模型训练方法、网络拥塞控制方法、装置及相关产品制造方法及图纸

本公开公开了一种模型训练方法、网络拥塞控制方法、装置及相关产品。涉及云计算技术领域，具体为云存储技术。具体实现方案为：获取本端设备和对端设备之间的至少一个线下网络连接；针对每个线下网络连接，对网络拥塞控制数据进行调整，并采集线下网络连接在网络拥塞控制数据调整后对应的第一传输行为数据及第一传输结果数据；根据调整后的网络拥塞控制数据、对应的第一传输行为数据及第一传输结果数据构建对应的训练样本；采用训练样本对预设神经网络模型进行训练，以获得训练至收敛的神经网络模型，训练至收敛的神经网络模型用于确定本端设备与对端设备进行线上网络连接时对应的最优网络拥塞控制数据。

【技术实现步骤摘要】
模型训练方法、网络拥塞控制方法、装置及相关产品
本公开涉及云计算
，具体为云存储技术，尤其涉及一种模型训练方法、网络拥塞控制方法、装置及相关产品。
技术介绍
随着网络通信技术和云计算技术的不断发展，对网络中大吞吐量、低时延及低卡顿的需求越来越迫切。但目前数据在网络传输过程中常常发生吞吐量小、时延大及卡顿严重的问题。这就造成了网络拥塞的现象。目前一般采用网络拥塞控制算法来对网络拥塞进行控制。具体地，获取整体网络的情况、或者机器级别、域名级别的网络情况，进而根据网络情况对控制网络拥塞的参数进行调整，根据调整后的参数改善网络拥塞的情况。
技术实现思路
本公开提供了一种模型训练方法、网络拥塞控制方法、装置及相关产品。根据本公开的第一方面，提供了一种用于网络拥塞控制的神经网络模型训练方法，包括：获取本端设备和对端设备之间的至少一个线下网络连接；针对每个线下网络连接，对网络拥塞控制数据进行调整，并采集所述线下网络连接在所述网络拥塞控制数据调整后对应的第一传输行为数据及第一传输结果数据；根据调整后的网络拥塞控制数据、对应的第一传输行为数据及第一传输结果数据构建对应的训练样本；采用所述训练样本对预设神经网络模型进行训练，以获得训练至收敛的神经网络模型，所述训练至收敛的神经网络模型用于确定本端设备与对端设备进行线上网络连接时对应的最优网络拥塞控制数据。根据本公开的第二方面，提供了一种基于神经网络模型的网络拥塞控制方法，包括：若监测到本端设备与对端设备进行线上网络连接，则采集所述线上网络连接对应的第二传输行为数据及第二传输结果数据；将所述第二传输行为数据及所述第二传输结果数据输入到训练至收敛的神经网络模型中；通过所述训练至收敛的神经网络模型输出所述网络连接对应的最优网络拥塞控制数据；所述训练至收敛的神经网络模型是通过训练样本训练获得的，所述训练样本是通过本端设备和对端设备之间的线下网络连接对应的调整后的网络拥塞控制数据、对应的第一传输行为数据及第一传输结果数据构建的；根据所述最优网络拥塞控制参数对所述线上网络连接进行网络拥塞控制。根据本公开的第三方面，提供一种用于网络拥塞控制的神经网络模型训练装置，包括：获取单元，用于获取本端设备和对端设备之间的至少一个线下网络连接；调整单元，用于针对每个线下网络连接，对网络拥塞控制数据进行调整；采集单元，用于采集所述线下网络连接在所述网络拥塞控制数据调整后对应的第一传输行为数据及第一传输结果数据；构建单元，用于根据调整后的网络拥塞控制数据、对应的第一传输行为数据及第一传输结果数据构建对应的训练样本；训练单元，用于采用所述训练样本对预设神经网络模型进行训练，以获得训练至收敛的神经网络模型，所述训练至收敛的神经网络模型用于确定本端设备与对端设备进行线上网络连接时对应的最优网络拥塞控制数据。根据本公开的第四方面，提供一种基于神经网络模型的网络拥塞控制装置，包括：采集单元，用于若监测到本端设备与对端设备进行线上网络连接，则采集所述线上网络连接对应的第二传输行为数据及第二传输结果数据；输入单元，用于将所述第二传输行为数据及所述第二传输结果数据输入到训练至收敛的神经网络模型中；输出单元，用于通过所述训练至收敛的神经网络模型输出所述网络连接对应的最优网络拥塞控制数据；所述训练至收敛的神经网络模型是通过训练样本训练获得的，所述训练样本是通过本端设备和对端设备之间的线下网络连接对应的调整后的网络拥塞控制数据、对应的第一传输行为数据及第一传输结果数据构建的；控制单元，用于根据所述最优网络拥塞控制参数对所述线上网络连接进行网络拥塞控制。根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面或第二方面所述的方法。根据本公开的第六方面，提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行第一方面或第二方面所述的方法。根据本公开的第七方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面或第二方面所述的方法。根据本公开的模型训练方法、网络拥塞控制方法、装置及相关产品，通过技术解决了无法有效改善本端设备和对端设备之间每一个网络连接的网络拥塞情况的问题。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本公开的限定。其中：图1是根据本公开提供的用于网络拥塞控制的神经网络模型训练方法及基于神经网络模型的网络拥塞控制方法的第一网络架构示意图；图2是根据本公开提供的用于网络拥塞控制的神经网络模型训练方法及基于神经网络模型的网络拥塞控制方法的第二网络架构示意图；图3是根据本公开第一实施例提供的用于网络拥塞控制的神经网络模型训练方法的流程示意图；图4是根据本公开第二实施例提供的用于网络拥塞控制的神经网络模型训练方法的流程示意图；图5是根据本公开第二实施例提供的用于网络拥塞控制的神经网络模型训练方法的交互示意图；图6是根据本公开第三实施例提供的基于神经网络模型的网络拥塞控制方法的流程示意图；图7是根据本公开第三实施例提供的基于神经网络模型的网络拥塞控制方法的交互示意图；图8是根据本公开第四实施例提供的基于神经网络模型的网络拥塞控制方法的流程示意图；图9是根据本公开第五实施例提供的用于网络拥塞控制的神经网络模型训练装置的结构示意图；图10是根据本公开第六实施例提供的基于神经网络模型的网络拥塞控制装置的结构示意图；图11是用来实现本公开实施例的用于网络拥塞控制的神经网络模型训练方法的电子设备的框图；图12是用来实现本公开实施例的基于神经网络模型的网络拥塞控制方法的电子设备的框图。具体实施方式以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。为了清楚理解本公开的技术方案，首先对现有技术的技术方案进行详细介绍。现有技术中，一般采用网络拥塞控制算法来对网络拥塞进行控制。目前网络拥塞控制算法主要有BBR、CUB本文档来自技高网...

