CN115314402A - 网元负载监控方法、装置、存储介质和电子设备 - Google Patents
网元负载监控方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN115314402A CN115314402A CN202210956377.9A CN202210956377A CN115314402A CN 115314402 A CN115314402 A CN 115314402A CN 202210956377 A CN202210956377 A CN 202210956377A CN 115314402 A CN115314402 A CN 115314402A
- Authority
- CN
- China
- Prior art keywords
- load
- network
- network element
- digital twin
- actual
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012544 monitoring process Methods 0.000 title claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000004891 communication Methods 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 98
- 230000008569 process Effects 0.000 description 24
- 239000011159 matrix material Substances 0.000 description 21
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 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
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开提供了一种网元负载监控方法、网元负载监控装置、计算机存储介质和电子设备,涉及通信技术领域。该网元负载监控方法包括获取当前实际网络中各接入点设备的负载量,得到当前负载量;将当前负载量输入至预先训练得到的数字孪生负载模型,得到当前实际网络中各网元的目标负载量;根据目标负载量与预设的负载量阈值对网管资源进行调度。本公开可以使得配置的资源与实际需求相匹配。
Description
技术领域
本公开涉及通信技术领域,尤其涉及一种网元负载监控方法、网元负载监控装置、计算机存储介质和电子设备。
背景技术
为了保障整体通信***的稳定运行,网络管理***可以对网络中各网元的业务负载量进行监测分析,以便在网元超负荷工作时进行业务负载调度,从而维持各通信节点间的负载均衡。
目前,网络管理***会按照预设周期采集网元的业务负载数据,以对各网元的业务负载量进行监控分析。
然而,上述方法需要网络管理***持续投入固定的网络资源和计算资源,容易导致配置的资源与实际需求不相匹配。
发明内容
本公开提供了一种网元负载监控方法、网元负载监控装置、计算机存储介质和电子设备,进而实现按照对资源的实际需求进行配置。
第一方面,本公开一个实施例提供了一种网元负载监控方法,获取当前实际网络中各接入点设备的负载量,得到当前负载量;将当前负载量输入至预先训练得到的数字孪生负载模型,得到当前实际网络中各网元的目标负载量;根据目标负载量与预设的负载量阈值之间的相对大小对网管资源进行调度。
在本公开一个可选的实施例中,在将当前负载量输入至预先训练得到的数字孪生负载模型之前,网元负载监控方法还包括:获取各接入点设备的第一历史负载数据量以及各网元的第二历史负载数据量,得到包含第一历史负载数据量与第二历史负载数据量的第一负载训练集;基于第一负载训练集对初始数字孪生负载模型进行训练,得到目标数字孪生负载模型。
在本公开一个可选的实施例中,获取当前实际网络中各网元的实际负载量;确定实际负载量与目标负载量之间的负载量差值;若负载量差值大于预设负载量差值,则基于实际负载量与当前负载量对数字孪生网元模型进行修正。
在本公开一个可选的实施例中,若负载量差值大于预设负载量差值,则对数字孪生网元模型进行修正,包括:若负载量差值大于预设负载量差值,则基于实际负载量对应的各接入点设备的当前负载量与第一负载训练集构建第二负载训练集;基于第二负载训练集对当前数字孪生网元模型进行重新训练,直至负载量差值小于或等于预设负载量差值。
在本公开一个可选的实施例中,获取实际通信网络中各网元之间的对应关系,得到各网元之间的网元逻辑拓扑;将网元逻辑拓扑中的各网元之间的对应关系映射到数字孪生***,构建针对各网元之间对应关系的数字孪生网元逻辑拓扑;按照数字孪生网元逻辑拓扑,对各网元之间的负载量进行调度。
在本公开一个可选的实施例中,若目标负载量大于或等于预设的负载量阈值,则生成负载示警信息。
在本公开一个可选的实施例中,若目标负载量小于预设的负载量阈值,则从资源池中回收网管资源。
第二方面,本公开一个实施例提供了一种网元负载监控装置,该装置包括:数据获取模块用于获取当前实际网络中各接入点设备的负载量,得到当前负载量;数据输入模块用于将当前负载量输入至预先训练得到的数字孪生负载模型,得到当前实际网络中各网元的目标负载量;资源调度模块用于根据目标负载量与预设的负载量阈值之间的相对大小对网管资源进行调度。
在本公开一个可选的实施例中,数据获取模块具体用于获取各接入点设备的第一历史负载数据量以及各网元的第二历史负载数据量,得到包含第一历史负载数据量与第二历史负载数据量的第一负载训练集;模型训练模块用于基于第一负载训练集对初始数字孪生负载模型进行训练,得到目标数字孪生负载模型。
