CN107959640B - 网络业务调度方法及装置 - Google Patents

网络业务调度方法及装置 Download PDF

Info

Publication number
CN107959640B
CN107959640B CN201610900036.4A CN201610900036A CN107959640B CN 107959640 B CN107959640 B CN 107959640B CN 201610900036 A CN201610900036 A CN 201610900036A CN 107959640 B CN107959640 B CN 107959640B
Authority
CN
China
Prior art keywords
time period
network service
unit time
historical
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610900036.4A
Other languages
English (en)
Other versions
CN107959640A (zh
Inventor
罗四伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201610900036.4A priority Critical patent/CN107959640B/zh
Priority to PCT/CN2017/094907 priority patent/WO2018068558A1/zh
Publication of CN107959640A publication Critical patent/CN107959640A/zh
Priority to US16/014,954 priority patent/US10924356B2/en
Application granted granted Critical
Publication of CN107959640B publication Critical patent/CN107959640B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5003—Managing SLA; Interaction between SLA and QoS
    • H04L41/5019—Ensuring fulfilment of SLA
    • H04L41/5022—Ensuring fulfilment of SLA by giving priorities, e.g. assigning classes of service
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/06—Generation of reports
    • H04L43/067—Generation of reports using time frame reporting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/16—Threshold monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/149—Network analysis or design for prediction of maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明是关于一种网络业务调度方法及装置。该方法包括：获取各个网络业务各自的历史流量数据，所述历史流量数据包括对应的网络业务在每个历史单位时间段内的实际流量；根据所述各个网络业务各自的历史流量数据，预测所述各个网络业务各自在当前时刻的下一个单位时间段内的预测流量；根据所述预测流量对所述各个网络业务进行业务调度，即根据网络业务历史单位时间段内的实际流量来预测网络业务下一单位时间段内的预测流量，按照预测流量对网络业务进行调度，使得对网络业务的进行调度时，能够基于网络业务在下一个单位时间段内将要产生的流量预先进行业务调度，从而对网络业务进行精确调度，提高对网络业务的调度效果。

