CN115150290B - 一种物联网网络流量预测方法、系统及存储介质 - Google Patents
一种物联网网络流量预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115150290B CN115150290B CN202211067950.7A CN202211067950A CN115150290B CN 115150290 B CN115150290 B CN 115150290B CN 202211067950 A CN202211067950 A CN 202211067950A CN 115150290 B CN115150290 B CN 115150290B
- Authority
- CN
- China
- Prior art keywords
- matrix
- internet
- flow
- network traffic
- value sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- 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
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及物联网网络流量预测方法、系统及存储介质,包括以下步骤:S1.云端服务器每隔一段时间t,统计一次N条中继线路的网络流量,在时间Mt内;统计获得N条中继线路的原始流量矩阵D;S2.对原始流量矩阵D进行平滑化处理,获得矩阵E;S3.求取矩阵E中每一条中继线路的极大值序列及极小值序列;S4.基于每一条中继线路的极大值序列及极小值序列求取相应中继线路的震荡因子;S5.基于所述每一条中继线路的极大值序列、极小值序列、震荡因子求取相应中继线路下一时段的流量估值。
Description
技术领域
本发明涉及物联网技术领域,更具体地,涉及一种物联网网络流量预测方法、系统及存储介质。
背景技术
近年来,物联网技术的兴起让原来孤立的设备间可以较为有效地进行组网、通信与协作,提高了社会生产、交通物流、通信交流的效率。但物联网技术的进一步推广也带来了一些需要解决的技术难题,比如接入设备的规模的扩大让网络变得拥挤。解决思路主要有两种,一种是提高通信线路的带宽,比如使用光纤通信。另一种是设计网络拥挤调度算法,而调度算法的其中一个核心算法模块为网络流量预测算法,当获得不同线路的流量预测值后,服务器端可引导终端设备均衡使用各线路。
目前主流的网络流量预测算法主要基于机器学习算法来完成。其一般需收集大量甚至海量的原始数据,提取出特征向量,再送入计算模型,最后得出某个值的概率。如果网络内线路数量过多,那么模型的复杂度将呈指数级增长,对系统硬件要求苛刻,无法适应大规模的物联网场景。
发明内容
本发明的发明目的在于提供一种物联网网络流量预测方法,该方法要求的样本数量规模较小、计算过程简单,且具备较好的可扩展性,算法的复杂度与数据规模呈线性关系,能够适合大部分场景的组网需求。
为实现以上发明目的,采用的技术方案是:
一种物联网网络流量预测方法,包括以下步骤:
S1.云端服务器每隔一段时间t,统计一次N条中继线路的网络流量,在时间Mt内;统计获得N条中继线路的原始流量矩阵D;
S2.对原始流量矩阵D进行平滑化处理,获得矩阵E;
S3.求取矩阵E中每一条中继线路的极大值序列及极小值序列;
S4.基于每一条中继线路的极大值序列及极小值序列求取相应中继线路的震荡因子;
S5.基于所述每一条中继线路的极大值序列、极小值序列、震荡因子求取相应中继线路下一时段的流量估值。
优选地,所述原始流量矩阵D表示如下:
优选地,所述步骤S2对原始流量矩阵D进行平滑化处理,获得矩阵E,具体包括:
求取N条中继线路的总流量的平均值:
获得矩阵E:
优选地,所述步骤S4基于每一条中继线路的极大值序列及极小值序列求取相应中继线路的震荡因子,具体包括:
对于中继线路x,其振荡因子表示如下:
其中,α、β、γ、δ、θ为默认常数;α>0,β>0,γ>0,δ>0,θ>0。
优选地,所述步骤S5基于所述每一条中继线路的极大值序列、极小值序列、震荡因子求取相应中继线路下一时段的流量估值,具体包括:
同时,本发明还提供了一种物联网网络流量预测系统,包括云端服务器,所述云端服务器进行网络流量预测时,执行以上所述物联网网络流量预测方法的方法步骤。
另外,本发明还提供了一种存储介质,包括存储器及处理器,所述存储器内存储有程序,所述程序被所述处理器执行时,执行以上所述物联网网络流量预测方法的方法步骤。
与现有技术相比,本发明的有益效果是:
1)本发明提供的网络流量预测方法要求的样本数量规模较小,涉及的矩阵运算为步骤有限的常规运算,计算过程简单,可进行实时的计算及预测。
2)本发明提供的网络流量预测方法具备较好的可扩展性,算法的复杂度与数据规模呈线性关系,能够适合大部分场景的组网需求。
3)本发明提供的网络流量预测方法能够动态调整算法参数,能够通过调整参数M和t获得不同的精度和实时性指标。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为物联网网络流量预测方法的流程示意图。
图2为物联网网络流量预测系统的实施示意图。
图3为存储介质的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
本实施例提供了一种物联网网络流量预测方法,如图1所述,包括以下步骤:
S1.云端服务器每隔一段时间t,统计一次N条中继线路的网络流量,在时间Mt内;统计获得N条中继线路的原始流量矩阵D;
S2.对原始流量矩阵D进行平滑化处理,获得矩阵E;
S3.求取矩阵E中每一条中继线路的极大值序列及极小值序列;
S4.基于每一条中继线路的极大值序列及极小值序列求取相应中继线路的震荡因子;
S5.基于所述每一条中继线路的极大值序列、极小值序列、震荡因子求取相应中继线路下一时段的流量估值。
在具体的实施过程中,所述原始流量矩阵D表示如下:
在具体的实施过程中,所述步骤S2对原始流量矩阵D进行平滑化处理,获得矩阵E,具体包括:
求取N条中继线路的总流量的平均值:
获得矩阵E:
在具体的实施过程中,所述步骤S4基于每一条中继线路的极大值序列及极小值序列求取相应中继线路的震荡因子,具体包括:
对于中继线路x,其振荡因子表示如下:
其中,α、β、γ、δ、θ为默认常数;α>0,β>0,γ>0,δ>0,θ>0。
在具体的实施过程中,所述步骤S5基于所述每一条中继线路的极大值序列、极小值序列、震荡因子求取相应中继线路下一时段的流量估值,具体包括:
实施例2
本实施例提供了一种物联网网络流量预测系统,如图2所示,包括云端服务器,所述云端服务器进行网络流量预测时,执行以上所述物联网网络流量预测方法的方法步骤。
实施例3
本实施例提供了一种存储介质,如图3所示,包括存储器及处理器,所述存储器内存储有程序,所述程序被所述处理器执行时,执行以上所述物联网网络流量预测方法的方法步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (8)
1.一种物联网网络流量预测方法,其特征在于:包括以下步骤:
S1.云端服务器每隔一段时间t,统计一次N条中继线路的网络流量,在时间Mt内;统计获得N条中继线路的原始流量矩阵D;
S2.对原始流量矩阵D进行平滑化处理,获得矩阵E;
S3.求取矩阵E中每一条中继线路的极大值序列及极小值序列;
S4.基于每一条中继线路的极大值序列及极小值序列求取相应中继线路的震荡因子;
S5.基于所述每一条中继线路的极大值序列、极小值序列、震荡因子求取相应中继线路下一时段的流量估值。
7.一种物联网网络流量预测系统,其特征在于:包括云端服务器,所述云端服务器进行网络流量预测时,执行权利要求1-6任一项所述物联网网络流量预测方法的方法步骤。
8.一种存储介质,包括存储器及处理器,所述存储器内存储有程序,其特征在于:所述程序被所述处理器执行时,执行权利要求1-6任一项所述物联网网络流量预测方法的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211067950.7A CN115150290B (zh) | 2022-09-02 | 2022-09-02 | 一种物联网网络流量预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211067950.7A CN115150290B (zh) | 2022-09-02 | 2022-09-02 | 一种物联网网络流量预测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115150290A CN115150290A (zh) | 2022-10-04 |
CN115150290B true CN115150290B (zh) | 2022-11-08 |
Family
ID=83416617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211067950.7A Active CN115150290B (zh) | 2022-09-02 | 2022-09-02 | 一种物联网网络流量预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115150290B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104468272A (zh) * | 2014-12-11 | 2015-03-25 | 杭州华为数字技术有限公司 | 流量矩阵的估计方法和装置 |
CN105578579A (zh) * | 2016-03-02 | 2016-05-11 | 桂林电子科技大学 | 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7903573B2 (en) * | 2006-02-01 | 2011-03-08 | Cisco Technology, Inc. | Method and system for network traffic matrix analysis |
