IP网络数字孪生大脑模型架构以及网络映射方法、装置与流程

本公开涉及数字孪生，尤其是涉及一种ip网络数字孪生大脑模型架构以及网络映射方法、装置。

背景技术：

1、目前，现有ip网络孪生有三种技术路线，具体如下：

2、第一种为网管厂商的可视化孪生监控，通过对底层网络的数据实时采集、处理做前端可视化呈现，但无法支撑网络运营、运维等核心场景演进；第二种为设备厂商的模拟器仿真，将自家设备进行虚拟化能力封装或容器化部署，以应用软件的形式开放给会员企业，但局限性明显，缺陷较多；第三种为基于离散事件的ns3/4仿真器，但该仿真器不适用于大型网络的海量数据。

3、综合来看，目前的ip网络孪生方案具有下述问题：

4、(1)缺少基于网络运营与运维需求的底层网络交互以及变更操作后网络行为及数据结果的模拟能力；

5、(2)无法验证网络变更操作的可行性，也无法呈现网络变更前后的变化情况，网络试错成本依旧很高；

6、(3)不适用于运营商级别大型与多需求的网络，有的技术受限于网络规模、有的技术在商用环境中无法获取所需的分析数据。

技术实现思路

1、鉴于上述问题而提出了本公开。本公开提供了一种ip网络数字孪生大脑模型架构以及网络映射方法、装置，并相应提供了一种电子设备、计算机可读存储介质以及计算机程序产品。

2、根据本公开的一个方面，提供了一种ip网络数字孪生大脑模型架构，包括：交互层、虚拟网络以及孪生大脑；

3、其中，所述交互层用于所述虚拟网络与ip网络的交互以完成在所述虚拟网络中的映射及配置下发；所述虚拟网络用于对所述ip网络的数据进行属性标记与存储，以形成孪生架构中底层且可调用的能力属性；

4、所述孪生大脑具体包括：用于判定网络动作请求的鉴别器；用于基于所述鉴别器的判定结果调用对应策略的控制模块；用于根据动作请求以及相应的操作时间信息进行计算与解析的运算模块；用于基于运算结果设置动作执行方案并对应输出模拟数据的执行模块；用于根据执行方案生成对应的网络配置信息的配置生成模块，所述网络配置信息经由所述虚拟网络与所述交互层下发至所述ip网络。

5、此外，根据本公开一个方面的ip网络数字孪生大脑模型架构，所述ip网络数字孪生大脑模型架构还包括：用于保存请求动作所对应的孪生结果的保存模块。

6、此外，根据本公开一个方面的ip网络数字孪生大脑模型架构，所述能力属性包括如下属性的多种组合：设备属性、路由属性、流量属性、告警属性、配置属性以及关联属性。

7、根据本公开另一个方面，提供了一种基于ip网络数字孪生大脑模型架构的网络映射方法，包括：

8、在获取到网络变更请求时，鉴别变更动作请求并标记变更操作时间信息，其中，变更操作时间信息包括实时操作或非实时操作；

9、若为实时操作，则根据对应的时间节点下的网络结构及参数进行实时计算，得到更新后的网络结构及参数；

10、若为非实时操作，则基于预设的预测算法模拟所述变更操作时间信息中对应时段的网络流量及性能，得到更新后的网络结构及参数；

11、在更新网络结构及参数后，对当前网络配置进行解析；

12、根据ip网络机制进行汇总流量转发，并生成用于下发至ip网络的网络变更配置信息。

13、此外，根据本公开一个方面的基于ip网络数字孪生大脑模型架构的网络映射方法，所述网络映射方法还包括：

14、在下发前，对所述网络变更配置信息进行校验；

15、若校验通过，则直接下发至模型架构中的虚拟网络，并对应更新虚拟网络中的各能力属性，同时通过所述交互层完成对物理网络的配置下发；

16、若校验未通过，则重新生成所述网络变更配置信息，并当重新生成配置的次数达到既定次数阈值时，上报配置校验异常告警。

17、此外，根据本公开一个方面的基于ip网络数字孪生大脑模型架构的网络映射方法，所述预测算法的训练方式包括：

18、基于当前已有的历史数据进行初步训练；

19、在初步训练后，将预测算法与ip网络对接，并按设定的训练周期以及单次训练时长，利用各训练周期内产生的数据对预测算法进行优化训练；

20、以所述单次训练时长内的数据作为验证集对预测算法进行测试：若测试通过，则直接触发预测算法迭代；若测试未通过，则上报训练异常告警，且当上报的所述训练异常告警的次数超限时，停止优化训练并恢复至本次优化前的算法版本，同时上报迭代失败告警；

