天基云雾计算架构的动态资源配置方法、系统和存储介质
阅读：219发布：2023-12-22
专利汇可以提供天基云雾计算架构的动态资源配置方法、系统和存储介质专利检索，专利查询，专利分析的服务。并且本 发明 提供一种天基 云 雾计算架构下的动态资源配置方法、系统和存储介质。所述方法包括：对当前网络的状态参数进行 感知 ，生成网络状态感知结果；根据网络状态感知结果，检测在当前网络拓扑结构下，各个 节点 和链路的流量情况、用户 访问 量以及每项应用 对流 量的耗费量，并对上述流量进行分类识别，以生成流量分类识别结果；根据流量分类识别结果，预测出基于地理 位置 、时间分布、接入密集程度的流量情况，并生成流量预测结果；根据流量预测结果，通过 大数据 分析平台 可视化 生成资源配置方案。本发明通过动态资源配置能够高效利用异构资源，满足天基时延敏感和大数据应用的需求，适应动态网络连接，保证服务流的可靠性，实现系统的负载均衡。，下面是天基云雾计算架构的动态资源配置方法、系统和存储介质专利的具体信息内容。
1.一种天基云雾计算架构的动态资源配置方法，其特征在于，所述动态资源配置方法包括：
利用现有网络资源和网络历史数据对当前网络的状态参数进行感知，生成网络状态感知结果；
根据网络状态感知结果，检测在当前网络拓扑结构下，各个节点和链路的流量情况、用户访问量以及每项应用对流量的耗费量，并对上述流量进行分类识别，以生成流量分类识别结果；
根据流量分类识别结果，总结归纳在当前网络拓扑结构下，各个节点和链路的流量特点，预测出基于地理位置、时间分布、接入密集程度的流量情况，并生成流量预测结果；
根据流量预测结果，通过大数据分析平台可视化生成资源配置方案。
2.根据权利要求1所述的一种天基云雾计算架构的动态资源配置方法，其特征在于，利用现有网络资源和网络历史数据对当前网络的状态参数进行感知，还包括：
通过带内网络遥测技术对当前网络的状态参数进行感知，其中，所述状态参数为网络物理拓扑、队列容量、单跳时延的一种或几种。
3.根据权利要求1所述的一种天基云雾计算架构的动态资源配置方法，其特征在于，检测在当前网络拓扑结构下，各个节点和链路的流量情况、用户访问量以及每项应用对流量的耗费量，并对上述流量进行分类识别，还包括：
采用哈希函数将数据流索引的方法来进行在线高速地检测通过的大象流，当数据流到来时，利用哈希索引对数据流的规模进行快速统计，判定规模超过一定阈值的数据流为大象流；和/或
基于流量特征，通过机器学习方法对流量进行分类识别。
4.根据权利要求3所述的一种天基云雾计算架构的动态资源配置方法，其特征在于，基于流量特征，通过机器学习方法对流量进行分类识别，还包括：
定义流量可被识别和区分的特征；
训练出可将流量的特征集合与已知类别相关联的ML分类器，应用ML算法并根据先前学习训练好的规则模型对未知流量进行分类。
5.根据权利要求1所述的一种天基云雾计算架构的动态资源配置方法，其特征在于，根据流量分类识别结果，总结归纳在当前网络拓扑结构下，各个节点和链路的流量特点，预测出基于地理位置、时间分布、接入密集程度的流量情况，还包括：
通过回归学习方法和/或强化学习方法,预测出基于地理位置、时间分布、接入密集程度的流量情况。
6.根据权利要求1所述的一种天基云雾计算架构的动态资源配置方法，其特征在于，所述资源包括计算资源和存储资源，所述计算资源为CPU、GPU、FPGA的一种或几种，所述存储资源为机械硬盘、固态硬盘、液态硬盘、光学硬盘的一种或几种。
7.一种天基云雾计算架构的动态资源配置系统，其特征在于，所述天基云雾计算架构的动态资源配置系统包括：存储器及处理器，所述存储器中包括一种天基云雾计算架构的动态资源配置方法程序，所述天基云雾计算架构的动态资源配置方法程序被所述处理器执行时实现如下步骤：
