CN114726746A - Sla性能预测方法及相关装置、设备 - Google Patents
Sla性能预测方法及相关装置、设备 Download PDFInfo
- Publication number
- CN114726746A CN114726746A CN202110015229.2A CN202110015229A CN114726746A CN 114726746 A CN114726746 A CN 114726746A CN 202110015229 A CN202110015229 A CN 202110015229A CN 114726746 A CN114726746 A CN 114726746A
- Authority
- CN
- China
- Prior art keywords
- data packets
- packet
- network
- packet length
- characteristic parameter
- 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 132
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000001186 cumulative effect Effects 0.000 claims description 100
- 238000004088 simulation Methods 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 51
- 230000015654 memory Effects 0.000 claims description 41
- 238000004891 communication Methods 0.000 claims description 35
- 238000005315 distribution function Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000011664 signaling Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 16
- 238000011056 performance test Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001934 delay Effects 0.000 claims description 4
- 229920001940 conductive polymer Polymers 0.000 description 23
- 238000007726 management method Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 16
- 238000010295 mobile communication Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 210000000988 bone and bone Anatomy 0.000 description 10
- 230000002776 aggregation Effects 0.000 description 9
- 238000004220 aggregation Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000007704 transition Effects 0.000 description 8
- 230000005236 sound signal Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 229920001621 AMOLED Polymers 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- JLGLQAWTXXGVEM-UHFFFAOYSA-N triethylene glycol monomethyl ether Chemical compound COCCOCCOCCO JLGLQAWTXXGVEM-UHFFFAOYSA-N 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/10—Active monitoring, e.g. heartbeat, ping or trace-route
- H04L43/106—Active monitoring, e.g. heartbeat, ping or trace-route using time related information in packets, e.g. by adding timestamps
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5003—Managing SLA; Interaction between SLA and QoS
- H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]
-
- 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
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5003—Managing SLA; Interaction between SLA and QoS
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/06—Generation of reports
- H04L43/067—Generation of reports using time frame reporting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2425—Traffic characterised by specific attributes, e.g. priority or QoS for supporting services specification, e.g. SLA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/28—Flow control; Congestion control in relation to timing considerations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/50—Queue scheduling
- H04L47/56—Queue scheduling implementing delay-aware scheduling
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/83—Admission control; Resource allocation based on usage prediction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Cardiology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种SLA性能预测方法及相关装置、设备,该方法第一网络设备通过获取多个数据包的时间戳和包长;根据所述多个数据包的时间戳确定所述多个数据包中每一个数据包的到达时间间隔,所述多个数据包的到达时间间隔按照到达次序组成时间间隔序列;进而,根据马尔可夫到达过程MAP模型和所述时间间隔序列确定所述多个数据包的时域特征参数,所述时域特征参数为所述MAP模型的参数;根据所述多个到达数据包的包长,确定包长特征参数,以基于所述包长特征参数和所述时域特征参数预测所述多个数据包的SLA性能。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种SLA性能预测方法及及相关装置、设备。
背景技术
随着4K/8K高清视频、虚拟现实的云化(cloud virtual reality,Cloud VR)的发展和5G的商用化,为以视频业务为主的数据流量提供SLA性能保障成为网络服务提供商(Internet service provider,ISP)的重要目标。准确地学习流量特征是服务等级协议(service-level agreement,SLA)性能预测的基础,有助于保障并提升用户体验,并且能够指导网络规划和资源分配。有效的流量特征学习与SLA预测方法和装置将在宽带城域网和5G网络演进中发挥重要作用。
传统话音业务流量的速率在不同时间尺度较为平稳,话务量到达服从泊松模型,但是视频业务为主的数据流量的速率在不同时间尺度性质不同,其在宏观时间尺度上速率的波动较小,在毫秒和微秒小时间尺度上存在剧烈的速率突发,因此,其流量特征不符合经典的泊松模型,以前业内广泛使用的基于话音业务的流量建模方法不再适用于刻画现网的数据流量特征。
如何针对包括视频业务为主的数据流量的SLA性能进行预测是目前亟需解决的技术问题。
发明内容
本申请实施例提供了一种SLA性能预测方法及及相关装置、设备,提供一种SLA性能预测方法,适用于包含视频业务或类似视频业务的数据流的SLA性能预测,可以快速计算SLA性能的分布。
第一方面,本申请实施例提供了一种SLA性能预测方法,包括:
第一网络设备获取多个数据包的时间戳和包长;
所述第一网络设备根据所述多个数据包的时间戳确定所述多个数据包中每一个数据包的到达时间间隔,所述多个数据包的到达时间间隔按照到达次序组成时间间隔序列;
所述第一网络设备根据马尔可夫到达过程MAP模型和所述时间间隔序列确定所述多个数据包的时域特征参数,所述时域特征参数为所述MAP模型的模型参数;
根据所述多个到达数据包的包长,确定包长特征参数,所述包长特征参数和所述时域特征参数用于预测所述多个数据包的SLA性能。
上述方法,提供了一种SLA性能预测方法,适用于包含视频业务或类似视频业务的数据流的SLA性能预测,可以快速计算SLA性能的分布,得到SLA性能的预测结果。
在一种可能的实现中,所述时间间隔序列的似然函数为:
其中,D0、D1为所述模型参数;Z为所述时间间隔序列,Z=(z1,z2,…,zN),zi表示所述第i+1个到达的数据包的到达时间间隔;1表示全1的列向量;所述时域特征参数为所述似然函数为最大值时的模型参数。
上述方法可以精确地学习数据的流量特征参数。
在一种可能的实现中,所述SLA性能包括时延,所述方法还包括:
所述第一网络设备向第二网络设备发送携带所述时域特征参数和所述包长特征参数的信令,以使所述第二网络设备根据所述时域特征参数、所述包长特征参数和网络带宽确定所述多个数据包的时延小于目标时延的第一累积概率值;其中,在所述第一累积概率值大于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
在一种可能的实现中,所述SLA性能包括时延,所述方法还包括:
所述第一网络设备根据所述时域特征参数、所述包长特征参数和网络带宽确定所述多个数据包的时延小于目标时延的第一累积概率值;其中,在所述第一累积概率值大于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
在一种可能的实现中,所述多个数据包的时延T的累计概率分布函数为:
所述累计概率分布函数FT(x)用于计算所述第一累积概率值。
上述方法,给出了时延的全面分布,可以计算时延不大于任意一个阈值的概率。
在一种可能的实现中,所述方法还包括:
所述第一网络设备根据所述MAP模型和所述时域特征参数,生成多个模拟数据包的时间间隔序列;
所述第一网络设备根据所述包长特征参数生成所述多个模拟数据包的包长序列;
所述第一网络设备根据所述多个模拟数据包的时间间隔序列和所述多个模拟数据包的包长序列得到所述多个模拟数据包中每一个模拟数据包的时间戳和包长;
所述第一网络设备根据所述多个模拟数据包的时间戳和包长对所述多个模拟数据包进行SLA性能测试,所述多个模拟数据包的SLA性能的测试结果为所述多个数据包的SLA性能的预测结果。
上述方法,通过学习带的时域特征参数、包长特征参数来生成模拟数据流,通过测试模拟数据流的SLA性能指代原始数据流,即上述多个数据包的SLA性能,预测准确度高。
在一种可能的实现中,所述第一网络设备根据所述多个模拟数据包的时间间隔序列和所述多个模拟数据包的包长序列得到所述多个模拟数据包中每一个模拟数据包的时间戳和包长,具体包括:
所述第一网络设备确定第j+1个模拟数据包的时间戳为所述多个模拟数据包的时间间隔序列中的前j个时间间隔的累加,j为不大于所述多个模拟数据包的总数的正整数;
所述第一网络设备确定所述第j个模拟数据包的包长为所述多个模拟数据包的包长序列中的第j个包长。
在一种可能的实现中,所述第一网络设备根据所述多个模拟数据包的时间戳和包长对所述多个模拟数据包进行SLA性能测试,包括:
所述第一网络设备根据所述多个模拟数据包的时间戳和包长,确定所述多个模拟数据包的时延小于目标时延的第一累积概率值;
其中,在所述第一累积概率值大于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
在一种可能的实现中,所述方法还包括:
在所述第一累积概率值小于第一预设阈值时,所述第一网络设备进行网规控制。
在一种可能的实现中,所述SLA性能包括缓存队列长度,所述方法还包括:
所述第一网络设备根据所述时域特征参数、所述包长特征参数和网络带宽确定所述多个数据包的缓存队列长度小于目标长度的第二累积概率值;其中,在所述第二累积概率值大于第二预设阈值时,则所述多个数据包的缓存队列长度满足SLA的要求。
