CN116055378B - 流量调度策略生成模型的训练方法及装置 - Google Patents

Abstract

本发明公开了一种流量调度策略生成模型的训练方法及装置，该方法包括：获取各个网络节点的流量信息，以及获取各个网络节点之间的通信链路的链路延迟信息；根据流量信息和链路延迟信息，获取目标链路延迟预测模型；根据预设业务服务质量信息、预设流量矩阵和目标链路延迟预测模型，生成训练数据，其中，预设业务服务质量信息用于表示预设业务的服务质量信息，训练数据表示在不同网络状态下针对预设业务的流量调度策略；根据训练数据对初始流量调度策略生成模型进行训练，获得目标流量调度策略生成模型，其中，目标流量调度测量生成模型用于生成针对各个网络节点的流量调度策略。

Description

流量调度策略生成模型的训练方法及装置

技术领域

本发明涉及计算机技术领域，具体涉及一种流量调度策略生成模型的训练方法、流量调度方法、装置、电子设备及计算机可读介质。

背景技术

软件定义网络(SDN，Software Defined Network)，是网络虚拟化的一种实现方式，其通过将网络设备的控制面与数据面分离开来，从而实现了网络流量的灵活控制，使网络变得更加智能，为核心网络及应用的创新提供了良好的平台。

在流量快速增长，服务质量要求越来越严苛的环境下，基于SDN可为网络拥塞提供新的解决思路，但是软件定义网络与流量调度技术融合起来较为困难。目前在进行流量调度时，一般依赖于对网络建模，当网络发生变化时，通常需要重新对网络建模，这可能会加大数据中心(Data Center)的资源消耗，并且在实际环境中准确获取流量矩阵往往较为困难。

由此可知，现有的流量调度方法难以适应网络流量的不确定性，可能存在时效问题，以及并不能解决网络全局可能存在的拥塞情况。

发明内容

为此，本发明提供一种流量调度策略生成模型的训练方法，以解决相关技术中可能存在的不能对网络流量进行及时调度以及不能解决网络全局拥塞的问题。

为了实现上述目的，本发明第一方面提供一种流量调度策略生成模型的训练方法，该方法包括：

获取各个网络节点的流量信息，以及获取所述各个网络节点之间的通信链路的链路延迟信息；

根据所述流量信息和所述链路延迟信息，获取目标链路延迟预测模型；

根据预设业务服务质量信息、预设流量矩阵和所述目标链路延迟预测模型，生成训练数据，其中，所述预设业务服务质量信息用于表示预设业务的服务质量信息，所述训练数据表示在不同网络状态下针对所述预设业务的流量调度策略；

根据所述训练数据对初始流量调度策略生成模型进行训练，获得目标流量调度策略生成模型，其中，所述目标流量调度测量生成模型用于生成针对所述各个网络节点的流量调度策略。

可选地，所述根据所述流量信息和所述链路延迟信息，获取目标链路延迟预测模型，包括：

根据所述流量信息和所述链路延迟信息，生成多条通信链路，其中，所述通信链路由第一网络节点和第二网络节点构成，所述第一网络节点和所述第二网络节点为所述各个网络节点中的任意不同网络节点；

根据所述多条通信链路，构建通信链路图，其中，所述通信链路图以所述多条通信链路中的各网络节点作为图节点，并至少以不同通信链路之间的流量信息和链路延迟作为对应的图节点间的连接边；

使用所述通信链路图对初始链路延迟预测模型进行训练，得到所述目标链路延迟预测模型，其中，所述目标链路延迟预测模型用于预测所述各个网络节点之间的链路延迟。

可选地，所述根据预设业务服务质量信息、预设流量矩阵和所述目标链路延迟预测模型，生成训练数据，包括：

根据所述预设业务服务质量信息、所述预设流量矩阵和所述目标链路延迟预测模型，获取所述各个网络节点之间的目标通信路径集，其中，所述目标通信路径集由所述各个网络节点在所述预设流量矩阵表征的网络状态下针对所述预设业务的流量进行转发的通信路径中满足预设条件的通信路径组成；

