CN114172819A - Nfv网元的需求资源预测方法、系统、电子设备和存储介质 - Google Patents
Nfv网元的需求资源预测方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114172819A CN114172819A CN202111483161.7A CN202111483161A CN114172819A CN 114172819 A CN114172819 A CN 114172819A CN 202111483161 A CN202111483161 A CN 202111483161A CN 114172819 A CN114172819 A CN 114172819A
- Authority
- CN
- China
- Prior art keywords
- resource usage
- network element
- resource
- virtual machine
- traffic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013507 mapping Methods 0.000 claims abstract description 87
- 238000009826 distribution Methods 0.000 claims description 76
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000004044 response Effects 0.000 claims description 18
- 230000006399 behavior Effects 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000013277 forecasting method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 abstract description 13
- 230000008602 contraction Effects 0.000 abstract description 8
- 230000003247 decreasing effect Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 19
- 238000013499 data model Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- OOXMVRVXLWBJKF-DUXPYHPUSA-N n-[3-[(e)-2-(5-nitrofuran-2-yl)ethenyl]-1,2,4-oxadiazol-5-yl]acetamide Chemical compound O1C(NC(=O)C)=NC(\C=C\C=2OC(=CC=2)[N+]([O-])=O)=N1 OOXMVRVXLWBJKF-DUXPYHPUSA-N 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
- H04L41/0816—Configuration setting characterised by the conditions triggering a change of settings the condition being an adaptation, e.g. in response to network events
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及5G核心网技术领域,提供一种NFV网元的需求资源预测方法、系统、电子设备和存储介质。所述需求资源预测方法包括:响应于需求资源预测请求,确定目标网络功能虚拟化NFV网元和变动用户数;基于所述目标NFV网元的用户数与业务量映射模型,根据所述变动用户数预测变动业务量;基于所述目标NFV网元的业务量与资源使用量映射模型,根据所述变动业务量预测变动资源使用量;根据资源使用约束条件和所述变动资源使用量,确定所述目标NFV网元的基于所述变动用户数的需求资源量。本发明能够基于变动用户数准确预测出目标NFV网元的资源需求变动,使上层应用层基于本方案快速测算出新增/减少用户规模所对应的资源变动情况,实现目标NFV网元的精准扩缩容。
Description
技术领域
本发明涉及5G核心网技术领域,具体地说,涉及一种NFV网元的需求资源预测方法、系统、电子设备和存储介质。
背景技术
传统核心网组网方式中,网元设备以专用设备的状态进行建设,厂商在网元设备上部署专用的应用软件,并由厂商提供的网管系统进行管理。
NFV(Network Function Visualization)网络功能虚拟化后,网元设备的形态发生了改变,从专用设备转变为通用设备,通过虚拟机、虚拟化技术及软件定义实现网元功能;在面向三层解耦的目标推进过程中,虚拟化网络提高了通用设备的可替换性及可扩展性。
传统网元设备的增容、扩建依赖于专用设备的开发、采购、部署、调试等多个环节步骤,扩容周期较长。NFV架构下,5G(5th Generation Mobile CommunicationTechnology,第五代移动通信技术)核心网(简称5GC)三层解耦的网络提供了实现快速扩缩容的可能性,通用服务器构成5GC网元的基本硬件设备,通过虚拟化技术快速部署网络功能。
为实现快速扩缩容部署的能力应用,需要对当前5GC网络中各个网元的容量做出精准评估。在NFV分层架构下,5GC网元的功能实现是通用硬件设备虚拟化后的通过软件定义完成的,对于网元容量的评估方式有别于传统方式。因此,传统的容量估算方法无法满足NFV分解耦架构下快速扩缩容的需求,即在NFV分层解耦架构下,上层应用系统(如NFVO,NFVOrchestrator)无法精确掌握扩缩容业务量与所需资源之间的对应关系,无法满足精确化资源管理需求。
需要说明的是,上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本发明提供一种NFV网元的需求资源预测方法、系统、电子设备和存储介质,能够基于变动用户数/变动业务量准确预测出目标NFV网元的资源需求变动,使上层应用层基于本方案快速测算出新增/减少用户规模或新增/减少业务规模所对应的资源变动情况,实现对目标NFV网元的精准扩缩容。
