本發(fā)明涉及計算機(jī)通信，特別是一種基于圖神經(jīng)網(wǎng)絡(luò)的衛(wèi)星時變網(wǎng)絡(luò)性能預(yù)測方法。

背景技術(shù)：

1、低軌衛(wèi)星網(wǎng)絡(luò)(leo)憑借其廣闊的覆蓋范圍、不受地理與自然條件限制的能力、遠(yuǎn)距離通信的優(yōu)勢以及顯著的通信容量，已經(jīng)成為現(xiàn)代通信架構(gòu)中不可或缺的一部分。隨著通信技術(shù)的持續(xù)演進(jìn)，leo衛(wèi)星網(wǎng)絡(luò)的重要性日益凸顯，為全球互聯(lián)提供了新的可能性。

2、為了實(shí)現(xiàn)對這些動態(tài)網(wǎng)絡(luò)的有效管理，軟件定義網(wǎng)絡(luò)(sdn)技術(shù)應(yīng)運(yùn)而生。通過sdn，我們可以獲取并分析衛(wèi)星網(wǎng)絡(luò)的數(shù)據(jù)平面特征，從而構(gòu)建精確的網(wǎng)絡(luò)模型。這種模型不僅幫助我們深入理解網(wǎng)絡(luò)運(yùn)作機(jī)制，還能預(yù)測諸如流量分布、傳輸延遲等關(guān)鍵性能指標(biāo)(kpis)，使得針對特定需求的網(wǎng)絡(luò)優(yōu)化成為可能，進(jìn)而提高網(wǎng)絡(luò)效率，并減少故障發(fā)生的可能性。

3、然而，由于leo衛(wèi)星在其預(yù)定軌道上的高速運(yùn)動特性，導(dǎo)致了網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)快速變化和星間鏈路頻繁地建立與斷開。這一現(xiàn)象給傳統(tǒng)的靜態(tài)網(wǎng)絡(luò)建模方法帶來了巨大挑戰(zhàn)——傳統(tǒng)方法在地面網(wǎng)絡(luò)中的有效性，在面對leo衛(wèi)星網(wǎng)絡(luò)時顯得力不從心。

4、早期的sdn網(wǎng)絡(luò)建模嘗試采用了基于排隊論的數(shù)學(xué)模型，但此類模型通常假設(shè)網(wǎng)絡(luò)流量遵循泊松分布或路由策略為概率性選擇，這顯然與實(shí)際運(yùn)行情況不符，因而無法提供準(zhǔn)確的性能預(yù)測。此外，盡管使用網(wǎng)絡(luò)包級模擬器可以進(jìn)行詳細(xì)的仿真，但這種方法計算成本極高，難以大規(guī)模應(yīng)用。

5、近年來，深度學(xué)習(xí)技術(shù)的進(jìn)步為sdn網(wǎng)絡(luò)建模開辟了新路徑。全連接網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)(cnn)、圖神經(jīng)網(wǎng)絡(luò)(gnn)、循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)及變分自編碼器(vae)等先進(jìn)算法被引入到網(wǎng)絡(luò)建模領(lǐng)域。得益于它們出色的特征提取能力，這些基于深度學(xué)習(xí)的方法顯著提升了性能預(yù)測的準(zhǔn)確性。但是，值得注意的是，上述提到的技術(shù)大多適用于相對靜態(tài)的地面sdn環(huán)境；當(dāng)涉及到隨時間變化的網(wǎng)絡(luò)拓?fù)浜玩溌窢顟B(tài)時，現(xiàn)有的性能預(yù)測算法面臨著嚴(yán)峻考驗，因為動態(tài)變化會在時間尺度上對網(wǎng)絡(luò)流性能產(chǎn)生復(fù)雜影響。

技術(shù)實(shí)現(xiàn)思路

1、針對上述低軌(leo)衛(wèi)星網(wǎng)絡(luò)中由于其高速移動帶來的路由變化和鏈路變化造成的時變性網(wǎng)絡(luò)預(yù)測問題，本發(fā)明的目的在于提供一種衛(wèi)星時變網(wǎng)絡(luò)性能預(yù)測方法，從sdn狀態(tài)平面獲取網(wǎng)絡(luò)狀態(tài)信息，并通過具有異構(gòu)節(jié)點(diǎn)的圖模型對衛(wèi)星網(wǎng)絡(luò)建模，使用基于消息傳遞神經(jīng)網(wǎng)絡(luò)(mpnn)并且加入了節(jié)點(diǎn)特征lstm和圖注意力機(jī)制的網(wǎng)絡(luò)性能預(yù)測模型，實(shí)現(xiàn)對leo衛(wèi)星時變網(wǎng)絡(luò)性能的高效預(yù)測。

2、本發(fā)明是由以下的技術(shù)方案實(shí)現(xiàn)上述目的，一種基于圖神經(jīng)網(wǎng)絡(luò)的衛(wèi)星時變網(wǎng)絡(luò)性能預(yù)測方法，具體包括以下技術(shù)步驟：

3、步驟一、將低軌(leo)衛(wèi)星運(yùn)行周期切分成多個時間片，在每一個時間片中，將邏輯衛(wèi)星網(wǎng)絡(luò)作為靜態(tài)網(wǎng)絡(luò)處理，獲取衛(wèi)星運(yùn)行位置信息和星間鏈路連接狀態(tài)，并離線計算路由信息；

