CN115473838A - 网络请求的处理方法、装置、计算机可读介质及电子设备 - Google Patents
网络请求的处理方法、装置、计算机可读介质及电子设备 Download PDFInfo
- Publication number
- CN115473838A CN115473838A CN202211122916.5A CN202211122916A CN115473838A CN 115473838 A CN115473838 A CN 115473838A CN 202211122916 A CN202211122916 A CN 202211122916A CN 115473838 A CN115473838 A CN 115473838A
- Authority
- CN
- China
- Prior art keywords
- network request
- data
- request
- network
- processing
- 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
- 238000003672 processing method Methods 0.000 title abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 106
- 230000004927 fusion Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 238000001125 extrusion Methods 0.000 claims description 6
- 239000002775 capsule Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000009854 Cucurbita moschata Nutrition 0.000 description 1
- 240000001980 Cucurbita pepo Species 0.000 description 1
- 235000009852 Cucurbita pepo Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 239000013307 optical fiber Substances 0.000 description 1
- 235000020354 squash Nutrition 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/14—Routing performance; Theoretical aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
Abstract
本申请公开了一种网络请求的处理方法、装置、计算机可读介质及电子设备,所述方法包括:根据历史网络请求数据构建网络请求拓扑图,网络请求拓扑图包括多个节点,节点用于处理网络请求;对网络请求拓扑图中各个节点所处理的历史网络请求进行特征提取,得到网络请求拓扑图对应的数据特征集;通过网络请求拓扑图对应的数据特征集进行模型训练,得到请求路由模型;通过请求路由模型对待处理网络请求进行预测,得到待处理网络请求的路由路径,路由路径包括至少一个用于处理待处理请求的目标节点。本申请技术方案可以得到能够高效处理待处理请求的路由路径,从而提高网络请求的处理效率。
Description
技术领域
本申请属于互联网技术领域,具体涉及一种网络请求的处理方法、装置、计算机可读介质及电子设备。
背景技术
5G时代算网融合,传统网络持续云化、智能化和自动化,大数据和人工智能快速发展,各类算力资源池层出不穷,网络流量的处理具有多种路径可供选择。目前,通常基于一个云服务编排系统为待处理的网络流量进行算力节点的分配,然而,这种云服务编排系统需要花费大量人工精力进行维护,算力节点分配不够只能,导致网络流量的处理效率低下。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,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
本申请的目的在于提供一种网络请求的处理方法、装置、计算机可读介质及电子设备,以解决相关技术中由于网络流量处理效率较低的问题。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供一种网络请求的处理方法,包括:
根据历史网络请求数据构建网络请求拓扑图,所述网络请求拓扑图包括多个节点,所述节点用于处理网络请求;
对所述网络请求拓扑图中各个节点所处理的历史网络请求进行特征提取,得到所述网络请求拓扑图对应的数据特征集;
通过所述网络请求拓扑图对应的数据特征集进行模型训练,得到请求路由模型;
通过所述请求路由模型对待处理网络请求进行预测,得到所述待处理网络请求的路由路径,所述路由路径包括至少一个用于处理所述待处理请求的目标节点。
根据本申请实施例的一个方面,提供一种网络请求的处理装置,包括:
