CN113746899B - 一种云平台访问方法及装置 - Google Patents

一种云平台访问方法及装置 Download PDF

Info

Publication number
CN113746899B
CN113746899B CN202110876427.8A CN202110876427A CN113746899B CN 113746899 B CN113746899 B CN 113746899B CN 202110876427 A CN202110876427 A CN 202110876427A CN 113746899 B CN113746899 B CN 113746899B
Authority
CN
China
Prior art keywords
access
feature information
access control
user
training feature
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
Application number
CN202110876427.8A
Other languages
English (en)
Other versions
CN113746899A (zh
Inventor
何亚明
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.)
Jinan Inspur Data Technology Co Ltd
Original Assignee
Jinan Inspur Data 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 Jinan Inspur Data Technology Co Ltd filed Critical Jinan Inspur Data Technology Co Ltd
Priority to CN202110876427.8A priority Critical patent/CN113746899B/zh
Publication of CN113746899A publication Critical patent/CN113746899A/zh
Application granted granted Critical
Publication of CN113746899B publication Critical patent/CN113746899B/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
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • H04L67/61—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources taking into account QoS or priority requirements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本申请实施例公开了一种云平台访问方法及装置，将访问云平台的目标用户的目标特征信息输入到访问控制模型，得到针对该目标用户在访问云平台时的访问速率范围或访问优先级，该访问控制模型是利用多个用户每个用户的训练特征信息和多个用户每个用户的访问速率范围或访问优先级训练得到的。由此可见，本申请实施例通过训练得到的访问控制模型，快速的得到针对目标用户在访问云平台时的访问速率范围或访问优先级，相较于技术人员逐个确定每个用户的访问速率范围或访问优先级，利用访问控制模型得到每个用户的访问速率范围或访问优先级的效率更高。

Description

一种云平台访问方法及装置
技术领域
本申请涉及计算机领域，尤其涉及一种云平台访问方法及装置。
背景技术
随着计算机技术的快速发展，部署在云平台上的业务也越加广泛，例如在云平台上可以部署数据计算业务，数据存储业务等，用户可以通过云平台访问这些业务。
在实际应用中，通过云平台访问业务时，云平台的网络带宽是有限的。当有多个用户同时进行云平台的访问时，需要根据云平台的网络带宽确定多个用户中每个用户的访问速率或访问顺序，以便云平台为用户提供在有限的网络带宽的情况下最优的服务质量。
当前是通过技术人员根据云平台的网络带宽确定不同用户的访问速率或访问顺序，但是这种方式效率较低。
发明内容
为了解决现有技术中通过技术人员确定不同用户访问云平台的访问速率或访问顺序效率较低的问题，本申请实施例提供一种云平台访问方法和装置。
本申请实施例提供一种云平台访问方法，所述方法包括：
获取访问云平台的目标用户的目标特征信息；
