CN115086244A - 带宽分配方法、装置、计算机设备及存储介质 - Google Patents
带宽分配方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115086244A CN115086244A CN202210680903.3A CN202210680903A CN115086244A CN 115086244 A CN115086244 A CN 115086244A CN 202210680903 A CN202210680903 A CN 202210680903A CN 115086244 A CN115086244 A CN 115086244A
- Authority
- CN
- China
- Prior art keywords
- target
- bandwidth
- target node
- node
- server
- 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 46
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 230000008092 positive effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003068 static effect Effects 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
- H04L47/00—Traffic control in data switching networks
- H04L47/50—Queue scheduling
- H04L47/52—Queue scheduling by attributing bandwidth to queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H04L47/62—Queue scheduling characterised by scheduling criteria
- H04L47/625—Queue scheduling characterised by scheduling criteria for service slots or service orders
- H04L47/6275—Queue scheduling characterised by scheduling criteria for service slots or service orders based on priority
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请涉及通信技术领域,公开了一种带宽分配方法、装置、计算机设备及存储介质,方法包括:获取目标时间段内至少一个目标节点的历史带宽数据;将历史带宽数据输入深度学习模型,确定目标时间段对应的至少一个目标节点中每个目标节点的带宽需求量;根据每个目标节点的带宽需求量和每个目标节点对应的节点承载量阈值之间的比较结果,为每个目标节点分配目标服务器的带宽资源。本申请的方法,通过以往带宽使用情况预测节点需求量,并执行相应的分配策略,从而减轻服务器压力,使目标节点的使用者得到更好的网络使用体验。
Description
技术领域
本申请涉及通信技术领域,尤其是涉及到一种带宽分配方法、装置、计算机设备及存储介质。
背景技术
随着通信的快速发展,通信控制任务和结构更加复杂,系统组件之间的信息交换和共享的扩展越来越丰富,使得传统的点对点控制和直接化数字控制结构成本高、可扩展性差、故障诊断和维护困难等缺点尤为突出。特别是,对于某些特定情况下,某些网站或者系统用户访问量激增,导致网站或者系统崩溃,用户关键时期无法进行必要的操作甚至无法登录。为了保持系统之间能够完美的向用户提供服务,系统之间能够完美的对接,使用户或者管理人员有更好更公平的操作,我们首先要解决带宽分配的问题。
相关技术中,在通信过程中,根据链接到服务器的系统(如网页、软件等)的预设等级为每个系统分配不同的带宽。但是,如果服务器的承载能力无法满足系统需求时,同样会造成针对用户或者系统的运行速度将下降,甚至会出现系统崩溃现象。
发明内容
有鉴于此,本申请提供了一种带宽分配方法、装置、计算机设备及存储介质,通过以往带宽使用情况预测节点需求量,并执行相应的分配策略,从而减轻服务器压力,使目标节点的使用者得到更好的网络使用体验。
第一方面,提供了一种带宽分配方法,包括:
获取目标时间段内至少一个目标节点的历史带宽数据;
将历史带宽数据输入深度学习模型,确定目标时间段对应的至少一个目标节点中每个目标节点的带宽需求量;
根据每个目标节点的带宽需求量和每个目标节点对应的节点承载量阈值之间的比较结果,为每个目标节点分配目标服务器的带宽资源。
第二方面,提供了一种带宽分配装置,包括:
获取模块,用于获取目标时间段内至少一个目标节点的历史带宽数据;
预测模块,用于将历史带宽数据输入深度学习模型,确定目标时间段对应的至少一个目标节点中每个目标节点的带宽需求量;
