CN105426978A - 一种业务并发性预测方法与预测系统 - Google Patents

Abstract

本发明提供了一种业务并发性预测方法及预测系统，该方法包括确定至少两个业务；获取在至少一个历史时间段内，与至少两个业务对应的业务数据；基于业务数据，生成至少两个业务之间具有树型结构的关系网络；根据关系网络，对至少两个业务的并发性进行预测。本发明通过以上技术方案，解决了现有方式只适用于对单一业务的使用情况进行研究的问题。采用社会网络的分析方法，将各业务之间隐含的关系以图形化的方式直观地展示出来，化繁为简地呈现出了各业务之间原本错综复杂的联系，从该业务网络中可以对业务并发情况进行有效预测，具有普遍的适用性，其预测结果可以对现网的业务规划以及网络调控提供参考。

Description

一种业务并发性预测方法与预测系统

技术领域

本发明涉及移动通信技术领域，尤其涉及一种业务并发性预测方法与预测系统。

背景技术

随着通信技术的飞速发展和终端功能的逐渐丰富，移动网络的数据业务流量迅猛增长，各类移动互联网业务和应用层出不穷。与传统互联网相比，移动互联网下终端用户需求更加多样化和复杂化，这也促使移动互联网由传统的单业务向着多业务平台发展，多业务的出现给运营商的网络运营带来了巨大的冲击。为了提高网络的承载能力，需要科学准确地分析各数据业务之间的并发性。

目前，对数据业务的分析还大多集中于用户对单一业务使用行为的研究，对于多种数据业务之间的关系研究还未成熟。由于用户社会属性的不同，他们对于不同业务的使用存在着一定的规律，这就使得我们必须通过对现网数据的分析来预测不同数据业务之间的并发性，从而提前掌握各业务的使用情况，为网络规划、优化、扩容等提供一定指导，从而提高网络对日益丰富的数据业务的承载能力。