21、以及，当在既定的算法测试时长内未完成迭代，则直接触发预测算法恢复至本次优化前的算法版本，同时上报迭代失败告警。

22、根据本公开另一个方面，提供了一种基于ip网络数字孪生大脑模型架构的网络映射装置，包括：

23、请求判别单元，用于在获取到网络变更请求时，鉴别变更动作请求并标记变更操作时间信息，其中，变更操作时间信息包括实时操作或非实时操作；

24、实时更新单元，用于若为实时操作，则根据对应的时间节点下的网络结构及参数进行实时计算，得到更新后的网络结构及参数；

25、预测更新单元，用于若为非实时操作，则基于预设的预测算法模拟所述变更操作时间信息中对应时段的网络流量及性能，得到更新后的网络结构及参数；

26、网络配置解析单元，用于在更新网络结构及参数后，对当前网络配置进行解析；

27、变更配置生成单元，用于根据ip网络机制进行汇总流量转发，并生成用于下发至ip网络的网络变更配置信息。

28、此外，根据本公开一个方面的基于ip网络数字孪生大脑模型架构的网络映射装置，所述网络映射装置还包括：

29、变更配置校验单元，用于在下发前，对所述网络变更配置信息进行校验；

30、配置下发单元，用于若校验通过，则直接下发至模型架构中的虚拟网络，并对应更新虚拟网络中的各能力属性，同时通过交互层完成对物理网络的配置下发；

31、校验告警单元，用于若校验未通过，则重新生成所述网络变更配置信息，并当重新生成配置的次数达到既定次数阈值时，上报配置校验异常告警。

32、此外，根据本公开一个方面的基于ip网络数字孪生大脑模型架构的网络映射装置，所述预测更新单元还包括预测模型训练组件，所述预测模型训练组件具体用于：

33、基于当前已有的历史数据进行初步训练；

34、在初步训练后，将预测算法与ip网络对接，并按设定的训练周期以及单次训练时长，利用各训练周期内产生的数据对预测算法进行优化训练；

35、以所述单次训练时长内的数据作为验证集对预测算法进行测试：若测试通过，则直接触发预测算法迭代；若测试未通过，则上报训练异常告警，且当上报的所述训练异常告警的次数超限时，停止优化训练并恢复至本次优化前的算法版本，同时上报迭代失败告警；

36、以及，当在既定的算法测试时长内未完成迭代，则直接触发预测算法恢复至本次优化前的算法版本，同时上报迭代失败告警。

37、根据本公开再一个方面，提供了一种电子设备，包括：存储器，用于存储计算机可读指令；以及处理器，用于运行计算机可读指令，使得电子设备执行如上所述的基于ip网络数字孪生大脑模型架构的网络映射方法。

38、根据本公开又一个方面，提供了一种非瞬时性计算机可读存储介质，用于存储计算机可读指令，当计算机可读指令由处理器执行时，使得处理器执行如上所述的基于ip网络数字孪生大脑模型架构的网络映射方法。

39、根据本公开又一个方面，提供了一种计算机程序产品，当所述计算机程序产品被计算机执行时，用于执行第一方面或者第一方面的任一可能实现方式中的所述方法。在第五方面的一种可能的设计中，该产品涉及到的相关程序可以全部或者部分存储在与处理器封装在一起的存储器上，也可以部分或者全部存储在不与处理器封装在一起的存储介质上。

40、如以下将详细描述的，根据本公开实施例的ip网络数字孪生大脑模型架构以及网络映射方法、装置、电子设备、计算机可读存储介质以及计算机程序产品，主要构思在于，基于数字孪生操作预验证属性，设计运营商级别的网络数字孪生大脑，在孪生大脑中通过不同的功能模块对网络行为请求进行鉴别，其中网络变更动作，叠加基于操作时间点的实时及预测模拟机制生成网络更新执行方案，并通过在虚拟网络中映射底层物理网络的转发行为、交互策略，形成针对大型ip网络数字孪生能力。

41、本公开的提出可以指导本领域从业者，面向底层物理网络直接构建孪生网络，同时基于孪生大脑中各模块功能的设计、相应策略的驱动，实现虚拟网络操作的网络行为模拟，尤其在网络变更动作上按操作时间点进行划分，使孪生模型架构的操作范围更趋近于真实的物理网络变更需求。

42、由此可见，本公开基于现有网络所能提供的数据打造轻量化的孪生平台，适用于大型网络，具备在虚拟环境中构建底层物理网络逻辑、行为、策略等，并还原物理网络基础能力属性，通过模型架构中的三个主要部分完成物理网络与虚拟网络的映射，形成可任意变更、操作的虚拟网络，在叠加基于不同操作时间点的预测和模拟算法后，能够有效模拟出当前网络若不做操作则无法给出结果的关键数据，比如时延、丢包等性能数据。

43、可以认为，本公开上述架构设计是真正应用数字孪生操作预验证属性的装置，并且基于架构设计提出的内部策略驱动方式可实现物理网络与孪生网络的快速映射；同时，本模型架构及网络行为映射所需的数据均是现有网络中的通用数据，并且，当前物理网络的变更动作在本公开方案中几乎可以全部被覆盖。由此确保本公开方案能够便于结合已有数据予以应用及落地实现，进而有效填补了网络可变更、可预测、可验证的需求空白。

44、要理解的是，前面的一般描述和下面的详细描述两者都是示例性的，并且意图在于提供要求保护的技术的进一步说明。