CN116346742A - 带宽调整、预测链训练方法及装置、电子设备、存储介质 - Google Patents

Abstract

本申请实施例公开了一种带宽调整方法，包括：基于实时流量数据所包括的至少一种业务类型，利用已训练的预测链的目标拥塞容忍系数集合，得到实时流量数据的拥塞容忍系数集合；基于实时流量数据的拥塞容忍系数集合和实时流量数据，确定实时加权流量数据；基于实时加权流量数据，生成带宽调节指令。同时提供了一种预测链训练方法，包括：基于训练样本集合，确定待训练的预测链的节点顺序；基于预测链的节点顺序，为待训练的预测链确定至少一个候选的拥塞容忍系数集合；从至少一个候选的拥塞容忍系数集合中，为待训练的预测链确定目标拥塞容忍系数集合。同时提供了一种装置、电子设备及存储介质。

Description

带宽调整、预测链训练方法及装置、电子设备、存储介质

技术领域

本申请涉及通信技术领域，涉及但不限定于带宽调整、预测链训练方法及装置、电子设备、存储介质。

背景技术

随着信息化不断发展，业务场景更加复杂，业务数据量也随之不断增。为了给用户提供更优质的服务，越来越多的企业选择将服务上传云服务器，并且为了提高数据安全性和存取效率，企业往往会选择将数据保存到不同资源池节点。为了给企业提供更好的服务，如何合理调整各资源池节点的带宽成了一个重要问题。常见的调整方法有：基于带宽调整的服务质量(Quality of Service，QoS)路由协议模型；基于用户服务等级分配到的权重因子；基于预训练流量数据模型的带宽动态调整。然而，相关技术中存在带宽调整颗粒度大、训练成本高等问题。

发明内容

本申请实施例提供带宽调整、预测链训练方法及装置、电子设备、存储介质。

本申请实施例的技术方案是这样实现的：

一方面，本申请实施例提供一种带宽调整方法，所述方法包括：

获取网络节点的实时流量数据；

基于所述实时流量数据所包括的至少一种业务类型，利用已训练的预测链的目标拥塞容忍系数集合，得到所述实时流量数据的拥塞容忍系数集合；所述目标拥塞容忍系数集合中每一拥塞容忍系数为所述已训练的预测链中对应节点表征的业务类型发生网络拥塞的系数；

基于所述实时流量数据的拥塞容忍系数集合和所述实时流量数据，确定实时加权流量数据；

基于所述实时加权流量数据，生成带宽调节指令。

又一方面，本申请实施例提供一种预测链训练方法，所述方法包括：

获取训练样本集合；

基于所述训练样本集合，确定待训练的预测链的节点顺序；所述待训练的预测链中的每一节点表征一种业务类型；

基于所述预测链的节点顺序，为所述待训练的预测链确定至少一个候选的拥塞容忍系数集合；

从所述至少一个候选的拥塞容忍系数集合中，为所述待训练的预测链确定目标拥塞容忍系数集合，得到已训练的预测链。

再一方面，本申请实施例提供一种带宽调整装置，所述装置包括：

获取模块，用于获取网络节点的实时流量数据；

预测模块，用于基于所述实时流量数据所包括的至少一种业务类型，利用已训练的预测链的目标拥塞容忍系数集合，得到所述实时流量数据的拥塞容忍系数集合；所述目标拥塞容忍系数集合中每一拥塞容忍系数为所述已训练的预测链中对应节点表征的业务类型发生网络拥塞的系数；

加权模块，用于基于所述实时流量数据的拥塞容忍系数集合和所述实时流量数据，确定实时加权流量数据；

控制模块，用于基于所述实时加权流量数据，生成带宽调节指令。

再一方面，本申请实施例提供一种预测链训练装置，所述装置包括：

获取模块，用于获取训练样本集合；

排序模块，用于基于所述训练样本集合，确定待训练的预测链的节点顺序；所述待训练的预测链中的每一节点表征一种业务类型；

加权模块，用于基于所述预测链的节点顺序，为所述待训练的预测链确定至少一个候选的拥塞容忍系数集合；

确定模块，用于从所述至少一个候选的拥塞容忍系数集合中，为所述待训练的预测链确定目标拥塞容忍系数集合，得到已训练的预测链。

再一方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法中的步骤。

还一方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的步骤。

本申请实施例提供的技术方案带来的有益效果至少包括：

在本申请实施例中，一方面，基于所述实时流量数据所包括的至少一种业务类型，利用已训练的预测链的目标拥塞容忍系数集合，得到所述实时流量数据的拥塞容忍系数集合；所述目标拥塞容忍系数集合中每一拥塞容忍系数为所述已训练的预测链中对应节点表征的业务类型发生网络拥塞的系数。如此，能够利用拥塞容忍系数对实时流量数据中不同的业务类型进行监测处理，细化了带宽监测的过程，避免了带宽调整颗粒度大的问题，更好的分配带宽资源，保证实时业务的传输，避免出现网络阻塞现象。

另一方面，基于所述实时流量数据的拥塞容忍系数集合和所述实时流量数据，确定实时加权流量数据。如此，当任意一种业务类型的加权流量数据大于预设拥堵条件时，通过判断该业务类型的加权流量数据，就能够判断该业务类型是否会产生拥堵，提高了带宽拥堵预测的实时性和准确性。

再一方面，基于所述实时加权流量数据，生成带宽调节指令。如此，能够将与实时加权流量数据相关的拥塞容忍系数与带宽调节指令相结合，将用户带宽调整过程自动化，提高预测的效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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它的附图，其中：

图1A为本申请实施例提供的一种带宽调整系统示意图；

图1B为本申请实施例提供的一种带宽调整系统的网络架构示意图；

图1C为本申请实施例提供的一种带宽调整方法的流程示意图；

图1D为本申请实施例提供的预测链的拥塞容忍系数示意图；

图2为本申请实施例提供的一种带宽调整方法的流程示意图；

图3为本申请实施例提供的一种预测链训练方法的流程示意图；

图4为本申请实施例提供的一种预测链训练方法的流程示意图；

图5为本申请实施例提供的一种预测链训练方法的流程示意图

图6为本申请实施例提供的一种带宽调整装置的组成结构示意图；

图7为本申请实施例提供的一种预测链训练装置的组成结构示意图；

图8为本申请实施例提供的一种电子设备的硬件实体示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。以下实施例用于说明本申请，但不用来限制本申请的范围。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

需要指出，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请实施例所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

随着信息化不断发展，业务场景更加复杂，业务数据量也随之不断增。为了给用户提供更优质的服务，越来越多的企业选择将服务上传云服务器，并且为了提高数据安全性和存取效率，企业往往会选择将数据保存到不同资源池节点。为了给企业提供更好的服务，如何合理调整各资源池节点的带宽成了一个重要问题。常见的调整方法有：基于带宽调整的QoS路由协议模型；基于用户服务等级分配到的权重因子；基于预训练流量数据模型的带宽动态调整。

1、基于带宽调整的QoS路由协议模型：

A、该模型首先确定当前网络中备选路径(假定总共有11条备选路径)，计算模型包含的链路个数，假定链路数从小到大依次为P1、P2、…、Pn。定义一个用户对链路数量的容忍度K(K>1)。从11条备选路径中，剔除不满足条件的选项，使剩下的路径，均满足约束条件：Pi>k>Pj。

B、在满足条件的链路中，计算每个链路的带宽占用率，带宽占用率越高表示带宽的负载能力越差。

C、剔除不满足带宽占用率的链路，对各路径的代表链路，组成一个集合：{link(1)，link(2)，…，link(u)}。定义用户对链路带宽占用率的容忍度(O％≤H<loo％)。剔除集合中大于H的链路。

D、从满足带宽占用率条件的备选路径中确定最终路径。对于带宽占用率不超过H的链路，执行最短路径优先算法(SPF)，得到一条最短路径。如果有多条路径的跳数最短，则在跳数最短的路径中，随机选择一条，算法结束。

2、基于用户服务等级实现资源向不同服务等级用户倾斜

该方法通过服务质量QoS模型实现。QoS指数据通过网络时的性能，QoS通过对网络资源的合理分配和监控，使用流量分类、着色、监管、整形、网络拥塞管理和避免技术，为服务提供端到端的服务质量保证，最终达到针对企业的不同应用需求，提升服务质量。

3.基于预训练流量数据模型的带宽动态调整

该方法通常包括接收模块、预测模块和调整模块。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，一般的预测模块采用深度学习网络模型，通过动态调整模型参数实现网络的反复训练，通过训练后的网络模型得到预测结果；调整模块，用于根据所述带宽流量预测结果，调整带宽资源。

由此可见，相关技术存在以下问题：

1)灵活性不够。传统的方法需要依赖于现有的网络环境，用户资源分配的带宽受限于已经分配的网络节点环境。如果现有网络节点的带宽无法满足需求，或者现有节点的带宽配置远远超过需求，则会导致需求无法满足或者带宽资源的极大浪费。

2)带宽调整颗粒度大。基于用户服务等级的带宽设置，只能根据用户的不同等级设置固定的几个带宽，无法做到根据不同用户的定制化需求适应性调整。用户可以选择的范围小，只适用于小范围的用户群体。

3)训练成本高。在网络模型的训练阶段，需要大量数据作为训练样本，在网络未训练完成之前，无法迅速投入生产实际。同时，网络模型的质量与选择的模型相关。此外，一条新的数据流出现后，需要经历一段流特征收集时间才能够输出对该流的识别结果，所以网络模型方式的实时差。实际应用过程中根据选取流特征的实时性不同，识别的实时性也会有差异。

为解决上述问题，本申请实施例提供一种带宽调整系统，图1A为本申请实施例提供的一种带宽调整系统示意图，如图1A所示，所述带宽调整系统包括：业务服务器10、路由设备20和终端设备30，其中：

业务服务器10，用于接收路由设备20发送的流量数据，利用所述流量数据生成带宽调整指令，将所述带宽调节指令发送给路由设备20，接收所述路由设备20发送的反馈消息，根据所述反馈消息调节接入所述终端设备30的带宽；

路由设备20，用于将检测到的流量数据发送到业务服务器10，将带宽调节指令转发给终端设备30，接收所述终端设备30发送的反馈消息，将所述反馈消息转发给业务服务器10；

终端设备30，用于接收所述路由设备20发送的带宽调节指令，并将反馈消息发送给所述路由设备20，所述反馈消息表示用户是否需要实现带宽调节。

在一种可以实现的方式中，所述终端设备30可以包括电脑31、平板32和手机33等能够接入带宽的设备。

在一种可以实现的方式中，所述路由设备20配置有深度包检测技术模块(DeepPacket Inspection，DPI)，所述DPI模块用于在流量数据通过基于DPI技术的带宽管理系统的情况下，读取流量数据中数据包的内容。

基于所述带宽调整系统，本申请实施例提供一种带宽调整系统的网络架构，图1B为本申请实施例提供的一种带宽调整系统的网络架构示意图，如图1B所示，所述网络架构包括：业务服务器10、路由设备20和终端设备30，其中：

在一种可以实现的方式中，所述业务服务器10包括：存储模块11、处理模块12和控制模块13，其中：

所述存储模块11，用于存储终端设备30中至少一种应用程序产生的流量数据、所述至少一种流量数据产生拥堵的次数和预测所述至少一种流量数据产生拥堵的准确率；

所述处理模块12，用于利用所述存储模块11中的数据，得到已训练的预测链；基于所述预测链和检测到的所述终端设备30的实时流量数据，得到所述实时流量数据的拥塞容忍系数集合；基于所述实时流量数据的拥塞容忍系数集合对所述终端设备30中不同类型应用程序产生的不同类型的流量数据进行加权处理；基于所述加权处理的处理结果和预设拥堵条件，生成目标告警信息；基于所述目标告警信息和预设告警频次，生成带宽调节指令。

所述控制模块13，用于将所述处理模块12生成的带宽调节指令，发送到所述路由设备20。

在一种可以实现的方式中，所述路由设备20包括：DPI模块21和转发模块22，其中：

所述DPI模块21，包括：端口识别模块211、关键字识别模块212和报文信息识别模块213，其中，所述端口识别模块211，用于基于固定端口信息对所述实时流量数据进行分类；所述关键字识别模块212，用于基于预设关键字对所述实时流量数据进行分类；所述报文信息识别模块213，用于基于报文信息与预设的流量数据的业务类型的对应关系，对所述实时流量数据进行分类。

所述转发模块22，用于将带宽调节指令转发给终端设备30，接收所述终端设备30发送的反馈消息，将所述反馈消息转发给业务服务器10。

在一种可以实现的方式中，所述终端设备30包括流媒体应用程序31、传统数据应用程序32、即时通信应用程序33、P2P应用程序34、其他应用程序35和收发模块36，其中：

流媒体应用程序31，用于为用户提供语音和视频类型的服务；

传统数据应用程序32，用于为用户提供文件类型的服务；

即时通信应用程序33，用于为用户提供聊天工具类型的服务；

P2P应用程序34，用于为用户提供点对点网络借款类型的服务；

其他应用程序35，用于为用户提供运行环境和浏览器类型的服务。

应理解，在不同应用程序为用户提供不同业务类型服务的过程中，所述不同应用程序生成不同业务类型的流量数据。

基于如图1B所示的带宽调整系统的网络架构，本申请实施例提供一种带宽调整方法，图1C为本申请实施例提供的一种带宽调整方法的流程示意图，如图1C所示，所述方法至少包括以下步骤：

步骤S101，业务服务器获取网络节点的实时流量数据；

这里，所述业务服务器可以为具有中央处理器(Central Processing Unit，CPU)的一台或者多台设备，所述多台设备可以为分布式服务器集群。示例性地，所述业务服务器可以为个人电脑(Personal Computer，PC)、工作站、台式机和数据与程序分散到多个服务器的分布式服务器集群。

