CN115884213A - 一种资源调度方法、装置及电子设备 - Google Patents

Abstract

本发明实施例公开了一种资源调度方法、装置及电子设备，所述方法包括：获取目标用户设备执行目标业务产生的业务数据流，并基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与所述业务数据流对应的目标用户行为；基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的质量检测结果；在所述质量检测结果不满足预设质量需求条件的情况下，基于所述质量检测结果，确定针对所述目标业务的参数调整策略，并执行所述参数调整策略，以针对所述目标业务进行资源调度。通过本方法，可以进行针对性的网络质量检测以及参数调整，提高针对目标业务的网络优化效果及用户体验。

Description

一种资源调度方法、装置及电子设备

技术领域

本发明涉及计算机技术领域，尤其涉及一种资源调度方法、装置及电子设备。

背景技术

数据业务作为一种新兴的业务已经渗透到人们的工作和生活的各个领域，成为手机的一项重要业务，其中的一些特定业务的用户数量呈现“喷井”式的高速增长，针对这些特定业务的网络优化问题成为运营商的关注点。

目前，可以根据用户在使用特定业务时产生的网络质差投诉信息，从网管侧的操作维护中心(Operation Maintenance Center，OMC)获取无线侧的网络参数以及配置参数等数据，再根据获取的数据确定质差小区，并根据获取的数据制定网络优化方案，以实现对质差小区执行特定业务的网络优化。

但是，对于不同的特定业务，网络质量需求可能不同，例如，对于游戏类业务，对下载速率的要求不高，但对数据包传输时延的要求较高，对于视频类业务，则对下载速率的要求较高，对数据包传输时延的要求较低，且对于同一类业务中的不同操作，网络质量需求也可能存在不同，因而，仅基于网络参数和配置参数对执行特定业务进行网络优化，存在优化效果差，用户体验差的问题。

发明内容

本发明实施例的目的是提供一种资源调度方法、装置及电子设备，以解决现有技术中针对特定业务进行网络优化时，存在的优化效果差、用户体验差的问题。

为解决上述技术问题，本发明实施例是这样实现的：

第一方面，本发明实施例提供的一种资源调度方法，所述方法包括：

获取目标用户设备执行目标业务产生的业务数据流，并基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与所述业务数据流对应的目标用户行为，所述业务识别模型为基于所述目标业务的历史业务数据流对通过预设机器学习算法构建的模型进行训练得到；

基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的质量检测结果；

在所述质量检测结果不满足预设质量需求条件的情况下，基于所述质量检测结果，确定针对所述目标业务的参数调整策略，并执行所述参数调整策略，以针对所述目标业务进行资源调度。

可选地，所述基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的质量检测结果，包括：

基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的第一子质量检测结果；

获取执行所述目标业务的网络参数信息，并基于预先训练的数据传输情况预测模型和所述网络参数信息，确定执行所述目标业务过程中的数据传输情况，所述数据传输情况预测模型为基于所述目标业务的历史网络参数信息对通过预设机器学习算法构建的模型进行训练得到；

基于所述第一子质量检测结果和所述数据传输情况，确定所述质量检测结果。

可选地，在所述基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与所述业务数据流对应的目标用户行为之前，还包括：

获取执行所述目标业务的历史业务数据流；

基于所述历史业务数据流中包含的历史业务数据对应的协议类型，将所述历史业务数据流划分为一个或多个数据类，每个所述数据类包含一个或多个历史业务数据，不同的所述数据类对应的协议类型不同；

获取与所述数据类对应的子业务识别模型，并基于所述数据类中包含的历史业务数据，对所述子业务识别模型进行训练，得到与所述数据类对应的训练后的所述子业务识别模型；

所述基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与所述业务数据流对应的目标用户行为，包括：

基于所述业务数据流中包含的业务数据对应的协议类型，确定所述业务数据所属的所述数据类；

将所述业务数据输入与所述业务数据所属的数据类对应的所述子业务识别模型进行识别，得到目标子用户行为；

基于所述目标子用户行为，确定与所述业务数据流对应的目标用户行为。

可选地，所述基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的第一子质量检测结果，包括：

获取与每个所述关键质量指标对应的质量阈值和预设权重；

基于所述与所述目标用户行为对应的业务数据、所述关键质量指标对应的质量阈值和预设权重，确定所述目标业务的第一子质量检测结果。

可选地，所述基于所述与所述目标用户行为对应的业务数据、所述关键质量指标对应的质量阈值和预设权重，确定所述目标业务的第一子质量检测结果，包括：

基于所述与所述目标用户行为对应的业务数据、每个所述关键质量指标对应的质量阈值和预设权重，确定与每个所述关键质量指标对应的质量检测分值；

将每个所述关键质量指标对应的质量检测分值代入公式

得到每个所述关键质量指标对应的目标质量分值，其中，X为所述关键质量指标对应的目标质量分值，X_test为所述关键质量指标对应的质量检测分值，I为第一预设分值，Q为第二预设分值，T为第三预设分值；

基于每个所述关键质量指标对应的目标质量分值，确定所述目标业务的第一子质量检测结果。

可选地，在所述基于预先训练的数据传输情况预测模型和所述网络参数信息，确定执行所述目标业务过程中的数据传输情况之前，还包括：

获取执行所述目标业务过程中的历史网络参数信息；

基于所述历史网络参数信息对预设循环神经网络模型进行训练，得到所述数据传输情况预测模型。

可选地，所述基于所述质量检测结果，确定针对所述目标业务的参数调整策略，包括：

基于所述业务数据流和预设关键绩效指标，确定所述目标业务的第一质量检测结果；

基于所述第一质量检测结果和所述质量检测结果，确定针对所述目标业务的参数调整策略，所述参数调整策略至少包括小区故障优化策略、业务均衡调整策略、载波调度策略和规划调整策略中的一个或多个策略。

第二方面，本发明实施例提供了一种资源调度装置，所述装置包括：

第一获取模块，用于获取目标用户设备执行目标业务产生的业务数据流，并基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与所述业务数据流对应的目标用户行为，所述业务识别模型为基于所述目标业务的历史业务数据流对通过预设机器学习算法构建的模型进行训练得到；

