CN104283717A - 一种预测虚拟网络资源状态的方法及装置 - Google Patents
一种预测虚拟网络资源状态的方法及装置 Download PDFInfo
- Publication number
- CN104283717A CN104283717A CN201410579178.6A CN201410579178A CN104283717A CN 104283717 A CN104283717 A CN 104283717A CN 201410579178 A CN201410579178 A CN 201410579178A CN 104283717 A CN104283717 A CN 104283717A
- Authority
- CN
- China
- Prior art keywords
- virtual network
- resource
- data
- history
- network element
- 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
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种预测虚拟网络资源状态的方法,以实现根据服务质量元素的预期目标预测出虚拟网络元素的资源状态数据的目的。例如,该方法可以包括:获得历史质量监控数据以及历史资源状态监控数据组成的历史数据集;将服务质量元素与虚拟网络元素定义为贝叶斯网络节点,利用历史数据集进行贝叶斯网络学习,构建出贝叶斯网络以及其中每个节点对应的条件概率表,利用贝叶斯网络中节点间的有向关系以及节点对应的条件概率表,查找出当指定服务质量元素对应的节点取值在给定质量数据的情况下,虚拟网络元素对应的节点具有最大概率的取值,得到虚拟网络元素的预测资源状态数据。另外,本发明实施例还提供了一种预测虚拟网络资源状态的装置。
Description
技术领域
本发明涉及虚拟网络,尤其涉及一种预测虚拟网络资源状态的方法及装置。
背景技术
虚拟网络,是包含虚拟网络链接的计算机网络,其中的虚拟网络元素包括虚拟节点和连接虚拟节点的虚拟链路。基于网络虚拟化技术,可以在物理网络基础上构建并承载一个或多个虚拟网络运行。因此,虚拟网络为实现资源配置交付方式更灵活的未来网络架构奠定了基础。
为了利用虚拟网络提供服务,服务提供商可以通过云计算平台向基础设施提供商租用虚拟网络资源,部署业务系统并向自己的目标客户群提供服务。目前,为了优化网络资源利用率,基础设施提供商通常基于元启发算法以资源成本最优策略调整虚拟网络结构。
但是,服务质量需求随时间动态变化,而基于元启发算法调整虚拟网络结构对服务质量元素(如,某服务使用资源量、同时访问某服务请求数量等)预期达到的目标无感,无法根据服务质量元素的需求变化预测出虚拟网络资源状态,也就无法根据服务质量元素的需求变化动态调整虚拟网络结构。
发明内容
有鉴于此,本发明提供了一种预测虚拟网络资源状态的方法及装置,以实现对服务质量元素所要达到的目标有感,及时预测出指定服务质量元素在预期目标下虚拟网络的资源状态的目的。
在本发明实施例的第一个方面,提供了一种预测虚拟网络资源状态的方法。例如,该方法可以包括:获得由不同历史时刻下与服务质量元素对应的历史质量监控数据以及与虚拟网络元素对应的历史资源状态监控数据组成的历史数据集;将所述服务质量元素与所述虚拟网络元素定义为贝叶斯网络节点,利用历史数据集进行贝叶斯网络学习,构建出节点间具有有向关系的贝叶斯网络,其中,所述贝叶斯网络中的每个节点具有由所述历史数据集计算出的、对应的条件概率表;利用所述贝叶斯网络中节点间的有向关系以及节点对应的条件概率表,查找出当指定服务质量元素对应的节点取值在给定质量数据的情况下,所述虚拟网络元素对应的节点具有最大概率的取值,该具有最大概率的取值为所述虚拟网络元素的预测资源状态数据。
在本发明实施例的第二个方面,提供了一种预测虚拟网络资源状态的装置。例如,该装置可以包括:
数据集获取单元,可以用于获得由不同历史时刻下与服务质量元素对应的历史质量监控数据以及与虚拟网络元素对应的历史资源状态监控数据组成的历史数据集;贝叶斯网络构建单元,可以用于将所述服务质量元素与所述虚拟网络元素定义为贝叶斯网络节点,利用历史数据集进行贝叶斯网络学习,构建出节点间具有有向关系的贝叶斯网络,其中,所述贝叶斯网络中的每个节点具有由所述历史数据集计算出的、对应的条件概率表;预测数据计算单元,可以用于利用所述贝叶斯网络中节点间的有向关系以及节点对应的条件概率表,查找出当指定服务质量元素对应的节点取值在给定质量数据的情况下,所述虚拟网络元素对应的节点具有最大概率的取值,该具有最大概率的取值为所述虚拟网络元素的预测资源状态数据。
本发明实施例具有以下有益效果:
由于本发明实施例利用服务质量元素对应历史质量监控数据,及虚拟网络元素对应的历史资源状态监控数据分析构建出了贝叶斯网络数学模型,利用所述贝叶斯网络中节点间的有向关系以及概率推理的算法自动根据虚拟网络的指定服务质量元素的预期目标动态地预测出虚拟网络元素的资源状态数据,从而解决了现有技术无法根据服务质量需求变化动态调整虚拟网络结构所存在的问题,从而可以进一步根据服务质量需求变化动态调整虚拟网络结构。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的服务质量元素、服务、虚拟网络元素三者之间的关系示意图;
