[發明專利]基于滑動中值算法進行時間序列預測的網絡計算設備、方法及系統

在審

• 申請號: 201780090166.9
• 申請日: 2017-05-04
• 公開（公告）號: CN110574337A
• 公開（公告）日: 2019-12-13
• 發明（設計）人: 多若·米茲拉奇;阿維夫·格魯伯
• 申請（專利權）人: 華為技術有限公司
• 主分類號: H04L12/24
• 分類號: H04L12/24
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種網絡計算設備100。所述網絡計算設備100包括預測模塊101，用于：根據至少一個時間序列預測模型103對所述網絡計算設備100獲取的度量值102進行處理，以及根據所述處理后的度量值102提供預測后的度量值104，其中，所述至少一個時間序列預測模型103包括一種基于滑動中值算法的模型105。

技術領域

本發明涉及計算機網絡領域。更具體地，本發明涉及一種基于滑動中值算法(moving-median algorithm)進行時間序列預測的設備、方法和系統，特別是用于預測實時網絡性能。上述預測以網絡計算設備獲取的度量值為基礎，優選通過軟件定義網絡(software-defined network，SDN)應用進行上述預測。

背景技術

如今，為了優化和調整路由器或負載均衡器等傳統網絡計算設備或者連接到傳統網絡計算設備的傳統網絡節點的未來配置，傳統網絡計算設備用于對其所在網絡的未來網絡狀態或未來網絡性能進行預測。例如，在傳統網絡計算設備中，可通過SDN應用來實現對未來網絡狀態和未來網絡性能的預測。為此，由傳統網絡計算設備接收度量值，根據傳統模型對度量值進行處理，從而根據處理后的度量值獲取預測后的度量值。例如，從PCT/EP2014/075452可知，傳統模型可以以滑動平均計算、指數平滑計算、自動回歸計算和/或自回歸綜合滑動平均計算為基礎，進而能夠根據預測后的度量值確定計算機網絡的未來狀態或配置。

度量值可由監控系統等外部系統向傳統網絡計算設備提供，也可在網絡計算設備中生成。然而，度量值所依據的信息(例如，分析用來確定度量值的網絡流量)會受到噪音的影響，或者受非預期的離群值或極值的影響，原因是傳輸特性不斷發生變化等。雖然現有技術中使用的上述模型足以用于分析基于常規網絡流量(不受噪音、離群值或極值的影響)而確定的度量值，但是當底層網絡流量受到噪音、離群值或極值的影響時，基于這些模型提供的預測后的度量值會產生錯誤。噪音、離群值或極值可以指包時延大、丟包率高或發送包數量多等。由于網絡流量實際上包含有大量的噪音、離群值和極值，所以基于滑動平均模型、指數平滑模型、自動回歸模型和/或自回歸綜合滑動平均模型來分析得到的量值可能會產生錯誤結果。

一種已知的現有技術方法是，基于閾值來去除極值，其中，如果極值超過或低于預定閾值，則從網絡流量中去除極值。這種現有技術方法的缺點是，確定預測值時沒有考慮到網絡流量中那些基于網絡狀態的真實變化并有意產生的極值，導致預測結果產生錯誤。另一種現有技術方法是，將網絡流量與預定的網絡流量模式進行比較，其中，預定的網絡流量模式包括指示網絡流量中當前進行比較的那部分包括噪音或無意造成的極值的模式。但是這種現有技術方法的缺點是，必須在傳統網絡計算設備中存儲大量預定的網絡流量模式，并且必須執行大量的比較動作，這導致結果預測性能較差。

發明內容

鑒于上述問題和缺點，本發明旨在改進傳統設備、系統和方法。因此，本發明的目的在于提供一種網絡計算設備、方法和系統，以實現網絡性能預測，同時避免由于網絡流量中出現的傳輸噪音和非預期的無意離群值或極值對分析后的網絡流量進行錯誤分類。

通過所附獨立權利要求提供的方案來實現本發明的目的。本發明的有利實施方式在附屬權利要求中進一步定義。

具體而言，本發明提出一種采用時間序列預測模型的方案，所述時間序列預測模型包括一種基于滑動中值算法的模型，以便基于向網絡計算設備、方法和系統提供的度量值來確定預測后的度量值(表示預測后的網絡狀態、網絡配置或網絡性能)。時間序列預測是一種機器學習(machine-learning，ML)技術，使得能夠根據觀察到的歷史數據按照預測模型來預測未來值。因為滑動中值算法的處理結果與滑動平均算法一樣，不會受到監控后的網絡流量和處理后的度量值中的噪音、離群值或極值的極大影響，所以使用包括一種基于運動中值算法的模型的時間序列預測模型有利于避免預測后的度量值出現錯誤。