业务流量的预测方法和装置与流程

1.本公开涉及通信技术领域，特别涉及一种业务流量的预测方法、业务流量的预测装置和非易失性计算机可读存储介质。


背景技术：

2.随着通信技术的发展，网络可以承载多种类型的业务。例如，视频业务是建立在宽带互联网和移动互联网之上的向社会公众开放的一种新的视频业务。因此，随着各种类型的业务流量的激增，通过流量预测对cdn(content delivery network，内容分发网络)资源进行部署，对于业务承载起到尤为关键的作用。
3.在相关技术中，根据一段连续时间内的历史流量，预测未来流量。


技术实现要素：

4.本公开的发明人发现上述相关技术中存在如下问题：采用统一的历史流量样本进行预测，无法适应非均衡的流量变化，导致流量预测不准确。
5.鉴于此，本公开提出了一种业务流量的预测技术方案，能够适应非均衡的流量变化，提高流量预测的准确性。
6.根据本公开的一些实施例，提供了一种业务流量的预测方法，包括：根据待预测业务的相关信息，利用机器学习模型，确定待预测业务的热度参数；在热度参数小于阈值的情况下，根据历史日常流量数据，确定预测日常流量作为待预测业务的预测流量；在热度参数大于或等于阈值的情况下，根据历史热点流量数据确定预测热点流量，根据预测热点流量和预测日常流量确定预测流量。
7.在一些实施例中，根据待预测业务的相关信息，利用机器学习模型，确定待预测业务的热度参数包括如下步骤的至少一项：根据获取的待预测业务中相关人物的舆情信息，利用自然语言处理模型，确定热度参数；根据获取的待预测业务的评论信息，利用自然语言处理模型，确定热度参数；或者根据获取的待预测业务的类型的关注程度，确定热度参数。
8.在一些实施例中，在热度参数小于阈值的情况下，根据历史日常流量数据，确定预测日常流量作为待预测业务的预测流量包括：根据待预测业务的时间信息与各历史日常流量数据的时间信息的匹配情况，确定各历史日常流量数据的权重；根据各历史日常流量数据的加权和，确定预测流量。
9.在一些实施例中，根据待预测业务的时间信息与各历史日常流量数据的时间信息的匹配情况，确定各历史日常流量数据的权重包括如下步骤中的至少一项：根据待预测业务的发生时间与各历史日常流量数据的发生时间是否同为工作日或同为休息日，确定各历史日常流量数据的权重；根据待预测业务的发生时间与各历史日常流量数据的发生时间是否处于同一季节，确定各历史日常流量数据的权重；或者根据待预测业务的发生时间与各历史日常流量数据的发生时间的时间间隔，确定各历史日常流量数据的权重，权重与时间间隔负相关。
10.在一些实施例中，在热度参数大于或等于阈值的情况下，根据历史热点流量数据确定预测热点流量，根据预测热点流量和预测日常流量确定预测流量包括：根据各历史热点流量数据的热度参数与待预测业务的热度参数的匹配情况，在各历史热点流量数据中确定候选历史流量数据；根据各候选历史流量数据的加权平均值，确定预测热点流量。
11.在一些实施例中，该方法还包括：根据预测流量，确定vcdn(virtual content delivery network，虚拟内容分发网络)的部署策略。
12.在一些实施例中，根据预测流量，确定虚拟内容分发网络的部署策略包括：根据预测流量，确定虚拟内容分发网络节点的预留虚拟化资源。
13.根据本公开的另一些实施例，提供一种业务流量的预测装置，包括：热度确定单元，用于根据待预测业务的相关信息，利用机器学习模型，确定待预测业务的热度参数；预测单元，用于在热度参数小于阈值的情况下，根据历史日常流量数据，确定预测日常流量作为待预测业务的预测流量，在热度参数大于或等于阈值的情况下，根据历史热点流量数据确定预测热点流量，根据预测热点流量和预测日常流量确定预测流量。
14.在一些实施例中，热度确定单元执行如下步骤的至少一项确定待预测业务的热度参数：根据获取的待预测业务中相关人物的舆情信息，利用自然语言处理模型，确定热度参数；根据获取的待预测业务的评论信息，利用自然语言处理模型，确定热度参数；或者根据获取的待预测业务的类型的关注程度，确定热度参数。
15.在一些实施例中，预测单元根据待预测业务的时间信息与各历史日常流量数据的时间信息的匹配情况，确定各历史日常流量数据的权重，根据各历史日常流量数据的加权和，确定预测流量。
16.在一些实施例中，预测单元执行如下步骤中的至少一项确定各历史日常流量数据的权重：根据待预测业务的发生时间与各历史日常流量数据的发生时间是否同为工作日或同为休息日，确定各历史日常流量数据的权重；根据待预测业务的发生时间与各历史日常流量数据的发生时间是否处于同一季节，确定各历史日常流量数据的权重；或者根据待预测业务的发生时间与各历史日常流量数据的发生时间的时间间隔，确定各历史日常流量数据的权重，权重与时间间隔负相关。
