[发明专利]一种网络边缘的应用级流量预测与模型迁移方法

说明书

本发明公开了一种网络边缘的应用级流量预测与模型迁移方法，包括：确定模型迁移域，使用基于应用流量统计特征的无监督聚类算法完成边缘节点的聚类；选择迁移模型，迁移模型为在迁移域内选出被迁移到各个边缘计算节点的普适模型；根据应用聚类算法将各个边缘计算节点下的多种网络应用的流量序列在时间和形状分布上的相似性进行归类；对各个边缘节点下的多个网络应用进行归类后，得到N个类别，每个类别训练自己的多应用流量预测模型，产生N个多应用流量预测模型，将这些模型保存，等待边缘节点调用；当N个多应用流量预测模型训练完成后，被边缘计算节点回调；在迁移域内，N个多应用流量预测模型分别迁移到多个域内的所有节点上进行部署与应用。

技术领域

本发明涉及边缘计算、网络流量预测、边缘模型迁移领域，具体而言，本发明涉及一种网络边缘的应用级流量预测与模型迁移解决方法。

背景技术

边缘计算将一定的计算、存储资源下沉至网络边缘，提供高带宽和低时延服务保证，从而增强强用户体验。应用级的流量预测能够同时提供多种互联网应用同时预测的能力，进而帮助运营商提供细粒度的应用级网络管理与应用级优化能力。因此，在网络边缘开展应用级的流量预测能够更为及时化、动态化、智能化的感知细粒度的网络流量变化，从而服务于网络资源分配、网络性能优化、绿色网络发展等网络发展需求。同时，随着未来边缘计算节点的部署与应用，每个边缘节点覆盖下，针对每一个网络应用维护一个流量预测模型是不现实的，同时将会带来巨大的数据采集处理、模型训练的开销，这不符合绿色网络的发展纲要，同时也会增大运营商的运营成本。

从网络流量产生的位置节点对流量进行应用级的预测，是进行细粒度、及时预测的重要保证，网络边缘则是最佳的部署位置。同时为了降低维持过多模型的开销，在网络边缘根据边缘节点下网络流量分布的相似度指导预测模型进行迁移是降低开销的重要举措。现有的模型只关注区域流量总量的预测，同时模型迁移考虑的是边缘和云之间的交互，但在未来边缘计算的范式下，70％以上的流量将会在边缘卸载和处理，因此边缘节点之间模型迁移是未来的主要应用需求。面对以上应用场景，本发明提出一种网络边缘的应用级流量预测与模型迁移解决方案。

发明内容

本发明的目的在于，解决现有预测模型存在的上述问题。

为实现上述目的，本发明提供了一种网络边缘的应用级流量预测与模型迁移方法，该方法包括以下步骤：

确定模型迁移域，使用基于应用流量统计特征的无监督聚类算法完成边缘节点的聚类；

选择迁移模型，所述迁移模型为在迁移域内选出被迁移到各个边缘计算节点的普适模型；

根据应用聚类算法将各个边缘计算节点下的多种网络应用的流量序列在时间和形状分布上的相似性进行归类；

对各个边缘节点下的多个网络应用进行归类后，得到N个类别，每个类别训练自己的多应用流量预测模型，最终产生N个多应用流量预测模型，将这些模型保存，等待边缘节点调用；

当N个多应用流量预测模型训练完成后，被边缘计算节点回调；

在迁移域内，N个多应用流量预测模型分别迁移到多个域内的所有节点上进行部署与应用。

本发明部署在边缘计算节点上，对区域内多应用网络流量进行预测，同时通过模型迁移策略完成模型在迁移域内迁移部署，从而在极低开销的基础上完成细粒度、应用级的网络流量预测以服务与动态网络资源分配、网络应用优化与绿色网络发展。

附图说明

图1为本发明实施例提供的一种网络边缘的应用级流量预测与模型迁移方法流程示意图；

图2为图1所示网络边缘的应用级流量预测与模型迁移方法架构图；

图3为图1所示方法中多应用流量预测模型架构图。

具体实施方式