利用现有网络资源和网络历史数据对当前网络的状态参数进行感知，生成网络状态感知结果；
根据网络状态感知结果，检测在当前网络拓扑结构下，各个节点和链路的流量情况、用户访问量以及每项应用对流量的耗费量，并对上述流量进行分类识别，以生成流量分类识别结果；
根据流量分类识别结果，总结归纳在当前网络拓扑结构下，各个节点和链路的流量特点，预测出基于地理位置、时间分布、接入密集程度的流量情况，并生成流量预测结果；
根据流量预测结果，通过大数据分析平台可视化生成资源配置方案。
8.根据权利要求7所述的一种天基云雾计算架构的动态资源配置系统，其特征在于，利用现有网络资源和网络历史数据对当前网络的状态参数进行感知，还包括：
通过带内网络遥测技术对当前网络的状态参数进行感知，其中，所述状态参数为网络物理拓扑、队列容量、单跳时延的一种或几种。
9.根据权利要求7所述的一种天基云雾计算架构的动态资源配置系统，其特征在于，检测在当前网络拓扑结构下，各个节点和链路的流量情况、用户访问量以及每项应用对流量的耗费量，并对上述流量进行分类识别，还包括：
采用哈希函数将数据流索引的方法来进行在线高速地检测通过的大象流，当数据流到来时，利用哈希索引对数据流的规模进行快速统计，判定规模超过一定阈值的数据流为大象流；和/或
基于流量特征，通过机器学习方法对流量进行分类识别。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种天基云雾计算架构的动态资源配置方法程序，所述天基云雾计算架构的动态资源配置方法程序被处理器执行时，实现如权利要求1至7中任一项所述的一种天基云雾计算架构的动态资源配置方法的步骤。
天基云雾计算架构的动态资源配置方法、系统和存储介质
技术领域
[0001] 本发明涉及计算机技术领域，尤其涉及一种天基云雾计算架构的动态资源配置方法、系统和存储介质。
背景技术
[0002] 随着技术的发展和应用需求的多样化，传统的“烟囱式”发展的卫星技术存在的功能单一，相互孤立，运行严重依赖于地面等问题凸显，不能满足我国军事、经济和人民生活水平发展的迫切需求。天地一体化信息网络综合利用新型信息网络技术，充分发挥天基、地基等网络的优势，可以实现支撑国家重大战略行动，促进多元信息传输共享。卫星网络是天地一体化信息网络的重要组成部分，具有高、远、覆盖广的优势。
[0003] 我国创新2030启动的重大工程“天地一体化信息网络”，目标就是要建成一个全球覆盖、按需服务的信息网络体系。在天地一体化信息网络重大项目中，采用“天网地网”架构，天基组网、天地互联，由天基骨干网、天基接入网和地基节点网构成，并可与地面互联网、移动通信网互联互通。天基骨干网主要由部署在GEO轨道的天基骨干节点通过星间链路高速互连而成，具备全球覆盖能力；天基接入网主要由布设在LEO轨道的星座构成，具备全球无缝的随遇接入和移动、宽带通信能力，也称为天基接入网低轨星座。基于空间激光通信的卫星光网络具有速率高、信息容量大的优势，是未来卫星中继与卫星组网的重要技术手段。
[0004] 在天地一体化网络构想不断完善的同时，结合地面网络化技术的发展，特别是软件定义网络(Software Defined Network,SDN)/网络功能虚拟化(Network Functions Virtualization,NFV)，EC等技术的出现，加上人工智能(Artificial Intelligence,AI)技术在近年来的快速发展，使得卫星网络也逐渐向智慧化、协同化、标识化发展，和从“以主机为中心”向“以信息为中心”过渡的趋势。
