一种网络流量的调度方法、系统、设备及存储介质与流程

1.本发明涉及网络流量技术领域，具体涉及一种网络流量的调度方法、系统、设备及存储介质。


背景技术：

2.网络流量就是网络上传输的数据量。网络流量的大小对网络架构设计具有重要意义，就像要根据来往车辆的多少和流向来设计道路的宽度和连接方式类似。在现实生活中，网络流量在进行调度时，由于无法进行预测，常常因为网络流量的平稳性失衡，导致网络流量的预期值与实际值不匹配。因此，本发明提出了一种网络流量的调度方法、系统、设备及存储介质，用以克服上述所述的问题。


技术实现要素：

3.针对现有技术中的缺陷，本发明提供一种网络流量的调度方法、系统、设备及存储介质。
4.为解决背景技术所提出的问题，本发明的技术方案如下：
5.一种网络流量的调度方法，包括如下内容：
6.获取历史流量数据集，并按照设定时间间隔将历史流量数据集划分为网络流量序列，对网络流量序列的平稳性进行检测，并判断网络流量序列是否为平稳性序列，若否，则通过平稳化算法对网络流量序列进行平稳化处理，并执行下一步骤；若是，则执行下一步骤；
7.对网络流量序列进行数据预处理，并对预处理后的网络流量序列进行拟合计算，并基于网络流量序列的未来值与真实值对网络流量调度预测模型进行评估，构建网络流量调度预测模型；
8.将网络流量调度预测模型预设至流量调度网络中，基于服务器、交换机、路由器的依次连接作为主体，并通过流量调度网络与各个子体进行连接，完成主体与子体之间网络流量调度的预测。
9.作为优选的，所述网络流量序列的数据预处理所采用的去均值法，其数学表达式如下：
[0010][0011][0012]
其中，为向量的平均数，n为批量大小，m为向量。
[0013]
作为优选的，所述网络流量调度预测模型的评估过程如下：
[0014]
获取网络流量序列的真实值；
[0015]
通过误差算法对网络流量序列的未来值与真实值之间的误差进行计算，其中，误差算法可选用rmse误差算法；
[0016]
判断误差是否低于预期值，若是，则完成网络流量调度预测模型的评估；若否，则重新对预处理后的网络流量序列进行拟合计算。
[0017]
作为优选的，所述子体具体为子服务器、子路由器、子交换机、计算机单一设备或这些单一设备的组合。
[0018]
一种网络流量的调度系统，包括：数据获取单元、数据处理单元、数据判断单元、预处理单元、拟合计算单元、评估单元、模型构造单元；所述数据获取单元与所述数据处理单元连接；所述数据处理单元与所述数据判断单元连接；所述数据判断单元与所述预处理单元连接；所述预处理单元与所述拟合计算单元连接；所述拟合计算单元与所述评估单元连接；所述评估单元与所述模型构造单元连接。
[0019]
一种电子设备，包括：
[0020]
存储器，用于存储计算机程序；
[0021]
处理器，用于执行所述计算机程序时实现如权利要求1至4任意一项所述的一种网络流量的调度方法的步骤。
[0022]
一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任意一项所述的一种网络流量的调度方法的步骤。
[0023]
本发明的有益效果体现在：
[0024]
本发明提出了一种网络流量的调度方法、系统、设备及存储介质，解决了现有的网络流量在进行调度时，由于无法进行预测，常常因为网络流量的平稳性失衡，导致网络流量的预期值与实际值不匹配的问题，而且通过小波变换对非平稳时间序列进行处理，提高了模型的预测性能。
附图说明
[0025]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0026]
图1为本发明提供的网络流量调度方法流程示意图；
[0027]
图2为本发明提供的网络流量调度系统示意图。
具体实施方式
[0028]
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
[0029]
需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
[0030]
就目前而言，cbq算法是目前路由器繁忙端口中广泛采用的队列调度算法，它可以根据协议、访问列表、端口等将通信流分类，放入到不同的队列中调度，并且可以为某类特定的通信流指定带宽，以保证在发生拥塞时某些流量优先通过。cbq可以控制所有的信息类型，包括非ip和非tcp通信，如语音信息。它支持精确的全速率带宽分配，并可同步执行优先
级和带宽管理。
[0031]
本发明的历史流量数据集可以基于在主干1000m，边界路由器缓冲区大小为512kb，与三层交换机相连的链路为1000m，路由器与internet相连的链路为100m，三层交换机缓冲区大小为2mkb，且该网络包含1000余台计算机，30台服务器。在三层交换机出口处对进出网络的所有流量进行10天采样，之后通过方法完成下列步骤。
[0032]
如图1所示，获取历史流量数据集，并按照设定时间间隔将历史流量数据集划分为网络流量序列，对网络流量序列的平稳性进行检测，并判断网络流量序列是否为平稳性序列，若否，则通过平稳化算法对网络流量序列进行平稳化处理，并执行下一步骤；若是，则执行下一步骤；
[0033]
小波变换是处理非平稳时间序列最有效的一种方法；而人工神经网络具有较强的非线性逼近功能和自学习、自适应特点。基于两者优点，将小波变换与人工神经网络进行耦合这一新的组合模型被提出。
[0034]
小波变换与神经网络的结合一般如下：
[0035]
(1)将小波放在神经网络之前，提前用小波对网络流量进行除噪，然后利用单纯的神经网络进行流量预测。
[0036]
(2)使甩小波代替传统神经网络的sigmoid作为神经网络的隐节点激励函数，构成一个前馈型神经网络。第1种方法简单易于实现，但神经网络学习周期长，易陷入局部最优，而第2种方法利用小波的多尺度分析特性，缩短了小波神经网络的学习时间，使神经网络避免陷入局部最优，从而提高了神经网络的预测性能。
[0037]
对网络流量序列进行数据预处理，并对预处理后的网络流量序列进行拟合计算，并基于网络流量序列的未来值与真实值对网络流量调度预测模型进行评估，构建网络流量调度预测模型；
[0038]
通过小波变换分解网络流量，一层层地将网络流量分解到不同频域上，分解后的信号在频域上比原始信号单一，且对信号作平滑处理，因此分解后信号的平稳性比原始信号好得多，分解后的流量很适合用平稳时间序列模型来精确建模。不仅克服了一般长相关模型计算量大的缺点，保持了算法的简单性；而且弥补了传统平稳线性模型不能进行非平稳预测的缺陷，提高了预测精度。
[0039]
将网络流量调度预测模型预设至流量调度网络中，基于服务器、交换机、路由器的依次连接作为主体，并通过流量调度网络与各个子体进行连接，完成主体与子体之间网络流量调度的预测。
[0040]
神经网络模型通过大量的神经元的复杂连接，以及通过学习、自组织和非线性动力学所形成的并行分布方式来处理难以语言化的模式信息，当前人工智能方法被用来进行网络流量建模，其中应用最多的就是人工神经网络，它适合学习比较复杂的非线性关系。
[0041]
神经元为其基本处理单元，一般表现为一个多输入、单输出的非线性器件，神经元的输出函数有多种，一般用s型函数表达式来表现函数的非线性特征。
[0042][0043]
其中，c为常数，μi为神经元i的内部状态。
[0044]
神经网络模型以其非常强的容错性、快速的并行计算以及强大的学习功能弥补了传统线性预测模型的不足，不需要预测数据的前期知识，具有较强的学习能力，因而在流量预测中应用较广。但在实际预测中，选择什么样的神经网络，以及神经网络的层次结构、神经元数、训练方法等都还没有一个明确的理论依据，一般凭经验用试凑法来决定，算法复杂，这也是神经网络实际应用发展中的一个瓶颈。
[0045]
所述网络流量序列的数据预处理所采用的去均值法，其数学表达式如下：
[0046][0047][0048]
其中，为向量的平均数，n为批量大小，m为向量。
[0049]
所述网络流量调度预测模型的评估过程如下：
[0050]
获取网络流量序列的真实值；
[0051]
通过误差算法对网络流量序列的未来值与真实值之间的误差进行计算，其中，误差算法可选用rmse误差算法；
[0052]
判断误差是否低于预期值，若是，则完成网络流量调度预测模型的评估；若否，则重新对预处理后的网络流量序列进行拟合计算。
[0053]
所述子体具体为子服务器、子路由器、子交换机、计算机单一设备或这些单一设备的组合。
[0054]
如图2所示，一种网络流量的调度系统，包括：数据获取单元、数据处理单元、数据判断单元、预处理单元、拟合计算单元、评估单元、模型构造单元；所述数据获取单元与所述数据处理单元连接；所述数据处理单元与所述数据判断单元连接；所述数据判断单元与所述预处理单元连接；所述预处理单元与所述拟合计算单元连接；所述拟合计算单元与所述评估单元连接；所述评估单元与所述模型构造单元连接。
[0055]
一种电子设备，包括：
[0056]
存储器，用于存储计算机程序；
[0057]
处理器，用于执行所述计算机程序时实现如权利要求1至4任意一项所述的一种网络流量的调度方法的步骤。
[0058]
一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任意一项所述的一种网络流量的调度方法的步骤
[0059]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。