信息处理方法、模型的生成及训练方法、电子设备和介质与流程

1.本发明实施例涉及但不限于网络技术领域，尤其涉及一种信息处理方法、网络模型的生成方法、网络模型的训练方法、电子设备及计算机可读存储介质。


背景技术：

2.随着网络的快速发展，网络拓扑越来越复杂，为了保证网络中业务传输的稳定性以及高质量，有必要对业务的传输性能进行预测。然而，目前对网络中业务的传输性能预测主要还是依靠运维人员的经验而进行，智能化程度较低，虽然相关技术中提出了采用机器学习算法尝试应对业务的传输性能预测，但影响业务的传输性能预测的因素包括时间、空间、社会环境等，这些因素多且复杂，导致简单的机器学习算法在应对这种受多维因素影响的传输性能预测功能的实现时略显吃力，从而不能有效实现对网络中业务的传输性能的预测。


技术实现要素：

3.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
4.本发明实施例提供了一种信息处理方法、网络模型的生成方法、网络模型的训练方法、电子设备及计算机可读存储介质，能够有效实现对网络中业务信息的传输性能的预测。
5.第一方面，本发明实施例提供了一种信息处理方法，包括：
6.获取网络中业务信息的传输参数，其中，所述传输参数表征所述业务信息在网络中的传输性能；
7.利用预先训练好的网络模型对所述传输参数进行传输性能预测，其中，所述网络模型包括图卷积网络(graph convolution network，gcn)模型，所述gcn模型为根据网络中业务信息的传输路径信息而得到。
8.第二方面，本发明实施例还提供了一种网络模型的生成方法，包括：
9.获取网络中业务信息的传输路径信息；
10.根据所述传输路径信息生成gcn模型，其中，所述gcn模型包括用于输入所述业务信息的传输参数的输入节点，所述输入节点与所述传输路径信息相对应，所述传输参数表征所述业务信息在网络中的传输性能。
11.第三方面，本发明实施例还提供了一种网络模型的训练方法，包括：
12.获取网络中业务信息的传输参数，其中，所述传输参数表征所述业务信息在网络中的传输性能；
13.利用所述传输参数对所述网络模型进行训练，其中，所述网络模型包括gcn模型，所述gcn模型为根据网络中业务信息的传输路径信息而得到。
14.第四方面，本发明实施例还提供了一种电子设备，包括：存储器、处理器及存储在
存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述第一方面的信息处理方法。
15.第五方面，本发明实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述第二方面的网络模型的生成方法。
16.第六方面，本发明实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述第三方面的网络模型的训练方法。
17.第七方面，本发明实施例还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上所述第一方面的信息处理方法，或执行如上所述第二方面的网络模型的生成方法，或执行如上所述第三方面的网络模型的训练方法。
18.本发明实施例包括：获取网络中业务信息的传输参数，其中，传输参数表征业务信息在网络中的传输性能；利用预先训练好的网络模型对传输参数进行传输性能预测，其中，网络模型包括图卷积网络gcn模型，gcn模型为根据网络中业务信息的传输路径信息而得到。根据本发明实施例提供的方案，由于gcn模型为根据网络中业务信息的传输路径信息而得到，因此该gcn模型能够与传输该业务信息的网络拓扑相符合，所以，通过利用包括有该gcn模型的网络模型对网络中的业务信息的传输参数进行处理，能够较为准确有效的实现对网络中的业务信息的传输性能预测。
19.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
20.附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
21.图1是本发明一个实施例提供的用于执行信息处理方法的网络拓扑的示意图；
22.图2是本发明一个实施例提供的信息处理方法的流程图；
23.图3是本发明一个实施例提供的gcn模型的结构示意图；
24.图4是本发明另一实施例提供的信息处理方法中进行传输性能预测的流程图；
25.图5是本发明一个示例提供的对传输参数进行传输性能预测的预测模型系统的示意图；
26.图6是本发明一个实施例提供的网络模型的生成方法的流程图；
27.图7是本发明另一实施例提供的网络模型的生成方法中生成gcn模型的流程图；
28.图8是本发明一个具体示例提供的业务网络虚拟拓扑的示意图；
29.图9是本发明一个具体示例提供的节点链路化处理示意图；
30.图10是本发明一个具体示例提供的网络拓扑的示意图；
31.图11是本发明另一具体示例提供的根据图10的网络拓扑构建而成的gcn模型的示意图；
32.图12是本发明一个实施例提供的网络模型的训练方法的流程图；
33.图13是本发明另一实施例提供的网络模型的训练方法中对网络模型进行训练的流程图。
具体实施方式
34.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
35.需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
36.本发明提供了一种信息处理方法、网络模型的生成方法、网络模型的训练方法、电子设备及计算机可读存储介质，其中，信息处理方法包括：获取网络中业务信息的传输参数，其中，传输参数表征业务信息在网络中的传输性能；利用预先训练好的网络模型对传输参数进行传输性能预测，其中，网络模型包括gcn模型，gcn模型为根据网络中业务信息的传输路径信息而得到。由于gcn模型为根据网络中业务信息的传输路径信息而得到，因此该gcn模型能够与传输该业务信息的网络拓扑相符合，所以，通过利用包括有该gcn模型的网络模型对网络中的业务信息的传输参数进行处理，能够较为准确有效的实现对网络中的业务信息的传输性能预测。
37.下面结合附图，对本发明实施例作进一步阐述。
38.如图1所示，图1是本发明一个实施例提供的用于执行信息处理方法的网络拓扑的示意图。在图1的示例中，该网络拓扑包括网络控制器(图中未示出)和多个节点(如图1中的节点a、节点b、......、节点s)，这些节点通过链路连接构成如图1所示的网络拓扑，并且，网络控制器与各个节点相连接。
39.其中，网络控制器可以获取由各个节点所上报的节点信息及业务信息等信息，从而可以根据这些节点信息形成网络拓扑模型，并可以根据该网络拓扑模型进行业务信息的传输路径的规划配置，当网络控制器完成业务信息的传输路径的规划配置而得到转发策略后，网络控制器会将转发策略下发至对应的节点，使得网络中的节点能够根据转发策略进行业务信息的传输。例如，在如图1所示的网络拓扑中，存在如下业务传输路径：从节点a传输至节点l的第一业务传输路径、从节点a传输至节点p的第二业务传输路径、从节点a传输至节点q的第三业务传输路径、从节点b传输至节点p的第四业务传输路径、从节点b传输至节点l的第五业务传输路径、从节点b传输至节点h的第六业务传输路径、从节点l传输至节点q的第七业务传输路径、从节点p传输至节点q的第八业务传输路径、从节点h传输至节点q的第九业务传输路径。
40.此外，网络控制器在对业务信息的传输路径进行规划配置时，还可以根据由各个节点所上传的节点信息及业务信息等信息，对业务信息进行传输性能预测，并可以对预测结果进行相应的优化处理。
41.另外，在分布式网络系统中，各个节点可以获取由网络中的其他节点所通告的节点信息，从而可以根据这些节点信息得到网络拓扑信息。而对于发送业务信息的首节点，可以根据该网络拓扑信息形成对应的网络拓扑模型，并且可以根据所要传输的业务信息的传
输性能要求，进行业务信息的传输路径的规划配置，并得到符合要求的转发策略，接着按照该转发策略转发业务信息。
42.此外，发送业务信息的首节点在对业务信息的传输路径进行规划配置时，还可以对业务信息进行传输性能预测，并可以对预测结果进行相应的优化处理。
43.本发明实施例描述的网络拓扑以及应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域技术人员可知，随着网络拓扑的演变和新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
44.本领域技术人员可以理解的是，图1中示出的网络拓扑结构并不构成对本发明实施例的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
45.在图1所示的网络拓扑中，网络控制器或者发送业务信息的首节点可以调用其储存的信息处理程序，以执行信息处理方法。
46.基于上述网络拓扑的结构，提出本发明的各个实施例。
47.如图2所示，图2是本发明一个实施例提供的信息处理方法的流程图，该信息处理方法应用于网络控制器或者发送业务信息的首节点，该信息处理方法包括但不限于有步骤s110和步骤s120。
48.步骤s110，获取网络中业务信息的传输参数，其中，传输参数表征业务信息在网络中的传输性能。
49.在一实施例中，传输参数表征业务信息在网络中的传输性能，传输参数包括但不限于业务流量、光信噪比(optical signal noise ratio，osnr)、误码率和出光功率等。可以理解的是，可以根据首节点的节点能力信息、尾节点的节点能力信息、由首节点至尾节点所经过的中间节点的节点能力信息等内容，获取业务信息的传输参数。此外，业务信息的传输参数可以为预测得到的传输参数，也可以为从网络中实时检测得到的传输参数，本实施例对此并不作具体限定。例如，当业务信息的传输参数为通过预测处理而得到的传输参数时，可以利用由神经网络等方式构建的预测模型等，对首节点的节点能力信息、尾节点的节点能力信息、由首节点至尾节点所经过的中间节点的节点能力信息等内容进行预测处理，从而得到业务信息的传输参数。
50.步骤s120，利用预先训练好的网络模型对传输参数进行传输性能预测，其中，网络模型包括gcn模型，gcn模型为根据网络中业务信息的传输路径信息而得到。
51.可以理解的是，由于gcn模型为根据网络中业务信息的传输路径信息而得到，因此gcn模型能够与传输该业务信息的网络拓扑相符合，所以，利用预先训练好的并且包括有该gcn模型的网络模型对业务信息的传输参数进行处理，能够较为准确有效的实现对网络中的业务信息的传输性能预测。
52.可以理解的是，网络模型可以为预先训练好并存储在网络控制器中或者存储在发送业务信息的首节点中，因此，在获取到网络中业务信息的传输参数后，即可利用网络模型对业务信息进行传输性能预测。由于网络模型是对业务信息的传输参数进行传输性能预测的，因此用于训练网络模型的训练数据，同样为业务信息的传输参数，可以理解的是，用于训练网络模型的训练数据，可以有多种获取方式，本实施例对此并不作具体限定。例如，可
