CN115801602A - 访问量预警方法、装置、电子设备和存储介质 - Google Patents
访问量预警方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115801602A CN115801602A CN202211337032.1A CN202211337032A CN115801602A CN 115801602 A CN115801602 A CN 115801602A CN 202211337032 A CN202211337032 A CN 202211337032A CN 115801602 A CN115801602 A CN 115801602A
- Authority
- CN
- China
- Prior art keywords
- visit
- target
- access amount
- prediction model
- early warning
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供的访问量预警方法、装置、电子设备和存储介质,通过获取待预测的目标时间点,通过访问量预测模型对目标时间点的访问量进行预测,得到目标访问量,根据目标访问量,确定是否需要进行访问量预警,若确定需要进行访问量预警,采用预设方式对目标访问量进行展示,实现了对网络流量的预警,从而确保了网络管理人员能够及时和准确对网络节点进行管控,以保障网络的稳定运行,提升了网络服务的质量,提升了用户的使用体验。
Description
技术领域
本申请实施例涉及数据处理技术领域,尤其涉及一种访问量预警方法、装置、电子设备和存储介质。
背景技术
网络流量为指定时间内通过网络或网络端口的数据大小,各个网络节点都是有瓶颈的,当流量达到或超过节点的瓶颈时,网络服务已经受到了不同程度的影响。
因此,如何对网络流量进行预警,以提供更加优质的网络服务成为现有技术中亟需解决的技术问题。
发明内容
本申请实施例提供一种访问量预警方法、装置、电子设备和存储介质,实现了对网络流量的预警,提高了网络服务质量,提升了用户体验。
第一方面,本申请实施例提供一种访问量预警方法,包括:
获取待预测的目标时间点;
通过访问量预测模型对所述目标时间点的访问量进行预测,得到目标访问量;
根据所述目标访问量,确定是否需要进行访问量预警;
若确定需要进行访问量预警,采用预设方式对所述目标访问量进行展示。
第二方面,本申请实施例提供一种访问量预警装置,包括:
获取模块,用于获取待预测的目标时间点;
处理模块,用于通过访问量预测模型对所述目标时间点的访问量进行预测,得到目标访问量;根据所述目标访问量,确定是否需要进行访问量预警;若确定需要进行访问量预警,采用预设方式对所述目标访问量进行展示。
第三方面,本申请实施例提供一种访问量预警设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一方面所述的访问量预警方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的访问量预警方法。
本申请实施例提供的访问量预警方法、装置、电子设备和存储介质,通过获取待预测的目标时间点,通过访问量预测模型对目标时间点的访问量进行预测,得到目标访问量,根据目标访问量,确定是否需要进行访问量预警,若确定需要进行访问量预警,采用预设方式对目标访问量进行展示,实现了对访问量的预警,从而确保了网络管理人员能够及时和准确对网络节点进行管控,以保障网络的稳定运行,提升了网络服务的质量,提升了用户的使用体验。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例一提供的一种访问量预警方法的流程示意图;
图2为本申请实施例一提供的一种访问量预测模型的工作原理示意图;
图3为本申请实施例二提供的一种访问量预测模型的构建和训练流程示意图;
图4为本申请实施例二提供的访问量预测模型的结构示意图;
图5为本申请实施例二提供的一种访问量预测模型训练装置的结构示意图;
图6为本申请实施例二提供的一种访问量预测模型的训练原理示意图;
图7为本申请实施例二提供的一种模型参数调整的流程示意图;
图8为本申请实施例三提供的一种访问量预警装置的结构示意图;
图9为本申请实施例四提供的一种访问量预警设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
