CN111083743A - 一种基于5G接入网的分布式QoS预测方法、系统及装置 - Google Patents

一种基于5G接入网的分布式QoS预测方法、系统及装置 Download PDF

Info

Publication number
CN111083743A
CN111083743A CN201911403352.0A CN201911403352A CN111083743A CN 111083743 A CN111083743 A CN 111083743A CN 201911403352 A CN201911403352 A CN 201911403352A CN 111083743 A CN111083743 A CN 111083743A
Authority
CN
China
Prior art keywords
service
qos
micro
module
distributed
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.)
Pending
Application number
CN201911403352.0A
Other languages
English (en)
Inventor
陈南希
张柔佳
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.)
Shanghai Research Center for Wireless Communications
Original Assignee
Shanghai Research Center for Wireless Communications
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 Shanghai Research Center for Wireless Communications filed Critical Shanghai Research Center for Wireless Communications
Priority to CN201911403352.0A priority Critical patent/CN111083743A/zh
Publication of CN111083743A publication Critical patent/CN111083743A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/24—Negotiating SLA [Service Level Agreement]; Negotiating QoS [Quality of Service]
    • 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
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • 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
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • H04L67/61—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources taking into account QoS or priority requirements

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于5G接入网的分布式QoS预测方法，同时公开了相应的分布式QoS预测系统和分布式QoS预测装置。该分布式QoS预测方法包括如下步骤：在核心网与终端设备之间，针对5G接入网构建分布式系统；分布式系统的各分布式节点被部署有各微服务模块；在分布式系统中设置预测中间件；预测中间件根据各微服务模块之间的服务等级协议，对各微服务模块的服务质量QoS属性进行监控，得到对应监控结果；预测中间件根据各微服务模块的监控结果，针对当前业务请求的被调用微服务模块进行服务质量QoS预测。本发明能够有对各微服务模块的QoS进行精准预测。