17.在一些实施例中，预测单元根据各历史热点流量数据的热度参数与待预测业务的热度参数的匹配情况，在各历史热点流量数据中确定候选历史流量数据，根据各候选历史流量数据的加权平均值，确定预测热点流量。
18.在一些实施例中，该装置还包括：部署单元，用于根据预测流量，确定虚拟内容分发网络的部署策略。
19.在一些实施例中，部署单元根据预测流量，确定虚拟内容分发网络节点的预留虚拟化资源。
20.根据本公开的又一些实施例，提供一种业务流量的预测装置，包括：存储器；和耦接至存储器的处理器，处理器被配置为基于存储在存储器装置中的指令，执行上述任一个实施例中的业务流量的预测方法。
21.根据本公开的再一些实施例，提供一种非易失性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一个实施例中的业务流量的预测方法。
22.在上述实施例中，将作为预测依据的历史流量数据划分为历史日常流量数据和历
史热点流量数据，并根据待预测业务的热度参数，确定采用哪类历史流量数据进行流量预测。这样，可以根据业务热度调整预测方式以适应非均衡的流量变化，从而提高流量预测的准确性。
附图说明
23.构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
24.参照附图，根据下面的详细描述，可以更加清楚地理解本公开：
25.图1示出本公开的业务流量的预测方法的一些实施例的流程图；
26.图2示出本公开的业务流量的预测装置的一些实施例的示意图；
27.图3示出本公开的业务流量的预测方法的另一些实施例的流程图；
28.图4示出本公开的业务流量的预测装置的一些实施例的框图；
29.图5示出本公开的业务流量的预测装置的另一些实施例的框图；
30.图6示出本公开的业务流量的预测的又一些实施例的框图。
具体实施方式
31.现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
32.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
33.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
34.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为授权说明书的一部分。
35.在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
36.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
37.如前所述，网络业务(如视频业务)的访问量不是均衡的。例如，在工作日，白天用户请求视频播放量很少，cdn访问压力较小；晚上8～10点是视频业务的高峰，cdn访问压力会增大；休息日和工作日的视频流量曲线也会存在明显差异。
38.因此，如果忽略特定时间效应对历史流量数据的影响，不加区分地将工作日、休息日的数据都直接作为预测未来某一天流量的训练样本，会造成预测误差，从而导致cdn的部署效果差。
39.例如，对于一些突发性高峰流量，如国际体育赛事夺冠时刻、巨星大型演唱会、春节晚会某个小品引发的收视爆点、电视剧大结局等，会使得访问量爆增，从而导致cdn陷入瘫痪。
40.例如，为了应对这些周期性和突发性的高峰流量，如果按照峰值流量要求来配置
cdn资源，会造成cdn资源在空闲时段的浪费，并伴随着大量不必要的能耗和运维开销。
41.针对上述技术问题，本公开提出一种高效和灵活的cdn网络流量预测机制，以实现vcdn带宽资源自动化灵活弹性扩缩容，保障cdn整体性能和用户体验质量。
42.在一些实施例中，建立基于时间效应的忙闲时日常cdn流量基线模型。并且，针对热点事件日，通过深度学习对视频属性进行量化统计和挖掘热点事件的规律，实现热点事件日的准确预测。
43.通过设计的“日常”和“突发热点事件日”综合的“流量日历模型”，预设置vcdn资源自动化调整策略，以便在突发流量下进行自动、快速的弹性部署vcdn节点。从而达到提高vcdn整体性能和利用率的目的，降低网络阻塞的风险。例如，可以通过如下的实施例实现本公开的技术方案。
44.图1示出本公开的业务流量的预测方法的一些实施例的流程图。
45.如图1所示，该方法包括：步骤110，确定热度参数；步骤120，预测日常流量作为预测结果；和步骤130，预测日常流量和热点流量作为预测结果。
46.在步骤110中，根据待预测业务的相关信息，利用机器学习模型，确定待预测业务的热度参数。例如，热度参数用于部署评估待预测业务的流量需求，热度参数越高流量需求越大。