网络流量为指定时间内通过网络或网络端口的数据大小,各个网络节点都是有瓶颈的,即能够承担的访问量是有上限的,当流量达到或超过节点的瓶颈时,网络服务已经受到了不同程度的影响。建立预测模型,通过模型预测将来网络流量可能超过瓶颈的时间和可能性,便可以预先采取一定的防护措施,如大流量节点的切换;另外由于各个节点的计费方式和价格也不同,还可以依据预测的流量在不影响用户体验的情况下把用户访问从代价高的节点切换到代价低的节点上,减少带宽的支出。
对于网页来说,网络流量的需求量与访问量的多少成正相关。为此,本申请实施列中提供一种网络流量的预警方法,先通过预先建立的访问量预测模型对网页在某个时间点可能的访问量进行预测,进而根据访问量的实际情况,确定是否需要进行访问量预警,当确定需要进行告警时,采用预设方式对预测结果进行展示,以及时通知到网页的网络管理人员,使网络管理人员能够及时对网页的网络节点进行调整,从而提高网络服务的质量,提升用户的使用体验。
实施例一
图1为本申请实施例一提供的一种访问量预警方法的流程示意图,本实施例的方法可以由本申请实施例所提供的访问量预警装置执行,该装置可以由软件和/或硬件的方式来实现,并可集成于服务器以及智能终端等访问量预警设备中。如图1所示,本实施例的访问量预警方法,包括:
S101、获取待预测的目标时间点。
其中,目标时间点为未来的一个需要进行访问量预测的时间点。可以理解的是,目标时间点可以是一个时刻,也可以是一个时间段,具体可根据实际情况进行设定,此处不做限制。
可选地,本实施例中,当网络管理人员在访问量预测页面输入目标时间点,访问量预警设备进行目标时间点的获取。
在一种可能的实施方式中,本实施例中,可以事先编写专门用于进行访问量预测的APP或小程序,以供目标网页的网络管理人员使用。在需要进行访问量预测时,网络管理人员可以通过APP或小程序中的相关页面输入待预测的目标时间点。
S102、通过访问量预测模型对目标时间点的访问量进行预测,得到目标访问量。
本步骤中,通过调用访问量预测模型,由访问量预测模型基于S101中获取到的目标时间点进行访问量预测,得到目标时间点目标网页可能的访问量,即目标访问量。
本实施例中,访问量预测模型是预先基于反向传播(back propagation,BP)神经网络和人工蜂群算法构建和训练得到的。
其中,BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程,输入模式从输入层经隐单元层逐层处理,并转向输出层,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入反向传播,将误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得误差信号最小。
本申请发明人通过研究发现,采用标准的BP神经网络构建的访问量预测模型,在进行访问量预测过程的中存在收敛速度慢、易陷入局部极小值的缺点。为弥补BP神经网络在访问量预测过程中存在不足,本申请实施列中通过引入了人工蜂群算法,人工蜂群算法是模仿蜜蜂行为提出的一种优化方法,是集群智能思想的一个具体应用,它的主要特点是不需要了解问题的特殊信息,只需要对问题进行优劣的比较,通过各人工蜂个体的局部寻优行为,最终在群体中使全局最优值突现出来,有着较快的收敛速度。通过人工蜂群算法对基于BP神经网络构建的访问量预测模型的模型参数进行不断优化,从而不仅加快了模型的收敛,而且,通过大量的仿真结果表明,基于通过人工蜂群算法优化后的访问量预测模型的预测结果误差更小、精确度高,训练次数少。
示例性地,图2为本申请实施例一提供的一种访问量预测模型的工作原理示意图,如图2所示,本实施例中访问量预测模型的输入为待预测的目标时间点,输出为预测的目标时间点的目标访问量。在获取到目标时间点后,通过以目标时间点作为访问量预测模型的输入,由访问量预测模型按照设定的算法进行计算,就可以得到目标时间点下的目标访问量。
S103、根据目标访问量,确定是否需要进行访问量预警。
本步骤中,根据S102中访问量预测模型输出的目标访问量的数值,采用预测的访问量预警策略,确定是否需要进行访问量预警。
在一种可能的实施方式中,可以根据以往经验,事先确定需要进行访问量预警时的告警访问量,如达到网络节点的流量瓶颈时对应的访问量,进而,根据目标访问量相对于告警访问量的大小,确定是否需要进行访问量预警。例如,若告警访问量是网络节点达到流量瓶颈时对应的访问量,则当目标访问量达到告警访问量时,则确定需要进行访问量预警。
在另一种可能的实施方式中,可以先目标访问量与访问量期望值的偏差值,进而,根据偏差值是否满足预设条件,即是否落在预设的偏差值范围内,确定需要进行访问量预警。