在一种可能的实现中,缓存队列长度A的累积概率分布函数FA(y)为:
其中,为整数;πQ=0;π=[π0,π1,…,πl,…],π1=1;
所述FA(y)用于计算所述第二累积概率值。
上述方法,给出了缓存队列长度的全面分布,可以计算缓存队列长度不大于任意一个阈值的概率。
在一种可能的实现中,所述多个数据包为如下情况中的一种:
用户设备针对目标业务的数据包;
接收到的来自多个用户设备的数据包;
接收到的来自多个用户设备的针对目标业务的数据包。
第二方面,本申请实施例还提供了一种服务等级协议SLA性能预测方法,所述方法包括:
第二网络设备接收分别来自K个第一网络设备的数据流,得到原始数据流,K为正整数;
所述第二网络设备接收分别来自所述K个第一网络设备的时域特征参数和包长特征参数;所述第一网络设备的时域特征参数是所述第一网络设备根据马尔可夫到达过程MAP模型和时间间隔序列确定的,所述第一网络设备的时域特征参数为所述MAP模型的模型参数;所述时间间隔序列为所述第一网络设备发送的多个数据包的到达时间间隔按照到达次序组成的;所述第一网络设备的包长特征参数是根据所述多个数据包的包长确定的;
所述第二网络设备根据所述原始数据流的时域特征参数和所述原始数据流的包长特征参数预测所述原始数据流的SLA性能,所述原始数据流的时域特征参数根据所述第二网络设备接收到的时域特征参数确定,所述原始数据流的包长特征参数根据所述第二网络设备接收到的包长特征参数确定。
上述方法,提供了一种SLA性能预测方法,适用于包含视频业务或类似视频业务的数据流的SLA性能预测,可以快速计算SLA性能的分布,得到SLA性能的预测结果。
在一种可能的实现中,所述K=1,所述原始数据流的时域特征参数为所述第一网络设备的时域特征参数,所述原始数据流的包长特征参数为所述第一网络设备的包长特征参数。
在一种可能的实现中,所述K大于1,所述原始数据流的时域特征参数为所述接收到的时域特征参数的克罗内克和;所述原始数据流的包长特征参数为所述接收到的包长特征参数中的最大的包长特征参数。
上述方法,通过分布式学习,可以缓解第二网络设备的计算压力,提高计算效率。
在一种可能的实现中,所述时间间隔序列的似然函数L(D0,D1|Z)为:
其中,D0、D1为所述模型参数;Z为所述时间间隔序列,Z=(z1,z2,…,zN),zi表示所述第i+1个到达的数据包的到达时间间隔;1表示全1的列向量;所述时域特征参数所述似然函数为最大值时的模型参数。
在一种可能的实现中,所述SLA性能包括时延,所述第二网络设备根据所述原始数据流的时域特征参数和所述原始数据流的包长特征参数预测所述原始数据流的SLA性能,包括:
所述第二网络设备根据所述原始数据流的时域特征参数、所述原始数据流的包长特征参数和网络带宽确定所述原始数据流的时延小于目标时延的第一累积概率值;其中,在所述第一累积概率值大于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
在一种可能的实现中,所述原始数据流的时延T的累计概率分布函数为:
所述累计概率分布函数FT(x)用于计算所述第一累积概率值。
在一种可能的实现中,所述第二网络设备根据所述原始数据流的时域特征参数和所述原始数据流的包长特征参数预测所述原始数据流的SLA性能,包括:
所述第二网络设备根据所述MAP模型和所述第一网络设备的时域特征参数,生成多个模拟数据包的时间间隔序列;
所述第二网络设备根据所述第一网络设备的包长特征参数生成所述多个模拟数据包的包长序列;
所述第二网络设备根据所述多个模拟数据包的时间间隔序列和所述多个模拟数据包的包长序列得到所述多个模拟数据包中每一个模拟数据包的时间戳和包长;
所述第二网络设备根据所述多个模拟数据包的时间戳和包长对所述多个模拟数据包进行SLA性能测试,所述多个模拟数据包的SLA性能的测试结果为所述原始数据流的SLA性能的预测结果。
在一种可能的实现中,所述第二网络设备根据所述多个模拟数据包的时间间隔序列和所述多个模拟数据包的包长序列得到所述多个模拟数据包中每一个模拟数据包的时间戳和包长,具体包括:
所述第二网络设备确定第j+1个模拟数据包的时间戳为所述多个模拟数据包的时间间隔序列中的前j个时间间隔的累加,j为不大于所述多个模拟数据包的总数的正整数;
所述第二网络设备确定所述第j个模拟数据包的包长为所述多个模拟数据包的包长序列中的第j个包长。
在一种可能的实现中,所述第二网络设备根据所述多个模拟数据包的时间戳和包长对所述多个模拟数据包进行SLA性能测试,包括:
所述第二网络设备根据所述多个模拟数据包的时间戳和包长,确定所述多个模拟数据包的时延小于目标时延的第一累积概率值;
其中,在所述第一累积概率值大于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
在一种可能的实现中,所述方法还包括:
在所述第一累积概率值小于第一预设阈值时,所述第二网络设备进行网规控制。
在一种可能的实现中,所述SLA性能包括缓存队列长度,所述方法还包括:
所述第一网络设备根据所述原始数据流的时域特征参数、所述原始数据流的包长特征参数和网络带宽确定所述原始数据流的缓存队列长度小于目标长度的第二累积概率值;其中,在所述第二累积概率值大于第二预设阈值时,则所述原始数据流的缓存队列长度满足SLA的要求。
在一种可能的实现中,缓存队列长度A的累积概率分布函数FA(y)为:
其中,为整数;πQ=0;π=[π0,π1,…,πl,…],π1=1;
所述FA(y)用于计算所述第二累积概率值。
在一种可能的实现中,所述原始数据流为如下情况中的一种:
所述K个第一网络设备发送的针对目标业务的数据包;
所述K个第一网络设备发送的数据包。
第三方面,本申请实施例还提供了一种SLA性能预测装置,该装置可以包括用于实现上述第一方面或第一方面任意一种实现所述方法的功能单元。
第四方面,本申请实施例还提供了一种SLA性能预测装置,该装置可以包括用于实现上述第二方面或第二方面任意一种实现所述方法的功能单元。
第五方面,本申请实施例还提供了一种电子设备,包括一个或多个处理器、一个或多个存储器、通信接口;所述一个或多个存储器与所述一个或多个处理器耦合,所述一个或多个存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述一个或多个处理器执行所述计算机指令时,所述电子设备实现第一方面或第一方面任意一种实现所述方法。
第六方面,本申请实施例还提供了电子设备,包括一个或多个处理器、一个或多个存储器、通信接口;所述一个或多个存储器与所述一个或多个处理器耦合,所述一个或多个存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述一个或多个处理器执行所述计算机指令时,所述电子设备实现第二方面或第二方面任意一种实现所述方法。
第七方面,本申请实施例还提供了一种计算机可读存储介质,其特征在于,包括计算机指令,当所述计算机指令在电子设备上运行时,使得所述电子设备执行如第一方面或第一方面任意一种实现所述方法。
第八方面,本申请实施例还提供了一种计算机可读存储介质,其特征在于,包括计算机指令,当所述计算机指令在电子设备上运行时,使得所述电子设备执行如第二方面或第二方面任意一种实现所述方法。
附图说明
图1是本申请实施例提供的一种系统架构示意图;
图2是本申请实施例提供的一种应用场景的示意图;
图3介绍本申请实施例涉及的另一种系统架构示意图;
图4是本申请实施例提供的一种SLA性能预测方法的流程示意图;
图5A是本申请实施例提供的一种数据流的包长统计分布直方图;
图5B是本申请实施例提供的一种基于数据流的SLA性能预测结果的示意说明图;
图6是本申请实施例提供的另一种SLA性能预测方法的流程示意图;
图7A是本申请实施例提供的一种MAP模型的状态转移关系的示意说明图;
图7B是本申请实施例提供的一种原始数据流与模拟数据流的时间间隔序列的对比图;
图7C是本申请实施例提供的一种原始数据流和模拟数据流的时间间隔的概率分布对比图;
图8是本申请实施例提供的又一种SLA性能预测方法的流程示意图;
图9是本申请实施例提供的一种SLA性能预测结果的示意性说明图;
图10是本申请实施例提供的一种SLA性能预测装置的结构示意图;
图11是本申请实施例提供的一种SLA性能预测装置的结构示意图;
图12是本申请实施例提供的一种用户设备的结构示意图;
图13是本申请实施例提供的一种网络设备的结构示意图。
具体实施方式
本申请以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请实施例的限制。如在本申请实施例的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式,除非其上下文中明确地有相反指示。还应当理解,本申请实施例中使用的术语“和/或”是指并包含一个或多个所列出项目的任何或所有可能组合。
下面介绍本申请实施例涉及的概念。
(1)服务等级协议(service-level agreement,SLA)
在通信技术领域,SLA是服务提供商与客户之间定义的正式承诺,可以是服务提供商(如固定网络服务商或移动网络服务商)与受服务用户之间、内容服务提供商与网络服务提供商之间等具体达成承诺服务指标。通常,SLA性能是指SLA所承诺服务指标,可以包括平均故障间隔(Mean Time Between Failure,MTBF),平均修复时间(Mean time to repair,MTTR),哪一方负责报告错误与支付费用,吞吐量,抖动,时延、缓存队列长度或其他可衡量指标。
(2)虚拟现实的云化(cloud virtual reality,Cloud VR)
Cloud VR是将云计算、云渲染的理念及技术引入到VR业务应用中,借助高速稳定的网络,将云端的显示输出和声音输出等景观编码压缩后传输到用户设备,实现VR业务的内容上云、渲染上云,其与视频业务类似。
(3)马尔可夫到达过程(markov arrival process,MAP)
马尔可夫到达过程模型,也称为MAP模型,是一种统计模型,用来描述一个马尔可夫到达过程。本申请中,到达数据包的时间间隔可以被视为服从马尔可夫到达过程。本申请中,依据可观察的参数,即到达数据包的时间间隔,确定该马尔可夫到达过程(或MAP模型)的未知参数,即流量特征;然后利用这些流量特征来进行SLA性能预测。这里可以采用最大似然估计的方法来求未知参数。应理解,似然函数取得最大值表示相应的参数能够使得统计模型最为合理。
本申请中,对FCFS队列中的作业数量(队列长度)进行建模,其中作业是根据马尔可夫到达过程到达的,而作业是按照到达顺序来服务的,MAP用于对作业到达过程进行建模。
(4)软件定义网络(Software Defined Network,SDN)
SDN是网络虚拟化的一种实现方式,旨在将网络设备的控制面与数据面分离开来,从而实现了数据流的灵活控制,使网络作为管道变得更加智能,为核心网络及应用的创新提供了良好的平台。
SDN中的控制器(本申请中也称为SDN控制器)实现控制面功能,转发器实现数据面功能;因此,在SDN中的控制器和转发器会被分别定义且分开部署。
在SDN中,控制器可以采用网络配置协议(network configuration protocol,Netconf),表述性状态传递风格配置协议(representational statetransferconfiguration,restconf)等协议与转发器进行数据交互。控制器与转发器中都包含有配置文件,该配置文件包含有配置数据,该配置数据可以包含用于指导控制面执行控制功能或指导数据面转发数据的数据,因此控制器和转发器之间的配置数据有保持一致性的需求。
(5)移动云引擎(Mobile Cloud Engine,MCE)
在5G架构中,MCE承担起资源管理和调度的实体部署位置,而且通过能力开放和资源开放的管理也为未来5G所必须的端到端切片能力提供加载和管理,其通过汇聚层和接入层与基站交互数据。
移动云引擎是针对无线能力进行了优化的虚拟机,可以运行在专用平台和COTS通用平台上,承载于Cloud OS和COTS的云基础设施之上,其具备电信级的容灾能力以及原生云架构的按需部署、灵活扩容和特性独立升级等特点。
下面结合图1介绍本申请实施例涉及的系统架构。该系统架构100可以包括固定宽带(Fixed Broadband,FBB)网络架构和移动通信技术网络架构,该移动通信网络架构可以是第五代移动通信技术(5th generation mobile networks,5G)网络架构。如图1所示,
FBB网络架构可以包括一个或多个第一用户设备10、路由器11、SDN控制器12、ICP服务器13等,其中,第一用户设备10为固定宽带的用户端,路由器11连接到SDN控制器12以及通过IP骨干网连接到ICP服务器13。路由器11用于转发来自一个或多个第一用户设备10的数据包到IP骨干网,以及用于将目标地址为第一用户设备10的数据包转发到目标地址对应的第一用户设备10。
其中,在第一用户设备10、路由器11、SDN控制器12、ICP服务器13等可部署流量特征学习装置,在路由器11、SDN控制器12或ICP服务器13均可以部署SLA预测装置,例如采用旁挂方式来部署上述装置来实现流量特征学习装置或SLA预测装置的功能,第一用户设备10可以采用附加芯片或刷入软件方式来实现流量特征学习装置的功能。关于流量特征学习装置、SLA预测装置的具体实现可以参见下述图4所示的方法实施例中关于流量特征学习方法中相关描述以及参见图10、图11所示的SLA预测装置中相关描述,这里不再赘述。
在一些实施例中,在每个运行周期,流量特征学习装置可在用户本地提取流量特征参数,SLA预测装置结合所分配的带宽,给出各个用户的SLA性能预测,如果不能到达SLA要求,则发出预警通知SDN控制器及时调整带宽分配。
在一些实施例中,每一个运行周期,在各个第一用户设备10部署流量特征学习装置,各个第一用户设备10可以向路由器发送学习到的流量特征,路由器11可以计算汇聚流量特征参数,结合路由器11的带宽,给出路由器11的SLA性能预测,如不能到达SLA要求,则发出预警通知SDN控制器及时调整和规划。