Description

网络业务调度方法及装置
技术领域
本发明涉及互联网技术领域，特别涉及一种网络业务调度方法及装置。
背景技术
随着互联网中的音视频等新兴媒介的增多，CDN(Content Delivery Network，内容分发网络)承载的流量成倍增长，如何对CDN中的网络业务进行带宽调度逐渐成为CDN厂商迫切需要解决的问题。
在现有技术中，通常按照CDN中各个网络业务的优先级对各个网络业务进行带宽分配，即按照各个网络业务对带宽的敏感程度确定各个网络业务的优先级，对优先级较高的网络业务优先保证带宽。比如，流媒体业务对带宽的敏感程度较高，下载业务对带宽的敏感程度较低，因此流媒体业务的优先级高于下载业务，在进行带宽调度时，系统可以优先为流媒体业务分配较高的带宽，而下载业务则可以分配较低的带宽。
在实现本发明的过程中，申请人发现现有技术存在如下问题：
现有技术按照网络业务的优先级分配带宽，可能导致为优先级高的业务分配的带宽过剩，而为优先级低的业务分配的带宽不足的问题，因此，网络业务的带宽调度不够精准，调度效果较差，进一步导致带宽的利用不够合理。
发明内容
为了解决现有技术中按照网络业务的优先级分配带宽，可能导致为优先级高的业务分配的带宽过剩，而为优先级低的业务分配的带宽不足的问题，本发明实施例提供了一种网络业务调度方法及装置，技术方案如下：
第一方面，提供了一种网络业务调度方法，所述方法包括：
获取各个网络业务各自的历史流量数据，所述历史流量数据包括对应的网络业务在每个历史单位时间段内的实际流量；
根据所述各个网络业务各自的历史流量数据，预测所述各个网络业务各自在当前时刻的下一个单位时间段内的预测流量；
根据所述预测流量对所述各个网络业务进行业务调度。
第二方面，提供了一种网络业务调度装置，所述装置包括：
历史数据获取模块，用于获取各个网络业务各自的历史流量数据，所述历史流量数据包括对应的网络业务在每个历史单位时间段内的实际流量；
预测模块，用于根据所述各个网络业务各自的历史流量数据，预测所述各个网络业务各自在当前时刻的下一个单位时间段内的预测流量；
调度模块，用于根据所述预测流量对所述各个网络业务进行业务调度。
本发明实施例提供的技术方案可以包括以下有益效果：
通过获取各个网络业务各自的历史流量数据，该历史流量数据包括对应的网络业务在每个历史单位时间段内的实际流量，根据该各个网络业务各自的历史流量数据，预测该各个网络业务各自在当前时刻的下一个单位时间段内的预测流量，根据该预测流量对该各个网络业务进行业务调度，即根据网络业务历史单位时间段内的实际流量来预测网络业务下一单位时间段内的预测流量，按照预测流量对网络业务进行调度，使得对网络业务的进行调度时，能够基于网络业务在下一个单位时间段内将要产生的流量预先进行业务调度，从而对网络业务进行精确调度，提高对网络业务的调度效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本发明涉及的一种网络环境的结构示意图；
图2是根据一示例性实施例示出的一种网络业务调度方法的流程图；
图3是根据另一示例性实施例示出的一种网络业务调度方法的流程图；
图4是图3所示实施例涉及的一种服务器的架构示意图；
图5是根据一示例性实施例示出的一种网络业务调度装置的结构方框图；
图6是根据一示例性实施例示出的一种服务器的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是本发明涉及的一种网络环境的结构示意图。该网络环境包括如下网络设备：服务器110以及至少一个网络业务节点120。
服务器110可以是单台服务器，或者，也可以是由多台服务器组成的服务集群，或者，也可以是一个云计算中心。
网络业务节点120为至少一个网络业务提供服务支持。
其中，服务器110可以是调度系统中的服务器，该调度系统用于对各个网络业务节点120对应的网络业务进行业务调度，比如带宽分配等。
如图1所示，服务器110可以独立于各个网络业务节点120进行部署。或者，服务器110也可以部署在某一个网络业务节点120中，或者，服务器110也可以分布式部署在各个网络业务节点120上。
图2是根据一示例性实施例示出的一种网络业务调度方法的流程图，该方法可以用于服务器中，对服务器管理的各个网络业务进行管理调度。如图1所示，该网络业务调度方法可以包括如下几个步骤：
步骤201，获取各个网络业务各自的历史流量数据，该历史流量数据包括对应的网络业务在每个历史单位时间段内的实际流量。
步骤202，根据该各个网络业务各自的历史流量数据，预测该各个网络业务各自在当前时刻的下一个单位时间段内的预测流量。
步骤203，根据该预测流量对该各个网络业务进行业务调度。
综上所述，本发明实施例提供的网络业务调度方法，通过获取各个网络业务各自的历史流量数据，该历史流量数据包括对应的网络业务在每个历史单位时间段内的实际流量，根据该各个网络业务各自的历史流量数据，预测该各个网络业务各自在当前时刻的下一个单位时间段内的预测流量，根据该预测流量对该各个网络业务进行业务调度，即根据网络业务历史单位时间段内的实际流量来预测网络业务下一单位时间段内的预测流量，按照预测流量对网络业务进行调度，使得对网络业务的进行调度时，能够基于网络业务在下一个单位时间段内将要产生的流量预先进行业务调度，从而实现对网络业务的精确调度，提高对网络业务的调度效果。
在本发明涉及的一种可能的应用场景中，图1中的网络业务节点120可以是内容分发网络CDN中的各个网络节点，比如，各个网络业务节点120可以是内容源节点、分布在网络边缘的缓存节点以及内容交换节点等，其中，内容源节点负责生成网络业务的业务内容，缓存节点负责缓存内容源节点生成的全部或者部分业务内容，内容交换节点复杂在各个缓存节点之间进行负载均衡。各个网络业务节点120为CDN中的各个网络业务，比如流媒体业务或者下载业务，提供服务支持。服务器110是CDN的调度系统中的全部或者部分服务器，该服务器110连接各个网络业务节点120，并用于对网络业务节点120支持的各个网络业务进行带宽调度，即分配每个网络业务的带宽。本发明下面的实施例将以该场景为例进行详细说明。
图3是根据另一示例性实施例示出的一种网络业务调度方法的流程图，该方法可以用于服务器中，对服务器管理的各个网络业务进行管理调度。以该服务器可为CDN的调度系统中的服务器，且用于对CDN中各个网络业务进行带宽调度为例，如图3所示，该网络业务调度方法可以包括如下几个步骤：
步骤301，获取各个网络业务各自的历史流量数据，该历史流量数据包括对应的网络业务在每个历史单位时间段内的实际流量。
在本发明实施例中，可以按照单位时间段来统计各个网络业务的流量，其中，单位时间段可以按照实际的调度需求来设置，比如，该单位时间段可以设置为一小时、一刻钟或者一分钟等等。