带宽分配模块,用于根据每个目标节点的带宽需求量和每个目标节点对应的节点承载量阈值之间的比较结果,为每个目标节点分配目标服务器的带宽资源。
第三方面,提供了一种可读存储介质,可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述带宽分配方法的步骤。
第四方面,提供了一种计算机设备,包括存储介质、处理器以及存储在存储介质中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述带宽分配方法的步骤。
上述带宽分配方法、装置、计算机设备及存储介质所实现的方案中,通过深度学习模型对未来的目标时间段内至少一个目标节点的历史带宽数据进行处理,以预测出目标时间段内每个目标节点的带宽需求量。并通过比对每个目标节点的带宽需求量和每个目标节点对应的节点承载量阈值,判断至少一个目标节点链接的目标服务器是否能够满足每个目标节点的带宽需求,并以此为依据,针对不同的情况为每个目标节点分配带宽资源。从而基于深度学习技术,通过预测的目标节点的带宽需求量合理分配带宽资源,尽可能多的避免目标节点的带宽需求量超出服务器能够承载的带宽量,进而在减轻服务器压力的同时,降低发生系统崩溃的可能性,使目标节点的使用者得到更好的网络使用体验,而且对网络安全、网络业务、网络运营都具有积极的效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例中带宽分配方法的流程示意图之一;
图2是本申请实施例中带宽分配方法的流程示意图之二;
图3是本申请实施例中带宽分配方法的流程示意图之三;
图4是本申请实施例中带宽分配方法的流程示意图之四;
图5是本申请实施例中带宽分配装置的结构示意图。
具体实施方式
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作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。下面通过具体的实施例对本申请进行详细的描述。
本申请实施例的带宽分配方法可以通过计算机设备实现,具体的,该计算机设备可以为智能手机、个人电脑或服务器等。
请参阅图1所示,图1为本申请实施例提供的带宽分配方法的一个流程示意图,包括如下步骤:
步骤101,获取目标时间段内至少一个目标节点的历史带宽数据;
具体地,目标服务器可以链接至少一个目标节点,该目标节点用于使用从目标服务器获得的带宽资源进行信息交换,以完成特定的任务。目标节点可以是用户能够访问的系统平台或其他可进行通信的节点,例如网页或软件等。目标时间段可以当前时刻所属的预设时间段或者需要进行带宽分配的指定时间段,可以是1小时、1个月或者一个季度,例如,用户可以预先指定目标时间段为一年中的1月1日至3日,则通过往年预测1月1日至3日这个时间段内带宽使用情况,预测今年1月1日至3日内可能的带宽需求量。
步骤102,将历史带宽数据输入深度学习模型,确定目标时间段对应的至少一个目标节点中每个目标节点的带宽需求量;
在该实施例中,按照需求的带宽预测规则预先训练深度学习模型。通过深度学习模型对目标时间段内至少一个目标节点的历史带宽数据进行处理,以预测出目标时间段内每个目标节点执行任务时可能需要的带宽需求量。从而通过预测的每个目标节点的带宽需求量提前对目标服务器是否能够满足每个目标节点的带宽需求进行预判,一方面,能够尽可能多的保证带宽需求量处于服务器的承载能力范围内,防止目标节点的运行速度下降,减少系统奔溃的可能性,另一方面,实现按需分配带宽资源,使得网络带宽利用效率更完全,让访问用户的网络体验更佳,再一方面,利用已训练好的深度学习模型,能够快速、准确获得预测的每个目标节点的带宽需求量,有利于提高带宽分配效率。
进一步地,步骤102中,也即将历史带宽数据输入深度学习模型,确定目标时间段对应的至少一个目标节点中每个目标节点的带宽需求量之前,还包括如下步骤:将带宽数据样本输入预设训练模型,得到预测结果;获取预测结果的标签信息;根据预测结果和标签信息,调整预设训练模型的训练参数;根据调整后的训练参数和带宽数据样本对预设训练模型进行训练,直至满足预设训练结束条件,得到深度学习模型。
其中,预测结果的标签信息表示该预测结果是否满足用户需求的预测规则,该标签信息可以是人为标注的,也可以为按照预设分类算法生成的。
具体地,预设训练模型可以是决策树模型(decision tree mode)或XGBoost模型(Extreme Gradient Boosting),也可以是各种神经网络模型。预设训练结束条件可以根据实际情况合理设置,例如,达到预测的训练次数,或预设训练模型的损失收敛等。
在该实施例中,将至少一个目标节点的历史带宽数据作为模型训练所需的带宽数据样本。将带宽数据样本输入预设训练模型,以利用待训练的预设训练模型对带宽数据样本进行分析,输出当前选取的带宽数据样本对应的需求带宽的预测结果。根据该预测结果及预测结果的标签信息,计算预设训练模型的损失,并根据该损失,调整预设训练模型的训练参数。重复将选取的带宽数据样本输入调整训练参数后的预设训练模型,以实现对预设训练模型的训练,直至满足预设训练结束条件,得到训练后的深度学习模型。从而基于深度学习技术,将带宽数据样本作为输入对模型进行训练,使得训练后的深度学习模型可以用于目标节点带宽需求量的预测,达到辅助控制服务器进行带宽分配的目的,而且利用已训练好的深度学习模型,能够快速、准确获得预测的每个目标节点的带宽需求量,有利于提高带宽分配效率。