将所述目标特征信息输入到访问控制模型，得到针对所述目标用户的访问控制结果，所述访问控制结果用于控制所述目标用户的访问速率范围和/或访问优先级，所述访问控制模型根据多个用户每个用户的训练特征信息和多个用户每个用户的访问控制结果训练得到，所述多个用户每个用户的访问控制结果反映所述多个用户每个用户的访问速率范围和/或访问优先级。
可选地，所述方法还包括：
获取多个候选训练特征信息，所述多个候选训练特征信息包括第一候选训练特征信息；
将所述第一候选训练特征信息转换为对应的向量；
确定所述第一候选训练特征信息对应的向量和多个候选训练特征信息中除所述第一候选训练特征信息以外的其余的候选训练特征信息对应的向量之间的相关值；
当所述相关值小于或等于阈值时，将所述第一候选训练特征信息确定为训练特征信息。
可选地，所述方法还包括：
获取多个验证训练特征信息，所述多个验证训练特征信息包括第一验证训练特征信息；
将所述第一验证训练特征信息输入所述访问控制模型，得到验证访问控制结果；
将所述验证访问控制结果与所述第一验证训练特征信息对应的访问控制结果进行比较；
若结果不同，则返回确定所述第一候选训练特征信息对应的向量和多个候选训练特征信息中除所述第一候选训练特征信息以外的其余的候选训练特征信息对应的向量之间的相关值的步骤。
可选地，所述目标特征信息包括以下一种或多种：
所述目标用户访问所述云平台的数据流信息、访问时间、访问网址和用户优先级。
可选地，所述目标特征信息包括所述目标用户访问所述云平台的数据流信息和访问时间，所述访问控制模型根据多个用户每个用户访问所述云平台的数据流信息和访问时间以及多个用户每个用户的访问速率范围训练得到。
可选地，所述目标特征信息包括所述目标用户访问所述云平台的数据流信息和用户优先级，所述访问控制模型根据多个用户每个用户访问所述云平台的数据流信息和用户优先级以及多个用户每个用户的访问优先级训练得到。
可选地，所述目标用户的访问速率范围包括所述目标用户的最大访问速率；
所述访问控制结果用于控制所述目标用户的访问速率范围和/或访问优先级包括：
所述访问控制结果用于控制所述目标用户的最大访问速率；
所述访问控制模型根据多个用户每个用户的训练特征信息和多个用户每个用户的最大访问速率训练得到。
本申请实施例还提供一种云平台访问装置，所述装置包括：
第一获取单元，用于获取访问云平台的目标用户的目标特征信息；
访问控制单元，用于将所述目标特征信息输入到访问控制模型，得到针对所述目标用户的访问控制结果，所述访问控制结果用于控制所述目标用户的访问速率范围和/或访问优先级，所述访问控制模型根据多个用户每个用户的训练特征信息和多个用户每个用户的访问控制结果训练得到，所述多个用户每个用户的访问控制结果反映所述多个用户每个用户的访问速率范围和/或访问优先级。
可选地，所述装置还包括：
第二获取单元，用于获取多个候选训练特征信息，所述多个候选训练特征信息包括第一候选训练特征信息；
转换单元，用于将所述第一候选训练特征信息转换为对应的向量；
第一确定单元，用于确定所述第一候选训练特征信息对应的向量和多个候选训练特征信息中除所述第一候选训练特征信息以外的其余的候选训练特征信息对应的向量之间的相关值；
第二确定单元，用于当所述相关值小于或等于阈值时，将所述第一候选训练特征信息确定为训练特征信息。
可选地，所述装置还包括：
第三获取单元，用于获取多个验证训练特征信息，所述多个验证训练特征信息包括第一验证训练特征信息；
验证访问控制单元，用于将所述第一验证训练特征信息输入所述访问控制模型，得到验证访问控制结果；
比较单元，用于将所述验证访问控制结果与所述第一验证训练特征信息对应的访问控制结果进行比较；
返回单元，用于若结果不同，则返回所述第一确定单元。
本申请实施例提供一种云平台访问方法，将访问云平台的目标用户的目标特征信息输入到访问控制模型，得到针对该目标用户在访问云平台时的访问速率范围或访问优先级，该访问控制模型是利用多个用户每个用户的训练特征信息和多个用户每个用户的访问速率范围或访问优先级训练得到的。由此可见，本申请实施例通过训练得到的访问控制模型，快速的得到针对目标用户在访问云平台时的访问速率范围或访问优先级，相较于技术人员逐个确定每个用户的访问速率范围或访问优先级，利用访问控制模型得到每个用户的访问速率范围或访问优先级的效率更高。
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，下面描述中的附图仅仅是本申请中记载的一些实施例，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它的附图。
图1为本申请实施例提供的一种访问控制模型的训练方法的流程图；
图2为本申请实施例提供的一种云平台访问方法的流程图；
