CN110474852A - 一种带宽调度方法及装置 - Google Patents
一种带宽调度方法及装置 Download PDFInfo
- Publication number
- CN110474852A CN110474852A CN201910707042.1A CN201910707042A CN110474852A CN 110474852 A CN110474852 A CN 110474852A CN 201910707042 A CN201910707042 A CN 201910707042A CN 110474852 A CN110474852 A CN 110474852A
- Authority
- CN
- China
- Prior art keywords
- bandwidth
- destination node
- data
- prediction
- target
- 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
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
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/50—Queue scheduling
- H04L47/52—Queue scheduling by attributing bandwidth to queues
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种带宽调度方法及装置，所述方法包括：按照预设的带宽预测周期，获取基于目标节点的历史带宽数据和最新带宽数据拟合出的所述目标节点的目标带宽预测公式；基于所述目标节点的目标带宽预测公式生成所述目标节点的目标带宽预测数据；根据所述目标带宽预测数据和所述目标节点的成本带宽计算目标节点的调出带宽量，并基于所述调出带宽量对所述目标节点进行带宽调度。采用本发明可以有效降低CDN服务商的运营成本。
Description
技术领域
本发明涉及互联网技术领域，特别涉及一种带宽调度方法及装置。
背景技术
CDN(Content Delivery Network，内容分发网络)服务是CDN服务商在现有的互联网中部署多台节点服务器，使用户可以从一台较近或较优的边缘节点服务器获取数据，以为用户提供网络加速服务。
CDN服务商可以根据部署的每台边缘节点服务器的计费标准确定每台边缘节点服务器对应的成本带宽，如果边缘节点服务器的实时带宽超过成本带宽，则会增加CDN服务商的运营成本。为在提供网络加速服务的同时节省运营成本，CDN服务商可以通过后台服务器周期性采集各台边缘节点服务器的实时带宽和成本带宽，根据每台边缘节点服务器的实时带宽和成本带宽计算出带宽调出量，将每台边缘节点服务器对应的带宽调出量调度至其他边缘节点服务器，由其他边缘节点服务器提供服务。例如，后台服务器周期性采集到某台边缘节点服务器的实时带宽为800M，假设该边缘节点服务器的成本带宽为700M，后台服务器可以得出该边缘节点服务器当前的带宽调出量为100M，并将该边缘节点服务器上的100M带宽调度至其他边缘节点服务器。
在实现本发明的过程中，发明人发现现有技术至少存在以下问题：
在边缘节点服务器进行带宽调度后，如果该边缘节点服务器的实时带宽在调度期间增长较快，尤其在进入高峰期时，业务带宽需求增长较快，边缘节点服务器的实时带宽增长较快，超过边缘节点服务器的成本带宽的带宽量无法及时被调度走，进而会在一定程度上增加CDN服务商的运营成本。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种带宽调度方法及装置。所述技术方案如下：
第一方面，提供了一种带宽调度方法，所述方法包括：
按照预设的带宽预测周期，获取基于目标节点的历史带宽数据和最新带宽数据拟合出的所述目标节点的目标带宽预测公式；
基于所述目标节点的目标带宽预测公式生成所述目标节点的目标带宽预测数据；
根据所述目标带宽预测数据和所述目标节点的成本带宽计算目标节点的调出带宽量，并基于所述调出带宽量对所述目标节点进行带宽调度。
可选的，所述方法还包括：
按照预设的公式更新周期获取目标节点在周期起始时刻前的长期统计时长内的历史带宽数据，以及短期统计时长内的最新带宽数据；
基于所述历史带宽数据和所述最新带宽数据，更新所述目标节点的目标带宽预测公式。
可选的，所述基于所述历史带宽数据和所述最新带宽数据，更新所述目标节点的目标带宽预测公式，包括：
基于所述历史带宽数据生成第一带宽预测公式，并基于所述最新带宽数据生成第二带宽预测公式；
获取所述第一带宽预测公式对应的第一预设权重和所述第二带宽预测公式对应的第二预设权重，并基于所述第一带宽预测公式、第一预设权重、第二带宽预测公式和第二预设权重更新所述目标带宽预测公式。
可选的，所述基于所述历史带宽数据生成第一带宽预测公式，包括：
确定所述目标节点在所述周期起始时刻对应的预测时段，获取所述目标节点在所述周期起始时刻前的长期统计时长内，每天的相同预测时段内的历史带宽数据；
根据所述相同预测时段内的历史带宽数据拟合出带宽斜度及带宽常量，基于所述带宽斜度及带宽常量生成第一带宽预测公式。
可选的，所述基于所述目标节点的目标带宽预测公式生成所述目标节点的目标带宽预测数据，包括：
基于所述目标带宽预测公式确定所述目标节点在所述带宽预测周期内的最大带宽预测数据，并将所述最大带宽预测数据确定为所述目标节点的目标带宽预测数据。
可选的，所述基于所述目标节点的目标带宽预测公式生成所述目标节点的目标带宽预测数据，包括：
基于所述目标带宽预测公式确定所述目标节点在所述带宽预测周期内的预设数量个峰值带宽预测数据；
根据所述预设数量个峰值带宽预测数据计算所述目标节点的目标带宽预测数据。
可选的，所述基于所述调出带宽量对所述目标节点进行带宽调度，包括：
