点拓扑关系图中每个边缘节点的特征；
46.s202：根据每个边缘节点的特征及每个边缘节点的邻近边缘节点的特征，采用前向传播算法学习边缘节点的特征与负载的关系，从而计算获取每个边缘节点在指定历史时间段内基于图神经网络模型的预测负载值；
47.如图2所示，是根据本发明实施例的图神经网络模型图。其中，输入层中的每个节点x1-x4代表一个边缘节点，通过图神经网络的前向传播，可以输出每个节点的预测负载信息y1-y4，将输出的负载信息和真实的负载信息z1-z4进行对比，可以计算损失函数为：
[0048][0049]
其中，zi为真实的边缘节点i的负载数据；yi为通过图神经网络的前向传播输出的边缘节点i的预测负载数据；最后可以通过梯度反向传播方法来更新网络的参数。
[0050]
具体的前向传播过程如下：
[0051]
在采用前向传播算法计算过程中，对于一个边缘节点，其下一层的输出，由当前边缘节点、当前边缘节点的邻近边缘节点的本层输入特征加权求和得到，权值由边的权重及每层的图神经网络模型的系数矩阵决定。值得注意的是，本发明与传统方法不同，图神经网络模型不会仅仅根据自身特征学习边缘节点特征与负载的关系，而是综合考虑了当前边缘节点的邻近边缘节点的资源、负载、请求等特征后，综合给出每个边缘节点的负载预测结果，前向传播计算方法可以采用下述公式表示：
[0052]hl
＝σ(ah
l-1wl-1
)
[0053]
式中：h
l
为第l个隐藏层所输出的隐藏状态；a为边缘节点的拓扑结构组成的邻接矩阵，h
l-1
为第l-1个隐藏层所输出的隐藏状态，其中，第一个隐藏状态为初始的输入x，最后一个隐藏状态为神经网络的输出z；w
l-1
为第l-1隐藏层对应的神经网络的参数，也是需要通过反向梯度传播去更新的参数。
[0054]
s203：根据每个边缘节点在指定历史时间段内基于图神经网络模型的预测负载值与相应边缘节点的实际负载值计算mse(mean-square error，均方误差)损失，以优化图神经网络模型的参数。
[0055]
需要说明的是，在一些实施例中，图神经网络模型支持百万量级节点、千万量级边，较大规模的图计算，对于边缘节点数量过多的情况，可以通过删除长尾边缘(请求量很少)，及设置边权重阈值的方式，限制边缘节点图的规模。
[0056]
本发明实施例提供的边缘节点负载预测方法综合考虑了边缘节点的特征及邻近边缘节点的特征，即便对于具有多边缘节点的复杂拓扑结构，依然能够给出更加准确的负载预测结果。
[0057]
实施例二：
[0058]
本实施例提供一种边缘节点负载预测装置，可以用于实施实施例一所述的方法，具体包括：
[0059]
特征采集单元：用于根据边缘节点拓扑关系图确定当前边缘节点的邻近边缘节点，并采集当前边缘节点的特征及邻近边缘节点的特征；
[0060]
预测单元：用于采用已训练好的图神经网络模型对当前边缘节点的特征及邻近边缘节点的特征进行加权求和，以计算获取当前边缘节点在未来预定时间段内的预测负载值。
[0061]
需要说明的是，特征采集单元及预测单元实施对应方法步骤的方法可以参见实施例一，在此不做赘述。
[0062]
实施例三：
[0063]
一种终端，所述终端包括处理器、与所述处理器耦接的存储器，其中，所述存储器存储有用于执行实施例一所述方法的程序指令；
[0064]
所述处理器用于执行所述存储器存储的所述程序指令以控制执行实施例一所述的方法。
[0065]
实施例四：
[0066]
一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行实施例一所述的方法。
[0067]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0068]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0069]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0070]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0071]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。