1.一种基于图神经网络的孪生网络性能预测方法，其特征在于，包括：获取物理通信网络实时相关网络信息，输入到训练好的网络性能预测模型，得到性能预测结果；

其中，所述训练好的网络性能预测模型的确定过程，包括：

对数字孪生通信网络获取到的物理通信网络历史相关网络信息进行预处理，得到依赖图数据集，其中，所述依赖图数据集中包括链路、路径及队列信息；

对所述依赖图数据集中的各链路、路径及队列信息分别进行特征初始化，得到各链路、路径及队列的初始隐藏状态；

使用所述初始隐藏状态对预先构建的网络性能预测模型进行训练，得到训练好的网络性能预测模型，其中，所述网络性能预测模型通过注意力机制、消息传递神经网络以及门控循环单元协同工作获取迭代更新的隐藏状态信息，并根据所述隐藏状态信息调整模型参数；

所述对数字孪生通信网络获取到的物理通信网络历史相关网络信息进行预处理，得到依赖图数据集，包括：对读取到的原始网络样本进行归一化处理，得到标准化数据集；

将所述标准化数据集中的原始网络样本转换为网络依赖图，得到依赖图数据集，其中，所述网络依赖图包括一组链路 、一组网络设备输出端口上的队列 以及一组源到目的地路径 。

2.根据权利要求1所述的基于图神经网络的孪生网络性能预测方法，其特征在于，所述链路 、队列 以及源到目的地路径 的表达式分别如下：，式中， 表示一组链路中的第 条链路， 表示一组链路中的

链路数量；

，式中， 表示一组队列中的第 个队列， 表示一组队列中

的队列数量；

，式中， 表示一组路径中的第 条路径， 表示一组路径中

的路径数量，使用一系列元组表征 ，

， 代 表 中 元素 数 量 ，

代表沿着路径的第 个队列， 代表沿着路径的第 个链路；

所述对所述依赖图数据集中的各链路、路径及队列信息分别进行状态初始化，得到各链路、路径及队列的初始隐藏状态，包括：路径状态初始化：通过连接流量特征、数据包数量特征以及零填充创建一个第一状态向量 ，其中，流量特征表示经过该路径的数据流量，数据包数量特征表示该路径上生成的数据包数量，零填充用于形成预定维度的特征向量；

和/或，链路状态初始化：通过连接容量特征、策略特征以及零填充创建一个第二状态向量 ，其中，容量特征表示链路的带宽容量，策略特征表示链路上的队列调度策略，零填充用于满足维度要求；

和/或，队列状态初始化：通过连接大小特征、优先级特征、权重特征以及零填充创建一个第三状态向量 ，其中，大小特征表示队列中的当前数据包数量，优先级特征表示数据包优先级，权重特征表示与调度策略相关的队列权重，零填充用于满足维度要求。

3.根据权利要求2所述的基于图神经网络的孪生网络性能预测方法，其特征在于，所述预先构建的网络性能预测模型包括：依次连接的GRUCell门控循环单元层、Attention注意力层、消息传递循环模块以及Readout读出层；所述消息传递循环模块包括相互连接的MPNN消息传递神经网络层和RNN循环神经网络层。

4.根据权利要求3所述的基于图神经网络的孪生网络性能预测方法，其特征在于，所述使用所述初始隐藏状态对预先构建的网络性能预测模型进行训练，得到训练好的网络性能预测模型，包括：通过所述GRUCell门控循环单元层分别定义路径循环单元、链路循环单元以及队列循环单元；

结合所述Attention注意力层、MPNN消息传递神经网络层以及RNN循环神经网络层通过消息传递过程对所述路径循环单元、链路循环单元以及队列循环单元的隐藏状态信息由所述初始隐藏状态开始进行迭代更新，得到所述物理通信网络的全局状态；