获取所述目标节点的调度均衡系数，基于所述调度均衡系数和所述调出带宽量对所述目标节点进行带宽调度。
第二方面，提供了一种带宽调度装置，所述装置包括数据获取模块、带宽计算模块和调度模块，其中：
所述数据获取模块，用于按照预设的带宽预测周期，获取基于目标节点的历史带宽数据和最新带宽数据拟合出的所述目标节点的目标带宽预测公式；
所述带宽计算模块，用于基于所述目标节点的目标带宽预测公式生成所述目标节点的目标带宽预测数据；
所述调度模块，用于根据所述目标带宽预测数据和所述目标节点的成本带宽计算目标节点的调出带宽量，并基于所述调出带宽量对所述目标节点进行带宽调度。
可选的，所述装置还包括公式更新模块，用于：
按照预设的公式更新周期获取目标节点在周期起始时刻前的长期统计时长内的历史带宽数据，以及短期统计时长内的最新带宽数据；
基于所述历史带宽数据和所述最新带宽数据，更新所述目标节点的目标带宽预测公式。
可选的，所述公式更新模块，还用于：
基于所述历史带宽数据生成第一带宽预测公式，并基于所述最新带宽数据生成第二带宽预测公式；
获取所述第一带宽预测公式对应的第一预设权重和所述第二带宽预测公式对应的第二预设权重，并基于所述第一带宽预测公式、第一预设权重、第二带宽预测公式和第二预设权重更新所述目标带宽预测公式。
可选的，所述公式更新模块，还用于：
确定所述目标节点在所述周期起始时刻对应的预测时段，获取所述目标节点在所述周期起始时刻前的长期统计时长内，每天的相同预测时段内的历史带宽数据；
根据所述相同预测时段内的历史带宽数据拟合出带宽斜度及带宽常量，基于所述带宽斜度及带宽常量生成第一带宽预测公式。
可选的，所述带宽计算模块，还用于：
基于所述目标带宽预测公式确定所述目标节点在所述带宽预测周期内的最大带宽预测数据，并将所述最大带宽预测数据确定为所述目标节点的目标带宽预测数据。
可选的，所述带宽计算模块，还用于：
基于所述目标带宽预测公式确定所述目标节点在所述带宽预测周期内的预设数量个峰值带宽预测数据；
根据所述预设数量个峰值带宽预测数据计算所述目标节点的目标带宽预测数据。
可选的，所述调度模块，还用于：
获取所述目标节点的调度均衡系数，基于所述调度均衡系数和所述调出带宽量对所述目标节点进行带宽调度。
第三方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的带宽调度方法。
第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面所述的带宽调度方法。
本发明实施例提供的技术方案带来的有益效果是：
在本实施例中，按照预设的带宽预测周期，获取基于目标节点的历史带宽数据和最新带宽数据拟合出的所述目标节点的目标带宽预测公式；基于所述目标节点的目标带宽预测公式生成所述目标节点的目标带宽预测数据；根据所述目标带宽预测数据和所述目标节点的成本带宽计算目标节点的调出带宽量，并基于所述调出带宽量对所述目标节点进行带宽调度。这样，后台服务器可以通过节点的带宽预测公式预测出节点之后的带宽数据，并根据该预测的带宽数据对节点进行带宽调度，即预先将可能超出节点成本带宽的部分带宽调度至其他节点，进而可以有效降低CDN服务商的运营成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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它的附图。
图1是本发明实施例提供的一种带宽调度方法的流程图；
图2是本发明实施例提供的一种带宽调度装置的结构示意图；
图3是本发明实施例提供的一种带宽调度装置的结构示意图；
图4是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种带宽调度方法，该方法的执行主体可以是后台服务器，其可以是任意一台服务器，也可以是由多台服务器组成的服务器集群，该后台服务器可以部署在CDN服务商的机房。后台服务器可以基于各节点服务器记录的带宽数据预测节点服务器的带宽数据，并基于预测的节点服务器的带宽数据和节点服务器对应的成本带宽进行带宽调度。上述后台服务器中可以包括处理器、存储器及收发器，处理器可以用于进行下述流程中的对于带宽调度的处理，存储器可以用于存储下述处理过程中需要的数据以及产生的数据，收发器可以用于接收和发送下述处理过程中的相关数据。
下面将结合具体实施方式，对图1所示的一种带宽调度方法的处理流程进行详细的说明，内容可以如下：
步骤101：按照预设的带宽预测周期，获取基于目标节点的历史带宽数据和最新带宽数据拟合出的目标节点的目标带宽预测公式。
在实施中，CDN服务商可以通过部署在各个区域的边缘节点服务器(以下简称为节点)为客户提供网络加速服务，节点在为客户提供网络加速服务的同时，可以记录自身的带宽使用情况(如实时带宽)及配置信息(如节点的成本带宽等信息)。考虑到节点的实时带宽超出成本带宽时，会增加CDN服务商的运营成本，故而，CDN服务商的技术人员可以通过后台服务器基于每台节点的历史带宽数据和最新带宽数据拟合出一个带宽预测公式，并基于带宽预测公式预测对应的节点的带宽数据，以根据该预测的带宽数据对该节点进行带宽调度。具体的，后台服务器可以按照预设的带宽预测周期，获取基于某节点(可称为目标节点)的历史带宽数据和最新带宽数据拟合出的带宽预测公式(可称为目标带宽预测公式)，以基于该目标带宽预测公式及目标节点的成本带宽进行带宽调度。
可选的，后台服务器可以按照预设的公式更新周期更新目标带宽预测公式，相应的处理可以如下：按照预设的公式更新周期获取目标节点在周期起始时刻前的长期统计时长内的历史带宽数据，以及短期统计时长内的最新带宽数据；基于历史带宽数据和最新带宽数据，更新目标节点的目标带宽预测公式。