步骤103,根据每个目标节点的带宽需求量和每个目标节点对应的节点承载量阈值之间的比较结果,为每个目标节点分配目标服务器的带宽资源。
在该实施例中,在通信时,通过比对每个目标节点的带宽需求量和计划分配给每个目标节点的带宽资源(节点承载量阈值),判断至少一个目标节点链接的目标服务器是否能够满足每个目标节点的带宽需求,并以此为依据,针对不同的情况为每个目标节点分配带宽资源。从而基于深度学习技术,通过预测的目标节点的带宽需求量合理分配带宽资源,尽可能多的避免目标节点的带宽需求量超出服务器能够承载的带宽量,进而在减轻服务器压力的同时,降低发生系统崩溃的可能性,使目标节点的使用者得到更好的网络使用体验,而且对网络安全、网络业务、网络运营都具有积极的效果。
在本申请的一些实施例中,步骤103,也即根据每个目标节点的带宽需求量和每个目标节点对应的节点承载量阈值之间的比较结果,为每个目标节点分配目标服务器的带宽资源之前,还包括如下步骤:确定至少一个目标节点链接的目标服务器的承载总量;根据承载总量和每个目标节点的业务类型对应的分配权重,确定每个目标节点对应的节点承载量阈值。
在该实施例中,先确定与至少一个目标节点链接的目标服务器的承载总量,也即目标服务器允许分配给所有链接的目标节点的带宽资源的总和。然后,利用预先设置的业务类型和带宽分配权重的对应关系确定每个目标节点的业务类型对应的带宽分配权重。最后按照每个目标节点的带宽分配权重将承载总量划分为每个目标节点的对应的节点承载量阈值。从而按照业务类型为接入目标服务器的各目标节点设定承载量阈值,进而实现了为不同业务类型的目标节点分配不同的带宽的目的,使带宽的利用率达到更大,有助于带宽的灵活分配。
其中,上述对应关系可根据实际业务的数据传输需求合理设置,例如,带宽需求量越大的业务类型对应的分配权重值越大,也即需求量越大的业务类型能够允许分配的目标服务器的带宽资源越多,或者业务类型的优先级越高对应的分配权重值越大。
在本申请的一些实施例中,如图2所示,步骤103中,也即根据每个目标节点的带宽需求量和每个目标节点对应的节点承载量阈值之间的比较结果,为每个目标节点分配目标服务器的带宽资源,包括如下步骤:
步骤201,至少一个目标节点中任一目标节点的带宽需求量大于任一目标节点对应的节点承载量阈值,若是,进入步骤202,若否键入步骤203;
步骤202,按照任一目标节点的业务类型为每个目标节点分配带宽资源;
在该实施例中,在预测出每个目标节点的带宽需求量之后,比对每个目标节点的带宽需求量和其对应的节点承载量阈值。如果任一目标节点的带宽需求量大于该任一目标节点对应的节点承载量阈值,说明与目标服务器能够分配给该任一目标节点的带宽资源无法满足节点需求,也即目标节点在执行任务时基本可能出现崩溃或降速现象。为此,按照任一目标节点的业务类型进一步分析每个目标节点的带宽需求,并采用相应的操作来分配带宽资源,以保证目标服务器能够最大程度上满足任一目标节点的需求,从而降低目标服务器的带宽分配压力,使目标节点的使用者得到更好的体验。
可以理解的是,至少一个目标节点带宽需求量大于节点承载量阈值的目标节点可以是一个也可以是多个。
步骤202,根据每个目标节点的带宽需求量为每个目标节点分配带宽资源。
在该实施例中,在预测出每个目标节点的带宽需求量之后,比对每个目标节点的带宽需求量和其对应的节点承载量阈值。如果每个目标节点的带宽需求量全部小于或等于每个目标节点对应的节点承载量阈值,说明与目标服务器可能满足目标服务器链接的所有目标节点的带宽需求,也即目标节点在执行任务时基本不会出现崩溃或降速现象。则按照预测的每个目标节点的带宽需求量为每个目标节点分配带宽资源,以保证每个目标节点的使用需求,使带宽利用率达到最大化。
在一些可能的设计中,根据每个目标节点的带宽需求量为每个目标节点分配带宽资源,包括:根据每个目标节点的带宽需求量,确定至少一个目标节点的需求总量;根据需求总量与目标服务器的承载总量之间的差值以及每个目标节点的业务类型对应的分配优先级,确定每个目标节点的带宽补偿量;按照每个目标节点的带宽需求量和带宽补偿量,为每个目标节点分配带宽资源。
在该实施例中,考虑到每个目标节点的带宽需求量均小于每个目标节点对应的节点承载量阈值,也即目标服务器链接的所有目标节点的带宽需求总量小于承载总量的情况下,目标服务器存在部分未被分配闲置带宽资源。此时,可以按照目标节点的业务类型对应的分配权重将需求总量与目标服务器的承载总量之间的差值对应的资源(闲置带宽资源)分配给每个目标节点。使得实际分配给目标节点的带宽资源大于预测的带宽需求量,由此,将增加带宽分配的容错率,即使在预测的带宽需求量与实际需求量存在误差时,也能够保证目标服务器能够承载目标节点的带宽需求。
在本申请的一些实施例中,如图3所示,图3为本申请实施例提供的带宽分配方法的一个流程示意图,包括如下步骤:
步骤301,任一目标节点的业务类型是否符合第一预设业务类型,若是,进入步骤302,若否,进入步骤304;
其中,第一预设业务类型即能够调用其他目标节点带宽分配额度的业务类型,可根据实际需求合理设置。
步骤302,其他目标节点的带宽需求量是否小于其他目标节点对应的节点承载量阈值,进入步骤303,若否,进入步骤304;
其中,其他目标节点为至少一个目标节点中除任一目标节点以外的目标节点。
可以理解的是,若目标服务器仅链接有一个目标节点,也即网络中无其他目标节点存在,则可以直接进入步骤304。
步骤303,根据其他目标节点的带宽需求量为其他目标节点分配带宽资源,以及根据其他目标节点的带宽需求量与其他目标节点对应的节点承载量阈值之间的差值和任一目标节点对应的节点承载量阈值为任一目标节点分配带宽资源;
步骤304,获取任一目标节点的用户访问请求;
其中,用户访问请求携带有用户信息。
步骤305,根据用户信息确定用户访问请求的用户优先级;
步骤306,按照任一目标节点的带宽需求量和用户优先级,为用户访问请求分配带宽资源。
在该实施例中,在判定任一目标节点的带宽需求量大于其对应的节点承载量阈值的情况下,先判断任一目标节点的业务类型是否符合第一预设业务类型,若符合,说明任一目标节点用于执行较为重要的业务,则进一步判断其他目标节点的带宽需求量是否小于其他目标节点对应的节点承载量阈值。若判定其他目标节点的带宽需求量小于其他目标节点对应的节点承载量阈值,说明目标服务器可分配给其他目标节点的带宽资源能够满足其他目标节点的需求,且存在部分盈余。此时,根据每个目标节点的带宽需求量为每个目标节点分配带宽资源,同时将其他目标节点的带宽需求量与其他目标节点对应的节点承载量阈值之间的差值的带宽资源(盈余的带宽资源)分配给任一目标节点,使得任一目标节点实际得到的带宽资源能够大于其带宽需求量,从而在不影响其他目标节点运行的情况下,尽可能多的将带宽资源分配给任一目标节点,以保证每个节点的运行流畅度,根据业务类型实现了灵活的带宽分配,大大降低发生系统崩溃的可能性。
进一步地,若判定任一目标节点的业务类型不符合第一预设业务类型,也即目标节点并非用于一些急需带宽的业务,或者其他目标节点的带宽需求量不小于其他目标节点对应的节点承载量阈值,也即无法在不影响其他目标节点运行的情况下,调用计划分配给其他目标节点的带宽资源来支持该任一目标节点的带宽需求。此时,可以对访问目标节点的用户进行用户优先级设置,通过对用户进行优先级划分,当多个用户同时访问系统时,目标节点会优先考虑优先级高的用户进入,而对于优先级低的用户则相对于优先级高的用户进入速度较慢。从而尽可能多的满足用户的访问需求。
具体举例来说,当检测到某个时间段系统的用户访问数量激增,可以将部分系统的带宽分配给急需的系统,以减轻服务器的压力。例如,目标服务器能够提供100K的带宽资源,其中,目标服务器链接有3个系统,3个系统分别用于A、B、C 3个类别的业务,根据3个系统的分配权重确定每个系统的节点承载量阈值分别为18K、52K、30K。同时预测出每个系统的带宽需求分别为2.4K、80K、10K。由此可见,当某个时间段内第二个系统的用户数量激增,导致其带宽需求超出同时段目标服务器的计划带宽分配额度,若B业务属于第一预设业务类型,则调用其他系统的带宽分配额度,将80K资源分配给第二个系统,第一和第三个系统则按需分配2.4K和10K资源。
值得一提的是,在确定任一目标节点的业务类型符合第一预设业务类型,且其他目标节点的带宽需求量不小于其他目标节点对应的节点承载量阈值时,若其他目标节点的业务类型符合第三预设业务类型,也即其他目标节点的业务类型属于带宽需求不紧迫的业务类型,则按照第三预设业务类型对应的比例,将部分计划分配给其他目标节点的带宽资源分配给任一目标节点,从而牺牲一部分目标节点的速度,以优先满足处理较为紧急业务的目标节点的需求。
在本申请的一些实施例中,如图4所示,图4为本申请实施例提供的带宽分配方法的一个流程示意图,包括如下步骤:
步骤401,若任一目标节点的业务类型符合第二预设业务类型,发送服务器扩容请求;
其中,第二预设业务类型即能够调用其他服务器支持目标节点带宽需求的业务类型,可根据实际需求合理设置。第二预设业务类型可与第一预设业务类型相同或者不同。
步骤402,若接收到扩容指令,确定服务器集群中的第一服务器;
其中,服务器集群包括预先搭建的多个可提供带宽资源的服务器,多个服务器中包含有目标服务器和第一服务器。
步骤403,将任一目标节点接入第一服务器。
在该实施例中,在判定任一目标节点的带宽需求量大于其对应的节点承载量阈值的情况下,则再次判断任一目标节点的业务类型是否符合第二预设业务类型,若符合,说明任一目标节点用于执行较为重要的业务,此时为了满足带宽需求可通过发送服务器扩容请求向管理端请求调用其他服务器进行支援。在接收到扩容指令后,按照扩容指令中携带的服务器地址,从服务器集群中筛选出扩容指令指示的可用于提供带宽资源的第一服务器,并将任一目标节点接入第一服务器,从而利用第一服务器和目标服务器同时该任一目标节点提供带宽资源,在保证降低目标服务器的带宽压力,防止出现奔溃现象的基础上,满足目标节点的带宽需求,使得目标节点的使用过程中不会发生卡顿,有助于提升目标节点的服务质量。
