1.一种虚拟网络服务链吞吐量预测方法，其特征在于：包括以下步骤：步骤1，提取虚拟网络服务链承载硬件设施的状态参数；

步骤2，对步骤1提取的状态参数进行归一化、标准化处理，进行时间序列处理得到时序序列；

步骤3，构建基于长短期记忆LSTM网络的编码器和解码器架构吞吐量预测模型，输入时序序列，实现虚拟网络服务链吞吐量预测；

步骤4，吞吐量预测模型训练；

步骤5，重复执行步骤3与步骤4的迭代更新过程，直到损失函数不再降低则吞吐量预测模型训练过程结束；

步骤6，利用训练好的吞吐量预测模型对虚拟网络服务链能够提供的吞吐量进行实时预测。

2.根据权利要求1所述的一种虚拟网络服务链吞吐量预测方法，其特征在于：步骤1中，将承载虚拟网络服务链的各种硬件资源的与网络服务能力密切相关的状态监测数据作为系统变量，同时将网络服务吞吐量作为系统目标变量。

3.根据权利要求1所述的一种虚拟网络服务链吞吐量预测方法，其特征在于：步骤2中，基于虚拟网络服务链与其物理承载网络系统的映射关系，构建虚拟网络服务链承载能力与吞吐量之间的数据关联，进而构建基于编码解码器架构的吞吐量预测模型的输入数据结构。

4.根据权利要求1所述的一种虚拟网络服务链吞吐量预测方法，其特征在于：步骤3中，所述吞吐量预测模型包括编码器和解码器；模型将一个长短期记忆LSTM网络作为编码器，完成系统监测变量编码，将输入的系统监测变量转换为包含各变量间非线性关系的特征码；然后，将编码器的特征码和虚拟网络服务链吞吐量的历史数据一同输入到由另一个独立的长短期记忆网络构成的解码器中，经过解码得到未来下一时刻的吞吐量预测值。

5.根据权利要求4所述的一种虚拟网络服务链吞吐量预测方法，其特征在于：步骤3的具体过程如下：

3.1首先将虚拟网络服务链的系统监测变量输入到一个由具有记忆能力的动态模型长短期记忆LSTM网络构成的编码器中；输入数据经过长短期记忆LSTM网络循环单元中遗忘门、输入门和输出门的共同抉择，完成输入数据的特征提取，挖掘系统监测变量之间的非线性关系，并将输入数据转换为特征码；编码器所形成的特征码获取了输入变量的时间特性和不同变量间的非线性关系；

3.2编码完成后，得到的特征码与虚拟网络服务链的历史吞吐量数据一同输入到由另一个独立的长短期记忆LSTM网络构成的解码器中；解码器通过挖掘历史吞吐量数据与特征码之间的规律，输出未来下一时刻的吞吐量预测值。

6.根据权利要求4所述的一种虚拟网络服务链吞吐量预测方法，其特征在于：吞吐量预测模型的初始参数至少包括权值W、偏置b和学习率。

7.根据权利要求5所述的一种虚拟网络服务链吞吐量预测方法，其特征在于：3.1中，吞吐量预测模型中编码器长短期记忆LSTM网络的输入门、输出门、遗忘门的状态根据t‑1时刻的特征ht‑1以及t时刻的输入xt按下述方式进行更新：it＝σ(Wixt+Uiht‑1+bi)                                  (3)ot＝σ(Woxt+Uoht‑1+bo)                                 (4)ft＝σ(Wfxt+Utht‑1+bf)                                 (5)式(3)‑(5)中， Wi,Wo,Wf,Ui,Uo,Uf,bi,bo,bf为编码器长短期记忆LSTM网络所需学习的模型参数；

然后，按下述方式更新长短期记忆LSTM单元在t时刻的候选状态：式(6)中， xt为t时刻编码器长短期记忆LSTM网络的输入，ht‑1为上一时刻编码器长短期记忆LSTM网络的输出，Wc,Uc,bc为长短期记忆LSTM网络所需学习的参数；

获取候选状态 后，编码器长短期记忆LSMT网络t时刻的单元状态ct按以下方式进行迭代更新：

式(7)中，⊙为哈达玛积；

经过上述状态更新过程，编码器长短期记忆LSTM网络在t时刻的输出为：ht＝ot⊙tanh(ct)                                       (8)因此，对于编码器的输入序列XT，由式(3)‑(8)可以得到在一个完整的时间区间T，编码器长短期记忆LSTM网络的最终输出序列：C＝[h1,h2,…,hT]                                        (9)预测模型编码器对输入数据XT的编码过程完成，进入预测模型的解码阶段。

8.根据权利要求5所述的一种虚拟网络服务链吞吐量预测方法，其特征在于：3.2中，在吞吐量预测模型中解码器同样由一个长短期记忆LSTM网络所构成，因此解码器的内部状态更新和运算方式与编码器基本相同；与编码器不同的是，解码器的输入由吞吐量历史数据向量YT＝(Y1,…,Yt,…,YT)和编码器的输出特征序列C拼接而成，在解码器的长短期记忆LSTM网络中，各门控单元以及单元状态的更新方式分别如下：式(10)‑(13)中， 为解码器长短期记忆LSTM网络所需学习的参数，Yt为t时刻的吞吐量表征属性值，Cj为Yt所对应的特征编码；

解码器的记忆单元更新方式为：

解码器的输出为：

根据T时刻解码器的输出 再经过一个全连接层，即可得到T+1时刻的吞吐量预测值式中，WY,bY为预测模型需要学习的权重参数；

由此，预测模型通过编码‑解码过程得到了下一时刻的预测吞吐量

9.根据权利要求1所述的一种虚拟网络服务链吞吐量预测方法，其特征在于：步骤4中，采用监督学习的方式对步骤3中所建立的吞吐量预测模型参数进行迭代训练；根据样本标签，采用反向传播技术对预测模型的编码器和解码器中的参数进行修正，提高吞吐量预测精度。

10.根据权利要求1所述的一种虚拟网络服务链吞吐量预测方法，其特征在于：步骤5中，采用反向传播技术对模型参数进行更新迭代；在预测模型训练过程中，根据模型预测结果和训练样本标签的均方误差，利用反向传播机制对模型参数进行更新，当误差小于设定的阈值时，预测模型训练结束。