根据本发明的一个方面,提供一种NFV网元的需求资源预测方法,包括:响应于需求资源预测请求,确定目标网络功能虚拟化NFV网元和变动用户数;基于所述目标NFV网元的用户数与业务量映射模型,根据所述变动用户数预测变动业务量;基于所述目标NFV网元的业务量与资源使用量映射模型,根据所述变动业务量预测变动资源使用量;根据资源使用约束条件和所述变动资源使用量,确定所述目标NFV网元的基于所述变动用户数的需求资源量。
在一些实施例中,所述基于所述目标NFV网元的用户数与业务量映射模型之前,还包括:获取所述目标NFV网元生产的用户行为数据和业务量数据;对所述用户行为数据进行分析,获得单位用户不同时间段的业务量分布,建立所述目标NFV网元的基于时间序列的单位用户业务量分布模型;对所述业务量数据进行分析,获得不同时间段的业务量分布,建立所述目标NFV网元的基于所述时间序列的业务量分布模型;对所述单位用户业务量分布模型和所述业务量分布模型进行基于所述时间序列的关联叠加,获得用户数与业务量的基于不同时间段的映射关系,并对所述映射关系进行基于各时间段的聚合统计,获得所述目标NFV网元的用户数与业务量映射模型。
在一些实施例中,所述基于所述目标NFV网元的业务量与资源使用量映射模型,根据所述变动业务量预测变动资源使用量,包括:基于所述目标NFV网元的业务量与虚拟机资源使用量映射模型,根据所述变动业务量预测变动虚拟机资源使用量;基于虚拟机资源使用量与物理机资源使用量映射模型,根据所述变动虚拟机资源使用量预测变动物理机资源使用量;所述根据资源使用约束条件和所述变动资源使用量,确定所述目标NFV网元的基于所述变动用户数的需求资源量,包括:分别根据虚拟机资源使用约束条件和所述变动虚拟机资源使用量、及物理机资源使用约束条件和所述变动物理机资源使用量,确定所述目标NFV网元的基于所述变动用户数的虚拟机需求量和物理机需求量。
在一些实施例中,所述基于所述目标NFV网元的业务量与虚拟机资源使用量映射模型之前,还包括:获取所述目标NFV网元生产的业务量数据和占用的虚拟机资源使用数据;对所述业务量数据进行分析,获得不同时间段的业务量分布,并对各时间段的业务量数据进行环比计算,建立所述目标NFV网元的业务量环比分布模型;对所述虚拟机资源使用数据进行分析,获得所述目标NFV网元占用的每个虚拟机的不同时间段的虚拟资源使用量分布,并对各所述时间段的虚拟资源使用量数据进行环比计算,建立所述目标NFV网元占用的虚拟资源使用量环比分布模型;对所述业务量环比分布模型和所述虚拟资源使用量环比分布模型进行关联叠加,获得所述目标NFV网元的业务量与虚拟机资源使用量映射模型,所述业务量与虚拟机资源使用量映射模型中的虚拟机资源使用量包括最大虚拟机资源使用量和平均虚拟机资源使用量。
在一些实施例中,所述基于虚拟机资源使用量与物理机资源使用量映射模型之前,还包括:获取所述目标NFV网元占用的虚拟机资源使用数据,并根据虚拟机与物理机的关联关系,获取承载所述目标NFV网元占用的虚拟机的物理机资源使用数据;对所述虚拟机资源使用数据进行分析,获得所述目标NFV网元占用的每个虚拟机的不同时间段的虚拟资源使用量分布,并对各所述时间段的虚拟资源使用量数据进行环比计算,建立所述目标NFV网元占用的虚拟资源使用量环比分布模型;对所述物理机资源使用数据进行分析,获得承载所述目标NFV网元占用的虚拟机的每个物理机的不同时间段的物理资源使用量分布,并对各所述时间段的物理资源使用量数据进行环比计算,建立承载所述目标NFV网元的物理资源使用量环比分布模型;对所述虚拟资源使用量环比分布模型和所述物理资源使用量环比分布模型进行关联叠加,获得所述虚拟机资源使用量与物理机资源使用量映射模型,所述虚拟机资源使用量与物理机资源使用量映射模型中,虚拟机资源使用量包括最大虚拟机资源使用量和平均虚拟机资源使用量,物理机资源使用量包括最大物理机资源使用量和平均物理机资源使用量。
在一些实施例中,获取所述目标NFV网元占用的虚拟机资源使用数据,包括:获取所述目标NFV网元的跨层资源关联拓扑;对所述跨层资源关联拓扑进行分析,获得所述目标NFV网元占用的虚拟机标识;根据所述虚拟机标识,自云资源池中获取所述虚拟机标识对应的虚拟机资源使用数据。
在一些实施例中,所述虚拟机资源使用约束条件指示单位虚拟机的资源使用量的最大值和平均值,所述物理机资源使用量约束条件指示单位物理机的资源使用量的最大值和平均值;所述目标NFV网元的基于所述变动用户数的虚拟机需求量和物理机需求量,包括最大虚拟机需求量和平均虚拟机需求量、及最大物理机需求量和平均物理机需求量。
根据本发明的一个方面,提供一种NFV网元的需求资源预测系统,包括:预测请求响应模块,用于响应于需求资源预测请求,确定目标网络功能虚拟化NFV网元和变动用户数;业务量预测模块,用于基于所述目标NFV网元的用户数与业务量映射模型,根据所述变动用户数预测变动业务量;资源使用量预测模块,用于基于所述目标NFV网元的业务量与资源使用量映射模型,根据所述变动业务量预测变动资源使用量;需求资源确定模块,用于根据资源使用约束条件和所述变动资源使用量,确定所述目标NFV网元的基于所述变动用户数的需求资源量。
根据本发明的一个方面,提供一种电子设备,包括:处理器;存储器,所述存储器中存储有可执行指令;其中,所述可执行指令被所述处理器执行时,实现如上述任意实施例所述的NFV网元的需求资源预测方法。
根据本发明的一个方面,提供一种计算机可读的存储介质,用于存储程序,所述程序被处理器执行时实现如上述任意实施例所述的NFV网元的需求资源预测方法。
本发明与现有技术相比的有益效果至少包括:
本发明能够基于变动用户数/变动业务量准确预测出目标NFV网元的资源需求变动,使上层应用层基于本方案快速测算出新增/减少用户规模或新增/减少业务规模所对应的资源变动情况,实现对目标NFV网元的精准扩缩容。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述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示出本发明一实施例中NFV网元的需求资源预测方法的步骤示意图;
图2示出本发明一实施例中获得用户数与业务量映射模型的步骤示意图;
图3示出本发明一实施例中获得业务量与虚拟机资源使用量映射模型的步骤示意图;
图4示出本发明一实施例中获得虚拟机资源使用量与物理机资源使用量映射模型的步骤示意图;
图5示出本发明一实施例中NFV网元的需求资源预测方法的实现流程图;
图6示出本发明一实施例中NFV网元的需求资源预测系统的模块示意图;
图7示出本发明一实施例中电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式。相反,提供这些实施方式使本发明全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