拓扑图构建模块,用于根据历史网络请求数据构建网络请求拓扑图,所述网络请求拓扑图包括多个节点,所述节点用于处理网络请求;
特征提取模块,用于对所述网络请求拓扑图中各个节点所处理的历史网络请求进行特征提取,得到所述网络请求拓扑图对应的数据特征集;
模型训练模块,用于通过所述网络请求拓扑图对应的数据特征集进行模型训练,得到请求路由模型;
网络请求处理模块,用于通过所述请求路由模型对待处理网络请求进行预测,得到所述待处理网络请求的路由路径,所述路由路径包括至少一个用于处理所述待处理请求的目标节点。
在本申请的一个实施例中,拓扑图构建模块具体用于:
根据云资源池构建节点网络,所述云资源池包括多个节点;
将所述历史网络请求数据中各历史网络请求的路由路径在所述节点网络中标记,形成所述网络请求拓扑图。
在本申请的一个实施例中,所述数据特征集包括多个数据特征,所述数据特征包括节点标签;模型训练模块包括:
卷积处理单元,用于对所述数据特征进行卷积处理,得到所述数据特征对应的多个特征向量;
向量融合单元,用于根据多个第一向量权值对多个所述特征向量进行向量融合处理,得到所述数据特征对应的预测标签;
参数更新单元,用于根据所述数据特征对应的预测标签和节点标签之间的差异更新模型参数,以及,根据所述预测标签和多个所述特征向量更新多个所述第一向量权值。
在本申请的一个实施例中,所述卷积处理单元具体用于:
对所述数据特征进行第一卷积处理,得到多个第一特征向量;
将多个所述第一特征向量与对应的第二向量权值相乘,得到多个第二特征向量,并将多个所述第二特征向量作为所述数据特征对应的多个特征向量。
在本申请的一个实施例中,所述向量融合单元具体用于:
将多个所述特征向量与多个所述第一向量权值进行加权求和处理,得到加权向量;
对所述加权向量进行挤压运算,得到所述数据特征对应的预测标签。
在本申请的一个实施例中,所述参数更新单元具体用于:
将所述预测标签与所述特征向量相乘,得到乘积结果;
根据所述乘积结果与所述特征向量对应的当前融合系数的和,作为更新融合系数;
根据所述更新融合系数更新所述第一向量权值。
在本申请的一个实施例中,所述数据特征集包括历史网络请求的地址信息、历史网络请求类型、历史网络请求的数据包大小、历史网络请求的报文头类型、历史网络请求的算力需求和历史网络请求的响应时间中的一种或多种。
根据本申请实施例的一个方面,提供一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如以上技术方案中的网络请求的处理方法。
根据本申请实施例的一个方面,提供一种电子设备,该电子设备包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器被配置为经由执行所述可执行指令来执行如以上技术方案中的网络请求的处理方法。
根据本申请实施例的一个方面,提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行如以上技术方案中的网络请求的处理方法。
在本申请实施例提供的技术方案中,通过根据历史网络请求构建网络请求拓扑图,并对该网络请求拓扑图进行特征提取得到数据特征集,进而通过数据特征集进行模型训练得到请求路由模型,最后通过请求路由模型得到待处理网络请求的路由路径;由于请求路由模型学习了历史网络请求数据中的多种数据特征,相当于从多个方面考虑了网络请求的路由路径,由此可以得到能够高效处理待处理请求的路由路径,从而提高网络请求的处理效率。基于本申请得到的请求路由模型,可以实现对网络流量更加精细化和智能化的分类及管理,能够节省和优化调配各个云资源池的算力,降低能耗。
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,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。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的前提下,还可以根据这些附图获得其他的附图。
图1示意性地示出了应用本申请技术方案的示例性系统架构框图。
图2示意性地示出了本申请一个实施例提供的网络请求的处理方法的流程图。
图3示意性地示出了本申请技术方案的应用场景的示意图。
图4示意性地示出了本申请一个实施例提供的网络请求的处理方法的流程图。
图5示意性地示出了本申请实施例提供的网络请求的处理装置的结构框图。
图6示意性示出了适于用来实现本申请实施例的电子设备的计算机系统结构框图。
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范例;相反,提供这些实施方式使得本申请将更加全面和完整,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。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,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。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