图2为本发明实施例提供的预测虚拟网络资源状态的方法流程示意图;
图3为本发明一实施例涉及的历史数据集示意图;
图4为本发明另一实施例涉及的贝叶斯网络结构示意图;
图5为本发明又一实施例涉及的条件概率表示意图;
图6为本发明实施例提供的预测虚拟网络资源状态的装置结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
为了使本发明实施例更加便于理解,首先对服务质量元素、服务、虚拟网络元素三者之间的关系进行简单介绍。例如,如图1所示,一个服务(如SVC2,SVC3,SVO4)可以使用虚拟网络中一个或多个虚拟节点(在图1中标识为vno)或虚拟链路(在图1中标识为vnl)的资源,每个服务可以有对应的一个或多个不同的服务质量元素(例如,服务使用资源量RRT、同时访问该服务的请求数量CR等)。
针对现有技术无法根据服务质量元素的需求变化预测出虚拟网络资源状态的问题。为了能够对服务质量元素的目标有感,及时预测出指定服务质量元素的预期目标下虚拟网络资源状态,本发明的发明人发现,可以根据服务提供商与基础设施提供商之间签订的网络服务等级协议(Service LevelAgreement)中的网络QoS相关服务质量目标,及历史运行数据分析构建贝叶斯网络数学模型,利用所述贝叶斯网络中节点间的有向关系以及概率推理的算法自动根据虚拟网络的指定服务质量元素的预期目标动态地预测出虚拟网络的资源状态,从而解决现有技术无法根据服务质量需求变化动态调整虚拟网络结构所存在的问题。
基于上述分析,本发明实施例提供了以下预测虚拟网络资源状态的方法。
例如,参见图2,为本发明实施例提供的预测虚拟网络资源状态的方法流程示意图。如图2所示,该方法可以包括:
S210、获得由不同历史时刻下与服务质量元素对应的历史质量监控数据以及与虚拟网络元素对应的历史资源状态监控数据组成的历史数据集。
例如,一些可能的实施方式中,本发明实施例所述的历史数据集可以为如图3所示的历史数据集。
在本发明一些可能的实施方式中,考虑到虚拟网络元素的资源利用率可以比较准确地反应虚拟网络的资源状态,根据对虚拟网络元素的资源利用率的监控得到历史资源状态监控数据。具体地,例如,可以通过以下步骤获得不同历史时刻下与虚拟网络元素对应的历史资源状态监控数据:
资源数据获取步骤一:获得在所述不同历史时刻采集到的与虚拟网络元素对应的历史资源利用率监控数据。
按指定频率采集虚拟网络中各虚拟节点以及虚拟链路的资源利用率。资源利用率是指正在被使用的资源与被分配到的资源的比率。在该实施方式中,可以将不同的采集时刻作为本发明实施例所述的不同历史时刻。针对每一历史时刻下的每个虚拟节点、每个虚拟链路,分别计算该历史时刻与之前上一历史时刻之间的时间间隔内,资源利用率平均值,得到该历史时刻下每个虚拟节点、每个虚拟链路分别对应的历史资源利用率监控数据。
资源数据获取步骤二:针对每个虚拟网络元素在每个历史时刻对应的历史资源利用率监控数据,根据预置的、当历史资源利用率监控数据大于资源利用率对应的上限阈值时、当小于等于所述上限阈值且大于资源利用率对应的下限阈值时、当小于等于所述下限阈值时,分别对应的不同历史资源状态监控数据,得到每个虚拟网络元素在每个历史时刻对应的历史资源状态监控数据。
例如,在一些可能的实施方式中,历史资源利用率监控数据大于资源利用率对应的上限阈值、小于等于所述上限阈值且大于资源利用率对应的下限阈值、小于等于所述下限阈值,三种情况可以分别对应{1,0,-1}三种历史资源状态监控数据。在该实施方式中,假设某一历史时刻与其上一历史时刻之间的时间间隔为Δt,虚拟节点或虚拟链路r的资源利用率监控数据为xr,Δt,则可以根据公式求得该虚拟网络节点或虚拟链路r在该历史时刻对应的历史资源状态监控数据其中,σl为资源利用率对应的下限阀值,σu为资源利用率对应的上限阈值。例如,一些可能的实施方式中,σl、σuxr,Δt的取值受条件0≤σl,σu,xr,Δt≤1的制约。
在本发明一些可能的实施方式中,为了保障虚拟节点与虚拟链路较多的大规模虚拟网络的处理性能,将连续值划分为不同的取值范围,将详细质量监控数据按不同取值范围进行离散化处理,将属于同一取值范围内的详细质量监控数据模糊化为相同的取值(例如,可以采用K-means等离散算法,使得处于同一取值范围的详细质量监控数据归为同类),从而可以有效减少将来概率运算时的运算量。具体地,例如,可以通过以下步骤获得不同历史时刻下与服务质量元素对应的历史质量监控数据:
质量数据获取步骤一:获得不同历史时刻采集到的与服务质量元素对应的详细质量监控数据。
质量数据获取步骤二:针对每个服务质量元素,通过将该服务质量元素在不同历史时刻采集到的详细质量监控数据按预置的各个取值范围进行离散化处理,确定出每个服务质量元素在不同历史时刻分别对应的取值范围。
质量数据获取步骤三:将每个服务质量元素在每个历史时刻对应的取值范围,作为该服务质量元素在该历史时刻采集到的历史质量监控数据。