5G网络架构可以包括一个或多个第二用户设备14、基站15、移动云引擎(MCE)16、ICP服务器13等。其中,第二用户设备14为移动网络的用户端,基站15连接到移动云引擎(MCE)16以及通过5G核心网接到ICP服务器13。基站15用于转发来自一个或多个第二用户设备14的数据包到核心网,以及用于将目标地址为第二用户设备14的数据包转发到目标地址对应的第二用户设备14。
其中,在第二用户设备14、基站15、移动云引擎16、ICP服务器13等可部署流量特征学习装置,在基站15、移动云引擎16、ICP服务器13均可以部署SLA预测装置。例如在基站15、移动云引擎16、ICP服务器13等上采用旁挂方式来实现流量特征学习装置或SLA预测装置的功能,在第二用户设备14可以采用附加芯片或刷入软件方式来实现流量特征学习装置的功能。关于流量特征学习装置、SLA预测装置的具体实现可以参见下述图4所示的方法实施例中关于流量特征学习方法中相关描述以及参见图10、图11所示的SLA预测装置中相关描述,这里不再赘述。
在一些实施例中,每个运行周期,流量特征学习装置可在第二用户设备14提取流量特征参数,SLA预测装置结合所分配的带宽,给出各个用户的SLA性能预测,如果不能到达SLA要求,则发出预警通知MCE及时调整带宽分配。
在一些实施例中,每一个运行周期,在各个第二用户设备14部署流量特征学习装置,基站15可以计算汇聚流量特征参数,结合基站15的带宽,给出基站15的SLA性能预测,如不能到达SLA要求,则发出预警通知移动云引擎16及时调整和规划。
在一些实施例中,进行流量特征学习的装置可以采用分布式计算系统来实现,该分布式计算系统可以包括多个计算节点,各个计算节点相互配合以实现流量特征的学习,该实现方式可以分散计算量,提高流量特征学习效率和SLA性能预测的实时性。
应理解,在ICP服务器均可部署流量特征学习装置和SLA预测装置可以监测内容服务商的传输流量并预测SLA性能。
还应理解,上述第一用户设备10可以是连接固定网络的设备,可以是通过固网通信的手机、个人电脑、平板电脑、智能家居设备、VR设备、AR设备等;上述第二用户设备14可以是连接移动通信网络的设备,例如,手机,可连接移动通信网络的个人电脑、平板电脑、智能手表、VR设备、AR设备等;ICP服务器13可以是视频服务商的服务器,视频服务商可以是如“腾讯视频”、“爱奇艺”、“YouTube”、“TikTok”等视频内容的提供商,这里不作限定。
不限于上述图1系统中的网络设备,系统还可以包括其他网络设备,上述流量特征学习装置或SLA预测装置还可以部署在其他的网络设备中。
还需要说明的是,本申请实施例提供的SLA性能的预测方法还可以应用与4G网络,此时,上述MEC可以被替换为网络资源管理和调度的实体。
请参阅图2,图2是本申请实施例提供的一种应用场景的示意图。网络转发设备(例如上述图1中的路由11或基站14)具备一定的缓存容量和转发带宽,主要功能是将随机到达的数据包(也称为数据包)转发出去。到达的数据包可能来自不同的用户和业务,如图2所示,来自不同的用户设备UE1、UE2、UE3、UE4、UE5等,各个用户设备可能各自具有不同的流量模式,如UE1使用第一业务,向网络转发设备发送第一业务的数据包;UE2使用第二业务,向网络转发设备发送第二业务的数据包,依次类推。这些数据流按照到达时间排列成一个队列,共享同一个网络转发设备,网络转发设备按照先进先出(first input first output,FIFO)规则转发数据包,可能会在缓存中产生排队,因排队造成滞留时延。排队长度和滞留时延都是系统关键SLA性能指标,用户购买服务后,需要运营商到达一定的SLA要求。如果实际的SLA性能不能满足SLA要求,需要及时预警控制器(例如是SDN控制器、MCE)来调整网络带宽分配。
下面结合图3介绍本申请实施例涉及的另一种系统架构。
如图3所示,该系统300包括一个或多个流量接收单元301、与流量接收单元301一一对应的流量特征学习单元302、汇聚单元303、流量生成单元304、SLA性能预测单元305、控制决策单元306等中的部分或全部,本申请实施例以N个流量接收单元301为例来说明,N为大于1的正整数,如下对各个单元进行描述。
流量接收单元301用于获取获取多个数据包的时间戳和包长。
流量特征学习单元302,用于根据上述多个数据包的时间戳确定该多个数据包中每一个数据包的到达时间间隔,其中,多个数据包的到达时间间隔按照到达次序组成时间间隔序列;进一步地,根据马尔可夫到达过程MAP模型,通过所述时间间隔序列的最大似然估计确定所述多个数据包的时域特征参数,所述时域特征参数为所述MAP模型的状态转移速率矩阵;以及根据多个数据包的包长确定包长特征参数。
汇聚单元303用于汇聚多个流量特征学习单元302学习到的时域特征参数、包长特征参数等流量特征参数。
流量生成单元304,用于根据MAP模型、时域特征参数和包长特征参数,生成模拟数据流的信息,该模拟数据流的信息包括多个模拟数据包的到达时间间隔和包长。
SLA性能预测单元305,用于根据时域特征参数、包长特征参数等流量特征参数预测SLA性能,如时延。在一种具体实现中,SLA性能预测单元305,用于根据时域特征参数和包长特征参数确定上述多个数据包的延迟时间小于目标时延的累积概率值;其中,在该累积概率值大于预设阈值时,则该多个数据包的时延满足SLA的要求;否则不满足要求。在另一种实现中,SLA性能预测单元305对流量生成单元304生成的模拟数据流进行SLA性能测试,得到SLA性能的预测结果。
控制决策单元306,用于基于SLA性能的预测结果进行网规控制。
上述各个单元的具体实现可以参见下述图4、图6或图8所示的SLA性能预测方法中相关描述,这里不再赘述。
对于FBB网络架构来说,上述各个流量接收单元301和其各自对应的流量特征学习单元302可以分别部署在不同的用户设备(如图1中第一用户设备10)中;汇聚单元303可以部署在网络转发设备(例如上述图1中的路由11)中;SLA性能预测单元305和控制决策单元306可以部署在SDN控制器12中。
对于5G网络架构来说,上述各个流量接收单元301和其各自对应的流量特征学习单元302可以分别部署在不同的用户设备(如图1中第二用户设备14)中;汇聚单元303可以部署在网络转发设备(例如上述图1中的基站14)中;SLA性能预测单元305和控制决策单元306可以部署在移动云引擎(MCE)16中。
在一些实施例中,系统300可以包括一个流量接收单元301和流量特征学习单元302,此时,该流量接收单元301和流量特征学习单元302可以部署在用户设备或网络转发设备中,以对单个用户的SLA性能进行预测,或者对网络转发设备的SLA性能进行预测。
在一些实施例中,包括上述流量特征学习单元302的装置和/或汇聚单元303的装置也可以称为流量特征学习装置;包括上述SLA性能预测单元305的装置,也可以称为SLA性能预测装置。
下面结合三个实施例描述本申请涉及的SLA性能的预测方法:
实施例(一)
下面结合图4介绍本申请实施例涉及的SLA性能的预测方法,该方法可以由第一网络设备、第二网络设备和第三网络设备单独或者联合来实现,该第一网络设备可以是上述图1所示的系统中第一用户设备10、第二用户设备14、路由器11、SDN控制器12、ICP服务器13、基站15、移动云引擎16或ICP服务器13;该第二网络设备可以是上述图1所示的系统中路由器11、SDN控制器12、ICP服务器13、基站15、移动云引擎16或ICP服务器13等;第三网络设备可以是上述图1所示的系统中路由器11、SDN控制器12、基站15、移动云引擎16等;第四网络设备可以是上述图1所示的系统中SDN控制器12、ICP服务器13等。该方法也可以由上述图3所示的系统中流量接收单元301、流量特征学习单元302、汇聚单元303、SLA性能预测单元305和控制决策单元306中的部分或全部单元来实现,该方法可以包括如下部分或全部步骤:
S11:第一网络设备获取流量逐包信息,该流量逐包信息包括原始数据流中每个数据包到达的时间戳和包长。该原始数据流包括多个数据包。
结合不同的应用场景,分别介绍流量逐包信息:
在一种应用场景中:若需要检测的SLA性能为目标用户在使用指定业务时的SLA性能,例如,移动网络运营商与目标用户的SLA中规定,视频通话的业务的带宽为1Gbps,此时,原始数据流为该目标用户的指定业务的数据流,流量逐包信息为该原始数据流中的数据包的时间戳和包长。其中,原始数据流可以是到达目标用户的设备的数据包中针对该指定业务的数据包或到达网络转发设备的数据包中针对目标用户的指定业务的数据包。
在另一种应用场景中:若需要检测的SLA性能为网络转发设备针对指定业务的SLA性能,例如,移动网络运营商与内容服务商“YouTube”的SLA中规定,“YouTube”的业务的带宽为1Gbps,此时,原始数据流为该指定业务“YouTube”的数据流,流量逐包信息为该原始数据流的到达数据包的时间戳和包长,此时,该原始数据流为到达网络转发设备中的数据包中针对该指定业务的数据包。可选地,该原始数据流中的数据包可以来自不同的用户设备,或者,即需要发送给不同的用户设备。
在又一种应用场景中,若需要检测的SLA性能为网络转发设备的SLA性能,例如,移动网络运营商与网络设备服务商的SLA中规定,针对5G用户的带宽为2Gbps,此时,网络转发设备接收到的原始数据流可以是接收到的来自多个5G用户的用户设备的数据包或者,需要发送给多个5G用户,流量逐包信息为该原始数据流的到达数据包的时间戳和包长。
其中,第一网络设备可以周期性统计网络流量。在网络流量的每个统计周期内,第一网络设备获取针对指定业务的流量逐包信息,即获取并记录该业务每个到达数据包的时间戳和包长。假设记录了N+1个数据包的信息,该N+1个数据包按照到达的先后次序排列,可以得到的时间戳序列为T0,T1,T2,…,TN,包长序列为L0,L1,L2,…LN。其中,Ti为N+1个数据包中的第i+1个数据包的时间戳,Li为N+1个数据包中的第i+1个数据包的包长。
应理解,上述步骤S1也可以由图3中的流量接收单元执行。流量接收单元也可以是第一网络设备中的功能模块。
需要说明的是,针对一些第一网络设备,可以采用用硬件和软件方式来实现上述步骤S01的功能,例如:加入芯片,或使用旁挂服务器利用流量镜像的方式来获取,如果原设备有流量监控模块,可以在该模块中刷入软件以实现。
S12:第一网络设备从流量逐包信息中提取流量特征参数,流量特征参数可以包括时域特征参数和包长特征参数,其中,时域特征参数是根据原始数据流中各个数据包的时间戳得到的,包长特征参数是根据原始数据流中各个数据包的包长得到的。下面分别介绍时域特征参数和包长特征参数的获取方法:
(a)时域特征参数的计算:
首先,获得原始数据流中各个数据包的到达时间间隔,即为计算相邻的两个数据包的时间戳的差值,原始数据流中各个数据包的时间间隔按照数据包的到达次序组成时间间隔序列,可以表示为:
Z=(z1,z2,…,zN)=(T1-T0,T2-T1,T3-T2,…,TN-TN-1)
其中,zi为第i+1个数据包的到达时间间隔。
上述样本Z可以服从一个马尔可夫到达过程,以为一个MAP模型,其状态空间的大小为M,M为大于1的正整数,该过程的状态转移速率矩阵即为时域特征参数D0、D1,也即为MAP模型的模型参数,该矩阵是M*M的矩阵,用于描述M个状态之间的转移速率。
进一步地,可以根据MAP模型,采用最大似然估计拟合原始数据流的时间间隔序列,以确定时域特征参数D0、D1。具体地,原始数据流的时间间隔序列Z的似然函数L(D0,D1|Z)可以表示为:
其中,L(D0,D1|Z)表示在给定时间间隔序列Z时,时域特征参数为(D0、D1)的概率;f(Z|D0,D1)表示在给定时域特征参数为(D0、D1)时,时间间隔序列为Z的联合概率分布函数。
其中,1表示全1(all-one)的列向量。
(b)包长特征参数的计算:
第一网络设备可以统计上述流量逐包信息中所有的到达数据包的包长,以得到包长特征参数。其中,包长特征参数可以是包长的最大值、概率最大的包长(即包长最大众数的值)。例如,将统计得到的包长的最大值L作为包长特征参数。
下面以cloud VR业务的数据流为例来说明:
以cloud VR业务的数据流为例,获得流量逐包信息如下表1所示,
序号 | 到达时间戳(秒) | 包长(字节) |
0 | 0.000000 | 1426 |
1 | 0.000002 | 1422 |
2 | 0.000021 | 1426 |
3 | 0.000023 | 1422 |
… | … | … |
144099 | 29.744823 | 1426 |
144100 | 29.744826 | 1422 |
表1
包长统计分布直方图,参见图5A,图5A描述了数据流的中数据包的包长的统计个数。可见,包长为1426字节的数据包的概率最大,即包长为1426字节的数据包最多,可以将包长特征参数取值为1426×8bit。
另M=5,根据上述步骤S12中时域特征参数计算方法可以得到上述数据流的时域特征参数为:
根据上述上述方法1中的包长特征参数计算方法可以得到上述流量逐包信息的包长特征参数L为概率最大的包长,即:L=1426×8bit。
在一些实施例中,上述S12可以由上述图3所示的系统中流量特征学习单元来实现。
在一些实施例中,上述第一网络设备可以是分布式计算设备,该分布式计算设备包括第一计算节点和多个第二计算节点。在一种实现中,原始数据流可以包括多个业务的数据包;基于业务的不同,对原始数据流进行划分,得到多个子数据流;不同的第二计算节点可以计算不同业务的流量特征参数;第一计算节点可以汇总各个第二计算节点计算得到的流量特征参数,例如,计算各个第二计算节点计算得到的时域特征参数的克罗内克和,进而,将该克罗内克和作为原始数据流的时域特征参数,以及将最大的包长特征参数原始数据流的包长特征参数。在另一种实现中,原始数据流可以包括来自多个用户设备的数据流,此时,可以基于所属的用户设备不同,对原始数据流进行划分,得到多个子数据流,同理,可以得到原始数据流的流量特征参数。