在本公开一个可选的实施例中,数据获取模块具体用于获取当前实际网络中各网元的实际负载量;误差确定模块用于确定实际负载量与目标负载量之间的负载量差值;模型修正模块用于若负载量差值大于预设负载量差值,则基于实际负载量与当前负载量对数字孪生网元模型进行修正。
在本公开一个可选的实施例中,模型修正模块用于若负载量差值大于预设的负载量差值,则基于实际负载量对应的各接入点设备的当前负载量与第一负载训练集构建第二负载训练集;基于第二负载训练集对当前数字孪生网元模型进行重新训练,直至负载量差值小于或等于预设负载量差值。
在本公开一个可选的实施例中,数据获取模块具体用于获取实际通信网络中各网元之间的对应关系,并基于所述对应关系构建各网元之间的网元逻辑拓扑;模型训练模块用于将网元逻辑拓扑中的各所述网元之间的对应关系映射到数字孪生***,构建数字孪生网元逻辑拓扑;资源调度模块用于按照数字孪生网元逻辑拓扑,对各网元之间的负载量进行调度。
在本公开一个可选的实施例中,示警生成模块用于若目标负载量大于预设的负载量阈值,则生成负载示警信息。
在本公开一个可选的实施例中,资源调度模块用于若目标负载量大于预设的负载量阈值,则从资源池中回收网管资源。
第三方面,本公开一个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上的网元负载监控方法。
第四方面,本公开一个实施例提供了一种电子设备,包括:处理器;以及存储器,用于存储处理器的可执行指令;其中,处理器配置为经由执行可执行指令来执行如上的网元负载监控方法。
本公开的技术方案具有以下有益效果:
上述网元负载监控方法,预先将实际网络中各网元映射到数字孪生环境中,得到各网元对应的网元孪生体,并训练数字孪生负载模型,以得到各网元孪生体的负载量。该网元负载监控方法通过获取当前实际网络中各接入点设备的负载量,得到当前负载量;将当前负载量输入数字孪生负载模型,得到当前实际网络中各网元的目标负载量;根据目标负载量与预设的负载量阈值之间的相对大小对网管资源进行调度。该方法根据预先训练的数字孪生负载模型对实际网络中各网元的负载量进行预测,并根据预测的负载量与预设的负载量阈值判断各网元之间是否负载均衡,从而在网络管理***需要对各网元负载进行调度时为其配置相应的网管资源,而无需对各网元负载进行调度时释放其占用的网管资源。该方法避免了传统技术中网络管理***需要持续占用网管资源对各网元负载进行监测、调度等操作导致的配置的资源与实际需求不相匹配技术问题,从而达到了按照对资源的实际需求进行配置,提高分配资源灵活性的技术效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施方式,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施方式,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示意性示出本示例性实施方式中一种网元负载监控***的架构图;
图2示意性示出本示例性实施方式中一种网元负载监控方法的流程图;
图3示意性示出本示例性实施方式中一种负载均衡情况下的网管资源调度示意图;
图4示意性示出本示例性实施方式中一种负载不均衡情况下的网管资源调度示意图;
图5示意性示出本示例性实施方式中一种对网元间负载量进行调度方法的流程图;
图6示意性示出本示例性实施方式中一种实际网络的网元逻辑拓扑表达形式示意图;
图7示意性示出本示例性实施方式中另一种网元负载监控方法的流程图;
图8示意性示出本示例性实施方式中一种网元负载监控装置的结构示意图;
图9示意性示出本示例性实施方式中另一种网元负载监控装置的结构示意图;
图10示意性示出本示例性实施方式中一种电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例性实施方式。然而,示例性实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例性实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本公开示例性实施方式提供的网元负载监控方法,可以应用于需要对各网元的负载量进行监控,并根据各网元之间负载量对用于调整各网元之间的负载量的网管资源进行调度的应用场景中。其中,网管即网络管理***。例如,在网络管理***中,网管可以使用固定的网络资源、计算资源等网管资源,对各网元的负载量进行监测分析,当各网元之间业务的负载量不均衡时,便对业务负载进行调度,以实现各网元之间的负载均衡。
为了避免网络节点的超负荷运作以保障整体通信***稳定,现有的网络管理***需要对各网元的业务负载量进行定期采集,以用于对网元负载的监测分析以及网元间的负载调度操作。
目前,网络管理***会持续投入固定的网络资源和计算资源,以启动负载监控进程和负载调度进程,对网元负载进行监测分析以及网元间的负载调度操作。然而,该过程在各网元之间处于负载均衡状态时,网络管理***仍会使用固定的网络资源和计算资源以预设周期采集各网元的负载量,以对各网元负载进行监测分析,从而造成了网管资源的浪费。
在上述方法的基础上,还可以将网络管理***的采集各网元的负载量周期调整为自适应周期,并结合当前各网元负载和周期长度确定下一采集负载量的周期长度。但是该方法是网络管理***从各网元中直接采集负载量,负载调度的及时性和有效性无法保障,且网络管理***仍需持续占用网络资源和计算资源,容易导致配置的资源与实际需求不相匹配,导致资源调度的灵活性差。
本公开示例性实施方式考虑到上述问题,提出一种网元负载监控方法。该方法将实际通信网络中各网元映射到数字孪生环境下,并得到预先训练数字孪生负载模型,然后将当前实际网络中各接入点设备的负载量输入数字孪生负载模型中得到各网元的目标负载量,最后根据目标负载量与预设的负载量阈值对网管资源进行调度。该方法可以避免负载监控进程长期占用资源,而是在各网元需要网管资源进行业务调度时再为其配置相应资源,进而提高了配置资源的灵活性。同时,该方法将各网元映射到数字孪生环境,从而克服了网络管理***周期性从各网元中直接采集负载量所导致的网元负载监控及调度操作的延迟性。
