CN102752123B - 网络设备接口流量预测和容量配置方法及装置 - Google Patents
网络设备接口流量预测和容量配置方法及装置 Download PDFInfo
- Publication number
- CN102752123B CN102752123B CN201110099269.6A CN201110099269A CN102752123B CN 102752123 B CN102752123 B CN 102752123B CN 201110099269 A CN201110099269 A CN 201110099269A CN 102752123 B CN102752123 B CN 102752123B
- Authority
- CN
- China
- Prior art keywords
- service
- business
- type
- class
- probability
- 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
Links
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种网络设备接口流量预测和容量配置方法及装置，该方法包括：收集互联网中的用户行为数据；对收集的用户行为数据进行用户聚类分析，确定访问互联网业务的用户中各用户类别所占的访问比例；对收集到的用户行为数据进行业务聚类分析，确定各用户类别访问互联网业务中的每种业务类型的概率；根据各用户类别访问互联网业务中每种业务类型的概率和各用户类别所占的访问比例，确定出每种业务类型的使用概率；根据每种业务类型的使用概率、对应的业务质量约束指标以及确定出的业务使用集中度，确定出网络设备接口流量预测值。该方法可以有效的预测网络设备接口的流量，兼顾用户行为和业务质量需求，实现长相关性的流量预测。
Description
技术领域
本发明涉及网络技术领域，尤指一种网络设备接口流量预测和容量配置方法及装置。
背景技术
互联网流量预测一直是互联网建设、网络设备配置和网络维护的热点和难点问题，通过预测互联网中网络设备的接口流量，指导网络设备接口容量配置。目前实现互联网流量预测的模型一般都是一些网络流量短相关性模型，包括泊松、马尔科夫等流量模型，主要针对网络维护、流量越界报警等领域设计实现流量预测。
目前，在根据网络流量指导、控制网络建设、设备配置等方面的需要长相关流量模型预测流量的方法还很少见，现在业界较为通用的流量模型是固网运营商所倡导的简单流量模型，以大颗粒数据业务-视频的解码速率进行分级，共分为标清视频和高清视频两类，分别配置网络设备为2MB和8MB。这种方法不能有效的预测网络中的实际流量。
可见，现有的网络流量预测主要从网络流量自身表现出的特性入手，进行统计分析建模，没有考虑流量源头-业务应用对流量的影响；且现有的流量预测模型多以短相关性为主，缺少网络建设等长相关性模型；虽然可以对业务按照颗粒度进行划分，但是划分力度较粗，而且没有考虑用户对该类业务使用情况，导致业务流量预测模型的差异。
也就是说，现有技术中没有有效的实现长相关流量预测的方案，不能有效的预测网络设备接口的实际流量。而在进行网络设备接口容量配置时，更是有可能由于流量模型制定有误，导致网络容量不足，网络流拥塞，服务中断等影响网络性能的问题
因此，流量模型对于网络建设和网络设备的配置具有决定性意义，随着网络建设规模的逐年加大，网络的精细化运营已经提上议事日程，对于固网运营商原有的粗犷式流量配置模型，造成网络容量闲置，投资浪费，不能满足现在和未来网络建设的要求。
发明内容
本发明实施例提供一种网络设备接口流量预测和容量配置方法及装置，用以解决现有技术中存在不能准确预测网络设备接口的实际流量，导致网络设备配置有误，影响网络性能的问题。
一种网络设备接口流量预测方法，包括：
收集互联网中的用户行为数据；
对收集的用户行为数据进行用户聚类分析，确定访问互联网业务的用户中各用户类别所占的访问比例；
对收集到的用户行为数据进行业务聚类分析，确定各用户类别访问互联网业务中的每种业务类型的概率；所述业务类型根据业务质量约束指标划分；
根据各用户类别访问互联网业务中每种业务类型的概率和各用户类别所占的访问比例，确定出每种业务类型的使用概率；
根据每种业务类型的使用概率、对应的业务质量约束指标以及确定出的业务使用集中度，确定出网络设备接口流量预测值。
一种网络设备接口容量配置方法，包括：
收集互联网中的用户行为数据；
