CN109586954B - 一种网络流量预测方法、装置及电子设备 - Google Patents
一种网络流量预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109586954B CN109586954B CN201811354343.2A CN201811354343A CN109586954B CN 109586954 B CN109586954 B CN 109586954B CN 201811354343 A CN201811354343 A CN 201811354343A CN 109586954 B CN109586954 B CN 109586954B
- Authority
- CN
- China
- Prior art keywords
- model
- variable
- layer
- flow
- service
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 230000001419 dependent effect Effects 0.000 claims abstract description 26
- 230000000737 periodic effect Effects 0.000 claims description 23
- 238000004451 qualitative analysis Methods 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001583 randomness test Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 31
- 230000008859 change Effects 0.000 description 23
- 230000008569 process Effects 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000000556 factor analysis Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013440 design planning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及互联网技术领域,公开了一种网络流量预测方法、装置及电子设备。本发明中,网络流量预测方法,包括:建立上级网络流量预测模型,所述上级网络流量预测模型包括:线性模型;将上级网络流量预测模型中线性模型的自变量作为因变量,建立至少一层下级网络流量预测模型,并对下级网络流量预测模型中的自变量进行拆解,直至每一下级网络流量预测模型的自变量均能自然获取;将下级网络流量预测模型的计算模型代入上级网络流量预测模型中,得到完整的网络流量预测模型。使得能够通过多层网络流量预测模型对网络流量进行预测,可以探索不同业务层面变量对带宽值的影响,从而预测出更准确的客户网络流量。
Description
技术领域
本发明实施例涉及互联网技术领域,特别涉及一种网络流量预测方法、装置及电子设备。
背景技术
在互联网技术发展中,针对网络流量进行建模和预测研究备受关注。网络流量预测模型是进行网络性能分析和网络设计规划的基础。一个准确的网络流量预测模型,能够准确预测流量,有利于了解客户流量变化趋势,对于流量的各种变化能提前做好必要的工作准备,保障服务质量。
在大数据背景下,网络业务类别的急剧增加导致网络流量性质多样化,传统的流量预测模型已不适用于当今乃至下一代互联网流量的分析与预测,因此对网络流量的预测势在必行。现有技术中,各种流量预测方法,存在但不限于以下几个问题:
1、基于时间序列的流量预测方法,直接基于时间序列方法,不论是何种优化时间序列模型,在出现网络异常或者较强的人为干预等情况时,时间序列的准确性无法有效保证,并且容易被过往的历史周期性质所影响。
2、基于线性规划的流量预测方法,模型简单,未能考虑足够的流量影响因素以及周期性的波动影响,容易造成过度拟合导致预测失败。
由此,有必要建立一种新的、能够适应新的业务发展需求的网络流量预测方法。
发明内容
本发明实施方式的目的在于提供一种网络流量预测方法、装置及电子设备,使得能够通过多层网络流量预测模型对网络流量进行预测,可以探索不同业务层面变量对带宽值的影响,从而预测出更准确的客户网络流量带宽值。
为解决上述技术问题,本发明的实施方式提供了一种网络流量预测方法,包括以下步骤:
建立上级网络流量预测模型,所述上级网络流量预测模型包括:线性模型;
将所述上级网络流量预测模型中所述线性模型的自变量作为因变量,建立至少一层下级网络流量预测模型,并对所述下级网络流量预测模型中的自变量进行拆解,直至每一所述下级网络流量预测模型的自变量均能自然获取;
将所述下级网络流量预测模型的计算模型代入所述上级网络流量预测模型中,得到完整的网络流量预测模型。
本发明的实施方式还提供了一种网络流量预测装置,包括:
上级流量预测模块,用于建立上级网络流量预测模型,所述上级网络流量预测模型包括:线性模型;
下级流量预测模块,用于将所述上级流量预测模块建立的所述上级网络流量预测模型中所述线性模型的自变量作为因变量,建立至少一层下级网络流量预测模型,并对所述下级网络流量预测模型中的自变量进行拆解,直至每一所述下级网络流量预测模型的自变量均能自然获取;
叠加模块,用于将所述下级流量预测模块建立的所述下级网络流量预测模型的计算模型代入所述上级流量预测模块建立的所述上级网络流量预测模型中,得到完整的网络流量预测模型。
本发明的实施方式还提供了一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的网络流量预测方法。
本发明的实施方式还提供了一种电子设备,包括:
计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的网络流量预测方法。
本发明实施方式相对于现有技术而言,通过对客户业务数据的细分,找到流量影响的层次结构业务因素,建立一种多层级的网络流量预测模型,在该多层级的网络流量预测模型中,包括上级网络流量预测模型和至少一层下级网络流量预测模型。其中,上级网络流量预测模型包括:线性模型。同时,在下层的网络流量预测模型中,以上级网络流量预测模型中所述线性模型的自变量作为因变量,以下级网络流量预测模型的变量作为自变量,对每个变量进行因素的分析和分解,并基于自变量的特点建立新的下层流量预测模型,直至每一下级网络流量预测模型的自变量均能自然获取。最后,将下级网络流量预测模型的计算模型代入上级网络流量预测模型中,从而得出完整的流量预测模型。此网络流量预测方法可以探索不同业务层面变量对带宽值的影响,从而预测出更准确的客户网络流量带宽值。此方法还能兼顾业务的周期性变化,也能兼顾业务的发展特点和实际情况,从而能有效帮助提高对于客户流量变化情况的预测和管理。