【技术保护点】
1.一种用于网络拥塞控制的神经网络模型训练方法，包括：/n获取本端设备和对端设备之间的至少一个线下网络连接；/n针对每个线下网络连接，对网络拥塞控制数据进行调整，并采集所述线下网络连接在所述网络拥塞控制数据调整后对应的第一传输行为数据及第一传输结果数据；/n根据调整后的网络拥塞控制数据、对应的第一传输行为数据及第一传输结果数据构建对应的训练样本；/n采用所述训练样本对预设神经网络模型进行训练，以获得训练至收敛的神经网络模型，所述训练至收敛的神经网络模型用于确定本端设备与对端设备进行线上网络连接时对应的最优网络拥塞控制数据。/n

【技术特征摘要】
1.一种用于网络拥塞控制的神经网络模型训练方法，包括：
获取本端设备和对端设备之间的至少一个线下网络连接；
针对每个线下网络连接，对网络拥塞控制数据进行调整，并采集所述线下网络连接在所述网络拥塞控制数据调整后对应的第一传输行为数据及第一传输结果数据；
根据调整后的网络拥塞控制数据、对应的第一传输行为数据及第一传输结果数据构建对应的训练样本；
采用所述训练样本对预设神经网络模型进行训练，以获得训练至收敛的神经网络模型，所述训练至收敛的神经网络模型用于确定本端设备与对端设备进行线上网络连接时对应的最优网络拥塞控制数据。


2.根据权利要求1所述的方法，其中，所述针对每个线下网络连接，对网络拥塞控制数据进行调整，包括：
针对每个线下网络连接，对网络拥塞控制算法及所述网络拥塞控制算法的参数中的至少一个进行随机调整。


3.根据权利要求1或2所述的方法，其中，所述采集所述线下网络连接在所述网络拥塞控制数据调整后对应的第一传输行为数据及第一传输结果数据，包括：
从所述本端设备中采集所述线下网络连接在所述网络拥塞控制数据调整后的第一日志文件；
从所述第一日志文件中获取所述第一传输行为数据；
从所述对端设备中采集所述线下网络连接在所述网络拥塞控制数据调整后的第二日志文件；
从所述第二日志文件中获取所述第一传输结果数据。


4.根据权利要求3所述的方法，其中，所述第一传输行为数据包括第一数据传输行为序列；
从所述第一日志文件中获取所述第一传输行为数据，包括：
从所述第一日志文件中提取每次传输数据的标识，对应数据的发送时间及响应时间；
针对每次传输数据，将传输数据的标识、对应数据的发送时间及响应时间确定为对应的传输行为数据点，并将各所述传输行为数据点按照数据发送时间顺序进行排序，以获得第一数据传输行为序列。


5.根据权利要求3所述的方法，其中，所述从所述第二日志文件中获取所述第一传输结果数据，包括：
确定所述线下网络连接的业务类型；
获取预先构建的业务类型与传输结果数据的映射关系；
根据所述映射关系从所述第二日志文件中获取与所述线下网络连接的业务类型具有映射关系的传输结果数据；
将所述具有映射关系的传输结果数据确定为第一传输结果数据。


6.根据权利要求1-5任一项所述的方法，其中，所述根据调整后的网络拥塞控制数据、对应的第一传输行为数据及第一传输结果数据构建对应的训练样本，包括：
对调整后的网络拥塞控制数据、对应的第一传输行为数据及第一传输结果数据进行归一化处理及拼接处理，以形成对应的训练样本；
根据第一传输结果数据确定对应训练样本的标签，并对所述训练样本标记对应的标签。


7.根据权利要求1-6任一项所述的方法，其中，所述采用所述训练样本对预设神经网络模型进行训练，以获得训练至收敛的神经网络模型，包括：
将所述训练样本输入到预设神经网络模型中，并调整预设神经网络模型中的参数，以对预设神经网络模型进行训练；
响应于确定满足预设的收敛条件，将满足预设的收敛条件的神经网络模型确定为训练至收敛的神经网络模型。


8.一种基于神经网络模型的网络拥塞控制方法，包括：
若监测到本端设备与对端设备进行线上网络连接，则采集所述线上网络连接对应的第二传输行为数据及第二传输结果数据；
将所述第二传输行为数据及所述第二传输结果数据输入到训练至收敛的神经网络模型中；
通过所述训练至收敛的神经网络模型输出所述线上网络连接对应的最优网络拥塞控制数据；所述训练至收敛的神经网络模型是通过训练样本训练获得的，所述训练样本是通过本端设备和对端设备之间的线下网络连接对应的调整后的网络拥塞控制数据、对应的第一传输行为数据及第一传输结果数据构建的；
根据所述最优网络拥塞控制参数对所述线上网络连接进行网络拥塞控制。


9.根据权利要求8所述的方法，其中，所述采集所述线上网络连接对应的第二传输行为数据及第二传输结果数据，包括：
采集当前预设时间间隔所述线上网络连接对应的第二传输行为数据及第二传输结果数据；
所述根据所述最优网络拥塞控制参数对所述线上网络连接进行网络拥塞控制，包括：
根据所述最优网络拥塞控制参数对下一预设时间间隔所述线上网络连接进行网络拥塞控制。


10.根据权利要求9所述的方法，其中，所述采集当前预设时间间隔所述线上网络连接对应的第二传输行为数据及第二传输结果数据，包括：
从所述本端设备中采集所述线上网络连接在当前预设时间间隔对应的第三日志文件；
从所述第三日志文件中获取所述第二传输行为数据；
从所述对端设备中采集所述线上网络连接在当前预设时间间隔对应的第四日志文件；
从所述第四日志文件中获取所述第二传输结果数据。


11.根据权利要求8-10任一项所述的方法，其中，所述根据所述最优网络拥塞控制参数对所述线上网络连接进行网络拥塞控制之后，还包括：
获取进行网络拥塞控制后的第三传输行为数据及第三传输结果数据；
将所述最优网络拥塞控制数据、对应的第三传输行为数据及第三传输结果数据发送给对神经网络模型进行训练的电子设备。


12.一种用于网络拥塞控制的神经网络模型训练装置，包括：
获取单元，用于获取本端设备和对端设备之间的至少一个线下网络连接；
调整单元，用于针对每个线下网络连接，对网络拥塞控制数据进行调整；
采集单元，用于采集所述线下网络连接在所述网络拥塞控制数据调整...

【专利技术属性】
技术研发人员：杨勇强，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11