[0005] 天基网络运用地基网络新兴技术的研究主要有：基于SDN/NFV/MEC的天地一体化网络研究，卫星网络与地面5G网络融合的研究，基于AI的卫星网络资源管理架构设计，天地一体化网络协议的研究，同时还有关于卫星网络链路的研究。SDN/NFV/MEC是5G移动通信的三大关键技术，同时AI技术在网络智能化应用上扮演着重要的角色，可见，对新兴网络技术的研究不仅有利于促进地面互联网，移动通信网的发展，对天地一体化信息网络的建设也发挥着举足轻重的作用。
[0006] 在进行理论研究和仿真实现的同时，实验样机的研究和研制也在进行。2018年11月20日，由中国科学院软件研究所牵头研制的我国首颗专门用于验证软件定义卫星关键技术的试验卫星“天智一号”在酒泉卫星发射中心成功发射。天智卫星的发射成功，为发展天基智能提供了开放的试验平台，为商业航天发展、航天生态系统建设提供了助力，推动了传统卫星向平台化、软件化、智能化、虚拟化等方向演化。
[0007] 在云计算(Cloud Computing,CC)模式中，用户终端(User Equipment,UE)可以通过运营商和核心网络(Core Network,CN)访问并利用高度强大的远程集中式CC中心的计算和存储资源，如图1所示。近年来，接入互联网的UE呈爆炸式增长，同时，新的物联网(Internet of Things,Io T)模式中，无数种具有广泛计算能力的异构设备将被互连。这也意味着网络负载将呈现不断增大的趋势，而线性增长的集中式CC能力无法匹配指数式增长的海量边缘数据。从边缘UE传输到CC中心的海量数据增加了网络传输带宽的负载量，并引入了高延迟。而且，数据传输造成能量有限的UE电能消耗较大。
[0008] 为了解决网络高负载的问题，同时满足用户对超低延时、超高带宽的需求，CC服务应该移动到UE的附近，在网络拓扑上看，即网络的边缘，正如新出现的边缘计算(Edge Computing,EC)范例中所考虑的那样。这些EC范例将计算/存储能力放在网络边缘,例如Cloudlet，移动ad-hoc云，雾计算(Fog Computing,FC)，移动边缘计算/多接入边缘计算(Mobile Edge Computing/Multi-access Edge Computing，MEC),具有实现更低延迟，节省UE能耗的优点，支持无线电网络实时信息和位置感知计算，缓解网络拥堵，并增强移动应用程序的隐私和安全性。
[0009] 随着航空产业的不断发展，各种功能的在轨卫星不断增加，产生了海量实时数据。特别是在遥感数据分析方面，GEO卫星和中低轨卫星每个卫星对遥感数据信息进行收集，这就产生了大量的实时性数据。一般情况下，这些数据需要下传到地面站在进行处理，即采用CC模式，这种资源集中的大数据处理方式可以提供快速的数据处理能力，创造出有效规模的经济效益。但是，与地面网络相似，这种处理方式随着在轨设备的不断增加、网络流量的不断增长而暴露出了相同的问题。
[0010] 这就要求我们在在轨设备侧加入计算能力，使其数据可以得到实时处理，避免由于网络带宽的限制而影响其功能。而EC技术的应用正是在网络边缘侧，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能处理服务，满足卫星设备在实施业务、数据优化、安全与隐私保护等方面的关键需求。针对在轨处理数据量巨大的问题,结合天基边缘计算技术,有利于提高遥感数据在轨处理的能力，实现在轨实时处理，按需快速分发，提高决策的实时性，降低处理时间。
[0011] 在天基计算架构研究中，为了解决时延敏感和大数据化的空间应用与星地带宽有限之间的矛盾，在软件定义卫星、虚拟化和空间网络等技术的支持下，已有一种天基云雾计算系统被提出。系统中主要包括：空间边缘节点、空间边缘云和地面远端云。