对收集的用户行为数据进行用户聚类分析，确定访问互联网业务的用户中各用户类别所占的访问比例；
对收集到的用户行为数据进行业务聚类分析，确定各用户类别访问互联网业务中的每种业务类型的概率；所述业务类型根据业务质量约束指标划分；
根据各用户类别访问互联网业务中每种业务类型的概率和各用户类别所占的访问比例，确定出每种业务类型的使用概率；
根据每种业务类型的使用概率、对应的业务质量约束指标以及确定出的业务使用集中度，确定出网络设备接口流量预测值；
根据确定出的网络设备接口流量预测值，配置网络设备的接口容量。
一种网络设备接口流量预测装置，包括：
收集模块，用于收集互联网中的用户行为数据；
用户聚类分析模块，用于对收集的用户行为数据进行用户聚类分析，确定访问互联网业务的用户中各用户类别所占的访问比例；
业务聚类分析模块，用于对收集到的用户行为数据进行业务聚类分析，确定各用户类别访问互联网业务中的每种业务类型的概率；所述业务类型根据业务质量约束指标划分；
概率确定模块，用于根据各用户类别访问互联网业务中每种业务类型的概率和各用户类别所占的访问比例，确定出每种业务类型的使用概率；
流量预测模块，用于根据每种业务类型的使用概率、对应的业务质量约束指标以及确定出的业务使用集中度，确定出网络设备接口流量预测值。
一种网络设备接口容量配置装置，包括：
收集模块，用于收集互联网中的用户行为数据；
用户聚类分析模块，用于对收集的用户行为数据进行用户聚类分析，确定访问互联网业务的用户中各用户类别所占的访问比例；
业务聚类分析模块，用于对收集到的用户行为数据进行业务聚类分析，确定各用户类别访问互联网业务中的每种业务类型的概率；所述业务类型根据业务质量约束指标划分；
概率确定模块，用于根据各用户类别访问互联网业务中每种业务类型的概率和各用户类别所占的访问比例，确定出每种业务类型的使用概率；
流量预测模块，用于根据每种业务类型的使用概率、对应的业务质量约束指标以及确定出的业务使用集中度，确定出网络设备接口流量预测值；
接口配置模块，用于根据确定出的网络设备接口流量预测值，配置网络设备的接口容量。
本发明有益效果如下：
本发明实施例提供的网络设备接口流量预测和容量配置方法及装置，通过对收集的用户行为数据进行用户聚类分析和业务聚类分析，确定出互联网业务中每种业务类型的使用概率，根据每种业务类型的使用概率、对应的业务质量约束指标以及确定出的业务使用集中度，确定出网络设备接口流量预测值。通过对用户行为数据进行聚类分析，使流量预测更贴近实际情况，通过业务的使用概率、业务的质量约束指标、使用集中度三个维度建立流量预测模型，能够准确地预测出网络设备接口的流量。将预测得到的流量预测值用于指导网络建设和设备接口容量配置，可以很好的保证网络建设和业务发展的均衡性，通过配置合适容量的网络接口，既能够满足网络需求，又不会造成网络资源浪费。
附图说明
图1为本发明实施例中网络设备接口流量预测方法的流程图；
图2为本发明实施例中网络设备接口流量预测的原理框图；
图3为本发明实施例中青少年用户访问各种业务的概率示图；
图4为本发明实施例中非青少年用户访问各种业务的概率示图；
图5为本发明实施例中网络设备接口流量预测装置的结构示意图；
图6为本发明实施例中网络设备接口容量配置装置的结构示意图。
具体实施方式
针对现有技术中没有有效的长相关的流量预测的实现方案，导致不能很好的指导网络设备配置，影响网络性能的问题，本发明实施例提供一种网络设备接口流量预测方法，此外，还提供一种基于上述网络设备接口流量预测方法的网络设备接口容量配置方法。
本发明实施例提供的网络设备接口流量预测方法，其流程如图1所示，实现网络设备接口流量预测的原理框图如图2所示，该方法包括如下步骤：
步骤S101：收集用户行为数据。
收集互联网用户的行为数据，以便对用户上网行为进行分析，总结用户上网行为特征，业务使用习惯进而聚合得出业务使用概率。
优选的，还可以总结用户使用互联网的业务使用时间、使用地点、业务使用期望等参数，以便更好的获得每种业务类型的使用概率。
步骤S102：对收集的用户行为数据进行用户聚类分析，确定访问互联网业务的用户中各用户类别所占的访问比例。
对访问互联网的用户进行聚类分析，划分出不同的用户类别。分析每一类用户(即每个用户类别的用户)在互联网业务访问中所占的比例。
例如：根据用户的年龄划分为两种用户类别：青少年和非青少年，通过对互联网用户业务使用行为分析，发现青少年用户和非青少年用户业务使用行为差异较大。则可以统计青少年和非青少年用户在访问互联网的总用户中所占的访问比例。
又例如：还可以根据用户性别、教育程度等等因素进行用户类别的划分。
步骤S103：对收集到的用户行为数据进行业务聚类分析，确定各用户类别访问互联网业务中的每种业务类型的概率。
其中，业务类型可以根据业务质量约束指标预先进行划分，根据业务质量约束指标和预设的业务质量约束指标区间，将业务质量约束指标位于同一业务质量约束指标区间的业务划分为同一个业务类型。
例如：业务质量约束指标可以体现为业务颗粒度的大小，因此可以根据业务颗粒度的大小进行业务类型的划分和聚合，将即时通信、博客、社交网站、电子邮件、论坛/BBS、网络购物、网上支付、网上银行、搜索引擎、网络新闻归为小颗粒度的浏览类业务，将网络音乐、网络文学、网络视频、网络游戏等需要长连接的业务归为大颗粒度的视频类业务。
针对各用户类别，分析其访问各种互联网中各业务类型的概率。例如：
如图3所示，为青少年用户访问各种业务的概率，图4所示为非青少年用户访问各种业务的概率。根据各业务所归属的业务类型，可以得到青少年用户和非青少年用户访问各业务类型的概率。例如，确定青少年用户和非青少年用户访问上述划分出的浏览类业务和视频类业务的概率，具体如下表1所示。
表1
步骤S104：根据各用户类别访问互联网业务中每种业务类型的概率和各用户类别所占的访问比例，确定出每种业务类型的使用概率。
针对每种业务类型，分别计算每个用户类别所占的访问比例与该用户类别的用户访问该业务类型的概率的乘积；计算得到各个乘积之和，得到该业务类型的使用概率。
例如针对上述浏览类业务和视频类业务两个业务类型，根据上述统计得到青少年用户和非青少年用户访问这两类业务的概率，以及青少年用户和非青少年用户两个用户类别所占的访问比例进行计算。其中，浏览类业务的使用概率为：50.70％*64.20％+49.30％*67.32％＝65.74％；视频类业务的使用概率为50.70％*35.80％+49.30％*32.68％＝34.26％。
步骤S105：确定各业务类型的业务质量约束指标。
根据划分出的各业务类型，进一步分析各业务类型的业务质量约束指标，通过对用户使用各业务的用户行为的分解，找出所使用的业务的关键的业务质量约束因素。例如：对浏览类业务进行业务质量分析，通过分析发现用户行为主要包括两部分：页面下载和页面打开后的浏览。因此，对于此类浏览类业务关键的质量约束因素为用户可容忍的页面下载打开的时间，页面的数据量大小、用户浏览业务页面的浏览时间等。又例如：对视频类业务进行业务质量分析，通过分析发现用户行为主要是将视频下载到本地以及在本地播放，用户可以边下载边播放，因此对于此类视频类业务关键的质量约束因素是要求视频的下载速度至少要不小于视频的解码播放速度以保证用户正常播放。
以业务类型包括浏览类业务和视频类业务时，业务质量约束指标为业务所需要的带宽为例。根据上述分析出的浏览类业务和视频类业务的质量约束因素来确定业务质量约束指标。其中：
确定浏览类业务的业务约束质量指标，具体包括：根据浏览类业务的页面数据量大小、用户可容忍的业务页面打开时间和业务页面的浏览时间，确定浏览类业务所需的带宽。例如：通过对用户抽样调查和用户行为统计分析，发现用户能容忍的页面打开时间为8秒，页面内容的平均长度(页面数据量)为31.5KB，用户浏览每个页面的平均浏览时间为146秒，根据这些统计数据，计算得到浏览类业务所需要的质量约束指标——所需要的带宽为：
将上述统计数据代入该公式计算得到所需带宽为1.5kpbs。
确定视频类业务的业务约束质量指标，具体包括：获取视频类业务的播放端的各视频编码格式对应的解码速率，确定其中最大的解码速率作为视频类业务所需的带宽。例如：现在主流网络视频格式为ASF、WMV、RM、FLV，解码速率从226至432kbps不等，各视频格式对应的解码速率如下表2所示。为保证视频类业务的业务质量，需要保证其中解码速率最高的视频格式也能够正常的下载播放，因此，针对上述集中主流的网络视频格式，确定最大解码速率432kbps为视频类业务所需带宽。
表2
| 视频编码格式 | 视频解码速率(kbps) |
| ASF | 300 |
| WMV | 226 |
| RM | 432 |
| FLV | 400 |
经过上述质量约束分析过程，得到浏览类业务和视频类业务这两类业务的用户行为、质量约束因素、业务质量约束指标等如下表3所示：
表3
步骤S106：确定业务使用集中度。
确定业务使用集中度时，可以设置互联网中的业务使用集中度为设定的经验值；或对已运营网络的业务使用情况进行统计，根据统计结果确定业务使用集中度。
例如：针对网络建设的不同时期，可以采用不同的方式确定业务使用集中度：在网络建设初期，可以参考固网运营商的业务使用集中度；当网络建设完成投入运营后，可以通过对现有网络数据的统计分析，对集中度进行不断修订。业务使用集中度的取值可能为0～100％之间的任意值，优选的，一般业务使用集中度在20％～40％之间，体现网络中用户业务使用的集中程度，业务使用集中度也可以说是业务使用集中率。
例如：针对选定数量的用户，统计同一时间使用互联网中的业务的用户占总用户数的百分比，综合考虑统计得到若干个百分比，将若干百分比的平均值或者根据若干百分比的统计规律中出现概率最大的百分比，确定为业务使用集中度的值。这只是业务使用集中度的一种获取方式，本领域的技术人员可以理解，对于业务使用集中度还以通过其他的方式确定，只要能够确定出在同一时间使用业务的用户占总用户的百分比即可。当然也可以根据经验值设定。
步骤S107：根据每种业务类型的使用概率、对应的业务质量约束指标以及确定出的业务使用集中度，确定出网络设备接口流量预测值。
针对每一个业务类型，计算该业务类型的使用概率与该业务类型的质量约束指标的乘积；计算得到各个乘积之和，得到网络设备接口的业务流量综合预测值；计算业务流量综合预测值和确定出的业务使用集中度的乘积，得到网络设备接口流量预测值。
根据上述步骤中确定浏览类业务的使用概率、业务质量约束指标，可以确定网络设备接口的业务流量综合预测值。其中，业务流量综合预测值＝∑(业务使用概率*业务质量约束)。上述业务类型包括浏览类业务和视频类业务时，各业务类型的使用概率、业务质量约束指标以及将其代入上述业务流量综合预测的公式后得到的业务流量综合预测值，如下表4所示。
表4
通过对用户行为数据的分析，总结各用户类别访问各业务类型的访问概率，从而得到各业务类型的使用概率，结合各业务类型的业务质量约束指标考虑业务使用集中度后，得到的流量预测模型为：
流量预测值＝∑(业务使用概率*业务质量约束)*业务使用集中度
本发明实施例提供的网络设备接口容量配置方法，在上述网络设备接口流量预测方法预测出网络设备接口流量预测值之后，进一步包括：根据确定出的网络设备接口流量预测值，配置网络设备的接口容量。
基于本发明实施例提供的上述网络设备接口流量预测方法，本发明实施例还提供一种网络设备接口流量预测装置，该装置的结构如图5所示，包括：收集模块10、用户聚类分析模块20、业务聚类分析模块30、概率确定模块40和流量预测模块50。
收集模块10，用于收集互联网中的用户行为数据；
用户聚类分析模块20，用于对收集的用户行为数据进行用户聚类分析，确定访问互联网业务的用户中各用户类别所占的访问比例。
业务聚类分析模块30，用于对收集到的用户行为数据进行业务聚类分析，确定各用户类别访问互联网业务中的每种业务类型的概率；其中，业务类型根据业务质量约束指标划分。
概率确定模块40，用于根据各用户类别访问互联网业务中每种业务类型的概率和各用户类别所占的访问比例，确定出每种业务类型的使用概率。
优选的，上述概率确定模块40，具体用于：针对每种业务类型，分别计算每个用户类别所占的访问比例与该用户类别的用户访问该业务类型的概率的乘积；计算得到各个乘积之和，得到该业务类型的使用概率。
流量预测模块50，用于根据每种业务类型的使用概率、对应的业务质量约束指标以及确定出的业务使用集中度，确定出网络设备接口流量预测值。
优选的，上述流量预测模块50，具体用于：针对每一个业务类型，计算该业务类型的使用概率与该业务类型的质量约束指标的乘积；计算得到各个乘积之和，得到网络设备接口的业务流量综合预测值；计算得到的业务流量综合预测值和确定出的业务使用集中度的乘积，得到网络设备接口流量预测值。
优选的，上述流量预测模块50，具体用于：设置互联网中的业务使用集中度为设定的经验值；或对已运营网络的业务使用情况进行统计，根据统计结果确定业务使用集中度。
优选的，上述网络设备接口流量预测装置，还包括：
业务类型划分模块60，用于根据业务质量约束指标和预设的业务质量约束指标区间，将业务质量约束指标位于同一业务质量约束指标区间的业务划分为同一个业务类型。
优选的，上述业务类型划分模块60，具体用于：划分出的业务类型包括浏览类业务和视频类业务时，确定业务质量约束指标为业务所需要的带宽；其中，根据浏览类业务的页面数据量大小、用户可容忍的业务页面打开时间和业务页面的浏览时间，确定浏览类业务所需的带宽；以及获取视频类业务的播放端的各视频编码格式对应的解码速率，确定其中最大的解码速率作为视频类业务所需的带宽。
基于本发明实施例提供的上述网络设备接口容量配置方法，本发明实施例还提供一种网络设备接口容量配置装置，该装置的结构如图6所示，包括：收集模块10、用户聚类分析模块20、业务聚类分析模块30、概率确定模块40、流量预测模块50和接口配置模块70。
收集模块10，用于收集互联网中的用户行为数据；
用户聚类分析模块20，用于对收集的用户行为数据进行用户聚类分析，确定访问互联网业务的用户中各用户类别所占的访问比例。
业务聚类分析模块30，用于对收集到的用户行为数据进行业务聚类分析，确定各用户类别访问互联网业务中的每种业务类型的概率；其中，业务类型根据业务质量约束指标划分。
概率确定模块40，用于根据各用户类别访问互联网业务中每种业务类型的概率和各用户类别所占的访问比例，确定出每种业务类型的使用概率。
流量预测模块50，用于根据每种业务类型的使用概率、对应的业务质量约束指标以及确定出的业务使用集中度，确定出网络设备接口流量预测值。
接口配置模块70，用于根据确定出的网络设备接口流量预测值，配置网络设备的接口容量。
上述网络设备接口容量配置装置中，用户聚类分析模块、业务聚类分析模块、概率确定模块、流量预测模块所实现的具体功能与上述网络设备接口预测设备中相应模块的功能相同，此处不再赘述。
本发明实施例提供的上述网络设备接口流量预测和容量配置方法及装置，按照业务驱动网络建设的原则，从业务分析入手，解构产生网络流量的业务种类，划分不同的业务类型，进而制定流量模型，预测网络设备接口的数据流量，来指导网络建设。
本发明上述方法以互联网用户行为特点为基础，分析不同用户类别对不同类型的互联网业务的使用概率，例如可以归纳总结、聚类合并为小颗粒度的浏览类业务和大颗粒度的视频类业务；结合各业务类型的特性，深入分析业务使用行为，得到各自业务质量约束，最后结合业务使用集中度，建立互联网流量模型。兼顾了用户使用行为、业务质量约束和使用集中度三个维度，对未来流量预测更加准确合理，预测结果更贴近实际情况。
更佳的，将预测结果用于指导网络建设，配置网络设备接口通量，从而使得配置的网络设备接口容量，既能够满足网络容量需求，又不会造成容量过大、资源浪费，节约了网络建设成本。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (15)
1.一种网络设备接口流量预测方法，其特征在于，包括：
收集互联网中的用户行为数据；
对收集的用户行为数据进行用户聚类分析，确定访问互联网业务的用户中各用户类别所占的访问比例；
对收集到的用户行为数据进行业务聚类分析，确定各用户类别访问互联网业务中的每种业务类型的概率；所述业务类型根据业务质量约束指标划分；
根据各用户类别访问互联网业务中每种业务类型的概率和各用户类别所占的访问比例，确定出每种业务类型的使用概率；
根据每种业务类型的使用概率、对应的业务质量约束指标以及确定出的业务使用集中度，确定出网络设备接口流量预测值，其中，所述业务使用集中度为同一时间使用互联网中的业务的用户占总用户数的百分比。
2.如权利要求1所述的方法，其特征在于，所述根据各用户类别的用户访问互联网业务中每种业务类型的概率和各用户类别所占的访问比例，确定出每种业务类型的使用概率，具体包括：
针对每种业务类型，分别计算每个用户类别所占的访问比例与该用户类别的用户访问该业务类型的概率的乘积；
计算得到各个乘积之和，得到该业务类型的使用概率。
3.如权利要求1所述的方法，其特征在于，所述根据每种业务类型的使用概率、对应的业务质量约束指标以及确定出的业务使用集中度，确定出网络设备接口流量预测值，具体包括：
针对每一个业务类型，计算该业务类型的使用概率与该业务类型的质量约束指标的乘积；
计算得到各个乘积之和，得到网络设备接口的业务流量综合预测值；
计算所述业务流量综合预测值和确定出的业务使用集中度的乘积，得到网络设备接口流量预测值。
4.如权利要求1所述的方法，其特征在于，所述业务类型根据业务质量约束指标划分，具体包括：
根据业务质量约束指标和预设的业务质量约束指标区间，将业务质量约束指标位于同一业务质量约束指标区间的业务划分为同一个业务类型。
5.如权利要求4所述的方法，其特征在于，所述业务类型包括浏览类业务和视频类业务时，所述业务质量约束指标为业务所需要的带宽；其中，
确定浏览类业务的业务约束质量指标，具体包括：
根据浏览类业务的页面数据量大小、用户可容忍的业务页面打开时间和业务页面的浏览时间，确定浏览类业务所需的带宽；
确定视频类业务的业务约束质量指标，具体包括：
获取视频类业务的播放端的各视频编码格式对应的解码速率，确定其中最大的解码速率作为视频类业务所需的带宽。
6.如权利要求1-5任一所述的方法，其特征在于，确定业务使用集中度，具体包括：
设置互联网中的业务使用集中度为设定的经验值；或对已运营网络的业务使用情况进行统计，根据统计结果确定业务使用集中度。
7.如权利要求6所述的方法，其特征在于，所述业务使用集中度为20～40％之间的值。
8.一种网络设备接口容量配置方法，其特征在于，包括：
收集互联网中的用户行为数据；
对收集的用户行为数据进行用户聚类分析，确定访问互联网业务的用户中各用户类别所占的访问比例；
对收集到的用户行为数据进行业务聚类分析，确定各用户类别访问互联网业务中的每种业务类型的概率；所述业务类型根据业务质量约束指标划分；
根据各用户类别访问互联网业务中每种业务类型的概率和各用户类别所占的访问比例，确定出每种业务类型的使用概率；
根据每种业务类型的使用概率、对应的业务质量约束指标以及确定出的业务使用集中度，确定出网络设备接口流量预测值，其中，所述业务使用集中度为同一时间使用互联网中的业务的用户占总用户数的百分比；
根据确定出的网络设备接口流量预测值，配置网络设备的接口容量。
9.一种网络设备接口流量预测装置，其特征在于，包括：
收集模块，用于收集互联网中的用户行为数据；
用户聚类分析模块，用于对收集的用户行为数据进行用户聚类分析，确定访问互联网业务的用户中各用户类别所占的访问比例；
业务聚类分析模块，用于对收集到的用户行为数据进行业务聚类分析，确定各用户类别访问互联网业务中的每种业务类型的概率；所述业务类型根据业务质量约束指标划分；
概率确定模块，用于根据各用户类别访问互联网业务中每种业务类型的概率和各用户类别所占的访问比例，确定出每种业务类型的使用概率；
流量预测模块，用于根据每种业务类型的使用概率、对应的业务质量约束指标以及确定出的业务使用集中度，确定出网络设备接口流量预测值，其中，所述业务使用集中度为同一时间使用互联网中的业务的用户占总用户数的百分比。
10.如权利要求9所述的装置，其特征在于，所述概率确定模块，具体用于：
针对每种业务类型，分别计算每个用户类别所占的访问比例与该用户类别的用户访问该业务类型的概率的乘积；
计算得到各个乘积之和，得到该业务类型的使用概率。
11.如权利要求9所述的装置，其特征在于，所述流量预测模块，具体用于：
针对每一个业务类型，计算该业务类型的使用概率与该业务类型的质量约束指标的乘积；
计算得到各个乘积之和，得到网络设备接口的业务流量综合预测值；
计算所述业务流量综合预测值和确定出的业务使用集中度的乘积，得到网络设备接口流量预测值。
12.如权利要求9所述的装置，其特征在于，还包括：业务类型划分模块，用于：
根据业务质量约束指标和预设的业务质量约束指标区间，将业务质量约束指标位于同一业务质量约束指标区间的业务划分为同一个业务类型。
13.如权利要求12所述的装置，其特征在于，所述业务类型划分模块，具体用于：划分出的业务类型包括浏览类业务和视频类业务时，确定业务质量约束指标为业务所需要的带宽；其中，根据浏览类业务的页面数据量大小、用户可容忍的业务页面打开时间和业务页面的浏览时间，确定浏览类业务所需的带宽；以及获取视频类业务的播放端的各视频编码格式对应的解码速率，确定其中最大的解码速率作为视频类业务所需的带宽。
14.如权利要求9-12任一所述的装置，其特征在于，所述流量预测模块，具体用于：
设置互联网中的业务使用集中度为设定的经验值；或对已运营网络的业务使用情况进行统计，根据统计结果确定业务使用集中度。
15.一种网络设备接口容量配置装置，其特征在于，包括：
收集模块，用于收集互联网中的用户行为数据；
用户聚类分析模块，用于对收集的用户行为数据进行用户聚类分析，确定访问互联网业务的用户中各用户类别所占的访问比例；
业务聚类分析模块，用于对收集到的用户行为数据进行业务聚类分析，确定各用户类别访问互联网业务中的每种业务类型的概率；所述业务类型根据业务质量约束指标划分；
概率确定模块，用于根据各用户类别访问互联网业务中每种业务类型的概率和各用户类别所占的访问比例，确定出每种业务类型的使用概率；
流量预测模块，用于根据每种业务类型的使用概率、对应的业务质量约束指标以及确定出的业务使用集中度，确定出网络设备接口流量预测值，其中，所述业务使用集中度为同一时间使用互联网中的业务的用户占总用户数的百分比；
接口配置模块，用于根据确定出的网络设备接口流量预测值，配置网络设备的接口容量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110099269.6A CN102752123B (zh) | 2011-04-20 | 2011-04-20 | 网络设备接口流量预测和容量配置方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110099269.6A CN102752123B (zh) | 2011-04-20 | 2011-04-20 | 网络设备接口流量预测和容量配置方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102752123A CN102752123A (zh) | 2012-10-24 |
| CN102752123B true CN102752123B (zh) | 2014-11-05 |
Family
ID=47032034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110099269.6A Active CN102752123B (zh) | 2011-04-20 | 2011-04-20 | 网络设备接口流量预测和容量配置方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102752123B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104683318B (zh) * | 2013-12-03 | 2018-02-16 | 中国科学院声学研究所 | 一种边缘流媒体服务器缓存选择方法与系统 |
| CN104703192A (zh) * | 2015-03-16 | 2015-06-10 | 上海惠生通讯技术有限公司 | 一种移动互联网网络规划方法及其网络系统 |
| CN105873119A (zh) * | 2016-05-26 | 2016-08-17 | 重庆大学 | 一种移动网络用户群体流量使用行为的分类方法 |
| TWI641251B (zh) * | 2016-11-18 | 2018-11-11 | 財團法人工業技術研究院 | 網路流量監控方法與系統 |
| CN109962789B (zh) * | 2017-12-14 | 2022-03-08 | 中国电信股份有限公司 | 基于网络数据构建物联网应用标签体系的方法和装置 |
| CN110209687B (zh) * | 2018-02-23 | 2021-06-22 | 北京国双科技有限公司 | 多维度归因的查询方法和装置 |
| CN111277451B (zh) * | 2018-12-05 | 2021-10-15 | 中国移动通信集团北京有限公司 | 一种业务评估方法、装置、终端设备和介质 |
| CN109978627B (zh) * | 2019-03-29 | 2023-08-08 | 电子科技大学中山学院 | 一种面向宽带接入网用户上网行为大数据的建模方法 |
| CN110147504B (zh) * | 2019-04-12 | 2021-04-06 | 北京百度网讯科技有限公司 | 区域教育资源满足度评价方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1674532A (zh) * | 2004-03-23 | 2005-09-28 | 富士通株式会社 | 估计并管理网络流量 |
| CN101155085A (zh) * | 2006-09-29 | 2008-04-02 | 中兴通讯股份有限公司 | 实时流量预测方法及装置和实时流量监测预警方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060183471A1 (en) * | 2005-02-17 | 2006-08-17 | Isaac Samuel | Method for predicting air interface capacity based on performance measurements |
-
2011
- 2011-04-20 CN CN201110099269.6A patent/CN102752123B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1674532A (zh) * | 2004-03-23 | 2005-09-28 | 富士通株式会社 | 估计并管理网络流量 |