具体的，以一分钟为一个单位时间段为例，系统可以预先将一天内的时间划分为1440个单位时间段，每相邻两个单位时间段首尾相连，即前一个单位时间段的结束时刻是后一个单位时间段的开始时刻。服务器在统计各个网络业务各自的历史流量数据时，可以统计每一个网络业务在每一分钟内的流量并进行存储，在获取历史流量数据时，直接读取存储的各个网络业务各自的历史流量数据。
考虑到数据的时效性，在本发明实施例中，可以取各个网络业务各自的最近一段时间内的历史流量数据，比如，可以获取各个网络业务各自在最近三个月内的历史流量数据。
步骤302，对于该各个网络业务中的每一个网络业务，根据该网络业务的历史流量数据获取该网络业务的若干组训练数据。
其中，每一组该训练数据包括该网络业务在一个历史单位时间段内的实际流量，以及该历史单位时间段对应的特征数据。
在本发明实施例中，服务器在预测下一个单位时间段内的流量时，可以针对每一个网络业务进行单独预测，即该步骤202以及后续步骤都以单个网络业务为对象进行处理。
具体的，上述各个网络业务中的每一个网络业务，都对应各自的地区、运营商以及业务种类。即本发明实施例中的网络业务按照地域、运营商以及业务种类进行划分，比如，假设CDN中存在流媒体业务和下载业务这两种网络业务，则江苏-电信-直播为网络业务1、江苏-电信-下载为网络业务2、江苏-移动-直播为网络业务3、江苏-移动-下载为网络业务4……湖北-电信-直播为网络业务N、湖北-电信-下载为网络业务N+1、湖北-移动-直播为网络业务N+2、湖北-移动-下载为网络业务N+3……，每个地区，每个运营商对应的每种业务都是一个独立的网络业务。
服务器在获取某个网络业务的训练数据时，可以根据获取到的历史流量数据中，该网络业务在每个单位时间段内的实际流量来获取特征数据。对于该网络业务中的一个历史单位时间段a，该历史单位时间段a的特征数据包括：
特征1：该历史单位时间段a的时间段索引，该时间段索引用于指示对应的单位时间段是一天内的哪一个单位时间段。
比如，以一分钟为一个单位时间段为例，一天24小时，包含1440分钟，即分成1440个时间段，从凌晨开始的第一分钟(00:00:00-00:01:00)开始索引编号，第一个一分钟的索引为0，第二个一分钟的索引为1，……以此类推，直至最后一分钟(23:59:00-00:00:00)的索引为1439，即该历史单位时间段a的时间段索引取值范围为[0,1439]。
特征2：该历史单位时间段a的天数索引，该天数索引用于指示对应的单位时间段当天是一个星期内的哪一天。
其中，一星期为7天，则该历史单位时间段a的天数索引的取值范围为[0,6]，即历史单位时间段a所在的当天为星期一时，历史单位时间段a的天数索引为0，历史单位时间段a所在的当天为星期二时，历史单位时间段a的天数索引为1，以此类推。
特征3-特征X+2：该网络业务在历史单位时间段a之前最近的X个单位时间段内分别对应的流量。
网络业务在某一个单位时间段内的实际流量通常与该单位时间段之前的最近几个单位时间段内的实际流量的走势有关，因此，在本发明实施例中，可以取网络业务在历史单位时间段a之前最近的X个单位时间段内分别对应的流量，作为该网络业务对应该历史单位时间段a的特征数据。
其中，X为预先设置的正整数。比如，假设X取值为20，则上述特征3-特征22分别为历史单位时间段a-1～历史单位时间段a-20中，各个历史单位时间段内该网络业务对应的流量。
特征X+3-特征X+Y+2：网络业务在当天之前的Y天内，与该历史单位时间段a的时间段索引相对应的各个单位时间段内的实际流量。
对于一个网络业务，其对应的流量通常具有周期性，即当天某个单位时间段内的实际流量通常与前面几天中每天对应在相同单位时间段内的实际流量相关，上述Y为预先设置的正整数，在本发明实施例中，对于历史单位时间段a，可以取前面6天内(即Y取值为6)，每天当中时间段索引与历史单位时间段a的时间段索引相同的历史单位时间段内的实际流量，并记为特征23-特征28。
具体比如，以一分钟为一个单位时间段为例，在一个星期内，假设历史单位时间段a的时间段索引为1，所在当天为星期六，则特征23为该星期内的星期五中时间段索引为1的分钟(即星期五中的第二分钟)内的流量，类似的，则特征24为该星期内的星期四中时间段索引为1的分钟(即星期四中的第二分钟)内的流量，以此类推，特征28为该星期内的星期日中时间段索引为1的分钟(即星期日中的第二分钟)内的流量。
特征X+Y+3-特征X+Y+Z+2：该网络业务在当天之前的Z个星期内，与该历史单位时间段a的时间段索引和天数索引相对应的各个单位时间段内的实际流量。
与上述特征X+3-特征X+Y+2类似的，在不同的星期内，对应某一天中的某一个单位时间段内的实际流量通常也具有相关性，在本发明实施例中，上述Z为预先设置的正整数，比如，可以取历史单位时间段a的前4个星期内(即Z取值为4)，每个星期中对应的时间段索引和天数索引与历史单位时间段a的时间段索引和天数索引都相同的各个历史单位时间段内的实际流量，记为特征29-特征32。
具体比如，以一分钟为一个单位时间段为例，假设历史单位时间段a的时间段索引为1，所在当天为星期六，则特征29为上一个星期六中时间段索引为1的分钟(即第二分钟)内的流量，特征30为上上一个星期六中时间段索引为1的分钟内的流量，以此类推。
特征X+Y+Z+3：该网络业务在历史单位时间段a时的活跃度。
在本发明实施例中，历史单位时间段a内该网络业务的活跃度可以，通过该网络业务的若干组训练数据中，各组训练数据各自对应的历史单位时间段内的实际流量的最大值和最小值，以及该历史单位时间段a内的流量来确定，具体的，可以将该网络业务的若干组训练数据中，各组训练数据各自对应的历史单位时间段内的实际流量的最大值记为1，最小值记为0，该并按照历史单位时间段a内的实际流量与上述各组训练数据各自对应的历史单位时间段内的实际流量的最大值和最小值之间的关系，在0～1之间进行插值，以获得该网络业务在历史单位时间段a时的活跃度，即该网络业务在历史单位时间段a时的活跃度的取值范围为[0，1]。
其中，本发明上述实施例以上述33种特征为例进行说明，在实际应用中，可以根据实际的使用需求自由调整特征的种类以及数量，本发明实施例对此不做限定。
通过上述方式，服务器可以获取多组不同的训练数据进行后续训练。
步骤303，根据该网络业务的若干组训练数据与该机器学习模型进行训练，获得对应的模型参数。
在本发明实施例中，模型参数用于驱动机器学习模型进行机器学习，以输出对下一预定时间段的预测结果，在此之前，首选需要确定出合适模型参数，然后才能保证后续预测结果的准确性。在本步骤中，可以通过上述步骤302确定出的若干组训练数据对机器学习模型进行训练，以获得该模型参数。
在本发明实施例中，可以采用神经网络模型作为上述机器学习模型。具体的，对于该各个网络业务中的一个网络业务，可以将步骤302中获取到的该网络业务的若干组训练数据输入神经网络模型，其中，对于每一组训练数据，该数据中的历史单位时间段内的实际流量为输出，该历史单位时间段对应的特征数据为输入，通过神经网络的学习算法来求解出用于预测流量的神经网络模型参数。
