边缘节点需求预测方法、设备及计算机程序产品技术

本发明专利技术公开了一种边缘节点需求预测方法、设备及计算机程序产品，本发明专利技术通过获取分层部署的各个有预测需求的边缘计算节点的层级分布信息和过去时间中的历史资源需求信息，为模型提供了各边缘计算节点的层级连接关系以及过去时间中的资源需求变化情况；通过将这两类信息转化为资源需求拓扑图，并使用预训练的时间图卷积神经网络模型从该拓扑图中捕获各边缘计算节点在资源需求上的时间和空间依赖关系，使得模型能够捕捉到过去时间内各边缘计算节点的资源需求变化规律；最后根据捕捉到的时间和空间依赖关系合理预测未来一段时间内各边缘计算节点的资源需求量，使得资源需求的预测更加准确，同时也无需再依赖于人工经验。同时也无需再依赖于人工经验。同时也无需再依赖于人工经验。

【技术实现步骤摘要】
边缘节点需求预测方法、设备及计算机程序产品


[0001]本专利技术涉及深度学习
，尤其涉及边缘节点需求预测方法、设备 及计算机程序产品。

技术介绍

[0002]随着移动通信技术的快速发展，5G技术应运而生。5G时代万物互联， 海量物联设备向上延伸，同时想要实现极致的用户体验也需要将云的内容向 用户端延伸，而现有的云计算模式下的对于海量数据的处理效率已难以满足 实际应用需要，因此引入边缘计算技术，边缘计算技术通过在移动网络边缘 提供灵活的网络接入能力和边缘计算服务，从而减少网络传输和服务交付时 间，为垂直行业赋予了新的发展动能。而边缘计算技术往往需要通过层层部 署边缘计算节点来实现。
[0003]在边缘计算技术的实际应用中，往往需要为各层中的边缘计算节点预留 一定量的资源，以保证数据处理任务的顺利进行。现有的对于边缘计算节点 的资源预留量的确定方式主要基于专家经验来实现，但由于边缘计算面向各 行业客户，具有需求多样性。需求突发性等特点，基于人工经验的方式难以 捕捉需求规律，从而导致资源需求预测不准确的问题。

