带宽预测方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了一种带宽预测方法、装置、电子设备及存储介质，涉及通信技术领域。所述方法包括：获取缺失第一带宽信息的当前时刻的第一带宽数据集；将第一带宽数据集输入到修补模型中，对第一带宽信息进行修补，得到第二带宽数据集；将第二带宽数据集输入到带宽预测模型中，预测得到下一时刻的带宽数据集。本公开可以通过修补模型对缺失数据进行修补，并将修补好的第一带宽数据集输入到带宽预测模型中进行预测，进而预测出政务云带宽使用情况。进而预测出政务云带宽使用情况。进而预测出政务云带宽使用情况。

【技术实现步骤摘要】
带宽预测方法、装置、电子设备及存储介质


[0001]本公开涉及通信
，尤其涉及一种带宽预测方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]政务云作为一个规模巨大的私有云，云上承载着大量的省级系统、网站、资料、信息等，日常需要被公众、企事业单位、机关等用户高频访问，比如某省政务云面对庞大的人口基数，政务云的稳定运行变得尤为重要。政务云的稳定运行依赖于底层设备、网络的正常运作，而底层设备之间的数据交换、客户访问政务云、信息在网络中传递等都离不开可靠的使用带宽供应。使用带宽作为设备性能、网络传输稳定、用户时使用体验的重要指标之一。若能预测到某时刻政务云的带宽使用情况，可以提前对线路带宽进行动态调整，就可以避免由于带宽不足问题，导致政务云访问慢，丢包率高等问题，从而提高客户体验感，进一步的提高电信的服务水平。
[0003]如何预测到政务云带宽的使用情况，是一个亟待解决的问题。
[0004]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0005]本公开提供一种带宽预测方法、装置、电子设备及存储介质，能够预测到政务云带宽的使用情况，进而可以提前对线路带宽进行动态调整，避免由于带宽不足问题，导致政务云访问慢，丢包率高等问题。
[0006]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0007]根据本公开的一个方面，提供一种带宽预测方法，所述方法包括：获取缺失第一带宽信息的当前时刻的第一带宽数据集；将所述第一带宽数据集输入到修补模型中，对所述第一带宽信息进行修补，得到第二带宽数据集；将所述第二带宽数据集输入到带宽预测模型中，预测得到下一时刻的带宽数据集。
[0008]根据本公开的另一个方面，提供一种带宽预测装置，所述装置包括获取模块、修补模块和预测模块。获取模块，用于获取缺失第一带宽信息的当前时刻的第一带宽数据集；修补模块，用于将所述第一带宽数据集输入到修补模型中，对所述第一带宽信息进行修补，得到第二带宽数据集；预测模块，用于将所述第二带宽数据集输入到带宽预测模型中，预测得到下一时刻的带宽数据集。
[0009]根据本公开的再一个方面，提供一种电子设备，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上述任一所述的带宽预测方法。
[0010]根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程
序，所述计算机程序被处理器执行时实现上述任一所述的带宽预测方法。
[0011]根据本公开的又一个方面，提供一种计算机程序产品，所述计算机程序产品包括计算机程序或计算机指令，所述计算机程序或所述计算机指令由处理器加载并执行，以使计算机实现上述任一所述的带宽预测方法。
[0012]本公开的实施例所提供的带宽预测方法、装置、电子设备及介质，获取缺失第一带宽信息的当前时刻的第一带宽数据集，再将第一带宽数据集输入到修补模型中，对第一带宽信息进行修补，得到第二带宽数据集，最后将第二带宽数据集输入到带宽预测模型中，预测得到下一时刻的带宽数据集。本公开将当前时刻的第一带宽数据集输入到修补模型中，得到包含第一带宽信息的第二带宽数据集，从而对缺失的带宽信息进行了修补，有利于在预测时得到更加准确的下一时刻的带宽数据集信息。再将修补后的第一带宽数据集(第二带宽数据集)输入到带宽预测模型中，预测得到下一时刻的带宽数据集，从而实现政务云带宽使用情况的预测。
[0013]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
[0014]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例，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。
[0015]图1示出本公开实施例中一种带宽预测系统架构的示意图；
[0016]图2示出本公开一实施例中带宽预测方法流程图；
[0017]图3示出本公开实施例中带宽预测过程框图；
[0018]图4示出本公开另一实施例中带宽预测方法流程图；
[0019]图5示出本公开实施例中的一种DBN神经网络模型示意图；
[0020]图6示出本公开实施例中一种带宽预测装置示意图；
[0021]图7示出本公开实施例中一种电子设备的结构框图；
[0022]图8示出本公开实施例中提供的一种计算机可读存储介质示意图。
具体实施方式
[0023]现在将参考附图更全面地描述示例实施方式。然而，示例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。
[0024]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。
[0025]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0026]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0027]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0028]政务云作为一个规模巨大的私有云，云上承载着大量的省级系统、网站、资料、信息等，日常需要被公众、企事业单位、机关等用户高频访问。政务云的稳定运行依赖于底层设备、网络的正常运作，而底层设备之间的数据交换、客户访问政务云、信息在网络中传递等都离不开可靠的使用带宽供应。使用带宽作为设备性能、网络传输稳定、用户时使用体验的重要指标之一。若能预测到某时刻政务云的带宽使用情况，可以提前对线路带宽进行动态调整，就可以避免由于带宽不足问题，导致政务云访问慢，丢包率高等问题，从而提高客户体验感，进一步的提高电信的服务水平。
[0029]专利技术人发现，在政务云的日常运维当中，可能会因为网络线路故障、设备故障、线路割接等原因，导致当前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带宽预测方法，其特征在于，包括：获取缺失第一带宽信息的当前时刻的第一带宽数据集；将所述第一带宽数据集输入到修补模型中，对所述第一带宽信息进行修补，得到第二带宽数据集；将所述第二带宽数据集输入到带宽预测模型中，预测得到下一时刻的带宽数据集。2.根据权利要求1所述的方法，其特征在于，在所述将所述第一带宽数据集输入到修补模型中，对所述第一带宽信息进行修补，得到第二带宽数据集之前，所述方法还包括：获取缺失第二带宽信息的第一历史带宽数据集和包含所述第二带宽信息的第二历史带宽数据集，所述第二历史带宽数据集包括所述第一历史带宽数据集，所述第一历史带宽数据集缺失所述第二带宽信息的位置用第一数值填充；根据所述第一历史带宽数据集，得到第一历史数据矩阵；对所述第一历史数据矩阵进行移动块分割，得到多个第一历史移动块；根据所述第一历史移动块和所述第二历史带宽数据集对初始修补模型进行训练，得到所述修补模型。3.根据权利要求2所述的方法，其特征在于，所述初始修补模型包括DBN神经网络模型；其中，所述根据所述第一历史移动块和所述第二历史带宽数据集对初始修补模型进行训练，得到所述修补模型，包括：获取所述DBN神经网络模型；基于改进粒子群算法，根据所述第一历史移动块和所述第二历史带宽数据集得到所述DBN神经网络模型的第一模型参数；通过所述第一历史移动块和所述第二历史带宽数据集对参数为所述第一模型参数的DBN神经网络模型进行训练，得到所述修补模型。4.根据权利要求3所述的方法，其特征在于，所述第一模型参数包括第一目标阈值和第一目标权重；其中，所述基于改进粒子群算法，根据所述第一历史移动块和所述第二历史带宽数据集得到所述DBN神经网络模型的第一模型参数，包括：获取所述DBN神经网络模型的第一初始阈值和第一初始权重；根据所述第一初始阈值和所述第一初始权重，得到多个第一代粒子；依次将每个所述第一代粒子与所述第一历史移动块输入到所述DBN神经网络模型中，得到多个第一历史预测数据集；根据各个所述第一历史预测值和所述第二历史带宽数据集，得到多个第一适应度值；在多个所述第一适应度值中确定出第一目标适应度值；判断所述第一目标适应度值是否小于第一阈值；若小于，则将所述第一目标适应度值对应的第一代粒子作为所述DBN神经网络模型的第一目标阈值和第一目标权重。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：若不小于，则对所述第一代粒子进行迭代处理，直至所述第一目标适应度值小于所述第一阈值，每次迭代处理包括如下步骤：根据所述第一目标适应度值，得到第一代最优粒子和群体最优粒子；
根据所述第一代最优粒子和所述群体最优粒子对所述第一代粒子进行速度和位置更新，得到多个第二代粒子；对多个所述第二代粒子进行交叉处理；将进行交叉处理后的所述第二代粒子与所述第一历史移动块输入到所述DBN神经网络模型中，得到多个第二历史预测数据集；根据各个所述第二历史预测值和所述第二历史带宽数据集，得到多个第二适应度值；在多个所述第二适应度值中确定出新的第一目标适应度值；判断所述新的第一目标适应度值是否小于所述第一阈值；若小于，则将所述新的第一目标适应度值对应的第二代粒子作为所述DBN神经网络模型的第一目标阈值和第一目标权重；若不小于，则将所述第二代粒子作为新的第一代粒子，继续执行迭代。6.根据权利要求1所述的方法，其特征在于，所述将所述第一带宽数据集输入到修补模型中，对所述第一带宽信息进行修补，得到第二带宽数据集，包括：根据所述第一带宽数据集，得到当前数据矩阵，其中，所述第一带宽数据集缺失所述第一带宽信息的位置用第二数值填充；对所述当前数据矩阵进行移动块分割，得到多个当前移动块；将所述多个当前移动块输入到所述修补模型中，进行q次训练，得到q个训练结果；根据所述q个训练结果，得到所述第二带宽数据集；其中，q为正整数。7.根据权利要求1所述的方法，其特征在于，在所述将所述第二带宽数据集输入到带宽预测模型中，...

【专利技术属性】
技术研发人员：何家裕，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：