一种基于业务深度识别的电力通信网编排方法和装置

技术领域

本发明涉及电力通信网络编排领域，尤其涉及一种基于业务深度识别的电力通信网编排方法和装置。

背景技术

随着分布式光伏、分布式储能站等设备的大量接入，电力通信网络终端数量呈指数型增加。大量不同类型的终端产生的数据需要持续传输至控制中心进行处理，因此业务的编排也越趋复杂。电力通信网的业务编排以业务识别为基础。

目前，在电力通信网中，通常采用有监督或无监督的深度神经网络学习算法进行业务流的特征参数识别。有监督的方法在分类过程中，需要大量带有标注的样本供模型进行学习，因此存在以下问题：

(1)分类所用的样本极容易受到训练所用样本数据的标记准确性的影响；

(2)随着神经网络层数的增多，在提高精度的同时，运算速度会下降，影响业务深度识别的速度；

(3)未充分考虑业务流的差异性，频谱资源未能得到有效利用，降低了系统的整体效率。

发明内容

本发明提供了一种基于业务深度识别的电力通信网编排方法和装置，以解决如何在编排过程中考虑到业务流的差异性，提高对频谱资源的利用率。

为了解决上述技术问题，本发明实施例提供了一种基于业务深度识别的电力通信网编排方法，包括：

获取待编排的电力通信网的业务流量，并选择多个业务流量分类特征；其中，所述多个业务流量分类特征包括每一业务的数据包个数、数据包平均大小、数据包大小分布方差、数据包平均时间间隔、数据包时间间隔分布方差以及流速率；

将所述多个业务流量分类特征和所述业务流量输入至经过预训练的BP神经网络流量分类器，确定所述业务流量中每一业务的类别；其中，业务的类别包括散列流、平滑流和低速率流；

通过预设的频谱编排模型，根据每一业务的类别对应的业务流频谱需求，为所述每一业务分配频谱；

基于所述每一业务对应的类别和所述每一业务对应的频谱，获得针对所述电力通信网的编排结果。

作为优选方案，所述预训练的BP神经网络流量分类器包括：

通过遗传算法确定BP神经网络的隐层层数和每个隐层的神经元个数，具体为：

初始化种群和种群中每个个体；其中，每个个体由一组十位二进制数构成，所述十位二进制数的前两位代表所述隐层层数，所述十位二进制数的后八位代表隐层的神经元个数；

重复对所述种群和所述种群中的个体进行迭代优化，直到符合预设条件；根据迭代优化后获得的隐层层数和每个隐层的神经元个数，构建所述BP神经网络；其中，所述迭代优化的过程包括：

计算每个个体的适应度函数；

通过轮盘赌算法，根据每个个体的适应度函数，对所有个体进行筛选；

对所有经过筛选的个体通过单点交叉的方式互相交换染色体中的基因；其中，所述染色体为个体进行编码后得到的编码串；

随机选择个体进行变异，获得新的种群；其中，被选中的个体的二维数组中任一数值以预设概率发生变异。

作为优选方案，所述BP神经网络包括若干层输入层、若干层隐层和若干层输出层；其中，

所述输入层的神经元向量X为：

其中，x

所述隐层的神经元向量S为：

其中，s

所述输出层向量O为：

其中，o

所述隐层第h个神经元具体为：

所述输出层的第j个神经元具体为：

作为优选方案，所述BP神经网络的激活函数包括：

其中，f(x)为所述隐层的激活函数，g(s)为所述输出层的激活函数。

作为优选方案，所述频谱编排模型包括控制层和弹性光网络层；其中，所述控制层包括SDN控制器，所述弹性光网络层包括用于数据转发的光路由节点。

作为优选方案，所述频谱编排模型采用时隙模型，并基于光正交频分复用传输业务的数据包；

所述时隙的集合为

业务的请求建模为Request

作为优选方案，所述频谱编排模型的优化目标为下式的最小化：

其中，x

作为优选方案，在所述为所述每一业务分配频谱之前，还包括：通过强化学习算法对所述频谱编排模型进行优化。

作为优选方案，所述强化学习算法通过ε-greedy算法进行求解。

相应的，本发明实施例还提供了一种基于业务深度识别的电力通信网编排装置，包括：

获取模块，用于获取待编排的电力通信网的业务流量，并选择多个业务流量分类特征；其中，所述多个业务流量分类特征包括每一业务的数据包个数、数据包平均大小、数据包大小分布方差、数据包平均时间间隔、数据包时间间隔分布方差以及流速率；

分类模块，用于将所述多个业务流量分类特征和所述业务流量输入至经过预训练的BP神经网络流量分类器，确定所述业务流量中每一业务的类别；其中，业务的类别包括散列流、平滑流和低速率流；

