CN116132361A - 一种基于QoS和QoE的网络资源优化调整方法和系统 - Google Patents

一种基于QoS和QoE的网络资源优化调整方法和系统 Download PDF

Info

Publication number
CN116132361A
CN116132361A CN202211684673.4A CN202211684673A CN116132361A CN 116132361 A CN116132361 A CN 116132361A CN 202211684673 A CN202211684673 A CN 202211684673A CN 116132361 A CN116132361 A CN 116132361A
Authority
CN
China
Prior art keywords
qoe
network
qos
path
network resource
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
Application number
CN202211684673.4A
Other languages
English (en)
Inventor
周岩
张磊
张玮
史慧玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Mass Institute Of Information Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Original Assignee
Shandong Mass Institute Of Information Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Mass Institute Of Information Technology, Shandong Computer Science Center National Super Computing Center in Jinan filed Critical Shandong Mass Institute Of Information Technology
Priority to CN202211684673.4A priority Critical patent/CN116132361A/zh
Publication of CN116132361A publication Critical patent/CN116132361A/zh
Pending legal-status Critical Current

Links

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
    • H04L45/302—Route determination based on requested QoS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • 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
    • H04L45/12—Shortest path evaluation
    • H04L45/123—Evaluation of link metrics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明公开了一种基于QoS和QoE的网络资源优化调整方法和系统，涉及网络技术领域。该方法包括：当出现预设场景时，根据预设路由算法获取多条网络路径的QoS参数值；根据每一条网络路径的QoS参数值、结合训练后的预设映射关系模型获得每一条网络路径的QoE指标值；从全部QoE指标值中选出目标QoE指标值；通过所述目标QoE指标值对应的一条网络路径进行信息传输，实现全局QoS和QoE控制优化，可以在保证用户体验质量的同时，提升网络资源利用效率，节约数据中心内部的流量带宽成本，从而能够为相关数据中心及服务节约成本，获得间接的经济效益。