可选地,本实施方式中,访问量期望值可以为与目标时间点相关的以往访问量数据的均方差,例如,若目标时间点为本月的25号,可以将以往各月25号的访问量数据的访问量数据的均方差作为访问量期望值。在具体计算均方差时,可以先计算以往各月25号的访问量数据的均值,再根据均值计算以往各月25号的访问量数据的均方差,得到访问量期望值。
可选地,本实施方式中,偏差值范围中包括最小允许偏差和最大允许偏差,本实施方式中,最小允许偏差为负值,如-2,最大允许偏差为正值,如2。示例性地,预设条件可以表示为[最小允许偏差值,最大允许偏差值],如[-2,2]。
相应地,若目标访问量与访问量期望值的偏差值属于区间[最小允许偏差值,最大允许偏差值],则确定不需要进行访问量预警,否则,确定需要进行访问量预警。具体地,若目标访问量与访问量期望值的偏差值小于最小允许偏差值,说明目标访问量远远小于访问量期望值,需要进行访问量预警;若目标访问量与访问量期望值的偏差值大于最大允许偏差值,说明目标访问量远远大于访问量期望值。
S104、若确定需要进行访问量预警,采用预设方式对目标访问量进行展示。
本步骤中,当根据S103确定需要进行访问量预警时,通过区别于一般展示方式的预设方式对目标访问量进行展示,以引起网络管理人员的注意,从而达到访问量预警的目的。
其中,预设方式可以包括高亮、闪烁、背景颜色突出、字体颜色突出等方式中的一种或多种的组合。
可选地,在通过预设方式对目标访问量进行展示的同时,还可以根据需要还可以通过与其他方式结合,如向网络管理人员的邮箱发送提示信息,通过蜂鸣器报警等,从而达到从不同维度或角度进行预警的目的,进一步保证预警的效果。
可选地,本实施例中,根据偏差值是大于最大允许偏差值还是小于最小允许偏差值的具体情况,可以采用不同的方式对目标访问量进行展示,从而达到分类预警的目的。
示例性地,若偏差大于最大允许偏差,则采用第一预设方式对目标访问量进行展示,如将目标访问量的字体标记的红色,以提示网络管理人员目标时间点的访问量可能较大,需要切换到大流量的网络节点,从而避免网页浏览不畅或卡顿等情况的发生;若偏差小于最小允许偏差,则采用第二预设方式对目标访问量进行展示,如将目标访问量的字体标记的蓝色,以提示网络管理人员目标时间点的访问量可能较小,需要切换到低代价的网络节点,从而减少不必要的带宽的支出。达到了使网络管理人员根据目标访问量的展示方式的不同,就可以确定采取何种方式进行网络管控的目的,提高了网络管理的便捷性,提升了用户的使用体验。
本实施例中,通过获取待预测的目标时间点,通过访问量预测模型对目标时间点的访问量进行预测,得到目标访问量,根据目标访问量,确定是否需要进行访问量预警,若确定需要进行访问量预警,采用预设方式对目标访问量进行展示,实现了对网络流量的预警,从而确保了网络管理人员能够及时和准确对网络节点进行管控,以保障网络的稳定运行,提升了网络服务的质量,提升了用户的使用体验。
实施例二
下面将以一个具体的实施例对访问量预测模型的构建和训练过程加以说明,示例性地,图3为本申请实施例二提供的一种访问量预测模型的构建和训练流程示意图,如图3所示,本实施例中,访问量预测模型的构建和训练包括如下步骤:
S301、获取目标历史时间段内不同时间点下的访问量数据,得到样本数据集。
本步骤的目的,在于获取对访问量预测模型进行训练所需要的样本数据集,示例性地,本步骤中,通过获取目标历史时间段内不同时间点下的访问量数据,得到一系列的(时间点,访问量)数组,构成样本数据集。
其中,目标历史时间段指获取样本数据的时间跨度,不同时间点是目标历史时间段内的各个时刻或更小的时间段。
示例性地,目标历史时间段为过去五年,以天为采样步长,则通过获取过去5年每一天的访问量数据,假设按一年有365天为例,则样本数据集由365*5=1825个(天,访问量)数组构成。
需要说明的是,本实施例中,可以根据不同的预测需求,可以获取不同的样本数据集,相应地,通过采用对应的样本数据集对访问量预测模型进行训练,就可以得到适用于不同场景下的访问量预测模型,如以小时为单位进行访问量预测的模型,以天为单位进行访问量预测的模型,以分钟为单位进行访问量预测的模型等。
S302、基于BP神经网络,构建访问量预测模型。
本实施例中,基于BP神经网络架构,确定需要的隐含层数量及各层神经元的个数,从而构建得到访问量预测模型。
