CN110445629A - 一种服务器并发量预测方法及装置 - Google Patents

Abstract

本发明公开了一种服务器并发量预测方法及装置，其中，所述方法包括：获取第一预设时间段内服务器端的原始数据；对所述原始数据进行抽样，并形成至少一个训练集；采用深度学习算法对所述至少一个训练集进行深度学习与训练，形成第一趋势训练结果集模型；从所述第一趋势训练结果集模型中提取出至少一个趋势训练结果集，通过所述至少一个趋势训练结果集分析预测得出在第二预设时间段内服务器并发量信息，并以预设形式输出所述服务器并发量信息。采用本发明所述技术方案，至少能实现对未来即将发生的请求数据进行预测，并根据预测结果对服务器架构进行调整，以应对突然的高并发情况，从而使用户、企业免于重大经济损失。

Description

一种服务器并发量预测方法及装置

技术领域

本发明涉及物联网领域中的通信技术，具体涉及一种服务器并发量预测方法及装置。

背景技术

目前，无论在传统物联网、互联网、智能化还是人工智能行业，来自于用户主动的或者设备上报的访问请求、操作请求、命令请求、接口调用请求等数据访问，最终都会集中于服务器端。随着人们日益增长的网络使用量，对于服务器的承载能力也成了一种考验。伴随着一些节假日、一些重大事件、重大活动的特殊时期，更是使得服务器在系统吞吐量、用户并发量等方面形成了瓶颈，导致请求时间变长、数据获取超时甚至出现宕机的情况。

对于上述难题，在一般的互联网中出现的问题，可能会对用户使用造成不变。但是，如果此类问题发生在智能化、物联网场景中，联网的家电设备等无法响应，那么带来的后果与经济损失将会是不可估量。

发明内容

有鉴于此，本发明期望提供一种服务器并发量预测方法及装置，至少能实现对未来即将发生的请求数据进行预测，并根据预测结果对服务器架构进行调整，以应对突然的高并发情况，从而使用户、企业免于重大经济损失。

为达到上述目的，本发明的技术方案是这样实现的：

第一方面，本发明实施例提供了一种服务器并发量预测方法，应用于服务器端，所述方法包括：

获取第一预设时间段内服务器端的原始数据；

对所述原始数据进行抽样，并形成至少一个训练集；

采用深度学习算法对所述至少一个训练集进行深度学习与训练，形成第一趋势训练结果集模型；

从所述第一趋势训练结果集模型中提取出至少一个趋势训练结果集，通过所述至少一个趋势训练结果集分析预测得出在第二预设时间段内服务器并发量信息，并以预设形式输出所述服务器并发量信息。

上述方案中，可选地，所述以预设形式输出所述服务器并发量信息，包括：

根据所述服务器并发量信息生成用于反映第二预设时间段内服务器并发量的趋势图，并输出所述趋势图。

上述方案中，可选地，所述方法还包括：

根据所述服务器并发量信息进行灾害预判；

根据灾害预判结果采取相应的解决措施，以使采取解决措施后的服务器满足第二预设时间段内的访问需求。

上述方案中，可选地，所述采用深度学习算法对所述至少一个训练集进行深度学习与训练，形成第一趋势训练结果集模型，包括：

对所述至少一个训练集中的至少部分样本数据进行深度学习与训练，并形成第二趋势训练结果集模型；

对形成的所述第二趋势训练结果集模型进行比对，判断是否符合正常逻辑；

如果形成的所述第二趋势训练结果集模型不符合正常逻辑，则去除无效数据；

如果形成的所述第二趋势训练结果集模型符合正常逻辑，则持续优化、调整、反馈，最终形成第一趋势训练结果集模型。

上述方案中，可选地，所述采用深度学习算法对所述至少一个训练集进行深度学习与训练，形成第一趋势训练结果集模型，包括：

根据所述至少一个训练集设定训练样本数参数、时间步长参数、训练集的数量参数；

通过调节学习率，进行深度学习与训练。

上述方案中，可选地，所述获取服务器端的原始数据之前，所述方法还包括：

对访问所述服务器的当前用户数据和/或设备数据，以及服务器端数据进行记录，并标注各数据对应的各时间点；

其中，所述用户数据包括用户并发量、在线用户数、在线用户时长；所述设备数据包括设备并发量、在线设备数、在线设备时长；所述服务器端数据包括系统吞吐量、响应时长、网络传输时长、业务代码处理时长、数据库处理时长。

