CN109510715A - 带宽分配方法、装置、数据中心以及存储介质 - Google Patents
带宽分配方法、装置、数据中心以及存储介质 Download PDFInfo
- Publication number
- CN109510715A CN109510715A CN201710826558.9A CN201710826558A CN109510715A CN 109510715 A CN109510715 A CN 109510715A CN 201710826558 A CN201710826558 A CN 201710826558A CN 109510715 A CN109510715 A CN 109510715A
- Authority
- CN
- China
- Prior art keywords
- bandwidth
- user
- allocation
- determining
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012937 correction Methods 0.000 claims abstract description 44
- 238000012417 linear regression Methods 0.000 claims description 18
- 230000003068 static effect Effects 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000012986 modification Methods 0.000 claims description 11
- 230000004048 modification Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 9
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000011497 Univariate linear regression Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种带宽分配方法、装置、数据中心以及存储介质,其中的方法包括:根据带宽使用历史数据确定用户的初步预测需求带宽;实时采集用户的带宽使用数据,基于带宽使用数据确定带宽修正策略;基于带宽修正策略修正初步预测需求带宽,得到理想分配带宽;根据带宽分配规则以及理想分配带宽确定用户的实际分配带宽;根据实际分配带宽对用户的带宽分配进行调整。本发明的方法、装置以及存储介质,可以充分利用历史数据,提高预测精准性,更加准确地把握用户带宽需求变化,提高了带宽利用率,提升了用户体验;实现带宽分配的智能化动态自适应,解决了配置周期长、过程复杂的问题并实现了基于用户服务等级的带宽分配。
Description
技术领域
本发明涉及网络通信技术领域,尤其涉及一种带宽分配方法、装置、数据中心以及存储介质。
背景技术
当前,运营商正在大量部署数据中心,越来越多的服务开始依赖于数据中心,可以说数据中心的性能极大的影响了各种服务的体验。但是,当前的网络架构存在一些问题:传统网络管理过程复杂,过多的依赖于人工和静态的配置,无法满足实时流量带宽优化的需求;大型服务提供商的流量往往具有时间特征,难以为重要用户提供带宽保障;目前用户带宽使用情况往往动态变化,静态带宽分配导致利用率低,带宽分配存在冗余。以上问题严重影响了数据中心的性能和服务体验,同时也影响了网络智能化的进程。因此,需要一种新的带宽分配方案。
发明内容
有鉴于此,本发明要解决的一个技术问题是提供一种带宽分配方法、装置、数据中心以及存储介质。
根据本发明的一个方面,提供一种带宽分配方法,包括:获取用户的带宽使用历史数据,根据带宽使用历史数据确定用户的初步预测需求带宽;实时采集用户的带宽使用数据,基于所述带宽使用数据确定带宽修正策略;基于所述带宽修正策略修正所述初步预测需求带宽,得到理想分配带宽;根据带宽分配规则以及所述理想分配带宽确定用户的实际分配带宽;根据所述实际分配带宽对用户的带宽分配进行调整。
可选地,所述获取用户的带宽使用历史数据、根据所述带宽使用历史数据确定用户的初步预测需求带宽包括:确定数据采集时段,获取在所述数据采集时段内用户的带宽使用历史数据;根据所述带宽使用历史数据获取用户的带宽使用量与时间的对应关系;根据所述对应关系预测用户在预定时间段内不同时刻的初步预测需求带宽。
可选地,所述根据所述对应关系预测用户在预定时间段内不同时刻的初步预测需求带宽包括:根据所述对应关系建立基于带宽使用量和时间的线性回归模型;利用所述线性回归模型预测用户在预定时间段内不同时刻的初步预测需求带宽。
可选地,所述实时采集用户的带宽使用数据、基于所述带宽使用数据确定带宽修正策略包括:实时采集用户的当前分配带宽和实际使用带宽;获取最优带宽利用率阈值,基于所述最优带宽利用率阈值和所述实际使用带宽确定理想带宽阈值;将所述理想带宽阈值与所述当前分配带宽的差值确定为带宽修正值。
可选地,采集在当前时刻t分配给用户i的带宽和用户i的实际使用带宽确定用户i的带宽修正值
其中,σ为最优带宽利用率阈值。
