负载预测模型的训练方法、负载预测方法、装置及设备

1.一种负载预测模型的训练方法，其特征在于，应用于数字孪生逻辑靶场系统，所述数字孪生逻辑靶场系统包括：逻辑靶场试验平台、至少一个物理试验资源和多个计算节点，所述逻辑靶场试验平台用于创建逻辑靶场，每个逻辑靶场的每个虚拟试验资源与一个物理试验资源对应，所述训练方法包括：获取数字孪生逻辑靶场任一计算节点的样本负载序列和连续多个样本时刻之后样本预测时刻下的真实负载值，所述样本负载序列包括：所述任一计算节点在所述连续多个样本时刻下的样本负载值，所述样本负载值包括为所述任一计算节点的主机负载和所述逻辑靶场的虚拟试验资源对应的物理试验资源的任务负载的加权值；采用初始卷积神经网络对所述样本负载序列进行特征提取，得到第一样本特征向量；采用初始门控循环神经网络对所述样本负载序列进行特征提取，得到第二样本特征向量；根据所述第一样本特征向量和所述第二样本特征向量，通过初始全连接层进行负载预测，得到所述计算节点在所述样本预测时刻下的样本预测负载值；根据所述样本预测负载值和所述真实负载值，对所述初始卷积神经网络、所述初始门控循环神经网络和所述初始全连接层进行参数调整，得到负载预测模型；所述采用初始卷积神经网络对所述样本负载序列进行特征提取，得到第一样本特征向量之前，所述方法还包括：对所述样本负载序列进行二维转换，生成所述样本负载序列对应的静态时序图；所述采用初始卷积神经网络对所述样本负载序列进行特征提取，得到第一样本特征向量，包括：采用所述初始卷积神经网络对所述静态时序图进行特征提取，得到所述第一样本特征向量；所述采用所述初始卷积神经网络对所述静态时序图进行特征提取，得到所述第一样本特征向量，包括：通过对所述静态时序图进行卷积处理，得到样本特征图，所述样本特征图包括多个通道特征图；采用注意力机制对所述多个通道特征图进行注意力提取，确定所述多个通道特征图的通道权重；根据所述多个通道特征图和所述通道权重，计算所述第一样本特征向量。 2.如权利要求1所述的训练方法，其特征在于，所述获取数字孪生逻辑靶场任一计算节点的样本负载序列，包括：获取所述任一计算节点在所述连续多个样本时刻下的第一样本负载值，以及所述数字孪生逻辑靶场的试验资源在所述连续多个样本时刻下的第二样本负载值；根据所述连续多个样本时刻下的第一样本负载值和所述连续多个样本时刻下的第二样本负载值，计算所述样本负载序列。 3.如权利要求1所述的训练方法，其特征在于，所述根据所述多个通道特征图和所述通道权重，计算所述第一样本特征向量，包括：根据所述多个通道特征图的通道权重，从所述多个通道特征图中选择目标通道特征图；根据所述目标通道特征图和所述目标通道特征图对应的通道权重，计算所述第一样本特征向量。 4.如权利要求1所述的训练方法，其特征在于，所述根据所述第一样本特征向量和所述第二样本特征向量，通过初始全连接层进行负载预测，得到所述计算节点在所述样本预测时刻下的样本预测负载值，包括：根据初始第一权重和初始第二权重，对所述第一样本特征向量和所述第二样本特征向量进行加权，得到加权样本特征向量；采用所述初始全连接层对所述加权样本特征向量进行负载预测，得到所述样本预测负载值。 5.