CN106209967B - 一种视频监控云资源预测方法及系统 - Google Patents

一种视频监控云资源预测方法及系统 Download PDF

Info

Publication number
CN106209967B
CN106209967B CN201610427958.8A CN201610427958A CN106209967B CN 106209967 B CN106209967 B CN 106209967B CN 201610427958 A CN201610427958 A CN 201610427958A CN 106209967 B CN106209967 B CN 106209967B
Authority
CN
China
Prior art keywords
usage amount
video monitoring
civu
current
monitoring service
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
CN201610427958.8A
Other languages
English (en)
Other versions
CN106209967A (zh
Inventor
张海涛
马华东
姜哲
高阳阳
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201610427958.8A priority Critical patent/CN106209967B/zh
Publication of CN106209967A publication Critical patent/CN106209967A/zh
Application granted granted Critical
Publication of CN106209967B publication Critical patent/CN106209967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/101—Server selection for load balancing based on network conditions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1012—Server selection for load balancing based on compliance of requirements or conditions with available server resources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources

Abstract

本发明提供了一种视频监控云资源预测方法及系统，其中方法包括：获取用户需求视频监控服务的请求，根据请求确定初始资源分配量，并对应初始资源分配量建立当前云智能视频处理单元CIVU；在当前CIVU运行预设时间后，获取数据库对应当前CIVU的数据中、当前运行时间前第一预设周期内的视频监控服务资源第一使用量；遍历资源池中的其他使用量，查找与第一使用量相似度大于预设阈值的第一历史使用量；根据第一历史使用量，确定数据库对应当前CIVU运行预设时间的数据中第二预设周期后相邻的预设时间长度内的第二历史使用量的变化量；根据变化量及第一使用量，预测当前CIVU中第一预设周期后相邻的预设时间长度内的用户需求视频监控服务资源的最终资源需求量。