可选地,所述基于所述带宽修正策略修正所述初步预测需求带宽、得到理想分配带宽包括:获取用户i在t+1时刻的初步预测需求带宽确定用户i在t+1时刻的理想分配带宽
其中,λ为修正因子,0≤λ≤1。
可选地,所述带宽分配规则包括:QoS规则和自定义静态策略;其中,所述自定义静态策略包括:用户等级、带宽分配期望值、用户带宽上限。
可选地,所述根据带宽分配规则以及所述理想分配带宽确定用户的实际分配带宽包括:获取自定义配置的用户i在t+1时刻的带宽分配期望值用户等级Vi、带宽上限Bi;确定用户i在t+1时刻的暂定分配带宽
其中,η为基于Vi确定的带宽分配等级系数,α和β决策因子,α+β=1;判断Bi_temp是否大于Bi,如果是,则用户i在t+1时刻的实际分配带宽=Bi,如果否,则
可选地,确定带宽分配等级系数
其中,为Vi对应的映射值。
根据本发明的另一方面,提供一种带宽分配装置,包括:预测模块,用于获取用户的带宽使用历史数据,根据所述带宽使用历史数据确定用户的初步预测需求带宽;监测模块,用于实时采集用户的带宽使用数据;修正模块,用于基于所述带宽使用数据确定带宽修正策略,基于所述带宽修正策略修正所述初步预测需求带宽,得到理想分配带宽;分配模块,用于根据带宽分配规则以及所述理想分配带宽确定用户的实际分配带宽;执行模块,用于根据所述实际分配带宽对用户的带宽分配进行调整。
可选地,所述预测模块,用于确定数据采集时段,获取在所述数据采集时段内用户的带宽使用历史数据;根据所述带宽使用历史数据获取用户的带宽使用量与时间的对应关系;根据所述对应关系预测用户在预定时间段内不同时刻的初步预测需求带宽。
可选地,所述预测模块,用于根据所述对应关系建立基于带宽使用量和时间的线性回归模型;利用所述线性回归模型预测用户在预定时间段内不同时刻的初步预测需求带宽。
可选地,所述监测模块,用于实时采集用户的当前分配带宽和实际使用带宽;所述修正模块,用于获取最优带宽利用率阈值,基于所述最优带宽利用率阈值和所述实际使用带宽确定理想带宽阈值;将所述理想带宽阈值与所述当前分配带宽的差值确定为带宽修正值。
可选地,所述监测模块,用于采集在当前时刻t分配给用户i的带宽和用户i的实际使用带宽所述修正模块,用于确定用户i的带宽修正值
其中,σ为最优带宽利用率阈值。
可选地,所述修正模块,用于获取用户i在t+1时刻的初步预测需求带宽确定用户i在t+1时刻的理想分配带宽
其中,λ为修正因子,0≤λ≤1。
可选地,所述带宽分配规则包括:QoS规则和自定义静态策略;所述自定义静态策略包括:用户等级、带宽分配期望值、用户带宽上限。
可选地,所述分配模块,用于获取自定义配置的用户i在t+1时刻的带宽分配期望值用户等级Vi、带宽上限Bi;确定用户i在t+1时刻的暂定分配带宽
其中,η为基于Vi确定的带宽分配等级系数,α和β决策因子,α+β=1;判断Bi_temp是否大于Bi,如果是,则用户i在t+1时刻的实际分配带宽=Bi,如果否,则
可选地,所述分配模块,确定带宽分配等级系数
其中,为Vi对应的映射值。
根据本发明的还一方面,提供一种数据中心,包括:如上所述的带宽分配装置。
根据本发明的又一方面,提供一种带宽分配装置,包括:存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如上所述的带宽分配方法。
根据本发明的再一方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上所述的带宽分配方法。
本发明的带宽分配方法、装置、数据中心以及存储介质,根据带宽使用历史数据确定用户的初步预测需求带宽,基于带宽使用实时数据确定带宽修正策略,用于修正初步预测需求带宽得到理想分配带宽;根据带宽分配规则以及理想分配带宽确定用户的实际分配带宽;能够智能预测租户带宽需求,自动分配带宽,依据实时需求特点,自动对带宽分配做出调整;可以充分利用历史数据,提高预测精准性,更加准确地把握用户带宽需求变化,提高了带宽利用率,提升了用户体验;实现带宽分配的智能化动态自适应,解决了配置周期长、过程复杂的问题并实现了基于用户服务等级的带宽分配。
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一简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明的带宽分配方法的一个实施例的流程示意图;
图2为根据本发明的带宽分配方法的一个实施例的确定初步预测需求带宽的流程示意图;
图3为根据本发明的带宽分配方法的一个实施例的确定带宽修正策略的流程示意图;
图4为根据本发明的带宽分配装置的一个实施例的模块示意图;
图5为根据本发明的带宽分配装置的另一个实施例的模块示意图。
具体实施方式
下面参照附图对本发明进行更全面的描述,其中说明本发明的示例性实施例。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。
图1为根据本发明的带宽分配方法的一个实施例的流程示意图,如图1所示:
步骤101,获取用户的带宽使用历史数据,根据带宽使用历史数据确定用户的初步预测需求带宽。
步骤102,实时采集用户的带宽使用数据,基于带宽使用数据确定带宽修正策略。
步骤103,基于带宽修正策略修正初步预测需求带宽,得到理想分配带宽。
步骤104,根据带宽分配规则以及理想分配带宽确定用户的实际分配带宽。