例如,在网页中,当访问用户的数量突然增多时,此时网页会出现错误或者无法加载等情况,此时可以增加网页的数量,使其能够容纳足够多的用户,进而满足网络带宽流量扩充的压力。
可以理解的是,在步骤303,也即根据其他目标节点的带宽需求量与其他目标节点对应的节点承载量阈值之间的差值和任一目标节点对应的节点承载量阈值为任一目标节点分配带宽资源之后,若任一目标节点对应的带宽需求量大于该差值和任一目标节点对应的节点承载量阈值的和,说明即使调用其他目标节点的计划带宽资源也无法满足该任一目标节点带宽需求,此时也可以通过发送服务器扩容请求的方式,将任一目标节点接入第一服务器,从而通过备用的服务器为任一目标节点提供网络带宽,以保证任一目标节点的运行流畅度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一实施例中,提供一种带宽分配装置,该带宽分配装置与上述实施例中带宽分配方法一一对应。如图5所示,该带宽分配装置包括获取模块501、预测模块502和带宽分配模块503。各功能模块详细说明如下:
获取模块501用于获取目标时间段内至少一个目标节点的历史带宽数据;预测模块502用于将历史带宽数据输入深度学习模型,确定目标时间段对应的至少一个目标节点中每个目标节点的带宽需求量;带宽分配模块503用于根据每个目标节点的带宽需求量和每个目标节点对应的节点承载量阈值之间的比较结果,为每个目标节点分配目标服务器的带宽资源。
在一实施例中,带宽分配模块503具体用于:若每个目标节点的带宽需求量均小于或等于每个目标节点对应的节点承载量阈值,根据每个目标节点的带宽需求量为每个目标节点分配带宽资源;若至少一个目标节点中任一目标节点的带宽需求量大于任一目标节点对应的节点承载量阈值,按照任一目标节点的业务类型为每个目标节点分配带宽资源。
在一实施例中,带宽分配模块503具体用于:若任一目标节点的业务类型符合第一预设业务类型,比对其他目标节点的带宽需求量和其他目标节点对应的节点承载量阈值,其他目标节点为至少一个目标节点中除任一目标节点以外的目标节点;若其他目标节点的带宽需求量小于其他目标节点对应的节点承载量阈值,根据其他目标节点的带宽需求量为其他目标节点分配带宽资源,以及根据其他目标节点的带宽需求量与其他目标节点对应的节点承载量阈值之间的差值和任一目标节点对应的节点承载量阈值为任一目标节点分配带宽资源。
在一实施例中,带宽分配模块503还用于:若任一目标节点的业务类型不符合第一预设业务类型或其他目标节点的带宽需求量大于或等于其他目标节点对应的节点承载量阈值,获取任一目标节点的用户访问请求,用户访问请求携带有用户信息;根据用户信息确定用户访问请求的用户优先级;按照任一目标节点的带宽需求量和用户优先级,为用户访问请求分配带宽资源。
在一实施例中,带宽分配模块503包括:扩容请求模块(图中未示出),扩容请求模块用于若任一目标节点的业务类型符合第二预设业务类型,发送服务器扩容请求;扩容模块(图中未示出),扩容模块用于若接收到扩容指令,确定服务器集群中的第一服务器,服务器集群包括目标服务器和第一服务器;将任一目标节点接入第一服务器。
在一实施例中,带宽分配装置还包括:确定模块(图中未示出),确定模块用于确定至少一个目标节点链接的目标服务器的承载总量;根据承载总量和每个目标节点的业务类型对应的分配权重,确定每个目标节点对应的节点承载量阈值。
在一实施例中,带宽分配装置还包括:训练模块(图中未示出),训练模块用于将带宽数据样本输入预设训练模型,得到预测结果;获取模块501,还用于获取预测结果的标签信息;训练模块还用于根据预测结果和标签信息,调整预设训练模型的训练参数;根据调整后的训练参数和带宽数据样本对预设训练模型进行训练,直至满足预设训练结束条件,得到深度学习模型。
本申请提供了一种带宽分配装置,可通过深度学习模型对未来的目标时间段内至少一个目标节点的历史带宽数据进行处理,以预测出目标时间段内每个目标节点的带宽需求量。并通过比对每个目标节点的带宽需求量和每个目标节点对应的节点承载量阈值,判断至少一个目标节点链接的目标服务器是否能够满足每个目标节点的带宽需求,并以此为依据,针对不同的情况为每个目标节点分配带宽资源。从而基于深度学习技术,通过预测的目标节点的带宽需求量合理分配带宽资源,尽可能多的避免目标节点的带宽需求量超出服务器能够承载的带宽量,进而在减轻服务器压力的同时,降低发生系统崩溃的可能性,使目标节点的使用者得到更好的网络使用体验,而且对网络安全、网络业务、网络运营都具有积极的效果。
关于带宽分配装置的具体限定可以参见上文中对于带宽分配方法的限定,在此不再赘述。上述带宽分配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取目标时间段内至少一个目标节点的历史带宽数据;将历史带宽数据输入深度学习模型,确定目标时间段对应的至少一个目标节点中每个目标节点的带宽需求量;根据每个目标节点的带宽需求量和每个目标节点对应的节点承载量阈值之间的比较结果,为每个目标节点分配目标服务器的带宽资源。