S220、将所述服务质量元素与所述虚拟网络元素定义为贝叶斯网络节点,利用历史数据集进行贝叶斯网络结构学习,构建出节点间具有有向关系的贝叶斯网络,其中,所述贝叶斯网络中的每个节点具有由所述历史数据集计算出的、对应的条件概率表。
例如,一些可能的实施方式中,构建出的贝叶斯网络可以为如图4所示的贝叶斯网络。图4所示贝叶斯网络中的节点SVC4.RRT对应的条件概率表可以为如图5所示的条件概率表。如图5所示,表中给出了属于服务质量元素的节点SVC4.RRT在四个取值范围(-inf-10.5]、(10.5-16]、(16-21.5]、(21.5-inf]的情况下,分别与属于服务质量元素的节点SVC4.CR的四个取值范围(-inf-53]、(53-75]、(75-97]、(97-inf]之间的条件概率。其中,inf表示无穷大。例如,SVC4.CR在取值范围(75-97]的情况下,与SVC4.RRT在取值范围(16-21.5]之间的条件概率为0.045。
结合图4及图5所示,贝叶斯网络由结构和参数两部分组成。贝叶斯网络学习的目的就是构建出贝叶斯网络,按照某种测度最好地与所述历史数据集拟合,寻找出节点间有向关系以形成有向无环的有向网络结构,以及寻找出每个节点相关的条件概率表。
其中,寻找有向关系的学习称为网络结构学习,获取条件概率表称为网络参数学习。本发明实施例对贝叶斯网络结构学习算法以及条件概率表计算算法的具体实施方式不做限制,可以依据一般方式实现。例如,可以基于打分搜索的学习方法实现,也可以基于依赖分析的学习方法实现贝叶斯网络结构学习。再例如,可以选择常用的SimpleEstimator算法实现条件概率表计算。
S230、利用所述贝叶斯网络中节点间的有向关系以及节点对应的条件概率表,查找出当指定服务质量元素对应的节点取值在给定质量数据的情况下,所述虚拟网络元素对应的节点具有最大概率的取值,该具有最大概率的取值为所述虚拟网络元素的预测资源状态数据。
需要说明的是,本发明实施例在实际应用中,在构建出贝叶斯网络之后,可以重复基于所构建出的贝叶斯网络,预测出虚拟网络元素的资源状态数据。并且,随着历史监控数据的增加,还可以不断对构建出的贝叶斯网络进行修正,从而维持贝叶斯网络的正确性。
在构建出贝叶斯网络之后,为了预测出虚拟网络元素的资源状态数据,可以利用概率推理算法(如,Maximum Probabilistic Explanation,MPE),基于指定服务质量元素对应的给定质量数据,为具有有向关系的虚拟网络元素的资源状态数据查找出概率最大的取值(例如,查找出虚拟节点或虚拟链路的资源状态数据在-1,0,1三者中概率最大的取值)。其中,概率推理过程可以按照贝叶斯定理来实现。
例如,假设贝叶斯网络中包括节点A、节点B、节点C。其中,节点C可以属于某服务质量元素、节点A、B可以属于虚拟节点或虚拟链路。假设三者之间存在关系C->B->A。设P(A|B)为当B为指定值的时候A为指定值的概率;设P(B|C)为当C为指定值的时候B为指定值的概率。则依据贝叶斯定理,A、B、C三者之间的概率计算公式可以包括:
其中,P(C=T|B=x,A=y)表示贝叶斯网络中C节点取值在T的情况下,B取值为x,A取值为y的概率。
根据p(B=x,A=y)=P(A=y|B=x)P(B=x)以及,
p(C=T,B=x,A=y)=P(A=y|B=x)P(B=x)P(B=x|C=T)P(C=T)
可以计算出p(C=T|B=x,A=y)=P(B=x|C=T)P(C=T)。
可以理解的是,上面仅为本发明实施例所使用的贝叶斯定理的简单说明。根据上述简单说明,本领域技术人员在实际应用中可以结合构建出的贝叶斯网络的各节点之间的有向关系及对应的条件概率表进行更加复杂的推理。
例如,一些可能的实施方式中,为所述虚拟网络元素对应的节点查找出的具有最大概率的资源状态数据可以包括:不足、满足或超配。需要说明的是,本发明实施例中,对如何描述所述虚拟网络元素具有最大概率的资源状态数据的具体实施方式不限。例如,根据上面实施方式提到的,资源状态监控数据包括-1(表示资源不足),0(表示资源满足),1(表示资源超配)三种,则所述虚拟网络元素对应的节点具有最大概率的取值相应也可以包括:-1,0,1。
在查找出所述虚拟网络元素对应的节点具有最大概率的取值之后,如果所述虚拟网络元素对应的节点具有最大概率的取值为不足或超配,可以进一步针对所述虚拟网络元素生成资源重配置请求。
需要说明的是,本发明实施例对于如何针对所述虚拟网络元素生成资源重配置请求的具体实施方式不限。
例如,一些可能的实施方式中,所述如果虚拟网络元素的预测资源状态数据为不足或超配,针对所述虚拟网络元素生成资源重配置请求可以包括:
如果所述虚拟网络元素对应的节点具有最大概率的资源状态数据为不足,根据ΔR(r)=(xr,Δt-σu+μ)R(r)计算出在t2时刻需要追加的资源量ΔR(r),其中,Δt=t2-t1,表示t2时刻距之前的t1时刻之间的时间间隔,xr,Δt是在时间间隔Δt内采样的平均资源利用率,σu是资源利用率对应的上限阈值,R(r)是所述虚拟网络元素在t1时刻的实际资源分配量,μ是为防止资源重配置调整幅度过小而设置的常数;