Description

一种基于5G接入网的分布式QoS预测方法、系统及装置
技术领域
本发明涉及一种基于5G接入网的分布式QoS预测方法，同时涉及一种基于5G接入网的分布式QoS预测系统，还涉及一种基于5G接入网的分布式QoS预测装置，属于计算通信技术领域。
背景技术
在物联网中，数以十亿计的网络物理对象被连接起来，以收集和共享数据，从而提供物理世界的近乎实时的状态。这些终端设备的存储和计算能力可以作为服务向外界暴露其功能，并且通过提供一个统一定义的接口来隐藏由于设备异构性产生的任何复杂性，用户可以灵活组合这些服务实现复杂的应用逻辑需求。与传统的web服务不同，物联网服务在资源的可用性和移动性、不可预测的工作负载以及不稳定的无线网络条件等方面表现出动态行为。
假设一个移动终端发出了某业务请求，为了完成终端发送的业务请求，业务请求所属服务器需要调用各种微服务模块来执行当前业务请求。在同种类的微服务模块中，如何选择用来执行的微服务模块呢？
5G接入网的分布式系统需要解决如何通过使用环境中提供的服务增加应用程序可靠性的问题。目前已经有许多研究针对动态服务组合、服务选择、运行期间服务质量(QoS)评估和服务排名预测这几个方面展开。现有方法通常假设QoS值已知，但是从实际角度出发来看，考虑到不可预测的通信链路、移动服务提供者和资源受限的设备，用户端一侧的QoS可能会有很大变化。
发明内容
本发明所要解决的首要技术问题在于提供一种基于5G接入网的分布式QoS预测方法。
本发明所要解决的另一技术问题在于提供一种基于5G接入网的分布式QoS预测系统。
本发明所要解决的又一技术问题在于提供一种基于5G接入网的分布式QoS预测装置。
为实现上述的发明目的，本发明采用下述的技术方案：
根据本发明实施例的第一方面，提供一种基于5G接入网的分布式QoS预测方法，包括如下步骤：
在核心网与终端设备之间，针对5G接入网构建分布式系统；所述分布式系统的各分布式节点被部署有各微服务模块；
在分布式系统中设置预测中间件；
所述预测中间件根据各微服务模块之间的服务等级协议，对各微服务模块的服务质量QoS属性进行监控，得到对应监控结果；
所述预测中间件根据各微服务模块的监控结果，针对当前业务请求的被调用微服务模块进行服务质量QoS预测。
其中较优地，所述预测中间件中被部署包括：监控模块；
所述被调用微服务模块为有可能被选择用以执行对应业务请求的微服务模块；
所述预测中间件根据各微服务模块之间的服务等级协议，对各微服务模块的服务质量QoS属性进行监控，得到对应监控结果，具体包括：
所述监控模块以第一预定频率，监控各分布式节点上的微服务模块；
在当前监控周期内：
当某用户向分布式系统发送某个业务请求后，所述监控模块根据该业务请求的被调用微服务模块的服务等级协议SLA，得到对应QoS监控值。
其中较优地，所述针对5G接入网构建分布式系统，之后还包括：
在分布式系统中，选取至少一个预定的分布式节点，作为分布式数据库；
所述预测中间件根据各微服务模块之间的服务等级协议，对各微服务模块的服务质量QoS属性进行监控，得到对应监控结果，之后还包括：
所述预测中间件将当前监控周期内的各被调用微服务模块的id、对应QoS监控值和对应请求业务所属的用户id都发送至分布式数据库保存。
其中较优地，所述预测中间件中被部署还包括：推理模块；
所述预测中间件根据各微服务模块的监控结果，针对当前业务请求的被调用的微服务模块进行服务质量QoS预测，具体包括：
所述推理模块以第二预定频率，针对当前业务请求的被调用的微服务模块进行QoS预测，得到对应QoS预测值。
其中较优地，所述推理模块包括：第一推理模块和第二推理模块；
所述针对当前业务请求的被调用微服务模块进行QoS预测，得到对应QoS预测值，具体包括：
在当前监控周期内：
针对当前业务请求的每个被调用微服务模块，判断当前调用微服务模块在之前是否为同一用户发送的其他业务请求的被调用微服务模块；
若是，则第一推理模块根据该被调用微服务模块之前和当前的QoS监控值，推测出该被调用微服务模块针对当前业务请求的QoS预测值；
若否，则第二推理模块根据当前业务请求所属用户的相似用户的历史数据，预估出该被调用微服务模块针对当前业务请求的QoS预测值。
其中较优地，所述第一推理模块根据该被调用微服务模块之前和当前的QoS监控值，推测出该被调用微服务模块针对当前业务请求的QoS预测值，具体包括：
将当前被调用微服务模块之前的QoS监控值和当前的QoS监控值，作为输入值，利用长短期记忆网络LSTM，计算到的输出值为对应QoS预测值。
其中较优地，所述第二推理模块根据当前业务请求所属用户的相似用户的历史数据，预估出该被调用微服务模块针对当前业务请求的QoS预测值，具体包括：
根据当前用户的用户特征，找到对应至少一个相似用户；
根据相似用户发出的各业务请求对应被调用微服务模块的QoS监控值，利用物联网预测IOTPredict算法，计算对应QoS预测值。
根据本发明实施例的第二方面，提供一种基于5G接入网的分布式QoS预测系统，包括：
分布式系统，在核心网与终端设备之间，用于被部署各微服务模块；
预测中间件，在分布式系统中，用于根据各微服务模块之间的服务等级协议，对各微服务模块的服务质量QoS属性进行监控，得到对应监控结果；
以及，根据各微服务模块的监控结果，针对当前业务请求的被调用微服务模块进行服务质量QoS预测。
其中较优地，还包括：
分布式数据库，设置在分布式系统中，用于存储各被调用微服务模块的id、对应QoS监控值和对应请求业务所属的用户id。
根据本发明实施例的第三方面，提供一种基于5G接入网的分布式QoS预测装置，包括处理器和存储器，所述处理器读取所述存储器中的计算机程序，用于执行以下操作：
在核心网与终端设备之间，针对5G接入网构建分布式系统；所述分布式系统的各分布式节点被部署有各微服务模块；
在分布式系统中设置预测中间件；
所述预测中间件根据各微服务模块之间的服务等级协议，对各微服务模块的服务质量QoS属性进行监控，得到对应监控结果；
所述预测中间件根据各微服务模块的监控结果，针对当前业务请求的被调用微服务模块进行服务质量QoS预测。
在本发明中，使用预测中间件来预测当前业务请求的被调用微服务模块QoS，所预测的结果是根据监控各微服务模块的QoS得到的。因此，本发明针对调用的微服务模块可以精准预测，实现最小化组合所需的实际调用次数，保证了对业务请求的快速响应，还能减少5G接入网带宽的额外开销，从而更好地维护向用户提供的服务。
附图说明
图1为基于5G接入网的分布式QoS预测方法的流程图；
图2为本发明实施例一中，5G接入网的分布式系统架构示意图；
图3为本发明实施例二中，预估问题的二分图模型示意图；
图4为基于5G接入网的分布式QoS预测系统的结构示意图；
图5为基于5G接入网的分布式QoS预测装置的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
在本发明实施例中：
服务质量(QoS)：基于5G接入网的分布式计算将利用各种基础技术，为指定业务及其网络通信提供所需的服务能力。
历史数据：用来描述在用户先前所处的网络环境中，调用服务期间的各种物理条件，如通信范围、信道特性等方面的使用反馈。
硬QoS需求：面向一些对于QoS要求非常严格的关键型业务请求的需求，该类型需求表明所请求的服务应该以稳定的高质量水平提供。
软QoS需求：面向一些对于QoS要求不高的前业务请求的需求，该类型需求表明所请求的服务应该以相对稳定的质量水平提供。
分布式节点：部署在核心网与终端设备之间，具有共享计算能力的设备，该设备的具体形态可包括小型服务器、5G基站、路由、网关、个人计算机、平板电脑等，所有节点组成了一种基于5G接入网的分布式系统。
分布式数据库：将分布式系统中的某些节点专门设置为存放被调用过的服务、调用者及其QoS监控值的数据库，上述分布式节点通过5G接入网共同组成一个逻辑上集中、物理上分布的大型数据库。
如图1所示，本发明所提供的一种基于5G接入网的分布式QoS预测方法，包括如下步骤：
101、在核心网与终端设备之间，针对5G接入网构建分布式系统；所述分布式系统的各分布式节点被部署有各微服务模块；
102、在分布式系统中设置预测中间件；
103、所述预测中间件根据各微服务模块之间的服务等级协议，对各微服务模块的服务质量QoS属性进行监控，得到对应监控结果；
所述预测中间件中被部署包括：监控模块和推理模块；所述推理模块包括：第一推理模块和第二推理模块；
所述被调用微服务模块为有可能被选择用以执行对应业务请求的微服务模块。
例如，用户A向分布式系统发送业务请求A。针对业务请求A，用以执行的微服务组合为“微服务模块a→微服务模块b→微服务模块c”。所述微服务组合中，每种微服务模块都包括多个同一功能的微服务模块。那么业务请求A的被调用微服务模块，就是所述微服务组合中的各种微服务模块。
针对每种微服务模块，需要在同一功能下各微服务模块中找到一个能保证业务请求A的SLA的微服务模块。因此，就需要通过QoS监控和预测的方式找寻找唯一微服务模块。
具体地：
1031、所述监控模块以第一预定频率，监控各分布式节点上的微服务模块；
在本发明实施例中，监控的第一预定频率是根据判断当前业务请求是硬QoS需求还是软QoS需求来确定的。
1032、在当前监控周期内：
1033、当某用户向分布式系统发送某个业务请求后，所述监控模块根据该业务请求的被调用微服务模块的服务等级协议SLA，得到对应QoS监控值。
接上例，业务请求A对应的微服务组合有三种微服务模块，那么监控模块就需要根据三种微服务模块在被调用的过程中各个微服务模块的服务器所提供的SLA，来得到每一个被调用的微服务模块的QoS监控值。
在本发明实施例中，监控模块会将监控方法部署在所有的分布式节点上，以允许在分布式系统中实现QoS监控的全覆盖。也就是说，每个分布式节点上的所有微服务模块都会被监控其被调用的情况。
104、所述预测中间件根据各微服务模块的监控结果，针对当前业务请求的被调用微服务模块进行服务质量QoS预测；具体地：
1041、所述推理模块以第二预定频率，针对当前业务请求的被调用的微服务模块进行QoS预测，得到对应QoS预测值；
所述第二预定频率是根据第一预定频率来制定的，可以与第一预定频率保持一致。
具体地：
在当前监控周期内：
10411、针对当前业务请求的每个被调用微服务模块，判断当前调用微服务模块在之前是否为同一用户发送的其他业务请求的被调用微服务模块；
假设，现在需要针对用户B发送的业务请求B的每个被调用微服务模块，进行QoS预测。业务请求B所对应微服务组合为：“微服务模块c→微服务模块d→微服务模块e”。需要选出能够满足业务请求B的SLA的各微服务模块。以微服务模块e为例，假设某个微服务模块e部署在分布式节点α上，且该微服务模块e被用户B所属服务器调用。首先需要判断节点α上的微服务模块e在之前是否被用户B所属服务器调用过，即节点α上的微服务模块e是否在之前为用户B发送的其他业务请求的被调用微服务模块。
10412、若是，则第一推理模块根据该被调用微服务模块之前和当前的QoS监控值，推测出该被调用微服务模块针对当前业务请求的QoS预测值；
接上例，假设节点α上的微服务模块e之前为用户B发送的业务请求B’的被调用微服务模块。
具体地：
104121、将当前被调用微服务模块之前的QoS监控值和当前的QoS监控值，作为输入值，利用长短期记忆网络LSTM，计算到的输出值为对应QoS预测值。
将节点α的微服务模块e之前针对业务请求B’的QoS监控值，以及，节点α的微服务模块e在当前针对业务请求B的QoS监控值作为输入值。利用LSTM计算，节点α的微服务模块e在之后针对业务请求B的QoS预测值。
LSTM是从递归神经网络(RNN)发展而来，通过在长时间内使用显式选通机制和内置的错误转盘存储并检索信息，从而改进了RNN基础架构。和传统RNN不同的是，LSTM只计算输入的加权和，并且使用非线性函数作为激活函数。
10413、若否，则第二推理模块根据当前业务请求所属用户的相似用户的历史数据，预估出该被调用微服务模块针对当前业务请求的QoS预测值；
接上例，假设节点α上的微服务模块e之前没有被用户B所属服务器调用过。
具体地：
104131、根据当前用户的用户特征，找到对应至少一个相似用户；
根据用户B的用户特征，找到一个相似用户C；
104132、根据相似用户发出的各业务请求对应被调用微服务模块的QoS监控值，利用物联网预测IOTPredict算法，计算对应QoS预测值；
根据用户C所属服务器调用节点α上的微服务模块e时的QoS监控值，利用IOTPredict算法，得到用户B所属服务器调用节点α的微服务模块e，在之后产生的QoS预测值。
所述方法还包括：
105、在分布式系统中，选取至少一个预定的分布式节点，作为分布式数据库；
假设，选定分布式节点β为分布式数据库。
106、所述预测中间件将当前监控周期内的各被调用微服务模块的id、对应QoS监控值和对应请求业务所属的用户id都发送至分布式数据库保存。
分布式数据库会以第三预定频率，将存储的数据压缩并发送至核心网。
将用户A所属服务调用的微服务模块a、微服务模块b和微服务模块c中各微服务模块的id、对应QoS监控值和用户A的id都发送至分布式节点β。