Description

一种基于QoS和QoE的网络资源优化调整方法和系统
技术领域
本发明涉及网络技术领域，尤其涉及一种基于QoS和QoE的网络资源优化调整方法和系统。
背景技术
在数据中心网络中，大量的实时业务流对传输过程中的延迟、丢包比较敏感。因此，合理地为实时业务提供QoS全局控制也是软件定义网络领域的一项重要工作。在提升全局QoS网络服务质量的同时，结合计算、存储等其他能力指标研究面向终端用户体验质量(QoE)的全局优化也是需要进一步研究的问题。
在数据中心网络中，大量的实时业务流对传输过程中的延迟、丢包比较敏感。因此，合理地为实时业务提供QoS全局控制也是软件定义网络领域的一项重要工作。提出了OpenQoS方案，为多媒体的传输分发提供QoS保证。提出一个SDN网络中基于集中式流量调度的QoS增强框架。结合层次分析法，提出了一种在SDN网络环境下获取K-max最小QoS不相交路径的两阶段方法。针对分布式的多路径QoS路由优化方面的工作做的较少，现有的多路径QoS路由算法通常采用传统方法来保证无环性，且通常以牺牲效率为代价，简单地采用现有的多路径路由算法来支持各种QoS指标并不能保证正确性。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种基于QoS和QoE的网络资源优化调整方法和系统。
本发明解决上述技术问题的技术方案如下：
一种基于QoS和QoE的网络资源优化调整方法，包括：
当出现预设场景时，根据预设路由算法获取多条网络路径的QoS参数值；
根据每一条网络路径的QoS参数值、结合训练后的预设映射关系模型获得每一条网络路径的QoE指标值；
从全部QoE指标值中选出目标QoE指标值；
通过所述目标QoE指标值对应的一条网络路径进行信息传输。
本发明的有益效果是：本发明的方法实现全局QoS和QoE控制优化，可以在保证用户体验质量的同时，提升网络资源利用效率，节约数据中心内部的流量带宽成本，从而能够为相关数据中心及服务节约成本，获得间接的经济效益。
本发明综合考虑各云边数据中心不同的计算和存储的能力指标，通过深度学习等人工智能手段，在存量网络特征数据集的基础上，结合计算存储指标数据特征集，研究并预测突发场景下相应的全局QoE优化策略，并预先规划策略配置。当符合QoE优化规划策略的条件后，进一步的通过调整路由和业务路径编排，实现全局软件定义网络资源快速动态调整和优化算法。
进一步地，还包括：
通过历史QoS参数值、历史QoE指标值结合BP神经网络构建所述预设映射关系模型。
进一步地，所述根据预设路由算法获取QoS参数值，具体包括：
根据Dijkstra算法获得前N条最短网络路径；
分别获取每条网络路径对应的QoS参数值。
进一步地，所述QoS参数值包括：时延参数和抖动参数。
进一步地，所述QoE指标值为QoE的评价指标。
本发明解决上述技术问题的另一种技术方案如下：
一种基于QoS和QoE的网络资源优化调整系统，包括：路径参数获取模块、QoE指标获取模块、筛选模块和信息传输模块；
所述路径参数获取模块用于当出现预设场景时，根据预设路由算法获取多条网络路径的QoS参数值；
所述QoE指标获取模块用于根据每一条网络路径的QoS参数值、结合训练后的预设映射关系模型获得每一条网络路径的QoE指标值；
所述筛选模块用于从全部QoE指标值中选出目标QoE指标值；
所述信息传输模块用于通过所述目标QoE指标值对应的一条网络路径进行信息传输。
本发明的有益效果是：本发明的方法实现全局QoS和QoE控制优化，可以在保证用户体验质量的同时，提升网络资源利用效率，节约数据中心内部的流量带宽成本，从而能够为相关数据中心及服务节约成本，获得间接的经济效益。
本发明综合考虑各云边数据中心不同的计算和存储的能力指标，通过深度学习等人工智能手段，在存量网络特征数据集的基础上，结合计算存储指标数据特征集，研究并预测突发场景下相应的全局QoE优化策略，并预先规划策略配置。当符合QoE优化规划策略的条件后，进一步的通过调整路由和业务路径编排，实现全局软件定义网络资源快速动态调整和优化算法。
进一步地，还包括：模型构建模块，用于通过历史QoS参数值、历史QoE指标值结合BP神经网络构建所述预设映射关系模型。
进一步地，所述路径参数获取模块具体用于根据Dijkstra算法获得前N条最短网络路径；
分别获取每条网络路径对应的QoS参数值。
进一步地，所述QoS参数值包括：时延参数和抖动参数。
进一步地，所述QoE指标值为QoE的评价指标。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明的实施例提供的一种基于QoS和QoE的网络资源优化调整方法的流程示意图；
图2为本发明的实施例提供的一种基于QoS和QoE的网络资源优化调整系统的结构框图；
图3为本发明的其他实施例提供的QoS和QoE建模步骤示意图；
图4为本发明的其他实施例提供的网络资源故障实时响应方案示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
结合云计算与边缘计算业务差异以及动态变化，如何对相应的软件定义网络QoS和QoE进行动态实时全局控制、调整和优化，以及在发生网络故障时能够快速定位和响应，是本发明需要解决的关键技术问题。
