本發(fā)明屬于網(wǎng)絡通信與數(shù)據(jù)處理，尤其涉及一種非同質化信息聯(lián)合認知與調度傳輸方法。

背景技術：

1、數(shù)據(jù)中心廣泛采用如clos、bcube和xpander等拓撲結構來管理其龐大的設備網(wǎng)絡。數(shù)據(jù)中心網(wǎng)絡(dcn)依賴于傳統(tǒng)拓撲結構，這些結構本質上是靜態(tài)的，對流量模式的變化缺乏靈活性。隨著技術的發(fā)展，最近有研究人員設計出了基于多模態(tài)轉換器的動態(tài)dcn拓撲結構，這提供了一種無需擴展現(xiàn)有通信資源的高效解決方案。然而，充分利用dcn的異構信息并實現(xiàn)轉換器的全網(wǎng)聯(lián)合優(yōu)化，仍然是算法設計中的重大挑戰(zhàn)。本專利首次將圖表示學習算法用于dcn拓撲優(yōu)化，并提出了創(chuàng)新的解決方案morpheusclos。

2、近年來，為了滿足新興應用日益增長的需求，數(shù)據(jù)中心網(wǎng)絡(dcn)得到了迅速發(fā)展，其承載的新型應用，如云計算和大規(guī)模數(shù)據(jù)學習，需要更強大的網(wǎng)絡通信技術支撐。這些新興應用通常需要更加密集的數(shù)據(jù)交換和并行處理服務。值得注意的是，這些服務通常是隨著時間變化的。另一方面，傳統(tǒng)dcn依賴電氣連接統(tǒng)籌交換機設備從而建立固定的拓撲結構。然而，固定的拓撲結構并不能滿足新興應用對拓撲感知的需求，無法對網(wǎng)絡中變化的流量模式做出反饋。作為最新的研究成果，具有可調連接的光開關轉換器為設計能夠提供了開創(chuàng)性的解決方案，能夠構建真正適應需求的網(wǎng)絡拓撲。

3、與傳統(tǒng)的電連接不同，這些轉換器為交換機連接提供了更靈活的解決方案。圖1的上半部分展示了一個6端口轉換器的三種模式，它通過其物理光分路器實現(xiàn)端口切換。在這些轉換器出現(xiàn)之前，dcn拓撲設計的發(fā)展面臨兩個相互沖突的目標：易于部署與良好的性能。clos以其基于設備集群(pod)的樹形結構，長期被認為是dcn拓撲設計的黃金標準。其優(yōu)點在于可以使用簡單的規(guī)則進行系統(tǒng)部署，并在引入額外服務器時具有內在的可擴展性。然而，clos的多層結構增加了任意兩個服務器之間的路由跳數(shù)，從而在吞吐量和延遲方面降低了網(wǎng)絡效率。相比之下，學術界引入了更扁平的擴展圖架構，如jellyfish和xpander，它們通過隨機互連來減少服務器之間的路由跳數(shù)。最近的一項研究表明，擴展架構在使用25％更少的交換機的情況下，能夠實現(xiàn)與clos相似的吞吐性能。但是，這些扁平的結構也更加復雜。更糟糕的是，可擴展圖框架在其拓撲中引入了形成路由環(huán)路的可能性，這可能導致基于優(yōu)先級的流量控制(pfc)死鎖。因此，在考慮擴展圖的性能優(yōu)勢時，還必須考慮pfc死鎖的風險。

4、考慮到這些相互矛盾的方面，許多研究人員努力在clos類架構的剛性分層結構和擴展圖類型設計的隨機分層扁平配置之間找到平衡。在該領域的重要工作包括diamond、slimfly和fatclique，但尚未找到廣泛接受的通用解決方案。這是因為隨時時間變化的流量模式都有其首選的網(wǎng)絡拓撲結構，而分層和扁平解決方案之間的方案難以實現(xiàn)動態(tài)的平衡。如前所述，可調轉換器的使用展現(xiàn)了一種潛在的解決方案。圖1的下半部分展示了集成轉換器前后的clos架構。虛線表示可能的連接，但由于物理光分路器的固有限制，光轉換器無法同時連接到所有端口。這些轉換器在網(wǎng)絡中代替電氣連接線，本專利使用它的目標是使dcn拓撲結構具備動態(tài)適應網(wǎng)絡流量模式的能力，讓網(wǎng)絡的拓撲結構能夠根據(jù)流量需求實時重塑。然而，一個關鍵問題仍然存在：這些轉換器如何適應不斷變化的網(wǎng)絡流量？隨著數(shù)據(jù)量的激增和網(wǎng)絡的擴展，這些轉換器準確讀取和響應各種流量的能力變得至關重要。