需要说明的是，为了便于模型的训练，上述每组训练数据输入神经网络模型之前，需要进行归一化处理。
比如，以一分钟为一个单位时间段，X、Y、Z分别为20、6和4为例，对于上述特征1，令其除以1439，即归一化为[0,1]的浮点型，对于特征2，令其除以6，同样归一化为[0,1]的浮点型值，对特征3～特征32，记每组训练数据中，一个历史单位时间段内的实际流量的最小值为ymin，最大值为ymax，令该特征3～特征32的值为(特征x-ymin)/(ymax-ymin)，x取值为[3,32]，即把3～特征32分别归一化为一个[0,1]的浮点型，特征33本身是归一的，不需要做额外处理。
步骤304，根据该网络业务的历史流量数据，获取下一个单位时间段对应的特征数据。
其中，该下一个单位时间段相对应的特征数据包括：
该下一个单位时间段的时间段索引，该时间段索引用于指示对应的单位时间段是一天内的哪一个单位时间段；
该下一个单位时间段的天数索引，该天数索引用于指示对应的单位时间段当天是一个星期内的哪一天；
该网络业务在距离当前时刻最近的X个单位时间段内分别对应的流量；
该网络业务在当天之前的Y天内，与该下一个单位时间段的时间段索引相对应的各个单位时间段内的实际流量；
该网络业务在当天之前的Z个星期内，与该下一个单位时间段的时间段索引和天数索引相对应的各个单位时间段内的实际流量；
以及，该网络业务在下一个单位时间段内的活跃度。
其中，下一个单位时间段相对应的特征数据的获取与上述训练数据中，每组训练数据中特征数据的获取方式类似，此处不再赘述。与上述步骤302不同的是，在步骤304中，由于下一个单位时间段尚未到来，服务器并不知道下一个单位时间段内该网络业务的实际流量，因此，该网络业务在下一个单位时间段内的活跃度可以预先设置，比如，可以由管理人员通过服务器的设置界面进行人工设置。
步骤305，根据该下一个单位时间段对应的特征数据以及设置该模型参数的机器学习模型进行预测，获得该网络业务在下一个单位时间段内的预测流量。
服务器可以根据该下一个单位时间段对应的特征数据以及上述步骤203中训练好的机器学习模型进行预测，来获得该网络业务在下一个单位时间段内的预测流量。
以采用神经网络模型作为上述机器学习模型为例，当神经网络模型通过上述步骤303训练确定模型参数后，在预测网络业务在下一个单位时间段内的预测流量时，只需要将该网络业务对应下一个单位时间段的特征数据输入该神经网络模型，神经网络模型即可以输出预测流量。
步骤306，根据该网络业务在下一个单位时间段内的预测流量，调度该网络业务在下一个单位时间段内的网络带宽。
其中，服务器在对一个网络业务进行网络带宽的调度时，可以综合考虑其它网络业务的带宽的影响，即服务器可以按照该各个网络业务的预测流量，调度该各个网络业务各自对应在下一个单位时间段内的网络带宽。
步骤307，在该下一个单位时间段之后，获取该网络业务的修正数据，该修正数据包括该网络业务在该下一个单位时间段内的实际流量，以及该下一个单位时间段对应的特征数据。
步骤308，根据该修正数据对该模型参数进行修正。
在本发明实施例中，服务器对该网络业务在下一个单位时间段内的带宽进行调度之后，可以获取该网络业务在下一个单位时间段内实际产生的流量，即上述实际流量，并将该实际流量以及该下一个单位时间段对应的特征数据，作为修正数据输入机器学习模型，以便机器学习模型对模型参数进行修正。
比如，假设上述的下一个单位时间段为单位时间段b，服务器按照步骤305中获得的预测流量，调度网络业务在单位时间段b内的网络带宽，在该单位时间段b过后，服务器获取该网络业务在单位时间段b内的实际流量，并将该网络业务在单位时间段b内的实际流量以及该单位时间段b对应的特征数据(也即上述步骤304获取到的特征数据)作为修正数据输入神经网络模型，神经网络模型自动完成对模型参数的修正，后续需要再次进行流量预测时，神经网络模型按照修正后的模型参数进行流量预测。
具体的，请参考图4，其示出了本发明实施例涉及的一种的服务器的架构示意图，其中，服务器可以由预测中心41、调度中心42以及数据中心43组成，其中，预测中心41中包含若干个预测单元41a，每个预测单元41a对应一个网络业务，每个预测单元41a中包含一个主线程41a1和一个从线程41a2，其中，从线程41a2负责进行数据准备，主线程41a1负责模型训练、预测以及模型修正。数据中心43中存储的网络业务的历史流量数据可以由各个网络业务节点进行上报，而部署时间或部署批次不同的网络业务节点中的软件版本也可能存在不同，导致各个网络业务节点上报的数据的格式可能存在不统一的情况，因此，在获取各个历史时间段的特征数据之前，服务器首先需要对各个网络业务节点上报的历史流量数据的格式初始化为统一的数据格式。具体的，服务器从线程41a2从数据中心提取对应的网络业务的历史流量数据，对提取到的历史流量数据进行初始化，并根据初始化后的历史流量数据获取训练数据，主线程41a1根据获取到的训练数据进行神经网络模型训练，在此后的预测过程中，主线程41a1等待下一次预测时间，从线程41a2持续请求数据中心，为下一次预测准备特征数据，即获取下一个单位时间段(假设为单位时间段c)对应的特征数据，并对特征数据进行归一化处理，到达预测时间时，主线程41a1将归一化处理后的特征数据输入神经网络模型，得到预测流量，并写入数据中心43，调度中心42从数据中心43中读取各个网络业务对应在单位时间段c内的预测流量，并按照各个网络业务对应的预测流量为各个网络业务进行带宽调度。在单位时间段c过后，从线程41a2获取对应的网络业务在单位时间段c内的实际流量，主线程41a1将该实际流量以及单位时间段c对应的特征数据输入神经网络模型，神经网络模型进行在线学习，修正模型参数。
另外，在图4所示的服务器架构中，预测中心由若干个预测单元组成，且各个预测单元对应不同的网络业务，各个网络业务的流量预测流程是并行执行且相互独立的，各个网络业务的流量预测流程的计算复杂度较低，有效降低了服务器侧的算法的复杂性。
另外，本发明实施例中，网络业务按照地域、运营商以及业务种类进行划分，当某一个地区发生意外(比如自然灾害)导致该地区所有网络中断，或者该地区的某一个运营商的系统发生故障导致该地区中该运营商的网络中断时，服务器中除了发生意外的地区或者该地区中的发生系统故障的运营商所对应的预测单元无法正常工作之外，其它预测单元都不会受到影响，从而提高系统的容灾能力。