这里，所述网络节点可以为生成流量数据的终端设备。示例性地，所述网络节点可以为如图1A所示的电脑31、平板32和手机33，还可以为如图1B所示的终端设备30。

在一种可以实现的方式中，所述业务服务器获取网络节点的实时流量数据可以利用终端设备实现。示例性地，终端设备将应用程序运行过程中产生的流量数据发送给路由设备，所述路由设备将所述流量数据发送给业务服务器，以使得所述业务服务器获取所述终端设备的实时流量数据。

这里，所述实时流量数据可以为流媒体数据，也可以为传统数据，还可以为即时通信数据和点对点网络借款(Peer to Peer Lending，P2P)数据等。所述流媒体数据可以通过为用户提供流媒体服务的应用程序产生，所述流媒体服务的应用程序可以为视频播放器，语音播放器。所述传统数据是可以通过为用户提供文件传输的应用程序产生，所述传统数据可以为文件上传和下载过程中产生的文字类型的数据。所述即时通信数据可以通过为用户提供聊天功能的应用程序产生，所述即时通信数据可以为聊天过程中传输的图片，文字，视频和分享的链接等。所述P2P数据可以通过为用户提供点对点网络借款功能的应用程序产生，所述P2P数据可以为网络借款过程中的用户信用级别、借款额度、借款人信用等。

步骤S102，业务服务器基于所述实时流量数据所包括的至少一种业务类型，利用已训练的预测链的目标拥塞容忍系数集合，得到所述实时流量数据的拥塞容忍系数集合；所述目标拥塞容忍系数集合中每一拥塞容忍系数为所述已训练的预测链中对应节点表征的业务类型发生网络拥塞的系数；

这里，所述已训练的预测链的目标拥塞容忍系数集合中拥塞容忍系数的数据量与所述预测链的节点数量相同，所述预测链的节点数量与所述实时流量数据中可能出现的所有业务类型相同。

示例性地，所述实时流量数据中可能出现的所有业务类型包括四种类型：流媒体业务类型、传统数据业务类型、即时通信业务类型、P2P业务类型，除上述四种类型之外，还可以包括其他类型，所述其他业务类型包括无法归类到上述四种业务类型中的流量数据。在上述情况下，所述预测链的节点数量为四个，每一节点与上述五种类型一一对应，每一节点具有一个拥塞容忍系数，如图1D所示，即时通信业务类型的系数为1.5、流媒体业务类型的系数为1.5、传统数据业务类型的系数为1.5、P2P业务类型的系数为1.3。

在一种可以实现的方式中，在检测到所述实时流量数据中包括三种业务类型时，得到的所述实时流量数据的拥塞容忍系数集合中包括三个元素。示例性地，在检测到所述实时流量数据中包括流媒体业务类型、传统数据业务类型、即时通信业务类型的情况下，如图1D所示，所述实时流量数据的拥塞容忍系数集合中包括：1.5、1.1和1.5。

步骤S103，业务服务器基于所述实时流量数据的拥塞容忍系数集合和所述实时流量数据，确定实时加权流量数据；

示例性地，如图1D所示，即时通信业务类型的拥塞容忍系数为1.5，在检测到所述实时流量数据包括一个即时通信业务类型的流量数据的情况下，获得即时通信类型业务流量为20M，所述实时加权流量数据为20M*1.5＝30M。

步骤S104，业务服务器基于所述实时加权流量数据，生成带宽调节指令。

在一种可以实现的方式中，在确定所述实时加权流量数据的流量数值的情况下，根据预设拥堵条件，判断当前网络是否发生拥堵，在发生拥堵的情况下，生成带宽调节指令，满足用户使用终端设备的带宽需求。

示例性地，在网络带宽为100M的情况下，实用带宽大于80M时，即带宽的链路利用率为80％时，用户感受到网络拥堵。流媒体业务类型的加权流量90M＞80M，认为当前发生拥堵，生成带宽调节指令，将网络带宽从100M调整为200M，满足用户使用终端设备的带宽需求。

在本申请实施例中，一方面，基于所述实时流量数据所包括的至少一种业务类型，利用已训练的预测链的目标拥塞容忍系数集合，得到所述实时流量数据的拥塞容忍系数集合；所述目标拥塞容忍系数集合中每一拥塞容忍系数为所述已训练的预测链中对应节点表征的业务类型发生网络拥塞的系数。如此，能够利用拥塞容忍系数对实时流量数据中不同的业务类型进行监测处理，细化了带宽监测的过程，避免了带宽调整颗粒度大的问题，更好的分配带宽资源，保证实时业务的传输，避免出现网络阻塞现象。

另一方面，基于所述实时流量数据的拥塞容忍系数集合和所述实时流量数据，确定实时加权流量数据。如此，当任意一种业务类型的加权流量数据大于预设拥堵条件时，通过判断该业务类型的加权流量数据，就能够判断该业务类型是否会产生拥堵，提高了带宽拥堵预测的实时性和准确性。

再一方面，基于所述实时加权流量数据，生成带宽调节指令。如此，能够将与实时加权流量数据相关的拥塞容忍系数与带宽调节指令相结合，将用户带宽调整过程自动化，提高预测的效率。

图2为本申请实施例提供的一种带宽调整方法的流程示意图，如图2所示，所述方法至少包括以下步骤：

步骤S201，业务服务器获取网络节点的实时流量数据；

步骤S202，业务服务器基于所述实时流量数据所包括的至少一种业务类型，利用已训练的预测链的目标拥塞容忍系数集合，得到所述实时流量数据的拥塞容忍系数集合；所述目标拥塞容忍系数集合中每一拥塞容忍系数为所述已训练的预测链中对应节点表征的业务类型发生网络拥塞的系数；

步骤S203，业务服务器基于所述实时流量数据的拥塞容忍系数集合和所述实时流量数据，确定实时加权流量数据；

步骤S204，业务服务器在所述实时加权流量数据大于预设拥堵条件的情况下，生成目标告警信息；

在一种可以实现的方式中，所述预设拥堵条件可以为链路带宽的最大利用率。在链路带宽达到最大利用率的情况下，容易出现网络拥堵的现象。

示例性地，100M带宽，链路带宽的最大利用率为80％，当实际使用带宽超过80M时，网络发生拥堵，当即时通信业务类型的流量数据为60M，拥塞容忍系数为1.5，实时加权流量数据为60*1.5＝90M时，预测会发生拥堵，此时生成告警信息，记录当前发生一次即时通信业务类型的网络拥堵。

步骤S205，业务服务器在所述目标告警信息的频次大于预设告警频次的情况下，生成将所述网络节点的带宽调大的带宽调节指令；

在一种可以实现的方式中，在所述目标告警信息的频次大于预设告警频次的情况下，向用户发送一条提示信息，所述提示用户用于提示用户网络将发生拥堵并为用户提供调节带宽的选项，接收用户发送的反馈消息，所述反馈消息至少包括是否调节带宽和待调节的目标带宽，根据所述反馈消息，生成将所述网络节点的带宽调大的带宽调节指令。

