一种控制流量带宽的方法和装置制造方法及图纸

本发明专利技术公开了一种控制流量带宽的方法，对于一个数据流集合来说，以该数据流集合在历史时间段内采用历史调整策略和预先定义策略分配标签的情况下流量状况满足期望的程度对机器学习模型进行训练，训练得到的机器学习模型可以根据当前时间段内该数据流集合的流量统计结果确定出使该数据流后续的流量状况最大程度满足期望的当前调整策略。因此，网络设备可以根据变化的流量状况，对用户预先定义策略进行调整，以使得关键业务分配到的标签增加和/或非关键业务分配到的标签。这样，非关键业务流量的发送速度得以减小，链路带宽也就不再被非关键业务的流量过度挤占，关键业务的数据流流量能够在网络设备的入口处及出口处都占用到足够的带宽。

Method and device for controlling traffic bandwidth

The invention discloses a method for controlling the flow of bandwidth, for a set of data flow, the data flow in the collection of historical time period using historical adjustment strategy and define allocation strategy under the condition of tag pre flow condition satisfies the desired degree of machine learning model for training machine learning model trained according to the current adjustment strategy of current time period within the data flow set to determine the statistical results of the data flow in the subsequent flow condition the maximum extent to meet the expectations. As a result, network devices can adjust subscriber predefined policies according to varying traffic conditions so that critical traffic assignments are added to tags and / or non critical services assigned to tags. In this way, the sending rate of non critical traffic can be reduced, the bandwidth will no longer be non critical traffic over crowding, the key business data flow in the inlet and outlet of the network equipment occupied enough bandwidth.

【技术实现步骤摘要】
一种控制流量带宽的方法和装置
本专利技术涉及通信
，特别是涉及一种控制流量带宽的方法和装置。
技术介绍
目前，服务质量(英文：QualityofService，简称：QoS)技术被广泛应用于解决网络延迟和阻塞等问题。当网络过载或者拥塞时，QoS技术通过对不同数据流的流量带宽设置不同的优先级，可以确保关键业务的数据流具有足够的流量带宽，从而使得关键业务和关键应用不受延迟或丢包的影响。对于采用QoS技术的网络设备来说，该网络设备可以为指定数据流分配用于标识优先级的标签，在接收到所述指定数据流的报文时该网络设备可以将所述指定数据流分配得到的标签添加到所述指定数据流的报文中，网络设备按照报文中携带的标签所标识的优先级对报文进行转发控制。因此，通过为关键业务的数据流分配较高优先级的标签而为非关键业务的数据流分配较低优先级的标签，不同数据流在网路设备出口处占用的带宽得以被控制，从而保证了关键业务在网络设备出口处占用足够的带宽。专利技术人经过研究发现，在传统的QoS技术中，网络设备按照用户预先定义的策略为指定数据流分类用于标识优先级的标签，其中，用户预先定义的策略通常是按照正常情况下数据流的流量占用网络链路带宽的情况定义的。但在实际网络环境中，不同数据流的流量在网络设备入口处占用带宽的情况经常变化。有时，在非关键业务的数据流流量过度挤占网络链路带宽的情况下，关键业务的数据流流量在网络设备入口处就已经没能占用到足够的带宽，因此，网络设备仅仅按照用户预先定义的策略为数据流分类用于标识优先级的标签，关键业务的数据流流量在出口处也难以保证占用足够的带宽，关键业务也就难以保证不受延迟、丢包的影响。
技术实现思路
本专利技术所要解决的技术问题是，提供一种控制流量带宽的方法和装置，以避免在非关键业务的数据流流量过度挤占链路带宽的情况下关键业务的数据流流量在网络设备入口处和出口处占用带宽不足的情况，从而保证关键业务不受延迟、丢包的影响。为解决上述技术问题，本专利技术提供了一种控制流量带宽的方法，，应用于网络设备，包括：获取当前时间段内第一数据流集合的流量统计结果作为当前流量统计结果，其中，所述第一数据流集合包括一个或多个数据流，所述当前流量统计结果包括所述第一数据流集合中各数据流在所述当前时间段内的流量；通过机器学习模型，对所述当前流量统计结果进行计算，得到当前调整策略，其中，所述机器学习模型是通过对所述第一数据流集合的历史流量状况满意度进行学习而训练得到的，所述历史流量状况满意度表示在历史时间段内所述第一数据流量集合的流量统计结果满足期望的程度，在所述历史时间段内所述网络设备采用历史调整策略和第一预先定义策略对所述第一数据流集合进行流量带宽控制；根据所述当前调整策略和所述第一预先定义策略，为所述第一数据流集合中各数据流分配用于标识优先级的标签；其中，所述第一数据流集合中各数据流分配到的标签，分别用于所述网络设备对所述第一数据流集合中各数据流的报文进行转发控制。可选的，所述通过机器学习模型，对所述第一数据流集合的流量统计结果进行计算，得到当前调整策略，包括：将所述当前流量统计结果分别与各可选调整策略输入到所述机器学习模型，得到所述机器学习模型对应于各可选调整策略分别输出的当前流量状况满意度；选取最大的当前流量状况满意度对应的可选调整策略，作为所述当前调整策略。可选的，所述机器学习模型具体为深度神经网络。可选的，还包括：在可选历史时间段中进行采样，得到目标历史时间段；根据所述目标历史时间段对应的满意度误差，对所述深度神经网络的权重进行更新；其中，所述目标历史时间段对应的满意度误差具体为在先流量状况满意度与在后流量状况满意度之间的误差，所述在先流量状况满意度表示在目标历史时间段内所述第一数据流量集合的历史流量统计结果满足期望的程度，所述在后流量状况满意度表示在所述目标历史时间段的下一时间段内所述第一数据流量集合的流量统计结果满足期望的程度。可选的，所述在可选历史时间段中进行采样，得到目标历史时间段，具体为：在所述可选历史时间段中进行多次采样，得到多个目标历史时间段；所述根据所述目标历史时间段对应的满意度误差，对所述深度神经网络的权重进行更新，具体为：根据多个所述目标历史时间段对应的满意度误差，采用梯度下降法对所述深度神经网络的权重进行多次更新。可选的，各所述可选历史时间段被采样为所述目标历史时间段的概率随时间线性衰减，其中，越接近于所述当前时间段的所述可选历史时间段，被采样为所述目标历史时间段的概率越大。可选的，所述可选历史时间段与当前时刻之间时间差不超过时间差阈值。可选的，在所述获取当前时间段内第一数据流集合的流量统计结果作为当前流量统计结果之后，还包括：以预设常数为概率，在第一结果和第二结果中进行随机选择；若随机选择结果为所述第一结果，进入执行所述对所述当前流量统计结果进行计算；若随机选择结果为所述第二结果，随机选取一个可选调整策略作为当前调整策略，进入执行所述为所述第一数据流集合中各数据流分配用于标识优先级的标签。可选的，还包括：根据第二预先定义策略，为所述第二数据流集合中各数据流分配用于标识优先级的标签；所述第一数据流集合包括一个或多个数据流；其中，所述第二数据流集合中各数据流分配到的标签，分别用于所述网络设备对所述第二数据流集合中各数据流的报文进行转发控制。此外，本专利技术还提供了一种控制流量带宽的装置，包括：获取单元，用于获取当前时间段内第一数据流集合的流量统计结果作为当前流量统计结果，其中，所述第一数据流集合包括一个或多个数据流，所述当前流量统计结果包括所述第一数据流集合中各数据流在所述当前时间段内的流量；计算单元，用于通过机器学习模型，对所述当前流量统计结果进行计算，得到当前调整策略，其中，所述机器学习模型是通过对所述第一数据流集合的历史流量状况满意度进行学习而训练得到的，所述历史流量状况满意度表示在历史时间段内所述第一数据流量集合的流量统计结果满足期望的程度，在所述历史时间段内所述网络设备采用历史调整策略和第一预先定义策略对所述第一数据流集合进行流量带宽控制；第一分配单元，用于根据所述当前调整策略和所述第一预先定义策略，为所述第一数据流集合中各数据流分配用于标识优先级的标签；其中，所述第一数据流集合中各数据流分配到的标签，分别用于所述网络设备对所述第一数据流集合中各数据流的报文进行转发控制。可选的，所述计算模型，具体用于：将所述当前流量统计结果分别与各可选调整策略输入到所述机器学习模型，得到所述机器学习模型对应于各可选调整策略分别输出的当前流量状况满意度；选取最大的当前流量状况满意度对应的可选调整策略，作为所述当前调整策略。可选的，所述机器学习模型具体为深度神经网络。可选的，还包括：采样单元，用于在可选历史时间段中进行采样，得到目标历史时间段；更新单元，用于根据所述目标历史时间段对应的满意度误差，对所述深度神经网络的权重进行更新；其中，所述目标历史时间段对应的满意度误差具体为在先流量状况满意度与在后流量状况满意度之间的误差，所述在先流量状况满意度表示在目标历史时间段内所述第一数据流量集合的历史流量统计结果满足期望的程度，所述在后流量状况满意度表示在所述目标历史时间段的下一时间段内所述第一数据流量集合的流量统计结果满足期望本文档来自技高网...

【技术保护点】
一种控制流量带宽的方法，其特征在于，应用于网络设备，包括：获取当前时间段内第一数据流集合的流量统计结果作为当前流量统计结果，其中，所述第一数据流集合包括一个或多个数据流，所述当前流量统计结果包括所述第一数据流集合中各数据流在所述当前时间段内的流量；通过机器学习模型，对所述当前流量统计结果进行计算，得到当前调整策略，其中，所述机器学习模型是通过对所述第一数据流集合的历史流量状况满意度进行学习而训练得到的，所述历史流量状况满意度表示在历史时间段内所述第一数据流量集合的流量统计结果满足期望的程度，在所述历史时间段内所述网络设备采用历史调整策略和第一预先定义策略对所述第一数据流集合进行流量带宽控制；根据所述当前调整策略和所述第一预先定义策略，为所述第一数据流集合中各数据流分配用于标识优先级的标签；其中，所述第一数据流集合中各数据流分配到的标签，分别用于所述网络设备对所述第一数据流集合中各数据流的报文进行转发控制。

【技术特征摘要】
1.一种控制流量带宽的方法，其特征在于，应用于网络设备，包括：获取当前时间段内第一数据流集合的流量统计结果作为当前流量统计结果，其中，所述第一数据流集合包括一个或多个数据流，所述当前流量统计结果包括所述第一数据流集合中各数据流在所述当前时间段内的流量；通过机器学习模型，对所述当前流量统计结果进行计算，得到当前调整策略，其中，所述机器学习模型是通过对所述第一数据流集合的历史流量状况满意度进行学习而训练得到的，所述历史流量状况满意度表示在历史时间段内所述第一数据流量集合的流量统计结果满足期望的程度，在所述历史时间段内所述网络设备采用历史调整策略和第一预先定义策略对所述第一数据流集合进行流量带宽控制；根据所述当前调整策略和所述第一预先定义策略，为所述第一数据流集合中各数据流分配用于标识优先级的标签；其中，所述第一数据流集合中各数据流分配到的标签，分别用于所述网络设备对所述第一数据流集合中各数据流的报文进行转发控制。2.根据权利要求1所述的方法，其特征在于，所述通过机器学习模型，对所述第一数据流集合的流量统计结果进行计算，得到当前调整策略，包括：将所述当前流量统计结果分别与各可选调整策略输入到所述机器学习模型，得到所述机器学习模型对应于各可选调整策略分别输出的当前流量状况满意度；选取最大的当前流量状况满意度对应的可选调整策略，作为所述当前调整策略。3.根据权利要求1所述的方法，其特征在于，所述机器学习模型具体为深度神经网络。4.根据权利要求3所述的方法，其特征在于，还包括：在可选历史时间段中进行采样，得到目标历史时间段；根据所述目标历史时间段对应的满意度误差，对所述深度神经网络的权重进行更新；其中，所述目标历史时间段对应的满意度误差具体为在先流量状况满意度与在后流量状况满意度之间的误差，所述在先流量状况满意度表示在目标历史时间段内所述第一数据流量集合的历史流量统计结果满足期望的程度，所述在后流量状况满意度表示在所述目标历史时间段的下一时间段内所述第一数据流量集合的流量统计结果满足期望的程度。5.根据权利要求4所述的方法，其特征在于，所述在可选历史时间段中进行采样，得到目标历史时间段，具体为：在所述可选历史时间段中进行多次采样，得到多个目标历史时间段；所述根据所述目标历史时间段对应的满意度误差，对所述深度神经网络的权重...

【专利技术属性】
技术研发人员：杜强，
申请(专利权)人：东软集团股份有限公司，
类型：发明
国别省市：辽宁,21