分配模块，用于通过预设的频谱编排模型，根据每一业务的类别对应的业务流频谱需求，为所述每一业务分配频谱；

编排模块，用于基于所述每一业务对应的类别和所述每一业务对应的频谱，获得针对所述电力通信网的编排结果。

相比于现有技术，本发明实施例具有如下有益效果：

本发明实施例提供了一种基于业务深度识别的电力通信网编排方法和装置，所述方法包括：获取待编排的电力通信网的业务流量，并选择多个业务流量分类特征；其中，所述多个业务流量分类特征包括每一业务的数据包个数、数据包平均大小、数据包大小分布方差、数据包平均时间间隔、数据包时间间隔分布方差以及流速率。将所述多个业务流量分类特征和所述业务流量输入至经过预训练的BP神经网络流量分类器，确定所述业务流量中每一业务的类别；通过预设的频谱编排模型，根据每一业务的类别对应的业务流频谱需求，为所述每一业务分配频谱；其中，业务的类别包括散列流、平滑流和低速率流；基于所述每一业务对应的类别和所述每一业务对应的频谱，获得针对所述电力通信网的编排结果。相比于现有技术，构建基于神经网络的流量分类器，针对电力通信网特性以及业务的特征，对业务流量进行划分，提高了对业务频谱编排的灵活度。

进一步的，通过遗传算法来构建BP神经网络的隐藏层，进而流量分类器，提高了神经网络的收敛速度和运算速度，并避免陷入局部最优解，从而提高了业务深度识别的精度和效率。

附图说明

图1：为本发明基于业务深度识别提供的电力通信网编排方法的一种实施例的流程示意图。

图2：为本发明提供的遗传算法的一种实施例的迭代优化过程示意图。

图3：为本发明基于业务深度识别提供的电力通信网编排装置的一种实施例的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一:

请参照图1，图1为本发明实施例提供的一种基于业务深度识别的电力通信网编排方法，包括步骤S1至步骤S4，其中，

步骤S1，获取待编排的电力通信网的业务流量，并选择多个业务流量分类特征；其中，所述多个业务流量分类特征包括每一业务的数据包个数、数据包平均大小、数据包大小分布方差、数据包平均时间间隔、数据包时间间隔分布方差以及流速率。

步骤S2，将所述多个业务流量分类特征和所述业务流量输入至经过预训练的BP神经网络流量分类器，确定所述业务流量中每一业务的类别。

步骤S3，通过预设的频谱编排模型，根据每一业务的类别对应的业务流频谱需求，为所述每一业务分配频谱；其中，业务的类别包括散列流、平滑流和低速率流。

步骤S4，基于所述每一业务对应的类别和所述每一业务对应的频谱，获得针对所述电力通信网的编排结果。

在上述步骤S2中，所述预训练的BP(反向传播，BackPropagation)神经网络流量分类器采用了包含输入层、隐层和输出层的神经网络结构，且输入层、输出层和隐层的层数均为若干层。

所述输入层的神经元向量X为：

其中，x

所述隐层的神经元向量S为：

其中，s

所述输出层向量O为：

其中，o

所述隐层第h个神经元具体为：

所述输出层的第j个神经元具体为：

进一步的，所述BP神经网络的激活函数包括：

其中，f(x)为所述隐层的激活函数，g(s)为所述输出层的激活函数。

所述BP神经网络的损失函数为

作为本实施例的一种举例，所述BP神经网络的收敛条件可以考虑为损失函数小于一阈值，或，损失函数的变化小于一阈值或趋于稳定。另一方面，还可以根据误差的负梯度方向，对权重进行更新(两个方面同时进行)。在给定输入样本和期望输出后，对每个输入样本重复进行迭代，当所有样本都训练完毕后，判断指标函数是否满足精度。通过对精度以及损失函数的结合，设定BP神经网络的收敛条件，在所述BP神经网络训练好后，获得所述预训练的BP神经网络流量分类器。

优选地，隐层的层数和每个隐层的神经元数量可以通过遗传算法来确定，具体地：

初始化种群和种群中每个个体；其中，种群中共N个个体。每个个体由一组十位二进制数构成，所述十位二进制数的前两位代表隐层的层数，所述十位二进制数的后八位代表隐层的神经元个数k。

重复对所述种群和种群中的个体进行迭代优化，直到符合预设条件；根据迭代优化后获得的隐层层数和每个隐层的神经元个数k，构建所述BP神经网络；其中，所述迭代优化的过程，参照图2，包括：

步骤S21，计算每个个体的适应度函数，其中，第r个个体的适应度函数F (r)根据下式进行计算：

其中，y

步骤S22，通过轮盘赌算法，根据每个个体的适应度函数，对所有个体进行筛选，具体地：

比较不同个体之间的适应度函数，每次按照轮盘赌的方法选择一对个体进行竞争，适应度函数值大的个体被选中，即具有繁殖下一代的可能，适应度函数值小的个体即被淘汰。如此反复。