该计算机设备包括通过系统总线连接的处理器、存储介质、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种带宽分配方法的功能或步骤。
本领域技术人员可以理解,本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
在一个实施例中,提供了一种可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标时间段内至少一个目标节点的历史带宽数据;将历史带宽数据输入深度学习模型,确定目标时间段对应的至少一个目标节点中每个目标节点的带宽需求量;根据每个目标节点的带宽需求量和每个目标节点对应的节点承载量阈值之间的比较结果,为每个目标节点分配目标服务器的带宽资源。
需要说明的是,上述关于可读存储介质或计算机设备所能实现的功能或步骤,可对应参阅前述方法实施例中带宽分配方法的相关描述,为避免重复,这里不再一一描述。
本领域普通技术人员可以理解实现上述实施例方法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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
其中,本申请所提供的各实施例中所使用的对存储介质、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储介质。具体地,非易失性存储介质可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、增强型SDRAM(ESDRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、DRAM(SLDRAM)、直接存储器总线动态RAM(DRDRAM)、同步链路(Synchlink)、存储器总线动态RAM(RDRAM)、存储器总线(Rambus)以及直接RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种带宽分配方法,其特征在于,包括:
获取目标时间段内至少一个目标节点的历史带宽数据;
将所述历史带宽数据输入深度学习模型,确定所述目标时间段对应的所述至少一个目标节点中每个目标节点的带宽需求量;
根据所述每个目标节点的带宽需求量和所述每个目标节点对应的节点承载量阈值之间的比较结果,为所述每个目标节点分配目标服务器的带宽资源。
2.根据权利要求1所述的带宽分配方法,其特征在于,所述根据所述每个目标节点的带宽需求量和所述每个目标节点对应的节点承载量阈值之间的比较结果,为所述每个目标节点分配目标服务器的带宽资源,包括:
若所述每个目标节点的带宽需求量均小于或等于所述每个目标节点对应的节点承载量阈值,根据所述每个目标节点的带宽需求量为所述每个目标节点分配所述带宽资源;
若所述至少一个目标节点中任一目标节点的带宽需求量大于所述任一目标节点对应的节点承载量阈值,按照所述任一目标节点的业务类型为所述每个目标节点分配所述带宽资源。
3.根据权利要求2所述的带宽分配方法,其特征在于,所述按照所述任一目标节点的业务类型为所述每个目标节点分配所述带宽资源,包括:
若所述任一目标节点的业务类型符合第一预设业务类型,比对其他目标节点的带宽需求量和所述其他目标节点对应的节点承载量阈值,所述其他目标节点为所述至少一个目标节点中除任一目标节点以外的目标节点;
若所述其他目标节点的带宽需求量小于所述其他目标节点对应的节点承载量阈值,根据所述其他目标节点的带宽需求量为所述其他目标节点分配所述带宽资源,以及根据所述其他目标节点的带宽需求量与所述其他目标节点对应的节点承载量阈值之间的差值和所述任一目标节点对应的节点承载量阈值为所述任一目标节点分配所述带宽资源。
4.根据权利要求3所述的带宽分配方法,其特征在于,所述方法还包括:
若所述任一目标节点的业务类型不符合第一预设业务类型或所述其他目标节点的带宽需求量大于或等于所述其他目标节点对应的节点承载量阈值,获取所述任一目标节点的用户访问请求,所述用户访问请求携带有用户信息;
根据所述用户信息确定所述用户访问请求的用户优先级;
按照所述任一目标节点的带宽需求量和所述用户优先级,为所述用户访问请求分配所述带宽资源。
5.根据权利要求2所述的带宽分配方法,其特征在于,所述按照所述任一目标节点的业务类型为所述每个目标节点分配所述带宽资源,包括:
若所述任一目标节点的业务类型符合第二预设业务类型,发送服务器扩容请求;
若接收到扩容指令,确定服务器集群中的第一服务器,所述服务器集群包括所述目标服务器和所述第一服务器;
将所述任一目标节点接入所述第一服务器。
6.根据权利要求1至5中任一项所述的带宽分配方法,其特征在于,所述根据所述每个目标节点的带宽需求量和所述每个目标节点对应的节点承载量阈值之间的比较结果,为所述每个目标节点分配目标服务器的带宽资源之前,还包括:
确定所述至少一个目标节点链接的目标服务器的承载总量;
根据所述承载总量和所述每个目标节点的业务类型对应的分配权重,确定所述每个目标节点对应的节点承载量阈值。
7.根据权利要求1至5中任一项所述的带宽分配方法,其特征在于,所述方法还包括:
将带宽数据样本输入预设训练模型,得到预测结果;
获取所述预测结果的标签信息;
根据所述预测结果和所述标签信息,调整所述预设训练模型的训练参数;
根据调整后的训练参数和所述带宽数据样本对所述预设训练模型进行训练,直至满足预设训练结束条件,得到所述深度学习模型。
8.一种带宽分配装置,其特征在于,包括:
获取模块,用于获取目标时间段内至少一个目标节点的历史带宽数据;
预测模块,用于将所述历史带宽数据输入深度学习模型,确定所述目标时间段对应的所述至少一个目标节点中每个目标节点的带宽需求量;
带宽分配模块,用于根据所述每个目标节点的带宽需求量和所述每个目标节点对应的节点承载量阈值之间的比较结果,为所述每个目标节点分配目标服务器的带宽资源。
9.一种存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至7中任一项所述的带宽分配方法。
10.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7中任一项所述的带宽分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210680903.3A CN115086244A (zh) | 2022-06-16 | 2022-06-16 | 带宽分配方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210680903.3A CN115086244A (zh) | 2022-06-16 | 2022-06-16 | 带宽分配方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115086244A true CN115086244A (zh) | 2022-09-20 |
Family
ID=83252537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210680903.3A Pending CN115086244A (zh) | 2022-06-16 | 2022-06-16 | 带宽分配方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115086244A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180027130A1 (en) * | 2016-07-22 | 2018-01-25 | Level 3 Communications, Llc | Visualizing predicted customer bandwidth utilization based on utilization history |
CN108989238A (zh) * | 2018-07-20 | 2018-12-11 | 浪潮电子信息产业股份有限公司 | 一种分配业务带宽的方法以及相关设备 |
CN110086724A (zh) * | 2018-01-26 | 2019-08-02 | 北京金山云网络技术有限公司 | 带宽调整方法、装置、电子设备及计算机可读存储介质 |
CN110896365A (zh) * | 2019-12-20 | 2020-03-20 | 网宿科技股份有限公司 | 网络节点内的流量调度方法、服务器及存储介质 |
US20210014088A1 (en) * | 2019-07-11 | 2021-01-14 | Wangsu Science & Technology Co., Ltd. | Method and apparatus for bandwidth filtering based on deep learning, server and storage medium |
CN113691398A (zh) * | 2021-08-13 | 2021-11-23 | 北京金山云网络技术有限公司 | 节点带宽的预测方法、装置、电子设备和存储介质 |
CN114500339A (zh) * | 2022-02-07 | 2022-05-13 | 北京百度网讯科技有限公司 | 一种节点带宽监测方法、装置、电子设备及存储介质 |
CN114513423A (zh) * | 2020-10-23 | 2022-05-17 | 中移(苏州)软件技术有限公司 | 一种带宽调节方法、装置、设备及存储介质 |
CN114595970A (zh) * | 2022-03-10 | 2022-06-07 | 中国建设银行股份有限公司 | 资源调度智能决策方法、装置、电子设备及存储介质 |
-
2022
- 2022-06-16 CN CN202210680903.3A patent/CN115086244A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180027130A1 (en) * | 2016-07-22 | 2018-01-25 | Level 3 Communications, Llc | Visualizing predicted customer bandwidth utilization based on utilization history |