如图1所示，为本发明实施例提供的一种基于QoS(Quality of Service网络服务质量)和QoE(Quality of Experience用户体验质量)的网络资源优化调整方法，包括：
S1，当出现预设场景时，根据预设路由算法获取多条网络路径的QoS参数值；需要说明的是，预设场景可以是当网络故障发生时，或，在实际业务中，某一边缘服务的终端用户数量可能会临时突然大量增加，或者在某一时期内突然增加大量的同一类型的业务请求时。
在某一实施例中，根据Dijkstra算法获得前N条最短网络路径；
分别获取每条网络路径对应的QoS参数值。需要说明的是，QoS参数值包括：时延参数和抖动参数；QoE指标值为QoE的评价指标。QoE的评价指标可以包括：主观评价法，可以通过MOS主观评估方法，将QoE量化为1至5级。
S2，根据每一条网络路径的QoS参数值、结合训练后的预设映射关系模型获得每一条网络路径的QoE指标值；
S3，从全部QoE指标值中选出目标QoE指标值；其中，目标QoE指标值可以为当符合QoE优化规划策略的条件的目标QoE指标值。
S4，通过所述目标QoE指标值对应的一条网络路径进行信息传输。
本发明的方法实现全局QoS和QoE控制优化，可以在保证用户体验质量的同时，提升网络资源利用效率，节约数据中心内部的流量带宽成本，从而能够为相关数据中心及服务节约成本，获得间接的经济效益。提升省内在相关领域的知名度，带动周边产业链发展，促进新旧能源转换，具有良好的社会效益。
本发明综合考虑各云边数据中心不同的计算和存储的能力指标，通过深度学习等人工智能手段，在存量网络特征数据集的基础上，结合计算存储指标数据特征集，研究并预测突发场景下相应的全局QoE优化策略，并预先规划策略配置。当符合QoE优化规划策略的条件后，进一步的通过调整路由和业务路径编排，实现全局软件定义网络资源快速动态调整和优化算法。
可选地，在一些实施例中，还包括：
通过历史QoS参数值、历史QoE指标值结合BP神经网络构建所述预设映射关系模型。
在一些实施例中，预设映射关系模型的训练过程可以包括：
首先采用BP神经网络，通过Qos参数对于Qoe的映射模型进行建模，BP神经网络是一种按误差逆传播算法训练的多层前馈网络，模仿生物神经网络的特征，进行加权、求和和转移。QoE的量化较为广泛采用的是国际电信联盟ITS提出的平均主观分数MOS值评估,量化为1到5分的数值指标,作为BP神经网络的QoE输出层参数。在某一实施例中，加权、求和和转移可以包括：神经元接收到来自n个其他神经元传递过来的输入信号x1,x2,…,xn，这些输入信号通过带权值的连接进行传递w1,w2,…,wn，神经网络的每一层的作用实际上就是先将输入向量左乘一系列权重进行线性变换，得到一个新的向量，然后再对这个向量逐元素应用一个激活函数，也就是使用激活函数处理神经元的输出。
获得抖动和丢包率二维矩阵可以包括：网络层QoS指标数据集中,QoS基本参数即抖动和丢包，一般采用测量服务器端到客户端的抖动和丢包参数,抖动为延迟的间隔,采用20次延迟之间的平均间隔作为抖动,单位为ms；丢包率以百分比为单位，通过python中的numpy工具将二者转化为二维矩阵。
根据输入层(x1,x2)，采用Qos参数抖动和丢包率二维矩阵作为神经元输入通过隐含层节点数，确认学习率，激活函数如下：
Figure BDA0004019318180000061
其中，学习率时一个超参数，根据经验设定，决定着目标函数能否收敛到局部最小值以及何时收敛到最小值。合适的学习率能够使目标函数在合适的时间内收敛到局部最小值。
激活函数：负责对上层神经元的输出进行处理的函数，将结果传递到下层神经元，如果使用激活函数，激活函数给神经元引入了非线性因素，使得神经网络可以逼近任何非线性函数，这样神经网络可以用到多种非线性的模型中。
根据二维输入层矩阵，输入层和隐含层间的权值Wij以及神经元阈值q计算隐含层神经元值：
Figure BDA0004019318180000071
式子中：j表示隐含层节点，n为隐含层节点数，hf(x)为隐含层激活函数，Hi为第i个隐含层神经元值，Wij代表权重，qi为神经元阈值。
根据隐含层神经元值Hi，权值Wij和神经元阈值r，计算输出层神经元Yk(输出层是神经网络传递数据的结果)；
Figure BDA0004019318180000072
K＝1,2,...,p，p为输出层神经元个数。
计算误差：计算一个节点的误差项，需要先计算每个与其相连的下一层节点的误差项。这就要求误差项的计算顺序必须是从输出层开始，然后反向依次计算每个隐藏层的误差项，直到与输入层相连的那个隐藏层。这就是反向传播算法的名字的含义，我们将Yk与实际的Qoe评分比较，计算误差ek；
ek＝Yk-QoEScorek，
k＝1,2,...,p，p为输出层神经元个数，QoEScorek即QoE指标的预测值，一般量化为1-5。
根据误差更新输入层－隐含层Wij，隐含层－输出层权值Wjk。
Figure BDA0004019318180000073
Wjk＝Wjk+ηHjek，
j＝1,2,...，n；
其中，ek表示误差，m表示输入层节点个数，n表示隐藏层节点个数，k表示输出层节点个数，Hi表示隐藏层神经元节点值，Hj表示隐藏层节点值，η是一个误差更新的学习速率常数。
还包括：阈值更新，根据误差更新阈值，即更新的是上文的神经元阈值r。
Figure BDA0004019318180000081