综上所述，本发明实施例提供的网络业务调度方法，通过获取各个网络业务各自的历史流量数据，该历史流量数据包括对应的网络业务在每个历史单位时间段内的实际流量，根据该各个网络业务各自的历史流量数据，预测该各个网络业务各自在当前时刻的下一个单位时间段内的预测流量，根据该预测流量对该各个网络业务进行带宽调度，即根据网络业务历史单位时间段内的实际流量来预测网络业务下一单位时间段内的预测流量，按照预测流量对网络业务进行调度，使得对网络业务的进行带宽调度时，能够基于网络业务在下一个单位时间段内将要产生的流量预先进行调度，从而对网络业务的带宽进行精确调度，提高带宽利用率以及对网络业务的带宽调度的效果，实现带宽的合理利用。
本发明上述实施例以将网络业务按照地区、运营商以及业务种类进行划分并分别进行流量预测为例进行说明，在实际应用中，也可以对每个业务进行单独预测，将地区、运营商以及业务种类分别作为一个特征输入到机器学习模型，由机器学习模型对各个业务进行统一预测。
图5是根据一示例性实施例示出的一种网络业务调度装置的结构方框图。该网络业务调度装置可以通过硬件或者软硬结合的方式实现为服务器中的部分或全部，以执行图2或图3所示实施例中的全部或者部分步骤。其中，该服务器可以对管理的各个网络业务进行管理调度，比如，该服务器可为CDN的调度系统中的服务器，且用于对CDN中各个网络业务进行带宽调度。该网络业务调度装置可以包括：
历史数据获取模块501，用于获取各个网络业务各自的历史流量数据，所述历史流量数据包括对应的网络业务在每个历史单位时间段内的实际流量；
预测模块502，用于根据所述各个网络业务各自的历史流量数据，预测所述各个网络业务各自在当前时刻的下一个单位时间段内的预测流量；
调度模块503，用于根据所述预测流量对所述各个网络业务进行业务调度。
可选的，所述预测模块，包括：
特征数据获取子模块，用于对于所述各个网络业务中的每一个网络业务，根据所述网络业务的历史流量数据，获取所述下一个单位时间段对应的特征数据；
预测子模块，用于根据所述下一个单位时间段对应的特征数据以及设置有模型参数的机器学习模型进行预测，获得所述网络业务的预测流量。
可选的，所述机器学习模型为神经网络模型。
可选的，所述下一个单位时间段相对应的特征数据包括：
所述下一个单位时间段的时间段索引，所述时间段索引用于指示对应的单位时间段是一天内的哪一个单位时间段；
所述下一个单位时间段的天数索引，所述天数索引用于指示对应的单位时间段当天是一个星期内的哪一天；
所述网络业务在距离当前时刻最近的X个单位时间段内分别对应的流量；
所述网络业务在当天之前的Y天内，与所述下一个单位时间段的时间段索引相对应的各个单位时间段内的实际流量；
所述网络业务在当天之前的Z个星期内，与所述下一个单位时间段的时间段索引和天数索引相对应的各个单位时间段内的实际流量；
以及，所述网络业务的活跃度；
其中，X、Y以及Z为预设的正整数。
可选的，所述装置还包括：
训练数据获取模块，用于在所述预测子模块根据所述下一个单位时间段对应的特征数据以及设置有模型参数的机器学习模型进行预测，获得所述网络业务的预测流量之前，根据所述网络业务的历史流量数据获取所述网络业务的若干组训练数据，每一组所述训练数据包括所述网络业务在一个历史单位时间段内的实际流量，以及所述历史单位时间段对应的特征数据；
训练模块，用于根据所述网络业务的若干组训练数据与所述机器学习模型进行机器训练，获得所述模型参数。
可选的，所述装置还包括：
修正数据获取模块，用于在所述下一个单位时间段之后，获取所述网络业务的修正数据，所述修正数据包括所述网络业务在所述下一个单位时间段内的实际流量，以及所述下一个单位时间段对应的特征数据；
修正模块，用于根据所述修正数据对所述模型参数进行修正。
可选的，所述调度模块，用于按照所述各个网络业务的预测流量，调度所述各个网络业务各自对应在下一个单位时间段内的网络带宽。
可选的，所述各个网络业务中的每一个网络业务对应各自的地区、运营商以及业务种类。
综上所述，本发明实施例提供的网络业务调度装置，通过获取各个网络业务各自的历史流量数据，该历史流量数据包括对应的网络业务在每个历史单位时间段内的实际流量，根据该各个网络业务各自的历史流量数据，预测该各个网络业务各自在当前时刻的下一个单位时间段内的预测流量，根据该预测流量对该各个网络业务进行带宽调度，即根据网络业务历史单位时间段内的实际流量来预测网络业务下一单位时间段内的预测流量，按照预测流量对网络业务进行调度，使得对网络业务的进行带宽调度时，能够基于网络业务在下一个单位时间段内将要产生的流量预先进行调度，从而对网络业务的带宽进行精确调度，提高带宽利用率以及对网络业务的带宽调度的效果，实现带宽的合理利用。
图6是根据一示例性实施例示出的一种服务器的结构示意图。所述服务器600包括中央处理单元(CPU)601、包括随机存取存储器(RAM)602和只读存储器(ROM)603的系统存储器604，以及连接系统存储器604和中央处理单元601的系统总线605。所述服务器600还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)606，和用于存储操作系统613、应用程序612和其他程序模块615的大容量存储设备607。
所述基本输入/输出系统606包括有用于显示信息的显示器608和用于用户输入信息的诸如鼠标、键盘之类的输入设备609。其中所述显示器608和输入设备609都通过连接到系统总线605的输入输出控制器610连接到中央处理单元601。所述基本输入/输出系统606还可以包括输入输出控制器610以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器610还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备607通过连接到系统总线605的大容量存储控制器(未示出)连接到中央处理单元601。所述大容量存储设备607及其相关联的计算机可读介质为服务器600提供非易失性存储。也就是说，所述大容量存储设备607可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器604和大容量存储设备607可以统称为存储器。
根据本发明的各种实施例，所述服务器600还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器600可以通过连接在所述系统总线605上的网络接口单元611连接到网络612，或者说，也可以使用网络接口单元611来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，中央处理单元601通过执行该一个或一个以上程序来实现图2或图3任一所示的网络业务调度方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由服务器的处理器执行以完成本发明各个实施例所示的网络业务调度方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (9)

