CN113079033B - 一种流量控制方法、装置、电子设备及计算机可读介质 - Google Patents

Abstract

本发明实施例公开了一种流量控制方法、装置、电子设备及计算机可读介质，其中，所述方法包括：采集目标应用的请求数据；利用流量预测模型根据所述请求数据进行流量预测，获得目标周期的预测结果，所述流量预测模型基于神经网络模型构建；根据所述目标周期的预测结果生成流量控制策略；根据所述流量控制策略在目标周期内控制所述目标应用的流量。通过神经网络模型进行精准地流量预测，可以根据预测结果针对性地生成流量监控策略，对流量进行合理的分配，同时也可以根据预测结果为可能的流量突发情况进行预警提醒。

Description

一种流量控制方法、装置、电子设备及计算机可读介质

技术领域

本发明涉及计算机技术领域，特别是涉及一种流量控制方法、装置、电子设备及计算机可读介质。

背景技术

随着网络技术的快速发展，基于网络的应用越来越多、越来越复杂。这些应用不断地吞噬网络资源，造成网络拥堵。为了解决网络拥堵问题，网络流量控制成为当下的热点，网络流量控制是利用软件或者硬件实现对网络数据流量进行控制的一种措施，其需要先制定流控策略，然后依据流控策略实施流量控制。现有技术中流控策略一般采用运维人员人工维护或者采用线性预测模型对网络流量情况进行线性预测以实现网络流量的动态监控。

对于上述现有技术，流控策略的人工维护灵活性比较差且流量利用率较低，线性预测模型指定流控策略的方式虽然比人工维护灵活，但是线性预测本身存在一定的误差，尤其是对于复杂场景下的流量监控误差更大，从而造成资源浪费。

发明内容

本发明提供了一种流量控制方法、装置、电子设备及计算机可读介质，能够准确地预测流量情况以实施针对性地流量控制方案。

本发明提供了如下方案：

第一方面，提供了一种流量控制方法，包括：

采集目标应用的请求数据；

利用流量预测模型根据所述请求数据进行流量预测，获得目标周期的预测结果，所述流量预测模型基于神经网络模型构建；

根据所述目标周期的预测结果生成流量控制策略；

根据所述流量控制策略在目标周期内控制所述目标应用的流量。

进一步地，所述利用流量预测模型根据所述请求数据进行流量预测，获得目标周期的预测结果，包括：

将所述请求数据分别输入不同预测周期的流量预测模型进行流量预测，获得至少两个不同周期的预测结果；

对所述不同周期的预测结果进行分析，获得所述目标周期的预测结果。

进一步地，所述对所述不同周期的预测结果进行分析，获得所述目标周期的预测结果，包括：

利用短周期的预测结果修正长周期的预测结果；

将修正后的长周期的预测结果作为所述目标周期的预测结果。

进一步地，所述对所述不同周期的预测结果进行分析，获得目标周期的预测结果，包括：

对所述不同周期的预测结果进行拟合分析，获得所述目标周期的预测结果。

进一步地，所述对所述不同周期的预测结果进行分析，获得目标周期的预测结果，包括：

对所述不同周期的预测结果进行均值计算；

将所述不同周期的预测结果的均值计算结果作为所述目标周期的预测结果。

进一步地，所述流量预测模型的构建包括：

获取流量预测的样本训练集，包括：输入样本和结果样本；

将所述输入样本输入到初始化的神经网络模型中，获得预测结果集；

将所述预测结果集与所述结果样本对比，获得预测误差；

基于所述预测误差调整所述神经网络模型；

利用调整后的所述神经网络模型对所述输入样本重复预测；

将所述预测误差与标准误差条件比较，当所述预测误差满足所述标准条件误差时，则所述预测误差对应的所述神经网络模型为所述流量预测模型。

进一步地，所述基于所述预测误差调整所述神经网络模型，包括：

根据所述预测误差利用反向传播算法修正所述神经网络模型的各突触权值。

第二方面，提供了一种流量控制装置，包括：

数据采集单元，用于采集目标应用的请求数据；

流量预测单元，用于利用流量预测模型根据所述请求数据进行流量预测，获得目标周期的流量预测结果，所述流量预测模型基于神经网络模型构建；

策略生成单元，用于根据所述目标周期的流量预测结果生成流量控制策略；

流量控制单元，用于根据所述流量控制策略在目标周期内控制所述目标应用的流量。

进一步地，流量预测单元，包括：

预测模块，用于将请求数据分别输入不同预测周期的流量预测模型进行流量预测，获得至少两个周期的预测结果；

分析模块，用于对不同周期的预测结果进行分析，获得目标周期的预测结果。

进一步地，分析模块，具体用于：

利用短周期的预测结果修正长周期的预测结果；

将修正后的长周期的预测结果作为目标周期的预测结果。

进一步地，分析模块，具体用于：

对不同周期的预测结果进行拟合分析，获得目标周期的预测结果。

进一步地，分析模块，具体用于：

对不同周期的预测结果进行均值计算；

将不同周期的预测结果的均值计算结果作为目标周期的预测结果。

进一步地，上述装置还包括流量预测模型训练模块，用于：

获取流量预测的样本训练集，包括：输入样本和结果样本；

将输入样本输入到初始化的神经网络模型中，获得预测结果集；

将预测结果集与结果样本对比，获得预测误差；

基于所述预测误差调整所述神经网络模型；

利用调整后的所述神经网络模型对所述输入样本重复预测；

将所述预测误差与标准误差条件比较，当所述预测误差满足所述标准条件误差时，则所述预测误差对应的所述神经网络模型为所述流量预测模型。

进一步地，所述基于所述预测误差调整所述神经网络模型，包括：

根据所述预测误差利用反向传播算法修正所述神经网络模型的各突触权值。

第三方面，提供了一种电子设备，其特征在于，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如第一方面任一所述的方法。

第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如第一方面任一所述的方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

1、本发明实施例通过神经网络模型进行精准地流量预测，可以根据预测结果针对性地生成流量监控策略，对流量进行合理的分配，同时也可以根据预测结果为可能的流量突发情况进行预警提醒；

2、本发明实施例公开的技术方案，根据不同预测周期的流量预测结果进行分析获得目标周期的预测结果，相较于现有的线性预测方法获得的预测结果更加准确；

3、本发明实施例公开的技术方案中对流量预测模型根据预测误差进行不断地训练和调整，避免一般方法无法预测突发状况的缺陷。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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他的附图。

图1是本发明实施例提供的方法的流程图；

图2是本发明实施例提供的装置的结构图；

图3是本发明实施例提供的计算机系统的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

在本发明实施例中，提供了一种基于神经网络模型预测流量，并根据预测结果进行流量控制的技术方案，解决了现有流控方案采用运维人员人工维护造成的灵活性差，流量利用率低的问题，解决了采用线性预测模型进行流量预测，由其误差大导致的资源浪费的问题。

下面对本发明实施例提供的具体实现方案进行详细介绍。

实施例一

参见图1，一种流量控制方法，具体可以包括：

S1：采集目标应用的请求数据。

上述，实时采集目标应用的接口请求数据，通过请求数据可以判断出该目标应用的流量情况。目标应用的接口请求数据包括但不限于以下八种形式：

Get向特定资源发出请求(请求指定页面信息，并返回实体主体)；

Post向指定资源提交数据进行处理请求(提交表单、上传文件)，又可能导致新的资源的建立或原有资源的修改；

Put向指定资源位置上上传其最新内容(从客户端向服务器传送的数据取代指定文档的内容)；

Head与服务器索与get请求一致的相应，响应体不会返回，获取包含在小消息头中的原信息(与get请求类似，返回的响应中没有具体内容，用于获取报头)；

Delete请求服务器删除request-URL所标示的资源(请求服务器删除页面)；

Trace回显服务器收到的请求，用于测试和诊断；

Opions返回服务器针对特定资源所支持的HTML请求方法或web服务器发送*测试服务器功能(允许客户端查看服务器性能)；

Connec HTTP/1.1协议中能够将连接改为管道方式的代理服务器。

S2：利用流量预测模型根据请求数据进行流量预测，获得目标周期的预测结果，其中，流量预测模型基于神经网络模型构建。

上述，本发明实施例区别与现有技术采用的是基于网络模型构建的流量预测模型进行流量预测，流量预测是生成或选用流量控制策略的依据，流量预测结果的准确与否关系到流量控制策略生成或选用的正确性，从而影响流量控制效果。流量预测结果可以是具体的流量数值范围，也可以是目标周期内流量的变化趋势情况。