发明内容

本发明提供了一种业务并发性预测方法及预测系统，解决了现有方式只适用于对单一业务的使用情况进行研究的问题。

为解决上述技术问题，本发明提供了一种业务并发性预测方法，包括：

确定至少两个业务；

获取在至少一个历史时间段内，与所述至少两个业务对应的业务数据；

基于所述业务数据，生成所述至少两个业务之间具有树型结构的关系网络；

根据所述关系网络，对所述至少两个业务的并发性进行预测。

在本发明的一种实施例中，确定至少两个业务具体包括：

根据业务的使用频率，确定至少两个业务，所述至少两个业务为至少两个常用业务。

在本发明的一种实施例中，获取在至少一个历史时间段内，与所述至少两个业务对应的业务数据具体包括：

获取在至少一个历史时间段内，与所述至少两个常用业务对应的业务数据，所述业务数据为正常业务数据。

在本发明的一种实施例中，在基于所述业务数据，生成所述至少两个业务之间具有树型结构的关系网络之前，还包括：

对所述业务数据进行归一化处理。

在本发明的一种实施例中，基于所述业务数据，生成所述至少两个业务之间具有树型结构的关系网络具体包括：

根据所述业务数据，得到所述至少两个业务两两之间的相互关系；

根据所述相互关系，生成所述至少两个业务之间具有树型结构的关系网络。

在本发明的一种实施例中，基于所述业务数据，生成所述至少两个业务之间具有树型结构的关系网络具体包括：

根据所述业务数据，计算所述至少两个业务两两之间的相关系数；

根据所述相关系数，计算所述至少两个业务两两之间的距离，将所述距离作为所述至少两个业务两两之间的相互关系；

根据所述至少两个业务两两之间的距离，生成最小生成树网络，将所述最小生成树网络作为所述至少两个业务之间具有树型结构的关系网络。

在本发明的一种实施例中，在根据所述关系网络，对所述至少两个业务的并发性进行预测之后，还包括：

根据预测结果，对网络进行优化。

本发明还提供一种业务并发性预测系统，包括：

确定模块，用于确定至少两个业务；

获取模块，用于获取在至少一个历史时间段内，与所述确定模块确定的至少两个业务对应的业务数据；

生成模块，用于基于所述获取模块获取的业务数据，生成所述至少两个业务之间具有树型结构的关系网络；

预测模块，用于根据所述生成模块生成的关系网络，对所述至少两个业务的并发性进行预测。

在本发明的一种实施例中，所述确定模块具体用于根据业务的使用频率，确定至少两个业务，所述至少两个业务为至少两个常用业务。

在本发明的一种实施例中，所述获取模块具体用于获取在至少一个历史时间段内，与所述确定模块确定的至少两个常用业务对应的业务数据，所述业务数据为正常业务数据。

在本发明的一种实施例中，还包括：

预处理模块，用于对所述获取模块获取的业务数据进行归一化处理。

在本发明的一种实施例中，还包括：

处理模块，用于根据所述获取模块获取的业务数据，得到所述至少两个业务两两之间的相互关系；

所述生成模块具体用于根据所述处理模块得到的相互关系，生成所述至少两个业务之间具有树型结构的关系网络。

在本发明的一种实施例中，所述处理模块包括计算子模块；

所述计算子模块用于根据所述获取模块获取的业务数据，计算所述至少两个业务两两之间的相关系数；

所述计算子模块还用于根据所述相关系数，计算所述至少两个业务两两之间的距离，将所述距离作为所述至少两个业务两两之间的相互关系；

所述生成模块具体用于根据所述计算子模块计算得到的至少两个业务两两之间的距离，生成最小生成树网络，将所述最小生成树网络作为所述至少两个业务之间具有树型结构的关系网络。

本发明的有益效果：

本发明提供一种业务并发性预测方法及预测系统，基于至少两个业务在至少一个历史时间段内的业务数据，生成业务之间的关系网络，从该关系网络中得到业务之间的关系，从而预测出业务未来的并发情况。采用社会网络的分析方法，以业务作为节点，业务距离为边构建了关系网络，将各业务之间隐含的关系以图形化的方式直观地展示出来，化繁为简地呈现出了各业务之间原本错综复杂的联系，从该业务网络中可以对业务并发情况进行有效预测。此外，可以根据预测需求，灵活地选取不同地区或者不同时间段的历史数据来预测业务的并发情况，具有普遍的适用性，其预测结果可以对现网的业务规划以及网络调控提供参考。

附图说明

图1为本发明实施例一提供的业务并发性预测方法的流程图；

图2为本发明实施例一提供的Kruskal算法的流程图；

图3为本发明实施例二提供的业务并发性预测系统的结构示意图；

图4为本发明实施例三提供的从样本数据中选取的部分数据集合；

图5为本发明实施例三提供的最小生成树网络的结构示意图；

图6为本发明实施例四提供的从样本数据中选取的部分数据集合；

图7为本发明实施例四提供的最小生成树网络的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明中一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面通过具体实施方式结合附图对本发明作进一步详细说明。

实施例一：

如图1为本发明实施例一提供的业务并发性预测方法的流程图，如图1所示，该业务并发性预测方法包括：

S101：确定至少两个业务；

具体地，为了提前掌握各业务的使用情况并提高网络的承载能力，需要对某地区未来一段时间内的业务并发性情况进行预测，根据预测需求，合理确定至少两个业务，对于该业务，其包括但不局限于QQ、微信、优酷、土豆、淘宝、微博、百度地图等。

在一些实施例中，当确定至少两个业务时，根据业务的使用情况，例如，根据业务的使用频率，即在一段时间内，将使用频率较高的业务定义为常用业务，使用频率较低的业务定义为非常用业务，从所有业务或部分业务中确定至少两个业务，该确定的至少两个业务为至少两个常用业务，即剔除所有业务或部分业务中的非常用业务，将该至少两个常用业务作为待预测业务，对这至少两个常用业务的并发性进行预测。

在另一些实施例中，当确定至少两个业务时，不需考虑业务的使用情况，而是将所有业务或部分业务确定为至少两个业务，即该确定的至少两个业务为所有业务或部分业务，将该全部业务或部分业务作为待预测业务，对全部业务或部分业务的并发性进行预测。

S102：获取在至少一个历史时间段内，与至少两个业务对应的业务数据；

具体地，当确定完成至少两个业务之后，即可获取在至少一个历史时间段内，与该至少两个业务对应的业务数据，该业务数据包括但不局限于业务的流量数据，其来源包括但不局限于现网中某待预测地区的所有基站。