步骤105,根据实际分配带宽对用户的带宽分配进行调整,基于制定的分配策略完成带宽分配。
带宽分配规则可以包括QoS规则和自定义静态策略等。可以通过QoS配置接口配置QoS规则,例如用户服务等级等。可以通过静态调整接口配置自定义静态策略,自定义静态策略包括用户等级、带宽分配期望值、用户带宽上限等。
图2为根据本发明的带宽分配方法的一个实施例的确定初步预测需求带宽的流程示意图,如图2所示:
步骤201,确定数据采集时段,获取在数据采集时段内用户的带宽使用历史数据。
步骤202,根据带宽使用历史数据获取用户的带宽使用量与时间的对应关系。
例如,收集近5年内各租户的带宽使用历史数据,对数据进行预处理,提取租户带宽需求随时间的变化关系。预处理是将数据处理为适合于所选择的机器学习模型的形式,包括数据清洗,数据变换等。根据对应关系预测用户在预定时间段内不同时刻的初步预测需求带宽,可以有多种预测方法。
步骤203,根据对应关系建立基于带宽使用量和时间的线性回归模型。
线性回归是利用数理统计中回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法,其表达形式为y=w'x+e,e为误差服从均值为0的正态分布。回归分析中,包括一个自变量和一个因变量,且二者的关系可用一条直线近似表示,这种回归分析称为一元线性回归分析。
建立线性回归模型,预测未来一年内各租户不同时刻的带宽需求线性回归是一种机器学习方法,用来确定租户带宽需求和时间的函数关系。假设带宽需求关于时间的方程,然后用历史数据来训练这个方程,训练过程是不断优化这个方程的参数的过程,完成训练后,得到了带宽需求关于时间的函数关系。
建立基于带宽使用量和时间的线性回归模型可以采用现有技术中的多种方法。例如,带宽需求和时间的函数关系为B=aiT+bi,B为带宽需求,T为时间,将用户的历史带宽需求构成M维向量Yi,将与用户的历史带宽需求结果对应的时间构成M维向量Xi,利用M维向量对带宽需求和时间的函数关系进行线性回归,可以利用最小二乘法估计出模型参数ai与bi的值。
步骤204,利用线性回归模型预测用户在预定时间段内不同时刻的初步预测需求带宽。依据历史数据,通过机器学习技术,建立线性回归模型,预测租户带宽需求的时间特征。
图3为根据本发明的带宽分配方法的一个实施例的确定带宽修正策略的流程示意图,如图3所示:
步骤301,实时采集用户的当前分配带宽和实际使用带宽。
步骤302,获取最优带宽利用率阈值,基于最优带宽利用率阈值和实际使用带宽确定理想带宽阈值。
步骤303,将理想带宽阈值与当前分配带宽的差值确定为带宽修正值。通过采集实时数据,监测租户实时的带宽使用情况,给出分配策略的调整建议。
在一个实施例中,采集在当前时刻t分配给用户i的带宽和用户i的实际使用带宽确定用户i的带宽修正值:
在式(1-1)中,σ为最优带宽利用率阈值。通过线性回归预测得到的初步预测需求带宽,可能不够准确,所以要在此基础上进一步修正。获取用户i在t+1时刻的初步预测需求带宽确定用户i在t+1时刻的理想分配带宽:
在式(1-2)中,λ为修正因子,0≤λ≤1。依据实时监测得到的调整建议,对预测结果作进一步修正,可以得到下一刻租户带宽需求的更准确的预测。
结合实际QoS要求、租户带宽上限以及可能的其他自定义静态调整参数,决定最终的实际分配策略。例如,获取自定义配置的用户i在t+1时刻的带宽分配期望值用户等级Vi、带宽上限Bi,确定用户i在t+1时刻的暂定分配带宽:
在式(1-3)中,η为基于Vi确定的带宽分配等级系数,α和β决策因子,α+β=1。判断Bi_temp是否大于Bi,如果是,则用户i在t+1时刻的实际分配带宽如果否,则
确定带宽分配等级系数可以为:
在式(1-3)中,为Vi对应的映射值,等级越高,数值越大,普通用户值为1。
上述实施例中提供的带宽分配方法、装置、数据中心以及存储介质,可以充分利用历史数据,准确把握用户带宽需求与多种因素之间的相关程度,从而提高预测精准性;通过历史数据的挖掘加实时数据的采集,将预测与动态监测相结合,更加准确地把握用户带宽需求变化,并及时对带宽分配做出动态调整,提高了带宽利用率,提升了用户体验;实现带宽分配的智能化动态自适应,解决了配置周期长、过程复杂的问题;提供了QoS配置接口和静态调整接口,实现了基于用户服务等级的带宽分配,解决了难以保障重要租户服务体验的问题,并进一步提高了系统的灵活性。
如图4所示,本发明提供一种带宽分配装置40,包括:预测模块41、监测模块42、修正模块43、分配模块44和执行模块45。预测模块41获取用户的带宽使用历史数据,根据带宽使用历史数据确定用户的初步预测需求带宽。监测模块42实时采集用户的带宽使用数据。修正模块43基于带宽使用数据确定带宽修正策略,基于带宽修正策略修正初步预测需求带宽,得到理想分配带宽。分配模块44根据带宽分配规则以及理想分配带宽确定用户的实际分配带宽。执行模块45根据实际分配带宽对用户的带宽分配进行调整。
预测模块41确定数据采集时段,获取在数据采集时段内用户的带宽使用历史数据,根据带宽使用历史数据获取用户的带宽使用量与时间的对应关系。预测模块41根据对应关系预测用户在预定时间段内不同时刻的初步预测需求带宽。预测模块41可以根据对应关系建立基于带宽使用量和时间的线性回归模型,利用线性回归模型预测用户在预定时间段内不同时刻的初步预测需求带宽。