如果所述虚拟网络元素对应的节点具有最大概率的资源状态数据为超配,根据ΔR(r)=(σl-xr,Δt-μ)R(r)计算出在t2时刻需要释放的资源量ΔR(r),其中,σl是资源利用率对应的下限阈值。
需要说明的是,由于本发明构建贝叶斯网络的过程与虚拟网络及物理网络结构无关,不受虚拟网络运行其上的物理网络结构的限制,因此,本发明实施例可以应用于构建在一个或多个异构的物理网络之上的一个或多个虚拟网络。
可见,在虚拟网络平台应用本发明实施例提供的预测虚拟网络资源状态的方法,可以根据服务质量元素的需求变化预测出虚拟网络资源状态,解决了现有技术无法根据服务质量需求变化动态调整虚拟网络结构所存在的问题,从而可以进一步根据服务质量需求变化动态调整虚拟网络结构。
与上述预测虚拟网络资源状态的方法相对应的,本发明实施例还提供了一种预测虚拟网络资源状态的装置。
例如,参见图6,为本发明实施例提供的一种预测虚拟网络资源状态的装置结构示意图。如图6所示,该装置可以包括:
数据集获取单元610,可以用于获得由不同历史时刻下与服务质量元素对应的历史质量监控数据以及与虚拟网络元素对应的历史资源状态监控数据组成的历史数据集。贝叶斯网络构建单元620,可以用于将所述服务质量元素与所述虚拟网络元素定义为贝叶斯网络节点,利用历史数据集进行贝叶斯网络学习,构建出节点间具有有向关系的贝叶斯网络,其中,所述贝叶斯网络中的每个节点具有由所述历史数据集计算出的、对应的条件概率表。预测数据计算单元630,可以用于利用所述贝叶斯网络中节点间的有向关系以及节点对应的条件概率表,查找出当指定服务质量元素对应的节点取值在给定质量数据的情况下,所述虚拟网络元素对应的节点具有最大概率的取值,该具有最大概率的取值为所述虚拟网络元素的预测资源状态数据。
在本发明一些可能的实施方式中,考虑到虚拟网络元素的资源利用率可以比较准确地反应虚拟网络的资源状态,根据对虚拟网络元素的资源利用率的监控得到历史资源状态监控数据。具体地,例如,所述装置还可以包括:资源数据获取单元600,可以用于获得在所述不同历史时刻采集到的与虚拟网络元素对应的历史资源利用率监控数据。资源状态获取单元601,可以用于针对每个虚拟网络元素在每个历史时刻对应的历史资源利用率监控数据,根据预置的、当历史资源利用率监控数据大于资源利用率对应的上限阈值时、当小于等于所述上限阈值且大于资源利用率对应的下限阈值时、当小于等于所述下限阈值时,分别对应的不同历史资源状态监控数据,得到每个虚拟网络元素在每个历史时刻对应的历史资源状态监控数据。
在本发明一些可能的实施方式中,为了保障虚拟节点与虚拟链路较多的大规模虚拟网络的处理性能,将连续值划分为不同的取值范围,将详细质量监控数据按不同取值范围进行离散化处理,从而可以有效减少将来概率运算时的运算量。具体地,例如,所述装置还可以包括:详细质量数据获取单元602,可以用于获得不同历史时刻采集到的与服务质量元素对应的详细质量监控数据。离散单元603,可以用于针对每个服务质量元素,通过将该服务质量元素在不同历史时刻采集到的详细质量监控数据按预置的各个取值范围进行离散化处理,确定出每个服务质量元素在不同历史时刻分别对应的取值范围。质量监控数据确定单元604,可以用于将每个服务质量元素在每个历史时刻对应的取值范围,作为该服务质量元素在该历史时刻采集到的历史质量监控数据。
例如,一些可能的实施方式中,为所述虚拟网络元素对应的节点查找出的具有最大概率的资源状态数据可以包括:不足、满足或超配。在该实施方式中,所述装置还可以包括:资源重配置单元640,可以用于如果所述虚拟网络元素的预测资源状态数据为不足或超配,针对所述虚拟网络元素生成资源重配置请求。
例如,一些可能的实施方式中,所述资源重配置单元640可以包括:资源不足重配置子单元641,可以用于如果所述虚拟网络元素对应的节点具有最大概率的资源状态数据为不足,根据ΔR(r)=(xr,Δt-σu+μ)R(r)计算出在t2时刻需要追加的资源量ΔR(r),其中,Δt=t2-t1,表示t2时刻距之前的t1时刻之间的时间间隔,xr,Δt是在时间间隔Δt内采样的平均资源利用率,σu是资源利用率对应的上限阈值,R(r)是所述虚拟网络元素在t1时刻的实际资源分配量,μ是为防止资源重配置调整幅度过小而设置的常数。资源超配重配置子单元642,可以用于如果所述虚拟网络元素对应的节点具有最大概率的资源状态数据为超配,根据ΔR(r)=(σl-xr,Δt-μ)R(r)计算出在t2时刻需要释放的资源量ΔR(r),其中,σl是资源利用率对应的下限阈值。
可见,在虚拟网络平台配置本发明实施例提供的预测虚拟网络资源状态的装置,可以根据服务质量元素的需求变化预测出虚拟网络资源状态,解决了现有技术无法根据服务质量需求变化动态调整虚拟网络结构所存在的问题,从而可以进一步根据服务质量需求变化动态调整虚拟网络结构。
需要注意的是,所述资源数据获取单元600、资源状态获取单元601、详细质量数据获取单元602、离散单元、603、质量监控数据确定单元604、资源不足重配置子单元641以及资源超配重配置资源642在图6中以虚线绘制,以表示这些单元或子单元不是本发明实施例所述装置的必要单元。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明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。