实施例一
如图2所示，本发明实施例考虑一个在5G车联网场景下自动驾驶中的道路预警业务，由于该业务需要保证其超低时延的要求，因此该任务具备硬QoS需求。
在本发明实施例中，分布式节点是一种基于5G车联网互联且具有共享计算能力的设备，具体地，分布式节点1为行驶道路中布置的高清摄像头，分布式节点2为第三方服务提供商部署的小型服务器，分布式节点3为道路边的智慧灯柱，分布式节点4为5G小站。
在本发明实施例中，已经被绑定了的服务组合为部署在分布式节点1上的微服务“道路监控”和分布式节点2上的微服务“障碍预警”、“自动校正”，该服务组合在车辆的行进过程中一直循环工作。所述已经被绑定了的服务组合为预警业务所属服务器可能调用的各微服务模块中已经签订了SLA的各微服务模块。如图2所示，点划线表示服务组合的工作流方向。
分布式节点3和4通过5G车联网进行互联，作为当前分布式系统中的分布式数据库，用以存储自动驾驶中车辆调用过的微服务模块id、对应QoS监控值和对应请求业务所属的用户id。
由于自动驾驶中道路预警业务属于硬QoS需求的业务请求，能够组合完成该任务的服务SLA需要满足其超低时延的特定需求，具体地，即上述服务SLA需要保证通信时延小于1ms，通信带宽大于10Gbps，且地图定位精度误差不超过20cm。
当自动驾驶中的汽车向分布式系统中发起道路预警的业务请求后，被调用微服务模块为“道路监控”、“障碍预警”和“自动校正”。在本发明实施例中，以分布式节点1上的微服务“道路监控”和分布式节点2上的微服务“障碍预警”、“自动校正”为例。第一预设频率根据当前所需任务为硬QoS需求设置为10Hz。
本发明实施例考虑在已经被绑定了的服务组合循环工作三次后的QoS预测过程。所以，分布式节点1上的微服务“道路监控”和分布式节点2上的微服务“障碍预警”、“自动校正”，在之前都被自动驾驶中的汽车调用过。
本发明实施例中第二预定频率也设置为10Hz。针对本发明实施例中的QoS预测为第一推理模块利用LSTM进行推测，得到对应QoS预测值。
第j个LSTM单元在时间t处保持一个存储器
Figure BDA0002347994170000095
该存储器中存储了待先前被调用时的QoS监控值，输出
Figure BDA0002347994170000096
是通过LSTM单元后的激活值，定义如下：
Figure BDA0002347994170000091
其中，
Figure BDA0002347994170000092
表示一个输出门，表示下一时间步进后当前微服务模块的QoS预测值。
该输出门的计算公式如下：
Figure BDA0002347994170000093
其中，σ是逻辑sigmoid函数，Wo、Vo、Uo分别对应不同的权重矩阵，xt为当前时刻下当前微服务模块的QoS监控值。
这种在现有状态与新计算状态之间进行线性求和的过程与门控循环单元(GRU)类似。然而，LSTM的特点是可以控制其状态暴露的程度，通过部分地忘记原有存储器
Figure BDA0002347994170000097
的内容和添加新存储器
Figure BDA0002347994170000098
内容来更新
Figure BDA0002347994170000099
单元。
以上存储器内容的更新流程可以表示为公式(3)：
Figure BDA0002347994170000094
从直观的角度来看，如果LSTM单元在早期阶段就从输入序列中(即先前微服务模块被调用时的QoS监控值)检测到重要特征，那么它很容易在长距离上一直携带该信息(特征的存在)，从而捕获潜在的长距离依赖关系，得到更加精准的QoS预测值。
实施例二
本发明实施例考虑服务为软QoS需求的应用场景，所述分布式系统中有4个本地用户U1、U2、U3和U4,对应的被调用的微服务模块为S1、S2、S3、S4、S5、S6和S7。第一预设频率根据当前业务请求为软QoS需求设置为2Hz。
本发明实施例的QoS预测为第二推测模块进行的预估。如图3所示，预估过程可以被建模为一个二分图G＝(U∪S,E)，U中每个顶点都可以通过E中的边和S相连。其中，U＝{U1,U2,...,U4}代表该分布式系统中的用户集合，S＝{S1,S2,...,S7}代表该分布式系统中待预测的服务集合，E(图3中所有实线)表示U和S之间的调用集合，虚线则表示U和S之间的潜在调用集合，即服务已被对应用户绑定但还未被调用。