1.一种网络业务调度方法，其特征在于，所述方法包括：
获取各个网络业务各自的历史流量数据，所述历史流量数据包括对应的网络业务在每个历史单位时间段内的实际流量；
对于所述各个网络业务中的每一个网络业务，根据所述网络业务的历史流量数据，获取下一个单位时间段对应的特征数据；
根据所述下一个单位时间段对应的特征数据以及设置有模型参数的机器学习模型进行预测，获得所述网络业务的预测流量；
根据所述预测流量对所述各个网络业务进行业务调度；
其中，所述下一个单位时间段相对应的特征数据包括：
所述下一个单位时间段的时间段索引，所述时间段索引用于指示对应的单位时间段是一天内的哪一个单位时间段；
所述下一个单位时间段的天数索引，所述天数索引用于指示对应的单位时间段当天是一个星期内的哪一天；
所述网络业务在距离当前时刻最近的X个单位时间段内分别对应的流量；
所述网络业务在当天之前的Y天内，与所述下一个单位时间段的时间段索引相对应的各个单位时间段内的实际流量；
所述网络业务在当天之前的Z个星期内，与所述下一个单位时间段的时间段索引和天数索引相对应的各个单位时间段内的实际流量；
以及，所述网络业务的活跃度；
其中，X、Y以及Z为预设的正整数。
2.根据权利要求1所述的方法，其特征在于，所述根据所述下一个单位时间段对应的特征数据以及设置有模型参数的机器学习模型进行预测，获得所述网络业务的预测流量之前，还包括：
根据所述网络业务的历史流量数据获取所述网络业务的若干组训练数据，每一组所述训练数据包括所述网络业务在一个历史单位时间段内的实际流量，以及所述历史单位时间段对应的特征数据；
根据所述网络业务的若干组训练数据与所述机器学习模型进行机器训练，获得所述模型参数。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在所述下一个单位时间段之后，获取所述网络业务的修正数据，所述修正数据包括所述网络业务在所述下一个单位时间段内的实际流量，以及所述下一个单位时间段对应的特征数据；
根据所述修正数据对所述模型参数进行修正。
4.根据权利要求1或3所述的方法，其特征在于，所述根据所述预测流量对所述各个网络业务进行业务调度，包括：
按照所述各个网络业务的预测流量，调度所述各个网络业务各自对应在下一个单位时间段内的网络带宽。
5.一种网络业务调度装置，其特征在于，所述装置包括：
历史数据获取模块，用于获取各个网络业务各自的历史流量数据，所述历史流量数据包括对应的网络业务在每个历史单位时间段内的实际流量；
特征数据获取模块，用于对于所述各个网络业务中的每一个网络业务，根据所述网络业务的历史流量数据，获取下一个单位时间段对应的特征数据；
预测模块，用于根据所述下一个单位时间段对应的特征数据以及设置有模型参数的机器学习模型进行预测，获得所述网络业务的预测流量；
调度模块，用于根据所述预测流量对所述各个网络业务进行业务调度；
其中，所述下一个单位时间段相对应的特征数据包括：
所述下一个单位时间段的时间段索引，所述时间段索引用于指示对应的单位时间段是一天内的哪一个单位时间段；
所述下一个单位时间段的天数索引，所述天数索引用于指示对应的单位时间段当天是一个星期内的哪一天；
所述网络业务在距离当前时刻最近的X个单位时间段内分别对应的流量；
所述网络业务在当天之前的Y天内，与所述下一个单位时间段的时间段索引相对应的各个单位时间段内的实际流量；
所述网络业务在当天之前的Z个星期内，与所述下一个单位时间段的时间段索引和天数索引相对应的各个单位时间段内的实际流量；
以及，所述网络业务的活跃度；
其中，X、Y以及Z为预设的正整数。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
训练数据获取模块，用于在所述预测模块根据所述下一个单位时间段对应的特征数据以及设置有模型参数的机器学习模型进行预测，获得所述网络业务的预测流量之前，根据所述网络业务的历史流量数据获取所述网络业务的若干组训练数据，每一组所述训练数据包括所述网络业务在一个历史单位时间段内的实际流量，以及所述历史单位时间段对应的特征数据；
训练模块，用于根据所述网络业务的若干组训练数据与所述机器学习模型进行机器训练，获得所述模型参数。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
修正数据获取模块，用于在所述下一个单位时间段之后，获取所述网络业务的修正数据，所述修正数据包括所述网络业务在所述下一个单位时间段内的实际流量，以及所述下一个单位时间段对应的特征数据；
修正模块，用于根据所述修正数据对所述模型参数进行修正。
8.根据权利要求5或7所述的装置，其特征在于，
所述调度模块，用于按照所述各个网络业务的预测流量，调度所述各个网络业务各自对应在下一个单位时间段内的网络带宽。
9.一种计算机设备可读存储介质，其特征在于，所述计算机设备可读存储介质中包含可执行指令，所述可执行指令由处理器调用执行，以实现上述权利要求1至4任一所述的网络业务调度方法。
CN201610900036.4A 2016-10-14 2016-10-14 网络业务调度方法及装置 Active CN107959640B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201610900036.4A CN107959640B (zh) 2016-10-14 2016-10-14 网络业务调度方法及装置
PCT/CN2017/094907 WO2018068558A1 (zh) 2016-10-14 2017-07-28 网络业务调度方法、装置、存储介质和程序产品
US16/014,954 US10924356B2 (en) 2016-10-14 2018-06-21 Network service scheduling method and apparatus, storage medium, and program product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610900036.4A CN107959640B (zh) 2016-10-14 2016-10-14 网络业务调度方法及装置

Publications (2)

Publication Number Publication Date
CN107959640A CN107959640A (zh) 2018-04-24
CN107959640B true CN107959640B (zh) 2020-07-07

Family

ID=61906117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610900036.4A Active CN107959640B (zh) 2016-10-14 2016-10-14 网络业务调度方法及装置

Country Status (3)

Country Link
US (1) US10924356B2 (zh)
CN (1) CN107959640B (zh)
WO (1) WO2018068558A1 (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11489749B2 (en) * 2018-06-06 2022-11-01 Eino, Inc. Mobile telecommunications network capacity simulation, prediction and planning
US11909616B2 (en) * 2014-04-08 2024-02-20 Eino, Inc. Mobile telecommunications network capacity simulation, prediction and planning
CN108259376A (zh) * 2018-04-24 2018-07-06 北京奇艺世纪科技有限公司 服务器集群业务流量的控制方法及相关设备
WO2019236851A1 (en) * 2018-06-06 2019-12-12 The Joan and Irwin Jacobs Technion-Cornell Institute Telecommunications network traffic metrics evaluation and prediction
CN109039800A (zh) * 2018-06-28 2018-12-18 腾讯科技（深圳）有限公司 在流量实验中进行流量分配的方法、装置和计算机设备
CN108924127B (zh) * 2018-06-29 2020-12-04 新华三信息安全技术有限公司 一种流量基线的生成方法和装置
CN110896357B (zh) * 2018-09-13 2022-06-28 中国电信股份有限公司 流量预测方法、装置和计算机可读存储介质
CN109561134B (zh) * 2018-10-26 2022-06-10 平安科技（深圳）有限公司 电子装置、分布式集群服务分配方法及存储介质
US10945163B2 (en) * 2018-10-31 2021-03-09 Motorola Solutions, Inc. Method and system to provide mission critical talkgroup service with minimal audio truncation and delay
CN109921950B (zh) * 2019-03-28 2021-08-06 北京奇艺世纪科技有限公司 一种网络带宽需求预测方法、装置及电子设备
CN111835536B (zh) * 2019-04-16 2022-04-05 杭州海康威视数字技术股份有限公司 一种流量预测方法和装置
US11202301B2 (en) * 2019-05-29 2021-12-14 Hewlett Packard Enterprise Development Lp Self-learning rate access prioritizer for applications in a wireless network
CN112437015A (zh) * 2019-08-26 2021-03-02 中国电信股份有限公司 分流调度方法、装置、系统和计算机可读存储介质
CN117896250A (zh) * 2019-09-17 2024-04-16 华为技术有限公司 网络参数配置方法、装置、计算机设备以及存储介质
CN110753041A (zh) * 2019-09-30 2020-02-04 华为技术有限公司 基于cdn系统的源站状态检测方法以及设备
CN111263225A (zh) * 2020-01-08 2020-06-09 恒安嘉新（北京）科技股份公司 视频卡顿预测方法、装置、计算机设备及存储介质
CN111490940B (zh) * 2020-03-17 2022-12-27 中移（杭州）信息技术有限公司 确定数据转发路径的方法、电子设备以及存储介质
CN111970544B (zh) * 2020-08-31 2022-10-18 咪咕视讯科技有限公司 下行流量的调度策略调整方法、服务器及可读存储介质
CN114258055A (zh) * 2020-09-10 2022-03-29 中兴通讯股份有限公司 流量模式确定方法、电子设备及存储介质
CN114584476A (zh) * 2020-11-17 2022-06-03 中国移动通信有限公司研究院 一种流量预测方法、网络训练方法、装置及电子设备
CN112532459A (zh) * 2020-12-07 2021-03-19 郑州师范学院 一种带宽资源调整方法、装置及设备
CN114791847A (zh) * 2021-01-25 2022-07-26 伊姆西Ip控股有限责任公司 用于部署视觉资源的方法、设备和程序产品
CN113315945B (zh) * 2021-07-29 2021-11-09 江苏怀业信息技术股份有限公司 分布式视频会议系统的终端接入方法
CN113726557A (zh) * 2021-08-09 2021-11-30 国网福建省电力有限公司 基于流量需求的网络传输控制优化方法
CN113950056A (zh) * 2021-10-20 2022-01-18 中国联合网络通信集团有限公司 带宽分配方法、装置及存储介质
CN114500339B (zh) * 2022-02-07 2023-07-04 北京百度网讯科技有限公司 一种节点带宽监测方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101695050A (zh) * 2009-10-19 2010-04-14 浪潮电子信息产业股份有限公司 一种基于网络流量自适应预测的动态负载均衡方法
CN102857470A (zh) * 2011-06-27 2013-01-02 腾讯科技（深圳）有限公司 一种网络传输系统、服务器和客户端
CN103595656A (zh) * 2013-11-15 2014-02-19 北京邮电大学 一种基于小波神经网络预测的dvb_rcs卫星信道动态分配方法
CN103685072A (zh) * 2013-11-27 2014-03-26 中国电子科技集团公司第三十研究所 一种网络流量快速分配的方法
CN105578579A (zh) * 2016-03-02 2016-05-11 桂林电子科技大学 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法
CN105654729A (zh) * 2016-03-28 2016-06-08 南京邮电大学 一种基于卷积神经网络的短时交通流量预测方法