第一检测模块，用于基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的质量检测结果；

参数调整模块，用于在所述质量检测结果不满足预设质量需求条件的情况下，基于所述质量检测结果，确定针对所述目标业务的参数调整策略，并执行所述参数调整策略，以针对所述目标业务进行资源调度。

可选地，所述第一检测模块，用于：

基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的第一子质量检测结果；

获取执行所述目标业务的网络参数信息，并基于预先训练的数据传输情况预测模型和所述网络参数信息，确定执行所述目标业务过程中的数据传输情况，所述数据传输情况预测模型为基于所述目标业务的历史网络参数信息对通过预设机器学习算法构建的模型进行训练得到；

基于所述第一子质量检测结果和所述数据传输情况，确定所述质量检测结果。

可选地，所述装置，还包括：

第二获取模块，用于获取执行所述目标业务的历史业务数据流；

分类模块，用于基于所述历史业务数据流中包含的历史业务数据对应的协议类型，将所述历史业务数据流划分为一个或多个数据类，每个所述数据类包含一个或多个历史业务数据，不同的所述数据类对应的协议类型不同；

第一训练模块，用于获取与所述数据类对应的子业务识别模型，并基于所述数据类中包含的历史业务数据，对所述子业务识别模型进行训练，得到与所述数据类对应的训练后的所述子业务识别模型；

所述第一获取模块，用于：

基于所述业务数据流中包含的业务数据对应的协议类型，确定所述业务数据所属的所述数据类；

将所述业务数据输入与所述业务数据所属的数据类对应的所述子业务识别模型进行识别，得到目标子用户行为；

基于所述目标子用户行为，确定与所述业务数据流对应的目标用户行为。

可选地，所述第一检测模块，用于：

获取与每个所述关键质量指标对应的质量阈值和预设权重；

基于所述与所述目标用户行为对应的业务数据、所述关键质量指标对应的质量阈值和预设权重，确定所述目标业务的第一子质量检测结果。

可选地，所述第一检测模块，用于：

基于所述与所述目标用户行为对应的业务数据、每个所述关键质量指标对应的质量阈值和预设权重，确定与每个所述关键质量指标对应的质量检测分值；

将每个所述关键质量指标对应的质量检测分值代入公式

得到每个所述关键质量指标对应的目标质量分值，其中，X为所述关键质量指标对应的目标质量分值，X_test为所述关键质量指标对应的质量检测分值，I为第一预设分值，Q为第二预设分值，T为第三预设分值；

基于每个所述关键质量指标对应的目标质量分值，确定所述目标业务的第一子质量检测结果。

可选地，所述装置，还包括：

第三获取模块，用于获取执行所述目标业务过程中的历史网络参数信息；

第二训练模块，用于基于所述历史网络参数信息对预设循环神经网络模型进行训练，得到所述数据传输情况预测模型。

可选地，所述参数调整模块，用于：

基于所述业务数据流和预设关键绩效指标，确定所述目标业务的第一质量检测结果；

基于所述第一质量检测结果和所述质量检测结果，确定针对所述目标业务的参数调整策略，所述参数调整策略至少包括小区故障优化策略、业务均衡调整策略、载波调度策略和规划调整策略中的一个或多个策略。第三方面，本发明实施例提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述实施例提供的资源调度方法的步骤。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述实施例提供的资源调度方法的步骤。

由以上本发明实施例提供的技术方案可见，本发明实施例通过获取目标用户设备执行目标业务产生的业务数据流，并基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与业务数据流对应的目标用户行为，业务识别模型为基于目标业务的历史业务数据流对通过预设机器学习算法构建的模型进行训练得到，基于预设关键质量指标和业务数据流中与目标用户行为对应的业务数据，确定目标业务的质量检测结果，在质量检测结果不满足预设质量需求条件的情况下，基于质量检测结果，确定针对目标业务的参数调整策略，并执行参数调整策略，以针对目标业务进行资源调度。这样，可以根据识别出的目标业务的目标用户行为以及对应的业务数据，确定针对目标业务的质量检测结果，在质量结果不满足预设质量需求条件的情况下，在基于质量检测结果确定参数调整策略，即可以针对目标业务的目标用户行为进行有针对性的参数调整，以达到良好的网络优化效果，提高用户体验。

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中记载的一些实施例，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为本发明一种资源调度方法的流程示意图；

图2为本发明另一种资源调度方法的流程示意图；

图3为本发明一种资源调度装置的结构示意图；

图4为本发明一种电子设备的结构示意图。

具体实施方式

本发明实施例提供一种资源调度方法、装置及电子设备。

为了使本技术领域的人员更好地理解本发明中的技术方案，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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都应当属于本发明保护的范围。

实施例一

如图1所示，本发明实施例提供一种资源调度方法，用以在不同基站对应的小区间实现资源调度，该方法的执行主体可以为服务器，该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：

在S102中，获取目标用户设备执行目标业务产生的业务数据流，并基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与业务数据流对应的目标用户行为。

其中，业务识别模型可以为基于目标业务的历史业务数据流对通过预设机器学习算法构建的模型进行训练得到，目标设备可以是任意能够执行目标业务的设备，目标业务可以是目标用户可以使用的任意业务，例如，目标用户设备可以是如手机、平板电脑等移动终端设备，或个人计算机等终端设备，目标业务可以是安装在目标用户设备中的应用程序对应的业务或应用程序中的可执行业务，如目标业务可以是安装在目标用户设备中的游戏类应用程序对应的业务，执行目标业务产生的业务数据流可以是由执行目标业务产生的一系列业务数据(如流量数据等)构成，用户行为可以是执行目标业务的过程中，目标用户设备接收到的用户操作。

在实施中，数据业务作为一种新兴的业务已经渗透到人们的工作和生活的各个领域，成为手机的一项重要业务，其中的一些特定业务的用户数量呈现“喷井”式的高速增长，针对这些特定业务的网络优化问题成为运营商的关注点。目前，可以根据用户在使用特定业务时产生的网络质差投诉信息，从网管侧的操作维护中心(Operation MaintenanceCenter，OMC)获取无线侧的网络参数以及配置参数等数据，再根据获取的数据确定质差小区，并根据获取的数据制定网络优化方案，以实现对质差小区执行特定业务的网络优化。

但是，对于不同的特定业务，网络质量需求可能不同，例如，对于游戏类业务，对下载速率的要求不高，但对数据包传输时延的要求较高，对于视频类业务，则对下载速率的要求较高，对数据包传输时延的要求较低，且对于同一类业务中的不同操作，网络质量需求也可能存在不同，因而，仅基于网络参数和配置参数对执行特定业务进行网络优化，存在优化效果差，用户体验差的问题。为此，本发明实施例提供一种能够解决上述问题的技术方案，具体可以包括以下内容：

以目标用户设备为手机为例，目标用户可以启动手机中安装的某游戏应用程序，并在该游戏应用程序中进行登录操作、对战操作等。服务器可以接收到目标用户设备执行上述操作产生的流量数据，在预设时间内服务器获取的流量数据流即为获取的目标用户设备执行目标业务产生的业务数据流。

在获取到执行目标业务产生的业务数据流后，可以基于预先训练的业务识别模型对业务数据流进行行为识别，以得到与业务数据流对应的目标用户行为，如识别出的目标用户行为可以包括目标用户在目标用户设备上进行的登录操作、对战操作等。

由于用户在使用目标业务的过程中，并不是所有的操作都会直接影响用户的使用感受，如用户在使用游戏类业务时，影响用户感知的是对战操作，登录操作、匹配操作的时延大，并不会对用户使用该业务的感知造成非常大的影响。所以，在基于DPI对码流的解析识别基础上，通过人工智能的机器识别技术，可以精准的获取执行目标业务的过程中产生的业务数据流，实现对目标业务的精细化识别，另外在识别的过程中，增加理解、统计的分词方法，可以使识别更精准，实现对目标业务的深度识别，包括各类目标用户行为的识别，如游戏类业务中的登陆操作、对战操作，视频类业务的登陆操作、视频播放操作等精准动作识别，可有效识别直接影响用户感知的目标用户行为，为确定目标业务的质量检测结果提供基础数据支撑，更具针对性。

在S104中，基于预设关键质量指标和业务数据流中与目标用户行为对应的业务数据，确定目标业务的质量检测结果。

其中，预设关键质量指标(Key Quality Indicators，KQI)可以包括卡顿次数、卡顿时长等指标。

在实施中，由于关键绩效指标(KeyPerformance Indicators，KPI)只能集中反映网络设备(即控制面)的性能，而很多时候可能存在KPI很好，但业务质量不佳的情况。所以，可以通过聚焦于用户面和控制面的KQI，确定质量检测结果，以更贴近用户的体验。

可以根据目标业务的不同，预设不同的KQI，例如，针对游戏类业务，影响对战类游戏的用户感知的最直接的KQI指标可以包括卡顿次数、卡顿时长、对战时延等，针对视频类业务，影响视频类业务的用户感知最直接的KQI可以包括视频初始缓冲时长、卡顿次数、卡顿时长等。

在识别出目标业务对应的目标用户行为后，可以获取与目标业务对应的KQI，在从目标用户行为对应的业务数据中提取出与KQI对应的业务数据，并根据提取出的业务数据，确定目标业务的质量检测结果。

例如，KQI包括卡顿次数，目标用户行为为登录操作，则可以获取登录操作对应的业务数据，并从登录操作对应的业务数据中提取出卡顿次数，在根据卡顿次数和预设卡顿阈值之间的关系，确定登录操作的质量检测结果(如卡顿次数不小于预设卡顿阈值，则质量检测结果为差，如卡顿次数小于预设卡顿阈值，则质量检测结果为优)，如登录操作的卡顿次数为5，预设卡顿阈值为2，则登录操作的质量检测结果即为差。

此外，在目标业务对应的目标用户行为有多个的情况下，可以获取与每个目标用户行为对应的质量检测结果，并根据每个目标用户行为的质量检测结果，确定目标业务的质量检测结果。例如，目标业务对应的目标用户行为有4个，其中有3个目标用户行为的质量检测结果为优，1个目标用户行为的质量检测结果为差，则可以确定目标业务的质量检测结果为优。

上述目标业务的质量检测结果的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的确定方法，可以根据实际应用场景的不同而有所不同，本发明实施例对应不做具体限定。

在S106中，在质量检测结果不满足预设质量需求条件的情况下，基于质量检测结果，确定针对目标业务的参数调整策略，并执行参数调整策略，以针对目标业务进行资源调度。

在实施中，在质量检测结果不满足预设质量需求条件的情况下，可以根据质量检测结果和参数调整策略的预设对应关系，确定与目标业务的质量检测结果对应的参数调整策略，并执行该参数调整策略。其中，质量检测结果和参数调整策略的预设对应关系可以是根据历史质量检测结果和历史参数调整策略确定的。

上述目标业务的参数调整策略的确定方法是一种可选地、可实现的确定方法，在在实际应用场景中，还可以有多种不同的确定方法，可以根据实际应用场景的不同而有所不同，本发明实施例对应不做具体限定。

本发明实施例提供一种资源调度方法，通过获取目标用户设备执行目标业务产生的业务数据流，并基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与业务数据流对应的目标用户行为，业务识别模型为基于目标业务的历史业务数据流对通过预设机器学习算法构建的模型进行训练得到，基于预设关键质量指标和业务数据流中与目标用户行为对应的业务数据，确定目标业务的质量检测结果，在质量检测结果不满足预设质量需求条件的情况下，基于质量检测结果，确定针对目标业务的参数调整策略，并执行参数调整策略，以针对目标业务进行资源调度。这样，可以根据识别出的目标业务的目标用户行为以及对应的业务数据，确定针对目标业务的质量检测结果，在质量结果不满足预设质量需求条件的情况下，在基于质量检测结果确定参数调整策略，即可以针对目标业务的目标用户行为进行有针对性的参数调整，以达到良好的网络优化效果，提高用户体验。