以通过从网络中获取实际传输的业务信息的传输参数而得到，也可以通过利用人工模拟的方式获取得到。当利用人工模拟的方式以得到训练数据时，可以根据实际网络拓扑构建虚拟网络拓扑，然后在虚拟网络拓扑中模拟业务信息的传输以获取得到训练数据。
53.通过采用包括有上述步骤s110和步骤s120的信息处理方法，利用预先训练好的包括有gcn模型的网络模型对业务信息的传输参数进行传输性能预测，由于gcn模型为根据网络中业务信息的传输路径信息而得到，因此该gcn模型能够与传输该业务信息的网络拓扑相符合，所以，通过利用包括有该gcn模型的网络模型对网络中的业务信息的传输参数进行处理，能够较为准确有效的实现对网络中的业务信息的传输性能预测。
54.在一实施例中，由于gcn模型为根据网络中业务信息的传输路径信息而得到，因此，如图3所示，gcn模型可以包括用于输入传输参数的输入节点，该输入节点与传输路径信息相对应，存在同源关系或者同宿关系的传输路径信息所对应的输入节点之间相连接。
55.在图3的示例中，gcn模型包括有输入节点al、输入节点ap、输入节点aq、输入节点bp、输入节点bl、输入节点bh、输入节点lq、输入节点pq和输入节点hq，输入节点al对应于如图1所示网络拓扑中的第一业务传输路径，输入节点ap对应于如图1所示网络拓扑中的第二业务传输路径，输入节点aq对应于如图1所示网络拓扑中的第三业务传输路径，输入节点bp对应于如图1所示网络拓扑中的第四业务传输路径，输入节点bl对应于如图1所示网络拓扑中的第五业务传输路径，输入节点bh对应于如图1所示网络拓扑中的第六业务传输路径，输入节点lq对应于如图1所示网络拓扑中的第七业务传输路径，输入节点pq对应于如图1所示网络拓扑中的第八业务传输路径，输入节点hq对应于如图1所示网络拓扑中的第九业务传输路径。其中，第一业务传输路径、第二业务传输路径和第三业务传输路径具有相同的源节点(即节点a)，即存在同源关系，因此输入节点al、输入节点ap和输入节点aq两两连接，类似的，输入节点bp、输入节点bl和输入节点bh两两连接，输入节点aq、输入节点lq、输入节点pq和输入节点hq两两连接，输入节点al、输入节点bl和输入节点lq两两连接，输入节点ap、输入节点bp和输入节点pq两两连接，输入节点bh和输入节点hq相连接。
56.可以理解的是，由于传输参数表征业务信息在网络中的传输性能，即，传输参数表征业务信息在网络中对应的传输路径中进行传输时的传输性能，因此，通过采用上述根据业务信息的传输路径信息而得到的gcn模型对业务信息的传输参数进行处理，能够将基于业务信息的传输性能属性(即传输参数)转换成满足gcn模型处理的需要输入到各个输入节点的参数，从而使得包括有gcn模型的网络模型能够对网络中的业务信息进行传输性能预测。
57.另外，在一实施例中，网络模型还可以包括有深度神经网络(deep neural network，dnn)模型，dnn模型的输入连接gcn模型的输出，在这种情况下，如图4所示，步骤s120中的利用预先训练好的网络模型对传输参数进行传输性能预测，可以包括但不限于有以下步骤：
58.步骤s121，利用gcn模型对传输参数进行处理，得到传输特征参数；
59.步骤s122，利用dnn模型对传输特征参数进行处理，得到传输性能预测结果。
60.在一实施例中，可以获取不同时刻下的业务信息的传输参数，而后，利用gcn模型对这些传输参数按照时间维度和空间维度进行特征提取，得到传输特征参数，接着，把这些传输特征参数作为dnn模型的输入而传输至dnn模型中，使得dnn模型能够对这些传输特征
参数进行处理以得到针对业务信息的未来时刻的传输性能预测结果。
61.以一个示例进行说明，在如图5所示的预测模型系统中，首先分别获取各个时刻下的业务信息的传输参数，例如获取t时刻和t+1时刻等时刻下的n个输入节点所对应的业务信息的传输参数，即如图5所示的输入部分中n个输入节点的输入参数，接着，把这些输入参数输入到如图5所示的gcn模型处理部分中，使得gcn模型能够对这些输入参数进行处理，得到与下一时刻对应的传输特征参数，接着，把该传输特征参数输入到如图5所示的dnn模型处理部分中，使得dnn模型能够对该传输特征参数进行处理，得到对业务信息于下一时刻的传输性能的传输性能预测结果，因此，可以利用该传输性能预测结果作为优化处理的指导信息而对业务信息进行传输性能优化处理，以改善业务信息的传输性能。
62.值得注意的是，利用gcn模型对传输参数按照时间维度进行特征提取，指的是利用gcn模型对不同时刻下的传输参数进行特征提取的处理。利用gcn模型对传输参数按照空间维度进行特征提取，指的是利用gcn模型对传输参数进行卷积处理以得到具有空间特征化的特征参数。
63.另外，在一实施例中，gcn模型可以采用公式y＝θ*gx＝σ(α(l)x)来表征，其中，y为传输特征参数，即，y为gcn模型对传输参数进行预测处理后的输出参数；x为传输参数，即，x为输入至gcn模型的输入参数；θ为卷积核函数；*g为采用谱方法的图卷积算子，表示x与θ的乘积；α为卷积核参数；l为归一化的图拉普拉斯算子；σ为激活函数，例如relu激活函数。
64.可以理解的是，当获取到网络中业务信息的传输参数后，将传输参数作为gcn模型的输入参数而输入到公式y＝θ*gx＝σ(α(l)x)中，则可以得到：
[0065][0066]