根据所述预设业务服务质量信息、所述预设流量矩阵和所述目标通信路径集，生成所述训练数据。

可选地，所述根据所述预设业务服务质量信息、所述预设流量矩阵和所述目标链路延迟预测模型，获取所述各个网络节点之间的目标通信路径集，包括：

根据所述业务服务质量信息对应的预设业务的流量类型和所述预设流量矩阵，生成多个流量矩阵组合；

使用预设路由算法，计算与所述多个流量矩阵组合对应的、满足所述预设条件的通信路径，以得到所述目标通信路径集。

可选地，所述根据所述训练数据对初始流量调度策略生成模型进行训练，获得目标流量调度策略生成模型，包括：

获取基于BP神经网络模型结构构建的所述初始流量调度策略生成模型；

将所述训练数据输入所述初始流量调度测量模型中，获得预测流量调度策略；

计算所述预测流量调度策略对应的预测链路延迟和所述训练数据中的通信路径对应的期望链路延迟之间的误差值；

以所述误差值为损失值对所述初始流量调度策略的参数进行调整，获得满足预设收敛条件的初始流量调度策略生成模型作为所述目标流量调度策略生成模型。

可选地，所述获取各个网络节点的流量信息，包括：

使用预设网络流量分析工具对所述各个网络节点间的通信数据进行分析，获得所述各个网络节点的初始流量信息；

根据所述初始流量信息对应的业务类型，对所述初始流量信息进行分类处理；

并对所述分类处理后的初始流量信息进行过滤处理和归一化处理，得到所述流量信息。

为了实现上述目的，本发明第二方面提供一种流量调度方法，该方法包括：

获取当前网络的网络状态信息，其中，所述网络状态信息至少包括当前待进行流量调度的业务的业务类型和当前网络中各个通信链路之间的预测链路延迟；

将所述网络状态信息输入至目标流量调度测量生成模型中，获得预设流量调度策略；

基于所述预设流量调度策略进行流量调度。

为了实现上述目的，本发明第三方面还提供一种流量调度策略生成模型的训练装置，该装置包括：

信息获取模块，用于获取各个网络节点的流量信息，以及获取所述各个网络节点之间的通信链路的链路延迟信息；

链路延迟预测模型获取模块，用于根据所述流量信息和所述链路延迟信息，获取目标链路延迟预测模型；

生成模块，用于根据预设业务服务质量信息、预设流量矩阵和所述目标链路延迟预测模型，生成训练数据，其中，所述预设业务服务质量信息用于表示预设业务的服务质量信息，所述训练数据表示在不同网络状态下针对所述预设业务的流量调度策略；

训练模块，用于根据所述训练数据对初始流量调度策略生成模型进行训练，获得目标流量调度策略生成模型，其中，所述目标流量调度测量生成模型用于生成针对所述各个网络节点的流量调度策略。

为了实现上述目的，本发明第四方面还提供一种流量调度装置，该装置包括：

状态信息获取模块，用于获取当前网络的网络状态信息，其中，网络状态信息至少包括当前待进行流量调度的业务的业务类型和当前网络中各个通信链路之间的预测链路延迟；

流量调度策略获得模块，用于将网络状态信息输入至目标流量调度测量生成模型中，获得预设流量调度策略；

流量调度模块，用于基于预设流量调度策略进行流量调度。

为了实现上述目的，本发明第五方面还提供一种电子设备，包括：

一个或多个处理器；

存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面或第二方面中任意一项所述的方法；

一个或多个I/O接口，连接在所述处理器与存储器之间，配置为实现所述处理器与存储器的信息交互。

为了实现上述目的，本发明第六方面还提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明第一方面或第二方面中任意一项所述的方法。

本发明具有如下优点：根据本发明的实施例，通过获取当前网络中各个网络节点的流量信息，以及各个网络节点之间的通信链路的链路延迟信息；并根据该流量信息和该链路延迟信息，获取可以精确预测各通信链路之间的链路延迟的目标链路延迟预测模型；之后通过根据预设业务服务质量信息、预设流量矩阵和目标链路延迟预测模型，生成训练数据，并使用该训练数据对初始流量调度策略生成模型进行训练，即可获得目标流量调度策略生成模型，基于该目标流量调度测量生成模型即可及时且全局性地针对当前网络状态进行流量调度。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。

图1为本发明实施例提供的一种流量调度策略生成模型的训练方法的流程示意图；

图2为本发明实施例提供的获取目标链路延迟预测模型的流程示意图；

图3为本发明实施例提供的流量调度方法的流程示意图；

图4为本发明实施例提供的一种流量调度策略生成模型的训练装置的组成方框图；

图5为本发明实施例提供的一种流量调度装置的组成方框图；

图6为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序；并且，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互任意组合。

如本发明所使用的，术语“和/或”包括一个或多个相关列举条目的任何和全部组合。

本发明所使用的术语仅用于描述特定实施例，且不意欲限制本发明。如本发明所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。

当本发明中使用术语“包括”和/或“由……制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。

除非另外限定，否则本发明所用的全部术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本发明的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本发明明确如此限定。

针对相关技术中的流量调度方法难以适应网络流量的不确定性，可能存在时效问题，以及并不能解决网络全局可能存在的拥塞情况的问题，本发明实施例提供了一种流量调度策略生成模型的训练方法，以训练得到目标流量调度策略生成模型，基于该目标流量调度策略生成模型及时且全局性地针对当前网络状态进行流量调度。请参看图1，其为本发明实施例提供的一种流量调度策略生成模型的训练方法的流程示意图。该方法可以由电子设备设施，该电子设备可以为服务器，例如，可以是物理服务器，例如可以为刀片服务器、机架式服务器等，或者也可以是虚拟服务器，例如可以是部署在云端的服务器集群；当然，该电子设备也可以为终端设备，此处不做特殊限定。

如图1所述，本发明实施例提供的流量调度策略生成模型的训练方法可以包括如下步骤S101-S104，以下予以详细说明。

步骤S101，获取各个网络节点的流量信息，以及获取各个网络节点之间的通信链路的链路延迟信息。

本发明实施例中的网络节点可以为数据中心中用于转发流量数据的任意一个或多个网络节点，该网络节点例如可以为路由设备。

该流量信息，可以是基于NetStream协议、sFlow等网络协议采集得到的表征各网络节点的流量状况的信息。

在一些实施例中，上述步骤S101中所述的获取各个网络节点的流量信息，可以为：使用预设网络流量分析工具对各个网络节点间的通信数据进行分析，获得各个网络节点的初始流量信息；根据初始流量信息对应的业务类型，对初始流量信息进行分类处理；并对分类处理后的初始流量信息进行过滤处理和归一化处理，得到流量信息。

该预设网络流量分析工具可以为基于NetStream协议、sFlow等网络协议的工具，例如，可以为网络封包分析软件wirkshark和tcpdum。

该初始流量信息可以是基于该预设网络流量分析工具根据语音、文本以及视频等类型抓取到的流量信息。

在得到该初始流量信息之后，为了便于后续再对网络建模以针对业务应用的流量类型有针对性的对网络进行流量调度，可以对该初始流量信息进行分类，例如，可以通过使用one-hot编码对上述得到的语音、文本以及视频类型的初始流量信息进行分类处理，之后，可以通过对分类处理后的初始流量信息进行过滤处理并进行归一化处理，以得到该流量信息。

其中，在本发明实施例中，初始流量信息是根据语音、文本和视频类型进行分类，在实际实施时，当然也可以根据需要通过其它方式对流量信息进行分类；其中，在使用one-hot编码对初始流量信息进行分类处理时，可以分别以[1,0,0]表示语音类型，以[0,1,0]表示文本类型以及以[0,0,1]表示视频类型，此处不做特殊限定。

另外，在对分类处理后的初始流量信息进行过滤处理时，可以是根据初始流量信息的类型，将明显数值异常或者不必要的数据剔除掉，以减少后续处理的数据处理量并提升基于该初始流量信息训练得到的模型的准确度；所述归一化处理可以是对过滤处理后的初始流量信息进行统一量化处理，例如，该初始流量信息的数值统一归一化处理为[0,1]区间范围内的数值，以便于后续对其进行特征分析。

