1.一种基于流量特征提取的虚拟网络功能资源消耗预测方法，其特征在于，该方法具体包括以下步骤：

S1：通过流量特征之间的相关性，在流量特征和VNF的CPU之间建立不同的元路径，从而构建异构信息网络(Heterogeneous information network，HIN)；

S2：利用HIN2Vec模型获取每个流量特征的特征表示；

S3：利用注意力机制衡量每个特征的重要性，为其分配不同的权重，再将其输入到多层感知机(Multilayer perceptron，MLP)模型中对VNF的资源消耗进行预测。

2.根据权利要求1所述的虚拟网络功能资源消耗预测方法，其特征在于，步骤S1中，构建异构信息网络，具体包括：利用流量特征之间的相关性，为每种关系构建一个关于图中结点和边的信息，通过依次遍历这种关系来构建异构信息网络图。

3.根据权利要求2所述的虚拟网络功能资源消耗预测方法，其特征在于，步骤S2中，所构建的异构信息网络图中每个节点代表着一个特征，最终通过使用HIN2Vec模型学习节点的向量表示；HIN2Vec模型用于提取图中的节点特征，保留与第一个节点类型相同的节点，并将其加入路径中；在满足给定路径长度的条件下，为节点集中的每一个节点生成一条路径，然后通过随机梯度下降算法，得到相应节点的特征表示。

4.根据权利要求1或3所述的虚拟网络功能资源消耗预测方法，其特征在于，步骤S2中，通过HIN2Vec模型得到每个节点的向量表示，即每个节点的特征表示，具体包括：给异构信息网络图V中的每个节点v随机生成一个k维特征向量用于描述v构成的特征集并从每条路径d∈D中提取四元关系组 作为训练特征的数据，其中，x1和x2是路径d上的任意两个相邻节点，r表示两节点之间的关系，Is(x1，x2，r)表示x1和x2是否存在关系r，若存在则值为1，不存在则为0，如公式(1)所示：在提取好四元组关系之后，将对每个节点特征进行更新；具体方法如下：建立目标损失函数：

g(x1，x2，r)＝Is(x1，x2，r)logp(r|x1，x2)         (2)t(x1，x2，r)＝(1‑Is(x1，x2，r))log[1‑p(r|x1，x2)]       (3)F(x1，x2，r)＝g(x1，x2，r)+t(x1，x2，r)       (4)其中，g(x1，x2，r)表示正样本的概率，p(r|x1，x2)表示x1和x2具有关系r的概率，t(x1，x2，r)表示负样本的概率，F(x1，x2，r)表示目标损失函数；

采用随机梯度下降算法最大化目标函数F，根据公式(5)～(7)，利用数据 迭代更新节点特征w∈W；

其中， 代表节点x1的权重矩阵， 代表节点x1的初始特征表示，α，β，ω表示梯度下降算法中的步长，W′r表示具有目标关系r的权重矩阵；在得到节点集的特征表示后，取出所有代表流量特征U和CPUI的节点集，将流量特征与CPU的潜在关系特征 表示如下：其中， 代表矩阵乘法， 代表流量特征的不同元路径的权重， 代表CPU的不同元路径的权重，.T表示转置， 表示第i个CPU的第m条元路径的特征值，M表示所有的元路径集合。

5.根据权利要求1所述的虚拟网络功能资源消耗预测方法，其特征在于，步骤S3中，MLP模型包括输入层、隐藏层和输出层，具体包括：第一层输入层：

其中，hj代表当前结点的所有输入的加权之和，wij表示权重，x表示输入的值，N表示样本数；

第二层隐藏层：

其中，Fi为隐藏层神经元的输出值，f(·)代表激活函数；采用的激活函数为线性整流函数(Rectified Linear Unit，ReLU)；

第三层输出层：通过softmax进行输出，即f_output＝softmax(F)；

最后，MLP预测模型的损失函数Loss如公式(11)所示：其中，N为样本数，yi表示第i个类别对应的真实标签，f_output为预测的结果。