CN113271606B - 云原生移动网络稳定性保障的业务调度方法及电子设备 - Google Patents
云原生移动网络稳定性保障的业务调度方法及电子设备 Download PDFInfo
- Publication number
- CN113271606B CN113271606B CN202110433419.6A CN202110433419A CN113271606B CN 113271606 B CN113271606 B CN 113271606B CN 202110433419 A CN202110433419 A CN 202110433419A CN 113271606 B CN113271606 B CN 113271606B
- Authority
- CN
- China
- Prior art keywords
- service
- neural network
- convolutional neural
- mec
- time
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供一种云原生移动网络稳定性保障的业务调度方法及电子设备,其中方法包括:获取MEC平台在历史时间段中用户需求的历史数据;根据所述历史数据确定MEC平台在未来时间段的预测业务量;根据所述预测业务量以及获取的MEC平台的相关信息,确定对应的业务调度信息。这样就可以根据MEC平台的业务调度信息,确定对应的业务调度策略实现云原生移动网络的业务及资源实施按需调度,保障无线网络协议栈在云平台部署环境下的稳定性,进而实现在云资源及用户需求发生波动的情况下用户终端移动业务的连续性,保障用户体验质量。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种云原生移动网络稳定性保障的业务调度方法及电子设备。
背景技术
5G网络在核心网控制面引入了基于无状态设计的微服务架构,实现了网络功能的软硬件解耦和云化部署,轻量化的服务调用接口使得各网络功能互不影响、独立演进。为了在6G中实现端到端网络的全面云化,提升整个网络部署、运营的效率和灵活性,微服务架构正在向无线侧扩展,云网融合成为了目前6G网络设计中的重要趋势,RAN(Radio AccessNetwork,无线接入网)侧协议栈的微服务化及其在MEC(Mobile Edge Computing,移动边缘计算)平台中的云化部署成为当前移动通信领域的研究热点。
然而,现有技术中还存在诸多问题,一方面,RAN侧协议栈的许多处理流程例如MAC(Media Access Control,介质访问控制)层帧调度、物理层的调制解调等运算,具有计算量大、高可靠性等特点,对网络稳定性要求更高。另一方面,在云网融合的场景中,一个MEC平台上往往存在多种业务并行工作,用户终端业务量激增或其他云平台的突发任务卸载,会直接导致云平台资源的快速占用,造成CPU(Central Processing Unit,中央处理器)负载的突然增加,最终影响到无线网络整体的稳定性及用户体验。
发明内容
有鉴于此,本公开提出了一种能够解决或者部分解决上述技术问题的云原生移动网络稳定性保障的业务调度方法及电子设备。
基于上述目的,本公开的第一方面提供了一种云原生移动网络稳定性保障的业务调度方法,包括:
获取MEC平台在历史时间段中用户需求的历史数据;
根据所述历史数据确定MEC平台在未来时间段的预测业务量;
根据所述预测业务量以及获取的MEC平台的相关信息,确定对应的业务调度信息。
本公开的第二方面提供了一种电子设备,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如第一方面所述的方法。
从上面所述可以看出,本公开提供的云原生移动网络稳定性保障的业务调度方法及电子设备,能够根据获取的MEC平台在历史时间段中用户需求的历史数据进行预测,预测MEC平台在未来时间段的预测业务量,这样就可以根据预测业务量以及MEC平台的相关信息确定对应的业务调度信息,进而得到业务调度策略实现云原生移动网络的业务及资源实施按需调度,保障无线网络协议栈在云平台部署环境下的稳定性,进而实现在云资源及用户需求发生波动的情况下用户终端移动业务的连续性,保障用户体验质量。
附图说明
为了更清楚地说明本公开或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的实施例,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为本公开实施例的云原生移动网络稳定性保障的业务调度方法的流程图;
