CN117278526B - 一种基于人工神经网络的代理ip地址调度方法和装置 - Google Patents
一种基于人工神经网络的代理ip地址调度方法和装置 Download PDFInfo
- Publication number
- CN117278526B CN117278526B CN202311554038.9A CN202311554038A CN117278526B CN 117278526 B CN117278526 B CN 117278526B CN 202311554038 A CN202311554038 A CN 202311554038A CN 117278526 B CN117278526 B CN 117278526B
- Authority
- CN
- China
- Prior art keywords
- proxy
- address
- addresses
- response speed
- connection bandwidth
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 104
- 239000003795 chemical substances by application Substances 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L61/00—Network arrangements, protocols or services for addressing or naming
- H04L61/50—Address allocation
- H04L61/5007—Internet protocol [IP] addresses
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出了一种基于人工神经网络的代理IP地址调度方法和装置,该方法包括:每隔时间t对代理IP地址资源池中的每个代理IP地址进行扫描,获取每个代理IP地址的扫描参数,调度服务器接收用户需要使用代理IP地址进行数据访问的访问请求,计算每条代理IP地址的访问可靠度、平均连接带宽和平均响应速度,从所述N条代理IP地址选择出M条候选代理IP地址;基于人工神经网络从M条候选代理IP地址中匹配出L条匹配代理IP地址,调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户。本发明能够推荐最为合适的代理IP地址给用户,避免IP地址的浪费。
Description
技术领域
本发明涉及人工智能及IP资源管理技术领域,具体涉及一种基于人工神经网络的代理IP地址调度方法和装置。
背景技术
现有技术中,代理IP地址的调度一般基于优先级算法、FIFO、负载均衡等算法进行调度,但是该些算法能满足一些用户的需要,但给用户调度的代理IP地址可能存在资源的浪费,导致后续高需求用户无法分配到合适的代理IP地址,影响网络的性能,或者代理IP地址从海量的代理IP地址池中进行调度,调度速度较慢,且不够精准。
发明内容
本发明针对上述现有技术中一个或多个技术缺陷,提出了如下技术方案。
一种基于人工神经网络的代理IP地址调度方法,所述方法应用于数据中心的调度服务器,该方法包括:
扫描步骤,每隔时间t对代理IP地址资源池中的每个代理IP地址进行扫描,获取每个代理IP地址的扫描参数,所述扫描参数包括代理IP地址当前是否可访问、连接带宽以及响应速度,其中所述代理IP地址资源池包括N条代理IP地址,将每条代理IP地址每隔时间t获取的扫描参数构成一条历史记录AIPi={(accesst、Wt、St)、(access2t、W2t、S2t)、……、(accesskt、Wkt、Skt)},accesskt表示kt时刻第i条代理IP地址是否可访问,取值为0或1,0表示不可访问,1表示可以访问、Wkt表示kt时刻第i条代理IP地址的连接带宽、Skt表示kt时刻第i条代理IP地址的响应速度;
接收步骤,调度服务器接收用户需要使用代理IP地址进行数据访问的访问请求,所述访问请求包括访问优先级、代理IP地址的最小需求连接带宽以及最低需求响应速度;
预处理步骤,基于第i条代理IP地址的历史记录AIPi计算该代理IP地址的访问可靠度、平均连接带宽和平均响应速度;
候选步骤,基于所述最小需求连接带宽以及最低需求响应速度与每条代理IP地址的平均连接带宽和平均响应速度从所述N条代理IP地址选择出M条候选代理IP地址;
匹配步骤,实时获取M条候选代理IP地址中每条代理IP地址的实时连接带宽和实时响应速度,将每条代理IP地址的实时连接带宽、实时响应速度和可靠度以及所述优先级、最小需求连接带宽以及最低需求响应速度构成输入向量输入至训练后的人工神经网络中匹配,得到L条匹配代理IP地址,所述L条匹配代理IP地址按照匹配度Mj大小进行降序排列;
确定步骤,调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户;
其中,2≤L≤M≤N,1≤i≤N,k为大于1的自然数。
更进一步地,所述每条代理IP地址访问可靠度的确定方式为:
,其中,l为自然数。
更进一步地,所述输入向量为InputVi=[RWi、RSi、α*RIPi、β*Pr、LW、LS],RWi表示第i条代理IP地址的实时连接带宽、RSi表示第i条代理IP地址的实时响应速度、RIPi表示第i条代理IP地址的可靠度、Pr表示所述优先级、LW表示最小需求连接带宽、LS表示最低需求响应速度,其中,