| CN101155085A (zh) * | 2006-09-29 | 2008-04-02 | 中兴通讯股份有限公司 | 实时流量预测方法及装置和实时流量监测预警方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 窦伊男.根据多维特征的网络用户分类研究_窦伊男_中国博士学位论文全文数据库.《中国博士学位论文全文数据库 信息科技辑》.2010,(第11期),正文第51-94页. * |
| 网络流量预测方法和实际预测分析;郑成兴;《计算机工程与应用》;20060911;第42卷(第23期);第127-130页 * |
| 郑成兴.网络流量预测方法和实际预测分析.《计算机工程与应用》.2006,第42卷(第23期),第127-130页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102752123A (zh) | 2012-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102752123B (zh) | 网络设备接口流量预测和容量配置方法及装置 | |
| Tatar et al. | From popularity prediction to ranking online news | |
| CN100596135C (zh) | 一种确定内容提供商优先级的系统和方法 | |
| US7421429B2 (en) | Generate blog context ranking using track-back weight, context weight and, cumulative comment weight | |
| Figueiredo | On the prediction of popularity of trends and hits for user generated videos | |
| CN102253858B (zh) | 应用程序管理装置和应用程序管理方法 | |
| CN106155817B (zh) | 业务信息处理方法、服务器及系统 | |
| CN106503015A (zh) | 一种构建用户画像的方法 | |
| CN105989074A (zh) | 一种通过移动设备信息进行推荐冷启动的方法和装置 | |
| CN108874812B (zh) | 一种数据处理方法及服务器、计算机存储介质 | |
| CN104008184A (zh) | 信息的推送方法和装置 | |
| EP3028241A1 (en) | Pre-delivery of content to a user device | |
| CN103473036B (zh) | 一种输入法皮肤推送方法及系统 | |
| US20130066814A1 (en) | System and Method for Automated Classification of Web pages and Domains | |
| CN107896153B (zh) | 一种基于移动用户上网行为的流量套餐推荐方法及装置 | |
| CN102111453A (zh) | 一种提取互联网用户网络行为的方法和系统 | |
| CN104091276A (zh) | 在线分析点击流数据的方法和相关装置及系统 | |
| CN112699295A (zh) | 一种网页内容推荐方法、装置和计算机可读存储介质 | |
| CN112733023A (zh) | 资讯推送方法、装置、电子设备及计算机可读存储介质 | |
| CN102541892A (zh) | 记录和分析用户行为特征的方法 | |
| CN103906066B (zh) | 一种用户生成内容提及的骚扰屏蔽方法和装置 | |
| CN110191171A (zh) | 气象信息传播方法 | |
| CN106682206A (zh) | 一种大数据处理方法及系统 | |
| US20130179223A1 (en) | Method and arrangement for segmentation of telecommunication customers | |
| CN110213112A (zh) | 一种用户行为分析方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |