CN113139643A - 网卡流量模型构建方法、流量预测方法、设备及存储介质 - Google Patents

网卡流量模型构建方法、流量预测方法、设备及存储介质 Download PDF

Info

Publication number
CN113139643A
CN113139643A CN202110254451.8A CN202110254451A CN113139643A CN 113139643 A CN113139643 A CN 113139643A CN 202110254451 A CN202110254451 A CN 202110254451A CN 113139643 A CN113139643 A CN 113139643A
Authority
CN
China
Prior art keywords
flow
data
relation
model
network card
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.)
Pending
Application number
CN202110254451.8A
Other languages
English (en)
Inventor
许熙铉
宋海鹏
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.)
Aspire Digital Technologies Shenzhen Co Ltd
Original Assignee
Aspire Digital Technologies Shenzhen 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 Aspire Digital Technologies Shenzhen Co Ltd filed Critical Aspire Digital Technologies Shenzhen Co Ltd
Priority to CN202110254451.8A priority Critical patent/CN113139643A/zh
Publication of CN113139643A publication Critical patent/CN113139643A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种网卡流量模型构建方法、流量预测方法、设备及存储介质，网卡流量模型构建方法包括：采集流量数据集，所述流量数据集包括多个流量数据；将所述流量数据集中的所述流量数据进行平滑处理以得到数据关系式；对所述数据关系式进行周期性分解以得到周期关系式；将所述周期关系式代入预设构建模型中，并获取对应的结果数据；将所述结果数据进行拟合以得到拟合关系式；根据所述拟合关系式和所述数据关系式调整所述预设构建模型的预设参数以得到流量预测模型。本发明得到流量预测模型即可以准确预测流量，且提高了网卡流量预测的工作效果，降低网络服务的风险。

Description

网卡流量模型构建方法、流量预测方法、设备及存储介质
技术领域
本发明涉及流量预测的技术领域，尤其是涉及一种网卡流量模型构建方法、流量预测方法、设备及存储介质。
背景技术
随着大数据时代的发展，海量的通讯业务无疑让网卡面临着前所未有的挑战。网卡流量反应了网络的运行状态，仅通过现有的人工干预不能完全保障网络管理的质量，同时也不能及时、准确、高效地做出网络规划。
相关技术中，对于流量监测一般通过运营商的网络监视的可视化平台，网卡流量监控是对阶段性业务访问情况、业务访问区域、基础网络设备网络服务质量、效率、安全、异常检测、调度能力的体现。而且一些运维平台也采用特定的软件进行流量预测及异常监测。但是不管是可视化平台还是运维平台都流量预测都存在以下问题：第一、网卡流量走势变化多端，为人工决策带来困难。第二网卡流量的剧烈变化具有即时性，难以把控变化时间点的规律。第三，网络节点及网络设备繁多，精确控制的颗粒度不够小，第四，网络管理人员负责的设备繁多影响工作效率。第五，网络流量数据不够平稳，导致现有的算法不支持。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种网卡流量模型构建方法，能够进行网卡流量的准确预测。
本发明还提出一种网卡流量预测方法。
本发明还提出一种电子控制设备。
本发明还提出一种计算机可读存储介质。
第一方面，本发明的一个实施例提供了网卡流量模型构建方法，包括：
采集流量数据集，所述流量数据集包括多个流量数据；
将所述流量数据集中的所述流量数据进行平滑处理以得到数据关系式；
对所述数据关系式进行周期性分解以得到周期关系式；
将所述周期关系式代入预设构建模型中，并获取对应的结果数据；
将所述结果数据进行拟合以得到拟合关系式；
根据所述拟合关系式和所述数据关系式调整所述预设构建模型的预设参数以得到流量预测模型。
本发明实施例的网卡流量模型构建方法至少具有如下有益效果：通过将采集的数据进行平滑处理和周期性分解以得到周期关系式，则可以将周期关系式代入到预设构建模型后，通过预设构建模型得到的结果数据形成的拟合关系式，再将拟合关系式和数据关系式调节预设构建模型的预设参数，以得到准确预测流量的流量预测模型，得到流量预测模型即可以准确预测流量，且提高了网卡流量预测的工作效果，降低网络服务的风险。
根据本发明的另一些实施例的网卡流量模型构建方法，所述采集流量数据集包括：
通过预设网卡流量监控脚本采集多个流量数据；
将多个所述流量数据写入到所述流量数据集。
根据本发明的另一些实施例的网卡流量模型构建方法，所述将所述流量数据集中的流量数据进行平滑处理以得到数据关系式，包括：
使用预设平滑滤波对预设长度窗口的所述流量数据进行K阶多项式拟合以得到拟合关系式；
对所述拟合关系式进行离散化处理以得到数据关系式。
根据本发明的另一些实施例的网卡流量模型构建方法，所述对所述数据关系式进行周期性分解以得到周期关系式，包括：
根据所述数据关系式分解出趋势关系式；
根据所述数据关系式和趋势关系式确定季节关系式；
将所述季节关系式进行平均值计算得到周期关系式。
根据本发明的另一些实施例的网卡流量模型构建方法，所述预设构建模型为LSTM神经网络模型。
根据本发明的另一些实施例的网卡流量模型构建方法，所述预设参数为权重系数，所述根据所述拟合关系式和数据关系式调整所述预设构建模型的预设参数以得到流量预测模型；
根据所述拟合关系式和所述数据关系式调整所述LSTM神经网络模型的权重系数；
根据所述权重系数和所述LSTM神经网络模型确定流量预测模型。
第二方面，本发明的一个实施例提供了网卡流量预测方法，包括：
获取当前流量值；
将所述当前流量值代入如第一方面所述的网卡流量模型构建方法的流量预测模型以得到下一个预设时间的预测值。
本发明实施例的网卡流量预测方法至少具有如下有益效果：通过第一方面的流量预测模型，即可以准确地预测下一个预设时间的预测值，使得流量预测准确，且无需人力，提高工作效率且降低网络服务风险。
第三方面，本发明的一个实施例提供了电子控制设备，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的网卡流量模型构建方法或如第二方面所述的网卡流量预测方法。
第四方面，本发明的一个实施例提供了计算机可读存储介质：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要第一方面所述的网卡流量模型构建方法或如第二方面所述的网卡流量预测方法。
本申请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，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书以及附图中所特别指出的结构来实现和获得。
附图说明
图1是本发明实施例中网卡流量模型构建方法的一具体实施例流程示意图；
图2是本发明实施例中网卡流量模型构建方法的另一具体实施例流程示意图；
图3是本发明实施例中网卡流量模型构建方法的另一具体实施例流程示意图；
图4是本发明实施例中网卡流量模型构建方法的另一具体实施例流程示意图；
图5是本发明实施例中网卡流量模型构建方法中LSTM神经网络模型的结构示意图；
图6是本发明实施例中网卡流量模型构建方法的另一具体实施例流程示意图；
图7是本发明实施例中网卡流量预测方法的一具体实施例流程示意图；
图8是本发明实施例中电子控制设备的一具体实施例模块框图。
具体实施方式
以下将结合实施例对本发明的构思及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。
在本发明实施例的描述中，如果涉及到“若干”，其含义是一个以上，如果涉及到“多个”，其含义是两个以上，如果涉及到“大于”、“小于”、“超过”，均应理解为不包括本数，如果涉及到“以上”、“以下”、“以内”，均应理解为包括本数。如果涉及到“第一”、“第二”，应当理解为用于区分技术特征，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
对于网络流量管理模型分为早期的人工了解网络使用情况，找到优化途径、实施调度和自动化运维平台对网络流量进行实时监控。但大数据带来的庞大业务体系及繁多的网络节点到底层数以万计的服务器让运维人员心有余而力不足。
现有的网卡流量管理是根据作经验置顶应对决策，为可预料的社会性事件引起的大网卡流量压力做出预案，通过提前调度保障网络质量。同时为了解决部分节点网络压力大的问题，需要通过添加网络设备及相关设备管理人员从而缓解压力。通过以上方法可以解决现有问题，但不符合长远发展需要，具体表现在于：1.网卡的流量波动难以预测。2.突然事件应对能力不足，3.人力成本、设备成本冗余。
基于此，本申请公开了一种网卡流量模型构建方法，能够得到一个流量预测模型，且该流量预测模型可以准确地预测流量，且面对突然时间应对能力足够，自动预测且节省人力。
第一方面，参照图1，本发明实施例公开了网卡流量模型构建方法，包括：
S100、采集流量数据集，流量数据集包括多个流量数据；
S200、将流量数据集中的流量数据进行平滑处理以得到数据关系式；
S300、对数据关系式进行周期性分解以得到周期关系式；
S400、将周期关系式代入预设构建模型中，并获取对应的结果数据；
S500、将结果数据进行拟合以得到拟合关系式；
S600、根据拟合关系式和数据关系式调整预设构建模型的预设参数以得到流量预测模型。
其中，流量数据主要根据随着时间变化的流量数值，通过将不同情况的流量数据汇集成一个流量数据集，然后将流量数据集中的流量数据都进行平滑处理后得到数据关系式，然后对数据关系式进行周期性分解以得到周期关系式，且周期关系式为不同周期情况下的流量变化情况，再将周期关系式代入到预设构建模型中以得到结果数据，然后将结果数据进行拟合以到拟合关系式，通过调整拟合关系式和数据关系式尽可能相同以得到预设参数，然后根据预设参数和预设构建模型重新得到流量预测模型，以构建一个能够准确预测流量的流量预测模型，且无需人员参与，节省人力，提高工作效率和降低网络服务风险。
参照图2，在一些实施例中，步骤S100包括：
S110、通过预设网卡流量监控脚本采集多个流量数据；
S120、将多个流量数据写入到流量数据集。
通过预设网卡流量监控脚本采集整个时段的流量数据，也即在一定时间内表示流量变化的流量数据，且将不同情况的多个流量数据写入到流量数据集，且流量数据集为CSV文件。通过预设网卡流量监控脚本采集流量数据的操作简易。
参照图3，在一些实施例中，步骤S200包括：
S210、使用预设平滑滤波对预设长度窗口的流量数据进行K阶多项式拟合以得到拟合关系式；
S220、对拟合关系式进行离散化处理以得到数据关系式。
通过预设平滑滤波对预设长度窗口的数据点进行拟合后得到拟合关系式，以将一些噪音数据过滤掉，然后再对滤波后的拟合关系式进行离散化处理以得到数据关系式，使得数据关系式能够准确地表达流量变化情况。
其中，预设平滑滤波为Savitzky-Golay平滑滤波，使用Savitzky-Golay平滑滤波对流量数据进行K阶多项式拟合，从而得到拟合后的拟合关系式。其中Savitzky-Golay平滑滤波是一种移动窗口的加权平均算法，但是其加权系数不是简单的常数窗口，而是通过滑动窗口内对给定高阶多项式的最小二乘拟合得出。
其中，使用Savitzky-Golay平滑滤波进行拟合的过程如下：一组以n＝0为中心的2M+1个流量数据，通过以下公式进行拟合：
Figure BDA0002967440430000061
式中，n为流量数据的个数，ak为流量数据。
然后再对拟合后的P(n)在滑动窗口给定高阶多项式的最小二乘拟合得到：
Figure BDA0002967440430000062
得到最小二乘拟合的多项式后，再使用Savitzky-Golay发现计算a0相当于对原始的流量数据进行一次FIR滤波。也就是说可以利用卷积运算来实现：
Figure BDA0002967440430000063
其中，y(n)的值越小，数据关系式越贴近真实曲线；y(n)值越大，平滑效果越厉害，k值越大，数据关系式对应的曲线越贴近真实曲线；k值越小，数据关系式对应的曲线平滑越厉害。另外，当k值较大时，受窗口长度限制，拟合会出现问题，高频曲线会变成直线。
参照图4，在一些实施例中，步骤S300包括：
S310、根据数据关系式分解出趋势关系式；
S320、根据数据关系式和趋势关系式确定季节关系式；
S330、将季节关系式进行平均值计算得到周期关系式。
通过中心化移动均值的方法对数据关系式分解趋势关系式，得到趋势关系式后将数据关系式减去趋势关系式以得到季节关系式，将各个周期内相同频率下的季节关系式进行平均化以得到周期关系式，同时可以将周期关系式中心化得到中心化的周期关系式。因此，可以确定预设周期内流量数据变化的情况。
具体地，通过数据关系式分解出趋势关系式的公式如下：
Figure BDA0002967440430000071
式中，Tt为趋势项，f为时间序列频率，l为时间长度，结果为长度为l的时间序列。
确定了趋势关系式后，将原始的数据关系式减去趋势关系式得到季节关系式：
st＝xt-Tt (5)
将各个周期内相同频率下的季节关系式求平均值，得到周期关系式：
Figure BDA0002967440430000072
式中，n＝1对f取整，即max(n，nf≤1)。因此得到了长度为f的周期关系式figure，即可将周期关系式代入预设构建模型以得到能够准确预测流量变化的流量预测模型。
在一些实施例中，预设构建模型为LSTM神经网络模型。
其中，LSTM是一种特殊的循环神经网络，它是在循环神经网络(RNN)的隐藏层加入长、短期记忆单元形成的，其结构中包含一组记忆单元和三种门结构(输入门、遗忘门、输出门)，用以控制历史信息的使用。
LSTM神经网络模型的逻辑结构如图5所示。上述结构中，f(t)为遗忘门的输出，遗忘门决定上一步传递过来的信息中有哪些信息需要进行丢弃。输入门由两部分组成：第一部分使用了sigmoid激活函数(即σ函数)，输出为i(t)；第二部分使用了tanh激活函数，输出为g(t)。输入门和遗忘门的输出相结合，构成了LSTM的长期状态信息s(t)。输出门则决定了当前神经元的输出o(t)和将要传递给下一步的短期隐藏状态信息h(t)，输出结果则利用上一时刻的短期状态，长期状态值和当前输入值的保留部分得到。假设遗忘门的隐藏层神经元的权重系数和偏置项分别为Wf，Uf，bf，输入门的隐藏层权重系数和偏置项分别为Wi，Ui，bi，Wg，Ug，bg，输出层的隐藏层权重系数和偏置项为Wo，Uo，bo，用⊙表示Hadarmad乘积，则LSTM用以进行预测的前向算法流程为：
更新遗忘门输出为：
f(t)＝σ(Wf h(t－1)+Uf xt+bf)；
更新输入门两部分输出为：
i(t)＝σ(Wih(t－1)+Uixt+bi)；
g(t)＝tanh(Wgh(t－1)+Ugxt+bg)；
更新神经元长期状态为：
s(t)＝s(t－1)⊙f(t)+i(t)⊙g(t)；
更新输出门输出为：
o(t)＝σ(Woh(t－1)+Uoxt+bo)
h(t)＝o(t)⊙tanh(s(t))。
参照图6，在一些实施例中，步骤S600包括：
S610、根据拟合关系式和数据关系式调整LSTM神经网络模型的权重系数；
S620、根据权重系数和LSTM神经网络模型确定流量预测模型。
通过将周期关系式的流量数据值代入倒预设构建模型中后得到对应的结果数据，然后将结果数据进行拟合以得到拟合关系式，即可将拟合关系式和数据关系式之间的相似度调节LSTM神经网络模型的权重系数，也即调节遗忘门的隐藏层神经元的权重系数和偏置项分别为Wf，Uf，bf，输入门的隐藏层权重系数和偏置项分别Wi，Ui，bi，Wg，Ug，bg，输出层的隐藏层权重系数和偏置项为Wo，Uo，bo。因此，通过将拟合关系式调节的尽量和数据关系式相同，则可以确定权重系数，再将权重系数代入到原始的LSTM神经网络模型即可得到流量预测模型。因此确定了可以准确预测流量的流量预测模型，通过流量预测模型可以预测网卡流量在未来单位时间的数据变化。
下面参考图1至图6以一个具体的实施例详细描述根据本发明实施例的网卡流量模型构建方法。值得理解的是，下述描述仅是示例性说明，而不是对发明的具体限制。
通过预设网卡流量监控脚本采集整个时段的流量数据，也即在一定时间内流量变化的流量数据，且将不同情况的多个流量数据写入到流量数据集。通过预设平滑滤波对预设长度窗口的数据点进行拟合后得到拟合关系式，以将一些噪音数据过滤掉，然后再对滤波后的拟合关系式进行离散化处理以得到数据关系式。通过中心化移动均值的方法对数据关系式分解趋势关系式，得到趋势关系式后将数据关系式减去趋势关系式以得到季节关系式，将各个周期内相同频率下的季节关系式进行平均化以得到周期关系式。最后将周期关系式的流量数据值代入到预设构建模型中后得到对应的结果数据，然后将结果数据进行拟合以得到拟合关系式，即可将拟合关系式和数据关系式之间的相似度调节LSTM神经网络模型的权重系数，再将权重系数代入到原始的LSTM神经网络模型即可得到流量预测模型。因此得到一个能够准确且自动预测流量的流量预测模型，解决了传统网卡流量管理过于依靠人工判断且没有数据支撑与决策的难题，通过流量预测，可以将预测的数据用于网络服务中的指标依据。通过流量预测模型的构建，可以实现流量管理，减少网络故障、提高网络服务质量、确保网络安全、预防网络异常。
第二方面，参照图7，本发明实施例还公开了网卡流量预测方法，包括：
S700、获取当前流量值；
S800、将当前流量值代入如第一方面的网卡流量模型构建方法的流量预测模型以得到下一个预设时间的预测值。
通过确定了不同情况下的流量预测模型，将当前流量值代入到流量预测模型即可得到下一个预设时间的预测值。因此通过第一方面的流量预测模型，无需人工参与流量预测，即可以准确且高效率的进行流量预测。
第三方面，参照图8，本发明实施例还公开了一种电子控制设备，包括：至少一个处理器100，以及，与至少一个处理器通信连接的存储器200；其中，存储器200存储有可被至少一个处理器执行的指令，指令被至少一个处理器100执行，以使至少一个处理器100能够执行如第一方面所述的网卡流量模型构建方法或如第二方面的网卡流量预测方法。
电子控制设备可以为移动终端设备，也可以为非移动终端设备。移动终端设备可以为平板电脑、笔记本电脑、掌上电脑、超级移动个人计算机、上网本、个人数字助理、CPE、UFI(无线热点设备)等；非移动终端设备可以为个人计算机、电视机、自助机等；本发明实施方案不作具体限定。
存储器200可以为外部存储器，也可以为内部存储器，外部存储器为外部存储卡，例如Micro SD卡。外部存储卡通过外部存储器接口与处理器通信，实现数据存储功能。例如将音乐，视频等文件保存在外部存储卡中。内部存储器可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。
处理器100可以包括一个或多个处理单元，例如：处理器100可以包括应用处理器(application processor，AP)，调制解调处理器，图形处理器(graphics processingunit，GPU)，图像信号处理器(image signal processor，ISP)，控制器，视频编解码器，数字信号处理器(digital signal processor，DSP)，基带处理器，和/或神经网络处理器(neural-network processing unit，NPU)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。
第四方面，本发明实施例还公开了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如第一方面所述的网卡流量模型构建方法或如第二方面所述的网卡流量预测方法。
以上所描述的装置实施例仅仅是示意性的，其中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，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可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

Claims (9)

1.一种网卡流量模型构建方法，其特征在于，包括：
采集流量数据集，所述流量数据集包括多个流量数据；
将所述流量数据集中的所述流量数据进行平滑处理以得到数据关系式；
对所述数据关系式进行周期性分解以得到周期关系式；
将所述周期关系式代入预设构建模型中，并获取对应的结果数据；
将所述结果数据进行拟合以得到拟合关系式；
根据所述拟合关系式和所述数据关系式调整所述预设构建模型的预设参数以得到流量预测模型。
2.根据权利要求1所述的网卡流量模型构建方法，其特征在于，所述采集流量数据集包括：
通过预设网卡流量监控脚本采集多个流量数据；
将多个所述流量数据写入到所述流量数据集。
3.根据权利要求1所述的网卡流量模型构建方法，其特征在于，所述将所述流量数据集中的流量数据进行平滑处理以得到数据关系式，包括：
使用预设平滑滤波对预设长度窗口的所述流量数据进行K阶多项式拟合以得到拟合关系式；
对所述拟合关系式进行离散化处理以得到数据关系式。
4.根据权利要求1至3任一项所述的网卡流量模型构建方法，其特征在于，所述对所述数据关系式进行周期性分解以得到周期关系式，包括：
根据所述数据关系式分解出趋势关系式；
根据所述数据关系式和趋势关系式确定季节关系式；
将所述季节关系式进行平均值计算得到周期关系式。
5.根据权利要求1至3任一项所述的网卡流量模型构建方法，其特征在于，所述预设构建模型为LSTM神经网络模型。
6.根据权利要求5所述的网卡流量模型构建方法，其特征在于，所述预设参数为权重系数，所述根据所述拟合关系式和数据关系式调整所述预设构建模型的预设参数以得到流量预测模型；
根据所述拟合关系式和所述数据关系式调整所述LSTM神经网络模型的权重系数；
根据所述权重系数和所述LSTM神经网络模型确定流量预测模型。
7.网卡流量预测方法，其特征在于，包括：
获取当前流量值；
将所述当前流量值代入如权利要求1至6任一项所述的网卡流量模型构建方法的流量预测模型以得到下一个预设时间的预测值。
8.一种电子控制设备，其特征在于，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6任一项所述的网卡流量模型构建方法或如权利要求7所述的网卡流量预测方法。
9.一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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的网卡流量模型构建方法或如权利要求7所述的网卡流量预测方法。
CN202110254451.8A 2021-03-09 2021-03-09 网卡流量模型构建方法、流量预测方法、设备及存储介质 Pending CN113139643A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110254451.8A CN113139643A (zh) 2021-03-09 2021-03-09 网卡流量模型构建方法、流量预测方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110254451.8A CN113139643A (zh) 2021-03-09 2021-03-09 网卡流量模型构建方法、流量预测方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113139643A true CN113139643A (zh) 2021-07-20

Family

ID=76810964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110254451.8A Pending CN113139643A (zh) 2021-03-09 2021-03-09 网卡流量模型构建方法、流量预测方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113139643A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116149865A (zh) * 2023-04-10 2023-05-23 之江实验室 一种变频执行任务的方法、装置、设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160651A (zh) * 2019-12-31 2020-05-15 福州大学 一种基于stl-lstm的地铁客流预测方法
CN112118143A (zh) * 2020-11-18 2020-12-22 迈普通信技术股份有限公司 流量预测模型、训练方法、预测方法、装置、设备及介质
CN112215422A (zh) * 2020-10-13 2021-01-12 北京工业大学 基于季节性分解的长短时记忆网络水质动态预警方法
CN112398670A (zh) * 2019-08-15 2021-02-23 中国移动通信集团浙江有限公司 流量预测方法、装置、计算设备及计算机存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112398670A (zh) * 2019-08-15 2021-02-23 中国移动通信集团浙江有限公司 流量预测方法、装置、计算设备及计算机存储介质
CN111160651A (zh) * 2019-12-31 2020-05-15 福州大学 一种基于stl-lstm的地铁客流预测方法
CN112215422A (zh) * 2020-10-13 2021-01-12 北京工业大学 基于季节性分解的长短时记忆网络水质动态预警方法
CN112118143A (zh) * 2020-11-18 2020-12-22 迈普通信技术股份有限公司 流量预测模型、训练方法、预测方法、装置、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116149865A (zh) * 2023-04-10 2023-05-23 之江实验室 一种变频执行任务的方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
US20200160207A1 (en) Automated model update based on model deterioration
US20220092418A1 (en) Training method for air quality prediction model, prediction method and apparatus, device, program, and medium
CN112118143B (zh) 流量预测模型训练方法、流量预测方法、装置、设备及介质
CN109787915B (zh) 网络访问的流量控制方法、装置、电子设备及存储介质
CN110942248B (zh) 交易风控网络的训练方法及装置、交易风险检测方法
CN113783717A (zh) 智慧城市网络流量预测方法及系统
TWI684139B (zh) 基於自動學習的基地台異常之預測的系統與方法
CN111740865B (zh) 一种流量波动趋势预测方法、装置及电子设备
CN113139643A (zh) 网卡流量模型构建方法、流量预测方法、设备及存储介质
CN112633998B (zh) 税务大数据决策分析方法及系统
CN113315978A (zh) 一种基于联邦学习的协作式在线视频边缘缓存方法
CN112202684B (zh) 一种限速队列提交训练任务的方法和装置
CN115859122A (zh) 一种数据识别方法、自动持续学习模型、装置和设备
CN113657207B (zh) 一种云-边协同配电站火光智能监测方法及系统
CN114266602A (zh) 电力物联网多源数据融合的深度学习电价预测方法和装置
CN117077870B (zh) 一种基于人工智能的水资源数字化管理方法
CN109241657A (zh) 时变退化率下旋转机械的退化建模及剩余寿命预测方法
US20210186266A1 (en) Assessing a quality of a cooking medium in a fryer using artificial intelligence
CN107615183A (zh) 模型预测控制应用程序中相对于最佳性能值的优良性能的系统和方法
CN116719787A (zh) 轨道系统中设备日志的上传方法、装置、介质及电子设备
CN115907079B (zh) 一种基于注意力时空图卷积网络的空域交通流量预测方法
Jin et al. Optimal bipartite consensus for discrete-time multi-agent systems with event-triggered mechanism based on adaptive dynamic programming
CN116149848A (zh) 负载预测方法、装置、电子设备及存储介质
CN110689197A (zh) 一种增量配电网投资决策方法
CN117009042A (zh) 物联网模式下的信息计算负载调度方法、装置、设备及介质

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