S13:第一网络设备向第二网络设备发送携带流量特征参数的信令。
应理解,当第一网络设备和第二网络设备为同一设备时,可以不必执行步骤S13。
S14:第二网络设备从信令中获取流量特征参数,以及获取网络带宽,即转发速率μ(单位bps)。
其中,转发速率μ(单位bps)等效的包转发速率μp=μ/L,即每秒转发μp个包。
其中,网络带宽为SLA协议中规定的带宽或者网络运营商实际为目标用户分配的带宽。例如,目标用户与网络运营商承诺的光纤带宽为2M,但是,在测试过程中,发现在为该目标用户分配2M的带宽时,无法满足SLA协议所承诺的延时等指标时,网络运营商则会光纤带宽提高,例如提高为3M,此时获取的网络带宽为实际为用户分配的带宽,即为3M。
S15:第二网络设备根据流量特征参数、网络带宽确定SLA性能的分布,即确定SLA性能的预测结果。其中,SLA性能可以包括时延。可选地,SLA性能还可以包括缓存队列长度。下面分别说明,时延和缓存队列长度的预测方法:
时延的预测:
首先,第二网络设备或SLA性能预测单元根据如下公式(4)计算时延T的累计概率分布函数(cumulative distribution function,CDF):
其中,Pr[T≤x]表示原始数据流的时延T不大于x的概率,中间变量λp表示每秒的平均到达的数据包的个数,其可以通过下述公式(5)计算得到:
中间变量πl,l=0,1,2,…表示服务排队系统的稳态分布概率,即系统稳态下缓存的数据包个数(即缓存队列长度)为l的概率。其可以通过下述公式(6)计算得到:
其中,0表示全0(all-zero)的行向量。I表示单位矩阵,其位于对角线上的元素为1。
其中,辅助函数tl(x),l=0,1,2,…可以通过下述公式(7)计算得到:
进一步地,可以基于分布函数FT(x)计算时延不大于各个时延的累积概率值。
以上述cloud VR数据流为例,在获知的网络带宽为1Gbps,此时本发明得到的SLA性能预测结果如图5B所示,图5B中将其与仿真器得到的SLA性能进行对比,由图5B可见,原始数据流的仿真结果、通过测试装置测量到的原始数据流的仿真结果、模拟数据流的仿真结果、理论结果得到的累积分布函数(cumulative distribution function,CDF)结果非常接近,四条线几乎重合在一起,这证明了本发明的有效性。
缓存队列长度:
其中,缓存队列长度A的累积概率分布函数F(y)可以表示为:
其中,l为整数;πQ=0;π=[π0,π1,…,πl,…],π1=1。
该分布函数F(y)表示缓存队列长度A不大于y时的累积概率值。
进一步地,可以基于分布函数F(y)计算缓存队列长度不大于各个长度的累积概率值。
在一些实施例中,上述S15可以由上述图3所示的系统中SLA性能预测单元来实现。
应理解,上述步骤S15可以是上述图1所示的系统中路由器11、SDN控制器12、ICP服务器13、基站15、移动云引擎16或ICP服务器13等的旁挂服务器,或由上述第二网络设备中附加的芯片来实现。
S16:第二网络设备向第三网络设备发送携带SLA性能的预测结果的信令。
其中,SLA性能的预测结果可以包括时延小于目标时延时延的累积概率值、时延小于各个多个时延(如0-500us)的累积概率值、缓存队列长度小于目标长度的累积概率值、缓存队列长度小于各个多个长度(如1-100个包)的累积概率值。还应理解,目标长度可以是目标时延转换得到的长度。
应理解,当第二网络设备和第三网络设备为同一设备时,可以不必执行步骤S16。
在一些实施例中,上述S15由SLA性能预测单元实现,SLA性能预测单元可以向控制决策单元发送携带SLA的性能预测结果的信令。
S17:第三网络设备接收信令,根据SLA性能的预测结果和SLA要求,判断SLA要求是否得到满足。
应理解,SLA要求规定了一个或多个SLA性能的目标值,当SLA性能的预测结果满足SLA要求的概率大于或不小于预设阈值时,则判断为SLA要求得到满,此时可以继续下一执行周期的SLA预测;否则SLA要求未得到满足,可以执行S18。
例如,SLA规定的目标时延Ttarget。当时延T小于或不大于SLA规定的目标时延Ttarget的概率(即为第一累积概率值)Pr[T≤Ttarget]的大于或不小于预设阈值,如98%、99%时,说明时延满足SLA对时延的要求。反之,概率Pr[T≤Ttarget]的小于预设阈值时,说明时延不满足SLA的要求。
某cloud VR业务的SLA要求为:200us时延门限的累计概率要达到99%,但SLA预测结果给出200us时延的累计概率是98%,即现有带宽未能达到SLA要求,该单元发出网规控制信令给控制器(例如SDN控制器),提示网络带宽需要调整。
又例如,第三网络设备根据时域特征参数、包长特征参数和网络带宽确定原始数据流的缓存队列长度小于目标长度的第二累积概率值;其中,在第二累积概率值大于第二预设阈值时,则多个数据包的缓存队列长度满足SLA对缓存队列长度的要求,否则,说明不满足该要求。
S18:第三网络设备进行网规控制。
第三网络设备可以是SDN控制器或移动云引擎等,第三网络设备可以根据判断结果,调整网络宽带。
当第三单元不具备网规控制能力时,第三网络设备可以发送网规控制信令给控制器(例如SDN控制器或移动云引擎),该网规控制信令用于提示网络带宽需要调整。
进一步地,控制器根据网规控制信令,调整网络宽带,例如,在SLA为移动网络运营商与目标用户之间的SLA时,增大目标用户的带宽;又例如,在SLA为移动网络运营商与目标用户之间针对指定业务的SLA时,增大目标用户的指定业务的带宽;又例如,在SLA为移动网络运营商与路由器之间针对指定业务的SLA时,增大路由器针对该指定业务的带宽。
在一些实施例中,上述S18可以由上述图3所示的系统中控制决策单元来实现。
实施例(二)
下面结合图6介绍本申请实施例涉及的另一种SLA性能的预测方法,该方法可以由第一网络设备、第二网络设备和第三网络设备单独或者联合来实现,该第一网络设备可以是上述图1所示的系统中第一用户设备10、第二用户设备14、路由器11、SDN控制器12、ICP服务器13、基站15、移动云引擎16或ICP服务器13;该第二网络设备可以是上述图1所示的系统中路由器11、SDN控制器12、ICP服务器13、基站15、移动云引擎16或ICP服务器13等;第三网络设备可以是上述图1所示的系统中路由器11、SDN控制器12、基站15、移动云引擎16等;第四网络设备可以是上述图1所示的系统中SDN控制器12、ICP服务器13等。该方法也可以由上述图3所示的系统中流量接收单元301、流量特征学习单元302、汇聚单元303、流量生成单元304、SLA性能预测单元305和控制决策单元306中的部分或全部单元来实现,该方法可以包括如下部分或全部步骤:
该方法可以包括但不限于如下部分或全部步骤:
S21:第一网络设备获取流量逐包信息,该流量逐包信息包括数据流多个数据包中每个数据包到达的时间戳和包长。该数据流包括多个数据包。
关于数据流、流量逐包信息等可参见上述实施例(一)中步骤S11中相关描述,这里不再赘述。
S22:第一网络设备从流量逐包信息中提取流量特征参数,流量特征参数可以包括时域特征参数和包长特征参数,其中,时域特征参数是根据到达数据包的时间戳得到的,包长特征参数是根据到达数据包的包长得到的。
关于流量特征参数的获取方法可以参见上述实施例(一)中步骤S12中相关描述,这里不再赘述。
S23:第一网络设备向第二网络设备发送携带流量特征参数的信令。
S24:第二网络设备从信令中获取流量特征参数。
关于上述S23、S24的具体实现可以参见上述实施例(一)中步骤S13、S14中相关描述,这里不再赘述。
S25:第二网络设备根据流量特征参数和MAP模型,生成模拟数据流。
第二网络设备或流量生成单元根据时域特征参数和MAP模型,产生随机数作为模拟数据包的到达时间间隔,通过累加该到达时间间隔得到模拟数据流中的模拟数据包时间戳。该模拟数据流的信息即为由每个模拟数据包的时间戳和包长构成的时间序列。该单元根据包长特征参数,得到模拟数据流中各个模拟数据包的包长值。
具体的,第二网络设备根据MAP模型和所述时域特征参数,生成多个模拟数据包的时间间隔序列;根据包长特征参数生成多个模拟数据包的包长序列。进一步地,根据该时间间隔序列和该包长序列得到每一个模拟数据包的时间戳和包长,其中,第j+1个模拟数据包的时间戳为该时间间隔序列中的前j个时间间隔的累加,第j个模拟数据包的包长为该包长序列中的第j个包长,j为不大于模拟数据流中模拟数据包的总数的正整数。应理解,第一个模拟数据包的时间戳可以为0。
例如,在上述实施例(一)中已经学习到流量特征参数D0,D1,L。MAP(D0,D1)模型定义了状态转移关系,如图7A所示的状态转移图,其状态转移速率矩阵为D0,D1。
根据MAP(D0,D1)模型能够产生随机数序列,作为数据包的时间间隔序列。通过累加各个到达时间间隔值可以得到模拟数据流的到达数据包的时间戳,如下表2所示。
表2
假设获知模拟数据流的时长要求为30秒,截取30秒长度内的到达时间戳和包长信息,即可得到想要的模拟数据流。
可以计算生成的模拟数据流的统计信息,例如时长,包个数、平均速率、到达时间间隔的均值、方差、偏态和峰态等,并且与原始流量的可视化比较。如表3所示:
表3
如下将原始数据流与模拟数据流进行比较。图7B为原始数据流与模拟数据流的时间间隔序列的对比图。图7C为原始数据流和模拟数据流的到达时间间隔的概率分布对比图。从上述表和图可知,生成的模拟数据流与原始数据流非常相似,两者中的数据包的到达时间间隔的概率密度函数(probability density function)非常相似。一方面,可以证明了上述MAP模型的有效性;另一方面,可以基于生成的模拟数据流来预测SLA性能。
S26:第二网络设备预测模拟数据流的SLA性能。
具体的,第二网络设备可以根据模拟数据流中各个模拟数据包的时间戳和包长对该模拟数据流进行SLA性能测试,例如第二网络设备可以根据模拟数据流预测SLA的时延,缓存队列长度等,此时模拟数据流的SLA性能的测试结果可以指代原始数据流的SLA性能的预测结果。
例如,第二网络设备根据模拟数据流中各个模拟数据包的时间戳和包长,确定模拟数据流的时延小于目标时延的第一累积概率值;其中,在该第一累积概率值大于第一预设阈值时,则原始数据流的时延满足SLA对时延的要求。
例如,第二网络设备根据模拟数据流中各个模拟数据包的时间戳和包长,确定模拟数据流的缓存队列长度小于目标时延的第二累积概率值;其中,在该第二累积概率值大于第二预设阈值时,则原始数据流的时延满足SLA对缓存队列长度的要求。
在一些实施例中,上述S26的也可以由SLA性能预测单元来实现。
S27:第二网络设备向第三网络设备发送携带SLA性能的预测结果的信令。
应理解,当第二网络设备和第三网络设备为同一设备时,可以不必执行步骤S17。
在一些实施例中,上述S05由SLA性能预测单元实现,SLA性能预测单元可以向控制决策单元发送携带SLA的性能预测结果的信令。
S28:第三网络设备接收信令,根据SLA性能的预测结果和SLA要求,判断SLA要求是否得到满足。
应理解,上述步骤S11-S14的具体实现可以参见上述实施例(一)中步骤S01-S04的具体实现,上述步骤S17参见上述实施例(一)中步骤S16的具体实现,上述步骤S18参见上述实施例(一)中步骤S17的具体实现,这里不再赘述。
应理解,当SLA性能的预测结果满足SLA要求,此时可以继续下一执行周期的SLA预测;否则SLA要求未得到满足,可以执行S19。
S29:第三网络设备进行网规控制。
关于步骤S27、S28和S29的具体实现可以参见上述实施例(一)中步骤S16、S17和S18中相关描述,这里不再赘述。
下面结合图8介绍本申请实施例涉及的另一种SLA性能的预测方法,该方法可以由多个用户设备、网络转发设备、网络控制设备来实现,也可以由上述图3所示的系统来实现。其中用户设备可以是上述图1所示系统中的第一用户设备或第二用户设备,网络转发设备可以是上述图1所示系统中的基站、路由器等,上述网络控制设备可以是上述图1所示系统中的SDN控制器或者移动云引擎等。该方法可以包括但不限于如下部分或全部步骤:
S31:多个用户设备分别获取流量逐包信息。
其中,网络转发设备用于转发上述多个用户设备(以K个用户设备为例来说明,K为正整数)的数据包,多个用户设备向核心网、内容服务器等发送的数据流均需要通过网络转发设备的转发。网络转发设备接收分别来自多个用户设备的数据包,各个数据包按照其到达网络转发设备的时间依次排列,汇集得到原始数据流(也称为汇集数据流),网络转发设备按照FIFO规则转发数据包。
关于每个用户设备获取到的流量逐包信息包括其各自发送的数据包的到达网络转发设备的时间戳,或者为其各自数据包发送成功时的时间戳,还包括各自发送的数据包的包长。
在一些实施例中,K=1,此时,上述用户设备获取的各自的流量逐包信息,即为原始数据流的流量逐包信息。此时,原始数据流可以是目标用户的数据流,或者目标设备针对目标业务的数据流。
在另一些实施例中,K>1时,上述用户设备获取的各自的流量逐包信息为原始数据流的中其发送的数据包的流量逐包信息。该原始数据流可以是上述多个用户设备的针对目标业务的数据包,也可以是上述多个用户设备的数据包。
其中,各个用户设备获取其各自的流量逐包信息的一种实现可以是:网络转发设备在接收到数据包后,向发送该数据包的用户设备发送回执信息,该回执信息中包括该数据包的时间戳,以指示该数据包到达网络转发设备的时间。此时,用户设备可以根据其接收到的回执信息,得到其发送的各个数据包的时间戳。在另一种实现中,网络转发设备也可以向各个用户设备发送其各自发送的数据包的时间戳,或者,发送其各自发送的数据包的到达时间间隔。
在一些实施例中,多个用户设备可以分别包含一个流量接收单元,用于实现获取流量逐包信息。
S32:多个用户设备设备分别从获取到的流量逐包信息中提取流量特征参数。
关于每个用户设备设备从获取到的流量逐包信息中提取流量特征参数的具体实现与上述实施例(一)中的步骤S12所述的第一网络设备从流量逐包信息中提取流量特征参数的原理相同,可以参见上述实施例(一)中的步骤S12,这里不再赘述。