其中，y∈rn，表示gcn模型对传输参数进行图卷积后得到的具有时间特征化及空间特征化的传输特征参数，n为网络中业务信息的传输数量(即传输业务信息的传输路径的数量)；x∈rm×n×k，表示输入至gcn模型的在m个时刻下的n个传输参数，并且每一个传输参数均为k维传输性能属性；α
jt
∈rn，表示在第t个时刻下n个传输参数的第j维传输性能属性的卷积核参数；x
jt
∈rn，表示输入至gcn模型的在第t个时刻下n个传输参数的第j维传输性能属性。
[0067]
另外，在一实施例中，在步骤s122之后，该信息处理方法还可以包括但不限于有以下步骤：
[0068]
利用传输性能预测结果对业务信息进行传输性能优化处理。
[0069]
可以理解的是，由于gcn模型为根据网络中业务信息的传输路径信息而得到，因此gcn模型能够与传输业务信息的网络拓扑相符合，所以，在利用包括有gcn模型的网络模型对网络中的业务信息的传输参数进行传输性能预测而得到传输性能预测结果后，可以利用该传输性能预测结果作为优化处理的指导信息而对业务信息进行传输性能优化处理，以改善业务信息的传输性能。其中，利用传输性能预测结果对业务信息进行传输性能优化处理，可以有不同的处理方式，本实施例对此并不作具体限定，例如，可以根据传输性能预测结果调整业务信息在相应的传输路径中的性能参数以达到优化传输性能的目的，也可以根据传输性能预测结果改变业务信息在网络中的传输路径以达到优化传输性能的目的。
[0070]
另外，如图6所示，图6是本发明另一个实施例提供的网络模型的生成方法的流程图，该网络模型的生成方法应用于网络控制器或者发送业务信息的首节点，该网络模型的生成方法包括但不限于有以下步骤：
[0071]
步骤s210，获取网络中业务信息的传输路径信息；
[0072]
步骤s220，根据传输路径信息生成gcn模型，其中，gcn模型包括用于输入业务信息的传输参数的输入节点，输入节点与传输路径信息相对应，传输参数表征业务信息在网络中的传输性能。
[0073]
可以理解的是，本实施例中根据传输路径信息而生成的gcn模型，即为如图2所示实施例中的用于对网络中业务信息的传输参数进行传输性能预测的gcn模型。
[0074]
可以理解的是，网络中业务信息的传输路径信息可以包括有首节点信息和尾节点信息，其中，首节点信息包括发送业务信息的首节点的地址信息，尾节点信息包括接收业务信息的尾节点的地址信息。当首节点需要向尾节点发送业务信息时，可以从首节点中获取得到首节点的地址信息和尾节点的地址信息，从而能够获取到该业务信息的传输路径信息。
[0075]
在一实施例中，传输参数表征业务信息在网络中的传输性能，传输参数包括但不限于业务流量、osnr、误码率和出光功率等。可以理解的是，可以根据首节点的节点能力信息、尾节点的节点能力信息、由首节点至尾节点所经过的中间节点的节点能力信息等内容，获取业务信息的传输参数。此外，业务信息的传输参数可以为预测得到的传输参数，也可以为从网络中实时检测得到的传输参数，本实施例对此并不作具体限定。例如，当业务信息的传输参数为通过预测处理而得到的传输参数时，可以利用由神经网络等方式构建的预测模型等，对首节点的节点能力信息、尾节点的节点能力信息、由首节点至尾节点所经过的中间节点的节点能力信息等内容进行预测处理，从而得到业务信息的传输参数。
[0076]
当获取到网络中业务信息的传输路径信息后，即可根据该传输路径信息生成包括有用于输入业务信息的传输参数的输入节点的gcn模型，该gcn模型的输入节点与传输路径信息相对应，例如，如图3中所示的输入节点al与如图1中所示的第一业务传输路径相对应。由于传输参数表征业务信息在网络中的传输性能，而gcn模型为根据网络中业务信息的传输路径信息而得到，因此，利用传输参数作为gcn模型的输入节点的输入参数，能够较为准确有效的实现对网络中的业务信息的传输性能预测。
[0077]
另外，在一实施例中，如图7所示，步骤s220中的根据传输路径信息生成gcn模型，可以包括但不限于有以下步骤：
[0078]
步骤s221，根据首节点信息和尾节点信息建立输入节点；
[0079]
步骤s222，将存在同源关系或者同宿关系的传输路径信息所对应的输入节点相连接，得到gcn模型。
[0080]
可以理解的是，通过根据传输业务信息的首节点信息和尾节点信息而建立gcn模型的输入节点，并且将存在同源关系或者同宿关系的传输路径信息所对应的输入节点相连接，可以使得由此得到的gcn模型能够对业务信息在对应的传输路径中的传输参数进行预测处理，能够较为准确有效的实现对网络中的业务信息的传输性能预测。
[0081]
下面以具体的示例对gcn模型的生成进行详细的说明。
[0082]
在如图1所示的网络拓扑中，针对相邻节点间单条链路的情况，根据每条业务路径