-
2022
- 2022-09-02 CN CN202211067950.7A patent/CN115150290B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104468272A (zh) * | 2014-12-11 | 2015-03-25 | 杭州华为数字技术有限公司 | 流量矩阵的估计方法和装置 |
CN105578579A (zh) * | 2016-03-02 | 2016-05-11 | 桂林电子科技大学 | 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法 |
Non-Patent Citations (3)
Title |
---|
An Efficient and Lightweight Predictive Channel Assignment Scheme for Multiband B5G-Enabled Massive IoT: A Deep Learning Approach;Sadman Sakib等;《IEEE Internet of Things Journal》;20201020;第8卷(第7期);全文 * |
P Vijayaraman ; P Jesu Jayarin.Prediction and Automation of Road Traffic using Internet of Things.《2019 Third International conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC)》.2020, * |
基于区分服务感知的MPLS网络流量分配方法;邹园萍等;《南京邮电大学学报(自然科学版)》;20071215(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115150290A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112181971A (zh) | 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质 | |
CN106951926A (zh) | 一种混合架构的深度学习系统方法及装置 | |
CN109857935B (zh) | 一种信息推荐方法及装置 | |
US20190287022A1 (en) | Data processing system and method | |
CN111831855B (zh) | 用于匹配视频的方法、装置、电子设备和介质 | |
WO2023024749A1 (zh) | 视频检索的方法、装置、设备及存储介质 | |
CN107885716A (zh) | 文本识别方法及装置 | |
CN115562940A (zh) | 负载能耗监控方法、装置、介质及电子设备 | |
CN115150290B (zh) | 一种物联网网络流量预测方法、系统及存储介质 | |
CN114154392A (zh) | 基于区块链和联邦学习的模型共建方法、装置及设备 | |
CN108229469A (zh) | 文字的识别方法、装置、存储介质、程序产品和电子设备 | |
CN113630476B (zh) | 应用于计算机集群的通信方法及通信装置 | |
CN116187310A (zh) | 一种文档级关系抽取方法、装置、设备及存储介质 | |
CN114996930A (zh) | 一种建模方法、装置、电子设备及存储介质 | |
CN110809158B (zh) | 图像环路滤波处理方法、装置 | |
CN112926646A (zh) | 数据批量标准化方法、计算设备和计算机可读存储介质 | |
CN113779335A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN112202585A (zh) | 无线网络流量预测方法、装置及电子设备 | |
CN111462160A (zh) | 图像处理方法、装置及存储介质 | |
CN116341689B (zh) | 机器学习模型的训练方法、装置、电子设备及存储介质 | |
CN115879826B (zh) | 一种基于大数据的精细化工工艺质检方法、系统及介质 | |
CN116244612B (zh) | 一种基于自学习参数度量的http流量聚类方法及装置 | |
CN116187476B (zh) | 基于混合监督的肺叶分割模型训练、肺叶分割方法及装置 | |
CN115809693A (zh) | 基于神经网络的芯片设计能效优化方法 | |
CN114298320A (zh) | 联合学习的贡献值计算方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |