CN111372284B - 一种拥塞处理方法及装置 - Google Patents

Abstract

本发明公开了一种拥塞处理方法及装置，应用于用户面功能实体UPF或者基站，属于通信技术领域。该拥塞处理方法包括：采集端口的当前流量状态数据、当前队列状态数据和当前队列长度阈值；将当前流量状态数据、当前队列状态数据和当前队列长度阈值输入第一阈值模型，获得第一输出结果；根据第一输出结果设置匹配队列长度阈值，可以在发生拥塞时科学合理设置报文队列长度阈值，从而在保证报文发送速度的同时可以有效缓解网络拥塞，提升用户使用体验。

Description

一种拥塞处理方法及装置

技术领域

本发明涉及通信技术领域，具体涉及一种拥塞处理方法及装置。

背景技术

5G通信网络中，面向大规模用户多样化应用业务的急剧增长，网络流量需求也呈现爆炸式增长，而网络运营商能提供的网络流量资源是有限的，大量用户通过有限网络流量资源访问应用业务时容易导致网络拥塞。

目前，关于网络拥塞的处理方法为在UPF(User Plane Function，用户平面功能实体)或基站等网元内部对每个端口接收的报文进行排队，形成报文队列，并对报文队列中的报文按照“先进先出”的原则执行转发操作。如果报文队列中接收的报文数量超过发送的报文数量时，报文将在报文队列中不断累积，直到超过报文队列的容纳上限，然后对超过容纳上限的报文执行丢弃操作。其中，容忍上限为预先设置的报文队列长度阈值，而报文队列长度阈值设置是否合理非常关键。因为，如果报文队列长度阈值设置过低，则容易使得发送端的报文发送速度降速过快，从而导致用户响应时间增加；如果报文队列长度阈值设置过高，则有可能导致报文队列中累积的报文数量过多，从而造成网络拥塞缓解不明显。因此，如何科学合理的设置报文队列长度阈值，在保证报文发送速度的同时可以有效缓解网络拥塞，成为当前需要解决的问题。

发明内容

为此，本发明提供一种拥塞处理方法及装置，以解决网络拥塞时如何设置报文队列长度阈值以兼顾报文发送速度和网络拥塞缓解程度的问题。

为了实现上述目的，本发明第一方面提供一种拥塞处理方法，应用于用户面功能实体UPF或者基站，包括：

采集端口的当前流量状态数据、当前队列状态数据和当前队列长度阈值；

将所述当前流量状态数据、所述当前队列状态数据和所述当前队列长度阈值输入第一阈值模型，获得第一输出结果；

根据所述第一输出结果设置匹配队列长度阈值。

进一步地，所述将所述当前流量状态数据、所述当前队列状态数据和所述当前队列长度阈值输入第一阈值模型，获得第一输出结果之前，还包括：

获得端口的多组所述流量状态数据、所述队列状态数据和所述匹配队列长度阈值；

将多组所述流量状态数据、所述队列状态数据和所述匹配队列长度阈值输入所述第一阈值模型进行训练，获得第一训练结果；

根据所述第一训练结果调整所述第一阈值模型的参数。

进一步地，所述将所述当前流量状态数据、所述当前队列状态数据和所述当前队列长度阈值输入第一阈值模型，获得第一输出结果，包括：

按照预设时间间隔，将所述时间间隔对应的所述当前流量状态数据、所述当前队列状态数据和所述当前队列长度阈值输入所述第一阈值模型，获得所述时间间隔对应的第一输出结果。

进一步地，所述根据所述第一输出结果设置所述匹配队列长度阈值之后，还包括：

当报文队列的长度超过所述匹配队列长度阈值时，将所述报文队列中超过所述队列长度阈值的报文执行丢弃操作；其中，所述报文队列为端口将接收的报文进行排队生成的队列，所述报文队列的数量可以是一个或多个。

进一步地，所述将所述当前流量状态数据、所述当前队列状态数据和所述当前队列长度阈值输入第一阈值模型，获得第一输出结果之前，还包括：

采集端口的所述当前流量状态数据、所述当前队列状态数据、所述当前队列长度阈值和当前传输控制协议首部确认序号窗口值；

基于所述当前流量状态数据、所述当前队列状态数据、所述当前队列长度阈值和所述当前传输控制协议首部确认序号窗口值，生成动态的所述匹配队列长度阈值和匹配传输控制协议首部确认序号窗口值。

进一步地，所述基于所述当前流量状态数据、所述当前队列状态数据、所述当前队列长度阈值和所述当前传输控制协议首部确认序号窗口值，生成动态的所述匹配队列长度阈值和匹配传输控制协议首部确认序号窗口值之后，还包括：

根据所述匹配传输控制协议首部确认序号窗口值调整报文接收窗口的大小。

进一步地，所述基于所述当前流量状态数据、所述当前队列状态数据、所述当前队列长度阈值和所述当前传输控制协议首部确认序号窗口值，生成动态的所述匹配队列长度阈值和匹配传输控制协议首部确认序号窗口值，包括：

将所述当前流量状态数据、所述当前队列状态数据、所述当前队列长度阈值和所述当前传输控制协议首部确认序号窗口值输入第二阈值模型，获得第二输出结果；

根据所述第二输出结果设置所述匹配队列长度阈值和所述匹配传输控制协议首部确认序号窗口值。

进一步地，所述将所述当前流量状态数据、所述当前队列状态数据、所述当前队列长度阈值和所述当前传输控制协议首部确认序号窗口值输入第二阈值模型，获得第二输出结果之前，还包括：

获得端口的多组流量状态数据、队列状态数据、所述匹配队列长度阈值和传输控制协议首部确认序号窗口值；

将多组所述流量状态数据、所述队列状态数据、所述匹配队列长度阈值和所述传输控制协议首部确认序号窗口值输入所述第二阈值模型进行训练，获得第二训练结果；

根据所述第二训练结果调整所述第二阈值模型的参数。

为了实现上述目的，本发明第二方面提供一种拥塞处理装置，包括：

采集模块，用于采集端口的当前流量状态数据、当前队列状态数据和当前队列长度阈值；

第一获得模块，用于将所述当前流量状态数据、所述当前队列状态数据和所述当前队列长度阈值输入第一阈值模型，获得第一输出结果；

设置模块，用于根据所述第一输出结果设置匹配队列长度阈值。

进一步地，所述拥塞处理装置，还包括：

第二获得模块，用于获得端口的多组所述流量状态数据、所述队列状态数据和所述匹配队列长度阈值；

训练模块，用于将多组所述流量状态数据、所述队列状态数据和所述匹配队列长度阈值输入所述第一阈值模型进行训练，获得第一训练结果；

调整模块，用于根据所述第一训练结果调整所述第一阈值模型的参数。

本发明具有如下优点：

本发明提供的拥塞处理方法，采集端口的当前流量状态数据、当前队列状态数据和当前队列长度阈值；将当前流量状态数据、当前队列状态数据和当前队列长度阈值输入第一阈值模型，获得第一输出结果；根据第一输出结果设置匹配队列长度阈值，可以兼顾报文发送速度和网络拥塞缓解程度，从而提升用户使用体验。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。

图1为本发明第一实施例提供的一种拥塞处理方法的流程图；

图2为本发明第二实施例提供的一种拥塞处理方法的流程图；

图3为本发明第三实施例提供的一种拥塞处理方法的流程图；

图4为本发明第四实施例提供的一种拥塞处理方法的流程图；

图5为本发明第五实施例提供的一种拥塞处理装置的原理框图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

本发明实施例提供的拥塞处理方法和装置，考虑到报文队列长度阈值设置过低时，容易使得发送端的报文发送速度降速过快，从而导致用户响应时间增加；而报文队列长度阈值设置过高时，可能导致报文队列中累积的报文数量过多，从而造成网络拥塞缓解不明显的问题，提出一种拥塞处理方法和装置，可以兼顾报文发送速度和网络拥塞缓解程度设置报文队列长度阈值，从而可以提升用户使用体验。

图1是本发明第一实施例提供的一种拥塞处理方法的流程图。如图1所示，该拥塞处理方法应用于用户面功能实体UPF或者基站，具体地，所述拥塞处理方法可包括如下步骤：

步骤S101，采集端口的当前流量状态数据、当前队列状态数据和当前队列长度阈值。

其中，当前流量状态数据包括入端口速度和出端口速度等；当前队列状态数据包括队列长度和队列容量等；当前队列长度阈值为端口在当前状态下的报文队列长度阈值，当前队列长度阈值可以根据经验、统计数据或业务需求设置。在一些情况中，由于网络管理员的经验不够丰富或者统计数据不够准确，可能导致网络管理员设置的当前队列长度阈值并非匹配队列长度阈值。如果当前队列长度阈值大于匹配队列长度阈值时，报文队列中的报文数量可能过多，而端口的报文转发速度有限，从而导致拥塞现象的出现；如果当前队列长度阈值小于匹配队列长度阈值时，报文队列中的报文数量可能过少，而端口的报文转发速度较高，从而导致报文数量过少而影响报文的转发效率；如果当前队列长度阈值等于匹配队列长度阈值时，报文拥塞恰好得以缓解，同时还可使报文发送速度达到相对最大化。

