1.一种基于深度学习和跨域协作的负载均衡方法，其特征在于，包括以下步骤：S1.获取数据中心网络数据层的流表参数和端口参数，并计算各链路带宽占用率；

S2.根据流表参数和端口参数，构建数据中心网络链路的特征向量矩阵和邻接矩阵；

S3.构建关联时空的链路负载状态预测模型，将特征向量矩阵和归一化的邻接矩阵作为输入预测下一周期的当前链路负载状态值；

关联时空的链路负载状态预测模型包括两个图卷积层和一个循环层，通过该模型预测下一周期的当前链路负载状态值，包括：S11.将特征向量矩阵和归一化的邻接矩阵输入第一图卷积层，第一图卷积层的输出输入第二图卷积层得到输出特征，其表示为：T

S12.将第二图卷积层的输出特征送入循环层得到结果矩阵，其表示为Z＝[z11,...,zij] ，行向量 表示链路lij的五种概率， 为链路lij的链路空闲概率，为链路lij的正常负载概率， 为链路lij的可能拥塞概率， 链路lij的一般拥塞概率，为链路lij的重度拥塞概率；

S13.选取链路lij五种概率中的最大概率，将最大概率对应的链路状态值作为下一周期的当前链路负载状态值；

2

其中，ξ表示Dropout中间层表达式，且ξ满足伯努利分布即ξ～Benoulli(p)，H 表示第二图卷积层的输出特征,W0、W1分别表示第一图卷积层的线性变换矩阵和第二图卷积层的线性变换矩阵, 表示归一化的邻接矩阵，E表示特征向量矩阵，ReLu表示激活函数；

循环层包括两层堆叠的LSTM结构，在两层堆叠的LSTM结构之间应用Dropout进行正则化，循环层得到结果矩阵的过程为：将图卷积层的输出特征 按时间顺序进行分段后输入到第一层堆叠的LSTM结构，根据分段的输出特征计算初始重要度值 表示为：将初始重要度值经过softmax处理得到时间重要度 表示为：将时间重要度与分段的输出特征相乘得到图卷积层历史输出的重要度ct'：将第一层堆叠的LSTM结构得到的图卷积层历史输出的重要度ct'输入到第二层堆叠的LSTM结构进行计算，得到结果矩阵；

其中， Ud、Wd是需要学习的参数，dt'‑1、s't'‑1在第一层堆叠的LSTM结构中采用初始值，第二层堆叠的LSTM结构中采用第一层堆叠的LSTM结构的输出值和隐藏状态；

S4.将步骤S3预测的当前链路负载状态值与步骤S1得到的对应链路带宽占用率融合，得到当前链路的最终可选度；

链路的最终可选度表示为：

qij(t+T)＝μSij(t+T)+(1‑μ)Sij(t)+αTij(t)+βιij(t)；

其中，Sij(t+T)为链路lij在t+T时刻的预测状态值，Sij(t)为链路lij在t时刻的测量状态值，Tij(t)为链路lij在t时刻的时延，ιij(t)为链路lij在t时刻的丢包率，max(pij)和min(pij)分别表示链路lij的最大带宽占有率和最小带宽占用率，μ表示链路预测状态值的权重，α表示传输时延的权重，β表示网络丢包率的权重；

S5.结合步骤S4中得到的各个链路的最终可选度建立流量调度数学模型，流量调度数学模型采用改进人工蜂群算法来计算流量的传输路径并下发流表到各交换机；

改进人工蜂群算法实现步骤包括：

S21.在D维空间，给定蜜蜂总数S，蜜源最大开采次数genmax，观察蜂数量sizegc＝S/2，最大连续更新失败次数limit；

S22.通过蜜源生成公式随机生成nPop个蜜源，第i个蜜源Xi的位置表示为根据适应度公式计算每个蜜源的适应度，其中：

蜜源随机生成公式为：

适应度公式为：

其中， 和 是第i个蜜源Xi在整个搜索空间第j维的上下界，rand(0,1)表示(0,1)范围内的一个随机数，fiti表示蜜源的适应度，F(Xi)表示当前蜜源Xi对应的函数值；