实施例二

如图2所示，本发明实施例提供一种资源调度方法，用以在不同基站对应的小区间实现资源调度，该方法的执行主体可以为服务器，该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：

在S202中，获取执行目标业务的历史业务数据流。

在实施中，为提高数据处理效率，可以通过自动化测试工具，对执行目标业务的操作过程进行仿真处理，并获取对应的历史业务数据流。但是，由于自动化测试工具本身能完成的功能和适用的范围非常有限，所以，可以在自动化测试工具的基础上进行二次开发，以获取执行目标业务产生的业务数据流，如针对执行目标业务过程中所有可点击的控件列表，进行依次点击操作，并根据不同目标业务的执行过程中的差异点，进行有针对性的二次开发，比如需要通过以滑动操作略过欢迎页面或是通过点击操作以略过欢迎页面等。

此外，历史业务数据流也可以是预先存储的历史用户设备在执行目标业务过程中产生的历史数据。本发明实施例对历史业务数据流的获取方法不做具体限定。

在S204中，基于历史业务数据流中包含的历史业务数据对应的协议类型，将历史业务数据流划分为一个或多个数据类。

其中，每个数据类可以包含一个或多个历史业务数据，不同的数据类对应的协议类型不同。

在实施中，可以对历史业务数据流进行聚类分析，以将历史业务数据流划分为一个或多个数据类。例如，首先，可以通过对历史业务数据流中的有效负载(payload)中的字节信息进行统计，将历史业务数据流中的业务数据分为加密数据和非加密数据，例如，可以对连接的前面n个包中的payload进行统计，得到字节出现的概率分布情况，并通过计算概率分布的均方差来判断连接是否加密。

然后，可以获取未加密的历史业务数据，并基于协议类型对历史业务数据进行聚类处理，例如，可以分别依据元祖(tuple)、payload、模式(pattern)，时间戳(timestamp)进行聚类处理，聚类得到的结果即为一个或多个数据类。

另外，历史业务数据流中可能存在一些历史业务数据未被聚类到上述一个或多个数据类中，则可以根据该历史业务数据与每个数据类中包含的历史业务数据的相似度，确定该未聚类的历史业务数据所属的数据类。

在S206中，获取与数据类对应的子业务识别模型，并基于数据类中包含的历史业务数据，对子业务识别模型进行训练，得到与数据类对应的训练后的子业务识别模型。

在实施中，可以根据每个数据类对应的协议类型，确定该数据类敌对应的子业务识别模型，例如，与TCP/UDP协议对应的数据类，对应的子业务识别模型可以是基于序列模式挖掘构建的聚类模型；与HTTP协议对应的数据类，对应的子业务识别模型可以是基于决策树构建的分类模型。

例如，针对TCP/UDP协议对应的数据类，可以获取该数据类中包含的历史业务数据，并基于获取的历史业务数据中的payload的前后指定数目的字节，采用序列模式挖掘的方式进行聚类处理，即首先找出所有的频繁项集(这些项集出现的频繁性至少和预定义的最小支持度相同)，然后由频繁项集产生强关联规则(这些规则必须满足预设支持度和预设可信度)。确定的强关联规则即可以作为与该数据类对应的子业务识别模型。

针对HTTP对应的数据类，可以获取该数据类中包含的历史业务数据，然后将该历史业务数据中的HTTP数据包的头域，输入到预先构建的决策树模型中，其中，决策树模型中可以使用移动要素库所定义的优先级(比如HOST的优先级别高于User-Agent，User-Agent的优先级别高于URL等)来进行树节点的分裂，这样，决策树的根节点到叶子节点就构成了一条完整的HTTP规则。

在S208中，获取目标用户设备执行目标业务产生的业务数据流。

在S210中，基于业务数据流中包含的业务数据对应的协议类型，确定业务数据所属的数据类。

在实施中，业务数据流中可能包括多个对应不同协议类型的业务数据，可以分别获取业务数据流中每个业务数据所属的数据类。

在S212中，将业务数据输入与业务数据所属的数据类对应的子业务识别模型进行识别，得到目标子用户行为。

在S214中，基于目标子用户行为，确定与业务数据流对应的目标用户行为。

在实施中，目标用户行为可以包含一个或多个目标子用户行为。

在S216中，基于预设关键质量指标和业务数据流中与目标用户行为对应的业务数据，确定目标业务的第一子质量检测结果。

在实际应用中，上述S216的处理方式可以多种多样，以下再提供一种可选的实现方式，具体可以参见下述步骤一和步骤五处理。

步骤一，获取与每个关键质量指标对应的质量阈值和预设权重。

步骤二，基于与目标用户行为对应的业务数据、关键质量指标对应的质量阈值和预设权重，确定目标业务的第一子质量检测结果。

步骤三，基于与目标用户行为对应的业务数据、每个关键质量指标对应的质量阈值和预设权重，确定与每个关键质量指标对应的质量检测分值。

步骤四，将每个关键质量指标对应的质量检测分值代入公式

得到每个所关键质量指标对应的目标质量分值，其中，X为关键质量指标对应的目标质量分值，X_test为关键质量指标对应的质量检测分值，I为第一预设分值，Q为第二预设分值，T为第三预设分值。

其中，I、Q和T可以同于表示执行目标业务的满意度，其中，I表示的满意度高于Q，Q表示的满意度高于T，I、Q、T的具体分值可以根据目标业务或目标用户行为的不同而有多不同，本发明实施例对此不做具体限定。

步骤五，基于每个关键质量指标对应的目标质量分值，确定目标业务的第一子质量检测结果。

在实施中，根据上述方法确定目标业务的第一子质量检测结果，可以实现针对目标业务的差异化的精准质量评估，提高质量检测的准确性以及网络优化的准确性。

在S218中，获取执行目标业务过程中的历史网络参数信息。

在实施中，可以通过预设接口(如S1-U接口)，采集执行目标业务产生的抓包数据(pcap)，并根据抓包数据确定执行目标业务过程中的历史网络参数信息，如小区容量利用率、perUE的缓存状态、RB占用率等。