技术实现思路

[0004]本专利技术的主要目的在于提出一种边缘节点需求预测方法、设备及计算机 程序产品，旨在解决现有的基于人工经验的边缘节点需求预测方式不准确的 技术问题。
[0005]为实现上述目的，本专利技术提供一种边缘节点需求预测方法，所述边缘节 点需求预测方法包括：
[0006]获取分层部署的各边缘计算节点的层级分布信息与历史资源需求信息， 并将所述层级分布信息与历史资源需求信息转化为资源需求拓扑图；
[0007]使用预训练的时间图卷积神经网络模型，从所述资源需求拓扑图中捕获 各所述边缘计算节点在资源需求上的时空依赖关系；
[0008]根据所述时空依赖关系预测出各所述边缘计算节点分别对应的资源需求 预测值。
[0009]可选地，所述使用预训练的时间图卷积神经网络模型，从所述资源需求 拓扑图中捕获各所述边缘计算节点在资源需求上的时空依赖关系的步骤之 前，还包括：
[0010]将所述资源需求拓扑图转化为反映所述层级分布信息的邻接矩阵，与反 映所述历史资源需求信息的特征矩阵，以将所述邻接矩阵和所述特征矩阵作 为所述时间图卷积神经网络模型的输入，以供所述时间图卷积神经网络基于 所述邻接矩阵和所述特征矩阵捕获所述时空依赖关系。
[0011]可选地，所述将所述资源需求拓扑图转化为反映所述层级分布信息的邻 接矩阵，与反映所述历史资源需求信息的特征矩阵的步骤包括：
[0012]将所述资源需求拓扑图转化为反映所述层级分布信息的原始邻接矩阵， 与反映所述历史资源需求信息的原始特征矩阵；
[0013]将所述原始邻接矩阵和所述原始特征矩阵进行标准化处理，得到所述邻 接矩阵和所述特征矩阵。
[0014]可选地，所述时间图卷积神经网络模型中包含图卷积网络和长短期记忆 神经网络，所述时空依赖关系包括时间依赖关系和空间依赖关系，
[0015]所述使用预训练的时间图卷积神经网络模型，从所述资源需求拓扑图中 捕获各所述边缘计算节点在资源需求上的时空依赖关系的步骤包括：
[0016]将所述邻接矩阵与所述特征矩阵输入所述图卷积网络，基于所述图卷积 网络捕获各所述边缘计算节点之间的空间依赖关系，以将所述空间依赖关系 提取为空间特征；
[0017]将所述空间特征和所述特征矩阵从所述图卷积网络传入所述长短期记忆 神经网络，基于所述长短期记忆神经网络捕获各所述边缘计算节点在资源需 求上的时间依赖关系，以将所述时间依赖关系提取为时间特征。
[0018]可选地，所述根据所述时空依赖关系预测出各所述边缘计算节点分别对 应的资源需求预测值的步骤包括：
[0019]结合所述空间特征和所述时间特征，在所述时间图卷积神经网络模型的 全连接层中预测出各所述边缘计算节点在未来预设时长内分别对应的资源需 求预测值，其中，所述全连接层在所述时间图卷积神经网络模型中位于所述 长短期记忆神经网络的下一层。
[0020]可选地，在每一所述边缘计算节点在未来预设时长内所对应的资源需求 预测值存在多个时，所述结合所述空间特征和所述时间特征，在所述时间图 卷积神经网络模型的全连接层中预测出各所述边缘计算节点在未来预设时长 内分别对应的资源需求预测值的步骤之后，还包括：
[0021]从每一所述边缘计算节点对应的多个所述资源需求预测值中选出最大 值；
[0022]将预设倍数的所述最大值作为每一所述边缘计算节点在未来预设时长内 的资源需求建议值，并将所述资源需求建议值输出，其中，所述预设倍数大 于1。
[0023]可选地，所述将所述层级分布信息与历史资源需求信息转化为资源需求 拓扑图的步骤包括：
[0024]将各所述边缘计算节点作为图节点，并根据所述层级分布关系确定所述 图节点之间的连接线以作为图链路；
[0025]将所述历史资源需求信息转化为历史资源需求的时间序列，并将所述时 间序列作为节点特征；
[0026]基于所述图节点、所述图链路与所述节点特征构建所述资源需求拓扑图。
[0027]可选地，所述获取分层部署的各边缘计算节点的层级分布信息与历史资 源需求信息的步骤包括：
[0028]获取各所述边缘计算节点在当前距离过去的预设时间段内分别对应的资 源需求信息，以作为所述历史资源需求信息；
[0029]从预存的边缘计算节点分布信息库中获取各所述边缘计算节点的层级分 布信息。
[0030]此外，为实现上述目的，本专利技术还提供一种边缘节点需求预测装置，所 述边缘节
点需求预测装置包括：
[0031]节点信息获取模块，用于获取分层部署的各边缘计算节点的层级分布信 息与历史资源需求信息，并将所述层级分布信息与历史资源需求信息转化为 资源需求拓扑图；
[0032]依赖关系捕获模块，用于使用预训练的时间图卷积神经网络模型，从所 述资源需求拓扑图中捕获各所述边缘计算节点在资源需求上的时空依赖关 系；
[0033]资源需求预测模块，用于根据所述时空依赖关系预测出各所述边缘计算 节点分别对应的资源需求预测值。
[0034]此外，为实现上述目的，本专利技术还提供一种边缘节点需求预测设备，所 述边缘节点需求预测设备包括：存储器、处理器及存储在所述存储器上并可 在所述处理器上运行的边缘节点需求预测程序，所述边缘节点需求预测程序 被所述处理器执行时实现如上所述的边缘节点需求预测方法的步骤。
[0035]此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述 计算机可读存储介质上存储有边缘节点需求预测程序，所述边缘节点需求预 测程序被处理器执行时实现如上所述的边缘节点需求预测方法的步骤。
[0036]此外，为实现上述目的，本专利技术还提供一种计算机程序产品，包括计算 机程序，所述计算机程序被处理器执行时实现如上述的边缘节点需求预测方 法的步骤。
[0037]本专利技术通过获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种边缘节点需求预测方法，其特征在于，所述边缘节点需求预测方法包括：获取分层部署的各边缘计算节点的层级分布信息与历史资源需求信息，并将所述层级分布信息与历史资源需求信息转化为资源需求拓扑图；使用预训练的时间图卷积神经网络模型，从所述资源需求拓扑图中捕获各所述边缘计算节点在资源需求上的时空依赖关系；根据所述时空依赖关系预测出各所述边缘计算节点分别对应的资源需求预测值。2.如权利要求1所述的边缘节点需求预测方法，其特征在于，所述使用预训练的时间图卷积神经网络模型，从所述资源需求拓扑图中捕获各所述边缘计算节点在资源需求上的时空依赖关系的步骤之前，还包括：将所述资源需求拓扑图转化为反映所述层级分布信息的邻接矩阵，与反映所述历史资源需求信息的特征矩阵，以将所述邻接矩阵和所述特征矩阵作为所述时间图卷积神经网络模型的输入，以供所述时间图卷积神经网络基于所述邻接矩阵和所述特征矩阵捕获所述时空依赖关系。3.如权利要求2所述的边缘节点需求预测方法，其特征在于，所述将所述资源需求拓扑图转化为反映所述层级分布信息的邻接矩阵，与反映所述历史资源需求信息的特征矩阵的步骤包括：将所述资源需求拓扑图转化为反映所述层级分布信息的原始邻接矩阵，与反映所述历史资源需求信息的原始特征矩阵；将所述原始邻接矩阵和所述原始特征矩阵进行标准化处理，得到所述邻接矩阵和所述特征矩阵。4.如权利要求3所述的边缘节点需求预测方法，其特征在于，所述时间图卷积神经网络模型中包含图卷积网络和长短期记忆神经网络，所述时空依赖关系包括时间依赖关系和空间依赖关系，所述使用预训练的时间图卷积神经网络模型，从所述资源需求拓扑图中捕获各所述边缘计算节点在资源需求上的时空依赖关系的步骤包括：将所述邻接矩阵与所述特征矩阵输入所述图卷积网络，基于所述图卷积网络捕获各所述边缘计算节点之间的空间依赖关系，以将所述空间依赖关系提取为空间特征；将所述空间特征和所述特征矩阵从所述图卷积网络传入所述长短期记忆神经网络，基于所述长短期记忆神经网络捕获各所述边缘计算节点在资源需求上的时间依赖关系，以将所述时间依赖关系提取为时间特征。5.如权利要求4所述的边缘节点需求预测方法，其特征在于，所述根据所述时空依赖关系预测出各所述边缘计算节点分别对应的资...

【专利技术属性】
技术研发人员：邢彪，丁东，冯杭生，陈嫦娇，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：