Description

一种视频监控云资源预测方法及系统
技术领域
本发明涉及云平台资源预测领域，特别涉及一种视频监控云资源预测方法及系统。
背景技术
近年来，随着城市和公共安全建设的发展，视频监控的应用覆盖越来越广泛，尤其是智能视频监控系统得到了广泛使用。目前为了应对当今智能视频监控系统的海量视频监控服务的请求需求，大量的视频监控服务已经开始在云平台上部署和运行，形成一种VSaaS(Video Surveillance as a Service，视频监控即服务)的全新云计算模式，即视频监控云。视频监控云服务平台通过虚拟化技术将分散的异构资源抽象出一个共享的资源池，可以为视频监控系统提供计算、存储和资源服务平台，并使监控系统具有良好的可扩展性和稳定性。然而，云资源毕竟是有限的，对资源进行合理有效的分配在不降低用户服务质量的前提下来提高资源利用率是一个挑战。
传统利用云资源预测方法进行云资源分配的预测，并按照云资源预测方法的预测结果进行云资源分配。但是传统的云资源预测方法，往往根据视频监控服务的离线测试数据分配固定的云资源，在应用过程中没法动态调整资源的大小，会使得资源得到充分利用或降低用户体验效果。由于视频监控云资源需求具有时变性和随机性的特点，现有技术也存在研究云资源预测技术，但大部分都注重在对云资源预测上。目前比较成熟的预测模型，比如差分自回归移动平均模型ARIMA,自回归模型AR，霍尔特温斯特指数平滑模型，基于模式匹配的资源预测方法等。这些模型相对复杂，运算量较大，给系统带来很大开销。
综上所述，现有技术的问题是：估算视频监控服务的离线测试数据分配固定的云资源，会使得资源得到充分利用或降低用户体验效果；同时现有的预测模型进行云资源预测，运算量较大，给系统带来很大开销。
发明内容
本发明实施例的目的在于提供一种视频监控云资源预测方法及系统,能够预测用户未来的资源需求量，提高云资源利用率。
为达到上述目的，本发明实施例公开了一种视频监控云资源预测方法，包括：
获取用户需求视频监控服务的请求，根据所述请求确定一个初始资源分配量，并对应所述初始资源分配量建立一个当前云智能视频处理单元CIVU，其中，所述当前CIVU为所述用户提供所述视频监控服务；
在所述当前CIVU运行预设时间之后，获取数据库对应所述当前CIVU运行预设时间的数据中、当前运行时间之前的第一预设周期内的视频监控服务资源第一使用量，其中，所述数据库记录有所述当前CIVU运行预设时间之后的视频监控服务资源历史使用量，所述视频监控服务资源历史使用量包括：所述第一使用量及除所述第一使用量以外的视频监控服务资源其他使用量；
遍历所述数据库中的所述其他使用量，查找与所述第一使用量相似度大于预设阈值的第一历史使用量，其中，所述第一历史使用量为具有第二预设周期的历史使用量，且所述第二预设周期的时长与所述第一预设周期的时长相同；
根据所述第一历史使用量，确定所述数据库对应所述当前CIVU运行预设时间的数据中、所述第二预设周期之后相邻的预设时间长度内的第二历史使用量的变化量；
根据所述变化量及所述第一使用量，预测所述当前CIVU中所述第一预设周期之后相邻的所述预设时间长度内的、所述用户需求所述视频监控服务资源的最终资源需求量。
较佳的，所述根据所述请求确定一个初始资源分配量，并对应所述初始资源分配量建立一个当前云智能视频处理单元CIVU，包括：
根据所述请求，遍历资源池中已存储的所有CIVU，查找一个与所述当前CIVU所提供的视频监控服务相似度大于预设数值的第一CIVU；
获取所述第一CIVU中视频监控服务资源使用量的峰值，作为所述当前CIVU的初始资源分配量；
根据所述初始资源分配量，建立一个所述当前CIVU。
较佳的，所述视频监控服务资源至少包括：中央处理器CPU资源、内存、上行带宽和/或下行带宽。
较佳的，所述在所述当前CIVU运行预设时间之后，获取数据库对应所述当前CIVU运行预设时间的数据中、当前运行时间之前的第一预设周期内的视频监控服务资源第一使用量，包括：
在所述当前CIVU运行预设时间之后，获取所述数据库对应所述当前CIVU运行预设时间的数据中、当前运行时间之前的第一预设周期内的多个预设时间段，对应的多个视频监控服务资源第一使用量。
较佳的，所述遍历所述数据库中的所述其他使用量，查找与所述第一使用量相似度大于预设阈值的第一历史使用量，包括：
按照时间先后顺序，遍历所述数据库中的所述其他使用量；
将所述其他使用量和所述第一使用量进行二次范数运算，确定与所述第一使用量相似度大于预设阈值的第一历史使用量。
较佳的，所述根据所述第一历史使用量，确定所述数据库对应所述当前CIVU运行预设时间的数据中、所述第二预设周期之后相邻的预设时间长度内的第二历史使用量的变化量，包括：
按照所述第一历史使用量的原始存储时间的时间顺序，确定所述数据库中所述第一历史使用量与相邻的所述第二历史使用量的变化量，其中，所述原始存储时间为所述第一使用量存储于所述数据库中的时间。
较佳的，所述根据所述变化量及所述第一使用量，预测所述当前CIVU中所述第一预设周期之后相邻的所述预设时间长度内的、所述用户需求所述视频监控服务资源的最终资源需求量，包括：
按照所述第一使用量的原始存储时间的时间顺序并根据所述变化量与所述第一使用量之和，预测所述用户需求所述视频监控服务资源的多个资源需求量，其中，所述多个资源需求量为在包括有多个预设时间段的预设时间长度内、每个预设时间段对应的资源需求量，所述原始存储时间为所述第一使用量存储于所述数据库中的时间；
根据所述多个资源需求量，确定所述多个资源需求量的资源需求量峰值；
根据所述资源需求量峰值，预测所述用户需求所述视频监控服务资源的最终资源需求量。
较佳的，所述按照所述第一使用量的原始存储时间的时间顺序并根据所述变化量与所述第一使用量之和，预测所述用户需求所述视频监控服务资源的多个资源需求量，包括：