47.在一些实施例中，相关信息可以包括从第三方平台获取的关于业务的评价数据。例如，待预测业务可以为视频业务。评价数据可以包括该视频业务涉及的人物的舆论数据、用户对该视频业务的评论数据、该类型(如体育类、剧集类等)的视频业务的关注程度等。
48.在一些实施例中，确定待预测业务的热度参数包括如下步骤的至少一项：根据获取的待预测业务中相关人物的舆情信息，利用自然语言处理模型，确定热度参数；根据获取的待预测业务的评论信息，利用自然语言处理模型，确定热度参数；或者根据获取的待预测业务的类型的关注程度，确定热度参数。
49.例如，可以根据舆情信息、评论信息、关注程度三者确定的热度参数的加权和确定最终使用的热度参数。
50.在步骤120中，在热度参数小于阈值的情况下，根据历史日常流量数据，确定预测日常流量作为待预测业务的预测流量。
51.在一些实施例中，根据待预测业务的时间信息与各历史日常流量数据的时间信息的匹配情况，确定各历史日常流量数据的权重；根据各历史日常流量数据的加权和，确定预测流量。
52.在一些实施例中，确定各历史日常流量数据的权重包括如下步骤中的至少一项：根据待预测业务的发生时间与各历史日常流量数据的发生时间是否同为工作日或同为休息日，确定各历史日常流量数据的权重；根据待预测业务的发生时间与各历史日常流量数据的发生时间是否处于同一季节，确定各历史日常流量数据的权重；或者根据待预测业务的发生时间与各历史日常流量数据的发生时间的时间间隔，确定各历史日常流量数据的权重。权重与时间间隔负相关。
53.例如，可以根据是否同为工作日或同为休息日、是否处于同一季节、时间间隔三者确定的权重，确定最终使用的权重(如乘积)。
54.在步骤130中，在热度参数大于或等于阈值的情况下，根据历史热点流量数据确定
预测热点流量，根据预测热点流量和预测日常流量确定预测流量。
55.在一些实施例中，根据各历史热点流量数据的热度参数与待预测业务的热度参数的匹配情况，在各历史热点流量数据中确定候选历史流量数据；根据各候选历史流量数据的加权平均值，确定预测热点流量。
56.例如，在各历史热点流量数据中，搜索热度参数与待预测业务的热度参数相等的历史热点流量数据作为候选历史流量数据。
57.在一些实施例中，根据预测流量，确定虚拟内容分发网络的部署策略。例如，根据预测流量，确定虚拟内容分发网络节点的预留虚拟化资源。
58.图2示出本公开的业务流量的预测装置的一些实施例的示意图。
59.如图2所示，业务流量的预测装置可以包括数据流处理模块、流量日历模型生成模块、热点事件日检测模块、流量预测模块、弹性扩缩容策略应用模块等。
60.在一些实施例中，数据流处理模块可以通过探针、网管等方式采集cdn的历史流量数据(如过去1～3年的流量数据)。例如，可以根据流量的大小、相应的业务等，将历史流量数据分为日常流量数据和突发热点事件日流量数据。
61.例如，数据流处理模块还可以接收第三方提供的历史流量数据的相关信息，如舆情信息、评价信息、关注程度等。
62.在一些实施例中，热点事件日检测模块可有利用深度学习模型计算视频属性值作为热度参数。例如，深度学习模型可以为cnn(convolutional neural networks，卷积神经网络)、rnn(recurrent neural network，循环神经网络)、mlp(multi-layer perceptron，多层感知器)等。
63.例如，若视频属性值大于或等于阈值β0，热点事件日检测模块确定待预测业务想要部署的未来某个日期为热点事件日。
64.在一些实施例中，流量日历模型生成模块根据历史流量数据的部署日的工作日属性、季节属性、时间衰减属性等时间因素，挖掘流量大小与部署日期的关联关系。根据该关联关系建模，得到日期特征基线流量模型。采用此模型预测未来某个日期的流量大小。
65.例如，通过与待预测业务的部署日具有相同视频属性值的所有突发热点事件日的历史流量数据，预测未来热点事件日的流量数据。从而，形成“日常流量” “突发热点事件日突发流量”综合的“流量日历模型”。
66.在一些实施例中，流量预测模块根据生成的流量日历模型，预测未来日期的流量值。
67.在一些实施例中，弹性扩缩容策略应用模块根据预测出的流量值，预设置vcdn自动部署计划。例如，可以预配置相应的vcdn弹性扩缩容策略，为cdn节点预留虚拟化资源(如中央处理器、内存、存储等资源)，以便快速配置虚拟机业务。这样，可以将虚拟资源扩容到现有cdn节点中，以及时分摊流量压力。
68.图3示出本公开的业务流量的预测方法的另一些实施例的流程图。
69.如图3所示，在步骤310中，从历史连续时间流量数据划分出历史日常事件日流量数据。
70.在步骤320中，利用日常预测模型，获取未来时间的日常流量预测值。