图2为本公开实施例的云原生移动网络稳定性保障的业务调度方法中步骤000的展开流程图;
图3为本公开实施例的云原生移动网络稳定性保障的业务调度方法中步骤040的展开流程图;
图4为本公开实施例的云原生移动网络稳定性保障的业务调度方法中步骤043的展开流程图;
图5为本公开实施例的云原生移动网络稳定性保障的业务调度方法中步骤300的展开流程图;
图6为本公开实施例的云原生移动网络稳定性保障的业务调度方法中步骤310的展开流程图;
图7为本公开实施例的云原生移动网络稳定性保障的业务调度装置的结构框图;
图8为本公开实施例的电子设备的硬件结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
相关技术中针对MEC平台上的各个业务一般都是并行工作,并不能对未来时间段进行业务量的预测,这样如果有突发业务出现,就会导致云平台资源的快速占用,造成CPU负载的突然增加,进而影响到运行在云平台上的RAN侧协议栈实例,导致RAN侧协议栈计算能力降低,交互时延增加,最终影响到无线网络整体的稳定性及用户QoE(Quality ofExperience,体验质量)。
其中,QoE指用户对设备、网络和系统、应用或业务的质量和性能的主观感受。
如图1所示,本公开的一个实施例提出了一种云原生移动网络稳定性保障的业务调度方法,步骤包括:
步骤100,获取MEC平台在历史时间段中用户需求的历史数据。
在该步骤中,MEC平台为分布式MEC平台,对应的历史时间段为距离当前时间最近的历史时间段,具体该历史时间段的距离时长可根据实际需要进行选择。
对应获取的历史数据具体包括:在历史时间段内MEC平台中每个MEC服务器承载的移动网络用户数、移动网络用户活跃比例、用户感知的数据速率(例如,下载速率DL和/或上传速率UL)。
步骤200,根据历史数据确定MEC平台在未来时间段的预测业务量。
在该步骤中,根据历史数据中各个数值在历史时间段内的变化,预测对应未来时间段的业务量变化。其中,预测业务量与历史数据相对应。
步骤300,根据预测业务量以及获取的MEC平台的相关信息,确定对应的业务调度信息。
在该步骤中,获取的MEC平台的相关信息包括:MEC平台资源相关数据、和/或MEC平台承载的移动网络用户业务需求相关数据。
MEC平台平台资源相关数据包括以下至少之一:分布式MEC平台中每个MEC服务器的中央处理器CPU(Central Processing Unit,中央处理器)利用率、内存利用率、剩余磁盘空间、网络带宽利用率、网卡包丢失率。
MEC平台承载的移动网络用户业务需求相关数据包括:MEC平台中每个MEC服务器承载的移动网络用户数、移动网络用户活跃比例、用户感知的数据速率(UL/DL)。
根据得到的预测业务量,以及获取的MEC平台的相关信息生成对应业务调度信息。以供用户根据业务调度信息进行资源调度,这样就可以实现移动网络的业务及资源实施按需调度,保障无线网络协议栈在云平台部署环境下的稳定性,进而实现在云资源及用户需求发生波动的情况下用户终端移动业务的连续性。
在具体实施例中,步骤200具体包括:
将历史数据利用预先构建好的卷积神经网络预测模型进行处理,处理完成后输出MEC平台在未来时间段的预测业务量。
在该步骤中,获取的历史数据可以是MEC平台中各个MEC服务器在历史时间段内承载的移动网络用户业务需求相关数据,将每个MEC服务器的历史数据分别输入至卷积神经网络预测模型中进行预测处理,得到对应的预测业务量。一个MEC服务器对应得到一个预测业务量,这样,如果MEC平台中包含有W个服务器,则对应得到W个预测业务量。
并且,如果未来时间段经过之后,该未来时间段就会成为历史时间段,该历史时间段内就会形成对应的实际业务量,如果预测业务量跟对应的实际业务量相同,那么该卷积神经网络预测模型的参数不变,如果不同,就需要根据预测业务量跟对应的实际业务量计算对应的损失函数,进而根据损失函数对卷积神经网络预测模型的参数进行调整。再利用新的卷积神经网络预测模型继续根据历史数据进行预测。随着时间的推移卷积神经网络预测模型不断的预测,并不断的进行自行训练调整,进而使得卷积神经网络预测模型能够适应不断变化的移动网络,保证卷积神经网络预测模型的预测精度。
在具体实施例中,如图2所示,在步骤200之前方法还包括:
步骤000,利用获取的样本数据对预先构建的初始时空图卷积神经网络进行学习训练,得到卷积神经网络预测模型。
具体训练过程如下:
步骤010,间隔固定时间采集各个MEC服务器承载的移动用户业务需求的样本数据。
在该步骤中,为了保证训练得到的卷积神经网络预测模型的准确性,利用对应将要进行预测的各个MEC服务器上的历史数据作为样本数据进行训练。