根据公式：
预测所述用户需求所述视频监控服务资源的多个资源需求量；
其中，为多个资源需求量中的一个资源需求量，为所述第一使用量，为所述第二历史使用量，为所述第一历史使用量，Nk(t)为k个相邻所述预设时间段序列集合，x为所述视频监控服务资源，i为第i个视频监控服务资源服务，t为所述当前运行时间，t+1为所述当前运行时间之后相邻的一个预设时间段，t'为存储所述第一历史使用量于所述数据库时的原始存储时间，t'+1为存储所述第一历史使用量于所述数据库时的原始存储时间之后相邻的一个预设时间段，k为大于或等于1的自然数。
较佳的，所述根据所述资源需求量峰值，预测所述用户需求所述视频监控服务资源的最终资源需求量，包括：
将所述资源需求量峰值与预设历史预测误差平均值之和，作为所述最终资源需求量。
为达到上述目的，本发明实施例还提供一种视频监控云资源预测系统，包括：
处理模块，用于获取用户需求视频监控服务的请求，根据所述请求确定一个初始资源分配量，并对应所述初始资源分配量建立一个当前云智能视频处理单元CIVU，其中，所述当前CIVU为所述用户提供视频监控服务；
获取模块，用于在所述当前CIVU运行预设时间之后，获取数据库对应所述当前CIVU运行预设时间的数据中、当前运行时间之前的第一预设周期内的视频监控服务资源第一使用量，其中，所述数据库记录有所述当前CIVU运行预设时间之后的视频监控服务资源历史使用量，所述视频监控服务资源历史使用量包括：所述第一使用量及除所述第一使用量以外的视频监控服务资源其他使用量；
查找模块，用于遍历所述数据库中的所述其他使用量，查找与所述第一使用量相似度大于预设阈值的第一历史使用量，其中，所述第一历史使用量为具有第二预设周期的历史使用量，且所述第二预设周期的时长与所述第一预设周期的时长相同；
确定模块，用于根据所述第一历史使用量，确定所述数据库对应所述当前CIVU运行预设时间的数据中、所述第二预设周期之后相邻的预设时间长度内的第二历史使用量的变化量；
预测模块，用于根据所述变化量及所述第一使用量，预测所述当前CIVU中所述第一预设周期之后相邻的所述预设时间长度内的、所述用户需求所述视频监控服务资源的最终资源需求量。
由上述的技术方案可见，本发明实施例通过预测当前云智能视频处理单元CIVU的当前运行时间之前的、第一预设周期内的视频监控服务资源第一使用量，找到数据库中与第一使用量相似的视频监控服务资源服务数据，然后通过确定该相似的视频监控服务资源服务数据相邻时间的下一预设时间长度内的变化量，得到该第一使用量的下一预设时间长度内的视频监控服务资源服务数据。这样可以准确地预测未来一段时间视频监控服务所需的资源需求量，进而有效地动态调整视频监控服务资源的资源量，有效提高资源利用率；也节约了云资源的成本，并为用户提供了更加灵活、可靠、高效的服务。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明实施例的视频监控云资源预测方法的一个基本流程示意图。
图2为本发明实施例的视频监控云资源预测方法的具体流程示意图。
图3为本发明实施例的视频监控云资源预测方法的整体实现流程图。
图4为本发明实施例的视频监控云资源预测系统的基本结构示意图。
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，所描述的实施例仅仅是本发明一部分实施例，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。
本发明实施公开了一种视频监控云资源预测方法及系统，以下分别进行详细说明。
参见图1，图1为本发明实施例的视频监控云资源预测方法的一个基本流程示意图。该视频监控云资源预测方法包括：
步骤101，获取用户需求视频监控服务的请求，根据所述请求确定一个初始资源分配量，并对应所述初始资源分配量建立一个当前CIVU(Cloud Intelligent Video Unit，云智能视频处理单元)，其中，所述当前CIVU为所述用户提供所述视频监控服务。
这里的请求是通过视频监控系统VS接收用户的服务请求，并转发该请求至视频云服务管理模块VCSM的请求。用户在请求某一视频监控服务时，该视频监控系统VS请求才会接收一次请求，而在视频监控服务的过程中，对最终资源需求量预测调整对用户透明的，用户不参与，所以用户在请求某一视频监控服务时，只接收一次请求。这样避免出现重复接收同一次视频监控服务资源的请求重复接收的情况，提高了后续预测最终资源需求量的准确性。
上述视频监控服务资源至少包括：中央处理器CPU资源、内存、上行带宽和/或下行带宽。在使用过程中，量化该视频监控服务资源，利用量化的视频监控服务资源，进而方便使用视频监控服务资源。具体的，视频任务在CIVU中执行时的资源使用量描述为其中分别代表CPU、内存、上行带宽和下行带宽的资源使用量。
步骤102，在所述当前CIVU运行预设时间之后，获取数据库对应所述当前CIVU运行预设时间的数据中、当前运行时间之前的第一预设周期内的视频监控服务资源第一使用量，其中，所述数据库记录有所述当前CIVU运行预设时间之后的视频监控服务资源历史使用量，所述视频监控服务资源历史使用量包括：所述第一使用量及除所述第一使用量以外的视频监控服务资源其他使用量。
通常，该第一预设周期及当前运行时间的时间长度，均可以根据用户需求或工业需求进行设定，在此并不做限定。
步骤103，遍历所述数据库中的所述其他使用量，查找与所述第一使用量相似度大于预设阈值的第一历史使用量，其中，所述第一历史使用量为具有第二预设周期的历史使用量，且所述第二预设周期的时长与所述第一预设周期的时长相同。