在实施中，后台服务器可以按照预设的公式更新周期获取目标节点在公式更新周期的周期起始时刻前的长期统计时长内的带宽数据(可称为历史带宽数据)，以及目标节点在公式更新周期的周期起始时刻前的短期统计时长内的带宽数据(可称为最新带宽数据)，然后，后台服务器可以通过机器学习中的回归分析方法(如线性回归、多项式回归等)基于上述历史带宽数据以及最新带宽数据生成可以表征目标节点之后的带宽趋势的带宽预测公式，并将该带宽预测公式更新为目标节点的目标带宽预测公式，以基于该目标带宽预测公式预测目标节点的带宽数据。以目标节点对应的预设的公式更新周期为20分钟，长期统计时长为30天，短期统计时长为20分钟为例，假设当前时刻为5月10日10:00，后台服务器可以获取4月11日10:00至5月10日10:00的历史带宽数据，以及5月10日09:40至10:00的最新带宽数据，基于前述获取的历史带宽数据和最新带宽数据，更新目标节点的目标带宽预测公式。这样，可以使目标带宽预测公式更准确的表征目标节点的带宽变化趋势，从而可以进一步提高基于目标带宽预测公式生成的目标带宽预测数据的准确性，进而可以提高调出带宽量的准确性，进一步的降低CDN服务商的运营成本。
可选的，后台服务器可以基于上述目标节点的历史带宽数据和最新带宽数据对应的权重生成目标节点的目标带宽预测公式，相应的处理可以如下：基于历史带宽数据生成第一带宽预测公式，并基于最新带宽数据生成第二带宽预测公式；获取第一带宽预测公式对应的第一预设权重和第二带宽预测公式对应的第二预设权重，并基于第一带宽预测公式、第一预设权重、第二带宽预测公式和第二预设权重更新目标带宽预测公式。
在实施中，后台服务器在获取上述目标节点的历史带宽数据和最新带宽数据之后，可以通过上述机器学习算法基于上述目标节点的历史带宽数据计算出一个带宽预测公式(可称为第一带宽预测公式)，并基于上述目标节点的最新带宽数据计算出另一个带宽预测公式(可称为第二带宽预测公式)。然后，后台服务器可以获取上述第一预测公式对应的权重值(可称为第一预设权重)，以及上述第二带宽预测公式对应的权重值(可称为第二预设权重)。之后，后台服务器可以基于上述第一带宽预测公式、第一预设权重、第二带宽预测公式及第二预设权重计算出一个新的带宽预测公式，并将该新的带宽预测公式更新为目标节点的目标带宽预测公式。以第一带宽预测公式为Y1＝A1x+B1，第二带宽预测公式为Y2＝A2x+B2为例，其中，Y1、Y2分别表示带宽预测数据，x表示预测的分钟序列如第1,2,3,4……x分钟，A1、A2表示带宽斜度，B1、B2为常量带宽，假设第一预设权重为C1，第二预设权重为C2，后台服务器则可以计算出目标节点的目标带宽预测公式为Y＝(A1C1+A2C2)x+(B1C1+B2C2)。这样，可以进一步的提高目标带宽预测公式的准确性，从而有效提高调出带宽量的准确性，进而进一步的降低CDN服务商的运营成本。
可选的，后台服务器可以基于预测时段对应的历史带宽数据拟合第一带宽预测公式，相应的处理可以如下：确定目标节点在所述周期起始时刻对应的预测时段，获取目标节点在所述周期起始时刻前的长期统计时长内，每天的相同预测时段内的历史带宽数据；根据相同预测时段内的历史带宽数据拟合出带宽斜度及带宽常量，基于带宽斜度及带宽常量生成第一带宽预测公式。
在实施中，后台服务器可以根据周期起始时刻对应的预测时段，获取目标节点在周期起始时刻前的长期统计时长内，每天中与预测时段相同的时段(可称为相同预测时段)内的历史带宽数据，并基于该相同预测时段内的历史带宽数据生成第一带宽预测公式。具体的，首先，后台服务器可以确定在当前周期起始时刻对应的预测时段，其中，预测时段可以根据公式更新周期确定，比如公式更新周期为30分钟，当前时刻为20:00，预测时段可以确定为20:00-20:30。然后，后台服务器可以在上述获取的周期起始时刻前的长期统计时长内的所有历史带宽数据中，确定出在长期统计时长内每天的相同预测时段内的历史带宽数据，并获取该相同预测时段内的历史带宽数据。后台服务器在获取到前述相同预测时段内的历史带宽数据之后，可以通过线性回归分析方法基于该相同预测时段内的历史带宽数据，拟合出对应的带宽斜度及带宽常量，以基于带宽斜度及带宽常量生成第一带宽预测公式。
以当前时刻为5月10日10:00，预测时段为10:00-10:30，长期统计时长为30天为例，后台服务器可以确定，前述长期统计时长内每天的相同预测时段为4月10日至5月9日内每天的10:00-10:30。然后，后台服务器可以获取4月10日至5月9日内，每天的10:00-10:30内的历史带宽数据，并可以通过线性回归分析方法基于该获取的相同预测时段内的历史带宽数据，拟合出带宽斜度及带宽常量(如可以将前述4月10日至5月9日内每天的10:00-10:30内的历史带宽数据，输入至机器学习中的线性回归模型，以拟合出带宽斜度及带宽常量)。之后，后台服务器可以基于该带宽斜度及带宽常量生成第一带宽预测公式，假设带宽斜度为A、带宽常量为B，后台服务器可以生成第一带宽预测公式为BW＝Ax+B，其中，BW指需要预测时段的带宽预测数据，x表示预测的分钟序列如第1,2,3……x分钟。这样，基于与预测时段相同时段内的历史带宽数据拟合第一带宽预测公式，可以提高第一带宽预测公式的准确性，从而可以进一步提高目标带宽预测公式的准确性，进而可以有效提高调出带宽量的准确性，进一步的降低CDN服务商的运营成本。
步骤102：基于目标节点的目标带宽预测公式生成目标节点的目标带宽预测数据。
在实施中，后台服务器获取到上述目标节点的目标带宽预测公式之后，可以基于上述目标带宽预测公式计算目标节点的目标带宽预测数据。以目标节点的目标带宽预测公式为Y＝Ax+B为例，其中，Y表示带宽预测数据，x表示预测的分钟序号，如第1,2,3,4……x分钟，A、B均为常量系数，后台服务器可以计算出目标节点第5分钟的带宽预测数据为5A+B，第10分钟的带宽预测数据为10A+B。
可选的，后台服务器可以在目标节点的实时带宽大于预警带宽时计算目标带宽预测数据，相应的，上述步骤102的处理可以如下：获取目标节点的实时带宽，如果目标节点的实时带宽大于目标节点的预警带宽，则基于目标带宽预测公式生成目标节点的目标带宽预测数据。
在实施中，考虑到后台服务器计算节点的目标带宽预测数据可能会占用较多的资源，故而，CDN服务商的技术人员可以通过后台服务器根据节点的带宽数据设置一个小于节点的成本带宽的预警带宽，当后台服务器监测到节点的实时带宽达到预警带宽时，则判定节点之后的带宽预测数据超过成本带宽的几率较大，可以基于节点的带宽预测公式计算带宽预测数据。具体的，后台服务器可以获取目标节点的实时带宽，并判断目标节点的实时带宽是否大于目标节点的预警带宽时，如果是，后台服务器可以基于目标节点的目标带宽预测公式计算目标节点的目标带宽预测数据，如果否，后台服务器则不再进行任何处理。这样，不仅可以监测节点的带宽数据及带宽变化规律，及时基于带宽预测数据和成本带宽进行带宽调度，进而降低CDN服务商的运营成本，还可以进一步的减少资源占用率。
可选的，后台服务器可以将带宽预测周期内的最大带宽预测数据确定为目标带宽预测数据，相应的，上述步骤102的处理可以如下：基于目标带宽预测公式确定目标节点在带宽预测周期内的最大带宽预测数据，并将最大带宽预测数据确定为目标节点的目标带宽预测数据。
在实施中，后台服务器可以基于目标节点的目标带宽预测公式计算目标节点在当前带宽预测周期内每分钟的带宽预测数据，并在当前带宽预测周期内每分钟的带宽预测数据中确定出最大带宽预测数据。然后，后台服务器可以将上述最大带宽预测数据确定为目标节点的目标带宽预测数据。以预测周期的起始时刻为10:00为例，假设后台服务器计算的目标节点在10:01-10:10对应的带宽预测数据分别为800M、900M、850M、880M、980M、1000M、1050M、950M、1100M、1080M，后台服务器则可以确定最大带宽预测数据为1100M，并将最大带宽预测数据1100M确定为目标节点的目标带宽预测数据。这样，基于最大带宽预测数据及成本带宽对节点进行带宽调度，可以有效避免出现节点的实时带宽超过成本带宽的情况，进而可以进一步的降低CDN服务商的运营成本。
可选的，后台服务器可以根据目标节点在带宽预测周期内的预设数量个峰值计算目标带宽预测数据，相应的，上述步骤102的处理可以如下：基于目标带宽预测公式确定目标节点在带宽预测周期内的预设数量个峰值带宽预测数据；根据预设数量个峰值带宽预测数据计算目标节点的目标带宽预测数据。
在实施中，考虑到目标节点可能会在带宽预测周期内会出现仅在某时刻的带宽预测数据远远高于其他时刻的带宽预测数据的情况，如果这种情况下仍按照最大带宽预测数据进行带宽调度，可能会导致目标节点在调度之后的实时带宽远小于目标节点的成本带宽，进而造成带宽资源浪费。故而，后台服务器可以在目标节点在当前带宽预测周期内计算出的所有带宽预测数据中确定出预设数量个峰值带宽预测数据，根据上述预设数量个峰值带宽预测数据计算目标节点的目标带宽预测数据，如可以将上述预设数量个峰值带宽预测数据的均值确定为目标节点的目标带宽预测数据。以目标节点的带宽预测周期为10分钟，目标节点的成本带宽为800M，预设数量为5为例，假设目标节点在一个带宽预测周期内每分钟的带宽预测数据分别为900M、1000M、1200M、1300M、1800M、1300M、950M、1300M、850M、900M为例，后台服务器可以将1800M、1200M、1300M、1300M、1300M确定为峰值带宽预测数据，然后，后台服务器可以计算出这五个峰值带宽预测数据的均值为1380M，并将1380M确定为目标节点的目标带宽预测数据。可以理解，后台服务器也可以去掉目标节点在当前带宽预测周期内的带宽预测数据中一个最高值和一个最低值之后，再计算平均值，将该平均值确定为目标节点的目标带宽预测数据。或者，后台服务器也可以判断目标节点在当前带宽预测周期内的所有带宽预测数据的波动情况，如果波动情况较小，后台服务器还可以将带宽预测周期结束时刻的带宽预测数据作为目标节点的目标带宽预测数据。这样，不仅可以避免在进行调度之后出现节点的实时带宽超过成本带宽的情况，还可以避免在调度之后出现节点的实时带宽远小于目标节点的成本带宽的情况，进而不仅可以进一步降低CDN服务商的运营成本，还可以有效减少带宽资源浪费。
步骤103：根据目标带宽预测数据和目标节点的成本带宽计算目标节点的调出带宽量，并基于调出带宽量对目标节点进行带宽调度。
在实施中，后台服务器在计算出目标节点的目标带宽预测数据之后，可以获取目标节点的成本带宽，并基于目标节点的成本带宽和上述目标带宽预测数据计算目标节点的调出带宽量。然后，后台服务器可以基于上述目标节点的调出带宽量对目标节点进行带宽调度。以目标节点的目标带宽预测数据为1000M为例，假设目标节点的成本带宽为800M，后台服务器则可以计算出目标节点的调出带宽量为200M。
可选的，后台服务器可以基于目标节点的调度均衡系数和带宽调出量进行带宽调度，相应的，上述步骤103的部分处理可以如下：获取目标节点的调度均衡系数，基于调度均衡系数和调出带宽量对目标节点进行带宽调度。
在实施中，考虑到当节点的计费标准较高时，一旦出现节点的实时带宽大于成本带宽的情况，就可能会使CDN服务商的运营成本增加较多，故而CDN服务商的技术人员可以通过后台服务器根据各节点的计费标准、成本带宽及带宽数据等信息为每个节点设置对应的调度均衡系数。这样，后台服务器在计算出目标节点的调出带宽量后，可以获取目标节点对应的调度均衡系数。然后，后台服务器可以基于该目标节点对应的调度均衡系数及上述目标节点的调出带宽量计算出一个实际的调出带宽量，并根据该计算出的实际的调出带宽量对该目标节点进行带宽调度。以目标节点对应的调度均衡系数为1.2为例，假设目标节点的调出带宽量为200M，后台服务器则可以计算出目标节点的实际的调出带宽量为1.2×200＝240M。可以理解，后台服务器可以根据目标节点的历次带宽调度结果调整目标节点对应的调度均衡系数，仍以目标节点对应的调度均衡系数为1.2为例，假设后台服务器监测到按照调度均衡系数1.2对目标节点进行带宽调度后，会出现目标节点的实时带宽持续远远低于目标节点的成本带宽的现象，后台服务器则可以减小目标节点对应的调度均衡系数，如可以调整为1.1；反之，假设后台服务器监测到按照调度均衡系数1.2对目标节点进行带宽调度后，仍会出现目标节点的实时带宽高于成本带宽的现象，后台服务器则可以增加目标节点对应的调度均衡系数，如可以调整为1.3。这样，基于节点的调度均衡系数和调出带宽量进行带宽调度，可以避免出现节点的实时带宽大于成本带宽的情况，进而可以进一步的降低CDN服务商的运营成本。
在本实施例中，按照预设的带宽预测周期，获取基于目标节点的历史带宽数据和最新带宽数据拟合出的目标节点的目标带宽预测公式；基于目标节点的目标带宽预测公式生成目标节点的目标带宽预测数据；根据目标带宽预测数据和目标节点的成本带宽计算目标节点的调出带宽量，并基于调出带宽量对目标节点进行带宽调度。这样，后台服务器可以通过节点的带宽预测公式预测出节点之后的带宽数据，并根据该预测的带宽数据对节点进行带宽调度，即预先将可能超出节点成本带宽的部分带宽调度至其他节点，进而可以有效降低CDN服务商的运营成本。
基于相同的技术构思，本发明实施例还提供了一种带宽调度装置，如图2所示，所述装置包括数据获取模块201、带宽计算模块202和调度模块203，其中：
所述数据获取模块201，用于按照预设的带宽预测周期，获取基于目标节点的历史带宽数据和最新带宽数据拟合出的目标节点的目标带宽预测公式；
所述带宽计算模块202，用于基于所述目标节点的目标带宽预测公式生成所述目标节点的目标带宽预测数据；
所述调度模块203，用于根据所述目标带宽预测数据和所述目标节点的成本带宽计算目标节点的调出带宽量，并基于所述调出带宽量对所述目标节点进行带宽调度。
可选的，如图3所示，所述装置还包括公式更新模块204，用于：
按照预设的公式更新周期获取目标节点在周期起始时刻前的长期统计时长内的历史带宽数据，以及短期统计时长内的最新带宽数据；
基于所述历史带宽数据和所述最新带宽数据，更新所述目标节点的目标带宽预测公式。
可选的，所述公式更新模块204，还用于：
基于所述历史带宽数据生成第一带宽预测公式，并基于所述最新带宽数据生成第二带宽预测公式；
获取所述第一带宽预测公式对应的第一预设权重和所述第二带宽预测公式对应的第二预设权重，并基于所述第一带宽预测公式、第一预设权重、第二带宽预测公式和第二预设权重更新所述目标带宽预测公式。
可选的，所述公式更新模块204，还用于：
确定所述目标节点在所述周期起始时刻对应的预测时段，获取所述目标节点在所述周期起始时刻前的长期统计时长内，每天的相同预测时段内的历史带宽数据；
根据所述相同预测时段内的历史带宽数据拟合出带宽斜度及带宽常量，基于所述带宽斜度及带宽常量生成第一带宽预测公式。
可选的，所述带宽计算模块202，还用于：
基于所述目标带宽预测公式确定所述目标节点在所述带宽预测周期内的最大带宽预测数据，并将所述最大带宽预测数据确定为所述目标节点的目标带宽预测数据。
可选的，所述带宽计算模块202，还用于：
基于所述目标带宽预测公式确定所述目标节点在所述带宽预测周期内的预设数量个峰值带宽预测数据；
根据所述预设数量个峰值带宽预测数据计算所述目标节点的目标带宽预测数据。
可选的，所述调度模块203，还用于：
获取所述目标节点的调度均衡系数，基于所述调度均衡系数和所述调出带宽量对所述目标节点进行带宽调度。
在本实施例中，按照预设的带宽预测周期，获取基于目标节点的历史带宽数据和最新带宽数据拟合出的目标节点的目标带宽预测公式；基于目标节点的目标带宽预测公式生成目标节点的目标带宽预测数据；根据目标带宽预测数据和目标节点的成本带宽计算目标节点的调出带宽量，并基于调出带宽量对目标节点进行带宽调度。这样，后台服务器可以通过节点的带宽预测公式预测出节点之后的带宽数据，并根据该预测的带宽数据对节点进行带宽调度，即预先将可能超出节点成本带宽的部分带宽调度至其他节点，进而可以有效降低CDN服务商的运营成本。
需要说明的是：上述实施例提供的带宽调度装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的带宽调度装置与带宽调度方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图4是本发明实施例提供的服务器的结构示意图。该服务器400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器422(例如，一个或一个以上处理器)和存储器432，一个或一个以上存储应用程序442或数据444的存储介质430(例如一个或一个以上海量存储设备)。其中，存储器432和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器400中的一系列指令操作。更进一步地，中央处理器422可以设置为与存储介质430通信，在服务器400上执行存储介质430中的一系列指令操作。
服务器400还可以包括一个或一个以上电源426，一个或一个以上有线或无线网络接口450，一个或一个以上输入输出接口458，一个或一个以上键盘456，和/或，一个或一个以上操作系统441，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。
服务器400可以包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行上述带宽调度的指令。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种带宽调度方法，其特征在于，所述方法包括：
按照预设的带宽预测周期，获取基于目标节点的历史带宽数据和最新带宽数据拟合出的所述目标节点的目标带宽预测公式；
基于所述目标节点的目标带宽预测公式生成所述目标节点的目标带宽预测数据；
根据所述目标带宽预测数据和所述目标节点的成本带宽计算目标节点的调出带宽量，并基于所述调出带宽量对所述目标节点进行带宽调度。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
按照预设的公式更新周期获取目标节点在周期起始时刻前的长期统计时长内的历史带宽数据，以及短期统计时长内的最新带宽数据；
基于所述历史带宽数据和所述最新带宽数据，更新所述目标节点的目标带宽预测公式。
3.根据权利要求2所述的方法，其特征在于，所述基于所述历史带宽数据和所述最新带宽数据，更新所述目标节点的目标带宽预测公式，包括：
基于所述历史带宽数据生成第一带宽预测公式，并基于所述最新带宽数据生成第二带宽预测公式；
获取所述第一带宽预测公式对应的第一预设权重和所述第二带宽预测公式对应的第二预设权重，并基于所述第一带宽预测公式、第一预设权重、第二带宽预测公式和第二预设权重更新所述目标带宽预测公式。
4.根据权利要求3所述的方法，其特征在于，所述基于所述历史带宽数据生成第一带宽预测公式，包括：
确定所述目标节点在所述周期起始时刻对应的预测时段，获取所述目标节点在所述周期起始时刻前的长期统计时长内，每天的相同预测时段内的历史带宽数据；
根据所述相同预测时段内的历史带宽数据拟合出带宽斜度及带宽常量，基于所述带宽斜度及带宽常量生成第一带宽预测公式。
5.根据权利要求1所述的方法，其特征在于，所述基于所述目标节点的目标带宽预测公式生成所述目标节点的目标带宽预测数据，包括：
基于所述目标带宽预测公式确定所述目标节点在所述带宽预测周期内的最大带宽预测数据，并将所述最大带宽预测数据确定为所述目标节点的目标带宽预测数据。
6.根据权利要求1所述的方法，其特征在于，所述基于所述目标节点的目标带宽预测公式生成所述目标节点的目标带宽预测数据，包括：
基于所述目标带宽预测公式确定所述目标节点在所述带宽预测周期内的预设数量个峰值带宽预测数据；
根据所述预设数量个峰值带宽预测数据计算所述目标节点的目标带宽预测数据。
7.根据权利要求1所述的方法，其特征在于，所述基于所述调出带宽量对所述目标节点进行带宽调度，包括：
获取所述目标节点的调度均衡系数，基于所述调度均衡系数和所述调出带宽量对所述目标节点进行带宽调度。
8.一种带宽调度装置，其特征在于，所述装置包括数据获取模块、带宽计算模块和调度模块，其中：
所述数据获取模块，用于按照预设的带宽预测周期，获取基于目标节点的历史带宽数据和最新带宽数据拟合出的所述目标节点的目标带宽预测公式；
所述带宽计算模块，用于基于所述目标节点的目标带宽预测公式生成所述目标节点的目标带宽预测数据；
所述调度模块，用于根据所述目标带宽预测数据和所述目标节点的成本带宽计算目标节点的调出带宽量，并基于所述调出带宽量对所述目标节点进行带宽调度。
9.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的带宽调度方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7任一所述的带宽调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910707042.1A CN110474852B (zh) | 2019-08-01 | 2019-08-01 | 一种带宽调度方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910707042.1A CN110474852B (zh) | 2019-08-01 | 2019-08-01 | 一种带宽调度方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110474852A true CN110474852A (zh) | 2019-11-19 |
| CN110474852B CN110474852B (zh) | 2023-06-20 |
Family
ID=68508533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910707042.1A Active CN110474852B (zh) | 2019-08-01 | 2019-08-01 | 一种带宽调度方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110474852B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110896365A (zh) * | 2019-12-20 | 2020-03-20 | 网宿科技股份有限公司 | 网络节点内的流量调度方法、服务器及存储介质 |
| CN111970132A (zh) * | 2020-06-29 | 2020-11-20 | 百度在线网络技术（北京）有限公司 | Ota数据包下发流量的控制方法、装置及服务器 |
| CN113014422A (zh) * | 2021-02-09 | 2021-06-22 | 北京金山云网络技术有限公司 | 一种内容分发网络带宽调度的方法、装置及设备 |
| 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 |
| CN113067731A (zh) * | 2021-03-18 | 2021-07-02 | 北京金山云网络技术有限公司 | 节点带宽调整方法、装置、设备和存储介质 |
| CN113114540A (zh) * | 2021-04-23 | 2021-07-13 | 百果园技术(新加坡)有限公司 | 一种带宽预测器的设置、服务调整方法及相关装置 |
| CN113691463A (zh) * | 2021-08-19 | 2021-11-23 | 网宿科技股份有限公司 | Cdn调度参数调整方法、装置、电子设备及存储介质 |
| CN114500339A (zh) * | 2022-02-07 | 2022-05-13 | 北京百度网讯科技有限公司 | 一种节点带宽监测方法、装置、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080273591A1 (en) * | 2007-05-04 | 2008-11-06 | Brooks Paul D | Methods and apparatus for predictive capacity allocation |
| CN104410582A (zh) * | 2014-12-10 | 2015-03-11 | 国家电网公司 | 一种基于流量预测的电力通信网流量均衡方法 |
| CN105471759A (zh) * | 2016-01-11 | 2016-04-06 | 北京百度网讯科技有限公司 | 数据中心的网络流量调度方法和装置 |
| CN106357559A (zh) * | 2016-09-21 | 2017-01-25 | 东软集团股份有限公司 | 带宽分配的方法及装置 |
| CN106656662A (zh) * | 2016-12-07 | 2017-05-10 | 乐视控股（北京）有限公司 | 异常带宽确定方法、系统及电子设备 |
| CN107277097A (zh) * | 2016-04-08 | 2017-10-20 | 北京优朋普乐科技有限公司 | 内容分发网络及其负载预测均衡方法 |
| CN107465708A (zh) * | 2016-06-02 | 2017-12-12 | 腾讯科技（深圳）有限公司 | 一种cdn带宽调度系统及方法 |
| CN107707382A (zh) * | 2017-08-15 | 2018-02-16 | 贵州白山云科技有限公司 | 一种智能调度方法和装置 |
| CN109510715A (zh) * | 2017-09-14 | 2019-03-22 | 中国电信股份有限公司 | 带宽分配方法、装置、数据中心以及存储介质 |
-
2019
- 2019-08-01 CN CN201910707042.1A patent/CN110474852B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080273591A1 (en) * | 2007-05-04 | 2008-11-06 | Brooks Paul D | Methods and apparatus for predictive capacity allocation |
| CN104410582A (zh) * | 2014-12-10 | 2015-03-11 | 国家电网公司 | 一种基于流量预测的电力通信网流量均衡方法 |
| CN105471759A (zh) * | 2016-01-11 | 2016-04-06 | 北京百度网讯科技有限公司 | 数据中心的网络流量调度方法和装置 |
| CN107277097A (zh) * | 2016-04-08 | 2017-10-20 | 北京优朋普乐科技有限公司 | 内容分发网络及其负载预测均衡方法 |
| CN107465708A (zh) * | 2016-06-02 | 2017-12-12 | 腾讯科技（深圳）有限公司 | 一种cdn带宽调度系统及方法 |
| CN106357559A (zh) * | 2016-09-21 | 2017-01-25 | 东软集团股份有限公司 | 带宽分配的方法及装置 |
| CN106656662A (zh) * | 2016-12-07 | 2017-05-10 | 乐视控股（北京）有限公司 | 异常带宽确定方法、系统及电子设备 |
| CN107707382A (zh) * | 2017-08-15 | 2018-02-16 | 贵州白山云科技有限公司 | 一种智能调度方法和装置 |
| CN109510715A (zh) * | 2017-09-14 | 2019-03-22 | 中国电信股份有限公司 | 带宽分配方法、装置、数据中心以及存储介质 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110896365A (zh) * | 2019-12-20 | 2020-03-20 | 网宿科技股份有限公司 | 网络节点内的流量调度方法、服务器及存储介质 |
| 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 |
| 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 |
| CN111970132A (zh) * | 2020-06-29 | 2020-11-20 | 百度在线网络技术（北京）有限公司 | Ota数据包下发流量的控制方法、装置及服务器 |
| CN111970132B (zh) * | 2020-06-29 | 2023-05-26 | 百度在线网络技术（北京）有限公司 | Ota数据包下发流量的控制方法、装置及服务器 |
| CN113014422B (zh) * | 2021-02-09 | 2022-09-23 | 北京金山云网络技术有限公司 | 一种内容分发网络带宽调度的方法、装置及设备 |
| WO2022170934A1 (zh) * | 2021-02-09 | 2022-08-18 | 北京金山云网络技术有限公司 | 一种内容分发网络带宽调度的方法、装置及设备 |
| CN113014422A (zh) * | 2021-02-09 | 2021-06-22 | 北京金山云网络技术有限公司 | 一种内容分发网络带宽调度的方法、装置及设备 |
| CN113067731B (zh) * | 2021-03-18 | 2023-04-07 | 北京金山云网络技术有限公司 | 节点带宽调整方法、装置、设备和存储介质 |
| CN113067731A (zh) * | 2021-03-18 | 2021-07-02 | 北京金山云网络技术有限公司 | 节点带宽调整方法、装置、设备和存储介质 |
| CN113114540A (zh) * | 2021-04-23 | 2021-07-13 | 百果园技术(新加坡)有限公司 | 一种带宽预测器的设置、服务调整方法及相关装置 |
| CN113114540B (zh) * | 2021-04-23 | 2024-03-01 | 百果园技术(新加坡)有限公司 | 一种带宽预测器的设置、服务调整方法及相关装置 |
| CN113691463A (zh) * | 2021-08-19 | 2021-11-23 | 网宿科技股份有限公司 | Cdn调度参数调整方法、装置、电子设备及存储介质 |
| CN114500339A (zh) * | 2022-02-07 | 2022-05-13 | 北京百度网讯科技有限公司 | 一种节点带宽监测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110474852B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110474852A (zh) | 一种带宽调度方法及装置 | |
| Toka et al. | Machine learning-based scaling management for kubernetes edge clusters | |
| US7467291B1 (en) | System and method for calibrating headroom margin | |
| US9386086B2 (en) | Dynamic scaling for multi-tiered distributed systems using payoff optimization of application classes | |
| CN110365765B (zh) | 一种缓存服务器的带宽调度方法及装置 | |
| US5537542A (en) | Apparatus and method for managing a server workload according to client performance goals in a client/server data processing system | |
| CN109343965A (zh) | 资源调整方法、装置、云平台和服务器 | |
| CN103401938B (zh) | 分布式云架构下基于业务特性的资源分配系统及其方法 | |
| CN105491138B (zh) | 一种基于负载率分级触发的分布式负载调度方法 | |
| US20140282520A1 (en) | Provisioning virtual machines on a physical infrastructure | |
| CN106790726A (zh) | 一种基于Docker云平台的优先级队列动态反馈负载均衡资源调度方法 | |
| CN107003887A (zh) | Cpu超载设置和云计算工作负荷调度机构 | |
| CN110990138B (zh) | 资源调度方法、装置、服务器及存储介质 | |
| Mondal et al. | Scheduling of time-varying workloads using reinforcement learning | |
| Haghbayan et al. | Mappro: Proactive runtime mapping for dynamic workloads by quantifying ripple effect of applications on networks-on-chip | |
| CN109901927A (zh) | 智能化任务动态调度系统及其方法 | |
| He et al. | Scheduling parallel tasks onto opportunistically available cloud resources | |
| CN108376103A (zh) | 一种云平台的资源平衡控制方法及服务器 | |
| CN112422440A (zh) | 一种应用于服务器的流量控制方法以及相关装置 | |
| CN115412501A (zh) | 基于Flink的多层次协同重配置流处理系统及其处理方法 | |
| CN111506413A (zh) | 一种基于业务效率优化的智能任务调度方法及系统 | |
| CN112559147A (zh) | 基于gpu占用资源特点的动态匹配算法、系统和设备 | |
| Zheng et al. | Shockwave: Fair and efficient cluster scheduling for dynamic adaptation in machine learning | |
| Iglesias et al. | A methodology for online consolidation of tasks through more accurate resource estimations | |
| CN109450672B (zh) | 一种识别带宽需求突发的方法和装置 |
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 |