CN113098710A - 网络资源运行参数自调整与优化方法及装置 - Google Patents

网络资源运行参数自调整与优化方法及装置 Download PDF

Info

Publication number
CN113098710A
CN113098710A CN202110323443.4A CN202110323443A CN113098710A CN 113098710 A CN113098710 A CN 113098710A CN 202110323443 A CN202110323443 A CN 202110323443A CN 113098710 A CN113098710 A CN 113098710A
Authority
CN
China
Prior art keywords
service
prediction
use condition
network resource
vector
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.)
Granted
Application number
CN202110323443.4A
Other languages
English (en)
Other versions
CN113098710B (zh
Inventor
王军平
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.)
Beijing Saibo Yunrui Intelligent Technology Co ltd
Original Assignee
Beijing Saibo Yunrui Intelligent Technology Co ltd
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 Beijing Saibo Yunrui Intelligent Technology Co ltd filed Critical Beijing Saibo Yunrui Intelligent Technology Co ltd
Priority to CN202110323443.4A priority Critical patent/CN113098710B/zh
Publication of CN113098710A publication Critical patent/CN113098710A/zh
Application granted granted Critical
Publication of CN113098710B publication Critical patent/CN113098710B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0876—Aspects of the degree of configuration automation
    • H04L41/0886—Fully automatic configuration
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0893—Assignment of logical groups to network elements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供一种网络资源运行参数自调整与优化方法及系统，其中方法包括：获取当前时刻至前N时刻的网络资源的第一使用情况；基于第一使用情况对下一时刻的网络资源的第二使用情况进行预测；基于第二使用情况调整网络资源运行参数。本发明的网络资源运行参数自调整与优化方法，实现根据网络资源的实际需求自行调整网络资源运行参数。

Description

网络资源运行参数自调整与优化方法及装置
技术领域
本发明涉及互联网技术领域，特别涉及一种网络资源运行参数自调整与优化方法及装置。
背景技术
目前，网络资源的优化配置是以人们对网络信息资源的需求为出发点，以追求网络信息资源配置的效率和质量为指针，通过设计网络上信息资源的流向，进一步规划分配网络信息资源的类型、内容、数量、时间、空间等方面的分布，较终达到为网络用户提供便捷的信息服务和信息资源被合理有效利用的目的。现有的优化配置都是由用户手动完成，无法实现自动根据网络资源的实际需求自行调整。
发明内容
本发明目的之一在于提供了一种网络资源运行参数自调整与优化方法，以解决现有的网络资源配置无法根据网络资源的实际需求自行调整的问题。
本发明实施例提供的一种网络资源运行参数自调整与优化方法，包括：
获取当前时刻至前N时刻的网络资源的第一使用情况；
基于第一使用情况对下一时刻的网络资源的第二使用情况进行预测；
基于第二使用情况调整网络资源运行参数。
优选的，基于第一使用情况对下一时刻的网络资源的第二使用情况进行预测，包括：
对第一使用情况进行特征提取，获取多个特征值；
将特征值输入预设的神经网络模型，获取使用情况预测因子；
基于使用情况预测因子查询预设的因子与使用情况对照表，获取第二使用情况；
或，
获取预设的预测库，预测库中预测向量与第二使用情况一一对应；
基于第一使用情况构建历史向量；
基于历史向量与预测库中每个预测向量进行匹配，获取匹配符合的预测向量对应的第二使用情况；
其中，基于历史向量与预测库中每个预测向量进行匹配，获取匹配符合的预测向量对应的第二使用情况；包括：
计算历史向量与预测向量的匹配度，计算公式如下：
Figure BDA0002993674850000021
其中，Pj为历史向量与预测库中第j个预测向量的匹配度，n为历史向量的数据维度或预测向量的数据维度；Ai为历史向量的第i维数据的值；Bi,j为第j个预测向量的第i维数据的值；
比较计算出的各个匹配度，当其中最大的匹配度大于预设的阈值时，确定最大的匹配度对应的预测向量与历史向量匹配符合。
优选的，当预测库中的每个预测向量与历史向量的匹配度都小于等于预设的阈值时，采用下式对第二使用情况进行预测：
Figure BDA0002993674850000022
其中，T′为第二使用情况；T0为当前时刻的网络资源的使用情况；Tk-1为k-1时刻的网络资源的使用情况；Tk为k时刻的网络资源的使用情况；Tl-1为l-1时刻的网络资源的使用情况；Tl为l时刻的网络资源的使用情况；βk为k时刻对应的预设的影响系数，存在
Figure BDA0002993674850000023
α为预设的当前时刻的影响系数。
优选的，网络资源运行参数自调整与优化方法，还包括：
获取所有业务对于下一时刻的网络资源的第二使用情况；
基于第二使用情况，确定下一时刻的网络资源的总需求；
当总需求大于网络资源的容量时，获取所有业务的历史使用情况；
解析历史使用情况确定各个业务的使用频率；
基于使用频率对业务进行排序，获取业务列表；
基于总需求与容量的差值、业务对应的第二使用情况，确定下一时刻暂停处理的业务，并在下下一时刻优先处理暂停处理的业务；或，基于总需求与容量的差值、业务对应的第二使用情况，确定下一时刻暂停处理的业务，基于历史记录对暂停处理的业务进行处理。
优选的，基于历史记录对暂停处理的业务进行处理，包括：
解析历史记录，获取业务数据包与其对应的反馈数据包；
获取暂停处理的业务的当前数据包；
将当前数据包与历史记录的业务数据包进行匹配，当匹配符合时，获取其对应的反馈数据包。
本发明还提供一种网络资源运行参数自调整与优化装置，包括：
获取模块，用于获取当前时刻至前N时刻的网络资源的第一使用情况；
预测模块，用于基于第一使用情况对下一时刻的网络资源的第二使用情况进行预测；
优化模块，用于基于第二使用情况调整网络资源运行参数。
优选的，预测模块执行如下操作：
对第一使用情况进行特征提取，获取多个特征值；
将特征值输入预设的神经网络模型，获取使用情况预测因子；
基于使用情况预测因子查询预设的因子与使用情况对照表，获取第二使用情况；
或，
获取预设的预测库，预测库中预测向量与第二使用情况一一对应；
基于第一使用情况构建历史向量；
基于历史向量与预测库中每个预测向量进行匹配，获取匹配符合的预测向量对应的第二使用情况；
其中，基于历史向量与预测库中每个预测向量进行匹配，获取匹配符合的预测向量对应的第二使用情况；包括：
计算历史向量与预测向量的匹配度，计算公式如下：
Figure BDA0002993674850000041
其中，Pj为历史向量与预测库中第j个预测向量的匹配度，n为历史向量的数据维度或预测向量的数据维度；Ai为历史向量的第i维数据的值；Bi，j为第j个预测向量的第i维数据的值；
比较计算出的各个匹配度，当其中最大的匹配度大于预设的阈值时，确定最大的匹配度对应的预测向量与历史向量匹配符合。
优选的，当预测库中的每个预测向量与历史向量的匹配度都小于等于预设的阈值时，采用下式对第二使用情况进行预测：
Figure BDA0002993674850000042
其中，T′为第二使用情况；T0为当前时刻的网络资源的使用情况；Tk-1为k-1时刻的网络资源的使用情况；Tk为k时刻的网络资源的使用情况；Tl-1为l-1时刻的网络资源的使用情况；Tl为l时刻的网络资源的使用情况；βk为k时刻对应的预设的影响系数，存在
Figure BDA0002993674850000043
