CN116137630B - 网络业务需求的量化处理方法和装置 - Google Patents
网络业务需求的量化处理方法和装置 Download PDFInfo
- Publication number
- CN116137630B CN116137630B CN202310416374.0A CN202310416374A CN116137630B CN 116137630 B CN116137630 B CN 116137630B CN 202310416374 A CN202310416374 A CN 202310416374A CN 116137630 B CN116137630 B CN 116137630B
- Authority
- CN
- China
- Prior art keywords
- service
- matrix
- traffic
- demand
- transmission
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 89
- 238000011002 quantification Methods 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims description 54
- 241000406668 Loxodonta cyclotis Species 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开提出了一种网络业务需求的量化处理方法和装置。所述方法包括：按照流量特点进行业务参数量化，构建业务需求矩阵；对业务进行资源预分配，得到预分配的资源矩阵；将预分配的资源矩阵和业务需求矩阵做减法计算，得到偏差矩阵，并对偏差矩阵进行归一化处理；将归一化的偏差矩阵和业务权重向量做乘法计算，得到业务的需求期望；根据业务的需求期望判断是否达到目标。本公开的方案，通过对网络业务需求进行量化处理，能够更加清晰、直观的表示网络的构成和流量分布情况，以及对客户需求程度的满足情况，以此，有助于增加网络的利用率，提供更高的效益。
Description
技术领域
本公开涉及计算机技术领域，具体涉及一种网络业务需求的量化处理方法和装置。
背景技术
随着数据中心内部的流量越来越高，用户使用网络的瓶颈从端云之间的网络传输逐渐移至云网络内部的数据中心内部。数据中心以太网计算业务的时延敏感要求和存储业务的高吞叶要求存在剧烈冲突。对于计算业务来说，分布式计算提供了高效、可靠的性能，然而分布式计算的传输为网络带来大量内部短流量，短消息的传输成为计算业务的瓶颈；对于存储业务来说，基于数据中心的网络化存储提供了可扩展、高可靠的在线存储模式，然而数据存储业务超大的流量传输，常常影响其他业务的使用。
目前大多数的做法是基于网络管理者的经验，直接在网络上部署和开通业务。这样网络在业务规模比较小的情况下都还能够解决。但是随着业务的增加，业务的部署变得越来越难，很难综合去考虑和衡量如何在网络中部署。网络随着时间的推移变得越来越难维护和管理，很多时候都是局部的拥堵，导致客户的投诉增多但是网络整体的利用率并不是很高。
发明内容
本公开提出了一种网络业务需求的量化处理方法和装置。
第一方面，本公开提供一种网络业务需求的量化处理方法，包括：按照流量特点进行业务参数量化，构建业务需求矩阵；对业务进行资源预分配，得到预分配的资源矩阵；将预分配的资源矩阵和业务需求矩阵做减法计算，得到偏差矩阵，并对偏差矩阵进行归一化处理；将归一化的偏差矩阵和业务权重向量做乘法计算，得到业务的需求期望；根据业务的需求期望判断是否达到目标。
在一些可选的实施方式中，所述按照流量特点进行业务参数量化，构建业务需求矩阵的步骤，包括：按照流量特点将业务分为三种类型，三种类型包括大象流、老鼠流和集合突发通信流；采用M维度的量化参数表示业务需求；采用的三维矩阵表示包括N个节点的网络的业务需求，其中，描述老鼠流业务需求的三维矩阵记为/>，描述大象流业务需求的三维矩阵记为/>，描述集合突发通信流业务需求的三维矩阵记为/>；通过流量类型权重参数将量化后的业务需求合并成一个总的业务需求矩阵/>，，其中，/>为老鼠流业务权重，/>为大象流业务权重，为集合突发通信流业务权重。
在一些可选的实施方式中，所述采用M维度的量化参数表示业务需求的步骤，包括：用表示业务需求，其中，/>分别代表平均传输业务数据字节数和最大突发传输的业务数据字节数；/>分别代表期望的业务传输完成时间和最大容忍传输完成时间；/>为数据包从发送方到接收方的传输时延；/>为业务等级；/>为一次业务传输所需时间与无负载网络上完成业务传输所需最短时间的比值期望上界。
在一些可选的实施方式中，在所述对业务进行资源预分配的步骤之后，所述方法还包括：对预分配的资源进行硬性条件检查，如果检查不通过，则返回所述对业务进行资源预分配的步骤。
在一些可选的实施方式中，业务的需求期望用以下公式表示：
其中，为时延约束，/>为根据平均传输期望值和最大突发期望值计算出的最大丢包率，s为一次业务传输所需时间与无负载网络上完成业务传输所需最短时间的比值期望上界，/>表示协调系数。