可以理解的是,在本申请的具体实施方式中,涉及到用户信息等相关的数据,当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
图1示意性地示出了应用本申请技术方案的示例性系统架构框图。
如图1所示,系统架构100可以包括终端设备110、网络120和服务器130。终端设备110可以包括智能手机、平板电脑、笔记本电脑、智能语音交互设备、智能家电、车载终端等等。服务器130可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。网络120可以是能够在终端设备110和服务器130之间提供通信链路的各种连接类型的通信介质,例如可以是有线通信链路或者无线通信链路。
根据实现需要,本申请实施例中的系统架构可以具有任意数目的终端设备、网络和服务器。例如,服务器130可以是由多个服务器设备组成的服务器群组。另外,本申请实施例提供的技术方案可以应用于终端设备110,也可以应用于服务器130,或者可以由终端设备110和服务器130共同实施,本申请对此不做特殊限定。
举例而言,本申请实施例提供的技术方案由服务器130执行,服务器130根据历史网络请求数据构建网络请求拓扑图,网络请求拓扑图包括多个节点,节点用于处理网络请求。然后服务器130对网络请求拓扑图中各个节点所处理的历史网络请求进行特征提取,得到网络请求拓扑图对应的数据特征集。接下来,服务器130通过网络请求拓扑图对应的数据特征集进行模型训练,得到请求路由模型。最后,服务器130通过请求路由模型对待处理网络请求进行预测,得到待处理网络请求的路由路径,路由路径包括至少一个用于处理待处理请求的目标节点。
示例性的,图2示意性地示出了本申请技术方案的应用场景的示意图。
如图2所示,在该应用场景下,历史网络请求数据包括移动VR(Virtual Reality,虚拟现实)业务场景的历史网络请求数据、云渲染或云游戏业务场景的历史网络请求数据、无人驾驶业务场景的历史网络请求数据、AI计算业务场景的历史网络请求数据和区块链业务场景的历史网络请求数据。
基于上述历史网络请求数据构建网络请求拓扑图,其中,可以针对上述每一类业务场景对应的历史网络请求数据构建一张网络请求拓扑图,例如,基于移动VR业务场景的历史网络请求数据构建移动VR网络请求拓扑图,基于云渲染或云游戏业务场景的历史网络请求数据构建云游戏网络请求拓扑图,基于无人驾驶业务场景的历史网络请求数据构建无人驾驶网络请求拓扑图等。可选的,也可以将上述几项业务场景对应的历史网络请求综合构建一张网络请求拓扑图,例如,基于云渲染或云游戏业务场景、无人驾驶业务场景和AI计算业务场景的历史网络请求数据构建一张网络请求拓扑图等。
然后对网络请求拓扑图中各个节点所处理的历史网络请求进行特征提取,得到网络请求拓扑图对应的数据特征集。当有多个网络请求拓扑图时,得到多个数据特征集。
接下来,根据数据特征集进行模型训练,得到请求路由模型。模型训练过程包括向量内积求和处理和挤压运算,通过挤压运算结果反向更新模型参数和计算权重。
请求路由模型的预测标签为数据特征所对应的路由路径,也就是数据特征在处理过程中在各个资源节点间的流向。同时请求路由模型还可以预测数据特征所对应的业务场景和节点所在资源池位置。
在得到请求路由模型后,将待处理网络请求输入该请求路由模型,得到待处理网络请求对应的路由路径,相当于为待处理网络请求确定了最优处理路线,提高待处理网络请求的处理效率。
下面结合具体实施方式对本申请提供的网络请求的处理做出详细说明。
图3示意性地示出了本申请一个实施例提供的网络请求的处理方法的流程图,如图3所示,该方法包括步骤310至步骤340,具体如下:
步骤310、根据历史网络请求数据构建网络请求拓扑图,网络请求拓扑图包括多个节点,节点用于处理网络请求。
具体地,历史网络请求数据是指已经处理过的网络请求数据,其中包括多个历史网络请求以及每个历史网络请求的路由路径。在本申请实施中,网络请求也就是网络流量。网络请求的路由路径是指网络请求从发出到接收响应所经过的各处理节点,例如,设备A发出一网络请求,经过服务器B、C的处理后,设备A接收到该网络请求的响应信息,则该网络请求的路由路径可以是由设备A到服务器B,再到服务器C,最后回到设备A,简写为:ABCA。
根据上述示例,服务器B、C都是用于处理该网络请求的节点。在本申请实施例中,处理网络请求的节点为云资源池中的节点。云计算中的存储和计算资源集中放置在云资源池,不同的云资源池可以分布在物理环境中的不同地区。云资源池中的节点相当于网络服务器集群,节点可以是服务器、存储器、CPU(CentralProcessingUnit,中央处理器)等。
在本申请的一个实施例中,构建网络请求拓扑图的过程可以包括:根据云资源池构建节点网络,云资源池包括多个节点;将历史网络请求数据中各历史网络请求的路由路径在节点网络中标记,形成网络请求拓扑图。
具体地,首先将云资源池中的节点抽取出来形成节点网络,然后在该节点网络中标出历史网络请求数据中各网络请求的路由陆军,就形成了网络请求拓扑图。示例性的,节点网络包括节点A、节点B、节点C和节点D,网络请求1对应的路由路径为ABCA,网络请求2对应的路径路由为ACDA,则可以在节点网络中,将节点A、节点B、节点C连成一条路径,将节点A、节点B、节点D连成一条路径,形成网络请求拓扑图。
