The invention discloses a network element capacity analysis and prediction method based on deep neural network algorithm. The method of network element capacity analysis and prediction based on depth neural network algorithm of the invention includes: S1, acquiring input and output data of telecommunication network element capacity, forming sample data; S2, training sample data with depth neural network algorithm to obtain depth neural network model; S3, input network element capacity planning data. And parameters, and predict the resource allocation index of network element through deep neural network model. The method for analyzing and predicting the network element capacity based on the depth neural network algorithm can predict and plan the allocation index of the network element capacity and rationally utilize the resources of the system.
【技术实现步骤摘要】
一种基于深度神经网络算法的网元容量分析与预测的方法
本专利技术属于网元容量指标预测领域,尤其涉及一种基于深度神经网络算法的网元容量分析与预测的方法。
技术介绍
为了满足每种软件的功能不断丰富的需求,服务提供商通过不断扩大基础设施来简单升级数据中心。随着需求的波动,可用的云资源总是不能被充分利用。当容量被高估时,额外准备好但未被利用的物质资源纯粹被浪费,且未使用的物质资源不仅造成能源浪费,还会导致更多的购买成本。此外,高估容量将带来额外的相关成本,如网络,人力和维护,所有这些都与基础设施的规模成正比。另一方面,低估云容量会造成资源短缺和收入损失。对于云平台来说,硬件资源需要较长时间的采集和部署过程,如果实际需求高于现有容量,云端就不得不推迟服务新客户,从而失去潜在的收入,因此一旦资源出现短缺严重将造成现有客户的现有服务也受到巨大影响。现有技术中,虚拟化虽然可以最大化地提高服务器各资源的使用率,但无监控和无规划的增加物理机的工作负荷最终会导致虚拟化项目的失败。虚拟化的另一个优势是资源添减的便利性,但如果管理员无计划无节制地进行空间分配会导致物理磁盘产生大量的磁盘碎片。而另一方面,如果容量管理没有分配合理或者根本就没有分配,供需就会失衡,导致资源浪费或者资源不够用,无论是购买的时间太早还是数量过多,都将带来昂贵的代价,资源短缺会直接影响到公司的业务运行并且给用户带来较差的体验。鉴于上述现技术中存在的不能充分规划利用容量资源的缺陷,本专利技术人基于从事此类产品设计制造多年丰富的实务经验及专业知识,并配合学理的运用,积极加以研究创新,以期创设一种能够对网元容量分析与 ...
【技术保护点】
1.一种基于深度神经网络算法的网元容量分析与预测的方法,其特征在于,S1、获取电信网元容量的输入与输出数据,组成样本数据;S2、利用深度神经网络算法训练样本数据得到深度神经网络模型;S3、输入网元容量的性能数据,通过深度神经网络模型预测网元容量的资源分配指标。
【技术特征摘要】
1.一种基于深度神经网络算法的网元容量分析与预测的方法,其特征在于,S1、获取电信网元容量的输入与输出数据,组成样本数据;S2、利用深度神经网络算法训练样本数据得到深度神经网络模型;S3、输入网元容量的性能数据,通过深度神经网络模型预测网元容量的资源分配指标。2.根据权利要求1所述的基于深度神经网络算法的网元容量分析与预测的方法,其特征在于,步骤S1与步骤S2之间包括:归一化处理样本数据,通过转换函数使样本数据的取值范围为(0,1)。3.根据权利要求2所述的基于深度神经网络算法的网元容量分析与预测的方法,其特征在于,步骤S2还包括:利用梯度下降的方法更新训练样本的权重矩阵,通过迭代法直到指标的输出误差小于预设误差阈值。4.根据权利要求3所述的基于深度神经网络算法的网元容量分析与预测的方法,其特征在于,权重的调整幅度为ΔWij(t)=η·εi(t)xi(t)、ΔVj(t)=η·εi(t)hj(t),调整后的权重为...
【专利技术属性】
技术研发人员:陈晓莉,黄勇,陈磊,张雄江,徐菁,丁一帆,林建洪,
申请(专利权)人:浙江鹏信信息科技股份有限公司,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。