α为预设的当前时刻的影响系数。
优选的，网络资源运行参数自调整与优化装置，还包括：调整模块，调整模块执行如下操作：
获取所有业务对于下一时刻的网络资源的第二使用情况；
基于第二使用情况，确定下一时刻的网络资源的总需求；
当总需求大于网络资源的容量时，获取所有业务的历史使用情况；
解析历史使用情况确定各个业务的使用频率；
基于使用频率对业务进行排序，获取业务列表；
基于总需求与容量的差值、业务对应的第二使用情况，确定下一时刻暂停处理的业务，并在下下一时刻优先处理暂停处理的业务；或，基于总需求与容量的差值、业务对应的第二使用情况，确定下一时刻暂停处理的业务，基于历史记录对暂停处理的业务进行处理。
优选的，调整模块基于历史记录对暂停处理的业务进行处理，包括如下步骤：
解析历史记录，获取业务数据包与其对应的反馈数据包；
获取暂停处理的业务的当前数据包；
将当前数据包与历史记录的业务数据包进行匹配，当匹配符合时，获取其对应的反馈数据包。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图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，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种网络资源运行参数自调整与优化方法的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种网络资源运行参数自调整与优化方法，如图1所示，包括：
步骤S1：获取当前时刻至前N时刻的网络资源的第一使用情况；
步骤S2：基于第一使用情况对下一时刻的网络资源的第二使用情况进行预测；
步骤S3：基于第二使用情况调整网络资源运行参数。
上述技术方案的工作原理及有益效果为：
本发明实施例提供的网络资源运行参数自调整与优化方法，采用基于历史使用情况对下一时刻的使用情况进行预测，基于预测的使用情况在当前时刻将要结束时调整为适应下一时刻的使用情况的网络资源运行参数；实现了根据实际使用情况及时有效地调整网络资源运行参数，保证网络资源有效合理的利用。其中网络资源运行参数包括：带宽、CPU使用、内存使用等。N为大于等于二的整数；时刻的时间跨度可以由用户自己设置，时间跨度设置越长，自调整方案应对异常的能力越差，建议设置为30秒至3分钟。
在一个实施例中，基于第一使用情况对下一时刻的网络资源的第二使用情况进行预测，包括：
对第一使用情况进行特征提取，获取多个特征值；
将特征值输入预设的神经网络模型，获取使用情况预测因子；
基于使用情况预测因子查询预设的因子与使用情况对照表，获取第二使用情况；
或，
获取预设的预测库，预测库中预测向量与第二使用情况一一对应；
基于第一使用情况构建历史向量；
基于历史向量与预测库中每个预测向量进行匹配，获取匹配符合的预测向量对应的第二使用情况；
其中，基于历史向量与预测库中每个预测向量进行匹配，获取匹配符合的预测向量对应的第二使用情况；包括：
计算历史向量与预测向量的匹配度，计算公式如下：
Figure BDA0002993674850000071
其中，Pj为历史向量与预测库中第j个预测向量的匹配度，n为历史向量的数据维度或预测向量的数据维度；Ai为历史向量的第i维数据的值；Bi，j为第j个预测向量的第i维数据的值；
比较计算出的各个匹配度，当其中最大的匹配度大于预设的阈值时，确定最大的匹配度对应的预测向量与历史向量匹配符合。
上述技术方案的工作原理及有益效果为：
在预测时，可以采用两种方案中的任一种；第一种方案为，神经网络法，基于预先经过大量数据训练收敛的神经网络模型，将第一使用情况进行特征提取输入神经网络模型中，进行预测。第二种方案为预测库法，预测库也是基于大量的数据构建；构建出预测向量与第二使用情况一一对应的预测数据项；根据第一使用情况构建历史向量；基于历史向量与预测库进行第二使用情况的预测；不论是神经网络模块还是预测库都是以大量数据为基础上建立，可以有效保证预测的第二使用情况的准确性。
在一个实施例中，当预测库中的每个预测向量与历史向量的匹配度都小于等于预设的阈值时，采用下式对第二使用情况进行预测：
Figure BDA0002993674850000072
其中，T′为第二使用情况；T0为当前时刻的网络资源的使用情况；Tk-1为k-1时刻的网络资源的使用情况；Tk为k时刻的网络资源的使用情况；Tl-1为l-1时刻的网络资源的使用情况；Tl为l时刻的网络资源的使用情况；βk为k时刻对应的预设的影响系数，存在
Figure BDA0002993674850000073
α为预设的当前时刻的影响系数。
