CN113055307B - 一种网络流量分配方法及装置 - Google Patents

Abstract

本申请实施例提供一种网络流量分配方法及装置，可用于信息安全技术领域，方法包括：对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；对所有运行业务进行分类，获取每个运行业务的类别信息；根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量。本申请保证了关键的银行业务流量或者较为影响客户体验的流量能够优先进行转发，进而保障了网点的持续可靠运行并且提高了客户体验舒适度。

Description

一种网络流量分配方法及装置

技术领域

本申请涉及计算机技术领域，具体涉及网络流量分配方法及装置。

背景技术

在智慧网点建设进程中，网点的业务不断趋向于多样化和复杂化，不再仅仅局限于银行相关业务，更多的是智能机器人迎宾识别、AR/VR体验、4K宣传体验仓、虚拟产品主播、WiFi免费上网等业务，多种多样的业务丰富了网点客户的选择，当客户在等待办理银行业务的时候，可以通过手机银行进行办理，也可以体验其他的项目来消除等待过程中的乏味。在网点建设中，WiFi系统承担着网点大部分业务的运转载体的任务，网络响应速度直接影响了业务办理的等待时间和网点客户的用户体验，现在的网点也常常面临着网速慢而导致交易中止的窘境，如网点经理指引客户下载手机银行APP进行相关的业务操作，但是由于网点的网络响应速度太慢使得客户缺乏耐心而中止交易等。因此，在WiFi系统的网络流量管控中，对有限的带宽资源进行有效地分配可以提高WiFi带宽资源的利用率，提高网点客户的体验舒适度。

在网络资源分配研究中，较多的研究集中在网络的频段资源的分配，对于带宽资源的分配则涉及较少，在带宽资源分配的研究中，大多算法根据特定的业务场景对相关业务流量规定了优先级，并根据优先级进行带宽资源的分配，高优先级的业务可以抢占低优先级业务的带宽资源，如在办公楼场景中，实时视频和实时语音会议会被赋予较高的优先级，而游戏业务和非实时视频业务的优先级则较低；而在网吧环境中，游戏业务的优先级则拥有最高的优先级。这种优先级预先的资源分配方法，对于场景中业务种类和使用频率需要有比较详尽的了解和掌握，不具有泛化性。

发明内容

针对现有技术中问题的至少一个，本申请提供一种网络流量分配方法及装置，首先对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；然后对所有运行业务进行分类，获取每个运行业务的类别信息；最后根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量。本发明保证了关键的银行业务流量或者较为影响客户体验的流量能够优先进行转发，进而保障了网点的持续可靠运行并且提高了客户体验舒适度。

本发明的一方面，提供一种网络流量分配方法，包括：

对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；

对所有运行业务进行分类，获取每个运行业务的类别信息；

根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量。

在优选的实施例中，所述生成业务优先级排序列表，包括：

根据每个运行业务对应的判别向量生成偏重矩阵；每个判别向量包括多种预设准则对应的权重值；

根据预设的多属性决策矩阵以及所述偏重矩阵生成所述业务优先级排序列表；所述多属性决策矩阵包括每个运行业务的归一化预设准则数值。

在优选的实施例中，所述根据每个运行业务对应的判别向量生成偏重矩阵，包括：将每个运行业务对应的判别向量作为所述偏重矩阵的列数据，生成所述偏重矩阵。

在优选的实施例中，所述根据预设的多属性决策矩阵以及所述偏重矩阵生成所述业务优先级排序列表，包括：

根据所述多属性决策矩阵与所述偏重矩阵，生成运行业务的优先级权重矩阵，所述优先级权重矩阵为所述多属性决策矩阵与所述偏重矩阵的乘积；

根据所述优先级权重矩阵，生成每个运行业务的对应正理想值和负理想值，进而得到每个业务的优先级参数；所述优先级参数为正理想值与正理想值和负理想值之和的比值；

根据每个业务的优先级参数，对网络中所有运行业务的优先级进行排序，进而生成业务优先级排序列表。

在优选的实施例中，还包括：生成判别向量的步骤：

将预设准则中的每两个准则进行比较，标定出每个预设准则对于运行业务的重要程度，生成所述运行业务针对预设准则的判断矩阵；

获取所述判断矩阵的最大特征值对应的特征向量，生成所述判别向量。

在优选的实施例中，还包括：对每个业务对应的预设准则数值进行归一化，生成多属性决策矩阵。

在优选的实施例中，还包括：根据运行业务网络流量要求确定多种预设准则。

在优选的实施例中，所述对所有运行业务进行分类包括：

获取业务的网络流量数据包；

将所述业务的网络流量数据包输入一预设的业务分类模型；其中，所述业务分类模型的输出为业务类别。

在优选的实施例中，还包括：建立业务分类模型；所述业务分类模型包括一分类树和对应的目标函数；建立所述目标函数，包括：

建立一预设的初始目标函数；

基于所述分类树的各树叶节点的数量以及每个运行业务的业务权重生成惩罚项；

结合所述惩罚项更新所述初始目标函数，得到最终的所述目标函数。

在优选的实施例中，所述业务分类模型还包括一增益函数，所述增益函数为：

其中，M_L+R为未分裂前的目标函数，M_L,M_R为分裂出左右节点之后的目标函数，γ为引入子叶节点带来的复杂度。

在优选的实施例中，还包括：若所有第一运行业务的业务流量占比大于设定阈值，将预设占比的流量分配至第二运行业务，其中所述第一运行业务为所述优先级列表中排列在设定位置之前的运行业务，所述第二运行业务为所述优先级列表中排列在设定位置之后的运行业务。

本发明的又一方面，提供一种网络流量分配装置，包括：

优先级排序模块，对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；

业务分类模块，对所有运行业务进行分类，获取每个运行业务的类别信息；

流量分配模块，根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量。

在优选的实施例中，所述优先级排序模块，包括：

偏重矩阵生成单元，根据每个运行业务对应的判别向量生成偏重矩阵；每个判别向量包括多种预设准则对应的权重值；

排序列表生成单元，根据预设的多属性决策矩阵以及所述偏重矩阵生成所述业务优先级排序列表；所述多属性决策矩阵包括每个运行业务的归一化预设准则数值。

在优选的实施例中，所述偏重矩阵生成单元具体用于将每个运行业务对应的判别向量作为所述偏重矩阵的列数据，生成所述偏重矩阵。

在优选的实施例中，所述排序列表生成单元，包括：

优先级权重矩阵生成单元，根据所述多属性决策矩阵与所述偏重矩阵，生成运行业务的优先级权重矩阵，所述优先级权重矩阵为所述多属性决策矩阵与所述偏重矩阵的乘积；

优先级参数生成单元，根据所述优先级权重矩阵，生成每个运行业务的对应正理想值和负理想值，进而得到每个业务的优先级参数；所述优先级参数为正理想值与正理想值和负理想值之和的比值；