在一个实施方式中，通过端口数据采集工具或端口数据监控工具，获得端口当前的入端口速度、出端口速度、队列长度、队列容量和队列长度阈值。根据采集的上述数据，可以获知端口当前的流量状态数据和报文队列状态数据等信息，这些信息为下一步调整当前队列长度阈值至匹配队列长度阈值提供了数据基础。

步骤S102，将当前流量状态数据、当前队列状态数据和当前队列长度阈值输入第一阈值模型，获得第一输出结果。

其中，第一阈值模型包括但不限于神经网络模型等模型。第一阈值模型包括输入变量、第一输出结果和模型参数。其中，输入变量为当前流量状态数据、当前队列状态数据和当前队列长度阈值；第一输出结果为一个数值，可以根据该数据设置匹配队列长度阈值；模型参数包括权重、偏置量和学习度系数等系统参数，且模型参数选取是否科学合理会直接影响输出结果的准确性和合理性。如果模型参数设置不合理，则容易导致输出变量与实际值或理想值存在较大偏差。因此，为了获得较好的输出结果，一般需要先对第一阈值模型进行训练，以获得良好的模型参数。常规的模型训练方法为采用一组训练数据集输入待训练的第一阈值模型，并根据训练结果调整模型参数，从而获得良好的模型参数。

可以理解的是，在完成对模型的训练之后，还可以对训练结果进行验证。在一个实施方式中，将验证数据集输入模型，获得实际验证结果，并将实际验证结果和预期验证结果比较，然后根据比较结果判断训练是否成功。只有训练成功的模型才具有良好的模型参数，基于具有良好模型参数的模型才能获得合理的输出结果。

在一个实施方式中，第一阈值模型为基于深度学习的神经网络模型，且模型已经经过训练获得了良好的模型参数。将从端口采集的当前流量状态数据、当前队列状态数据和当前队列长度阈值输入该第一阈值模型，第一阈值模型进行运算，获得运算结果即为第一输出结果。第一输出结果为一个具体数值，根据该数值可设置匹配队列长度阈值。

步骤S103，根据第一输出结果设置匹配队列长度阈值。

其中，匹配队列长度阈值不是静态设置的一个固定数值，而是根据当前状态下的流量状态数据、队列状态数据和队列长度阈值生成的一个动态变量。随着时间变化，如果当前时刻的流量状态数据、队列状态数据和队列长度阈值较前一时刻的流量状态数据、队列状态数据和队列长度阈值发生了变化，那么匹配队列长度阈值也会发生相应变化，因此，匹配队列长度阈值是一个随时间变化的动态变量，使得匹配队列长度阈值具有更强的适配性，从而可以提升用户使用体验。

第一输出结果为基于第一阈值模型和输入变量获得的数值，根据第一输出结果可以设置匹配队列长度阈值。

在一个实施方式中，网络管理员直接将第一输出结果对应数值设置为匹配队列长度阈值。可以理解的是，管理员也可进一步结合实际经验或业务需求，对第一输出结果对应数值做适当调整，将调整后的数值作为匹配队列长度阈值。

图2是本发明第二实施例提供的一种拥塞处理方法的流程图，与本发明第一实施例基本相同，区别之处在于：生成动态的匹配队列长度阈值之后，根据匹配队列长度阈值执行报文丢弃。如图2所示，该拥塞处理方法可包括如下步骤：

步骤S201，采集端口的当前流量状态数据、当前队列状态数据和当前队列长度阈值。

本实施例中的步骤S201与本发明第一实施例中步骤S101的内容相同，在此不再赘述。

步骤S202，将当前流量状态数据、当前队列状态数据和当前队列长度阈值输入第一阈值模型，获得第一输出结果。

本实施例中的步骤S202与本发明第一实施例中步骤S102的内容相同，在此不再赘述。

步骤S203，根据第一输出结果设置匹配队列长度阈值。

本实施例中的步骤S203与本发明第一实施例中步骤S103的内容相同，在此不再赘述。

步骤S204，当报文队列的长度超过匹配队列长度阈值时，将报文队列中超过队列长度阈值的报文执行丢弃操作。

其中，报文队列为端口将接收的报文进行排队生成的队列，且报文队列的数量可以是一个或多个。

当报文队列的长度超过匹配队列长度阈值时，说明端口接收的报文数量超过了该端口转发的报文数量，此时端口的报文转发能力已经达到其极限，超过匹配队列长度阈值的报文将在端口持续堆积形成拥塞，从而影响用户使用体验。因此，在报文队列的长度超过匹配队列长度阈值时，将超过队列长度阈值的报文执行丢弃操作，从而可以缓解端口的拥塞，并保障端口仍具有一定的报文转发能力。

图3是本发明第三实施例提供的一种拥塞处理方法的流程图，与本发明第一实施例基本相同，区别之处在于：采集的数据包括当前传输控制协议首部确认序号窗口值，相应的生成的结果包括匹配传输控制协议首部确认序号窗口值。如图3所示，该拥塞处理方法可包括如下步骤：

步骤S301，采集端口的当前流量状态数据、当前队列状态数据、当前队列长度阈值和当前传输控制协议首部确认序号窗口值。

其中，当前流量状态数据包括入端口速度和出端口速度等；当前队列状态数据包括队列长度和队列容量等；当前传输控制协议首部确认序号窗口值为ACK(ACKnowledgment)窗口值，当网络通畅时可以增大ACK窗口值以加快传输速度,当网络不稳定时可以降低ACK窗口值以保证网络数据的可靠传输；当前队列长度阈值为端口在当前状态下的报文队列长度阈值。

其中，当前队列长度阈值和ACK窗口值可以根据经验、统计数据或业务需求设置。在一些情况中，由于网络管理员的经验不够丰富或者统计数据不够准确，可能导致网络管理员设置的当前队列长度阈值或ACK窗口值并非对应的匹配阈值。如果当前队列长度阈值大于匹配队列长度阈值时，报文队列中的报文数量可能过多，而端口的报文转发速度有限，从而导致拥塞现象的出现；如果当前队列长度阈值小于匹配队列长度阈值时，报文队列中的报文数量可能过少，而端口的报文转发速度较高，从而导致报文数量过少而影响报文的转发效率；如果当前队列长度阈值等于匹配队列长度阈值时，报文拥塞恰好得以缓解，同时还可使报文发送速度达到最大化。同样的，如果网速较快而ACK窗口值较小时，可能导致报文传输效率较低；如果网速较低而ACK窗口值较大时，可能导致报文堆积产生拥塞；如果ACK窗口值为匹配ACK窗口值时，可以使得网速与报文数量匹配，从而使得报文转发效率最大化。

在一个实施方式中，通过端口数据采集工具或端口数据监控工具，获得端口当前的入端口速度、出端口速度、队列长度、队列容量、ACK窗口值和队列长度阈值。根据采集的上述数据，可以获知端口当前的流量状态数据、报文队列状态数据和ACK窗口值等信息，这些信息为下一步调整当前队列长度阈值至匹配队列长度阈值、调整当前ACK窗口值至匹配ACK窗口值提供了数据基础。

步骤S302，基于当前流量状态数据、当前队列状态数据、当前队列长度阈值和当前传输控制协议首部确认序号窗口值，生成动态的匹配队列长度阈值和匹配传输控制协议首部确认序号窗口值。

其中，匹配队列长度阈值和匹配ACK窗口值不是静态设置的固定数值，而是根据当前状态下的流量状态数据、队列状态数据、队列长度阈值和ACK窗口值生成的动态变量。随着时间变化，如果当前时刻的流量状态数据、队列状态数据、队列长度阈值和ACK窗口值较前一时刻的流量状态数据、队列状态数据、队列长度阈值和ACK窗口值发生了变化，那么匹配队列长度阈值和匹配ACK窗口值也会发生相应变化。因此，匹配队列长度阈值和匹配ACK窗口值均是随时间变化的动态变量，这使得匹配队列长度阈值和匹配ACK窗口值具有更强的适配性，从而可以提升用户使用体验。

在一个实施方式中，基于当前流量状态数据、当前队列状态数据、当前队列长度阈值和当前ACK窗口值，生成动态的匹配队列长度阈值和匹配ACK窗口值，包括：

首先，将当前流量状态数据、当前队列状态数据、当前队列长度阈值和当前ACK窗口值输入第二阈值模型，获得第二输出结果。

其中，第二阈值模型包括但不限于神经网络模型等模型。第二阈值模型包括输入变量、第二输出结果和模型参数，其中，输入变量为当前流量状态数据、当前队列状态数据、当前队列长度阈值和当前ACK窗口值；第二输出结果为两个数值，可以根据这两个数值分别设置匹配队列长度阈值和匹配ACK窗口值；模型参数包括权重、偏置量和学习度系数等系统参数，且模型参数选取是否科学合理会直接影响输出结果的准确性和合理性。如果模型参数设置不合理，则容易导致输出变量与实际值或理想值存在较大偏差。因此，为了获得较好的输出结果，同样需要先对第二阈值模型进行训练，以获得良好的模型参数。常规的模型训练方法为采用一组训练数据集输入待训练的第二阈值模型，并根据训练结果调整模型参数，从而获得良好的模型参数。

可以理解的是，在完成对模型的训练之后，还可以对训练结果进行验证。在一个实施方式中，将验证数据集输入模型，获得实际验证结果，并将实际验证结果和预期验证结果比较，然后根据比较结果判断训练是否成功。只有训练成功的模型才具有良好的模型参数，基于具有良好模型参数的模型才能获得合理的输出结果。

其次，根据第二输出结果设置匹配队列长度阈值。

第二输出结果为基于第二阈值模型和输入变量获得的数值，根据第二输出结果可以设置匹配队列长度阈值和匹配ACK窗口值。网络管理员可以直接将第二输出结果对应数值分别设置为匹配队列长度阈值和匹配ACK窗口值，也可进一步结合实际经验或业务需求，对第二输出结果对应数值做适当调整，将调整后的数值分别设置为匹配队列长度阈值和匹配ACK窗口值。

图4是本发明第四实施例提供的一种拥塞处理方法的流程图，与本发明第三实施例基本相同，区别之处在于：生成匹配传输控制协议首部确认序号窗口值之后，根据匹配传输控制协议首部确认序号窗口值调整接收报文窗口大小。如图4所示，该拥塞处理方法可包括如下步骤：

步骤S401，采集端口的当前流量状态数据、当前队列状态数据、当前队列长度阈值和当前传输控制协议首部确认序号窗口值。

本实施例中的步骤S401与本发明第三实施例中步骤S301的内容相同，在此不再赘述。

步骤S402，基于当前流量状态数据、当前队列状态数据、当前队列长度阈值和当前传输控制协议首部确认序号窗口值，生成动态的匹配队列长度阈值和匹配传输控制协议首部确认序号窗口值。

本实施例中的步骤S402与本发明第三实施例中步骤S302的内容相同，在此不再赘述。

步骤S403，根据匹配传输控制协议首部确认序号窗口值调整报文接收窗口的大小。

ACK窗口值与网速(或报文转发速度)和报文数量、报文大小等相关。当网络通畅时可以增大ACK窗口值，从而增大报文接收窗口，可以加快传输速度；当网络不稳定时可以降低ACK窗口值，从而降低报文接收窗口，以保证网络数据的可靠传输。

在一个实施方式中，网络管理员在获得匹配ACK窗口值后，根据匹配ACK窗口值调整报文接收窗口。具体地，如果ACK窗口值较大，则相应增大报文接收窗口以增加报文转发速度；如果ACK窗口值较小，则相应减小报文接收窗口以减小报文转发速度。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

图5是本发明第五实施例提供的一种拥塞处理装置的原理框图。该拥塞处理处理装置应用于UPF或者基站，如图5所示，该拥塞处理装置包括：采集模块501、第一获得模块502和设置模块503。

采集模块501，用于采集端口的当前流量状态数据、当前队列状态数据和当前队列长度阈值。

其中，当前流量状态数据包括入端口速度和出端口速度等；当前队列状态数据包括队列长度和队列容量等；当前队列长度阈值为端口在当前状态下的报文队列长度阈值，当前队列长度阈值可以根据经验、统计数据或业务需求设置。在一些情况中，由于网络管理员的经验不够丰富或者统计数据不够准确，可能导致网络管理员设置的当前队列长度阈值并非匹配队列长度阈值。如果当前队列长度阈值大于匹配队列长度阈值时，报文队列中的报文数量可能过多，而端口的报文转发速度有限，从而导致拥塞现象的出现；如果当前队列长度阈值小于匹配队列长度阈值时，报文队列中的报文数量可能过少，而端口的报文转发速度较高，从而导致报文数量过少而影响报文的转发效率；如果当前队列长度阈值等于匹配队列长度阈值时，报文拥塞恰好得以缓解，同时还可使报文发送速度达到相对最大化。

在一个实施方式中，采集模块501通过端口数据采集工具或端口数据监控工具，获得端口当前的入端口速度、出端口速度、队列长度、队列容量和队列长度阈值。根据采集模块501采集的上述数据，可以获知端口当前的流量状态数据和报文队列状态数据等信息，这些信息为下一步调整当前队列长度阈值至匹配队列长度阈值提供了数据基础。

第一获得模块502，用于将当前流量状态数据、当前队列状态数据和当前队列长度阈值输入第一阈值模型，获得第一输出结果。

其中，第一阈值模型包括但不限于神经网络模型等模型。第一阈值模型包括输入变量、第一输出结果和模型参数。其中，输入变量为当前流量状态数据、当前队列状态数据和当前队列长度阈值；第一输出结果为一个数值，可以根据该数据设置匹配队列长度阈值；模型参数包括权重、偏置量和学习度系数等系统参数，且模型参数选取是否科学合理会直接影响输出结果的准确性和合理性。如果模型参数设置不合理，则容易导致输出变量与实际值或理想值存在较大偏差。因此，为了获得较好的输出结果，一般需要先对第一阈值模型进行训练，以获得良好的模型参数。常规的模型训练方法为采用一组训练数据集输入待训练的第一阈值模型，并根据训练结果调整模型参数，从而获得良好的模型参数。

可以理解的是，在完成对模型的训练之后，还可以对训练结果进行验证。在一个实施方式中，将验证数据集输入模型，获得实际验证结果，并将实际验证结果和预期验证结果比较，然后根据比较结果判断训练是否成功。只有训练成功的模型才具有良好的模型参数，基于具有良好模型参数的模型才能获得合理的输出结果。

在一个实施方式中，第一阈值模型为基于深度学习的神经网络模型，且模型已经经过训练获得了良好的模型参数。第一获得模块502将从端口采集的当前流量状态数据、当前队列状态数据和当前队列长度阈值输入该第一阈值模型，第一阈值模型进行运算，获得运算结果即为第一输出结果。第一输出结果为一个具体数值，根据该数值可设置匹配队列长度阈值。

设置模块503，用于根据第一输出结果设置匹配队列长度阈值。

其中，匹配队列长度阈值不是静态设置的一个固定数值，而是根据当前状态下的流量状态数据、队列状态数据和队列长度阈值生成的一个动态变量。随着时间变化，如果当前时刻的流量状态数据、队列状态数据和队列长度阈值较前一时刻的流量状态数据、队列状态数据和队列长度阈值发生了变化，那么匹配队列长度阈值也会发生相应变化，因此，匹配队列长度阈值是一个随时间变化的动态变量，使得匹配队列长度阈值具有更强的适配性，从而可以提升用户使用体验。

第一输出结果为基于第一阈值模型和输入变量获得的数值，根据第一输出结果可以设置匹配队列长度阈值。

在一个实施方式中，网络管理员通过设置模块503直接将第一输出结果对应数值设置为匹配队列长度阈值。可以理解的是，管理员也可进一步结合实际经验或业务需求，对第一输出结果对应数值做适当调整，通过设置模块503将调整后的数值作为匹配队列长度阈值。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种拥塞处理方法，应用于用户面功能实体UPF或者基站，其特征在于，包括：

采集端口的当前流量状态数据、当前队列状态数据和当前队列长度阈值；

将所述当前流量状态数据、所述当前队列状态数据和所述当前队列长度阈值输入第一阈值模型，获得第一输出结果；

根据所述第一输出结果设置匹配队列长度阈值。

2.根据权利要求1所述的拥塞处理方法，其特征在于，所述将所述当前流量状态数据、所述当前队列状态数据和所述当前队列长度阈值输入第一阈值模型，获得第一输出结果之前，还包括：

获得端口的多组所述流量状态数据、所述队列状态数据和所述匹配队列长度阈值；

将多组所述流量状态数据、所述队列状态数据和所述匹配队列长度阈值输入所述第一阈值模型进行训练，获得第一训练结果；

根据所述第一训练结果调整所述第一阈值模型的参数。

3.根据权利要求1所述的拥塞处理方法，其特征在于，所述将所述当前流量状态数据、所述当前队列状态数据和所述当前队列长度阈值输入第一阈值模型，获得第一输出结果，包括：

按照预设时间间隔，将所述时间间隔对应的所述当前流量状态数据、所述当前队列状态数据和所述当前队列长度阈值输入所述第一阈值模型，获得所述时间间隔对应的第一输出结果。

4.根据权利要求1所述的拥塞处理方法，其特征在于，所述根据所述第一输出结果设置所述匹配队列长度阈值之后，还包括：

当报文队列的长度超过所述匹配队列长度阈值时，将所述报文队列中超过所述队列长度阈值的报文执行丢弃操作；其中，所述报文队列为端口将接收的报文进行排队生成的队列，所述报文队列的数量可以是一个或多个。

5.根据权利要求1所述的拥塞处理方法，其特征在于，所述将所述当前流量状态数据、所述当前队列状态数据和所述当前队列长度阈值输入第一阈值模型，获得第一输出结果之前，还包括：

采集端口的所述当前流量状态数据、所述当前队列状态数据、所述当前队列长度阈值和当前传输控制协议首部确认序号窗口值；

基于所述当前流量状态数据、所述当前队列状态数据、所述当前队列长度阈值和所述当前传输控制协议首部确认序号窗口值，生成动态的所述匹配队列长度阈值和匹配传输控制协议首部确认序号窗口值。

6.根据权利要求5所述的拥塞处理方法，其特征在于，所述基于所述当前流量状态数据、所述当前队列状态数据、所述当前队列长度阈值和所述当前传输控制协议首部确认序号窗口值，生成动态的所述匹配队列长度阈值和匹配传输控制协议首部确认序号窗口值之后，还包括：

根据所述匹配传输控制协议首部确认序号窗口值调整报文接收窗口的大小。

7.根据权利要求5所述的拥塞处理方法，其特征在于，所述基于所述当前流量状态数据、所述当前队列状态数据、所述当前队列长度阈值和所述当前传输控制协议首部确认序号窗口值，生成动态的所述匹配队列长度阈值和匹配传输控制协议首部确认序号窗口值，包括：

将所述当前流量状态数据、所述当前队列状态数据、所述当前队列长度阈值和所述当前传输控制协议首部确认序号窗口值输入第二阈值模型，获得第二输出结果；

根据所述第二输出结果设置所述匹配队列长度阈值和所述匹配传输控制协议首部确认序号窗口值。

8.根据权利要求7所述的拥塞处理方法，其特征在于，所述将所述当前流量状态数据、所述当前队列状态数据、所述当前队列长度阈值和所述当前传输控制协议首部确认序号窗口值输入第二阈值模型，获得第二输出结果之前，还包括：

获得端口的多组流量状态数据、队列状态数据、所述匹配队列长度阈值和传输控制协议首部确认序号窗口值；

将多组所述流量状态数据、所述队列状态数据、所述匹配队列长度阈值和所述传输控制协议首部确认序号窗口值输入所述第二阈值模型进行训练，获得第二训练结果；

根据所述第二训练结果调整所述第二阈值模型的参数。

9.一种拥塞处理装置，应用于用户面功能实体UPF或者基站，其特征在于，包括：

采集模块，用于采集端口的当前流量状态数据、当前队列状态数据和当前队列长度阈值；

第一获得模块，用于将所述当前流量状态数据、所述当前队列状态数据和所述当前队列长度阈值输入第一阈值模型，获得第一输出结果；

设置模块，用于根据所述第一输出结果设置匹配队列长度阈值。

10.根据权利要求9所述的拥塞处理装置，其特征在于，所述拥塞处理装置，还包括：

第二获得模块，用于获得端口的多组所述流量状态数据、所述队列状态数据和所述匹配队列长度阈值；

训练模块，用于将多组所述流量状态数据、所述队列状态数据和所述匹配队列长度阈值输入所述第一阈值模型进行训练，获得第一训练结果；

调整模块，用于根据所述第一训练结果调整所述第一阈值模型的参数。

Images