此外,附图中所示的流程仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤可以分解,有的步骤可以合并或部分合并,且实际执行的顺序有可能根据实际情况改变。具体描述时使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。需要说明的是,在不冲突的情况下,本发明的实施例及不同实施例中的特征可以相互组合。
图1示出一实施例中NFV网元的需求资源预测方法的主要步骤,参照图1所示,本实施例的NFV网元的需求资源预测方法包括:
步骤S110,响应于需求资源预测请求,确定目标网络功能虚拟化NFV网元和变动用户数。
需求资源预测请求由上层应用系统,如网管、NFVO等发起。需求资源预测请求中携带了目标NFV网元名称和变动用户规模。变动包含新增的情况和减少的情况,在5G核心网场景下,通常是需要根据新增用户规模为对应的目标NFV网元增容。NFV网元是指采用NFV技术来实现相应功能的网元。
步骤S120,基于目标NFV网元的用户数与业务量映射模型,根据变动用户数预测变动业务量。
用户数与业务量映射模型是一个描述用户数与业务量的映射关系的数据模型,该数据模型通过对目标NFV网元生产的用户行为记录数据和业务量指标数据进行分析统计获得,具体过程将在下文中说明。通过用户数与业务量映射模型,能够预测获得与当前的变动用户数对应的变动业务量。
步骤S130,基于目标NFV网元的业务量与资源使用量映射模型,根据变动业务量预测变动资源使用量。
业务量与资源使用量映射模型是一个描述业务量与资源使用量的映射关系的数据模型,该数据模型通过对目标NFV网元生产的业务量指标数据和占用的资源使用指标数据进行分析统计获得,所说的资源部署于云资源池中,可包括虚拟机资源和承载虚拟机的物理机资源,具体将在下文中说明。通过业务量与资源使用量映射模型,能够预测获得与当前的变动业务量对应的变动资源使用量。
步骤S140,根据资源使用约束条件和变动资源使用量,确定目标NFV网元的基于变动用户数的需求资源量。
资源使用约束条件约束了单位资源使用量的最大值/平均值,根据资源使用约束条件和预测出的变动资源使用量,能够最终确定对应变动用户数的需求资源量。
上述的NFV网元的需求资源预测方法,通过对目标NFV网元的运行数据(含用户行为记录数据、业务量指标数据、占用的虚拟机/物理机资源使用指标数据等)进行分析统计, 能够在NFV分层解耦架构下,实现从上至下的分层映射识别,并结合虚拟机/物理机资源使用约束条件,构建出NFV跨层资源使用量映射模型,使得上层应用层基于本方案快速测算新增/减少用户规模/业务量所对应的云资源池资源,实现对目标NFV网元的精准扩缩容。
下面对NFV网元的需求资源预测方法的各个步骤进行详细说明。
图2示出一实施例中获得用户数与业务量映射模型的主要步骤,参照图2所示,获得用户数与业务量映射模型的过程包括:
步骤S210,获取目标NFV网元生产的用户行为数据和业务量数据。
用户行为数据和业务量数据获取自相同的历史时段,并基于相同的业务量指标(例如运营商的通话量、移动数据流量等)进行获取。通过对目标NFV网元的用户行为记录数和业务量指标数进行分析,能够建立用户数与业务量之间关联映射的数据模型。
步骤S220,对用户行为数据进行分析,获得单位用户不同时间段的业务量分布,建立目标NFV网元的基于时间序列的单位用户业务量分布模型。
通过对目标NFV网元的用户行为记录数据进行分析,获取目标NFV网元在当前省份、当前区域内的单位用户(可以是一个用户或者其他预设数量个用户)在不同时间段内发生的关键业务量(例如移动数据流量)次数,并基于小时级数据聚合统计,总结分布规律,建立以时间序列(即1h~24h)为维度的单位用户业务量使用特性模型。在对用户行为记录数据进行分析时,可以根据二八原则,取关键的20%数据进行分析统计。
步骤S230,对业务量数据进行分析,获得不同时间段的业务量分布,建立目标NFV网元的基于时间序列的业务量分布模型。
通过对目标NFV网元的业务量指标数据进行分析,获取目标NFV网元在不同时间段内发生的关键业务量次数,并基于小时级数据聚合统计,总结分布规律,建立以时间序列为维度的业务量发生特性模型。
步骤S240,对单位用户业务量分布模型和业务量分布模型进行基于时间序列的关联叠加,获得用户数与业务量的基于不同时间段的映射关系,并对映射关系进行基于各时间段的聚合统计,获得目标NFV网元的用户数与业务量映射模型。
通过对目标NFV网元的单位用户业务量使用特性模型和业务量发生特性模型进行以时间序列为主索引的关联叠加计算,获取相同时间段内增加/减少的用户数与增加/减少的业务量之间的对应关系数据,并对对应关系数据进行基于小时级的聚合统计分析,根据二八原则,建立用户数与业务量映射模型,即确定了新增/减少单位用户所使用业务量的数据特性。用户数与业务量映射模型中,业务量具体可包括忙时业务量和闲时业务量。
在一个实施例中,基于目标NFV网元的业务量与资源使用量映射模型,根据变动业务量预测变动资源使用量,包括:基于目标NFV网元的业务量与虚拟机资源使用量映射模型,根据变动业务量预测变动虚拟机资源使用量;基于虚拟机资源使用量与物理机资源使用量映射模型,根据变动虚拟机资源使用量预测变动物理机资源使用量;根据资源使用约束条件和变动资源使用量,确定目标NFV网元的基于变动用户数的需求资源量,包括:分别根据虚拟机资源使用约束条件和变动虚拟机资源使用量、及物理机资源使用约束条件和变动物理机资源使用量,确定目标NFV网元的基于变动用户数的虚拟机需求量和物理机需求量。
图3示出一实施例中获得业务量与虚拟机资源使用量映射模型的主要步骤,参照图3所示,获得业务量与虚拟机资源使用量映射模型的过程包括:
步骤S310,获取目标NFV网元生产的业务量数据和占用的虚拟机资源使用数据。
业务量数据和虚拟机资源使用数据获取自相同的历史时段。获取目标NFV网元占用的虚拟机资源使用数据,具体包括:获取目标NFV网元的跨层资源关联拓扑;对跨层资源关联拓扑进行分析,获得目标NFV网元占用的虚拟机标识(VIMID,唯一标识);根据虚拟机标识,自云资源池中获取虚拟机标识对应的虚拟机资源使用数据(如CPU使用量、内存使用量等)。
基于目标NFV网元的跨层资源关联拓扑,能够获取目标NFV网元所占用的虚拟机资源,对业务量指标数据与虚拟机资源使用指标数据进行分析,能够建立目标NFV网元的业务量与虚拟机资源使用量之间关联映射的数据模型。
步骤S320,对业务量数据进行分析,获得不同时间段的业务量分布,并对各时间段的业务量数据进行环比计算,建立目标NFV网元的业务量环比分布模型。
通过对目标NFV网元的业务量指标数据进行分析,计算出目标NFV网元在不同时间段发生的业务量次数,并基于小时级数据聚类统计,总结出目标NFV网元的小时级业务量分布规律;进一步,基于目标NFV网元的小时级业务量分布,对小时级业务量进行前后一小时的环比计算,建立目标NFV网元的业务量发生环比模型。