在一些实施例中，当确定的至少两个业务为至少两个常用业务时，获取在至少一个历史时间段内，与该至少两个常用业务对应的业务数据，例如获取这至少两个常用业务在至少一个历史时间段内所产生的流量数据，该业务数据为正常业务数据，对于异常业务数据，其可以在业务数据的获取过程中即被剔除，也可以在业务数据的获取过程后再被剔除。

在另一些实施例中，当确定的至少两个业务为所有业务或部分业务时，获取在至少一个历史时间段内，与该所有业务或部分业务对应的业务数据，例如获取所有业务或部分业务在至少一个历史时间段内所产生的流量数据，该业务数据为正常业务数据，对于异常业务数据，其可以在业务数据的获取过程中即被剔除，也可以在业务数据的获取过程后再被剔除。

在上述技术方案中，对于上述至少一个历史时间段，优选地，这至少一个历史时间段可为连续时间段，且每个历史时间段的颗粒度均相同，如颗粒度为1小时，即每个历史时间段的时长均为1小时。此外，对于该至少一个历史时间段所组成的时间跨度，可以根据实际需求进行选择，例如，为了预测某一业务在未来待预测时间段内与其他业务的并发情况，则可以选择该待预测时间段前的一段时间作为时间跨度。

S103：基于业务数据，生成至少两个业务之间具有树型结构的关系网络；

具体地，当获取到业务数据后，即可基于该业务数据，生成至少两个业务之间具有树型结构的关系网络。

在一些实施例中，为了简化计算，在基于业务数据，生成至少两个业务之间具有树型结构的关系网络之前，还对这些业务数据进行归一化处理，该归一化处理为现有方式，任意归一化方式均可，本实施例提供一种归一化处理方法，该归一化公式如下式(1.1)所示，对于其他归一化处理方法则不再赘述。

$Z\left(x\right)=\frac{x-\stackrel{\‾}{x}}{s\left(x\right)}=\frac{x-\stackrel{\‾}{x}}{\sqrt{\frac{{(x-\stackrel{\‾}{x})}^2}{N}}}$ 式(1.1)

其中，x表示某一业务在一个历史时间段内的业务数据，表示该业务在整个时间跨度内的平均业务数据，N表示历史时间段的数目，Z(x)表示归一化后的业务数据。

在本实施例中，当获取到业务数据后，根据该业务数据，得到这至少两个业务两两之间的相互关系，该相互关系能够反映业务之间的联系，根据该相互关系，即可生成这至少两个业务之间的关系网络，该关系网络具有树型结构。该树型结构是一种分级结构，在树型结构中，任意两个节点之间不产生回路，每条通路都支持双向传输。这种结构的特点是扩充方便、灵活，成本低，易推广，适合于分主次或分等级的层次型管理系统。

在本实施例中，当获取到业务数据后，可以将这些业务数据按照至少一个历史时间段的时间序列进行整理排列，根据该业务数据，计算至少两个业务两两之间的相关系数，其计算方式包括但不局限于以下方式：

对待预测的至少两个业务，根据这至少两个业务的业务数据，计算第i(i＝1,2,3……N)个业务与第j(j＝1,2,3……N)个业务之间的相关系数ρ_ij(i≠j)，其计算公式如下式(1.2)所示：

${\mathrm{\ρ}}_{\mathrm{ij}}=\frac{\underset{T=1}{\overset{M}{\mathrm{\Σ}}}(S_i^{\left(T\right)}-\stackrel{\‾}{S_i})(S_j^{\left(T\right)}-\stackrel{\‾}{S_j})}{\sqrt{\underset{T=1}{\overset{M}{\mathrm{\Σ}}}{(S_i^{\left(T\right)}-\stackrel{\‾}{S_i})}^2}\sqrt{\underset{T=1}{\overset{M}{\mathrm{\Σ}}}{(S_j^{\left(T\right)}-\stackrel{\‾}{S_j})}^2}},(i\≠j)$ 式(1.2)