在一些可选的实施方式中，为一个估算值，计算公式为/>//>-/>
在一些可选的实施方式中，所述方法还包括：如果根据业务的需求期望判断未达到目标，则返回所述对业务进行资源预分配的步骤。
第二方面，本公开提供一种网络业务需求的量化处理装置，包括：
预处理模块，被配置成按照流量特点进行业务参数量化，构建业务需求矩阵；
预分配模块，被配置成对业务进行资源预分配，得到预分配的资源矩阵；
处理模块，被配置成将预分配的资源矩阵和业务需求矩阵做减法计算，得到偏差矩阵，并对偏差矩阵进行归一化处理；将归一化的偏差矩阵和业务权重向量做乘法计算，得到业务的需求期望；根据业务的需求期望判断是否达到目标。
第三方面，本公开提供一种计算机设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面所述的网络业务需求的量化处理方法。
第四方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现如第一方面所述的网络业务需求的量化处理方法。
如上所述，为了解决现有技术中网络业务部署困难，网络整体利用率低的技术问题，本公开提出了一种网络业务需求的量化处理方法和装置。本公开按照流量特点对业务进行参数量化，通过分类建模描述，构建业务需求矩阵，相当于用一个统一的模型从更小的粒度定义和描述不同客户和业务的需求，在此统一量化的基础上，再用预分配的资源矩阵和业务需求矩阵做减法得到偏差矩阵，进而根据偏差矩阵计算业务的需求期望，从而，能够更加清晰、直观的表示网络的构成和流量分布情况，以及对客户需求程度的满足情况。以此，给网络管理者提供决策的同时也增加网络的利用率；在满足用户需求的同时，也为用户和网络运营者提供更高的效益。
本公开的方案，可用于以太网场景中的：数据中心或5G UPF（User PlaneFunction，用户面功能）的数据建模等。采用本公开的方案，可以让网络提供商或管理者，在业务需求部署的时候能够更全面进行业务的规划，提高网络的整体利用率，为用户和网络运营者提供更高的效益。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是根据本公开一个实施例的网络业务需求的量化处理方法的流程图；
图2是根据本公开一个实施例的网络业务需求的量化处理装置的结构图；
图3是根据本公开一实施例的计算机设备的硬件组成结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
在本公开的描述中，需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
本公开提出一种网络业务需求的量化处理方法和装置，可以用来对网络业务需求和效益期望进行建模与量化。本公开的方案，通过对流量特点分类建模描述，用一个统一的模型从更小的粒度定义和描述不同客户和业务的需求，通过统一的量化之后让网络运营者能够更加清晰、直观的看到网络的构成和流量分布情况，以及对客户需求程度的满足情况。给网络管理者提供决策的同时也增加网络的利用率；在满足用户需求的同时，也为用户和网络运营者提供更高的效益。
一般的，数据中心的网络业务（以太网业务）表现出以下特点：
（1）高吞吐：数据中心中有关存储应用或长视频应用的数据流数量相对较少，但却贡献了最多的传输字节数，业界将其称为大象流（Elephant flow）。对于大象流来说，它的时延需求不是很敏感，但是需要维持较高的吞吐率，以满足应用的需求。
（2）低时延：有关分布式计算或者Web（World Wide Web，全球广域网或万维网）服务请求之类的流量，它们的数目在数据中心中占比非常高但是每条流的长度却很短，一般将其称为老鼠流（Mouse flow）。对于老鼠流通常希望快速返回结果，因此要求延迟最小化。
（3）集合突发通信：集合突发通信通常发生在多对一的通信模式中。当一个父服务器向一组节点（服务器集群或存储集群）发起一个请求时，集群中的节点都会同时收到该请求，并且几乎同时做出响应，导致很多节点同时向一台机器（父服务器）发送TCP/UDP（Transmission Control Protocol / User Datagram Protocol，传输控制协议/用户数据报协议）数据流，从而产生了一个集合突发通信流，或者简称为突发流或微突发流，集合突发通信流经常会导致网络设备或网络接口拥塞。
（4）优先级区分：传统网络中，由于每一个端节点都是一个用户因此更加需要强调端节点之间的公平性；而作为一个整体的数据中心，则更看重整体对外的性能特性。在数据中心内部，往往需要优先满足更重要流的需求。如何针对不同的应用、不同的流量特性、不同的包类型设置不同的优先级，从而满足复杂的需求是数据中心业务建模面临的挑战。
参考图1，图1是根据本公开的一种网络业务需求的量化处理方法的一个实施例的流程图。本公开的网络业务需求的量化处理方法，通过结合数据中心流量的特点，对网络业务需求和效益期望进行建模与量化。本公开的方法可以由数据中心实施。如图1所示，该方法可包括如下步骤：