那么,根据网络请求拓扑图的结构可知,网络请求拓扑图的输入数据为历史网络请求,输出数据为该历史网络请求对应的路由路径。
步骤320、对网络请求拓扑图中各个节点所处理的历史网络请求进行特征提取,得到网络请求拓扑图对应的数据特征集。
具体地,对网络请求拓扑图进行特征提取,是提取各个节点所处理的数据信息,例如,提取各个节点所处理历史网络请求的地址信息、历史网络请求类型、历史网络请求的数据包大小、历史网络请求的报文头类型、历史网络请求的算力需求、历史网络请求的响应时间、历史网络请求的计算方式等等。历史网络请求的地址信息包括历史网络请求的源IP(InternetProtocol,互联网协议)地址和目的IP地址。历史网络请求类型是指历史网络请求对应的业务场景类型,如无人驾驶、移动VR、云渲染或云游戏、AI计算、区块链等。历史网络请求的报文头类型一般包括文本、音频、视频等几种类型。
示例性地,根据前述步骤示例,节点B处理了历史网络请求1,则提取历史网络请求1的相关数据作为节点B的数据特征。节点C处理了历史网络请求1和历史网络请求2,则提取历史网络请求1和历史网络请求2的相关数据作为节点B的数据特征。
步骤330、通过网络请求拓扑图对应的数据特征集进行模型训练,得到请求路由模型。
具体地,将对网络请求拓扑图进行特征提取得到数据特征集作为训练数据,使用模型进行学习和训练,得到请求路由模型,该请求路由模型可以预测网络请求的路由路径。
在本申请的一个实施例中,模型训练过程包括:对数据特征进行卷积处理,得到数据特征对应的多个特征向量;根据多个第一向量权值对多个特征向量进行向量融合处理,得到数据特征对应的预测标签;根据数据特征对应的预测标签和节点标签之间的差异更新模型参数,以及,根据预测标签和多个特征向量更新多个第一向量权值。
具体地,可以使用胶囊网络模型进行模型训练,该胶囊网络模型包括低层胶囊网络和高层胶囊网络,通过低层胶囊网络对数据特征进行卷积处理,得到数据特征对应的多个特征向量;然后再通过高层胶囊网络根据多个第一向量权值对多个特征向量进行向量融合处理,得到数据特征对应的预测标签。在得到预测标签之后,根据数据特征对应的预测标签和节点标签之间的差异更新模型参数,同时根据预测标签和多个特征向量更新多个第一向量权值。数据特征对应的节点标签指示该数据特征对应的真实网络请求类型、真实路由路径等。
在本申请的一个实施例中,假设有n个云资源池,根据每个云资源池构建一个网络请求拓扑图,则有n个网络请求拓扑图,模型训练可以使用n个网络请求拓扑图对应数据特征集。
在本申请的一个实施例中,低层胶囊网络可以由输入层和PrimaryCaps卷积层构成,高层胶囊网络可以由DigitCaps全连接层构成,激活函数使用ReLU和Squashing(挤压函数)。
在本申请的一个实施例中,数据特征输入胶囊网络模型后,可以首先通过输入层对数据特征进行第一卷积处理,得到多个第一特征向量,可以看出,第一卷积处理将数据特征向量化。然后通过PrimaryCaps卷积层将多个第一特征向量与对应的第二向量权值相乘,得到多个第二特征向量,由此得到数据特征对应的多个特征向量。需要说明的是,本申请实施例在计算特征向量时,不同数据类型的第一特征向量所对应的第二向量权值是不同的,第一特征向量的数据类型是对应历史网络请求所属业务场景。
示例性的,假设数据类型包括3类:第1类为车联网数据、第2类为XR设备数据、第3类为云游戏数据,第二向量权值以W表示,则第二特征向量可以根据下式计算:
Uj|1=Wj|1*u1
Uj|2=Wj|2*u2
Uj|3=Wj|3*u3
其中:u1表示车联网数据所在资源池位置,即第一特征向量;Wj|1表示车联网数据与资源池图的关系,即第二向量权值;Uj|1表示由车联网数据中第j个数据特征所对应的资源池,即第二特征向量。
u2表示XR设备数据所在资源池位置,即第一特征向量;Wj|2表示XR设备数据与资源池图的关系,即第二向量权值;Uj|2表示由XR设备数据中第j个数据特征所对应的资源池,即第二特征向量。
u3表示云游戏数据所在资源池位置,即第一特征向量;Wj|3表示云游戏数据与资源池图的关系,即第二向量权值;Uj|3表示由云游戏数据中第j个数据特征所对应的资源池,即第二特征向量。
在本申请的一个实施例中,向量融合处理的过程可以是:将多个特征向量与多个第一向量权值进行加权求和处理,得到加权向量;对加权向量进行挤压运算,得到数据特征对应的预测标签。
具体地,向量融合处理可以按照下式进行计算:
sj=∑Cij*Uj|i
vj=squash(sj)
其中,Uj|i表示第i数据类型的第j个数据经卷积处理所得到的特征向量,也就是前文所述的第二特征向量;Cij表示第一向量权值;sj表示加权向量;squash为挤压函数,vj表示预测标签。挤压函数是将大范围输入挤压到较小区间的函数。
从对数据特征进行卷积处理到得到预测标签,是胶囊网络模型对数据特征的一次预测,也是一次学习,根据预测结果与数据特征对应的标签之间的差异可以确定损失函数,根据该损失函数更新模型参数,然后使用参数更新后的模型继续对其他数据特征进行预测或学习,直至模型收敛,得到的训练好的模型记为请求路由模型。
在模型训练过程中,还包括第一全量权值的更新,即Cij的更新。具体地,将预测标签与特征向量相乘,得到乘积结果;将乘积结果与特征向量对应的当前第一向量权值的和,作为更新融合系数;根据更新融合系数更新第一向量权值。融合系数更新参照下式:
bij←bij+Uj|i*vj
其中,bij为融合系数,箭头左边为更新融合系数,箭头右边为当前融合系数;Uj|i表示特征向量;vj表示预测标签。
在得到更新融合系数bij后,重复直至模型收敛,从而实现不同互联网数据的不同算力资源池路由的共识。基于该更新融合系数bij更新对应的第一向量权值Cij。第一向量权值Cij为低层胶囊网络和高层胶囊网络之间的权值,本申请实施例实现了第一向量权重的动态路由更新。
步骤340、通过请求路由模型对待处理网络请求进行预测,得到待处理网络请求的路由路径,路由路径包括至少一个用于处理待处理请求的目标节点。
具体地,在得到请求路由模型后,可以通过将待处理网络请求输入请求路由模型,由请求路由模型预测得到待处理网络请求的路由路径、待处理网络请求所属数据类型等,该路由路径包括处理该待处理请求的至少一个目标节点。请求路由模型预测得到的路由路径相当于待处理网络请求的最优处理路径,基于该路由路径,可以使待处理网络请求的处理过程耗时短、速度快、效率高。
在本申请实施例提供的技术方案中,通过根据历史网络请求构建网络请求拓扑图,并对该网络请求拓扑图进行特征提取得到数据特征集,进而通过数据特征集进行模型训练得到请求路由模型,最后通过请求路由模型得到待处理网络请求的路由路径;由于请求路由模型学习了历史网络请求数据中的多种数据特征,相当于从多个方面考虑了网络请求的路由路径,由此可以得到能够高效处理待处理请求的路由路径,从而提高网络请求的处理效率。基于本申请得到的请求路由模型,可以实现对网络流量更加精细化和智能化的分类及管理,能够节省和优化调配各个云资源池的算力,降低能耗。
图4示意性地示出了本申请一个实施例提供的网络请求的路由方法的流程图,如图4所示,该方法包括:
S410、算力资源网络图抽象。
将物理算力资源网络图抽闲为一张路由图,用于胶囊网络的学习训练。物理云资源池分布在不同的地域,通过复杂的网络连接在一起,对各个区域的资源池和网络进行抽象,统一为一张网络资源路由拓扑图(即网络请求拓扑图),并将算力资源池在图上进行标注识别,用于胶囊网络的训练学习。
S420、网络请求数据要素提取。
数据要素即数据特征,本步骤是对网络请求拓扑图进行数据特征提取,得到数据特征集。对网络请求数据要素进行按照数据类型、算力需求、数据大小及服务器响应时间等进行提取。对于资源节点处理的网络数据关键数据要素进行分类提取,其中包括数据源目的IP地址、数据类型(无人驾驶、AR)、数据大小(即网络请求的数据包大小)、数据算力需求及请求响应时间等,将这些数据要素作为胶囊网络的训练数据集,用于网络流量路由规划的学习和建模。
S430、胶囊网络模型训练。
将提取的网络数据要素作为胶囊网络模型学习训练的训练集,进行建模。
S440、动态路由算法。
通过动态路由算法对数据要素的路由及分类达成共识,以此训练的模型作为路由规划的基础。
本步骤是在模型训练过程中通过动态路由算法更新模型的向量权重等参数。训练好的模型即为请求路由模型,基于该请求路由模型可以进行待处理网络请求的路由规划。
应当注意,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的网络请求的处理方法。图5示意性地示出了本申请实施例提供的网络请求的处理装置的结构框图。如图5所示,本申请实施例提供的网络请求的处理装置包括:
拓扑图构建模块510,用于根据历史网络请求数据构建网络请求拓扑图,所述网络请求拓扑图包括多个节点,所述节点用于处理网络请求;
特征提取模块520,用于对所述网络请求拓扑图中各个节点所处理的历史网络请求进行特征提取,得到所述网络请求拓扑图对应的数据特征集;
模型训练模块530,用于通过所述网络请求拓扑图对应的数据特征集进行模型训练,得到请求路由模型;
网络请求处理模块540,用于通过所述请求路由模型对待处理网络请求进行预测,得到所述待处理网络请求的路由路径,所述路由路径包括至少一个用于处理所述待处理请求的目标节点。
在本申请的一个实施例中,拓扑图构建模块510具体用于:
根据云资源池构建节点网络,所述云资源池包括多个节点;
将所述历史网络请求数据中各历史网络请求的路由路径在所述节点网络中标记,形成所述网络请求拓扑图。
在本申请的一个实施例中,所述数据特征集包括多个数据特征,所述数据特征包括节点标签;模型训练模块530包括:
卷积处理单元,用于对所述数据特征进行卷积处理,得到所述数据特征对应的多个特征向量;
向量融合单元,用于根据多个第一向量权值对多个所述特征向量进行向量融合处理,得到所述数据特征对应的预测标签;
参数更新单元,用于根据所述数据特征对应的预测标签和节点标签之间的差异更新模型参数,以及,根据所述预测标签和多个所述特征向量更新多个所述第一向量权值。
在本申请的一个实施例中,所述卷积处理单元具体用于:
对所述数据特征进行第一卷积处理,得到多个第一特征向量;
将多个所述第一特征向量与对应的第二向量权值相乘,得到多个第二特征向量,并将多个所述第二特征向量作为所述数据特征对应的多个特征向量。
在本申请的一个实施例中,所述向量融合单元具体用于:
将多个所述特征向量与多个所述第一向量权值进行加权求和处理,得到加权向量;
对所述加权向量进行挤压运算,得到所述数据特征对应的预测标签。
在本申请的一个实施例中,所述参数更新单元具体用于:
将所述预测标签与所述特征向量相乘,得到乘积结果;
根据所述乘积结果与所述特征向量对应的当前融合系数的和,作为更新融合系数;
根据所述更新融合系数更新所述第一向量权值。
在本申请的一个实施例中,所述数据特征集包括历史网络请求的地址信息、历史网络请求类型、历史网络请求的数据包大小、历史网络请求的报文头类型、历史网络请求的算力需求和历史网络请求的响应时间中的一种或多种。
本申请各实施例中提供的网络请求的处理装置的具体细节已经在对应的方法实施例中进行了详细的描述,此处不再赘述。
图6示意性地示出了用于实现本申请实施例的电子设备的计算机系统结构框图。
需要说明的是,图6示出的电子设备的计算机系统600仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理器601(Central Processing Unit,CPU),其可以根据存储在只读存储器602(Read-Only Memory,ROM)中的程序或者从存储部分608加载到随机访问存储器603(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器603中,还存储有系统操作所需的各种程序和数据。中央处理器601、在只读存储器602以及随机访问存储器603通过总线604彼此相连。输入/输出接口605(Input/Output接口,即I/O接口)也连接至总线604。
以下部件连接至输入/输出接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至输入/输出接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本申请的实施例,各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理器601执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质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。而在本申请中,计算机可读信号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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。计算机可读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、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种网络请求的处理方法,其特征在于,包括:
根据历史网络请求数据构建网络请求拓扑图,所述网络请求拓扑图包括多个节点,所述节点用于处理网络请求;
对所述网络请求拓扑图中各个节点所处理的历史网络请求进行特征提取,得到所述网络请求拓扑图对应的数据特征集;
通过所述网络请求拓扑图对应的数据特征集进行模型训练,得到请求路由模型;
通过所述请求路由模型对待处理网络请求进行预测,得到所述待处理网络请求的路由路径,所述路由路径包括至少一个用于处理所述待处理请求的目标节点。
2.根据权利要求1所述的网络请求的处理方法,其特征在于,根据历史网络请求数据构建网络请求拓扑图,包括:
根据云资源池构建节点网络,所述云资源池包括多个节点;
将所述历史网络请求数据中各历史网络请求的路由路径在所述节点网络中标记,形成所述网络请求拓扑图。
3.根据权利要求1所述的网络请求的处理方法,其特征在于,所述数据特征集包括多个数据特征,所述数据特征包括节点标签;在所述模型训练的过程中,包括:
对所述数据特征进行卷积处理,得到所述数据特征对应的多个特征向量;
根据多个第一向量权值对多个所述特征向量进行向量融合处理,得到所述数据特征对应的预测标签;
根据所述数据特征对应的预测标签和节点标签之间的差异更新模型参数,以及,根据所述预测标签和多个所述特征向量更新多个所述第一向量权值。
4.根据权利要求3所述的网络请求的处理方法,其特征在于,对所述数据特征进行卷积处理,得到所述数据特征对应的多个特征向量,包括:
对所述数据特征进行第一卷积处理,得到多个第一特征向量;
将多个所述第一特征向量与对应的第二向量权值相乘,得到多个第二特征向量,并将多个所述第二特征向量作为所述数据特征对应的多个特征向量。
5.根据权利要求3所述的网络请求的处理方法,其特征在于,根据多个第一向量权值对多个所述特征向量进行向量融合处理,得到所述数据特征对应的预测标签,包括:
将多个所述特征向量与多个所述第一向量权值进行加权求和处理,得到加权向量;
对所述加权向量进行挤压运算,得到所述数据特征对应的预测标签。
6.根据权利要求3所述的网络请求的处理方法,其特征在于,根据所述预测标签和多个所述特征向量更新多个所述第一向量权值,包括:
将所述预测标签与所述特征向量相乘,得到乘积结果;
根据所述乘积结果与所述特征向量对应的当前融合系数的和,作为更新融合系数;
根据所述更新融合系数更新所述第一向量权值。