技術實現(xiàn)思路

1、為解決上述問題，本發(fā)明提供一種非同質化信息聯(lián)合認知與調度傳輸方法，能夠更靈活的切換網(wǎng)絡拓撲。

2、一種非同質化信息聯(lián)合認知與調度傳輸方法，流量從發(fā)送服務器經(jīng)由位于異構數(shù)據(jù)中心網(wǎng)絡不同層的交換機組成的元路徑傳輸至接收服務器，其中，異構數(shù)據(jù)中心網(wǎng)絡上的交換機分為核心層交換機、匯聚層交換機、邊緣層交換機，所述元路徑上的相鄰交換機之間通過轉換器進行連接，且轉換器的個數(shù)為匯聚層交換機與邊緣層交換機中數(shù)量較小值，同時，轉換器的不同工作模式對應不同的交換機連接方式，且轉換器的工作模式隨著異構數(shù)據(jù)中心網(wǎng)絡的流量傳輸需求變化，則當需要改變異構數(shù)據(jù)中心網(wǎng)絡在下一個時隙的流量傳輸元路徑時，各轉換器在下一個時隙的工作模式的獲取方法如下：

3、s1：獲取異構數(shù)據(jù)中心網(wǎng)絡當前時隙下的狀態(tài)信息，其中，異構數(shù)據(jù)中心網(wǎng)絡由多個轉換器、多個交換機、多個服務器構成，且狀態(tài)信息包括各轉換器的服務控制信息和當前時隙下的拓撲位置信息、各服務器的服務控制信息和當前時隙下的拓撲位置信息、各交換機在當前時隙下的拓撲位置信息和動態(tài)操作信息；

4、s2：將所述狀態(tài)信息輸入訓練好的決策系統(tǒng)，得到下一個時隙各轉換器的最優(yōu)工作模式。

5、進一步地，步驟s2中，將異構數(shù)據(jù)中心網(wǎng)絡中的各交換機、各服務器以及轉換器的不同工作模式作為異構數(shù)據(jù)中心網(wǎng)絡拓撲的各個節(jié)點；同時，所述決策系統(tǒng)包括多個級聯(lián)的dyta模塊、多層感知器mlp、pucb模型，其中，每個dyta模塊均由一個dyta層和一個因果卷積層組成；

6、除第一級dyta模塊的dyta層以外，其余級dyta模塊的dyta層用于基于hdcn相互注意機制處理經(jīng)由上一級dyta模塊處理得到的以異構數(shù)據(jù)中心網(wǎng)絡拓撲結構的形式進行存儲的第一節(jié)點特征信息，得到第二節(jié)點特征信息；所述因果卷積層用于將同屬一個dyta模塊的dyta層得到的第二節(jié)點特征信息與歷史上不同時隙的第二節(jié)點特性信息進行特征融合，得到用于描述拓撲調度與網(wǎng)絡性能的因果關系的第一節(jié)點特征信息；其中，第一級dyta模塊的dyta層用于基于hdcn相互注意機制將狀態(tài)信息轉換成第二節(jié)點特征信息，最后一級dyta模塊的因果卷積層得到的第一節(jié)點特征信息輸出給多層感知器mlp；

7、所述多層感知器mlp用于根據(jù)接收到的前一級dyta模塊輸出的第一節(jié)點特征信息獲取各轉換器在下一個時隙各種工作模式為最優(yōu)工作模式的先驗概率；

8、所述pucb模型用于基于各轉換器在下一個時隙處于各種工作模式時對應的先驗概率以及上一時隙各轉換器的剩余鏈路容量百分比計算各轉換器在下一個時隙處于各種工作模式時對應的置信上界，并將各轉換器多個模式中具有最大置信上界值的工作模式作為各轉換器在下一個時隙的工作模式。