在一些实施例中,也可建立目标NFV网元的业务量发生同比模型。
步骤S330,对虚拟机资源使用数据进行分析,获得目标NFV网元占用的每个虚拟机的不同时间段的虚拟资源使用量分布,并对各时间段的虚拟资源使用量数据进行环比计算,建立目标NFV网元占用的虚拟资源使用量环比分布模型。
通过对目标NFV网元占用的虚拟机的资源使用指标数据进行分析,计算出占用的每个虚拟机在不同时间段的资源使用指标(含CPU占用率、内存占用率等),并基于小时级数据聚合统计,总结出占用的各虚拟机的小时级资源使用量分布规律;进一步,基于占用的各虚拟机的小时级资源使用量分布,对小时级虚拟资源使用量进行前后一小时的环比计算,建立目标NFV网元所占虚拟机的资源使用量环比模型。
在一些实施例中,也可建立目标NFV网元的虚拟资源使用量同比模型。
步骤S340,对业务量环比分布模型和虚拟资源使用量环比分布模型进行关联叠加,获得目标NFV网元的业务量与虚拟机资源使用量映射模型,业务量与虚拟机资源使用量映射模型中的虚拟机资源使用量包括最大虚拟机资源使用量和平均虚拟机资源使用量。
通过目标NFV网元的业务量发生环比/同比模型和所占虚拟机的资源使用量环比/同比模型进行关联叠加分析,建立新增业务量对应所占虚拟机资源(最大/平均)使用量的特性模型。
图4示出一实施例中获得虚拟机资源使用量与物理机资源使用量映射模型的主要步骤,参照图4所示,获得虚拟机资源使用量与物理机资源使用量映射模型的过程包括:
步骤S410,获取目标NFV网元占用的虚拟机资源使用数据,并根据虚拟机与物理机的关联关系,获取承载目标NFV网元占用的虚拟机的物理机资源使用数据。
云资源池中,存储有物理机(即硬件服务器)与所承载的所有虚拟机信息VIMID的关联关系表。虚拟机资源使用数据和物理机资源使用数据同样获取自相同的历史时段。虚拟机资源使用数据包括CPU使用量、内存使用量等,物理机资源使用数据也包括CPU使用量、内存使用量等。通过对目标NFV网元占用的虚拟机的资源使用指标数据与承载所占虚拟机的物理机的资源使用指标数据进行分析,能够建立虚拟机资源使用与物理机资源使用之间关联映射的数据模型。
步骤S420,对虚拟机资源使用数据进行分析,获得目标NFV网元占用的每个虚拟机的不同时间段的虚拟资源使用量分布,并对各时间段的虚拟资源使用量数据进行环比计算,建立目标NFV网元占用的虚拟资源使用量环比分布模型。
建立虚拟资源使用量环比分布模型的过程如上所述,通过对目标NFV网元占用的虚拟机的资源使用指标数据进行分析,计算出占用的每个虚拟机在不同时间段的资源使用指标(含CPU占用率、内存占用率等),并基于小时级数据聚合统计,总结占用的各虚拟机的小时级资源使用量分布;进一步,基于占用的各虚拟机的小时级资源使用量分布,对小时级虚拟资源使用量进行前后一小时的环比计算,获得目标NFV网元所占虚拟机的虚拟资源环比使用量模型。
在一些实施例中,也可建立目标NFV网元所占虚拟机的虚拟资源同比使用量模型。
步骤S430,对物理机资源使用数据进行分析,获得承载目标NFV网元占用的虚拟机的每个物理机的不同时间段的物理资源使用量分布,并对各时间段的物理资源使用量数据进行环比计算,建立承载目标NFV网元的物理资源使用量环比分布模型。
通过对承载目标NFV网元所占虚拟机的物理机的资源使用指标数据进行分析,获取硬件服务器在不同时间段的资源使用指标(含CPU占用率、内存占用率等),并基于小时级数据聚合统计,总结硬件服务器小时级资源使用量分布规律;进一步,基于硬件服务器资源小时级资源使用量分布,对小时级硬件服务器资源使用量分布进行前后一小时的环比计算,获得硬件服务器资源环比使用量模型。
在一些实施例中,也可建立硬件服务器资源同比使用量模型。
步骤S440,对虚拟资源使用量环比分布模型和物理资源使用量环比分布模型进行关联叠加,获得虚拟机资源使用量与物理机资源使用量映射模型,虚拟机资源使用量与物理机资源使用量映射模型中,虚拟机资源使用量包括最大虚拟机资源使用量和平均虚拟机资源使用量,物理机资源使用量包括最大物理机资源使用量和平均物理机资源使用量。
通过对所占虚拟机的资源使用环比/同比模型和硬件服务器的资源使用环比/同比模型进行关联叠加分析,建立新增/减少虚拟机资源(最大/平均)使用量对应的硬件服务器资源(最大/平均)使用量的特性模型。
进一步地,在一个实施例中,虚拟机资源使用约束条件指示单位虚拟机的资源使用量的最大值和平均值,物理机资源使用量约束条件指示单位物理机的资源使用量的最大值和平均值;根据约束条件获得的目标NFV网元的基于变动用户数的虚拟机需求量和物理机需求量,包括最大虚拟机需求量和平均虚拟机需求量、及最大物理机需求量和平均物理机需求量。
在一个具体示例中,虚拟机资源使用约束条件规定了单位虚拟机的最大资源使用量参数,且冗余了30%资源使用过量;硬件服务器资源使用量约束条件规定了单位硬件服务器的最大资源使用量参数,且要求同一NFV网元所占虚拟机个数在硬件服务器承载数不得超过2个。
图5示出一实施例中NFV网元的需求资源预测方法的实现流程,参照图5所示,可由NFV网元跨层资源使用量精确映射识别及容量计算系统500实现NFV网元的需求资源预测方法,具体流程如下:
S500,上层应用系统500’输入携带目标NFV网元名称及新增用户数规模的需求资源预测请求,由NFV跨层资源处理模块510接收该请求。
S510,NFV跨层资源处理模块510调用用户业务计算模块520,发送需求请求消息,请求入参信息包括目标NFV网元名称和新增用户数规模。
S520,用户业务计算模块520使用目标NFV网元的用户数与业务量映射模型,测算出新增用户数预计会发生的新增业务量,包括忙时新增业务量、闲时新增业务量,实现新增用户数与新增业务量之间的精确映射。用户业务计算模块520预测出新增业务量后,向NFV跨层资源处理模块510返回应答消息,应答出参信息包括目标NFV网元名称和新增业务量规模。
目标NFV网元的用户数与业务量映射模型已提前构建好。具体来说,在执行具体的预测前,用户业务计算模块520会调用数据获取模块580,获取目标NFV网元的用户行为记录数据和业务量指标数据;通过对用户行为记录数据进行分析,获取目标NFV网元在当前省份、当前区域内的单位用户在不同时间段发生的业务量次数,并基于小时级数据统计,总结分布规律,建立目标NFV网元的单位用户业务量使用特性模型;通过对业务量指标数据进行分析,获取目标NFV网元在不同时间段发生的业务量次数,并基于小时级数据统计,总结分布规律,建立目标NFV网元的业务量发生特性模型;进而,通过对目标NFV网元的单位用户业务量使用特性模型和业务量发生特性模型进行基于时间序列为主索引的关联叠加,获取相同时间段内增加/减少的用户数与增加/减少的业务量之间的对应关系数据,并基于二八原则,对获得的对应关系数据进行基于小时级的聚合统计分析,建立目标NFV网元的用户数与业务量映射模型,即确定了新增单位用户所使用业务量特性。
S530,NFV跨层资源处理模块510接收到应答消息后,调用虚拟资源使用计算模块530,发送需求请求消息,请求入参信息包括目标NFV网元名称和新增业务量规模。
S540,虚拟资源使用计算模块530使用目标NFV网元的业务量与虚拟机资源使用量映射模型,测算出新增业务量预计需占用的虚拟机资源,包括最大虚拟机资源新增使用量和平均虚拟机资源新增使用量,实现新增业务量与新增虚拟机资源使用量之间的精确映射。虚拟资源使用计算模块530预测出虚拟机资源新增使用量后,向NFV跨层资源处理模块510返回应答消息,应答出参信息包括目标NFV网元名称和虚拟机资源新增使用量信息。
目标NFV网元的业务量与虚拟机资源使用量映射模型已提前构建好。具体来说,在执行具体的预测前,虚拟资源使用计算模块530会调用数据获取模块580,获取目标NFV网元的业务量指标数据,并通过5GC跨层资源关联拓扑获取已占用的虚拟机VIMID,通过VIMID获取占用的虚拟机资源使用量指标数据。虚拟资源使用计算模块530通过对虚拟机资源使用量指标数据进行分析,获取占用的每个虚拟机在不同时间段的资源使用指标(含CPU占用率、内存占用率等),基于小时级数据聚合统计,总结各虚拟机的小时级资源使用量分布;并基于资源使用量分布,对小时级虚拟机使用量进行前后一小时的环比计算,获得目标NFV网元所占虚拟机资源环比使用量模型。虚拟资源使用计算模块530还对业务量指标数据进行分析,计算出目标NFV网元在不同时间段发生的业务量次数,基于小时级数据聚类统计,总结目标NFV网元的小时级业务量分布;并基于小时级业务量分布,对小时级业务量进行前后一小时的环比计算,获得目标NFV网元业务量环比模型。进而,对目标NFV网元的业务量环比模型和所占虚拟机的资源环比使用量模型进行基于时间轴为主索引的关联叠加,获取相同时间段内目标NFV网元增加/减少的业务量与虚拟机资源增加/减少的使用量之间的对应关系数据;根据获得的对应关系数据,基于二八原则进行小时级的聚合统计分析,获得新增业务量对应所占虚拟机资源(最大/平均)使用量的特性模型。
S550,NFV跨层资源处理模块510接收到应答消息后,调用硬件资源使用计算模块540,发起需求请求消息,请求入参信息包括虚拟机资源新增使用量信息和NFV网元名称。
S560,硬件资源使用计算模块540使用虚拟机资源使用量与物理机资源使用量映射模型,测算出新增虚拟机资源使用量需占用的硬件服务器资源,包括最大硬件服务器资源新增使用量和平均硬件服务器资源新增使用量,实现新增虚拟机资源使用量与新增硬件服务器资源使用量之间的精确映射。硬件资源使用计算模块540预测出硬件服务器资源新增使用量后,向NFV跨层资源处理模块510返回应答消息,应答出参信息包括目标NFV网元名称和硬件服务器资源新增使用量信息。
虚拟机资源使用量与物理机资源使用量映射模型已提前构建好。具体来说,在执行具体的预测前,硬件资源使用计算模块540会调用数据获取模块580,根据硬件服务器与所承载所有虚拟机VIMID的关联关系表,获取目标NFV网元占用的虚拟机的资源使用指标数据(如CPU使用量、内存使用量等)和承载该些虚拟机的硬件服务器的资源使用指标数据(如CPU使用量、内存使用量等)。硬件资源使用计算模块540通过对虚拟机资源使用指标数据进行分析,计算出占用的每个虚拟机在不同时间段的资源使用指标(如CPU占用率、内存占用率等),基于小时级数据聚合统计,总结出各虚拟机的小时级资源使用量分布;并对虚拟机小时级使用量分布数据进行前后一小时的环比计算,获得所有虚拟机的资源环比使用量模型。硬件资源使用计算模块540还对硬件服务器资源使用指标数据进行分析,获取硬件服务器在不同时间段的资源使用指标(如CPU占用率、内存占用率等),基于小时级数据统计,总结硬件服务器小时级资源使用量分布;并对小时级硬件服务器资源使用量分布数据进行前后一小时的环比计算,获得硬件服务器资源环比使用量模型。进而,对硬件服务器资源环比使用量模型和虚拟机资源环比使用量模型进行基于时间轴为主索引的关联叠加,获取相同时间段内虚拟机资源增加/减少的使用量与硬件服务器资源增加/减少的使用量之间的对应关系数据;并基于二八原则,进行小时级数据聚合归类分析,获取虚拟机新增资源使用量对应所占硬件服务器资源(最大/平均)使用量的特性模型。
S570,NFV跨层资源处理模块510接收到应答消息后,调用资源使用约束计算模块550,发送需求请求消息,请求入参信息包括目标NFV网元名称、虚拟机资源新增使用量信息和硬件服务器资源新增使用量信息。
S580,资源使用约束计算模块550使用虚拟机资源使用约束条件和硬件服务器资源使用约束条件,计算出新增虚拟机资源使用量所需的虚拟机个数(最大值/平均值)、以及新增硬件服务器资源使用量所需的硬件服务器个数(最大值/平均值),并向NFV跨层资源处理模块510返回应答消息,应答出参信息包括:目标NFV网元名称、(最大/平均)新增虚拟机个数和(最大/平均)新增硬件服务器个数。
S590,NFV跨层资源处理模块510向上层应用系统返回资源需求应答消息,应答信息包括:目标NFV网元名称、新增虚拟机个数(最大值/平均)以及新增硬件服务器个数(最大值/平均)。
上述的NFV网元的需求资源预测方法,利用NFV分层解耦架构下硬件层资源使用指标、虚拟层资源使用指标、NFV网元应用层业务量指标及用户业务行为等数据,结合NFV网元跨层资源关联关系拓扑数据,构建NFV网元的用户数与业务量之间精确映射的数据模型、业务量与云资源池虚拟机资源使用量之间精确映射的数据模型、以及云资源池虚拟机资源使用量与云资源池硬件服务器资源使用量之间精确映射的数据模型,配合资源使用约束条件,构建出从上至下的NFV跨层资源使用量映射模型,实现上层应用层(如网管、NFVO等)快速测算新增用户规模或新增业务量所需的云资源池资源使用量,以便对NFV网元进行精准扩容。
本发明实施例还提供一种NFV网元的需求资源预测系统,可用于实现上述任意实施例描述的NFV网元的需求资源预测方法。上述任意实施例描述的需求资源预测方法的特征和原理均可应用至下面的需求资源预测系统实施例。在下面的需求资源预测系统实施例中,对已经阐明的关于NFV网元的需求资源预测的特征和原理不再重复说明。
图6示出一实施例中NFV网元的需求资源预测系统的主要模块,参照图6所示,本实施的NFV网元的需求资源预测系统600包括:预测请求响应模块610,用于响应于需求资源预测请求,确定目标网络功能虚拟化NFV网元和变动用户数;业务量预测模块620,用于基于目标NFV网元的用户数与业务量映射模型,根据变动用户数预测变动业务量;资源使用量预测模块630,用于基于目标NFV网元的业务量与资源使用量映射模型,根据变动业务量预测变动资源使用量;需求资源确定模块640,用于根据资源使用约束条件和变动资源使用量,确定目标NFV网元的基于变动用户数的需求资源量。
