CN119299327A 一种基于图神经网络的孪生网络性能预测方法、装置及存储介质 （南京信息工程大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN119299327A(43)申请公布日2025.01.10

(21)申请号202411809896.8

(22)申请日2024.12.10

(71)申请人南京信息工程大学

地址210044江苏省南京市江北新区宁六

路219号

(72)发明人施建锋谈忠平潘成胜

(74)专利代理机构南京纵横知识产权代理有限公司32224

专利代理师江佳佳

(51)Int.CI.

HO4L41/147(2022.01)

HO4L41/142(2022.01)

HO4L41/16(2022.01)

权利要求书4页说明书13页附图7页

(54)发明名称

一种基于图神经网络的孪生网络性能预测方法、装置及存储介质

(57)摘要

CN119299327A本发明公开了一种基于图神经网络的孪生网络性能预测方法、装置及存储介质，属于通信网络技术领域，所述方法包括：对获取到的物理通信网络历史信息进行预处理，得到依赖图数据集；对依赖图数据集中的各节点状态进行初始化，得到各节点的初始隐藏状态；使用所述初始隐藏状态对预先构建的网络性能预测模型进行训练，得到训练好的网络性能预测模型，其中，网络性能预测模型通过注意力机制、消息传递神经网络以及门控循环单元协同工作获取迭代更新的隐藏状态信息并调整模型参数；将获取到的物理通信网络实时信息输入训练好的网络性能预

CN119299327A

对数字孪生通信网络获取到的物理

对数字孪生通信网络获取到的物理

通信网络历史相关网络信息进行预处理，得到依赖图数据

集，其中，所述依赖图数据集中包括链路、路径及队列信息

对所述依赖图数据集中的各链路、路径及队列状态分别进行特征初始化，得到各节点的初始隐藏状态

使用所述各节点的初始隐藏状态对预先构建的网络性能预

测模型进行训练，得到训练好的网络性能预测模型，其中

,所述网络性能预测模型通过注意力机制、消息传递神经

网络以及门控循环单元协同工作获取迭代更新的隐藏状态

信息，并根据所述隐藏状态信息调整模型参数

将数字孪生通信网络获取到的物理

通信网络实时相关网络信息输入训练好的网络性能预测模

型，得到性能预测结果

CN119299327A权利要求书1/4页

2

1.一种基于图神经网络的孪生网络性能预测方法，其特征在于，包括：

获取物理通信网络实时相关网络信息，输入到训练好的网络性能预测模型，得到性能预测结果；

其中，所述训练好的网络性能预测模型的确定过程，包括：

对数字孪生通信网络获取到的物理通信网络历史相关网络信息进行预处理，得到依赖图数据集，其中，所述依赖图数据集中包括链路、路径及队列信息；

对所述依赖图数据集中的各链路、路径及队列状态分别进行特征初始化，得到各链路、路径及队列的初始隐藏状态；

使用所述初始隐藏状态对预先构建的网络性能预测模型进行训练，得到训练好的网络性能预测模型，其中，所述网络性能预测模型通过注意力机制、消息传递神经网络以及门控循环单元协同工作获取迭代更新的隐藏状态信息，并根据所述隐藏状态信息调整模型参数。

2.根据权利要求1所述的基于图神经网络的孪生网络性能预测方法，其特征在于，所述对数字孪生通信网络获取到的物理通信网络历史相关网络信息进行预处理，得到依赖图数据集，包括：

对读取到的原始网络样本进行归一化处理，得到标准化数据集；

将所述标准化数据集中的原始网络样本转换为网络依赖图，得到网络依赖图数据集，其中，所述网络依赖图包括一组链路L、一组网络设备输出端口上的队列Q以及一组源到目的地路径P;

L={l?:i?∈(1,……,n;)},式中，Li?表示一组链路中的第i?条链路，n1表示一组链路中的链路数量；

Q={9iz:i2∈(1,…,nq)},式中，9i2表示一组队列中的第i?个队列，nq表示一组队列中的队列数量；

P={Pi?:i?∈(1…,np)3,式中，Pis表示一组路径中的第i?条路径，np表示一组路径中的路径数量，使用一系列元组表征Pis,

Pi?={(qPQCpi?0),LPL