WO2020056633A1 - 一种预测网络速率的方法及预测装置 - Google Patents

一种预测网络速率的方法及预测装置 Download PDF

Info

Publication number
WO2020056633A1
WO2020056633A1 PCT/CN2018/106523 CN2018106523W WO2020056633A1 WO 2020056633 A1 WO2020056633 A1 WO 2020056633A1 CN 2018106523 W CN2018106523 W CN 2018106523W WO 2020056633 A1 WO2020056633 A1 WO 2020056633A1
Authority
WO
WIPO (PCT)
Prior art keywords
rate
peak
network
group
traffic
Prior art date
Application number
PCT/CN2018/106523
Other languages
English (en)
French (fr)
Inventor
罗勇
Original Assignee
华为技术有限公司
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 华为技术有限公司 filed Critical 华为技术有限公司
Priority to CN201880097672.5A priority Critical patent/CN112771816B/zh
Priority to PCT/CN2018/106523 priority patent/WO2020056633A1/zh
Publication of WO2020056633A1 publication Critical patent/WO2020056633A1/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H04L43/0894—Packet rate
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/50—Testing arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/83—Admission control; Resource allocation based on usage prediction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/16—Threshold monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/50—Testing arrangements
    • H04L43/55—Testing of service level quality, e.g. simulating service usage

Definitions

  • the peak network rate mentioned here refers to the maximum rate that the network data transmission can reach under a certain packet loss rate; if the network is not considered "East-west traffic" (that is, the access traffic between two clients in the network), the peak rate of the entire network can be aggregated step by step from the peak rate of each network element, so a single network element or a certain network element is predicted.
  • the peak rate of each link is a prerequisite.
  • Peak rate on a future day today's daily peak rate + first time period change amount + second time period change amount + random change amount;
  • the first time period change amount is used to characterize the change of the network peak rate in a longer time period For example, it can reflect the gradual increase of the network peak rate according to month, quarter, or year.
  • the second time period change is used to characterize the change of the network peak rate in a short time period. Fluctuations (for example, weekly to weekend, the peak network rate will rise), and the amount of random variation reflects the daily random variation of the peak network rate.
  • the traditional network peak rate prediction is usually based on the average data obtained by sampling, calculating the expected value and standard deviation of the network peak rate, and then estimating the possible network peak value in a short period in the future based on the expected value and standard deviation. Rate, this way can only estimate the change of the second time period, that is, the change of the peak value of the network in a short time period. Therefore, the prediction result is not accurate.
  • the traffic group includes an Internet service group
  • the method when calculating a peak network rate of the Internet service group, includes:
  • the long-term growth rate of the network peak rate can be obtained, so that a more accurate network peak rate can be predicted.
  • FIG. 3 is a schematic flowchart of a method for predicting a network rate of an online service group according to an embodiment of the present application
  • Memory also called storage medium, storage device, or storage device, etc.
  • Disk storage can be used to store operating system and various applications and non-program data.
  • the central processing unit can read the program and run it in the RAM (memory).
  • the RAM can temporarily store the program read and executed by the central processing unit, and store the data obtained after the program is executed and needs to be sent.
  • the detection device may further include a user interface for connecting with external devices, such as a display screen and a keyboard, etc., which is convenient for the user to view information and operations.
  • a user interface for connecting with external devices, such as a display screen and a keyboard, etc., which is convenient for the user to view information and operations.
  • At least one object under test 20 is connected to the prediction device 10 and can be used for service transmission, traffic forwarding, and the like. It can be the network equipment under test such as optical line termination (OLT), optical network unit (ONU), broadband remote access server (Broadband Remote Access Server (BRAS), switches, routers and other network equipment . It may also be a link to be tested, which is not limited in the embodiment of the present application.
  • the object to be tested is a network element or a link to be tested.
  • the user tag is used to indicate a network package and / or an identity of the user
  • the service type includes an Internet service, an Internet dedicated line service, and a video service.
  • the same broadband user may belong to several traffic groups at the same time.
  • a 100M triple play user his Internet traffic belongs to a 100M ordinary user Internet group, and his set-top box is watching a unicast video.
  • the traffic belongs to the unicast video group, and the multicast video traffic that his set-top box is watching belongs to the multicast video group.
  • the service type can be obtained through the service ID, access destination address, forwarding channel ID, session ID, etc.
  • the user's identity can be obtained through big data analysis or uploaded by the user. Therefore, when the traffic is grouped, it can be divided by combining the obtained service type and / or the user's identity.
  • the network peak rate of the interconnection dedicated line group is calculated according to the number of users of the interconnection dedicated line group and the peak rate of the single-user network.
  • FIG. 4 is a schematic flowchart of another method for predicting a network rate of an online service group according to an embodiment of the present application.
  • the method may include the following steps:
  • the preset period is greater than one day.
  • FIG. 5 is a schematic flowchart of a method for calculating a user online rate threshold when predicting a network rate according to an embodiment of the present application. In the embodiment shown in FIG. 5, the following steps may be specifically included:
  • the third standard deviation is ⁇ .
  • the superimposed maximum uplink capacity requirement is:
  • the unicast video rate of the uplink port can be considered as a linear function related to the number of users.
  • the model is as follows
  • the product of the user online rate threshold and the number of users in the traffic packet is taken as the number of users when calculating the peak rate of the traffic packet network.
  • FIG. 8 is a schematic structural diagram of another prediction apparatus according to an embodiment of the present application.
  • the controller may include a processor 110, a memory 120, and a bus 130.
  • the processor 110 and the memory 120 are connected through a bus 130.
  • the memory 120 is configured to store instructions.
  • the processor 110 is configured to execute the instructions stored in the memory 120 to implement the steps in the methods corresponding to the above FIG. 2 to FIG. 6.
  • the memory may include read-only memory and random access memory, and provide instructions and data to the processor. A portion of the memory may also include non-volatile random access memory.
  • the bus can also include a power bus, a control bus, and a status signal bus. However, for the sake of clarity, various buses are marked as buses in the figure.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

一种预测网络速率的方法及预测装置。方法包括：预测装置采集待测对象的流量数据（S201）；根据用户标签和业务类型对采集到的流量数据进行流量分组（S202）；计算各个流量分组的网络峰值速率（S203）；将所述各个流量分组的网络峰值速率相加得到所述待测对象的网络峰值速率（S204）。可准确预测网络的峰值速率。

Description

一种预测网络速率的方法及预测装置 技术领域
本申请涉及网络技术领域，尤其涉及一种预测网络速率的方法及预测装置。
背景技术
随着网络技术的不断发展,现有网络规模持续扩大,网络的异构性和复杂性日益提高。准确实时的掌握网络状态,尤其是网络所需的带宽信息,对于提高网络性能,优化用户的服务质量,具有重要作用。网络所需的带宽由网络峰值速率确定。因此网络峰值速率的预测是对网络规划和设计时非常重要的一项基本工作；此处所说的网络峰值速率是指一定丢包率前提下网络数据传输所能达到的最大速率；如果不考虑网络内的“东西流量”(即网络内两个客户端之间的访问流量)，整个网络峰值速率可以是由各个网元的峰值速率逐级汇聚起来，所以预测单个网元或者单个网元上某条链路的峰值速率是前提。
网络中针对某网元或者某链路的未来日峰值速率可以用以下公式描述：
未来某日的峰值速率＝今天的日峰值速率+第一时间周期变化量+第二时间周期变化量+随机变化量；第一时间周期变化量用于表征较长时间周期内网络峰值速率的变化情况，如可体现网络峰值速率按照月、季或者年的逐渐增长；第二时间周期变化量用于表征较短时间周期内网络峰值速率的变化情况，如可体现网络峰值速率按照周为周期的波动(例如每周到了周末，网络峰值速率会上升)，而随机变化量则体现了网络峰值速率每天的随机变化。
在现有技术中，传统的网络峰值速率预测通常是根据采样得到的平均数据，计算网络峰值速率的期望值和标准差，然后根据期望值和标准差来预估短周期内未来某日可能的网络峰值速率，这样的方式只能预估第二时间周期变化量即较短时间周期内网络峰值速率的变化情况。因此预测结果并不准确。
发明内容
本申请实施例所要解决的技术问题在于，提供一种预测网络速率的方法及预测装置，以准确的预测网络的峰值速率。
第一方面，本申请的实施例提供了一种预测网络速率的方法，可包括：
预测装置采集待测对象的流量数据，所述待测对象为待测网元或待测链路；
根据用户标签和业务类型对采集到的流量数据进行流量分组，其中，所述用户标签用于指示用户签约的网络套餐和/或用户的身份标识，所述业务类型包括上网业务、互联专线业务和视频业务；
计算各个流量分组的网络峰值速率；
将所述各个流量分组的网络峰值速率相加得到所述待测对象的网络峰值速率。
通过分组计算，可以获得准确的网络峰值速率的随机变化量，提升预测的准确性。
在一种可能的实现方式中，所述流量分组包括上网业务组，在计算所述上网业务组的网络峰值速率时，包括：
根据所述上网业务组对应的第一流量数据，统计单用户在数据采集期间每天的日峰值平均速率；
根据统计得到的数据计算单用户日峰值平均速率的第一期望值和第一标准差；
根据所述第一期望值和第一标准差计算所述上网业务组的单用户网络峰值速率；
根据所述上网业务组的用户数与单用户网络峰值速率计算得到所述上网业务组的网络峰值速率。
在一种可能的实现方式中，所述方法还包括：
根据所述第一流量数据和预设周期，计算单用户的预设周期峰值平均速率，获得的至少两个预设周期的期望值，所述预设周期大于1日；
根据所述至少两个预设周期的期望值进行曲线拟合，获得预设周期峰值平均速率增长函数；
根据所述第一期望值和第一标准差，以及所述预设周期峰值平均速率增长函数计算所述上网业务组的单用户网络峰值速率。
通过引入较长周期变化量的计算，可以获得网络峰值速率的长周期增长率，从而可以预测得到更加准确的网络峰值速率。
在一种可能的实现方式中，所述流量分组包括互联专线组，在计算所述互联专线组的网络峰值速率时，包括：
从运营支撑系统获取所述互联专线业务的签约带宽，将所述签约带宽作为所述互联专线流量组的单用户网络峰值速率；
根据所述互联专线组的用户数与单用户网络峰值速率计算得到所述互联专线组的网络峰值速率。
在一种可能的实现方式中，所述流量分组包括单播视频组，在计算所述单播视频组的网络峰值速率时，包括：
若所述单播视频的平均码率相同，则以所述平均码率与第一预设系数的乘积作为所述单播视频组的单用户网络峰值速率；
若所述单播视频的平均码率不同，则根据所述单播视频组对应的第二流量数据，统计单用户在数据采集期间每天的日峰值平均速率；根据统计得到的数据计算单用户日峰值平均速率的第二期望值和第二标准差；根据所述第二期望值和第二标准差计算所述单播视频组的单用户网络峰值速率；
根据所述单播视频组的用户数和单用户网络峰值速率计算得到所述单播视频组的网络峰值速率。
在一种可能的实现方式中，所述流量分组包括组播视频组，在计算所述组播视频组的网络峰值速率时，包括：
若用于复制组播视频播放的组播复制点不位于所述待测对象上，则以组播视频的平均码率和第二预设系数的乘积作为所述组播视频组的单用户网络峰值速率；
根据所述组播视频组的用户数和单用户网络峰值速率计算得到所述组播视频组的网络峰值速率。
在一种可能的实现方式中，所述流量分组包括组播视频组，在计算所述组播视频组的 网络峰值速率时，包括：
若用于复制组播视频播放的组播复制点位于所述待测对象上，则根据业务需要提供的频道数c以及所述待测对象上承载的用户数u，确定c个频道在线的第三期望值和第三标准差；
根据所述第三期望值和第三标准差确定峰值频道在线数；
根据所述峰值频道在线数和组播视频的平均码率计算得到所述组播视频组的网络峰值速率。
在一种可能的实现方式中，所述方法还包括：
根据流量分组对应的流量数据，统计数据采集期间所述流量分组内用户数每天的日峰值在线率；
根据统计得到的数据计算日峰值在线率的期望值和标准差；
根据日峰值在线率的期望值和标准差计算用户在线率阈值；
将用户在线率阈值与所述流量分组内用户数的乘积作为计算所述流量分组网络峰值速率时的用户数。
通过引入用户在线率阈值来体现可能的最大在线用户数，可以更加贴近实际情况，获得更佳的预测结果。
在一种可能的实现方式中，所述方法还包括：
根据所述待测对象的网络峰值速率为所述待测对象分配网络带宽资源。
第二方面，本申请的实施例提供了一种预测装置，可包括：
采集单元，用于采集待测对象的流量数据，所述待测对象为待测网元或待测链路；
分组单元，用于根据用户标签和业务类型对采集到的流量数据进行流量分组，其中，所述用户标签用于指示用户签约的网络套餐和/或用户的身份标识，所述业务类型包括上网业务、互联专线业务和视频业务；
计算单元，用于计算各个流量分组的网络峰值速率；将所述各个流量分组的网络峰值速率相加得到所述待测对象的网络峰值速率。
在一种可能的实现方式中，所述流量分组包括上网业务组，所述计算单元用于：
根据所述上网业务组对应的第一流量数据，统计单用户在数据采集期间每天的日峰值平均速率；
根据统计得到的数据计算单用户日峰值平均速率的第一期望值和第一标准差；
根据所述第一期望值和第一标准差计算所述上网业务组的单用户网络峰值速率；
根据所述上网业务组的用户数与单用户网络峰值速率计算得到所述上网业务组的网络峰值速率。
在一种可能的实现方式中，所述计算单元还用于：
根据所述第一流量数据和预设周期，计算单用户的预设周期峰值平均速率，获得的至少两个预设周期的期望值，所述预设周期大于1日；
根据所述至少两个预设周期的期望值进行曲线拟合，获得预设周期峰值平均速率增长函数；
根据所述第一期望值和第一标准差，以及所述预设周期峰值平均速率增长函数计算所 述上网业务组的单用户网络峰值速率。
在一种可能的实现方式中，所述流量分组包括互联专线组，所述计算单元用于：
从运营支撑系统获取所述互联专线业务的签约带宽，将所述签约带宽作为所述互联专线流量组的单用户网络峰值速率；
根据所述互联专线组的用户数与单用户网络峰值速率计算得到所述互联专线组的网络峰值速率。
在一种可能的实现方式中，所述流量分组包括单播视频组，所述计算单元用于：
若所述单播视频的平均码率相同，则以所述平均码率与第一预设系数的乘积作为所述单播视频组的单用户网络峰值速率；
若所述单播视频的平均码率不同，则根据所述单播视频组对应的第二流量数据，统计单用户在数据采集期间每天的日峰值平均速率；根据统计得到的数据计算单用户日峰值平均速率的第二期望值和第二标准差；根据所述第二期望值和第二标准差计算所述单播视频组的单用户网络峰值速率；
根据所述单播视频组的用户数和单用户网络峰值速率计算得到所述单播视频组的网络峰值速率。
在一种可能的实现方式中，所述流量分组包括组播视频组，所述计算单元用于：
若用于复制组播视频播放的组播复制点不位于所述待测对象上，则以组播视频的平均码率和第二预设系数的乘积作为所述组播视频组的单用户网络峰值速率；
根据所述组播视频组的用户数和单用户网络峰值速率计算得到所述组播视频组的网络峰值速率。
在一种可能的实现方式中，所述流量分组包括组播视频组，所述计算单元用于：
若用于复制组播视频播放的组播复制点位于所述待测对象上，则根据业务需要提供的频道数c以及所述待测对象上承载的用户数u，确定c个频道在线的第三期望值和第三标准差；
根据所述第三期望值和第三标准差确定峰值频道在线数；
根据所述峰值频道在线数和组播视频的平均码率计算得到所述组播视频组的网络峰值速率。
在一种可能的实现方式中，所述计算单元还用于：
根据流量分组对应的流量数据，统计数据采集期间所述流量分组内用户数每天的日峰值在线率；
根据统计得到的数据计算日峰值在线率的期望值和标准差；
根据日峰值在线率的期望值和标准差计算用户在线率阈值；
将用户在线率阈值与所述流量分组内用户数的乘积作为计算所述流量分组网络峰值速率时的用户数。
在一种可能的实现方式中，所述预测装置还包括：
分配单元，用于根据所述待测对象的网络峰值速率为所述待测对象分配网络带宽资源。
第三方面，本申请的实施例提供了一种预测装置，可包括：
处理器、存储器和总线，所述处理器和存储器通过总线连接，其中，所述存储器用于 存储一组程序代码，所述处理器用于调用所述存储器中存储的程序代码，执行本申请实施例第一方面或第一方面任一实现方式中的步骤。
第四方面，本申请的实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，实现上述第一方面或第一方面任一实现方式所述的方法。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1为本申请实施例预测网络速率的方法应用的系统架构示意图；
图2为本申请实施例提供的一种预测网络速率的方法的流程示意图；
图3为本申请实施例提供的一种预测上网业务组的网络速率的方法的流程示意图；
图4为本申请实施例提供的又一种预测上网业务组的网络速率的方法的流程示意图；
图5为本申请实施例提供的一种预测网络速率时计算用户在线率阈值的方法的流程示意图；
图6为本申请实施例提供的一种预测组播视频组的网络速率的方法的流程示意图；
图7为本申请实施例提供的一种预测装置的组成示意图；
图8为本申请实施例提供的又一种预测装置的组成示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请的实施例进行描述。
本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参见图1，为本申请实施例预测网络速率的方法应用的系统架构示意图。在该系统架构中。可以包括但不限于：预测装置10、至少一个待测对象20以及至少一个终端30。
其中，预测装置10，用于采集待测对象20的流量数据，进而根据流量数据对流量进行分组、计算各个分组的网络峰值速率以获得待测对象20的网络峰值速率。其可以配置在云端计算机或服务器上，也可以配置在本地计算机或服务器上，本申请实施例不作任何限定。
可选地，预测装置10可以包括但不限于：中央处理器(Central Processing Unit，CPU)、存储器、网络接口和用户接口。
中央处理可用于读取计算机指令以及处理计算机软件中的数据。是计算机系统中读取指令、对指令译码并执行指令的核心部件。还可以通过读取存储器中的数据，并对数据进行相应的处理后进行输出，例如，在本申请实施例中，中央处理器可以通过网络接口采集待测对象的流量数据；从存储器中读取计算指令对流量数据进行分组和计算。
存储器，又可称之为存储介质、存储装置或存储设备等，其可以包括高速随机存取存储器(Random Access Memory，RAM)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。磁盘存储器可以用于存储操作系统和各种应用程序以及非程序的数据。中央处理器可以读取程序，并在RAM(内存)中运行，RAM可以暂时存储中央处理器读取和执行的程序，并存储程序执行后获得及需要发送的数据。
网络接口，用于与待测对象进行数据传输，采集待测对象的流量数据。
可选地，检测设备还可以包括用户接口，用于与外接设备连接，如显示屏和键盘等，利于用户查看信息和操作。
至少一个待测对象20，与预测装置10相连，可用于业务传输、流量转发等。其可以是待测网元例如光线路终端(Optical Line Termination，OLT)、光网络单元(Optical Network Unit，ONU)，宽带远程接入服务器(Broadband Remote Access Server,BRAS)，交换机，路由器等网络设备。也可以是待测链路，本申请实施例不作任何限定。
至少一个终端30，可与至少一个待测对象20相连，实现各种上网业务。
下面结合图2-图6对本申请的预测网络速率的方法进行详细描述。
请参见图2，图2为本申请实施例提供的一种预测网络速率的方法的流程示意图；可包括如下步骤：
S201.预测装置采集待测对象的流量数据。
所述待测对象为待测网元或待测链路。
为了准确预测网络峰值速率，需要从网络上采集、积累和加工用于预测的基础数据，采样的数据越充分，基础数据越准确，则模型的预测准确率越高。因此，采集点可以放在用户量比较大的地方。
为了更加便利的实现，可以选择一些设备的端口作为锚点来进行采样统计。比如选择几个BRAS或OLT的上行口作为采样锚点。当需要对待测对象进行预测时，则可以选择与其相关的流量数据来进行分析计算。
S202.根据用户标签和业务类型对采集到的流量数据进行流量分组。
其中，所述用户标签用于指示用户签约的网络套餐和/或用户的身份标识，所述业务类型包括上网业务、互联专线业务和视频业务。
可选地，本实施例中的术语“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，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
业务类型和用户的不同，可能导致其对网络的影响(速率、时延和丢包率)不一致的，比如20M套餐的学生用户的实际上网峰值速率要远大于20M普通家庭用户；200M普通用户的实际上网峰值速率也会大于50M普通用户的上网峰值速率。
可选地，流量分组可以包括但不限于：上网业务组，互联专线组、单播视频组和组播视频组。此外还有一些商业互联网专线的上网业务，其处理方式和上网业务组类似。
此处所述的单播视频和组播视频用于指示运营商自营的视频，用户观看的超过最高(over the top，OTT)视频则可以分类到上网业务中。
需要说明的是，同一个宽带用户可能同时属于几个流量分组，比如一个100M的三网融 合(triple play)用户，他的上网流量属于100M普通用户上网组，他的机顶盒正在观看的单播视频流量则属于单播视频组，他的机顶盒正在观看的组播视频流量则属于组播视频组。
业务类型可以通过业务标识、访问目的地址、转发管道的标识、会话标识等获取，用户的身份标识可以通过大数据分析获取或者由用户上传提供。因此，在对流量进行分组时，可以通过结合获取的业务类型和/或用户的身份标识来进行划分。
随着网络功能和用户需求的快速发展，为了实现对网络峰值速率的准确预测，可能会划分更多更丰富也更细致的流量分组，例如一些用户非常喜欢下载电影收藏，则可以为其建立一个下载业务分组，本申请实施例不作任何限定。
S203.计算各个流量分组的网络峰值速率。
根据采集的流量数据以及流量分组，可以根据特定流量分组对应的流量数据来统计其日峰值上网速率，进而利用泊松模型，计算其期望值和标准差。从而预估该特定流量分组的网络峰值速率。
S204.将所述各个流量分组的网络峰值速率相加得到所述待测对象的网络峰值速率。
可选地，当获取到所述待测对象的网络峰值速率，便可以根据所述待测对象的网络峰值速率为所述待测对象分配网络带宽资源。此处可以由预测装置进行分配，也可以由预测装置上报给负责网络带宽资源分配的设备来进行分配，本申请实施例不作任何限定。
在本申请实施例中，通过对流量数据进行流量分组，然后根据分组来分别计算各个分组的网络速率峰值，再将结果进行累加得到待测对象的网络峰值速率。既充分考虑了网络峰值速率在较短时间周期内的变化量，用通过分组的方式充分考虑了各类用户的不同，从而更加准确的描述了网路峰值速率的随机变化量。使得预测结果更加的准确。利于网络带宽资源的分配和规划。
下面针对各个分组的上网峰值流量计算进行详细描述。
其中，对于互联专线组，在计算所述互联专线组的网络峰值速率时，由于互联专线的带宽必须充分满足，因此可以从运营支撑系统(The Office of Strategic Services，OSS)获取所述互联专线业务的签约带宽，将所述签约带宽作为所述互联专线流量组的单用户网络峰值速率；
根据所述互联专线组的用户数与单用户网络峰值速率计算得到所述互联专线组的网络峰值速率。
对于单播视频组，在计算所述单播视频组的网络峰值速率时，包括：
若所述单播视频的平均码率相同，则以所述平均码率与第一预设系数的乘积作为所述单播视频组的单用户网络峰值速率；此时认为标准差为0。
若所述单播视频的平均码率不同，比如采用自适应码率方式来分发，则每个用户可能观看的节目码率是不一样的，这个时候就需要使用统计办法来获取单播视频组的单用户日峰值平均速率统计期望和标准差。则可以根据所述单播视频组对应的第二流量数据，统计单用户在数据采集期间每天的日峰值平均速率；根据统计得到的数据计算单用户日峰值平均速率的第二期望值和第二标准差；根据所述第二期望值和第二标准差计算所述单播视频组的单用户网络峰值速率；
根据所述单播视频组的用户数和单用户网络峰值速率计算得到所述单播视频组的网络峰值速率。
对于组播视频组，在计算所述组播视频组的网络峰值速率时，包括：
若用于复制组播视频播放的组播复制点不位于所述待测对象上，则以组播视频的平均码率和第二预设系数的乘积作为所述组播视频组的单用户网络峰值速率；
根据所述组播视频组的用户数和单用户网络峰值速率计算得到所述组播视频组的网络峰值速率。
上网业务组的详细计算过程请参见图3-图4的实施例描述，组播视频组中组播复制点位于待测对象上时的详细计算过程请参见图6的实施例描述。
请参照图3，图3为本申请实施例提供的一种预测上网业务组的网络速率的方法的流程示意图；可包括如下步骤：
S301.根据所述上网业务组对应的第一流量数据，统计单用户在数据采集期间每天的日峰值平均速率。
例如，采样锚点的(用来采样的BRAS或者OLT端口)数据采集从9.1日00：00到9.6日23：45，每15分钟采集一次，即一天96个点，可以获得六天的速率数据。
若Portstraffic(t)是t时刻该端口的速率，onlineusernumber(t)是t时刻端口该组的在线用户数，则该端口上该组内单个用户的平均速率是：
AverageUserSpeed(t)＝porttraffic(t)/onlineusernumber(t)，t＝00.00 to 24:00；
该组内单用户的日峰值平均速率则是：
PeakAverageUserSpeed(t)＝Max(porttraffic(t)/onlineusernumber(t))，t＝00.00 to 24:00。
S302.根据统计得到的数据计算单用户日峰值平均速率的第一期望值和第一标准差。
假设每天都统计单用户的日峰值平均速率，我们会得到一个数据序列PeakAverageUserSpeed(day):X1,X2,X3…XN。
则在数据采集期间，该上网业务组内单用户的峰值平均数率的数学期望就是：
EXPofPeakrateperday＝sum(Xn)/N,n＝1到N。，sum表示求和运算。
方差为：VarPeakAverageUserSpeed＝sum((Xn-EXPofPeakrateperday) 2)/(N-1)，n＝1到N。
标准差是方差的平方根，可表示为：
STDdevPeakAverageUserSpeed＝sqrt(varPeakAverageUserSpeed)，sqrt表示平方根运算。
S303.根据所述第一期望值和第一标准差计算所述上网业务组的单用户网络峰值速率。
可选地，可以选择第一期望值加上预设倍数的标准差，作为单用户网络峰值速率。例如：可以认为超过“期望值+3*标准差“的峰值速率属于“小概率事件”，发生的概率只有满足网络丢包率的标准，则这个值就可以作为未来单用户网络峰值速率的一个预测。本申请实施例中的预设倍数除了3之外，也可以根据实际需要进行选择，本申请实施例不作任何限定。
S304.根据所述上网业务组的用户数与单用户网络峰值速率计算得到所述上网业务组 的网络峰值速率。
由于网络和用户需求都是在不断发展的，因此用户的上网峰值速率也可能随着时间不断增大，因此在预测网络峰值速率时，充分考虑较长周期的变化量。
请参照图4，图4为本申请实施例提供的又一种预测上网业务组的网络速率的方法的流程示意图；可包括如下步骤：
S401.根据所述第一流量数据和预设周期，计算单用户的预设周期峰值平均速率，获得的至少两个预设周期的期望值。
所述预设周期大于1日。
S402.根据所述至少两个预设周期的期望值进行曲线拟合，获得预设周期峰值平均速率增长函数。
S403.根据所述第一期望值和第一标准差，以及所述预设周期峰值平均速率增长函数计算所述上网业务组的单用户网络峰值速率。
例如，可以采集的流量数据统计出上网业务组内单用户的峰值平均速率的月期望值，来研究该值的月增长函数。
每个月我们都可以计算出该月的上网业务组内单用户的峰值平均速率月期望：
EXPofPeakratemonthly(2018年1月)＝sum(Xn)/N,n＝1 to 30；
EXPofPeakratemonthly(2018年2月)＝sum(Xn)/N,n＝1 to 30；
…
EXPofPeakratemonthly(2018年12月)＝sum(Xn)/N,n＝1 to 30；
..
根据以上统计我们可以进行曲线拟合。
这个增长的曲线可能是指数增长，或对数增长，或线性增长，可以选择高置信的曲线来拟合。例如：当多个月的月期望值分布在一根直线周围，则可以采用线性拟合来预测未来的曲线，例如拟合得到的月峰值平均速率增长函数为：Y＝1.08X+B，则可以获得上网业务组的日峰值平均速率月增长为1.8％。在计算上网业务组的单用户网络峰值速率时，可以将预测值乘以(1+1.8％)。
可选地，由于分组内的用户数可能并非同时在线，因此以分组内的用户数来预测网络峰值速率通常会较大，此时，可以引入用户在线率阈值来估计实际可能在线的最大用户数，从而获得更加准确的预测效果。
其中，对于上网业务组的在线率指的是用户上网PPPOE链路状态为“上线”，而单播视频组的在线率则是指用户机顶盒是否正在观看单播视频，组播视频组的在线率则是指用户机顶盒是否正在观看组播视频。
请参照图5，图5为本申请实施例提供的一种预测网络速率时计算用户在线率阈值的方法的流程示意图；在图5所示实施例中，具体可包括如下步骤：
S501.根据流量分组对应的流量数据，统计数据采集期间所述流量分组内用户数每天的日峰值在线率。
某个分组的日在线率曲线也是一个按天周期性变化的曲线，峰值在线率一般出现在晚上8点～10点之间，分组x某一天的峰值在线率:
Peakonlinerate.groupx＝MAX(onlinerate.groupx(t)),t＝00:00 to 24:00；
S502.根据统计得到的数据计算日峰值在线率的期望值和标准差。
峰值在线率可认为是一个随机变量，其统计分布也是符合泊松分布的，按天统计出这个峰值在线率之后，可以得出其概率分布曲线。
S503.根据日峰值在线率的期望值和标准差计算用户在线率阈值。
例如，则“用户在线率阈值”为：
peakOnlineratethreshold＝日峰值在线率的期望值+3*日峰值在线率的标准差。
“用户在线率阈值”，统计学上的意义就是超过这个门限的峰值在线率是极小概率事件。因此可以使用这个值来作为模型中该分组未来最大的在线率。
S504.将用户在线率阈值与所述流量分组内用户数的乘积作为计算所述流量分组网络峰值速率时的用户数。
例如，当前处理的流量分组内的用户数为100，用户在线率阈值为65％，则在预测该分组的网络峰值速率时，将以该分组的单用户网络峰值速率乘以(100*65％)作为实际预测时采用的用户数。
请参照图6，图6为本申请实施例提供的一种预测组播视频组的网络速率的方法的流程示意图；在本申请实施例中，用于复制组播视频播放的组播复制点位于所述待测对象上，假设在每个用户都是独立决定自己该收看哪个频道，并且，在随机换台时，各个频道被收看的机会是一样的。设u为待测对象上承载的用户数，c为视频业务需要提供的频道数c。计算方法具体可包括如下步骤：
S601.根据业务需要提供的频道数c以及所述待测对象上承载的用户数u，确定c个频道在线的第三期望值和第三标准差。
每个频道在线的函数为：
Figure PCTCN2018106523-appb-000001
它的概率分布函数为：
Figure PCTCN2018106523-appb-000002
S602.根据所述第三期望值和第三标准差确定峰值频道在线数。
峰值频道在线数的数学期望为：
Figure PCTCN2018106523-appb-000003
方差为：σ 2(1)＝(1-E(1)) 2E(1)+(0-E(1)) 2(1-E(1))＝E(1)-E 2(1)
因此第三期望值即c个频道的数学期望为:
Figure PCTCN2018106523-appb-000004
方差为:
σ 2(c)＝cσ 2(1)＝c[E(1)-E 2(1)]
第三标准差即为σ。
c个频道的在线分布函数服从正态分布。因此，可知平均有E(c)个频道在线，最多E(c)+3σ个频道在线(超过这个值的概率极小，可以认为不会发生)。可知如果用户数不是远大于频道数的话，那么将有一定比例的频道是没有人收看的。也就是说数字用户线路接入复用器(Digital Subscriber Line Access Multiplexer，DSLAM)需要支持的组播组其实不需要按所有频道来估计。特别地，假如用户数和频道数相当，那么在线频道数将是总频道数的大约65％。
需要说明的是，上面的推导不依赖具体的组播处理模型，因此可以认为这个结论有一定的普遍意义。
S603.根据所述峰值频道在线数和组播视频的平均码率计算得到所述组播视频组的网络峰值速率。
最后根据组播视频的平均码率和峰值频道在线数计算组播视频组的网络峰值速率即可。
下面，以一个具体的实例举例说明本申请实施例网络峰值速率的预测过程。
首先以100M普通用户上网业务组Group3为例，假设统计已经获取了以下数据：
Group3的单用户峰值平均速率统计期望值EXPofPeakrateperday.group3＝A
Group3的单用户峰值平均速率统计标准差sdevofPeakrateperday.group3＝B
Group3的单用户月峰值平均速率增长函数中的增长倍数是：
monthlyincreasetimesPeakrateperday.group3＝C
Group3的单用户峰值在线率的统计期望值EXPofpeakOnlinerateperday.group3＝D
Group3的单用户峰值在线率的标准差STDdevofpeakOnlinerateperday.group3＝E
Group3的单用户峰值在线率的“用户在线率阈值”为：
peakOnlineratethreshold.group3＝F
假如需要预测未来g个月的网络峰值速率，已知，
预测时间点(多少个月)BWfcstmonth＝g
上行口最大允许的丢包率maxPLRlimit＝i
待测对象上100M普通最大用户数量Maxusernumber.group3＝j
则需要预测：
未来g个月，该网元Group3需要多少带宽？
再进一步，考虑该待测对象上所有的流量分组(假设存在6个上网业务组)，总的上行口需要多大带宽？
具体计算过程如下：
Group3内单用户网络峰值速率符合高斯分布N(A，B 2),则j个用户的网络峰值速率也符合高斯分布N(j*F*A，j 2*F 2*B 2),表达成数学公式：
X～N(j*F*A，j 2*F 2*B 2)，X是j个100M普通用户上网的日峰值速率。
需要说明的是，此处进行了简化处理，在线率实际上并不是一个常量，在线率和J个用户网络峰值速率是两个独立事件，他们的乘积应该要满足柯西分布，但是这里为了简单处理，直接将在线率替换为“用户在线率阈值”这样一个常量。
另外一个已知条件是网络峰值速率小于上行口容量的概率等于1-i，则X的概率分布必须满足：P(X<＝Capacity)>＝1-i；
将X的分布转换为标准高斯分布：
Y＝(X-J*F*A)/(j*F*B)～N(0,1)
则概率P(X<＝capacity)可以替换为P((X-J*F*A)/(j*F*B)<＝(Capacity-J*F*A)/(j*F*B))>＝1-i,则
问题转换为:
STDNormdist((Capacity-J*F*A)/(j*F*B))>＝1-i(STDNormdist是标准高斯分布的累计概率函数，可以查表获得数值)
(Capacity-J*F*A)/(j*F*B)＝STDnormminv(1-i,0,1)(STDNormdist函数是：高斯分布中已知概率累计，求对应的截止数值)
则所需的上行口容量为：
Capacity＝STDnormminv(1-i,0,1)*j*F*B+J*F*A
使用月峰值平均速率增长函数中的增长倍数对A和B进行修正得到Group3的网络峰值速率：
Capacity＝STDnormminv(1-i,0,1)*j*F*B*C g+J*F*A*C g
注意：这里对未来g个月以后的标准差部分也做了简化处理，将标准差也直接扩大了C g。
假设存在6个上网业务组，每个上网组的峰值速率都满足高斯分布
X1～N(j1*F1*A1*C g，(j1*F1*B1*Cn g) 2)
X2～N(j2*F2*A2*C g，(j2*F2*B2*Cn g) 2)
…
X6～N(j2*F2*A2*C g，(j2*F2*B2*Cn C g) 2)
则所有上网业务组的网络峰值速率叠加也符合高斯分布：
Sum(Xn)～N(sum(jn*Fn*An*Cn g),sum((jn*Fn*Bn*Cn g) 2))，n＝1到6。
期望值是每个分组的期望值的和，方差是所有分组方差的和。
需要说明的是，标准差不是所有标准差的和，而是求得方差和之后，再求平方根得到标准差。
若Jn是第n组用户数，Fn是第n组“用户在线率阈值“，An是第n组单用户网络峰值速率的期望值，Bn是第n组单用户网络峰值速率的标准差，Cn是月峰值平均速率增长函数中的倍数，g是月数。
则叠加下来的最大上行容量要求为：
Fcstcapacity＝STDnormminv(1-i,0,1)*sqrt(sum((jn*Fn*Bn*Cn g) 2))+sum(jn*Fn*An*Cn g)。
假如还存在其他分组的网络峰值速率需要叠加，例如叠加互联专线组。
由于互联专线组的带宽是要固定保证的，可以当做是只跟用户数有关的线性函数
比如j7是“1G互联专线组(group7)“的用户数，则叠加互联专线组后，上行口的峰值速率符合以下高斯分布
Sum(Xn)+X7～N(sum(jn*Fn*An*Cn g)+j7*10 9,sum((jn*Fn*Bn*Cn g) 2))
叠加下来的最大上行带宽要求：
Fcstcapacity＝STDnormminv(1-i,0,1)*sqrt(sum((jn*Fn*Bn*Cn g) 2))+sum(jn*Fn*An*Cn g)+j7*10 9。
当需要叠加单播视频组Group8的网络峰值速率时，简化起见，假设单播视频的码率都是一样的，则上行口的单播视频速率可以认为是和用户数相关的一个线性函数
Sum(Xn)+X7+X8～N(sum(jn*Fn*An*Cn g)+j7*10 9+j8*f8*M8*L8,sum((jn*Fn*Bn*Cn g)^2))
J8是IPTV用户数，F8是单播视频组的“用户在线率阈值“，L8是单播视频平均码率，M8是峰值码率倍数。
叠加下来的最大上行带宽要求：
Fcstcapacity＝STDnormminv(1-i,0,1)*sqrt(sum((jn*Fn*Bn*Cn g) 2))+sum(jn*Fn*An*Cn g)+j7*10 9+j8*f8*M8*L8
当需要叠加组播视频组Group9的网络峰值速率时，如果组播复制点不在待测对象上，则组播带宽没有收敛，组播带宽的计算公式如下：
Group9.capacity＝L9*M9*J9*F9
假设每个IPTV只有一个机顶盒，L9是组播节目平均码率，M9是组播峰值码率倍数(大部分是CBR，倍数为1)，J9是IPTV用户数，F9是组播视频组的“用户在线率阈值”。
叠加下来的最大上行口带宽要求为
Fcstcapacity＝STDnormminv(1-i,0,1)*sqrt(sum((jn*Fn*Bn*Cn g) 2))+sum(jn*Fn*An*Cn g)+j7*10 9+j8*f8*M8*L8+L9*M9*J9*F9
如果组播复制点在待测对象上，则需要计算组播复制的收敛率。模型如下
该待测对象上行口组播最大速率为：group9.capacity＝L9*M9*(E(CH)+3*STDdev(CH))
CH个频道中有用户的频道的个数期望：E(CH)＝CH*(1-(1/e) (J9*F9/CH)。
CH个频道中有用户观看的频道的个数标准差：
STDdev(CH)＝SQRT(CH*((1-(1/e) (J9*F9/CH))-(1-(1/e) (J9*F9/CH)) 2))
J9是待测对象上IPTV用户数，F9是组播视频组的“用户在线率阈值”，CH是组播频道数，e是自然对数,L9是组播视频平均码率，M9是峰值码率倍数。
叠加下来的最大上行带宽为：
Fcstcapacity＝STDnormminv(1-i,0,1)*sqrt(sum((jn*Fn*Bn*Cn g) 2))+sum(jn*Fn*An*Cn g)+j7*10 9+j8*f8*M8*L8+L9*M9*J9*F9+group9.capacity
需要说明的是，此处做了简化处理，组播速率和其他组速率并不是一个加的关系，他们之间也是可以统计复用的，这里简化成两者完全独立。
请参照图7，为本申请实施例提供的一种预测装置的组成示意图；可包括：
采集单元100，用于采集待测对象的流量数据，所述待测对象为待测网元或待测链路；
分组单元200，用于根据用户标签和业务类型对采集到的流量数据进行流量分组，其中，所述用户标签用于指示用户签约的网络套餐和/或用户的身份标识，所述业务类型包括上网业务、互联专线业务和视频业务；
计算单元300，用于计算各个流量分组的网络峰值速率；将所述各个流量分组的网络峰值速率相加得到所述待测对象的网络峰值速率。
可选地，所述流量分组包括上网业务组，所述计算单元300用于：
根据所述上网业务组对应的第一流量数据，统计单用户在数据采集期间每天的日峰值平均速率；
根据统计得到的数据计算单用户日峰值平均速率的第一期望值和第一标准差；
根据所述第一期望值和第一标准差计算所述上网业务组的单用户网络峰值速率；
根据所述上网业务组的用户数与单用户网络峰值速率计算得到所述上网业务组的网络峰值速率。
可选地，所述计算单元300还用于：
根据所述第一流量数据和预设周期，计算单用户的预设周期峰值平均速率，获得的至少两个预设周期的期望值，所述预设周期大于1日；
根据所述至少两个预设周期的期望值进行曲线拟合，获得预设周期峰值平均速率增长函数；
根据所述第一期望值和第一标准差，以及所述预设周期峰值平均速率增长函数计算所述上网业务组的单用户网络峰值速率。
可选地，所述流量分组包括互联专线组，所述计算单元300用于：
从运营支撑系统获取所述互联专线业务的签约带宽，将所述签约带宽作为所述互联专线流量组的单用户网络峰值速率；
根据所述互联专线组的用户数与单用户网络峰值速率计算得到所述互联专线组的网络峰值速率。
可选地，所述流量分组包括单播视频组，所述计算单元300用于：
若所述单播视频的平均码率相同，则以所述平均码率与第一预设系数的乘积作为所述单播视频组的单用户网络峰值速率；
若所述单播视频的平均码率不同，则根据所述单播视频组对应的第二流量数据，统计单用户在数据采集期间每天的日峰值平均速率；根据统计得到的数据计算单用户日峰值平均速率的第二期望值和第二标准差；根据所述第二期望值和第二标准差计算所述单播视频组的单用户网络峰值速率；
根据所述单播视频组的用户数和单用户网络峰值速率计算得到所述单播视频组的网络峰值速率。
可选地，所述流量分组包括组播视频组，所述计算单元300用于：
若用于复制组播视频播放的组播复制点不位于所述待测对象上，则以组播视频的平均码率和第二预设系数的乘积作为所述组播视频组的单用户网络峰值速率；
根据所述组播视频组的用户数和单用户网络峰值速率计算得到所述组播视频组的网络 峰值速率。
可选地，所述流量分组包括组播视频组，所述计算单元300用于：
若用于复制组播视频播放的组播复制点位于所述待测对象上，则根据业务需要提供的频道数c以及所述待测对象上承载的用户数u，确定c个频道在线的第三期望值和第三标准差；
根据所述第三期望值和第三标准差确定峰值频道在线数；
根据所述峰值频道在线数和组播视频的平均码率计算得到所述组播视频组的网络峰值速率。
可选地，所述计算单元300还用于：
根据流量分组对应的流量数据，统计数据采集期间所述流量分组内用户数每天的日峰值在线率；
根据统计得到的数据计算日峰值在线率的期望值和标准差；
根据日峰值在线率的期望值和标准差计算用户在线率阈值；
将用户在线率阈值与所述流量分组内用户数的乘积作为计算所述流量分组网络峰值速率时的用户数。
可选地，所述预测装置还包括：
分配单元400(图未示)，用于根据所述待测对象的网络峰值速率为所述待测对象分配网络带宽资源。
该预测装置所涉及的与本申请实施例提供的技术方案相关的概念，解释和详细说明及其他步骤请参见前述方法实施例中关于这些内容的描述，此处不做赘述。
请参照图8，为本申请实施例提供的另一种预测装置的组成示意图；如图8所示，该控制器可以包括处理器110、存储器120和总线130。处理器110和存储器120通过总线130连接，该存储器120用于存储指令，该处理器110用于执行该存储器120存储的指令，以实现如上图2-图6对应的方法中的步骤。
进一步的，该控制器还可以包括输入口140和输出口150。其中，处理器110、存储器120、输入口140和输出口150可以通过总线130相连。
处理器110用于执行该存储器120存储的指令，以控制输入口140采集流量数据，可选地，还可以控制输出口150下发网络带宽资源的分配信息，完成上述方法中预测装置执行的步骤。其中，输入口140和输出口150可以为相同或者不同的物理实体。为相同的物理实体时，可以统称为输入输出口。所述存储器120可以集成在所述处理器110中，也可以与所述处理器110分开设置。
作为一种实现方式，输入口140和输出口150的功能可以考虑通过收发电路或者收发的专用芯片实现。处理器110可以考虑通过专用处理芯片、处理电路、处理器或者通用芯片实现。
作为另一种实现方式，可以考虑使用通用计算机的方式来实现本申请实施例提供的预测装置。即将实现处理器110，输入口140和输出口150功能的程序代码存储在存储器中，通用处理器通过执行存储器中的代码来实现处理器110，输入口140和输出口150的功能。
作为另一种实现方式，还可以考虑使用单板的方式来实现本申请实施例提供的预测装 置。即配置藕接的主控板和接口板，可以将处理器110和存储器120配置在主控板上，输入口140和输出口150配置在接口板上，主控板执行程序生成测试报文，并完成带宽检测，而测试报文的发送和接收则通过接口板完成。可选地，存储器120也可以配置在接口板上。
该预测装置所涉及的与本申请实施例提供的技术方案相关的概念，解释和详细说明及其他步骤请参见前述方法或其他实施例中关于这些内容的描述，此处不做赘述。
本领域技术人员可以理解，为了便于说明，图8仅示出了一个存储器和处理器。在实际的控制器中，可以存在多个处理器和存储器。存储器也可以称为存储介质或者存储设备等，本申请实施例对此不做限制。在本申请实施例中，处理器可以是中央处理单元(Central Processing Unit，简称为“CPU”)，该处理器还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。该总线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等。但是为了清楚说明起见，在图中将各种总线都标为总线。
根据本申请实施例提供的方法、预测装置，本申请实施例还提供一种计算机系统，其包括CPU、控制器和存储介质，三者的关系和指令流程可以参见图1-图6实施例的描述和说明，此处不再赘述。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各种说明性逻辑块(illustrative logical block)和步骤(step)，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算 机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (20)

  1. 一种预测网络速率的方法，其特征在于，包括：
    预测装置采集待测对象的流量数据，所述待测对象为待测网元或待测链路；
    根据用户标签和业务类型对采集到的流量数据进行流量分组，其中，所述用户标签用于指示用户签约的网络套餐和/或用户的身份标识，所述业务类型包括上网业务、互联专线业务和视频业务；
    计算各个流量分组的网络峰值速率；
    将所述各个流量分组的网络峰值速率相加得到所述待测对象的网络峰值速率。
  2. 根据权利要求1所述的方法，其特征在于，所述流量分组包括上网业务组，在计算所述上网业务组的网络峰值速率时，包括：
    根据所述上网业务组对应的第一流量数据，统计单用户在数据采集期间每天的日峰值平均速率；
    根据统计得到的数据计算单用户日峰值平均速率的第一期望值和第一标准差；
    根据所述第一期望值和第一标准差计算所述上网业务组的单用户网络峰值速率；
    根据所述上网业务组的用户数与单用户网络峰值速率计算得到所述上网业务组的网络峰值速率。
  3. 根据权利要求2所述的方法，其特征在于，所述方法还包括：
    根据所述第一流量数据和预设周期，计算单用户的预设周期峰值平均速率，获得的至少两个预设周期的期望值，所述预设周期大于1日；
    根据所述至少两个预设周期的期望值进行曲线拟合，获得所述预设周期峰值平均速率增长函数；
    根据所述第一期望值和第一标准差，以及所述预设周期峰值平均速率增长函数计算所述上网业务组的单用户网络峰值速率。
  4. 根据权利要求1所述的方法，其特征在于，所述流量分组包括互联专线组，在计算所述互联专线组的网络峰值速率时，包括：
    从运营支撑系统获取所述互联专线业务的签约带宽，将所述签约带宽作为所述互联专线流量组的单用户网络峰值速率；
    根据所述互联专线组的用户数与单用户网络峰值速率计算得到所述互联专线组的网络峰值速率。
  5. 根据权利要求1所述的方法，其特征在于，所述流量分组包括单播视频组，在计算所述单播视频组的网络峰值速率时，包括：
    若所述单播视频的平均码率相同，则以所述平均码率与第一预设系数的乘积作为所述单播视频组的单用户网络峰值速率；
    若所述单播视频的平均码率不同，则根据所述单播视频组对应的第二流量数据，统计 单用户在数据采集期间每天的日峰值平均速率；根据统计得到的数据计算单用户日峰值平均速率的第二期望值和第二标准差；根据所述第二期望值和第二标准差计算所述单播视频组的单用户网络峰值速率；
    根据所述单播视频组的用户数和单用户网络峰值速率计算得到所述单播视频组的网络峰值速率。
  6. 根据权利要求1所述的方法，其特征在于，所述流量分组包括组播视频组，在计算所述组播视频组的网络峰值速率时，包括：
    若用于复制组播视频播放的组播复制点不位于所述待测对象上，则以组播视频的平均码率和第二预设系数的乘积作为所述组播视频组的单用户网络峰值速率；
    根据所述组播视频组的用户数和单用户网络峰值速率计算得到所述组播视频组的网络峰值速率。
  7. 根据权利要求1所述的方法，其特征在于，所述流量分组包括组播视频组，在计算所述组播视频组的网络峰值速率时，包括：
    若用于复制组播视频播放的组播复制点位于所述待测对象上，则根据业务需要提供的频道数c以及所述待测对象上承载的用户数u，确定c个频道在线的第三期望值和第三标准差；
    根据所述第三期望值和第三标准差确定峰值频道在线数；
    根据所述峰值频道在线数和组播视频的平均码率计算得到所述组播视频组的网络峰值速率。
  8. 根据权利要求2、3、5或6所述的方法，其特征在于，所述方法还包括：
    根据流量分组对应的流量数据，统计数据采集期间所述流量分组内用户数每天的日峰值在线率；
    根据统计得到的数据计算日峰值在线率的期望值和标准差；
    根据日峰值在线率的期望值和标准差计算用户在线率阈值；
    将用户在线率阈值与所述流量分组内用户数的乘积作为计算所述流量分组网络峰值速率时的用户数。
  9. 根据权利要求1-8任一项所述的方法，其特征在于，所述方法还包括：
    根据所述待测对象的网络峰值速率为所述待测对象分配网络带宽资源。
  10. 一种预测装置，其特征在于，包括：
    采集单元，用于采集待测对象的流量数据，所述待测对象为待测网元或待测链路；
    分组单元，用于根据用户标签和业务类型对采集到的流量数据进行流量分组，其中，所述用户标签用于指示用户签约的网络套餐和/或用户的身份标识，所述业务类型包括上网业务、互联专线业务和视频业务；
    计算单元，用于计算各个流量分组的网络峰值速率；将所述各个流量分组的网络峰值速率相加得到所述待测对象的网络峰值速率。
  11. 根据权利要求10所述的预测装置，其特征在于，所述流量分组包括上网业务组，所述计算单元用于：
    根据所述上网业务组对应的第一流量数据，统计单用户在数据采集期间每天的日峰值平均速率；
    根据统计得到的数据计算单用户日峰值平均速率的第一期望值和第一标准差；
    根据所述第一期望值和第一标准差计算所述上网业务组的单用户网络峰值速率；
    根据所述上网业务组的用户数与单用户网络峰值速率计算得到所述上网业务组的网络峰值速率。
  12. 根据权利要求11所述的预测装置，其特征在于，所述计算单元还用于：
    根据所述第一流量数据和预设周期，计算单用户的预设周期峰值平均速率，获得的至少两个预设周期的期望值，所述预设周期大于1日；
    根据所述至少两个预设周期的期望值进行曲线拟合，获得预设周期峰值平均速率增长函数；
    根据所述第一期望值和第一标准差，以及所述预设周期峰值平均速率增长函数计算所述上网业务组的单用户网络峰值速率。
  13. 根据权利要求10所述的预测装置，其特征在于，所述流量分组包括互联专线组，所述计算单元用于：
    从运营支撑系统获取所述互联专线业务的签约带宽，将所述签约带宽作为所述互联专线流量组的单用户网络峰值速率；
    根据所述互联专线组的用户数与单用户网络峰值速率计算得到所述互联专线组的网络峰值速率。
  14. 根据权利要求10所述的预测装置，其特征在于，所述流量分组包括单播视频组，所述计算单元用于：
    若所述单播视频的平均码率相同，则以所述平均码率与第一预设系数的乘积作为所述单播视频组的单用户网络峰值速率；
    若所述单播视频的平均码率不同，则根据所述单播视频组对应的第二流量数据，统计单用户在数据采集期间每天的日峰值平均速率；根据统计得到的数据计算单用户日峰值平均速率的第二期望值和第二标准差；根据所述第二期望值和第二标准差计算所述单播视频组的单用户网络峰值速率；
    根据所述单播视频组的用户数和单用户网络峰值速率计算得到所述单播视频组的网络峰值速率。
  15. 根据权利要求10所述的预测装置，其特征在于，所述流量分组包括组播视频组，所述计算单元用于：
    若用于复制组播视频播放的组播复制点不位于所述待测对象上，则以组播视频的平均码率和第二预设系数的乘积作为所述组播视频组的单用户网络峰值速率；
    根据所述组播视频组的用户数和单用户网络峰值速率计算得到所述组播视频组的网络峰值速率。
  16. 根据权利要求10所述的预测装置，其特征在于，所述流量分组包括组播视频组，所述计算单元用于：
    若用于复制组播视频播放的组播复制点位于所述待测对象上，则根据业务需要提供的频道数c以及所述待测对象上承载的用户数u，确定c个频道在线的第三期望值和第三标准差；
    根据所述第三期望值和第三标准差确定峰值频道在线数；
    根据所述峰值频道在线数和组播视频的平均码率计算得到所述组播视频组的网络峰值速率。
  17. 根据权利要求11、12、14或15所述的预测装置，其特征在于，所述计算单元还用于：
    根据流量分组对应的流量数据，统计数据采集期间所述流量分组内用户数每天的日峰值在线率；
    根据统计得到的数据计算日峰值在线率的期望值和标准差；
    根据日峰值在线率的期望值和标准差计算用户在线率阈值；
    将用户在线率阈值与所述流量分组内用户数的乘积作为计算所述流量分组网络峰值速率时的用户数。
  18. 根据权利要求10-17任一项所述的预测装置，其特征在于，所述预测装置还包括：
    分配单元，用于根据所述待测对象的网络峰值速率为所述待测对象分配网络带宽资源。
  19. 一种预测装置，其特征在于，包括：
    处理器、存储器和总线，所述处理器和存储器通过总线连接，其中，所述存储器用于存储一组程序代码，所述处理器用于调用所述存储器中存储的程序代码，执行如权利要求1-9任一项所述的步骤。
  20. 一种计算机可读存储介质，其特征在于，包括：
    所述计算机可读存储介质中存储有指令，当其在计算机上运行时，实现如权利要求1-9任一项所述的方法。
PCT/CN2018/106523 2018-09-19 2018-09-19 一种预测网络速率的方法及预测装置 WO2020056633A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201880097672.5A CN112771816B (zh) 2018-09-19 2018-09-19 一种预测网络速率的方法及预测装置
PCT/CN2018/106523 WO2020056633A1 (zh) 2018-09-19 2018-09-19 一种预测网络速率的方法及预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/106523 WO2020056633A1 (zh) 2018-09-19 2018-09-19 一种预测网络速率的方法及预测装置

Publications (1)

Publication Number Publication Date
WO2020056633A1 true WO2020056633A1 (zh) 2020-03-26

Family

ID=69888103

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/106523 WO2020056633A1 (zh) 2018-09-19 2018-09-19 一种预测网络速率的方法及预测装置

Country Status (2)

Country Link
CN (1) CN112771816B (zh)
WO (1) WO2020056633A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115037642B (zh) * 2022-03-30 2023-11-21 武汉烽火技术服务有限公司 一种识别流量瓶颈的方法和装置
CN115297589B (zh) * 2022-08-31 2023-04-07 深圳市创凌智联科技有限公司 基于led灯显示效果展示路由器工作状态的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102571397A (zh) * 2010-12-28 2012-07-11 中兴通讯股份有限公司 个人网业务管理装置及方法
CN102790982A (zh) * 2012-07-19 2012-11-21 华为技术服务有限公司 识别数据业务热点、潜在数据业务热点的方法及通信设备
CN103023801A (zh) * 2012-12-03 2013-04-03 复旦大学 一种基于流量特征分析的网络中间节点缓存优化方法
CN105634787A (zh) * 2014-11-26 2016-06-01 华为技术有限公司 网络关键指标的评估方法、预测方法及装置和系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8660006B2 (en) * 2011-11-29 2014-02-25 Hughes Network Systems, Llc Method and system for traffic management and resource allocation on a shared access network
US10091675B2 (en) * 2012-12-13 2018-10-02 Huawei Technologies Co., Ltd. System and method for estimating an effective bandwidth
CN103152286B (zh) * 2013-02-21 2016-05-25 华为技术有限公司 报文传输速率调度方法、设备以及系统
CN103702360B (zh) * 2013-12-12 2017-06-06 华为技术有限公司 一种确定业务接入端口的数据流速的方法及装置
CN105024875B (zh) * 2014-04-30 2018-06-19 中国电信股份有限公司 宽带分类用户的网络流速测量方法和系统
CN108260034B (zh) * 2018-02-13 2020-11-17 中国联合网络通信集团有限公司 一种获取接入网承载业务能力的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102571397A (zh) * 2010-12-28 2012-07-11 中兴通讯股份有限公司 个人网业务管理装置及方法
CN102790982A (zh) * 2012-07-19 2012-11-21 华为技术服务有限公司 识别数据业务热点、潜在数据业务热点的方法及通信设备
CN103023801A (zh) * 2012-12-03 2013-04-03 复旦大学 一种基于流量特征分析的网络中间节点缓存优化方法
CN105634787A (zh) * 2014-11-26 2016-06-01 华为技术有限公司 网络关键指标的评估方法、预测方法及装置和系统

Also Published As

Publication number Publication date
CN112771816B (zh) 2022-09-16
CN112771816A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
US8364820B2 (en) Data center resource usage and cost determination
US9998340B2 (en) Method and system to monitor a network
US11108657B2 (en) QoE-based CATV network capacity planning and upgrade system
US5600632A (en) Methods and apparatus for performance monitoring using synchronized network analyzers
CN102106101B (zh) 用于监视和分析网络业务的系统和方法
US10091675B2 (en) System and method for estimating an effective bandwidth
Xu et al. Analysis of buffer starvation with application to objective QoE optimization of streaming services
US20220038374A1 (en) Microburst detection and management
US20190372857A1 (en) Capacity planning and recommendation system
CN115134368A (zh) 一种负载均衡方法、装置、设备以及存储介质
CN110620699B (zh) 消息到达率确定方法、装置、设备和计算机可读存储介质
WO2020056633A1 (zh) 一种预测网络速率的方法及预测装置
Hanczewski et al. Convolution model of a queueing system with the cFIFO service discipline
Li et al. Delay bound: fractal traffic passes through network servers
Dong et al. Copula analysis for statistical network calculus
Rao et al. Performance of non-homogeneous communication networks with Poisson arrivals and dynamic bandwidth allocation
CN113079062B (zh) 一种资源调整方法、装置、计算机设备和存储介质
Biyar et al. Flow-based network tomography agent for software defined data center
CN110677463B (zh) 并行数据传输方法、装置、介质及电子设备
WO2024051424A1 (zh) 分配网络资源的方法、装置及存储介质
WO2023241042A1 (zh) 故障预测方法、装置、电子设备及存储介质
CN115733642A (zh) 流量特征提取方法及装置
CN115883872A (zh) 视频流调度方法、装置、设备及计算机可读存储介质
CN117439926A (zh) 一种时延信息处理方法及装置
Halabian et al. FPFQ: A low complexity fair queueing algorithm for broadband networks

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18933752

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18933752

Country of ref document: EP

Kind code of ref document: A1