步骤104，根据所述第一历史使用量，确定所述数据库对应所述当前CIVU运行预设时间的数据中、所述第二预设周期之后相邻的预设时间长度内的第二历史使用量的变化量。
通常，该第二预设周期的时间长度及该预设阈值，均可以根据用户需求或工业需求进行设定，在此并不做限定。优选的，该预设阈值设置大于80％，这样可以提高第一使用量与第二历史使用量的相似度，当然该相似度也可以通过其他方式进行确定，比如，二次范数。
步骤105，根据所述变化量及所述第一使用量，预测所述当前CIVU中所述第一预设周期之后相邻的所述预设时间长度内的、所述用户需求所述视频监控服务资源的最终资源需求量。
通常，该预设时间长度的时间长度可以根据用户需求或工业需求进行设定，在此并不做限定。具体的，该预设时间长度可以小于该第一预设周期，该预设时间长度也可以大于该第一预设周期，具体的根据用户需要预测的数据决定。优选的，该预设时间长度小于该第一预设周期，这样渐进地预测最终资源需求量，可以提高预测最终资源需求量的准确性。
本发明实施例中，通过预测当前云智能视频处理单元CIVU的当前运行时间之前的、第一预设周期内的视频监控服务资源第一使用量，找到数据库中与第一使用量相似的视频监控服务资源服务数据，然后通过确定该相似的视频监控服务资源服务数据相邻时间的下一预设时间长度内的变化量，得到该第一使用量的下一预设时间长度内的视频监控服务资源服务数据。这样可以准确地预测未来一段时间视频监控服务所需的资源需求量，进而有效地动态调整视频监控服务资源的资源量，有效提高资源利用率，节约了成本，提高用户的体验效果。
参见图2，图2为本发明实施例的视频监控云资源预测方法的具体流程示意图。本发明实施例的视频监控云资源预测方法，包括：
步骤201，获取用户需求视频监控服务的请求，根据所述请求，遍历资源池中已存储的所有CIVU，查找一个与所述当前CIVU所提供的视频监控服务相似度大于预设数值的第一CIVU，其中，所述当前CIVU为所述用户提供视频监控服务。根据请求中的该视频监控服务的特征属性分配初始资源量。这里的资源池中存储CIVU，CIVU的运行数据存储在数据库中。
当用户提交新的服务请求时，从资源池数据库中众多CIVU中运行着的视频监控服务中找出和用户新请求的服务最相似的第一CIVU，将这个最相似的视频监控服务的第一CIVU所占用的资源作为初始资源分配给新的当前CIVU，通过新的当前CIVU为用户新的服务请求提供服务。
通常，该预设数值可以根据用户需求或工业需求进行设定，在此并不做限定。最终与该视频监控服务资源服务相近似的服务，均属于本发明实施例的保护范围。
步骤202，获取所述第一CIVU中视频监控服务资源使用量的峰值，作为所述当前CIVU的初始资源分配量。这样不选择最小值，防止出现了资源不满足用户的需求的问题，在最初始选择较大的资源使用量，后续再进行预测资源调整，保证了用户服务质量，提高了用户体验效果。
通常，将预测最终资源需求量分为两个阶段，第一个阶段是指初始资源预测阶段，也就是确定初始资源分配量的阶段；第二个阶段是指运行时持续预设最终资源需求量的阶段。其中，在第一个阶段中，在接收到用户的请求后，需要在数据库中的众多服务的CIVU中找一个与新分配的当前CIVU相类似的服务的第一CIVU，并且将该第一CIVU的相似服务的资源使用量作为初始资源分配量。从而能够准确地估计一个所需分配的CIVU初始资源量，后续通过该CIVU初始资源量建立一个当前CIVU。在第二阶段中，利用最近邻回归TSNNR算法，并通过当前CIVU中的历史时间段序列数据的变化趋势相似性来预测未来一段时间的资源需求。
需要说明的是，针对一个视频监控服务在初始分配当前CIVU工作时，需要依据该请求中具有的视频监控服务资源的视频监控服务特征属性，根据该视频监控服务的特征属性分配初始资源量。其中，该视频监控服务特征属性包括分辨率、码率及任务类型，该特征属性在初始资源预测时用到。每一个视频监控服务包含多种特征属性，这里的视频监控服务可以依据视频监控服务特征属性表示为其中代表任务vi的第k个属性。在视频监控云平台中可以量化视频监控服务集合为V＝{v1,v2,v3......vn}，其中vi表示第i个视频监控服务。这样方便后期进行预测最终资源需求量。
步骤203，根据所述初始资源分配量，建立一个所述当前CIVU。
这里通过选取一个合适的初始资源分配量，可以为后续预测做好基础，提高了预测的准确性；也节约了云资源的成本，并为用户提供了更加灵活、可靠、高效的服务。
步骤204，在所述当前CIVU运行预设时间之后，获取所述数据库对应所述当前CIVU运行预设时间的数据中、当前运行时间之前的第一预设周期内的多个预设时间段，对应的多个视频监控服务资源第一使用量。
这里的多个视频监控服务资源第一使用量可以量化为历史时间段序列数据，方便后期不同预设时间段的资源预测。
步骤205，按照时间先后顺序，遍历所述数据库中的所述其他使用量。
步骤206，将所述其他使用量和所述第一使用量进行二次范数运算，确定与所述第一使用量相似度大于预设阈值的第一历史使用量。
步骤207，按照所述第一历史使用量的原始存储时间的时间顺序，确定所述数据库中所述第一历史使用量与相邻的所述第二历史使用量的变化量，其中，所述原始存储时间为所述第一使用量存储于所述数据库中的时间。
步骤208，按照所述第一使用量的原始存储时间的时间顺序并根据所述变化量与所述第一使用量之和，预测所述用户需求所述视频监控服务资源的多个资源需求量，其中，所述多个资源需求量为在包括有多个预设时间段的预设时间长度内、每个预设时间段对应的资源需求量，所述原始存储时间为所述第一使用量存储于所述数据库中的时间。
优选地，步骤208具体为：将所述资源需求量峰值与预设历史预测误差平均值之和，作为所述最终资源需求量。为了保证服务质量，选择资源需求量峰值加上一个预设历史预测误差平均值作为最终的资源预测分配值，这样可以将误差考虑进去，得到一个最优的最终资源需求量，不仅可以满足用户的需求，而且可以合理的分配资源。