9、進一步地，任意一級dyta模塊的dyta層得到的第二節(jié)點特征信息由網(wǎng)絡中各節(jié)點對應的目標節(jié)點輸出特征構成，且任意一個網(wǎng)絡節(jié)點對應的目標節(jié)點輸出特征的獲取方法為：

10、分別將各網(wǎng)絡節(jié)點作為目標節(jié)點執(zhí)行以下步驟，得到各網(wǎng)絡節(jié)點對應的更新后的目標節(jié)點輸出特征：

11、s21：獲取與目標節(jié)點vt相鄰的節(jié)點和在上一時隙的流量模式類似的網(wǎng)絡節(jié)點作為源節(jié)點vs；

12、s22：將各源節(jié)點vs在上一時隙的服務控制信息和拓撲位置信息作為源節(jié)點原始特征，并將源節(jié)點原始特征降維得到源節(jié)點輸入特征hl-1[vs]，其中，l表示源節(jié)點vs所在的dyta模塊的層級序號；第一級dyta模塊的源節(jié)點輸入特征被定義為h0[vs]；

13、s23：分別將各目標節(jié)點vt在上一時隙的服務控制信息和拓撲位置信息作為目標節(jié)點原始特征，并將各目標節(jié)點原始特征降維得到目標節(jié)點輸入特征hl-1[vt]；第一級dyta模塊的目標節(jié)點輸入特征被定義為h0[vt]；

14、s24：通過查詢向量線性投影函數(shù)q-linear將各目標節(jié)點輸入特征hl-1[vt]分別映射到多個向量空間，得到各向量空間的查詢向量映射qh(vt)：

15、qh(vt)＝q-linearh(h(l-1)[vt])

16、其中，向量空間序號h＝1,2,...,h，h表示向量空間的個數(shù)；

17、s25：通過鍵向量線性投影函數(shù)k-linear將源節(jié)點輸入特征hl-1[vs]映射到多個向量空間，得到各向量空間的鍵向量映射kh(vs)：

18、kh(vs)＝k-linearh(h(l-1)[vs])

19、s26：通過值向量線性投影函數(shù)v-linear將源節(jié)點輸入特征hl[vs]映射到多個向量空間，得到各向量空間的值向量映射vh(vs)：

20、vh(vs)＝v-linearh(h(l-1)[vs])

21、s26：根據(jù)鍵向量映射kh(vs)和查詢向量映射qh(vt)獲取源節(jié)點vs對各目標節(jié)點vt的重要程度attention(vs,vt)：

22、

23、其中，att_headh(vs,vt)表示第h個向量空間中任意一個目標節(jié)點vt和源節(jié)點vs之間的注意權重，計算方法為：

24、

25、其中，d表示目標節(jié)點輸入特征hl-1[vt]的維度，表示用于捕捉源節(jié)點vs和目標節(jié)點vt之間的特征關系的設定的變換矩陣，表示源節(jié)點vs和目標節(jié)點vt之間的注意力自適應縮放因子，t表示轉置；

26、s27：采用線性投影將值向量映射vh(vs)轉換為值消息valuemessage(vs,vt)：

27、

28、其中，msg-headh(vs,vt)表示采用設定變換矩陣與值向量映射vh(vs)相乘后得到的結果，表示將所有向量空間對應的msg-headh(vs,vt)相加；

29、s28：將重要程度attention(vs,vt)與值消息valuemessage(vs,vt)相乘，得到各目標節(jié)點vt的消息向量

30、

31、其中，sn(t)表示當前時隙t中被選擇的源節(jié)點的集合，表示將集合sn(t)中所有源節(jié)點與其配對的目標節(jié)點所組成的節(jié)點對對應的乘積attention(vs,vt)·valuemessage(vs,vt)相加；

32、s29：根據(jù)非線性激活relu函數(shù)獲取目標節(jié)點vt在當前級dyta模塊輸出的目標節(jié)點輸出特征h(l)[t]：

33、

34、其中，σ為非線性激活relu函數(shù)的權重，h(l-1)[t]為目標節(jié)點vt在上一級dyta模塊輸出的目標節(jié)點輸出特征。

35、進一步地，任意一級dyta模塊的因果卷積層獲取第一節(jié)點特征信息的方法如下：

36、

37、其中，為當前時隙t下當前因果卷積層的第d層因果卷積的輸出特征，為當前時隙t下當前因果卷積層最終得到的第一節(jié)點特征信息，d為因果卷積層中用于表征層數(shù)的膨脹因子，k為各層因果卷積中進行的卷積次數(shù)，為當前第l級dyta模塊中的因果卷積層的第d層因果卷積進行第i次卷積時的權重，gt-i×d表示膨脹時間步長內的圖數(shù)據(jù)，其中，圖數(shù)據(jù)的獲取方法為：分別將各交換機、各服務器以及轉換器的不同工作模式作為一個節(jié)點，從而構成一個拓撲圖；將包含當前時隙t在內的歷史k×d個時隙的k×d個拓撲圖的狀態(tài)信息在當前第l級dyta模塊中獲得的第二節(jié)點特征信息作為圖數(shù)據(jù)；σ表示激活函數(shù)，relu表示線性整流函數(shù)。

38、進一步地，各轉換器在下一個時隙的最優(yōu)工作模式的確定方法如下：

39、構建pucb模型的多級搜索樹，其中，搜索樹的最后一級葉子節(jié)點對應所述下一個時隙，其余的每一級節(jié)點分別對應一個歷史時隙，每個節(jié)點分別代表一個轉換器工作模式以及其相關的統(tǒng)計信息，其中，所述統(tǒng)計信息包括被選擇作為最優(yōu)工作模式的次數(shù)、上一時隙剩余鏈路容量百分比和先驗概率；同時，除根節(jié)點和葉子節(jié)點外，其余節(jié)點同時作為父節(jié)點和子節(jié)點；

40、按照設定搜索規(guī)則遍歷搜索樹，逐級計算各級節(jié)點對應的轉換器工作模式的置信上界，其中，所述設定搜索規(guī)則為被選擇次數(shù)越少的節(jié)點越優(yōu)先被選擇，置信上界越大的節(jié)點越優(yōu)先被選擇；同時，任意一個節(jié)點對應的轉換器工作模式的置信上界的獲取方法如下：

41、

42、其中，u(v,t)表示當前節(jié)點v對應的轉換器工作模式在自身所在級對應的時隙t下的置信上界，n(v,t)是當前節(jié)點v對應的轉換器工作模式在截止自身所在級對應的時隙t前被選擇作為最優(yōu)工作模式的次數(shù)，p(v,t)是當前節(jié)點v對應的轉換器工作模式在自身所在級對應的時隙t的最優(yōu)先驗概率，cpuct是平衡探索和利用的設定常數(shù)；

43、對于每一個父節(jié)點，從各自的子節(jié)點中選擇q(v,t)+u(v,t)最大的子節(jié)點作為最優(yōu)子節(jié)點：

44、最優(yōu)子節(jié)點←argmaxv(q(v,t)+u(v,t))

45、其中，q(v,t)是當前節(jié)點v對應的轉換器工作模式在自身所在級對應的時隙t的上一時隙的剩余鏈路容量百分比；

46、將最新選出的最優(yōu)子節(jié)點作為新的父節(jié)點，并更新搜索樹所有節(jié)點對應的轉換器工作模式被選擇作為最優(yōu)工作模式的次數(shù)，再計算所選擇出來新的父節(jié)點的各個子節(jié)點的置信上界，根據(jù)置信上界選出更新的父節(jié)點；以此類推，得到最后一級葉子節(jié)點的置信上界，將置信上界最大的葉子節(jié)點對應的轉換器工作模式作為當前轉換器在下一個時隙的最優(yōu)工作模式。

47、有益效果：

48、1、本發(fā)明提供一種非同質化信息聯(lián)合認知與調度傳輸方法，通過將光轉換器集成到dcn拓撲結構中，賦予網(wǎng)絡根據(jù)流量模式進行自我調整的內在能力；與現(xiàn)有的分層或擴展圖方案相比，本發(fā)明具備能夠更靈活切換網(wǎng)絡拓撲的能力，即使是在數(shù)據(jù)中心服務正在進行的過程中也可以完成切換。

49、2、本發(fā)明提供一種非同質化信息聯(lián)合認知與調度傳輸方法，將基于圖的學習方法巧妙地融入dcn拓撲設計中，探索適應數(shù)據(jù)中心網(wǎng)絡動態(tài)特性的新可能性，該學習方法能夠認知非同質化的網(wǎng)絡信息并進行實時的調度決策。