其中，rj表示神经元阈值，η是一个阈值更新的学习速率常数，n表示更新的节点个数。
更新阈值后，获得得到训练完毕的BP神经网络。
可选地，在一些实施例中，所述根据预设路由算法获取QoS参数值，具体包括：
根据Dijkstra算法获得前N条最短网络路径；
分别获取每条网络路径对应的QoS参数值。
需要说明的是，通过预设映射关系模型建立QoS与QoE的映射关系，计算每条路径的QoE指标值进行比较，选出其中QoE值最大的一条路径进行传输。
可选地，在一些实施例中，所述QoS参数值包括：时延参数和抖动参数。
可选地，在一些实施例中，所述QoE指标值为QoE的评价指标。
在某一实施例中，针对预先定义的特殊场景，考虑优化QoS的模型的阈值，对相应的网络资源调整策略进行预先规划。当某一突发场景满足预先设立的规则时，便按照相应的策略进行动态调整。其中特殊场景可以包括：比如某一边缘服务的终端用户数量可能会临时突然大量增加，或者在某一时期内突然增加大量的同一类型的业务请求。以网络视频流为例，网络传输过程中的时延与丢包，都会导致实际用户体验的下降；若找不到一条能够同时具备最优的时延与丢包率指标的虚拟专线，则无法仅仅通过QoS指标，判断虚拟专线的优劣。需要说明的是，特殊场景比如网络视频流系统中，网络传输过程中的时延与丢包，都会导致实际用户体验的下降；若找不到一条能够同时具备最优的时延与丢包率指标的虚拟专线，则无法仅仅通过QoS指标，判断虚拟专线的优劣。
综合考虑各云边数据中心不同的计算和存储的能力指标，通过深度学习等人工智能手段，在存量网络特征数据集的基础上，结合计算存储指标数据特征集，研究并预测突发场景下相应的全局QoE优化策略，并预先规划策略配置。当符合QoE优化规划策略的条件后，进一步的通过调整路由和业务路径编排，实现全局软件定义网络资源快速动态调整和优化算法。需要说明的是，QoE优化规划策略的条件可以包括在云边协作的监控视频自适应回放过程中，由于视频播放过程中QoE评估值会随着下载的视频块的高比特率而增加,随着重新缓冲事件减小，用QoE评估模型结果作为奖励函数，比特率决策模型决定预取下一个视频块及决策最佳比特率，通过将视频以最优路径传输来提高视频的QoE值。
在某一实施例中，规划策略配置可以包括：比如在云边协作的监控视频自适应回放过程中，当下载的视频块比特率突然发生连续变化时，会影响用户的观看体验。在监控视频播放过程中QoE评估值会随着下载的视频块的高比特率而增加,随着重新缓冲事件、视频块比特率连续切换而减小,所以在预先的规划策略配置中，使用不同的QoE评估模型结果作为奖励函数，比特率决策模型的目标是判断是否预取下一个视频块及决策最佳比特率，从而使整体视频块的比特率最大化，同时，尽可能地保持最少重缓冲时间和最大播放平滑度，提升用户的观看体验质量QoE。
在另一实施例中，通过上述测量和计算得到的网络特征，其中，获取网络特征可以包括：
软件定义网络特征有些可以直接检测，但有些需要经过计算(即度量)获知。例如：
分析OpenFlow协议的网络状态相关特性，如统计交换机端口信息(收到字节数、丢包数、持续时间等)，指导各个网络特征数据的采集。
结合均匀采样、自适应随机采样、分组采样及阈值采样等优点，结合SDN网络的特点和所要研究的不同网络特征度量指标，来提出适合不同网络特征的采样算法。
研究分析采样算法中采样频率与负载、准确性的定性和定量关系，减少数据采样给控制器带来的负载开销。在网络中预安装流条目，形成覆盖全网的检测路线。
网络特征可以例如SDN种OpenFlow协议的网络状态相关特性，如统计交换机端口信息、交换机状态、流量信息、报错等信息。
建立综合网络特征的QoE及QoS度量模型，采用神经网络结构对QoE和QoS分别进行建模，两者整体建模步骤是类似的，如图3所示：其中，Xk(1),Xk(i),...,Xk(m)是测量到的实际网络指标(在QoE建模中，除了网络指标外需要增加计算能力、存储能力等指标)，i为指标参数的编号，通过无量纲化后得到rk(1),rk(i),...,rk(m)。
采用的输出计算公式为：
Figure BDA0004019318180000101
其中，rk(i)代表实际网络指标经过无量纲化后的结果，wij代表权重，神经元之间的连接强度由权重表示，bj代表神经元阈值，aj代表神经元输出值，h代表神经网络输出层节点，rj代表输出层节点的权重，yk表示最后的输出加权和。
首先采用BP神经网络，通过Qos参数对于Qoe的映射模型进行建模，BP神经网络是一种按误差逆传播算法训练的多层前馈网络，模仿生物神经网络的特征，进行加权、求和和转移。QoE的量化较为广泛采用的是国际电信联盟ITS提出的平均主观分数MOS值评估,量化为1到5分的数值指标,作为BP神经网络的QoE输出层参数。在某一实施例中，加权、求和和转移可以包括：神经元接收到来自n个其他神经元传递过来的输入信号x1,x2,…,xn，这些输入信号通过带权值的连接进行传递w1,w2,…,wn，神经网络的每一层的作用实际上就是先将输入向量左乘一系列权重进行线性变换，得到一个新的向量，然后再对这个向量逐元素应用一个激活函数，也就是使用激活函数处理神经元的输出。
获得抖动和丢包率二维矩阵可以包括：网络层QoS指标数据集中,QoS基本参数即抖动和丢包，一般采用测量服务器端到客户端的抖动和丢包参数,抖动为延迟的间隔,采用20次延迟之间的平均间隔作为抖动,单位为ms；丢包率以百分比为单位，通过python中的numpy工具将二者转化为二维矩阵。
