本发明专利技术涉及人工智能技术，揭露了一种基于机器学习的流量管控方法，包括：识别预设的专线中每个流量请求的IP地址和请求时间，统计不同IP地址对应的请求的流量总量，并拟合得到流量变化函数；提取流量变化函数的流量变化趋势，根据流量变化趋势计算每个IP地址在预设时间的预期流量使用量；获取每个IP地址的业务优先级，根据业务优先级和预期流量使用量分配每个IP地址在预设时间的流量限值；根据流量限值在预设时间前对每个IP地址的请求流量上限进行配置。此外，本发明专利技术还涉及区块链技术，记录业务等级的业务等级表可存储于区块链的节点。本发明专利技术还提出一种基于机器学习的流量管控装置、设备及介质。本发明专利技术可以提升对专线进行流量管控的效果。控的效果。控的效果。
【技术实现步骤摘要】
基于机器学习的流量管控方法、装置、设备及介质
[0001]本专利技术涉及人工智能
，尤其涉及一种基于机器学习的流量管控方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]专线是指根据特定业务需求开发出的用于访问特定业务系统的通信线路，尤其在开展保密性要求较高的业务时，对于专线的需求也越来越大，但专线开发时，往往该专线的流量带宽已经固定，随着后续业务发展，当多方接入该专线进行通信时，固定的带宽往往无法满足实时的业务量的需求，因此，如何实现对专线流量的管控，成为人们越来越关注的问题。
[0003]目前对专线的流量主要以监控为主，目前常见监控有旁路监控模式和串联监控模式。但监控后，没有对业务请求的流量进行有效管控的方案，依旧会导致当应用请求较多，专线带宽所容纳的流量不足，导致关键业务出现中断的情况。
技术实现思路
[0004]本专利技术提供一种基于机器学习的流量管控方法、装置及计算机可读存储介质，其主要目的在于解决对专线进行流量管控的效果较差的问题。
[0005]为实现上述目的，本专利技术提供的一种基于机器学习的流量管控方法，包括：
[0006]识别预设的专线中每个流量请求的IP地址和请求时间，统计不同IP地址对应的请求的流量总量；
[0007]对所述请求时间和所述流量总量进行拟合，得到每个IP地址在不同请求时间的流量变化函数；
[0008]利用预设的机器学习模型提取所述流量变化函数的流量变化趋势，根据所述流量变化趋势计算每个IP地址在预设时间的预期流量使用量；
[0009]获取每个IP地址的业务优先级，根据所述业务优先级和所述预期流量使用量分配每个IP地址在所述预设时间的流量限值；
[0010]根据所述流量限值在所述预设时间前对每个IP地址的请求流量上限进行配置。
[0011]可选地，所述识别预设的专线中每个流量请求的IP地址和请求时间，包括：
[0012]获取所述专线的请求响应记录；
[0013]获取预构建的时间字符，将所述时间字符编译为时间规则表达式，并利用所述时间规则表达式提取所述请求响应记录中每个IP地址对应的流量请求的请求时间；
[0014]对所述请求响应记录进行IP溯源，得到所述专线中每个流量请求的IP地址。
[0015]可选地，所述对所述请求响应记录进行IP溯源，得到所述专线中每个流量请求的IP地址，包括：
[0016]提取所述请求响应记录中的流量请求，从所述流量请求中逐个选取其中一个流量请求为目标请求；
[0017]识别每个所述目标请求中的请求头数据类；
[0018]对所述请求头数据类进行反射操作，得到请求头方法；
[0019]根据所述请求头方法构建请求头提取语句；
[0020]执行所述请求头提取语句提取所述目标请求中的请求消息头；
[0021]对所述请求消息头进行解析，得到所述目标请求对应的IP地址。
[0022]可选地，所述对所述请求时间和所述流量总量进行拟合，得到每个IP地址在不同请求时间的流量变化函数，包括：
[0023]逐个选取一个IP地址为目标地址；
[0024]将所述目标地址中每一个流量请求的请求时间和所述请求时间对应的流量总量映射至预先构建的坐标系中，得到所述目标地址在每个请求时间的流量变动坐标；
[0025]利用预设的初始函数计算每一个所述流量变动坐标的拟合坐标；
[0026]计算所述拟合坐标与所述流量变动坐标之间的差异值；
[0027]判断所述差异值是否小于预设差异阈值；
[0028]当所述差异值大于或等于所述预设差异阈值时，则根据所述差异值对所述初始函数的参数进行调整，并返回利用预设的初始函数计算每一个所述流量变动坐标的拟合坐标的步骤；
[0029]当所述差异值小于所述预设差异阈值时，则确定此时的初始函数为流量变化函数。
[0030]可选地，所述计算所述拟合坐标与所述流量变动坐标之间的差异值，包括：
[0031]利用如下差异算法计算所述拟合坐标与所述流量变动坐标之间的差异值：
[0032][0033]其中，D为所述差异值，N为所述流量变动坐标的数量，a
i
为第i个流量变动坐标的横坐标，b
i
为第i个拟合坐标的横坐标，c
i
为第i个流量变动坐标的纵坐标，d
i
为第i个拟合坐标的纵坐标。
[0034]可选地，所述利用预设的机器学习模型提取所述流量变化函数的流量变化趋势，包括：
[0035]获取预设的机器学习模型，所述机器学习模型包括输入层、隐藏层和输出层；
[0036]从所述流量变化函数中逐个选取其中一个函数为目标函数，利用所述机器学习模型的输入层对所述目标函数进行特征描述，得到输入特征；
[0037]利用所述机器学习模型的隐藏层对所述输入特征进行特征筛选，得到筛选特征；
[0038]利用所述机器学习模型的输出层计算所述筛选特征的特征等级，选取所述特征等级最大的特征为所述目标函数的变化趋势。
[0039]可选地，所述根据所述业务优先级和所述预期流量使用量分配每个IP地址在所述预设时间的流量限值，包括：
[0040]计算预设时间时每个IP地址对应的预期流量使用量之和为预期流量总量；
[0041]判断所述预期流量总量是否大于预设流量带宽；
[0042]若所述预期流量总量小于或等于所述预设流量带宽，按照每个IP地址对应的预期
流量使用量分配每个IP地址的流量限值；
[0043]若所述预期流量总量大于所述预设流量带宽，将所述预设流量带宽的流量按照所述业务优先级从大到小的顺序分配每个IP地址的流量限值。
[0044]为了解决上述问题，本专利技术还提供一种基于机器学习的流量管控装置，所述装置包括：
[0045]数据统计模块，用于识别预设的专线中每个流量请求的IP地址和请求时间，统计不同IP地址对应的请求的流量总量；
[0046]函数拟合模块，用于对所述请求时间和所述流量总量进行拟合，得到每个IP地址在不同请求时间的流量变化函数；
[0047]趋势分析模块，用于利用预设的机器学习模型提取所述流量变化函数的流量变化趋势，根据所述流量变化趋势计算每个IP地址在预设时间的预期流量使用量；
[0048]流量限定模块，用于获取每个IP地址的业务优先级，根据所述业务优先级和所述预期流量使用量分配每个IP地址在所述预设时间的流量限值；
[0049]流量配置模块，用于根据所述流量限值在所述预设时间前对每个IP地址的请求流量上限进行配置。
[0050]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0051]至少一个处理器；以及，
[0052]与所述至少一个处理器通信连接的存储器；其中，
[0053]所述存储器存储有可被所述至少一个处理器执行的计算机本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的流量管控方法，其特征在于，所述方法包括：识别预设的专线中每个流量请求的IP地址和请求时间，统计不同IP地址对应的请求的流量总量；对所述请求时间和所述流量总量进行拟合，得到每个IP地址在不同请求时间的流量变化函数；利用预设的机器学习模型提取所述流量变化函数的流量变化趋势，根据所述流量变化趋势计算每个IP地址在预设时间的预期流量使用量；获取每个IP地址的业务优先级，根据所述业务优先级和所述预期流量使用量分配每个IP地址在所述预设时间的流量限值；根据所述流量限值在所述预设时间前对每个IP地址的请求流量上限进行配置。2.如权利要求1所述的基于机器学习的流量管控方法，其特征在于，所述识别预设的专线中每个流量请求的IP地址和请求时间，包括：获取所述专线的请求响应记录；获取预构建的时间字符，将所述时间字符编译为时间规则表达式，并利用所述时间规则表达式提取所述请求响应记录中每个IP地址对应的流量请求的请求时间；对所述请求响应记录进行IP溯源，得到所述专线中每个流量请求的IP地址。3.如权利要求2所述的基于机器学习的流量管控方法，其特征在于，所述对所述请求响应记录进行IP溯源，得到所述专线中每个流量请求的IP地址，包括：提取所述请求响应记录中的流量请求，从所述流量请求中逐个选取其中一个流量请求为目标请求；识别每个所述目标请求中的请求头数据类；对所述请求头数据类进行反射操作，得到请求头方法；根据所述请求头方法构建请求头提取语句；执行所述请求头提取语句提取所述目标请求中的请求消息头；对所述请求消息头进行解析，得到所述目标请求对应的IP地址。4.如权利要求1所述的基于机器学习的流量管控方法，其特征在于，所述对所述请求时间和所述流量总量进行拟合，得到每个IP地址在不同请求时间的流量变化函数，包括：逐个选取一个IP地址为目标地址；将所述目标地址中每一个流量请求的请求时间和所述请求时间对应的流量总量映射至预先构建的坐标系中，得到所述目标地址在每个请求时间的流量变动坐标；利用预设的初始函数计算每一个所述流量变动坐标的拟合坐标；计算所述拟合坐标与所述流量变动坐标之间的差异值；判断所述差异值是否小于预设差异阈值；当所述差异值大于或等于所述预设差异阈值时，则根据所述差异值对所述初始函数的参数进行调整，并返回利用预设的初始函数计算每一个所述流量变动坐标的拟合坐标的步骤；当所述差异值小于所述预设差异阈值时，则确定此时的初始函数为流量变化函数。5.如权利要求4所述的基于机器学习的流量管控方法，其特征在于，所述计算所述拟合坐标与所述流量变动坐标之间的差异值，包括：
利用如下差异算法计算所述拟合坐标与所述流量变动坐标之间的差异值：其中，D为所述差异值，N为所述流量变动坐标的数量，a
i
【专利技术属性】
技术研发人员：钱学广，郭晓阳，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。