步骤11、分析用户的需求，根据用户的需求的流量特点（按照大象流、老鼠流、集合突发通信流分类），进行业务参数量化。对业务进行参数量化的过程中需要重点关注硬性指标的参数，并对硬性标准的参数做好标记。
可选的，具体的参数量化过程如下：
（a）采用M来计算业务的基本需求参数，M维度构成的基本需求参数集合可以定义为。参数说明如下：
分别代表平均传输业务数据字节数和最大突发传输的业务数据字节数；
分别代表期望的业务传输完成时间和最大容忍传输完成时间；
为数据包从发送方到接收方的传输时延；
为业务等级；
为一次业务传输所需时间与无负载网络上完成业务传输所需最短时间的比值期望上界；
上述参数均不考虑通信双方主机处理时延，为数据包或业务数据进入网络开始到数据包或业务数据最后一个字节离开网络的时间。
（b）假设网络中的节点数为N个，本身就构成一个二维矩阵来描述节点间是有通信需求（仅能描述有无状态，含点对点或集合通信两种方式）。加上M维度的量化参数，这样可以用一个/>的带量化参数的三维矩阵来描述业务需求。结合网络流量的特点，具体分以下三种情况来逐一量化，具体如下：
将老鼠流业务模型定义为业务需求矩阵；
将大象流业务模型定义为业务需求矩阵；
将集合突发通信流业务模型定义为业务需求矩阵。
对典型的Web服务业务模型，其可能只包含业务需求矩阵；
对大数据处理业务模型，可能包含业务需求矩阵；
对短视频和在线视频业务，可能包含业务需求矩阵；
其中，为描述老鼠流业务需求的/>三维矩阵，/>为描述大象流业务需求的/>三维矩阵，/>为描述集合突发通信流业务需求的/>三维矩阵。
步骤12，通过上述步骤11，每个业务按照类型分类就得到3个不同维度的矩阵，分别对应：老鼠流、大象流和集合突发通信流的业务需求。然后再通过流量类型权重参数将这些量化后的业务需求合并成一个业务需求矩阵/>。
数据中心以太网业务的业务需求矩阵模型可以描述为如下公式：
①
其中，为老鼠流业务权重，/>为大象流业务权重，/>为集合突发通信流业务权重。用户可以根据实际业务特点进行权重值的设置，对不存在对应流特征时，可将相应的权重参数k值设置为零。
举例来说，两个用户之间的通信业务，可能会通过视频方式，或者语音方式，或者短信息方式等多种方式中的一种或多种进行。这里，示例性的，这几种通信方式分别属于大象流和老鼠流，且老鼠流所占的比例高于大象流，且不存在突发通信流，则可以将设为一个较大的值，/>设为一个较低的值，/>设为0。
可选的，完成业务参数量化，构建业务需求矩阵之后，可以进行硬性条件检查，如果硬性检查通过则进行下一步骤（步骤13），如不通过则可以返回步骤11重新进行业务参数量化。
步骤13，在资源预分配的时候首先可以采用匈牙利算法按照最大匹配的方式对资源进行全局的分配，如果全部需求满足，确定为可分配，那么匹配结束。在资源不能满足的情况下，可以优先对业务优先级高的进行优先资源分配（可采用贪心法）。其他软性资源可以采用启发式搜索的方式来加速分配过程。（注意：本步骤中用到算法均为本领域熟知的常规算法，因此就不在本文中详细说明）
步骤14，完成步骤13之后，可以对预分配的资源进行硬性条件检查，如果硬性检查通过则进行下一步骤（步骤15），如不通过则可以通过更改算法等方式再重新分配，至不能分配出合适资源。
步骤15，完成步骤14之后，进行偏差计算，将预分配的资源矩阵和业务的需求矩阵（见公式①）做减法，得到偏差矩阵。
步骤16，对偏差矩阵数据做归一化处理，避免因为矩阵在数值计算过程中值因量化方式不一样导致正负值反转问题。
步骤17，完成归一化处理后，可以将偏差矩阵和业务权重向量做相乘运算，得到每个的业务的需求期望。这里，业务权重向量可以是一个已知量，可以由业务使用方（客户）提供。
效益期望为/>的网络效益期望矩阵/>，矩阵的元素取值定义如下：
其中，为时延约束，/>为根据平均传输期望值和最大突发期望值计算出的最大丢包率，s为一次业务传输所需时间与无负载网络上完成业务传输所需最短时间的比值期望上界，/>表示协调系数；
这里，可以为一个估算值，可以根据M维度的量化参数来进行估算，具体公式可以如下：/>//>-/>。
步骤18，根据上述公式②表示的需求矩阵，对比和判断偏差是否符合期望，或者说达到目标（是否在阈值范围内），如果符合则结束，如果不符合，则可以转入步骤13再重新分配资源，或局部优化资源再进行下一轮的资源预分配。
参考图2，图2是根据本公开的一种网络业务需求的量化处理装置的一个实施例200的结构图。本公开的装置可应用于数据中心。如图2所示，该装置200可包括：
预处理模块21，被配置成按照流量特点进行业务参数量化，构建业务需求矩阵；
预分配模块22，被配置成对业务进行资源预分配，得到预分配的资源矩阵；
处理模块23，被配置成将预分配的资源矩阵和业务需求矩阵做减法计算，得到偏差矩阵，并对偏差矩阵进行归一化处理；将归一化的偏差矩阵和业务权重向量做乘法计算，得到业务的需求期望；根据业务的需求期望判断是否达到目标。
在一些可选的实施方式中，预处理模块21可以进一步被配置成：