示例性地，预设告警频次可以为每小时五条，当一小时内生成五条告警信息时，向用户发送一条短信，询问用户是否需要将带宽调大以及需要将带宽调节至多少，并根据用户的反馈信息，生成带宽调节指令。

步骤S206，业务服务器根据所述带宽调节指令，调节所述网络节点的带宽。

示例性地，带宽调节指令为：需要调节带宽，将当前带宽扩大两倍；业务服务器将网络节点的带宽调节到当前带宽的两倍。

在本申请实施例中，通过在所述目标告警信息的频次大于预设告警频次的情况下，生成将所述网络节点的带宽调大的带宽调节指令，调节网络节点的带宽。如此，能够根据带宽调节指令的参数，为不同用户提供定制化的带宽调整策略，提高了带宽调节的灵活性，避免了用户资源分配的带宽受限于已经分配的网络节点环境，避免了带宽资源分配不合理，导致了的带宽资源浪费。

基于如图1B所示的带宽调整系统的网络架构，本申请实施例提供一种预测链训练方法，图3为本申请实施例提供的一种预测链训练方法的流程示意图，如图3所示，所述方法至少包括以下步骤：

步骤S301，获取训练样本集合；

在一种可以实现的方式中，如图1B所示，所述训练样本集合中的训练样本可以为存储模块11中存储的至少一种流量数据。在发生拥堵时，产生拥堵的流量数据被分类存储在存储模块11中，产生拥堵的流量数据又可以被称为告警数据。这里，所述训练样本集合中的训练样本的数量级可以为10³。通过10³数量级的训练样本可以提高目标拥塞容忍系数集合的预测准确性。示例性地，选取的告警数据可以为2000条。

步骤S302，基于所述训练样本集合，确定待训练的预测链的节点顺序；所述待训练的预测链中的每一节点表征一种业务类型；

在一种可以实现的方式中，所述步骤S302，基于所述训练样本集合，确定待训练的预测链的节点顺序，包括：对所述训练样本集合中训练样本进行分类，基于每一类型训练样本产生拥堵的概率确定待训练的预测链的节点顺序。应理解，由于所述待训练的预测链中的每一节点表征一种业务类型，所述预测链的节点顺序能够表示不同业务类型可能产生拥堵的概率之间的大小关系。

示例性地，训练样本集合中包括2000条告警数据，对2000次告警数据进行分类，得到五种业务类型，如表1所示，包括：流媒体业务类型、传统数据业务类型、即时通信业务类型、P2P业务类型和其他业务类型。由于一条告警数据可以包括多种业务类型，对2000次告警数据进行分类后，得到每种业务类型出现次数如表1所示，流媒体业务类型出现1200次、传统数据业务类型出现1200次、即时通信业务类型出现1800次、P2P业务类型出现550次和其他业务类型出现260次。根据每一种业务类型出现的次数，确定每种业务类型可能产生拥堵的概率，包括：流媒体业务类型60％、传统数据业务类型60％、即时通信业务类型90％、P2P业务类型27.5％和其他业务类型13％。

表1告警数据

业务类型	出现次数	概率
			流媒体	1200	60％
传统数据	1200	60％
			即时通信	1800	90％
P2P	550	27.5％
			其他	260	13％

如表1所示，即时通信产生拥堵的概率最高为90％，因此选择即时通信为预测链的第一个节点，其次为流媒体业务类型和传统数据业务类型，在概率相同的情况下，按照表中的先后顺序确定优先级，确定流媒体业务类型为第二节点，传统数据业务类型为第三个节点，P2P业务类型为第四个节点，其他业务类型为第五个节点。

步骤S303，基于所述预测链的节点顺序，为所述待训练的预测链确定至少一个候选的拥塞容忍系数集合；

在一种可以实现的方式中，所述步骤S303，包括：获取预设的拥塞容忍系数集合，利用所述预设的拥塞容忍系数集合，为所述待训练的预测链确定至少一个候选的拥塞容忍系数集合。

应理解，所述预设的拥塞容忍系数集合为预设的初始参数集合，根据所述初始参数集合对待训练的预测链赋初值，计算出预测链中每一节点的加权流量数据，根据预设的链路带宽利用率和预设准确率阈值对初始参数进行修正，得到多个候选的拥塞容忍系数集合。

步骤S304，从所述至少一个候选的拥塞容忍系数集合中，为所述待训练的预测链确定目标拥塞容忍系数集合，得到已训练的预测链。

在一种可以实现的方式中，所述步骤S304，包括：基于所述候选的拥塞容忍系数集合中拥塞容忍系数的数量和拥塞容忍系数的数值，从所述至少一个候选的拥塞容忍系数集合中，为所述待训练的预测链确定目标拥塞容忍系数集合。

应理解，所述拥塞容忍系数的数量可以表示拥塞容忍系数集合的长短。

示例性地，如图1D所示，候选的拥塞系数集合包括4个，第一个为{1.5,1.5,1.2}；第二个为{1.5,1.5,1.3}；第三个为{1.5,1.5,1.1}；第四个为{1.5,1.5,1.5,1.3}；从4个候选的拥塞容忍系数集合中以预测率达到99％为第一原则，以预测链尽量短为第二原则，以各拥塞容忍系数尽量接近1为第三原则选取目标拥塞容忍系数集合。由于第四个和第二、三个拥塞容忍系数组合相比预测链长度较长，被排除；第二个和第三个拥塞容忍系数组合相比，第三个节点的系数1.2大于1.1，被排除。因此目标拥塞容忍系数集合为：即时通信(1.5)，流媒体业务(1.5)，传统数据业务(1.1)。

在本申请实施例中，一方面，基于所述训练样本集合，确定待训练的预测链的节点顺序；所述待训练的预测链中的每一节点表征一种业务类型。如此，能够避免在训练样本集合中出现新的业务数据类型时，重新建立预测链模型，从而避免经历数据收集的阶段才能对实时流量数据进行预测，增加了预测链的适用场景，提高了预测链的使用效率。

另一方面，基于所述候选的拥塞容忍系数集合中拥塞容忍系数的数量和拥塞容忍系数的数值，从所述至少一个候选的拥塞容忍系数集合中，为所述待训练的预测链确定目标拥塞容忍系数集合。如此，能够在预测链生成的候选的拥塞容忍系数集合中选出高预测精度的目标拥塞容忍系数集合。

图4为本申请实施例提供的一种预测链训练方法的流程示意图，如图4所示，所述方法至少包括以下步骤：

步骤S410，获取训练样本集合；

步骤S420，对所述训练样本集合中的训练样本进行分类，得到至少一个训练样本子集合；每一所述训练样本子集合对应一种业务类型；

在一种可以实现的方式中，所述步骤S420，对所述训练样本集合中的训练样本进行分类，得到至少一个训练样本子集合，包括：

步骤S421，获取预设的训练样本的业务类型；

示例性地，训练样本集合中包括2000条告警数据，对2000次告警数据进行分类，得到五种业务类型，如表1所示，包括：流媒体业务类型、传统数据业务类型、即时通信业务类型、P2P业务类型和其他业务类型。

步骤S422，在所述训练样本包括固定端口信息的情况下，根据所述固定端口信息匹配所述预设训练样本的业务类型，得到至少一个训练样本子集合；

在一种可以实现的方式中，所述固定端口信息包括文件传输协议FTP类型信息、邮件Mail类型信息、快速生成树协议RSTP类型信息和微软媒体服务器协议MMS类型信息，所述预设的训练样本的业务类型包括传统数据业务类型和流媒体业务类型，所述步骤S422，在所述训练样本包括固定端口信息的情况下，根据所述固定端口信息匹配所述预设训练样本的业务类型，包括：

在所述训练样本包括文件传输协议FTP类型信息或邮件Mail类型信息的情况下，确定所述训练样本属于所述传统数据业务类型；

在所述训练样本包括快速生成树协议RSTP类型信息或微软媒体服务器协议MMS类型信息的情况下，确定所述训练样本属于所述流媒体业务类型。

示例性地，表2为业务类型与协议类型关系表，可以根据流量数据在传输过程各种采用的协议类型对流量数据进行分类。表3为端口号、协议、协议类型关系表，在训练样本的端口号为TCP20、21的情况下，确定训练样本属于FTP协议，FTP协议属于文件传输的协议类型，文件传输的协议类型属于传统数据的业务类型。示例性地，在训练样本的端口号为SMTPTCP/UDP 25、POP3 TCP 110、IMAP TCP 143、POP3S TCP 995、IMAPS TCP 993的情况下，确定训练样本属于Mail协议，Mail协议属于邮件服务协议类型，邮件服务协议类型属于传统数据的业务类型。

示例性地，在训练样本的端口号为TCP 554的情况下，确定训练样本属于RSTP协议，RSTP协议属于RSTP协议类型，RSTP协议类型属于流媒体的业务类型。示例性地，在训练样本的端口号为TCP 1755的情况下，确定训练样本属于MMS协议，MMS协议属于MMS协议类型，MMS协议类型属于流媒体的业务类型。

表2业务类型与协议类型关系表

表3端口号、协议、协议类型关系表

步骤S423，在所述训练样本包括预设关键字的情况下，根据所述关键字匹配所述预设训练样本的业务类型，得到至少一个训练样本子集合；

在一种可以实现的方式中，所述预设关键字包括预设的线程一次连接传输控制协议(Transmission Control Protocol，TCP)模式和预设的用户数据包协议(User DatagramProtocol，UDP)报文内容，所述业务类型包括即时通信业务类型，所述步骤S423，在所述训练样本包括预设关键字的情况下，根据所述关键字匹配所述预设训练样本的业务类型，包括：

在所述训练样本的TCP模式的起始特征串、中间特征串和结尾特征串满足所述预设的TCP模式的情况下，或者，所述训练样本的UDP报文内容满足所述预设的UDP报文内容的情况下，确定所述训练样本属于所述及时通信业务类型。示例性地，在关键字为：TCP模式1起始特征串为0x0c\00\00\00\00\2b、UDP报文内容以0x02开头，0x03结尾、TCP模式2起始为0x04，结尾为0x03，采用443端口，中间有特征串为0x0c\00\00\00\2b、语音、视频：服务器中转模式UDP内容以0x04开头，0x03结尾的情况下，协议为TCP或UDP，业务类型为即时通信。

表4业务类型、协议、关键字关系表

步骤S424，在所述训练样本包括报文信息的情况下，根据所述报文信息匹配所述训练样本的业务类型，得到至少一个训练样本子集合。

在一种可以实现的方式中，所述步骤S424，在所述训练样本包括报文信息的情况下，根据所述报文信息匹配所述训练样本的业务类型，包括：

步骤S4241，获取所述报文信息与所述预设训练样本的业务类型的对应关系；所述报文信息包括：源地址、目的地址、协议类型、源端口号和目的端口号；

步骤S4242，根据所述源地址、目的地址、协议类型、源端口号和目的端口号，确定所述训练样本的哈希值；

步骤S4243，根据所述哈希值与所述对应关系，确定所述训练样本所属的业务类型。

示例性地，所述源地址、目的地址、协议类型、源端口号和目的端口号为五元组，根据五元组和业务类型对应的五元组哈希表。五元组匹配模块提取输入的流量数据的五元组，根据五元组计算哈希值，利用哈希值搜索五元组哈希表中存在的五元组，读出表中的五元组与提取的五元组进行匹配，成功则识别为对应的业务类型。示例性地，目的地址为10.14.10.2；端口为80，计算出哈希值为5；数据包对应的哈希值也为5时，认为可以匹配。

步骤S430，将每一所述训练样本子集合中的每一训练样本分别与预设的拥塞容忍系数相乘，得到至少一个加权样本集合；每一所述加权样本集合对应一业务类型；

这里所述预设的拥塞容忍系数可以为1.5值2.5范围内的任意一个数值。示例性地，预设的拥塞容忍系数为1.5时，流媒体业务类型加权流量为：10M*1.5＝15M；传统数据业务类型加权流量为：60M*1.5＝90M；即时通信业务类型加权流量为：20M*1.5＝30M；P2P业务类型加权流量为：50M*1.5＝75M。得到的加权样本集合为{15M，90M，30M，75M}。

步骤S440，确定每一所述加权样本集合中大于预设利用率阈值的样本数量；

示例性地，预设利用率阈值为80％，对于100M而言，为80M。确定出90M大于80M，样本数量为1。

步骤S450，根据所述样本数量，确定所述预设的拥塞容忍系数预测每一业务类型发生拥堵的预测准确率；

在一种可以实现的方式中，根据所述样本数量可以确定出一种业务类型的告警数据是否预测成功，利用上述方法对每一业务类型的告警数据进行判断，得到成功预测的数量，根据成功预测数量与预测总数确定每一业务类型的告警数据的预测准确率。

示例性地，当选取2000条告警数据，其中，即时通信出现次数为2000次时，对每一次即时通信类型的业务流量都进行判断，统计业务流量大于80M的次数；假设大于80M的次数为1999次，1999/2000＝99％，认为预测准确率为99％。

在一种可以实现的方式中，根据所述预测准确率能够确定预设的拥塞容忍系数是否成功预测该业务类型的拥堵。

示例性地，预测准确率小于99％时，认为该拥塞容忍系数未成功预测该业务类型的拥堵。

步骤S460，根据所有业务类型发生拥堵的预测准确率，确定待训练的预测链的节点顺序；所述待训练的预测链中的每一节点表征一种业务类型；

示例性地，由表1可知，即时通信预测率最高为90％，因此选择即时通信为预测链的第一节点。当两种业务数据预测准确率相同时，则按照表格的先后顺序确定优先级。根据以上两个原则可确定预测链的第2,3…N节点。

步骤S470，基于所述预测链的节点顺序，为所述待训练的预测链确定至少一个候选的拥塞容忍系数集合；

步骤S480，从所述至少一个候选的拥塞容忍系数集合中，为所述待训练的预测链确定目标拥塞容忍系数集合，得到已训练的预测链。

在本申请实施例中，在所述训练样本包括固定端口信息的情况下，根据所述固定端口信息匹配所述预设训练样本的业务类型，得到至少一个训练样本子集合；在所述训练样本包括预设关键字的情况下，根据所述关键字匹配所述预设训练样本的业务类型，得到至少一个训练样本子集合；在所述训练样本包括报文信息的情况下，根据所述报文信息匹配所述训练样本的业务类型，得到至少一个训练样本子集合。如此，能够通过3种识别方式识别大部分流量数据的业务类型，提高了分类的有效性。

图5为本申请实施例提供的一种预测链训练方法的流程示意图，如图5所示，所述方法至少包括以下步骤：

步骤S501，获取训练样本集合；

步骤S502，基于所述训练样本集合，确定待训练的预测链的节点顺序；所述待训练的预测链中的每一节点表征一种业务类型；

步骤S503，获取预设的拥塞容忍系数集合；所述拥塞容忍系数集合中的拥塞容忍系数为以0.5为首项，以0.1为公差，以2.5为末项的等差数列；

示例性地，预设的拥塞容忍系数集合为{0.5,0.6，0.7，…，2.5}。

步骤S504，基于所述预测链的节点顺序，将所述预测链的每一节点的流量数据分别与所述预设的拥塞容忍系数集合相乘，得到所述预测链的每一节点的加权后的流量数据；

示例性地，将{15M，90M，30M，75M}中15M与{0.5,0.6，0.7，…，2.5}中的每一个元素相乘，得到5个加权流量数据，…，90M与{0.5,0.6，0.7，…，2.5}中的每一个元素相乘，得到5个加权流量数据。

步骤S505，根据所述加权后的流量数据，确定所述预设的拥塞容忍系数集合预测所述预测链中节点发生拥堵的预测准确率；

示例性地，即时通信业务类型加权后的流量数据大于80M时，成功预测一次即时通信业务类型的拥堵。确定即时通信业务类型加权后的流量数据大于80M的次数，得到成功预测次数，根据成功预测次数和预测总次数能够确定出及时通信业务类型的预测准确率。

步骤S506，在所述预测链中节点发生拥堵的预测准确率大于所述预设准确率阈值的情况下，将所述预设的拥塞容忍系数集合确定为候选的拥塞容忍系数集合；

示例性地，在确定出即时通信业务类型的预测准确率为99％的情况下，确定出加权流量系数对应的拥塞容忍系数为候选的拥塞容忍系数集合中的元素。

在一种可能实现的方式中，在所述预测链中节点发生拥堵的预测准确率小于所述预设准确率阈值的情况下，确定其他候选的拥塞容忍系数集合。

示例性地，训练样本包括流媒体业务类型、传统数据业务类型、即时通信业务类型、P2P业务类型外的其他业务类型的情况下，拥塞容忍系数从所述预设的拥塞容忍系数中的第一个元素开始计算，按照预测链的先后顺序、以0.1为步长进行调整，如果当前节点调整到2.5依然无法达到99％的准确率，则继续调整下一节点的系数，当所有节点都调整2.5还无法满足条件，则将新的节点接入预测链，并重复确定候选的拥塞容忍系数集合步骤。

步骤S507，从所述至少一个候选的拥塞容忍系数集合中，为所述待训练的预测链确定目标拥塞容忍系数集合，得到已训练的预测链。

在本申请实施例中，获取预设的拥塞容忍系数集合；基于所述预测链的节点顺序，将所述预测链的每一节点的流量数据分别与所述预设的拥塞容忍系数集合相乘，得到所述预测链的每一节点的加权后的流量数据；根据所述加权后的流量数据，确定所述预设的拥塞容忍系数集合预测所述预测链中节点发生拥堵的预测准确率；在所述预测链中节点发生拥堵的预测准确率大于所述预设准确率阈值的情况下，将所述预设的拥塞容忍系数集合确定为候选的拥塞容忍系数集合。如此，能够通过预设的拥塞容忍系数集合进行初始赋值，并根据预设准确率阈值对用于初始赋值的拥塞容忍系数集合进行优化，确定目标拥塞容忍系数集合，得到已训练的预测链，简化预测链训练过程，提升带宽调节效率。

本申请实施例提供一种带宽调整系统的网络架构，图1B为本申请实施例提供的一种带宽调整系统的网络架构示意图，如图1B所示，系统包括：DPI模块21、存储模块11、处理模块12和控制模块13。

DPI模块21：上图中的端口识别模块211、关键字识别模块212、报文信息识别模块213称为DPI模块21。端口识别模块211根据业务的常用端口对输入流量数据的数据包的端口进行逐包匹配。早期的互联网应用使用固定的端口号，所以运营商和企业常利用固定端口号识别互联网应用。关键字识别模块212根据关键字库中的关键字逐包逐字节进行检测，将内容中含有关键字的数据包识别出来。报文信息识别模块213对包括源地址、目的地址、协议类型、源端号、目的端口号进行识别。DPI模块对输入的业务流进行逐包的识别，将输入的数据包识别到表2中5类业务的某一类。具体识别工作由端口识别模块211、关键字识别模块212、报文信息识别模块213实现。

端口识别模块211：端口识别模块211根据业务的常用端口对输入数据包的端口进行逐包匹配。识别成功，将匹配结果对应到类业务中的一种。关键字识别模块212：关键字识别模块212根据关键字库中的关键字逐包逐字节进行检测，将内容中含有关键字的数据包识别出来。对实时流量数据进行分类；根据所述分类结果，确定告警信息的类型。

报文信息识别模块213：示例性地，所述源地址、目的地址、协议类型、源端口号和目的端口号为五元组，根据五元组和业务类型对应的五元组哈希表。五元组匹配模块提取输入的流量数据的五元组，根据五元组计算哈希值，利用哈希值搜索五元组哈希表中存在的五元组，读出表中的五元组与提取的五元组进行匹配，成功则识别为对应的业务类型。

存储模块11：存储模块11主要是将识别的业务类型数据进行持久化存储，为后续分析处理流量数据提供数据支撑。

处理模块12：通过分析存储模块11保存的出现次数生成调整带宽指令。

分析链路利用率。当链路利用率达到80％以上时认为该链路是拥堵的。设定五分钟为一个监测周期，当监测周期内平均链路利用率大于80％，则产生了一次拥堵，如果半个小时内发生两次以上的拥堵，则生成一条告警记录。这些数据都会记录到存储模块11，并为数据分析提供数据支撑。

拥塞容忍系数集合中的拥塞容忍系数为以0.5为首项，以0.1为公差，以2.5为末项的等差数列。

确定预测链中节点的顺序。首先选取步骤1中保存到存储模块11中的2000次告警数据。分别将不同数据类型的业务流量乘以最大拥塞容忍系数，即1.5，得出相应的加权流量。并与链路利用率为80％的流量数值做比较，当大于80％时则认为该业务数据预测成功一次。

根据表1的分析可知，所有业务数据在1.5的系数下都无法满足99％的预测准确率。同时可以知道即时通信预测率最高，为90％，因此选择即时通信为预测链的第一节点。当两种业务数据预测准确率相同时，则按照表格的先后顺序确定优先级。根据以上两个原则可确定预测链的第2,3…N节点。

基于所述预测链的节点顺序，为所述待训练的预测链确定至少一个候选的拥塞容忍系数集合。计算过程如下：

A、从步骤3.1选择的第一预测链节点开始，以1.0为基础、0.1为步长进行系数调整，到1.5为止，即时通信业务类型加权后的流量数据大于80M时，成功预测一次即时通信业务类型的拥堵。确定即时通信业务类型加权后的流量数据大于80M的次数，得到成功预测次数，根据成功预测次数和预测总次数能够确定出及时通信业务类型的预测准确率，并用该预测链系数处理其他告警数据，统计最终的预测准确率能否达到99％。如果准确率可以达到99％，则该系数为一组有效拥塞容忍系数。

B、当有新的节点接入预测链时，所有的预测系数都调整为从1开始计算。按照预测链的先后顺序、以0.1为步长进行调整，如果当前节点调整到2.5依然无法达到99％的准确率，则继续调整下一节点的系数，当所有节点都调整2.5还无法满足条件，则将新的节点接入预测链，并重复确定候选的拥塞容忍系数集合步骤，直到计算出所有的有效拥塞容忍系数组合。

选取目标拥塞容忍系数集合。以预测率达到99％为第一原则，以预测链尽量短为第二原则，以各拥塞容忍系数尽量接近1为第三原则选取目标拥塞容忍系数集合。如下图1-2所示，第一个拥塞容忍系数组合预测准确率小于99％，因此被排除。第四个和第二、三个拥塞容忍系数组合相比预测链长度较长，被排除；第二个和第三个拥塞容忍系数组合相比，第三个节点的系数1.2大于1.1，被排除。因此目标拥塞容忍系数集合为：即时通信(1.5)，流媒体业务(1.5)，传统数据业务(1.1)。

处理模块12通过目标拥塞容忍系数进行不同业务流量的加权处理，进行快速预测，出现拥堵，则生成一条目标告警信息。

根据用户设定的告警记录阈值进行判断，例如用户设置的阈值为每小时5条，一旦某个小时内生成的告警记录大于5条，则向用户发送一条告警短信。用户可通过短信交互完成带宽调整指令的下发。

控制模块13：该模块主要负责将收到的带宽调整指令通过接口下发到路由设备20，并异步接受底层控制系统的回调消息，完成带宽调整流程的整个过程。在目前的云专网模型中，一个接入侧会虚拟成一个逻辑的接入点(Endpoint)，一个Endpoint对应于两个路由设备20，两个设备分别为主备，起到高可用作用。设备的接入点分别用NetworkAccessId代表，因此调整路由设备20的带宽需要指定对应的Endpoint和NetworkAccessId，以及对应的设备流量方向即可。下发的指定用json形式指定。大概的格式如下所示：

其中，direction代表流量的方向，ingress为入向流量，engress为出向流量。Wsid为工单唯一标识，用来系统交互。qos-profile-id代表配置的带宽大小。callback_url代表外部系统回调的地址。

基于前述的实施例，本申请实施例再提供一种带宽调整装置，所述控制装置包括所包括的各模块，可以通过电子设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(Central Processing Unit，CPU)、微处理器(Micro Processing Unit，MPU)、数字信号处理器(Digital Signal Processor，DSP)或现场可编程门阵列(Field Programmable Gate Array，FPGA)等。

图6为本申请实施例提供的一种带宽调整装置的组成结构示意图，如图6所示，所述装置600包括获取模块610、预测模块620、加权模块630、控制模块640，其中：

获取模块610，用于获取网络节点的实时流量数据；

预测模块620，用于基于所述实时流量数据所包括的至少一种业务类型，利用已训练的预测链的目标拥塞容忍系数集合，得到所述实时流量数据的拥塞容忍系数集合；所述目标拥塞容忍系数集合中每一拥塞容忍系数为所述已训练的预测链中对应节点表征的业务类型发生网络拥塞的系数；

加权模块630，用于基于所述实时流量数据的拥塞容忍系数集合和所述实时流量数据，确定实时加权流量数据；

控制模块640，用于基于所述实时加权流量数据，生成带宽调节指令。

在一种可以实现的方式中，所述控制模块640还用于在所述实时加权流量数据大于预设拥堵条件的情况下，生成目标告警信息；在所述目标告警信息的频次大于预设告警频次的情况下，生成将所述网络节点的带宽调大的带宽调节指令；所述装置600还包括调节模块，用于根据所述带宽调节指令，调节所述网络节点的带宽。

基于前述的实施例，本申请实施例再提供一种预测链训练装置，所述控制装置包括所包括的各模块可以通过电子设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(Central Processing Unit，CPU)、微处理器(Micro Processing Unit，MPU)、数字信号处理器(Digital Signal Processor，DSP)或现场可编程门阵列(Field Programmable Gate Array，FPGA)等。

图7为本申请实施例提供的一种预测链训练装置的组成结构示意图，如图7所示，所述装置700包括获取模块710、排序模块720、加权模块730和确定模块740，其中：

获取模块710，用于获取训练样本集合；

排序模块720，用于基于所述训练样本集合，确定待训练的预测链的节点顺序；所述待训练的预测链中的每一节点表征一种业务类型；

加权模块730，用于基于所述预测链的节点顺序，为所述待训练的预测链确定至少一个候选的拥塞容忍系数集合；

确定模块740，用于从所述至少一个候选的拥塞容忍系数集合中，为所述待训练的预测链确定目标拥塞容忍系数集合，得到已训练的预测链。

在一种可以实现的方式中，所述排序模块720，还用于对所述训练样本集合中的训练样本进行分类，得到至少一个训练样本子集合；每一所述训练样本子集合对应一种业务类型；将每一所述训练样本子集合中的每一训练样本分别与预设的拥塞容忍系数相乘，得到至少一个加权样本集合；每一所述加权样本集合对应一业务类型；确定每一所述加权样本集合中大于预设利用率阈值的样本数量；根据所述样本数量，确定所述预设的拥塞容忍系数预测每一业务类型发生拥堵的预测准确率；根据所有业务类型发生拥堵的预测准确率，确定待训练的预测链的节点顺序。

在一种可以实现的方式中，所述加权模块730，还用于获取预设的拥塞容忍系数集合；所述拥塞容忍系数集合中的拥塞容忍系数为以0.5为首项，以0.1为公差，以2.5为末项的等差数列；基于所述预测链的节点顺序，将所述预测链的每一节点的流量数据分别与所述预设的拥塞容忍系数集合相乘，得到所述预测链的每一节点的加权后的流量数据；根据所述加权后的流量数据，确定所述预设的拥塞容忍系数集合预测所述预测链中节点发生拥堵的预测准确率；在所述预测链中节点发生拥堵的预测准确率大于所述预设准确率阈值的情况下，将所述预设的拥塞容忍系数集合确定为候选的拥塞容忍系数集合。

在一种可以实现的方式中，所述确定模块740，还用于基于所述候选的拥塞容忍系数集合中拥塞容忍系数的数量和拥塞容忍系数的数值，从所述至少一个候选的拥塞容忍系数集合中，为所述待训练的预测链确定目标拥塞容忍系数集合。

这里需要指出的是：以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得电子设备(可以是具有摄像头的智能手机、平板电脑等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

对应地，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中任一所述方法中的步骤。

对应地，本申请实施例中，还提供了一种芯片，所述芯片包括可编程逻辑电路和/或程序指令，当所述芯片运行时，用于实现上述实施例中任一所述方法中的步骤。

对应地，本申请实施例中，还提供了一种计算机程序产品，当该计算机程序产品被电子设备的处理器执行时，其用于实现上述实施例中任一所述方法中的步骤。

基于同一技术构思，本申请实施例提供一种电子设备，用于实施上述方法实施例记载的带宽调整方法。图8为本申请实施例提供的一种电子设备的硬件实体示意图，如图8所示，所述电子设备800包括存储器810和处理器820，所述存储器810存储有可在处理器820上运行的计算机程序，所述处理器820执行所述程序时实现本申请实施例任一所述方法中的步骤。

存储器810配置为存储由处理器820可执行的指令和应用，还可以缓存待处理器820以及电子设备中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random Access Memory，RAM)实现。

处理器820执行程序时实现上述任一项方法的步骤。处理器820通常控制电子设备800的总体操作。

上述处理器可以为特定用途集成电路(应用程序lication Specific IntegratedCircuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(Programmable LogicDevice，PLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。

上述计算机存储介质/存储器可以是只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器；也可以是包括上述存储器之一或任意组合的各种电子设备，如移动电话、计算机、平板设备、个人数字助理等。

这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

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。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本申请实施例方案的目的。

另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得设备自动测试线执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。

本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。

以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种带宽调整方法，其特征在于，所述方法包括：

获取网络节点的实时流量数据；

基于所述实时流量数据所包括的至少一种业务类型，利用已训练的预测链的目标拥塞容忍系数集合，得到所述实时流量数据的拥塞容忍系数集合；所述目标拥塞容忍系数集合中每一拥塞容忍系数为所述已训练的预测链中对应节点表征的业务类型发生网络拥塞的系数；

基于所述实时流量数据的拥塞容忍系数集合和所述实时流量数据，确定实时加权流量数据；

基于所述实时加权流量数据，生成带宽调节指令。

2.如权利要求1所述的方法，其特征在于，所述基于所述实时加权流量数据，生成带宽调节指令，包括：

在所述实时加权流量数据大于预设拥堵条件的情况下，生成目标告警信息；

在所述目标告警信息的频次大于预设告警频次的情况下，生成将所述网络节点的带宽调大的带宽调节指令；

所述方法还包括：

根据所述带宽调节指令，调节所述网络节点的带宽。

3.一种预测链训练方法，其特征在于，所述方法包括：

获取训练样本集合；

基于所述训练样本集合，确定待训练的预测链的节点顺序；所述待训练的预测链中的每一节点表征一种业务类型；

基于所述预测链的节点顺序，为所述待训练的预测链确定至少一个候选的拥塞容忍系数集合；

从所述至少一个候选的拥塞容忍系数集合中，为所述待训练的预测链确定目标拥塞容忍系数集合，得到已训练的预测链。

4.如权利要求3所述的方法，其特征在于，所述基于所述训练样本集合，确定待训练的预测链的节点顺序，包括：

对所述训练样本集合中的训练样本进行分类，得到至少一个训练样本子集合；每一所述训练样本子集合对应一种业务类型；

将每一所述训练样本子集合中的每一训练样本分别与预设的拥塞容忍系数相乘，得到至少一个加权样本集合；每一所述加权样本集合对应一业务类型；

确定每一所述加权样本集合中大于预设利用率阈值的样本数量；

根据所述样本数量，确定所述预设的拥塞容忍系数预测每一业务类型发生拥堵的预测准确率；

根据所有业务类型发生拥堵的预测准确率，确定待训练的预测链的节点顺序。

5.如权利要求3所述的方法，其特征在于，所述基于所述预测链的节点顺序，为所述待训练的预测链确定至少一个候选的拥塞容忍系数集合，包括：

获取预设的拥塞容忍系数集合；所述拥塞容忍系数集合中的拥塞容忍系数为以0.5为首项，以0.1为公差，以2.5为末项的等差数列；

基于所述预测链的节点顺序，将所述预测链的每一节点的流量数据分别与所述预设的拥塞容忍系数集合相乘，得到所述预测链的每一节点的加权后的流量数据；

根据所述加权后的流量数据，确定所述预设的拥塞容忍系数集合预测所述预测链中节点发生拥堵的预测准确率；

在所述预测链中节点发生拥堵的预测准确率大于所述预设准确率阈值的情况下，将所述预设的拥塞容忍系数集合确定为候选的拥塞容忍系数集合。

6.如权利要求3所述的方法，其特征在于，所述从所述至少一个候选的拥塞容忍系数集合中，为所述待训练的预测链确定目标拥塞容忍系数集合，得到已训练的预测链，包括：

基于所述候选的拥塞容忍系数集合中拥塞容忍系数的数量和拥塞容忍系数的数值，从所述至少一个候选的拥塞容忍系数集合中，为所述待训练的预测链确定目标拥塞容忍系数集合。

7.一种带宽调整装置，其特征在于，所述装置包括：

获取模块，用于获取网络节点的实时流量数据；

预测模块，用于基于所述实时流量数据所包括的至少一种业务类型，利用已训练的预测链的目标拥塞容忍系数集合，得到所述实时流量数据的拥塞容忍系数集合；所述目标拥塞容忍系数集合中每一拥塞容忍系数为所述已训练的预测链中对应节点表征的业务类型发生网络拥塞的系数；

加权模块，用于基于所述实时流量数据的拥塞容忍系数集合和所述实时流量数据，确定实时加权流量数据；

控制模块，用于基于所述实时加权流量数据，生成带宽调节指令。

8.一种预测链训练装置，其特征在于，所述装置包括：

获取模块，用于获取训练样本集合；

排序模块，用于基于所述训练样本集合，确定待训练的预测链的节点顺序；所述待训练的预测链中的每一节点表征一种业务类型；

加权模块，用于基于所述预测链的节点顺序，为所述待训练的预测链确定至少一个候选的拥塞容忍系数集合；

确定模块，用于从所述至少一个候选的拥塞容忍系数集合中，为所述待训练的预测链确定目标拥塞容忍系数集合，得到已训练的预测链。

9.一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6任一项所述方法中的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述方法中的步骤。

Images