根据输入层(x1,x2)，采用Qos参数抖动和丢包率二维矩阵作为神经元输入通过隐含层节点数，确认学习率，激活函数如下：
Figure BDA0004019318180000111
其中，学习率时一个超参数，根据经验设定，决定着目标函数能否收敛到局部最小值以及何时收敛到最小值。合适的学习率能够使目标函数在合适的时间内收敛到局部最小值。
激活函数：负责对上层神经元的输出进行处理的函数，将结果传递到下层神经元，如果使用激活函数，激活函数给神经元引入了非线性因素，使得神经网络可以逼近任何非线性函数，这样神经网络可以用到多种非线性的模型中。
根据二维输入层矩阵，输入层和隐含层间的权值Wij以及神经元阈值q计算隐含层神经元值：
Figure BDA0004019318180000112
其中，j表示隐含层节点，n为隐含层节点数，hf(x)为隐含层激活函数，Hi为第i个隐含层神经元值，Wij代表权重，qi为神经元阈值。
根据隐含层神经元值Hi，权值Wij和神经元阈值r，计算输出层神经元Yk(输出层是神经网络传递数据的结果)；
Figure BDA0004019318180000121
K＝1,2,...,p，p为输出层神经元个数。
计算误差：计算一个节点的误差项，需要先计算每个与其相连的下一层节点的误差项。这就要求误差项的计算顺序必须是从输出层开始，然后反向依次计算每个隐藏层的误差项，直到与输入层相连的那个隐藏层。这就是反向传播算法的名字的含义，我们将Yk与实际的Qoe评分比较，计算误差ek；
ek＝Yk-QoEScorek，
k＝1,2,...,p，p为输出层神经元个数，QoEScorek即QoE指标的预测值，一般量化为1-5。
根据误差更新输入层－隐含层Wij，隐含层－输出层权值Wjk。
Figure BDA0004019318180000122
Wjk＝Wjk+ηHjek
j＝1,2,...，n；
其中，ek表示误差，m表示输入层节点个数，n表示隐藏层节点个数，k表示输出层节点个数，Hi表示隐藏层神经元节点值，Hj表示隐藏层节点值，η是一个误差更新的学习速率常数。
还包括：阈值更新，根据误差更新阈值，即更新的是上文的神经元阈值r。
Figure BDA0004019318180000123
其中，rj表示神经元阈值，η是一个阈值更新的学习速率常数，n表示更新的节点个数。
更新阈值后，获得得到训练完毕的BP神经网络。
在另一实施例中，BP神经网络训练完毕后可以使用QoS参数即延迟和丢包二维数组作为输入层神经元预测QoE参数。
拟合优度R2和平均误差σ的计算公式如下：
Figure BDA0004019318180000131
Figure BDA0004019318180000132
其中，ei为第i组预测值，ti为第i组实测值，
Figure BDA0004019318180000133
为测试值的平均。
需要说明的是，R2衡量回归方程整体的拟合度，是表达QoE评分与所有QoS变量之间的总体关系。R2最大值为1，R2的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R2的值越小，说明回归直线对观测值的拟合程度越差。平均误差σ量化了预测模型估算的精度。，是用于确定预测模型QoE预测值的平均值估算总体平均值时的精确度。
其次提出的多目标估量路由算法主要分成两个步骤。第一步是根据Dijkstra算法找出源节点到目的节点之间的前N条基于跳数的最短路径，其中，N可以为3，4或5；第二步是对这前N条最短路径，根据获取到的QoS参数值，利用上文提出的QoS与QoE的映射关系模型，计算每条路径的QoE指标值进行比较，选出其中QoE值最大的一条路径进行传输。QoS参数值可以包括：时延参数和抖动参数。QoE指标值可以为QoE的MOS值评估,可以量化为1-5数值，代表QoE评价指标。其中，MOS值是一种在通讯工程中用来评估QoE的方法，是一个有统计意义的数量样本空间的算术平均值。
在某一实施例中，通过公式:
QoEScore＝sim(BPs,Qos)，
其中，QoEScore即Qoe指标的预测值，BPs为训练好的BP神经网络,Qos参数为抖动和丢包作为输入数据，sim()为评估函数，得到QoE的预测值。
需要说明的是，获得QoS参数值的过程可以包括：
网络层QoS指标数据集中,QoS基本参数即抖动和丢包，一般采用测量服务器端到客户端的抖动和丢包参数,抖动为延迟的间隔,采用20次延迟之间的平均间隔作为抖动,单位为ms；丢包率以百分比为单位，通过python中的numpy工具将二者转化为二维矩阵。
在某一实施例中，一种网络资源故障实时响应方案，因为故障快速响应也是优化QoE的重要组成部分。当故障发生时，路由选择会参考QoE评估指标参数来进行路由路径选择。
当网络故障发生时，控制器快速定位需要调整的故障流，通过相应算法切换到备用网络路径，快速完成网络的切换工作，使业务流得以恢复。在进行网络切换的同时，控制器启动相关进程对全网进行重新的路径计算与优化，获取新的调整方案，对网络进行重构，达到最优化目的。其中，相应算法可以为审议主动式故障恢复、被动式故障恢复算法等。
在某一实施例中，故障诊断实现对故障的分类和比较，根据预设策略完成对故障恢复模式的判别，并将判别结果传递给故障恢复模块进行故障路由的恢复。