按照流量特点将业务分为三种类型，三种类型包括大象流、老鼠流和集合突发通信流；
采用一个M维度的集合来表示业务的基本需求参数；
采用的三维矩阵表示包括N个节点的网络的业务需求，其中，描述老鼠流业务需求的三维矩阵记为/>，描述大象流业务需求的三维矩阵记为/>，描述集合突发通信流业务需求的三维矩阵记为/>；
通过流量类型权重参数将量化后的业务需求合并成一个总的业务需求矩阵，，其中，/>为老鼠流业务权重，/>为大象流业务权重，为集合突发通信流业务权重。
在一些可选的实施方式中，预处理模块21可以进一步被配置成：
用表示业务的基本需求参数，其中，
分别代表平均传输业务数据字节数和最大突发传输的业务数据字节数；
分别代表期望的业务传输完成时间和最大容忍传输完成时间；
为数据包从发送方到接收方的传输时延；
为业务等级；
为一次业务传输所需时间与无负载网络上完成业务传输所需最短时间的比值期望上界。
在一些可选的实施方式中，预处理模块21可以进一步被配置成：在对业务进行资源预分配之后，对预分配的资源进行硬性条件检查，如果检查不通过，则返回对业务进行资源预分配的步骤。
在一些可选的实施方式中，业务的需求期望用以下公式表示：
其中，为时延约束，/>为根据平均传输期望值和最大突发期望值计算出的最大丢包率，s为一次业务传输所需时间与无负载网络上完成业务传输所需最短时间的比值期望上界，/>表示协调系数。
在一些可选的实施方式中，为一个估算值，计算公式为/>//>-/>
在一些可选的实施方式中，预分配模块22进一步被配置成：如果处理模块23根据业务的需求期望判断未达到目标，则重新对业务进行资源预分配。
需要说明的是，本实施例装置中各个模块的实现细节和技术效果可以参考本公开中其它实施例的说明，在此不再赘述。该装置的每个模块中的实现方案具有多样性，只要能达到模块的目的即可，实际部署中不受限于具体的实施方案。
参考图3，图3是根据本公开的计算机设备的一个实施例的硬件组成结构示意图。如图3所示，本公开的计算机设备300可包括：
一个或多个处理器301；
存储器302，其上存储有一个或多个程序303；
处理器301和存储器302等组件可通过总线系统304耦合在一起；总线系统304用于实现这些组件之间的连接通信；
当一个或多个程序303被一个或多个处理器301执行时，使得一个或多个处理器301实现如上文方法实施例中所公开的网络业务需求的量化处理方法。
其中，总线系统304除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线。存储器302可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。处理器301可能是具有信号处理能力的集成电路芯片，可以是通用处理器、数字信号处理器（DSP，Digital Signal Processor），或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被一个或多个处理器执行时实现如上文方法实施例中所公开的网络业务需求的量化处理方法。
本公开是参照根据本公开实施例的方法、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、嵌入式处理机或其他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他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他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他可编程数据处理设备上，使得在计算机或其他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，从而在计算机或其他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。
应理解，本公开中术语“系统”和“网络”在本文中常被可互换使用。本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
以上，通过具体实施例对本公开的技术方案进行了详细说明。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (6)
1.一种网络业务需求的量化处理方法，其特征在于，包括：
按照流量特点进行业务参数量化，构建业务需求矩阵；
对业务进行资源预分配，得到预分配的资源矩阵；
将预分配的资源矩阵和业务需求矩阵做减法计算，得到偏差矩阵，并对偏差矩阵进行归一化处理；
将归一化的偏差矩阵和业务权重向量做乘法计算，得到业务的需求期望；
根据业务的需求期望判断是否达到目标；
所述按照流量特点进行业务参数量化，构建业务需求矩阵的步骤，包括：
按照流量特点将业务分为三种类型，三种类型包括大象流、老鼠流和集合突发通信流；
采用一个M维度的集合来表示业务的基本需求参数；