图1为本公开示例性实施方式提供的一种网元负载监控方法的应用场景图。如图1所示,该应用场景中是基于网络管理平台实现的,该网络管理平台包含网络管理***以及多个网元。
其中,网络管理***可以启动针对各网元的任务进程,例如负载监控进程、负载调度进程等,网络管理平台可以为任务进程配置计算资源和网络资源等网管资源,使得网络管理***使用配置的网管资源在启动的任务进程中执行相应的任务,例如负载监控任务、负载调度任务。
网络管理平台可以获取当前实际网络中各接入点设备的负载量,得到当前负载量。然后将当前负载量输入至预先训练得到的数字孪生负载模型,得到各网元的目标负载量;最后根据目标负载量与预设的负载量阈值对网络管理***中的各类网管资源进行调度。其中,预先训练得到的数字孪生负载模型是将实际通信网络中的各网元实体映射到数字孪生环境下的网元孪生体,从而基于网元孪生体进行训练的神经网络模型。
应该理解,在图1所示的应用场景图中,网元、各类资源池的数目仅仅是示例性的,更多或更少的数量都属于本申请的保护范畴。
下面以上述网元管理平台为执行主体,将该网元负载监控方法应用于上述的网元管理平台为例进行举例说明。参见图2,本公开示例性实施方式提供的网元负载监控方法包括如下步骤S201-步骤S203:
步骤S201、获取当前实际网络中各接入点设备的负载量,得到当前负载量。
其中,实际网络即实际通信服务网络,负载量即承载业务的负载数据。
示例性的,网络管理平台可以从网元的数据采控中心实时获取当前实际网络中各接入点设备的负载量。
步骤S202、将当前负载量输入至预先训练得到的数字孪生负载模型,得到各网元的目标负载量。
其中,数字孪生负载模型是基于数字孪生技术,将实际通信服务网络中各网元映射到数字孪生环境中形成网元孪生体,以获取各网元孪生体的业务负载量的神经网络模型。
示例性的,该数字孪生负载模型的输入数据为各接入点设备的负载量,输出数据为各网元的目标负载量。
步骤S203、根据目标负载量与预设的负载量阈值之间的相对大小对网管资源进行调度。
其中,网管资源是用于对各网元的负载量进行监控、调度等操作所使用的计算资源和网络资源。其中,网管可以通过启动针对各网元的负载监控进程和负载调度进程分别执行对网元负载的监控分析、调度等操作。
示例性的,在步骤S202得到各网元的目标负载量后,便可以将各网元的目标负载量与各网元预设的负载量阈值进行比对,从而确实各网元的负载量是否均衡。若各网元的负载量均衡,则负载监控进程和负载调度进程休眠,网络管理***占用的计算资源和网络资源等网管资源释放,以便网元管理平台进行弹性调用。若各网元的负载量不均衡,则网管唤醒负载监控进程和负载调度进程,并从资源池中回收所需的计算资源和网络资源等网管资源。
在本公开的一些实施例所提供的技术方案中,预先将实际网络中各网元映射到数字孪生环境中,得到各网元对应的网元孪生体,并训练数字孪生负载模型,以得到各网元孪生体的负载量。该网元负载监控方法通过获取当前实际网络中各接入点设备的负载量,得到当前负载量;将当前负载量输入数字孪生负载模型,得到当前实际网络中各网元的目标负载量;根据目标负载量与预设的负载量阈值之间的相对大小对网管资源进行调度。该方法根据预先训练的数字孪生负载模型对实际网络中各网元的负载量进行预测,并根据预测的负载量与预设的负载量阈值判断各网元之间是否负载均衡,从而在网络管理***需要对各网元负载进行调度时为其配置相应的网管资源,而无需对各网元负载进行调度时释放其占用的网管资源。该方法避免了传统技术中网络管理***需要持续占用网管资源对各网元负载进行监测、调度等操作导致的配置的资源与实际需求不相匹配技术问题,从而达到了按照对资源的实际需求进行配置,提高分配资源灵活性的技术效果。
在本公开的示例性实施方式中,可以根据目标负载量与预设的负载量阈值判断各网元之间的负载是否均衡,从而根据判断结果进行网管资源进行调度。
根据本公开的一些实施例,若目标负载量大于预设的负载量阈值,则从资源池中回收网管资源。若目标负载量小于或等于预设的负载量阈值,则释放占用的网管资源。
若目标负载量大于预设的负载量阈值,则确定各网元之间负载不均衡;若目标负载量小于或等于预设的负载量阈值,则确定各网元之间负载均衡。
以下将结合图3、图4分别对负载均衡和负载不均衡情况下的网管资源调度过程进行示意性说明。
图3示意性示出本示例性实施方式中一种负载均衡情况下的网管资源调度示意图。参考图3,网管数据中心中包含各种资源池,资源池中包含计算资源和网络资源等网管资源,而各网元与各租户共享网管资源。
在各网元之间处于负载均衡的情况下,网管对各网元的负载监控任务和负载调度任务挂起,即用于对各网元的负载监控进程和负载调度进程休眠,则释放网管占用的资源,以便网元管理平台对释放的网管资源进行调度,以执行各租户发起的任务请求。
图4示意性示出本示例性实施方式中一种负载不均衡情况下的网管资源调度示意图。参考图4,同样网管数据中心中包含各种资源池,资源池中包含计算资源和网络资源等网管资源,而各网元与各租户共享网管资源。
在各网元之间处于负载不均衡的情况下,各网元的负载监控进程和负载调度进程被唤醒,网管对各网元的负载监控任务和负载调度任务开始执行,便从资源池中回收所需要的计算资源和网络资源等网管资源。即将用于处理租户任务占用的资源进行释放,以便回收固定的网管资源用于执行负载监控任务和负载调度任务,直至各网元之间再次处于负载均衡状态。
在本公开的示例性实施方式中,在回收网管资源时,可以将所需的计算资源和网络资源正在执行的任务停止并调度到其他资源上,以使所需的网管资源空闲进行各网元之间的负载调度操作,同时实时监控直至各网元之间的负载均衡。
示例性的,在实现各网元的负载调度时,可以以各网元中业务和租户优先级由高及低的顺序为基础进行调度。例如,移动通信业务中有不同套餐等级用于为租户提供不同的带宽速率服务,云专网中提供A级、AA级、AAA级的专线保障服务,约定优先保障高等级业务与租户驻留,从而减少网络波动,为低等级业务和用户调度服务网元。
