[發明專利]內容分發網絡流量調度方法、裝置和計算機可讀存儲介質

在審

• 申請號: 201711186979.6
• 申請日: 2017-11-24
• 公開（公告）號: CN109842563A
• 公開（公告）日: 2019-06-04
• 發明（設計）人: 陳步華;陳戈;梁潔;莊一嶸;薛沛林;余媛
• 申請（專利權）人: 中國電信股份有限公司
• 主分類號: H04L12/801
• 分類號: H04L12/801;G06F9/48;G06F9/50
• 代理公司: 中國國際貿易促進委員會專利商標事務所 11038
• 代理人: 曲瑞

本發明公開了一種內容分發網絡流量調度方法、裝置和計算機可讀存儲介質，涉及數據通信領域。網絡流量調度方法包括：獲取節點的歷史信息序列，其中，歷史信息序列包括歷史預設時間段內的多個時刻對應的節點信息；采用節點的歷史信息序列訓練支持向量機回歸模型；采用訓練后的支持向量機回歸模型預測待測時刻的節點信息；根據支持向量機回歸模型輸出的預測結果確定是否在待測時刻將流量調度到節點。由于網絡中的流量變化往往不是呈線性變化的，而SVM模型適用于隨時間非線性、多尺度的網絡流量與回歸預測，因此能夠對網絡流量進行準確的預測和調度，緩解了突發性的大量訪問請求對節點造成的壓力，提高了用戶的使用體驗。

技術領域

本發明涉及數據通信領域，特別涉及一種內容分發網絡流量調度方法、裝置和計算機可讀存儲介質。

背景技術

隨著互聯網與視頻直播業務的快速發展，使得網絡中的數據量急劇膨脹，這就為內容分發網絡(Content Delivery Network，簡稱：CDN)的調度可靠性提出了更高的要求。當用戶向CDN節點請求內容時，節點間的負載均衡是衡量CDN能力的重要指標。

現有CDN節點間的調度策略，是將用戶調度到最近的有內容的節點。但是，當某一時刻，產生了突發性網絡流量、或者用戶請求數量劇增時，CDN不能及時處理大量突發性用戶請求，使得部分節點壓力過高，造成CDN節點間的負載不均衡。因此，突發的高峰流量會造成網絡堵塞、響應速度慢等問題，從而影響用戶的體驗質量(Quality of Experience，簡稱：QoE)。

對于此類問題，現有CDN服務商通過提高節點數量、服務器數量，來避免節點間負載不均衡以及對網絡流量的控制，但這也帶來了CDN資源消耗和浪費的問題。因此，如何準確預測網絡流量非常重要。

在相關技術中，基于自回歸積分滑動平均模型(Autoregressive IntegratedMoving Average Model簡稱：ARIMA)的網絡流量調度方法可以用于對虛擬CDN網絡流量進行預測。ARIMA模型是一種時間序列預測方法，可以對一段時間內的歷史數據流進行差分迭代建模，因此可以應用ARIMA模型預測下一時間段內的網絡流量。

然而，在實際使用中，無法基于ARIMA模型對網絡流量進行準確調度，仍然存在網絡擁塞、網絡資源利用率低等問題。

發明內容

發明人對相關技術進行分析后發現，ARIMA模型存在以下缺點：

(1)ARIMA模型適用于捕捉網絡流量的線性變化規律，而網絡受環境、用戶以及網絡自身的影響，網絡流量也具有多尺度、非線性的變化特點，ARIMA模型不能可靠地作為非線性網絡流量預測模型；

(2)ARIMA模型對連續時間的依賴性太強，只適用于小范圍時間段的預測模型，把一段時間劃分成一個個小片段，通過差分迭代完成，對于時間跨度較大的樣本，迭代耗時過長，不支持遙遠時刻離散時間點的不同網絡流量與負載輸入進行回歸預測。

因此，ARIMA模型并不能準確地預測CDN網絡流量，從而無法對網絡流量進行準確調度。

本發明實施例所要解決的一個技術問題是：如何提高內容分發網絡流量調度的準確性。

根據本發明一些實施例的第一個方面，提供一種內容分發網絡流量調度方法，包括：獲取節點的歷史信息序列，其中，歷史信息序列包括歷史預設時間段內的多個時刻對應的節點信息；采用節點的歷史信息序列訓練支持向量機(Support Vector Machine，簡稱：SVM)回歸模型；采用訓練后的支持向量機回歸模型預測待測時刻的節點信息；根據支持向量機回歸模型輸出的預測結果確定是否在待測時刻將流量調度到節點。