71.在一些实施例中，日常流量模型利用历史日常流量l1，
……
ln，
……
ln的加权和，表
征需要预测的未来时间段t的流量p
daily
(t)。例如，可以采用时间因子(周内关联系数α
1n
、季节关联系数α
2n
、时间衰减系数α
3n
)来确定各个历史流量的权重，以计算p
daily
(t)：
[0072][0073]
在一些实施例中，可以根据一周中不同的日期之间的相关性设置周内关联系数。例如，工作日之间或者休息日之间的相关性，高于工作日与休息日之间的相关性，即周内关联系数交大。
[0074]
例如，历史流量的历史部署日期为星期五，待预测流量的未来部署日期也为星期五，周内关联系数取得最大值(如为1)。历史流量的历史部署日期为星期五(工作日)，待预测流量的未来部署日期为星期日(休息日)，周内关联系数为[0,1]之间的实数(如根据cdn流量实际运营情况设置)。
[0075]
即使历史部署日期和未来部署日期都是休息日，但二者处于不同的季节，对于视频的访问请求流量会存在很大差异。例如，春夏季运动、爬山等户外活动较多，用户对于观看视频的流量需求会有所降低。因此，还可以设置季节关联系数。
[0076]
在一些实施例中，根据历史部署日期和未来部署日期是否处于同一季节设置季节关联系数。
[0077]
例如，历史部署日期和未来部署日期同为夏季，季节关联系数取得最大值(如1)。历史部署日期和为冬季，未来部署日期为夏季其季节关联系数为[0,1]之间的实数(如根据cdn流量实际运营情况设置)。
[0078]
虑到随着大量时间推移,时间过于久远的历史流量数据对未来流量的相关性影响会逐渐衰减的事实，可以设置时间衰减函数用于计算时间衰减系数。
[0079]
在一些实施例中，时间衰减函数为：
[0080]
g(t)＝a-b(t-i)
[0081]
a是根据实际情况设置的调节参数(如可以为常数指数函数的底数)，b是根据实际情况设置的衰减因子，i是历史部署日期，t是未来部署日期。
[0082]
在步骤330中，从历史连续时间流量数据划分出史突发热点事件日流量数据。
[0083]
在步骤340中，利用突发流量预测模型，获取未来时间的突发流量预测值。
[0084]
在一些实施例中，根据与待预测业务具有相同视频属性值的各历史突发热点事件日流量数据ls的平均值，确定突发流量预测模型用于预测突发流量预测值p
hotspot
(t)：
[0085][0086]
ls为视频属性值为s的历史突发热点事件日流量数据，l为待预测业务的食品属性值，num()为计算数量。例如，视频属性值s可以为：
[0087]
s＝l＝人物量化值 类型量化值 口碑量化值
[0088]
例如，人物量化值表示对视频中的关键人物(如演员、主持人、运动员等)的关注程度。可以通过第三方渠道获取该人物相关的舆情信息，通过基于自然语言处理的深度学习模型输出人物量化值。
[0089]
人物量化值越高关键人物越受关注，未来潜在流量越高。人物量化值为[0,1]之间
的实数，0表示极度不关注该人物，1表示非常关注视频中的人物。
[0090]
例如，类型量化值表示对视频类型(如体育赛事、科幻电影、古装电视剧等)的关注程度。可以通过视频网站等第三方平台获取对视频类型的统计数据，以确定类型量化值。
[0091]
类型量化值越高，该视频类型越受关注，带来的未来潜在流量越高。类型量化值取值范围为[0,1]之间的实数，0表示极度不关注这一类型的视频，1表示非常关注这一类型的视频。
[0092]
例如，根据第三方渠道获取对待预测业务的评论数据、相关报道信息等，通过基于自然语言处理的深度学习模型，输出口碑量化值。
[0093]
口碑量化值越高，该业务的口碑越正面(关注度越高)，带来的未来潜在流量越高。口碑量化值的取值范围为[0,1]之间的实数，0表示该视频评价或口碑极差，1表示该视频口碑极佳。
[0094]
建立了上面的预测模型后，，额可以通过步骤371～步骤377预测流量。
[0095]
在步骤371中，通过监控第三方平台，获取待预测业务的评价数据、舆情数据等。
[0096]
在步骤372中，根据获取的数据，利用深度学习模型，确定视频属性值。
[0097]
在步骤373中，根据视频属性值，进行突发事件日检测。例如，若视频属性量化值s＞β0，则认为未来存在突发流量情况，将未来部署日判断为突发热点事件日，。
[0098]
在步骤375中，如果存在突发热点事件日，则执行步骤376；如果不存在突发热点事件日，则执行步骤377。
[0099]
在步骤376中，通过以下公式来预测未来时间t的cdn流量：
[0100]
p
new
(t)＝p
daily
(t)
[0101]
在步骤377中，通过以下公式来预测未来时间t的cdn流量：
[0102]
p
new
(t)＝p
daily
(t) p
hotspot
(t)
[0103]
图4示出本公开的业务流量的预测装置的一些实施例的框图。
[0104]
如图4所示，业务流量的预测装置4包括热度确定单元41和预测单元42。
[0105]
热度确定单元41根据待预测业务的相关信息，利用机器学习模型，确定待预测业务的热度参数。
[0106]
在一些实施例中，热度确定单元41执行如下步骤的至少一项确定待预测业务的热度参数：根据获取的待预测业务中相关人物的舆情信息，利用自然语言处理模型，确定热度参数；根据获取的待预测业务的评论信息，利用自然语言处理模型，确定热度参数；或者根据获取的待预测业务的类型的关注程度，确定热度参数。
[0107]
预测单元42在热度参数小于阈值的情况下，根据历史日常流量数据，确定预测日常流量作为待预测业务的预测流量。在热度参数大于或等于阈值的情况下，根据历史热点流量数据确定预测热点流量，根据预测热点流量和预测日常流量确定预测流量。
[0108]
在一些实施例中，预测单元42根据待预测业务的时间信息与各历史日常流量数据的时间信息的匹配情况，确定各历史日常流量数据的权重，根据各历史日常流量数据的加权和，确定预测流量。
[0109]
在一些实施例中，预测单元42执行如下步骤中的至少一项确定各历史日常流量数据的权重：根据待预测业务的发生时间与各历史日常流量数据的发生时间是否同为工作日或同为休息日，确定各历史日常流量数据的权重；根据待预测业务的发生时间与各历史日
常流量数据的发生时间是否处于同一季节，确定各历史日常流量数据的权重；或者根据待预测业务的发生时间与各历史日常流量数据的发生时间的时间间隔，确定各历史日常流量数据的权重，权重与时间间隔负相关。
[0110]
在一些实施例中，预测单元42根据各历史热点流量数据的热度参数与待预测业务的热度参数的匹配情况，在各历史热点流量数据中确定候选历史流量数据，根据各候选历史流量数据的加权平均值，确定预测热点流量。
[0111]
在一些实施例中，预测装置4还包括：部署单元43，用于根据预测流量，确定虚拟内容分发网络的部署策略。
[0112]
在一些实施例中，部署单元43根据预测流量，确定虚拟内容分发网络节点的预留虚拟化资源。
[0113]
图5示出本公开的业务流量的预测装置的另一些实施例的框图。
[0114]
如图5所示，该实施例的业务流量的预测装置5包括：存储器51以及耦接至该存储器51的处理器52，处理器52被配置为基于存储在存储器51中的指令，执行本公开中任意一个实施例中的业务流量的预测方法。
[0115]
其中，存储器51例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序bootloader、数据库以及其他程序等。
[0116]
图6示出本公开的业务流量的预测的又一些实施例的框图。
[0117]
如图6所示，该实施例的业务流量的预测装置6包括：存储器610以及耦接至该存储器610的处理器620，处理器620被配置为基于存储在存储器610中的指令，执行前述任意一个实施例中的业务流量的预测方法。
[0118]
存储器610例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序boot loader以及其他程序等。
[0119]
业务流量的预测装置6还可以包括输入输出接口630、网络接口640、存储接口650等。这些接口630、640、650以及存储器610和处理器620之间例如可以通过总线660连接。其中，输入输出接口630为显示器、鼠标、键盘、触摸屏、麦克、音箱等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口650为sd卡、u盘等外置存储设备提供连接接口。
[0120]
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质包括但不限于磁盘存储器、cd-rom、光学存储器等上实施的计算机程序产品的形式。
[0121]
至此，已经详细描述了根据本公开的业务流量的预测方法、业务流量的预测装置和非易失性计算机可读存储介质。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
[0122]
可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括
用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
[0123]
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。