图3为本申请实施例提供的一种云平台访问装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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、完整地描述，显然，所描述的实施例仅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做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。
正如背景技术所述，在通过云平台访问业务时，云平台的网络带宽是有限的。例如当多个用户同时访问云平台的数据计算业务时，如何在有限的网络带宽的情况下确定每个用户的访问顺序。又如当某个用户访问云平台的数据下载业务时，下载可能占据带宽较多，导致其余用户无法访问云平台或访问速率过慢，影响用户体验。
当前是通过技术人员根据云平台的网络带宽确定不同用户的访问速率或访问顺序，以便云平台为用户提供在有限的网络带宽的情况下最优的服务质量(Quality ofService，QoS)，但是这种方式效率较低。
基于此，本申请实施例提供一种云平台访问方法，将访问云平台的目标用户的目标特征信息输入到访问控制模型，得到针对该目标用户在访问云平台时的访问速率范围或访问优先级，该访问控制模型是利用多个用户每个用户的训练特征信息和多个用户每个用户的访问速率范围或访问优先级训练得到的。由此可见，本申请实施例通过训练得到的访问控制模型，快速的得到针对目标用户在访问云平台时的访问速率范围或访问优先级，相较于技术人员逐个确定每个用户的访问速率范围或访问优先级，利用访问控制模型得到每个用户的访问速率范围或访问优先级的效率更高。
为了云平台能够提供更好的服务质量，可以利用访问控制模型得到每个用户的访问速率范围或访问优先级。本申请实施例首先介绍访问控制模型的训练方法。参见图1，该图为本申请实施例提供的一种访问控制模型的训练方法的流程图。
本申请实施例提供的访问控制模型的训练方法包括如下步骤：
S101，获取多个训练特征信息和每个训练特征信息对应的访问控制结果。
在本申请的实施例中，训练特征信息的数目为多个，训练特征信息是反映用户特征的信息，每个训练特征信息可以对应一个用户，训练特征信息能够反映用户的所属公司、所属部门、所处职位、云平台访问优先级或互联网协议地址(Internet Protocol Address，IP地址)等信息。
也就是说，训练特征信息可以至少包括以下一种或多种：用户访问云平台的数据流信息、访问时间、访问网址和用户优先级。其中，用户访问云平台的数据流信息包括源IP地址、目的IP地址、源媒体访问控制(Media Access Control)地址、目的MAC地址和源端口。通过数据流信息能够具体确定是哪个用户访问云平台。访问时间能够反映不同的时间段内不同的用户访问云平台的差异。访问网址能够反映不同用户访问云平台不同服务的差异。用户优先级能够反映不同用户访问云平台时，云平台对不同用户的访问报文的转发顺序，用户优先级高的用户，报文转发顺序更为靠前，访问优先级更高。
在确定用户优先级时，可以设置某个部门的全部的用户优先级较高，以便保证该部门的云平台访问的服务质量，也可以按照某个公司内职务的高低设置用户优先级。
在本申请的实施例中，多个训练特征信息中每个训练特征信息都对应各自的访问控制结果，即多个用户中每个用户都有自己的访问控制结果，访问控制结果反映多个用户中每个用户的访问速率范围和/或访问优先级。其中，访问控制结果中访问速率范围可以包括最大访问速率，即对用户访问云平台时的最大访问速率进行限定，以在有限的云平台带宽的条件下，多个用户同时访问云平台时不会出现某个用户占据较大带宽影响其他用户的访问速率。访问优先级较高的用户在访问云平台时，云平台会优先转发该用户的报文。
S102，根据多个训练特征信息和每个训练特征信息对应的访问控制结果训练访问控制模型。
在本申请的实施例中，可以根据多个训练特征信息，以及多个训练特征信息中每个训练特征信息对应的访问控制结果训练访问控制模型。访问控制模型的输入为训练特征信息，访问控制模型的输出为训练特征信息对应的访问控制结果，该访问控制结果能够反映该训练特征信息对应的用户的访问速率范围和/或访问优先级。
根据上述训练特征信息包括的内容的不同以及访问控制结果包括的内容的不同，训练时得到的访问控制模型也不同，相应的，访问控制模型的输出也不相同。
作为一种可能的实现方式，训练特征信息包括用户访问云平台的数据流信息和访问时间，访问控制结果包括用户的访问速率范围，访问控制模型可以根据多个用户每个用户访问云平台的数据流信息和访问时间以及多个用户每个用户的访问速率范围训练得到。