的首节点和尾节点，忽略中间节点的情况，抽象成如图8所示的业务网络虚拟拓扑，其中，该业务网络虚拟拓扑中仅包括每条业务路径的首节点和尾节点，并且对于每条业务路径，其首节点和尾节点直接连接以形成业务虚拟链路。在将如图1所示的网络拓扑抽象成如图8所示的业务网络虚拟拓扑后，根据如图8所示的业务网络虚拟拓扑中各个节点的出度数，以及业务虚拟链路共享同一末端节点的两两依赖关系(如同源关系或者同宿关系)，针对每一个节点，均可以抽象转换成条虚拟路径，其中z表示该节点的出度数。以图8中的节点l为例，包括有业务虚拟链路al、业务虚拟链路bl和业务虚拟链路lq共享节点l作为末端节点，因此，参照如图9所示的节点链路化处理示意图，节点l可以被抽象转换成3条虚拟路径。此外，在将如图1所示的网络拓扑抽象成如图8所示的业务网络虚拟拓扑后，将业务网络虚拟拓扑中的每条业务虚拟链路抽象转换成gcn模型的输入节点，即根据首节点信息和尾节点信息建立输入节点，例如，将从节点a至节点l的业务虚拟链路抽象转换成输入节点al。在将如图8所示的业务网络虚拟拓扑中的全部业务虚拟链路均抽象转换成输入节点后，根据如图9所示的链路化处理，将存在同源关系或者同宿关系的业务虚拟链路所对应的输入节点相连接，即可得到如图3所示的利用一个虚拟节点(即输入节点)表征一条业务路径的gcn模型。由于gcn模型为根据网络中业务信息的传输路径信息而得到，因此gcn模型能够与传输业务信息的网络拓扑相符合，所以，通过利用gcn模型对网络中的业务信息的传输参数进行相关的预测处理，能够较为准确有效的实现对网络中的业务信息的传输性能预测。
[0083]
值得注意的是，针对相邻节点间多条链路的情况，可以通过增加虚拟假节点的方式，把相邻节点间多条链路的网络拓扑形式转换成相邻节点间单条链路的网络拓扑形式，进而能够采用上述方式构建gcn模型。例如，假设在如图10所示的网络拓扑形式中，节点a和节点m之间存在3条业务虚拟链路，那么，可以通过增加虚拟假节点的方式，将这3条业务虚拟链路抽象转换成输入节点am1、输入节点am2和输入节点am3，并结合根据节点a至节点q的业务虚拟链路所抽象转换成的输入节点aq、根据节点q至节点r的业务虚拟链路所抽象转换成的输入节点qr、根据节点m至节点r的业务虚拟链路所抽象转换成的输入节点mr，构建成如图11所示的gcn模型。
[0084]
此外，值得注意的是，如果业务路径需要经过中间节点作为电中继，那么整条业务路径可根据首节点、尾节点和电中继节点，被划分成多个业务路径段，并且每个业务路径段均被认为是一条独立的业务路径而进行虚拟化处理。
[0085]
在一实施例中，根据网络中业务信息的传输路径信息而生成的gcn模型，可以采用公式y＝θ*gx＝σ(α(l)x)来表征，其中，y为该gcn模型的输出参数；x为输入到该gcn模型的输入参数；θ为卷积核函数；*g为采用谱方法的图卷积算子，表示x与θ的乘积；α为卷积核参数；l为归一化的图拉普拉斯算子；σ为激活函数，例如relu激活函数。
[0086]
可以理解的是，当获取到网络中业务信息的传输参数后，可以将该传输参数作为gcn模型的输入参数而输入到公式y＝θ*gx＝σ(α(l)x)中，则可以得到：
[0087][0088]
其中，y∈rn，表示gcn模型对传输参数进行图卷积后得到的具有时间特征化及空间特征化的传输特征参数，n为网络中业务信息的传输数量(即传输业务信息的传输路径的
数量)；x∈rm×n×k，表示输入至gcn模型的在m个时刻下的n个传输参数，并且每一个传输参数均为k维传输性能属性；α
jt
∈rn，表示在第t个时刻下n个传输参数的第j维传输性能属性的卷积核参数；x
jt
∈rn，表示输入至gcn模型的在第t个时刻下n个传输参数的第j维传输性能属性。
[0089]
另外，如图12所示，图12是本发明另一个实施例提供的网络模型的训练方法的流程图，该网络模型的训练方法应用于网络控制器或者发送业务信息的首节点，该网络模型的训练方法包括但不限于有以下步骤：
[0090]
步骤s310，获取网络中业务信息的传输参数，其中，传输参数表征业务信息在网络中的传输性能；
[0091]
步骤s320，利用传输参数对网络模型进行训练，其中，网络模型包括gcn模型，gcn模型为根据网络中业务信息的传输路径信息而得到。
[0092]
可以理解的是，本实施例中利用网络中业务信息的传输参数来进行训练的gcn模型，即为如图2所示实施例中的预先训练好的gcn模型，也为如图6所示实施例中根据传输路径信息而生成的gcn模型。通过利用如图6所示实施例中的生成方法得到gcn模型，而后利用本实施例中的训练方法对该gcn模型进行训练，当完成训练后，即可得到如图2所示实施例中的预先训练好的gcn模型。
[0093]
可以理解的是，网络中业务信息的传输路径信息可以包括有首节点信息和尾节点信息，其中，首节点信息包括发送业务信息的首节点的地址信息，尾节点信息包括接收业务信息的尾节点的地址信息。当首节点需要向尾节点发送业务信息时，可以从首节点中获取得到首节点的地址信息和尾节点的地址信息，从而能够获取到该业务信息的传输路径信息。
[0094]
在一实施例中，传输参数表征业务信息在网络中的传输性能，传输参数包括但不限于业务流量、osnr、误码率和出光功率等。可以理解的是，可以根据首节点的节点能力信息、尾节点的节点能力信息、由首节点至尾节点所经过的中间节点的节点能力信息等内容，获取业务信息的传输参数。此外，业务信息的传输参数可以为预测得到的传输参数，也可以为从网络中实时检测得到的传输参数，本实施例对此并不作具体限定。例如，当业务信息的传输参数为通过预测处理而得到的传输参数时，可以利用由神经网络等方式构建的预测模型等，对首节点的节点能力信息、尾节点的节点能力信息、由首节点至尾节点所经过的中间节点的节点能力信息等内容进行预测处理，从而得到业务信息的传输参数。
[0095]
由于包括有gcn模型的网络模型是对业务信息的传输参数进行传输性能预测的，因此用于训练网络模型的训练数据，同样为业务信息的传输参数，可以理解的是，用于训练网络模型的训练数据，可以有多种获取方式，本实施例对此并不作具体限定。例如，可以通过从网络中获取实际传输的业务信息的传输参数而得到，也可以通过利用人工模拟的方式获取得到。当利用人工模拟的方式以得到训练数据时，可以根据实际网络拓扑构建虚拟网络拓扑，然后在虚拟网络拓扑中模拟业务信息的传输以获取得到训练数据。
