[發明專利]一種視頻網站的服務性能預測方法

有效

• 申請號: 201610056090.5
• 申請日: 2016-01-27
• 公開（公告）號: CN107015900B
• 公開（公告）日: 2019-08-06
• 發明（設計）人: 劉學;薛寒星;尤佳莉
• 申請（專利權）人: 中國科學院聲學研究所
• 主分類號: G06F11/34
• 分類號: G06F11/34
• 代理公司: 北京方安思達知識產權代理有限公司 11472
• 代理人: 王宇楊;劉振

1.一種視頻網站的服務性能預測方法，所述方法包含：

步驟101)通過模擬用戶請求，定時測量視頻網站性能參數，計算性能參數之間的相關系數；

如果相關系數的絕對值超過預設閾值時，將所有性能參數的值存入對應網站的性能預測數據集，否則，僅把下載速率存入對應網站的性能預測數據集；

其中，所述性能參數包含：連接時間和下載速率；

步驟102)對預測數據集進行參數無量綱化和歸一化預處理，基于預處理后得到的數據和時間序列模型或機器學習模型預測下一時刻的視頻網站的服務性能；

其中，對時間序列模型或機器學習模型輸出的歸一化預測結果進行反歸一化即得到用戶在下一時刻訪問視頻網站可獲得的真實的服務性能預測值。

2.根據權利要求1所述的視頻網站的服務性能預測方法，其特征在于，所述步驟101)通過在節點上設定地址列表并模擬用戶行為，定時向地址列表中的視頻網站發送請求，測量視頻網站的連接時間和下載速率。

3.根據權利要求1或2所述的視頻網站的服務性能預測方法，其特征在于，采用皮爾遜相關系數計算性能參數之間的相關系數。

4.根據權利要求1或2所述的視頻網站服務性能預測方法，其特征在于，采用線性函數歸一化對預測數據集進行歸一化處理。

5.根據權利要求4所述的視頻網站服務性能預測方法，其特征在于，所述反歸一化方法即線性歸一化方法的反歸一化。

6.根據權利要求1或2所述的視頻網站服務性能預測方法，其特征在于，

所述時間序列模型為指數平滑模型；或

所述機器學習模型采用線性回歸或徑向基網絡模型。

7.根據權利要求1或2所述的視頻網站服務性能預測方法，其特征在于，所述步驟102)進一步包含：

步驟102-1)使用測量發生的時間將收集的預測數據集分為兩部分：訓練集和測試集；

步驟102-2)使用訓練集的數據訓練時間序列模型或機器學習模型，將訓練集數據帶入模型公式，以預測值和真實值的最小均方誤差為標準，不斷調整模型參數并利用梯度下降算法求得模型參數的最優數值；

步驟102-3)利用步驟102-2)中得到的模型參數的取值，得到訓練好的時間序列模型或機器學習模型，將測試集中的數據帶入訓練好的時間序列模型或機器學習模型，進行預測，再將預測所得結果反歸一化得到預測值。

8.一種視頻網站的服務性能預測系統，其特征在于，所述系統包含：

預處理模塊，用于通過模擬用戶請求，定時測量視頻網站性能參數，計算性能參數之間的相關系數；

如果相關系數的絕對值超過預設閾值時，將所有性能參數的值存入對應網站的性能預測數據集，否則，僅把下載速率存入對應網站的性能預測數據集；

其中，所述性能參數包含：連接時間和下載速率；

預測模塊，用于對預測數據集進行參數無量綱化和歸一化預處理，基于預處理后得到的數據和時間序列模型或機器學習模型預測下一時刻的視頻網站的服務性能；

其中，對時間序列模型或機器學習模型輸出的歸一化預測結果進行反歸一化即得到用戶在下一時刻訪問視頻網站可獲得的真實的服務性能預測值。

9.根據權利要求8所述的視頻網站的服務性能預測系統，其特征在于，當性能參數包含連接時間和下載速率時，所述預處理模塊進一步包含：

測量子模塊，通過在節點上設定地址列表并模擬用戶行為，定時向地址列表中的視頻網站發送請求，測量視頻網站的連接時間和下載速率；

判決存儲子模塊，用于判斷如果相關系數的絕對值超過預設閾值時，將所有性能參數的值存入對應網站的性能預測數據集，否則，僅把下載速率存入對應網站的性能預測數據集。

10.根據權利要求8或9所述的視頻網站的服務性能預測系統，其特征在于，當采用的時間序列模型為三階指數平滑預測模型時，所述預測模塊進一步包含：

分組子模塊，用于采用測量發生的時間將收集的預測數據集分為兩部分：訓練集和測試集；

預測模型參數最優值獲取模塊，用于采用訓練集的數據訓練預測模型，將測試集的數據帶入模型公式，以預測值和真實值的最小最方誤差為標準，不斷調整模型參數，并利用梯度下降算法求得模型參數的最優數值；

預測值獲取模塊，用于利用預測模型參數最優值獲取模塊得到的模型參數的取值，得到完整預測模型；再將測試集中的數據帶入預測模型，進行預測，最后預測所得結果反歸一化得到預測值。