一种负载预测方法，其特征在于，所述方法包括：获取数字孪生逻辑靶场的多个计算节点的负载序列，每个计算节点的负载序列包括：所述数字孪生逻辑靶场在连续多个时刻下的负载值；采用负载预测模型中的卷积神经网络对所述每个计算节点的负载序列进行特征提取，得到第一特征向量；采用所述负载预测模型中的门控循环神经网络对所述每个计算节点的负载序列进行特征提取，得到第二特征向量；根据所述第一特征向量和所述第二特征向量，通过所述负载预测模型中的全连接层进行负载预测，得到所述每个计算节点在所述预测时刻下的预测负载值，其中，所述负载预测模型为采用如权利要求1-4任一项所述的负载预测模型的训练方法训练得到的；根据所述多个计算节点的预测负载值，确定目标计算节点，所述目标计算节点用于在所述预测时刻进行数据计算。 6.一种负载预测模型的训练装置，其特征在于，应用于数字孪生逻辑靶场系统，所述数字孪生逻辑靶场系统包括：逻辑靶场试验平台、至少一个物理试验资源和多个计算节点，所述逻辑靶场试验平台用于创建逻辑靶场，每个逻辑靶场的每个虚拟试验资源与一个物理试验资源对应，所述训练装置包括：样本数据获取模块，用于获取数字孪生逻辑靶场任一计算节点的样本负载序列和连续多个样本时刻之后样本预测时刻下的真实负载值，所述样本负载序列包括：所述任一计算节点在所述连续多个样本时刻下的样本负载值，所述样本负载值包括为所述任一计算节点的主机负载和所述逻辑靶场的虚拟试验资源对应的物理试验资源的任务负载的加权值；第一样本特征提取模块，用于采用初始卷积神经网络对所述样本负载序列进行特征提取，得到第一样本特征向量；第二样本特征提取模块，用于采用初始门控循环神经网络对所述样本负载序列进行特征提取，得到第二样本特征向量；样本负载预测模块，用于根据所述第一样本特征向量和所述第二样本特征向量，通过初始全连接层进行负载预测，得到所述计算节点在所述样本预测时刻下的样本预测负载值；模型参数调整模块，用于根据所述样本预测负载值和所述真实负载值，对所述初始卷积神经网络、所述初始门控循环神经网络和所述初始全连接层进行参数调整，得到负载预测模型；所述装置还包括：二维转换模块，用于对所述样本负载序列进行二维转换，生成所述样本负载序列对应的静态时序图；所述第一样本特征提取模块，具体用于采用所述初始卷积神经网络对所述静态时序图进行特征提取，得到所述第一样本特征向量；所述第一样本特征提取模块，包括：卷积处理单元，用于通过对所述静态时序图进行卷积处理，得到样本特征图，所述样本特征图包括多个通道特征图；注意力提取单元，用于采用注意力机制对所述多个通道特征图进行注意力提取，确定所述多个通道特征图的通道权重；第一样本特征提取单元，用于根据所述多个通道特征图和所述通道权重，计算所述第一样本特征向量。 7.一种负载预测装置，其特征在于，所述装置包括：负载序列获取模块，用于获取数字孪生逻辑靶场的多个计算节点的负载序列，每个计算节点的负载序列包括：所述数字孪生逻辑靶场在连续多个时刻下的负载值；第一特征提取模块，用于采用负载预测模型中的卷积神经网络对所述每个计算节点的负载序列进行特征提取，得到第一特征向量；第二特征提取模块，用于采用所述负载预测模型中的门控循环神经网络对所述每个计算节点的负载序列进行特征提取，得到第二特征向量；负载预测模块，用于根据所述第一特征向量和所述第二特征向量，通过所述负载预测模型中的全连接层进行负载预测，得到所述每个计算节点在所述预测时刻下的预测负载值，其中，所述负载预测模型为采用如权利要求1-4任一项所述的负载预测模型的训练方法训练得到的；节点选择模块，用于根据所述多个计算节点的预测负载值，确定目标计算节点，所述目标计算节点用于在所述预测时刻进行数据计算。 8.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行如权利要求1-4任一项所述的负载预测模型的训练方法的步骤，或者，如权利要求5所述的负载预测方法的步骤。