优先级排序单元，根据每个业务的优先级参数，对网络中所有运行业务的优先级进行排序，进而生成业务优先级排序列表。

在优选的实施例中，还包括：判别向量生成单元，包括：

判断矩阵生成单元，将预设准则中的每两个准则进行比较，标定出每个预设准则对于运行业务的重要程度，生成所述运行业务针对预设准则的判断矩阵；

判别向量生成单元，获取所述判断矩阵的最大特征值对应的特征向量，生成所述判别向量。

在优选的实施例中，还包括：多属性决策矩阵生成单元，具体用于对每个业务对应的预设准则数值进行归一化，生成多属性决策矩阵。

在优选的实施例中，还包括：预设准则确定模块，具体用于根据运行业务网络流量要求确定多种预设准则。

在优选的实施例中，所述业务分类模块，包括：

数据包获取单元，获取业务的网络流量数据包；

业务分类单元，将所述业务的网络流量数据包输入一预设的业务分类模型；其中，所述业务分类模型的输出为业务类别。

在优选的实施例中，还包括：业务分类模型建立单元；所述业务分类模型包括一分类树和对应的目标函数；所述业务分类模型建立单元，包括：

目标函数初始化单元，建立一预设的初始目标函数；

惩罚项生成单元，惩罚项生成基于所述分类树的各树叶节点的数量以及每个运行业务的业务权重生成惩罚项；

目标函数更新单元，结合所述惩罚项更新所述初始目标函数，得到最终的所述目标函数。

在优选的实施例中，所述业务分类模型还包括一增益函数，所述增益函数为：

其中，M_L+R为未分裂前的目标函数，M_L,M_R为分裂出左右节点之后的目标函数，γ为引入子叶节点带来的复杂度。

在优选的实施例中，还包括：设定阈值流量分配模块，具体用于若所有第一运行业务的业务流量占比大于设定阈值，将预设占比的流量分配至第二运行业务，其中所述第一运行业务为所述优先级列表中排列在设定位置之前的运行业务，所述第二运行业务为所述优先级列表中排列在设定位置之后的运行业务。

本发明的又一方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的网络流量分配方法。

本发明的又一方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的网络流量分配方法。

由上述技术方案可知，本申请提供的一种网络流量分配方法，方法包括：首先对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；然后对所有运行业务进行分类，获取每个运行业务的类别信息；最后根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量。本发明保证了关键的银行业务流量或者较为影响客户体验的流量能够优先进行转发，进而保障了网点的持续可靠运行并且提高了客户体验舒适度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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他的附图。

图1是网络流量分配方法流程示意图。

图2是优先级排序列表生成流程示意图。

图3是判别向量生成流程示意图。

图4是结合偏重矩阵和多属性决策矩阵生成优先级排序列表流程示意图。

图5是业务分类流程示意图。

图6是目标函数生成流程示意图。

图7是网络流量分配装置结构示意图。

图8是本申请实施例中的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、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动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。

需要说明的是，本申请公开的网络流量分配方法及装置可用于信息安全领域，也可用于除信息安全领域之外的任意领域，本申请公开的网络流量分配方法及装置的应用领域不做限定。

在智慧网点建设进程中，网点的业务不断趋向于多样化和复杂化，不再仅仅局限于银行相关业务，更多的是智能机器人迎宾识别、AR/VR体验、4K宣传体验仓、虚拟产品主播、WiFi免费上网等业务，多种多样的业务丰富了网点客户的选择，当客户在等待办理银行业务的时候，可以通过手机银行进行办理，也可以体验其他的项目来消除等待过程中的乏味。在网点建设中，WiFi系统承担着网点大部分业务的运转载体的任务，网络响应速度直接影响了业务办理的等待时间和网点客户的用户体验，现在的网点也常常面临着网速慢而导致交易中止的窘境，如网点经理指引客户下载手机银行APP进行相关的业务操作，但是由于网点的网络响应速度太慢使得客户缺乏耐心而中止交易等。因此，在WiFi系统的网络流量管控中，对有限的带宽资源进行有效地分配可以提高WiFi带宽资源的利用率，提高网点客户的体验舒适度。

在网络资源分配研究中，较多的研究集中在网络的频段资源的分配，对于带宽资源的分配则涉及较少，在带宽资源分配的研究中，大多算法根据特定的业务场景对相关业务流量规定了优先级，并根据优先级进行带宽资源的分配，高优先级的业务可以抢占低优先级业务的带宽资源，如在办公楼场景中，实时视频和实时语音会议会被赋予较高的优先级，而游戏业务和非实时视频业务的优先级则较低；而在网吧环境中，游戏业务的优先级则拥有最高的优先级。这种优先级预先的资源分配方法，对于场景中业务种类和使用频率需要有比较详尽的了解和掌握，不具有泛化性。

针对现有技术中问题的至少一个，本申请提供一种网络流量分配方法及装置，首先根据一测试用例的历史日志信息，提取对应的历史业务数据项；然后提取所述历史业务数据项的特征信息，并根据所述特征信息生成数据筛选语句；最后根据所述数据筛选语句生成所述测试用例的业务数据项，从而本发明保证了测试的高执行率，提高了测试数据对于测试程序的自适应性，同时避免了繁琐的人工静态设置。

下面结合附图对本发明提供的网络流量分配方法及装置进行详细说明。

在具体的实施例中，本申请提供的一种网络流量分配方法，如图1，包括：

S1:对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；

具体的，在一个网络中，每个运行业务都是需要一定的网络流量来进行数据的交互，例如手机应用软件app下载业务需要网络流量来从app提供方的服务器中获取app的安装数据包。不同的场景下，运行业务的重要程度也是会变化的，即运行业务的优先级是变化的，例如对于银行营业厅的网络而言，运行业务主要有柜台存款业务，柜台贷款业务，手机银行app下载业务，监控视频推送业务等，若现阶段在推广手机银行app，则手机银行app下载业务的优先级需要高一些，当推广活动结束，手机银行app下载业务的优先级需要降低，而银行主营业务，例如柜台贷款业务，柜台存款业务的优先级需要提高。因此，需要根据一定的预设准则来获取各业务的优先级，根据优先级对网络中运行业务进行排序，得到业务优先级排序列表。在具体的实施例中，所述预设准则是根据待解决问题的影响因素来确定的，本发明将要解决的问题为选择某个时间段下需要最优先处理的业务，即选择出优先级最高的业务，所以预设准则可以包括：业务允许最大时延、业务所需带宽、业务持续时间、业务对于银行网点的价值、当前的业务量、业务历史使用频率。其中业务允许最大时延、业务所需带宽、业务持续时间和业务历史使用频率，运用统计学规律分析历史流量数据即可获取；当前业务量则通过流量捕捉进行分析；业务对于银行网点的价值由调用量和收益率决定，如理财产品虽调用量不是很高，但是可以产生中间收入，有些查询类或者维护类的业务虽然不直接产生收益，但是确实其他服务基础，因此业务的价值由如下公式计算：

V_i＝w_hiH_i+w_ciC_i

其中，V_i为价值参数，w_hi为调用量权重，H_i为调用量，w_ci为收益率权重，C_i为收益率，imp_i为某种业务相对与其他所有业务价值，I为业务种类数，W_i为该业务价值权重。imp_i越高，证明该业务具有更高的价值，权重参数的确定需要通过反复实验确定。

在具体的实施例中，网络中每个运行业务的预设准则对应的数值已经得到，则根据该些预设准则来生成业务优先级排序列表，如图2，其具体步骤为：

S11:根据每个运行业务对应的判别向量生成偏重矩阵；每个判别向量包括多种预设准则对应的权重值；

具体的，所述偏重矩阵是由每个运行业务对应的判别向量构成的，每个业务对应的判别向量为偏重矩阵的一列数据，举例而言，若当前网络中运行业务有3个，分别为视频推送，柜台存款和手机游戏，其中视频推送的判别向量为(1,2,3,4,5,6)，柜台存款的判别向量为(2,3,4,5,6,7)，手机游戏的判别向量为(3,4,5,6,7,8)，则它们生成的偏重矩阵为(1,2,3,4,5,6；2,3,4,5,6,7；3,4,5,6,7,8)。可以理解的是，偏重矩阵的每一列的顺序是没有固定的，可以是视频推送，柜台存款，手机游戏，也可以是柜台存款，手机游戏，视频推送。如图3，所述判别向量的生成步骤包括：

S111:将预设准则中的每两个准则进行比较，标定出每个预设准则对于运行业务的重要程度，生成所述运行业务针对预设准则的判断矩阵；

具体的，假设确定的预设准则为业务允许最大时延、业务所需带宽、业务持续时间、业务对于银行网点的价值、当前的业务量、业务历史使用频率。采用9级标度，值也会1表示同等重要，值为9代表准则i远重要于准则j，值为1/9则代表准则j远重要于i。对于网络中的app下载业务而言，将六个预设准则中每两个进行比较，采用9级标定，标定出重要程度，生成一个app下载业务针对预设准则的判断矩阵，如下表所示。从表中可知，最大时延与所需带宽同等重要，业务量远重要于最大时延，所需带宽和持续时间。判断矩阵中每一个元素反映了对应两个准则之间重要程度的标度。

S112:获取所述判断矩阵的最大特征值对应的特征向量，生成所述判别向量。

具体的，生成运行业务对应判断矩阵之后，需要提取出判断矩阵的最大特征值对应的特征向量作为运行业务对应的判别向量。所以需要对判断矩阵进行特征值求解，假设对上表中的判断矩阵进行特征值求解，其特征值为1,2,3,6,5,4，最大的特征值为6，其对应的特征向量是(0.1,0.5,0.1,0.06,0.15,0.09)，所以app下载业务的判别向量为(0.1,0.5,0.1,0.06,0.15,0.09)。可以理解，判别向量就是每个预设准则对于运行业务的权重值。

S12:根据预设的多属性决策矩阵以及所述偏重矩阵生成所述业务优先级排序列表；所述多属性决策矩阵包括每个运行业务的归一化预设准则数值。

具体的，所述多属性决策矩阵包括了每个运行业务的归一化预设准则数值，对于每个运行业务的预设准则值的获取，可以根据确定的具体准则进行具体分析，例如预设准则确定为业务允许最大时延、业务所需带宽、业务持续时间、业务对于银行网点的价值、当前的业务量、业务历史使用频率这6个，其中业务允许最大时延、业务所需带宽、业务持续时间和业务历史使用频率，运用统计学规律分析历史流量数据即可获取；当前业务量则通过流量捕捉进行分析；业务对于银行网点的价值由调用量和收益率决定，如理财产品虽调用量不是很高，但是可以产生中间收入，有些查询类或者维护类的业务虽然不直接产生收益，但是确实其他服务基础，因此业务的价值由如下公式计算：

V_i＝w_hiH_i+w_ciC_i

/>

其中，V_i为价值参数，w_hi为调用量权重，H_i为调用量，w_ci为收益率权重，C_i为收益率，imp_i为某种业务相对与其他所有业务价值，I为业务种类数，W_i为该业务价值权重。imp_i越高，证明该业务具有更高的价值，权重参数的确定需要通过反复实验确定。举例而言，网络中运行着3个业务：app下载，柜台存款和视频推送，根据上述预设准则值的获取方法，app下载业务的预设准则值向量为(10，40，20，8，20，0.3)，其归一化后的向量为(0.25，1，0.5，0.02，0.5，0.075)；柜台存款的预设准则值向量为(4，10，40，10，5，0.9)，其归一化后的向量为(0.01，0.25，1，0.25，0.08，0.0225)；视频推送的预设准则值向量为(4，50，10，4，2，0.7)，其归一化后的向量为(0.08，1，0.2，0.08，0.04，0.014)。将三个归一化向量组成多属性决策矩阵为[0.25，1，0.5，0.02，0.5，0.075；0.01，0.25，1，0.25，0.08，0.0225；0.08，1，0.2，0.08，0.04，0.014]。各预设准则在多属性决策矩阵中的顺序与偏重矩阵组合各预设准则时是一致的，例如偏重矩阵的顺序为app下载，柜台存款和视频推送，则多属性决策矩阵也应为app下载，柜台存款和视频推送。

在具体的实施例中，所述根据预设的多属性决策矩阵以及所述偏重矩阵生成所述业务优先级排序列表，如图4，其步骤包括：

S121:根据所述多属性决策矩阵与所述偏重矩阵，生成运行业务的优先级权重矩阵，所述优先级权重矩阵为所述多属性决策矩阵与所述偏重矩阵的乘积；

具体的，网络中运行业务的优先级权重矩阵是由相应的多属性决策矩阵和偏重矩阵相乘得到的，例如网络中运行着三个业务：app下载，柜台存款和视频推送，根据上述步骤得到了优先级权重矩阵为[0.25，1，0.5，0.02，0.5，0.075；0.01，0.25，1，0.25，0.08，0.0225；0.08，1，0.2，0.08，0.04，0.014]，它是一个6*3的矩阵；偏重矩阵也是一个6*3的矩阵，将两个矩阵相乘，也就是对应元素相乘，得到一个新的6*3的矩阵，即为优先级权重矩阵，矩阵的每一列对应着一个运行业务。

S122:根据所述优先级权重矩阵，生成每个运行业务的对应正理想值和负理想值，进而得到每个业务的优先级参数；所述优先级参数为正理想值与正理想值和负理想值之和的比值；

具体的，可以通过以下公式生成每个运行业务的对应正理想值：

和负理想值：/>

其中t_ij为优先级权重矩阵中的一个元素，/>

为准则的最佳值，/>

则为最劣值。优先级参数可以表示为F_i ⁺/(F_i ⁺+F_i ^-)，得到优先级参数，参数值越大说明其优先级越高。

S123:根据每个业务的优先级参数，对网络中所有运行业务的优先级进行排序，进而生成业务优先级排序列表。

具体的，将网络中运行业务的优先级参数按照从大到小的顺序进行排序，排在前面的业务代表其优先级越高，需要优先分配网络流量；排在后面的业务说明其优先级较低，可以暂缓分配网络流量。

S2:对所有运行业务进行分类，获取每个运行业务的类别信息；

具体的，所述对所有运行业务进行分类，如图5，其具体的步骤包括：

S21:获取业务的网络流量数据包；

具体的，通过wireShark、Thor等抓包软件可以捕捉到网络中的数据包，根据数据包的特征属性进行聚合，可以得到不同的业务流。不同业务流具有不同的特征属性，如平均数据包大小、平均包到达时间间隔、业务流速率、上行字节和下行字节之比，目标网络域名等。使用单个特征可能无法准确分辨出不的业务流，但是综合较多的特征之后，可以唯一地对业务流量进行分类。

S22:将所述业务的网络流量数据包输入一预设的业务分类模型；其中，所述业务分类模型的输出为业务类别。

具体的，用于业务分类的模型型包括一分类树和对应的目标函数；建立所述目标函数，如图6，包括：

S221:建立一预设的初始目标函数；

在具体的实施例中，目标函数的表达式为

其中，G_j为叶子节点j所包含样本的一阶偏导之和，H_j为二阶偏导之和，T为叶子节点的数量，λ,γ为树相关权重。

S222:基于所述分类树的各树叶节点的数量以及每个运行业务的业务权重生成惩罚项；

具体的，如果叶节点的权值的绝对值过高，很有可能是由于训练数据集的输出噪声造成的，特别是在树的深度过长，节点过多的时候，最终影响到模型的泛化能力，所以有必要通过一个惩罚项限制节点的权值。所以如上面的目标函数的表达式，其惩罚项为，其中。

S223:结合所述惩罚项更新所述初始目标函数，得到最终的所述目标函数。

具体的，当确定了目标函数的表达式后，每生成一棵决策树，都需要根据当前的参数更新目标函数的函数值，若一棵新的决策树的生长使得目标函数的函数值较前一棵树是下降的，则保留该决策树，若这棵树的生长使得目标函数的函数值增大，则放弃该决策树。

在具体的实施例中，一种网络流量分配方法，所述业务分类模型还包括一增益函数，所述增益函数为：

使用贪心算法进行树的分裂，模型中决策树的数量越多其分类效果越好，但是决策树的数量越多会导致模型和执行效率降低，影响模型的运行速度。为了达到模型的分类效果和效率达到一个相对平衡的状态，引入增益函数

其中，M_L+R为未分裂前的目标函数，M_L,M_R为分裂出左右节点之后的目标函数，γ为引入子叶节点带来的复杂度。如果Gain＜0，说明此处树分裂使得模型的准确度降低，模型达到一个分类效果和结构复杂度平衡的状态。

S3:根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量。

具体的，在获取到业务优先级列表和运行业务的类别信息之后，需要根据一定规则将业务流进行转发。通过使用SDN工具，将相关的规则以流表的形式进行展示，业务流根据流表规则进行转发。转发的规则有两种实施方式，其一为根据根据步骤一中的业务优先级排序，让高优先级的业务流量可以抢占低优先级的业务，比如某个高优先级的业务流需要的带宽资源大于网络中剩余的带宽资源，则高优先级的业务会的抢占低优先级业务占有的带宽，使得有足够的带宽资源进行流量的转发；其二是预留低优先级业务专用的带宽通道，预留的值根据高低优先级占比换算。

在具体的实施例中，借助SDN流表规则限定业务流的转发时间段和带宽，对应到高优先级的业务流可以抢占低优先级业务流的带宽。为了避免低优先级业务“饿死”现象，当高优先级业务量占比大于95％的时候，会保留小部分带宽给低优先级的业务流专用。相关专用带宽如下：

其中，B_mouse是专用给低优先级的带宽，B_high是高优先级业务占用的带宽，B为网络带宽容量，k_mouse是占比参数，根据高低优先级业务带宽占比计算，最大值为0.05。

结合一个具体的场景，对本发明进行进一步说明。

假设在一个银行的营业网点，一般会存在以下几种业务：柜台主营业务，手机银行业务，智能机器人迎宾识别业务、AR/VR体验业务、虚拟产品主播业务、监控录像推送业务和wifi免费上网业务。确定影响最终优先级排序的预设准则为：业务允许最大时延、业务所需带宽、业务持续时间、业务对于银行网点的价值、当前的业务量、业务历史使用频率。根据本发明的方法，首先获取到每个业务的预设准则值，然后进行归一化处理，进而组合为多属性决策矩阵，在本场景中该多属性决策矩阵为一个6×7的矩阵；然后针对每个业务，将六个预设准则的重要程度进行两两比较，得到每个业务的判断矩阵，根据判断矩阵求解其最大特征值所对应的特征向量，进而得到每个业务的判别向量，将每个业务的判别向量进行组合，生成偏重矩阵，在本场景中该偏重矩阵也是一个6×7的矩阵。得到多属性决策矩阵和偏重矩阵后，将两者的对应位置的元素相乘，得到一个优先级权益矩阵，从该优先级权益矩阵中，可以得到每个业务的正理想值和负理想值。最后由正理想值除以正理想值与负理想值之和，即为用于优先级排序的优先级参数。根据每个业务的优先级参数，按照从大到小顺序排列，生成7个业务的优先级排序列表为柜台主营业务，手机银行业务，智能机器人迎宾识别业务、AR/VR体验业务、虚拟产品主播业务、监控录像推送业务和wifi免费上网业务。在某一个时刻，通过抓包软件，对网络中的数据进行抓取，得到当前网络数据包，将该数据包输入一个用于判别数据包业务类型的分类模型中，得到数据包中是柜台主营业务的相关数据，查看其在优先级排序列表中位置发现其优先级最高，所以立即分配与之业务需要相对应的流量，使其顺利执行。又例如抓取到的数据包被分类为wifi免费上网业务，查看其优先级可知其优先级最低，所以可以暂时拦截其业务请求，待网络空闲时再转发，使其分配到网络流量。

由以上描述可知，本发明提供的一种网络流量分配方法，方法包括：首先对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；然后对所有运行业务进行分类，获取每个运行业务的类别信息；最后根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量。本申请保证了关键的银行业务流量或者较为影响客户体验的流量能够优先进行转发，进而保障了网点的持续可靠运行并且提高了客户体验舒适度。

从软件层面来说，本申请提供一种用于执行所述网络流量分配方法中全部或部分内容的网络流量分配装置的实施例，参见图7，所述网络流量分配装置具体包含有如下内容：

优先级排序模块1，对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；

业务分类模块2，对所有运行业务进行分类，获取每个运行业务的类别信息；

流量分配模块3，根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量。

由以上描述可知，本发明提供的网络流量分配装置，本装置首先对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；然后对所有运行业务进行分类，获取每个运行业务的类别信息；最后根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量。本申请保证了关键的银行业务流量或者较为影响客户体验的流量能够优先进行转发，进而保障了网点的持续可靠运行并且提高了客户体验舒适度。

在具体的实施例中，本申请提供的一种网络流量分配装置，用于执行如下步骤包括：

S1:对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；

具体的，在一个网络中，每个运行业务都是需要一定的网络流量来进行数据的交互，例如手机应用软件app下载业务需要网络流量来从app提供方的服务器中获取app的安装数据包。不同的场景下，运行业务的重要程度也是会变化的，即运行业务的优先级是变化的，例如对于银行营业厅的网络而言，运行业务主要有柜台存款业务，柜台贷款业务，手机银行app下载业务，监控视频推送业务等，若现阶段在推广手机银行app，则手机银行app下载业务的优先级需要高一些，当推广活动结束，手机银行app下载业务的优先级需要降低，而银行主营业务，例如柜台贷款业务，柜台存款业务的优先级需要提高。因此，需要根据一定的预设准则来获取各业务的优先级，根据优先级对网络中运行业务进行排序，得到业务优先级排序列表。在具体的实施例中，所述预设准则是根据待解决问题的影响因素来确定的，本发明将要解决的问题为选择某个时间段下需要最优先处理的业务，即选择出优先级最高的业务，所以预设准则可以包括：业务允许最大时延、业务所需带宽、业务持续时间、业务对于银行网点的价值、当前的业务量、业务历史使用频率。其中业务允许最大时延、业务所需带宽、业务持续时间和业务历史使用频率，运用统计学规律分析历史流量数据即可获取；当前业务量则通过流量捕捉进行分析；业务对于银行网点的价值由调用量和收益率决定，如理财产品虽调用量不是很高，但是可以产生中间收入，有些查询类或者维护类的业务虽然不直接产生收益，但是确实其他服务基础，因此业务的价值由如下公式计算：

V_i＝w_hiH_i+w_ciC_i

其中，V_i为价值参数，w_hi为调用量权重，H_i为调用量，w_ci为收益率权重，C_i为收益率，imp_i为某种业务相对与其他所有业务价值，I为业务种类数，W_i为该业务价值权重。imp_i越高，证明该业务具有更高的价值，权重参数的确定需要通过反复实验确定。

在具体的实施例中，网络中每个运行业务的预设准则对应的数值已经得到，则根据该些预设准则来生成业务优先级排序列表，优先级排序列表生成单元用于执行具体步骤为：

S11:根据每个运行业务对应的判别向量生成偏重矩阵；每个判别向量包括多种预设准则对应的权重值；

具体的，所述偏重矩阵是由每个运行业务对应的判别向量构成的，每个业务对应的判别向量为偏重矩阵的一列数据，举例而言，若当前网络中运行业务有3个，分别为视频推送，柜台存款和手机游戏，其中视频推送的判别向量为(1,2,3,4,5,6)，柜台存款的判别向量为(2,3,4,5,6,7)，手机游戏的判别向量为(3,4,5,6,7,8)，则它们生成的偏重矩阵为。可以理解的是，偏重矩阵的每一列的顺序是没有固定的，可以是视频推送，柜台存款，手机游戏，也可以是柜台存款，手机游戏，视频推送。判别向量的生成单元，用于执行如下步骤包括：

S111:将预设准则中的每两个准则进行比较，标定出每个预设准则对于运行业务的重要程度，生成所述运行业务针对预设准则的判断矩阵；

具体的，假设确定的预设准则为业务允许最大时延、业务所需带宽、业务持续时间、业务对于银行网点的价值、当前的业务量、业务历史使用频率。采用9级标度，值也会1表示同等重要，值为9代表准则i远重要于准则j，值为1/9则代表准则j远重要于i。对于网络中的app下载业务而言，将六个预设准则中每两个进行比较，采用9级标定，标定出重要程度，生成一个app下载业务针对预设准则的判断矩阵，如下表所示。从表中可知，最大时延与所需带宽同等重要，业务量远重要于最大时延，所需带宽和持续时间。判断矩阵中每一个元素反映了对应两个准则之间重要程度的标度。

S112:获取所述判断矩阵的最大特征值对应的特征向量，生成所述判别向量。

具体的，生成运行业务对应判断矩阵之后，需要提取出判断矩阵的最大特征值对应的特征向量作为运行业务对应的判别向量。所以需要对判断矩阵进行特征值求解，例如对上表中的判断矩阵进行特征值求解，其特征值为1,2,3,6,5,4，最大的特征值为6，其对应的特征向量是(0.1,0.5,0.1,0.06,0.15,0.09)，所以app下载业务的判别向量为(0.1,0.5,0.1,0.06,0.15,0.09)。可以理解，判别向量就是每个预设准则对于运行业务的权重值。

可以理解的是，判别向量生成单元执行上述步骤可以理解为包括判断矩阵生成单元和判别向量生成单元，其中判断矩阵生成单元执行S111步骤，判别向量生成单元执行S112步骤，后续相关实施例不再赘述。

S12:根据预设的多属性决策矩阵以及所述偏重矩阵生成所述业务优先级排序列表；所述多属性决策矩阵包括每个运行业务的归一化预设准则数值。

具体的，所述多属性决策矩阵包括了每个运行业务的归一化预设准则数值，对于每个运行业务的预设准则值的获取，可以根据确定的具体准则进行具体分析，例如预设准则确定为业务允许最大时延、业务所需带宽、业务持续时间、业务对于银行网点的价值、当前的业务量、业务历史使用频率这6个，其中业务允许最大时延、业务所需带宽、业务持续时间和业务历史使用频率，运用统计学规律分析历史流量数据即可获取；当前业务量则通过流量捕捉进行分析；业务对于银行网点的价值由调用量和收益率决定，如理财产品虽调用量不是很高，但是可以产生中间收入，有些查询类或者维护类的业务虽然不直接产生收益，但是确实其他服务基础，因此业务的价值由如下公式计算：

V_i＝w_hiH_i+w_ciC_i

其中，V_i为价值参数，w_hi为调用量权重，H_i为调用量，w_ci为收益率权重，C_i为收益率，imp_i为某种业务相对与其他所有业务价值，I为业务种类数，W_i为该业务价值权重。imp_i越高，证明该业务具有更高的价值，权重参数的确定需要通过反复实验确定。举例而言，网络中运行着3个业务：app下载，柜台存款和视频推送，根据上述预设准则值的获取方法，app下载业务的预设准则值向量为(10，40，20，8，20，0.3)，其归一化后的向量为(0.25，1，0.5，0.02，0.5，0.075)；柜台存款的预设准则值向量为(4，10，40，10，5，0.9)，其归一化后的向量为(0.01，0.25，1，0.25，0.08，0.0225)；视频推送的预设准则值向量为(4，50，10，4，2，0.7)，其归一化后的向量为(0.08，1，0.2，0.08，0.04，0.014)。将三个归一化向量组成多属性决策矩阵为[0.25，1，0.5，0.02，0.5，0.075；0.01，0.25，1，0.25，0.08，0.0225；0.08，1，0.2，0.08，0.04，0.014]。各预设准则在多属性决策矩阵中的顺序与偏重矩阵组合各预设准则时是一致的，例如偏重矩阵的顺序为app下载，柜台存款和视频推送，则多属性决策矩阵也应为app下载，柜台存款和视频推送。

在具体的实施例中，所述根据预设的多属性决策矩阵以及所述偏重矩阵生成所述业务优先级排序列表，其步骤包括：

S121:根据所述多属性决策矩阵与所述偏重矩阵，生成运行业务的优先级权重矩阵，所述优先级权重矩阵为所述多属性决策矩阵与所述偏重矩阵的乘积；

具体的，网络中运行业务的优先级权重矩阵是由相应的多属性决策矩阵和偏重矩阵相乘得到的，例如网络中运行着三个业务：app下载，柜台存款和视频推送，根据上述步骤得到了优先级权重矩阵为[0.25，1，0.5，0.02，0.5，0.075；0.01，0.25，1，0.25，0.08，0.0225；0.08，1，0.2，0.08，0.04，0.014]，它是一个6*3的矩阵；偏重矩阵是一个6*3的矩阵，将两个矩阵相乘，也就是对应元素相乘，得到一个新的6*3的矩阵，即为优先级权重矩阵，矩阵的每一列对应着一个运行业务。

S122:根据所述优先级权重矩阵，生成每个运行业务的对应正理想值和负理想值，进而得到每个业务的优先级参数；所述优先级参数为正理想值与正理想值和负理想值之和的比值；

具体的，可以通过以下公式生成每个运行业务的对应正理想值：

和负理想值：/>

其中t_ij为优先级权重矩阵中的一个元素，/>

为准则的最佳值，/>

则为最劣值。优先级参数可以表示为F_i ⁺/(F_i ⁺+F_i ^-)，得到优先级参数，参数值越大说明其优先级越高。

S123:根据每个业务的优先级参数，对网络中所有运行业务的优先级进行排序，进而生成业务优先级排序列表。

具体的，将网络中运行业务的优先级参数按照从大到小的顺序进行排序，排在前面的业务代表其优先级越高，需要优先分配网络流量；排在后面的业务说明其优先级较低，可以暂缓分配网络流量。

S2:对所有运行业务进行分类，获取每个运行业务的类别信息；

具体的，所述对所有运行业务进行分类，业务分类模块用于执行具体的步骤包括：

S21:获取业务的网络流量数据包；

具体的，通过wireShark、Thor等抓包软件可以捕捉到网络中的数据包，根据数据包的特征属性进行聚合，可以得到不同的业务流。不同业务流具有不同的特征属性，如平均数据包大小、平均包到达时间间隔、业务流速率、上行字节和下行字节之比，目标网络域名等。使用单个特征可能无法准确分辨出不同的业务流，但是综合较多的特征之后，可以唯一地对业务流量进行分类。

S22:将所述业务的网络流量数据包输入一预设的业务分类模型；其中，所述业务分类模型的输出为业务类别。

具体的，用于业务分类的模型型包括一分类树和对应的目标函数；目标函数建立单元，用于执行如下步骤包括：

S221:建立一预设的初始目标函数；

在具体的实施例中，目标函数的表达式为

其中，G_j为叶子节点j所包含样本的一阶偏导之和，H_j为二阶偏导之和，T为叶子节点的数量，λ,γ为树相关权重。

S222:基于所述分类树的各树叶节点的数量以及每个运行业务的业务权重生成惩罚项；

具体的，如果叶节点的权值的绝对值过高，很有可能是由于训练数据集的输出噪声造成的，特别是在树的深度过长，节点过多的时候，最终影响到模型的泛化能力，所以有必要通过一个惩罚项限制节点的权值。所以如上面的目标函数的表达式，其惩罚项为，其中。

S223:结合所述惩罚项更新所述初始目标函数，得到最终的所述目标函数。

具体的，当确定了目标函数的表达式后，每生成一棵决策树，都需要根据当前的参数更新目标函数的函数值，若一棵新的决策树的生长使得目标函数的函数值较前一棵树是下降的，则保留该决策树，若这棵树的生长使得目标函数的函数值增大，则放弃该决策树。

在具体的实施例中，网络流量分配方法的所述业务分类模型还包括一增益函数，所述增益函数为：

使用贪心算法进行树的分裂，模型中决策树的数量越多其分类效果越好，但是决策树的数量越多会导致模型和执行效率降低，影响模型的运行速度。为了达到模型的分类效果和效率达到一个相对平衡的状态，引入增益函数

其中，M_L+R为未分裂前的目标函数，M_L,M_R为分裂出左右节点之后的目标函数，γ为引入子叶节点带来的复杂度。如果Gain＜0，说明此处树分裂使得模型的准确度降低，模型达到一个分类效果和结构复杂度平衡的状态。

S3:根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量。

具体的，在获取到业务优先级列表和运行业务的类别信息之后，需要根据一定规则将业务流进行转发。通过使用SDN工具，将相关的规则以流表的形式进行展示，业务流根据流表规则进行转发。转发的规则有两种实施方式，其一为根据根据步骤一中的业务优先级排序，让高优先级的业务流量可以抢占低优先级的业务，比如某个高优先级的业务流需要的带宽资源大于网络中剩余的带宽资源，则高优先级的业务会的抢占低优先级业务占有的带宽，使得有足够的带宽资源进行流量的转发；其二是预留低优先级业务专用的带宽通道，预留的值根据高低优先级占比换算。

在具体的实施例中，借助SDN流表规则限定业务流的转发时间段和带宽，对应到高优先级的业务流可以抢占低优先级业务流的带宽。为了避免低优先级业务“饿死”现象，当高优先级业务量占比大于95％的时候，会保留小部分带宽给低优先级的业务流专用。相关专用带宽如下：

其中，B_mouse是专用给低优先级的带宽，B_high是高优先级业务占用的带宽，B为网络带宽容量，k_mouse是占比参数，根据高低优先级业务带宽占比计算，最大值为0.05。

结合一个具体的场景，对本发明进行进一步说明。

假设在一个银行的营业网点，一般会存在以下几种业务：柜台主营业务，手机银行业务，智能机器人迎宾识别业务、AR/VR体验业务、虚拟产品主播业务、监控录像推送业务和wifi免费上网业务。确定影响最终优先级排序的预设准则为：业务允许最大时延、业务所需带业务。根据本发明的方法，首先获取到每个业务的预设准则值，然后进行归一化处理，进而组合为多属性决策矩阵，在本场景中该多属性决策矩阵为一个6×7的矩阵；然后针对每个业务，将六个预设准则的重要程度进行两两比较，得到每个业务的判断矩阵，根据判断矩阵求解其最大特征值所对应的特征向量，进而得到每个业务的判别向量，将每个业务的判别向量进行组合，生成偏重矩阵，在本场景中该偏重矩阵也是一个6×7的矩阵。得到多属性决策矩阵和偏重矩阵后，将两者的对应位置的元素相乘，得到一个优先级权益矩阵，从该优先级权益矩阵中，可以得到每个业务的正理想值和负理想值。最后由正理想值除以正理想值与负理想值之和，即为用于优先级排序的优先级参数。根据每个业务的优先级参数，按照从大到小顺序排列，生成7个业务的优先级排序列表为柜台主营业务，手机银行业务，智能机器人迎宾识别业务、AR/VR体验业务、虚拟产品主播业务、监控录像推送业务和wifi免费上网业务。在某一个时刻，通过抓包软件，对网络中的数据进行抓取，得到当前网络数据包，将该数据包输入一个用于判别数据包业务类型的分类模型中，得到数据包中是柜台主营业务的相关数据，查看其在优先级排序列表中位置发现其优先级最高，所以立即分配与之业务需要相对应的流量，使其顺利执行。又例如抓取到的数据包被分类为wifi免费上网业务，查看其优先级可知其优先级最低，所以可以暂时拦截其业务请求，待网络空闲时再转发，使其分配到网络流量。

由以上描述可知，本发明提供的一种网络流量分配装置，包括：优先级排序列表生成模块1，对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；业务分类模块2，对所有运行业务进行分类，获取每个运行业务的类别信息；流量分配模块3，根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量。本申请保证了关键的银行业务流量或者较为影响客户体验的流量能够优先进行转发，进而保障了网点的持续可靠运行并且提高了客户体验舒适度。

从硬件层面来说，本申请提供一种用于实现网络流量分配方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：

图8为本申请实施例的电子设备9600的系统构成的示意框图。如图8所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图8是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

在一实施例中，网络流量分配功能可以被集成到中央处理器中。其中，中央处理器可以被配置为进行如下控制：

S1:对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；

S2:对所有运行业务进行分类，获取每个运行业务的类别信息；

S3:根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量。

从上述描述可知，本申请实施例提供的电子设备，保证了关键的银行业务流量或者较为影响客户体验的流量能够优先进行转发，进而保障了网点的持续可靠运行并且提高了客户体验舒适度。

在另一个实施方式中，网络流量分配装置可以与中央处理器9100分开配置，例如可以网络流量分配装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现网络流量分配功能。

如图8所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图8中所示的所有部件；此外，电子设备9600还可以包括图8中没有示出的部件，可以参考现有技术。

如图8所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。

其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。

输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。

存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。

本申请的实施例还提供能够实现上述实施例中的网络流量分配方法中全部步骤的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，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的网络流量分配方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

S1:对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；

S2:对所有运行业务进行分类，获取每个运行业务的类别信息；

S3:根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量。

从上述描述可知，本申请实施例提供的计算机可读存储介质，保证了关键的银行业务流量或者较为影响客户体验的流量能够优先进行转发，进而保障了网点的持续可靠运行并且提高了客户体验舒适度。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (20)

1.一种网络流量分配方法，其特征在于，包括：

对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；

对所有运行业务进行分类，获取每个运行业务的类别信息；

根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量；

所述对所有运行业务进行分类包括：

获取业务的网络流量数据包；

将所述业务的网络流量数据包输入一预设的业务分类模型；其中，所述业务分类模型的输出为业务类别；

还包括：

建立业务分类模型；

所述业务分类模型还包括一增益函数，所述增益函数为：

其中，

为未分裂前的目标函数，

为分裂出左右节点之后的目标函数，

为引入子叶节点带来的复杂度，

为树相关权重，

为左右节点所包含样本的一阶偏导之和，

为左右节点所包含样本的二阶偏导之和。

2.根据权利要求1所述的网络流量分配方法，其特征在于，所述生成业务优先级排序列表，包括：

根据每个运行业务对应的判别向量生成偏重矩阵；每个判别向量包括多种预设准则对应的权重值；

根据预设的多属性决策矩阵以及所述偏重矩阵生成所述业务优先级排序列表；所述多属性决策矩阵包括每个运行业务的归一化预设准则数值。

3.根据权利要求2所述的网络流量分配方法，其特征在于，所述根据每个运行业务对应的判别向量生成偏重矩阵，包括：将每个运行业务对应的判别向量作为所述偏重矩阵的列数据，生成所述偏重矩阵。

4.根据权利要求2所述的网络流量分配方法，其特征在于，所述根据预设的多属性决策矩阵以及所述偏重矩阵生成所述业务优先级排序列表，包括：

根据所述多属性决策矩阵与所述偏重矩阵，生成运行业务的优先级权重矩阵，所述优先级权重矩阵为所述多属性决策矩阵与所述偏重矩阵的乘积；

根据所述优先级权重矩阵，生成每个运行业务的对应正理想值和负理想值，进而得到每个业务的优先级参数；所述优先级参数为正理想值与正理想值和负理想值之和的比值；

根据每个业务的优先级参数，对网络中所有运行业务的优先级进行排序，进而生成业务优先级排序列表。

5.根据权利要求2所述的网络流量分配方法，其特征在于，还包括：生成判别向量的步骤：

将预设准则中的每两个准则进行比较，标定出每个预设准则对于运行业务的重要程度，生成所述运行业务针对预设准则的判断矩阵；

获取所述判断矩阵的最大特征值对应的特征向量，生成所述判别向量。

6.根据权利要求2所述的网络流量分配方法，其特征在于，还包括：对每个业务对应的预设准则数值进行归一化，生成多属性决策矩阵。

7.根据权利要求2所述的网络流量分配方法，其特征在于，还包括：根据运行业务网络流量要求确定多种预设准则。

8.根据权利要求1所述的网络流量分配方法，其特征在于，还包括：所述业务分类模型包括一分类树和对应的目标函数；建立所述目标函数，包括：

建立一预设的初始目标函数；

基于所述分类树的各树叶节点的数量以及每个运行业务的业务权重生成惩罚项；

结合所述惩罚项更新所述初始目标函数，得到最终的所述目标函数。

9.根据权利要求1所述的网络流量分配方法，其特征在于，还包括：若所有第一运行业务的业务流量占比大于设定阈值，将预设占比的流量分配至第二运行业务，其中所述第一运行业务为所述业务优先级排序列表中排列在设定位置之前的运行业务，所述第二运行业务为所述业务优先级排序列表中排列在设定位置之后的运行业务。

10.一种网络流量分配装置，其特征在于，包括：

优先级排序模块，对网络中各运行业务的优先级进行排序，生成业务优先级排序列表；

业务分类模块，对所有运行业务进行分类，获取每个运行业务的类别信息；

流量分配模块，根据所述业务优先级排序列表和每个运行业务的类别信息，分配每个运行业务的网络流量；

所述业务分类模块，包括：

数据包获取单元，获取业务的网络流量数据包；

业务分类单元，将所述业务的网络流量数据包输入一预设的业务分类模型；其中，所述业务分类模型的输出为业务类别；

还包括：业务分类模型建立单元；

所述业务分类模型还包括一增益函数，所述增益函数为：

其中，

为未分裂前的目标函数，

为分裂出左右节点之后的目标函数，

为引入子叶节点带来的复杂度，

为树相关权重，

为左右节点所包含样本的一阶偏导之和，

为左右节点所包含样本的二阶偏导之和。

11.根据权利要求10所述的网络流量分配装置，其特征在于，所述优先级排序模块，包括：

偏重矩阵生成单元，根据每个运行业务对应的判别向量生成偏重矩阵；每个判别向量包括多种预设准则对应的权重值；

排序列表生成单元，根据预设的多属性决策矩阵以及所述偏重矩阵生成所述业务优先级排序列表；所述多属性决策矩阵包括每个运行业务的归一化预设准则数值。

12.根据权利要求11所述的网络流量分配装置，其特征在于，所述偏重矩阵生成单元，具体用于将每个运行业务对应的判别向量作为所述偏重矩阵的列数据，生成所述偏重矩阵。

13.根据权利要求11所述的网络流量分配装置，其特征在于，所述排序列表生成单元，包括：

优先级权重矩阵生成单元，根据所述多属性决策矩阵与所述偏重矩阵，生成运行业务的优先级权重矩阵，所述优先级权重矩阵为所述多属性决策矩阵与所述偏重矩阵的乘积；

优先级参数生成单元，根据所述优先级权重矩阵，生成每个运行业务的对应正理想值和负理想值，进而得到每个业务的优先级参数；所述优先级参数为正理想值与正理想值和负理想值之和的比值；

优先级排序单元，根据每个业务的优先级参数，对网络中所有运行业务的优先级进行排序，进而生成业务优先级排序列表。

14.根据权利要求11所述的网络流量分配装置，其特征在于，还包括：判别向量生成单元，包括：

判断矩阵生成单元，将预设准则中的每两个准则进行比较，标定出每个预设准则对于运行业务的重要程度，生成所述运行业务针对预设准则的判断矩阵；

判别向量生成单元，获取所述判断矩阵的最大特征值对应的特征向量，生成所述判别向量。

15.根据权利要求11所述的网络流量分配装置，其特征在于，还包括：多属性决策矩阵生成单元，具体用于对每个业务对应的预设准则数值进行归一化，生成多属性决策矩阵。

16.根据权利要求10所述的网络流量分配装置，其特征在于，还包括：预设准则确定模块，具体用于根据运行业务网络流量要求确定多种预设准则。

17.根据权利要求10所述的网络流量分配装置，其特征在于，还包括：所述业务分类模型包括一分类树和对应的目标函数；所述业务分类模型建立单元，包括：

目标函数初始化单元，建立一预设的初始目标函数；

惩罚项生成单元，惩罚项生成基于所述分类树的各树叶节点的数量以及每个运行业务的业务权重生成惩罚项；

目标函数更新单元，结合所述惩罚项更新所述初始目标函数，得到最终的所述目标函数。

18.根据权利要求10所述的网络流量分配装置，其特征在于，还包括：设定阈值流量分配模块，具体用于若所有第一运行业务的业务流量占比大于设定阈值，将预设占比的流量分配至第二运行业务，其中所述第一运行业务为所述业务优先级排序列表中排列在设定位置之前的运行业务，所述第二运行业务为所述业务优先级排序列表中排列在设定位置之后的运行业务。

19.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至9任一项所述的网络流量分配方法。

20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至9任一项所述的网络流量分配方法。

Images