上述技术方案的工作原理及有益效果为：
本实施例提供的预测方案为预测库法的补充，在预测库并不能预测出第二使用情况下使用，主要分析第一使用情况的各个时刻的数据的差异，进而对下一时刻的第二使用情况进行预测，进一步提高了第二使用情况预测的准确性。
在一个实施例中，网络资源运行参数自调整与优化方法，还包括：
获取所有业务对于下一时刻的网络资源的第二使用情况；
基于第二使用情况，确定下一时刻的网络资源的总需求；
当总需求大于网络资源的容量时，获取所有业务的历史使用情况；
解析历史使用情况确定各个业务的使用频率；
基于使用频率对业务进行排序，获取业务列表；
基于总需求与容量的差值、业务对应的第二使用情况，确定下一时刻暂停处理的业务，并在下下一时刻优先处理暂停处理的业务；或，基于总需求与容量的差值、业务对应的第二使用情况，确定下一时刻暂停处理的业务，基于历史记录对暂停处理的业务进行处理。
上述技术方案的工作原理及有益效果为：
当对第二使用情况预测后，需要对第二使用情况实施进行验证，当出现总需求大于网络资源的容量时，需要调整各个业务的处理序列，在处理时，将频繁使用的业务放入下下个时刻进行处理，主要通过使用频率猜测用户的优先意图，频繁使用的业务出现些许延迟相较于极少使用的业务出现延迟更容易使用户接受；此外，频繁使用的业务会在本地留有大量的历史记录，基于这些历史记录可以对业务进行预处理，待网络资源空闲时，可以通过验证的方式，确定预处理操作是否准确；进一步实现了网络资源的优化配置。其中，使用频率为预设的时间段内业务的使用次数。
为了实现基于历史记录对暂停处理的业务的处理，在一个实施例中，基于历史记录对暂停处理的业务进行处理，包括：
解析历史记录，获取业务数据包与其对应的反馈数据包；
获取暂停处理的业务的当前数据包；
将当前数据包与历史记录的业务数据包进行匹配，当匹配符合时，获取其对应的反馈数据包。
在一个实施例中，在下下一时刻时，将暂停处理的业务的暂停处理的数据包与优先处理的数据包进行匹配，当匹配相符时，合并发送，只发送优先处理的数据包。当匹配不符时，优选处理暂停处理的数据包；将优先处理的数据包进行暂存。
上述技术方案的工作原理及有益效果：
在暂停处理的下一时刻对暂停处理的业务的处理，此时刻的数据包为优先处理的数据包；上一时刻的数据包为暂停处理的数据包；将暂停数据包与优选处理的数据包，进行匹配，当匹配符合时可以认为其是同一数据包；可以合并发送。
本发明还提供一种网络资源运行参数自调整与优化装置，包括：
获取模块，用于获取当前时刻至前N时刻的网络资源的第一使用情况；
预测模块，用于基于第一使用情况对下一时刻的网络资源的第二使用情况进行预测；
优化模块，用于基于第二使用情况调整网络资源运行参数。
上述技术方案的工作原理及有益效果为：
本发明实施例提供的网络资源运行参数自调整与优化装置，采用基于历史使用情况对下一时刻的使用情况进行预测，基于预测的使用情况在当前时刻将要结束时调整为适应下一时刻的使用情况的网络资源运行参数；实现了根据实际使用情况及时有效地调整网络资源运行参数，保证网络资源有效合理的利用。其中网络资源运行参数包括：带宽、CPU使用、内存使用等。
在一个实施例中，预测模块执行如下操作：
对第一使用情况进行特征提取，获取多个特征值；
将特征值输入预设的神经网络模型，获取使用情况预测因子；
基于使用情况预测因子查询预设的因子与使用情况对照表，获取第二使用情况；
或，
获取预设的预测库，预测库中预测向量与第二使用情况一一对应；
基于第一使用情况构建历史向量；
基于历史向量与预测库中每个预测向量进行匹配，获取匹配符合的预测向量对应的第二使用情况；
其中，基于历史向量与预测库中每个预测向量进行匹配，获取匹配符合的预测向量对应的第二使用情况；包括：
计算历史向量与预测向量的匹配度，计算公式如下：
Figure BDA0002993674850000101
其中，Pj为历史向量与预测库中第j个预测向量的匹配度，n为历史向量的数据维度或预测向量的数据维度；Ai为历史向量的第i维数据的值；Bi，j为第j个预测向量的第i维数据的值；
比较计算出的各个匹配度，当其中最大的匹配度大于预设的阈值时，确定最大的匹配度对应的预测向量与历史向量匹配符合。
上述技术方案的工作原理及有益效果为：
在预测时，可以采用两种方案中的任一种；第一种方案为，神经网络法，基于预先经过大量数据训练收敛的神经网络模型，将第一使用情况进行特征提取输入神经网络模型中，进行预测。第二种方案为预测库法，预测库也是基于大量的数据构建；构建出预测向量与第二使用情况一一对应的预测数据项；根据第一使用情况构建历史向量；基于历史向量与预测库进行第二使用情况的预测；不论是神经网络模块还是预测库都是以大量数据为基础上建立，可以有效保证预测的第二使用情况的准确性。
