一种网络服务质量预测方法及装置制造方法及图纸

本发明专利技术公开了一种网络服务质量预测方法及装置，包括：根据地理位置构建服务器分布图，利用密度聚类的方法搜索核心点；收集核心点所对应的边缘云服务器的QoS数据，基于Pre

【技术实现步骤摘要】
一种网络服务质量预测方法及装置


[0001]本专利技术属于网络服务
，具体涉及一种网络服务质量预测方法及装置。

技术介绍

[0002]当前，随着对延迟敏感的应用(如虚拟现实、增强现实和自动驾驶)不断涌现，对分布式系统的需求日益增加。这些应用对实时性和高吞吐量的要求使得服务提供商越来越倾向于采用密集和分布式部署的方式来提供服务。在这个背景下，边缘云作为一种新兴的边缘计算模式，吸引了人们的广泛关注。虚拟现实、增强现实和自动驾驶等应用对于低延迟的响应至关重要。任何微小的延迟都可能破坏用户体验，降低应用的实时性。因此，为了满足这些应用的要求，服务提供商需要考虑如何将服务尽可能靠近用户，以减少网络传输的延迟。边缘云计算提供了这样的解决方案，它将计算、存储和网络资源靠近用户端，在离用户更近的边缘位置进行部署，从而降低了传输延迟。
[0003]边缘云计算通过在距离用户更近的位置提供服务，减少了数据传输的距离和时间，从而提供了更快的响应速度和更低的延迟。这对于虚拟现实应用中的实时交互、增强现实应用中的环境感知和自动驾驶应用中的即时决策至关重要。通过将计算任务和数据处理推向边缘，边缘云可以减轻中心云的负担，并在一定程度上解决网络瓶颈和带宽限制的问题。边缘云作为一种新兴的边缘计算模式，对于提供低延迟、高性能和高吞吐量的服务具有重要意义。它不仅可以满足对延迟敏感的应用的需求，提供更好的用户体验，还能为服务提供商带来商业机遇和竞争优势。因此，边缘云在当前对分布式系统需求日益增加的背景下，成为了人们关注和研究的热点领域。
>[0004]为了更好的进行资源优化和调度决策，实现故障诊断和快速响应，从而优化用户体验，实现更好的网络规划，必须对网络服务质量进行预测。服务质量预测可以帮助服务提供商进行资源优化和调度决策。通过对节点的服务质量进行准确预测，可以合理分配计算、存储和网络资源，以满足不同应用的实时性和性能需求。这可以提高资源利用率，减少资源浪费，并提供更好的用户体验。同时，准确的服务质量预测有助于故障诊断和快速响应。当分布式边缘云系统发生故障时，通过对节点服务质量的预测，可以更早地发现问题并定位故障点，从而减少故障对用户的影响。准确的服务质量预测可以实现快速响应和解决问题，有助于降低系统的宕机时间，并提升用户满意度。服务质量预测还可以帮助优化用户体验，通过预测节点的服务质量，服务提供商可以选择最佳的节点来处理用户请求，以提供更低的延迟、更高的带宽和更稳定的连接。这对于对延迟敏感的应用(如VR、AR和自动驾驶)尤为重要，能够提供更流畅、更真实的体验。通过对服务质量的预测，可以识别网络中的瓶颈和性能瓶颈，进而优化数据传输路径和网络拓扑。这有助于提高网络的可靠性、带宽利用率和数据传输效率，为分布式边缘云系统的整体性能提供支持。
[0005]现有的网络服务质量预测方法分为以下几类：一方面是基于数学的时间序列算法如ARIMA、SVR等方式，另一类是基于人工智能机器学习的算法如RNN、LSTM等。总体来讲，当前的网络服务质量预测方法存在以下问题：
[0006]1、未考虑时空关系对于服务质量预测的帮助。网络服务质量数据具有较强的时空关联性，特别是两服务器间的端到端延迟与两服务器间的物理距离具有较强的相关性，而传统数学方法以及人工智能方法无法有效利用节点间的时空关联性，影响了网络服务质量预测的精确度。
[0007]2、当前的算法只是基于数据本身进行计算，而忽略了数据背后的语义。传统数学方法通过自回归的方式对未来的网络服务质量进行预测，只基于数据本身的数字规律进行预测，基于机器学习的方法采用梯度下降方式，优化目标也是为了降低数据之间的误差，却忽略了数据本身的语义信息。
[0008]3、基于数学的方法对数据质量有较高的要求，其对异常数据十分敏感，少量的异常数据对整体的服务质量预测结果具有较高的影响。基于人工智能的方法对数据的侧面信息(side information)具有较高的需求，如果数据量较小，基于人工智能的算法往往会陷入过拟合，然而，在现实生活中，除了直接要预测的网络服务质量数据以外，很难找到其他侧面信息作为辅助。
[0009]4、传统测量方式需要对全网进行采样，但是全网采样复杂度较高，容易造成网络阻塞。

技术实现思路

[0010]针对以上问题，本专利技术提出了一种网络服务质量预测方法及装置，将Pre
‑
Trained Transformer和图神经网络相结合对网络服务质量进行预测。为解决以上技术问题，本专利技术所采用的技术方案如下：
[0011]一种网络服务质量预测方法，包括如下步骤：
[0012]S1，根据地理位置构建服务器分布图，利用密度聚类的方法搜索核心点；
[0013]S2，收集核心点所对应的边缘云服务器的QoS数据作为节点特征，基于Pre
‑
Trained Transformer模型生成节点特征所对应的语言描述集；
[0014]S3，基于语言描述集和节点特征生成每个边缘云服务器的特征文字序列，采用滑动窗口的方式生成对应的语义嵌入向量；
[0015]S4，基于QoS数据构建图结构，利用图卷积神经网络进行特征提取得到拓扑特征向量；
[0016]S5，将步骤S4中的拓扑特征向量和步骤S3中的语义嵌入向量进行拼接，利用多层感知机对边缘云服务器的网络服务质量进行预测。
[0017]在步骤S2中，在基于Pre
‑
Trained Transformer模型生成节点特征所对应的语言描述集之前，利用网络服务质量数据的自然语言对Pre
‑
Trained Transformer模型进行初始化。
[0018]在步骤S3中，所述特征文字序列的表达式为：
[0019]S＝d1f1d2f2....d
n
f
n
；
[0020]式中，n表示特征数，d
n
表示节点特征f
n
所对应类型的语言描述。
[0021]所述采用滑动窗口的方式生成对应的语义嵌入向量包括如下步骤：
[0022]a、设定窗口长度和滑动窗口步幅；
[0023]b、基于特征文字序列依次输入与窗口长度相一致的字符串；
[0024]c、从窗口位置中提取出对应的嵌入向量，对所有嵌入向量进行平均池化得到语义嵌入向量。
[0025]所述步骤S4包括如下步骤：
[0026]S4.1，基于边缘云服务器和边缘云服务器之间的QoS构建图结构；
[0027]所述图结构采用G(V，E)表示，V＝{v1，v2，...，v
i
，...，v
m
}是所有边缘云服务器的集合，v
i
表示第i个边缘云服务器，m表示核心点所对应的边缘云服务器的数目，e
ij
∈E，表示边缘云服务器v
i
到边缘云服务器v
j
之间的服务质量表示特征向量；所述服务质本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络服务质量预测方法，其特征在于，包括如下步骤：S1，根据地理位置构建服务器分布图，利用密度聚类的方法搜索核心点；S2，收集核心点所对应的边缘云服务器的QoS数据作为节点特征，基于Pre
‑
Trained Transformer模型生成节点特征所对应的语言描述集；S3，基于语言描述集和节点特征生成每个边缘云服务器的特征文字序列，采用滑动窗口的方式生成对应的语义嵌入向量；S4，基于QoS数据构建图结构，利用图卷积神经网络进行特征提取得到拓扑特征向量；S5，将步骤S4中的拓扑特征向量和步骤S3中的语义嵌入向量进行拼接，利用多层感知机对边缘云服务器的网络服务质量进行预测。2.根据权利要求1所述的网络服务质量预测方法，其特征在于，在基于Pre
‑
Trained Transformer模型生成节点特征所对应的语言描述集之前，利用网络服务质量数据的自然语言对Pre
‑
Trained Transformer模型进行初始化。3.根据权利要求1所述的网络服务质量预测方法，其特征在于，在步骤S3中，所述特征文字序列的表达式为：S＝d1f1d2f2....d
n
f
n
；式中，n表示特征数，d
n
表示节点特征f
n
所对应类型的语言描述。4.根据权利要求1所述的网络服务质量预测方法，其特征在于，所述采用滑动窗口的方式生成对应的语义嵌入向量包括如下步骤：a、设定窗口长度和滑动窗口步幅；b、基于特征文字序列依次输入与窗口长度相一致的字符串；c、从窗口位置中提取出对应的嵌入向量，对所有嵌入向量进行平均池化得到语义嵌入向量。5.根据权利要求1所述的网络服务质量预测方法，其特征在于，所述步骤S4包括如下步骤：S4.1，基于边缘云服务器和边缘云服务器之间的QoS构建图结构；所述图结构采用G(V，E)表...

【专利技术属性】
技术研发人员：姚欣，张恒，王晓飞，
申请(专利权)人：派欧云计算上海有限公司，
类型：发明
国别省市：