CN112685187B

CN112685187B - 云游戏资源调度方法与装置

Info

Publication number: CN112685187B
Application number: CN202110283858.3A
Authority: CN
Inventors: 李刚; 夏之斌; 刘海波; 李二帅; 刘宝国
Original assignee: Haiyu Dongxiang Co ltd
Current assignee: Anhui Haima Cloud Technology Co ltd
Priority date: 2021-03-17
Filing date: 2021-03-17
Publication date: 2021-06-25
Anticipated expiration: 2041-03-17
Also published as: CN112685187A

Abstract

本申请提供了一种云游戏资源调度方法与装置、电子设备及存储介质，该方法包括：对于预设的至少一款云游戏中的每一款云游戏，获取该款云游戏的用户访问历史数据，将该款云游戏的用户访问历史数据输入预设的云游戏访问量预测模型，预测用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量，其中，该云游戏访问量预测模型基于用户的云游戏访问历史数据训练得到；根据所述用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量在该下一时间段到来之前在对应的IDC机房中池化好对应运营商的对应数量的该款云游戏，能够在用户申请前池化好用户需要的云游戏，实现高效的调度云计算资源。

Description

云游戏资源调度方法与装置

技术领域

本发明涉及计算机技术领域，特别涉及一种云游戏资源调度方法与装置、电子设备及存储介质。

背景技术

云游戏是以云计算为基础的游戏方式，在云游戏的运行模式下，所有游戏都在服务端运行并将渲染完毕后的游戏画面压缩后通过网络传送给用户。在客户端，用户的游戏设备不需要任何高端处理器和显卡，只需要基本的视频解压能力就可以了。云计算（cloudcomputing），是一种基于互联网的计算方式，通过这种方式，共享的软硬件资源和信息可以按需提供给计算机和其他设备。提供资源的网络被称为“云”。

在云游戏模式下，云游戏系统需要根据用户的需求，在服务端动态安装启动游戏，以提供给用户使用，而安装启动的过程是比较耗时的，通常需要几十秒到几分钟不等，而采用远程挂载文件系统再启动的方式，也需要几秒到几十秒不等，这对用户的体验是较差的，所以云游戏系统往往会采用预先安装/挂载好游戏并启动完成，可以随时为用户提供游戏服务的池化技术来提升用户体验。

对于一个云游戏系统，所提供的游戏服务是多种多样的，而用户的需求也是多种多样的，通过池化技术为用户预先准备好游戏服务，就面临着资源浪费的问题。因为一个游戏服务启动之后，在用户还未来申请使用之前，这个游戏服务是处于空闲状态的，也就是资源是在浪费着的。而对于一个有一定规模的云游戏系统来说，其服务的游戏可能多达几百款至几千款，其云游戏机房也会架设在多个地域以便为用户提供更快速的云游戏服务，在这样规模的云游戏系统中，在每个机房对每款游戏都池化一定数目的云游戏服务的话，所浪费的资源是非常巨大的。因此，如何在用户申请前池化好用户需要的云游戏，以实现高效的调度云计算资源，成为亟待解决的技术问题。

发明内容

有鉴于此，本申请实施例提供一种云游戏资源调度方法与装置、电子设备及存储介质，能够在用户申请前池化好用户需要的云游戏，实现高效的调度云计算资源。

第一方面，本申请实施例提供了一种云游戏资源调度方法，包括：

对于预设的至少一款云游戏中的每一款云游戏，获取该款云游戏的用户访问历史数据，将该款云游戏的用户访问历史数据输入预设的云游戏访问量预测模型，预测用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量，其中，该云游戏访问量预测模型基于用户的云游戏访问历史数据训练得到；

根据所述用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量在该下一时间段到来之前在对应的IDC机房中池化好对应运营商的对应数量的该款云游戏。

第二方面，本申请实施例还提供了一种云游戏资源调度装置，包括：

预测单元，用于对于预设的至少一款云游戏中的每一款云游戏，获取该款云游戏的用户访问历史数据，将该款云游戏的用户访问历史数据输入预设的云游戏访问量预测模型，预测用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量，其中，该云游戏访问量预测模型基于用户的云游戏访问历史数据训练得到；

池化单元，用于根据所述用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量在该下一时间段到来之前在对应的IDC机房中池化好对应运营商的对应数量的该款云游戏。