7.根据权利要求1-6任一项所述的网络请求的处理方法,其特征在于,所述数据特征集包括历史网络请求的地址信息、历史网络请求类型、历史网络请求的数据包大小、历史网络请求的报文头类型、历史网络请求的算力需求和历史网络请求的响应时间中的一种或多种。
8.一种网络请求的处理装置,其特征在于,包括:
拓扑图构建模块,用于根据历史网络请求数据构建网络请求拓扑图,所述网络请求拓扑图包括多个节点,所述节点用于处理网络请求;
特征提取模块,用于对所述网络请求拓扑图中各个节点所处理的历史网络请求进行特征提取,得到所述网络请求拓扑图对应的数据特征集;
模型训练模块,用于通过所述网络请求拓扑图对应的数据特征集进行模型训练,得到请求路由模型;
网络请求处理模块,用于通过所述请求路由模型对待处理网络请求进行预测,得到所述待处理网络请求的路由路径,所述路由路径包括至少一个用于处理所述待处理请求的目标节点。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任意一项所述的网络请求的处理方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器执行所述可执行指令使得所述电子设备执行权利要求1至7中任意一项所述的网络请求的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211122916.5A CN115473838A (zh) | 2022-09-15 | 2022-09-15 | 网络请求的处理方法、装置、计算机可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211122916.5A CN115473838A (zh) | 2022-09-15 | 2022-09-15 | 网络请求的处理方法、装置、计算机可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115473838A true CN115473838A (zh) | 2022-12-13 |
Family
ID=84333106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211122916.5A Pending CN115473838A (zh) | 2022-09-15 | 2022-09-15 | 网络请求的处理方法、装置、计算机可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115473838A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117424848A (zh) * | 2023-12-19 | 2024-01-19 | 广东省科技基础条件平台中心 | 基于机器学习的节点调用优化方法、系统、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210027182A1 (en) * | 2018-03-21 | 2021-01-28 | Visa International Service Association | Automated machine learning systems and methods |
CN113259163A (zh) * | 2021-05-17 | 2021-08-13 | 云南大学 | 一种基于网络拓扑感知的Web服务质量预测方法及系统 |
CN114422381A (zh) * | 2021-12-14 | 2022-04-29 | 西安电子科技大学 | 通信网络流量预测方法、系统、存储介质及计算机设备 |
CN114760669A (zh) * | 2022-06-13 | 2022-07-15 | 南京邮电大学 | 一种基于流量预测的路由决策方法及系统 |
-
2022
- 2022-09-15 CN CN202211122916.5A patent/CN115473838A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210027182A1 (en) * | 2018-03-21 | 2021-01-28 | Visa International Service Association | Automated machine learning systems and methods |
CN113259163A (zh) * | 2021-05-17 | 2021-08-13 | 云南大学 | 一种基于网络拓扑感知的Web服务质量预测方法及系统 |
CN114422381A (zh) * | 2021-12-14 | 2022-04-29 | 西安电子科技大学 | 通信网络流量预测方法、系统、存储介质及计算机设备 |
CN114760669A (zh) * | 2022-06-13 | 2022-07-15 | 南京邮电大学 | 一种基于流量预测的路由决策方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117424848A (zh) * | 2023-12-19 | 2024-01-19 | 广东省科技基础条件平台中心 | 基于机器学习的节点调用优化方法、系统、设备及介质 |
