[发明专利]模型训练方法、流量预测方法、流量负载均衡的方法、装置及存储介质

说明书

本发明公开了一种模型训练方法、流量预测方法、流量负载均衡的方法、装置及存储介质。其中流量预测方法，包括：获取历史流量数据，所述历史流量数据包括多个第一历史流量特征及其对应的真实流量数据；将所述历史流量数据输入至第一机器学习模型进行流量预测，得到预测流量结果以及所述预测流量结果的准确度级别。借助本发明提供的技术方案，结合对网络流量的预测与对预测结果的评级，不仅得到预测结果，同时提供了针对预测结果可信度的数据，使得可以根据评级结果更快速地针对不同网络状态而进行运维处理。

技术领域

本发明涉及网络运维技术领域，尤其是一种模型训练方法、流量预测方法、流量负载均衡的方法、装置及存储介质。

背景技术

随着互联网的飞速发展和人们日益增长的网络业务使用，网络经常需要进行扩容。网络扩容指因业务需要，在原有的拓扑网络中增加站点或对部分链路增加带宽等增加网络容量的工程。扩容过程看似简单，但实际上是一个需要软硬件相互结合的复杂操作过程。除了在硬件层面上需要进行断纤、增加站点、连纤的操作外，软件层面上还需要在网管上进行相关的数据配置。在现有方案中，从承载网的运营商反馈来看，运营商需要三个月左右的时间才能完成一次局部扩容。综合而言当前的扩容方式至少存在有以下不足：1)传统的被动式扩容，需要网络发生拥塞后才进行，而整个扩容周期可能长达三个月，期间因为延误而有可能造成重大损失；2)当今网络流量的不均衡分布日益严重，常会出现局部链路拥塞，但是其余链路轻载的情况，现有方案无法迅速找到准确的瓶颈点；3)热点区域流量增长迅速，传统的被动式扩容的方式需要进行反复扩容，因此造成资源浪费。基于上述扩容需求的背景下，网络流量预测的需求相应产生。根据端口、链路、环等对象的历史流量数据(现有方案的采集周期为天，即每天采集数据)，利用机器学习方法学习到各对象的流量变化规律，以预测未来中长期(3个月以上)的流量数据。通过预测的未来流量，判断流量拥塞情况，进而进行针对性的进行扩容。

并且，由于不同场景下用户行为的不确定性，导致网络中可能同时存在超忙区域与超闲区域。超忙区域导致拥塞率上升、业务质量下降；超闲区域使得资源利用率过低，资源浪费严重。所谓负载均衡，是指通过一定的协调，降低超忙区域的利用率、提高超闲区域的利用率，使得各区域负荷分担更加均衡，在区域资源利用率和业务质量之间寻找到一个合适的平衡点。现有的负载均衡方案基于当前网络的情况进行负载均衡，这会导致现有的负载均衡方案没有前瞻性。由于流量本身具有周期性，没有前瞻性的负载均衡方案只会在当前很短的时间内起作用，无法长期有效。基于流量预测的负载均衡方案可以解决该问题，因此需要提出一种流量预测方法，其可以预测未来中长期的(3个月以上)流量数据，以此指导负载均衡，达到中长期负载均衡的目的。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供了一种模型训练方法、流量预测方法、流量负载均衡的方法、装置及存储介质，能够预测未来中长期的流量数据，以此指导负载均衡，达到中长期负载均衡的目的，并且结合对网络流量的预测与对预测结果的评级，不仅给予预测结果，同时提供了针对预测结果可信度的数据，使得可以根据评级结果更快速地针对不同网络状态而进行运维处理。

第一方面，本发明实施例提供了一种模型训练方法，包括：

获取历史流量数据，所述历史流量数据包括多个第一历史流量特征及其对应的真实流量数据；

将所述历史流量数据输入至第一机器学习模型进行流量预测，得到预测流量结果以及所述预测流量结果的准确度级别；

根据所述预测流量结果、所述真实流量数据和所述准确度级别对所述第一机器学习模型的参数进行修正。

第二方面，本发明实施例提供了一种流量预测方法，包括：

获取历史流量数据，所述历史流量数据包括多个第一历史流量特征及其对应的真实流量数据；