CN110086724A (zh) * | 2018-01-26 | 2019-08-02 | 北京金山云网络技术有限公司 | 带宽调整方法、装置、电子设备及计算机可读存储介质 |
CN108989238A (zh) * | 2018-07-20 | 2018-12-11 | 浪潮电子信息产业股份有限公司 | 一种分配业务带宽的方法以及相关设备 |
US20210014088A1 (en) * | 2019-07-11 | 2021-01-14 | Wangsu Science & Technology Co., Ltd. | Method and apparatus for bandwidth filtering based on deep learning, server and storage medium |
CN110896365A (zh) * | 2019-12-20 | 2020-03-20 | 网宿科技股份有限公司 | 网络节点内的流量调度方法、服务器及存储介质 |
CN114513423A (zh) * | 2020-10-23 | 2022-05-17 | 中移(苏州)软件技术有限公司 | 一种带宽调节方法、装置、设备及存储介质 |
CN113691398A (zh) * | 2021-08-13 | 2021-11-23 | 北京金山云网络技术有限公司 | 节点带宽的预测方法、装置、电子设备和存储介质 |
CN114500339A (zh) * | 2022-02-07 | 2022-05-13 | 北京百度网讯科技有限公司 | 一种节点带宽监测方法、装置、电子设备及存储介质 |
CN114595970A (zh) * | 2022-03-10 | 2022-06-07 | 中国建设银行股份有限公司 | 资源调度智能决策方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111371603B (zh) | 应用于边缘计算的服务实例部署方法和装置 | |
CN108667748B (zh) | 一种控制带宽的方法、装置、设备和存储介质 | |
CN109787908B (zh) | 服务器限流方法、系统、计算机设备及存储介质 | |
US8656404B2 (en) | Statistical packing of resource requirements in data centers | |
CN111104208B (zh) | 进程调度管理方法、装置、计算机设备及存储介质 | |
CN111026553B (zh) | 离线混部作业的资源调度方法及服务器系统 | |
CN112689007B (zh) | 资源分配方法、装置、计算机设备和存储介质 | |
CN111666131A (zh) | 负载均衡分配方法、装置、计算机设备和存储介质 | |
CN103414657A (zh) | 一种跨数据中心的资源调度方法、超级调度中心和系统 | |
JP2023526883A (ja) | タスクのためのスケジューリング方法、コンピューティングデバイス、およびストレージ媒体 | |
CN112422610A (zh) | 一种基于分布式对象存储的智能网关方法和系统 | |
CN113726676B (zh) | 基于Redis的API接口限流方法、装置、计算机设备及存储介质 | |
CN115086244A (zh) | 带宽分配方法、装置、计算机设备及存储介质 | |
US11792137B2 (en) | Dynamic network resource allocation method based on network slicing | |
CN115460659B (zh) | 用于带宽调节的无线通信数据分析系统 | |
CN116232923A (zh) | 模型训练方法、装置以及网络流量预测方法、装置 | |
CN115664988A (zh) | 一种面向Kubernetes的复杂服务部署和调度方法 | |
CN114422530A (zh) | 流量控制方法、装置和计算机设备和存储介质 | |
CN110784335B (zh) | 一种云场景下的网元资源预留系统 | |
CN108834087B (zh) | 短信发送方法、装置、计算机设备和存储介质 | |
CN114143314A (zh) | 基于边缘容器的混合云系统、方法、装置及相关设备 | |
CN111556126A (zh) | 模型管理方法、系统、计算机设备和存储介质 | |
CN117519953B (zh) | 一种面向服务器无感知计算的分离式内存管理方法 | |
CN112182363B (zh) | 基于微服务框架的智能稽查方法、装置、设备及存储介质 | |
CN111416840B (zh) | 一种云计算平台的智能资源调配系统及方法 |
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 |