其中，M为获取的业务数据的总时长，即时间跨度，分别为第i个业务在时间跨度内的平均业务数据、第j个业务在时间跨度内的平均业务数据，为第i个业务在一个历史时间段T内的业务数据、第j个业务在一个历史时间段T内的业务数据(T＝1,2,3……M)。

当计算得到相关系数ρ_ij之后，根据该相关系数ρ_ij，计算至少两个业务两两之间的距离，将距离作为至少两个业务两两之间的相互关系，其计算方式包括但不局限于以下方式：

根据相关系数ρ_ij，计算第i个业务与第j个业务之间的距离d_ij(i≠j)，其计算公式如下式(1.3)所示：

$d_{\mathrm{ij}}=\sqrt{2(1-{\mathrm{\ρ}}_{\mathrm{ij}})}$ 式(1.3)

当计算得到至少两个业务两两之间的距离后，根据该距离，通过网络构建方法，生成最小生成树网络，将该最小生成树网络作为至少两个业务之间的关系网络，该最小生成树网络具有树型结构。针对该网络构建方法，任意最小生成树的算法均适用，其包括但不局限于伪代码法、Prim算法、Kruskal算法、Pascal算法，本实施例中以Kruskal算法为例进行说明，其他方法也同样适用。

如图2为本发明实施例一提供的Kruskal算法的流程图，如图2所示，根据至少两个业务两两之间的距离，通过Kruskal算法，生成最小生成树网络。Kruskal算法的算法原理为：根据N(N≥2且为正整数)个业务两两之间的个距离，构建集合U，遍历该集合U，找出其中的最小距离值，根据该最小距离值连接这两个业务，然后在剩下的个距离中继续寻找最小距离值，根据该最小距离值连接业务，同时保证在连接时，业务之间不连成环，如此反复，直至遍历集合U中的所有距离值，即可得到至少两个业务之间具有树型结构的最小生成树网络。

S104：根据关系网络，对至少两个业务的并发性进行预测。

具体地，当生成关系网络后，即可以根据该关系网络，对业务的并发性进行预测，从该关系网络中，如最小生成树，可以直观地看出这至少两个业务之间的相互关系，相互关系越强的业务之间越容易出现并发情况，因此，根据该关系网络，可以对未来一段时间内业务的并发性进行有效预测。

在本实施例中，当根据关系网络，对至少两个业务的并发性进行预测后，得到预测结构，根据该预测结果，对网络进行优化，如为网络中的业务分配相应的资源等。

采用社会网络的分析方法，以业务作为节点，业务距离为边构建了关系网络，将各业务之间隐含的关系以图形化的方式直观地展示出来，化繁为简地呈现出了各业务之间原本错综复杂的联系，从该业务网络中可以对业务并发情况进行有效预测。此外，可以根据预测需求，灵活地选取不同地区或者不同时间段的历史数据来预测业务的并发情况，具有普遍的适用性，其预测结果可以对现网的业务规划以及网络调控提供参考。

实施例二：

如图3为本发明实施例二提供的业务并发性预测系统的结构示意图，如图3所示，该业务并发性预测系统包括确定模块1、获取模块2、生成模块3以及预测模块4，确定模块1用于确定至少两个业务，获取模块2用于获取在至少一个历史时间段内，与确定模块1确定的至少两个业务对应的业务数据，生成模块3用于基于获取模块2获取的业务数据，生成至少两个业务之间具有树型结构的关系网络，预测模块4用于根据生成模块3生成的关系网络，对至少两个业务的并发性进行预测。

优选地，确定模块1具体用于根据业务的使用频率，确定至少两个业务，该至少两个业务为至少两个常用业务。

优选地，获取模块2具体用于获取在至少一个历史时间段内，与确定模块2确定的至少两个常用业务对应的业务数据，该业务数据为正常业务数据。

优选地，还包括预处理模块5，预处理模块5用于对获取模块2获取的业务数据进行归一化处理。

优选地，还包括处理模块6，处理模块6用于根据获取模块2获取的业务数据，得到至少两个业务两两之间的相互关系，生成模块3具体用于根据处理模块6得到的相互关系，生成至少两个业务之间具有树型结构的关系网络。