[0096]
通过采用包括有上述步骤s310和步骤s320的训练方法，利用网络中业务信息的传输参数对包括有gcn模型的网络模型进行训练，由于gcn模型为根据网络中业务信息的传输路径信息而得到，因此gcn模型能够与传输该业务信息的网络拓扑相符合，而由于传输参数表征业务信息在网络中对应的传输路径中进行传输时的传输性能，所以，通过利用业务信
息的传输参数对包括有该gcn模型的网络模型进行训练，能够使得完成训练后的包括有该gcn模型的网络模型能够较为准确有效的实现对网络中的业务信息的传输性能预测。
[0097]
在一实施例中，gcn模型可以包括用于输入传输参数的输入节点，该输入节点与传输路径信息相对应，存在同源关系或者同宿关系的传输路径信息所对应的输入节点之间相连接。
[0098]
需要说明的是，由于本实施例中的gcn模型即为如图2所示实施例中的gcn模型，因此，对于本实施例中的gcn模型的具体结构的说明，可以参照如图3所示示例中的详细的内容描述，此处不再赘述。
[0099]
另外，在一实施例中，网络模型还可以包括有dnn模型，dnn模型的输入连接gcn模型的输出，在这种情况下，如图13所示，步骤s320中的利用传输参数对网络模型进行训练，可以包括但不限于有以下步骤：
[0100]
步骤s321，将传输参数输入至输入节点以对gcn模型进行训练，得到传输特征样本；
[0101]
步骤s322，将传输特征样本输入至dnn模型以对dnn模型进行训练。
[0102]
在一实施例中，可以获取不同时刻下的业务信息的传输参数，而后，利用这些传输参数输入至输入节点以对gcn模型进行训练，使得gcn模型能够对这些传输参数按照时间维度和空间维度进行特征提取，得到传输特征样本，接着，把这些传输特征样本输入至dnn模型以对dnn模型进行训练，从而使得完成训练后的gcn模型和dnn模型能够较为准确有效的实现对网络中的业务信息的传输性能预测。
[0103]
以一个示例说明利用传输参数对网络模型进行训练过程，如图5所示，首先分别获取不同时刻下的业务信息的传输参数以作为初始的训练样本数据，例如获取t时刻和t+1时刻等时刻下的n个输入节点所对应的业务信息的传输参数作为训练样本数据，接着，把这些训练样本数据输入到如图5所示的gcn模型处理部分中，使得这些训练样本数据能够对gcn模型进行训练，得到传输特征样本，接着，把该传输特征样本输入到如图5所示的dnn模型处理部分中，使得该传输特征样本能够对dnn模型进行训练，从而使得完成训练后的包括有该gcn模型的网络模型能够较为准确有效的实现对网络中的业务信息的传输性能预测。
[0104]
值得注意的是，gcn模型对传输参数按照时间维度进行特征提取，指的是gcn模型对不同时刻下的传输参数进行特征提取的处理。gcn模型对传输参数按照空间维度进行特征提取，指的是gcn模型对传输参数进行卷积处理以得到具有空间特征化的特征参数。
[0105]
另外，在一实施例中，步骤s321中的将传输参数输入至输入节点以对gcn模型进行训练，可以包括但不限于有以下步骤：
[0106]
将传输参数输入至输入节点，并采用反向传播算法对gcn模型进行训练。
[0107]
可以理解的是，采用反向传播算法对gcn模型进行训练，能够实现通过监督学习的形式对gcn模型进行训练，可以使得完成训练后的gcn模型能够更加准确的对网络中业务信息的传输参数进行传输性能预测，从而使得后续的信息处理操作能够更为准确有效的实现对网络中的业务信息的传输性能预测。
[0108]
另外，在一实施例中，步骤s322可以包括但不限于有以下步骤：
[0109]
将传输特征样本输入至dnn模型，并采用反向传播算法对dnn模型进行训练。
[0110]
可以理解的是，采用反向传播算法对dnn模型进行训练，能够实现通过监督学习的
形式对dnn模型进行训练，可以使得完成训练后的dnn模型能够更加准确的对网络中业务信息的传输参数进行传输性能预测，从而使得后续的信息处理操作能够更为准确有效的实现对网络中的业务信息的传输性能预测。
[0111]
在一实施例中，根据网络中业务信息的传输路径信息而得到的gcn模型，可以采用公式y＝θ*gx＝σ(α(l)x)来表征，其中，y为该gcn模型的输出参数；x为输入到该gcn模型的输入参数；θ为卷积核函数；*g为采用谱方法的图卷积算子，表示x与θ的乘积；α为卷积核参数；l为归一化的图拉普拉斯算子；σ为激活函数，例如relu激活函数。
[0112]
可以理解的是，当获取到网络中业务信息的传输参数后，可以将该传输参数作为训练样本数据而输入到公式y＝θ*gx＝σ(α(l)x)中，以对gcn模型进行训练。需要说明的是，当将传输参数作为训练样本数据而输入到公式y＝θ*gx＝σ(α(l)x)后，可以得到：
[0113][0114]
其中，y∈rn，表示gcn模型对传输参数进行图卷积后得到的具有时间特征化及空间特征化的传输特征参数，n为网络中业务信息的传输数量(即传输业务信息的传输路径的数量)；x∈rm×n×k，表示输入至gcn模型的在m个时刻下的n个传输参数，并且每一个传输参数均为k维传输性能属性；α
jt
∈rn，表示在第t个时刻下n个传输参数的第j维传输性能属性的卷积核参数；x
jt
∈rn，表示输入至gcn模型的在第t个时刻下n个传输参数的第j维传输性能属性。
[0115]
另外，本发明的一个实施例还提供了一种电子设备，该电子设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
[0116]
处理器和存储器可以通过总线或者其他方式连接。
[0117]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0118]
需要说明的是，本实施例中的电子设备，可以应用为如图1所示实施例中的网络控制器或者用于发送业务信息的首节点，本实施例中的电子设备和如图1所示实施例中的网络控制器或者用于发送业务信息的首节点属于相同的发明构思，因此这些实施例具有相同的实现原理以及技术效果，此处不再详述。
[0119]
实现上述实施例的信息处理方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的信息处理方法，例如，执行以上描述的图2中的方法步骤s110至s120、图4中的方法步骤s121至s122。
[0120]
另外，本发明的一个实施例还提供了一种电子设备，该电子设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
[0121]
处理器和存储器可以通过总线或者其他方式连接。
[0122]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态
存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0123]
需要说明的是，本实施例中的电子设备，可以应用为如图1所示实施例中的网络控制器或者用于发送业务信息的首节点，本实施例中的电子设备和如图1所示实施例中的网络控制器或者用于发送业务信息的首节点属于相同的发明构思，因此这些实施例具有相同的实现原理以及技术效果，此处不再详述。
[0124]
实现上述实施例的网络模型的生成方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的网络模型的生成方法，例如，执行以上描述的图6中的方法步骤s210至s220、图7中的方法步骤s221至s222。
[0125]
另外，本发明的一个实施例还提供了一种电子设备，该电子设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
[0126]
处理器和存储器可以通过总线或者其他方式连接。
[0127]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0128]
需要说明的是，本实施例中的电子设备，可以应用为如图1所示实施例中的网络控制器或者用于发送业务信息的首节点，本实施例中的电子设备和如图1所示实施例中的网络控制器或者用于发送业务信息的首节点属于相同的发明构思，因此这些实施例具有相同的实现原理以及技术效果，此处不再详述。
[0129]
实现上述实施例的网络模型的训练方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的网络模型的训练方法，例如，执行以上描述的图12中的方法步骤s310至s320、图13中的方法步骤s321至s322。
[0130]
以上所描述的设备实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0131]
此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的信息处理方法，例如，执行以上描述的图2中的方法步骤s110至s120、图4中的方法步骤s121至s122；或者，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的网络模型的生成方法，例如，执行以上描述的图6中的方法步骤s210至s220、图7中的方法步骤s221至s222；或者，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的网络模型的训练方法，例如，执行以上描述的图12中的方法步骤s310至s320、图13中的方法步骤s321至s322。
[0132]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0133]
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

技术特征：
1.一种信息处理方法，包括：获取网络中业务信息的传输参数，其中，所述传输参数表征所述业务信息在网络中的传输性能；利用预先训练好的网络模型对所述传输参数进行传输性能预测，其中，所述网络模型包括图卷积网络gcn模型，所述gcn模型为根据网络中业务信息的传输路径信息而得到。2.根据权利要求1所述的方法，其特征在于，所述gcn模型包括用于输入所述传输参数的输入节点，所述输入节点与所述传输路径信息相对应，存在同源关系或者同宿关系的传输路径信息所对应的所述输入节点之间相连接。3.根据权利要求1所述的方法，其特征在于，所述网络模型还包括深度神经网络dnn模型，所述利用预先训练好的网络模型对所述传输参数进行传输性能预测，包括：利用所述gcn模型对所述传输参数进行处理，得到传输特征参数；利用所述dnn模型对所述传输特征参数进行处理，得到传输性能预测结果。4.