;
。
更进一步地,所述调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户的操作为:
计算L条匹配代理IP地址的实时连接带宽、实时响应速度与最小需求连接带宽、最低需求响应速度的余弦相似度Cosj;
计算L条匹配代理IP地址中的第j条代理IP地址与所述访问请求的推荐度值RECj:
;
选择推荐度值RECj最大的一条代理IP地址分配给所述用户;
其中,γ、δ、ε为常数。
更进一步地,其中,,/>,/>。
本发明还提出了一种基于人工神经网络的代理IP地址调度装置,所述装置应用于数据中心的调度服务器,该装置包括:
扫描单元,每隔时间t对代理IP地址资源池中的每个代理IP地址进行扫描,获取每个代理IP地址的扫描参数,所述扫描参数包括代理IP地址当前是否可访问、连接带宽以及响应速度,其中所述代理IP地址资源池包括N条代理IP地址,将每条代理IP地址每隔时间t获取的扫描参数构成一条历史记录AIPi={(accesst、Wt、St)、(access2t、W2t、S2t)、……、(accesskt、Wkt、Skt)},accesskt表示kt时刻第i条代理IP地址是否可访问,取值为0或1,0表示不可访问,1表示可以访问、Wkt表示kt时刻第i条代理IP地址的连接带宽、Skt表示kt时刻第i条代理IP地址的响应速度;
接收单元,调度服务器接收用户需要使用代理IP地址进行数据访问的访问请求,所述访问请求包括访问优先级、代理IP地址的最小需求连接带宽以及最低需求响应速度;
预处理单元,基于第i条代理IP地址的历史记录AIPi计算该代理IP地址的访问可靠度、平均连接带宽和平均响应速度;
候选单元,基于所述最小需求连接带宽以及最低需求响应速度与每条代理IP地址的平均连接带宽和平均响应速度从所述N条代理IP地址选择出M条候选代理IP地址;
匹配单元,实时获取M条候选代理IP地址中每条代理IP地址的实时连接带宽和实时响应速度,将每条代理IP地址的实时连接带宽、实时响应速度和可靠度以及所述优先级、最小需求连接带宽以及最低需求响应速度构成输入向量输入至训练后的人工神经网络中匹配,得到L条匹配代理IP地址,所述L条匹配代理IP地址按照匹配度Mj大小进行降序排列;
确定单元,调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户;
其中,2≤L≤M≤N,1≤i≤N,k为大于1的自然数。
更进一步地,所述每条代理IP地址访问可靠度的确定方式为:
,其中,l为自然数。
更进一步地,所述输入向量为InputVi=[RWi、RSi、α*RIPi、β*Pr、LW、LS],RWi表示第i条代理IP地址的实时连接带宽、RSi表示第i条代理IP地址的实时响应速度、RIPi表示第i条代理IP地址的可靠度、Pr表示所述优先级、LW表示最小需求连接带宽、LS表示最低需求响应速度,其中,
;
。
更进一步地,所述调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户的操作为:
计算L条匹配代理IP地址的实时连接带宽、实时响应速度与最小需求连接带宽、最低需求响应速度的余弦相似度Cosj;
计算L条匹配代理IP地址中的第j条代理IP地址与所述访问请求的推荐度值RECj:
;
选择推荐度值RECj最大的一条代理IP地址分配给所述用户;
其中,γ、δ、ε为常数。
更进一步地,其中,,/>,/>。
本发明还提出了一种计算机可读存储介质,所述存储介质上存储有计算机程序代码,当所述计算机程序代码被计算机执行时执行上述之任一的方法。
本发明的技术效果在于:本发明的一种基于人工神经网络的代理IP地址调度方法和装置,该方法包括:扫描步骤S101,每隔时间t对代理IP地址资源池中的每个代理IP地址进行扫描,获取每个代理IP地址的扫描参数,所述扫描参数包括代理IP地址当前是否可访问、连接带宽以及响应速度,其中所述代理IP地址资源池包括N条代理IP地址,将每条代理IP地址每隔时间t获取的扫描参数构成一条历史记录AIPi={(accesst、Wt、St)、(access2t、W2t、S2t)、……、(accesskt、Wkt、Skt)},accesskt表示kt时刻第i条代理IP地址是否可访问,取值为0或1,0表示不可访问,1表示可以访问、Wkt表示kt时刻第i条代理IP地址的连接带宽、Skt表示kt时刻第i条代理IP地址的响应速度;接收步骤S102,调度服务器接收用户需要使用代理IP地址进行数据访问的访问请求,所述访问请求包括访问优先级、代理IP地址的最小需求连接带宽以及最低需求响应速度;预处理步骤S103,基于第i条代理IP地址的历史记录AIPi计算该代理IP地址的访问可靠度、平均连接带宽和平均响应速度;候选步骤S104,基于所述最小需求连接带宽以及最低需求响应速度与每条代理IP地址的平均连接带宽和平均响应速度从所述N条代理IP地址选择出M条候选代理IP地址;匹配步骤S105,实时获取M条候选代理IP地址中每条代理IP地址的实时连接带宽和实时响应速度,将每条代理IP地址的实时连接带宽、实时响应速度和可靠度以及所述优先级、最小需求连接带宽以及最低需求响应速度构成输入向量输入至训练后的人工神经网络中匹配,得到L条匹配代理IP地址,所述L条匹配代理IP地址按照匹配度Mj大小进行降序排列;确定步骤S106,调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户;其中,2≤L≤M≤N,1≤i≤N,k为大于1的自然数。本发明的方法应用于数据中心的调度服务器,创造性的提出了结合人工智能技术进行代理IP地址的调度,本发明中首先每隔时间t对代理IP地址资源池中的每个代理IP地址进行扫描,获取每个代理IP地址的扫描参数,然后接受用户的访问请求,所述访问请求包括访问优先级、代理IP地址的最小需求连接带宽以及最低需求响应速度,对所述扫描参数进行预处理得到每一条代理IP地址的访问可靠度、平均连接带宽和平均响应速度,然后基于所述访问请求中要求的最小需求连接带宽以及最低需求响应速度筛选出多条代理IP地址组成的候选代理IP地址集合,然后使用训练后的人工神经网络基于候选代理IP地址的实时连接带宽、实时响应速度和可靠度以及所述优先级、最小需求连接带宽以及最低需求响应速度构成输入得到匹配多条匹配代理IP地址,再从这多条匹配代理IP地址选择最匹配的一条IP地址分配给所述用户,即本发明中先通过历史参数筛选出一个候选代理IP地址集合,再基于人工智能技术从中选择多条匹配代理IP地址,再选择最匹配的一条IP地址分配给所述用户,采用逐步计算的方式,提高了调度效率及调度准确率,由于本发明中并不是将人工神经网络推荐的匹配度最高的代理IP地址分配给用户,而是从中选择最匹配的一个代理IP地址分给用户,即分配给该用户的代理IP地址满足用户的所有需求,但并不一定是将最优的代理IP地址分配给该用户,最优的代理IP地址保留给其他需求更高的用户;本发明计算了每条匹配代理IP地址的实时连接带宽、实时响应速度与最小需求连接带宽、最低需求响应速度的余弦相似度,并在计算推荐度时给予其相对大的权重,其余两项的权重基于较小点,本发明提出了计算推荐度时可靠度、匹配度及余弦相似度的具体权重计算方法,能够推荐最为合适的代理IP地址给用户,避免IP地址的浪费。
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,本申请的其它特征、目的和优点将会变得更明显。
图1是根据本发明的实施例的一种基于人工神经网络的代理IP地址调度方法的流程图。
图2是根据本发明的实施例的一种基于人工神经网络的代理IP地址调度装置的结构图。
具体实施方式
下面结合附图和实施例对本申请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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的一种基于人工神经网络的代理IP地址调度方法,该方法包括:
扫描步骤S101,每隔时间t对代理IP地址资源池中的每个代理IP地址进行扫描,获取每个代理IP地址的扫描参数,所述扫描参数包括代理IP地址当前是否可访问、连接带宽以及响应速度,其中所述代理IP地址资源池包括N条代理IP地址,将每条代理IP地址每隔时间t获取的扫描参数构成一条历史记录AIPi={(accesst、Wt、St)、(access2t、W2t、S2t)、……、(accesskt、Wkt、Skt)},accesskt表示kt时刻第i条代理IP地址是否可访问,取值为0或1,0表示不可访问,1表示可以访问、Wkt表示kt时刻第i条代理IP地址的连接带宽、Skt表示kt时刻第i条代理IP地址的响应速度;
接收步骤S102,调度服务器接收用户需要使用代理IP地址进行数据访问的访问请求,所述访问请求包括访问优先级、代理IP地址的最小需求连接带宽以及最低需求响应速度;
预处理步骤S103,基于第i条代理IP地址的历史记录AIPi计算该代理IP地址的访问可靠度、平均连接带宽和平均响应速度;
候选步骤S104,基于所述最小需求连接带宽以及最低需求响应速度与每条代理IP地址的平均连接带宽和平均响应速度从所述N条代理IP地址选择出M条候选代理IP地址;
匹配步骤S105,实时获取M条候选代理IP地址中每条代理IP地址的实时连接带宽和实时响应速度,将每条代理IP地址的实时连接带宽、实时响应速度和可靠度以及所述优先级、最小需求连接带宽以及最低需求响应速度构成输入向量输入至训练后的人工神经网络中匹配,得到L条匹配代理IP地址,所述L条匹配代理IP地址按照匹配度Mj大小进行降序排列;
确定步骤S106,调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户;
其中,2≤L≤M≤N,1≤i≤N,k为大于1的自然数。
本发明的方法应用于数据中心的调度服务器,创造性的提出了结合人工智能技术进行代理IP地址的调度,本发明中首先每隔时间t对代理IP地址资源池中的每个代理IP地址进行扫描,获取每个代理IP地址的扫描参数,然后接受用户的访问请求,所述访问请求包括访问优先级、代理IP地址的最小需求连接带宽以及最低需求响应速度,对所述扫描参数进行预处理得到每一条代理IP地址的访问可靠度、平均连接带宽和平均响应速度,然后基于所述访问请求中要求的最小需求连接带宽以及最低需求响应速度筛选出多条代理IP地址组成的候选代理IP地址集合,然后使用训练后的人工神经网络基于候选代理IP地址的实时连接带宽、实时响应速度和可靠度以及所述优先级、最小需求连接带宽以及最低需求响应速度构成输入得到匹配多条匹配代理IP地址,再从这多条匹配代理IP地址选择最匹配的一条IP地址分配给所述用户,即本发明中先通过历史参数筛选出一个候选代理IP地址集合,再基于人工智能技术从中选择多条匹配代理IP地址,再选择最匹配的一条IP地址分配给所述用户,采用逐步计算的方式,提高了调度效率及调度准确率,由于本发明中并不是将人工神经网络推荐的匹配度最高的代理IP地址分配给用户,而是从中选择最匹配的一个代理IP地址分给用户,即分配给该用户的代理IP地址满足用户的所有需求,但并不一定是将最优的代理IP地址分配给该用户,最优的代理IP地址保留给其他需求更高的用户,这是本发明的一个重要发明构思之所在。
在一个本发明的实施例中,所采用的神经网络可以是CNN或LSTM模型。神经网络使用之前需要进行训练,可以将训练样本集随机分为四部分,前三部分用于训练,最后一份用于测试,可以使用前三部分样本集交叉对所述神经网络模型训练,最小训练速率可以设置为0.8-0.9,训练迭代次数一般设置为2000-5000次,Sigmoid激励参数可以设置为0.8-0.98之间。
在一个本发明的实施例中,为了使人工神经网络推荐的代理IP地址健壮,需要将
扫描的历史数据进行处理,便于神经网络能够接收处理,本发明中创造性的提出了每条代
理IP地址访问可靠度的确定方式为:
,其中,l为自然数,通过该方式可以准确的表达每条代理IP地址访问可靠度,从而提高了后续神经网络的计算的匹配度更加准确,这是本发明的重要发明构思之一。
在一个本发明的实施例中,所述输入向量为InputVi=[RWi、RSi、α*RIPi、β*Pr、LW、LS],RWi表示第i条代理IP地址的实时连接带宽、RSi表示第i条代理IP地址的实时响应速度、RIPi表示第i条代理IP地址的可靠度、Pr表示所述优先级、LW表示最小需求连接带宽、LS表示最低需求响应速度,其中,
;
。
本发明中,没有直接采用注意力神经网络的结构,是因为注意力神经网络的计算过于复杂,计算效率低下,本发明,在处理输入向量时,借鉴注意力机制的思想,给优先级、可靠度增加一个大于1的权重,相较于其他项,在后续的神经网络计算过程中,优先级、可靠度对匹配度的影响大于其他项的影响,这是符合本发明的需要的,且本发明提出了具体的优先级、可靠度权重计算方式,从而可以提高后续神经网络的匹配精度,这是本发明的重要发明构思之一。
在一个本发明的实施例中,所述调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户的操作为:
计算L条匹配代理IP地址的实时连接带宽、实时响应速度与最小需求连接带宽、最低需求响应速度的余弦相似度Cosj;
计算L条匹配代理IP地址中的第j条代理IP地址与所述访问请求的推荐度值RECj:
;
选择推荐度值RECj最大的一条代理IP地址分配给所述用户;
其中,γ、δ、ε为常数。
其中,,/>,/>。
如前所述,本发明的目的是分配给该用户的代理IP地址满足用户的所有需求,但并不一定是将最优的代理IP地址分配给该用户,最优的代理IP地址保留给其他需求更高的用户,因此,本发明中的调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户,确定的主要依据是可靠度、匹配度及余弦相似度,由于人工神经网络匹配出的代理IP地址均能满足用户的需要,因此,本发明计算了每条匹配代理IP地址的实时连接带宽、实时响应速度与最小需求连接带宽、最低需求响应速度的余弦相似度,并在计算推荐度时给予其相对大的权重,其余两项的权重基于较小点,本发明提出了计算推荐度时可靠度、匹配度及余弦相似度的具体权重计算方法,能够推荐最为合适的代理IP地址给用户,避免IP地址的浪费,这是本发明的重要发明构思之一。
图2示出了本发明的本发明的一种基于人工神经网络的代理IP地址调度装置,该装置包括:
扫描单元201,每隔时间t对代理IP地址资源池中的每个代理IP地址进行扫描,获取每个代理IP地址的扫描参数,所述扫描参数包括代理IP地址当前是否可访问、连接带宽以及响应速度,其中所述代理IP地址资源池包括N条代理IP地址,将每条代理IP地址每隔时间t获取的扫描参数构成一条历史记录AIPi={(accesst、Wt、St)、(access2t、W2t、S2t)、……、(accesskt、Wkt、Skt)},accesskt表示kt时刻第i条代理IP地址是否可访问,取值为0或1,0表示不可访问,1表示可以访问、Wkt表示kt时刻第i条代理IP地址的连接带宽、Skt表示kt时刻第i条代理IP地址的响应速度;
接收单元202,调度服务器接收用户需要使用代理IP地址进行数据访问的访问请求,所述访问请求包括访问优先级、代理IP地址的最小需求连接带宽以及最低需求响应速度;
预处理单元203,基于第i条代理IP地址的历史记录AIPi计算该代理IP地址的访问可靠度、平均连接带宽和平均响应速度;
候选单元204,基于所述最小需求连接带宽以及最低需求响应速度与每条代理IP地址的平均连接带宽和平均响应速度从所述N条代理IP地址选择出M条候选代理IP地址;
匹配单元205,实时获取M条候选代理IP地址中每条代理IP地址的实时连接带宽和实时响应速度,将每条代理IP地址的实时连接带宽、实时响应速度和可靠度以及所述优先级、最小需求连接带宽以及最低需求响应速度构成输入向量输入至训练后的人工神经网络中匹配,得到L条匹配代理IP地址,所述L条匹配代理IP地址按照匹配度Mj大小进行降序排列;
确定单元206,调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户;
其中,2≤L≤M≤N,1≤i≤N,k为大于1的自然数。
本发明的方法应用于数据中心的调度服务器,创造性的提出了结合人工智能技术进行代理IP地址的调度,本发明中首先每隔时间t对代理IP地址资源池中的每个代理IP地址进行扫描,获取每个代理IP地址的扫描参数,然后接受用户的访问请求,所述访问请求包括访问优先级、代理IP地址的最小需求连接带宽以及最低需求响应速度,对所述扫描参数进行预处理得到每一条代理IP地址的访问可靠度、平均连接带宽和平均响应速度,然后基于所述访问请求中要求的最小需求连接带宽以及最低需求响应速度筛选出多条代理IP地址组成的候选代理IP地址集合,然后使用训练后的人工神经网络基于候选代理IP地址的实时连接带宽、实时响应速度和可靠度以及所述优先级、最小需求连接带宽以及最低需求响应速度构成输入得到匹配多条匹配代理IP地址,再从这多条匹配代理IP地址选择最匹配的一条IP地址分配给所述用户,即本发明中先通过历史参数筛选出一个候选代理IP地址集合,再基于人工智能技术从中选择多条匹配代理IP地址,再选择最匹配的一条IP地址分配给所述用户,采用逐步计算的方式,提高了调度效率及调度准确率,由于本发明中并不是将人工神经网络推荐的匹配度最高的代理IP地址分配给用户,而是从中选择最匹配的一个代理IP地址分给用户,即分配给该用户的代理IP地址满足用户的所有需求,但并不一定是将最优的代理IP地址分配给该用户,最优的代理IP地址保留给其他需求更高的用户,这是本发明的一个重要发明构思之所在。
在一个本发明的实施例中,所采用的神经网络可以是CNN或LSTM模型。神经网络使用之前需要进行训练,可以将训练样本集随机分为四部分,前三部分用于训练,最后一份用于测试,可以使用前三部分样本集交叉对所述神经网络模型训练,最小训练速率可以设置为0.8-0.9,训练迭代次数一般设置为2000-5000次,Sigmoid激励参数可以设置为0.8-0.98之间。
在一个本发明的实施例中,为了使人工神经网络推荐的代理IP地址健壮,需要将扫描的历史数据进行处理,便于神经网络能够接收处理,本发明中创造性的提出了每条代理IP地址访问可靠度的确定方式为:
,其中,l为自然数,通过该方式可以准确的表达每条代理IP地址访问可靠度,从而提高了后续神经网络的计算的匹配度更加准确,这是本发明的重要发明构思之一。
在一个本发明的实施例中,所述输入向量为InputVi=[RWi、RSi、α*RIPi、β*Pr、LW、LS],RWi表示第i条代理IP地址的实时连接带宽、RSi表示第i条代理IP地址的实时响应速度、RIPi表示第i条代理IP地址的可靠度、Pr表示所述优先级、LW表示最小需求连接带宽、LS表示最低需求响应速度,其中,
;
。
本发明中,没有直接采用注意力神经网络的结构,是因为注意力神经网络的计算过于复杂,计算效率低下,本发明,在处理输入向量时,借鉴注意力机制的思想,给优先级、可靠度增加一个大于1的权重,相较于其他项,在后续的神经网络计算过程中,优先级、可靠度对匹配度的影响大于其他项的影响,这是符合本发明的需要的,且本发明提出了具体的优先级、可靠度权重计算方式,从而可以提高后续神经网络的匹配精度,这是本发明的重要发明构思之一。
在一个本发明的实施例中,所述调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户的操作为:
计算L条匹配代理IP地址的实时连接带宽、实时响应速度与最小需求连接带宽、最低需求响应速度的余弦相似度Cosj;
计算L条匹配代理IP地址中的第j条代理IP地址与所述访问请求的推荐度值RECj:
;
选择推荐度值RECj最大的一条代理IP地址分配给所述用户;
其中,γ、δ、ε为常数。
其中,,/>,/>。
如前所述,本发明的目的是分配给该用户的代理IP地址满足用户的所有需求,但并不一定是将最优的代理IP地址分配给该用户,最优的代理IP地址保留给其他需求更高的用户,因此,本发明中的调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户,确定的主要依据是可靠度、匹配度及余弦相似度,由于人工神经网络匹配出的代理IP地址均能满足用户的需要,因此,本发明计算了每条匹配代理IP地址的实时连接带宽、实时响应速度与最小需求连接带宽、最低需求响应速度的余弦相似度,并在计算推荐度时给予其相对大的权重,其余两项的权重基于较小点,本发明提出了计算推荐度时可靠度、匹配度及余弦相似度的具体权重计算方法,能够推荐最为合适的代理IP地址给用户,避免IP地址的浪费,这是本发明的重要发明构思之一。
本发明的为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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存储介质 中,如ROM/RAM、磁碟、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,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的装置。
最后所应说明的是:以上实施例仅以说明而非限制本发明的技术方案,尽管参照上述实施例对本发明进行了详细说明,本领域的普通技术人员应当理解:依然可以对本发明进行修改或者等同替换,而不脱离本发明的精神和范围的任何修改或局部替换,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于人工神经网络的代理IP地址调度方法,所述方法应用于数据中心的调度服务器,其特征在于,该方法包括:扫描步骤,每隔时间t对代理IP地址资源池中的每个代理IP地址进行扫描,获取每个代理IP地址的扫描参数,所述扫描参数包括代理IP地址当前是否可访问、连接带宽以及响应速度,其中所述代理IP地址资源池包括N条代理IP地址,将每条代理IP地址每隔时间t获取的扫描参数构成一条历史记录AIPi={(accesst、Wt、St)、(access2t、W2t、S2t)、……、(accesskt、Wkt、Skt)},accesskt表示kt时刻第i条代理IP地址是否可访问,取值为0或1,0表示不可访问,1表示可以访问、Wkt表示kt时刻第i条代理IP地址的连接带宽、Skt表示kt时刻第i条代理IP地址的响应速度;
接收步骤,调度服务器接收用户需要使用代理IP地址进行数据访问的访问请求,所述访问请求包括访问优先级、代理IP地址的最小需求连接带宽以及最低需求响应速度;
预处理步骤,基于第i条代理IP地址的历史记录AIPi计算该代理IP地址的访问可靠度、平均连接带宽和平均响应速度;
所述每条代理IP地址访问可靠度RIPi的确定方式为:
其中,l为自然数,k为大于1的自然数;
候选步骤,基于所述最小需求连接带宽以及最低需求响应速度与每条代理IP地址的平均连接带宽和平均响应速度从所述N条代理IP地址选择出M条候选代理IP地址;
匹配步骤,实时获取M条候选代理IP地址中每条代理IP地址的实时连接带宽和实时响应速度,将每条代理IP地址的实时连接带宽、实时响应速度和可靠度以及所述优先级、最小需求连接带宽以及最低需求响应速度构成输入向量输入至训练后的人工神经网络中匹配,得到L条匹配代理IP地址,所述L条匹配代理IP地址按照匹配度Mj大小进行降序排列;
确定步骤,调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户;
所述调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户的操作为:
计算L条匹配代理IP地址的实时连接带宽、实时响应速度与最小需求连接带宽、最低需求响应速度的余弦相似度Cosj;
计算L条匹配代理IP地址中的第j条代理IP地址与所述访问请求的推荐度值RECj:
RECj=γRIPj+δMj+εCosj;
选择推荐度值RECj最大的一条代理IP地址分配给所述用户;
其中,
其中,2≤L≤M≤N,1≤i≤N,k为大于1的自然数。
2.根据权利要求1所述的方法,其特征在于,所述输入向量为InputVi=[RWi、RSi、α*RIPi、β*Pr、LW、LS],RWi表示第i条代理IP地址的实时连接带宽、RSi表示第i条代理IP地址的实时响应速度、RIPi表示第i条代理IP地址的可靠度、Pr表示所述优先级、LW表示最小需求连接带宽、LS表示最低需求响应速度,其中,
β=e-Pr+1。
3.一种基于人工神经网络的代理IP地址调度装置,所述装置应用于数据中心的调度服务器,其特征在于,该装置包括:
扫描单元,每隔时间t对代理IP地址资源池中的每个代理IP地址进行扫描,获取每个代理IP地址的扫描参数,所述扫描参数包括代理IP地址当前是否可访问、连接带宽以及响应速度,其中所述代理IP地址资源池包括N条代理IP地址,将每条代理IP地址每隔时间t获取的扫描参数构成一条历史记录AIPi={(accesst、Wt、St)、(access2t、W2t、S2t)、……、(accesskt、Wkt、Skt)},accesskt表示kt时刻第i条代理IP地址是否可访问,取值为0或1,0表示不可访问,1表示可以访问、Wkt表示kt时刻第i条代理IP地址的连接带宽、Skt表示kt时刻第i条代理IP地址的响应速度;
接收单元,调度服务器接收用户需要使用代理IP地址进行数据访问的访问请求,所述访问请求包括访问优先级、代理IP地址的最小需求连接带宽以及最低需求响应速度;
预处理单元,基于第i条代理IP地址的历史记录AIPi计算该代理IP地址的访问可靠度、平均连接带宽和平均响应速度;
所述每条代理IP地址访问可靠度RIPi的确定方式为:
其中,l为自然数,k为大于1的自然数;
候选单元,基于所述最小需求连接带宽以及最低需求响应速度与每条代理IP地址的平均连接带宽和平均响应速度从所述N条代理IP地址选择出M条候选代理IP地址;
匹配单元,实时获取M条候选代理IP地址中每条代理IP地址的实时连接带宽和实时响应速度,将每条代理IP地址的实时连接带宽、实时响应速度和可靠度以及所述优先级、最小需求连接带宽以及最低需求响应速度构成输入向量输入至训练后的人工神经网络中匹配,得到L条匹配代理IP地址,所述L条匹配代理IP地址按照匹配度Mj大小进行降序排列;
确定单元,调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户;
所述调度服务器从所述L条匹配代理IP地址确定一条代理IP地址分配给所述用户的操作为:
计算L条匹配代理IP地址的实时连接带宽、实时响应速度与最小需求连接带宽、最低需求响应速度的余弦相似度Cosj;
计算L条匹配代理IP地址中的第j条代理IP地址与所述访问请求的推荐度值RECj:
RECj=γRIPj+δMj+εCosj;
选择推荐度值RECj最大的一条代理IP地址分配给所述用户;
其中,
其中,2≤L≤M≤N,1≤i≤N,k为大于1的自然数。
4.根据权利要求3所述的装置,其特征在于,所述输入向量为InputVi=[RWi、RSi、α*RIPi、β*Pr、LW、LS],RWi表示第i条代理IP地址的实时连接带宽、RSi表示第i条代理IP地址的实时响应速度、RIPi表示第i条代理IP地址的可靠度、Pr表示所述优先级、LW表示最小需求连接带宽、LS表示最低需求响应速度,其中,
β=e-Pr+1。
5.一种计算机可读存储介质,所述存储介质上存储有计算机程序代码,当所述计算机程序代码被计算机执行时执行上述权利要求1-2之任一的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311554038.9A CN117278526B (zh) | 2023-11-21 | 2023-11-21 | 一种基于人工神经网络的代理ip地址调度方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311554038.9A CN117278526B (zh) | 2023-11-21 | 2023-11-21 | 一种基于人工神经网络的代理ip地址调度方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117278526A CN117278526A (zh) | 2023-12-22 |
CN117278526B true CN117278526B (zh) | 2024-03-19 |
Family
ID=89209074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311554038.9A Active CN117278526B (zh) | 2023-11-21 | 2023-11-21 | 一种基于人工神经网络的代理ip地址调度方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117278526B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1489044A (zh) * | 2003-08-21 | 2004-04-14 | 上海交通大学 | 基于多代理的交互式Web服务调度方法 |
CN101039247A (zh) * | 2007-03-13 | 2007-09-19 | 华为技术有限公司 | 一种点到点网络系统及重叠网间节点的互通方法 |
CN104168300A (zh) * | 2013-05-17 | 2014-11-26 | 中国电信股份有限公司 | 内容加速方法与系统 |
CN109743411A (zh) * | 2018-12-10 | 2019-05-10 | 厦门市美亚柏科信息股份有限公司 | 一种在分布式环境下动态调度ip代理池的方法、装置及存储介质 |
CN109873882A (zh) * | 2019-02-19 | 2019-06-11 | 上海七印信息科技有限公司 | 一种ip代理池管理系统及其管理方法 |
CN110798470A (zh) * | 2019-10-31 | 2020-02-14 | 北京金堤科技有限公司 | 代理ip地址管理方法及系统 |
CN111355731A (zh) * | 2020-02-28 | 2020-06-30 | 北京奇艺世纪科技有限公司 | 资源访问的方法、装置、资源访问系统、设备及存储介质 |
CN112583903A (zh) * | 2020-11-26 | 2021-03-30 | 北京邮电大学 | 一种服务自适应访问方法、装置、电子设备及存储介质 |
CN112822306A (zh) * | 2021-02-03 | 2021-05-18 | 深圳前海微众银行股份有限公司 | 代理ip动态管理方法、设备及计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9742857B2 (en) * | 2012-08-24 | 2017-08-22 | Citrix Systems, Inc. | Systems and methods for supporting a network profile |
US10129239B2 (en) * | 2015-05-08 | 2018-11-13 | Citrix Systems, Inc. | Systems and methods for performing targeted scanning of a target range of IP addresses to verify security certificates |
US11310257B2 (en) * | 2019-02-27 | 2022-04-19 | Microsoft Technology Licensing, Llc | Anomaly scoring using collaborative filtering |
-
2023
- 2023-11-21 CN CN202311554038.9A patent/CN117278526B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1489044A (zh) * | 2003-08-21 | 2004-04-14 | 上海交通大学 | 基于多代理的交互式Web服务调度方法 |
CN101039247A (zh) * | 2007-03-13 | 2007-09-19 | 华为技术有限公司 | 一种点到点网络系统及重叠网间节点的互通方法 |
CN104168300A (zh) * | 2013-05-17 | 2014-11-26 | 中国电信股份有限公司 | 内容加速方法与系统 |
CN109743411A (zh) * | 2018-12-10 | 2019-05-10 | 厦门市美亚柏科信息股份有限公司 | 一种在分布式环境下动态调度ip代理池的方法、装置及存储介质 |
CN109873882A (zh) * | 2019-02-19 | 2019-06-11 | 上海七印信息科技有限公司 | 一种ip代理池管理系统及其管理方法 |
CN110798470A (zh) * | 2019-10-31 | 2020-02-14 | 北京金堤科技有限公司 | 代理ip地址管理方法及系统 |
CN111355731A (zh) * | 2020-02-28 | 2020-06-30 | 北京奇艺世纪科技有限公司 | 资源访问的方法、装置、资源访问系统、设备及存储介质 |
CN112583903A (zh) * | 2020-11-26 | 2021-03-30 | 北京邮电大学 | 一种服务自适应访问方法、装置、电子设备及存储介质 |
CN112822306A (zh) * | 2021-02-03 | 2021-05-18 | 深圳前海微众银行股份有限公司 | 代理ip动态管理方法、设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
一种基于多代理的传感器网络IPv6地址配置协议;罗丹彦;左德承;杨孝宗;;《宇航学报》(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117278526A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7536373B2 (en) | Resource allocation using relational fuzzy modeling | |
Nabavinejad et al. | Coordinated batching and dvfs for dnn inference on gpu accelerators | |
CN112882815A (zh) | 基于深度强化学习的多用户边缘计算优化调度方法 | |
Chandy | Smart resource usage prediction using cloud computing for massive data processing systems | |
CN111225050A (zh) | 云计算资源分配方法及装置 | |
CN115658282A (zh) | 服务器算力管理分配方法、系统、网络设备和存储介质 | |
CN116263701A (zh) | 算力网络任务调度方法、装置、计算机设备及存储介质 | |
CN110969261A (zh) | 基于加密算法的模型构建方法及相关设备 | |
CN117278526B (zh) | 一种基于人工神经网络的代理ip地址调度方法和装置 | |
CN112882805A (zh) | 一种任务资源约束的利润优化调度方法 | |
JP7396505B2 (ja) | モデル生成プログラム、モデル生成方法及びモデル生成装置 | |
CN112866358B (zh) | 一种物联网服务重调度的方法、系统及装置 | |
Coviello et al. | Content-aware auto-scaling of stream processing applications on container orchestration platforms | |
Chen et al. | Mixed-precision quantization for federated learning on resource-constrained heterogeneous devices | |
CN114596054A (zh) | 针对数字化办公的业务信息管理方法及系统 | |
Alyatama et al. | Continuous memory allocation model for cloud services | |
Bhagavathiperumal et al. | Workload Analysis of Cloud Resources using Time Series and Machine Learning Prediction | |
CN115174681B (zh) | 一种边缘计算服务请求调度方法、设备及存储介质 | |
CN116992158B (zh) | 资源配置的推荐方法和装置、存储介质及电子装置 | |
WO2024082692A1 (zh) | 执行任务的方法和异构服务器 | |
CN113988291B (zh) | 用户表征网络的训练方法及装置 | |
CN116680086B (zh) | 一种基于离线渲染引擎的调度管理系统 | |
CN115292036A (zh) | 一种边缘计算环境下多目标任务调度方法及装置 | |
CN117812185B (zh) | 一种智能外呼系统的管控方法及系统 | |
WO2021245757A1 (ja) | 最適化処理装置、最適化処理方法、及びコンピュータ読み取り可能な記録媒体 |
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 |