【技术实现步骤摘要】
本专利技术涉及通信网络优化，具体的是基于图神经网络的空天地网络流量卸载决策方法及系统。
技术介绍
1、随着空天地一体化网络（以下统称：sagin）的快速发展，传统的网络管理和数据流量分配策略面临诸多挑战。sagin是一种高度复杂的网络，包括地面、空中和太空的多层网络结构，涉及众多节点和广泛的连接类型。这种网络的特点是拓扑复杂、动态变化快和通信环境多变。因此，优化这种网络的流量卸载方案成为通过网络管理提高网络性能和效率的关键。
2、传统网络流量管理方法通常依赖静态的路由和带宽分配策略，这在动态变化的sagin环境中效率低下。此外，这些方法往往无法实时反映网络状态的变化，难以预测和适应网络负载、延迟和能耗的实时变动。这限制了网络的性能，可能导致资源利用不均、延迟增加和能源浪费。
3、为了解决这些问题，近年来，利用机器学习技术进行网络管理和优化的研究逐渐增多。图神经网络因其在处理复杂网络数据方面的优势而被广泛研究，它能够有效处理图结构数据，通过捕捉节点间的依赖关系来学习网络的深层特征，为网络性能预测和流量卸载管理提供了新的技术途径。同时，在最终的流量卸载任务中，如何建立一个多目标优化模型，选择最佳的卸载路径，同样是生产实践中的一大难点。
技术实现思路
1、为解决上述
技术介绍
中提到的不足，本专利技术的目的在于提供基于图神经网络的空天地网络流量卸载决策方法及系统，通过利用图神经网络的强大学习能力，准确预测网络性能指标，并结合多目标优化技术，动态地计算并实施最佳的流量卸
2、第一方面，本专利技术的目的可以通过以下技术方案实现：基于图神经网络的空天地网络流量卸载决策方法，方法包括以下步骤：
3、接收空天地一体化网络中的节点相关数据，将节点相关数据进行时间窗口划分，并进行特征提取，得到节点特征数据，其中，所述节点相关数据包括节点连接状态数据和节点间的实时流量数据；
4、将节点特征数据输入至预先建立的图神经网络模型gnn内，通过对节点和边的特征进行编码和聚合，生成每个节点的表示向量，利用每个节点的表示向量对gnn进行训练，得到训练后的gnn；
5、接收空天地一体化网络中的网络状态和节点特征，将空天地一体化网络中的网络状态和节点特征输入至训练后的gnn内，输出得到性能预测结果，基于性能预测结果，结合多目标优化技术，从而实现网络整体的流量最佳卸载。
6、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述空天地一体化网络中的节点相关数据获取如下：通过部署在卫星sat、无人机uavs、地面基站bs上的传感器自动收集关键数据；实时传输到数据处理中心；收集空天地一体化网络中的关键数据，对空天地一体化网络sagin中的动态拓扑结构， 收集每个节点的实时位置信息，节点间的通信状态，以及节点的传输能力和通信质量；
7、数据向量还将包括传输功率 ，信号损耗，和节点间的距离。
8、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述空天地一体化网络中的节点相关数据被执行标准化或归一化处理，标准化处理考虑网络中的动态变化：
9、
10、其中，是在t时刻，节点i和j之间第m个指标的原始关键数据值，是对进行归一化后的取值；考虑到节点i和j间的互动，和分别表示指标m在所有节点间的平均值和标准差；
11、时间窗口划分过程：根据空天地一体化网络的通信特性及数据收集频率， 将时间序列数据划分为若干个时间窗口，每个时间窗口包括固定时长内的数据，反映节点在空间中移动造成的网络拓扑变化；其中，时间窗口长度设置根据网络动态和节点的通信特性来调整。
12、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述预先建立的图神经网络模型gnn包括节点和边，其中每个节点代表一个网络设备，边代表节点间的通信连接情况；
13、每个节点由一个特征向量表示；
14、模型构建中使用图卷积层来处理节点特征和邻接矩阵a，以学习节点的隐含表示，图卷积层通过利用节点间的拓扑结构来更新节点状态，图卷积的数学形式为：
15、
16、其中，是第l层的节点特征矩阵，是下一层第l+1层的节点特征矩阵，是邻接矩阵a加上单位矩阵，是的度矩阵，是第l层的权重，维度由输入特征和输出特征大小决定，是非线性激活函数relu。
17、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述利用每个节点的表示向量对gnn进行训练的过程中，采用均方误差mse构建损失函数loss：
18、
19、其中，是模型的预测值，yi是真实值，n是样本数量；
20、引入l2正则化技术，增加对权重的惩罚项之后的新损失函数loss*：
21、
22、其中，是正则化参数，是第l层的权重。
23、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述将空天地一体化网络中的网络状态和节点特征输入至训练后的gnn内，输出得到性能预测结果包括多个关键性能指标，多个关键性能指标如下：
24、延迟latency：网络中每个节点的延迟计算为传输和处理延迟的总和：
25、
26、其中，是节点i数据在网络中传输的时间，是节点i数据在节点上处理的时间；
27、归一化负载：节点的归一化负载表示为当前负载与节点最大处理能力的比例：
28、
29、其中，等式左边的为节点i的归一化负载，等式右边的loadi负载为节点i当前的实际负载，max(capacity)i为节点i的信道容量；
30、能耗energy consumption：每个节点的能耗由其数据传输和处理的能耗消耗组成：
31、
32、其中,和是调节系数；
33、带宽利用率bandwidth utilization：网络的节点i带宽利用率计算为使用的带宽bused，i与总带宽btotal，i的比例；
34、
35、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述gnn模型定义输出向量yi如下：
36、
37、其中，yi是节点i的网络性能的真实结果 ，是通过gnn模型输出的节点i的网络性能的预测结果；li是网络中节点i的延迟，loadi为节点i的归一化负载，ei为节点i的能耗，ui为节点i的带宽利用率；f表示图神经网络函数，表示节点i的特征向量，a是邻接矩阵，是学习到的模型参数。
38、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述基于性能预测结果，结合多目标优化技术，从而实现网络整体的流量最佳卸载的过程：
39、建立决策变量，定义一组决策变量，其中i和j分别表示数据源节点和目标卸载节点，取值为0或1，其中1表示从节点i向节点j卸载数据，而本文档来自技高网...
【技术保护点】
1.基于图神经网络的空天地网络流量卸载决策方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的基于图神经网络的空天地网络流量卸载决策方法，其特征在于，所述空天地一体化网络中的节点相关数据获取如下：通过部署在卫星Sat、无人机UAVs、地面基站BS上的传感器自动收集关键数据；实时传输到数据处理中心；收集空天地一体化网络中的关键数据，对空天地一体化网络SAGIN中的动态拓扑结构，收集每个节点的实时位置信息，节点间的通信状态，以及节点的传输能力和通信质量；
3.根据权利要求2所述的基于图神经网络的空天地网络流量卸载决策方法，其特征在于，所述空天地一体化网络中的节点相关数据被执行标准化或归一化处理，标准化处理考虑网络中的动态变化：
4.根据权利要求1所述的基于图神经网络的空天地网络流量卸载决策方法，其特征在于，所述预先建立的图神经网络模型GNN包括节点和边，其中每个节点代表一个网络设备，边代表节点间的通信连接情况；
5.根据权利要求1所述的基于图神经网络的空天地网络流量卸载决策方法，其特征在于，所述利用每个节点的表示向量对GNN进
6.根据权利要求1所述的基于图神经网络的空天地网络流量卸载决策方法，其特征在于，所述将空天地一体化网络中的网络状态和节点特征输入至训练后的GNN内，输出得到性能预测结果包括多个关键性能指标，多个关键性能指标如下：
7.根据权利要求6所述的基于图神经网络的空天地网络流量卸载决策方法，其特征在于，所述GNN的定义输出向量yi如下：
8.根据权利要求1所述的基于图神经网络的空天地网络流量卸载决策方法，其特征在于，所述基于性能预测结果，结合多目标优化技术，从而实现网络整体的流量最佳卸载的过程：
9.根据权利要求8所述的基于图神经网络的空天地网络流量卸载决策方法，其特征在于，所述多目标优化技术的目标函数如下：
10.基于图神经网络的空天地网络流量卸载决策系统，其特征在于，采用了权利要求1至9中任一项所述的基于图神经网络的空天地网络流量卸载决策方法，包括：
...【技术特征摘要】
1.基于图神经网络的空天地网络流量卸载决策方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的基于图神经网络的空天地网络流量卸载决策方法，其特征在于，所述空天地一体化网络中的节点相关数据获取如下：通过部署在卫星sat、无人机uavs、地面基站bs上的传感器自动收集关键数据；实时传输到数据处理中心；收集空天地一体化网络中的关键数据，对空天地一体化网络sagin中的动态拓扑结构，收集每个节点的实时位置信息，节点间的通信状态，以及节点的传输能力和通信质量；
3.根据权利要求2所述的基于图神经网络的空天地网络流量卸载决策方法，其特征在于，所述空天地一体化网络中的节点相关数据被执行标准化或归一化处理，标准化处理考虑网络中的动态变化：
4.根据权利要求1所述的基于图神经网络的空天地网络流量卸载决策方法，其特征在于，所述预先建立的图神经网络模型gnn包括节点和边，其中每个节点代表一个网络设备，边代表节点间的通信连接情况；
5.根据权利要求1所述的基于图神经网络的空天地网络流量卸...
【专利技术属性】
技术研发人员：王晔，刘淼，韩银锋，张凌豪，杨洁，赵海涛，童恩，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。