并且,间隔的固定时间可以根据实际需要进行设定(例如:3个小时、15分钟),具体时间长短这里不作具体限定。
步骤020,根据样本数据随时间的变化构建对应的时空序列,将时空序列保存至样本数据库中。
在该步骤中,可以将该样本数据根据对应获取的时间点构建随时间变化的图形,对应构建的时空序列为多维时空序列,具体的维数与样本数据的种类相对应。为了方便调取将构建好的时空序列存储在样本数据库中。
步骤030,预先构建初始时空图卷积神经网络。
在该步骤中,初始时空图卷积神经网络是由输入层、多个隐含层和输出层组成的,隐含层用来对数据进行层层卷积,最后得到对应的结果通过输出层进行输出。对应初始时空图卷积神经网络的隐含层的层数可根据实际需要进行初始设定。
步骤040,将样本数据库中的时空序列输入至初始时空图卷积神经网络,对初始时空图卷积神经网络进行训练,训练完成后得到卷积神经网络预测模型。
在该步骤中,根据时间的先后顺序,从样本数据库中对应调取时空序列依次输入至初始时空图卷积神经网络进行训练,训练过程中不断的对初始时空图卷积神经网络中隐含层的参数进行调整,不断的提高初始时空图卷积神经网络的预测精度。当样本数据库中的时空序列全部训练完成后得到的初始时空图卷积神经网络,即为卷积神经网络预测模型。
在具体实施例中,如图3所示,步骤040具体包括:
步骤041,将样本数据库中的时空序列输入至初始时空图卷积神经网络。其中,时空序列包括:每个MEC服务器历史承载的移动用户业务需求数据表示为堆叠的图帧,以及MEC平台的历史资源数据信息表示为亲和矩阵。
步骤042,利用初始时空图卷积神经网络对时空序列进行空间和时间上的分解卷积。
步骤043,在初始时空图卷积神经网络中嵌入辅助数据。
步骤044,根据初始时空图卷积神经网络输出的训练业务量,以及时空序列对应下一个固定时间的实际业务量构建损失函数,根据损失函数对初始时空图卷积神经网络进行调整。
步骤045,初始时空图卷积神经网络对样本数据库中的时空序列全部训练处理完成后得到卷积神经网络预测模型。
在上述步骤中,每对初始时空图卷积神经网络训练一次,对应得到一个损失函数,依据损失函数得到的数据对初始时空图卷积神经网络进行参数调整。这样每训练一次调整一次,这样保证得到的卷积神经网络预测模型的预测精度得到有效改善和提高。
在具体实施例中,如图4所示,步骤043具体包括:
步骤0431,获取MEC服务器的移动业务流量变化信息。
其中,移动业务流量变化信息包括:特定时间或特定区域的移动用户数增长值及移动用户活跃度增长值等。
步骤0432,将MEC服务器的移动业务流量变化信息进行数据编码,得到对应的one-hot向量。
在该步骤中,将获取的MEC服务器的移动业务流量变化信息进行二进制编码处理得到one-hot向量。这样保证得到的移动业务流量变化信息更容易识别。
步骤0433,将one-hot向量进行连接。每个移动业务流量变化信息对应一个one-hot向量,因此得到的one-hot向量有多个,将各个one-hot向量进行连接处理。
步骤0434,提取one-hot向量中的特征向量,对特征向量进行整形。
步骤0435,将整形后的特征向量作为辅助数据输入至初始时空图卷积神经网络中。
通过上述方案,能够保证得到的初始时空图卷积神经网络更加完善,这样更便于进行训练,进而提高了训练过程中初始时空图卷积神经网络的效率。
在具体实施例中,步骤044具体包括:
步骤0441,将MEC平台的整体历史业务数据进行数据化处理得到多维时间序列:χt∈RN×Tp×C,其中,χt为MEC平台的整体历史业务数据,R为实数集,N为MEC平台中MEC服务器的总数,Tp表示历史时间起点,C表示MEC平台的整体历史业务数据的维数。
步骤0445,根据得到的可训练参数θ2对初始时空图卷积神经网络进行训练调整。
在上述步骤中,为表示各MEC服务器所承载的用户业务流量间复杂的时空关系,将各MEC服务器节点承载的用户业务流量表示为无向图G=(V,A),V表示各节点承载的用户业务流量,A为表示各节点间连通性的亲和矩阵。
基于空间卷积输出结果,可得到表示单个MEC服务器用户业务量及其空间关系的多层特征张量Zl,在此基础上进行时间卷积,卷积核为Kl,时间卷积可表示为χl+1=Zl*Kl,时空图卷积可表示为χl+1=STC(χl,ωl,Kl,G)。
STC(时空图卷积)层可以针对连续的表征网络业务数据数据从时间和空间两方面提取信息,利用STC层构建多层初始时空图卷积神经网络。
然后再利用样本数据库中的时空序列对构建的初始时空图卷积神经网络按照上述步骤0441至0445不断重复训练。
具体训练过程中利用第一个时空序列作为训练样本输入至初始时空图卷积神经网络中,经过处理输出对应的第一个训练业务量,与第一个训练业务量与作为实际业务量的第二个时空序列进行比对并构建损失函数,根据损失函数得到的可训练参数θ2对初始时空图卷积神经网络进行训练调整。
训练调整完成后,将θ2作为θ1进行下一组时空序列的训练过程。具体为:以第二时空序列作为训练样本输入至初始时空图卷积神经网络中,将输出的第二个训练业务量与第三个时空序列进行比对并构建损失函数,并不断重复这个过程,直至最后一个时空序列训练完成,得到的初始时空图卷积神经网络即为卷积神经网络预测模型,可以利用该卷积神经网络预测模型进行业务预测。
在具体实施例中,如图5所示,步骤300具体包括:
步骤310,根据预测业务量以及MEC平台的相关信息确定当前MEC服务器的业务调度信息。
在该步骤中,每个MEC服务器对应一组历史数据,每组历史数据对应输入卷积神经网络模型后对应输出一组预测业务量,根据预测业务量结合当前MEC平台的实际相关信息,就可以预测当前MEC服务器的需要进行调度的业务调度信息。
步骤320,将MEC平台的所有MEC服务器的业务调度信息进行整合,形成MEC平台的业务调度信息。
在该步骤中,可以将各个MEC服务器的业务调度信息进行列表整合,或者将各个MEC服务器的业务调度信息整合至一个文件夹中进行存储,以供用户查看并根据MEC平台的业务调度信息及时进行业务调整。
在具体实施例中,如图6所示,步骤310具体包括:
步骤311,根据预测业务量以及MEC平台的相关信息确定当前MEC服务器上所需的RAN侧协议栈实例数U。
在该步骤中,每个MEC服务器需要利用虚拟机运行RAN侧协议栈,在实际运行过程中可以根据卷积神经网络模型预测得到的预测业务量,确定对应的当前MEC服务器在未来时间段所需的RAN侧协议栈实例数U。
步骤312,根据RAN侧协议栈每个实例对应所需的资源量b,计算当前MEC服务器所需的资源预留量B=U×b。
步骤313,根据资源预留量确定当前MEC服务器上除RAN侧协议栈业务之外的其他业务的迁移率,以及其他业务对应迁移的目的MEC服务器。
在该步骤中,将当前MEC服务器的资源量减去步骤312得到的资源预留量B,得到的资源量越大证明需要迁移的其他业务的迁移率越小,可以根据这种方案计算其他业务的迁移率,并根据其他业务对应的类型查找能够处理该类型业务的目的MEC服务器。
这样就可以将需要迁移的其他业务对应迁移至目的MEC服务器中,利用目的MEC服务器进行处理。
和/或
步骤314,在当前MEC服务器接收到外部突发业务处理请求时,根据当前MEC服务器的资源预留量和迁移后剩余的其他业务所需的资源量,确定当前MEC服务器的突发业务处理容量。
在该步骤中,将当前MEC服务器的容量减去资源预留量B以及剩余的其他业务所需的资源量,得到就是当前MEC服务器的突发业务处理容量。
在接收到外部突发业务处理请求后,可以根据外部突发业务处理请求预估处理该外部突发业务处理请求需要的资源量,或者接收的外部突发业务处理请求中就包含有对应处理该外部突发业务处理请求需要的资源量。
步骤315,判断当前MEC服务器的突发业务处理容量是否大于等于接收到的外部突发业务处理请求对应所需的资源量,是则进入步骤316,否则进入步骤317。
步骤316,当前MEC服务器接受外部突发业务处理请求,对外部突发业务进行处理。
步骤317,当前MEC服务器拒绝外部突发业务处理请求。
在上述步骤中,对应得到的当前MEC服务器的业务调度信息包括上述得到的:当前MEC服务器所需的资源预留量B、当前MEC服务器的突发业务处理容量以及能否处理接收到的外部突发业务处理请求中的至少之一。
通过上述方案,能够准确得到MEC服务器对应的一组业务调度信息,并按照上述方案执行的过程,可以得到与MEC平台中各个MEC服务器一一对应的业务调度信息。
在具体实施例中,步骤311具体包括:
步骤3111,获取当前MEC平台上运行的RAN侧实例总数E1,及当前MEC平台上承载的移动用户业务需求总量E2。
通过上述方案,能够准确的得到对应的当前MEC服务器上所需的RAN侧协议栈实例数。
综上所述,本公开的上述实施例,能够根据获取的MEC平台在历史时间段中用户需求的历史数据进行预测,预测MEC平台在未来时间段的预测业务量,这样就可以根据预测业务量以及MEC平台的相关信息确定对应的业务调度信息,进而得到业务调度策略实现云原生移动网络的业务及资源实施按需调度,保障无线网络协议栈在云平台部署环境下的稳定性,进而实现在云资源及用户需求发生波动的情况下用户终端移动业务的连续性,保障用户体验质量。
需要说明的是,本公开实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本公开还提供了一种云原生移动网络稳定性保障的业务调度装置。
参考图7,云原生移动网络稳定性保障的业务调度装置包括:
获取模块21,用于获取MEC平台在历史时间段中用户需求的历史数据;
预测模块22,用于根据历史数据确定MEC平台在未来时间段的预测业务量;
处理模块23,用于根据预测业务量以及获取的MEC平台的相关信息,确定对应的业务调度信息。
在具体实施例中,预测模块22具体用于:将历史数据利用预先构建好的卷积神经网络预测模型进行处理,处理完成后输出MEC平台在未来时间段的预测业务量。
在具体实施例中,装置还包括:
训练模块,用于利用获取的样本数据对预先构建的初始时空图卷积神经网络进行学习训练,得到卷积神经网络预测模型。
训练模块具体包括:
采集单元,用于间隔固定时间采集各个MEC服务器承载的移动用户业务需求的样本数据;
保存单元,用于根据样本数据随时间的变化构建对应的时空序列,将时空序列保存至样本数据库中;
初始模型构建单元,用于预先构建初始时空图卷积神经网络;
训练单元,用于将样本数据库中的时空序列输入至初始时空图卷积神经网络,对初始时空图卷积神经网络进行训练,训练完成后得到卷积神经网络预测模型。
在具体实施例中,训练单元具体包括:
输入单元,用于将样本数据库中的时空序列输入至初始时空图卷积神经网络,其中,时空序列包括:每个MEC服务器历史承载的移动用户业务需求数据表示为堆叠的图帧,以及MEC平台的历史资源数据信息表示为亲和矩阵;
卷积单元,用于利用初始时空图卷积神经网络对时空序列进行空间和时间上的分解卷积;
嵌入单元,用于在初始时空图卷积神经网络中嵌入辅助数据;
调整单元,用于根据初始时空图卷积神经网络输出的训练业务量,以及时空序列对应下一个固定时间的实际业务量构建损失函数,根据损失函数对初始时空图卷积神经网络进行调整;
模型确定单元,用于初始时空图卷积神经网络对样本数据库中的时空序列全部训练处理完成后得到卷积神经网络预测模型。
在具体实施例中,嵌入单元具体包括:
变化信息获取单元,用于获取MEC服务器的移动业务流量变化信息;
编码单元,用于将MEC服务器的移动业务流量变化信息进行数据编码,得到对应的one-hot向量;
连接单元,用于将one-hot向量进行连接;
特征提取单元,用于提取one-hot向量中的特征向量,对特征向量进行整形;
输入单元,还用于将整形后的特征向量作为辅助数据输入至初始时空图卷积神经网络中。
在具体实施例中,调整单元具体包括:
数据化处理单元,用于将MEC平台的整体历史业务数据进行数据化处理得到多维时间序列:χt∈RN×Tp×C,其中,χt为MEC平台的整体历史业务数据,R为实数集,N为MEC平台中MEC服务器的总数,Tp表示历史时间起点,C表示MEC平台的整体历史业务数据的维数;
参数调整单元,用于根据得到的可训练参数θ2对初始时空图卷积神经网络进行训练调整。
在具体实施例中,处理模块23具体包括:
服务器调度信息确定单元,用于根据预测业务量以及MEC平台的相关信息确定当前MEC服务器的业务调度信息;
平台调度信息确定单元,用于将MEC平台的所有MEC服务器的业务调度信息进行整合,形成MEC平台的业务调度信息。
在具体实施例中,服务器调度信息确定单元具体包括:
实例数确定单元,用于根据预测业务量以及MEC平台的相关信息确定当前MEC服务器上所需的RAN侧协议栈实例数U;
资源预留量计算单元,用于根据RAN侧协议栈每个实例对应所需的资源量b,计算当前MEC服务器所需的资源预留量B=U×b;
迁移确定单元,用于根据资源预留量确定当前MEC服务器上除RAN侧协议栈业务之外的其他业务的迁移率,以及其他业务对应迁移的目的MEC服务器;和/或
突发业务处理单元,用于在当前MEC服务器接收到外部突发业务处理请求时,根据当前MEC服务器的资源预留量和迁移后剩余的其他业务所需的资源量,确定当前MEC服务器的突发业务处理容量;确定当前MEC服务器的突发业务处理容量大于等于接收到的外部突发业务处理请求对应所需的资源量,则当前MEC服务器接受外部突发业务处理请求,对外部突发业务进行处理;或者确定当前MEC服务器的突发业务处理容量小于接收到的外部突发业务处理请求对应所需的资源量,则当前MEC服务器拒绝外部突发业务处理请求。
在具体实施例中,实例数确定单元具体用于:
获取当前MEC平台上运行的RAN侧实例总数E1,及当前MEC平台上承载的移动用户业务需求总量E2;计算当前MEC平台上运行的RAN侧实例总数E1与当前MEC平台上承载的移动用户业务需求总量E2的比例系数根据预测业务量E,计算当前MEC服务器上所需的RAN侧协议栈实例数
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的云原生移动网络稳定性保障的业务调度方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本公开还提供了一种电子设备,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上任意一实施例所述的云原生移动网络稳定性保障的业务调度方法。
图8示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010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,以实现本说明书实施例所提供的技术方案。
存储器1020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1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030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。
通信接口1040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1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,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说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的云原生移动网络稳定性保障的业务调度方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本公开还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的云原生移动网络稳定性保障的业务调度方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的云原生移动网络稳定性保障的业务调度方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本公开实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本公开实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本公开实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本公开的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本公开实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (4)
1.一种云原生移动网络稳定性保障的业务调度方法,包括:
获取MEC平台在历史时间段中用户需求的历史数据;
根据所述历史数据确定MEC平台在未来时间段的预测业务量;
根据所述预测业务量以及获取的MEC平台的相关信息,确定对应的业务调度信息;
所述根据所述历史数据确定MEC平台在未来时间段的预测业务量,具体包括:
将所述历史数据利用预先构建好的卷积神经网络预测模型进行处理,处理完成后输出MEC平台在未来时间段的预测业务量;
在将所述历史数据利用预先构建好的卷积神经网络预测模型进行处理,处理完成后输出MEC平台在未来时间段的预测业务量之前,所述方法还包括:
间隔固定时间采集各个MEC服务器承载的移动用户业务需求的样本数据;
根据所述样本数据随时间的变化构建对应的时空序列,将所述时空序列保存至样本数据库中;
预先构建初始时空图卷积神经网络;
将所述样本数据库中的所述时空序列输入至所述初始时空图卷积神经网络,对所述初始时空图卷积神经网络进行训练,训练完成后得到卷积神经网络预测模型;
所述将所述样本数据库中的所述时空序列输入至所述初始时空图卷积神经网络,对所述初始时空图卷积神经网络进行训练,训练完成后得到卷积神经网络预测模型,具体包括:
将所述样本数据库中的所述时空序列输入至所述初始时空图卷积神经网络,其中,所述时空序列包括:每个MEC服务器历史承载的移动用户业务需求数据表示为堆叠的图帧,以及MEC平台的历史资源数据信息表示为亲和矩阵;
利用所述初始时空图卷积神经网络对所述时空序列进行空间和时间上的分解卷积;
在所述初始时空图卷积神经网络中嵌入辅助数据;
根据所述初始时空图卷积神经网络输出的训练业务量,以及所述时空序列对应下一个固定时间的实际业务量构建损失函数,根据所述损失函数对所述初始时空图卷积神经网络进行调整;
所述初始时空图卷积神经网络对所述样本数据库中的所述时空序列全部训练处理完成后得到卷积神经网络预测模型;
所述根据所述预测业务量以及获取的MEC平台的相关信息,确定对应的业务调度信息,具体包括:
根据所述预测业务量以及MEC平台的相关信息确定当前MEC服务器的业务调度信息;
将所述MEC平台的所有MEC服务器的业务调度信息进行整合,形成所述MEC平台的业务调度信息;
所述根据所述预测业务量以及MEC平台的相关信息确定当前MEC服务器的业务调度信息,具体包括:
根据所述预测业务量以及MEC平台的相关信息确定当前MEC服务器上所需的RAN侧协议栈实例数U;
根据RAN侧协议栈每个实例对应所需的资源量b,计算当前MEC服务器所需的资源预留量B=U×b;
根据所述资源预留量确定当前MEC服务器上除RAN侧协议栈业务之外的其他业务的迁移率,以及其他业务对应迁移的目的MEC服务器;和/或
在当前MEC服务器接收到外部突发业务处理请求时,根据当前MEC服务器的资源预留量和迁移后剩余的其他业务所需的资源量,确定当前MEC服务器的突发业务处理容量;
确定当前MEC服务器的突发业务处理容量大于等于接收到的外部突发业务处理请求对应所需的资源量,则当前MEC服务器接受所述外部突发业务处理请求,对外部突发业务进行处理;或者
确定当前MEC服务器的突发业务处理容量小于接收到的外部突发业务处理请求对应所需的资源量,则当前MEC服务器拒绝所述外部突发业务处理请求。
2.根据权利要求1所述的方法,其中,在所述初始时空图卷积神经网络中嵌入辅助数据,具体包括:
获取MEC服务器的移动业务流量变化信息;
将所述MEC服务器的移动业务流量变化信息进行数据编码,得到对应的one-hot向量;
将所述one-hot向量进行连接;
提取所述one-hot向量中的特征向量,对所述特征向量进行整形;
将整形后的特征向量作为辅助数据输入至所述初始时空图卷积神经网络中。
3.根据权利要求1所述的方法,其中,所述根据所述预测业务量确定当前MEC服务器上所需的RAN侧协议栈实例数U,具体包括:
获取当前MEC平台上运行的RAN侧实例总数E1,及当前MEC平台上承载的移动用户业务需求总量E2;
计算当前MEC平台上运行的RAN侧实例总数E1与当前MEC平台上承载的移动用户业务需求总量E2的比例系数ε=E1/E2;
根据所述预测业务量E,计算当前MEC服务器上所需的RAN侧协议栈实例数U=E×ε。
4.一种电子设备,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如权利要求1至3任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110433419.6A CN113271606B (zh) | 2021-04-21 | 2021-04-21 | 云原生移动网络稳定性保障的业务调度方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110433419.6A CN113271606B (zh) | 2021-04-21 | 2021-04-21 | 云原生移动网络稳定性保障的业务调度方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113271606A CN113271606A (zh) | 2021-08-17 |
CN113271606B true CN113271606B (zh) | 2022-08-05 |
Family
ID=77229253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110433419.6A Active CN113271606B (zh) | 2021-04-21 | 2021-04-21 | 云原生移动网络稳定性保障的业务调度方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113271606B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114553648B (zh) * | 2022-01-26 | 2023-09-19 | 嘉兴学院 | 基于时空图卷积神经网络的无线通信调制模式识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104580524A (zh) * | 2015-01-30 | 2015-04-29 | 华为技术有限公司 | 一种云平台上的资源伸缩方法和一种云平台 |
CN110059858A (zh) * | 2019-03-15 | 2019-07-26 | 深圳壹账通智能科技有限公司 | 服务器资源预测方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200389411A1 (en) * | 2019-06-05 | 2020-12-10 | Motorola Solutions, Inc | Method and system for allocating resources in a cloud-based communication system |
-
2021
- 2021-04-21 CN CN202110433419.6A patent/CN113271606B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104580524A (zh) * | 2015-01-30 | 2015-04-29 | 华为技术有限公司 | 一种云平台上的资源伸缩方法和一种云平台 |
CN110059858A (zh) * | 2019-03-15 | 2019-07-26 | 深圳壹账通智能科技有限公司 | 服务器资源预测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113271606A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109857546B (zh) | 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置 | |
US10652360B2 (en) | Access scheduling method and apparatus for terminal, and computer storage medium | |
CN111126594B (zh) | 基于边缘计算的神经网络模型动态切分方法及装置 | |
CN113300881B (zh) | 基于5g网络的编排调度方法、装置、设备及存储介质 | |
CN110968366A (zh) | 一种基于有限mec资源的任务卸载方法、装置及设备 | |
CN113573351B (zh) | 无线资源利用率确定方法、装置、电子设备及存储介质 | |
CN112272102B (zh) | 边缘网络业务卸载和调度方法及装置 | |
CN113271606B (zh) | 云原生移动网络稳定性保障的业务调度方法及电子设备 | |
CN112449009A (zh) | 一种基于svd的联邦学习推荐系统通信压缩方法及装置 | |
CN112600695B (zh) | Ran侧网络切片资源分配方法、装置和电子设备 | |
CN108512817B (zh) | 多视频转码调度方法及装置 | |
CN112488563B (zh) | 一种算力参数的确定方法和装置 | |
CN110995856B (zh) | 一种服务器扩展的方法、装置、设备及存储介质 | |
CN112104867A (zh) | 一种视频处理方法、视频处理装置、智能设备及存储介质 | |
CN111225045A (zh) | 一种hive高可用预警方法,设备及计算机可读存储介质 | |
US20170005946A1 (en) | Method of allocating processes on node devices, apparatus, and storage medium | |
CN113395319B (zh) | 网络故障感知的方法、系统、电子设备及存储介质 | |
CN115550645A (zh) | 帧内预测模式的确定方法、装置、存储介质及电子设备 | |
CN111158893A (zh) | 应用于雾计算网络的任务卸载方法、系统、设备及介质 | |
CN104041044B (zh) | 视频编码方法和装置 | |
CN113163408A (zh) | 一种无线资源分配方法及装置 | |
CN111585784A (zh) | 一种网络切片部署方法及装置 | |
CN114205642B (zh) | 一种视频图像的处理方法和装置 | |
CN113628310B (zh) | 动画组件的创建方法、装置、存储介质及电子装置 | |
CN113791863B (zh) | 基于虚容器的电力物联代理资源调度方法及相关设备 |
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 |