假设给定一序偶对(i,j),ui∈U且sj∈S，那么边eij对应于该调用的QoS值。因此在本发明实施例的QoS预测任务就是要预估出潜在调用(即图3中所有虚线)的权重。本发明实施例中第二预设频率也设置为2Hz。
本地的相似用户是指在分布式系统中，与当前发起业务请求的用户具有相似用户特征的终端用户。所述用户特征可以从用户基于不同服务组合下的历史数据中提取出来。
在本发明实施例中，预估任务可以被构造成一个矩阵填充问题。首先，使用IOTPredict算法来创建一个候选列表，如表1，该列表中包含分布式系统中的用户和被其调用的微服务模块的QoS监控值，即表1中的未有下划线的数据。为了解决上述预估问题，我们需要再通过IOTPredict算法对矩阵中缺失的值进行预估，从而得到会被用户调用的微服务模块的QoS预估值。
表1
Figure BDA0002347994170000101
Figure BDA0002347994170000111
以预估U2调用S2的QoS值为例进行具体说明，已知U2已经调用过服务S1、S3、S4和S6，其对应的QoS监控值(表格中U2所在行的未有下划线的数值)存储于分布式数据库中。现在考虑对剩下可能会被U2调用的S2进行预估。
由于U2先前并未调用过S2，通过给本地其他用户发送消息，请求获取它们的历史数据后，可知U2和U1在分布式系统中与部署了S2的服务器之间的距离相近，且通信带宽一致。因此可以推断出U1和U2在调用服务S2时具有相似的用户特征，即U1是U2在调用服务S2时的本地相似用户。从而得出U2调用S2的QoS预估值为0.23(表格中U2所在行的具有下划线的数值)。
依照上述方法，将表1中数据填满。
进一步地，如图4所示，本发明提供的一种基于5G接入网的分布式QoS预测系统，包括：
分布式系统41，在核心网与终端设备之间，用于被部署各微服务模块；
预测中间件42，在分布式系统中，用于根据各微服务模块之间的服务等级协议，对各微服务模块的服务质量QoS属性进行监控，得到对应监控结果；
以及，根据各微服务模块的监控结果，针对当前业务请求的被调用微服务模块进行服务质量QoS预测。
所述系统还包括：
分布式数据库43，设置在分布式系统中，用于存储各被调用微服务模块的id、对应QoS监控值和对应请求业务所属的用户id。
进一步地，本发明还提供一种基于5G接入网的分布式QoS预测装置。如图5所示，包括处理器52和存储器51，还可以根据实际需要进一步包括通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口。其中，存储器、通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口均与该处理器连接。前已述及，节点设备中的存储器可以是静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器等，处理器可以是中央处理器(CPU)、图形处理器(GPU)、现场可编程逻辑门阵列(FPGA)、专用集成电路(ASIC)、数字信号处理(DSP)芯片等。其它通信组件、传感器组件、电源组件、多媒体组件等均可以采用现有智能手机中的通用部件实现，在此就不具体说明了。
在本发明实施例中，所述处理器51读取所述存储器52中的计算机程序，用于执行以下操作：在核心网与终端设备之间，针对5G接入网构建分布式系统；所述分布式系统的各分布式节点被部署有各微服务模块；在分布式系统中设置预测中间件；所述预测中间件根据各微服务模块之间的服务等级协议，对各微服务模块的服务质量QoS属性进行监控，得到对应监控结果；所述预测中间件根据各微服务模块的监控结果，针对当前业务请求的被调用微服务模块进行服务质量QoS预测。
在本发明实施例中，利用预测中间件对分布式系统中各微服务模块QoS的精准监控，从而对各微服务模块之后能提供的QoS进行QoS预测。不仅可以最小化组合所需的实际调用次数，保证在网络边缘处的快速响应，还能减少了5G接入网带宽的额外开销，从而更好地维护向用户提供的服务。
上面对本发明所提供的面向5G接入网的服务等级协议确认方法、系统和装置进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质内容的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。