在S220中，基于历史网络参数信息对预设循环神经网络模型进行训练，得到数据传输情况预测模型。

在实施中，执行目标业务的数据传输情况与基站调度的相关性较高，网络情况出现拥塞，信道状况差等因素，都会影响执行目标业务的数据传输情况，而这些影响因素都不是瞬发的，而是有一个渐变的过程，在这个过程中，数据传输情况会发生连续且规律性的变化。

所以，可以通过机器学习的方式，对这些变化进行学习，以预测保障目标用户设备执行目标业务时所需的数据传输情况。

在进行模型训练前，可以通过时间戳把历史网络参数信息和统计结果进行关联，将每帧历史网络参数信息的标签分为卡顿或不卡顿，以执行目标业务的卡顿起始位置到终止位置这段时间内的帧记为卡顿帧，标签为1，非卡顿时间内的帧为流畅帧，标签为0。

再将标签处理后的历史网络参数信息输入预设循环神经网络(LSTM)模型进行训练，即可以利用之前t个时间的历史网络参数信息，预测t+1时刻的卡顿状态(即数据传输情况)。另外，还可以在后面补上全连接网络，以对LSTM的输出结果进行微调和误差补偿。

在S222中，获取执行目标业务的网络参数信息，并基于预先训练的网络参数信息预测模型和网络参数信息，确定执行目标业务过程中的数据传输情况。

在S224中，基于第一子质量检测结果和数据传输情况，确定质量检测结果。

在实施中，第一子质量检测结果可以是通过质量分值体现，数据传输情况可以通过卡顿情况来体现，所以，当第一子质量检测结果小于预设质量分值阈值，且数据传输情况为卡顿，则可以确定质量检测结果为用户感知差、数据传输差。

上述质量检测结果的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，可以有多种不同的确定方法，可以根据实际应用场景的不同而有所不同，本发明实施例对此不作具体限定。

在S226中，在质量检测结果不满足预设质量需求条件的情况下，基于业务数据流和预设关键绩效指标，确定目标业务的第一质量检测结果。

在实施中，预设关键绩效指标可以包括TCP连接成功率、perUE的缓存状态、RB占用率等，在质量检测结果不满足预设质量需求条件的情况下，可以基于预设关键绩效指标和业务数据流，确定第一质量检测结果，如可以根据指标阈值和对应指标权重，确定对应绩效指标分值的方式，确定第一质量检测结果。

在S228中，基于第一质量检测结果和质量检测结果，确定针对目标业务的参数调整策略。

其中，参数调整策略至少包括小区故障优化策略、业务均衡调整策略、载波调度策略和规划调整策略中的一个或多个策略。

在实施中，可以从无线网管侧获取小区级干扰统计、容量统计、话务量统计等无线统计指标，在基于第一质量检测结果和质量检测结果，确定对应的需要调整的网络参数，并根据确定的网络参数，构成针对目标业务的参数调整策略。

此外，还可以通过小区故障优化策略、业务均衡调整策略、载波调度策略和规划调整策略，针对目标业务进行网络优化。

其中，小区故障优化策略可以是通过核查本站点是否存在影响目标业务执行的业务，再核查邻区是否存在影响目标业务执行的业务，根据核查结果分析判断站点是否存在故障，如果存在故障，则生成维护任务工单至维护组，以打通维护组与分公司和综合代维的接口，实现故障的闭环处理。

业务均衡调整策略可以是核查小区同射频拉远单元(Remote Radio Unit，RRU)且不同频业务之间是否均衡，不同RRU且同一方向的业务是否均衡等，并根据核查结果采取对应的业务负载均衡调整，其中，相邻小区业务不均衡则采用切换门限的方式来控制业务流向。

载波调度策略可以是提取小区的负荷指标，以核查该小区是否存在高负荷情况，如，可以检查硬件是否发生故障，若硬件不存在故障，则对数据重新规划(如重新规划扩容容量、调整切换参数、覆盖参数等)，以降低小区负荷。

规划调整策略可以是在检测到该小区及邻小区的资源配置已满配的情况下，调整硬件更换、新增站点等。

在S230中，执行参数调整策略，以针对目标业务进行资源调度。

在实施中，由于网络侧资源是固定分配给用户的，不会根据用户是否使用目标业务而释放资源，这就会造成资源的浪费，例如，商场白天对资源的要求高，晚上对资源要求则非常低，如何动态调整网络资源，以满足目标业务的使用需求，非常关键。

根据数据传输情况，结合无线网络侧各统计指标数据，通过配置基站调度算法，可以确定针对目标业务的参数调整策略，通过执行该参数调整策略可以进行网络参数的智能调整，达到网络智能优化网络环境的目的。其中，可以从无线网管中获取小区级干扰统计、容量统计、话务量统计等无线统计指标，提取各类网络参数，将统计指标与参数进行对比分析，分析不同的参数设置对应的网络质量、话务量关系，以确定参数调整策略。

智能调度中心接收到针对目标业务的参数调整策略后，可以依据根据参数调整策略自动下发相关流程，自动执行参数调优、无线资源动态调度等参数调整操作。

首先可以分析小区是否存在故障，其次分析是否存在不均衡，判断是否满足载波调度条件，如果满足载波调度条件则进行资源调度，不满足则根据不同的场景，自动生成优化调整工单进行优化调整。以提升资源利用率，针对性得提升用户网络使用感知，为驻留客户以及吸收新客户，提供助力。

本发明实施例提供一种资源调度方法，通过获取目标用户设备执行目标业务产生的业务数据流，并基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与业务数据流对应的目标用户行为，业务识别模型为基于目标业务的历史业务数据流对通过预设机器学习算法构建的模型进行训练得到，基于预设关键质量指标和业务数据流中与目标用户行为对应的业务数据，确定目标业务的质量检测结果，在质量检测结果不满足预设质量需求条件的情况下，基于质量检测结果，确定针对目标业务的参数调整策略，并执行参数调整策略，以针对目标业务进行资源调度。这样，可以根据识别出的目标业务的目标用户行为以及对应的业务数据，确定针对目标业务的质量检测结果，在质量结果不满足预设质量需求条件的情况下，在基于质量检测结果确定参数调整策略，即可以针对目标业务的目标用户行为进行有针对性的参数调整，以达到良好的网络优化效果，提高用户体验。

实施例三

以上为本发明实施例提供的资源调度方法，基于同样的思路，本发明实施例还提供一种资源调度装置，如图3所示。

该资源调度装置包括：第一获取模块301、第一检测模块302和参数调整模块303，其中：

第一获取模块301，用于获取目标用户设备执行目标业务产生的业务数据流，并基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与所述业务数据流对应的目标用户行为，所述业务识别模型为基于所述目标业务的历史业务数据流对通过预设机器学习算法构建的模型进行训练得到；

第一检测模块302，用于基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的质量检测结果；

参数调整模块303，用于在所述质量检测结果不满足预设质量需求条件的情况下，基于所述质量检测结果，确定针对所述目标业务的参数调整策略，并执行所述参数调整策略，以针对所述目标业务进行资源调度。

在本发明实施例中，所述第一检测模块302，用于：

基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的第一子质量检测结果；

获取执行所述目标业务的网络参数信息，并基于预先训练的数据传输情况预测模型和所述网络参数信息，确定执行所述目标业务过程中的数据传输情况，所述数据传输情况预测模型为基于所述目标业务的历史网络参数信息对通过预设机器学习算法构建的模型进行训练得到；

基于所述第一子质量检测结果和所述数据传输情况，确定所述质量检测结果。

在本发明实施例中，所述装置，还包括：

第二获取模块，用于获取执行所述目标业务的历史业务数据流；

分类模块，用于基于所述历史业务数据流中包含的历史业务数据对应的协议类型，将所述历史业务数据流划分为一个或多个数据类，每个所述数据类包含一个或多个历史业务数据，不同的所述数据类对应的协议类型不同；

第一训练模块，用于获取与所述数据类对应的子业务识别模型，并基于所述数据类中包含的历史业务数据，对所述子业务识别模型进行训练，得到与所述数据类对应的训练后的所述子业务识别模型；

所述第一获取模块301，用于：

基于所述业务数据流中包含的业务数据对应的协议类型，确定所述业务数据所属的所述数据类；

将所述业务数据输入与所述业务数据所属的数据类对应的所述子业务识别模型进行识别，得到目标子用户行为；

基于所述目标子用户行为，确定与所述业务数据流对应的目标用户行为。

在本发明实施例中，所述第一检测模块302，用于：

获取与每个所述关键质量指标对应的质量阈值和预设权重；

基于所述与所述目标用户行为对应的业务数据、所述关键质量指标对应的质量阈值和预设权重，确定所述目标业务的第一子质量检测结果。

在本发明实施例中，所述第一检测模块302，用于：

基于所述与所述目标用户行为对应的业务数据、每个所述关键质量指标对应的质量阈值和预设权重，确定与每个所述关键质量指标对应的质量检测分值；

将每个所述关键质量指标对应的质量检测分值代入公式

得到每个所述关键质量指标对应的目标质量分值，其中，X为所述关键质量指标对应的目标质量分值，X_test为所述关键质量指标对应的质量检测分值，I为第一预设分值，Q为第二预设分值，T为第三预设分值；

基于每个所述关键质量指标对应的目标质量分值，确定所述目标业务的第一子质量检测结果。

在本发明实施例中，所述装置，还包括：

第三获取模块，用于获取执行所述目标业务过程中的历史网络参数信息；

第二训练模块，用于基于所述历史网络参数信息对预设循环神经网络模型进行训练，得到所述数据传输情况预测模型。

在本发明实施例中，所述参数调整模块303，用于：

基于所述业务数据流和预设关键绩效指标，确定所述目标业务的第一质量检测结果；

基于所述第一质量检测结果和所述质量检测结果，确定针对所述目标业务的参数调整策略，所述参数调整策略至少包括小区故障优化策略、业务均衡调整策略、载波调度策略和规划调整策略中的一个或多个策略。

本发明实施例提供一种资源调度装置，通过获取目标用户设备执行目标业务产生的业务数据流，并基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与业务数据流对应的目标用户行为，业务识别模型为基于目标业务的历史业务数据流对通过预设机器学习算法构建的模型进行训练得到，基于预设关键质量指标和业务数据流中与目标用户行为对应的业务数据，确定目标业务的质量检测结果，在质量检测结果不满足预设质量需求条件的情况下，基于质量检测结果，确定针对目标业务的参数调整策略，并执行参数调整策略，以针对目标业务进行资源调度。这样，可以根据识别出的目标业务的目标用户行为以及对应的业务数据，确定针对目标业务的质量检测结果，在质量结果不满足预设质量需求条件的情况下，在基于质量检测结果确定参数调整策略，即可以针对目标业务的目标用户行为进行有针对性的参数调整，以达到良好的网络优化效果，提高用户体验。

实施例四

图4为实现本发明各个实施例的一种电子设备的硬件结构示意图，

该电子设备400包括但不限于：射频单元401、网络模块402、音频输出单元403、输入单元404、传感器405、显示单元406、用户输入单元407、接口单元408、存储器409、处理器410、以及电源411等部件。本领域技术人员可以理解，图4中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。

其中，处理器410，用于：获取目标用户设备执行目标业务产生的业务数据流，并基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与所述业务数据流对应的目标用户行为，所述业务识别模型为基于所述目标业务的历史业务数据流对通过预设机器学习算法构建的模型进行训练得到；基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的质量检测结果；在所述质量检测结果不满足预设质量需求条件的情况下，基于所述质量检测结果，确定针对所述目标业务的参数调整策略，并执行所述参数调整策略，以针对所述目标业务进行资源调度。

处理器410，还用于：基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的第一子质量检测结果；获取执行所述目标业务的网络参数信息，并基于预先训练的数据传输情况预测模型和所述网络参数信息，确定执行所述目标业务过程中的数据传输情况，所述数据传输情况预测模型为基于所述目标业务的历史网络参数信息对通过预设机器学习算法构建的模型进行训练得到；基于所述第一子质量检测结果和所述数据传输情况，确定所述质量检测结果。

处理器410，还用于：获取执行所述目标业务的历史业务数据流；基于所述历史业务数据流中包含的历史业务数据对应的协议类型，将所述历史业务数据流划分为一个或多个数据类，每个所述数据类包含一个或多个历史业务数据，不同的所述数据类对应的协议类型不同；获取与所述数据类对应的子业务识别模型，并基于所述数据类中包含的历史业务数据，对所述子业务识别模型进行训练，得到与所述数据类对应的训练后的所述子业务识别模型；基于所述业务数据流中包含的业务数据对应的协议类型，确定所述业务数据所属的所述数据类；将所述业务数据输入与所述业务数据所属的数据类对应的所述子业务识别模型进行识别，得到目标子用户行为；基于所述目标子用户行为，确定与所述业务数据流对应的目标用户行为。

处理器410，还用于：获取与每个所述关键质量指标对应的质量阈值和预设权重；基于所述与所述目标用户行为对应的业务数据、所述关键质量指标对应的质量阈值和预设权重，确定所述目标业务的第一子质量检测结果。

另外，所述处理器410，还用于：基于所述与所述目标用户行为对应的业务数据、每个所述关键质量指标对应的质量阈值和预设权重，确定与每个所述关键质量指标对应的质量检测分值；将每个所述关键质量指标对应的质量检测分值代入公式

得到每个所述关键质量指标对应的目标质量分值，其中，X为所述关键质量指标对应的目标质量分值，X_test为所述关键质量指标对应的质量检测分值，I为第一预设分值，Q为第二预设分值，T为第三预设分值；基于每个所述关键质量指标对应的目标质量分值，确定所述目标业务的第一子质量检测结果。

此外，所述处理器410，还用于：获取执行所述目标业务过程中的历史网络参数信息；基于所述历史网络参数信息对预设循环神经网络模型进行训练，得到所述数据传输情况预测模型。

另外，所述处理器410，还用于：基于所述业务数据流和预设关键绩效指标，确定所述目标业务的第一质量检测结果；基于所述第一质量检测结果和所述质量检测结果，确定针对所述目标业务的参数调整策略，所述参数调整策略至少包括小区故障优化策略、业务均衡调整策略、载波调度策略和规划调整策略中的一个或多个策略。

本发明实施例提供一种电子设备，通过获取目标用户设备执行目标业务产生的业务数据流，并基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与业务数据流对应的目标用户行为，业务识别模型为基于目标业务的历史业务数据流对通过预设机器学习算法构建的模型进行训练得到，基于预设关键质量指标和业务数据流中与目标用户行为对应的业务数据，确定目标业务的质量检测结果，在质量检测结果不满足预设质量需求条件的情况下，基于质量检测结果，确定针对目标业务的参数调整策略，并执行参数调整策略，以针对目标业务进行资源调度。这样，可以根据识别出的目标业务的目标用户行为以及对应的业务数据，确定针对目标业务的质量检测结果，在质量结果不满足预设质量需求条件的情况下，在基于质量检测结果确定参数调整策略，即可以针对目标业务的目标用户行为进行有针对性的参数调整，以达到良好的网络优化效果，提高用户体验。

应理解的是，本发明实施例中，射频单元401可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器410处理；另外，将上行的数据发送给基站。通常，射频单元401包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元401还可以通过无线通信系统与网络和其它电子设备通信。

电子设备通过网络模块402为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。

音频输出单元403可以将射频单元401或网络模块402接收的或者在存储器409中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元403还可以提供与电子设备400执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元403包括扬声器、蜂鸣器以及受话器等。

输入单元404用于接收音频或视频信号。输入单元404可以包括图形处理器(Graphics Processing Unit，GPU)4041和麦克风4042，图形处理器4041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元406上。经图形处理器4041处理后的图像帧可以存储在存储器409(或其它存储介质)中或者经由射频单元401或网络模块402进行发送。麦克风4042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元401发送到移动通信基站的格式输出。

电子设备400还包括至少一种传感器405，比如光传感器、运动传感器以及其它传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板4061的亮度，接近传感器可在电子设备400移动到耳边时，关闭显示面板4061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器405还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。

显示单元406用于显示由用户输入的信息或提供给用户的信息。显示单元406可包括显示面板4061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板4061。

用户输入单元407可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元407包括触控面板4071以及其它输入设备4072。触控面板4071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板4071上或在触控面板4071附近的操作)。触控面板4071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器410，接收处理器410发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板4071。除了触控面板4071，用户输入单元407还可以包括其它输入设备4072。具体地，其它输入设备4072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。

进一步的，触控面板4071可覆盖在显示面板4061上，当触控面板4071检测到在其上或附近的触摸操作后，传送给处理器410以确定触摸事件的类型，随后处理器410根据触摸事件的类型在显示面板4061上提供相应的视觉输出。虽然在图4中，触控面板4071与显示面板4061是作为两个独立的部件来实现电子设备的输入和输出功能，但是在某些实施例中，可以将触控面板4071与显示面板4061集成而实现电子设备的输入和输出功能，具体此处不做限定。

接口单元408为外部装置与电子设备400连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元408可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到电子设备400内的一个或多个元件或者可以用于在电子设备400和外部装置之间传输数据。

存储器409可用于存储软件程序以及各种数据。存储器409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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器409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、或其它易失性固态存储器件。

处理器410是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器409内的软件程序和/或模块，以及调用存储在存储器409内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器410可包括一个或多个处理单元；优选的，处理器410可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器410中。

电子设备400还可以包括给各个部件供电的电源411(比如电池)，优选的，电源411可以通过电源管理系统与处理器410逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

优选的，本发明实施例还提供一种电子设备，包括处理器410，存储器409，存储在存储器409上并可在所述处理器410上运行的计算机程序，该计算机程序被处理器410执行时实现上述资源调度方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

实施例五

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述资源调度方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

本发明实施例提供一种计算机可读存储介质，通过获取目标用户设备执行目标业务产生的业务数据流，并基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与业务数据流对应的目标用户行为，业务识别模型为基于目标业务的历史业务数据流对通过预设机器学习算法构建的模型进行训练得到，基于预设关键质量指标和业务数据流中与目标用户行为对应的业务数据，确定目标业务的质量检测结果，在质量检测结果不满足预设质量需求条件的情况下，基于质量检测结果，确定针对目标业务的参数调整策略，并执行参数调整策略，以针对目标业务进行资源调度。这样，可以根据识别出的目标业务的目标用户行为以及对应的业务数据，确定针对目标业务的质量检测结果，在质量结果不满足预设质量需求条件的情况下，在基于质量检测结果确定参数调整策略，即可以针对目标业务的目标用户行为进行有针对性的参数调整，以达到良好的网络优化效果，提高用户体验。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其它数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其它类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其它内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其它光学存储、磁盒式磁带，磁带磁磁盘存储或其它磁性存储设备或任何其它非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种资源调度方法，其特征在于，所述方法包括：

获取目标用户设备执行目标业务产生的业务数据流，并基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与所述业务数据流对应的目标用户行为，所述业务识别模型为基于所述目标业务的历史业务数据流对通过预设机器学习算法构建的模型进行训练得到；

基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的质量检测结果；

在所述质量检测结果不满足预设质量需求条件的情况下，基于所述质量检测结果，确定针对所述目标业务的参数调整策略，并执行所述参数调整策略，以针对所述目标业务进行资源调度。

2.根据权利要求1所述的方法，其特征在于，所述基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的质量检测结果，包括：

基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的第一子质量检测结果；

获取执行所述目标业务的网络参数信息，并基于预先训练的数据传输情况预测模型和所述网络参数信息，确定执行所述目标业务过程中的数据传输情况，所述数据传输情况预测模型为基于所述目标业务的历史网络参数信息对通过预设机器学习算法构建的模型进行训练得到；

基于所述第一子质量检测结果和所述数据传输情况，确定所述质量检测结果。

3.根据权利要求2所述的方法，其特征在于，在所述基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与所述业务数据流对应的目标用户行为之前，还包括：

获取执行所述目标业务的历史业务数据流；

基于所述历史业务数据流中包含的历史业务数据对应的协议类型，将所述历史业务数据流划分为一个或多个数据类，每个所述数据类包含一个或多个历史业务数据，不同的所述数据类对应的协议类型不同；

获取与所述数据类对应的子业务识别模型，并基于所述数据类中包含的历史业务数据，对所述子业务识别模型进行训练，得到与所述数据类对应的训练后的所述子业务识别模型；

所述基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与所述业务数据流对应的目标用户行为，包括：

基于所述业务数据流中包含的业务数据对应的协议类型，确定所述业务数据所属的所述数据类；

将所述业务数据输入与所述业务数据所属的数据类对应的所述子业务识别模型进行识别，得到目标子用户行为；

基于所述目标子用户行为，确定与所述业务数据流对应的目标用户行为。

4.根据权利要求3所述的方法，其特征在于，所述基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的第一子质量检测结果，包括：

获取与每个所述关键质量指标对应的质量阈值和预设权重；

基于所述与所述目标用户行为对应的业务数据、所述关键质量指标对应的质量阈值和预设权重，确定所述目标业务的第一子质量检测结果。

5.根据权利要求4所述的方法，其特征在于，所述基于所述与所述目标用户行为对应的业务数据、所述关键质量指标对应的质量阈值和预设权重，确定所述目标业务的第一子质量检测结果，包括：

基于所述与所述目标用户行为对应的业务数据、每个所述关键质量指标对应的质量阈值和预设权重，确定与每个所述关键质量指标对应的质量检测分值；

将每个所述关键质量指标对应的质量检测分值代入公式

得到每个所述关键质量指标对应的目标质量分值，其中，X为所述关键质量指标对应的目标质量分值，X_test为所述关键质量指标对应的质量检测分值，I为第一预设分值，Q为第二预设分值，T为第三预设分值；

基于每个所述关键质量指标对应的目标质量分值，确定所述目标业务的第一子质量检测结果。

6.根据权利要求5所述的方法，其特征在于，在所述基于预先训练的数据传输情况预测模型和所述网络参数信息，确定执行所述目标业务过程中的数据传输情况之前，还包括：

获取执行所述目标业务过程中的历史网络参数信息；

基于所述历史网络参数信息对预设循环神经网络模型进行训练，得到所述数据传输情况预测模型。

7.根据权利要求6所述的方法，其特征在于，所述基于所述质量检测结果，确定针对所述目标业务的参数调整策略，包括：

基于所述业务数据流和预设关键绩效指标，确定所述目标业务的第一质量检测结果；

基于所述第一质量检测结果和所述质量检测结果，确定针对所述目标业务的参数调整策略，所述参数调整策略至少包括小区故障优化策略、业务均衡调整策略、载波调度策略和规划调整策略中的一个或多个策略。

8.一种资源调度装置，其特征在于，所述装置包括：

第一获取模块，用于获取目标用户设备执行目标业务产生的业务数据流，并基于预先训练的业务识别模型对所述业务数据流对应的用户行为进行识别，得到与所述业务数据流对应的目标用户行为，所述业务识别模型为基于所述目标业务的历史业务数据流对通过预设机器学习算法构建的模型进行训练得到；

第一检测模块，用于基于预设关键质量指标和所述业务数据流中与所述目标用户行为对应的业务数据，确定所述目标业务的质量检测结果；

参数调整模块，用于在所述质量检测结果不满足预设质量需求条件的情况下，基于所述质量检测结果，确定针对所述目标业务的参数调整策略，并执行所述参数调整策略，以针对所述目标业务进行资源调度。

9.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的资源调度方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的资源调度方法的步骤。

Images