监测模块42实时采集用户的当前分配带宽和实际使用带宽。修正模块43获取最优带宽利用率阈值,基于最优带宽利用率阈值和实际使用带宽确定理想带宽阈值,将理想带宽阈值与当前分配带宽的差值确定为带宽修正值。
监测模块42采集在当前时刻t分配给用户i的带宽和用户i的实际使用带宽修正模块43确定用户i的带宽修正值其中,σ为最优带宽利用率阈值。
修正模块43获取用户i在t+1时刻的初步预测需求带宽确定用户i在t+1时刻的理想分配带宽λ为修正因子,0≤λ≤1。
分配模块44获取自定义配置的用户i在t+1时刻的带宽分配期望值用户等级Vi、带宽上限Bi;确定用户i在t+1时刻的暂定分配带宽其中,η为基于Vi确定的带宽分配等级系数,α和β决策因子,α+β=1;判断Bi_temp是否大于Bi,如果是,则用户i在t+1时刻的实际分配带宽如果否,则
分配模块44确定带宽分配等级系数 为Vi对应的映射值。
在一个实施例中,本发明提供一种数据中心,包括:如上任一实施例中的带宽分配装置。
图5为根据本发明的带宽分配装置的另一个实施例的模块示意图。如图5所示,该装置可包括存储器51、处理器52、通信接口53以及总线54。存储器51用于存储指令,处理器52耦合到存储器51,处理器52被配置为基于存储器51存储的指令执行实现上述的带宽分配方法。
存储器51可以为高速RAM存储器、非易失性存储器(NoN-volatile memory)等,存储器51也可以是存储器阵列。存储器51还可能被分块,并且块可按一定的规则组合成虚拟卷。处理器52可以为中央处理器CPU,或专用集成电路ASIC(ApplicatioN SpecificINtegrated Circuit),或者是被配置成实施本发明的带宽分配方法的一个或多个集成电路。
在一个实施例中,本发明提供一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,指令被处理器执行时实现如上任一个实施例中的带宽分配方法。
上述实施例中提供的带宽分配方法、装置、数据中心以及存储介质,根据带宽使用历史数据确定用户的初步预测需求带宽,基于带宽使用实时数据确定带宽修正策略,用于修正初步预测需求带宽得到理想分配带宽;根据带宽分配规则以及理想分配带宽确定用户的实际分配带宽;能够智能预测租户带宽需求,自动分配带宽,依据实时需求特点,自动对带宽分配做出调整;可以充分利用历史数据,准确把握用户带宽需求与多种因素之间的相关程度,从而提高预测精准性;通过历史数据的挖掘加实时数据的采集,将预测与动态监测相结合,更加准确地把握用户带宽需求变化,并及时对带宽分配做出动态调整,提高了带宽利用率,提升了用户体验;实现带宽分配的智能化动态自适应,解决了配置周期长、过程复杂的问题;提供了QoS配置接口和静态调整接口,实现了基于用户服务等级的带宽分配,解决了难以保障重要租户服务体验的问题,并进一步提高了系统的灵活性。
可能以许多方式来实现本发明的方法和系统。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (21)
1.一种带宽分配方法,其特征在于,包括:
获取用户的带宽使用历史数据,根据所述带宽使用历史数据确定用户的初步预测需求带宽;
实时采集用户的带宽使用数据,基于所述带宽使用数据确定带宽修正策略;
基于所述带宽修正策略修正所述初步预测需求带宽,得到理想分配带宽;
根据带宽分配规则以及所述理想分配带宽确定用户的实际分配带宽;
根据所述实际分配带宽对用户的带宽分配进行调整。
2.如权利要求1所述的方法,其特征在于,所述获取用户的带宽使用历史数据、根据所述带宽使用历史数据确定用户的初步预测需求带宽包括:
确定数据采集时段,获取在所述数据采集时段内用户的带宽使用历史数据;
根据所述带宽使用历史数据获取用户的带宽使用量与时间的对应关系;
根据所述对应关系预测用户在预定时间段内不同时刻的初步预测需求带宽。
3.如权利要求2所述的方法,其特征在于,所述根据所述对应关系预测用户在预定时间段内不同时刻的初步预测需求带宽包括:
根据所述对应关系建立基于带宽使用量和时间的线性回归模型;
利用所述线性回归模型预测用户在预定时间段内不同时刻的初步预测需求带宽。
4.如权利要求3所述的方法,其特征在于,所述实时采集用户的带宽使用数据、基于所述带宽使用数据确定带宽修正策略包括:
实时采集用户的当前分配带宽和实际使用带宽;
获取最优带宽利用率阈值,基于所述最优带宽利用率阈值和所述实际使用带宽确定理想带宽阈值;
将所述理想带宽阈值与所述当前分配带宽的差值确定为带宽修正值。
5.如权利要求4所述的方法,其特征在于,还包括:
采集在当前时刻t分配给用户i的带宽和用户i的实际使用带宽
确定用户i的带宽修正值
其中,σ为最优带宽利用率阈值。
6.如权利要求5所述的方法,其特征在于,所述基于所述带宽修正策略修正所述初步预测需求带宽、得到理想分配带宽包括:
获取用户i在t+1时刻的初步预测需求带宽
确定用户i在t+1时刻的理想分配带宽
其中,λ为修正因子,0≤λ≤1。
7.如权利要求6所述的方法,其特征在于,
所述带宽分配规则包括:QoS规则和自定义静态策略;
其中,所述自定义静态策略包括:用户等级、带宽分配期望值、用户带宽上限。
8.如权利要求7所述的方法,其特征在于,所述根据带宽分配规则以及所述理想分配带宽确定用户的实际分配带宽包括:
获取自定义配置的用户i在t+1时刻的带宽分配期望值用户等级Vi、带宽上限Bi;
确定用户i在t+1时刻的暂定分配带宽
其中,η为基于Vi确定的带宽分配等级系数,α和β决策因子,α+β=1;
判断Bi_temp是否大于Bi,如果是,则用户i在t+1时刻的实际分配带宽如果否,则
9.如权利要求8所述的方法,其特征在于,还包括:
确定带宽分配等级系数
其中,为Vi对应的映射值。
10.一种带宽分配装置,其特征在于,包括:
预测模块,用于获取用户的带宽使用历史数据,根据所述带宽使用历史数据确定用户的初步预测需求带宽;
监测模块,用于实时采集用户的带宽使用数据;
修正模块,用于基于所述带宽使用数据确定带宽修正策略,基于所述带宽修正策略修正所述初步预测需求带宽,得到理想分配带宽;
分配模块,用于根据带宽分配规则以及所述理想分配带宽确定用户的实际分配带宽;
执行模块,用于根据所述实际分配带宽对用户的带宽分配进行调整。
11.如权利要求10所述的装置,其特征在于,
所述预测模块,用于确定数据采集时段,获取在所述数据采集时段内用户的带宽使用历史数据;根据所述带宽使用历史数据获取用户的带宽使用量与时间的对应关系;根据所述对应关系预测用户在预定时间段内不同时刻的初步预测需求带宽。
12.如权利要求11所述的装置,其特征在于,
所述预测模块,用于根据所述对应关系建立基于带宽使用量和时间的线性回归模型;利用所述线性回归模型预测用户在预定时间段内不同时刻的初步预测需求带宽。
13.如权利要求12所述的装置,其特征在于,
所述监测模块,用于实时采集用户的当前分配带宽和实际使用带宽;
所述修正模块,用于获取最优带宽利用率阈值,基于所述最优带宽利用率阈值和所述实际使用带宽确定理想带宽阈值;将所述理想带宽阈值与所述当前分配带宽的差值确定为带宽修正值。
14.如权利要求13所述的装置,其特征在于,
所述监测模块,用于采集在当前时刻t分配给用户i的带宽和用户i的实际使用带宽
所述修正模块,用于确定用户i的带宽修正值
其中,σ为最优带宽利用率阈值。
15.如权利要求14所述的装置,其特征在于,
所述修正模块,用于获取用户i在t+1时刻的初步预测需求带宽确定用户i在t+1时刻的理想分配带宽
其中,λ为修正因子,0≤λ≤1。
16.如权利要求15所述的装置,其特征在于,
所述带宽分配规则包括:QoS规则和自定义静态策略;
所述自定义静态策略包括:用户等级、带宽分配期望值、用户带宽上限。
17.如权利要求7所述的装置,其特征在于,
所述分配模块,用于获取自定义配置的用户i在t+1时刻的带宽分配期望值用户等级Vi、带宽上限Bi;确定用户i在t+1时刻的暂定分配带宽
其中,η为基于Vi确定的带宽分配等级系数,α和β决策因子,α+β=1;
判断Bi_temp是否大于Bi,如果是,则用户i在t+1时刻的实际分配带宽如果否,则
18.如权利要求17所述的装置,其特征在于,
所述分配模块,确定带宽分配等级系数
其中,为Vi对应的映射值。
19.一种数据中心,其特征在于,包括:
如权利要求9至18任一项所述的带宽分配装置。
20.一种带宽分配装置,其特征在于,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如权利要求1至9中任一项所述的带宽分配方法。
21.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如权利要求1至9中任一项所述的带宽分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710826558.9A CN109510715B (zh) | 2017-09-14 | 2017-09-14 | 带宽分配方法、装置、数据中心以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710826558.9A CN109510715B (zh) | 2017-09-14 | 2017-09-14 | 带宽分配方法、装置、数据中心以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109510715A true CN109510715A (zh) | 2019-03-22 |
CN109510715B CN109510715B (zh) | 2022-02-08 |
Family
ID=65744460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710826558.9A Active CN109510715B (zh) | 2017-09-14 | 2017-09-14 | 带宽分配方法、装置、数据中心以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109510715B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110049357A (zh) * | 2019-05-29 | 2019-07-23 | 安徽讯飞皆成软件技术有限公司 | 一种带宽预估方法、装置、设备及存储介质 |
CN110474852A (zh) * | 2019-08-01 | 2019-11-19 | 网宿科技股份有限公司 | 一种带宽调度方法及装置 |
CN110674942A (zh) * | 2019-09-26 | 2020-01-10 | 深圳前海达闼云端智能科技有限公司 | 一种带宽管理的方法、装置、电子设备和可读存储介质 |
CN111970383A (zh) * | 2020-10-20 | 2020-11-20 | 中国人民解放军国防科技大学 | 数据中心网络的多租户共享方法、系统及存储介质 |
CN112533234A (zh) * | 2019-09-19 | 2021-03-19 | 中国移动通信集团重庆有限公司 | 基于机器学习的5g载波带宽配置方法及装置 |
CN112702281A (zh) * | 2020-12-23 | 2021-04-23 | 深圳Tcl新技术有限公司 | 基于手势控制的带宽分配方法、装置、系统与存储介质 |
CN113055308A (zh) * | 2019-12-26 | 2021-06-29 | 华为技术有限公司 | 带宽调度方法、流量传输方法及相关产品 |
CN113179175A (zh) * | 2021-03-16 | 2021-07-27 | 国家电网有限公司信息通信分公司 | 一种电力通信网业务的实时带宽预测方法及装置 |
CN113315671A (zh) * | 2021-07-28 | 2021-08-27 | 阿里云计算有限公司 | 流量限速与信息配置方法、路由节点、系统及存储介质 |
WO2022027331A1 (zh) * | 2020-08-05 | 2022-02-10 | 华为技术有限公司 | 带宽管理方法及装置、计算机存储介质及芯片 |
CN114244718A (zh) * | 2021-11-05 | 2022-03-25 | 云南电网有限责任公司 | 一种输电线路通信网络设备管理系统 |
CN114465915A (zh) * | 2021-12-22 | 2022-05-10 | 天翼云科技有限公司 | 一种cdn带宽预测方法、装置、系统和电子设备 |
CN114500288A (zh) * | 2022-01-20 | 2022-05-13 | 京东科技信息技术有限公司 | 带宽调整方法及装置、存储介质 |
CN114629737A (zh) * | 2020-12-14 | 2022-06-14 | 深圳Tcl新技术有限公司 | 一种带宽调整方法、装置、网关设备及存储介质 |
CN114666284A (zh) * | 2022-05-23 | 2022-06-24 | 阿里巴巴(中国)有限公司 | 一种流量控制方法、装置、电子设备及可读存储介质 |
CN114786268A (zh) * | 2022-05-06 | 2022-07-22 | 中国联合网络通信集团有限公司 | 数据传输带宽调整方法、装置、电子设备及存储介质 |
CN117294656A (zh) * | 2023-11-24 | 2023-12-26 | 沐曦集成电路(南京)有限公司 | 一种面向多用户的动态带宽管理系统及其方法 |
WO2024088078A1 (zh) * | 2022-10-25 | 2024-05-02 | 杭州阿里云飞天信息技术有限公司 | 一种带宽调节方法、系统、设备及存储介质 |
WO2024164672A1 (zh) * | 2023-02-11 | 2024-08-15 | 华为云计算技术有限公司 | 基于云技术的数据传输方法、云计算系统以及云管理平台 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101442807A (zh) * | 2008-12-30 | 2009-05-27 | 北京邮电大学 | 通信系统中资源分配的方法及系统 |
CN104104973A (zh) * | 2014-06-12 | 2014-10-15 | 中山大学 | 一种应用于云媒体系统的群组带宽管理优化方法 |
CN104955172A (zh) * | 2014-03-24 | 2015-09-30 | 中国电信股份有限公司 | 实现移动网络虚拟化方法、控制平台、虚拟化基站和系统 |
US20160373547A1 (en) * | 2012-02-23 | 2016-12-22 | Ericsson Ab | Bandwidth policy management in a self-corrected content delivery network |
CN106549772A (zh) * | 2015-09-16 | 2017-03-29 | 华为技术有限公司 | 资源预测方法、系统和容量管理装置 |
-
2017
- 2017-09-14 CN CN201710826558.9A patent/CN109510715B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101442807A (zh) * | 2008-12-30 | 2009-05-27 | 北京邮电大学 | 通信系统中资源分配的方法及系统 |
US20160373547A1 (en) * | 2012-02-23 | 2016-12-22 | Ericsson Ab | Bandwidth policy management in a self-corrected content delivery network |
CN104955172A (zh) * | 2014-03-24 | 2015-09-30 | 中国电信股份有限公司 | 实现移动网络虚拟化方法、控制平台、虚拟化基站和系统 |
CN104104973A (zh) * | 2014-06-12 | 2014-10-15 | 中山大学 | 一种应用于云媒体系统的群组带宽管理优化方法 |
CN106549772A (zh) * | 2015-09-16 | 2017-03-29 | 华为技术有限公司 | 资源预测方法、系统和容量管理装置 |
Non-Patent Citations (1)
Title |
---|
拜娟娟: "EPON中基于预测-修正的上行动态带宽分配算法研究", 《万方数据》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110049357A (zh) * | 2019-05-29 | 2019-07-23 | 安徽讯飞皆成软件技术有限公司 | 一种带宽预估方法、装置、设备及存储介质 |
CN110049357B (zh) * | 2019-05-29 | 2021-10-15 | 安徽讯飞皆成软件技术有限公司 | 一种带宽预估方法、装置、设备及存储介质 |
CN110474852A (zh) * | 2019-08-01 | 2019-11-19 | 网宿科技股份有限公司 | 一种带宽调度方法及装置 |
CN110474852B (zh) * | 2019-08-01 | 2023-06-20 | 网宿科技股份有限公司 | 一种带宽调度方法及装置 |
CN112533234A (zh) * | 2019-09-19 | 2021-03-19 | 中国移动通信集团重庆有限公司 | 基于机器学习的5g载波带宽配置方法及装置 |
CN112533234B (zh) * | 2019-09-19 | 2023-04-07 | 中国移动通信集团重庆有限公司 | 基于机器学习的5g载波带宽配置方法及装置 |
CN110674942A (zh) * | 2019-09-26 | 2020-01-10 | 深圳前海达闼云端智能科技有限公司 | 一种带宽管理的方法、装置、电子设备和可读存储介质 |
WO2021129575A1 (zh) * | 2019-12-26 | 2021-07-01 | 华为技术有限公司 | 带宽调度方法、流量传输方法及相关产品 |
CN113055308B (zh) * | 2019-12-26 | 2024-03-05 | 华为云计算技术有限公司 | 带宽调度方法、流量传输方法及相关产品 |
US11929942B2 (en) | 2019-12-26 | 2024-03-12 | Huawei Cloud Computing Technologies Co., Ltd. | Method and device for network traffic scheduling |
CN113055308A (zh) * | 2019-12-26 | 2021-06-29 | 华为技术有限公司 | 带宽调度方法、流量传输方法及相关产品 |
WO2022027331A1 (zh) * | 2020-08-05 | 2022-02-10 | 华为技术有限公司 | 带宽管理方法及装置、计算机存储介质及芯片 |
CN114391250A (zh) * | 2020-08-05 | 2022-04-22 | 华为技术有限公司 | 带宽管理方法及装置、计算机存储介质及芯片 |
CN111970383A (zh) * | 2020-10-20 | 2020-11-20 | 中国人民解放军国防科技大学 | 数据中心网络的多租户共享方法、系统及存储介质 |
CN114629737A (zh) * | 2020-12-14 | 2022-06-14 | 深圳Tcl新技术有限公司 | 一种带宽调整方法、装置、网关设备及存储介质 |
CN114629737B (zh) * | 2020-12-14 | 2024-03-12 | 深圳Tcl新技术有限公司 | 一种带宽调整方法、装置、网关设备及存储介质 |
CN112702281A (zh) * | 2020-12-23 | 2021-04-23 | 深圳Tcl新技术有限公司 | 基于手势控制的带宽分配方法、装置、系统与存储介质 |
CN112702281B (zh) * | 2020-12-23 | 2023-08-01 | 深圳Tcl新技术有限公司 | 基于手势控制的带宽分配方法、装置、系统与存储介质 |
CN113179175A (zh) * | 2021-03-16 | 2021-07-27 | 国家电网有限公司信息通信分公司 | 一种电力通信网业务的实时带宽预测方法及装置 |
CN113315671A (zh) * | 2021-07-28 | 2021-08-27 | 阿里云计算有限公司 | 流量限速与信息配置方法、路由节点、系统及存储介质 |
CN114244718A (zh) * | 2021-11-05 | 2022-03-25 | 云南电网有限责任公司 | 一种输电线路通信网络设备管理系统 |
CN114465915A (zh) * | 2021-12-22 | 2022-05-10 | 天翼云科技有限公司 | 一种cdn带宽预测方法、装置、系统和电子设备 |
CN114500288A (zh) * | 2022-01-20 | 2022-05-13 | 京东科技信息技术有限公司 | 带宽调整方法及装置、存储介质 |
CN114786268A (zh) * | 2022-05-06 | 2022-07-22 | 中国联合网络通信集团有限公司 | 数据传输带宽调整方法、装置、电子设备及存储介质 |
CN114666284B (zh) * | 2022-05-23 | 2022-11-15 | 阿里巴巴(中国)有限公司 | 一种流量控制方法、装置、电子设备及可读存储介质 |
CN114666284A (zh) * | 2022-05-23 | 2022-06-24 | 阿里巴巴(中国)有限公司 | 一种流量控制方法、装置、电子设备及可读存储介质 |
WO2024088078A1 (zh) * | 2022-10-25 | 2024-05-02 | 杭州阿里云飞天信息技术有限公司 | 一种带宽调节方法、系统、设备及存储介质 |
WO2024164672A1 (zh) * | 2023-02-11 | 2024-08-15 | 华为云计算技术有限公司 | 基于云技术的数据传输方法、云计算系统以及云管理平台 |
CN117294656A (zh) * | 2023-11-24 | 2023-12-26 | 沐曦集成电路(南京)有限公司 | 一种面向多用户的动态带宽管理系统及其方法 |
CN117294656B (zh) * | 2023-11-24 | 2024-03-12 | 沐曦集成电路(南京)有限公司 | 一种面向多用户的动态带宽管理系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109510715B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109510715B (zh) | 带宽分配方法、装置、数据中心以及存储介质 | |
CN111953758B (zh) | 一种边缘网络计算卸载和任务迁移方法及装置 | |
CN107743100B (zh) | 一种基于业务预测的在线自适应网络切片虚拟资源分配方法 | |
Le Nguyen et al. | Deep convolutional LSTM network-based traffic matrix prediction with partial information | |
CN110896357B (zh) | 流量预测方法、装置和计算机可读存储介质 | |
CN103987056A (zh) | 基于大数据统计模型的无线网络话务量预测方法 | |
CN109088742B (zh) | 一种业务预测方法及网元设备、计算机可读存储介质 | |
CN113515351A (zh) | 一种基于能耗与QoS协同优化的资源调度实现方法 | |
CN102185731B (zh) | 网络健康度测试方法及系统 | |
CN116233026B (zh) | 一种用于数据中心的智能管理方法及系统 | |
CN112416602B (zh) | 一种分布式数据流资源弹性伸缩增强插件及增强方法 | |
CN108768591A (zh) | 一种基于实时丢包信息触发的重传次数动态调整的方法 | |
CN111191113B (zh) | 一种基于边缘计算环境的数据资源需求预测和调整方法 | |
CN113543160A (zh) | 5g切片资源配置方法、装置、计算设备及计算机存储介质 | |
CN116235529A (zh) | 实现多个接入网络设备的自组织网络的方法和执行该方法的电子装置 | |
CN109688065B (zh) | 参数的处理方法、装置及存储介质 | |
Wang et al. | Load-aware Continuous-Time Optimization for Multiagent Systems: Toward Dynamic Resource Allocation and Real-time Adaptability | |
JP2009522686A (ja) | 適応型リソース割り当てを用いた自律的システム管理の方法 | |
CN112153702B (zh) | 一种局域网带宽资源分配方法、存储装置及设备 | |
CN111461329A (zh) | 一种模型的训练方法、装置、设备及可读存储介质 | |
JP6186303B2 (ja) | トラヒック量上限値予測装置及び方法及びプログラム | |
CN111047465A (zh) | 一种基于电力大数据的电网友好型负荷响应方法 | |
CN113872873B (zh) | 一种适合5g新应用的多场景跨层拥塞控制方法 | |
CN104537224A (zh) | 基于自适应学习算法的多状态系统可靠性分析方法及系统 | |
CN113079389B (zh) | 一种边缘计算环境下的资源自适应调节方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |