[发明专利]一种预测虚拟网络资源状态的方法及装置

权利要求书

1.一种预测虚拟网络资源状态的方法，其特征在于，包括：

获得由不同历史时刻下与服务质量元素对应的历史质量监控数据以及与虚拟网络元素对应的历史资源状态监控数据组成的历史数据集；

将所述服务质量元素与所述虚拟网络元素定义为贝叶斯网络节点，利用历史数据集进行贝叶斯网络学习，构建出节点间具有有向关系的贝叶斯网络，其中，所述贝叶斯网络中的每个节点具有由所述历史数据集计算出的、对应的条件概率表；

利用所述贝叶斯网络中节点间的有向关系以及节点对应的条件概率表，查找出当指定服务质量元素对应的节点取值在给定质量数值的情况下，所述虚拟网络元素对应的节点具有最大概率的取值，该具有最大概率的取值为所述虚拟网络元素的预测资源状态数据。

2.根据权利要求1所述的方法，其特征在于，还包括，通过以下步骤获得不同历史时刻下与虚拟网络元素对应的历史资源状态监控数据：

获得在所述不同历史时刻采集到的与虚拟网络元素对应的历史资源利用率监控数据；

针对每个虚拟网络元素在每个历史时刻对应的历史资源利用率监控数据，根据预置的、当历史资源利用率监控数据大于资源利用率对应的上限阈值时、当小于等于所述上限阈值且大于资源利用率对应的下限阈值时、当小于等于所述下限阈值时，分别对应的不同历史资源状态监控数据，得到每个虚拟网络元素在每个历史时刻对应的历史资源状态监控数据。

3.根据权利要求1所述的方法，其特征在于，还包括，通过以下步骤获得不同历史时刻下与服务质量元素对应的历史质量监控数据：

获得不同历史时刻采集到的与服务质量元素对应的详细质量监控数据；

针对每个服务质量元素，通过将该服务质量元素在不同历史时刻采集到的详细质量监控数据按预置的各个取值范围进行离散化处理，确定出每个服务质量元素在不同历史时刻分别对应的取值范围；

将每个服务质量元素在每个历史时刻对应的取值范围，作为该服务质量元素在该历史时刻采集到的历史质量监控数据。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述虚拟网络元素的预测资源状态数据包括：不足、满足或超配；

且还包括：如果所述虚拟网络元素的预测资源状态数据为不足或超配，针对所述虚拟网络元素生成资源重配置请求。

5.根据权利要求4所述的方法，其特征在于，所述如果虚拟网络元素的预测资源状态数据为不足或超配，针对所述虚拟网络元素生成资源重配置请求包括：

如果所述虚拟网络元素对应的节点具有最大概率的资源状态数据为不足，根据ΔR(r)＝(x_r,Δt-σ^u+μ)R(r)计算出在t₂时刻需要追加的资源量ΔR(r)，其中，Δt＝t₂-t₁，表示t₂时刻距之前的t₁时刻之间的时间间隔，x_r,Δt是在时间间隔Δt内采样的平均资源利用率，σu^是资源利用率对应的上限阈值，R(r)是所述虚拟网络元素在t₁时刻的实际资源分配量，μ是为防止资源重配置调整幅度过小而设置的常数；

如果所述虚拟网络元素对应的节点具有最大概率的资源状态数据为超配，根据ΔR(r)＝(σ^l-x_r,Δt-μ)R(r)计算出在t₂时刻需要释放的资源量ΔR(r)，其中，σ^l是资源利用率对应的下限阈值。

6.一种预测虚拟网络资源状态的装置，其特征在于，包括：

数据集获取单元，用于获得由不同历史时刻下与服务质量元素对应的历史质量监控数据以及与虚拟网络元素对应的历史资源状态监控数据组成的历史数据集；

贝叶斯网络构建单元，用于将所述服务质量元素与所述虚拟网络元素定义为贝叶斯网络节点，利用历史数据集进行贝叶斯网络学习，构建出节点间具有有向关系的贝叶斯网络，其中，所述贝叶斯网络中的每个节点具有由所述历史数据集计算出的、对应的条件概率表；

预测数据计算单元，用于利用所述贝叶斯网络中节点间的有向关系以及节点对应的条件概率表，查找出当指定服务质量元素对应的节点取值在给定质量数值的情况下，所述虚拟网络元素对应的节点具有最大概率的取值，该具有最大概率的取值为所述虚拟网络元素的预测资源状态数据。