另外,所述分析影响网络流量的业务变量,并根据所述业务变量建立流量层模型,具体包括:基于具体的业务特性,寻找业务变量;验证所述业务变量是否通过参数估计;若通过,则建立所述业务变量与所述流量层模型的流量值间的流量层线性模型;若未通过,则根据所述业务变量对流量值的影响大小和作用,设定所述流量层模型的流量层误差补偿模型;对建立的所述流量层线性模型和所述流量误差补偿模型求和,得到所述流量层模型的计算模型。这样可以基于客户网络流量产生方式,对流量业务的不同影响因素进行层次分析,从横向角度分析客户的业务变量的变化,将各种影响流量的业务层次变量全都汇总到流量层次,从而建立流量层线性模型,并根据历史的异常波动和影响形成误差补偿模型。
另外,所述分析所述业务变量的业务特性以确定下一业务层模型的计算模型,具体包括:
验证所述业务变量是否存在周期性和线性关系;若所述业务变量存在周期性或线性关系,则建立所述业务变量与下一所述业务层模型自变量间的业务层线性模型;若所述业务变量不存在周期性且不存在线性关系,则对所述业务变量进行定性分析,并在存在定性关系时设定定性分析模型。这样可以从纵向纬度分析客户的业务变量的变化,根据自变量的参数分析评估结果,决定业务变量数据的计算模型,并验证当前分析层级是否已经完成业务层级的拆解,若未拆解完成,则继续拆解和分析,直到各模型层级的自变量均可以得到解释,并且所有的自变量均可以通过自然的方式获取到。通过对客户网络流量的产生方式进行细分,找到能兼顾业务的周期性变化,也能兼顾业务的发展特点和实际情况的流量因素分析和预测方法,建立合理的流量评估数据模型。能够更好地解释自变量与因变量间变化的规律,与实际的业务变化情况更加贴切,也能更好的解释客户流量变化的情况。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是根据本发明第一实施方式的网络流量预测方法的流程示意图;
图2是根据本发明第二实施方式的网络流量预测方法的流程示意图;
图3根据图2中步骤S201的实施方式的流程示意图;
图4根据图2中步骤S202的实施方式的流程示意图;
图5是根据本发明第三实施方式的网络流量预测装置的结构框图;
图6是根据本发明第四实施方式的网络流量预测装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
本发明的第一实施方式涉及一种网络流量预测方法,具体流程如图1所示,包括:
步骤S101,建立上级网络流量预测模型,所述上级网络流量预测模型包括:线性模型。
步骤S102,将所述上级网络流量预测模型中所述线性模型的自变量作为因变量,建立至少一层下级网络流量预测模型,并对所述下级网络流量预测模型中的自变量进行拆解,直至每一所述下级网络流量预测模型的自变量均能自然获取。
步骤S103,将所述下级网络流量预测模型的计算模型代入所述上级网络流量预测模型中,得到完整的网络流量预测模型。
本发明实施方式通过对客户业务数据的细分,找到流量影响的层次结构业务因素,建立一种多层级的网络流量预测模型,在该多层级的网络流量预测模型中,包括上级网络流量预测模型和至少一层下级网络流量预测模型。其中,上级网络流量预测模型包括:线性模型。同时,在下层的网络流量预测模型中,以上级网络流量预测模型中所述线性模型的自变量作为因变量,以下级网络流量预测模型的变量作为自变量,对每个变量进行因素的分析和分解,并基于自变量的特点建立新的下层流量预测模型,直至每一下级网络流量预测模型的自变量均能自然获取。最后,将下级网络流量预测模型的计算模型代入上级网络流量预测模型中,从而得出完整的流量预测模型。此网络流量预测方法可以探索不同业务层面变量对带宽值的影响,从而预测出更准确的客户网络流量带宽值。此方法还能兼顾业务的周期性变化,也能兼顾业务的发展特点和实际情况,从而能有效帮助提高对于客户流量变化情况的预测和管理。
本发明的第二实施方式涉及一种网络流量预测方法。第二实施方式与第一实施方式大致相同,主要区别之处在于:在本发明第二实施方式中,上级网络流量预测模型具体包括位于上层的流量层模型,而下级网络流量预测模型具体包括至少一级业务层模型,自变量具体为业务变量。下面,将通过图2对本发明实施方式进行详细说明。
本发明的第二实施方式涉及一种网络流量预测方法,具体流程如图2所示,包括:
步骤S201,分析影响网络流量的业务变量,并根据所述业务变量建立流量层模型。
其中,流量层模型包括:流量层线性模型和流量层误差补偿模型。在建立流量层模型之前,首先需要根据客户的业务类型,对流量业务的不同影响因素进行层次分析,先将各种影响流量的业务层次变量全都汇总到流量层次,从而建立流量层线性模型,并根据历史的异常波动和影响形成流量层误差补偿模型。
本步骤具体操作时,可通过图3所示的流程来实现,具体包括:
步骤S301,基于具体的业务特性,寻找业务变量。
其中,需要基于客户业务流程的特性,进行业务变量的寻找。不同类型客户存在着不同的业务模式和流量的影响因素,以下载为例,影响下载流量的因素包括但不限于:下载资源的大小,下载资源相关网站/论坛的请求数,下载资源对应的事件的热度、下载资源的用户数、下载资源的平均速度等。在业务变量的寻找过程中,首先判断是否还有业务变量,若判断还有业务变量,则进入步骤S302,若判断已经没有业务变量,则退出流程。
步骤S302,验证所述业务变量是否通过参数估计。
验证业务变量是否通过参数估计的目的是:建立基于业务变量的流量预测模型。其中,常用的参数估计方法有:迭代广义最小二乘法、限制性的广义最小二乘估计和马尔科夫链蒙特卡罗法,通过验证业务变量与流量层级的变量间是否存在线性关系,以及业务变量总体上是否服从正态分布来进行分析和判断。若业务变量通过参数评估,则进入步骤S303,若业务变量未通过参数评估,则进入步骤S304。
步骤S303,建立业务变量与所述流量层模型的流量值间的流量层线性模型。
例如,建立的业务变量与流量层模型的流量值间的流量层线性模型为:
其中,Yx为流量层线性模型的目标曲线值,即线性流量值,其中n>=1,为在步骤S302分析评估出的可用的业务变量数目。A、B1、B2……Bn为常数。
步骤S304,根据所述业务变量对流量值的影响大小和作用,设定所述流量层模型的流量层误差补偿模型。
例如,设定的业务变量与流量层模型的流量值间的流量层误差补偿模型为:
Ym=f(x1)+f(x2)…+f(xm).