Family Cites Families (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7327761B2 (en) * 2000-02-03 2008-02-05 Bandwiz Inc. Data streaming
US20030114138A1 (en) * 2001-12-13 2003-06-19 Kumar Ramaswamy Apparatus, methods and articles of manufacture for wireless communication networks
US6789123B2 (en) * 2001-12-28 2004-09-07 Microsoft Corporation System and method for delivery of dynamically scalable audio/video content over a network
US20080177994A1 (en) * 2003-01-12 2008-07-24 Yaron Mayer System and method for improving the efficiency, comfort, and/or reliability in Operating Systems, such as for example Windows
US9143572B2 (en) * 2004-09-17 2015-09-22 About, Inc. Method and system for providing content to users based on frequency of interaction
US11258531B2 (en) * 2005-04-07 2022-02-22 Opanga Networks, Inc. System and method for peak flow detection in a communication network
FR2903259A1 (fr) * 2006-06-29 2008-01-04 Thomson Licensing Sa Procede de gestion de demandes d'acces a distance a des contenus multimedia
US8656421B2 (en) * 2006-08-21 2014-02-18 Centurylink Intellectual Property Llc System and method for controlling a network
US8498628B2 (en) * 2007-03-27 2013-07-30 Iocast Llc Content delivery system and method
EP2439493A1 (en) * 2008-05-09 2012-04-11 Research in Motion Limited Predictive downloading of map data
US8589541B2 (en) * 2009-01-28 2013-11-19 Headwater Partners I Llc Device-assisted services for protecting network capacity
US9167007B2 (en) * 2008-06-06 2015-10-20 Amazon Technologies, Inc. Stream complexity mapping
US9626363B2 (en) * 2008-06-08 2017-04-18 Apple Inc. System and method for placeshifting media playback
US20100205628A1 (en) * 2009-02-12 2010-08-12 Davis Bruce L Media processing methods and arrangements
US8271413B2 (en) * 2008-11-25 2012-09-18 Google Inc. Providing digital content based on expected user behavior
WO2011139305A1 (en) * 2010-05-04 2011-11-10 Azuki Systems, Inc. Method and apparatus for carrier controlled dynamic rate adaptation and client playout rate reduction
EP2426923A1 (en) * 2010-09-02 2012-03-07 British Telecommunications Public Limited Company Adaptive streaming of video at different quality levels
CN102622185B (zh) 2011-01-27 2015-09-23 北京东方广视科技股份有限公司 在多个存储单元中存储文件的方法以及存储分配方法
US9154826B2 (en) * 2011-04-06 2015-10-06 Headwater Partners Ii Llc Distributing content and service launch objects to mobile devices
JP2013009298A (ja) * 2011-05-26 2013-01-10 Sony Corp 無線通信装置、情報処理装置、通信システムおよび無線通信装置の制御方法
EP4024760A1 (en) * 2011-06-14 2022-07-06 ViaSat Inc. Transport protocol for anticipatory content
US9384297B2 (en) * 2011-07-28 2016-07-05 Hewlett Packard Enterprise Development Lp Systems and methods of accelerating delivery of remote content
US20130246595A1 (en) * 2011-10-18 2013-09-19 Hugh O'Donoghue Method and apparatus for using an organizational structure for generating, using, or updating an enriched user profile
CN102609360B (zh) 2012-01-12 2015-03-25 华为技术有限公司 一种数据处理方法、装置及系统
US20130275685A1 (en) * 2012-04-16 2013-10-17 International Business Machines Corporation Intelligent data pre-caching in a relational database management system
US20130282890A1 (en) * 2012-04-18 2013-10-24 Azuki Systems, Inc. In-stream collection of analytics information in a content delivery system
US9310217B2 (en) * 2012-06-12 2016-04-12 Qualcomm Incorporated Methods and systems for managing content delivery
US8849942B1 (en) * 2012-07-31 2014-09-30 Google Inc. Application programming interface for prefetching map data
US9043135B2 (en) * 2012-08-31 2015-05-26 Apple Inc. Navigation system acquisition and use of cellular coverage map data
US9197581B2 (en) * 2013-06-28 2015-11-24 Verizon Patent And Licensing Inc. Method and apparatus for diverting operational load on networks through entitlement profile incentives
US9197687B2 (en) * 2013-10-17 2015-11-24 Verizon Patent And Licensing Inc. Prioritized blocking of on-demand requests
US9871740B2 (en) * 2013-10-29 2018-01-16 Citrix Systems, Inc. Methods and systems for optimal delivery of internet video over wireless networks
US9450879B2 (en) * 2014-05-09 2016-09-20 Nexgen Storage, Inc. Adaptive bandwidth throttling
CN104270402A (zh) 2014-08-25 2015-01-07 浪潮电子信息产业股份有限公司 一种异构集群存储自适应数据负载的方法
CN104182184B (zh) 2014-08-27 2017-08-25 浪潮电子信息产业股份有限公司 一种分布式块存储克隆方法
CN105306539B (zh) * 2015-09-22 2018-09-11 北京金山安全软件有限公司 业务信息展现控制方法、装置和互联网业务信息显示平台

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101695050A (zh) * 2009-10-19 2010-04-14 浪潮电子信息产业股份有限公司 一种基于网络流量自适应预测的动态负载均衡方法
CN102857470A (zh) * 2011-06-27 2013-01-02 腾讯科技（深圳）有限公司 一种网络传输系统、服务器和客户端
CN103595656A (zh) * 2013-11-15 2014-02-19 北京邮电大学 一种基于小波神经网络预测的dvb_rcs卫星信道动态分配方法
CN103685072A (zh) * 2013-11-27 2014-03-26 中国电子科技集团公司第三十研究所 一种网络流量快速分配的方法
CN105578579A (zh) * 2016-03-02 2016-05-11 桂林电子科技大学 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法
CN105654729A (zh) * 2016-03-28 2016-06-08 南京邮电大学 一种基于卷积神经网络的短时交通流量预测方法

Also Published As

Publication number Publication date
US10924356B2 (en) 2021-02-16
CN107959640A (zh) 2018-04-24
WO2018068558A1 (zh) 2018-04-19
US20180302296A1 (en) 2018-10-18

Similar Documents

Publication Publication Date Title
CN107959640B (zh) 网络业务调度方法及装置
US20240095060A1 (en) Tenant-controlled cloud updates
US10949254B2 (en) Systems and methods for scheduling tasks
US10673935B2 (en) Cloud service broker apparatus and method thereof
US20080313261A1 (en) Server, client apparatus, program and download method
CN110213620B (zh) 带宽分配方法及装置
CN103810045A (zh) 资源分配方法、资源管理器、资源服务器及系统
CN112181621A (zh) 一种任务调度系统、方法、设备及存储介质
CN110599148A (zh) 集群数据处理方法、装置、计算机集群及可读存储介质
CN111736936B (zh) 一种弹窗展示方法、装置、终端和可读存储介质
CN109783236B (zh) 用于输出信息的方法和装置
US20160292006A1 (en) Apparatus and method for managing job flows in an information processing system
CN104700255B (zh) 多进程处理方法、装置和系统
KR20070120133A (ko) 분산 네트워크를 통한 콘텐츠 전송을 스케줄링하는 방법 및장치
CN107071014B (zh) 一种资源调整方法及装置
CN111045804B (zh) 一种任务分配方法、装置、介质及电子设备
US10558683B2 (en) Selection of a start time for a periodic operation
EP3437271B1 (en) Allocating bandwidth between network computing devices for pushing data to a client computing device
CN110895504A (zh) 调度仿真系统和调度仿真方法
CN112799834B (zh) 训练数据分发方法、装置、电子设备及存储介质
US11922310B1 (en) Forecasting activity in software applications using machine learning models and multidimensional time-series data
CN112749076B (zh) 测试方法、装置及电子设备
CN115473806A (zh) 资源下载控制方法、装置、电子设备和计算机可读介质
CN117827453A (zh) 存储资源的订购方法、装置、设备及存储介质
CN116820737A (zh) 资源调控方法、装置、电子设备和计算机可读介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant