CN103685347A - 一种网络资源的配置方法和装置 - Google Patents
一种网络资源的配置方法和装置 Download PDFInfo
- Publication number
- CN103685347A CN103685347A CN201210322661.7A CN201210322661A CN103685347A CN 103685347 A CN103685347 A CN 103685347A CN 201210322661 A CN201210322661 A CN 201210322661A CN 103685347 A CN103685347 A CN 103685347A
- Authority
- CN
- China
- Prior art keywords
- period
- data
- day
- trend
- prediction
- 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.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种网络资源的配置和装置。所述方法包括:接收数据预测请求,所述数据预测请求中包括第一时期和第二时期;按照所述第一时期提取相应的多个第一数据,所述第一时期包括多个第一子时期,所述多个第一数据与所述多个第一子时期一一对应;基于所述第一时期、所述多个第一子时期和所述多个第一数据,生成趋势模型;基于符合预设条件的第一子时期所对应的第一数据,以及该第一子时期代入趋势模型得到的第一趋势值,确定数据波动参数;基于所述趋势模型和数据波动参数,生成所述第二时期对应的预测数据;按照所述预测数据进行网络资源配置。本申请可以实现对网络资源的合理利用。
Description
技术领域
本申请涉及数据处理领域,特别是涉及一种网络资源的配置方法和装置。
背景技术
近年,互联网的迅速发展为网站带来了巨大的访问量,例如,Facebook(美国排名第一的社交服务网站)的美国访问量平均每天超过了2.29亿,由此产生的业务量也是海量的。巨大的网站访问量对网络服务器提出了更高的要求,例如,提高服务器的负载能力,或是增添更多的服务器,增加网络带宽等。
由于互联网上很多网站的网络业务量波动比较大,业务量大的时候需要配置大量的服务器,业务量小的时候可以减少服务器的配置数量。因此,提前预测各个月份的业务量可预先配置服务器,以在业务量比较大时,满足业务处理的需要,在业务量比较小时,节约服务器资源。由此可见,预测业务量对网络资源的优化配置,具有重要的意义。
目前,对业务量预测的方法是,搜集过往的历史数据(例如一年),对历史数据进行曲线拟合(一次曲线或二次曲线),依据拟合曲线的业务趋势算出未来某个时间的业务量(例如,依据一年的历史数据预测下年1月份的业务量)。
以上现有技术中存在的问题是,首先,由于业务数据具有一定的周期性(例如,例如每年的1月份业务量都会比较大)和波动性(例如从4月份到7月份业务量呈上升趋势,7月份到9月份业务量呈下降趋势),仅仅利用过往的历史数据进行曲线拟合,拟合曲线的走势并未考虑到数据的周期性和波动性,从而导致预测的业务量并不准确,无法对网络资源进行合理配置,网络资源过量会造成浪费,网络资源不足会造成各服务器负载过度,增加访客完成交易的等待时间。
因此,目前需要本领域技术人员解决的一个技术问题就是,提供一种网络资源的配置机制,以合理利用网络资源。
发明内容
本申请所要解决的技术问题是提供一种网络资源的配置方法,以合理利用网络资源。
本申请还提供了一种网络资源的配置装置,用以保证上述方法在实际中的应用及实现。
为了解决上述问题,本申请公开了一种网络资源的配置方法,包括:
接收数据预测请求,所述数据预测请求中包括第一时期和第二时期,所述第二时期为所述第一时期的下一个周期内的一个或多个日期,所述第一时期为历史数据周期,所述第二时期为预测数据的日期;
按照所述第一时期提取相应的多个第一数据,所述第一时期包括多个第一子时期,所述多个第一数据与所述多个第一子时期一一对应;
基于所述第一时期、所述多个第一子时期和所述多个第一数据,生成趋势模型;
基于符合预设条件的第一子时期所对应的第一数据,以及该第一子时期代入趋势模型得到的第一趋势值,确定数据波动参数;
基于所述趋势模型和数据波动参数,生成所述第二时期对应的预测数据;
按照所述预测数据进行网络资源配置。
优选的,所述基于第一时期、多个第一子时期和多个第一数据,生成趋势模型的步骤包括:
基于所述第一时期和所述多个第一数据,使用移动平均值法,生成与所述第一时期相应的多个第一趋势值;
基于所述第一时期,以及对应的多个第一趋势值,确定趋势模型。
优选的,所述基于符合预设条件的第一子时期所对应的第一数据,以及该第一子时期代入趋势模型得到的第一趋势值,确定数据波动参数的步骤包括:
确定第二时期相对于第一时期的时间偏移值,取所述时间偏移值和所述第一时期的长度的差值确定符合预设条件的第一子时期;
将所述符合预设条件的第一子时期代入所述趋势模型得到对应的第一趋势值;
计算所述符合预设条件的第一子时期对应的第一数据和第一趋势值的比值,作为波动参数。
优选的,所述基于趋势模型和数据波动参数,生成所述第二时期对应的预测数据的步骤包括:
将所述时间偏移值代入所述趋势模型,得到对应的第一趋势值;
计算所述时间偏移值对应的第一趋势值、所述波动参数和预设权值的乘积,作为所述第二时期对应的预测数据。
优选的,所述按照预测数据进行网络资源的配置的步骤包括:
按照所述预测数据确定服务器的个数。
和/或,按照所述预测数据调整网络带宽。
优选的,所述第二时期对应多个第二子时期,所述方法依次针对各个第二子时期,生成对应的预测数据。
优选的,所述方法按照预设频率定期执行。
优选的,在基于所述第一时期、所述多个第一子时期和所述多个第一数据,生成趋势模型的步骤之前,所述方法还包括:
删除所述多个第一数据中与相邻的第一数据的差值大于预设阀值的异常数据;
优选的,在基于所述第一时期、所述多个第一子时期和所述多个第一数据,生成趋势模型的步骤之前,所述方法还包括:
对于所述异常数据,或缺少对应的第一数据的第一子时期,以该第一数据所对应的第一子时期的前一个预设周期内的多个第一数据的平均值,作为对应的第一数据。
本申请还提供了一种网络资源的配置装置,包括:
预测请求接收模块,用于接收数据预测请求,所述数据预测请求中包括第一时期和第二时期,所述第二时期为所述第一时期的下一个周期内的一个或多个日期,所述第一时期为历史数据周期,所述第二时期为预测数据的日期;
第一数据提取模块,用于按照所述第一时期提取相应的多个第一数据,所述第一时期包括多个第一子时期,所述多个第一数据与所述多个第一子时期一一对应;
趋势模型生成模块,用于基于所述第一时期、所述多个第一子时期和所述多个第一数据,生成趋势模型;
数据波动参数生成模块,用于基于符合预设条件的第一子时期所对应的第一数据,以及该第一子时期代入趋势模型得到的第一趋势值,确定数据波动参数;
预测数据生成模块,用于基于所述趋势模型和数据波动参数,生成所述第二时期对应的预测数据;
资源配置模块,用于按照所述预测数据进行网络资源配置。
与现有技术相比,本申请具有以下优点:
本申请在利用过往的历史业务数据预测未来某个时期的业务数据时,首先依据历史时期、历史数据和时间的对应关系生成趋势模型,与现有技术相比,本申请在生成趋势模型的时候,先用移动平均值法处理数据,消除数据的波动性,提高系统的周期性预测的准确度;然后计算波动参数,依据波动参数和趋势模型来确定预测数据,充分考虑了历史数据的原本具有的周期性和波动性,可以充分提高业务预测的准确性和稳定性。
依据较准确的预测数据,从而可以进一步更准确的进行网络资源的合理配置,在预测业务量较小的时候,安排较少的网络资源,避免浪费,在预测业务量较大时,安排较多的网络资源,避免网络资源不足会造成各服务器负载过度,以及增加访客完成交易的等待时间的问题。
此外,本申请的网络资源的配置方法可以按照一定的预设频率定期执行,依据更新的历史数据进行预测,可以使得预测结果更为准确可靠,网络资源的配置也会更合理。
当然,实施本申请的任一产品不一定需要同时达到以上所述的所有优点。
附图说明
图1是本申请的一种网络资源的配置方法实施例1的流程图;
图2是本申请的一种网络资源的配置方法实施例2的流程图;
图3是本申请的一种网络资源的配置装置实施例1的结构框图;
图4是本申请的一种网络资源的配置装置实施例2的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参考图1,示出了本申请的一种网络资源的配置方法实施例1的流程图,具体可以包括以下步骤:
步骤101、接收客户端发送的数据预测请求,所述数据预测请求中包括第一时期和第二时期。
本申请中,用户可以在客户端提交数据预测请求,其中包括,第一时期和第二时期,在具体的实现中,所述第二时期可以为所述第一时期的下一个周期内的一个或多个日期,所述第一时期可以为历史数据周期,所述第二时期可以为预测数据的日期。例如,第一时期为2月到4月,第二时期为6月,即用2月到4月的历史数据预测6月的数据。其中,可以提前在客户端设置好第一时期,在提交数据预测请求时,用户需确认是否按照预设的第一时期进行预测,若不是,可以对预设的第一时期进行修改。
在具体的实现中,所述第二时期可以对应多个第二子时期,所述方法可以依次针对各个第二子时期,生成对应的预测数据。例如,用2月至4月的数据预测6月的数据,提交的第二时期为6月;也可以用2月到4月的数据预测4月到6月的数据,提交的第二时期为4月-6月,预测的过程中,针对4月、5月和6月这三个月份,逐一预测。
步骤102、按照所述第一时期提取相应的多个第一数据,所述第一时期包括多个第一子时期,所述多个第一数据与所述多个第一子时期一一对应。
历史业务数据可以在相关的业务系统中提取,也可以由业务系统按照一定的频率存储到一个预置的数据库中,在预测数据的时候,从数据库中提取数据。历史数据周期包括多个子时期,例如,历史数据周期为1-6月,则包括6个子时期,提取的数据分别为这6个月对应的数据:
2012-01y1
2012-02y2
2012-03y3
2011-06y6
步骤103、基于所述第一时期、所述多个第一子时期和所述多个第一数据,生成趋势模型。
在本申请的一种优选实施例中,所述步骤103可以包括:
子步骤S 11、基于所述第一时期和所述多个第一数据,使用移动平均值法,生成与所述第一时期相应的多个第一趋势值。
子步骤S 12、基于所述第一时期,以及对应的多个第一趋势值,确定趋势模型。
移动平均值法一种简单的平滑预测技术,它的基本思想是:根据时间序列资料,逐项推移,一次计算包含一定项数的序时平均值,以反映长期趋势的方法。因此,当时间序列的数值由于受周期变动和随机波动的影响,起伏较大,不易显示出事件的发展趋势时,使用移动平均值法可以消除这些因素的影响,显示出事件的发展方向与趋势(即趋势模型),然后依据趋势模型分析预测序列的长期趋势。
以第一时期的长度为T天为例,对应的业务数据分别为y1,y2,y3…..yT+1,例如,首先对将所有业务数据分别计算,对交易数据以T为周期进行累加后平均,如下所示:
Y1=(y1+y2+…..+yT)/T
Y2=(y2+y3+……+yT+1)/T
Yn=(yn+yn+1+……+yn+T-1)/T
计算得到的Y1至Yn为与第一时期相应的多个第一趋势值,依据移动平均值法得到第一趋势值与第一时期中各个第一子时期的对应关系,可以我们将交易数据转换为以下移动平均数据(1,Y1),(2,Y2).....(n,Yn),然后依据这些数据进行曲线拟合,得到趋势模型,具体的实现中,可以使用线性或多项式(一元二次)等拟合计算方式,例如得到Y=ax2+bx+c(a,b,c为常数,根据业务不同而不同)。
由于在同一周期内业务波动情况基本一致,因此通过移动平均值法得到的Y1,Y2……Yn已经消除了单个日期的业务波动性,同时通过拟合算法计算整个周期内的增长趋势,可以提高系统的周期性预测准确度。
步骤104、基于符合预设条件的第一子时期所对应的第一数据,以及该第一子时期代入趋势模型得到的第一趋势值,确定数据波动参数。
在本申请的一种优选实施例中,所述步骤104可以包括:
子步骤S21、确定第二时期相对于第一时期的时间偏移值,取所述时间偏移值和所述第一时期的长度的差值确定符合预设条件的第一子时期;
子步骤S22、将所述符合预设条件的第一子时期代入所述趋势模型得到对应的第一趋势值;
子步骤S23、计算所述符合预设条件的第一子时期对应的第一数据和第一趋势值的比值,作为波动参数。
第二时期相对于第一时期的时间偏移值n,即第二时期D相对于第一时期的起始时间Dstart(即按照时间顺序排序靠前的第一个第一子时期之前的一个时期)的差值,用公式表示为n=D-Dstart,时间偏移值和第一时期的长度T的差值记为n-T。例如,用2月至4月的历史数据预测6月的数据,(其中2月对应的数据为y1,而对应的移动平均值为Y1)D=6,第一个第一子时期为2月,因此Dstart=为1月,n=6-1=5。时间偏移值和第一时期的长度(T=3)的差值为n-T=5-3=2,因此符合预设条件的第一子时期为第2个月,也即是3月。
将3月代入上面的趋势模型中,可以得到3月对应的第一趋势值Y(n-T)=Y2,将3月对应的第一数据y(n-T)=y2,与第一趋势值Y2相除,即可得到波动参数wave(n)=y(n-T)/Y(n-T)=y2/Y2。
步骤105、基于所述趋势模型和数据波动参数,生成所述第二时期对应的预测数据。
在本申请的一种优选实施例中,所述步骤105可以包括:
子步骤S31、将所述时间偏移值代入所述趋势模型,得到对应的第一趋势值;
子步骤S32、计算所述时间偏移值对应的第一趋势值、所述波动参数和预设权值的乘积,作为所述第二时期对应的预测数据。
本申请中,将时间偏移值代入趋势模型,得出对应的第一趋势值Yn。将波动参数和第一趋势值,以及一个预设权值weight的乘积作为最终的预测数据,可以记为Y′=Yn×wave(n)×weight,weight的目的是根据业务情况作精确度修正,提高业务预测的准确性,缺省值为1,也可以根据业务增长情况自行设定。
步骤106、按照所述预测数据进行网络资源配置。
在本申请的一种优选实施例中,所述步骤106可以包括:
子步骤S41、按照所述预测数据确定服务器的个数。
和/或,
子步骤S42、按照所述预测数据调整网络带宽。
生成预测数据后,可以依据预测数据对当前的网络资源进行配置,例如对某购物网站的业务量进行预测后,发现当前12月份的业务量为2万笔,相应的有2000台服务器在支撑这些业务,1月份的业务量预测值降到了1万笔,2月份的业务量预测值升至5万笔,因此,对于1月份可以降低服务器的数量,例如减少到1000台,并且可以降低网络带宽;对于2月份可以增加服务器以承载比较大的业务量,例如增加到5000台,并且可以同时提升网络带宽。
参考图2,示出了本申请的一种网络资源的配置方法实施例2的流程图,具体可以包括以下步骤:
步骤201、接收客户端发送的数据预测请求,所述数据预测请求中包括第一时期和第二时期。
其中,所述第二时期为所述第一时期的下一个周期内的一个或多个日期,所述第一时期为历史数据周期,所述第二时期为预测数据的日期。
步骤202、按照所述第一时期提取相应的多个第一数据,所述第一时期包括多个第一子时期,所述多个第一数据与所述多个第一子时期一一对应。
步骤203、删除所述多个第一数据中与相邻的第一数据的差值大于预设阀值的异常数据。
为了更好地进行趋势模型的拟合,与上个实施例区别的是,本实施例中,在提取了第一数据后,可以先将其中比较异常的数据删除掉,异常数据是指与相邻数据差距大于某个预设阀值的数据,例如,与相邻数据的差值大于40%。
步骤204、对于所述异常数据,或缺少对应的第一数据的第一子时期,以该第一数据所对应的第一子时期的前一个预设周期内的多个第一数据的平均值,作为对应的第一数据。
删除了异常数据后,可以以异常数据对应的第一子时期的前一个预设周期内的多个第一数据的平均值,替换该异常数据,例如,以过去2周内的第一数据的平均值替换该异常数据。在具体的实现中,提取的第一数据可能会不完整,即某些第一子时期可能缺少对应的第一数据,这种情况下,也可以以前一个预设周期内的多个第一数据的平均值来代替。
步骤205、基于所述第一时期、所述多个第一子时期和所述多个第一数据,生成趋势模型。
步骤206、基于符合预设条件的第一子时期所对应的第一数据,以及该第一子时期代入趋势模型得到的第一趋势值,确定数据波动参数。
步骤207、基于所述趋势模型和数据波动参数,生成所述第二时期对应的预测数据。
步骤208、将所述预测数据返回到客户端。
在生成预测数据后,可以将预测数据返回客户端。
步骤209、按照所述预测数据进行网络资源配置。
综上所述,本申请在利用过往的历史业务数据预测未来某个时期的业务数据时,首先依据历史时期、历史数据和时间的对应关系生成趋势模型,与现有技术相比,本申请在生成趋势模型的时候,先用移动平均值法处理数据,消除数据的波动性,提高系统的周期性预测的准确度;然后计算波动参数,依据波动参数和趋势模型来确定预测数据,充分考虑了历史数据的原本具有的周期性和波动性,可以充分提高业务预测的准确性和稳定性。
依据较准确的预测数据,从而可以进一步更准确的进行网络资源的合理配置,在预测业务量较小的时候,安排较少的网络资源,避免浪费,在预测业务量较大时,安排较多的网络资源,避免网络资源不足会造成各服务器负载过度,以及增加访客完成交易的等待时间的问题。
此外,本申请的网络资源的配置方法可以按照一定的预设频率定期执行,依据更新的历史数据进行预测,可以使得预测结果更为准确可靠,网络资源的配置也会更合理。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
参考图3,示出了本申请的一种网络资源的配置装置实施例1的结构框图,具体可以包括以下模块:
预测请求接收模块301,用于接收客户端发送的数据预测请求,所述数据预测请求中包括第一时期和第二时期;
第一数据提取模块302,用于按照所述第一时期提取相应的多个第一数据,所述第一时期包括多个第一子时期,所述多个第一数据与所述多个第一子时期一一对应;
趋势模型生成模块303,用于基于所述第一时期、所述多个第一子时期和所述多个第一数据,生成趋势模型;
数据波动参数生成模块304,用于基于符合预设条件的第一子时期所对应的第一数据,以及该第一子时期代入趋势模型得到的第一趋势值,确定数据波动参数;
预测数据生成模块305,用于基于所述趋势模型和数据波动参数,生成所述第二时期对应的预测数据;
资源配置模块306,用于按照所述预测数据进行网络资源配置。
在本申请的一种优选实施例中,所述第二时期可以为所述第一时期的下一个周期内的一个或多个日期,所述第一时期可以为历史数据周期,所述第二时期可以为预测数据的日期。
在本申请的一种优选实施例中,趋势模型生成模块303可以包括:
第一趋势值生成子模块,用于基于所述第一时期和所述多个第一数据,使用移动平均值法,生成与所述第一时期相应的多个第一趋势值;
趋势模型确定子模块,用于基于所述第一时期,以及对应的多个第一趋势值,确定趋势模型。
在本申请的一种优选实施例中,所述数据波动参数生成模块304可以包括:
第一子时期确定子模块,用于确定第二时期相对于第一时期的时间偏移值,取所述时间偏移值和所述第一时期的长度的差值确定符合预设条件的第一子时期;
波动时期趋势值计算子模块,用于将所述符合预设条件的第一子时期代入所述趋势模型得到对应的第一趋势值;
波动参数计算子模块,用于计算所述符合预设条件的第一子时期对应的第一数据和第一趋势值的比值,作为波动参数。
在本申请的一种优选实施例中,所述预测数据生成模块305可以包括:
时间偏移值趋势值计算子模块,用于将所述时间偏移值代入所述趋势模型,得到对应的第一趋势值;
预测数据计算子模块,用于计算所述时间偏移值对应的第一趋势值、所述波动参数和预设权值的乘积,作为所述第二时期对应的预测数据。
在本申请的一种优选实施例中,所述资源配置模块306包括:
服务器配置子模块,用于按照所述预测数据确定服务器的个数。
和/或,
网络带宽配置子模块,用于按照所述预测数据调整网络带宽。
在具体的实现中,所述第二时期可以对应多个第二子时期,所述装置可以依次针对各个第二子时期,生成对应的预测数据,所述装置可以按照预设频率定期执行。
参考图4,示出了本申请的一种网络资源的配置装置实施例2的结构框图,具体可以包括以下模块:
预测请求接收模块401,用于接收客户端发送的数据预测请求,所述数据预测请求中包括第一时期和第二时期,其中,所述第二时期为所述第一时期的下一个周期内的一个或多个日期,所述第一时期为历史数据周期,所述第二时期为预测数据的日期;
第一数据提取模块402,用于按照所述第一时期提取相应的多个第一数据,所述第一时期包括多个第一子时期,所述多个第一数据与所述多个第一子时期一一对应;
异常数据删除模块403,用于删除所述多个第一数据中与相邻的第一数据的差值大于预设阀值的异常数据。
第一数据调整模块404,用于对于所述异常数据,或缺少对应的第一数据的第一子时期,以该第一数据所对应的第一子时期的前一个预设周期内的多个第一数据的平均值,作为对应的第一数据。
趋势模型生成模块405,用于基于所述第一时期、所述多个第一子时期和所述多个第一数据,生成趋势模型;
数据波动参数生成模块406,用于基于符合预设条件的第一子时期所对应的第一数据,以及该第一子时期代入趋势模型得到的第一趋势值,确定数据波动参数;
预测数据生成模块407,用于基于所述趋势模型和数据波动参数,生成所述第二时期对应的预测数据;
预测数据返回模块408,用于将所述预测数据返回到客户端。
资源配置模块409,用于按照所述预测数据进行网络资源配置。
由于所述装置实施例基本相应于前述图1和图2所示的方法实施例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此就不赘述了。
本申请可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种网络资源的配置方法,以及,一种网络资源的配置装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种网络资源的配置方法,其特征在于,包括:
接收数据预测请求,所述数据预测请求中包括第一时期和第二时期,所述第二时期为所述第一时期的下一个周期内的一个或多个日期,所述第一时期为历史数据周期,所述第二时期为预测数据的日期;
按照所述第一时期提取相应的多个第一数据,所述第一时期包括多个第一子时期,所述多个第一数据与所述多个第一子时期一一对应;
基于所述第一时期、所述多个第一子时期和所述多个第一数据,生成趋势模型;
基于符合预设条件的第一子时期所对应的第一数据,以及该第一子时期代入趋势模型得到的第一趋势值,确定数据波动参数;
基于所述趋势模型和数据波动参数,生成所述第二时期对应的预测数据;
按照所述预测数据进行网络资源配置。
2.如权利要求1所述的方法,其特征在于,所述基于第一时期、多个第一子时期和多个第一数据,生成趋势模型的步骤包括:
基于所述第一时期和所述多个第一数据,使用移动平均值法,生成与所述第一时期相应的多个第一趋势值;
基于所述第一时期,以及对应的多个第一趋势值,确定趋势模型。
3.如权利要求1所述的方法,其特征在于,所述基于符合预设条件的第一子时期所对应的第一数据,以及该第一子时期代入趋势模型得到的第一趋势值,确定数据波动参数的步骤包括:
确定第二时期相对于第一时期的时间偏移值,取所述时间偏移值和所述第一时期的长度的差值确定符合预设条件的第一子时期;
将所述符合预设条件的第一子时期代入所述趋势模型得到对应的第一趋势值;
计算所述符合预设条件的第一子时期对应的第一数据和第一趋势值的比值,作为波动参数。
4.如权利要求3所述的方法,其特征在于,所述基于趋势模型和数据波动参数,生成所述第二时期对应的预测数据的步骤包括:
将所述时间偏移值代入所述趋势模型,得到对应的第一趋势值;
计算所述时间偏移值对应的第一趋势值、所述波动参数和预设权值的乘积,作为所述第二时期对应的预测数据。
5.如权利要求1所述的方法,其特征在于,所述按照预测数据进行网络资源的配置的步骤包括:
按照所述预测数据确定服务器的个数。
和/或,按照所述预测数据调整网络带宽。
6.如权利要求1所述的方法,其特征在于,所述第二时期对应多个第二子时期,所述方法依次针对各个第二子时期,生成对应的预测数据。
7.如权利要求1所述的方法,其特征在于,所述方法按照预设频率定期执行。
8.如权利要求1所述的方法,其特征在于,在基于所述第一时期、所述多个第一子时期和所述多个第一数据,生成趋势模型的步骤之前,所述方法还包括:
删除所述多个第一数据中与相邻的第一数据的差值大于预设阀值的异常数据;
9.如权利要求1所述的方法,其特征在于,在基于所述第一时期、所述多个第一子时期和所述多个第一数据,生成趋势模型的步骤之前,所述方法还包括:
对于所述异常数据,或缺少对应的第一数据的第一子时期,以该第一数据所对应的第一子时期的前一个预设周期内的多个第一数据的平均值,作为对应的第一数据。
10.一种网络资源的配置装置,其特征在于,包括:
预测请求接收模块,用于接收数据预测请求,所述数据预测请求中包括第一时期和第二时期,所述第二时期为所述第一时期的下一个周期内的一个或多个日期,所述第一时期为历史数据周期,所述第二时期为预测数据的日期;
第一数据提取模块,用于按照所述第一时期提取相应的多个第一数据,所述第一时期包括多个第一子时期,所述多个第一数据与所述多个第一子时期一一对应;