通过所述Readout读出层根据更新后的路径隐藏状态输出性能预测值；

根据所述性能预测值和真实值之间的均方误差MSE对所述网络性能预测模型进行训练，设置模型超参数，其中，所述网络性能预测模型的训练目标 表示为：，

式中： 为第i个依赖图样本的性能实际值， 为第i个依赖图样本的性能预测值，为依赖图数据集样本个数，i表示依赖图数据集中样本的序号。

5.根据权利要求4所述的基于图神经网络的孪生网络性能预测方法，其特征在于，方法还包括：从所述依赖图数据集中选择出测试集，将所述测试集输入每n轮训练以及最后一轮训练生成的网络性能预测模型，通过计算网络性能预测模型的预测值与真实值之间的平均绝对误差MAE、平均绝对百分比误差MAPE以及相关系数 评估模型训练效果，其中：计算网络性能预测模型的预测值与真实值之间的平均绝对误差MAE、平均绝对百分比误差MAPE以及相关系数 ，计算公式为：，

，

，

式中： 为n个依赖图样本的性能实际值的平均值。

6.根据权利要求5所述的基于图神经网络的孪生网络性能预测方法，其特征在于，所述通过消息传递过程对所述路径循环单元、链路循环单元以及队列循环单元的隐藏状态信息进行迭代更新，包括：每次迭代中，所述网络性能预测模型执行以下三个阶段的消息传递：队列和链路到路径：收集每条路径包含的队列和链路的信息，并根据固定时刻的链路隐藏状态 和队列隐藏状态 计算注意力机制产生的临时状态 ，根据 和该时刻的路径隐藏状态 作为输入利用RNN循环神经网络层中的GRU单元更新得到新路径隐藏状态和新路径临时隐藏状态 ；

路径到队列：聚合队列及包含队列的所有路径的临时隐藏状态信息 ，对全部临时隐藏状态信息 求和后得到队列临时隐藏状态信息之和 ，根据队列临时隐藏状态信息之和 及队列隐藏状态 通过RNN循环神经网络中的GRU单元更新得到新队列隐藏状态 和新队列临时隐藏状态 ；

队列到链路：根据新队列临时隐藏状态 和链路隐藏状态 ，通过RNN循环神经网络中的GRU单元更新得到新链路隐藏状态 。

7.一种基于图神经网络的孪生网络性能预测装置，其特征在于，包括：性能预测结果获取模块：用于获取物理通信网络实时相关网络信息，输入到训练好的网络性能预测模型，得到性能预测结果；

其中，所述训练好的网络性能预测模型的确定过程，包括：

对数字孪生通信网络获取到的物理通信网络历史相关网络信息进行预处理，得到依赖图数据集，其中，所述依赖图数据集中包括链路、路径及队列信息；

对所述依赖图数据集中的各链路、路径及队列信息分别进行特征初始化，得到各链路、路径及队列的初始隐藏状态；

使用所述初始隐藏状态对预先构建的网络性能预测模型进行训练，得到训练好的网络性能预测模型，其中，所述网络性能预测模型通过注意力机制、消息传递神经网络以及门控循环单元协同工作获取迭代更新的隐藏状态信息，并根据所述隐藏状态信息调整模型参数；

所述对数字孪生通信网络获取到的物理通信网络历史相关网络信息进行预处理，得到依赖图数据集，包括：对读取到的原始网络样本进行归一化处理，得到标准化数据集；

将所述标准化数据集中的原始网络样本转换为网络依赖图，得到依赖图数据集，其中，所述网络依赖图包括一组链路 、一组网络设备输出端口上的队列 以及一组源到目的地路径 。

8.一种计算机存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于图神经网络的孪生网络性能预测方法。

9.一种电子终端，其特征在于，包括处理器以及与所述处理器连接的存储器，在所述存储器内存储有计算机程序，当所述计算机程序被所述处理器执行时，执行如权利要求1‑6任一项所述的基于图神经网络的孪生网络性能预测方法。