一种带宽资源调整方法、装置及设备制造方法及图纸

本发明专利技术公开了一种带宽资源调整方法，通过接收网络资源信息；将所述网络资源信息输入预训练的流量数据模型，得到带宽流量预测信息；其中，所述流量数据模型为深度学习网络模型；根据所述带宽流量预测信息，调整带宽资源。本发明专利技术中，通过所述流量预测模型，对各个网络资源信息对应的带宽流量进行了学习，利用计算机深度学习技术，可大大提高所述带宽流量预测信息的准确度，并根据所述带宽流量预测信息指导网络中的带宽资源调整，进一步降低了带宽资源空置或带宽不足引起网络堵塞的可能性。本发明专利技术同时还提供了一种具有上述有益效果的带宽资源调整装置、设备及计算机可读存储介质。

【技术实现步骤摘要】
一种带宽资源调整方法、装置及设备
本专利技术涉及网络资源调配领域，特别是涉及一种带宽资源调整方法、装置、设备及计算机可读存储介质。
技术介绍
物联网能够对信息进行全面的感知，还可以实现迅速组网，方便灵活。然而如此海量的物联网终端设备接入网络，在实现种种优秀效率的同时，也不可避免的对网络资源的计算提出新的需求，以免流量上升时配给带宽不足导致网络堵塞或系统崩溃。而现有技术中对流量的预测，通常只是根据操作者个人经验对网络带宽进行调配，或者通过简单地计算业务的平均值、最大值累加，或者统计预测过去某时间段业务流量趋势，来对电网通信带宽进行预测。但由于同一天内不同业务之间的流量分布情况不一定相同，因此这种方法的准确性不高，在现行的网络服务中，依旧存在大量由于流量预测过低导致的网络堵塞，或者流量预测过高导致资源空置造成浪费的情况。因此，如何解决现有技术中带宽资源预测准确度低的问题，是本领域技术人员亟待解决的问题。
技术实现思路
本专利技术的目的是提供一种带宽资源调整方法、装置、设备及计算机可读存储介质，以解决现有技术中流量预测准确度低，导致网络堵塞或资源空置的情况过多的问题。为解决上述技术问题，本专利技术提供一种带宽资源调整方法，包括：接收网络资源信息；将所述网络资源信息输入预训练的流量数据模型，得到带宽流量预测信息；其中，所述流量数据模型为深度学习网络模型；根据所述带宽流量预测信息，调整带宽资源。可选地，在所述的带宽资源调整方法中，所述接收网络资源信息包括：接收网络状态信息及时间段信息；相应地，将所述网络状态信息及所述时间段信息输入所述流量数据模型，得到与所述时间段信息中各个时刻对应的时点带宽流量预测信息；相应地，根据所述时点带宽流量预测信息，调整带宽资源。可选地，在所述的带宽资源调整方法中，所述接收网络状态信息包括：接收通讯包数信息、通讯字节数信息、通讯重传数信息、通信延迟信息及丢包率信息中至少一种。可选地，在所述的带宽资源调整方法中，还包括：获取可用资源总量信息；判断所述带宽流量预测信息是否不小于所述可用资源总量信息；当所述带宽流量预测信息不小于所述可用资源总量信息时，发送警报信息。一种带宽资源调整装置，包括：接收模块，用于接收网络资源信息；预测模块，将所述网络资源信息输入预训练的流量数据模型，得到带宽流量预测信息；其中，所述流量数据模型为深度学习网络模型；调整模块，用于根据所述带宽流量预测信息，调整带宽资源。可选地，在所述的带宽资源调整装置中，所述接收模块包括：时段接收单元，用于接收网络状态信息及时间段信息；相应地，所述预测模块包括时段预测单元，时段预测单元，用于将所述网络状态信息及所述时间段信息输入所述流量数据模型，得到与所述时间段信息中各个时刻对应的时点带宽流量预测信息；相应地，所述调整模块包括时点调整单元，用于根据所述时点带宽流量预测信息，调整带宽资源。可选地，在所述的带宽资源调整装置中，所述接收模块包括：复杂信息接收单元，用于接收通讯包数信息、通讯字节数信息、通讯重传数信息、通信延迟信息及丢包率信息中至少一种。可选地，在所述的带宽资源调整装置中，还包括：总量获取模块，用于获取可用资源总量信息；流量判断模块，用于判断所述带宽流量预测信息是否不小于所述可用资源总量信息；警报模块，用于当所述带宽流量预测信息不小于所述可用资源总量信息时，发送警报信息。一种带宽资源调整设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述任一种所述的带宽资源调整方法的步骤。一种计算机可读存储介质，所述计算机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上述任一种所述的带宽资源调整方法的步骤。本专利技术所提供的带宽资源调整方法，通过接收网络资源信息；将所述网络资源信息输入预训练的流量数据模型，得到带宽流量预测信息；其中，所述流量数据模型为深度学习网络模型；根据所述带宽流量预测信息，调整带宽资源。本专利技术中，通过所述流量预测模型，对各个网络资源信息对应的带宽流量进行了学习，利用计算机深度学习技术，可大大提高所述带宽流量预测信息的准确度，并根据所述带宽流量预测信息指导网络中的带宽资源调整，进一步降低了带宽资源空置或带宽不足引起网络堵塞的可能性。本专利技术同时还提供了一种具有上述有益效果的带宽资源调整装置、设备及计算机可读存储介质。附图说明为了更清楚的说明本专利技术实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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为本专利技术提供的带宽资源调整方法的一种具体实施方式的流程示意图；图2为本专利技术提供的带宽资源调整方法的另一种具体实施方式的流程示意图；图3为本专利技术提供的带宽资源调整方法的又一种具体实施方式的流程示意图；图4为本专利技术提供的带宽资源调整装置的一种具体实施方式的结构示意图。具体实施方式深度学习允许那些由多处理层组成的计算模型去学习具有多个等级抽象数据的表达，该方法在许多领域得到了广泛的应用，例如视觉对象识别，语音识别，对象检测等，同时对医药学的新发现和基因组学的新进展也起到了促进作用。深度学习利用反向传播算法发现大数据的内在复杂的结构，然后BP算法会指导机器如何在每一层利用从上一层获得的表达来改变其内部的参数。深度学习的本质是利用海量的训练数据(可为无标签数据),通过构建多隐层的模型，去学习更加有用的特征数据，从而提高数据分类效果,提升预测结果的准确性。“深度学习模型”是手段，“特征学习”是目的。而单一或者浅度的学习算法对其带宽流量的预测准确性不够，同时对于大量的带宽流量数据使用率不高，运行时间较长。深度学习模型在面对越来越庞大的数据量时基本不存在过饱和状态，数据越多越能获得更好的学习效果，可最大程度发挥大数据量的优势。目前的流量预测中，根据电话业务的特征提出的泊松模型，因能够准确描述电话网中业务特性而得到广泛应用。但该模型更多用于传统的电话交换网，由于数据通信流量具有突发性，因此泊松模型不适合用于数据网络流量分析。基于研究统计规律的自回归滑动平均模型(AutoRegressiveandMovingAverageModel，ARMA)是以自回归模型(AR模型)与滑动平均模型(MA模型)为基础，采用历史值预估未来值。但是其对于业务的发展敏感性低，无法较好地反映业务变化对网络带宽造成的影响。物联网实时数据量大，单一或者浅度的学习算法对其带宽流量的预测准确性不够，同时对于大量的带宽流量数据使用率不高，运行时间较长。深度学习模型在面对越来越庞大的数据量时基本不存在过饱和状态，数据越多越能本文档来自技高网...

【技术保护点】
1.一种带宽资源调整方法，其特征在于，包括：/n接收网络资源信息；/n将所述网络资源信息输入预训练的流量数据模型，得到带宽流量预测信息；其中，所述流量数据模型为深度学习网络模型；/n根据所述带宽流量预测信息，调整带宽资源。/n

【技术特征摘要】
1.一种带宽资源调整方法，其特征在于，包括：
接收网络资源信息；
将所述网络资源信息输入预训练的流量数据模型，得到带宽流量预测信息；其中，所述流量数据模型为深度学习网络模型；
根据所述带宽流量预测信息，调整带宽资源。


2.如权利要求1所述的带宽资源调整方法，其特征在于，所述接收网络资源信息包括：
接收网络状态信息及时间段信息；
相应地，将所述网络状态信息及所述时间段信息输入所述流量数据模型，得到与所述时间段信息中各个时刻对应的时点带宽流量预测信息；
相应地，根据所述时点带宽流量预测信息，调整带宽资源。


3.如权利要求2所述的带宽资源调整方法，其特征在于，所述接收网络状态信息包括：
接收通讯包数信息、通讯字节数信息、通讯重传数信息、通信延迟信息及丢包率信息中至少一种。


4.如权利要求1所述的带宽资源调整方法，其特征在于，还包括：
获取可用资源总量信息；
判断所述带宽流量预测信息是否不小于所述可用资源总量信息；
当所述带宽流量预测信息不小于所述可用资源总量信息时，发送警报信息。


5.一种带宽资源调整装置，其特征在于，包括：
接收模块，用于接收网络资源信息；
预测模块，将所述网络资源信息输入预训练的流量数据模型，得到带宽流量预测信息；其中，所述流量数据模型为深度学习网络模型；
调整模块，用于根据所述带宽流量预测信息，调整带宽资源。
...

【专利技术属性】
技术研发人员：公备，张玉，程亚歌，崔驰，靳梦璐，胡嘉兴，
申请(专利权)人：郑州师范学院，
类型：发明
国别省市：河南;41