根据权利要求3所述的方法，其特征在于，所述利用所述gcn模型对所述传输参数进行处理，得到传输特征参数，包括：利用如下公式对所述传输参数进行处理以得到传输特征参数：y＝θ*gx＝σ(α(l)x)其中，所述y为所述传输特征参数；所述x为所述传输参数；所述θ为卷积核函数；所述*g为采用谱方法的图卷积算子，表示所述x与所述θ的乘积；所述α为卷积核参数；所述l为归一化的图拉普拉斯算子；所述σ为激活函数。5.根据权利要求3所述的方法，其特征在于，在得到传输性能预测结果之后，所述方法还包括：利用所述传输性能预测结果对所述业务信息进行传输性能优化处理。6.根据权利要求1至5任意一项所述的方法，其特征在于，所述传输参数包括业务流量、光信噪比osnr、误码率和出光功率中的至少一个。7.一种网络模型的生成方法，包括：获取网络中业务信息的传输路径信息；根据所述传输路径信息生成gcn模型，其中，所述gcn模型包括用于输入所述业务信息的传输参数的输入节点，所述输入节点与所述传输路径信息相对应，所述传输参数表征所述业务信息在网络中的传输性能。8.根据权利要求7所述的方法，其特征在于，所述传输路径信息包括首节点信息和尾节点信息，所述根据所述传输路径信息生成gcn模型，包括：根据所述首节点信息和所述尾节点信息建立所述输入节点；将存在同源关系或者同宿关系的传输路径信息所对应的所述输入节点相连接，得到gcn模型。9.根据权利要求7或8所述的方法，其特征在于，所述gcn模型采用如下公式表征：y＝θ*gx＝σ(α(l)x)其中，所述y为所述gcn模型的输出参数；所述x为输入到所述gcn模型的输入参数；所述θ为卷积核函数；所述*g为采用谱方法的图卷积算子，表示所述x与所述θ的乘积；所述α为卷积核参数；所述l为归一化的图拉普拉斯算子；所述σ为激活函数。
10.根据权利要求7或8所述的方法，其特征在于，所述传输参数包括业务流量、osnr、误码率和出光功率中的至少一个。11.一种网络模型的训练方法，包括：获取网络中业务信息的传输参数，其中，所述传输参数表征所述业务信息在网络中的传输性能；利用所述传输参数对所述网络模型进行训练，其中，所述网络模型包括gcn模型，所述gcn模型为根据网络中业务信息的传输路径信息而得到。12.根据权利要求11所述的方法，其特征在于，所述gcn模型包括用于输入所述传输参数的输入节点，所述输入节点与所述传输路径信息相对应，存在同源关系或者同宿关系的传输路径信息所对应的所述输入节点之间相连接。13.根据权利要求12所述的方法，其特征在于，所述网络模型还包括dnn模型，所述利用所述传输参数对所述网络模型进行训练，包括：将所述传输参数输入至所述输入节点以对所述gcn模型进行训练，得到传输特征样本；将所述传输特征样本输入至所述dnn模型以对所述dnn模型进行训练。14.根据权利要求13所述的方法，其特征在于，所述将所述传输参数输入至所述输入节点以对所述gcn模型进行训练，包括：将所述传输参数输入至所述输入节点，并采用反向传播算法对所述gcn模型进行训练。15.根据权利要求13所述的方法，其特征在于，所述将所述传输特征样本输入至所述dnn模型以对所述dnn模型进行训练，包括：将所述传输特征样本输入至所述dnn模型，并采用反向传播算法对所述dnn模型进行训练。16.根据权利要求11至15任意一项所述的方法，其特征在于，所述gcn模型采用如下公式表征：y＝θ*gx＝σ(α(l)x)其中，所述y为所述gcn模型的输出参数；所述x为输入到所述gcn模型的输入参数；所述θ为卷积核函数；所述*g为采用谱方法的图卷积算子，表示所述x与所述θ的乘积；所述α为卷积核参数；所述l为归一化的图拉普拉斯算子；所述σ为激活函数。17.根据权利要求11至15任意一项所述的方法，其特征在于，所述传输参数包括业务流量、osnr、误码率和出光功率中的至少一个。18.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的信息处理方法。19.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求7至10中任意一项所述的生成方法。20.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求11至17中任意一项所述的训练方法。21.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于
执行权利要求1至6中任意一项所述的信息处理方法，或执行权利要求7至10中任意一项所述的生成方法，或执行权利要求11至17中任意一项所述的训练方法。

技术总结
本发明公开了一种信息处理方法、模型的生成及训练方法、电子设备和介质。其中，信息处理方法包括：获取网络中业务信息的传输参数，其中，传输参数表征业务信息在网络中的传输性能；利用预先训练好的网络模型对传输参数进行传输性能预测，其中，网络模型包括GCN模型，GCN模型为根据网络中业务信息的传输路径信息而得到。在本发明实施例中，由于GCN模型为根据网络中业务信息的传输路径信息而得到，因此该GCN模型能够与传输该业务信息的网络拓扑相符合，所以，通过利用包括有该GCN模型的网络模型对网络中的业务信息的传输参数进行处理，能够较为准确有效的实现对网络中的业务信息的传输性能预测。输性能预测。输性能预测。


技术研发人员：王大江 叶友道 杨玺坤 栗伟清 王振宇
受保护的技术使用者：中兴通讯股份有限公司
技术研发日：2020.11.20
技术公布日：2022/5/25