进一步地,NFV网元的需求资源预测系统600还可包括实现上述各需求资源预测方法实施例的其他流程步骤的模块。例如结合图5所示,还可包括数据获取模块580,用于在虚拟化NFV网络中获取目标NFV网元的跨层资源关联拓扑、用户行为记录数据、业务量指标数据、占用的虚拟机资源使用指标数据、以及所占虚拟机所关联的物理机资源使用指标数据。预测请求响应模块610相当于图5中的NFV跨层资源处理模块510,用于调用各模块完成NFV网元跨层资源使用量精确评估,求解得出新增用户规模或新增业务量所需的云资源池资源。业务量预测模块620相当于图5中的用户业务计算模块520,其中还可包括用户业务模型生成模块, 资源使用量预测模块630包括图5中的虚拟资源使用计算模块530和硬件资源使用计算模块540;其中还可包括业务量与虚拟机资源模型生成模块, 以及虚拟机与硬件服务器资源模型生成模块, 需求资源确定模块640相当于图5中的资源使用约束计算模块550,实现虚拟机最大/平均需求数与硬件服务器最大/平均需求数的最终确定。
各个模块的具体原理可参照上述各需求资源预测方法实施例的描述,此处不再重复说明。
本发明的需求资源预测系统,能够基于变动用户数/变动业务量准确预测出目标NFV网元的资源需求变动,使上层应用层快速测算出新增/减少用户规模或新增/减少业务规模所对应的资源变动情况,实现对目标NFV网元的精准扩缩容。
本发明实施例还提供一种电子设备,包括处理器和存储器,存储器中存储有可执行指令,可执行指令被处理器执行时,实现上述任意实施例描述的NFV网元的需求资源预测方法。
本发明的电子设备,能够实现基于变动用户数/变动业务量准确预测出目标NFV网元的资源需求变动,使上层应用层快速测算出新增/减少用户规模或新增/减少业务规模所对应的资源变动情况,实现对目标NFV网元的精准扩缩容。
图7是本发明实施例中电子设备的结构示意图,应当理解的是,图7仅仅是示意性地示出各个模块,这些模块可以是虚拟的软件模块或实际的硬件模块,这些模块的合并、拆分及其余模块的增加都在本发明的保护范围之内。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件包括但不限于:至少一个处理单元710、至少一个存储单元720、连接不同平台组件(包括存储单元720和处理单元710)的总线730、显示单元740等。
其中,存储单元存储有程序代码,程序代码可以被处理单元710执行,使得处理单元710执行上述任意实施例描述的NFV网元的需求资源预测方法的步骤。例如,处理单元710可以执行如图1至图5所示的步骤。
存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一个或多个程序模块7205的程序/实用工具7204,这样的程序模块7205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备800通信,外部设备800可以是键盘、指向设备、蓝牙设备等设备中的一种或多种。这些外部设备800使得用户能与该电子设备700进行交互通信。电子设备700也能与一个或多个其它计算设备进行通信,所示计算机设备包括路由器、调制解调器。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本发明实施例还提供一种计算机可读的存储介质,用于存储程序,程序被执行时实现上述任意实施例描述的NFV网元的需求资源预测方法。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行上述任意实施例描述的NFV网元的需求资源预测方法。
本发明的存储介质在被执行时,能够实现基于变动用户数/变动业务量准确预测出目标NFV网元的资源需求变动,使上层应用层快速测算出新增/减少用户规模或新增/减少业务规模所对应的资源变动情况,实现对目标NFV网元的精准扩缩容。
程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,其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。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子包括但不限于:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
可读存储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,其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备,例如利用因特网服务提供商来通过因特网连接。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种NFV网元的需求资源预测方法,其特征在于,包括:
响应于需求资源预测请求,确定目标网络功能虚拟化NFV网元和变动用户数;
基于所述目标NFV网元的用户数与业务量映射模型,根据所述变动用户数预测变动业务量;
基于所述目标NFV网元的业务量与资源使用量映射模型,根据所述变动业务量预测变动资源使用量;
根据资源使用约束条件和所述变动资源使用量,确定所述目标NFV网元的基于所述变动用户数的需求资源量。
2.如权利要求1所述的需求资源预测方法,其特征在于,所述基于所述目标NFV网元的用户数与业务量映射模型之前,还包括:
获取所述目标NFV网元生产的用户行为数据和业务量数据;
对所述用户行为数据进行分析,获得单位用户不同时间段的业务量分布,建立所述目标NFV网元的基于时间序列的单位用户业务量分布模型;
对所述业务量数据进行分析,获得不同时间段的业务量分布,建立所述目标NFV网元的基于所述时间序列的业务量分布模型;
对所述单位用户业务量分布模型和所述业务量分布模型进行基于所述时间序列的关联叠加,获得用户数与业务量的基于不同时间段的映射关系,并对所述映射关系进行基于各时间段的聚合统计,获得所述目标NFV网元的用户数与业务量映射模型。
3.如权利要求1所述的需求资源预测方法,其特征在于,所述基于所述目标NFV网元的业务量与资源使用量映射模型,根据所述变动业务量预测变动资源使用量,包括:
基于所述目标NFV网元的业务量与虚拟机资源使用量映射模型,根据所述变动业务量预测变动虚拟机资源使用量;
基于虚拟机资源使用量与物理机资源使用量映射模型,根据所述变动虚拟机资源使用量预测变动物理机资源使用量;
所述根据资源使用约束条件和所述变动资源使用量,确定所述目标NFV网元的基于所述变动用户数的需求资源量,包括:
分别根据虚拟机资源使用约束条件和所述变动虚拟机资源使用量、及物理机资源使用约束条件和所述变动物理机资源使用量,确定所述目标NFV网元的基于所述变动用户数的虚拟机需求量和物理机需求量。
4.如权利要求3所述的需求资源预测方法,其特征在于,所述基于所述目标NFV网元的业务量与虚拟机资源使用量映射模型之前,还包括:
获取所述目标NFV网元生产的业务量数据和占用的虚拟机资源使用数据;
对所述业务量数据进行分析,获得不同时间段的业务量分布,并对各时间段的业务量数据进行环比计算,建立所述目标NFV网元的业务量环比分布模型;
对所述虚拟机资源使用数据进行分析,获得所述目标NFV网元占用的每个虚拟机的不同时间段的虚拟资源使用量分布,并对各所述时间段的虚拟资源使用量数据进行环比计算,建立所述目标NFV网元占用的虚拟资源使用量环比分布模型;
对所述业务量环比分布模型和所述虚拟资源使用量环比分布模型进行关联叠加,获得所述目标NFV网元的业务量与虚拟机资源使用量映射模型,所述业务量与虚拟机资源使用量映射模型中的虚拟机资源使用量包括最大虚拟机资源使用量和平均虚拟机资源使用量。
5.如权利要求3所述的需求资源预测方法,其特征在于,所述基于虚拟机资源使用量与物理机资源使用量映射模型之前,还包括:
获取所述目标NFV网元占用的虚拟机资源使用数据,并根据虚拟机与物理机的关联关系,获取承载所述目标NFV网元占用的虚拟机的物理机资源使用数据;
对所述虚拟机资源使用数据进行分析,获得所述目标NFV网元占用的每个虚拟机的不同时间段的虚拟资源使用量分布,并对各所述时间段的虚拟资源使用量数据进行环比计算,建立所述目标NFV网元占用的虚拟资源使用量环比分布模型;
对所述物理机资源使用数据进行分析,获得承载所述目标NFV网元占用的虚拟机的每个物理机的不同时间段的物理资源使用量分布,并对各所述时间段的物理资源使用量数据进行环比计算,建立承载所述目标NFV网元的物理资源使用量环比分布模型;
对所述虚拟资源使用量环比分布模型和所述物理资源使用量环比分布模型进行关联叠加,获得所述虚拟机资源使用量与物理机资源使用量映射模型,所述虚拟机资源使用量与物理机资源使用量映射模型中,虚拟机资源使用量包括最大虚拟机资源使用量和平均虚拟机资源使用量,物理机资源使用量包括最大物理机资源使用量和平均物理机资源使用量。
6.如权利要求4或5所述的需求资源预测方法,其特征在于,获取所述目标NFV网元占用的虚拟机资源使用数据,包括:
获取所述目标NFV网元的跨层资源关联拓扑;
对所述跨层资源关联拓扑进行分析,获得所述目标NFV网元占用的虚拟机标识;
根据所述虚拟机标识,自云资源池中获取所述虚拟机标识对应的虚拟机资源使用数据。
7.如权利要求3所述的需求资源预测方法,其特征在于,所述虚拟机资源使用约束条件指示单位虚拟机的资源使用量的最大值和平均值,所述物理机资源使用量约束条件指示单位物理机的资源使用量的最大值和平均值;
所述目标NFV网元的基于所述变动用户数的虚拟机需求量和物理机需求量,包括最大虚拟机需求量和平均虚拟机需求量、及最大物理机需求量和平均物理机需求量。
8.一种NFV网元的需求资源预测系统,其特征在于,包括:
预测请求响应模块,用于响应于需求资源预测请求,确定目标网络功能虚拟化NFV网元和变动用户数;
业务量预测模块,用于基于所述目标NFV网元的用户数与业务量映射模型,根据所述变动用户数预测变动业务量;
资源使用量预测模块,用于基于所述目标NFV网元的业务量与资源使用量映射模型,根据所述变动业务量预测变动资源使用量;
需求资源确定模块,用于根据资源使用约束条件和所述变动资源使用量,确定所述目标NFV网元的基于所述变动用户数的需求资源量。
9.一种电子设备,其特征在于,包括:
处理器;
存储器,所述存储器中存储有可执行指令;
其中,所述可执行指令被所述处理器执行时,实现如权利要求1-7任一项所述的NFV网元的需求资源预测方法。
10.一种计算机可读的存储介质,用于存储程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7任一项所述的NFV网元的需求资源预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111483161.7A CN114172819A (zh) | 2021-12-07 | 2021-12-07 | Nfv网元的需求资源预测方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111483161.7A CN114172819A (zh) | 2021-12-07 | 2021-12-07 | Nfv网元的需求资源预测方法、系统、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114172819A true CN114172819A (zh) | 2022-03-11 |
Family
ID=80483716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111483161.7A Pending CN114172819A (zh) | 2021-12-07 | 2021-12-07 | Nfv网元的需求资源预测方法、系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114172819A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023207851A1 (zh) * | 2022-04-28 | 2023-11-02 | 华为技术有限公司 | 资源规格的确定方法和相关装置 |
CN117455205A (zh) * | 2023-12-25 | 2024-01-26 | 中国移动通信集团设计院有限公司 | 资源需求预测模型训练方法、系统及资源需求预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105824991A (zh) * | 2016-03-10 | 2016-08-03 | 金航数码科技有限责任公司 | 一种面向航空应用协同设计的云平台及资源配置方法 |
CN110535670A (zh) * | 2018-05-23 | 2019-12-03 | 中国移动通信集团浙江有限公司 | 一种nfv容量规划方法及电子设备 |
CN110618867A (zh) * | 2018-06-19 | 2019-12-27 | 北京京东尚科信息技术有限公司 | 一种预测资源使用量的方法和装置 |
CN110661828A (zh) * | 2018-06-28 | 2020-01-07 | 中移(苏州)软件技术有限公司 | 一种资源分配方法、装置、服务器及可读存储介质 |
CN112988336A (zh) * | 2021-05-18 | 2021-06-18 | 新华三技术有限公司 | 一种数据中心的网络验证方法及装置 |
US11128699B1 (en) * | 2019-06-27 | 2021-09-21 | Amazon Technologies, Inc. | Predictive load balancer capacity scaling |
-
2021
- 2021-12-07 CN CN202111483161.7A patent/CN114172819A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105824991A (zh) * | 2016-03-10 | 2016-08-03 | 金航数码科技有限责任公司 | 一种面向航空应用协同设计的云平台及资源配置方法 |
CN110535670A (zh) * | 2018-05-23 | 2019-12-03 | 中国移动通信集团浙江有限公司 | 一种nfv容量规划方法及电子设备 |
CN110618867A (zh) * | 2018-06-19 | 2019-12-27 | 北京京东尚科信息技术有限公司 | 一种预测资源使用量的方法和装置 |
CN110661828A (zh) * | 2018-06-28 | 2020-01-07 | 中移(苏州)软件技术有限公司 | 一种资源分配方法、装置、服务器及可读存储介质 |
US11128699B1 (en) * | 2019-06-27 | 2021-09-21 | Amazon Technologies, Inc. | Predictive load balancer capacity scaling |
CN112988336A (zh) * | 2021-05-18 | 2021-06-18 | 新华三技术有限公司 | 一种数据中心的网络验证方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023207851A1 (zh) * | 2022-04-28 | 2023-11-02 | 华为技术有限公司 | 资源规格的确定方法和相关装置 |
CN117455205A (zh) * | 2023-12-25 | 2024-01-26 | 中国移动通信集团设计院有限公司 | 资源需求预测模型训练方法、系统及资源需求预测方法 |
CN117455205B (zh) * | 2023-12-25 | 2024-04-19 | 中国移动通信集团设计院有限公司 | 资源需求预测模型训练方法、系统及资源需求预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220391771A1 (en) | Method, apparatus, and computer device and storage medium for distributed training of machine learning model | |
US9477544B2 (en) | Recommending a suspicious component in problem diagnosis for a cloud application | |
CN107615275B (zh) | 估计用于运行数据挖掘服务的计算资源的方法和系统 | |
CN110083455B (zh) | 图计算处理方法、装置、介质及电子设备 | |
WO2012033909A2 (en) | Method and system of simulating a data center | |
CN114172819A (zh) | Nfv网元的需求资源预测方法、系统、电子设备和存储介质 | |
JP2006048702A (ja) | トランザクションベースの性能モデルの自動構成 | |
JP2022074133A (ja) | 多変量時系列モデリングおよび予測のためのコンピューティングデバイス、コンピュータ実装方法、およびコンピュータ可読記憶媒体(改良された多変量時系列モデリングおよび予測のための複数時系列にわたる確率的非線形関係および外部要因) | |
CN101495978B (zh) | 减少总线连接的消费者和产生者之间的消息流 | |
CN113158435B (zh) | 基于集成学习的复杂系统仿真运行时间预测方法与设备 | |
EP4152715A1 (en) | Method and apparatus for determining resource configuration of cloud service system | |
CN113541986B (zh) | 5g切片的故障预测方法、装置及计算设备 | |
CN115412401B (zh) | 训练虚拟网络嵌入模型及虚拟网络嵌入的方法和装置 | |
CN114567571B (zh) | 性能测试方法、装置、电子设备和计算机可读存储介质 | |
CN110728118A (zh) | 跨数据平台的数据处理方法、装置、设备及存储介质 | |
CN116225690A (zh) | 基于docker的内存多维数据库计算负载均衡方法及系统 | |
CN115525257A (zh) | 基于svg技术的微服务构建方法及装置 | |
CN114741160A (zh) | 一种基于平衡能耗与服务质量的动态虚拟机整合方法和系统 | |
WO2023110059A1 (en) | Method and system trace controller for a microservice system | |
CN114298813A (zh) | 一种基于资源消耗的企业用户管理方法及系统 | |
CN113923143B (zh) | 一种云网络的调整方法、装置以及存储介质 | |
CN117519996B (zh) | 一种数据处理方法、装置、设备以及存储介质 | |
CN117453493B (zh) | 大规模多数据中心的gpu算力集群监控方法及系统 | |
Zhou | Cloud platform based on mobile internet service opportunistic drive and application aware data mining | |
CN114417944B (zh) | 识别模型训练方法及装置、用户异常行为识别方法及装置 |
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 |