S23.每一只雇佣蜂对应一个蜜源，称该蜜源为原蜜源，雇佣蜂在原蜜源周围搜索获取新蜜源并计算新蜜源的适应度，判断新蜜源的适应度是否优于原蜜源的适应度，若是，则新蜜源成为原蜜源，并将连续更新失败计数器归零，若不是，则舍弃新蜜源，且连续更新失败计数器的值加1，所有雇佣蜂完成搜索后将搜索结果分享给观察蜂；其中，搜索范围表示为：其中 表示第i个蜜源Xi在j维产生的新值， 表示第i个蜜源Xi在j维的值， 表示第k个蜜源Xk在j维的值，k为{1,2,…,K}之间的随机数且k≠i， 表示[‑1,1]之间的一个随机实数；

S24.根据蜜源适应度计算每个蜜源被选择的概率，观察蜂通过轮盘赌的方式选择蜜源，观察蜂接收雇佣蜂分享的搜索结果后搜索最新蜜源并计算最新蜜源的适应度，判断最新蜜源的适应度是否优于雇佣蜂搜索后确定的原蜜源的适应度，若是，则最新蜜源成为原蜜源，并将连续更新失败计数器归零，若不是，则舍弃最新蜜源，且连续更新失败计数器的值加1；

S25.记录所有蜜源连续更新失败计数器的值，组成所有蜜源连续更新失败的次数集合counter，将counter中的最大值与最大连续更新失败次数limit进行比较，若最大值超过limit，则将该最大值所映射的蜜源的雇佣蜂或观察蜂转变为侦察蜂，通过蜜源随机生成公式生成第二蜜源，第二蜜源生成后将侦查蜂转变为雇佣蜂；

S26.判断是否满足搜索终止条件fesmax即最大迭代次数，若满足，则退出，否则返回步骤S23；

将观察蜂通过轮盘赌的方式选择蜜源改进为观察蜂随机飞向前n个最优雇佣蜂对应的蜜源，且蜜源搜索范围改进为：其中， 表示从前n个最优雇佣蜂对应的蜜源中随机选出的一个不同于Xi的蜜源在j维的值；

S6.构建控制平面资源管理模块，通过控制平面资源管理模块控制流量跨域实现负载均衡。

2.一种利用如权利要求1所述方法实现的基于深度学习和跨域协作的负载均衡装置，其特征在于，包括：环境感知模块，用于获取交换机流表信息和端口参数，计算各链路的带宽占用率、传输速率、丢包率，周期性更新网络拓扑结构；

特征向量矩阵模块，用于根据环境感知模块的流表信息和端口信息构建数据中心网络各链路的特征向量矩阵；

邻接矩阵模块，用于构建表示网络拓扑结构的邻接矩阵；

链路负载预测模块，用于根据特征向量矩阵和归一化的邻接矩阵作为预测下一周期的当前链路负载状态值；

流路由计算模块，用于对链路负载预测模块的预测结果和链路带宽占用率进行融合，得到各链路的可选度，根据链路可选度计算流量的传输路径；

流表下发模块，用于将路由计算模块计算的流量的传输路径下发给交换机；

控制平面资源管理模块，用于通过跨域协作的方式控制跨域流量。

3.根据权利要求2所述的一种基于深度学习和跨域协作的负载均衡装置，其特征在于，控制平面资源管理模块通过交换机迁移方式实现跨域协作，控制平面资源管理模块中计算流的跨域次数的公式为：其中，wk表示流的跨域次数，通过 判断流的传输路径是否经过控制器cm管理的域，其表示为：表示流的传输路径经过控制器cm管理的域， 表示流的传输路径不经过控制器cm管理的域， 表示流经过控制器cm域下的交换机次数，计算公式为：xmn为控制器与交换机的关联关系即迁移结果， 表示流经过的交换机，N为链路总数。