示例性地,图4为本申请实施例二提供的访问量预测模型的结构示意图,以访问量预测模型中包括三层神经网络(包括一个隐含层)为例,如图4所示,本实施例中的访问量预测模型中包括一层由d个神经元组成的输入层、一层由t个神经元组成的隐含层和一层由s个神经元组成的输出层,图中空心圆和实心圆表示各层的神经元,a1,a2,……,ad对应输入层神经元,{a1,a2,……,ad}表示输入层神经元的输入值,b1,……,bt对应隐含层神经元,{b1,……,bt}表示隐含层神经元的输出值,c1,……,cs对应输出层神经元,{c1,……,cs}表示输出层神经元的输出值,a0、b0对应偏置神经元,a0表示隐含层的偏置项的值,b0表示输出层的偏置项的值。除偏置神经元外,所有隐含层神经元和输入层神经元之间两两连接,权重值用Vtd表式,例如,V12表示隐含层神经元1与输入层神经元2之间的权重值,所有输出层神经元和隐含层神经元之间两两连接,权重值用Wst表式,例如,W12表示输出层神经元1与隐含层神经元2之间的权重值。
可以理解的是,根据需要访问量预测模型也可以包括两个或多个隐含层。
S303、根据样本数据集和人工蜂群算法,对访问量预测模型进行训练,得到访问量预测模型的模型参数。
本实施例中,在采用S301中获取到的样本数据对访问量预测模型进行训练的基本上,通过人工蜂群算法进行调优,得到最终可用于进行访问量预测的访问量预测模型。
示例性地,图5为本申请实施例二提供的一种访问量预测模型训练装置示的结构意图,如图5所示,本实施例中的访问量预测模型训练装置包括数据采集单元、模型训练单元和参数调优单元。下面将对各单元的功能分别加以介绍:
(一)数据采集单元
本实施例中,数据采集单元用于执行S301中的步骤,用于进行样本数据集中样本数据的获取。
可选地,本实施例中的数据采集单元还用于对获取到样本数据集中的样本数据进行预处理,以加快模型的训练速度,提高模型训练的准确性和可靠性。
在一种可能的实施方式中,本实施例中,数据采集单元通过确定样本数据集中的异常数据,根据拉格朗日插值算法和异常数据,对样本数据集进行预处理。
示例性地,数据采集单元通过采用拉格朗日插值算法对原始样本数据集中的异常数据进行插值补充,得到样本数据集,插值公式可以表示为:
其中,L(a)表示拉格朗日插值结果,a表示插值时刻,ai和aj分别表示第i个时刻和第j个时刻,bi表示第i个时刻的访问量,i=0,1,2,...,n0;j=0,1,2,...,n0;n0为样本数据量。
(二)模型训练单元
可选地,如图5所示,模型训练单元中包括模型构建器和样本训练器,模型构建器用于执行S302,以构建得到如图4所示访问量预测模型,样本训练器用于采用S301中获取到的样本数据集,对S302中构建得到的访问量预测模型进行训练,以确定访问量预测模型的初始参数。
其中,初始参数包括权重和阈值。示例性地,以图4为例,则权重包括图4中隐含层神经元和输入层神经元之间的连接权重Vtd以及输出层神经元和隐含层神经元之间的连接权重Wst。阈值包括图4中的隐含层的偏置项a0以及输出层的偏置项b0。
示例性地,图6为本申请实施例二提供的一种访问量预测模型的训练原理示意图,如图6所示,本实施例中,样本训练器通过将样本数据集进行分组,如分为训练集和测试集,进而根据分组后的样本数据集,对访问量预测模型进行预设次数的训练,如n次,得到初始参数。
(三)参数调优单元
可选地,如图5所示,参数调优单元中包括收敛判定器和参数调整器,收敛判定器主要用于对模型训练单元的输出结果(访问量的值)进行收敛验证,若不符合模型收敛条件,则通过参数调整器采用人工蜂群算法对访问量预测模型的权重和阈值进行调整更新,而后再回归到模型训练单元进行迭代训练,直至预测模型收敛。
可选地,收敛判定器用于根据输出结果与实际页面访问量之间的误差是否小于预设的误差阈值确定访问量预测模型是否收敛,若不小于,则可以确定当前访问量预测模型不收敛。
可选地,示例性地,图7为本申请实施例二提供的一种模型参数调整的流程示意图,如图7所示,本实施例中,参数调整器主要通过如下具体步骤对访问量预测模型的初始参数进行调整:
(1)初始化处理蜂群参数,包括蜂群大小、初始蜜源、最大迭代次数MCN、控制参数limit等;
(2)利用雇佣蜂在领域内搜寻新蜜源,并计算新蜜源的适应度情况,当新蜜源的适应度大于旧蜜源时,则对新蜜源进行标记与并通过新蜜源取代旧蜜源;反之则舍弃新蜜源;
(3)对迭代过程进行检查,以确定是否达到终止条件(如是否满足允许误差),当达到终止条件时,获取最优权值和阈值;反之则重复迭代过程,直至达到最大迭代次数为止。
可以理解的是,在所有雇佣蜂完成搜寻过程之后,如果一个食物源经过limit次循环仍然没有被进一步更新,那么就认为此食物源陷入局部最优,该食物源就会被舍弃。设食物源xi被舍弃,则此食物源对应的雇佣蜂转成一个侦查蜂。侦察蜂产生一个新的食物源代替它。然后返回雇佣蜂搜索过程,开始重复循环。