本发明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发明,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。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种预测虚拟网络资源状态的方法,其特征在于,包括:
获得由不同历史时刻下与服务质量元素对应的历史质量监控数据以及与虚拟网络元素对应的历史资源状态监控数据组成的历史数据集;
将所述服务质量元素与所述虚拟网络元素定义为贝叶斯网络节点,利用历史数据集进行贝叶斯网络学习,构建出节点间具有有向关系的贝叶斯网络,其中,所述贝叶斯网络中的每个节点具有由所述历史数据集计算出的、对应的条件概率表;
利用所述贝叶斯网络中节点间的有向关系以及节点对应的条件概率表,查找出当指定服务质量元素对应的节点取值在给定质量数据的情况下,所述虚拟网络元素对应的节点具有最大概率的取值,该具有最大概率的取值为所述虚拟网络元素的预测资源状态数据。
2.根据权利要求1所述的方法,其特征在于,还包括,通过以下步骤获得不同历史时刻下与虚拟网络元素对应的历史资源状态监控数据:
获得在所述不同历史时刻采集到的与虚拟网络元素对应的历史资源利用率监控数据;
针对每个虚拟网络元素在每个历史时刻对应的历史资源利用率监控数据,根据预置的、当历史资源利用率监控数据大于资源利用率对应的上限阈值时、当小于等于所述上限阈值且大于资源利用率对应的下限阈值时、当小于等于所述下限阈值时,分别对应的不同历史资源状态监控数据,得到每个虚拟网络元素在每个历史时刻对应的历史资源状态监控数据。
3.根据权利要求1所述的方法,其特征在于,还包括,通过以下步骤获得不同历史时刻下与服务质量元素对应的历史质量监控数据:
获得不同历史时刻采集到的与服务质量元素对应的详细质量监控数据;
针对每个服务质量元素,通过将该服务质量元素在不同历史时刻采集到的详细质量监控数据按预置的各个取值范围进行离散化处理,确定出每个服务质量元素在不同历史时刻分别对应的取值范围;
将每个服务质量元素在每个历史时刻对应的取值范围,作为该服务质量元素在该历史时刻采集到的历史质量监控数据。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述虚拟网络元素的预测资源状态数据包括:不足、满足或超配;
且还包括:如果所述虚拟网络元素的预测资源状态数据为不足或超配,针对所述虚拟网络元素生成资源重配置请求。
5.根据权利要求4所述的方法,其特征在于,所述如果虚拟网络元素的预测资源状态数据为不足或超配,针对所述虚拟网络元素生成资源重配置请求包括:
如果所述虚拟网络元素对应的节点具有最大概率的资源状态数据为不足,根据ΔR(r)=(xr,Δt-σu+μ)R(r)计算出在t2时刻需要追加的资源量ΔR(r),其中,Δt=t2-t1,表示t2时刻距之前的t1时刻之间的时间间隔,xr,Δt是在时间间隔Δt内采样的平均资源利用率,σu是资源利用率对应的上限阈值,R(r)是所述虚拟网络元素在t1时刻的实际资源分配量,μ是为防止资源重配置调整幅度过小而设置的常数;
如果所述虚拟网络元素对应的节点具有最大概率的资源状态数据为超配,根据ΔR(r)=(σl-xr,Δt-μ)R(r)计算出在t2时刻需要释放的资源量ΔR(r),其中,σl是资源利用率对应的下限阈值。
6.一种预测虚拟网络资源状态的装置,其特征在于,包括:
数据集获取单元,用于获得由不同历史时刻下与服务质量元素对应的历史质量监控数据以及与虚拟网络元素对应的历史资源状态监控数据组成的历史数据集;
贝叶斯网络构建单元,用于将所述服务质量元素与所述虚拟网络元素定义为贝叶斯网络节点,利用历史数据集进行贝叶斯网络学习,构建出节点间具有有向关系的贝叶斯网络,其中,所述贝叶斯网络中的每个节点具有由所述历史数据集计算出的、对应的条件概率表;
预测数据计算单元,用于利用所述贝叶斯网络中节点间的有向关系以及节点对应的条件概率表,查找出当指定服务质量元素对应的节点取值在给定质量数据的情况下,所述虚拟网络元素对应的节点具有最大概率的取值,该具有最大概率的取值为所述虚拟网络元素的预测资源状态数据。
7.根据权利要求6所述的装置,其特征在于,还包括:
资源数据获取单元,用于获得在所述不同历史时刻采集到的与虚拟网络元素对应的历史资源利用率监控数据;
资源状态获取单元,用于针对每个虚拟网络元素在每个历史时刻对应的历史资源利用率监控数据,根据预置的、当历史资源利用率监控数据大于资源利用率对应的上限阈值时、当小于等于所述上限阈值且大于资源利用率对应的下限阈值时、当小于等于所述下限阈值时,分别对应的不同历史资源状态监控数据,得到每个虚拟网络元素在每个历史时刻对应的历史资源状态监控数据。
8.根据权利要求6所述的装置,其特征在于,还包括:
详细质量数据获取单元,用于获得不同历史时刻采集到的与服务质量元素对应的详细质量监控数据;
离散单元,用于针对每个服务质量元素,通过将该服务质量元素在不同历史时刻采集到的详细质量监控数据按预置的各个取值范围进行离散化处理,确定出每个服务质量元素在不同历史时刻分别对应的取值范围;
