(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111371502.1 (22)申请日 2021.11.18 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区黄桷垭崇文路2 号 (72)发明人 苏畅　谭娅　谢显中　 (74)专利代理 机构 北京同恒源知识产权代理有 限公司 1 1275 代理人 廖曦 (51)Int.Cl. H04L 41/044(2022.01) H04L 41/14(2022.01) H04L 41/147(2022.01) H04L 41/16(2022.01) H04L 41/40(2022.01)G06N 3/04(2006.01) G06N 7/00(2006.01) G06N 20/00(2019.01) G06N 20/10(2019.01) (54)发明名称 基于流量特征提取的虚拟网络功能资源消 耗预测方法 (57)摘要 本发明涉及基于流量特征提取的虚拟网络 功能资源消耗预测方法， 属于移动通信领域。 该 方法包括： S1： 通过流量特征之间的相关性， 在流 量特征和VNF的CPU之间建立不同的元路径， 从而 构建HIN； S2： 利用HIN2Vec模型获取每个流量特 征的特征表示； S3： 利用注意力机制衡量每个特 征的重要性， 为其分配不同的权重， 再将其输入 到MLP模型中对VNF的资源消耗进行预测。 本发明 具有较好的性能， 在预测精度方面优于传统机器 学习模型和常用的深度学习模型。 权利要求书2页 说明书14页 附图6页 CN 114070708 A 2022.02.18 CN 114070708 A 1.一种基于流量特征提取的虚拟网络功能资源消耗预测方法， 其特征在于， 该方法具 体包括以下步骤： S1： 通过流量特征之间 的相关性， 在流量特征和VNF的CPU之间建立不同的元路径， 从而 构建异构信息网络(Heterogeneous  informati on network， HIN)； S2： 利用HI N2Vec模型获取每 个流量特征的特征表示； S3： 利用注意力机制衡量每个特征的重要性， 为其分配不同的权重， 再将其输入到多层 感知机(Multi layer perceptron， MLP)模型中对VNF的资源消耗进行 预测。 2.根据权利要求1所述的虚拟网络功能资源消耗预测方法， 其特征在于， 步骤S1中， 构 建异构信息网络， 具体包括： 利用流量特征之 间的相关性， 为每种关系构建一个关于图中结 点和边的信息， 通过依次遍历这种关系来构建异构信息网络图。 3.根据权利要求2所述的虚拟网络功能资源消耗预测方法， 其特征在于， 步骤S2中， 所 构建的异构信息网络图中每个节点代表着一个特征， 最终通过使用HIN2Vec模型学习节点 的向量表示； HIN2Vec模型用于提取图中的节点特征， 保留与第一个节点类型相同的节点， 并将其加入路径中； 在满足给定路径长度的条件下， 为节点集中的每一个节点生成一条路 径， 然后通过随机梯度下降算法， 得到相应节点的特 征表示。 4.根据权利要求1或3所述的虚拟网络功能资源消耗预测方法， 其特征在于， 步骤S2中， 通过HIN2Vec模型得到每个节点的向量表示， 即每个节点的特征表示， 具体包括： 给异构信 息网络图V中的每个节点v随机生成一个k维特征向量用于描述v构成的特征集 并从每条路径d∈D中提取四元关系组 作为训练特征的数据， 其中， x1和x2 是路径d上 的任意两个相邻节点， r表示两节点之间的关系， Is(x1， x2， r)表示x1和x2是否存 在关系r， 若存在则值 为1， 不存在则为0， 如公式(1)所示： 在提取好四元组关系之后， 将对每 个节点特 征进行更新； 具体方法如下： 建立目标损失函数： g(x1， x2， r)＝Is(x1， x2， r)logp(r|x1， x2)         (2) t(x1， x2， r)＝(1‑Is(x1， x2， r))log[1‑p(r|x1， x2)]       (3) F(x1， x2， r)＝g(x1， x2， r)+t(x1， x2， r)       (4) 其中， g(x1， x2， r)表示正样本的概率， p(r|x1， x2)表示x1和x2具有关系r的概率， t(x1， x2， r)表示负 样本的概 率， F(x1， x2， r)表示目标损失函数； 采用随机梯度下降算法最大化目标函数F， 根据公式(5)～(7)， 利用数据 迭代更新节 点特征w∈W； 权　利　要　求　书 1/2 页 2 CN 114070708 A 2其中， 代表节点x1的权重矩阵， 代表节点x1的初始特征表示， α， β， ω表示梯度下降 算法中的步长， W ′r表示具有目标关系r的权重矩阵； 在得到节点集的特征表示后， 取出所有 代表流量特征U和CPUI的节点 集， 将流量特征与CPU的潜在关系特 征 表示如下： 其中， 代表矩阵乘法， 代表流量特征的不同元路径的权重， 代表 CPU的不同元路径的权重， .T表示转置， 表示第i个CPU的第m条元路径的特征值， M表示所 有的元路径集 合。 5.根据权利 要求1所述的虚拟网络功能资源消耗预测方法， 其特征在于， 步骤S3中， MLP 模型包括输入层、 隐藏层和输出层， 具体包括： 第一层输入层： 其中， hj代表当前结点的所有输入的加权之和， wij表示权重， x表示输入的值， N表示样 本数； 第二层隐藏层： 其中， Fi为隐藏层神经元的输 出值， f(·)代表激活函数； 采用的激活函数为线 性整流函 数(Rectified  Linear Unit， ReLU)； 第三层输出层： 通过softmax进行输出， 即f_output＝softmax(F)； 最后， MLP预测模型的损失函数L oss如公式(1 1)所示： 其中， N为样本数， yi表示第i个 类别对应的真实标签， f_output为预测的结果。权　利　要　求　书 2/2 页 3 CN 114070708 A 3