在一些实施例中，上述步骤S101中所述的获取各个网络节点之间的通信链路的链路延迟信息，可以是在主机端测量各个网络节点之间的链路延迟，例如，可以使用P4(Programming Protocol-independent Packet Processors)+带内网络遥测(INT，INT Inband Network Telemetry)方式测量得到各个网络节点之间的链路延迟。

步骤S102，根据流量信息和链路延迟信息，获取目标链路延迟预测模型。

请参看图2，其为本发明实施例提供的获取目标链路延迟预测模型的流程示意图。如图2所示，在一些实施例中，所述根据流量信息和链路延迟信息，获取目标链路延迟预测模型，包括：

步骤S201，根据流量信息和链路延迟信息，生成多条通信链路，其中，通信链路由第一网络节点和第二网络节点构成，第一网络节点和第二网络节点为各个网络节点中的任意不同网络节点。

步骤S202，根据多条通信链路，构建通信链路图，其中，通信链路图以多条通信链路中的各网络节点作为图节点，并至少以不同通信链路之间的流量信息和链路延迟作为对应的图节点间的连接边。

步骤S203，使用通信链路图对初始链路延迟预测模型进行训练，得到目标链路延迟预测模型，其中，目标链路延迟预测模型用于预测各个网络节点之间的链路延迟。

在本发明实施例中，该初始链路延迟预测模型可以为图形神经网络(GNN，GraphNeural Network)模型。

即，在本发明实施例中，可以通过获取数据中心中各网络节点在不同时刻的流量信息，以及通过测量各网络节点构成的通信链路在不同时刻的链路延迟；之后，通过将各网络节点视为图节点，将各图节点之间的流量信息以及链路延迟作为连接边以构建通信链路图，之后，使用该通信链路图对初始链路延迟预测模型进行训练，从而训练得到能够准确预测网络中各个通信链路之间的链路延迟的目标链路延迟预测模型，基于该目标链路延迟预测模型可以预测网络的链路延迟，以全局性的了解整个网络的拥塞情况，以使得后续可以基于该预测得到的链路延迟，准确的生成流量调度策略，以解决网络存在的拥塞问题。

在一些实施例中，考虑到数据中心网络中流量情况复杂多变，因此若在训练得到目标链路延迟预测模型之后，不对该目标链路延迟预测模型进行持续优化，则该目标链路延迟预测模型将可能随着时间变化而存在低精度，即不能准确预测网络中各通信链路间的链路延迟的问题，为此，在本发明实施例中，还提供一种对目标链路延迟预测模型进行持续优化的方法，具体包括：在第一时刻训练得到第一目标链路延迟预测模型之后，获取该第一目标链路延迟预测模型的原始预测精度，以及备份该第一目标链路延迟预测模型得到第二目标链路延迟预测模型；按照预设时间间隔获取网络中的链路延迟数据对所述第一目标链路延迟预测模型进行持续训练，并获取该经持续训练后的第一目标链路延迟预测模型的当前预测精度；在该当前预测精度低于原始预测精度的情况下，使用第二目标链路延迟预测模型替换该持续训练后的第一目标链路延迟预测模型进行后续的链路延迟预测处理。

即，在本发明实施例中，在经过上述步骤S201-S203训练得到目标链路延迟预测模型，例如，模型1之后，可以备份该模型1得到模型2，并获取该模型1的原始测量精度；之后，将该模型1投入到线上使用，并定期使用网络中最新的链路延迟数据对模型1进行持续训练，若在连续一段时间内该持续训练的模型1的当前预测精度低于原始模型，即模型2的预测精度，则为了提升模型预测的准确度，可以使用备份的模型2替换当前线上使用的该经过持续优化的模型1，并使用最新的链路延迟数据对该模型2进行优化。

当然，以上仅为本发明实施例提供的一种对目标链路延迟预测模型进行持续优化的其中一种实施例，在实际实施时，也可以使用其它方式对目标链路延迟预测模型进行持续优化，此处不做特殊限定。

步骤S103，根据预设业务服务质量信息、预设流量矩阵和目标链路延迟预测模型，生成训练数据，其中，预设业务服务质量信息用于表示预设业务的服务质量信息，训练数据表示在不同网络状态下针对预设业务的流量调度策略。

在一些实施例中，根据预设业务服务质量信息、预设流量矩阵和目标链路延迟预测模型，生成训练数据，包括：根据预设业务服务质量信息、预设流量矩阵和目标链路延迟预测模型，获取各个网络节点之间的目标通信路径集，其中，目标通信路径集由各个网络节点在预设流量矩阵表征的网络状态下针对预设业务的流量进行转发的通信路径中满足预设条件的通信路径组成；根据预设业务服务质量信息、预设流量矩阵和目标通信路径集，生成训练数据。

其中，在该种实施方式中，根据预设业务服务质量信息、预设流量矩阵和目标链路延迟预测模型，获取各个网络节点之间的目标通信路径集，包括：根据业务服务质量信息对应的预设业务的流量类型和预设流量矩阵，生成多个不同组合的流量矩阵组合；使用预设路由算法，计算与多个不同组合的流量矩阵组合对应的、满足预设条件的通信路径，以得到目标通信路径集。

该预设流量矩阵可以是预先对网络中的流量进行测量或者预估后得到的、与不同业务对应的流量矩阵。

即，在本发明实施例中，可以根据不同业务的服务质量信息(Qos,Quality ofService)的需求和不同的流量矩阵，计算各网络节点之间的最优通信路径集，例如，可以使用启发式路由算法计算各网络节点之间的最优通信路径集；之后，根据不同业务的Qos需求与不同的流量矩阵的所有组合以及其最优路径样本，构建训练数据。

步骤S104，根据训练数据对初始流量调度策略生成模型进行训练，获得目标流量调度策略生成模型，其中，目标流量调度测量生成模型用于生成针对各个网络节点的流量调度策略。

在构建得到训练数据之后，可以使用该训练数据对初始流量调度策略生成模型进行训练，以获得目标流量调度策略生成模型。

在一些实施例中，所述根据训练数据对初始流量调度策略生成模型进行训练，获得目标流量调度策略生成模型，包括：获取基于BP神经网络模型结构构建的初始流量调度策略生成模型；将训练数据输入初始流量调度测量模型中，获得预测流量调度策略；计算预测流量调度策略对应的预测链路延迟和训练数据中的通信路径对应的期望链路延迟之间的误差值；以误差值为损失值对初始流量调度策略的参数进行调整，以获得满足预设收敛条件的初始流量调度策略生成模型作为目标流量调度策略生成模型。

可见，基于本发明实施例提供的流量调度策略生成模型的训练方法，通过获取当前网络中各个网络节点的流量信息，以及各个网络节点之间的通信链路的链路延迟信息；并根据该流量信息和该链路延迟信息，获取可以精确预测各通信链路之间的链路延迟的目标链路延迟预测模型；之后通过根据预设业务服务质量信息、预设流量矩阵和目标链路延迟预测模型，生成训练数据，并使用该训练数据对初始流量调度策略生成模型进行训练，即可获得目标流量调度策略生成模型，基于该目标流量调度测量生成模型即可及时且全局性地针对当前网络状态进行流量调度。

与上述实施例相对应，本发明实施例还提供一种流量调度方法，请参看图3，其为本发明实施例提供的流量调度方法的流程示意图。该方法可以应用于软件定义网络中，以由软件定义网络针对数据中心(Data Center)中网络的当前状态，及时且全面的进行流量调度，避免可能存在的网络通信延迟高以及网络拥塞的问题。

如图3所示，本发明实施例提供的流量调度方法包括如下步骤S301-S303：

步骤S301，获取当前网络的网络状态信息，其中，所述网络状态信息至少包括当前待进行流量调度的业务的业务类型和当前网络中各个通信链路之间的预测链路延迟。

步骤S302，将网络状态信息输入至目标流量调度测量生成模型中，获得预设流量调度策略。

步骤S303，基于预设流量调度策略进行流量调度。

可见，本发明实施例提供的流量调度方法，可以由软件定义网络针对数据中心(Data Center)中网络的当前状态，及时且全面的进行流量调度，避免可能存在的网络通信延迟高以及网络拥塞的问题。

另外，还需要说明的是，以上各方法实施例中各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

本发明实施例还提供一种流量调度策略生成模型的训练装置，如图4所示，该流量调度策略生成模型的训练装置400包括：信息获取模块401、链路延迟预测模型获取模块402、生成模块403和训练模块403。

该信息获取模块401，用于获取各个网络节点的流量信息，以及获取各个网络节点之间的通信链路的链路延迟信息。

该链路延迟预测模型获取模块402，用于根据流量信息和链路延迟信息，获取目标链路延迟预测模型。

该生成模块403，用于根据预设业务服务质量信息、预设流量矩阵和目标链路延迟预测模型，生成训练数据，其中，预设业务服务质量信息用于表示预设业务的服务质量信息，训练数据表示在不同网络状态下针对预设业务的流量调度策略。

该训练模块404，用于根据训练数据对初始流量调度策略生成模型进行训练，获得目标流量调度策略生成模型，其中，目标流量调度测量生成模型用于生成针对各个网络节点的流量调度策略。

在一些实施例中，该链路延迟预测模型获取模块402在根据流量信息和链路延迟信息，获取目标链路延迟预测模型时，可以用于：根据流量信息和链路延迟信息，生成多条通信链路，其中，通信链路由第一网络节点和第二网络节点构成，第一网络节点和第二网络节点为各个网络节点中的任意不同网络节点；根据多条通信链路，构建通信链路图，其中，通信链路图以多条通信链路中的各网络节点作为图节点，并至少以不同通信链路之间的流量信息和链路延迟作为对应的图节点间的连接边；使用通信链路图对初始链路延迟预测模型进行训练，得到目标链路延迟预测模型，其中，目标链路延迟预测模型用于预测各个网络节点之间的链路延迟。

在一些实施例中，该生成模块403在根据预设业务服务质量信息、预设流量矩阵和目标链路延迟预测模型，生成训练数据时，可以用于：根据预设业务服务质量信息、预设流量矩阵和目标链路延迟预测模型，获取各个网络节点之间的目标通信路径集，其中，目标通信路径集由各个网络节点在预设流量矩阵表征的网络状态下针对预设业务的流量进行转发的通信路径中满足预设条件的通信路径组成；根据预设业务服务质量信息、预设流量矩阵和目标通信路径集，生成训练数据。

在一些实施例中，该生成模块403在根据预设业务服务质量信息、预设流量矩阵和目标链路延迟预测模型，获取各个网络节点之间的目标通信路径集时，可以用于：根据业务服务质量信息对应的预设业务的流量类型和预设流量矩阵，生成多个流量矩阵组合；使用预设路由算法，计算与多个流量矩阵组合对应的、满足预设条件的通信路径，以得到目标通信路径集。

在一些实施例中，该训练模块404在根据训练数据对初始流量调度策略生成模型进行训练，获得目标流量调度策略生成模型时，可以用于：获取基于BP神经网络模型结构构建的初始流量调度策略生成模型；将训练数据输入初始流量调度测量模型中，获得预测流量调度策略；计算预测流量调度策略对应的预测链路延迟和训练数据中的通信路径对应的期望链路延迟之间的误差值；以误差值为损失值对初始流量调度策略的参数进行调整，获得满足预设收敛条件的初始流量调度策略生成模型作为目标流量调度策略生成模型。

在一些实施例中，信息获取模块401在获取各个网络节点的流量信息时，可以用于：使用预设网络流量分析工具对各个网络节点间的通信数据进行分析，获得各个网络节点的初始流量信息；根据初始流量信息对应的业务类型，对初始流量信息进行分类处理；并对分类处理后的初始流量信息进行过滤处理和归一化处理，得到流量信息。

本发明实施例还提供一种流量调度装置，如图5所示，该流量调度装置500包括：状态信息获取模块501、流量调度策略获得模块502和流量调度模块503。

该状态信息获取模块501，用于获取当前网络的网络状态信息，其中，网络状态信息至少包括当前待进行流量调度的业务的业务类型和当前网络中各个通信链路之间的预测链路延迟。

该流量调度策略获得模块502，用于将网络状态信息输入至目标流量调度测量生成模型中，获得预设流量调度策略。

该流量调度模块503，用于基于预设流量调度策略进行流量调度。

本发明实施例提供的装置具有的功能或包含的模块可以用于执行上文对应方法实施例描述的方法，其具体实现和技术效果可参照上文方法实施例的描述，为了简洁，这里不再赘述。

需要说明的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

参照图6，本发明实施例提供一种电子设备，其包括：

一个或多个处理器601；

存储器602，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述实施例中任意一项的流量调度策略生成模型的训练方法或者流量调度方法；

一个或多个I/O接口603，连接在处理器与存储器之间，配置为实现处理器与存储器的信息交互。

其中，处理器601为具有数据处理能力的器件，其包括但不限于中央处理器(CPU)等；存储器602为具有数据存储能力的器件，其包括但不限于随机存取存储器(RAM，更具体如SDRAM、DDR等)、只读存储器(ROM)、带电可擦可编程只读存储器(EEPROM)、闪存(FLASH)；I/O接口(读写接口)603连接在处理器601与存储器602间，能实现处理器601与存储器602的信息交互，其包括但不限于数据总线(Bus)等。

在一些实施例中，处理器601、存储器602和I/O接口603通过总线相互连接，进而与计算设备的其它组件连接。

本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述实施例中任意一项的流量调度策略生成模型的训练方法或者流量调度方法，为避免重复描述，在此不再赘述具体步骤。

本领域普通技术人员可以理解，上文中所发明方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储器、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其它数据，并且可包括任何信息递送介质。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明实施例的范围之内并且形成不同的实施例。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (8)

1.一种流量调度策略生成模型的训练方法，其特征在于，包括：

获取各个网络节点的流量信息，以及获取所述各个网络节点之间的通信链路的链路延迟信息；

根据所述流量信息和所述链路延迟信息，获取目标链路延迟预测模型；

根据预设业务服务质量信息、预设流量矩阵和所述目标链路延迟预测模型，生成训练数据，其中，所述预设业务服务质量信息用于表示预设业务的服务质量信息，所述训练数据表示在不同网络状态下针对所述预设业务的流量调度策略；

根据所述训练数据对初始流量调度策略生成模型进行训练，获得目标流量调度策略生成模型，其中，所述目标流量调度策略生成模型用于生成针对所述各个网络节点的流量调度策略；

其中，所述根据所述流量信息和所述链路延迟信息，获取目标链路延迟预测模型，包括：

根据所述流量信息和所述链路延迟信息，生成多条通信链路，其中，所述通信链路由第一网络节点和第二网络节点构成，所述第一网络节点和所述第二网络节点为所述各个网络节点中的任意不同网络节点；

根据所述多条通信链路，构建通信链路图，其中，所述通信链路图以所述多条通信链路中的各网络节点作为图节点，并至少以不同通信链路之间的流量信息和链路延迟作为对应的图节点间的连接边；

使用所述通信链路图对初始链路延迟预测模型进行训练，得到所述目标链路延迟预测模型，其中，所述目标链路延迟预测模型用于预测所述各个网络节点之间的链路延迟；

其中，所述根据所述训练数据对初始流量调度策略生成模型进行训练，获得目标流量调度策略生成模型，包括：

获取基于BP神经网络模型结构构建的所述初始流量调度策略生成模型；

将所述训练数据输入所述初始流量调度策略生成模型中，获得预测流量调度策略；

计算所述预测流量调度策略对应的预测链路延迟和所述训练数据中的通信路径对应的期望链路延迟之间的误差值；

以所述误差值为损失值对所述初始流量调度策略生成模型的参数进行调整，获得满足预设收敛条件的初始流量调度策略生成模型作为所述目标流量调度策略生成模型。

2.根据权利要求1所述的方法，其特征在于，所述根据预设业务服务质量信息、预设流量矩阵和所述目标链路延迟预测模型，生成训练数据，包括：

根据所述预设业务服务质量信息、所述预设流量矩阵和所述目标链路延迟预测模型，获取所述各个网络节点之间的目标通信路径集，其中，所述目标通信路径集由所述各个网络节点在所述预设流量矩阵表征的网络状态下、针对所述预设业务的流量进行转发的通信路径中满足预设条件的通信路径组成；

根据所述预设业务服务质量信息、所述预设流量矩阵和所述目标通信路径集，生成所述训练数据。

3.根据权利要求2所述的方法，其特征在于，所述根据所述预设业务服务质量信息、所述预设流量矩阵和所述目标链路延迟预测模型，获取所述各个网络节点之间的目标通信路径集，包括：

根据所述业务服务质量信息对应的预设业务的流量类型和所述预设流量矩阵，生成多个流量矩阵组合；

使用预设路由算法，计算与所述多个流量矩阵组合对应的、满足所述预设条件的通信路径，以得到所述目标通信路径集。

4.根据权利要求1所述的方法，其特征在于，所述获取各个网络节点的流量信息，包括：

使用预设网络流量分析工具对所述各个网络节点间的通信数据进行分析，获得所述各个网络节点的初始流量信息；

根据所述初始流量信息对应的业务类型，对所述初始流量信息进行分类处理；

并对所述分类处理后的初始流量信息进行过滤处理和归一化处理，得到所述流量信息。

5.一种流量调度方法，其特征在于，包括：

获取当前网络的网络状态信息，其中，所述网络状态信息至少包括当前待进行流量调度的业务的业务类型和当前网络中各个通信链路之间的预测链路延迟；

将所述网络状态信息输入至目标流量调度策略生成模型中，获得预设流量调度策略，其中，所述目标流量调度策略生成模型通过权利要求1-4任一所述的流量调度策略生成模型的训练方法获得；

基于所述预设流量调度策略进行流量调度。

6.一种流量调度策略生成模型的训练装置，其特征在于，包括：

信息获取模块，用于获取各个网络节点的流量信息，以及获取所述各个网络节点之间的通信链路的链路延迟信息；

链路延迟预测模型获取模块，用于根据所述流量信息和所述链路延迟信息，获取目标链路延迟预测模型；

生成模块，用于根据预设业务服务质量信息、预设流量矩阵和所述目标链路延迟预测模型，生成训练数据，其中，所述预设业务服务质量信息用于表示预设业务的服务质量信息，所述训练数据表示在不同网络状态下针对所述预设业务的流量调度策略；

训练模块，用于根据所述训练数据对初始流量调度策略生成模型进行训练，获得目标流量调度策略生成模型，其中，所述目标流量调度策略生成模型用于生成针对所述各个网络节点的流量调度策略；

其中，所述链路延迟预测模型获取模块根据所述流量信息和所述链路延迟信息，获取目标链路延迟预测模型，包括：

根据所述流量信息和所述链路延迟信息，生成多条通信链路，其中，所述通信链路由第一网络节点和第二网络节点构成，所述第一网络节点和所述第二网络节点为所述各个网络节点中的任意不同网络节点；

根据所述多条通信链路，构建通信链路图，其中，所述通信链路图以所述多条通信链路中的各网络节点作为图节点，并至少以不同通信链路之间的流量信息和链路延迟作为对应的图节点间的连接边；

使用所述通信链路图对初始链路延迟预测模型进行训练，得到所述目标链路延迟预测模型，其中，所述目标链路延迟预测模型用于预测所述各个网络节点之间的链路延迟；

其中，所述训练模块根据所述训练数据对初始流量调度策略生成模型进行训练，获得目标流量调度策略生成模型，包括：

获取基于BP神经网络模型结构构建的所述初始流量调度策略生成模型；

将所述训练数据输入所述初始流量调度策略生成模型中，获得预测流量调度策略；

计算所述预测流量调度策略对应的预测链路延迟和所述训练数据中的通信路径对应的期望链路延迟之间的误差值；

以所述误差值为损失值对所述初始流量调度策略生成模型的参数进行调整，获得满足预设收敛条件的初始流量调度策略生成模型作为所述目标流量调度策略生成模型。

7.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现权利要求1-5中任意一项所述的方法；

一个或多个I/O接口，连接在所述处理器与存储器之间，配置为实现所述处理器与存储器的信息交互。

8.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现权利要求1-5中任意一项所述的方法。