作为另一种可能的实现方式，训练特征信息包括用户访问云平台的数据流信息和用户优先级，访问控制结果包括用户的访问优先级，访问控制模型根据多个用户每个用户访问云平台的数据流信息和用户优先级以及多个用户每个用户的访问优先级训练得到。
作为又一种可能的实现方式，训练特征信息包括用户访问云平台的数据流信息和访问时间，访问控制结果包括用户的最大访问速率，访问控制模型可以根据多个用户每个用户访问云平台的数据流信息和访问时间以及多个用户每个用户的最大访问速率训练得到。
作为还一种可能的实现方式，训练特征信息包括用户访问云平台的数据流信息、访问时间、访问网址和用户优先级，访问控制结果包括用户的访问优先级和用户的最大访问速率，访问控制模型根据多个用户每个用户访问云平台的数据流信息、访问时间、访问网址和用户优先级以及多个用户每个用户的访问优先级和用户的最大访问速率训练得到。
本申请实施例列举的上述访问控制模型的输入和输出不构成对本申请的限定，本领域技术人员可以根据训练特征信息和访问控制结果进行自由变型。
在本申请的实施例中，访问控制模型可以是神经网络模型，例如可以是分类与回归树(Classification and Regression Trees)模型，分类与回归树模型，主要包括两个部分，第一部分为训练部分，第二部分为对训练得到的模型进行验证，以确定模型训练的效果。
本申请中主要采用回归树模型，这是由于回归树模型属于连续的数学模型，输出为连续的值，更为精确，本申请实施例的访问控制模型为回归树模型时，模型的输出的准确率更高。
在本申请的实施例中，为了提升访问控制模型的训练效果，训练特征信息可以是经过筛选的，可以从多个候选训练特征信息中确定出训练特征信息。
以下以第一候选训练特征信息为例介绍从多个候选训练特征信息中确定出候选训练特征信息的一种可能的实现方式，第一候选训练特征信息是多个候选训练特征信息中任意一个候选训练特征信息：
S1011，获取多个候选训练特征信息。
在本申请的实施例中，候选训练特征信息的数目为多个，候选训练特征信息是反映用户特征的信息，候选训练特征信息可以至少包括以下一种或多种：用户访问云平台的端口的数据流信息、访问时间、访问网址和用户优先级。
S1012，将所述第一候选训练特征信息转换为对应的向量。
在进行访问控制模型的训练时，将多个候选训练特征信息中的每个候选训练特征信息都分别转换为对应的向量，例如可以利用自然语言处理模型将每个候选训练特征信息转换为对应的向量。
S1013，确定所述第一候选训练特征信息对应的向量和多个候选训练特征信息中除所述第一候选训练特征信息以外的其余的候选训练特征信息对应的向量之间的相关值。
在本申请的实施例中，为了筛选多个候选训练特征信息，可以计算任意两个候选训练特征信息之间的相关值，确定两个候选训练特征信息之间的相关性。
也就是说，确定第一候选训练特征信息对应的向量和多个候选训练特征信息中除第一候选训练特征信息以外的其余的候选训练特征信息对应的向量之间的相关值。例如可以通过计算向量之间相关值的模型计算第一候选训练特征信息和其余的候选训练特征信息之间的相关值。
S1014，当所述相关值小于或等于阈值时，将所述第一候选训练特征信息确定为训练特征信息。
在本申请的实施例中，当第一候选训练特征信息对应的向量和多个候选训练特征信息中除第一候选训练特征信息以外的其余的候选训练特征信息对应的向量之间的相关值小于或者等于阈值时，代表第一候选训练特征信息和其余的候选训练特征信息之间的相关性较小，可以将第一候选训练特征信息确定为训练特征信息。
当第一候选训练特征信息对应的向量和多个候选训练特征信息中除第一候选训练特征信息以外的其余的候选训练特征信息对应的向量之间的相关值大于阈值时，代表第一候选训练特征信息和其余的候选训练特征信息之间的相关性较大，相关性较大的候选训练特征信息对于访问控制模型的训练而言，训练效果较差，此时不将第一候选训练特征信息确定为训练特征信息。
也就是说，本申请实施例是针对多个候选训练特征信息中相关性较大的候选训练特征信息进行剔除，以增强访问控制模型的训练效果。
阈值可以根据实际情况进行确定，本申请实施例对此不进行具体确定。
以上以第一候选训练特征信息为例详细介绍了从多个候选训练特征信息中确定训练特征信息的步骤。
在利用上述的方式训练访问控制模型之后，还可以对训练得到的访问控制模型进行验证。
下面以第一验证训练特征信息为例介绍验证访问控制模型训练效果的一种可能的实现方式，第一验证训练特征信息是多个验证训练特征信息中任意一个验证训练特征信息：
S1021，获取多个验证训练特征信息。
在本申请的实施例中，验证训练特征信息的数目为多个。验证训练特征信息与训练特征信息不同，以便利用验证训练特征信息对访问控制模型的训练效果进行验证。验证训练特征信息是反映用户特征的信息，验证训练特征信息可以至少包括以下一种或多种：用户访问云平台的端口的数据流信息、访问时间、访问网址和用户优先级。
S1022，将所述第一验证训练特征信息输入所述访问控制模型，得到验证访问控制结果。
在本申请的实施例中，将第一验证训练特征信息输入到访问控制模型，得到验证访问控制结果，验证访问控制结果用于反映第一验证训练特征信息对应的用户的访问速率范围和/或访问优先级。
S1023，将所述验证访问控制结果与所述第一验证训练特征信息对应的访问控制结果进行比较。
在本申请的实施例中，当访问控制模型输出验证访问控制结果之后，可以将验证访问控制结果与第一验证训练特征信息对应的访问控制结果进行比较，也就是说，将验证访问控制结果与实际上的访问控制结果进行比较，实际上的访问控制结果是预先和第一验证训练特征信息进行对应的。
S1024，若结果不同，则返回确定所述第一候选训练特征信息对应的向量和多个候选训练特征信息中除所述第一候选训练特征信息以外的其余的候选训练特征信息对应的向量之间的相关值的步骤。
在本申请的实施例中，若访问控制模型输出的验证访问控制结果与第一验证训练特征信息对应的访问控制结果相同，则说明访问控制模型的训练效果较好。
若访问控制模型输出的验证访问控制结果与第一验证训练特征信息对应的访问控制结果不同，则说明访问控制模型的训练效果较差，此时可以重新对多个候选训练特征信息进行筛选，重新从多个候选训练特征信息中确定训练特征信息，即返回确定第一候选训练特征信息对应的向量和多个候选训练特征信息中除第一候选训练特征信息以外的其余的候选训练特征信息对应的向量之间的相关值的步骤。
在实际应用中，无需每一个验证训练特征信息输入到访问控制模型得到的验证访问控制结果都与其对应的访问控制结果相同，才不重新训练访问控制模型，为了降低成本，当多个验证训练特征信息输入到访问控制模型分别得到的多个验证访问控制结果都与其对应的访问控制结果相同的比例大于预定阈值，就认为访问控制模型的训练效果较好，其中，预定阈值可以根据实际情况进行确定，本申请实施例对此不进行具体确定。
经过上述介绍可以得知，本申请实施例提供的访问控制模型是根据多个训练特征信息和每个训练特征信息对应的访问控制结果进行训练得到的。
基于上述实施例提供的训练方法训练的访问控制模型，本申请实施例还提供一种利用访问控制模型进行云平台访问的方法。本申请实施例提供的云平台访问方法可以应用于云平台的系统的服务器中，服务器可以是云平台的系统中的交换机。
参见图2，该图为本申请实施例提供的一种云平台访问方法的流程图。
本实施例提供的云平台访问方法包括如下步骤：
S201，获取访问云平台的目标用户的目标特征信息。
在本申请的实施例中，目标用户为访问云平台的用户，目标用户在访问云平台时携带目标特征信息，以便反映目标用户的用户特征。目标特征信息可以至少包括以下一种或多种：用户访问云平台的数据流信息、访问时间、访问网址和用户优先级。
S202，将所述目标特征信息输入到访问控制模型，得到针对所述目标用户的访问控制结果。
在本申请的实施例中，将目标特征信息输入到访问控制模型，访问控制模型输出针对目标用户的访问控制结果，访问控制结果用于控制目标用户的访问速率范围和/或访问优先级。其中，访问控制模型采用本申请实施例提供的训练方法进行训练，具体的训练方法参考上述实施例，在此不再赘述。
如上述训练方法中训练特征信息包括内容的不同和访问控制结果不同时，训练得到的访问控制模型也不同，相应地，利用不同的访问控制模型对目标用户的目标特征信息进行处理时，输出的访问控制结果也不相同，具体输出的访问控制结果根据使用的访问控制模型进行确定。
本申请实施例提供一种云平台访问方法，将访问云平台的目标用户的目标特征信息输入到访问控制模型，得到针对该目标用户在访问云平台时的访问速率范围或访问优先级，该访问控制模型是利用多个用户每个用户的训练特征信息和多个用户每个用户的访问速率范围或访问优先级训练得到的。由此可见，本申请实施例通过训练得到的访问控制模型，快速的得到针对目标用户在访问云平台时的访问速率范围或访问优先级，相较于技术人员逐个确定每个用户的访问速率范围或访问优先级，利用访问控制模型得到每个用户的访问速率范围或访问优先级的效率更高。并且本申请实施例提供的云平台访问方法能够根据用户的特征信息自动调整访问控制结果，更加灵活，节约技术人员的工作量，提升云平台提供的服务质量。
基于以上实施例提供的一种云平台访问方法，本申请实施例还提供了一种云平台访问装置，下面结合附图来详细说明其工作原理。
参见图3，该图为本申请实施例提供的一种云平台访问装置的结构框图。
本实施例提供的云平台访问装置300包括：
第一获取单元310，用于获取访问云平台的目标用户的目标特征信息；
访问控制单元320，用于将所述目标特征信息输入到访问控制模型，得到针对所述目标用户的访问控制结果，所述访问控制结果用于控制所述目标用户的访问速率范围和/或访问优先级，所述访问控制模型根据多个用户每个用户的训练特征信息和多个用户每个用户的访问控制结果训练得到，所述多个用户每个用户的访问控制结果反映所述多个用户每个用户的访问速率范围和/或访问优先级。
可选地，所述装置还包括：
第二获取单元，用于获取多个候选训练特征信息，所述多个候选训练特征信息包括第一候选训练特征信息；
转换单元，用于将所述第一候选训练特征信息转换为对应的向量；
第一确定单元，用于确定所述第一候选训练特征信息对应的向量和多个候选训练特征信息中除所述第一候选训练特征信息以外的其余的候选训练特征信息对应的向量之间的相关值；
第二确定单元，用于当所述相关值小于或等于阈值时，将所述第一候选训练特征信息确定为训练特征信息。
可选地，所述装置还包括：
第三获取单元，用于获取多个验证训练特征信息，所述多个验证训练特征信息包括第一验证训练特征信息；
验证访问控制单元，用于将所述第一验证训练特征信息输入所述访问控制模型，得到验证访问控制结果；
比较单元，用于将所述验证访问控制结果与所述第一验证训练特征信息对应的访问控制结果进行比较；
返回单元，用于若结果不同，则返回所述第一确定单元。
当介绍本申请的各种实施例的元件时，冠词“一”、“一个”、“这个”和“所述”都意图表示有一个或多个元件。词语“包括”、“包含”和“具有”都是包括性的并意味着除了列出的元件之外，还可以有其它元件。
需要说明的是，本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccess Memory,RAM)等。
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，对于装置实施例而言，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。以上所描述的装置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及模块可以是或者也可以不是物理上分开的。另外，还可以根据实际的需要选择其中的部分或者全部单元和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。
以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (7)

1.一种云平台访问方法，其特征在于，所述方法包括：
获取访问云平台的目标用户的目标特征信息；所述目标特征信息包括以下一种或多种：
所述目标用户访问所述云平台的数据流信息、访问时间、访问网址和用户优先级；
将所述目标特征信息输入到访问控制模型，得到针对所述目标用户的访问控制结果，所述访问控制结果用于控制所述目标用户的访问速率范围和/或访问优先级，所述访问控制模型根据多个用户每个用户的训练特征信息和多个用户每个用户的访问控制结果训练得到，所述多个用户每个用户的访问控制结果反映所述多个用户每个用户的访问速率范围和/或访问优先级；
所述方法还包括：
获取多个候选训练特征信息，所述多个候选训练特征信息包括第一候选训练特征信息；
将所述第一候选训练特征信息转换为对应的向量；
确定所述第一候选训练特征信息对应的向量和多个候选训练特征信息中除所述第一候选训练特征信息以外的其余的候选训练特征信息对应的向量之间的相关值；
当所述相关值小于或等于阈值时，将所述第一候选训练特征信息确定为训练特征信息。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取多个验证训练特征信息，所述多个验证训练特征信息包括第一验证训练特征信息；
将所述第一验证训练特征信息输入所述访问控制模型，得到验证访问控制结果；
将所述验证访问控制结果与所述第一验证训练特征信息对应的访问控制结果进行比较；
若结果不同，则返回确定所述第一候选训练特征信息对应的向量和多个候选训练特征信息中除所述第一候选训练特征信息以外的其余的候选训练特征信息对应的向量之间的相关值的步骤。
3.根据权利要求1所述的方法，其特征在于，所述目标特征信息包括所述目标用户访问所述云平台的数据流信息和访问时间，所述访问控制模型根据多个用户每个用户访问所述云平台的数据流信息和访问时间以及多个用户每个用户的访问速率范围训练得到。
4.根据权利要求1所述的方法，其特征在于，所述目标特征信息包括所述目标用户访问所述云平台的数据流信息和用户优先级，所述访问控制模型根据多个用户每个用户访问所述云平台的数据流信息和用户优先级以及多个用户每个用户的访问优先级训练得到。
5.根据权利要求1-4任意一项所述的方法，其特征在于，所述目标用户的访问速率范围包括所述目标用户的最大访问速率；
所述访问控制结果用于控制所述目标用户的访问速率范围和/或访问优先级包括：
所述访问控制结果用于控制所述目标用户的最大访问速率；
所述访问控制模型根据多个用户每个用户的训练特征信息和多个用户每个用户的最大访问速率训练得到。
6.一种云平台访问装置，其特征在于，所述装置包括：
第一获取单元，用于获取访问云平台的目标用户的目标特征信息；所述目标特征信息包括以下一种或多种：
所述目标用户访问所述云平台的数据流信息、访问时间、访问网址和用户优先级；
访问控制单元，用于将所述目标特征信息输入到访问控制模型，得到针对所述目标用户的访问控制结果，所述访问控制结果用于控制所述目标用户的访问速率范围和/或访问优先级，所述访问控制模型根据多个用户每个用户的训练特征信息和多个用户每个用户的访问控制结果训练得到，所述多个用户每个用户的访问控制结果反映所述多个用户每个用户的访问速率范围和/或访问优先级；
所述装置还包括：
第二获取单元，用于获取多个候选训练特征信息，所述多个候选训练特征信息包括第一候选训练特征信息；
转换单元，用于将所述第一候选训练特征信息转换为对应的向量；
第一确定单元，用于确定所述第一候选训练特征信息对应的向量和多个候选训练特征信息中除所述第一候选训练特征信息以外的其余的候选训练特征信息对应的向量之间的相关值；
第二确定单元，用于当所述相关值小于或等于阈值时，将所述第一候选训练特征信息确定为训练特征信息。
7.根据权利要求6所述的方法，其特征在于，所述装置还包括：
第三获取单元，用于获取多个验证训练特征信息，所述多个验证训练特征信息包括第一验证训练特征信息；
验证访问控制单元，用于将所述第一验证训练特征信息输入所述访问控制模型，得到验证访问控制结果；
比较单元，用于将所述验证访问控制结果与所述第一验证训练特征信息对应的访问控制结果进行比较；
返回单元，用于若结果不同，则返回所述第一确定单元。
CN202110876427.8A 2021-07-29 2021-07-29 一种云平台访问方法及装置 Active CN113746899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110876427.8A CN113746899B (zh) 2021-07-29 2021-07-29 一种云平台访问方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110876427.8A CN113746899B (zh) 2021-07-29 2021-07-29 一种云平台访问方法及装置

Publications (2)

Publication Number Publication Date
CN113746899A CN113746899A (zh) 2021-12-03
CN113746899B true CN113746899B (zh) 2023-04-07

Family

ID=78729752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110876427.8A Active CN113746899B (zh) 2021-07-29 2021-07-29 一种云平台访问方法及装置

Country Status (1)

Country Link
CN (1) CN113746899B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110703732A (zh) * 2019-10-21 2020-01-17 北京百度网讯科技有限公司 相关性检测方法、装置、设备及计算机可读存储介质
CN111858859A (zh) * 2019-04-01 2020-10-30 北京百度网讯科技有限公司 自动问答处理方法、装置、计算机设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108200008A (zh) * 2017-12-05 2018-06-22 阿里巴巴集团控股有限公司 异常数据访问的识别方法和装置
CN109993358B (zh) * 2019-03-25 2021-07-16 联想(北京)有限公司 训练收率预测模型的方法和装置
CN111241745B (zh) * 2020-01-09 2024-05-24 深圳前海微众银行股份有限公司 逐步模型选择方法、设备及可读存储介质
CN111539220B (zh) * 2020-05-12 2022-06-28 北京百度网讯科技有限公司 语义相似度模型的训练方法、装置、电子设备及存储介质
CN111666925B (zh) * 2020-07-02 2023-10-17 北京爱笔科技有限公司 一种人脸识别模型的训练方法及装置
CN112101452B (zh) * 2020-09-14 2023-12-22 中国人民解放军战略支援部队信息工程大学 一种访问权限的控制方法及装置
CN112163335A (zh) * 2020-09-25 2021-01-01 广东电科院能源技术有限责任公司 一种NOx浓度预测模型的训练方法、预测方法和装置
CN112101552A (zh) * 2020-09-25 2020-12-18 北京百度网讯科技有限公司 用于训练模型的方法、装置、设备以及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111858859A (zh) * 2019-04-01 2020-10-30 北京百度网讯科技有限公司 自动问答处理方法、装置、计算机设备及存储介质
CN110703732A (zh) * 2019-10-21 2020-01-17 北京百度网讯科技有限公司 相关性检测方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN113746899A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
JP6457447B2 (ja) データセンターのネットワークトラフィックスケジューリング方法及び装置
JP6587330B2 (ja) ランダムフォレストモデルの訓練方法、電子装置及び記憶媒体
US8954978B1 (en) Reputation-based mediation of virtual control planes
EP2932693B1 (en) Exchange of server status and client information through headers for request management and load balancing
CN109615022B (zh) 模型上线配置方法和装置
US9882773B2 (en) Virtual resource provider with virtual control planes
US9553774B2 (en) Cost tracking for virtual control planes
CN111105006A (zh) 一种深度学习网络训练系统及方法
CN104702592A (zh) 流媒体下载方法和装置
US11689601B1 (en) Stream quality enhancement
CN114363185B (zh) 虚拟资源处理方法以及装置
Lei et al. Deploying QoS-assured service function chains with stochastic prediction models on VNF latency
US10901778B2 (en) Prefetch chaining for optimizing data read-ahead for workflow and analytics
US10917840B2 (en) Selecting a communication service provider according to constraint criteria
KR102653678B1 (ko) 스피치 합성의 학습가능한 속도 제어
CN107547591A (zh) 升级服务器、机顶盒、机顶盒升级文件下发方法及系统
CN113746899B (zh) 一种云平台访问方法及装置
US9282041B2 (en) Congestion profiling of computer network devices
US20200314019A1 (en) Managing bandwidth based on user behavior
CN114338386B (zh) 一种网络的配置方法、装置、电子设备及存储介质
WO2017213065A1 (ja) サービス管理システム、サービス管理方法、および、記録媒体
US11521617B2 (en) Speech-to-text auto-scaling for live use cases
CN104598223B (zh) 一种网络建模语言解析方法及装置
CN114423049A (zh) 一种感知预测方法、装置、电子设备及存储介质
Hanczewski et al. A Multiparameter Analytical Model of the Physical Infrastructure of a Cloud-Based System

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