在目标负载量小于预设的负载量阈值时,便从资源池中回收相应所需的网管资源,以便在网管需要执行负载调度时为其配置资源,在无需执行负载调度时释放资源,从而实现配置的资源与实际需求相匹配,提高了资源配置的灵活性。同时,可以避免传统技术中网管的负载监控进程和负载调度进程长期占用资源导致的资源浪费,提高了资源的利用率。
根据本公开的另一些实施例,若目标负载量大于预设的负载量阈值,则生成负载示警信息。
示例性的,在目标负载量小于或等于预设的负载量阈值时,数字孪生负载模型不发出负载示警信息,此时网管的负载监控进程和负载调度进程休眠,负载监控任务和负载调度任务被挂起。在目标业务负载量大于预设的负载量阈值时,则数字孪生负载模型发出负载示警信息,网管接收到负载示警信息后,向网元管理平台发送通知消息,以便网元管理平台回收网络资源和计算资源等网管资源,并执行各网元的负载监控分析任务以及网元负载调度任务等。
通过在目标业务负载量大于或等于预设的负载量阈值时生成负载示警信息,可以用于提示网管进行资源调度,从而便于网元管理平台按照网管所需资源进行配置,进而提高资源的利用率和资源配置的灵活性。
在本公开的示例性实施方式中,在执行个网元之间的负载量调度时,可以获取实际通信网络中各网元之间的对应关系,并基于对应关系构建各网元之间的网元逻辑拓扑;将网元逻辑拓扑中的各网元之间的对应关系映射到数字孪生***,构建针对各网元之间对应关系的数字孪生网元逻辑拓扑;按照数字孪生网元逻辑拓扑,对各网元之间的负载量进行调度。
基于数字孪生技术,将实际网络中各网元映射到数字孪生环境下,形成网元孪生体。
示例性的,在进行各网元之间的负载量调度时,可以根据数字孪生环境下各网元孪生体之间的数字孪生网元逻辑拓扑进行调度,数字孪生网元逻辑拓扑显示了各网元孪生体之间的对应关系。例如,对于网元A、B、C,网元A可以向网元B进行负载量调度,网元A无法向网元C进行负载量调度,则在启动针对网元A的负载量调度时,只能向网元B路由。
图5示意性示出本示例性实施方式中一种对网元间负载量进行调度方法的流程图。参见图5,在本公开一个可选实施例中,对网元间负载量进行调度过程至少包括步骤S501至步骤S503:
步骤S501、获取实际网络的网元逻辑拓扑数据。
其中,网元逻辑数据用于描述实际通信网络中各网元间的连接关系。
步骤S502、构建实际网络的网元逻辑拓扑。
其中,网元逻辑拓扑是通过实际网络的网元逻辑数据构建的。
示例性的,可以使用有向图的表达形式示意实际网络中各网元的连接关系,以构建实际网络的网元逻辑拓扑。
图6示意性示出了本示例性实施方式中一种实际网络的网元逻辑拓扑表达形式示意图。设D(V,E)是有向图,其中,V={v1,v2,v3,…,vn}为实际网络中的各网元节点,E={e1,e2,e3,…,em}为实际网络中的各网元的连接关系。如图4所示,以n=6,m=9为例,则有向图D(V,E)中,实际网络中的各网元节点V={v1,v2,v3,…,v6},实际网络中的各网元的连接关系E={e1,e2,e3,…,e9}。
实际网络的网元逻辑拓扑可以根据有向图D(V,E)的邻接矩阵A(D)进行表示,其中,实际网络的网元逻辑拓扑以邻接矩阵A(D)进行表示,邻接矩阵A(D)也可以理解为网元间的路由概率矩阵。则路由概率矩阵的表现形式如公式(1)所示:
A(D)=(aij)nxm (1)
其中,邻接矩阵A(D)为各网元间的路由概率矩阵,aij表示以网元节点vi为起点,以网元节点vj为终点的路由概率,D为有向图,n为实际网络中的各网元节点数目,m为实际网络中的各网元的连接关系,即各网元间的路由路径。
步骤S503、将实际网络的网元逻辑拓扑映射到数字孪生环境下,得到数字孪生网元逻辑拓扑。
构建数字孪生网元逻辑拓扑是将实际网络中各网元以及各网元之间的连接关系映射到数字孪生环境下,以对实际网络环境进行在线仿真。从而实现线上的数据获取以及仿真等操作过程,避免频繁调用实际通信***中的各项计算资源以执行各项操作。
构建数字孪生网元逻辑拓扑后,在执行各网元之间的负载量调度是,可以根据数字孪生网元逻辑拓扑中的调度路由概率进行调度。以图6所示的数字孪生网元逻辑拓扑中网元节点v5为例,v5可以向v1、v4进行负载量向外迁移,也可以接收v6、v2向内迁移的负载量。当网元v5的负载量超过预设的负载阈值时,可以以预设的概率分别向v1、v4进行负载量向外迁移。
应该理解的是,上述预设的概率可以根据网元v1、v4的负载量状况自适应调节,例如,网元v1的可用容量多于网元v4的可用容量,则由网元v5向网元v1进行负载迁移的概率大于向网元v4进行负载迁移的概率。
将实际网络的网元逻辑拓扑映射到数字孪生环境下,可以将实际网络的网元路由过程映射到线上进行仿真,避免传统技术直接对实际网络中各网元逻辑拓扑进行负载调度导致的***延迟,从而提高了各网元之间负载调度的及时性和高效性。
在本公开的示例性实施方式中,获取各接入点设备的第一历史负载数据量以及各网元的第二历史负载数据量,得到第一负载训练集;基于第一负载训练集对初始数字孪生负载模型进行训练,得到目标数字孪生负载模型。
其中,第一历史负载数据量可以是各网元的负载状态、各网元的性能状态等;第二历史负载数据量可以是各接入点的负载状态等;初始数字孪生负载模型可以是长短期记忆模型(Long Short Term Memory,LSTM)。
示例性的,获取各网元的第一历史负载数据和各接入点的第二历史负载数据后,可以对数据进行预处理。其中,第一历史负载数据、第二历史负载数据取各网元承载业务的负载量绝对值。
假设(c1,c2,c3,c4,…,l1,l2,l3,l4,…)表示某一历史时刻的各网元负载量,其中,ci表示该时刻各接入点设备的负载量,li表示该时刻各网元的负载量。则多个历史时刻的负载数据可以以MxN的矩阵形式表示。
根据本公开的一些实施例,对上述多个历史时刻MxN矩阵形式数据进行预处理得到如公式(2)所示MxN矩阵形式的源数据格式。
公式(2)中,cmj表示第m时刻第j个接入点设备的负载量,lmj表示第m时刻第j个网元的负载量。
上述公式(2)所示的源数据格式可以作为训练目标数字孪生负载模型的第一负载训练集。
在本公开的示例性实施方式中,对多个历史时刻MxN矩阵形式的负载数据进行预处理时,可以对负载数据进行逻辑检查、完整性检查、纠正缺失值、拼写错误、数据清洗、去重等处理,以便将负载数据转换为标准形式进行模型训练。同时,若需使用负载比例作为第一负载训练集,可以对数据进行标准化处理,以提高数据后续的可用性。
示例性的,在步骤S302得到的数字孪生网元逻辑拓扑基础上,通过第一负载训练集构建基于长短期记忆模型LSTM的数字孪生网元负载模型。其中,LSTM也可称为时间循环神经网络模型。
根据本公开的一些实施例,考虑到第一负载训练集中采集的各接入点设备的第一历史负载数据量以及各网元的第二历史负载数据量具有时间特征,且部分网元的负载具有持续性和长久性。故可以使用时间循环神经网络LSTM进行数字孪生负载模型训练。
示例性的,ft用于输出对应已有网元负载的变化,可以控制网元负载模型的负载变化情况,ft的表达式如公式(3):
ft=σ(Wf·[ht-1,xt]+bf) (3)
按照LSTM网络的规定:ft表示LSTM网络遗忘门环节的系数矩阵,Wf表示向量[ht-1,xt]的输入维度与LSTM网络隐层输出维度的乘积,bf表示LSTM网络隐层的输出维度。
而LSTM中的输入门对应各网元的新增负载保留矩阵it,新增负载保留矩阵it用于决定新增的网元负载数据保留程度。具体如公式(4)所示:
it=σ(Wi·[ht-1,xt]+bi) (4)
按照LSTM网络的规定:it表示新增负载保留矩阵,Wi表示向量[ht-1,xt]的输入维度与LSTM网络隐层输出维度的乘积,bi表示LSTM网络隐层的输出维度。
新增负载输入矩阵Ct~:(按照LSTM网络规定的更新门层,表示新增网元负载数据给LSTM网络带来的信息矩阵)
Ct~=tanh(Wc·[ht-1,xt]+bc) (5)
在公式(5)中,Ct~表示新增负载输入矩阵,tanh表示双曲正切函数,其作用是作为激活函数对负载输入内容进行归一化。Wc表示向量[ht-1,xt]的输入维度与LSTM网络隐层输出维度的乘积。bc表示LSTM网络隐层输出维度。
在上述公式(3)、公式(4)、公式(5)的基础上,Ct表示t时刻的网元负载状态矩阵:(对上一时刻负载信息的保留和对新增负载保留参数矩阵。)Ct如公式(6)所示:
Ct=ft*Ct-1+it*Ct ~ (6)
则数字孪生网元模型的模型参数如公式(7)、公式(8)所示:
ot=σ(Wo·[ht-1,xt]+bo) (7)
ht=ot*tanh(Ct) (8)
公式(7)、公式(8)中,ot表示输出门层的状态输出矩阵,Wo表示向量[ht-1,xt]的输入维度与LSTM网络隐层输出维度的乘积,bo表示LSTM网络隐层输出维度,LSTM模型隐层状态ht是对应t时刻网元性能状态。
在上述公式(3)至公式(8)中,LSTM的隐层状态ht-1对应网元性能状态;输入向量xt对应为各接入点当前时刻的状态矩阵;细胞状态对应为各网元的负载状态,σ表示sigmoid函数,其输出是在0到1之间的。
通过实际网络各接入点设备的第一历史负载数据量和各网元的第二历史负载数据量构建第一负载训练集以训练数字孪生环境下的数字孪生负载模型,可以避免传统技术直接从实际网络中各网元采集负载量导致的***延迟性以及负载调度的不及时技术问题,从而提高负载调度效率。
训练数字孪生负载模型后,便可对实际网络中各网元的负载量进行预测。即将实时采集的各接入点的当前负载量输入至数字孪生负载模型中,从而得到当前实际网络中各网元的目标负载量。
为了提高数字孪生网元模型判断各网元之间负载均衡的准确性,或者生成负载预警信息的准确性,网元管理平台可以定期对数字孪生网元模型进行修正。
在本公开的示例性实施方式中,获取当前实际网络中各网元的实际业务负载量;确定实际业务负载量与目标业务负载量之间的负载量差值;若负载量差值大于预设负载量差值,则对数字孪生网元模型进行修正。
示例性的,网元管理平台可以以预设周期获取当前实际网络中各网元的实际业务负载量对数字孪生网元模型预测的目标业务负载量进行校验,从而在负载量差值大于预设负载量差值时,对数字孪生网元模型进行修正。
根据本公开的一些实施例,可以通过计算数字孪生网元模型的性能指标确定负载量差值。性能指标可以是方差或均方差的相对量度。
计算负载数据的方差如公式(9)所示:
公式(9)中,R2为负载数据的方差,SSres为残差平方和,SStot为总残差平方和。
计算负载数据的均方差如公式(10)所示:
通过计算各网元的负载数据的方差、均方差,可以分析误差出现的可能性,若计算出负载量差值大于预设的负载量差值,便需要对数字孪生网元模型的模型参数进行优化调整。
在本公开的示例性实施方式中,若负载量差值大于预设负载量差值,则基于实际业务负载量对应的各接入点设备的当前负载量与第一负载训练集构建第二负载训练集;基于第二负载训练集对当前数字孪生网元模型进行重新训练,直至负载量差值小于或等于预设负载量差值。
示例性的,在对数字孪生网元模型的模型参数进行优化调整时,可以将当前实际网络中各网元的实际业务负载量、对应的各接入点设备的实际业务负载量,以及第一负载训练集中各接入点设备的第一历史负载数据量和各网元的第二历史负载数据量重新构建新的训练集,以对当前数字孪生网元模型进行重新训练。
通过将检测出负载误差各接入点设备的当前负载量与各网元的当前负载量加入第一负载训练集形成第二负载训练集,可以更好的修正数字孪生网元模型的模型参数,以提高数字孪生网元模型预测各网元负载量的准确性,从而及时追踪各网元的负载量,实现负载及时、高效的迁移。
下面将参考图7对本公开的示例性实施方式的网元负载监控方法的整个过程进行详细说明。
首先,根据本公开的一些实施例,需要预先训练数字孪生网元模型。在步骤S701中,获取实际网络的网元逻辑拓扑数据。网元逻辑拓扑数据即实际网络中各网元之间的连接关系。
在步骤S702中,构建数字孪生环境下的数字孪生网元逻辑拓扑。
示例性的,以有向图的方式表示实际网络的各网元节点以及各网元的连接关系,从而确定实际网络中的网元逻辑拓扑。将实际网络中的网元逻辑拓扑映射到数字孪生环境中,以构建数字孪生环境下的数字孪生网元逻辑拓扑。
在步骤S703中,构建第一负载训练集。
示例性的,可以获取多个时刻的各网元的历史负载数据以及各接入点设备的历史负载数据,并对数据进行预处理,以构建标准化的第一负载训练集。
在得到数字孪生网元逻辑拓扑以及第一负载训练集后,便可执行步骤S704、基于LSTM进行数字孪生网元模型训练,得到数字孪生网元模型。
示例性的,考虑到采集到的各网元负载数据以及各接入点设备的负载数据具有时间特征,且部分网元的负载数据具有持续性和长久性,便使用LSTM进行模型训练。
然后,在步骤S705,采集当前实际网络中各接入点设备的负载量,并输入数字孪生网元模型。示例性的,采集各接入点设备的负载量以输入训练好的数字孪生网元模型,从而得到当前实际网络中各网元的目标负载量。
最后,执行步骤S706,是否生成负载示警信号。
示例性的,数字孪生网元模型可以根据得到的各网元的目标负载量,可以确定各网元之间是否负载均衡,即可以将目标负载量与预设的负载量阈值进行对比进行确定。若目标负载量大于预设的负载量阈值,则确定各网元之间并未负载均衡,便生成负载示警信息;若目标负载量小于或等于预设的负载量阈值,则确定各网元之间负载均衡,此时不会生成负载示警信息。
若未生成负载示警信号,则执行步骤S707、网管资源释放。即此时网管的负载监控进程和负载调度进程休眠,负载监控任务和负载调度任务被挂起。
反之,若生成负载示警信号,则执行步骤S708、网管资源回收。网管接收到负载示警信息后,向网元管理平台发送通知消息,以便网元管理平台回收网络资源和计算资源等网管资源,并执行各网元的负载监控分析任务以及网元负载调度任务等。
将网管资源回收后,便可以在负载调度进程中执行步骤S709中,按照预设调度方案进行负载调度。预设调度方案可以是一个或多个。
在上述任意一个步骤期间,均可以实时对当前数字孪生网元模型进行修正,以提高数字孪生网元模型生成敷在预警信息的准确性和及时性。
为了实现上述网元负载监控方法,本公开的一个实施例中提供一种网元负载监控装置。图8示出了网元负载监控装置的示意性架构图。
其中,该网元负载监控装置800包括数据获取模块801、数据输入模块802和资源调度模块803。
数据获取模块801用于获取当前实际网络中各接入点设备的负载量,得到当前负载量;数据输入模块802用于将当前负载量输入至预先训练得到的数字孪生负载模型,得到当前实际网络中各网元的目标负载量;资源调度模块803用于根据目标负载量与预设的负载量阈值对网管资源进行调度。
本公开实施例提供的网元负载监控装置800,可以执行上述任一实施例中的网元负载监控方法的技术方案,其实现原理以及有益效果与网元负载监控方法的实现原理及有益效果类似,可参见网元负载监控方法的实现原理及有益效果,此处不再进行赘述。
进一步的,本公开的一个实施例中还提供另一种网元负载监控装置900。图9示意性示出了另一种网元负载监控装置900的示意性架构图。
其中,该网元负载监控装置900包括数据获取模块901、模型训练模块902、误差确定模块903、模型修正模块904、示警生成模块905、资源调度模块906。
在一个可选的实施例中,该数据获取模块901具体用于获取各接入点设备的第一历史负载数据量以及各网元的第二历史负载数据量,得到包含第一历史负载数据量与第二历史负载数据量的第一负载训练集;模型训练模块902用于基于第一负载训练集对初始数字孪生负载模型进行训练,得到目标数字孪生负载模型。
在一个可选的实施例中,数据获取模块901具体用于获取当前实际网络中各网元的实际业务负载量;误差确定模块903用于确定实际业务负载量与目标业务负载量之间的负载量差值;模型修正模块904用于若负载量差值大于预设负载量差值,则对数字孪生网元模型进行修正。
在一个可选的实施例中,模型修正模块904用于若负载量差值大于预设负载量差值,则基于实际业务负载量对应的各接入点设备的当前负载量与第一负载训练集构建第二负载训练集;基于第二负载训练集对当前数字孪生网元模型进行重新训练,直至负载量差值小于或等于预设负载量差值。
在一个可选的实施例中,数据获取模块901具体用于获取实际通信网络中各网元之间的连接关系,得到各网元之间的网元逻辑拓扑;模型训练模块902用于将网元逻辑拓扑映射到数字孪生***,构建数字孪生网元逻辑拓扑;资源调度模块906用于按照数字孪生网元逻辑拓扑,通过网管资源对各网元之间的负载量进行调度
在一个可选的实施例中,示警生成模块905用于若目标业务负载量大于预设的负载量阈值,则生成负载示警信息。
在一个可选的实施例中,资源调度模块906用于若目标负载量大于预设的负载量阈值,则从资源池中回收网管资源。
本公开实施例提供的网元负载监控装置900,可以执行上述任一实施例中的网元负载监控方法的技术方案,其实现原理以及有益效果与网元负载监控方法的实现原理及有益效果类似,可参见网元负载监控方法的实现原理及有益效果,此处不再进行赘述。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图10来描述根据本发明的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于:上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同***组件(包括存储单元1020和处理单元1010)的总线1030、显示单元1040。
其中,存储单元存储有程序代码,程序代码可以被处理单元1010执行,使得处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,处理单元1010可以执行如图2中所示的步骤S201至步骤S203。
存储单元1020可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202,还可以进一步包括只读存储单元(ROM)10203。
存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204,这样的程序模块10205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1000交互的设备通信,和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且,电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1000使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限定。
Claims (10)
1.一种网元负载监控方法,其特征在于,包括:
获取当前实际网络中各接入点设备的负载量,得到当前负载量;
将所述当前负载量输入至预先训练得到的数字孪生负载模型,得到所述当前实际网络中各网元的目标负载量;
根据所述目标负载量与预设的负载量阈值之间的相对大小对网管资源进行调度。
2.根据权利要求1所述的网元负载监控方法,其特征在于,所述将所述当前负载量输入至预先训练得到的数字孪生负载模型之前,所述网元负载监控方法还包括:
获取各所述接入点设备的第一历史负载数据量以及各所述网元的第二历史负载数据量,得到包含所述第一历史负载数据量与所述第二历史负载数据量的第一负载训练集;
基于所述第一负载训练集对初始数字孪生负载模型进行训练,得到目标数字孪生负载模型。
3.根据权利要求1所述的网元负载监控方法,其特征在于,还包括:
获取所述当前实际网络中各所述网元的实际负载量;
确定所述实际负载量与所述目标负载量之间的负载量差值;
若所述负载量差值大于预设负载量差值,则基于所述实际负载量与所述当前负载量对所述数字孪生网元模型进行修正。
4.根据权利要求3所述的网元负载监控方法,其特征在于,所述若所述负载量差值大于预设负载量差值,则对所述数字孪生网元模型进行修正,包括:
若所述负载量差值大于预设的负载量差值,则基于所述实际负载量对应的各所述接入点设备的所述当前负载量与第一负载训练集构建第二负载训练集;
基于所述第二负载训练集对所述当前数字孪生网元模型进行重新训练,直至所述负载量差值小于或等于所述预设负载量差值。
5.根据权利要求1所述的网元负载监控方法,其特征在于,还包括:
获取实际通信网络中各所述网元之间的对应关系,并基于所述对应关系构建各所述网元之间的网元逻辑拓扑;
将所述网元逻辑拓扑中的各所述网元之间的对应关系映射到数字孪生***,构建针对各所述网元之间对应关系的数字孪生网元逻辑拓扑;
按照所述数字孪生网元逻辑拓扑,对各所述网元之间的负载量进行调度。
6.根据权利要求1所述的网元负载监控方法,其特征在于,还包括:
若所述目标负载量大于预设的负载量阈值,则生成负载示警信息。
7.根据权利要求1所述的网元负载监控方法,其特征在于,所述根据目标负载量与预设的负载量阈值对网管资源进行调度,包括:
若所述目标负载量大于所述预设的负载量阈值,则从资源池中回收所述网管资源。
8.一种网元负载监控装置,其特征在于,包括:
数据获取模块,用于获取当前实际网络中各接入点设备的负载量,得到当前负载量;
数据输入模块,用于将所述当前负载量输入至预先训练得到的数字孪生负载模型,得到所述当前实际网络中各网元的目标负载量;
资源调度模块,用于根据所述目标负载量与预设的负载量阈值之间的相对大小对网管资源进行调度。
9.一种计算机可读存储介质,其上存储有计算机程序,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7任一项所述的网元负载监控方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至7任一项所述的网元负载监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210956377.9A CN115314402A (zh) | 2022-08-10 | 2022-08-10 | 网元负载监控方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210956377.9A CN115314402A (zh) | 2022-08-10 | 2022-08-10 | 网元负载监控方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115314402A true CN115314402A (zh) | 2022-11-08 |
Family
ID=83861098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210956377.9A Pending CN115314402A (zh) | 2022-08-10 | 2022-08-10 | 网元负载监控方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115314402A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116055324A (zh) * | 2022-12-30 | 2023-05-02 | 重庆邮电大学 | 一种用于数据中心网络自优化的数字孪生方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112181664A (zh) * | 2020-10-15 | 2021-01-05 | 网易(杭州)网络有限公司 | 负载均衡方法及装置、计算机可读存储介质及电子设备 |
CN113064351A (zh) * | 2021-03-26 | 2021-07-02 | 京东数字科技控股股份有限公司 | 数字孪生模型构建方法、装置、存储介质及电子设备 |
US11210133B1 (en) * | 2017-06-12 | 2021-12-28 | Pure Storage, Inc. | Workload mobility between disparate execution environments |
CN114417598A (zh) * | 2022-01-14 | 2022-04-29 | 国网河北省电力有限公司经济技术研究院 | 数字孪生电网组件化映射方法、装置及电子设备 |
CN114615718A (zh) * | 2021-12-30 | 2022-06-10 | 亚信科技(中国)有限公司 | 基于数字孪生技术的网络拓扑构建方法及装置 |
-
2022
- 2022-08-10 CN CN202210956377.9A patent/CN115314402A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11210133B1 (en) * | 2017-06-12 | 2021-12-28 | Pure Storage, Inc. | Workload mobility between disparate execution environments |
CN112181664A (zh) * | 2020-10-15 | 2021-01-05 | 网易(杭州)网络有限公司 | 负载均衡方法及装置、计算机可读存储介质及电子设备 |
CN113064351A (zh) * | 2021-03-26 | 2021-07-02 | 京东数字科技控股股份有限公司 | 数字孪生模型构建方法、装置、存储介质及电子设备 |
CN114615718A (zh) * | 2021-12-30 | 2022-06-10 | 亚信科技(中国)有限公司 | 基于数字孪生技术的网络拓扑构建方法及装置 |
CN114417598A (zh) * | 2022-01-14 | 2022-04-29 | 国网河北省电力有限公司经济技术研究院 | 数字孪生电网组件化映射方法、装置及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116055324A (zh) * | 2022-12-30 | 2023-05-02 | 重庆邮电大学 | 一种用于数据中心网络自优化的数字孪生方法 |
CN116055324B (zh) * | 2022-12-30 | 2024-05-07 | 重庆邮电大学 | 一种用于数据中心网络自优化的数字孪生方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112118143B (zh) | 流量预测模型训练方法、流量预测方法、装置、设备及介质 | |
CN108509325B (zh) | ***超时时间的动态确定方法与装置 | |
CN112435759A (zh) | 疫情数据预测方法及装置、电子设备和存储介质 | |
CN108366082A (zh) | 扩容方法及扩容装置 | |
US20170026305A1 (en) | System to place virtual machines onto servers based upon backup runtime constraints | |
CN116627662B (zh) | 边缘计算的资源处理方法、装置、存储介质及电子设备 | |
CN115314402A (zh) | 网元负载监控方法、装置、存储介质和电子设备 | |
CN115034596A (zh) | 一种风险传导预测方法、装置、设备和介质 | |
CN114969366A (zh) | 一种网络故障的分析方法、装置及设备 | |
CN114995964A (zh) | 一种组合服务重构方法、装置、设备和计算机可读介质 | |
WO2020206699A1 (en) | Predicting virtual machine allocation failures on server node clusters | |
CN114020469A (zh) | 基于边缘节点的多任务学习方法、装置、介质与设备 | |
CN114237894A (zh) | 容器调度方法、装置、设备以及可读存储介质 | |
CN115883392B (zh) | 算力网络的数据感知方法、装置、电子设备及存储介质 | |
CN117014389A (zh) | 算网资源配置方法及***、电子设备、存储介质 | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
CN111953533B (zh) | 目标网络节点的工作时长调控方法、装置、设备及存储介质 | |
CN116450445A (zh) | Api信息处理、lstm模型训练方法及装置、设备及介质 | |
CN111210361B (zh) | 基于可靠性预测和粒子群优化的电力通信网路由规划方法 | |
CN111967806A (zh) | 基于定期回扫的用户风险更新方法、装置和电子设备 | |
CN117311999B (zh) | 一种服务集群的资源调度方法、存储介质及电子设备 | |
CN117827619B (zh) | 异构算力的耗时预测仿真方法、装置、设备、介质及*** | |
CN113823011B (zh) | 巡逻机器人的算力分配方法及相关设备 | |
US11810209B2 (en) | Outage restoration time prediction during weather events and optimized solutions for recovery | |
CN115276762B (zh) | 卫星网络的连接方法、***、电子设备及存储介质 |
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 |