第二方面，本发明实施例提供了一种服务器并发量预测装置，应用于服务器端，所述装置包括：

存储器，用于存储服务器端的原始数据；

处理器，用于获取第一预设时间段内服务器端的原始数据；对所述原始数据进行抽样，并形成至少一个训练集；采用深度学习算法对所述至少一个训练集进行深度学习与训练，形成第一趋势训练结果集模型；从所述第一趋势训练结果集模型中提取出至少一个趋势训练结果集，通过所述至少一个趋势训练结果集分析预测得出在第二预设时间段内服务器并发量信息，并以预设形式输出所述服务器并发量信息。

上述方案中，可选地，所述处理器，还用于：

根据所述服务器并发量信息生成用于反映第二预设时间段内服务器并发量的趋势图，并输出所述趋势图。

上述方案中，可选地，所述处理器，还用于：

根据所述服务器并发量信息进行灾害预判；

根据灾害预判结果采取相应的解决措施，以使采取解决措施后的服务器满足第二预设时间段内的访问需求。

上述方案中，可选地，所述处理器，还用于：

对所述至少一个训练集中的至少部分样本数据进行深度学习与训练，并形成第二趋势训练结果集模型；

对形成的所述第二趋势训练结果集模型进行比对，判断是否符合正常逻辑；

如果形成的所述第二趋势训练结果集模型不符合正常逻辑，则去除无效数据；

如果形成的所述第二趋势训练结果集模型符合正常逻辑，则持续优化、调整、反馈，最终形成第一趋势训练结果集模型。

上述方案中，可选地，所述处理器，还用于：

根据所述至少一个训练集设定训练样本数参数、时间步长参数、训练集的数量参数；

通过调节学习率，进行深度学习与训练。

上述方案中，可选地，所述处理器，还用于：

对访问所述服务器的当前用户数据和/或设备数据，以及服务器端数据进行记录，并标注各数据对应的各时间点；

其中，所述用户数据包括用户并发量、在线用户数、在线用户时长；所述设备数据包括设备并发量、在线设备数、在线设备时长；所述服务器端数据包括系统吞吐量、响应时长、网络传输时长、业务代码处理时长、数据库处理时长。

本发明实施例提供的服务器并发量预测方法及装置，通过收集服务器端原始数据作为训练集，使用深度学习算法，对未来即将发生请求数据进行预测；并根据预测结果，实现在灾难情况发生前，对服务器架构进行调整优化、扩容、容灾等技术手段，以应对突然的高并发情况，从而使用户、企业免于重大经济损失。

附图说明

图1为本发明实施例提供的一种物联网场景中智能家电的互联互通示意图；

图2为本发明实施例提供的一种服务器并发量预测方法的实现流程示意图；

图3为本发明实施例提供的端架构原理框图示意图；

图4为本发明实施例提供的预测服务器并发量的工作流程示意图；

图5为本发明实施例提供的服务器并发量预测装置的一种组成结构示意图；

图6为本发明实施例提供的服务器并发量预测装置的另一种组成结构示意图。

具体实施方式

为了能够更加详尽地了解本发明的特点与技术内容，下面结合附图对本发明的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发明。

需要说明的是，在以下各实施例中，所涉及到的家电设备可以是厨房家电，如烤箱、微波炉、面包机、电饭煲、电压力锅、煮奶器、电磁炉、抽油烟机等；还可以是非厨房家电，如电视机、空调、空气净化器、打印机等。