质量监控数据确定单元,用于将每个服务质量元素在每个历史时刻对应的取值范围,作为该服务质量元素在该历史时刻采集到的历史质量监控数据。
9.根据权利要求6-8任一项所述的装置,其特征在于,所述虚拟网络元素的预测资源状态数据包括:不足、满足或超配;
且,还包括:资源重配置单元,用于如果所述虚拟网络元素的预测资源状态数据为不足或超配,针对所述虚拟网络元素生成资源重配置请求。
10.根据权利要求9所述的装置,其特征在于,所述资源重配置单元包括:
资源不足重配置子单元,用于如果所述虚拟网络元素对应的节点具有最大概率的资源状态数据为不足,根据ΔR(r)=(xr,Δt-σu+μ)R(r)计算出在t2时刻需要追加的资源量ΔR(r),其中,Δt=t2-t1,表示t2时刻距之前的t1时刻之间的时间间隔,xr,Δt是在时间间隔Δt内采样的平均资源利用率,σu是资源利用率对应的上限阈值,R(r)是所述虚拟网络元素在t1时刻的实际资源分配量,μ是为防止资源重配置调整幅度过小而设置的常数;
资源超配重配置子单元,用于如果所述虚拟网络元素对应的节点具有最大概率的资源状态数据为超配,根据ΔR(r)=(σl-xr,Δt-μ)R(r)计算出在t2时刻需要释放的资源量ΔR(r),其中,σl是资源利用率对应的下限阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410579178.6A CN104283717B (zh) | 2014-10-24 | 2014-10-24 | 一种预测虚拟网络资源状态的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410579178.6A CN104283717B (zh) | 2014-10-24 | 2014-10-24 | 一种预测虚拟网络资源状态的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104283717A true CN104283717A (zh) | 2015-01-14 |
CN104283717B CN104283717B (zh) | 2017-12-26 |
Family
ID=52258225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410579178.6A Expired - Fee Related CN104283717B (zh) | 2014-10-24 | 2014-10-24 | 一种预测虚拟网络资源状态的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104283717B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354092A (zh) * | 2015-11-19 | 2016-02-24 | 东软集团股份有限公司 | 一种应用性能风险预测方法、装置和系统 |
CN105471649A (zh) * | 2015-12-03 | 2016-04-06 | 深圳市金立通信设备有限公司 | 一种虚拟网络性能的监控系统及方法、相关设备 |
CN107579852A (zh) * | 2017-09-15 | 2018-01-12 | 郑州云海信息技术有限公司 | 云服务器中基于历史模型的虚拟网络性能隔离系统和方法 |
CN109240827A (zh) * | 2018-08-20 | 2019-01-18 | 东软集团股份有限公司 | 应用的资源占用情况的确定方法、装置、存储介质和设备 |
CN111083232A (zh) * | 2019-12-27 | 2020-04-28 | 南京邮电大学 | 一种基于改进一致性哈希的服务器端负载均衡方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101707559A (zh) * | 2009-10-30 | 2010-05-12 | 北京邮电大学 | 一种诊断和定量保障端到端服务质量的系统和方法 |
CN102087721A (zh) * | 2009-12-04 | 2011-06-08 | 索尼公司 | 信息处理设备、观测值预测方法及程序 |
CN102289496A (zh) * | 2011-08-22 | 2011-12-21 | 北京航空航天大学 | 一种基于贝叶斯网络的无线认知网络知识库构建方法 |
CN103220337A (zh) * | 2013-03-22 | 2013-07-24 | 合肥工业大学 | 基于自适应弹性控制的云计算资源优化配置方法 |
CN103559089A (zh) * | 2013-10-30 | 2014-02-05 | 南京邮电大学 | 一种基于服务等级协议约束的虚拟机需求预测实现方法 |
US8706659B1 (en) * | 2010-05-14 | 2014-04-22 | Google Inc. | Predictive analytic modeling platform |