优选地，步骤208具体为：根据公式：
预测所述用户需求所述视频监控服务资源的多个资源需求量；
其中，为多个资源需求量中的一个资源需求量，为所述第一使用量，为所述第二历史使用量，为所述第一历史使用量，Nk(t)为k个相邻所述预设时间段序列集合，i为第i个视频监控服务资源服务，t为所述当前运行时间，t+1为所述当前运行时间之后相邻的一个预设时间段，t'为存储所述第一历史使用量于所述数据库时的原始存储时间，t'+1为存储所述第一历史使用量于所述数据库时的原始存储时间之后相邻的一个预设时间段，k为大于或等于1的自然数。
步骤209，根据所述多个资源需求量，确定所述多个资源需求量的资源需求量峰值。
步骤210，根据所述资源需求量峰值，预测所述用户需求所述视频监控服务资源的最终资源需求量。
本发明实施例中，在为用户的视频监控请求提供服务时，考虑监控资源服务过程中监控服务资源需求的动态性和随机性，还通过基于时序回归分析的视频监控云资源预测方法，动态的预测其未来一段时间内的最终资源需求量，动态调整监控服务资源大小，在不影响用户服务质量的同时提高了云资源利用率，减少资源浪费，也可以通过本发明实施例的算法实现资源分配，减小系统的开销。
参见图3，图3为本发明实施例的视频监控云资源预测方法的整体实现流程图。具体实现流程举例如下。
步骤301，获取用户需求视频监控服务的请求，将请求的视频监控服务的属性特征向量标准化
步骤302，遍历资源池中已存储的所有CIVU分别与新分配的当前CIVU中的数据库中视频监控服务资源第一使用量进行二次范数，找出视频监控服务最相似的第一CIVU。
步骤303，将第一CIVU的视频监控服务资源使用量的峰值作为初始资源分配量，并将该初始资源分配量作为当前CIVU中的视频监控服务资源的初始值，其中，该当前CIVU提交视频监控服务。
步骤304，将当前CIVU的数据库的时间按照固定的时间周期分割成一个个时间段。
步骤305，把当前运行时间t的前q个时间段长度作为一个预测周期，即第一预设周期，该第一使用量对应的视频监控服务资源使用量序列为
步骤306，从当前CIVU的数据库中找出与步骤305中的视频监控服务资源使用量序列趋势最相似的时间序列数据，即L2范数最小。递归k次找到当前CIVU的数据库中的k个相邻所述预设时间段序列集合Nk(t)，k为大于或等于1的自然数。
步骤307，计算出当前运行时间t的下一个预测周期的资源需求量
步骤308，将预测值记录在该数据库中，重复执行步骤305,步骤306,步骤307共计p次，就可以得到当前时刻当前运行时间t的未来p个预测周期的多个资源需求量。
步骤309，找出多个资源需求峰值加上误差就为最终的资源分配量。
对于任意视频监控服务，根据当前CIVU的视频监控服务资源使用量序列，利用基于时序回归分析，可以预测出在未来一段时间服务的最终资源需求量，实现动态的调整实例资源的需求大小，实现资源利用最大化，提高视频监控服务性能。
因为每个视频监控服务资源的资源使用量表示类似，因此本发明实施例后续以CPU(Central Processing Unit，中央处理器)的资源使用量为例，具体举例如下。
每个CIVU从开始服务运行到当前运行时间t的CPU资源使用量可以表示为将CIVU中历史资源使用数据，按照固定的时间周期划分成一个个时间段，形成一个时间段序列，根据来预测未来的资源负载
首先，从存储在数据库中该CPU资源任务的视频监控服务资源历史使用量序列中找到与当前运行时间t最近q个时间段数据最相似的一个时间段序列这个时间段序列数据可以通过使用二次范数得到,其中t'表示存储在数据库中的原始存储时间，t表示当前运行时间，q表示使用当前运行时间之后的多个时间段作为一个比较序列，即表示一个预测周期的时间段步长。上述步骤递归地执行k次，就会得到k个相邻所述预设时间段序列集合Nk(t)，其中，q可以根据用户需求进行设定时间长度，k为大于或等于1的自然数。
其次，通过前面找到的k个最相似第一历史使用量中的时间段序列来估计未来的一段时间的资源需求量。具体的方式，先得到k个时间段序列的下一个时间段序列数据和当前时间段序列数据的均差值；再将该均差值与当前时间段序列数据之和，作为下一阶段的预测值即用公式描述为当然，以上公式只是进行一步的预测，如果想往前预测p步，可以将预测值作为历史时间段序列数据，寻找与数据序列最相似的历史时间段序列数据，求出下一阶段的预测值。如此的重复执行上面的步骤p次，就可以得到未来p个时间周期的多个资源需求量的资源需求量峰值集合
最后，为了保证服务质量，选择多个资源需求量的资源需求量峰值加上一个预设历史预测误差平均值e作为最终的资源预测分配值e为历史预设历史预测误差平均值的平均值。由于与历史时间段序列数据相似，那么的下一个时间段序列和的下一个时间段序列也有相似的变化趋势，这样就预测出在未来一段时间内CPU的资源需求量，同理对于内存和带宽的预测方式是相同的。
参见图4，图4为本发明实施例的视频监控云资源预测系统的基本结构示意图。本发明实施例的视频监控云资源预测系统，包括：
处理模块401，用于获取用户需求视频监控服务的请求，根据所述请求确定一个初始资源分配量，并对应所述初始资源分配量建立一个当前云智能视频处理单元CIVU，其中，所述当前CIVU为所述用户提供所述视频监控服务。该请求是用户通过手机或电脑利用VS(Video Surveillance as a Service，视频监控即服务)提供的平台提交的。