Claims (10)

1.一种基于5G接入网的分布式QoS预测方法，其特征在于包括如下步骤：
在核心网与终端设备之间，针对5G接入网构建分布式系统；所述分布式系统的各分布式节点被部署有各微服务模块；
在分布式系统中设置预测中间件；
所述预测中间件根据各微服务模块之间的服务等级协议，对各微服务模块的服务质量QoS属性进行监控，得到对应监控结果；
所述预测中间件根据各微服务模块的监控结果，针对当前业务请求的被调用微服务模块进行服务质量QoS预测。
2.如权利要求1所述的分布式QoS预测方法，其特征在于：
所述预测中间件中被部署包括监控模块；
所述被调用微服务模块为有可能被选择用以执行对应业务请求的微服务模块；
所述预测中间件根据各微服务模块之间的服务等级协议，对各微服务模块的服务质量QoS属性进行监控，得到对应监控结果，具体包括：
所述监控模块以第一预定频率，监控各分布式节点上的微服务模块；
在当前监控周期内：
当某用户向分布式系统发送某个业务请求后，所述监控模块根据该业务请求的被调用微服务模块的服务等级协议SLA，得到对应QoS监控值。
3.如权利要求2所述的分布式QoS预测方法，其特征在于：所述针对5G接入网构建分布式系统，之后还包括如下步骤：
在分布式系统中，选取至少一个预定的分布式节点，作为分布式数据库；
所述预测中间件根据各微服务模块之间的服务等级协议，对各微服务模块的服务质量QoS属性进行监控，得到对应监控结果，之后还包括：
所述预测中间件将当前监控周期内的各被调用微服务模块的id、对应QoS监控值和对应请求业务所属的用户id都发送至分布式数据库保存。
4.如权利要求2所述的分布式QoS预测方法，其特征在于：所述预测中间件中被部署还包括推理模块；
所述预测中间件根据各微服务模块的监控结果，针对当前业务请求的被调用的微服务模块进行服务质量QoS预测，具体包括：
所述推理模块以第二预定频率，针对当前业务请求的被调用的微服务模块进行QoS预测，得到对应QoS预测值。
5.如权利要求4所述的分布式QoS预测方法，其特征在于：
所述推理模块包括第一推理模块和第二推理模块；
所述针对当前业务请求的被调用微服务模块进行QoS预测，得到对应QoS预测值，具体包括：
在当前监控周期内：
针对当前业务请求的每个被调用微服务模块，判断当前调用微服务模块在之前是否为同一用户发送的其他业务请求的被调用微服务模块；
若是，则第一推理模块根据该被调用微服务模块之前和当前的QoS监控值，推测出该被调用微服务模块针对当前业务请求的QoS预测值；
若否，则第二推理模块根据当前业务请求所属用户的相似用户的历史数据，预估出该被调用微服务模块针对当前业务请求的QoS预测值。
6.如权利要求5所述的分布式QoS预测方法，其特征在于：
所述第一推理模块根据该被调用微服务模块之前和当前的QoS监控值，推测出该被调用微服务模块针对当前业务请求的QoS预测值，具体包括：
将当前被调用微服务模块之前的QoS监控值和当前的QoS监控值，作为输入值，利用长短期记忆网络LSTM，计算到的输出值为对应QoS预测值。
7.如权利要求5所述的分布式QoS预测方法，其特征在于：
所述第二推理模块根据当前业务请求所属用户的相似用户的历史数据，预估出该被调用微服务模块针对当前业务请求的QoS预测值，具体包括：
根据当前用户的用户特征，找到对应至少一个相似用户；
根据相似用户发出的各业务请求对应被调用微服务模块的QoS监控值，利用物联网预测IOTPredict算法，计算对应QoS预测值。
8.一种基于5G接入网的分布式QoS预测系统，其特征在于包括：
分布式系统，在核心网与终端设备之间，用于被部署各微服务模块；
预测中间件，在分布式系统中，用于根据各微服务模块之间的服务等级协议，对各微服务模块的服务质量QoS属性进行监控，得到对应监控结果；
以及，根据各微服务模块的监控结果，针对当前业务请求的被调用微服务模块进行服务质量QoS预测。
9.如权利要求8所述的分布式QoS预测系统，其特征在于还包括：
分布式数据库，设置在分布式系统中，用于存储各被调用微服务模块的id、对应QoS监控值和对应请求业务所属的用户id。
10.一种基于5G接入网的分布式QoS预测装置，其特征在于包括处理器和存储器，所述处理器读取所述存储器中的计算机程序，用于执行以下操作：
在核心网与终端设备之间，针对5G接入网构建分布式系统；所述分布式系统的各分布式节点被部署有各微服务模块；
在分布式系统中设置预测中间件；
所述预测中间件根据各微服务模块之间的服务等级协议，对各微服务模块的服务质量QoS属性进行监控，得到对应监控结果；
所述预测中间件根据各微服务模块的监控结果，针对当前业务请求的被调用微服务模块进行服务质量QoS预测。
CN201911403352.0A 2019-12-31 2019-12-31 一种基于5G接入网的分布式QoS预测方法、系统及装置 Pending CN111083743A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911403352.0A CN111083743A (zh) 2019-12-31 2019-12-31 一种基于5G接入网的分布式QoS预测方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911403352.0A CN111083743A (zh) 2019-12-31 2019-12-31 一种基于5G接入网的分布式QoS预测方法、系统及装置

Publications (1)

Publication Number Publication Date
CN111083743A true CN111083743A (zh) 2020-04-28

Family

ID=70320177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911403352.0A Pending CN111083743A (zh) 2019-12-31 2019-12-31 一种基于5G接入网的分布式QoS预测方法、系统及装置

Country Status (1)

Country Link
CN (1) CN111083743A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600058A (zh) * 2016-12-13 2017-04-26 北京理工大学 一种制造云服务QoS的组合预测方法
CN108322541A (zh) * 2018-02-09 2018-07-24 杭州顺网科技股份有限公司 一种自适应的分布式体系架构
CN108664378A (zh) * 2018-05-10 2018-10-16 西安电子科技大学 一种微服务最短执行时间的优化方法
CN109587217A (zh) * 2018-11-06 2019-04-05 华中科技大学 一种大规模分布式系统的智能监控与管理方法及系统
CN110149396A (zh) * 2019-05-20 2019-08-20 华南理工大学 一种基于微服务架构的物联网平台构建方法
WO2019175886A1 (en) * 2018-03-15 2019-09-19 Telefonaktiebolaget Lm Ericsson [Publ] Devices and methods for qos determination of iot-based applications

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600058A (zh) * 2016-12-13 2017-04-26 北京理工大学 一种制造云服务QoS的组合预测方法
CN108322541A (zh) * 2018-02-09 2018-07-24 杭州顺网科技股份有限公司 一种自适应的分布式体系架构
WO2019175886A1 (en) * 2018-03-15 2019-09-19 Telefonaktiebolaget Lm Ericsson [Publ] Devices and methods for qos determination of iot-based applications
CN108664378A (zh) * 2018-05-10 2018-10-16 西安电子科技大学 一种微服务最短执行时间的优化方法
CN109587217A (zh) * 2018-11-06 2019-04-05 华中科技大学 一种大规模分布式系统的智能监控与管理方法及系统
CN110149396A (zh) * 2019-05-20 2019-08-20 华南理工大学 一种基于微服务架构的物联网平台构建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘一田等: "柔性微服务监控框架", 《计算机系统应用》 *
哈渭涛等: "云环境下的服务质量SLA违例预测模型", 《西北大学学报(自然科学版)》 *
张莉等: "基于服务调用特征模式的个性化Web服务QoS预测方法", 《计算机研究与发展》 *
徐福昌等: "商业银行基于QoS的微服务选择策略研究", 《中国金融电脑》 *

Similar Documents

Publication Publication Date Title
Maray et al. [Retracted] Computation Offloading in Mobile Cloud Computing and Mobile Edge Computing: Survey, Taxonomy, and Open Issues
US11146504B2 (en) Market-based distributed resource allocation for edge-cloud systems
Orsini et al. Computing at the mobile edge: Designing elastic android applications for computation offloading
US20200320397A1 (en) Learning-based service migration in mobile edge computing
CN110413392A (zh) 一种移动边缘计算场景下制定单任务迁移策略的方法
CN114286413B (zh) Tsn网络联合路由选择与流分配方法及相关设备
CN113709048A (zh) 一种路由信息的发送、接收方法、网元及节点设备
Misra et al. Multiarmed-bandit-based decentralized computation offloading in fog-enabled IoT
Laroui et al. SO‐VMEC: service offloading in virtual mobile edge computing using deep reinforcement learning
CN117041330B (zh) 一种基于强化学习的边缘微服务细粒度部署方法及系统
Wu et al. Deep reinforcement learning for scheduling in an edge computing‐based industrial internet of things
Robles-Enciso et al. A multi-layer guided reinforcement learning-based tasks offloading in edge computing
Yu et al. Collaborative computation offloading for multi-access edge computing
Gupta et al. Toward intelligent resource management in dynamic Fog Computing‐based Internet of Things environment with Deep Reinforcement Learning: A survey
Laroui et al. Service function chains multi-resource orchestration in virtual mobile edge computing
CN115955685B (zh) 多智能体协同路由方法、设备及计算机存储介质
Boudieb et al. Microservice instances selection and load balancing in fog computing using deep reinforcement learning approach
CN116719644A (zh) 算力调度方法、装置、电子设备及计算机可读存储介质
Khanh et al. Fuzzy‐Based Mobile Edge Orchestrators in Heterogeneous IoT Environments: An Online Workload Balancing Approach
CN116582407A (zh) 一种基于深度强化学习的容器化微服务编排系统及方法
CN111083743A (zh) 一种基于5G接入网的分布式QoS预测方法、系统及装置
US20220318649A1 (en) Method and apparatus for adapting machine learning to changes in user interest
Naseri et al. Task offloading in an optimized power‐performance manner
Karimi et al. Intelligent and Decentralized Resource Allocation in Vehicular Edge Computing Networks
Anitha et al. A generic resource augmentation architecture for efficient mobile communication

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
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20240202