CN108449286A - 网络带宽资源分配方法及装置 - Google Patents
网络带宽资源分配方法及装置 Download PDFInfo
- Publication number
- CN108449286A CN108449286A CN201810172531.7A CN201810172531A CN108449286A CN 108449286 A CN108449286 A CN 108449286A CN 201810172531 A CN201810172531 A CN 201810172531A CN 108449286 A CN108449286 A CN 108449286A
- Authority
- CN
- China
- Prior art keywords
- bandwidth
- business datum
- onu
- data
- hidden layer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000009826 distribution Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 88
- 238000013475 authorization Methods 0.000 claims abstract description 54
- 230000003287 optical effect Effects 0.000 claims abstract description 23
- 241001269238 Data Species 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims description 67
- 230000006870 function Effects 0.000 claims description 55
- 238000004891 communication Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 238000003860 storage Methods 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- 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
- 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
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供了一种网络带宽资源分配方法及装置，应用于SDN网络架构中的控制器，包括：将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息，作为预设的神经网络预测模型的输入，获得当前周期ONU的预测请求带宽数据；根据所述当前周期的ONU的预测请求带宽数据，向所述ONU发送第一带宽授权信息。本发明实施例根据业务数据标识，将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息中的业务数据输入与业务数据标识相对应的神经网络预测模型中，预测当前周期的ONU预测请求带宽数据，可以有针性的预测ONU中每个业务数据大小，然后下发授权信息给ONU，可以提高网络带宽资源分配的准确率。
Description
技术领域
本发明涉及网络资源管理技术领域，特别是涉及一种网络带宽资源分配方法及装置。
背景技术
SDN(Software Defined Network，软件定义网络)包括：Ser(Server、服务器)、CON(controller，控制器)、ONU(Optical Network Unit，光网络单元)及OLT(optical lineterminal，光线路终端)。目前，SDN的网络带宽资源分配方法如下：ONU接收不同用户终端发送的业务数据，然后根据业务数据所需的带宽，向CON发送带宽请求信息。CON接收到带宽请求信息后，会根据业务数据的优先级从高至低，依次分配不同优先级的业务数据设定的固定带宽，进行网络带宽资源分配，向ONU发送带宽授权信息，其中，该带宽授权信息包括：业务数据设定的固定带宽。ONU接收带宽授权信息后，按照带宽授权信息向OLT传输带宽数据后，由OLT传输至服务器。
首先，这种网络带宽资源分配方法，CON给优先级最低的业务数据分配的带宽，远远小于优先级最低的业务数据的所需的带宽，导致优先级较低的业务数据无法传输。
其次，由于CON分配给优先级不同的业务数据的带宽是固定带宽，而用户终端发送的业务数据是实时变化的，不同业务数据所需的带宽也是实时变化的。针对不同业务数据的优先级分配的固定带宽与业务数据实际所需的带宽差距较大。因此，现有技术的网络带宽资源分配方法，分配带宽资源的准确率不高。
发明内容
本发明实施例的目的在于提供一种网络带宽资源分配方法及装置，以提高网络带宽资源分配的准确率。具体技术方案如下：
第一方面，本发明实施例提供了一种网络带宽资源分配方法，应用于软件定义网络SDN架构中的控制器，包括：
将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息，作为预设的神经网络预测模型的输入，通过所述神经网络预测模型获得当前周期ONU的预测请求带宽数据；所述第一带宽请求信息包括：业务数据标识及业务数据标识对应的请求带宽数据；
其中，所述神经网络预测模型与所述业务数据标识一一对应；所述神经网络预测模型包括：所述业务数据标识对应的请求带宽与ONU预测请求带宽数据之间的数学运算关系；所述预测请求带宽数据包括：所述业务数据标识及所述业务数据标识对应的预测请求带宽数据；
根据所述当前周期的ONU的预测请求带宽数据，向所述ONU发送第一带宽授权信息；
其中，所述第一带宽授权信息包括：所述业务数据标识及所述业务数据标识对应的预测请求带宽数据及传输周期内ONU可以占用传输信道的时隙大小。
可选的，所述预设的神经网络预测模型是通过如下步骤预先训练得到：
将当前周期之前已接收到的ONU发送的所有第二带宽请求信息，所述按照预设的时间顺序及步长，分别划分已发生数据集和预测集；
所述已发生数据集及预测集各自包括：ONU标识、业务数据标识及所述业务数据标识对应的请求带宽数据；
其中，所述一个ONU标识对应三个业务数据标识；
使用预设的归一化算法，将所述已发生数据集和预测集中的所述业务数据对应的请求带宽数据进行归一化处理；
将归一化处理后的已发生数据集中的业务数据标识对应的请求带宽数据作为初始神经网络预测模型的输入；
其中，所述初始神经网络预测模型包括：预先设置的各项参数；
将所述预测集中的业务数据对应的请求带宽作为初始神经网络预测模型的训练目标；
根据输出层的误差函数，调整所述初始神经网络预测模型的各项参数；
将调整各项参数后的所述初始神经网络预测模型作为预设的神经网络预测模型。
可选的，所述初始神经网络预测模型为：
其中，f(x)代表每一层的传递函数，xi为输入层的输入，隐含层1的输出为yj，隐含层2的输出为yk，输出层输出为Om，输入层到隐含层1的权重为Wij，阈值为θj，隐含层1到隐含层2的权重为Wjk，阈值为θk，隐含层2到输出层的权重为Wkm，阈值为θm。
可选的，所述根据预先设定的误差函数，调整所述初始神经网络预测模型的各项参数，包括：
根据输出层的误差函数及各层之间的权值调整函数，调整初始神经网络预测模型中的各层之间的权值；
根据输出层的误差函数及各层之间的阈值调整函数，调整初始神经网络预测模型中的各层之间的阈值；
误差函数为：
其中，Rm代表ONU实际带宽请求信息中业务数据标识对应的请求带宽数据大小；Om代表预测带宽请求信息中业务数据标识对应的请求带宽数据大小；
输入层到隐含层1的权值调整函数为：Wij(n+1)＝Wij(n)+ηjδjxi；
隐含层1到隐含层2的权值调整函数为：Wjk(n+1)＝Wjk(n)+ηkδkyj；
隐含层2到输出层的权值调整函数为：Wkm(n+1)＝Wkm(n)+ηmδmyk；
输入层到隐含层1的阈值调整函数为：θj(n+1)＝θj(n)+λjδj；
隐含层1到隐含层2的阈值调整函数为：θk(n+1)＝θk(n)+λkδk；
隐含层2到输出层的阈值调整函数为：θm(n+1)＝θm(n)+λmδm；
其中，ηj输入层到隐含层1的权值学习速率，ηk代表隐含层1到隐含层2的权值学习速率，ηm代表隐含层2到输出层的学习速率；n代表周期，取正整数；Wij(n)代表输入层到隐含层1调整前的权值，Wij(n+1)代表输入层到隐含层1调整后的权值，Wjk(n)代表隐含层1到隐含层2调整前的权值，Wjk(n+1)代表隐含层1到隐含层2调整后的权值，Wkm(n+1)代表隐含层2到输出层调整前的权值，Wkm(n)代表隐含层2到输出层调整后的权值；λj输入层到隐含层1的阈值学习速率，λk代表隐含层1到隐含层2的阈值学习速率，λm代表隐含层2到输出层的阈值学习速率，θj(n)代表输入层到隐含层1调整前的阈值，θj(n+1)代表输入层到隐含层1调整后的阈值，θk(n)代表隐含层1到隐含层2调整前的阈值，θk(n+1)代表隐含层1到隐含层2调整后的阈值，θm(n+1)代表隐含层2到输出层调整前的阈值，θm(n)代表隐含层2到输出层调整后的阈值。
可选的，将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息，作为预设的神经网络预测模型的输入，包括：
将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息进行归一化处理；
将归一化后的第一带宽请求信息作为预设的神经网络预测模型的输入。
可选的，根据所述当前周期的ONU的预测请求带宽数据，向所述ONU发送第一带宽授权信息，包括：
使用预设的反归一化算法将所述当前周期的ONU的预测请求带宽数据进行反归一化处理；
将所述反归一化处理后的当前周期的ONU的预测请求带宽数据作为目标预测请求带宽数据；
判断所述目标预测请求带宽数据中的各个业务数据标识对应的请求带宽数据大小，是否超过各自业务数据标识对应的预设带宽阈值；
如果业务数据标识对应的请求带宽数据大小，超过自身业务数据标识对应的预设带宽阈值，对所述业务数据标识对应的请求带宽数据，设置标识为重负载；
如果业务数据标识对应的请求带宽数据大小，未超过自身业务数据标识对应的预设带宽阈值，对所述业务数据标识对应的请求带宽数据，设置标识为轻负载；
根据预先设置的业务数据的优先级及业务数据标识对应的请求带宽数据标识，将所述目标预测请求带宽数据中业务数据标识对应的请求带宽数据进行排序，得到与业务数据标识对应的请求带宽数据的排序结果；
其中，所述与业务数据标识对应的请求带宽数据的排序结果包括：优先级最高的轻负载、优先级最高的重负载、优先级第二的轻负载、优先级最低的轻负载、优先级第二的重负载、优先级最低的重负载；
根据所述业务数据标识对应的请求带宽数据的排序结果，向所述ONU发送第一带宽授权信息。
可选的，所述根据所述当前周期的ONU的预测请求带宽数据，向所述ONU发送第一带宽授权信息的步骤之后，包括：
获取当前周期内OLT传输的带宽数据作为目标传输带宽数据；
所述目标传输带宽数据是ONU根据接收的第一带宽授权信息，由ONU向OLT传输的带宽数据；
根据所述目标传输带宽数据，更新所述预设的神经网络预测模型。
可选的，所述根据所述当前周期的ONU的预测请求带宽数据，向所述ONU发送第一带宽授权信息的步骤之后，还包括：
根据当前周期内接收到的下一个周期ONU发送的第二带宽请求信息及所述目标传输数据，向所述ONU发送第二带宽授权信息；
其中，所述第二带宽授权信息包括：所述业务数据标识及所述业务数据标识对应的预测请求带宽数据及传输周期内ONU可以占用传输信道的时隙大小。
第二方面，本实施例提供了一种网络带宽资源分配装置，应用于软件定义网络SDN架构中的控制器，包括：
带宽预测模块，用于将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息，作为预设的神经网络预测模型的输入，通过所述神经网络预测模型获得当前周期ONU的预测请求带宽数据；
所述第一带宽请求信息包括：业务数据标识及业务数据标识对应的请求带宽数据；
其中，所述神经网络预测模型与所述业务数据标识一一对应；所述神经网络预测模型包括：所述业务数据标识对应的请求带宽与ONU预测请求带宽数据之间的数学运算关系；所述预测请求带宽数据包括：所述业务数据标识及所述业务数据标识对应的预测请求带宽数据；
带宽授权模块，用于根据所述当前周期的ONU的预测请求带宽数据，向所述ONU发送第一带宽授权信息；
其中，所述第一带宽授权信息包括：所述业务数据标识及所述业务数据标识对应的预测请求带宽数据及传输周期内ONU可以占用传输信道的时隙大小。
在本发明实施的又一方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的一种预估用户年龄段的方法。
在本发明实施的又一方面，还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，使得计算机执行上述任一所述的一种网络带宽资源分配方法。
在本发明实施的又一方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的一种网络带宽资源分配方法。
本发明实施例提供的一种网络带宽资源分配方法及装置，应用于SDN网络架构中的控制器。将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息，作为预设的神经网络预测模型的输入，获得当前周期ONU的预测请求带宽数据；所述第一带宽请求信息包括：业务数据标识及业务数据标识对应的请求带宽数据；其中，所述神经网络预测模型与所述业务数据标识一一对应；所述神经网络预测模型包括：所述业务数据标识对应的请求带宽与ONU预测请求带宽数据之间的数学运算关系；所述预测请求带宽数据包括：所述业务数据标识及所述业务数据标识对应的预测请求带宽数据；根据所述当前周期的ONU的预测请求带宽数据，向所述ONU发送第一带宽授权信息；其中，所述第一带宽授权信息包括：所述业务数据标识及所述业务数据标识对应的预测请求带宽数据及传输周期内ONU可以占用传输信道的时隙大小。本方案根据业务数据标识，将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息中的业务数据输入与业务数据标识相对应的神经网络预测模型中，预测当前周期的ONU预测请求带宽数据，可以有针性的预测ONU中每个业务数据大小，然后下发授权信息给ONU，可以提高网络带宽资源分配的准确率。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种网络带宽资源分配方法的流程图；
图2为本发明实施例训练神经网络模型的流程图；
图3为本发明实施例发送第一带宽授权信息的流程图；
图4为本发明实施例的一种网络带宽资源分配装置的结构图；
图5为本发明实施例的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例为了解决现有技术根据业务数据的优先级不同，分配固定带宽的这种网络带宽资源分配方法，分配带宽资源的准确率不高的问题。可以理解的是，网络资源带宽中业务数据类型不同，不同业务数据对应的请求带宽不同。因此，本实施例将带宽请求信息至不同的业务数据对应的神经网络模型中，预测当前周期的请求带宽信息，向ONU下发带宽授权信息。
如图1所示，本发明实施例所提供的一种网络带宽资源分配方法，应用于软件定义网络SDN架构中的控制器，包括如下步骤：
S101，将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息，作为预设的神经网络预测模型的输入，通过神经网络预测模型获得当前周期ONU的预测请求带宽数据；
第一带宽请求信息包括：业务数据标识及业务数据标识对应的请求带宽数据；
其中，神经网络预测模型与业务数据标识一一对应；神经网络预测模型包括：业务数据标识对应的请求带宽与ONU预测请求带宽数据之间的数学运算关系；预测请求带宽数据包括：业务数据标识及所述业务数据标识对应的预测请求带宽数据；
S102，根据当前周期的ONU的预测请求带宽数据，向ONU发送第一带宽授权信息；
其中，第一带宽授权信息包括：业务数据标识及所述业务数据标识对应的预测请求带宽数据及传输周期内ONU可以占用传输信道的时隙大小。
本实施例在ONU发送当期周期的请求带宽数据之前，预测当前周期ONU的预测请求带宽数据，提前下发带宽授权信息，节省了发送请求带宽数据和接收带宽授权信息的往返时间，因此，提高了分配带宽的实时性。由于本实施例中的带宽资源分配方法实时性较高，并且使用了业务数据标识一一对应的神经网络模型作为带宽预测模型，保证了每一个业务数据都可进行传输，而且有针对性的预测当前周期请求带宽信息中的每一个业务数据的带宽，下发带宽授权信息。因此，本实施例可以提高分配带宽资源的准确率。
可选的，如图2所示，本实施例根据当前周期前获取到的根据带宽请求信息，提前训练预设的神经网络预测模型，以便为后续预测当前周期的ONU的预测请求带宽数据节省时间。所述预设的神经网络预测模型是通过如下步骤预先训练得到：
S201，将当前周期之前已接收到的ONU发送的所有第二带宽请求信息，所述按照预设的时间顺序及步长，分别划分已发生数据集和预测集；
其中，已发生数据集及预测集各自包括：ONU标识、业务数据标识及所述业务数据标识对应的请求带宽数据；其中，一个ONU标识对应三个业务数据标识；
其中，预设的时间顺序是按照***时间从前至后，步长是根据经验人为设定的长度，实际情况步长可以设定100。
假设ONU1，有100个数据，则可以分为100组。第一组为第1-100个数据和第101个数据，第1-100个数据为已发生数据集，第101个数据为预测数据集。
S202，使用预设的归一化算法，将已发生数据集和预测集中的业务数据对应的请求带宽数据进行归一化处理；
S203，将归一化处理后的已发生数据集中的业务数据标识对应的请求带宽数据作为初始神经网络预测模型的输入；
其中，初始神经网络预测模型包括：预先设置的各项参数；初始神经网络预测模型为：
其中，f(x)代表每一层的传递函数，xi为输入层的输入，隐含层1的输出为yj，隐含层2的输出为yk，输出层输出为Om，输入层到隐含层1的权重为Wij，阈值为θj，隐含层1到隐含层2的权重为Wjk，阈值为θk，隐含层2到输出层的权重为Wkm，阈值为θm；
本实施例初始的神经网络模型共有三层，任何神经网络模型也可以作为初始神经网络模型，根据已发生数据集训练出预设的神经网络预测模型。在此，本实施例不做限制。
S204，将预测集中的业务数据对应的请求带宽作为初始神经网络预测模型的训练目标；
S205，根据输出层的误差函数，调整初始神经网络预测模型的各项参数；
S206，将调整各项参数后的初始神经网络预测模型作为预设的神经网络预测模型。
可以理解的是，归一化处理的作用是使得请求带宽数据的取值是0到1之间，神经网络预测模型输出值是0到1之间。本实施例对请求带宽数据进行归一化处理，使得后续数据处理更加简单，可以加快训练神经网络模型的速度。本实施例通过将当前周期之前已接收到的ONU发送的所有第二带宽请求信息划分已发生数据集及预测集，根据已发生数据集有针对性的训练业务数据标识对应的神经网络模型，可以提高业务数据标识对应的神经网络模型准确性。
可选的，S205可以根据以下步骤实现：
步骤一：根据输出层的误差函数及各层之间的权值调整函数，调整初始神经网络预测模型中的各层之间的权值；
步骤二：根据输出层的误差函数及各层之间的阈值调整函数，调整初始神经网络预测模型中的各层之间的阈值；
其中，误差函数为：
其中，Rm代表ONU实际带宽请求信息中业务数据标识对应的请求带宽数据大小；Om代表预测带宽请求信息中业务数据标识对应的请求带宽数据大小；
输入层到隐含层1的权值调整函数为：Wij(n+1)＝Wij(n)+ηjδjxi；
隐含层1到隐含层2的权值调整函数为：Wjk(n+1)＝Wjk(n)+ηkδkyj；
隐含层2到输出层的权值调整函数为：Wkm(n+1)＝Wkm(n)+ηmδmyk；
输入层到隐含层1的阈值调整函数为：θj(n+1)＝θj(n)+λjδj；
隐含层1到隐含层2的阈值调整函数为：θk(n+1)＝θk(n)+λkδk；
隐含层2到输出层的阈值调整函数为：θm(n+1)＝θm(n)+λmδm；
其中，ηj输入层到隐含层1的权值学习速率，ηk代表隐含层1到隐含层2的权值学习速率，ηm代表隐含层2到输出层的学习速率；n代表周期，取正整数；Wij(n)代表输入层到隐含层1调整前的权值，Wij(n+1)代表输入层到隐含层1调整后的权值，Wjk(n)代表隐含层1到隐含层2调整前的权值，Wjk(n+1)代表隐含层1到隐含层2调整后的权值，Wkm(n+1)代表隐含层2到输出层调整前的权值，Wkm(n)代表隐含层2到输出层调整后的权值；λj输入层到隐含层1的阈值学习速率，λk代表隐含层1到隐含层2的阈值学习速率，λm代表隐含层2到输出层的阈值学习速率，θj(n)代表输入层到隐含层1调整前的阈值，θj(n+1)代表输入层到隐含层1调整后的阈值，θk(n)代表隐含层1到隐含层2调整前的阈值，θk(n+1)代表隐含层1到隐含层2调整后的阈值，θm(n+1)代表隐含层2到输出层调整前的阈值，θm(n)代表隐含层2到输出层调整后的阈值。
可选的，步骤S101中将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息，作为预设的神经网络预测模型的输入，包括如下步骤：
步骤一：将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息进行归一化处理；
步骤二：将归一化后的第一带宽请求信息作为预设的神经网络预测模型的输入。
可以理解的是，本实施例确定归一化处理的方法与现有技术归一化处理的方法相同，在此不再详述。
可选的，如图3所示，S102可以根据以下步骤获得：
S301，使用预设的反归一化算法将当前周期的ONU的预测请求带宽数据进行反归一化处理；
S302，将反归一化处理后的当前周期的ONU的预测请求带宽数据作为目标预测请求带宽数据；
S303，判断目标预测请求带宽数据中的各个业务数据标识对应的请求带宽数据大小，是否超过各自业务数据标识对应的预设带宽阈值；
其中，业务数据标识对应的预设带宽阈值根据人为根据经验设定，通过计算一定时间段网络的实际传输的各个业务数据大小平均值而设定。
S304，如果业务数据标识对应的请求带宽数据大小，超过自身业务数据标识对应的预设带宽阈值，对业务数据标识对应的请求带宽数据，设置标识为重负载；
S305，如果业务数据标识对应的请求带宽数据大小，未超过自身业务数据标识对应的预设带宽阈值，对业务数据标识对应的请求带宽数据，设置标识为轻负载；
S306，根据预先设置的业务数据的优先级及业务数据的标识对应的请求带宽数据标识，将目标预测请求带宽数据中业务数据标识对应的请求带宽数据进行排序，得到与业务数据标识对应的请求带宽数据的排序结果；
其中，与业务数据标识对应的请求带宽数据的排序结果包括：优先级最高的轻负载、优先级最高的重负载、优先级第二的轻负载、优先级最低的轻负载、优先级第二的重负载、优先级最低的重负载；
S307，根据业务数据标识对应的请求带宽数据的排序结果，向ONU发送第一带宽授权信息。
举例而言，目标请求带宽数据包含三种业务数据类型分别是：加速转发(expedited forwarding，EF)、保证转发(Assured Forwarding，AF)和尽力而为(BestEffort，BE)。EF类型的业务数据优先级最高；AF类型的业务数据优先级第二；BE类型的业务数据优先级最低。
假设目标预测请求带宽数据中EF类型的业务数据对应的请求带宽数据大小是100M，EF类型的业务数据对应的预设带宽阈值是80M，则将EF类型的业务数据标识对应的请求带宽数据设置标识为重负载；目标预测请求带宽数据中AF类型的业务数据对应的请求带宽数据大小是50M，AF类型的业务数据对应的预设带宽阈值是60M，则将目标预测请求带宽数据中AF类型的业务数据对应的请求带宽数据设置标识为轻负载；目标预测请求带宽数据中BE类型的业务数据对应的请求带宽数据大小是70M，BE类型的业务数据对应的预设带宽阈值是60M，则将目标预测请求带宽数据中BE类型的业务数据对应的请求带宽数据设置标识为重负载；那么目标预测请求带宽数据中业务数据标识对应的请求带宽数据的排序结果为：EF重负载、AF轻负载、BE重负载，根据排序结果向ONU发送第一带宽授权信息。
有鉴于神经网络模型输出的是，当前周期的ONU的预测请求带宽数据归一化的结果。因此，本实施例将神经网络输出的当前周期的ONU的预测请求带宽数据进行反归一化，反归一化后，将预测请求带宽数据中业务数据标识对应的请求带宽数据设置标识，按照优先级及业务数据标识对应的请求带宽数据标识排序，然后发送第一授权信息。本实施例保证了ONU中的各个业务数据正常传输，避免业务数据因为优先级较低无法传输。同时，本实施例考虑了业务数据的优先级和业务数据标识对应的请求带宽数据大小两个因素，发送第一带宽授权信息进行带宽资源分配，提高了分配带宽资源的准确性。
可选的，在S102的步骤之后，本实施例中的一种网络带宽资源分配方法还包括：
步骤一：获取当前周期内OLT传输的带宽数据作为目标传输带宽数据；
其中，目标传输带宽数据是ONU根据接收的第一带宽授权信息，由ONU向OLT传输的带宽数据；
步骤二：根据目标传输带宽数据，更新预设的神经网络预测模型。
本实施例将当前周期内OLT传输的带宽数据作为目标传输带宽数据，更新预设的神经网络预测模型，使得神经网络预测模型预测更加准确。神经网络预测模型一个周期更新一次，使用更新后的神经网络预测模型，预测ONU预测请求带宽数据实时性更强。
可选的，在S102的步骤之后，本实施例中的一种网络带宽资源分配方法还包括：
根据当前周期内接收到的下一个周期ONU发送的第二带宽请求信息及目标传输数据，向ONU发送第二带宽授权信息；
其中，第二带宽授权信息包括：业务数据标识及业务数据标识对应的预测请求带宽数据及传输周期内ONU可以占用传输信道的时隙大小。
可以理解的是，一个传输周期内控制器接收ONU发送的带宽请求信息是连续的，控制器接收当前周期的第一带宽请求信息并发送第一带宽授权信息的整个过程中，还会收到下一个周期的ONU发送第二带宽请求信息。本实施例根据当前当前周期内接收到的下一个周期ONU发送的第二带宽请求信息及目标传输数据，控制器实时调整并发送给ONU的第二带宽授权信息，以便为下一个周期传输数据做准备。
举例而言，假设预测当前周期ONU发送的带宽请求信息中的业务数据业务标识对应的预测请求带宽数据及传输周期内ONU可以占用传输信道的时隙较小，并且向ONU发送了第一带宽授权信息，ONU根据第一带宽授权信息向OLT传输的带宽数据进行数据传输。当前周期内控制器接收到下一个周期的第二带宽请求信息，而第二带宽请求信息中的业务数据对应的带宽较大，那么控制器会实时调整带宽授权信息，使得第二带宽授权信息中业务标识对应的预测请求带宽数据及传输周期内ONU可以占用传输信道的时隙变大，降低ONU端数据的积压，提高ONU传输数据的效率。
如图4所示，本发明实施例所提供的一种网络带宽资源分配装置，应用于软件定义网络SDN架构中的控制器，包括：
带宽预测模块401，用于将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息，作为预设的神经网络预测模型的输入，通过神经网络预测模型获得当前周期ONU的预测请求带宽数据；
其中，第一带宽请求信息包括：业务数据标识及业务数据标识对应的请求带宽数据；
其中，神经网络预测模型与业务数据标识一一对应；神经网络预测模型包括：业务数据标识对应的请求带宽与ONU预测请求带宽数据之间的数学运算关系；预测请求带宽数据包括：业务数据标识及业务数据标识对应的预测请求带宽数据；
带宽授权模块402，用于根据当前周期的ONU的预测请求带宽数据，向ONU发送第一带宽授权信息；
其中，第一带宽授权信息包括：业务数据标识及业务数据标识对应的预测请求带宽数据及传输周期内ONU可以占用传输信道的时隙大小。
可选的，带宽预测模块401，包括：模型训练子模块；
模型训练子模块包括：
集合划分子单元，用于将当前周期之前已接收到的ONU发送的所有第二带宽请求信息，按照预设的时间顺序及步长，分别划分已发生数据集和预测集；
其中，已发生数据集及预测集各自包括：ONU标识、业务数据标识及业务数据标识对应的请求带宽数据；
其中，一个ONU标识对应三个业务数据标识；
归一化子单元，用于使用预设的归一化算法，将已发生数据集和预测集中的业务数据对应的请求带宽数据进行归一化处理；
模型输入子单元，用于将归一化处理后的已发生数据集中的业务数据标识对应的请求带宽数据作为初始神经网络预测模型的输入；
其中，初始神经网络预测模型包括：预先设置的各项参数；
模型目标子单元，用于将预测集中的业务数据对应的请求带宽作为初始神经网络预测模型的训练目标；
参数调整子单元，用于根据输出层的误差函数，调整初始神经网络预测模型的各项参数；
预测模型子单元，用于将调整各项参数后的初始神经网络预测模型作为预设的神经网络预测模型。
可选的，预测模型子单元具体用于：将调整各项参数后的初始神经网络预测模型作为预设的神经网络预测模型；
初始神经网络预测模型为：
其中，f(x)代表每一层的传递函数，xi为输入层的输入，隐含层1的输出为yj，隐含层2的输出为yk，输出层输出为Om，输入层到隐含层1的权重为Wij，阈值为θj，隐含层1到隐含层2的权重为Wjk，阈值为θk，隐含层2到输出层的权重为Wkm，阈值为θm。
可选的，参数调整子单元具体用于：
根据输出层的误差函数及各层之间的权值调整函数，调整初始神经网络预测模型中的各层之间的权值；
根据输出层的误差函数及各层之间的阈值调整函数，调整初始神经网络预测模型中的各层之间的阈值；
误差函数为：
其中，Rm代表ONU实际带宽请求信息中业务数据标识对应的请求带宽数据大小；Om代表预测带宽请求信息中业务数据标识对应的请求带宽数据大小；
输入层到隐含层1的权值调整函数为：Wij(n+1)＝Wij(n)+ηjδjxi；
隐含层1到隐含层2的权值调整函数为：Wjk(n+1)＝Wjk(n)+ηkδkyj；
隐含层2到输出层的权值调整函数为：Wkm(n+1)＝Wkm(n)+ηmδmyk；
输入层到隐含层1的阈值调整函数为：θj(n+1)＝θj(n)+λjδj；
隐含层1到隐含层2的阈值调整函数为：θk(n+1)＝θk(n)+λkδk；
隐含层2到输出层的阈值调整函数为：θm(n+1)＝θm(n)+λmδm；
其中，ηj输入层到隐含层1的权值学习速率，ηk代表隐含层1到隐含层2的权值学习速率，ηm代表隐含层2到输出层的学习速率；n代表周期，取正整数；Wij(n)代表输入层到隐含层1调整前的权值，Wij(n+1)代表输入层到隐含层1调整后的权值，Wjk(n)代表隐含层1到隐含层2调整前的权值，Wjk(n+1)代表隐含层1到隐含层2调整后的权值，Wkm(n+1)代表隐含层2到输出层调整前的权值，Wkm(n)代表隐含层2到输出层调整后的权值；λj输入层到隐含层1的阈值学习速率，λk代表隐含层1到隐含层2的阈值学习速率，λm代表隐含层2到输出层的阈值学习速率，θj(n)代表输入层到隐含层1调整前的阈值，θj(n+1)代表输入层到隐含层1调整后的阈值，θk(n)代表隐含层1到隐含层2调整前的阈值，θk(n+1)代表隐含层1到隐含层2调整后的阈值，θm(n+1)代表隐含层2到输出层调整前的阈值，θm(n)代表隐含层2到输出层调整后的阈值。
可选的，预测模型子单元具体用于：
将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息进行归一化处理；
将归一化后的第一带宽请求信息作为预设的神经网络预测模型的输入。
可选的，带宽授权模块402具体用于：
使用预设的反归一化算法将当前周期的ONU的预测请求带宽数据进行反归一化处理；
将反归一化处理后的当前周期的ONU的预测请求带宽数据作为目标预测请求带宽数据；
判断目标预测请求带宽数据中的各个业务数据标识对应的请求带宽数据大小，是否超过各自业务数据标识对应的预设带宽阈值；
如果业务数据标识对应的请求带宽数据大小，超过自身业务数据标识对应的预设带宽阈值，对业务数据标识对应的请求带宽数据，设置标识为重负载；
如果业务数据标识对应的请求带宽数据大小，未超过自身业务数据标识对应的预设带宽阈值，对业务数据标识对应的请求带宽数据，设置标识为轻负载；
根据预先设置的业务数据的优先级及业务数据标识对应的请求带宽数据标识，将目标预测请求带宽数据中业务数据标识对应的请求带宽数据进行排序，得到与业务数据标识对应的请求带宽数据的排序结果；
其中，与业务数据标识对应的请求带宽数据的排序结果包括：优先级最高的轻负载、优先级最高的重负载、优先级第二的轻负载、优先级最低的轻负载、优先级第二的重负载、优先级最低的重负载；
根据业务数据标识对应的请求带宽数据的排序结果，向ONU发送第一带宽授权信息。
可选的，带宽授权模块402，包括：
模型更新子模块，用于获取当前周期内OLT传输的带宽数据作为目标传输带宽数据；
目标传输带宽数据是ONU根据接收的第一带宽授权信息，由ONU向OLT传输的带宽数据；
根据目标传输带宽数据，更新预设的神经网络预测模型。
可选的，带宽授权模块402，包括：
带宽授权子模块，用于根据当前周期内接收到的下一个周期ONU发送的第二带宽请求信息及目标传输数据，向ONU发送第二带宽授权信息；
其中，第二带宽授权信息包括：业务数据标识及业务数据标识对应的预测请求带宽数据及传输周期内ONU可以占用传输信道的时隙大小。
本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现如下步骤：
将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息，作为预设的神经网络预测模型的输入，通过神经网络预测模型获得当前周期ONU的预测请求带宽数据；第一带宽请求信息包括：业务数据标识及业务数据标识对应的请求带宽数据；
其中，神经网络预测模型与业务数据标识一一对应；神经网络预测模型包括：业务数据标识对应的请求带宽与ONU预测请求带宽数据之间的数学运算关系；预测请求带宽数据包括：业务数据标识及业务数据标识对应的预测请求带宽数据；
根据当前周期的ONU的预测请求带宽数据，向ONU发送第一带宽授权信息；
其中，第一带宽授权信息包括：业务数据标识及业务数据标识对应的预测请求带宽数据及传输周期内ONU可以占用传输信道的时隙大小。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该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，使得计算机执行上述实施例中任一所述的一种网络带宽资源分配方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的一种网络带宽资源分配方法。
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发明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。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种网络带宽资源分配方法，其特征在于，应用于软件定义网络SDN架构中的控制器，所述方法包括：
将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息，作为预设的神经网络预测模型的输入，通过所述神经网络预测模型获得当前周期ONU的预测请求带宽数据；所述第一带宽请求信息包括：业务数据标识及业务数据标识对应的请求带宽数据；
其中，所述神经网络预测模型与所述业务数据标识一一对应；所述神经网络预测模型包括：所述业务数据标识对应的请求带宽与ONU预测请求带宽数据之间的数学运算关系；所述预测请求带宽数据包括：所述业务数据标识及所述业务数据标识对应的预测请求带宽数据；
根据所述当前周期的ONU的预测请求带宽数据，向所述ONU发送第一带宽授权信息；
其中，所述第一带宽授权信息包括：所述业务数据标识及所述业务数据标识对应的预测请求带宽数据及传输周期内ONU可以占用传输信道的时隙大小。
2.根据权利要求1所述的方法，其特征在于，所述预设的神经网络预测模型是通过如下步骤预先训练得到：
将当前周期之前已接收到的ONU发送的所有第二带宽请求信息，所述按照预设的时间顺序及步长，分别划分已发生数据集和预测集；
所述已发生数据集及预测集各自包括：ONU标识、业务数据标识及所述业务数据标识对应的请求带宽数据；
其中，所述一个ONU标识对应三个业务数据标识；
使用预设的归一化算法，将所述已发生数据集和预测集中的所述业务数据对应的请求带宽数据进行归一化处理；
将归一化处理后的已发生数据集中的业务数据标识对应的请求带宽数据作为初始神经网络预测模型的输入；
其中，所述初始神经网络预测模型包括：预先设置的各项参数；
将所述预测集中的业务数据对应的请求带宽作为初始神经网络预测模型的训练目标；
根据输出层的误差函数，调整所述初始神经网络预测模型的各项参数；
将调整各项参数后的所述初始神经网络预测模型作为预设的神经网络预测模型。
3.根据权利要求2所述的方法，其特征在于，所述初始神经网络预测模型为：
其中，f(x)代表每一层的传递函数，xi为输入层的输入，隐含层1的输出为yj，隐含层2的输出为yk，输出层输出为Om，输入层到隐含层1的权重为Wij，阈值为θj，隐含层1到隐含层2的权重为Wjk，阈值为θk，隐含层2到输出层的权重为Wkm，阈值为θm。
4.根据权利要求3所述的方法，其特征在于，所述根据预先设定的误差函数，调整所述初始神经网络预测模型的各项参数，包括：
根据输出层的误差函数及各层之间的权值调整函数，调整初始神经网络预测模型中的各层之间的权值；
根据输出层的误差函数及各层之间的阈值调整函数，调整初始神经网络预测模型中的各层之间的阈值；
误差函数为：
其中，Rm代表ONU实际带宽请求信息中业务数据标识对应的请求带宽数据大小；Om代表预测带宽请求信息中业务数据标识对应的请求带宽数据大小；
输入层到隐含层1的权值调整函数为：Wij(n+1)＝Wij(n)+ηjδjxi；
隐含层1到隐含层2的权值调整函数为：Wjk(n+1)＝Wjk(n)+ηkδkyj；
隐含层2到输出层的权值调整函数为：Wkm(n+1)＝Wkm(n)+ηmδmyk；
输入层到隐含层1的阈值调整函数为：θj(n+1)＝θj(n)+λjδj；
隐含层1到隐含层2的阈值调整函数为：θk(n+1)＝θk(n)+λkδk；
隐含层2到输出层的阈值调整函数为：θm(n+1)＝θm(n)+λmδm；
其中，ηj输入层到隐含层1的权值学习速率，ηk代表隐含层1到隐含层2的权值学习速率，ηm代表隐含层2到输出层的学习速率；n代表周期，取正整数；Wij(n)代表输入层到隐含层1调整前的权值，Wij(n+1)代表输入层到隐含层1调整后的权值，Wjk(n)代表隐含层1到隐含层2调整前的权值，Wjk(n+1)代表隐含层1到隐含层2调整后的权值，Wkm(n+1)代表隐含层2到输出层调整前的权值，Wkm(n)代表隐含层2到输出层调整后的权值；λj输入层到隐含层1的阈值学习速率，λk代表隐含层1到隐含层2的阈值学习速率，λm代表隐含层2到输出层的阈值学习速率，θj(n)代表输入层到隐含层1调整前的阈值，θj(n+1)代表输入层到隐含层1调整后的阈值，θk(n)代表隐含层1到隐含层2调整前的阈值，θk(n+1)代表隐含层1到隐含层2调整后的阈值，θm(n+1)代表隐含层2到输出层调整前的阈值，θm(n)代表隐含层2到输出层调整后的阈值。
5.根据权利要求1所述的方法，其特征在于，
所述将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息，作为预设的神经网络预测模型的输入，包括：
将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息进行归一化处理；
将归一化后的第一带宽请求信息作为预设的神经网络预测模型的输入。
6.根据权利要求5所述的方法，其特征在于，所述根据所述当前周期的ONU的预测请求带宽数据，向所述ONU发送第一带宽授权信息，包括：
使用预设的反归一化算法将所述当前周期的ONU的预测请求带宽数据进行反归一化处理；
将所述反归一化处理后的当前周期的ONU的预测请求带宽数据作为目标预测请求带宽数据；
判断所述目标预测请求带宽数据中的各个业务数据标识对应的请求带宽数据大小，是否超过各自业务数据标识对应的预设带宽阈值；
如果业务数据标识对应的请求带宽数据大小，超过自身业务数据标识对应的预设带宽阈值，对所述业务数据标识对应的请求带宽数据，设置标识为重负载；
如果业务数据标识对应的请求带宽数据大小，未超过自身业务数据标识对应的预设带宽阈值，对所述业务数据标识对应的请求带宽数据，设置标识为轻负载；
根据预先设置的业务数据的优先级及业务数据标识对应的请求带宽数据标识，将所述目标预测请求带宽数据中业务数据标识对应的请求带宽数据进行排序，得到与业务数据标识对应的请求带宽数据的排序结果；
其中，所述与业务数据标识对应的请求带宽数据的排序结果包括：优先级最高的轻负载、优先级最高的重负载、优先级第二的轻负载、优先级最低的轻负载、优先级第二的重负载、优先级最低的重负载；
根据所述业务数据标识对应的请求带宽数据的排序结果，向所述ONU发送第一带宽授权信息。
7.根据权利要求1所述的方法，其特征在于，所述根据所述当前周期的ONU的预测请求带宽数据，向所述ONU发送第一带宽授权信息的步骤之后，包括：
获取当前周期内OLT传输的带宽数据作为目标传输带宽数据；
所述目标传输带宽数据是ONU根据接收的第一带宽授权信息，由ONU向OLT传输的带宽数据；
根据所述目标传输带宽数据，更新所述预设的神经网络预测模型。
8.根据权利要求7所述的方法，其特征在于，所述所述根据所述当前周期的ONU的预测请求带宽数据，向所述ONU发送第一带宽授权信息的步骤之后，还包括：
根据当前周期内接收到的下一个周期ONU发送的第二带宽请求信息及所述目标传输数据，向所述ONU发送第二带宽授权信息；
其中，所述第二带宽授权信息包括：所述业务数据标识及所述业务数据标识对应的预测请求带宽数据及传输周期内ONU可以占用传输信道的时隙大小。
9.一种网络带宽资源分配装置，其特征在于，应用于软件定义网络SDN架构中的控制器，所述装置包括：
带宽预测模块，用于将已获得的前一个周期光网络单元ONU发送的第一带宽请求信息，作为预设的神经网络预测模型的输入，通过所述神经网络预测模型获得当前周期ONU的预测请求带宽数据；
所述第一带宽请求信息包括：业务数据标识及业务数据标识对应的请求带宽数据；
其中，所述神经网络预测模型与所述业务数据标识一一对应；所述神经网络预测模型包括：所述业务数据标识对应的请求带宽与ONU预测请求带宽数据之间的数学运算关系；所述预测请求带宽数据包括：所述业务数据标识及所述业务数据标识对应的预测请求带宽数据；
带宽授权模块，用于根据所述当前周期的ONU的预测请求带宽数据，向所述ONU发送第一带宽授权信息；
其中，所述第一带宽授权信息包括：所述业务数据标识及所述业务数据标识对应的预测请求带宽数据及传输周期内ONU可以占用传输信道的时隙大小。
10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-8任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810172531.7A CN108449286B (zh) | 2018-03-01 | 2018-03-01 | 网络带宽资源分配方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810172531.7A CN108449286B (zh) | 2018-03-01 | 2018-03-01 | 网络带宽资源分配方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108449286A true CN108449286A (zh) | 2018-08-24 |
| CN108449286B CN108449286B (zh) | 2020-07-03 |
Family
ID=63193462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810172531.7A Active CN108449286B (zh) | 2018-03-01 | 2018-03-01 | 网络带宽资源分配方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108449286B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598378A (zh) * | 2018-11-30 | 2019-04-09 | 平安医疗健康管理股份有限公司 | 医保费用预测方法、装置、设备及计算机可读存储介质 |
| CN110198280A (zh) * | 2019-05-28 | 2019-09-03 | 华南理工大学 | 一种基于bp神经网络的sdn链路分配方法 |
| CN110535803A (zh) * | 2019-09-03 | 2019-12-03 | 西南交通大学 | 一种无源光网络上行传输接收端解调方法 |
| CN111491312A (zh) * | 2019-01-28 | 2020-08-04 | ***通信有限公司研究院 | 无线资源预测分配、获取、训练神经网络的方法及设备 |
| CN111565323A (zh) * | 2020-03-23 | 2020-08-21 | 视联动力信息技术股份有限公司 | 一种流量控制方法、装置、电子设备及存储介质 |
| WO2020169031A1 (zh) * | 2019-02-19 | 2020-08-27 | 中兴通讯股份有限公司 | 数据传输方法、装置、ap、onu pon、组网及存储介质 |
| WO2021003811A1 (zh) * | 2019-07-11 | 2021-01-14 | 网宿科技股份有限公司 | 基于深度学习的带宽滤波方法、装置、服务器及存储介质 |
| CN112367708A (zh) * | 2020-10-30 | 2021-02-12 | 新华三技术有限公司 | 一种网络资源分配方法及装置 |
| CN112532459A (zh) * | 2020-12-07 | 2021-03-19 | 郑州师范学院 | 一种带宽资源调整方法、装置及设备 |
| US11005689B2 (en) | 2019-07-11 | 2021-05-11 | Wangsu Science & Technology Co., Ltd. | Method and apparatus for bandwidth filtering based on deep learning, server and storage medium |
| CN114244767A (zh) * | 2021-11-01 | 2022-03-25 | 北京邮电大学 | 一种基于负载均衡的链路最小端到端时延路由算法 |
| CN114465915A (zh) * | 2021-12-22 | 2022-05-10 | 天翼云科技有限公司 | 一种cdn带宽预测方法、装置、***和电子设备 |
| CN114501353A (zh) * | 2020-10-23 | 2022-05-13 | 维沃移动通信有限公司 | 通信信息的发送、接收方法及通信设备 |
| CN114866145A (zh) * | 2021-01-20 | 2022-08-05 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和计算机可读介质 |
| CN115002215A (zh) * | 2022-04-11 | 2022-09-02 | 北京邮电大学 | 面向云上政企的资源分配模型训练方法以及资源分配方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1697348A (zh) * | 2004-05-14 | 2005-11-16 | 上海贝尔阿尔卡特股份有限公司 | 多业务类型动态带宽分配方法和装置以及光线路终端 |
| CN101512970A (zh) * | 2005-04-15 | 2009-08-19 | 新泽西理工学院 | 宽带无源光网络的动态带宽分配和业务划分 |
| WO2011020918A1 (en) * | 2009-08-21 | 2011-02-24 | Telefonaktiebolaget L M Ericsson (Publ) | Method for soft bandwidth limiting in dynamic bandwidth allocation |
| CN105933064A (zh) * | 2016-07-05 | 2016-09-07 | 北京邮电大学 | 一种动态带宽分配方法及装置 |
| CN106209687A (zh) * | 2016-07-12 | 2016-12-07 | 重庆邮电大学 | 一种混合复用pon全局资源高效分配方法 |
-
2018
- 2018-03-01 CN CN201810172531.7A patent/CN108449286B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1697348A (zh) * | 2004-05-14 | 2005-11-16 | 上海贝尔阿尔卡特股份有限公司 | 多业务类型动态带宽分配方法和装置以及光线路终端 |
| CN101512970A (zh) * | 2005-04-15 | 2009-08-19 | 新泽西理工学院 | 宽带无源光网络的动态带宽分配和业务划分 |
| WO2011020918A1 (en) * | 2009-08-21 | 2011-02-24 | Telefonaktiebolaget L M Ericsson (Publ) | Method for soft bandwidth limiting in dynamic bandwidth allocation |
| CN105933064A (zh) * | 2016-07-05 | 2016-09-07 | 北京邮电大学 | 一种动态带宽分配方法及装置 |
| CN106209687A (zh) * | 2016-07-12 | 2016-12-07 | 重庆邮电大学 | 一种混合复用pon全局资源高效分配方法 |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598378A (zh) * | 2018-11-30 | 2019-04-09 | 平安医疗健康管理股份有限公司 | 医保费用预测方法、装置、设备及计算机可读存储介质 |
| CN111491312A (zh) * | 2019-01-28 | 2020-08-04 | ***通信有限公司研究院 | 无线资源预测分配、获取、训练神经网络的方法及设备 |
| WO2020169031A1 (zh) * | 2019-02-19 | 2020-08-27 | 中兴通讯股份有限公司 | 数据传输方法、装置、ap、onu pon、组网及存储介质 |
| US11743622B2 (en) | 2019-02-19 | 2023-08-29 | Zte Corporation | Data transmission method and apparatus, AP, ONU PON, networking and storage medium |
| CN110198280A (zh) * | 2019-05-28 | 2019-09-03 | 华南理工大学 | 一种基于bp神经网络的sdn链路分配方法 |
| EP3783840A4 (en) * | 2019-07-11 | 2021-08-11 | Wangsu Science & Technology Co., Ltd. | DEEP LEARNING BASED BANDWIDTH FILTERING METHOD AND DEVICE, SERVER AND STORAGE MEDIA |
| US11005689B2 (en) | 2019-07-11 | 2021-05-11 | Wangsu Science & Technology Co., Ltd. | Method and apparatus for bandwidth filtering based on deep learning, server and storage medium |
| WO2021003811A1 (zh) * | 2019-07-11 | 2021-01-14 | 网宿科技股份有限公司 | 基于深度学习的带宽滤波方法、装置、服务器及存储介质 |
| CN110535803A (zh) * | 2019-09-03 | 2019-12-03 | 西南交通大学 | 一种无源光网络上行传输接收端解调方法 |
| CN111565323A (zh) * | 2020-03-23 | 2020-08-21 | 视联动力信息技术股份有限公司 | 一种流量控制方法、装置、电子设备及存储介质 |
| CN114501353B (zh) * | 2020-10-23 | 2024-01-05 | 维沃移动通信有限公司 | 通信信息的发送、接收方法及通信设备 |
| CN114501353A (zh) * | 2020-10-23 | 2022-05-13 | 维沃移动通信有限公司 | 通信信息的发送、接收方法及通信设备 |
| CN112367708B (zh) * | 2020-10-30 | 2023-05-26 | 新华三技术有限公司 | 一种网络资源分配方法及装置 |
| CN112367708A (zh) * | 2020-10-30 | 2021-02-12 | 新华三技术有限公司 | 一种网络资源分配方法及装置 |
| CN112532459A (zh) * | 2020-12-07 | 2021-03-19 | 郑州师范学院 | 一种带宽资源调整方法、装置及设备 |
| CN114866145A (zh) * | 2021-01-20 | 2022-08-05 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和计算机可读介质 |
| CN114866145B (zh) * | 2021-01-20 | 2024-02-09 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和计算机可读介质 |
| CN114244767B (zh) * | 2021-11-01 | 2023-09-26 | 北京邮电大学 | 一种基于负载均衡的链路最小端到端时延路由算法 |
| CN114244767A (zh) * | 2021-11-01 | 2022-03-25 | 北京邮电大学 | 一种基于负载均衡的链路最小端到端时延路由算法 |
| CN114465915A (zh) * | 2021-12-22 | 2022-05-10 | 天翼云科技有限公司 | 一种cdn带宽预测方法、装置、***和电子设备 |
| CN115002215A (zh) * | 2022-04-11 | 2022-09-02 | 北京邮电大学 | 面向云上政企的资源分配模型训练方法以及资源分配方法 |
| CN115002215B (zh) * | 2022-04-11 | 2023-12-05 | 北京邮电大学 | 面向云上政企的资源分配模型训练方法以及资源分配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108449286B (zh) | 2020-07-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108449286A (zh) | 网络带宽资源分配方法及装置 | |
| Bunyakitanon et al. | End-to-end performance-based autonomous VNF placement with adopted reinforcement learning | |
| CN113055308B (zh) | 带宽调度方法、流量传输方法及相关产品 | |
| CN109617826B (zh) | 一种基于布谷鸟搜索的storm动态负载均衡方法 | |
| CN102724103B (zh) | 代理服务器、分层次网络***及分布式工作负载管理方法 | |
| WO2019184445A1 (zh) | 服务资源调配 | |
| CN105471759A (zh) | 数据中心的网络流量调度方法和装置 | |
| CN113408797B (zh) | 流转量预测多时序模型生成方法、信息发送方法和装置 | |
| CN111106999A (zh) | 一种ip-光网络通信业务联合分配方法及装置 | |
| CN108965014A (zh) | QoS感知的服务链备份方法及*** | |
| CN112887217B (zh) | 控制数据包发送方法、模型训练方法、装置及*** | |
| CN109617806B (zh) | 一种数据流量调度方法及装置 | |
| CN109802997A (zh) | 一种节点设备的选择方法及其相关设备 | |
| CN109361547B (zh) | 一种网络切片链路部署方法与装置 | |
| WO2020059763A1 (ja) | リソース割当計算装置及びリソース割当計算方法 | |
| Cao et al. | A deep reinforcement learning approach to multi-component job scheduling in edge computing | |
| Khakimov et al. | Flexible architecture for deployment of edge computing applications | |
| CN113840330B (zh) | 建立连接的方法、网关设备、网络***及调度中心 | |
| CN114116207A (zh) | 流量控制方法、装置、设备及*** | |
| CN105335376B (zh) | 一种流处理方法、装置及*** | |
| Mobasheri et al. | Toward developing fog decision making on the transmission rate of various IoT devices based on reinforcement learning | |
| CN104486254A (zh) | 一种sdn网络带宽控制方法及*** | |
| CN113543160A (zh) | 5g切片资源配置方法、装置、计算设备及计算机存储介质 | |
| CN114448838B (zh) | ***可靠度评估方法 | |
| CN113949666A (zh) | 流量控制方法、装置、设备及*** |
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 |