获取模块402，用于在所述当前CIVU运行预设时间之后，获取数据库对应所述当前CIVU运行预设时间的数据中、当前运行时间之前的第一预设周期内的视频监控服务资源第一使用量，其中，所述数据库记录有所述当前CIVU运行预设时间之后的视频监控服务资源历史使用量，所述视频监控服务资源历史使用量包括：所述第一使用量及除所述第一使用量以外的视频监控服务资源其他使用量。
查找模块403，用于遍历所述数据库中的所述其他使用量，查找与所述第一使用量相似度大于预设阈值的第一历史使用量，其中，所述第一历史使用量为具有第二预设周期的历史使用量，且所述第二预设周期的时长与所述第一预设周期的时长相同。
确定模块404，用于根据所述第一历史使用量，确定所述数据库对应所述当前CIVU运行预设时间的数据中、所述第二预设周期之后相邻的预设时间长度内的第二历史使用量的变化量。
预测模块405，用于根据所述变化量及所述第一使用量，预测所述当前CIVU中所述第一预设周期之后相邻的所述预设时间长度内的、所述用户需求所述视频监控服务资源的最终资源需求量。
本发明实施例中，通过预测当前云智能视频处理单元CIVU的当前运行时间之前的、第一预设周期内的视频监控服务资源第一使用量，找到数据库中与第一使用量相似的视频监控服务资源服务数据，然后通过确定该相似的视频监控服务资源服务数据相邻时间的下一预设时间长度内的变化量，得到该第一使用量的下一预设时间长度内的视频监控服务资源服务数据。这样可以准确地预测未来一段时间视频监控服务所需的资源需求量，进而有效地动态调整视频监控服务资源的资源量，有效提高资源利用率。
需要说明的是，本发明实施例的系统是应用上述视频监控云资源预测方法的系统，则上述视频监控云资源预测方法的所有实施例均适用于该系统，且均能达到相同或相似的有益效果。
本发明又一实施例的视频监控云资源预测系统中，所述处理模块401包括：
遍历查找子模块，用于根据所述请求，遍历资源池中已存储的所有CIVU，查找一个与所述当前CIVU所提供的视频监控服务相似度大于预设数值的第一CIVU；
获取初始资源分配量子模块，用于获取所述第一CIVU中视频监控服务资源使用量的峰值，作为所述当前CIVU的初始资源分配量；
建立模块，用于根据所述初始资源分配量，建立一个所述当前CIVU。
本发明又一实施例的视频监控云资源预测系统中，所述视频监控服务资源至少包括：中央处理器CPU资源、内存、上行带宽和/或下行带宽。
本发明又一实施例的视频监控云资源预测系统中，所述获取模块402包括：
获取子模块，用于在所述当前CIVU运行预设时间之后，获取所述数据库对应所述当前CIVU运行预设时间的数据中、当前运行时间之前的第一预设周期内的多个预设时间段，对应的多个视频监控服务资源第一使用量。
本发明又一实施例的视频监控云资源预测系统中，所述查找模块403包括：
遍历子模块，用于按照时间先后顺序，遍历所述数据库中的所述其他使用量；
第一确定子模块，用于将所述其他使用量和所述第一使用量进行二次范数运算，确定与所述第一使用量相似度大于预设阈值的第一历史使用量。
本发明又一实施例的视频监控云资源预测系统中，所述确定模块404，包括：
第二确定子模块，用于按照所述第一历史使用量的原始存储时间的时间顺序，确定所述数据库中所述第一历史使用量与相邻的所述第二历史使用量的变化量，其中，所述原始存储时间为所述第一使用量存储于所述数据库中的时间。
本发明又一实施例的视频监控云资源预测系统中，所述预测模块405包括：
第一预测子模块，用于按照所述第一使用量的原始存储时间的时间顺序并根据所述变化量与所述第一使用量之和，预测所述用户需求所述视频监控服务资源的多个资源需求量，其中，所述多个资源需求量为在包括有多个预设时间段的预设时间长度内、每个预设时间段对应的资源需求量，所述原始存储时间为所述第一使用量存储于所述数据库中的时间；
确定子模块，用于根据所述多个资源需求量，确定所述多个资源需求量的资源需求量峰值；
第二预测子模块，用于根据所述资源需求量峰值，预测所述用户需求所述视频监控服务资源的最终资源需求量。
本发明又一实施例的视频监控云资源预测系统中，所述第一预测子模块进一步用于：根据公式：
根据公式：
预测所述用户需求所述视频监控服务资源的多个资源需求量；
其中，为多个资源需求量中的一个资源需求量，为所述第一使用量，为所述第二历史使用量，为所述第一历史使用量，Nk(t)为k个相邻所述预设时间段序列集合，x为所述视频监控服务资源，i为第i个视频监控服务资源服务，t为所述当前运行时间，t+1为所述当前运行时间之后相邻的一个预设时间段，t'为存储所述第一历史使用量于所述数据库时的原始存储时间，t'+1为存储所述第一历史使用量于所述数据库时的原始存储时间之后相邻的一个预设时间段，k为大于或等于1的自然数。
本发明又一实施例的视频监控云资源预测系统中，所述确定子模块进一步用于：将所述资源需求量峰值与预设历史预测误差平均值之和，作为所述最终资源需求量。
整体交互过程：用户CU发出服务请求，视频监控系统VS接收到用户的请求将之传递给视频云服务管理模块VCSM，VCSM将会触发云资源管理模块CRM去配置云资源并利用虚拟化技术生成CIVU智能视频处理单元处理用户请求，为用户提供服务。在初始分配CIVU时，使用本模块中的初始资源预测阶段，根据用户请求的视频监控服务的属性特征为其分配合适的资源。在运行过程中，根据资源预测模块的预测结果为其动态的调整CIVU的大小，来提高资源利用率。VCSM从CIVU中收集处理结果，将结果返回给VS，从而反馈给用户。
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。
本说明书中的各个实施例均采用相关的方式描述，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。
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)

1.一种视频监控云资源预测方法，其特征在于，包括：
获取用户需求视频监控服务的请求，根据所述请求确定一个初始资源分配量，并对应所述初始资源分配量建立一个当前云智能视频处理单元CIVU，其中，所述当前CIVU为所述用户提供所述视频监控服务；
在所述当前CIVU运行预设时间之后，获取数据库中所述当前CIVU对应运行预设时间的数据中、当前运行时间之前的第一预设周期内的视频监控服务资源第一使用量，其中，所述数据库记录有所述当前CIVU运行预设时间之后的视频监控服务资源历史使用量，所述视频监控服务资源历史使用量包括：所述第一使用量及除所述第一使用量以外的视频监控服务资源其他使用量；
遍历所述数据库中的所述其他使用量，查找与所述第一使用量相似度大于预设阈值的第一历史使用量，其中，所述第一历史使用量为具有第二预设周期的历史使用量，且所述第二预设周期的时长与所述第一预设周期的时长相同；
根据所述第一历史使用量，确定所述数据库中所述当前CIVU对应运行预设时间的数据中、所述第二预设周期之后相邻的预设时间长度内的第二历史使用量的变化量；
根据所述变化量及所述第一使用量，预测所述当前CIVU中所述第一预设周期之后相邻的所述预设时间长度内的、所述用户需求所述视频监控服务资源的最终资源需求量。
2.如权利要求1所述的视频监控云资源预测方法，其特征在于，所述根据所述请求确定一个初始资源分配量，并对应所述初始资源分配量建立一个当前云智能视频处理单元CIVU，包括：
根据所述请求，遍历资源池中已存储的所有CIVU，查找一个与所述当前CIVU所提供的视频监控服务相似度大于预设数值的第一CIVU；
获取所述第一CIVU中视频监控服务资源使用量的峰值，作为所述当前CIVU的初始资源分配量；
根据所述初始资源分配量，建立一个所述当前CIVU。
3.如权利要求1所述的视频监控云资源预测方法，其特征在于，所述视频监控服务资源至少包括：中央处理器CPU资源、内存、上行带宽和/或下行带宽。
4.如权利要求1至3任一项所述的视频监控云资源预测方法，其特征在于，所述在所述当前CIVU运行预设时间之后，获取数据库中所述当前CIVU对应运行预设时间的数据中、当前运行时间之前的第一预设周期内的视频监控服务资源第一使用量，包括：
在所述当前CIVU运行预设时间之后，获取所述数据库中所述当前CIVU对应运行预设时间的数据中、当前运行时间之前的第一预设周期内的多个预设时间段，对应的多个视频监控服务资源第一使用量。
5.如权利要求1至3任一项所述的视频监控云资源预测方法，其特征在于，所述遍历所述数据库中的所述其他使用量，查找与所述第一使用量相似度大于预设阈值的第一历史使用量，包括：
按照时间先后顺序，遍历所述数据库中的所述其他使用量；
将所述其他使用量和所述第一使用量进行二次范数运算，确定与所述第一使用量相似度大于预设阈值的第一历史使用量。
6.如权利要求1至3任一项所述的视频监控云资源预测方法，其特征在于，所述根据所述第一历史使用量，确定所述数据库中所述当前CIVU对应运行预设时间的数据中、所述第二预设周期之后相邻的预设时间长度内的第二历史使用量的变化量，包括：
按照所述第一历史使用量的原始存储时间的时间顺序，确定所述数据库中所述第一历史使用量与相邻的所述第二历史使用量的变化量，其中，所述原始存储时间为所述第一使用量存储于所述数据库中的时间。
7.如权利要求1至3任一项所述的视频监控云资源预测方法，其特征在于，所述根据所述变化量及所述第一使用量，预测所述当前CIVU中所述第一预设周期之后相邻的所述预设时间长度内的、所述用户需求所述视频监控服务资源的最终资源需求量，包括：
按照所述第一使用量的原始存储时间的时间顺序并根据所述变化量与所述第一使用量之和，预测所述用户需求所述视频监控服务资源的多个资源需求量，其中，所述多个资源需求量为在包括有多个预设时间段的预设时间长度内、每个预设时间段对应的资源需求量，所述原始存储时间为所述第一使用量存储于所述数据库中的时间；
根据所述多个资源需求量，确定所述多个资源需求量的资源需求量峰值；
根据所述资源需求量峰值，预测所述用户需求所述视频监控服务资源的最终资源需求量。
8.如权利要求7所述的视频监控云资源预测方法，其特征在于，
所述按照所述第一使用量的原始存储时间的时间顺序并根据所述变化量与所述第一使用量之和，预测所述用户需求所述视频监控服务资源的多个资源需求量，包括：
根据公式：
预测所述用户需求所述视频监控服务资源的多个资源需求量；
其中，为多个资源需求量中的一个资源需求量，为所述第一使用量，为所述第二历史使用量，为所述第一历史使用量，Nk(t)为k个相邻所述预设时间段序列集合，x为所述视频监控服务资源，i为第i个视频监控服务资源服务，t为所述当前运行时间，t+1为所述当前运行时间之后相邻的一个预设时间段，t'为存储所述第一历史使用量于所述数据库时的原始存储时间，t'+1为存储所述第一历史使用量于所述数据库时的原始存储时间之后相邻的一个预设时间段，k为大于或等于1的自然数。
9.如权利要求7所述的视频监控云资源预测方法，其特征在于，
所述根据所述资源需求量峰值，预测所述用户需求所述视频监控服务资源的最终资源需求量，包括：
将所述资源需求量峰值与预设历史预测误差平均值之和，作为所述最终资源需求量。
10.一种视频监控云资源预测系统，其特征在于，包括：
处理模块，用于获取用户需求视频监控服务的请求，根据所述请求确定一个初始资源分配量，并对应所述初始资源分配量建立一个当前云智能视频处理单元CIVU，其中，所述当前CIVU为所述用户提供视频监控服务；
获取模块，用于在所述当前CIVU运行预设时间之后，获取数据库中所述当前CIVU对应运行预设时间的数据中、当前运行时间之前的第一预设周期内的视频监控服务资源第一使用量，其中，所述数据库记录有所述当前CIVU运行预设时间之后的视频监控服务资源历史使用量，所述视频监控服务资源历史使用量包括：所述第一使用量及除所述第一使用量以外的视频监控服务资源其他使用量；
查找模块，用于遍历所述数据库中的所述其他使用量，查找与所述第一使用量相似度大于预设阈值的第一历史使用量，其中，所述第一历史使用量为具有第二预设周期的历史使用量，且所述第二预设周期的时长与所述第一预设周期的时长相同；
确定模块，用于根据所述第一历史使用量，确定所述数据库中所述当前CIVU对应运行预设时间的数据中、所述第二预设周期之后相邻的预设时间长度内的第二历史使用量的变化量；
预测模块，用于根据所述变化量及所述第一使用量，预测所述当前CIVU中所述第一预设周期之后相邻的所述预设时间长度内的、所述用户需求所述视频监控服务资源的最终资源需求量。
CN201610427958.8A 2016-06-16 2016-06-16 一种视频监控云资源预测方法及系统 Active CN106209967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610427958.8A CN106209967B (zh) 2016-06-16 2016-06-16 一种视频监控云资源预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610427958.8A CN106209967B (zh) 2016-06-16 2016-06-16 一种视频监控云资源预测方法及系统

Publications (2)

Publication Number Publication Date
CN106209967A CN106209967A (zh) 2016-12-07
CN106209967B true CN106209967B (zh) 2019-03-15

Family

ID=57460628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610427958.8A Active CN106209967B (zh) 2016-06-16 2016-06-16 一种视频监控云资源预测方法及系统

Country Status (1)

Country Link
CN (1) CN106209967B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108965455B (zh) * 2018-08-01 2021-07-27 中国联合网络通信集团有限公司 一种视频容器云的调整方法和系统
CN110888898A (zh) * 2018-09-11 2020-03-17 北京奇虎科技有限公司 集群资源使用情况处理方法、装置及电子设备
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
CN113568754A (zh) * 2021-08-03 2021-10-29 安天科技集团股份有限公司 资源分配方法、装置、计算设备及存储介质
CN113656163A (zh) * 2021-08-24 2021-11-16 平安资产管理有限责任公司 服务资源调度方法、装置、计算机设备和存储介质
CN113962468A (zh) * 2021-10-29 2022-01-21 杭州青橄榄网络技术有限公司 基于用能监控统计能源消耗碳排放管理方法及系统
CN116033584B (zh) * 2023-02-03 2023-10-20 阿里巴巴（中国）有限公司 空口资源调度方法、网络接入设备和通信网络

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103067514A (zh) * 2012-12-29 2013-04-24 深圳先进技术研究院 用于视频监控分析系统的云计算资源优化的方法和系统
CN104065663A (zh) * 2014-07-01 2014-09-24 复旦大学 一种基于混合云调度模型的自动伸缩、费用优化的内容分发服务方法
CN105049298A (zh) * 2015-08-27 2015-11-11 浪潮集团有限公司 一种云资源监控方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103067514A (zh) * 2012-12-29 2013-04-24 深圳先进技术研究院 用于视频监控分析系统的云计算资源优化的方法和系统
CN104065663A (zh) * 2014-07-01 2014-09-24 复旦大学 一种基于混合云调度模型的自动伸缩、费用优化的内容分发服务方法
CN105049298A (zh) * 2015-08-27 2015-11-11 浪潮集团有限公司 一种云资源监控方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Private Image Region Protection and Reconstruction Scheme for Cloud-based Video Monitoring System using Transform Domain Wyner-Ziv Video Coding;Jongbin Park，Kyung-Won Kim，Jae-Won Moon等;《The IEEE International Symposium on Broadband Multimedia Systems and Broadcasting 2014》;20141231;第1-4页
基于OpenStack架构的视频监控服务平;曹宁，胡豆豆，张海涛，姜哲;《电信技术》;20151231;第51-55页

Also Published As

Publication number Publication date
CN106209967A (zh) 2016-12-07

Similar Documents

Publication Publication Date Title
CN106209967B (zh) 一种视频监控云资源预测方法及系统
CN106528280B (zh) 一种任务分配方法和系统
US7594016B1 (en) Calculating numbers of servers for tiers of a multi-tiered system
Kumar et al. Resource allocation for real-time tasks using cloud computing
CN106959894B (zh) 资源分配方法和装置
CN102904955B (zh) 云计算平台中Web应用的自适应伸缩控制系统及其方法
CN103067524A (zh) 一种基于云计算环境的蚁群优化计算资源分配方法
CN110109953A (zh) 一种数据查询方法、装置及设备
CN109634744B (zh) 一种基于云平台资源分配的精确匹配方法，设备及存储介质
CN102043673A (zh) 并行处理期间资源分配的校准
CN103345514A (zh) 大数据环境下的流式数据处理方法
CN113037877B (zh) 云边端架构下时空数据及资源调度的优化方法
JP2021519460A (ja) データクエリ方法、装置、およびデバイス
Arkian et al. Model-based stream processing auto-scaling in geo-distributed environments
CN113037800B (zh) 作业调度方法以及作业调度装置
CN110491124A (zh) 一种车辆流量预测方法、装置、设备及存储介质
CN111752678A (zh) 面向边缘计算中分布式协同学习的低功耗容器放置方法
Samikwa et al. Adaptive early exit of computation for energy-efficient and low-latency machine learning over iot networks
US7886055B1 (en) Allocating resources in a system having multiple tiers
CN109656723A (zh) 容器资源调度方法及装置
CN109558248A (zh) 一种用于确定面向海洋模式计算的资源分配参数的方法及系统
CN104679444A (zh) 虚拟化存储资源的动态调整方法与装置
US9021094B1 (en) Allocation of resources for tiers of a multi-tiered system based on selecting items from respective sets
CN116643844B (zh) 面向电力超算云资源自动扩展的智能化管理系统及方法
CN115576502B (zh) 一种数据存储的方法、装置、电子设备以及存储介质

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
GR01 Patent grant