4、步驟二、對于所述每一個時間片的衛(wèi)星網(wǎng)絡(luò)，基于軟件定義網(wǎng)絡(luò)sdn架構(gòu)，從leo衛(wèi)星網(wǎng)絡(luò)的數(shù)據(jù)平面中獲得網(wǎng)絡(luò)的狀態(tài)數(shù)據(jù)；對于所述每一個時間片的衛(wèi)星網(wǎng)絡(luò)，將網(wǎng)絡(luò)拓?fù)淠Ｊ降膱D結(jié)構(gòu)轉(zhuǎn)換為具有隊列-鏈路-數(shù)據(jù)流異構(gòu)節(jié)點(diǎn)模式的圖結(jié)構(gòu)；經(jīng)過所述數(shù)據(jù)預(yù)處理，得到衛(wèi)星網(wǎng)絡(luò)的圖時間序列數(shù)據(jù)；

5、步驟三、對于所述的網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)，將狀態(tài)統(tǒng)計數(shù)據(jù)嵌入為特征向量，通過構(gòu)建基于消息傳遞神經(jīng)網(wǎng)絡(luò)(mpnn)并加入了節(jié)點(diǎn)特征lstm機(jī)制、圖注意力機(jī)制的網(wǎng)絡(luò)性能預(yù)測模型，使用所述的衛(wèi)星網(wǎng)絡(luò)的圖時間序列數(shù)據(jù)進(jìn)行模型訓(xùn)練；

6、步驟四、基于所述的網(wǎng)絡(luò)預(yù)測性能模型，從leo衛(wèi)星的現(xiàn)實(shí)網(wǎng)絡(luò)狀態(tài)，輸出最終的網(wǎng)絡(luò)性能預(yù)測結(jié)果，包括網(wǎng)絡(luò)的時延、抖動、丟包指標(biāo)。

7、與現(xiàn)有的技術(shù)相比，本發(fā)明具有如下的顯著優(yōu)點(diǎn)：

8、(1)本發(fā)明使用節(jié)點(diǎn)特征lstm(v-lstm)建模衛(wèi)星網(wǎng)絡(luò)的時序特征，以處理衛(wèi)星移動造成的網(wǎng)絡(luò)拓?fù)渥兓玩溌焚|(zhì)量變化對預(yù)測結(jié)果的影響；

9、(2)使用鏈路-隊列-路徑異構(gòu)圖結(jié)構(gòu)而非原始網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)作為模型輸入數(shù)據(jù)，更準(zhǔn)確地描述網(wǎng)絡(luò)運(yùn)行模式，并且能夠處理任意拓?fù)浣Y(jié)構(gòu)、路由方案和流量強(qiáng)度，以泛化到訓(xùn)練中未見過的衛(wèi)星網(wǎng)絡(luò)；

技術(shù)特征：

1.一種基于圖神經(jīng)網(wǎng)絡(luò)的衛(wèi)星時變網(wǎng)絡(luò)性能方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的衛(wèi)星時變網(wǎng)絡(luò)性能預(yù)測方法，其特征在于：

3.根據(jù)權(quán)利要求1所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的衛(wèi)星時變網(wǎng)絡(luò)性能預(yù)測方法，其特征在于：

4.根據(jù)權(quán)利要求3所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的衛(wèi)星時變網(wǎng)絡(luò)性能預(yù)測方法，其特征在于，在所述步驟二的數(shù)據(jù)采集過程中，包括如下步驟：

5.根據(jù)權(quán)利要求1所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的衛(wèi)星時變網(wǎng)絡(luò)性能預(yù)測方法，其特征在于：

6.根據(jù)權(quán)利要求5所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的衛(wèi)星時變網(wǎng)絡(luò)性能預(yù)測方法，其特征在于，在所述步驟三的構(gòu)建基于圖神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)性能預(yù)測模型過程中，包括如下步驟：

7.根據(jù)權(quán)利要求6所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的衛(wèi)星時變網(wǎng)絡(luò)性能預(yù)測方法，其特征在于，在步驟3.1中采用：

8.根據(jù)權(quán)利要求7所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的衛(wèi)星時變網(wǎng)絡(luò)性能預(yù)測方法，其特征在于，在步驟3.1.2中采用：

9.根據(jù)權(quán)利要求1所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的衛(wèi)星時變網(wǎng)絡(luò)性能預(yù)測方法，其特征在于：

技術(shù)總結(jié)
本發(fā)明涉及計算機(jī)通信技術(shù)領(lǐng)域，提供了一種基于圖神經(jīng)網(wǎng)絡(luò)的衛(wèi)星時變網(wǎng)絡(luò)性能預(yù)測方法。具體的說是，通過SDN技術(shù)，從數(shù)據(jù)平面中獲取LEO衛(wèi)星網(wǎng)絡(luò)的網(wǎng)絡(luò)拓?fù)浜蜖顟B(tài)數(shù)據(jù)；根據(jù)網(wǎng)絡(luò)拓?fù)渑c網(wǎng)絡(luò)流，構(gòu)建出有著異構(gòu)節(jié)點(diǎn)的圖網(wǎng)絡(luò)；通過基于消息傳遞神經(jīng)網(wǎng)絡(luò)(MPNN)并加入了節(jié)點(diǎn)特征LSTM機(jī)制、圖注意力機(jī)制的網(wǎng)絡(luò)性能預(yù)測模型，實(shí)現(xiàn)對LEO衛(wèi)星網(wǎng)絡(luò)性能的高效預(yù)測。該方法能夠準(zhǔn)確預(yù)測衛(wèi)星網(wǎng)絡(luò)中端到端網(wǎng)絡(luò)流的關(guān)鍵性能指標(biāo)(KPI)，如延遲、抖動和丟包率，從而優(yōu)化網(wǎng)絡(luò)服務(wù)質(zhì)量(QoS)。

技術(shù)研發(fā)人員：劉粵輝,唐飛龍,徐文超,楊艷琴,周烜,朱燕民,俞嘉地
受保護(hù)的技術(shù)使用者：華東師范大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15