优选地，处理模块6包括计算子模块61，计算子模块61用于根据获取模块2获取的业务数据，计算至少两个业务两两之间的相关系数，还用于根据相关系数，计算至少两个业务两两之间的距离，将距离作为至少两个业务两两之间的相互关系，生成模块3具体用于根据计算子模块61计算得到的至少两个业务两两之间的距离，生成最小生成树网络，将最小生成树网络作为至少两个业务之间具有树型结构的关系网络。

优选地，还包括优化模块7，根据预测模块4得到的预测结果，优化模块7对网络进行优化，如为LTE网络中的业务分配相应的资源等。

实施例三：

本实施例中涉及的业务为N(N≥2且为正整数)个现网中用户最常使用的业务，对待预测地区用户最常使用的业务在未来一段时间内的并发性进行预测，获取在至少一个历史时间段，与用户最常使用的业务对应的业务数据，该业务数据来源于现网中某待预测地区的所有基站，这至少一个历史时间段为连续时间段，且每两个历史时间段之间的间隔时长为1小时，即时间颗粒度为1小时，时间跨度为待预测时间段前连续15天。

如图4为本发明实施例三提供的从样本数据中选取的部分数据集合，如图4所示，对获取到的业务数据进行筛选，将筛选出的业务数据按照至少一个历史时间段的时间序列进行整理排列。

对整理好的待预测的N个业务，根据这N个业务的业务数据，计算第i(i＝1,2,3……N)个业务与第j(j＝1,2,3……N)个业务之间的相关系数ρ_ij(i≠j)，其计算公式如下式(2.1)所示：

${\mathrm{\ρ}}_{\mathrm{ij}}=\frac{\underset{T=1}{\overset{M}{\mathrm{\Σ}}}(S_i^{\left(T\right)}-\stackrel{\‾}{S_i})(S_j^{\left(T\right)}-\stackrel{\‾}{S_j})}{\sqrt{\underset{T=1}{\overset{M}{\mathrm{\Σ}}}{(S_i^{\left(T\right)}-\stackrel{\‾}{S_i})}^2}\sqrt{\underset{T=1}{\overset{M}{\mathrm{\Σ}}}{(S_j^{\left(T\right)}-\stackrel{\‾}{S_j})}^2}},(i\≠j)$ 式(2.1)

其中，M为获取的业务数据的总时长，即时间跨度，分别为第i个业务在时间跨度内的平均业务数据、第j个业务在时间跨度内的平均业务数据，为第i个业务在一个历史时间段T内的业务数据、第j个业务在一个历史时间段T内的业务数据(T＝1,2,3……M)。

根据相关系数ρ_ij，计算第i个业务与第j个业务之间的距离d_ij(i≠j)，其计算公式如下式(2.2)所示：

$d_{\mathrm{ij}}=\sqrt{2(1-{\mathrm{\ρ}}_{\mathrm{ij}})}$ 式(2.2)

当计算得到至少两个业务两两之间的距离后，根据该距离，通过网络构建方法，生成最小生成树网络，将该最小生成树网络作为至少两个业务之间的关系网络，该最小生成树网络具有树型结构。本实施例以Kruskal算法为例，生成最小生成树网络，具体为根据N(N≥2且为正整数)个业务两两之间的个距离，构建集合U，遍历该集合U，找出其中的最小距离值，根据该最小距离值连接这两个业务，然后在剩下的个距离中继续寻找最小距离值，根据该最小距离值连接业务，同时保证在连接时，业务之间不连成环，如此反复，直至遍历集合U中的所有距离值，即可得到至少两个业务之间具有树型结构的最小生成树网络。

如图5为本发明实施例三提供的最小生成树网络的结构示意图，如图5所示，即为根据待预测地区15天内的业务数据得到的最小生成树网络，在图5中，各节点代表不同业务，节点大小表征了该节点在网络中地位的重要性，节点越大，该业务越易与多种业务并发，边的颜色深浅表征了业务距离大小，颜色深表示业务距离最小，即颜色深的边所连接的业务最易出现并发，从该图中可以得到任意一种业务与其他业务的并发情况。