其中,Ym为流量层误差补偿模型的目标曲线值,即误差流量值,其中m>=0,为在步骤S302分析评估出的用于误差补偿的业务变量数目。
步骤S305,对建立的所述流量层线性模型和所述流量层误差补偿模型求和,得到所述流量层模型的计算模型。
根据步骤S304和步骤S305建立的流量层线性模型和流量层误差补偿模型求和,得到流量层模型,如:
在建立上级网络流量预测模型之后,需要执行将所述上级网络流量预测模型中所述线性模型的自变量作为因变量,建立至少一层下级网络流量预测模型,并对所述下级网络流量预测模型中的自变量进行拆解,直至每一所述下级网络流量预测模型的自变量均能自然获取的步骤。具体到本实施方式来说,在建立上级的流量层模型之后,需要将流量层模型中流量层线性模型的自变量(即业务变量)作为因变量,建立至少一层业务层模型。
具体来说,即是把流量层线性模型的自变量(即业务变量)作为因变量,使用第一层业务层模型的变量作为自变量,并基于自变量的特点建立新的业务层模型。在建立业务层模型时,具体需要对于业务变量进行业务特性分析,根据业务层模型中自变量的参数分析评估结果,决定业务变量数据的计算模型,其中就包括时间序列、线性回归和误差补偿模型等,并验证当前分析层级是否已经完成业务层级的拆解,若未拆解完成,则继续进行分析和拆解,直至各业务层级的自变量均可以得到解释,并且所有的自变量均可以通过自然的方式获取到。即是说,在执行步骤S201之后,还可以包括:
步骤S202,分析业务变量的业务特性以确定下一业务层模型的计算模型。
本步骤中,即在确定业务层模型中,业务变量(作为因变量)与业务层模型中自变量的计算模型,具体执行时,首先判断所述业务变量是否存在周期性或线性关系。若所述业务变量存在周期性或线性关系,则建立所述业务变量与下一所述业务层模型自变量间的业务层线性模型;若所述业务变量不存在周期性且不存在线性关系,则对所述业务变量进行定性分析,并在存在定性关系时设定定性分析模型。而在建立所述业务变量与下一所述业务层模型自变量间的业务层线性模型时,根据业务变量的特性,可以建立时间序列模型或线性模型。
下面,将通过图4所示的操作流程来实现,具体包括:
步骤S401,验证所述业务变量是否存在周期性。
步骤S402,若所述业务变量存在周期性,则建立所述业务变量与时间自变量之间的时间序列模型。
步骤S403,若所述业务变量无周期性,则进一步验证所述业务变量与所述自变量之间是否存在线性关系。
步骤S401-步骤S403中,具体是对在流量层模型分析得出的Y1,Y2,...,Yn等业务变量进行周期性、正态分布性等的分析。在对业务变量进行周期性验证时,其中包括对变量序列的纯随机性和平稳性进行检验,据检验结果可以将序列分为不同的类型,对不同类型的序列采用不同的分析方法,包括:
i.对于纯随机序列,即白噪声序列,序列的各项之间没有任何相关关系,序列在进行完全无序的随机波动,终止对该序列的周期分析,并进入步骤S403的线性关系分析。
ii.对于平稳非白噪声序列,它的均值和方差是常数,可以使用ARMA模型(Auto-Regressive andMovingAverage Model,自回归滑动平均模型)作为平稳序列拟合模型,即进入步骤S402。
iii.对于非平稳序列,将其转变为平稳序列,若经差分运算后具有平稳性,称该序列为差分平稳序列,可以使用ARIMA模型(Autoregressive Integrated MovingAverageModel,差分自回归移动平均模型)进行分析和拟合,即进入步骤S402,若未具有平稳性,则同样采用步骤S403的线性关系分析。
对未通过步骤S402周期验证的业务变量,则进行影响因素(自变量)和预测对象(因变量,即业务变量)之间的线性分析处理,进行相关系数及线性的验证(即步骤S403)。
步骤S404,若步骤S403验证存在线性关系,则建立所述业务变量与当前分析的所述业务层模型中自变量之间的线性模型,并最终求得回归系数建立回归方程。
例如,假设其中变量Yj为线性关系对象,则可以建立:
Yj=a+b1z1+b2z2+...+bjzj。
其中,Yj为流量层模型的业务变量,当前分析的业务层模型的因变量,a、b1、b2……bj为常数,z1、z2……zj为当前分析的业务层模型的自变量,即影响Yj的因素。
在建立所述业务变量与时间自变量之间的时间序列模型或建立所述业务变量与当前分析的所述业务层模型中自变量之间的线性模型时,可以参考步骤S302-步骤S304。只是,S302-步骤S304中进行的是流量层自变量的拆解,而本实施方式中,进行的是业务层自变量的拆解。
步骤S405,若步骤S403的判断结果为否,则对所述业务变量进行定性分析,并在存在定性关系时设定定性分析模型。
本步骤中,对业务变量进行定性分析,假设其中业务变量Y2为定性变量,则设定如下定性分析模型:
在完成步骤S201和步骤S202之后,还包括:
S203,判断当前分析的业务层模型是否完成业务层级的拆解。
本步骤,主要是从横向角度,判断是否已经完成当前分析的业务层模型所有业务变量的分析与评估,若判断已经完成拆解,则转入步骤S204,若未完成拆解,则转入步骤S202。
S204,若完成拆解,则将所述下级网络流量预测模型的计算模型代入所述上级网络流量预测模型中,得到完整的网络流量预测模型。
本步骤具体执行时,具体结合流量层模型和下层业务层模型,最终可得完整的流量预测模型:
本发明实施方式的网络流量预测方法,基于客户网络流量产生方式,对流量业务的不同影响因素进行层次分析,从横向角度分析客户的业务变量的变化,将各种影响流量的业务层次变量全都汇总到流量层次,从而建立流量层线性模型,并根据历史的异常波动和影响形成误差补偿模型。同时,从纵向纬度分析客户的业务变量的变化,根据自变量的参数分析评估结果,决定业务变量数据的计算模型,并验证当前分析层级是否已经完成业务层级的拆解,若未拆解完成,则继续拆解和分析,直到各模型层级的自变量均可以得到解释,并且所有的自变量均可以通过自然的方式获取到。本发明实施方式通过建立多层线性模型,并结合误差补偿模型对波动影响因素进行补偿。通过对客户网络流量的产生方式进行细分,找到能兼顾业务的周期性变化,也能兼顾业务的发展特点和实际情况的流量因素分析和预测方法,建立合理的流量评估数据模型。本发明实施方式的技术方案,能够更好地解释自变量与因变量间变化的规律,与实际的业务变化情况更加贴切,也能更好的解释客户流量变化的情况。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明第三实施方式涉及一种网络流量预测装置500,如图5所示,包括:
上级流量预测模块501,用于建立上级网络流量预测模型,所述上级网络流量预测模型包括:线性模型。
下级流量预测模块502,用于将所述上级流量预测模块501建立的所述上级网络流量预测模型中所述线性模型的自变量作为因变量,建立至少一层下级网络流量预测模型,并对所述下级网络流量预测模型中的自变量进行拆解,直至每一所述下级网络流量预测模型的自变量均能自然获取。
叠加模块503,用于将所述下级流量预测模块502建立的所述下级网络流量预测模型的计算模型代入所述上级流量预测模块501建立的所述上级网络流量预测模型中,得到完整的网络流量预测模型。
本发明实施方式的核心在于,通过对客户业务数据的细分,找到流量影响的层次结构业务因素,建立一种多层级的网络流量预测模型,在该多层级的网络流量预测模型中,包括上级网络流量预测模型和至少一层下级网络流量预测模型。其中,上级网络流量预测模型包括:线性模型。同时,在下层的网络流量预测模型中,以上级网络流量预测模型中所述线性模型的自变量作为因变量,以下级网络流量预测模型的变量作为自变量,对每个变量进行因素的分析和分解,并基于自变量的特点建立新的下层流量预测模型,直至每一下级网络流量预测模型的自变量均能自然获取。最后,将下级网络流量预测模型的计算模型代入上级网络流量预测模型中,从而得出完整的流量预测模型。此网络流量预测方法可以探索不同业务层面变量对带宽值的影响,从而预测出更准确的客户网络流量带宽值。此方法还能兼顾业务的周期性变化,也能兼顾业务的发展特点和实际情况,从而能有效帮助提高对于客户流量变化情况的预测和管理。
不难发现,本实施方式为与第一实施方式相对应的***实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本发明第四实施方式涉及一种网络流量预测装置500。第四实施方式与第三实施方式大致相同,主要区别之处在于:在本发明第四实施方式中,上级网络流量预测模型具体包括位于上层的流量层模型,而下级网络流量预测模型具体包括至少一级业务层模型,自变量具体为业务变量。下面,通过图6进行详细说明。其中,上级流量预测模块具体为流量层预测模块5011;
流量层预测模块5011用于:分析影响网络流量的业务变量,并根据所述业务变量建立流量层模型;其中,流量层模型包括:流量层线性模型和流量层误差补偿模型。流量层预测模块5011在建立流量层模型之前,首先需要根据客户的业务类型,对流量业务的不同影响因素进行层次分析,先将各种影响流量的业务层次变量全都汇总到流量层次,从而建立流量层线性模型,并根据历史的异常波动和影响形成流量层误差补偿模型。
流量层预测模块5011基于具体的业务特性,寻找业务变量。并验证业务变量是否通过参数估计。其中,需要基于客户业务流程的特性,进行业务变量的寻找。不同类型客户存在着不同的业务模式和流量的影响因素,以下载为例,影响下载流量的因素包括但不限于:下载资源的大小,下载资源相关网站/论坛的请求数,下载资源对应的事件的热度、下载资源的用户数、下载资源的平均速度等。在业务变量的寻找过程中,首先判断是否还有业务变量,若判断还有业务变量,则验证所述业务变量是否通过参数估计,若判断已经没有业务变量,则退出执行进程。
其中,验证业务变量是否通过参数估计的目的是:建立基于业务变量的流量预测模型。其中,常用的参数估计方法有:迭代广义最小二乘法、限制性的广义最小二乘估计和马尔科夫链蒙特卡罗法,通过验证业务变量与流量层级的变量间是否存在线性关系,以及变量总体上是否服从正态分布来进行分析和判断。
在通过参数评估时,建立业务变量与所述流量层模型的流量值间的流量层线性模型,例如,建立的业务变量与流量层模型的流量值间的流量层线性模型为:
其中,Yx为流量层线性模型的目标曲线值,即线性流量值,其中n>=1,为分析评估出的可用变量数目。A、B1、B2……Bn为常数。
在未通过参数评估时,根据所述业务变量对流量值的影响大小和作用,设定所述流量层模型的流量层误差补偿模型。例如,设定的业务变量与流量层模型的流量值间的流量层误差补偿模型为:Ym=f(x1)+f(x2)...+f(xm)。
其中,Ym为流程层误差补偿模型的目标曲线值,即误差流量值,其中m>=0,为分析评估出的误差补偿变量数目。
最后,对建立的所述流量层线性模型和所述流量误差补偿模型求和,得到所述流量层模型的计算模型。例如得到的流量层模型为:
下级流量预测模块,具体为业务层预测模块5021;
在建立上级网络流量预测模型之后,需要执行将所述上级网络流量预测模型中所述线性模型的自变量作为因变量,建立至少一层下级网络流量预测模型,并对所述下级网络流量预测模型中的自变量进行拆解,直至每一所述下级网络流量预测模型的自变量均能自然获取的步骤。具体到本实施方式来说,在建立上级的流量层模型之后,需要业务层预测模块5021将流量层模型中流量层线性模型的自变量(即业务变量)作为因变量,建立至少一层业务层模型。
业务层预测模块5021用于:分析所述业务变量的业务特性以确定下一业务层模型的计算模型;在确定业务层模型中,业务变量(作为因变量)与业务层模型中自变量的计算模型时,操作方式例如可以是:首先判断所述业务变量是否存在周期性或线性关系。若所述业务变量存在周期性或线性关系,则建立所述业务变量与下一所述业务层模型自变量间的业务层线性模型;若所述业务变量不存在周期性且不存在线性关系,则对所述业务变量进行定性分析,并在存在定性关系时设定定性分析模型。而在建立所述业务变量与下一所述业务层模型自变量间的业务层线性模型时,根据业务变量的特性,可以建立时间序列模型或线性模型。
具体执行中,首先验证所述业务变量是否存在周期性,若所述业务变量存在周期性,则建立所述业务变量与时间自变量之间的时间序列模型,例如:
若所述业务变量无周期性,则进一步验证所述业务变量与所述自变量之间是否存在线性关系。若验证存在线性关系,则建立所述业务变量与当前分析的所述业务层模型中自变量之间的线性模型,并最终求得回归系数建立回归方程。例如,假设其中变量Yj为线性关系对象,则可以建立:
Yj=a+b1z1+b2z2+...+bjzj。
其中,Yj为流量层模型的业务变量,当前分析的业务层模型的因变量,a、b1、b2……bj为常数,z1、z2……zj为当前分析的业务层模型的自变量,即影响Yj的因素。
在建立所述业务变量与时间自变量之间的时间序列模型或建立所述业务变量与当前分析的所述业务层模型中自变量之间的线性模型时,可以参考步骤S302-步骤S304。只是,S302-步骤S304中进行的是流量层自变量的拆解,而本实施方式中,进行的是业务层自变量的拆解。
若判断业务变量不存在周期性且不存在线性关系,则对所述业务变量进行定性分析,并在存在定性关系时设定定性分析模型。对业务变量进行定性分析,假设其中业务变量Yz为定性变量,则设定如下定性分析模型:
在分析所述业务变量的业务特性以确定下一业务层模型的计算模型之后,业务层流量模块5021还判断当前分析的业务层模型是否完成业务层级的拆解,若未完成拆解,则将当前分析的业务层模型中线性模型的自变量作为因变量,然后返回执行分析所述业务变量的业务特性以确定下一业务层模型的计算模型的操作;若拆解完成,则通过叠加模块503将业务层模型的计算模型代入流量层预测模型中,得到完整的网络流量预测模型。
本发明实施方式的网络流量预测装置,基于客户网络流量产生方式,对流量业务的不同影响因素进行层次分析,从横向角度分析客户的业务变量的变化,将各种影响流量的业务层次变量全都汇总到流量层次,从而建立流量层线性模型,并根据历史的异常波动和影响形成误差补偿模型。同时,从纵向纬度分析客户的业务变量的变化,根据自变量的参数分析评估结果,决定业务变量数据的计算模型,并验证当前分析层级是否已经完成业务层级的拆解,若未拆解完成,则继续拆解和分析,直到各模型层级的自变量均可以得到解释,并且所有的自变量均可以通过自然的方式获取到。本发明实施方式通过建立多层线性模型,并结合误差补偿模型对波动影响因素进行补偿。通过对客户网络流量的产生方式进行细分,找到能兼顾业务的周期性变化,也能兼顾业务的发展特点和实际情况的流量因素分析和预测方法,建立合理的流量评估数据模型。本发明实施方式的技术方案,能够更好地解释自变量与因变量间变化的规律,与实际的业务变化情况更加贴切,也能更好的解释客户流量变化的情况。
由于第二实施方式与本实施方式相互对应,因此本实施方式可与第二实施方式互相配合实施。第二实施方式中提到的相关技术细节在本实施方式中依然有效,在第二实施方式中所能达到的技术效果在本实施方式中也同样可以实现,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第二实施方式中。
本发明第五实施方式涉及一种电子设备,包括至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第一、第二实施方式中任一所述的网络流量预测方法。
其中,存储器和处理器采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,***接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本发明第六实施方式涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (11)
1.一种网络流量预测方法,其特征在于,包括:
建立上级网络流量预测模型,所述上级网络流量预测模型包括:线性模型;
将所述上级网络流量预测模型中所述线性模型的自变量作为因变量,建立至少一层下级网络流量预测模型,并对所述下级网络流量预测模型中的自变量进行拆解,直至每一所述下级网络流量预测模型的自变量均能自然获取;
将所述下级网络流量预测模型的计算模型代入所述上级网络流量预测模型中,得到完整的网络流量预测模型;
所述上级网络流量预测模型包括:流量层模型;所述建立上级网络流量预测模型,具体包括:
分析影响网络流量的业务变量,并根据所述业务变量建立流量层模型;所述流量层模型包括:流量层线性模型和流量层误差补偿模型;
所述下级网络流量预测模型包括:业务层模型;所述自变量具体为所述业务变量;
所述将所述上级网络流量预测模型中所述线性模型的自变量作为因变量,建立至少一层下级网络流量预测模型,并对所述下级网络流量预测模型中的自变量进行拆解,直至每一所述下级网络流量预测模型的自变量均能自然获取,具体包括:
分析所述业务变量的业务特性以确定下一业务层模型的计算模型;
判断当前分析的业务层模型是否完成业务层级的拆解;
若未完成拆解,则返回执行分析所述业务变量的业务特性以确定下一业务层模型的计算模型的步骤;
若拆解完成,则退出循环流程。
2.根据权利要求1所述的网络流量预测方法,其特征在于,所述分析影响网络流量的业务变量,并根据所述业务变量建立流量层模型,具体包括:
基于具体的业务特性,寻找业务变量;
验证所述业务变量是否通过参数估计;
若通过,则建立所述业务变量与所述流量层模型的流量值间的流量层线性模型;
若未通过,则根据所述业务变量对流量值的影响大小和作用,设定所述流量层模型的流量层误差补偿模型;
对建立的所述流量层线性模型和所述流量层误差补偿模型求和,得到所述流量层模型的计算模型。
3.根据权利要求1所述的网络流量预测方法,其特征在于,所述分析所述业务变量的业务特性以确定下一业务层模型的计算模型,具体包括:
验证所述业务变量是否存在周期性和线性关系;
若所述业务变量存在周期性或线性关系,则建立所述业务变量与下一所述业务层模型自变量间的业务层线性模型;
若所述业务变量不存在周期性且不存在线性关系,则对所述业务变量进行定性分析,并在存在定性关系时设定定性分析模型。
4.根据权利要求3所述的网络流量预测方法,其特征在于,所述验证所述业务变量是否存在周期性和线性关系,则建立所述业务变量与下一所述业务层模型自变量间的业务层线性模型,包括:
验证所述业务变量是否存在周期性;
若所述业务变量存在周期性,则建立所述业务变量与时间自变量之间的时间序列模型;
若所述业务变量无周期性,则进一步验证所述业务变量与所述自变量之间是否存在线性关系;
若存在线性关系,则建立所述业务变量与当前分析的所述业务层模型中自变量之间的线性模型。
5.根据权利要求4所述的网络流量预测方法,其特征在于,所述验证所述业务变量是否存在周期性,包括:
对所述业务变量进行纯随机性检验和平稳性检验。
6.一种网络流量预测装置,其特征在于,包括:
上级流量预测模块,用于建立上级网络流量预测模型,所述上级网络流量预测模型包括:线性模型;
下级流量预测模块,用于将所述上级流量预测模块建立的所述上级网络流量预测模型中所述线性模型的自变量作为因变量,建立至少一层下级网络流量预测模型,并对所述下级网络流量预测模型中的自变量进行拆解,直至每一所述下级网络流量预测模型的自变量均能自然获取;
叠加模块,用于将所述下级流量预测模块建立的所述下级网络流量预测模型的计算模型代入所述上级流量预测模块建立的所述上级网络流量预测模型中,得到完整的网络流量预测模型;
所述上级网络流量预测模型包括:流量层模型;所述上级流量预测模块,具体为流量层预测模块;
所述流量层预测模块用于:分析影响网络流量的业务变量,并根据所述业务变量建立流量层模型;所述流量层模型包括:流量层线性模型和流量层误差补偿模型;
所述下级网络流量预测模型包括:业务层模型;所述下级流量预测模块,具体为业务层预测模块;所述自变量具体为所述业务变量;
所述业务层预测模块用于:分析所述业务变量的业务特性以确定下一业务层模型的计算模型;判断当前分析的业务层模型是否完成业务层级自变量的拆解;若未完成拆解,则将当前分析的业务层模型中线性模型的自变量作为因变量,然后返回执行分析所述业务变量的业务特性以确定下一业务层模型的计算模型的操作;若拆解完成,则退出循环操作。
7.根据权利要求6所述的网络流量预测装置,其特征在于,所述流量层预测模块具体用于:基于具体的业务特性,寻找业务变量;验证所述业务变量是否通过参数估计;若通过,则建立所述业务变量与所述流量层模型的流量值间的流量层线性模型;若未通过,则根据所述业务变量对流量值的影响大小和作用,设定所述流量层模型的流量层误差补偿模型。
8.根据权利要求6所述的网络流量预测装置,所述业务层预测模块具体用于:
验证所述业务变量是否存在周期性和线性关系;
若所述业务变量存在周期性或线性关系,则建立所述业务变量与下一所述业务层模型自变量间的业务层线性模型;
若所述业务变量不存在周期性且不存在线性关系,则对所述业务变量进行定性分析,并在存在定性关系时设定定性分析模型。
9.根据权利要求6所述的网络流量预测装置,所述业务层预测模块具体用于:
验证所述业务变量是否存在周期性;
若所述业务变量存在周期性,则建立所述业务变量与时间自变量之间的时间序列模型;
若所述业务变量无周期性,则进一步验证所述业务变量与所述自变量之间是否存在线性关系;
若存在线性关系,则建立所述业务变量与当前分析的所述业务层模型中自变量之间的线性模型。
10.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任一所述的网络流量预测方法。
11.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的网络流量预测方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811354343.2A CN109586954B (zh) | 2018-11-14 | 2018-11-14 | 一种网络流量预测方法、装置及电子设备 |
US17/043,639 US11252044B2 (en) | 2018-11-14 | 2018-12-05 | Network traffic prediction method, apparatus, and electronic device |
EP18940464.3A EP3879754A4 (en) | 2018-11-14 | 2018-12-05 | METHOD, DEVICE AND ELECTRONIC DEVICE FOR NETWORK TRAFFIC FORECAST |
PCT/CN2018/119359 WO2020098016A1 (zh) | 2018-11-14 | 2018-12-05 | 一种网络流量预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811354343.2A CN109586954B (zh) | 2018-11-14 | 2018-11-14 | 一种网络流量预测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109586954A CN109586954A (zh) | 2019-04-05 |
CN109586954B true CN109586954B (zh) | 2020-09-18 |
Family
ID=65922515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811354343.2A Active CN109586954B (zh) | 2018-11-14 | 2018-11-14 | 一种网络流量预测方法、装置及电子设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11252044B2 (zh) |
EP (1) | EP3879754A4 (zh) |
CN (1) | CN109586954B (zh) |
WO (1) | WO2020098016A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819608A (zh) * | 2021-02-05 | 2021-05-18 | 建信金融科技有限责任公司 | 一种基于多元回归与时间序列的区域信贷预测方法及*** |
CN112994978B (zh) * | 2021-02-25 | 2023-01-24 | 网宿科技股份有限公司 | 一种网络流量监测方法及装置 |
CN113242156B (zh) * | 2021-04-30 | 2022-05-27 | 新华三半导体技术有限公司 | 一种芯片验证方法、装置及*** |
CN114629797B (zh) * | 2022-03-11 | 2024-03-08 | 阿里巴巴(中国)有限公司 | 带宽预测方法、模型生成方法及设备 |
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 |
CN115348179B (zh) * | 2022-08-10 | 2024-02-02 | 中国电信股份有限公司 | 网络流量边界预测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102916851A (zh) * | 2012-09-24 | 2013-02-06 | 浪潮(北京)电子信息产业有限公司 | 一种网络流量预测方法及装置 |
CN105376097A (zh) * | 2015-11-30 | 2016-03-02 | 沈阳工业大学 | 网络流量的一种混合预测方法 |
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*** |
CN105787136A (zh) * | 2016-05-24 | 2016-07-20 | 北京京东尚科信息技术有限公司 | 数据挖掘方法和装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7774440B1 (en) | 2001-07-25 | 2010-08-10 | Scalable Network Technologies, Inc. | Method and system for enhancing performance of a physical network under real-time control using simulation of a reference model |
US9003022B2 (en) * | 2010-06-17 | 2015-04-07 | Zettics, Inc. | Determining an average effective data through-put as corresponds to a network-served end user |
US9426036B1 (en) * | 2013-09-26 | 2016-08-23 | Amazon Technologies, Inc. | Mixture model approach for network forecasting |
US9204319B2 (en) * | 2014-04-08 | 2015-12-01 | Cellco Partnership | Estimating long term evolution network capacity and performance |
US10318882B2 (en) * | 2014-09-11 | 2019-06-11 | Amazon Technologies, Inc. | Optimized training of linear machine learning models |
CN106357456B (zh) | 2016-10-11 | 2019-05-21 | 广东工业大学 | 一种网络流量的预测方法及装置 |
CN108737455B (zh) | 2017-04-13 | 2020-12-25 | 国家电网有限公司 | 网络业务识别装置及方法 |
CN107171848B (zh) | 2017-05-27 | 2020-07-07 | 华为技术有限公司 | 一种流量预测方法和装置 |
CN107026763B (zh) | 2017-06-02 | 2019-11-26 | 广东电网有限责任公司中山供电局 | 一种基于流量分解的数据通信网流量预测方法 |
CN108733970A (zh) * | 2018-05-16 | 2018-11-02 | 常州大学 | 一种基于QSAR/QEcoSAR方法联用预测有机磷阻燃剂对斑马鱼急性毒性的方法 |
CN108768877B (zh) * | 2018-07-20 | 2021-06-22 | 网宿科技股份有限公司 | 一种突发流量的分配方法、装置及代理服务器 |
US11134016B2 (en) * | 2018-10-26 | 2021-09-28 | Hughes Network Systems, Llc | Monitoring a communication network |
-
2018
- 2018-11-14 CN CN201811354343.2A patent/CN109586954B/zh active Active
- 2018-12-05 WO PCT/CN2018/119359 patent/WO2020098016A1/zh unknown
- 2018-12-05 EP EP18940464.3A patent/EP3879754A4/en not_active Withdrawn
- 2018-12-05 US US17/043,639 patent/US11252044B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102916851A (zh) * | 2012-09-24 | 2013-02-06 | 浪潮(北京)电子信息产业有限公司 | 一种网络流量预测方法及装置 |
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*** |
CN105376097A (zh) * | 2015-11-30 | 2016-03-02 | 沈阳工业大学 | 网络流量的一种混合预测方法 |
CN105787136A (zh) * | 2016-05-24 | 2016-07-20 | 北京京东尚科信息技术有限公司 | 数据挖掘方法和装置 |
Non-Patent Citations (1)
Title |
---|
《基于多元线性自回归模型的流量预测》;党小超; 阎林;《计算机工程》;20120105;全文 * |
Also Published As
Publication number | Publication date |
---|---|
US11252044B2 (en) | 2022-02-15 |
US20210021482A1 (en) | 2021-01-21 |
WO2020098016A1 (zh) | 2020-05-22 |
CN109586954A (zh) | 2019-04-05 |
EP3879754A4 (en) | 2021-12-15 |
EP3879754A1 (en) | 2021-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109586954B (zh) | 一种网络流量预测方法、装置及电子设备 | |
CN112567688B (zh) | 用于嵌入的云微服务的自动调谐器 | |
EP3182280B1 (en) | Machine for development of analytical models | |
JP6913695B2 (ja) | スタックトレース情報を符号化するための圧縮技術 | |
US9111232B2 (en) | Portable workload performance prediction for the cloud | |
EP3182283A1 (en) | Machine for development and deployment of analytical models | |
CN111950225B (zh) | 一种芯片布局方法、装置、存储介质和电子设备 | |
CN112199189A (zh) | 深度学习模型对资源受限边缘设备的适应 | |
CN111314120A (zh) | 基于迭代QoS模型的云软件服务资源自适应管理框架 | |
CN116157789A (zh) | 实时数据质量分析 | |
CN112328395B (zh) | 一种云资源容量规划方法和*** | |
US7647130B2 (en) | Real-time predictive time-to-completion for variable configure-to-order manufacturing | |
US10248462B2 (en) | Management server which constructs a request load model for an object system, load estimation method thereof and storage medium for storing program | |
CN105491079B (zh) | 云计算环境中调整应用所需资源的方法及装置 | |
US20230004870A1 (en) | Machine learning model determination system and machine learning model determination method | |
CN114648119A (zh) | 异质性因果效应的确定方法、装置、电子设备及存储介质 | |
CN113850428A (zh) | 作业调度的预测处理方法、装置和电子设备 | |
JP5029584B2 (ja) | 開発支援装置 | |
CN104142863B (zh) | 基于流守恒的资源配置方法 | |
CN114615144B (zh) | 网络优化方法及*** | |
CN112861951B (zh) | 一种图像神经网络参数的确定方法及电子设备 | |
CN116954642A (zh) | 推荐***的更新方法、装置、设备、介质和程序产品 | |
CN118152217A (zh) | 针对服务集群中服务的工作负载预测方法和装置 | |
JP2023138938A (ja) | コンピュータを利用したサービスの価格とパフォーマンスを最適化するための、コンピュータに実装されたシステム及び方法 | |
CN114579411A (zh) | 容量规划信息确定方法、装置、设备及计算机存储介质 |
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 |