买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉派欧云计算(上海)有限公司申请的专利一种基于图神经网络的网络稀疏化测量方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116319426B 。

龙图腾网通过国家知识产权局官网在2025-11-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310304303.1，技术领域涉及：H04L43/08；该发明授权一种基于图神经网络的网络稀疏化测量方法及系统是由姚欣;王闻宇;李星星;张恒;王晓飞设计研发完成，并于2023-03-27向国家知识产权局提交的专利申请。

本一种基于图神经网络的网络稀疏化测量方法及系统在说明书摘要公布了：本发明涉及网络稀疏化测量技术领域，提供了一种基于图神经网络的网络稀疏化测量方法，包括以下步骤：S1：对端到端网络服务质量数据进行稀疏化采样；S2：基于所述稀疏化采样的数据，建立网络服务质量预测模型并训练；S3：采用持续学习函数的方式，将历史学习到的时空网络服务质量信息用于未来时刻的学习和推理。上述技术方案，充分挖掘边缘云网络服务质量的时空关联性，利用网络服务质量间的时空关联性对全量网络端到端服务质量矩阵进行补全。解决传统算法在过滤掉异常数据的同时，将部分有用数据过滤掉的问题，能够应对复杂多变的网络服务质量数据。解决传统算法在补全时无法进行持续推理的问题。

本发明授权一种基于图神经网络的网络稀疏化测量方法及系统在权利要求书中公布了：1.一种基于图神经网络的网络稀疏化测量方法，其特征在于，包括以下步骤： S1：对端到端网络服务质量数据进行稀疏化采样； S2：基于所述稀疏化采样的数据，建立网络服务质量预测模型并训练； S3：采用持续学习函数的方式，将历史学习到的时空网络服务质量信息用于未来时刻的学习和推理； 其中，在步骤S2中，建立网络服务质量预测模型并训练，具体为： S21：将端到端路径的延迟矩阵，构建为图结构数据； S22：基于图神经网络的特征编码器，采用基于消息传递的多层编码层对所述图结构数据表现出来的特征进行编码； S23：采用基于多层感知器的延迟预测器，将步骤S22中所述图结构数据编码后生成的隐含特征恢复成完整的网络服务质量预测矩阵； S24：采用梯度下降方法，进行反复训练优化，对误差进行最小化； 其中，在步骤S21中，将所述端到端路径的延迟矩阵，构建为所述图结构数据，具体为： 包含n个所述网络节点的所述分布式系统，构建的所述图结构数据为GV,E，其中V＝{v1,v2,…vn}是所有n个所述网络节点的集合，eij∈E代表网络节点i到网络节点j的网络服务质量； 其中，在步骤S22中，基于图神经网络的特征编码器，采用基于消息传递的多层编码层对所述图结构数据表现出来的特征进行编码，具体为： 对于任意u∈V，通过聚合的方式将u的邻居网络节点之间的网络服务质量信息嵌入到u的表示中，聚合公式为： 其中，AGGl为聚合函数，σ为非线性函数sigmod，CONCAT代表两向量拼接，l为层序号，v为待编码的节点,为第l层的用于编码的可学习的参数,为节点u在第l层中节点的x的特征表示,为节点u到节点v的服务质量在第l-1层的特征表示； 聚合完毕后，将当前层聚合得到的与前一层的v表示的信息结合，共同得到当前层的输出表达式为： 其中，为第l层的用于聚合的可学习的参数矩阵,为l-1层输出，当当前层为第一层时使用v的特征x来初始化h0； 定义层间残差，将所述层间残差注入到第1层的输出yl中，具体为将前一层的信息，以1-λ的比例输入到当前层： 其中，为前一层的输出； 定义初始残差，用于弥补多层图卷积编码导致的梯度消失和梯度爆炸，表达式为： 其中，x0为所有节点初始的特征，β为采用Frobenius范数确定的自适应的缩放比例； 其中，hl为第l层的所有节点特征拼接成的特征矩阵，x0为所有节点初始的特征矩阵； 最终将所述层间残差和初始输出叠加到图神经网络的输出上进行输出，表达式为： 此时，完成了对于第l层的所述图结构数据表现出来的特征进行编码。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人派欧云计算(上海)有限公司，其通讯地址为：201203 上海市浦东新区中国(上海)自由贸易试验区博云路2号801室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。