根据该最小生成树网络，预测N个业务的并发情况，从图5中得到各业务之间的关联关系，通过业务的关联关系预测出任意一种业务在未来一段时间内与其他业务的并发情况。例如，在本实施例的最小生成树网络中，可以预测出在未来一段时间内，当出现优酷这种业务时，很可能会同时出现快播、LETV(乐视)、56VIDEO、PPLIVE这四类业务，其他业务的并发性也可以从该网络中直观地看出，通过得到业务的并发情况，可以对网络进行有效的调控与优化。

实施例四：

本实施例中涉及的业务为N(N≥2且为正整数)个现网中待预测地区所有基站的业务，对待预测地区所有业务在未来一段时间内的并发性进行预测，获取在至少一个历史时间段，与所有业务对应的业务数据，该业务数据来源于现网中某待预测地区的所有基站，这至少一个历史时间段为连续时间段，且每两个历史时间段之间的间隔时长为1小时，即时间颗粒度为1小时，时间跨度为待预测时间段前连续18天，例如，时间跨度为2014年3月8日至2014年3月26日。

图6为本发明实施例四提供的从样本数据中选取的部分数据集合，如图6所示，对获取到的业务数据进行筛选，将筛选出的业务数据按照至少一个历史时间段的时间序列进行整理排列。

对整理好的待预测的N个业务，根据这N个业务的业务数据，计算第i(i＝1,2,3……N)个业务与第j(j＝1,2,3……N)个业务之间的相关系数ρ_ij(i≠j)，其计算公式如下式(3.1)所示：

${\mathrm{\ρ}}_{\mathrm{ij}}=\frac{\underset{T=1}{\overset{M}{\mathrm{\Σ}}}(S_i^{\left(T\right)}-\stackrel{\‾}{S_i})(S_j^{\left(T\right)}-\stackrel{\‾}{S_j})}{\sqrt{\underset{T=1}{\overset{M}{\mathrm{\Σ}}}{(S_i^{\left(T\right)}-\stackrel{\‾}{S_i})}^2}\sqrt{\underset{T=1}{\overset{M}{\mathrm{\Σ}}}{(S_j^{\left(T\right)}-\stackrel{\‾}{S_j})}^2}},(i\≠j)$ 式(3.1)

其中，M为获取的业务数据的总时长，即时间跨度，分别为第i个业务在时间跨度内的平均业务数据、第j个业务在时间跨度内的平均业务数据，为第i个业务在一个历史时间段T内的业务数据、第j个业务在一个历史时间段T内的业务数据(T＝1,2,3……M)。

根据相关系数ρ_ij，计算第i个业务与第j个业务之间的距离d_ij(i≠j)，其计算公式如下式(3.2)所示：

$d_{\mathrm{ij}}=\sqrt{2(1-{\mathrm{\ρ}}_{\mathrm{ij}})}$ 式(3.2)

当计算得到至少两个业务两两之间的距离后，根据该距离，通过网络构建方法，生成最小生成树网络，将该最小生成树网络作为至少两个业务之间的关系网络，该最小生成树网络具有树型结构。本实施例以Kruskal算法为例，生成最小生成树网络，具体为根据N(N≥2且为正整数)个业务两两之间的个距离，构建集合U，遍历该集合U，找出其中的最小距离值，根据该最小距离值连接这两个业务，然后在剩下的个距离中继续寻找最小距离值，根据该最小距离值连接业务，同时保证在连接时，业务之间不连成环，如此反复，直至遍历集合U中的所有距离值，即可得到至少两个业务之间具有树型结构的最小生成树网络。

如图7为本发明实施例四提供的最小生成树网络的结构示意图，如图7所示，即为根据待预测地区18天内的业务数据得到的最小生成树网络，在图7中，各节点代表不同业务，节点大小表征了该节点在网络中地位的重要性，节点越大，该业务越易与多种业务并发，从该图中可以得到任意一种业务与其他业务的并发情况。

根据该最小生成树网络，预测N个业务的并发情况，从图7中得到各业务之间的关联关系，通过业务的关联关系预测出任意一种业务在未来一段时间内与其他业务的并发情况。例如，在本实施例的最小生成树网络中，可以预测出在未来一段时间内，当出现优酷这种业务时，最可能会并发的业务是快播、风行、SOHU-TV、56VIDEO、PPLIVE等几种业务，其他业务的并发性也可以从该网络中直观地看出，通过得到业务的并发情况，可以对网络进行有效的调控与优化。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (13)

1.一种业务并发性预测方法，其特征在于，包括：

确定至少两个业务；

获取在至少一个历史时间段内，与所述至少两个业务对应的业务数据；

基于所述业务数据，生成所述至少两个业务之间具有树型结构的关系网络；

根据所述关系网络，对所述至少两个业务的并发性进行预测。

2.根据权利要求1所述的业务并发性预测方法，其特征在于，确定至少两个业务具体包括：

根据业务的使用频率，确定至少两个业务，所述至少两个业务为至少两个常用业务。

3.根据权利要求2所述的业务并发性预测方法，其特征在于，获取在至少一个历史时间段内，与所述至少两个业务对应的业务数据具体包括：

获取在至少一个历史时间段内，与所述至少两个常用业务对应的业务数据，所述业务数据为正常业务数据。

4.根据权利要求1所述的业务并发性预测方法，其特征在于，在基于所述业务数据，生成所述至少两个业务之间具有树型结构的关系网络之前，还包括：

对所述业务数据进行归一化处理。

5.根据权利要求1-4任一项所述的业务并发性预测方法，其特征在于，基于所述业务数据，生成所述至少两个业务之间具有树型结构的关系网络具体包括：

根据所述业务数据，得到所述至少两个业务两两之间的相互关系；

根据所述相互关系，生成所述至少两个业务之间具有树型结构的关系网络。

6.根据权利要求5所述的业务并发性预测方法，其特征在于，基于所述业务数据，生成所述至少两个业务之间具有树型结构的关系网络具体包括：

根据所述业务数据，计算所述至少两个业务两两之间的相关系数；

根据所述相关系数，计算所述至少两个业务两两之间的距离，将所述距离作为所述至少两个业务两两之间的相互关系；

根据所述至少两个业务两两之间的距离，生成最小生成树网络，将所述最小生成树网络作为所述至少两个业务之间具有树型结构的关系网络。

7.根据权利要求1-4任一项所述的业务并发性预测方法，其特征在于，在根据所述关系网络，对所述至少两个业务的并发性进行预测之后，还包括：

根据预测结果，对网络进行优化。

8.一种业务并发性预测系统，其特征在于，包括：

确定模块，用于确定至少两个业务；

获取模块，用于获取在至少一个历史时间段内，与所述确定模块确定的至少两个业务对应的业务数据；

生成模块，用于基于所述获取模块获取的业务数据，生成所述至少两个业务之间具有树型结构的关系网络；

预测模块，用于根据所述生成模块生成的关系网络，对所述至少两个业务的并发性进行预测。

9.根据权利要求8所述的业务并发性预测系统，其特征在于，所述确定模块具体用于根据业务的使用频率，确定至少两个业务，所述至少两个业务为至少两个常用业务。

10.根据权利要求9所述的业务并发性预测系统，其特征在于，所述获取模块具体用于获取在至少一个历史时间段内，与所述确定模块确定的至少两个常用业务对应的业务数据，所述业务数据为正常业务数据。

11.根据权利要求8所述的业务并发性预测系统，其特征在于，还包括：

预处理模块，用于对所述获取模块获取的业务数据进行归一化处理。

12.根据权利要求8-11任一项所述的业务并发性预测系统，其特征在于，还包括：

处理模块，用于根据所述获取模块获取的业务数据，得到所述至少两个业务两两之间的相互关系；

所述生成模块具体用于根据所述处理模块得到的相互关系，生成所述至少两个业务之间具有树型结构的关系网络。

13.根据权利要求12所述的业务并发性预测系统，其特征在于，所述处理模块包括计算子模块；

所述计算子模块用于根据所述获取模块获取的业务数据，计算所述至少两个业务两两之间的相关系数；

所述计算子模块还用于根据所述相关系数，计算所述至少两个业务两两之间的距离，将所述距离作为所述至少两个业务两两之间的相互关系；

所述生成模块具体用于根据所述计算子模块计算得到的至少两个业务两两之间的距离，生成最小生成树网络，将所述最小生成树网络作为所述至少两个业务之间具有树型结构的关系网络。