本实施例中,在参数调整器得到最优权值和阈值,将最优权值和阈值返回给访问量预测模型,并测试访问量预测模型的输出结果是否收敛,若不收敛,则由参数调整器继续进行调整,直接模型收敛,将模型收敛时对应的权值和阈值确定为访问量预测模型的最终的模型参数。
本实施例中,通过获取目标历史时间段内不同时间点下的访问量数据,得到样本数据集,基于BP神经网络,构建访问量预测模型,根据样本数据集和人工蜂群算法,对访问量预测模型进行训练,得到访问量预测模型的模型参数,得到了可以满足特定场景下访问量预测的需求的访问量预测模型,并且,得到的访问量预测模型具有误差小、精确度高的优点。
实施例三
图8为本申请实施例三提供的一种访问量预警装置的结构示意图,该装置可以由软件和/或硬件的方式来实现,并可集成于服务器以及智能终端等访问量预警设备中。如图8所示,本实施例中访问量预警装置10包括:
获取模块11和处理模块12。
获取模块11,用于获取待预测的目标时间点;
处理模块12,用于通过访问量预测模型对目标时间点的访问量进行预测,得到目标访问量;根据目标访问量,确定是否需要进行访问量预警;若确定需要进行访问量预警,采用预设方式对目标访问量进行展示。
可选地,处理模块12具体用于:
确定目标访问量与访问量期望值的偏差;
若偏差不满足预设条件,则确定需要进行访问量预警。
可选地,预设条件包括最小允许偏差和最大允许偏差;处理模块12具体用于:
若偏差大于最大允许偏差或小于最小允许偏差,则确定需要进行访问量预警。
可选地,处理模块12具体用于:
若偏差大于最大允许偏差,则采用第一预设方式对目标访问量进行展示;
若偏差小于最小允许偏差,则采用第二预设方式对目标访问量进行展示。可选地,处理模块12还用于具有上述实施例二中访问量预测模型的训练装置的功能。处理模块12还用于:
获取目标历史时间段内不同时间点下的访问量数据,得到样本数据集;
基于反向传播BP神经网络,构建访问量预测模型;
根据样本数据集和人工蜂群算法,对访问量预测模型进行训练,得到访问量预测模型的模型参数。
可选地,处理模块12具体用于:
根据样本数据集,对访问量预测模型进行训练,以确定访问量预测模型的初始参数,初始参数包括权重和阈值;
根据人工蜂群算法对初始参数进行优化,得到访问量预测模型的模型参数。
可选地,处理模块12还用于:
确定样本数据集中的异常数据;
根据拉格朗日插值算法和异常数据,对样本数据集进行预处理。
本实施例所提供的访问量预警装置可执行上述方法实施例所提供的访问量预警方法,具备执行方法相应的功能模块和有益效果。本实施例的实现原理和技术效果与上述方法实施例类似,此处不再一一赘述。
实施例四
图9为本申请实施例四提供的一种访问量预警设备的结构示意图,如图9所示,该访问量预警设备20包括存储器21、处理器22及存储在存储器上并可在处理器上运行的计算机程序;访问量预警设备20中处理器22的数量可以是一个或多个,图9中以一个处理器22为例;访问量预警设备20中的处理器22、存储器21可以通过总线或其他方式连接,图9中以通过总线连接为例。
存储器21作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的获取模块11和处理模块12对应的程序指令/模块。处理器22通过运行存储在存储器21中的软件程序、指令以及模块,从而执行访问量预警设备的各种功能应用以及数据处理,即实现上述的访问量预警方法。
存储器21可主要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、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器21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、或其他非易失性固态存储器件。在一些实例中,存储器21可进一步包括相对于处理器22远程设置的存储器,这些远程存储器可以通过网格连接至访问量预警设备。上述网格的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例五
本申请实施例五还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在由计算机处理器执行时用于执行一种访问量预警方法,该方法包括:
获取待预测的目标时间点;
通过访问量预测模型对目标时间点的访问量进行预测,得到目标访问量;
根据目标访问量,确定是否需要进行访问量预警;
若确定需要进行访问量预警,采用预设方式对目标访问量进行展示。
当然,本申请实施例所提供的一种包计算机可读存储介质,其计算机程序不限于如上所述的方法操作,还可以执行本申请任意实施例所提供的访问量预警方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本申请可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(read-only memory,ROM)、随机存取存储器(randomaccess memory,RAM)、闪存(FLASH)、硬盘或光盘等,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,或者网格设备等)执行本申请各个实施例所述的方法。
值得注意的是,上述访问量预警装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种访问量预警方法,其特征在于,包括:
获取待预测的目标时间点;
通过访问量预测模型对所述目标时间点的访问量进行预测,得到目标访问量;
根据所述目标访问量,确定是否需要进行访问量预警;
若确定需要进行访问量预警,采用预设方式对所述目标访问量进行展示。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标访问量,确定是否需要进行访问量预警,包括:
确定所述目标访问量与访问量期望值的偏差;
若所述偏差不满足预设条件,则确定需要进行访问量预警。
3.根据权利要求2所述的方法,其特征在于,所述预设条件包括最小允许偏差和最大允许偏差;所述若所述偏差不满足预设条件,则确定需要进行访问量预警,包括:
若所述偏差大于所述最大允许偏差或小于所述最小允许偏差,则确定需要进行访问量预警。
4.根据权利要求3所述的方法,其特征在于,所述采用预设方式对所述目标访问量进行展示,包括:
若所述偏差大于所述最大允许偏差,则采用第一预设方式对所述目标访问量进行展示;
若所述偏差小于所述最小允许偏差,则采用第二预设方式对所述目标访问量进行展示。
5.根据权利要求1所述的方法,其特征在于,所述访问量预测模型是通过如下方法构建和训练得到的:
获取目标历史时间段内不同时间点下的访问量数据,得到样本数据集;
基于反向传播BP神经网络,构建所述访问量预测模型;
根据所述样本数据集和人工蜂群算法,对所述访问量预测模型进行训练,得到所述访问量预测模型的模型参数。
6.根据权利要求5所述的方法,其特征在于,所述根据所述样本数据集和人工蜂群算法,对所述访问量预测模型进行训练,得到所述访问量预测模型的模型参数,包括:
根据所述样本数据集,对所述访问量预测模型进行训练,以确定所述访问量预测模型的初始参数,所述初始参数包括权重和阈值;
根据所述人工蜂群算法对所述初始参数进行优化,得到所述访问量预测模型的模型参数。
7.根据权利要求6所述的方法,其特征在于,所述根据所述样本数据集和人工蜂群算法,对所述访问量预测模型进行训练,得到所述访问量预测模型的模型参数之前,所述方法还包括:
确定所述样本数据集中的异常数据;
根据拉格朗日插值算法和所述异常数据,对所述样本数据集进行预处理。
8.一种访问量预警装置,其特征在于,包括:
获取模块,用于获取待预测的目标时间点;
处理模块,用于通过访问量预测模型对所述目标时间点的访问量进行预测,得到目标访问量;根据所述目标访问量,确定是否需要进行访问量预警;若确定需要进行访问量预警,采用预设方式对所述目标访问量进行展示。
9.一种访问量预警设备,包括存储器、处理器及存储在存储器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如权利要求1-7中任一所述的访问量预警方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的访问量预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211337032.1A CN115801602A (zh) | 2022-10-28 | 2022-10-28 | 访问量预警方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211337032.1A CN115801602A (zh) | 2022-10-28 | 2022-10-28 | 访问量预警方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115801602A true CN115801602A (zh) | 2023-03-14 |
Family
ID=85434298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211337032.1A Pending CN115801602A (zh) | 2022-10-28 | 2022-10-28 | 访问量预警方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115801602A (zh) |
-
2022
- 2022-10-28 CN CN202211337032.1A patent/CN115801602A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346464B (zh) | 业务指标预测方法及装置 | |
US20220092418A1 (en) | Training method for air quality prediction model, prediction method and apparatus, device, program, and medium | |
US20180096253A1 (en) | Rare event forecasting system and method | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN113486584B (zh) | 设备故障的预测方法、装置、计算机设备及计算机可读存储介质 | |
Pourhabib et al. | Short-term wind speed forecast using measurements from multiple turbines in a wind farm | |
Gao et al. | Incorporating intra-flow dependencies and inter-flow correlations for traffic matrix prediction | |
CN114118507A (zh) | 一种基于多维信息融合的风险评估预警方法和装置 | |
CN113962161A (zh) | 基于黑寡妇优化算法的最优QoS服务选择方法及装置 | |
CN111445065A (zh) | 用于数据中心制冷群控的能耗优化方法及系统 | |
Raeis et al. | A deep reinforcement learning approach for fair traffic signal control | |
CN113825165B (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
CN117472511A (zh) | 容器资源监控方法、装置、计算机设备和存储介质 | |
CN115801602A (zh) | 访问量预警方法、装置、电子设备和存储介质 | |
CN114726745A (zh) | 网络流量预测方法、装置及计算机可读存储介质 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
CN117290090A (zh) | 节点协同资源分配方法、装置、设备及存储介质 | |
CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
CN113435112B (zh) | 基于邻居感知的多智能体强化学习的交通信号控制方法 | |
CN115329985A (zh) | 无人集群智能模型训练方法、装置和电子设备 | |
CN111127892A (zh) | 交叉口配时参数优化模型构建、交叉口信号优化方法 | |
EP4348962A1 (en) | Training a policy for managing a communication network environment | |
Wei et al. | QoE Prediction for IPTV Based on Imbalanced Dataset by the PNN-PSO algorithm | |
Gao et al. | Environmental protection of rural ecotourism using PSR and MDP models |
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 |