采用的三维矩阵表示包括N个节点的网络的业务需求，其中，描述老鼠流业务需求的三维矩阵记为/>，描述大象流业务需求的三维矩阵记为/>，描述集合突发通信流业务需求的三维矩阵记为/>；
通过流量类型权重参数将量化后的业务需求合并成一个总的业务需求矩阵，，其中，/>为老鼠流业务权重，/>为大象流业务权重，/>为集合突发通信流业务权重；
所述采用一个M维度的集合来表示业务的基本需求参数的步骤，包括：
用表示业务的基本需求参数，其中，
分别代表平均传输业务数据字节数和最大突发传输的业务数据字节数；
分别代表期望的业务传输完成时间和最大容忍传输完成时间；
为数据包从发送方到接收方的传输时延；
为业务等级；
为一次业务传输所需时间与无负载网络上完成业务传输所需最短时间的比值期望上界；
业务的需求期望用以下公式表示：
其中，为时延约束，/>为根据平均传输期望值和最大突发期望值计算出的最大丢包率，s为一次业务传输所需时间与无负载网络上完成业务传输所需最短时间的比值期望上界，/>表示协调系数；
为一个估算值，计算公式为/>//>-/>。
2.根据权利要求1所述的方法，其特征在于，在所述对业务进行资源预分配的步骤之后，所述方法还包括：
对预分配的资源进行硬性条件检查，如果检查不通过，则返回所述对业务进行资源预分配的步骤。
3.根据权利要求1所述的方法，其特征在于，还包括：如果根据业务的需求期望判断未达到目标，则返回所述对业务进行资源预分配的步骤。
4.一种网络业务需求的量化处理装置，其特征在于，包括：
预处理模块，被配置成按照流量特点进行业务参数量化，构建业务需求矩阵；
预分配模块，被配置成对业务进行资源预分配，得到预分配的资源矩阵；
处理模块，被配置成将预分配的资源矩阵和业务需求矩阵做减法计算，得到偏差矩阵，并对偏差矩阵进行归一化处理；将归一化的偏差矩阵和业务权重向量做乘法计算，得到业务的需求期望；根据业务的需求期望判断是否达到目标；
所述预处理模块，进一步被配置成：
按照流量特点将业务分为三种类型，三种类型包括大象流、老鼠流和集合突发通信流；
采用一个M维度的集合来表示业务的基本需求参数；
采用的三维矩阵表示包括N个节点的网络的业务需求，其中，描述老鼠流业务需求的三维矩阵记为/>，描述大象流业务需求的三维矩阵记为/>，描述集合突发通信流业务需求的三维矩阵记为/>；
通过流量类型权重参数将量化后的业务需求合并成一个总的业务需求矩阵，，其中，/>为老鼠流业务权重，/>为大象流业务权重，/>为集合突发通信流业务权重；
所述采用一个M维度的集合来表示业务的基本需求参数包括：
用表示业务的基本需求参数，其中，
分别代表平均传输业务数据字节数和最大突发传输的业务数据字节数；
分别代表期望的业务传输完成时间和最大容忍传输完成时间；
为数据包从发送方到接收方的传输时延；
为业务等级；
为一次业务传输所需时间与无负载网络上完成业务传输所需最短时间的比值期望上界；
业务的需求期望用以下公式表示：
其中，为时延约束，/>为根据平均传输期望值和最大突发期望值计算出的最大丢包率，s为一次业务传输所需时间与无负载网络上完成业务传输所需最短时间的比值期望上界，/>表示协调系数；
为一个估算值，计算公式为/>//>-/>。
5.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-3中任一所述的网络业务需求的量化处理方法。
6.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现如权利要求1-3中任一所述的网络业务需求的量化处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310416374.0A CN116137630B (zh) | 2023-04-19 | 2023-04-19 | 网络业务需求的量化处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310416374.0A CN116137630B (zh) | 2023-04-19 | 2023-04-19 | 网络业务需求的量化处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116137630A CN116137630A (zh) | 2023-05-19 |
| CN116137630B true CN116137630B (zh) | 2023-08-18 |
Family
ID=86333570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310416374.0A Active CN116137630B (zh) | 2023-04-19 | 2023-04-19 | 网络业务需求的量化处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116137630B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657217A (zh) * | 2015-02-04 | 2015-05-27 | 南京理工大学紫金学院 | 一种基于非均匀粒度分类的云环境任务调度方法 |
| WO2017001630A1 (en) * | 2015-06-30 | 2017-01-05 | British Telecommunications Public Limited Company | Model management in a dynamic qos environment |
| CN106650993A (zh) * | 2016-10-11 | 2017-05-10 | 中国兵器工业信息中心 | 一种基于马尔科夫决策过程的动态资源优化方法 |
| CN106658727A (zh) * | 2016-04-28 | 2017-05-10 | 电子科技大学 | 一种基于多种相关属性的业务重要性确定与资源分配方法 |
| CN107453786A (zh) * | 2017-09-21 | 2017-12-08 | 冀北电力有限公司电力经济技术研究院 | 一种电力通信网络模型建立方法及装置 |
| CN110445646A (zh) * | 2019-07-30 | 2019-11-12 | 广东工业大学 | 一种基于注意力机制和流量预测模型的资源预留方法 |
| CN112383477A (zh) * | 2020-10-22 | 2021-02-19 | 国网电力科学研究院有限公司 | 一种面向数据中心光网络的路由和频谱分配方法及装置 |
| CN112560204A (zh) * | 2020-10-16 | 2021-03-26 | 北京邮电大学 | 一种基于lstm深度学习的光网络路由优化方法及其相关装置 |
| CN113190956A (zh) * | 2021-03-19 | 2021-07-30 | 广东工业大学 | 一种面向制造业大数据的回归建模方法 |
| CN113344356A (zh) * | 2021-05-31 | 2021-09-03 | 烽火通信科技股份有限公司 | 一种多目标资源分配决策方法和装置 |
| US11252029B1 (en) * | 2021-03-24 | 2022-02-15 | Facebook, Inc. | Systems and methods for configuring networks |
| CN114567598A (zh) * | 2022-02-25 | 2022-05-31 | 重庆邮电大学 | 一种基于深度学习和跨域协作的负载均衡方法及装置 |
| CN114827021A (zh) * | 2022-06-27 | 2022-07-29 | 南京邮电大学 | 一种基于sdn和机器学习的多媒体业务流量加速系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705959B (zh) * | 2021-05-11 | 2023-08-15 | 北京邮电大学 | 网络资源分配方法及电子设备 |
-
2023
- 2023-04-19 CN CN202310416374.0A patent/CN116137630B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657217A (zh) * | 2015-02-04 | 2015-05-27 | 南京理工大学紫金学院 | 一种基于非均匀粒度分类的云环境任务调度方法 |
| WO2017001630A1 (en) * | 2015-06-30 | 2017-01-05 | British Telecommunications Public Limited Company | Model management in a dynamic qos environment |
| CN106658727A (zh) * | 2016-04-28 | 2017-05-10 | 电子科技大学 | 一种基于多种相关属性的业务重要性确定与资源分配方法 |
| CN106650993A (zh) * | 2016-10-11 | 2017-05-10 | 中国兵器工业信息中心 | 一种基于马尔科夫决策过程的动态资源优化方法 |
| CN107453786A (zh) * | 2017-09-21 | 2017-12-08 | 冀北电力有限公司电力经济技术研究院 | 一种电力通信网络模型建立方法及装置 |
| CN110445646A (zh) * | 2019-07-30 | 2019-11-12 | 广东工业大学 | 一种基于注意力机制和流量预测模型的资源预留方法 |
| CN112560204A (zh) * | 2020-10-16 | 2021-03-26 | 北京邮电大学 | 一种基于lstm深度学习的光网络路由优化方法及其相关装置 |
| CN112383477A (zh) * | 2020-10-22 | 2021-02-19 | 国网电力科学研究院有限公司 | 一种面向数据中心光网络的路由和频谱分配方法及装置 |
| CN113190956A (zh) * | 2021-03-19 | 2021-07-30 | 广东工业大学 | 一种面向制造业大数据的回归建模方法 |
| US11252029B1 (en) * | 2021-03-24 | 2022-02-15 | Facebook, Inc. | Systems and methods for configuring networks |
| CN113344356A (zh) * | 2021-05-31 | 2021-09-03 | 烽火通信科技股份有限公司 | 一种多目标资源分配决策方法和装置 |
| CN114567598A (zh) * | 2022-02-25 | 2022-05-31 | 重庆邮电大学 | 一种基于深度学习和跨域协作的负载均衡方法及装置 |
| CN114827021A (zh) * | 2022-06-27 | 2022-07-29 | 南京邮电大学 | 一种基于sdn和机器学习的多媒体业务流量加速系统 |
Non-Patent Citations (1)
| Title |
|---|
| "算力网络中高效算力资源度量方法";柴若楠;《计算机研究与发展》;763−771 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116137630A (zh) | 2023-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10491538B2 (en) | Adaptive algorithm for cloud admission policies | |
| WO2020258920A1 (zh) | 一种网络切片资源管理方法及设备 | |
| JP4421637B2 (ja) | サブタスク・プロセッサの分散スケジューリング | |
| US11751004B2 (en) | Methods and systems for communication management | |
| JP2016525757A (ja) | 分散型クラウドにおける作業負荷移動に基づくプロファイルベースのｓｌａ保証 | |
| CN108512672B (zh) | 业务编排方法、业务管理方法及装置 | |
| Hemmati et al. | QoE-aware bandwidth allocation for video traffic using sigmoidal programming | |
| CN110149282B (zh) | 流量调度方法和装置 | |
| CN113961264B (zh) | 一种面向视频监控云边协同的智能卸载算法与系统 | |
| CN107018024B (zh) | 一种云服务推荐方法及装置 | |
| US9674099B2 (en) | Network classification for applications | |
| CN111131447A (zh) | 一种基于中介节点任务分配的负载均衡方法 | |
| CN116137630B (zh) | 网络业务需求的量化处理方法和装置 | |
| CN103825963B (zh) | 虚拟服务迁移方法 | |
| Bensalem et al. | Scaling Serverless Functions in Edge Networks: A Reinforcement Learning Approach | |
| CN109005060B (zh) | 一种基于层级化高度异构分布式系统的深度学习应用优化框架 | |
| CN113453285B (zh) | 一种资源调整方法、装置及存储介质 | |
| CN109739513B (zh) | 一种多边缘云下服务请求动态调度方法及装置 | |
| CN115700482A (zh) | 任务执行方法及装置 | |
| Barrameda et al. | A novel application model and an offloading mechanism for efficient mobile computing | |
| CN111784029A (zh) | 一种雾节点资源分配方法 | |
| Safvati et al. | Analytical review on queuing theory in clouds environments | |
| WO2023240911A1 (zh) | 算力调度系统和方法、控制节点、存储介质、设备 | |
| Skirelis et al. | Classifier based gateway for edge computing | |
| TWI786839B (zh) | 5g核心網路中多流量類型的適性網路切片生成系統及其方法 |
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 |