对量子通信网络中多网元数据进行预测的方法及系统技术方案

本发明专利技术的实施例提供了一种对量子通信网络中多网元数据进行预测的方法及系统、对该预测方法进行可靠性评估预测的方法、以及评估该可靠性评估预测方法的方法。其中，对量子通信网络中多网元数据进行预测的方法，包括：获取量子通信网络中的多网元数据；对多网元数据进行数据预处理；以及利用LSTM

【技术实现步骤摘要】
对量子通信网络中多网元数据进行预测的方法及系统


[0001]本专利技术涉及量子通信网络
，尤其涉及一种对量子通信网络中多网元数据进行预测的方法及系统。

技术介绍

[0002]量子通信网络是一种采用量子通信系统的网络。如图1所示，量子通信网络由众多子系统组成，例如量子网络子系统、传输网络子系统、经典网络子系统、机房环境子系统以及安全网络子系统等。每个子系统又包含分离的多个节点，例如，量子网络子系统中包含OKD网元、OKM网元、S600网元等；传输网络子系统中包含传输设备、光缆线路等等。量子信息就存储在这些节点的检测数据(即网元数据)中。
[0003]由于量子通信网络中的网元数据具有时间依赖性、高维复杂性，且不同网元的数据特性不同，因此传统的机器学习方法不能很好适用于量子通信网络。例如人工神经网络ANN、SVM、PCA等，对数据的特征提取能力较为欠缺；RNN虽然理论上可以表示长时间步长状态之间的依赖关系，但是由于梯度爆炸或梯度弥散现象的存在，导致RNN在实际应用中“记忆能力”受限，往往只能学习到短时间步长的依赖关系；HMM仅限于离散的隐藏状态，并且与RNN相似也有长期依赖的问题。
[0004]因此，亟需一种更加稳定、可靠的对量子通信网络中多网元数据进行预测的方法和系统。

技术实现思路

[0005]因此，本专利技术实施例的目的在于克服上述相关技术的缺陷，提供一种对量子通信网络中多网元数据进行预测的方法及系统，能够在保障可靠性的前提下提高预测的精度。
[0006]上述目的是通过以下技术方案实现的：
[0007]根据本专利技术实施例的第一方面，提供了一种对量子通信网络中多网元数据进行预测的方法，包括：获取量子通信网络中的多网元数据；对所述多网元数据进行数据预处理；以及利用LSTM
‑
DBN网络模型对预处理后的所述多网元数据进行预测，获得下一时刻多网元数据的预测值，其中，所述LSTM
‑
DBN网络模型包括LSTM模型和DBN模型，所述下一时刻多网元数据的预测值包括下一时刻所述量子通信的网络状态和下一时刻的多网元数据。
[0008]可选地，其中，所述对所述多网元数据进行数据预处理包括：对所述多网元数据进行归一化处理和一致化处理。
[0009]可选地，其中，所述LSTM
‑
DBN网络模型通过以下方式训练获得:获取量子通信网络多网元数据的训练集；以及利用所述多网元数据训练集分别训练LSTM模型和DBN模型，获得训练好的所述LSTM
‑
DBN网络模型。
[0010]可选地，其中，所述利用LSTM
‑
DBN网络模型对预处理后的所述多网元数据进行预测，获得下一时刻多网元数据的预测值包括：将预处理后的所述多网元数据输入训练好的所述LSTM模型，获得LSTM模型预测的下一时刻的网元数据；以及将所述LSTM模型预测的下
一时刻的网元数据整合，输入训练好的所述DBN模型，获得下一时刻所述量子通信网络的网络状态和下一时刻的多网元数据。
[0011]可选地，上述方法还包括：对所述LSTM
‑
DBN网络模型进行可靠性评估预测；以及基于所述可靠性评估预测值优化所述LSTM
‑
DBN网络模型。
[0012]本专利技术的另一方面，提供了一种对上述LSTM
‑
DBN网络模型进行可靠性评估预测的方法，包括：基于所述LSTM
‑
DBN网络模型获得下一时刻量子通信网络中多网元数据的预测值；基于所述多网元数据的预测值，获得所述LSTM
‑
DBN网络模型的预测曲线；以及基于所述预测曲线首次达到预设的标准阈值的周期数，对所述LSTM
‑
DBN网络模型进行可靠性评估预测，获得可靠性评估预测值。
[0013]本专利技术的第三方面，提供了一种对上述可靠性评估预测方法进行评估的方法，包括：使用评分函数评估所述可靠性评估预测方法，所述评分函数为：
[0014][0015]其中，h
i
＝RAP
i
′‑
RAP
i
，RAP
i
′
为对量子通信网络中第i个子系统的网元数据的标签的可靠性评估预测值，RAP
i
为量子通信网络中第i个子系统的网元数据的标签的可靠性评估真实值，N为量子通信网络中子系统的个数，系数b＜a；Score为评分函数值。
[0016]可选地，上述方法还包括：使用均方根误差评估所述可靠性评估预测值，所述均方根误差为：
[0017][0018]其中，h
i
＝RAP
i
′‑
RAP
i
，RAP
i
′
为对量子通信网络中第i个子系统的网元数据的标签的可靠性评估预测值，RAP
i
为量子通信网络中第i个子系统的网元数据的标签的可靠性评估真实值，N为量子通信网络中子系统的个数，RMSE为均方根误差。
[0019]根据本专利技术实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被执行时实现如上述任一方法。
[0020]根据本专利技术实施例的第五方面，提供了一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，在所述计算机程序被处理器执行时，实现如上述任一方法。
[0021]本专利技术实施例的技术方案可以包括以下有益效果：
[0022]一方面，针对量子网络中多网元数据的时间依赖性和数据高维复杂等特征，利用LSTM网络和DBN模型分别在序列学习和复杂数据特征提取方面的优势，通过LSTM
‑
DBN网络模型准确预测下一时刻的网元数据以及量子通信网络的网络状态；另一方面，通过可靠性评估预测确保LSTM
‑
DBN网络模型的稳定性和可靠性，以实现在保障可靠性的前提下提高模型预测的精度。
[0023]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
附图说明
[0024]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0025]图1示出了根据本专利技术一个实施例的量子通信网络中的系统结构示意图；
[0026]图2示出了根据本专利技术一个实施例的对量子通信网络中多网元数据进行预测的方法的流程图；
[0027]图3示出了根据本专利技术一个实施例的对LSTM
‑
DBN网络模型进行可靠性评估预测的方法的流程图；
[0028]图4示出了根据本专利技术一个实施例的对量子通信网络中多网元数据进行预测的系统的结构图。
具体实施方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对量子通信网络中多网元数据进行预测的方法，包括：获取量子通信网络中的多网元数据；对所述多网元数据进行数据预处理；以及利用LSTM
‑
DBN网络模型对预处理后的所述多网元数据进行预测，获得下一时刻多网元数据的预测值，其中，所述LSTM
‑
DBN网络模型包括LSTM模型和DBN模型，所述下一时刻多网元数据的预测值包括下一时刻所述量子通信的网络状态和下一时刻的多网元数据。2.根据权利要求1所述的方法，其中，所述对所述多网元数据进行数据预处理包括：对所述多网元数据进行归一化处理和一致化处理。3.根据权利要求1所述的方法，其中，所述LSTM
‑
DBN网络模型通过以下方式训练获得:获取量子通信网络多网元数据的训练集；以及利用所述多网元数据训练集分别训练LSTM模型和DBN模型，获得训练好的所述LSTM
‑
DBN网络模型。4.根据权利要求1所述的方法，其中，所述利用LSTM
‑
DBN网络模型对预处理后的所述多网元数据进行预测，获得下一时刻多网元数据的预测值包括：将预处理后的所述多网元数据输入训练好的所述LSTM模型，获得LSTM模型预测的下一时刻的网元数据；以及将所述LSTM模型预测的下一时刻的网元数据整合，输入训练好的所述DBN模型，获得下一时刻所述量子通信网络的网络状态和下一时刻的多网元数据。5.根据权利要求1所述的方法，还包括，对所述LSTM
‑
DBN网络模型进行可靠性评估预测；以及基于所述可靠性评估预测值优化所述LSTM
‑
DBN网络模型。6.一种对权利要求1
‑
5中任一所述LSTM
‑
DBN网络模型进行可靠性评估预测的方法，包括：基于所述LSTM
‑
DBN网络模型获得下一时刻量子通信网络中多网元数据的预测值；基于所述多网元数据的预测值，获得所述LSTM
‑
DBN网络模型的预测曲线；以及基于所述预测曲线首次达到预设的标准阈值的周期数，对所述LSTM
‑
DBN网络模型进行可靠性评估预测，获得可靠性评估预测值。7.一种对权利要求6所述的可靠性评估预测方法进行评估的方法，包括：使用评...

【专利技术属性】
技术研发人员：陈柱，夏晨臣，王平，陈德华，王旭东，张玲君，翟学锋，张远旸，
申请(专利权)人：国科量子通信网络有限公司，
类型：发明
国别省市：