步骤S23，对所有经过筛选的个体通过单点交叉的方式互相交换染色体中的基因，形成两个新的个体。其中，所述染色体为个体进行编码后得到的编码串。

步骤S24，随机选择个体进行变异，获得新的种群；其中，被选中的个体的二维数组中任一数值以一个预设的概率发生变异。

步骤S25，计算新种群中个体的适应度函数值，若适应度函数值达到要求或进化次数达到预设值/最大值，则优化完毕。优化后即获得所述BP神经网络隐层个数和每层的神经元个数，以构造基于高精度GA-BP(Genetic Algorithms- Back Propagation)神经网络的流量分类器。

通过训练好的BP神经网络流量分类器，确定所述业务流量中每一业务的类别。业务的类别包括散列流、平滑流和低速率流。

所述散列流中数据包个数较多，数据包到达时间间隔偏小，流量相对较少但应用业务差异性大，路由转发规则通用性差，对频谱资源消耗较少。

平滑流的数据包大小分布方差偏小，时间间隔分布方差偏小，这类流在总流量中所占比例较大，更易占用较多链路频谱，因此对网络频谱资源消耗较多。

低速率流长度较短或持续连接时间长的网络流量，考虑到较长的持续连接时间，这类流会比散列流对频谱资源消耗稍多，但不会多于平滑流对频谱资源的消耗。因此，不同的类别对频谱的需求不同，通过BP神经网络流量分类器可以确定每一业务的频谱需求，并为频谱的编排考虑到不同业务的频谱需求差异。

在上述步骤S3中，所述频谱编排模型包括控制层和弹性光网络层；其中，所述控制层包括SDN控制器，所述弹性光网络层包括用于数据转发的光路由节点。

进一步的，所述频谱编排模型采用时隙模型，并基于光正交频分复用传输业务的数据包；

所述时隙的集合为

业务的请求建模为Request

进一步的，定义S

其中，

根据香农公式，链路的数据包传输速率为：

其中，p为每个频隙消耗的传输功率，g(t)为光路增益，σ为放大器自发辐射噪声功率。因此，

第t个时隙传输能耗为：

进一步，可以设定所述频谱编排模型的优化目标为下式的最小化：

其中，x

在构建了频谱编排模型之后，步骤S3之前，还包括：通过强化学习算法对所述频谱编排模型进行优化。本实施例为获得尽量完美的全局状态信息，并实现模型的优化目标，采用了强化学习算法。

强化学习算法包括决策者、摇臂和奖励。本实施例中，SDN控制器为决策者，频谱等级S

优选地，强化学习算法通过ε-greedy算法进行求解，包括：

1)进行初始化，使x

2)生成随机数μ∈(0,1)，并选择最优路：

其中，a

3)SDN控制器根据业务数据流的传输能耗表现，根据下式更新每个摇臂的选择次数：

并更新每个摇臂的平均奖励

当t＞T时，即解决了强化学习问题。

相应的，参照图3，本发明实施例提供了一种基于业务深度识别的电力通信网编排装置，包括：

获取模块101，用于获取待编排的电力通信网的业务流量，并选择多个业务流量分类特征；其中，所述多个业务流量分类特征包括每一业务的数据包个数、数据包平均大小、数据包大小分布方差、数据包平均时间间隔、数据包时间间隔分布方差以及流速率；

分类模块102，用于将所述多个业务流量分类特征和所述业务流量输入至经过预训练的BP神经网络流量分类器，确定所述业务流量中每一业务的类别；其中，业务的类别包括散列流、平滑流和低速率流；

分配模块103，用于通过预设的频谱编排模型，根据每一业务的类别对应的业务流频谱需求，为所述每一业务分配频谱；

编排模块104，用于基于所述每一业务对应的类别和所述每一业务对应的频谱，获得针对所述电力通信网的编排结果。

相比于现有技术，本发明实施例具有如下有益效果：

本发明实施例提供了一种基于业务深度识别的电力通信网编排方法和装置，所述方法包括：获取待编排的电力通信网的业务流量，并选择多个业务流量分类特征；其中，所述多个业务流量分类特征包括每一业务的数据包个数、数据包平均大小、数据包大小分布方差、数据包平均时间间隔、数据包时间间隔分布方差以及流速率。将所述多个业务流量分类特征和所述业务流量输入至经过预训练的BP神经网络流量分类器，确定所述业务流量中每一业务的类别；通过预设的频谱编排模型，根据每一业务的类别对应的业务流频谱需求，为所述每一业务分配频谱；其中，业务的类别包括散列流、平滑流和低速率流；基于所述每一业务对应的类别和所述每一业务对应的频谱，获得针对所述电力通信网的编排结果。相比于现有技术，构建基于神经网络的流量分类器，针对电力通信网特性以及业务的特征，对业务流量进行划分，提高了对业务频谱编排的灵活度。

进一步的，通过遗传算法来构建BP神经网络的隐藏层，进而流量分类器，提高了神经网络的收敛速度和运算速度，并避免陷入局部最优解，从而提高了业务深度识别的精度和效率。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。