第三方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面所述的云游戏资源调度方法的步骤。

第四方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第一方面所述的云游戏资源调度方法的步骤。

综上，本申请实施例提供的云游戏资源调度方法与装置、电子设备及存储介质，对于预设的至少一款云游戏中的每一款云游戏，获取该款云游戏的用户访问历史数据，将该款云游戏的用户访问历史数据输入预设的云游戏访问量预测模型，预测用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量；根据所述用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量在该下一时间段到来之前在对应的IDC机房中池化好对应运营商的对应数量的该款云游戏，通过这种方式能够在用户申请前池化好用户需要的云游戏，当用户申请云游戏时，可以直接将池化好的云游戏提供给用户，实现高效的调度云计算资源。

附图说明

图1为本申请实施例提供的一种云游戏资源调度方法的流程示意图；

图2为本申请实施例提供的另一种云游戏资源调度方法的部分流程示意图；

图3为本申请实施例提供的一种云游戏资源调度装置的结构示意图；

图4为一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“云游戏”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕用户登录云游戏进行描述，但是应该理解，这仅是一个示例性实施例。

需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。

参照图1所示，为本申请实施例提供的一种云游戏资源调度方法的流程示意图，该方法应用于云端服务器，具体包括：

S10、对于预设的至少一款云游戏中的每一款云游戏，获取该款云游戏的用户访问历史数据，将该款云游戏的用户访问历史数据输入预设的云游戏访问量预测模型，预测用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量，其中，该云游戏访问量预测模型基于用户的云游戏访问历史数据训练得到；

本实施例中，需要说明的是，预设的至少一款云游戏为用户访问历史数据中用户申请过的云游戏中的至少一款。对于该至少一款云游戏中的每一款云游戏，如果想在用户申请之前池化好该款云游戏，可以获取该款云游戏的用户访问历史数据，将该款云游戏的用户访问历史数据输入预设的云游戏访问量预测模型，预测出用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量。其中，该云游戏访问量预测模型基于用户的云游戏访问历史数据训练得到，通过该云游戏访问量预测模型可以基于用户的历史云游戏访问数据预测用户下一时间段的访问量数据。

S11、根据所述用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量在该下一时间段到来之前在对应的IDC机房中池化好对应运营商的对应数量的该款云游戏。

本实施例中，需要说明的是，在使用该云游戏访问量预测模型预测出用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量后，可以在该下一时间段到来之前在对应的IDC机房中池化好对应运营商的对应数量的该款云游戏，这样在该下一时间段到来时，就可以利用已经池化好的云游戏为申请相应云游戏的用户提供云游戏服务，本实施例通过精准池化云游戏便于在减少用户等待时间，提升用户体验的同时，提升云游戏服务系统的资源利用效率。

本申请实施例提供的云游戏资源调度方法，对于预设的至少一款云游戏中的每一款云游戏，获取该款云游戏的用户访问历史数据，将该款云游戏的用户访问历史数据输入预设的云游戏访问量预测模型，预测用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量；根据所述用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量在该下一时间段到来之前在对应的IDC机房中池化好对应运营商的对应数量的该款云游戏，通过这种方式能够在用户申请前池化好用户需要的云游戏，当用户申请云游戏时，可以直接将池化好的云游戏提供给用户，实现高效的调度云计算资源。

在前述方法实施例的基础上，该款云游戏的用户访问历史数据可以包括请求信息和路由信息，其中，该请求信息可以包括游戏类型和游戏名称中的至少一项，该路由信息可以包括提供给用户云游戏服务的IDC机房、运营商、服务器类型和服务器版本中的至少一项。

本实施例中，需要说明的是，该款云游戏的用户访问历史数据可以包括请求信息和路由信息，将该款云游戏的用户访问历史数据输入该云游戏访问量预测模型可以基于该款云游戏的用户访问历史数据统计出用户历史访问不同IDC机房中部署的不同类型和不同版本的服务器上设置的不同运营商的对应游戏类型的该款云游戏的历史访问量，基于该历史访问量预测出用户下一时间段访问不同IDC机房中部署的不同类型和不同版本的服务器上设置的不同运营商的对应游戏类型的该款云游戏的预计访问量。

在前述方法实施例的基础上，所述用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量可以包括用户下一时间段访问不同IDC机房中部署的不同类型和不同版本的服务器上设置的不同运营商的对应游戏类型的该款云游戏的预计访问量。

如图2所示，为本申请实施例提供的另一种云游戏资源调度方法的部分流程示意图，参照图2，在前述方法实施例的基础上，该云游戏访问量预测模型可以采用差分整合移动平均自回归模型ARIMA模型；

该ARIMA模型的训练过程可以包括：

S20、对于用户的云游戏访问历史数据中涉及的至少一款云游戏，计算对应的历史时间段中每一预设长度的时间段内，用户访问不同IDC机房中部署的不同类型和不同版本的服务器上设置的不同运营商的对应游戏类型的该款云游戏的历史访问量；

S21、根据各个预设长度的时间段对应的历史访问量计算差分次数、自回归项数和移动平均项数，根据所述差分次数、自回归项数和移动平均项数构建该ARIMA模型，并利用该各个预设长度的时间段对应的历史访问量训练该ARIMA模型。

本实施例中，需要说明的是，该历史时间段可以根据需要设置，比如过去20天，每一预设长度可以为过去20天中的每一天。

训练ARIMA模型包括构建ARIMA模型步骤和训练ARIMA模型步骤。

其中，构建ARIMA模型步骤可以包括如下步骤：

（1）根据用户的该云游戏访问历史数据计算各个预设长度的时间段对应的历史访问量，对各个历史访问量进行平稳性检验，并获得各个历史访问量的差分次数；

需要说明的是，步骤（1）中对各个历史访问量进行平稳性检验时，如果平稳性检验通过，则直接根据各个历史访问量获得差分次数；或者如果平稳性检验未通过，则需要对各个历史访问量进行至少一次差分处理，直至平稳性检验后，获得各个历史访问量的差分次数。

（2）对各个历史访问量进行分解，并根据分解后的各个历史访问量得到自回归项数和移动平均项数；

需要说明的是，步骤（2）中分解可以具体结合用户申请云游戏的确定性因素进行。该确定性因素可以包括趋势因素和随机因素，则对各个历史访问量进行分解可以包括对各个历史访问量按照趋势因素进行分解以及对各个历史访问量按照随机因素进行分解。进而根据分解后的各个历史访问量得到自回归项数和移动平均项数可以包括根据按照趋势因素进行分解后的各个历史访问量得到第一自回归项数和第一移动平均项数，以及根据按照随机因素进行分解后的各个历史访问量得到第二自回归项数和第二移动平均项数。具体来说，可以根据分解结果分别获得每一个因素所对应的自相关图和偏自相关图，以根据每一个因素的自相关图和偏自相关图初步估计相应的自回归项数和移动平均项数。

（3）根据所述差分次数、自回归项数和移动平均项数构建该ARIMA模型。

需要说明的是，步骤（3）中在构建该ARIMA模型时，可以根据第一自回归项数和第一移动平均项数构建第一ARIMA模型，根据第二自回归项数和第二移动平均项数构建第二ARIMA模型。

其中，训练ARIMA模型步骤可以包括如下步骤：

（1）利用各个预设长度的时间段对应的历史访问量训练第一ARIMA模型，并利用各个预设长度的时间段对应的历史访问量训练第二ARIMA模型；

需要说明的是，步骤（1）中训练每一个因素对应的ARIMA模型时，可以通过用赤道信息量准则AIC或贝叶斯信息准则BIC比较初步构建的ARIMA模型与训练过程中调整参数后的ARIMA模型来确定目标ARIMA模型（即每一个因素对应的ARIMA模型的训练结果）。

（2）根据训练好的第一ARIMA模型和第二ARIMA模型确定目标ARIMA模型作为ARIMA模型的训练结果。

本实施例中，根据差分次数d以及每一个因素所对应的自回归项数和移动平均项数，可以分别针对趋势因素和随机因素构建ARIMA模型，然后利用各个预设长度的时间段对应的历史访问量分别对这二个ARIMA模型进行训练，根据每一个因素的ARIMA模型训练结果进一步确定目标ARIMA模型。如此可使该目标 ARIMA模型的拟合度更高，且全面考虑各因素对未来数据趋势的影响，能够更加客观准确的反映训练样本数据的趋势变化和随机波动情况，从而提高预测数据的准确性。

在前述方法实施例的基础上，该云游戏访问量预测模型预测出的用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量与用户上一时间段访问相应IDC机房中相应运营商的该款云游戏的预计访问量相同。

本实施例中，可以理解的是，该云游戏访问量预测模型在预测时，直接将用户上一时间段访问某一IDC机房中某一运营商的该款云游戏的预计访问量作为用户下一时间段访问该IDC机房中该运营商的该款云游戏的预计访问量。通过此种方式能够较快速的获得预测结果，而且预测结果与邻近的历史访问数据一致，也能较大概率保证预测结果的准确性。

在前述方法实施例的基础上，所述方法还可以包括：

计算用户下一时间段访问不同IDC机房中不同运营商的各款云游戏的预计访问量和用户下一时间段的云游戏实际访问数据之间的偏差；

根据该偏差修正该云游戏访问量预测模型。

本实施例中，可以理解的是，在后续使用该云游戏访问量预测模型的过程中，可以根据该云游戏访问量预测模型的预测值和用户实际访问数据来修正该云游戏访问量预测模型，具体可以计算预测值和用户实际访问数据的偏差，根据该偏差来调整该云游戏访问量预测模型的参数。通过此种方式，可以提高该云游戏访问量预测模型的预测准确度。

在前述方法实施例的基础上，所述池化的时间为第一时间至第二时间之间的时间段，其中，该第二时间为该下一时间段到来的时刻，该时间段的长度为云游戏服务的平均准备时间与预设的系数的乘积。

本实施例中，可以理解的是，云游戏服务的平均准备时间可以为多个云游戏服务的准备时间的均值。预设的系数为0至1之间的实数，具体取值可以根据需要设置，比如可以取值0.8、0.9等，此处不再赘述。设置池化的时间为下一时间段到来之前长度为云游戏服务的平均准备时间与预设的系数的乘积的时间段，能够确保在用户申请之前尽量池化好用户需要的云游戏，且尽量减少池化好的云游戏占用的云计算资源。另外，需要说明的是，池化的操作可以在整个池化时间段均匀流畅进行，以平滑池化流量，降低云游戏系统的服务器压力。

在前述方法实施例的基础上，所述方法还可以包括：

在用户申请该款云游戏时，将预先池化好的该款云游戏提供给用户。

本实施例中，可以理解的是，在用户申请某款云游戏时，如果云端服务器判断该款云游戏已经预先池化好，则可以将池化好的云游戏提供给该用户，这样可以减少用户等待云游戏安装、启动的时间。而如果该款云游戏未预先池化好，则会为该用户提供现申请的云游戏服务。

参照图3所示，为本申请实施例提供的一种云游戏资源调度装置的结构示意图，该装置具体包括：

预测单元30，用于对于预设的至少一款云游戏中的每一款云游戏，获取该款云游戏的用户访问历史数据，将该款云游戏的用户访问历史数据输入预设的云游戏访问量预测模型，预测用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量，其中，该云游戏访问量预测模型基于用户的云游戏访问历史数据训练得到；

池化单元31，用于根据所述用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量在该下一时间段到来之前在对应的IDC机房中池化好对应运营商的对应数量的该款云游戏。

本申请实施例提供的云游戏资源调度装置，对于预设的至少一款云游戏中的每一款云游戏，借助于预测单元30获取该款云游戏的用户访问历史数据，将该款云游戏的用户访问历史数据输入预设的云游戏访问量预测模型，预测用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量；借助于池化单元31根据所述用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量在该下一时间段到来之前在对应的IDC机房中池化好对应运营商的对应数量的该款云游戏，通过这种方式能够在用户申请前池化好用户需要的云游戏，当用户申请云游戏时，可以直接将池化好的云游戏提供给用户，实现高效的调度云计算资源。

本申请实施例提供的云游戏资源调度装置，其实现过程与本申请实施例提供的云游戏资源调度方法一致，所能达到的效果也与本申请实施例提供的云游戏资源调度方法相同，在此不再赘述。

如图4所示，本申请实施例提供的一种电子设备，包括：处理器40、存储器41和总线，所述存储器41存储有所述处理器40可执行的机器可读指令，当电子设备运行时，所述处理器40与所述存储器41之间通过总线通信，所述处理器40执行所述机器可读指令，以执行如上述云游戏资源调度方法的步骤。

具体地，上述存储器41和处理器40能够为通用的存储器和处理器，这里不做具体限定，当处理器40运行存储器41存储的计算机程序时，能够执行上述云游戏资源调度方法。

对应于上述云游戏资源调度方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述云游戏资源调度方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims

1.一种云游戏资源调度方法，其特征在于，包括：

该云游戏访问量预测模型采用差分整合移动平均自回归模型ARIMA模型；

该ARIMA模型的训练过程包括：

对于用户的云游戏访问历史数据中涉及的至少一款云游戏，计算对应的历史时间段中每一预设长度的时间段内，用户访问不同IDC机房中部署的不同类型和不同版本的服务器上设置的不同运营商的对应游戏类型的该款云游戏的历史访问量；

根据各个预设长度的时间段对应的历史访问量计算差分次数、自回归项数和移动平均项数，根据所述差分次数、自回归项数和移动平均项数构建该ARIMA模型，并利用各个预设长度的时间段对应的历史访问量训练该ARIMA模型；

其中，构建ARIMA模型步骤包括如下步骤：

(1)根据用户的该云游戏访问历史数据计算各个预设长度的时间段对应的历史访问量，对各个历史访问量进行平稳性检验，并获得各个历史访问量的差分次数；

(2)对各个历史访问量进行分解，并根据分解后的各个历史访问量得到自回归项数和移动平均项数；

所述分解结合用户申请云游戏的确定性因素进行，该确定性因素包括趋势因素和随机因素，则对各个历史访问量进行分解包括对各个历史访问量按照趋势因素进行分解以及对各个历史访问量按照随机因素进行分解；

根据分解后的各个历史访问量得到自回归项数和移动平均项数包括根据按照趋势因素进行分解后的各个历史访问量得到第一自回归项数和第一移动平均项数，以及根据按照随机因素进行分解后的各个历史访问量得到第二自回归项数和第二移动平均项数，其中，根据分解结果分别获得每一个因素所对应的自相关图和偏自相关图，以根据每一个因素的自相关图和偏自相关图初步估计相应的自回归项数和移动平均项数；

(3)根据所述差分次数、自回归项数和移动平均项数构建该ARIMA模型；

步骤(3)中在构建该ARIMA模型时，根据第一自回归项数和第一移动平均项数构建第一ARIMA模型，根据第二自回归项数和第二移动平均项数构建第二ARIMA模型；

其中，训练ARIMA模型步骤包括如下步骤：

(1)利用各个预设长度的时间段对应的历史访问量训练第一ARIMA模型，并利用各个预设长度的时间段对应的历史访问量训练第二ARIMA模型；

(2)根据训练好的第一ARIMA模型和第二ARIMA模型确定目标ARIMA模型作为ARIMA模型的训练结果；

2.如权利要求1所述的方法，其特征在于，该款云游戏的用户访问历史数据包括请求信息和路由信息，其中，该请求信息包括游戏类型和游戏名称中的至少一项，该路由信息包括提供给用户云游戏服务的IDC机房、运营商、服务器类型和服务器版本中的至少一项。

3.如权利要求2所述的方法，其特征在于，所述用户下一时间段访问不同IDC机房中不同运营商的该款云游戏的预计访问量包括用户下一时间段访问不同IDC机房中部署的不同类型和不同版本的服务器上设置的不同运营商的对应游戏类型的该款云游戏的预计访问量。

4.如权利要求1所述的方法，其特征在于，还包括：

根据该偏差修正该云游戏访问量预测模型。

5.如权利要求1所述的方法，其特征在于，所述池化的时间为第一时间至第二时间之间的时间段，其中，该第二时间为该下一时间段到来的时刻，该时间段的长度为云游戏服务的平均准备时间与预设的系数的乘积。

6.如权利要求1所述的方法，其特征在于，还包括：

7.一种云游戏资源调度装置，其特征在于，包括：

该ARIMA模型的训练过程包括：

其中，构建ARIMA模型步骤包括如下步骤：

其中，训练ARIMA模型步骤包括如下步骤：

8.一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上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至6任一项所述的云游戏资源调度方法的步骤。

9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至6任一项所述的云游戏资源调度方法的步骤。