图1示出了一种物联网场景中智能家电的互联互通示意图，该图描述了物联网中各设备、用户、终端、路由设备等与服务器集群之间的关系，以及当前与服务器集群间通讯的数据传输链路的描述。需要说明的是，该图仅仅是示意性的。该物联网场景中，若访问量不断增加，或者在某一时间段突增访问量，这对服务器的承载能力也是一种考验。

因此，如何对服务器并发量进行有效预测，是应对突然的高并发情况，从而使用户、企业免于重大经济损失的前提。

其中，服务器并发量至少分为：1、业务并发用户数；2、最大并发访问数；3、系统用户数；4、同时在线用户数。

这里，服务器并发量可表明服务器实际压力，能承受的最大并发访问数，既取决于业务并发用户数，还取决于用户的业务场景，这些可以通过对服务器日志的分析得到。

实施例一

图2为本发明实施例提供的一种服务器并发量预测方法的实现流程示意图，本示例中的服务器并发量预测方法应用于服务器端，如图2所示，所述服务器并发量预测方法主要包括以下步骤：

步骤201：获取第一预设时间段内服务器端的原始数据。

这里，所述原始数据包括：

在第一预设时间段内访问各个服务器的用户数据和/或设备数据，以及各个服务器端数据。

其中，所述用户数据包括用户并发量、在线用户数、在线用户时长；所述设备数据包括设备并发量、在线设备数、在线设备时长；所述服务器端数据包括系统吞吐量、响应时长、网络传输时长、业务代码处理时长、数据库处理时长。

作为一种实施方式，所述获取服务器端的原始数据之前，所述方法还包括：

对访问所述服务器的当前用户数据和/或设备数据，以及服务器端数据进行记录，并标注各数据对应的各时间点。

如此，能为后续生成第一趋势训练结果集模型提供数据支撑。

这里，所述第一预设时间段是指已经发生的时间段。

这里，对所述第一预设时间段的选择，可根据要预测的第二预设时间段来设定，还可结合预测精度要求等其他影响并发量的影响因子来设定。

这里，所述第二预设时间段是相对于第一预设时间段靠后的时间段，其可以是尚未发生的时间段，还可以是已经发生的时间段。

举例来说，假设要对今年双十一期间的某服务器的并发量进行预测，那么，所述第一预设时间段可选择上N个年度十一期间的某服务器的原始数据，这里，所述N为大于或等于1的正整数。

步骤202：对所述原始数据进行抽样，并形成至少一个训练集。

作为一种实施方式，所述对所述原始数据进行抽样，包括：

对第一预设时间段内的原始数据，每隔预设时间步长，提取样本数据。

这里，训练集的数量可依据一定要求来分组。比如，可根据样本数要求来分组，如每个训练集包括M个样本数，M为大于或等于预设值的正整数；还可以根据时间要求来分组，如每个训练集中样本数对应时间步长为t，假设第一个训练集的时间步长为[t1，t2]，第二个训练集的时间步长为[t2，t3]，那么，t2-t1＝t3-t2＝t。

步骤203：采用深度学习算法对所述至少一个训练集进行深度学习与训练，形成第一趋势训练结果集模型。

这里，所述深度学习算法为长短时记忆(LSTM，Long Short-Term Memory)神经网络算法，或其他类型的神经网络算法，如卷积神经网络(CNN，Convolutional NeuralNetwork)、循环神经网络(RNN，Recurrent neural Network))、深度神经网络(DNN，DeepNeural Network)。

作为一种具体实施方式，所述采用深度学习算法对所述至少一个训练集进行深度学习与训练，形成第一趋势训练结果集模型，包括：

对所述至少一个训练集中的至少部分样本数据进行深度学习与训练，并形成第二趋势训练结果集模型；

对形成的所述第二趋势训练结果集模型进行比对，判断是否符合正常逻辑；

如果形成的所述第二趋势训练结果集模型不符合正常逻辑，则去除无效数据；

如果形成的所述第二趋势训练结果集模型符合正常逻辑，则持续优化、调整、反馈，最终形成第一趋势训练结果集模型。

LSTM区别其他类型神经网络的地方，主要就在于它在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构被称为cell。一个cell当中被放置了三扇门，分别叫做输入门、遗忘门和输出门。一个信息进入LSTM的网络当中，可以根据规则来判断是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。