预设策略完成对故障恢复模式的判别可以包括：如果故障集中的端口故障数目为1，并且主动式的路径保护机制有效时，属于单故障情形，可以采用主动式或者审议主动式模式进行恢复。而如果故障集中故障数目多于一个，并且组表项中两个动作桶的watch_port均失效，就属于多故障情形，是无法通过预先设定的备份路径进行恢复，只能通过被动式模式进行故障恢复。
故障路由的恢复可以包括：主动式故障恢复是由OpenFlow交换机通过FastFailover组表自动切换至备份路径，不需要故障检测和恢复系统参与恢复，而审议主动式故障恢复和被动式故障恢复均需要系统为受故障影响的流重新计算一条路径，并下发流表项给新路径上的交换机。
故障诊断模块以交换机为故障集，其中包含出现故障的端口号，如下所示:
NodeID：＝{PortID1,PortID2,...}
其中，NodeID代表交换机节点；PortID代表出现故障的端口号。
当检测到端口出现故障时，就将其端口号加入到该交换机故障集中，当端口状态恢复到正常状态时，就从故障集中删除该端口号。
上述所用控制器可以采用基于ODL研发的软件定义网络控制器SCSCdaylight。目前，该控制器已部署在所建设的SDN综合验证与示范平台中。恢复手段首先基于ics.uci.edu.jung的开源JUNG包构建SDN网拓扑图，通过查询SCSCdaylight控制器MD-SAL数据库中的拓扑信息，并监听链路变更事件形成实时更新的拓扑图。其次实现Dijkstra最短路径算法来计算网络拓扑图中交换机节点之间的最短路径作为最优路径。故障恢复模块首先提取出诊断模块输出的需要计算新路径的流表项匹配域中的源IP地址和目的IP地址，然后调用Dijkstra路由计算模块获取最短路径。
软件定义网络可通过软件编程的形式定义和控制网络，其控制平面和转发平面分离及开放性可编程的特点，被认为是网络领域的一场革命，为新型互联网体系结构研究提供了新的实验途径，也极大地推动了下一代互联网的发展。研究成果具有确切的市场发展潜力。
通过本专利研究的全局QoS和QoE控制优化，可以在保证用户体验质量的同时，提升网络资源利用效率，节约数据中心内部的流量带宽成本，从而能够为相关数据中心及服务节约成本，获得间接的经济效益。提升省内在相关领域的知名度，带动周边产业链发展，促进新旧能源转换，具有良好的社会效益。
在某一实施例中，如图2所示，一种基于QoS和QoE的网络资源优化调整系统，包括：路径参数获取模块1101、QoE指标获取模块1102、筛选模块1103和信息传输模块1104；
所述路径参数获取模块1101用于当出现预设场景时，根据预设路由算法获取多条网络路径的QoS参数值；
所述QoE指标获取模块1102用于根据每一条网络路径的QoS参数值、结合训练后的预设映射关系模型获得每一条网络路径的QoE指标值；
所述筛选模块1103用于从全部QoE指标值中选出目标QoE指标值；
所述信息传输模块1104用于通过所述目标QoE指标值对应的一条网络路径进行信息传输。
本发明的方法实现全局QoS和QoE控制优化，可以在保证用户体验质量的同时，提升网络资源利用效率，节约数据中心内部的流量带宽成本，从而能够为相关数据中心及服务节约成本，获得间接的经济效益。提升省内在相关领域的知名度，带动周边产业链发展，促进新旧能源转换，具有良好的社会效益。
本发明综合考虑各云边数据中心不同的计算和存储的能力指标，通过深度学习等人工智能手段，在存量网络特征数据集的基础上，结合计算存储指标数据特征集，研究并预测突发场景下相应的全局QoE优化策略，并预先规划策略配置。当符合QoE优化规划策略的条件后，进一步的通过调整路由和业务路径编排，实现全局软件定义网络资源快速动态调整和优化算法。
可选地，在一些实施例中，还包括：模型构建模块，用于通过历史QoS参数值、历史QoE指标值结合BP神经网络构建所述预设映射关系模型。
可选地，在一些实施例中，所述路径参数获取模块1101具体用于根据Dijkstra算法获得前N条最短网络路径；
分别获取每条网络路径对应的QoS参数值。
可选地，在一些实施例中，所述QoS参数值包括：时延参数和抖动参数。
可选地，在一些实施例中，所述QoE指标值为QoE的评价指标。
可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。
需要说明的是，上述各实施例是与在先方法实施例对应的产品实施例，对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
在另一实施例中，本发明主要分别从网络服务质量(QoS)和包括计算存储等资源优化的用户体验质量(QoE)两方面展开优化研究，主要包括以下内容：
面向云边融合服务的动态实时全局QoS控制方法，在实际业务中，某一边缘服务的终端用户数量可能会临时突然大量增加，或者在某一时期内突然增加大量的同一类型的业务请求。因此，动态实时全局QoS控制就显得十分必要，本专利研究在诸如此类突发场景下动态实时全局QoS控制方法。采取的思路是，针对预先定义的特殊场景，考虑优化QoS的模型的阈值，对相应的网络资源调整策略进行预先规划。当某一突发场景满足预先设立的规则时，便按照相应的策略进行动态调整。预先规划可以包括：比如利用QoS-Dijkstra算法、认知路由(CNR)算法等，通过边缘服务器与软件定义网络的控制器,可以根据网络现有的可用资源情况和业务流的QoS需求,在运行过程中对路径进行选择和动态调整,从而保证网络资源的有效利用。
面向云边融合服务的动态实时全局QoE优化，动态实时全局QoE优化与QoS控制的不同在于，用户体验质量不仅仅包括网络状态特征指标，还包括所连接的服务后台计算处理能力和存储限制。比如，用户连接的某一条链路可能本身网络服务质量很好，但对应的服务器处理能力很差，后台处理时间较长，这显然不会优化用户体验质量的。因此，在实施全局QoE优化时，本专利综合考虑各云边数据中心不同的计算和存储的能力指标，通过深度学习等人工智能手段，在存量网络特征数据集的基础上，结合计算存储指标数据特征集，研究并预测突发场景下相应的全局QoE优化策略，并预先规划策略配置。当符合QoE优化规划策略的条件后，进一步的通过调整路由和业务路径编排，实现全局软件定义网络资源快速动态调整和优化算法。
面向云边融合服务的跨域数据中心故障快速响应方法，故障快速响应也是优化QoS和QoE的重要组成部分。图4是我们提出的一种网络资源故障实时响应方案，当网络故障发生时，控制器快速定位需要调整的故障流，通过相应算法切换到备用网络路径，快速完成网络的切换工作，使业务流得以恢复。在进行网络切换的同时，控制器启动相关进程对全网进行重新的路径计算与优化，获取新的调整方案，对网络进行重构，达到最优化目的。我们将基于以上思路进行更深层次的研究，提出更加完善的响应算法。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，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，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
上述方法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，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于QoS和QoE的网络资源优化调整方法，其特征在于，包括：
当出现预设场景时，根据预设路由算法获取多条网络路径的QoS参数值；
根据每一条网络路径的QoS参数值、结合训练后的预设映射关系模型获得每一条网络路径的QoE指标值；
从全部QoE指标值中选出目标QoE指标值；
通过所述目标QoE指标值对应的一条网络路径进行信息传输。
2.根据权利要求1所述的一种基于QoS和QoE的网络资源优化调整方法，其特征在于，还包括：
通过历史QoS参数值、历史QoE指标值结合BP神经网络构建所述预设映射关系模型。
3.根据权利要求1或2所述的一种基于QoS和QoE的网络资源优化调整方法，其特征在于，所述根据预设路由算法获取QoS参数值，具体包括：
根据Dijkstra算法获得前N条最短网络路径；
分别获取每条网络路径对应的QoS参数值。
4.根据权利要求1所述的一种基于QoS和QoE的网络资源优化调整方法，其特征在于，所述QoS参数值包括：时延参数和抖动参数。
5.根据权利要求1或4所述的一种基于QoS和QoE的网络资源优化调整方法，其特征在于，所述QoE指标值为QoE的评价指标。
6.一种基于QoS和QoE的网络资源优化调整系统，其特征在于，包括：路径参数获取模块、QoE指标获取模块、筛选模块和信息传输模块；
所述路径参数获取模块用于当出现预设场景时，根据预设路由算法获取多条网络路径的QoS参数值；
所述QoE指标获取模块用于根据每一条网络路径的QoS参数值、结合训练后的预设映射关系模型获得每一条网络路径的QoE指标值；
所述筛选模块用于从全部QoE指标值中选出目标QoE指标值；
所述信息传输模块用于通过所述目标QoE指标值对应的一条网络路径进行信息传输。
7.根据权利要求6所述的一种基于QoS和QoE的网络资源优化调整系统，其特征在于，还包括：模型构建模块，用于通过历史QoS参数值、历史QoE指标值结合BP神经网络构建所述预设映射关系模型。
8.根据权利要求6或7所述的一种基于QoS和QoE的网络资源优化调整系统，其特征在于，所述路径参数获取模块具体用于根据Dijkstra算法获得前N条最短网络路径；
分别获取每条网络路径对应的QoS参数值。
9.根据权利要求6所述的一种基于QoS和QoE的网络资源优化调整系统，其特征在于，所述QoS参数值包括：时延参数和抖动参数。
10.根据权利要求6或9所述的一种基于QoS和QoE的网络资源优化调整系统，其特征在于，所述QoE指标值为QoE的评价指标。
CN202211684673.4A 2022-12-27 2022-12-27 一种基于QoS和QoE的网络资源优化调整方法和系统 Pending CN116132361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211684673.4A CN116132361A (zh) 2022-12-27 2022-12-27 一种基于QoS和QoE的网络资源优化调整方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211684673.4A CN116132361A (zh) 2022-12-27 2022-12-27 一种基于QoS和QoE的网络资源优化调整方法和系统

Publications (1)

Publication Number Publication Date
CN116132361A true CN116132361A (zh) 2023-05-16

Family

ID=86300136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211684673.4A Pending CN116132361A (zh) 2022-12-27 2022-12-27 一种基于QoS和QoE的网络资源优化调整方法和系统

Country Status (1)

Country Link
CN (1) CN116132361A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117579544A (zh) * 2024-01-17 2024-02-20 杭州映云科技有限公司 一种多路径数据传输方法、系统、设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117579544A (zh) * 2024-01-17 2024-02-20 杭州映云科技有限公司 一种多路径数据传输方法、系统、设备和存储介质

Similar Documents

Publication Publication Date Title
Chen-Xiao et al. Research on load balance method in SDN
CN112491714B (zh) SDN环境下基于深度强化学习的智能QoS路由优化方法、系统
Tran et al. QoE-based server selection for content distribution networks
Reis et al. Deep neural networks for network routing
Chen et al. Minimizing age-of-information for fog computing-supported vehicular networks with deep Q-learning
Sacco et al. Rope: An architecture for adaptive data-driven routing prediction at the edge
CN114710437B (zh) 一种结合区块链的物联网边缘网络路由系统
Xu et al. Evaluating and boosting reinforcement learning for intra-domain routing
CN106817256A (zh) 一种分布式系统网络资源运维管理可靠性提升方法
Han et al. Time-varying topology model for dynamic routing in LEO satellite constellation networks
CN116132361A (zh) 一种基于QoS和QoE的网络资源优化调整方法和系统
Houidi et al. Constrained deep reinforcement learning for smart load balancing
Ye et al. Federated traffic engineering with supervised learning in multi-region networks
CN115714741A (zh) 一种基于协同多智能体强化学习的路由决策方法及系统
Mahajan et al. Adaptive routing in wireless mesh networks using hybrid reinforcement learning algorithm
CN111865474A (zh) 基于边缘计算的无线通信抗干扰决策方法及系统
Houidi et al. Multi-agent graph convolutional reinforcement learning for intelligent load balancing
Zhang et al. A service migration method based on dynamic awareness in mobile edge computing
JP2019169783A (ja) 経路制御システム、経路制御方法、及び、プログラム
CN117041132A (zh) 一种基于深度强化学习的分布式负载均衡卫星路由方法
Bashar et al. Machine learning based call admission control approaches: A comparative study
CN106406082B (zh) 一种系统控制方法、装置，控制器及控制系统
TWI792784B (zh) 基於聯邦強化學習的邊緣計算卸載優化方法及通信系統
CN114500561B (zh) 电力物联网网络资源分配决策方法、系统、设备及介质
Tajiri et al. Optimizing edge-cloud cooperation for machine learning accuracy considering transmission latency and bandwidth congestion

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