在一个实施例中，当预测库中的每个预测向量与历史向量的匹配度都小于等于预设的阈值时，采用下式对第二使用情况进行预测：
Figure BDA0002993674850000111
其中，T′为第二使用情况；T0为当前时刻的网络资源的使用情况；Tk-1为k-1时刻的网络资源的使用情况；Tk为k时刻的网络资源的使用情况；Tl-1为l-1时刻的网络资源的使用情况；Tl为l时刻的网络资源的使用情况；βk为k时刻对应的预设的影响系数，存在
Figure BDA0002993674850000112
α为预设的当前时刻的影响系数。
上述技术方案的工作原理及有益效果为：
本实施例提供的预测方案为预测库法的补充，在预测库并不能预测出第二使用情况下使用，主要分析第一使用情况的各个时刻的数据的差异，进而对下一时刻的第二使用情况进行预测。
在一个实施例中，网络资源运行参数自调整与优化装置，还包括：调整模块，调整模块执行如下操作：
获取所有业务对于下一时刻的网络资源的第二使用情况；
基于第二使用情况，确定下一时刻的网络资源的总需求；
当总需求大于网络资源的容量时，获取所有业务的历史使用情况；
解析历史使用情况确定各个业务的使用频率；
基于使用频率对业务进行排序，获取业务列表；
基于总需求与容量的差值、业务对应的第二使用情况，确定下一时刻暂停处理的业务，并在下下一时刻优先处理暂停处理的业务；或，基于总需求与容量的差值、业务对应的第二使用情况，确定下一时刻暂停处理的业务，基于历史记录对暂停处理的业务进行处理。
上述技术方案的工作原理及有益效果为：
当对第二使用情况预测后，需要对第二使用情况实施进行验证，当出现总需求大于网络资源的容量时，需要调整各个业务的处理序列，在处理时，将频繁使用的业务放入下下个时刻进行处理，主要通过使用频率猜测用户的优先意图，频繁使用的业务出现些许延迟相较于极少使用的业务出现延迟更容易使用户接受；此外，频繁使用的业务会在本地留有大量的历史记录，基于这些历史记录可以对业务进行预处理，待网络资源空闲时，可以通过验证的方式，确定预处理操作是否准确；进一步实现了网络资源的优化配置。其中，使用频率为预设的时间段内业务的使用次数。
为了实现基于历史记录对暂停处理的业务的处理，在一个实施例中，调整模块基于历史记录对暂停处理的业务进行处理，包括如下步骤：
解析历史记录，获取业务数据包与其对应的反馈数据包；
获取暂停处理的业务的当前数据包；
将当前数据包与历史记录的业务数据包进行匹配，当匹配符合时，获取其对应的反馈数据包。
在一个实施例中，在下下一时刻时，将暂停处理的业务的暂停处理的数据包与优先处理的数据包进行匹配，当匹配相符时，合并发送，只发送优先处理的数据包。当匹配不符时，优选处理暂停处理的数据包；将优先处理的数据包进行暂存。
上述技术方案的工作原理及有益效果：
在暂停处理的下一时刻对暂停处理的业务的处理，此时刻的数据包为优先处理的数据包；上一时刻的数据包为暂停处理的数据包；将暂停数据包与优选处理的数据包，进行匹配，当匹配符合时可以认为其是同一数据包；可以合并发送。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种网络资源运行参数自调整与优化方法，其特征在于，包括：
获取当前时刻至前N时刻的网络资源的第一使用情况；
基于所述第一使用情况对下一时刻的网络资源的第二使用情况进行预测；
基于所述第二使用情况调整网络资源运行参数。
2.如权利要求1所述的网络资源运行参数自调整与优化方法，其特征在于，所述基于所述第一使用情况对下一时刻的网络资源的第二使用情况进行预测，包括：
对所述第一使用情况进行特征提取，获取多个特征值；
将所述特征值输入预设的神经网络模型，获取使用情况预测因子；
基于所述使用情况预测因子查询预设的因子与使用情况对照表，获取所述第二使用情况；
或，
获取预设的预测库，所述预测库中预测向量与所述第二使用情况一一对应；
基于所述第一使用情况构建历史向量；
基于所述历史向量与所述预测库中每个所述预测向量进行匹配，获取匹配符合的所述预测向量对应的所述第二使用情况；
其中，基于所述历史向量与所述预测库中每个所述预测向量进行匹配，获取匹配符合的所述预测向量对应的所述第二使用情况；包括：
计算所述历史向量与所述预测向量的匹配度，计算公式如下：
Figure FDA0002993674840000011
其中，Pj为所述历史向量与所述预测库中第j个所述预测向量的匹配度，n为所述历史向量的数据维度或所述预测向量的数据维度；Ai为所述历史向量的第i维数据的值；Bi，j为第j个所述预测向量的第i维数据的值；
比较计算出的各个匹配度，当其中最大的匹配度大于预设的阈值时，确定最大的匹配度对应的所述预测向量与所述历史向量匹配符合。
3.如权利要求2所述的网络资源运行参数自调整与优化方法，其特征在于，当所述预测库中的每个所述预测向量与所述历史向量的匹配度都小于等于预设的阈值时，采用下式对所述第二使用情况进行预测：
Figure FDA0002993674840000021
其中，T′为所述第二使用情况；T0为当前时刻的网络资源的使用情况；Tk-1为k-1时刻的网络资源的使用情况；Tk为k时刻的网络资源的使用情况；Tl-1为l-1时刻的网络资源的使用情况；Tl为l时刻的网络资源的使用情况；βk为k时刻对应的预设的影响系数，存在
Figure FDA0002993674840000022
α为预设的当前时刻的影响系数。
4.如权利要求1所述的网络资源运行参数自调整与优化方法，其特征在于，还包括：
获取所有业务对于下一时刻的网络资源的所述第二使用情况；
基于所述第二使用情况，确定下一时刻的网络资源的总需求；
当所述总需求大于网络资源的容量时，获取所有业务的历史使用情况；
解析所述历史使用情况确定各个业务的使用频率；
基于使用频率对所述业务进行排序，获取业务列表；
基于所述总需求与所述容量的差值、所述业务对应的第二使用情况，确定下一时刻暂停处理的业务，并在下下一时刻优先处理所述暂停处理的业务；或，基于所述总需求与所述容量的差值、所述业务对应的第二使用情况，确定下一时刻暂停处理的业务，基于历史记录对暂停处理的业务进行处理。
5.如权利要求4所述的网络资源运行参数自调整与优化方法，其特征在于，所述基于历史记录对暂停处理的业务进行处理，包括：
解析所述历史记录，获取业务数据包与其对应的反馈数据包；
获取暂停处理的业务的当前数据包；
将所述当前数据包与所述历史记录的所述业务数据包进行匹配，当匹配符合时，获取其对应的所述反馈数据包。
6.一种网络资源运行参数自调整与优化装置，其特征在于，包括：
获取模块，用于获取当前时刻至前N时刻的网络资源的第一使用情况；
预测模块，用于基于所述第一使用情况对下一时刻的网络资源的第二使用情况进行预测；
优化模块，用于基于所述第二使用情况调整网络资源运行参数。
7.如权利要求6所述的网络资源运行参数自调整与优化装置，其特征在于，所述预测模块执行如下操作：
对所述第一使用情况进行特征提取，获取多个特征值；
将所述特征值输入预设的神经网络模型，获取使用情况预测因子；
基于所述使用情况预测因子查询预设的因子与使用情况对照表，获取所述第二使用情况；
或，
获取预设的预测库，所述预测库中预测向量与所述第二使用情况一一对应；
基于所述第一使用情况构建历史向量；
基于所述历史向量与所述预测库中每个所述预测向量进行匹配，获取匹配符合的所述预测向量对应的所述第二使用情况；
其中，基于所述历史向量与所述预测库中每个所述预测向量进行匹配，获取匹配符合的所述预测向量对应的所述第二使用情况；包括：
计算所述历史向量与所述预测向量的匹配度，计算公式如下：
Figure FDA0002993674840000041
其中，Pj为所述历史向量与所述预测库中第j个所述预测向量的匹配度，n为所述历史向量的数据维度或所述预测向量的数据维度；Ai为所述历史向量的第i维数据的值；Bi，j为第j个所述预测向量的第i维数据的值；
比较计算出的各个匹配度，当其中最大的匹配度大于预设的阈值时，确定最大的匹配度对应的所述预测向量与所述历史向量匹配符合。
8.如权利要求7所述的网络资源运行参数自调整与优化装置，其特征在于，当所述预测库中的每个所述预测向量与所述历史向量的匹配度都小于等于预设的阈值时，采用下式对所述第二使用情况进行预测：
Figure FDA0002993674840000042
其中，T′为所述第二使用情况；T0为当前时刻的网络资源的使用情况；Tk-1为k-1时刻的网络资源的使用情况；Tk为k时刻的网络资源的使用情况；Tl-1为l-1时刻的网络资源的使用情况；Tl为l时刻的网络资源的使用情况；βk为k时刻对应的预设的影响系数，存在
Figure FDA0002993674840000043
α为预设的当前时刻的影响系数。
9.如权利要求6所述的网络资源运行参数自调整与优化装置，其特征在于，还包括：调整模块，所述调整模块执行如下操作：
获取所有业务对于下一时刻的网络资源的所述第二使用情况；
基于所述第二使用情况，确定下一时刻的网络资源的总需求；
当所述总需求大于网络资源的容量时，获取所有业务的历史使用情况；
解析所述历史使用情况确定各个业务的使用频率；
基于使用频率对所述业务进行排序，获取业务列表；
基于所述总需求与所述容量的差值、所述业务对应的第二使用情况，确定下一时刻暂停处理的业务，并在下下一时刻优先处理所述暂停处理的业务；或，基于所述总需求与所述容量的差值、所述业务对应的第二使用情况，确定下一时刻暂停处理的业务，基于历史记录对暂停处理的业务进行处理。
10.如权利要求9所述的网络资源运行参数自调整与优化装置，其特征在于，所述调整模块基于历史记录对暂停处理的业务进行处理，包括如下步骤：
解析所述历史记录，获取业务数据包与其对应的反馈数据包；
获取暂停处理的业务的当前数据包；
将所述当前数据包与所述历史记录的所述业务数据包进行匹配，当匹配符合时，获取其对应的所述反馈数据包。
CN202110323443.4A 2021-03-26 2021-03-26 网络资源运行参数自调整与优化方法及装置 Active CN113098710B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110323443.4A CN113098710B (zh) 2021-03-26 2021-03-26 网络资源运行参数自调整与优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110323443.4A CN113098710B (zh) 2021-03-26 2021-03-26 网络资源运行参数自调整与优化方法及装置

Publications (2)

Publication Number Publication Date
CN113098710A true CN113098710A (zh) 2021-07-09
CN113098710B CN113098710B (zh) 2022-07-12

Family

ID=76669775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110323443.4A Active CN113098710B (zh) 2021-03-26 2021-03-26 网络资源运行参数自调整与优化方法及装置

Country Status (1)

Country Link
CN (1) CN113098710B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103685072A (zh) * 2013-11-27 2014-03-26 中国电子科技集团公司第三十研究所 一种网络流量快速分配的方法
US20160285723A1 (en) * 2010-03-17 2016-09-29 Microsoft Technology Licensing, Llc Network resource management with prediction
CN106817313A (zh) * 2015-12-01 2017-06-09 北京慧点科技有限公司 一种网络流量快速分配的方法
US20170278116A1 (en) * 2016-03-28 2017-09-28 International Business Machines Corporation Forecast model calibration
CN109005130A (zh) * 2018-07-04 2018-12-14 中国人民解放军国防科技大学 网络资源配置调度方法和装置
CN111404713A (zh) * 2019-01-02 2020-07-10 中国移动通信有限公司研究院 一种网络资源调整方法、装置和存储介质
JP2020178352A (ja) * 2020-07-01 2020-10-29 オッポ広東移動通信有限公司Ｇｕａｎｇｄｏｎｇ Ｏｐｐｏ Ｍｏｂｉｌｅ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｃｏｒｐ．， Ｌｔｄ． リソース割り当て方法、デバイス及びシステム
CN112492651A (zh) * 2020-11-23 2021-03-12 中国联合网络通信集团有限公司 资源调度方案优化方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160285723A1 (en) * 2010-03-17 2016-09-29 Microsoft Technology Licensing, Llc Network resource management with prediction
CN103685072A (zh) * 2013-11-27 2014-03-26 中国电子科技集团公司第三十研究所 一种网络流量快速分配的方法
CN106817313A (zh) * 2015-12-01 2017-06-09 北京慧点科技有限公司 一种网络流量快速分配的方法
US20170278116A1 (en) * 2016-03-28 2017-09-28 International Business Machines Corporation Forecast model calibration
CN109005130A (zh) * 2018-07-04 2018-12-14 中国人民解放军国防科技大学 网络资源配置调度方法和装置
CN111404713A (zh) * 2019-01-02 2020-07-10 中国移动通信有限公司研究院 一种网络资源调整方法、装置和存储介质
JP2020178352A (ja) * 2020-07-01 2020-10-29 オッポ広東移動通信有限公司Ｇｕａｎｇｄｏｎｇ Ｏｐｐｏ Ｍｏｂｉｌｅ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｃｏｒｐ．， Ｌｔｄ． リソース割り当て方法、デバイス及びシステム
CN112492651A (zh) * 2020-11-23 2021-03-12 中国联合网络通信集团有限公司 资源调度方案优化方法及装置

Also Published As

Publication number Publication date
CN113098710B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN106933650B (zh) 云应用系统的负载管理方法及系统
EP1806658B1 (en) Analyzing method and device
US6788646B1 (en) Link capacity sharing for throughput-blocking optimality
CN100556024C (zh) 用于网络场通信控制的方法和网络场
CN107942958B (zh) 一种面向物联网的工业控制系统及方法
CN109981744B (zh) 数据的分发方法、装置、存储介质及电子设备
CN107708152B (zh) 异构蜂窝网络的任务卸载方法
US20050278439A1 (en) System and method for evaluating capacity of a heterogeneous media server configuration for supporting an expected workload
CN113242526A (zh) 一种云计算服务器机房实时监控系统
CN110647115A (zh) 一种基于工业互联网操作系统的数据采集方法
CN110896357B (zh) 流量预测方法、装置和计算机可读存储介质
US20020019869A1 (en) System and method for modeling and provisioning information system capacity
US12120184B2 (en) Methods, internet of things systems and mediums for controlling data transmission for smart gas
CN114675933A (zh) 一种容器集群调度方法、装置、设备、存储介质
CN109558248A (zh) 一种用于确定面向海洋模式计算的资源分配参数的方法及系统
CN111901134B (zh) 一种基于循环神经网络模型rnn的预测网络质量的方法和装置
CN113098710B (zh) 网络资源运行参数自调整与优化方法及装置
CN110221917B (zh) 用于分配流式数据的方法及装置
EP3025452B1 (en) Monitoring network use of resources
CN117056420A (zh) 基于增量分块同步的计量数据高可用流通方法及系统
CN111553645A (zh) 订单分派方法、装置、计算机设备和存储介质
CN115658319A (zh) 资源调度方法、系统、设备及存储介质
JP2015216585A (ja) トラヒック量上限値予測装置及び方法及びプログラム
CN114936089A (zh) 资源调度方法、系统、设备及存储介质
CN114423085A (zh) 一种面向电池供电物联网设备的联邦学习资源管理方法

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
GR01 Patent grant
GR01 Patent grant