CA2899489A1 (en) * | 2013-02-07 | 2014-08-14 | 24/7 Customer, Inc. | Dynamic prediction of online shopper's intent using a combination of prediction models |
-
2014
- 2014-10-24 CN CN201410579178.6A patent/CN104283717B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101707559A (zh) * | 2009-10-30 | 2010-05-12 | 北京邮电大学 | 一种诊断和定量保障端到端服务质量的系统和方法 |
CN102087721A (zh) * | 2009-12-04 | 2011-06-08 | 索尼公司 | 信息处理设备、观测值预测方法及程序 |
US8706659B1 (en) * | 2010-05-14 | 2014-04-22 | Google Inc. | Predictive analytic modeling platform |
CN102289496A (zh) * | 2011-08-22 | 2011-12-21 | 北京航空航天大学 | 一种基于贝叶斯网络的无线认知网络知识库构建方法 |
CA2899489A1 (en) * | 2013-02-07 | 2014-08-14 | 24/7 Customer, Inc. | Dynamic prediction of online shopper's intent using a combination of prediction models |
CN103220337A (zh) * | 2013-03-22 | 2013-07-24 | 合肥工业大学 | 基于自适应弹性控制的云计算资源优化配置方法 |
CN103559089A (zh) * | 2013-10-30 | 2014-02-05 | 南京邮电大学 | 一种基于服务等级协议约束的虚拟机需求预测实现方法 |
Non-Patent Citations (1)
Title |
---|
徐达宇: ""云计算环境下资源需求预测与优化配置方法研究"", 《中国博士学位论文全文数据库信息技术辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354092A (zh) * | 2015-11-19 | 2016-02-24 | 东软集团股份有限公司 | 一种应用性能风险预测方法、装置和系统 |
CN105354092B (zh) * | 2015-11-19 | 2018-12-21 | 东软集团股份有限公司 | 一种应用性能风险预测方法、装置和系统 |
CN105471649A (zh) * | 2015-12-03 | 2016-04-06 | 深圳市金立通信设备有限公司 | 一种虚拟网络性能的监控系统及方法、相关设备 |
CN107579852A (zh) * | 2017-09-15 | 2018-01-12 | 郑州云海信息技术有限公司 | 云服务器中基于历史模型的虚拟网络性能隔离系统和方法 |
CN109240827A (zh) * | 2018-08-20 | 2019-01-18 | 东软集团股份有限公司 | 应用的资源占用情况的确定方法、装置、存储介质和设备 |
CN109240827B (zh) * | 2018-08-20 | 2021-01-15 | 东软集团股份有限公司 | 应用的资源占用情况的确定方法、装置、存储介质和设备 |
CN111083232A (zh) * | 2019-12-27 | 2020-04-28 | 南京邮电大学 | 一种基于改进一致性哈希的服务器端负载均衡方法 |
CN111083232B (zh) * | 2019-12-27 | 2022-06-28 | 南京邮电大学 | 一种基于改进一致性哈希的服务器端负载均衡方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104283717B (zh) | 2017-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mohan et al. | Edge-Fog cloud: A distributed cloud for Internet of Things computations | |
US11018979B2 (en) | System and method for network slicing for service-oriented networks | |
Jatoth et al. | Optimal fitness aware cloud service composition using an adaptive genotypes evolution based genetic algorithm | |
CN104283717A (zh) | 一种预测虚拟网络资源状态的方法及装置 | |
CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
Sauerwald et al. | Tight bounds for randomized load balancing on arbitrary network topologies | |
Chen et al. | $ d $ d-Simplexed: Adaptive Delaunay Triangulation for Performance Modeling and Prediction on Big Data Analytics | |
CN103838803A (zh) | 一种基于节点Jaccard相似度的社交网络社团发现方法 | |
Kumar et al. | Multi-objective workflow scheduling scheme: a multi-criteria decision making approach | |
Bistaffa et al. | Algorithms for graph-constrained coalition formation in the real world | |
Wang et al. | Dynamic resource allocation for jointing vehicle-edge deep neural network inference | |
Jules et al. | Bayesian network, and probabilistic ontology driven trust model for sla management of cloud services | |
Tiwari et al. | A framework for prioritizing cloud services in neutrosophic environment | |
Abosaif et al. | Quality of service-aware service selection algorithms for the internet of things environment: A review paper | |
Li et al. | Resource scheduling based on improved spectral clustering algorithm in edge computing | |
CN113553160A (zh) | 用于人工智能物联网的边缘计算节点任务调度方法及系统 | |
Badri et al. | A sample average approximation-based parallel algorithm for application placement in edge computing systems | |
US20230113168A1 (en) | Decentralized policy gradient descent and ascent for safe multi-agent reinforcement learning | |
CN105354092A (zh) | 一种应用性能风险预测方法、装置和系统 | |
Badri et al. | Risk-based optimization of resource provisioning in mobile edge computing | |
Nandi et al. | Task offloading to edge cloud balancing utility and cost for energy harvesting internet of things | |
Halabi et al. | Reliability-driven task assignment in vehicular crowdsourcing: A matching game | |
Khan et al. | Dynamic offloading technique for real-time edge-to-cloud computing in heterogeneous MEC–MCC and IoT devices | |
Ghebleh et al. | A multi-criteria method for resource discovery in distributed systems using deductive fuzzy system | |
TG et al. | NORD: NOde Ranking-based efficient virtual network embedding over single Domain substrate networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171226 Termination date: 20211024 |