在一个实施例中，具体的预测方法包括：

S21：将请求数据分别输入不同预测周期的流量预测模型进行流量预测，获得至少两个不同周期的预测结果；

S22：对不同周期的预测结果进行分析，获得目标周期的预测结果。

上述，不同预测周期的流量预测模型是指分别利用不同周期内采集的请求数据作为训练样本训练得出的多个流量预测模型，例如：短周期流量预测模型、中周期流量预测模型、长周期流量预测模型，相应地，得到的预测结果包括：短周期预测结果、中周期预测结果、长周期预测结果。

对上述获得的不同周期的预测结果进行分析获得目标周期的预测结果，主要指综合分析不同长度周期的预测结果获得尽量长的周期的流量情况，并尽量符合目标应用在尽量长的周期的实际流量情况，具体的分析方法可选用下述实施例中的任意一个或多个：

在一个实施例中，对不同周期的预测结果进行分析，获得目标周期的预测结果，包括：

利用短周期的预测结果修正长周期的预测结果；

将修正后的长周期的预测结果作为目标周期的预测结果。

上述，短周期和长周期是按照各周期的长短排序得出的，本实施例所述的利用短周期的预测结果修正长周期的预测结果包括如下情况：

(1)利用其他各个短周期的预测结果修正最长周期的预测结果；

(2)将各周期的预测结果进行分组，利用各组中相对较短周期的预测结果修正各组中相对较长周期的预测结果，然后根据各组中相对较长的预测结果获得目标周期的预测结果(具体可以是均值计算)。

上述，具体的修正方法可以是利用短周期和长周期预测结果的比值修正长周期的预测结果，或者通过设定不同周期权值的方法进行修正，具体的修正方法本发明实施例不做限制。

在一个实施例中，对不同周期的预测结果进行分析，获得目标周期的预测结果，包括：

对不同周期的预测结果进行拟合分析，获得目标周期的预测结果。

上述，拟合分析主要指将不同周期的离散的预测结果，通过调整系数的方式确定一个目标函数，该目标函数与不同周期的离散的预测结果差别最小。

在一个实施例中，对不同周期的预测结果进行分析，获得目标周期的预测结果，包括：

对不同周期的预测结果进行均值计算；

将不同周期的预测结果的均值计算结果作为目标周期的预测结果。

上述，均值计算主要指：计算不同周期预测结果的算数平均值、加权平均值等均值计算。

需要说明的是：除了上述实施例公开的对不同周期的预测结果进行分析获得目标周期预测结果的方法还，其他还可以包括：计算不同周期的预测结果的中位数，将该中位数作为目标周期的预测结果的方式。此种中位数的方法优选适用于周期数量较多且不同周期之间相差较少的情况下。

在一个实施例中，流量预测模型的构建方法，包括：

S21’：获取流量预测的样本训练集，包括：输入样本和结果样本；

S22’：将输入样本输入到初始化的神经网络模型中，获得预测结果集；

S23’：将预测结果集与结果样本对比，获得预测误差；

S24’：基于预测误差调整神经网络模型；

S25’：利用调整后的神经网络模型对输入样本重复预测，获得预测结果集；

S26’：将预测误差与标准误差条件比较，当预测误差满足标准条件误差时，则预测误差对应的神经网络模型为流量预测模型。

上述，步骤S22’中初始化的神经网络模型具有初始化的权值，步骤S24’通过基于预测误差利用反向传播算法修正神经网络模型具的突触权值，因此本发明实施例公开的流量预测模型的构建方法，构建的流量预测模型通过预测误差与标准误差的比较，不断进行自适应学习调整突触权值，由此避免一般方法无法预测突发状况的缺陷。

S3：根据目标周期的预测结果生成流量控制策略。

上述，流量控制策略可以是根据预测结果制定生成的，也可以是与存储的并与不同预测结果对应的。

S4：根据流量控制策略在目标周期内控制目标应用的流量。

上述，通过较为准确地流量预测结果可以有针对性地生成流量控制策略，从而对目标应用进行有效地流量控制。

与上述公开的流量控制方法相对应，本发明实施例还提供了一种流量控制装置，参见图2，包括：

数据采集单元201，用于采集目标应用的请求数据。

上述，数据采集单元与通过目标应用的接口获取目标应用的请求数据，请求数据可以包括多种形式，本发明实施例不做具体限制。

流量预测单元202，用于利用流量预测模型根据请求数据进行流量预测，获得目标周期的流量预测结果，流量预测模型基于神经网络模型构建。

在一个实施例中，流量预测单元202具体包括：不同预测周期的流量预测模型，具体包括：

预测模块，用于将请求数据分别输入不同预测周期的流量预测模型进行流量预测，获得至少两个周期的预测结果；

分析模块，用于对不同周期的预测结果进行分析，获得目标周期的预测结果。

在一个实施例中，分析模块，具体用于：

利用短周期的预测结果修正长周期的预测结果；

将修正后的长周期的预测结果作为目标周期的预测结果。

上述，短周期和长周期是按照各周期的长短排序得出的，本实施例所述的利用短周期的预测结果修正长周期的预测结果包括如下情况：

(1)利用其他各个短周期的预测结果修正最长周期的预测结果；

(2)将各周期的预测结果进行分组，利用各组中相对较短周期的预测结果修正各组中相对较长周期的预测结果，然后根据各组中相对较长的预测结果获得目标周期的预测结果(具体可以是均值计算)。

在一个实施例中，分析模块，具体用于：

对不同周期的预测结果进行拟合分析，获得目标周期的预测结果。

在一个实施例中，分析模块，具体用于：

对不同周期的预测结果进行均值计算；

将不同周期的预测结果的均值计算结果作为目标周期的预测结果。

上述，均值计算主要指：计算不同周期预测结果的算数平均值、加权平均值等均值计算。

在一个实施例中，本发明实施例公开的装置还包括流量预测模型训练模块，用于：

获取流量预测的样本训练集，包括：输入样本和结果样本；

将输入样本输入到初始化的神经网络模型中，获得预测结果集；

将预测结果集与结果样本对比，获得预测误差；

基于预测误差调整神经网络模型；

利用调整后的神经网络模型对输入样本重复预测，获得预测结果集；

将预测误差与标准误差条件比较，当预测误差满足标准条件误差时，则预测误差对应的神经网络模型为流量预测模型。

上述，基于预测误差调整神经网络模型，包括：根据预测误差利用反向传播算法修正神经网络模型的各突触权值。

策略生成单元203，用于根据目标周期的流量预测结果生成流量控制策略。

流量控制单元204，用于根据流量控制策略在目标周期内控制目标应用的流量。

另外本发明实施例还提供了一种电子设备，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行本发明实施例公开的流量控制方法。

其中，图3示例性的展示出了计算机系统的架构，具体可以包括处理器310，视频显示适配器311，磁盘驱动器312，输入/输出接口313，网络接口314，以及存储器320。上述处理器310、视频显示适配器311、磁盘驱动器312、输入/输出接口313、网络接口314，与存储器320之间可以通过通信总线330进行通信连接。

其中，处理器310可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本发明所提供的技术方案。

存储器320可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器320可以存储用于控制电子设备300运行的操作系统321，用于控制电子设备300的低级别操作的基本输入输出系统(BIOS)。另外，还可以存储网页浏览器323，数据存储管理系统324，以及图标字体处理系统325等等。上述图标字体处理系统325就可以是本发明实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本发明所提供的技术方案时，相关的程序代码保存在存储器320中，并由处理器310来调用执行。

输入/输出接口313用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

网络接口314用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线330包括一通路，在设备的各个组件(例如处理器310、视频显示适配器311、磁盘驱动器312、输入/输出接口313、网络接口314，与存储器320)之间传输信息。

另外，该电子设备300还可以从虚拟资源对象领取条件信息数据库中获得具体领取条件的信息，以用于进行条件判断，等等。

需要说明的是，尽管上述设备仅示出了处理器310、视频显示适配器311、磁盘驱动器312、输入/输出接口313、网络接口314，存储器320，总线330等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本发明方案所必需的组件，而不必包含图中所示的全部组件。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储器被安装，或者从ROM被安装。在该计算机程序被处理器执行时，执行本发明的实施例的方法中限定的上述功能。

需要说明的是，本发明的实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(Radio Frequency，射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：响应于检测到终端的外设模式未激活时，获取终端上应用的帧率；在帧率满足息屏条件时，判断用户是否正在获取终端的屏幕信息；响应于判断结果为用户未获取终端的屏幕信息，控制屏幕进入立即暗淡模式。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

1、本发明实施例通过神经网络模型进行精准地流量预测，可以根据预测结果针对性地生成流量监控策略，对流量进行合理的分配，同时也可以根据预测结果为可能的流量突发情况进行预警提醒；

2、本发明实施例公开的技术方案，根据不同预测周期的流量预测结果进行分析获得目标周期的预测结果，相较于现有的线性预测方法获得的预测结果更加准确；

3、本发明实施例公开的技术方案中对流量预测模型根据预测误差进行不断地训练和调整，避免一般方法无法预测突发状况的缺陷。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上对本发明所提供的流量控制方法、装置及电子设备，进行了详细介绍，本文中应用了具体个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 (9)

1.一种流量控制方法，其特征在于，包括：

采集目标应用的请求数据；

利用流量预测模型根据所述请求数据进行流量预测，获得目标周期的预测结果，所述流量预测模型基于神经网络模型构建；

根据所述目标周期的预测结果生成流量控制策略；

根据所述流量控制策略在目标周期内控制所述目标应用的流量；

所述利用流量预测模型根据所述请求数据进行流量预测，获得目标周期的预测结果，包括：

将所述请求数据分别输入不同预测周期的流量预测模型进行流量预测，获得至少两个不同周期的预测结果；

对所述不同周期的预测结果进行分析，获得所述目标周期的预测结果。

2.如权利要求1所述的方法，其特征在于，所述对所述不同周期的预测结果进行分析，获得所述目标周期的预测结果，包括：

利用短周期的预测结果修正长周期的预测结果；

将修正后的长周期的预测结果作为所述目标周期的预测结果。

3.如权利要求1所述的方法，其特征在于，所述对所述不同周期的预测结果进行分析，获得目标周期的预测结果，包括：

对所述不同周期的预测结果进行拟合分析，获得所述目标周期的预测结果。

4.如权利要求1所述的方法，其特征在于，所述对所述不同周期的预测结果进行分析，获得目标周期的预测结果，包括：

对所述不同周期的预测结果进行均值计算；

将所述不同周期的预测结果的均值计算结果作为所述目标周期的预测结果。

5.根据权利要求1～4中任一项所述的方法，其特征在于，所述流量预测模型的构建包括：

获取流量预测的样本训练集，包括：输入样本和结果样本；

将所述输入样本输入到初始化的神经网络模型中，获得预测结果集；

将所述预测结果集与所述结果样本对比，获得预测误差；

基于所述预测误差调整所述神经网络模型；

利用调整后的所述神经网络模型对所述输入样本重复预测；

将所述预测误差与标准误差条件比较，当所述预测误差满足所述标准误差条件时，则所述预测误差对应的所述神经网络模型为所述流量预测模型。

6.如权利要求5所述的方法，其特征在于，所述基于所述预测误差调整所述神经网络模型，包括：

根据所述预测误差利用反向传播算法修正所述神经网络模型中各突触的权值。

7.一种流量控制装置，其特征在于，包括：

数据采集单元，用于采集目标应用的请求数据；

流量预测单元，用于利用流量预测模型根据所述请求数据进行流量预测，获得目标周期的流量预测结果，所述流量预测模型基于神经网络模型构建；

策略生成单元，用于根据所述目标周期的流量预测结果生成流量控制策略；

流量控制单元，用于根据所述流量控制策略在目标周期内控制所述目标应用的流量；

所述流量预测单元具体包括：

预测模块，用于将请求数据分别输入不同预测周期的流量预测模型进行流量预测，获得至少两个周期的预测结果；

分析模块，用于对不同周期的预测结果进行分析，获得目标周期的预测结果。

8.一种电子设备，其特征在于，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如权利要求1 ～ 6 中任一所述的方法。

9.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1 ～ 6 中任一所述的方法。

Images