在一些实施例中,多个用户设备可以分别包含一个流量特征学习单元,用于实现从流量逐包信息中提取流量特征参数。
S33:多个用户设备设备分别将提取到的流量特征参数发送至网络转发设备。
具体实现中,各个用户设备设备均可以将携带其提取到的流量特征参数的信令发送至网络转发设备。
S34:网络转发设备根据接收到的流量特征参数,计算原始数据流的流量特征参数。
包长特征:L=max{L[1],L[2],…L[K]}。其中,L[j]表示用户设备设备j提取到的包长特征参数。
例如:某基站同时服务三个用户,分别学习每个用户的流量特征参数,得到结果:
用户1的流量特征参数为:
用户2的流量特征参数为:
用户3的流量特征参数为:
网络转发设备,如基站,汇集上述三个用户的流量特征参数,计算汇集数据流的时域特征参数。
在一些实施例中,上述S34可以由图3所示的系统中的汇集单元来实现。在一些实施例中,上述步骤S34也可以由网络控制设备来实现。
S35:网络转发设备根据流量特征参数确定SLA性能,即确定SLA性能的预测结果。
具体的,可以采用上述实施例(一)中步骤S15或上述实施例(二)中步骤S25和S26的基于流量特征参数进行SLA性能预测的具体实现,可参见上述实施例(一)或实施例(二)中相关描述,这里不再赘述。
S36:网络转发设备向网络控制设备发送携带SLA性能的预测结果的信令。
应理解,当网络转发设备和网络控制设备为同一设备时,可以不必执行步骤S36。
S37:网络控制设备接收信令,根据SLA性能的预测结果和SLA要求,判断SLA要求是否得到满足。
S38:网络控制设备进行网规控制。
应理解,关于S36、S37、S38的具体实现分别与上述实施例(一)中的步骤S16、S17、S18相同,可以参见上述实施例(一)中的步骤S16、S17、S18中相关描述,这里不再赘述。
以上述三个用户UE为例,基站的带宽为1Gbps,此时本发明得到的SLA性能预测结果如下图9所示,汇集数据流的仿真结果、汇集数据流的模拟数据流的仿真结果、汇集数据流的理论结果得到的累积分布函数(cumulative distribution function,CDF)结果非常接近,三条线几乎重合在一起,这证明了本发明的有效性。
应理解,通过改变网络带宽值,会得到不同的SLA性能分布曲线,SLA性能分布曲线上每一点对应一个时延门限和相应的累计概率,即为该延时为该延时门限时的累积概率。带宽、时延门限和累计概率之间的关系可为网络规划的提供重要参考,即可以作为网规控制的依据。
下面介绍本申请涉及的硬件装置。
请参阅图10,图10是本申请实施例提供的一种SLA预测装置的结构示意图,该装置1000可以是上述图1所示系统中的第一用户设备、第二用户设备、基站、路由、SDN控制器、移动云引擎、内容服务器等,还可以是上述实施例(一)或实施例(二)中的第一网络设备,或者上述实施例(三)中的用户设备,该装置可以包括但不限于如下部分或全部单元:
流量接收单元1001,用于获取多个数据包的时间戳;
流量特征学习单元1002,用于:根据所述多个数据包的时间戳确定所述多个数据包中每一个数据包的到达时间间隔,所述多个数据包的到达时间间隔按照到达次序组成时间间隔序列;根据马尔可夫到达过程MAP模型和所述时间间隔序列确定所述多个数据包的时域特征参数,所述时域特征参数为所述MAP模型的模型参数;以及,根据所述多个到达数据包的包长,确定包长特征参数,所述包长特征参数和所述时域特征参数用于预测所述多个数据包的SLA性能。
其中,所述时域特征参数为所述MAP模型的状态转移速率矩阵。
在一种可能的实现中,所述时间间隔序列的似然函数为:
其中,D0、D1为所述模型参数;Z为所述时间间隔序列,Z=(z1,z2,…,zN),zi表示所述第i+1个到达的数据包的到达时间间隔;1表示全1的列向量;所述时域特征参数为所述似然函数为最大值时的模型参数。
在一种可能的实现中,所述SLA性能包括时延,所述装置1000还包括:
发送单元,用于向第二网络设备发送携带所述时域特征参数和所述包长特征参数的信令,以使所述第二网络设备根据所述时域特征参数、所述包长特征参数和网络带宽确定所述多个数据包的时延小于目标时延的第一累积概率值;其中,在所述第一累积概率值大于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
在一种可能的实现中,所述SLA性能包括时延,所述装置还包括:
第一SLA性能预测单元,用于根据所述时域特征参数、所述包长特征参数和网络带宽确定所述多个数据包的时延小于目标时延的第一累积概率值;其中,在所述第一累积概率值大于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
在一种可能的实现中,所述多个数据包的时延T的累计概率分布函数为:
所述累计概率分布函数FT(x)用于计算所述第一累积概率值。
在一种可能的实现中,所述装置还包括:
流量生成单元,用于根据所述MAP模型和所述时域特征参数,生成多个模拟数据包的时间间隔序列;根据所述包长特征参数生成所述多个模拟数据包的包长序列;根据所述多个模拟数据包的时间间隔序列和所述多个模拟数据包的包长序列得到所述多个模拟数据包中每一个模拟数据包的时间戳和包长;
第二SLA性能预测单元,用于根据所述多个模拟数据包的时间戳和包长对所述多个模拟数据包进行SLA性能测试,所述多个模拟数据包的SLA性能的测试结果为所述多个数据包的SLA性能的预测结果。
在一种可能的实现中,所述流量生成单元根据所述多个模拟数据包的时间间隔序列和所述多个模拟数据包的包长序列得到所述多个模拟数据包中每一个模拟数据包的时间戳和包长,具体包括:
确定第j+1个模拟数据包的时间戳为所述多个模拟数据包的时间间隔序列中的前j个时间间隔的累加,j为不大于所述多个模拟数据包的总数的正整数;
确定所述第j个模拟数据包的包长为所述多个模拟数据包的包长序列中的第j个包长。
在一种可能的实现中,所述第一SLA性能预测单元,具体用于:
根据所述多个模拟数据包的时间戳和包长,确定所述多个模拟数据包的时延小于目标时延的第一累积概率值;其中,在所述第一累积概率值大于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
在一种可能的实现中,所述装置1000还包括:
在所述第一累积概率值小于第一预设阈值时,所述第一网络设备进行网规控制。
在一种可能的实现中,所述SLA性能包括缓存队列长度,所述装置还包括:
第三SLA性能预测单元,用于根据所述时域特征参数、所述包长特征参数和网络带宽确定所述多个数据包的缓存队列长度小于目标长度的第二累积概率值;其中,在所述第二累积概率值大于第二预设阈值时,则所述多个数据包的缓存队列长度满足SLA的要求。
在一种可能的实现中,缓存队列长度A的累积概率分布函数FA(y)为:
其中,为整数;πQ=0;π=[π0,π1,…,πl,…],π1=1;
所述FA(y)用于计算所述第二累积概率值。
在一种可能的实现中,所述多个数据包为如下情况中的一种:
用户设备针对目标业务的数据包;
接收到的来自多个用户设备的数据包;
接收到的来自多个用户设备的针对目标业务的数据包。
请参阅图11,图11是本申请实施例提供的一种SLA预测装置的结构示意图,该装置1100可以是上述图1所示系统中的基站、路由、SDN控制器、移动云引擎、内容服务器等,还可以是上述实施例(一)或实施例(二)中的第二网络设备,或者上述实施例(三)中的网络转发设备或网络控制设备,该装置可以包括但不限于如下部分或全部单元:
接收单元1101,用于接收分别来自K个第一网络设备的数据流,得到原始数据流,K为正整数;
接收单元1101,还用于接收分别来自所述K个第一网络设备的时域特征参数和包长特征参数;所述第一网络设备的时域特征参数是所述第一网络设备根据马尔可夫到达过程MAP模型和时间间隔序列确定的,所述第一网络设备的时域特征参数为所述MAP模型的模型参数;所述时间间隔序列为所述第一网络设备发送的多个数据包的到达时间间隔按照到达次序组成的;所述第一网络设备的包长特征参数是根据所述多个数据包的包长确定的;
SLA性能预测单元1102,用于根据所述原始数据流的时域特征参数和所述原始数据流的包长特征参数预测所述原始数据流的SLA性能,所述原始数据流的时域特征参数根据接收到的时域特征参数确定,所述原始数据流的包长特征参数根据接收到的包长特征参数确定。
可选地,所述K=1,所述原始数据流的时域特征参数为所述第一网络设备的时域特征参数,所述原始数据流的包长特征参数为所述第一网络设备的包长特征参数。
可选地,所述K大于1,所述原始数据流的时域特征参数为所述接收到的时域特征参数的克罗内克和;所述原始数据流的包长特征参数为所述接收到的包长特征参数中的最大的包长特征参数。
在一种可能的实现中,所述时间间隔序列的似然函数为:
其中,D0、D1为所述模型参数;Z为所述时间间隔序列,Z=(z1,z2,…,zN),zi表示所述第i+1个到达的数据包的到达时间间隔;1表示全1的列向量;所述时域特征参数所述似然函数为最大值时的模型参数。
在一种可能的实现中,所述SLA性能包括时延,所述SLA性能预测单元,具体用于:
根据所述原始数据流的时域特征参数、所述原始数据流的包长特征参数和网络带宽确定所述原始数据流的时延小于目标时延的第一累积概率值;其中,在所述第一累积概率值大于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
在一种可能的实现中,所述原始数据流的时延T的累计概率分布函数为:
所述累计概率分布函数FT(x)用于计算所述第一累积概率值。
在一种可能的实现中,所述装置还包括:
流量生成单元,用于根据所述MAP模型和所述第一网络设备的时域特征参数,生成多个模拟数据包的时间间隔序列;根据所述第一网络设备的包长特征参数生成所述多个模拟数据包的包长序列;根据所述多个模拟数据包的时间间隔序列和所述多个模拟数据包的包长序列得到所述多个模拟数据包中每一个模拟数据包的时间戳和包长;
SLA性能预测单元,具体用于:根据所述多个模拟数据包的时间戳和包长对所述多个模拟数据包进行SLA性能测试,所述多个模拟数据包的SLA性能的测试结果为所述原始数据流的SLA性能的预测结果。
在一种可能的实现中,所述流量生成单元根据所述多个模拟数据包的时间间隔序列和所述多个模拟数据包的包长序列得到所述多个模拟数据包中每一个模拟数据包的时间戳和包长,具体包括:
确定第j+1个模拟数据包的时间戳为所述多个模拟数据包的时间间隔序列中的前j个时间间隔的累加,j为不大于所述多个模拟数据包的总数的正整数;
确定所述第j个模拟数据包的包长为所述多个模拟数据包的包长序列中的第j个包长。
在一种可能的实现中,所述SLA性能预测单元,具体用于:
根据所述多个模拟数据包的时间戳和包长,确定所述多个模拟数据包的时延小于目标时延的第一累积概率值;
其中,在所述第一累积概率值小于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
在一种可能的实现中,所述装置还包括:
决策控制单元,用于在所述第一累积概率值大于第一预设阈值时,进行网规控制。
在一种可能的实现中,所述SLA性能包括缓存队列长度,SLA性能预测单元,用于:
根据所述原始数据流的时域特征参数、所述原始数据流的包长特征参数和网络带宽确定所述原始数据流的缓存队列长度小于目标长度的第二累积概率值;其中,在所述第二累积概率值大于第二预设阈值时,则所述原始数据流的缓存队列长度满足SLA的要求。
可选地,缓存队列长度A的累积概率分布函数FA(y)为:
其中,为整数;πQ=0;π=[π0,π1,…,πl,…],π1=1;
所述FA(y)用于计算所述第二累积概率值。
在一种可能的实现中,所述原始数据流为如下情况中的一种:
所述K个第一网络设备发送的针对目标业务的数据包;
所述K个第一网络设备发送的数据包。
如图12所示,为本申请实施例提供的示例性用户设备1200。该用户设备1200可以是手机、平板电脑、VR/AR设备等,该用户设备1200可以用于实现上述实施例(一)中第一网络设备、实施例(二)中第一网络设备、实施例(三)中用户设备所述的方法,或者上述装置1000所示功能。用户设备1200可以包括处理器110,外部存储器接口120,内部存储器121,通用串行总线(universal serial bus,USB)接口130,充电管理模块140,电源管理模块141,电池142,天线1,天线2,移动通信模块150,无线通信模块160,音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,传感器模块180,按键190,马达191,指示器192,摄像头193,显示屏194,以及用户标识模块(subscriber identification module,SIM)卡接口195等。其中传感器模块180可以包括压力传感器180A,陀螺仪传感器180B,气压传感器180C,磁传感器180D,加速度传感器180E,距离传感器180F,接近光传感器180G,指纹传感器180H,温度传感器180J,触摸传感器180K,环境光传感器180L,骨传导传感器180M等。
可以理解的是,本发明实施例示意的结构并不构成对用户设备1200的具体限定。在本申请另一些实施例中,用户设备1200可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
可以理解的是,本发明实施例示意的各模块间的接口连接关系,只是示意性说明,并不构成对用户设备1200的结构限定。在另一些实施例中,用户设备1200也可以采用上述实施例中不同的接口连接方式,或多种接口连接方式的组合。
处理器110可以包括一个或多个处理单元,例如:处理器110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,存储器,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。在一些实施例中,用户设备1200也可以包括一个或多个处理器110。
其中,控制器可以是用户设备1200的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器110的等待时间,因而提高了用户设备1200的效率。
充电管理模块140用于从充电器接收充电输入。其中,充电器可以是无线充电器,也可以是有线充电器。在一些有线充电的实施例中,充电管理模块140可以通过USB接口130接收有线充电器的充电输入。在一些无线充电的实施例中,充电管理模块140可以通过用户设备1200的无线充电线圈接收无线充电输入。充电管理模块140为电池142充电的同时,还可以通过电源管理模块141为电子设备供电。
电源管理模块141用于连接电池142,充电管理模块140与处理器110。电源管理模块141接收电池142和/或充电管理模块140的输入,为处理器110,内部存储器121,外部存储器,显示屏194,摄像头193,和无线通信模块160等供电。电源管理模块141还可以用于监测电池容量,电池循环次数,电池健康状态(漏电,阻抗)等参数。在其他一些实施例中,电源管理模块141也可以设置于处理器110中。在另一些实施例中,电源管理模块141和充电管理模块140也可以设置于同一个器件中。
用户设备1200的无线通信功能可以通过天线1,天线2,移动通信模块150,无线通信模块160,调制解调处理器以及基带处理器等实现。
天线1和天线2用于发射和接收电磁波信号。用户设备1200中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。例如:可以将天线1复用为无线局域网的分集天线。在另外一些实施例中,天线可以和调谐开关结合使用。
移动通信模块150可以提供应用在用户设备1200上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块150可以包括至少一个滤波器,开关,功率放大器,低噪声放大器(low noise amplifier,LNA)等。移动通信模块150可以由天线1接收电磁波,并对接收的电磁波进行滤波,放大等处理,传送至调制解调处理器进行解调。移动通信模块150还可以对经调制解调处理器调制后的信号放大,经天线1转为电磁波辐射出去。在一些实施例中,移动通信模块150的至少部分功能模块可以被设置于处理器110中。在一些实施例中,移动通信模块150的至少部分功能模块可以与处理器110的至少部分模块被设置在同一个器件中。
无线通信模块160可以提供应用在用户设备1200上的包括无线局域网(wirelesslocal area networks,WLAN)(如无线保真(wireless fidelity,Wi-Fi)网络),蓝牙(bluetooth,BT),全球导航卫星系统(global navigation satellite system,GNSS),调频(frequency modulation,FM),近距离无线通信技术(near field communication,NFC),红外技术(infrared,IR)等无线通信的解决方案。无线通信模块160可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块160经由天线2接收电磁波,将电磁波信号调频以及滤波处理,将处理后的信号发送到处理器110。无线通信模块160还可以从处理器110接收待发送的信号,对其进行调频,放大,经天线2转为电磁波辐射出去。示例性地,无线通信模块160可以包括蓝牙模块、Wi-Fi模块等。
在一些实施例中,用户设备1200的天线1和移动通信模块150耦合,天线2和无线通信模块160耦合,使得用户设备1200可以通过无线通信技术与网络以及其他设备通信。所述无线通信技术可以包括全球移动通讯系统(global system for mobile communications,GSM),通用分组无线服务(general packet radio service,GPRS),码分多址接入(codedivision multiple access,CDMA),宽带码分多址(wideband code division multipleaccess,WCDMA),时分码分多址(time-division code division multiple access,TD-SCDMA),长期演进(long term evolution,LTE),BT,GNSS,WLAN,NFC,FM,和/或IR技术等。所述GNSS可以包括全球卫星定位系统(global positioning system,GPS),全球导航卫星系统(global navigation satellite system,GLONASS),北斗卫星导航系统(beidounavigation satellite system,BDS),准天顶卫星系统(quasi-zenith satellitesystem,QZSS)和/或星基增强系统(satellite based augmentation systems,SBAS)。
用户设备1200通过GPU,显示屏194,以及应用处理器等可以实现显示功能。GPU为图像处理的微处理器,连接显示屏194和应用处理器。GPU用于执行数学和几何计算,用于图形渲染。处理器110可包括一个或多个GPU,其执行指令以生成或改变显示信息。
显示屏194用于显示图像,视频等。显示屏194包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display,LCD),有机发光二极管(organic light-emittingdiode,OLED),有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的,AMOLED),柔性发光二极管(flex light-emittingdiode,FLED),Miniled,MicroLed,Micro-oLed,量子点发光二极管(quantum dot lightemitting diodes,QLED)等。在一些实施例中,用户设备1200可以包括1个或N个显示屏194,N为大于1的正整数。在本申请实施例中,显示屏194可以作为输出装置,显示用户命令的响应信息、GUI等。
用户设备1200可以通过ISP,摄像头193,视频编解码器,GPU,显示屏194以及应用处理器等实现拍摄功能。
ISP用于处理摄像头193反馈的数据。例如,拍照时,打开快门,光线通过镜头被传递到摄像头感光元件上,光信号转换为电信号,摄像头感光元件将所述电信号传递给ISP处理,转化为肉眼可见的图像。ISP还可以对图像的噪点,亮度,肤色进行算法优化。ISP还可以对拍摄场景的曝光,色温等参数优化。在一些实施例中,ISP可以设置在摄像头193中。
摄像头193用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给ISP转换成数字图像信号。ISP将数字图像信号输出到DSP加工处理。DSP将数字图像信号转换成标准的RGB,YUV等格式的图像信号。在一些实施例中,用户设备1200可以包括1个或N个摄像头193,N为大于1的正整数。
数字信号处理器用于处理数字信号,除了可以处理数字图像信号,还可以处理其他数字信号。例如,当用户设备1200在频点选择时,数字信号处理器用于对频点能量进行傅里叶变换等。
视频编解码器用于对数字视频压缩或解压缩。用户设备1200可以支持一种或多种视频编解码器。这样,用户设备1200可以播放或录制多种编码格式的视频,例如:动态图像专家组(moving picture experts group,MPEG)-1,MPEG-2,MPEG-3,MPEG-4等。
NPU为神经网络(neural-network,NN)计算处理器,通过借鉴生物神经网络结构,例如借鉴人脑神经元之间传递模式,对输入信息快速处理,还可以不断的自学习。通过NPU可以实现用户设备1200的智能认知等应用,例如:图像识别,人脸识别,语音识别,文本理解等。
外部存储器接口120可以用于连接外部存储卡,例如Micro SD卡,实现扩展用户设备1200的存储能力。外部存储卡通过外部存储器接口120与处理器110通信,实现数据存储功能。例如将音乐、照片、视频等数据保存在外部存储卡中。
内部存储器121可以用于存储一个或多个计算机程序,该一个或多个计算机程序包括指令。处理器110可以通过运行存储在内部存储器121的上述指令,从而使得用户设备1200执行本申请一些实施例中所提供的数据分享的方法,以及各种功能应用以及数据处理等。内部存储器121可以包括存储程序区和存储数据区。其中,存储程序区可存储操作系统;该存储程序区还可以存储一个或多个应用程序(比如图库、联系人等)等。存储数据区可存储用户设备1200使用过程中所创建的数据(比如照片,联系人等)。此外,内部存储器121可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件,通用闪存存储器(universal flash storage,UFS)等。
用户设备1200可以通过音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,以及应用处理器等实现音频功能。例如音乐播放,录音等。
音频模块170用于将数字音频信息转换成模拟音频信号输出,也用于将模拟音频输入转换为数字音频信号。音频模块170还可以用于对音频信号编码和解码。在一些实施例中,音频模块170可以设置于处理器110中,或将音频模块170的部分功能模块设置于处理器110中。
扬声器170A,也称“喇叭”,用于将音频电信号转换为声音信号。用户设备1200可以通过扬声器170A收听音乐,或收听免提通话。在本申请实施例中,扬声器170A可以作为输出装置,输出用户命令的响应信息。
受话器170B,也称“听筒”,用于将音频电信号转换成声音信号。当用户设备1200接听电话或语音信息时,可以通过将受话器170B靠近人耳接听语音。
麦克风170C,也称“话筒”,“传声器”,用于将声音信号转换为电信号。当拨打电话或发送语音信息时,用户可以通过人嘴靠近麦克风170C发声,将声音信号输入到麦克风170C。用户设备1200可以设置至少一个麦克风170C。在另一些实施例中,用户设备1200可以设置两个麦克风170C,除了采集声音信号,还可以实现降噪功能。在另一些实施例中,用户设备1200还可以设置三个,四个或更多麦克风170C,实现采集声音信号,降噪,还可以识别声音来源,实现定向录音功能等。在一些实施例中,麦克风170C可以用于采集音频格式的用户指令。
耳机接口170D用于连接有线耳机。耳机接口170D可以是USB接口130,也可以是3.5mm的开放移动电子设备平台(open mobile terminal platform,OMTP)标准接口,美国蜂窝电信工业协会(cellular telecommunications industry association of the USA,CTIA)标准接口。
压力传感器180A用于感受压力信号,可以将压力信号转换成电信号。在一些实施例中,压力传感器180A可以设置于显示屏194。压力传感器180A的种类很多,如电阻式压力传感器,电感式压力传感器,电容式压力传感器等。电容式压力传感器可以是包括至少两个具有导电材料的平行板。当有力作用于压力传感器180A,电极之间的电容改变。用户设备1200根据电容的变化确定压力的强度。当有触摸操作作用于显示屏194,用户设备1200根据压力传感器180A检测所述触摸操作强度。用户设备1200也可以根据压力传感器180A的检测信号计算触摸的位置。在一些实施例中,作用于相同触摸位置,但不同触摸操作强度的触摸操作,可以对应不同的操作指令。例如:当有触摸操作强度小于第一压力阈值的触摸操作作用于短消息应用图标时,执行查看短消息的指令。当有触摸操作强度大于或等于第一压力阈值的触摸操作作用于短消息应用图标时,执行新建短消息的指令。
陀螺仪传感器180B可以用于确定用户设备1200的运动姿态。在一些实施例中,可以通过陀螺仪传感器180B确定用户设备1200围绕三个轴(即,x,y和z轴)的角速度。陀螺仪传感器180B可以用于拍摄防抖。示例性的,当按下快门,陀螺仪传感器180B检测用户设备1200抖动的角度,根据角度计算出镜头模组需要补偿的距离,让镜头通过反向运动抵消用户设备1200的抖动,实现防抖。陀螺仪传感器180B还可以用于导航,体感游戏场景。
气压传感器180C用于测量气压。在一些实施例中,用户设备1200通过气压传感器180C测得的气压值计算海拔高度,辅助定位和导航。
磁传感器180D包括霍尔传感器。用户设备1200可以利用磁传感器180D检测翻盖皮套的开合。在一些实施例中,当用户设备1200是翻盖机时,用户设备1200可以根据磁传感器180D检测翻盖的开合。进而根据检测到的皮套的开合状态或翻盖的开合状态,设置翻盖自动解锁等特性。
加速度传感器180E可检测用户设备1200在各个方向上(一般为三轴)加速度的大小。当用户设备1200静止时可检测出重力的大小及方向。还可以用于识别电子设备姿态,应用于横竖屏切换,计步器等应用。
距离传感器180F,用于测量距离。用户设备1200可以通过红外或激光测量距离。在一些实施例中,拍摄场景,用户设备1200可以利用距离传感器180F测距以实现快速对焦。
接近光传感器180G可以包括例如发光二极管(LED)和光检测器,例如光电二极管。发光二极管可以是红外发光二极管。用户设备1200通过发光二极管向外发射红外光。用户设备1200使用光电二极管检测来自附近物体的红外反射光。当检测到充分的反射光时,可以确定用户设备1200附近有物体。当检测到不充分的反射光时,用户设备1200可以确定用户设备1200附近没有物体。用户设备1200可以利用接近光传感器180G检测用户手持用户设备1200贴近耳朵通话,以便自动熄灭屏幕到达省电的目的。接近光传感器180G也可用于皮套模式,口袋模式自动解锁与锁屏。
环境光传感器180L用于感知环境光亮度。用户设备1200可以根据感知的环境光亮度自适应调节显示屏194亮度。环境光传感器180L也可用于拍照时自动调节白平衡。环境光传感器180L还可以与接近光传感器180G配合,检测用户设备1200是否在口袋里,以防误触。
指纹传感器180H用于采集指纹。用户设备1200可以利用采集的指纹特性实现指纹解锁,访问应用锁,指纹拍照,指纹接听来电等。
温度传感器180J用于检测温度。在一些实施例中,用户设备1200利用温度传感器180J检测的温度,执行温度处理策略。例如,当温度传感器180J上报的温度超过阈值,用户设备1200执行降低位于温度传感器180J附近的处理器的性能,以便降低功耗实施热保护。在另一些实施例中,当温度低于另一阈值时,用户设备1200对电池142加热,以避免低温导致用户设备1200异常关机。在其他一些实施例中,当温度低于又一阈值时,用户设备1200对电池142的输出电压执行升压,以避免低温导致的异常关机。
触摸传感器180K,也可称触控面板或触敏表面。触摸传感器180K可以设置于显示屏194,由触摸传感器180K与显示屏194组成触摸屏,也称“触控屏”。触摸传感器180K用于检测作用于其上或附近的触摸操作。触摸传感器可以将检测到的触摸操作传递给应用处理器,以确定触摸事件类型。可以通过显示屏194提供与触摸操作相关的视觉输出。在另一些实施例中,触摸传感器180K也可以设置于用户设备1200的表面,与显示屏194所处的位置不同。在一些实施例中,触摸传感器180K可以用于作为输入装置,接收用户输入的文字格式的用户指令、或其他用户操作。
骨传导传感器180M可以获取振动信号。在一些实施例中,骨传导传感器180M可以获取人体声部振动骨块的振动信号。骨传导传感器180M也可以接触人体脉搏,接收血压跳动信号。在一些实施例中,骨传导传感器180M也可以设置于耳机中,结合成骨传导耳机。音频模块170可以基于所述骨传导传感器180M获取的声部振动骨块的振动信号,解析出语音信号,实现语音功能。应用处理器可以基于所述骨传导传感器180M获取的血压跳动信号解析心率信息,实现心率检测功能。
按键190包括开机键,音量键等。按键190可以是机械按键。也可以是触摸式按键。用户设备1200可以接收按键输入,产生与用户设备1200的用户设置以及功能控制有关的键信号输入。
马达191可以产生振动提示。马达191可以用于来电振动提示,也可以用于触摸振动反馈。例如,作用于不同应用(例如拍照,音频播放等)的触摸操作,可以对应不同的振动反馈效果。作用于显示屏194不同区域的触摸操作,马达191也可对应不同的振动反馈效果。不同的应用场景(例如:时间提醒,接收信息,闹钟,游戏等)也可以对应不同的振动反馈效果。触摸振动反馈效果还可以支持自定义。
指示器192可以是指示灯,可以用于指示充电状态,电量变化,也可以用于指示消息,未接来电,通知等。
SIM卡接口195用于连接SIM卡。SIM卡可以通过插入SIM卡接口195,或从SIM卡接口195拔出,实现和用户设备1200的接触和分离。用户设备1200可以支持1个或N个SIM卡接口,N为大于1的正整数。SIM卡接口195可以支持Nano SIM卡,Micro SIM卡,SIM卡等。同一个SIM卡接口195可以同时插入多张卡。所述多张卡的类型可以相同,也可以不同。SIM卡接口195也可以兼容不同类型的SIM卡。SIM卡接口195也可以兼容外部存储卡。用户设备1200通过SIM卡和网络交互,实现通话以及数据通信等功能。在一些实施例中,用户设备1200采用eSIM,即:嵌入式SIM卡。eSIM卡可以嵌在用户设备1200中,不能和用户设备1200分离。
下面介绍本申请实施例提供的示例性网络设备1300,该网络设备1300可以实现为上述实施例(一)、实施例(二)、实施例(三)中提及的第一网络设备、第二网络设备、第三网络设备、网络转发设备、网络控制设备执行的方法,或者上述装置1000或装置1100所示功能,如图13所示的网络设备1300包括存储器1301、处理器1302、通信接口1303以及总线1304。其中,存储器1301、处理器1302、通信接口1303通过总线1304实现彼此之间的通信连接。
存储器1301可以是只读存储器(Read Only Memory,ROM),静态存储设备,动态存储设备或者随机存取存储器(Random Access Memory,RAM)。存储器1301可以存储程序,当存储器1301中存储的程序被处理器1302执行时,处理器1302和通信接口1303用于执行本申请方法实施例(一)、实施例(二)、实施例(三)提及的第一网络设备、第二网络设备、第三网络设备、网络转发设备、网络控制设备等中的一个或多个执行的方法或步骤。
处理器1302可以采用通用的中央处理器(Central Processing Unit,CPU),微处理器,应用专用集成电路(Application Specific Integrated Circuit,ASIC),图形处理器(graphics processing unit,GPU)或者一个或多个集成电路,用于执行相关程序,以实现本申请实施例的命令执行装置900中的单元所需执行的功能,或者执行本申请方法实施例(一)、实施例(二)、实施例(三)提及的第一网络设备、第二网络设备、第三网络设备、网络转发设备、网络控制设备等中的一个或多个执行的方法或步骤。
处理器1302还可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,本申请的神经网络的压缩方法的各个步骤可以通过处理器1302中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1302还可以是通用处理器、数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1301,处理器1302读取存储器1301中的信息,结合其硬件完成本申请实施例的装置1000或装置1100中的单元所需执行的功能
通信接口1303使用例如但不限于收发器一类的收发装置,来实现装置1300与其他设备或通信网络之间的通信。
总线1304可包括在网络设备1300各个部件(例如,存储器1301、处理器1302、通信接口1303)之间传送信息的通路。
应注意,尽管图13所示的网络设备1300仅仅示出了存储器、处理器、通信接口,但是在具体实现过程中,本领域的技术人员应当理解,网络设备1300还包括实现正常运行所必须的其他器件。同时,根据具体需要,本领域的技术人员应当理解,网络设备1300还可包括实现其他附加功能的硬件器件。此外,本领域的技术人员应当理解,网络设备1300也可仅仅包括实现本申请实施例所必须的器件,而不必包括图13中所示的全部器件。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本领域技术人员能够领会,结合本文公开描述的各种说明性逻辑框、模块和算法步骤所描述的功能可以硬件、软件、固件或其任何组合来实施。如果以软件来实施,那么各种说明性逻辑框、模块、和步骤描述的功能可作为一或多个指令或代码在计算机可读媒体上存储或传输,且由基于硬件的处理单元执行。计算机可读媒体可包含计算机可读存储媒体,其对应于有形媒体,例如数据存储媒体,或包括任何促进将计算机程序从一处传送到另一处的媒体(例如,根据通信协议)的通信媒体。以此方式,计算机可读媒体大体上可对应于(1)非暂时性的有形计算机可读存储媒体,或(2)通信媒体,例如信号或载波。数据存储媒体可为可由一或多个计算机或一或多个处理器存取以检索用于实施本申请中描述的技术的指令、代码和/或数据结构的任何可用媒体。计算机程序产品可包含计算机可读媒体。
作为实例而非限制,此类计算机可读存储媒体可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁性存储装置、快闪存储器或可用来存储指令或数据结构的形式的所要程序代码并且可由计算机存取的任何其它媒体。并且,任何连接被恰当地称作计算机可读媒体。举例来说,如果使用同轴缆线、光纤缆线、双绞线、数字订户线(DSL)或例如红外线、无线电和微波等无线技术从网站、服务器或其它远程源传输指令,那么同轴缆线、光纤缆线、双绞线、DSL或例如红外线、无线电和微波等无线技术包含在媒体的定义中。但是,应理解,所述计算机可读存储媒体和数据存储媒体并不包括连接、载波、信号或其它暂时媒体,而是实际上针对于非暂时性有形存储媒体。如本文中所使用,磁盘和光盘包含压缩光盘(CD)、激光光盘、光学光盘、数字多功能光盘(DVD)和蓝光光盘,其中磁盘通常以磁性方式再现数据,而光盘利用激光以光学方式再现数据。以上各项的组合也应包含在计算机可读媒体的范围内。
可通过例如一或多个数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、现场可编程逻辑阵列(FPGA)或其它等效集成或离散逻辑电路等一或多个处理器来执行指令。因此,如本文中所使用的术语“处理器”可指前述结构或适合于实施本文中所描述的技术的任一其它结构中的任一者。另外,在一些方面中,本文中所描述的各种说明性逻辑框、模块、和步骤所描述的功能可以提供于经配置以用于编码和解码的专用硬件和/或软件模块内,或者并入在组合编解码器中。而且,所述技术可完全实施于一或多个电路或逻辑元件中。
本申请的技术可在各种各样的装置或设备中实施,包含无线手持机、集成电路(IC)或一组IC(例如,芯片组)。本申请中描述各种组件、模块或单元是为了强调用于执行所揭示的技术的装置的功能方面,但未必需要由不同硬件单元实现。实际上,如上文所描述,各种单元可结合合适的软件和/或固件组合在编码解码器硬件单元中,或者通过互操作硬件单元(包含如上文所描述的一或多个处理器)来提供。
以上实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式,除非其上下文中明确地有相反指示。还应当理解,在本申请以下各实施例中,“至少一个”、“一个或多个”是指一个、两个或两个以上。术语“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系;例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。
在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
以上所述,仅为本申请示例性的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (28)
1.一种服务等级协议SLA性能预测方法,其特征在于,所述方法包括:
第一网络设备获取多个数据包的时间戳和包长;
所述第一网络设备根据所述多个数据包的时间戳确定所述多个数据包中每一个数据包的到达时间间隔,所述多个数据包的到达时间间隔按照到达次序组成时间间隔序列;
所述第一网络设备根据马尔可夫到达过程MAP模型和所述时间间隔序列确定所述多个数据包的时域特征参数,所述时域特征参数为所述MAP模型的模型参数;
根据所述多个到达数据包的包长,确定包长特征参数,所述包长特征参数和所述时域特征参数用于预测所述多个数据包的SLA性能。
3.根据权利要求2所述的方法,其特征在于,所述SLA性能包括时延,所述方法还包括:
所述第一网络设备向第二网络设备发送携带所述时域特征参数和所述包长特征参数的信令,以使所述第二网络设备根据所述时域特征参数、所述包长特征参数和网络带宽确定所述多个数据包的时延小于目标时延的第一累积概率值;其中,在所述第一累积概率值大于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
4.根据权利要求2所述的方法,其特征在于,所述SLA性能包括时延,所述方法还包括:
所述第一网络设备根据所述时域特征参数、所述包长特征参数和网络带宽确定所述多个数据包的时延小于目标时延的第一累积概率值;其中,在所述第一累积概率值大于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
6.根据权利要求2所述的方法,其特征在于,所述方法还包括:
所述第一网络设备根据所述MAP模型和所述时域特征参数,生成多个模拟数据包的时间间隔序列;
所述第一网络设备根据所述包长特征参数生成所述多个模拟数据包的包长序列;
所述第一网络设备根据所述多个模拟数据包的时间间隔序列和所述多个模拟数据包的包长序列得到所述多个模拟数据包中每一个模拟数据包的时间戳和包长;
所述第一网络设备根据所述多个模拟数据包的时间戳和包长对所述多个模拟数据包进行SLA性能测试,所述多个模拟数据包的SLA性能的测试结果为所述多个数据包的SLA性能的预测结果。
7.根据权利要求6所述的方法,其特征在于,所述第一网络设备根据所述多个模拟数据包的时间间隔序列和所述多个模拟数据包的包长序列得到所述多个模拟数据包中每一个模拟数据包的时间戳和包长,具体包括:
所述第一网络设备确定第j+1个模拟数据包的时间戳为所述多个模拟数据包的时间间隔序列中的前j个时间间隔的累加,j为不大于所述多个模拟数据包的总数的正整数;
所述第一网络设备确定所述第j个模拟数据包的包长为所述多个模拟数据包的包长序列中的第j个包长。
8.根据权利要求6或7所述的方法,其特征在于,所述第一网络设备根据所述多个模拟数据包的时间戳和包长对所述多个模拟数据包进行SLA性能测试,包括:
所述第一网络设备根据所述多个模拟数据包的时间戳和包长,确定所述多个模拟数据包的时延小于目标时延的第一累积概率值;
其中,在所述第一累积概率值大于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
9.根据权利要求3-5、8任一项所述的方法,其特征在于,所述方法还包括:
在所述第一累积概率值小于第一预设阈值时,所述第一网络设备进行网规控制。
10.根据权利要求2-9所述的方法,其特征在于,所述SLA性能包括缓存队列长度,所述方法还包括:
所述第一网络设备根据所述时域特征参数、所述包长特征参数和网络带宽确定所述多个数据包的缓存队列长度小于目标长度的第二累积概率值;其中,在所述第二累积概率值大于第二预设阈值时,则所述多个数据包的缓存队列长度满足SLA的要求。
12.根据权利要求1-11任一项所述的方法,其特征在于,所述多个数据包为如下情况中的一种:
用户设备针对目标业务的数据包;
接收到的来自多个用户设备的数据包;
接收到的来自多个用户设备的针对目标业务的数据包。
13.一种服务等级协议SLA性能预测方法,其特征在于,所述方法包括:
第二网络设备接收分别来自K个第一网络设备的数据流,得到原始数据流,K为正整数;
所述第二网络设备接收分别来自所述K个第一网络设备的时域特征参数和包长特征参数;所述第一网络设备的时域特征参数是所述第一网络设备根据马尔可夫到达过程MAP模型和时间间隔序列确定的,所述第一网络设备的时域特征参数为所述MAP模型的模型参数;所述时间间隔序列为所述第一网络设备发送的多个数据包的到达时间间隔按照到达次序组成的;所述第一网络设备的包长特征参数是根据所述多个数据包的包长确定的;
所述第二网络设备根据所述原始数据流的时域特征参数和所述原始数据流的包长特征参数预测所述原始数据流的SLA性能,所述原始数据流的时域特征参数根据所述第二网络设备接收到的时域特征参数确定,所述原始数据流的包长特征参数根据所述第二网络设备接收到的包长特征参数确定。
14.根据权利要求12所述的方法,其特征在于,所述K=1,所述原始数据流的时域特征参数为所述第一网络设备的时域特征参数,所述原始数据流的包长特征参数为所述第一网络设备的包长特征参数。
15.根据权利要求12所述的方法,其特征在于,所述K大于1,所述原始数据流的时域特征参数为所述接收到的时域特征参数的克罗内克和;所述原始数据流的包长特征参数为所述接收到的包长特征参数中的最大的包长特征参数。
17.根据权利要求16所述的方法,其特征在于,所述SLA性能包括时延,所述第二网络设备根据所述原始数据流的时域特征参数和所述原始数据流的包长特征参数预测所述原始数据流的SLA性能,包括:
所述第二网络设备根据所述原始数据流的时域特征参数、所述原始数据流的包长特征参数和网络带宽确定所述原始数据流的时延小于目标时延的第一累积概率值;其中,在所述第一累积概率值大于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
19.根据权利要求13-15任一项所述的方法,其特征在于,所述第二网络设备根据所述原始数据流的时域特征参数和所述原始数据流的包长特征参数预测所述原始数据流的SLA性能,包括:
所述第二网络设备根据所述MAP模型和所述第一网络设备的时域特征参数,生成多个模拟数据包的时间间隔序列;
所述第二网络设备根据所述第一网络设备的包长特征参数生成所述多个模拟数据包的包长序列;
所述第二网络设备根据所述多个模拟数据包的时间间隔序列和所述多个模拟数据包的包长序列得到所述多个模拟数据包中每一个模拟数据包的时间戳和包长;
所述第二网络设备根据所述多个模拟数据包的时间戳和包长对所述多个模拟数据包进行SLA性能测试,所述多个模拟数据包的SLA性能的测试结果为所述原始数据流的SLA性能的预测结果。
20.根据权利要求19所述的方法,其特征在于,所述第二网络设备根据所述多个模拟数据包的时间间隔序列和所述多个模拟数据包的包长序列得到所述多个模拟数据包中每一个模拟数据包的时间戳和包长,具体包括:
所述第二网络设备确定第j+1个模拟数据包的时间戳为所述多个模拟数据包的时间间隔序列中的前j个时间间隔的累加,j为不大于所述多个模拟数据包的总数的正整数;
所述第二网络设备确定所述第j个模拟数据包的包长为所述多个模拟数据包的包长序列中的第j个包长。
21.根据权利要求19或20所述的方法,其特征在于,所述第二网络设备根据所述多个模拟数据包的时间戳和包长对所述多个模拟数据包进行SLA性能测试,包括:
所述第二网络设备根据所述多个模拟数据包的时间戳和包长,确定所述多个模拟数据包的时延小于目标时延的第一累积概率值;
其中,在所述第一累积概率值大于第一预设阈值时,则所述多个数据包的时延满足SLA的要求。
22.根据权利要求17-18、21任一项所述的方法,其特征在于,所述方法还包括:
在所述第一累积概率值小于第一预设阈值时,所述第二网络设备进行网规控制。
23.根据权利要求16-22所述的方法,其特征在于,所述SLA性能包括缓存队列长度,所述方法还包括:
所述第二网络设备根据所述原始数据流的时域特征参数、所述原始数据流的包长特征参数和网络带宽确定所述原始数据流的缓存队列长度小于目标长度的第二累积概率值;其中,在所述第二累积概率值大于第二预设阈值时,则所述原始数据流的缓存队列长度满足SLA的要求。
25.根据权利要求13-24任一项所述的方法,其特征在于,所述原始数据流为如下情况中的一种:
所述K个第一网络设备发送的针对目标业务的数据包;
所述K个第一网络设备发送的数据包。
26.一种电子设备,其特征在于,包括一个或多个处理器、一个或多个存储器、通信接口;所述一个或多个存储器与所述一个或多个处理器耦合,所述一个或多个存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述一个或多个处理器执行所述计算机指令时,所述电子设备实现如权利要求1-12任一项所述的方法。
27.一种电子设备,其特征在于,包括一个或多个处理器、一个或多个存储器、通信接口;所述一个或多个存储器与所述一个或多个处理器耦合,所述一个或多个存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述一个或多个处理器执行所述计算机指令时,所述电子设备实现如权利要求13-25任一项所述的方法。
28.一种计算机可读存储介质,其特征在于,包括计算机指令,当所述计算机指令在电子设备上运行时,使得所述电子设备执行如权利要求1-25任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015229.2A CN114726746A (zh) | 2021-01-06 | 2021-01-06 | Sla性能预测方法及相关装置、设备 |
PCT/CN2021/141361 WO2022148257A1 (zh) | 2021-01-06 | 2021-12-24 | Sla性能预测方法及相关装置、设备 |
EP21917297.0A EP4262166A4 (en) | 2021-01-06 | 2021-12-24 | SLA PERFORMANCE PREDICTION METHOD AND RELATED APPARATUS, AND DEVICE |
US18/347,269 US20230344740A1 (en) | 2021-01-06 | 2023-07-05 | Sla performance prediction method and related apparatus, and device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015229.2A CN114726746A (zh) | 2021-01-06 | 2021-01-06 | Sla性能预测方法及相关装置、设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114726746A true CN114726746A (zh) | 2022-07-08 |
Family
ID=82234732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110015229.2A Pending CN114726746A (zh) | 2021-01-06 | 2021-01-06 | Sla性能预测方法及相关装置、设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230344740A1 (zh) |
EP (1) | EP4262166A4 (zh) |
CN (1) | CN114726746A (zh) |
WO (1) | WO2022148257A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116321285A (zh) * | 2023-05-19 | 2023-06-23 | 华安中云股份有限公司 | 基于卫星信号的数据量上报方法、装置、设备和介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101651568B (zh) * | 2009-07-01 | 2011-12-07 | 青岛农业大学 | 一种网络流量预测和异常检测方法 |
US9749188B2 (en) * | 2014-05-13 | 2017-08-29 | Cisco Technology, Inc. | Predictive networking architecture for next-generation multiservice, multicarrier WANs |
US10062036B2 (en) * | 2014-05-16 | 2018-08-28 | Cisco Technology, Inc. | Predictive path characteristics based on non-greedy probing |
US9836696B2 (en) * | 2014-07-23 | 2017-12-05 | Cisco Technology, Inc. | Distributed machine learning autoscoring |
CN104717158B (zh) * | 2015-03-02 | 2019-03-05 | 中国联合网络通信集团有限公司 | 一种调整带宽调度策略的方法及装置 |
-
2021
- 2021-01-06 CN CN202110015229.2A patent/CN114726746A/zh active Pending
- 2021-12-24 WO PCT/CN2021/141361 patent/WO2022148257A1/zh unknown
- 2021-12-24 EP EP21917297.0A patent/EP4262166A4/en active Pending
-
2023
- 2023-07-05 US US18/347,269 patent/US20230344740A1/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116321285A (zh) * | 2023-05-19 | 2023-06-23 | 华安中云股份有限公司 | 基于卫星信号的数据量上报方法、装置、设备和介质 |
CN116321285B (zh) * | 2023-05-19 | 2023-08-15 | 华安中云股份有限公司 | 基于卫星信号的数据量上报方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022148257A1 (zh) | 2022-07-14 |
EP4262166A1 (en) | 2023-10-18 |
EP4262166A4 (en) | 2024-05-29 |
US20230344740A1 (en) | 2023-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7235871B2 (ja) | データ伝送方法と電子デバイス | |
CN113810938B (zh) | 通道切换方法、电子设备及存储介质 | |
CN114710640B (zh) | 基于虚拟形象的视频通话方法、装置和终端 | |
CN113329047B (zh) | 一种分布式服务调度方法及相关装置 | |
CN112566152B (zh) | 一种卡顿预测的方法、数据处理的方法以及相关装置 | |
CN111316604B (zh) | 一种数据传输方法及电子设备 | |
WO2021068926A1 (zh) | 模型更新方法、工作节点及模型更新系统 | |
CN114422340A (zh) | 日志上报方法、电子设备及存储介质 | |
JP7193647B2 (ja) | 接続確立方法および端末デバイス | |
CN114466449A (zh) | 一种位置特征获取方法及电子设备 | |
US20230344740A1 (en) | Sla performance prediction method and related apparatus, and device | |
CN113596919B (zh) | 数据下载方法、装置和终端设备 | |
CN113490291B (zh) | 数据下载方法、装置和终端设备 | |
CN114449090A (zh) | 数据分享方法、装置、系统及电子设备 | |
CN114173286B (zh) | 确定测试路径的方法、装置、电子设备及可读存储介质 | |
CN115134404B (zh) | 管理推送连接的方法和电子设备 | |
CN113810965A (zh) | 通道切换方法、电子设备及存储介质 | |
CN114050962B (zh) | 一种通信故障检测方法、装置及计算机可读存储介质 | |
CN116321265B (zh) | 网络质量评估方法、电子设备以及存储介质 | |
CN116723079A (zh) | 日志抓取方法、电子设备及计算机可读存储介质 | |
CN114980152A (zh) | 一种提高语音通话质量的方法 | |
CN116996900A (zh) | 数据传输方法及电子设备 |
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 |