这样，有助于使最终形成的第一趋势训练结果集模型，预测更加精确。

作为一种具体实施方式，所述采用深度学习算法对所述至少一个训练集进行深度学习与训练，形成第一趋势训练结果集模型，包括：

根据所述至少一个训练集设定训练样本数(batch_size)参数、时间步长(time_step)参数、训练集的数(train_begin，train_end)量参数；

通过调节学习率(learn_rate)，进行深度学习与训练。

这里，在训练开始之前，需要定义输入层、输出层的权重和偏置等一系列参数，在此不再一一赘述。

图3示出了一种端架构原理框图示意图，如图3所示，服务器端对当前(系统吞吐量、响应时长、用户并发量或设备并发量、网络传输时长、业务代码处理时长、数据库处理时长、在线用户数或在线设备数、在线用户时长或在线设备时长等)进行详细的记录，并作为原始数据(也即历史数据)；在训练开始之前，需要定义输入层、输出层的权重和偏置等一系列参数；将原始数据进行抽样，并形成训练集(即训练数据)，再根据训练样本数(batch_size)、时间步长(time_step)、训练集的数量(train_begin，train_end)设定为参数，通过调节具体的学习率(learn_rate)，进行深度学习训练；通过神经网络对时间的记忆性，经过训练、反馈，形成第一趋势训练结果集模型。这里，所述第一趋势训练结果集模型可以理解为训练完毕后的LSTM神经网络模型。

步骤204：从所述第一趋势训练结果集模型中提取出至少一个趋势训练结果集，通过所述至少一个趋势训练结果集分析预测得出在第二预设时间段内服务器并发量信息，并以预设形式输出所述服务器并发量信息。

也就是说，每个趋势训练结果集都能分析预测得出在第二预设时间段内服务器并发量信息。实际应用中，若通过两个或两个以上趋势训练结果集分析预测得出两个或两个以上在第二预设时间段内服务器并发量信息，可通过预设算法对两个或两个以上在第二预设时间段内服务器并发量信息进行整合，最终得出在第二预设时间段内服务器并发量信息。

可选地，所述以预设形式输出所述服务器并发量信息，包括：

根据所述服务器并发量信息生成用于反映第二预设时间段内服务器并发量的趋势图，并输出所述趋势图。

作为一种具体实施方式，所述以预设形式输出所述服务器并发量信息，包括：

根据所述服务器并发量信息确定出第二预设时间段内服务器并发量的预测值；

根据对第二预设时间段内服务器并发量的预测值生成趋势图，并输出所述趋势图。

这里，所述服务器并发量信息可以是非数值形式，也可以是数值形式。

其中，所述第二预设时间段是指待预测的时间段。这里，所述第二预设时间段是相对于第一预设时间段靠后的时间段，其可以是尚未发生的时间段，还可以是已经发生的时间段。

进一步地，可选地，所述方法还包括：

根据所述服务器并发量信息进行灾害预判；

根据灾害预判结果采取相应的解决措施，以使采取解决措施后的服务器满足第二预设时间段内的访问需求。

这里，所述解决措施包括：调整优化、扩容、容灾等技术手段。

举例来说，通过对上一个月的原始数据的分析，可预测出服务器明天的并发量，进而判断明天是不是请求数据高峰期，再决定要不要添加服务器，从而通过采取有效解决措施来满足访问需求。

本实施例所述服务器并发量预测方法，至少能实现对未来即将发生的请求数据进行预测，并根据预测结果对服务器架构进行调整，以应对突然的高并发情况，从而使用户、企业免于重大经济损失。

实施例二

图4示出了预测服务器并发量的工作流程示意图，如图4所示，所述方法包括：

步骤401：全系统用户、设备运行工作中请求服务器；

步骤402：服务器端对当前访问数据进行详细的记录，并标注各时间点；

这里，当前访问数据包括：系统吞吐量、响应时长、用户、设备并发量、网络传输时长、业务代码处理时长、数据库处理时长、在线用户、设备数、在线用户、设备时长等。

步骤403：服务器端对当前用户、设备数据进行采样、填充到样本数据；

步骤404：服务器端对样本数据进行深度学习与训练，并形成第二趋势训练结果集模型；

步骤405：服务器对形成的第二趋势训练结果集模型进行比对，判断是否符合正常逻辑；如果否，执行步骤406；如果是，执行步骤407；

步骤406：去除无效数据，然后执行步骤407；

步骤407：持续优化、调整、反馈；

步骤408：最终输出形成第一趋势训练结果集模型；

步骤409：利用第一趋势训练结果集模型分析预测出在第二预设时间段内服务器并发量信息，并以趋势图形式输出所述服务器并发量信息，然后结束整个流程。

可见，通过收集服务器端历史请求数据作为训练集，使用深度学习算法，对未来即将发生请求数据进行预测；并根据预测结果，实现在灾难情况发生前，对服务器架构进行调整优化、扩容、容灾等技术手段，应对突然的高并发情况。使用户、企业免于重大经济损失。

实施例三

本发明实施例提供了一种服务器并发量预测装置，应用于服务器端，如图5所示，所述装置包括：

存储器51，用于存储服务器端的原始数据；

处理器52，用于获取第一预设时间段内服务器端的原始数据；对所述原始数据进行抽样，并形成至少一个训练集；采用深度学习算法对所述至少一个训练集进行深度学习与训练，形成第一趋势训练结果集模型；从所述第一趋势训练结果集模型中提取出至少一个趋势训练结果集，通过所述至少一个趋势训练结果集分析预测得出在第二预设时间段内服务器并发量信息，并以预设形式输出所述服务器并发量信息。

作为一种实施方式，所述处理器52，还用于：

根据所述服务器并发量信息确定出第二预设时间段内服务器并发量的预测值；

根据对第二预设时间段内服务器并发量的预测值生成趋势图，并输出所述趋势图。

进一步地，所述处理器52，还用于：

根据所述服务器并发量信息进行灾害预判；

根据灾害预判结果采取相应的解决措施，以使采取解决措施后的服务器满足第二预设时间段内的访问需求。

作为一种可选的实施方式，所述处理器52，还用于：

对所述至少一个训练集中的至少部分样本数据进行深度学习与训练，并形成第二趋势训练结果集模型；

对形成的所述第二趋势训练结果集模型进行比对，判断是否符合正常逻辑；

如果形成的所述第二趋势训练结果集模型不符合正常逻辑，则去除无效数据；

如果形成的所述第二趋势训练结果集模型符合正常逻辑，则持续优化、调整、反馈，最终形成第一趋势训练结果集模型。

作为一种可选的实施方式，所述处理器52，还用于：

根据所述至少一个训练集设定训练样本数参数、时间步长参数、训练集的数量参数；

通过调节学习率，进行深度学习与训练。

作为一种可选的实施方式，所述处理器52，还用于：

对访问所述服务器的当前用户数据和/或设备数据，以及服务器端数据进行记录，并标注各数据对应的各时间点；

其中，所述用户数据包括用户并发量、在线用户数、在线用户时长；所述设备数据包括设备并发量、在线设备数、在线设备时长；所述服务器端数据包括系统吞吐量、响应时长、网络传输时长、业务代码处理时长、数据库处理时长。

本领域技术人员应当理解，本发明实施例的服务器并发量预测装置中各模块的功能，可参照前述应用于服务器并发量预测方法的相关描述而理解，本发明实施例的服务器并发量预测装置中各模块，可通过实现本发明实施例所述的功能的模拟电路而实现，也可以通过执行本发明实施例所述的功能的软件在服务器并发量预测装置上的运行而实现。

所述服务器并发量预测装置中的处理器52在实际应用中可由所述服务器并发量预测装置中的中央处理器(CPU，Central Processing Unit)、数字信号处理器(DSP，Digital Signal Processor)或可编程门阵列(FPGA，Field Programmable Gate Array)等实现。

本发明实施例所述服务器并发量预测装置，为实施例一至二所述的方法提供了具体实现的硬件，能用于实现实施例一至二中任意所述的技术方案，同样的，本发明实施例提供的服务器并发量预测装置，通过收集服务器端历史请求数据作为训练集，使用深度学习算法，对未来即将发生请求数据进行预测；并根据预测结果，实现在灾难情况发生前，对服务器架构进行调整优化、扩容、容灾等技术手段，应对突然的高并发情况，从而使用户、企业免于重大经济损失。

实施例四

本发明实施例还提供了一种服务器并发量预测装置，应用于服务器端，如图6所示，所述装置包括：

获取单元61，用于获取第一预设时间段内服务器端的原始数据；

抽样单元62，用于对所述原始数据进行抽样，并形成至少一个训练集；

模型生成单元63，用于采用深度学习算法对所述至少一个训练集进行深度学习与训练，形成第一趋势训练结果集模型；

预测单元64，用于从所述第一趋势训练结果集模型中提取出至少一个趋势训练结果集，通过所述至少一个趋势训练结果集分析预测得出在第二预设时间段内服务器并发量信息，并以预设形式输出所述服务器并发量信息。

作为一种实施方式，所述预测单元64，还用于：

根据所述服务器并发量信息确定出第二预设时间段内服务器并发量的预测值；

根据对第二预设时间段内服务器并发量的预测值生成趋势图，并输出所述趋势图。

进一步地，所述装置还包括：

处理单元65，用于：

根据所述服务器并发量信息进行灾害预判；

根据灾害预判结果采取相应的解决措施，以使采取解决措施后的服务器满足第二预设时间段内的访问需求。

作为一种可选的实施方式，所述模型生成单元63，还用于：

对所述至少一个训练集中的至少部分样本数据进行深度学习与训练，并形成第二趋势训练结果集模型；

对形成的所述第二趋势训练结果集模型进行比对，判断是否符合正常逻辑；

如果形成的所述第二趋势训练结果集模型不符合正常逻辑，则去除无效数据；

如果形成的所述第二趋势训练结果集模型符合正常逻辑，则持续优化、调整、反馈，最终形成第一趋势训练结果集模型。

作为一种可选的实施方式，所述模型生成单元63，还用于：

根据所述至少一个训练集设定训练样本数参数、时间步长参数、训练集的数量参数；

通过调节学习率，进行深度学习与训练。

进一步地，所述装置还包括：

记录单元66，用于对访问所述服务器的当前用户数据和/或设备数据，以及服务器端数据进行记录，并标注各数据对应的各时间点；

其中，所述用户数据包括用户并发量、在线用户数、在线用户时长；所述设备数据包括设备并发量、在线设备数、在线设备时长；所述服务器端数据包括系统吞吐量、响应时长、网络传输时长、业务代码处理时长、数据库处理时长。

本领域技术人员应当理解，本发明实施例的服务器并发量预测装置中各模块的功能，可参照前述应用于服务器并发量预测方法的相关描述而理解，本发明实施例的服务器并发量预测装置中各模块，可通过实现本发明实施例所述的功能的模拟电路而实现，也可以通过执行本发明实施例所述的功能的软件在服务器并发量预测装置上的运行而实现。

所述服务器并发量预测装置中的获取单元61、抽样单元62、模型生成单元63、预测单元64、处理单元65、记录单元66，在实际应用中可由所述服务器并发量预测装置中的中央处理器(CPU，Central Processing Unit)、数字信号处理器(DSP，Digital SignalProcessor)或可编程门阵列(FPGA，Field Programmable Gate Array)等实现。

本发明实施例所述服务器并发量预测装置，为实施例一至二所述的方法提供了具体实现的硬件，能用于实现实施例一至二中任意所述的技术方案，同样的，本发明实施例提供的服务器并发量预测装置，通过收集服务器端历史请求数据作为训练集，使用深度学习算法，对未来即将发生请求数据进行预测；并根据预测结果，实现在灾难情况发生前，对服务器架构进行调整优化、扩容、容灾等技术手段，应对突然的高并发情况，从而使用户、企业免于重大经济损失。

在本发明所提供的几个实施例中，应该理解到，所揭露的方法、装置和电子设备，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明实施例上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例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，该计算机软件产品存储在一个存储介质中，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所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种服务器并发量预测方法，应用于服务器端，其特征在于，所述方法包括：

获取第一预设时间段内服务器端的原始数据；

对所述原始数据进行抽样，并形成至少一个训练集；

采用深度学习算法对所述至少一个训练集进行深度学习与训练，形成第一趋势训练结果集模型；

从所述第一趋势训练结果集模型中提取出至少一个趋势训练结果集，通过所述至少一个趋势训练结果集分析预测得出在第二预设时间段内服务器并发量信息，并以预设形式输出所述服务器并发量信息。

2.根据权利要求1所述的方法，其特征在于，所述以预设形式输出所述服务器并发量信息，包括：

根据所述服务器并发量信息生成用于反映第二预设时间段内服务器并发量的趋势图，并输出所述趋势图。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述服务器并发量信息进行灾害预判；

根据灾害预判结果采取相应的解决措施，以使采取解决措施后的服务器满足第二预设时间段内的访问需求。

4.根据权利要求1所述的方法，其特征在于，所述采用深度学习算法对所述至少一个训练集进行深度学习与训练，形成第一趋势训练结果集模型，包括：

对所述至少一个训练集中的至少部分样本数据进行深度学习与训练，并形成第二趋势训练结果集模型；

对形成的所述第二趋势训练结果集模型进行比对，判断是否符合正常逻辑；

如果形成的所述第二趋势训练结果集模型不符合正常逻辑，则去除无效数据；

如果形成的所述第二趋势训练结果集模型符合正常逻辑，则持续优化、调整、反馈，最终形成第一趋势训练结果集模型。

5.根据权利要求1所述的方法，其特征在于，所述采用深度学习算法对所述至少一个训练集进行深度学习与训练，形成第一趋势训练结果集模型，包括：

根据所述至少一个训练集设定训练样本数参数、时间步长参数、训练集的数量参数；

通过调节学习率，进行深度学习与训练。

6.一种服务器并发量预测装置，应用于服务器端，其特征在于，所述装置包括：

存储器，用于存储服务器端的原始数据；

处理器，用于获取第一预设时间段内服务器端的原始数据；对所述原始数据进行抽样，并形成至少一个训练集；采用深度学习算法对所述至少一个训练集进行深度学习与训练，形成第一趋势训练结果集模型；从所述第一趋势训练结果集模型中提取出至少一个趋势训练结果集，通过所述至少一个趋势训练结果集分析预测得出在第二预设时间段内服务器并发量信息，并以预设形式输出所述服务器并发量信息。

7.根据权利要求6所述的装置，其特征在于，所述处理器，还用于：

根据所述服务器并发量信息生成用于反映第二预设时间段内服务器并发量的趋势图，并输出所述趋势图。

8.根据权利要求6所述的装置，其特征在于，所述处理器，还用于：

根据所述服务器并发量信息进行灾害预判；

根据灾害预判结果采取相应的解决措施，以使采取解决措施后的服务器满足第二预设时间段内的访问需求。

9.根据权利要求6所述的装置，其特征在于，所述处理器，还用于：

对所述至少一个训练集中的至少部分样本数据进行深度学习与训练，并形成第二趋势训练结果集模型；

对形成的所述第二趋势训练结果集模型进行比对，判断是否符合正常逻辑；

如果形成的所述第二趋势训练结果集模型不符合正常逻辑，则去除无效数据；

如果形成的所述第二趋势训练结果集模型符合正常逻辑，则持续优化、调整、反馈，最终形成第一趋势训练结果集模型。

10.根据权利要求6所述的装置，其特征在于，所述处理器，还用于：

根据所述至少一个训练集设定训练样本数参数、时间步长参数、训练集的数量参数；

通过调节学习率，进行深度学习与训练。