趋势模型生成模块,用于基于所述第一时期、所述多个第一子时期和所述多个第一数据,生成趋势模型;
数据波动参数生成模块,用于基于符合预设条件的第一子时期所对应的第一数据,以及该第一子时期代入趋势模型得到的第一趋势值,确定数据波动参数;
预测数据生成模块,用于基于所述趋势模型和数据波动参数,生成所述第二时期对应的预测数据;
资源配置模块,用于按照所述预测数据进行网络资源配置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210322661.7A CN103685347B (zh) | 2012-09-03 | 2012-09-03 | 一种网络资源的配置方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210322661.7A CN103685347B (zh) | 2012-09-03 | 2012-09-03 | 一种网络资源的配置方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103685347A true CN103685347A (zh) | 2014-03-26 |
CN103685347B CN103685347B (zh) | 2017-01-18 |
Family
ID=50321658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210322661.7A Active CN103685347B (zh) | 2012-09-03 | 2012-09-03 | 一种网络资源的配置方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103685347B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017045472A1 (zh) * | 2015-09-16 | 2017-03-23 | 华为技术有限公司 | 资源预测方法、系统和容量管理装 |
CN106875027A (zh) * | 2016-06-06 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 资源请求值的预测方法及装置、交易量的预测方法 |
CN107124442A (zh) * | 2016-02-24 | 2017-09-01 | 阿里巴巴集团控股有限公司 | 基于用户行为的资源动态调整方法及设备 |
CN107329882A (zh) * | 2017-06-12 | 2017-11-07 | 腾讯科技(深圳)有限公司 | 获取在线数据的方法和装置、存储介质及电子装置 |
CN108092797A (zh) * | 2017-11-21 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种容器管理方法及装置 |
CN110198543A (zh) * | 2018-03-26 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 网络资源规划方法、装置、计算机可读介质及电子设备 |
CN110275809A (zh) * | 2018-03-15 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 一种数据波动识别方法、装置及存储介质 |
CN111314234A (zh) * | 2020-03-31 | 2020-06-19 | 北京创世云科技有限公司 | 一种流量分配的方法、装置、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050246259A1 (en) * | 2004-03-30 | 2005-11-03 | Andre Lavoie | Method and system for providing guidance data |
US20090180430A1 (en) * | 2008-01-10 | 2009-07-16 | Fadell Anthony M | Apparatus and methods for network resource allocation |
US20100120440A1 (en) * | 2008-11-07 | 2010-05-13 | Sarat Puthenpura | Method and apparatus for joint optimization of dedicatedand radio access networks |
CN102075944A (zh) * | 2010-12-07 | 2011-05-25 | 南京邮电大学 | 认知网络中基于多Agent协作的可用资源管理系统及方法 |
CN102333040A (zh) * | 2011-10-28 | 2012-01-25 | 中国科学院计算技术研究所 | 一种服务器瞬间拥塞控制方法和系统 |
-
2012
- 2012-09-03 CN CN201210322661.7A patent/CN103685347B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050246259A1 (en) * | 2004-03-30 | 2005-11-03 | Andre Lavoie | Method and system for providing guidance data |
US20090180430A1 (en) * | 2008-01-10 | 2009-07-16 | Fadell Anthony M | Apparatus and methods for network resource allocation |
US20100120440A1 (en) * | 2008-11-07 | 2010-05-13 | Sarat Puthenpura | Method and apparatus for joint optimization of dedicatedand radio access networks |
CN102075944A (zh) * | 2010-12-07 | 2011-05-25 | 南京邮电大学 | 认知网络中基于多Agent协作的可用资源管理系统及方法 |
CN102333040A (zh) * | 2011-10-28 | 2012-01-25 | 中国科学院计算技术研究所 | 一种服务器瞬间拥塞控制方法和系统 |
Non-Patent Citations (2)
Title |
---|
孙韩林: "互联网流量、时延性质及预测模型研究", 《万方学术论文数据库》 * |
张毅,李乐民: "网络业务量的一种稳定多分形模型及其检验", 《电子与信息学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017045472A1 (zh) * | 2015-09-16 | 2017-03-23 | 华为技术有限公司 | 资源预测方法、系统和容量管理装 |
US10678596B2 (en) | 2016-02-24 | 2020-06-09 | Alibaba Group Holding Limited | User behavior-based dynamic resource capacity adjustment |
CN107124442A (zh) * | 2016-02-24 | 2017-09-01 | 阿里巴巴集团控股有限公司 | 基于用户行为的资源动态调整方法及设备 |
CN106875027A (zh) * | 2016-06-06 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 资源请求值的预测方法及装置、交易量的预测方法 |
CN106875027B (zh) * | 2016-06-06 | 2020-11-06 | 创新先进技术有限公司 | 资源请求值的预测方法及装置、交易量的预测方法 |
CN107329882A (zh) * | 2017-06-12 | 2017-11-07 | 腾讯科技(深圳)有限公司 | 获取在线数据的方法和装置、存储介质及电子装置 |
CN108092797A (zh) * | 2017-11-21 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种容器管理方法及装置 |
CN110275809A (zh) * | 2018-03-15 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 一种数据波动识别方法、装置及存储介质 |
CN110275809B (zh) * | 2018-03-15 | 2022-07-08 | 腾讯科技(深圳)有限公司 | 一种数据波动识别方法、装置及存储介质 |
CN110198543A (zh) * | 2018-03-26 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 网络资源规划方法、装置、计算机可读介质及电子设备 |
CN110198543B (zh) * | 2018-03-26 | 2021-11-05 | 腾讯科技(深圳)有限公司 | 网络资源规划方法、装置、计算机可读介质及电子设备 |
CN111314234A (zh) * | 2020-03-31 | 2020-06-19 | 北京创世云科技有限公司 | 一种流量分配的方法、装置、存储介质及电子设备 |
CN111314234B (zh) * | 2020-03-31 | 2021-04-27 | 北京创世云科技股份有限公司 | 一种流量分配的方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN103685347B (zh) | 2017-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103685347A (zh) | 一种网络资源的配置方法和装置 | |
Christensen et al. | Uncertainty in forecasts of long-run economic growth | |
Sawik | On the risk-averse optimization of service level in a supply chain under disruption risks | |
US20160162779A1 (en) | Device, system and method for generating a predictive model by machine learning | |
US8868541B2 (en) | Scheduling resource crawls | |
CN109447355B (zh) | 仓库货物的配送优化方法、装置、介质和计算设备 | |
JP2023029983A (ja) | 電力不正使用検出のための新しい非パラメトリック統計的挙動識別エコシステム | |
CN104090919A (zh) | 推荐广告的方法及广告推荐服务器 | |
WO2014193399A1 (en) | Influence score of a brand | |
CN102375810B (zh) | 整体帐户搜索关键词的估计值反馈方法及服务器 | |
JP2017142781A (ja) | 確率的価格及び急変予測 | |
WO2014193700A1 (en) | Social media pricing engine | |
Radovanovic et al. | Power modeling for effective datacenter planning and compute management | |
Chiu et al. | Rescheduling strategies for integrating rush orders with preventive maintenance in a two-machine flow shop | |
Wu et al. | Performance analysis of serial supply chain networks considering system disruptions | |
US20180218415A1 (en) | Data center and information processing device | |
CN103475730A (zh) | 一种云环境下用户确定度引导的web服务选择方法 | |
Kim | A column generation heuristic for congested facility location problem with clearing functions | |
CN105432038A (zh) | 应用排名计算装置和使用信息收集装置 | |
US20180174082A1 (en) | Perceived quality of service | |
CN113868110B (zh) | 一种企业数字中台服务健康度的评估方法和装置 | |
Yu et al. | Tabu search heuristics for workflow resource allocation simulation optimization | |
Garg et al. | Online optimization with dynamic temporal uncertainty: Incorporating short term predictions for renewable integration in intelligent energy systems | |
CN113760550A (zh) | 资源分配方法和资源分配装置 | |
CN114493132A (zh) | 资源分配方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191213 Address after: P.O. Box 31119, grand exhibition hall, hibiscus street, 802 West Bay Road, Grand Cayman, Cayman Islands Patentee after: Innovative advanced technology Co., Ltd Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Patentee before: Alibaba Group Holding Co., Ltd. |
|
TR01 | Transfer of patent right |