CN117424848B (zh) * | 2023-12-19 | 2024-03-26 | 广东省科技基础条件平台中心 | 基于机器学习的节点调用优化方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Edge intelligence: Paving the last mile of artificial intelligence with edge computing | |
Alli et al. | SecOFF-FCIoT: Machine learning based secure offloading in Fog-Cloud of things for smart city applications | |
CN107172166B (zh) | 面向工业智能化服务的云雾计算系统 | |
Bui et al. | ACO-based dynamic decision making for connected vehicles in IoT system | |
Cui et al. | A novel offloading scheduling method for mobile application in mobile edge computing | |
Moradi | The new optimization algorithm for the vehicle routing problem with time windows using multi-objective discrete learnable evolution model | |
CN112382099B (zh) | 交通路况预测方法、装置、电子设备及存储介质 | |
CN113011282A (zh) | 图数据处理方法、装置、电子设备及计算机存储介质 | |
CN114915630B (zh) | 基于物联网设备的任务分配方法、网络训练方法及装置 | |
CN114915629A (zh) | 信息处理方法、装置、系统、电子设备及存储介质 | |
KR20220103130A (ko) | 다양한 컴퓨팅 패러다임들 내에서 계산된 계산 중력에 기초한 계산 워크로드 분산 | |
CN115473838A (zh) | 网络请求的处理方法、装置、计算机可读介质及电子设备 | |
US11620207B2 (en) | Power efficient machine learning in cloud-backed mobile systems | |
Gong et al. | Computation offloading-based task scheduling in the vehicular communication environment for computation-intensive vehicular tasks | |
Ateya et al. | Energy efficient offloading scheme for MEC-based augmented reality system | |
Kim et al. | Network virtualization for real-time processing of object detection using deep learning | |
WO2023000261A1 (zh) | 一种区域交通的预测方法以及设备 | |
Gao et al. | A deep learning framework with spatial-temporal attention mechanism for cellular traffic prediction | |
CN115695280A (zh) | 基于边缘节点的路由方法及装置、电子设备、存储介质 | |
CN114666263A (zh) | 高动态的智能路由确定方法、装置、电子设备及存储介质 | |
CN115438164A (zh) | 问答方法、系统、设备及存储介质 | |
Arif et al. | A model-driven framework for optimum application placement in fog computing using a machine learning based approach | |
Wu et al. | Deep reinforcement learning-based online task offloading in mobile edge computing networks | |
CN114154930A (zh) | 物流配送网络的确定方法、装置、终端设备及存储介质 | |
Tam et al. | Adaptive Partial Task Offloading and Virtual Resource Placement in SDN/NFV-Based Network Softwarization. |
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 |