[0012] 空间边缘节点可分为用户节点(卫星或飞机)和雾卫星节点。用户节点不承担或只承担相当少的计算功能，主要把业务卸载到边缘云或远端云上完成。雾卫星节点则具有一定的计算、存储能力，它既可以作为用户把自己的计算任务卸载到边缘云或远端云上请求协助完成，又可以作为计算资源接受云端发来的任务并独立地或通过与其他雾卫星节点组建快速服务集群执行任务。雾卫星节点使用通用虚拟化平台，可根据需求搭载不同类型的服务。
[0013] 空间边缘云，是天基信息港基础设施，承担天基边缘数据中心的功能。和雾卫星相比，天基边缘云融合了CPU、GPU、FPGA等异构资源，具有更强大的计算和存储能力。在虚拟化技术的支撑下，它不仅可以完成从用户节点卸载上来的各种应用，还可以完成数据融合、任务分析、智能分发、构建雾卫星节点快速服务集群等功能。
[0014] 地面远端云，是地基信息港基础设施，承担大规模云计算中心功能。和天基边缘云相比，地面云具有更多计算存储资源和更强的计算能力。
[0015] 雾卫星节点、空间边缘云、地面远端云构成了空间信息雾网络的三层计算模型，从边缘到云，各层的计算能力是逐渐增强的。从计算分配的角度来看，复杂性低的计算可以在雾卫星节点上完成；复杂性较高且对处理实时性要求较高的计算适合放在天基边缘云上完成；对处理的实时性要求不高且计算量大、计算复杂性高的计算应放到地面远端云上完成。
[0016] 天基计算资源的特殊性表现在：(1)异构性：卫星上的计算资源包括CPU、FPGA、GPU、内存等；(2)分散性：卫星计算资源分散在空间的各个位置；(3)动态性：卫星处于运动状态，空间信息网络的拓扑具有时变性。
[0017] 因此，设计适应天基云雾计算架构下的动态资源配置方法流程，如何配置卫星上的计算/存储资源以达到相应的目标需求，是值得研究的重点和难点。
发明内容
[0018] 为了解决上述至少一个技术问题，本发明提出了一种天基云雾计算架构的动态资源配置方法、系统和存储介质。
[0019] 为了实现上述目的，本发明第一方面提出了一种天基云雾计算架构的动态资源配置方法，所述动态资源配置方法包括：
[0020] 利用现有网络资源和网络历史数据对当前网络的状态参数进行感知，生成网络状态感知结果；
[0021] 根据网络状态感知结果，检测在当前网络拓扑结构下，各个节点和链路的流量情况、用户访问量以及每项应用对流量的耗费量，并对上述流量进行分类识别，以生成流量分类识别结果；
[0022] 根据流量分类识别结果，总结归纳在当前网络拓扑结构下，各个节点和链路的流量特点，预测出基于地理位置、时间分布、接入密集程度的流量情况，并生成流量预测结果；
[0023] 根据流量预测结果，通过大数据分析平台可视化生成资源配置方案。
[0024] 本方案中，利用现有网络资源和网络历史数据对当前网络的状态参数进行感知，还包括：
[0025] 通过带内网络遥测技术对当前网络的状态参数进行感知，其中，所述状态参数为网络物理拓扑、队列容量、单跳时延的一种或几种。
[0026] 本方案中，检测在当前网络拓扑结构下，各个节点和链路的流量情况、用户访问量以及每项应用对流量的耗费量，并对上述流量进行分类识别，还包括：
[0027] 采用哈希函数将数据流索引的方法来进行在线高速地检测通过的大象流，当数据流到来时，利用哈希索引对数据流的规模进行快速统计，判定规模超过一定阈值的数据流为大象流；和/或
[0028] 基于流量特征，通过机器学习方法对流量进行分类识别。
[0029] 进一步的，基于流量特征，通过机器学习方法对流量进行分类识别，还包括：
[0030] 定义流量可被识别和区分的特征；
[0032] 本方案中，根据流量分类识别结果，总结归纳在当前网络拓扑结构下，各个节点和链路的流量特点，预测出基于地理位置、时间分布、接入密集程度的流量情况，还包括：
[0033] 通过回归学习方法和/或强化学习方法,预测出基于地理位置、时间分布、接入密集程度的流量情况。
[0034] 优选的，所述资源包括计算资源和存储资源，所述计算资源为CPU、GPU、FPGA的一种或几种，所述存储资源为机械硬盘、固态硬盘、液态硬盘、光学硬盘的一种或几种。
[0035] 本发明第二方面还提出一种天基云雾计算架构的动态资源配置系统，所述天基云雾计算架构的动态资源配置系统包括：存储器及处理器，所述存储器中包括一种天基云雾计算架构的动态资源配置方法程序，所述天基云雾计算架构的动态资源配置方法程序被所述处理器执行时实现如下步骤：
[0036] 利用现有网络资源和网络历史数据对当前网络的状态参数进行感知，生成网络状态感知结果；
[0037] 根据网络状态感知结果，检测在当前网络拓扑结构下，各个节点和链路的流量情况、用户访问量以及每项应用对流量的耗费量，并对上述流量进行分类识别，以生成流量分类识别结果；
[0038] 根据流量分类识别结果，总结归纳在当前网络拓扑结构下，各个节点和链路的流量特点，预测出基于地理位置、时间分布、接入密集程度的流量情况，并生成流量预测结果；
[0039] 根据流量预测结果，通过大数据分析平台可视化生成资源配置方案。
[0040] 本方案中，利用现有网络资源和网络历史数据对当前网络的状态参数进行感知，还包括：
[0041] 通过带内网络遥测技术对当前网络的状态参数进行感知，其中，所述状态参数为网络物理拓扑、队列容量、单跳时延的一种或几种。
[0042] 本方案中，检测在当前网络拓扑结构下，各个节点和链路的流量情况、用户访问量以及每项应用对流量的耗费量，并对上述流量进行分类识别，还包括：
[0043] 采用哈希函数将数据流索引的方法来进行在线高速地检测通过的大象流，当数据流到来时，利用哈希索引对数据流的规模进行快速统计，判定规模超过一定阈值的数据流为大象流；和/或
[0044] 基于流量特征，通过机器学习方法对流量进行分类识别。
[0045] 本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种天基云雾计算架构的动态资源配置方法程序，所述天基云雾计算架构的动态资源配置方法程序被处理器执行时，实现如上述的一种天基云雾计算架构的动态资源配置方法的步骤。
[0046] 本发明通过动态配置计算资源和存储资源，能够满足5G网络的需求，达到全球无缝覆盖，并可支持的用户连接数增长到100万用户/平方公里。本发明在达到全球无缝覆盖的同时，还进一步优化资源配置，使得各个资源节点之间互不干扰，降低了资源配置成本，在有限资源配置的前提下实现资源利用率的最大化。本发明通过引入边缘计算，使卫星具有在轨计算能力，缩短了传播时延，并将传播时延达到毫秒级，从而确保数据能够得以实时性计算处理。
[0047] 本发明还使用激光通信等高通量通信技术，增大传输的数据量，同时，通过卫星在轨计算可以占用较少的带宽传输，并使有限的带宽传输更有效的数据。另外，本发明在初步分配资源了之后，根据用户服务质量评价还可以进行再次对资源进行调整，不断优化资源配置。
[0049] 图1示出了现有技术一种云计算模式网络架构图；
[0050] 图2示出了本发明一种天基云雾计算架构下的资源配置系统工作流程；
[0051] 图3示出了本发明一种天基云雾计算架构的动态资源配置方法的流程图；
[0052] 图4示出了本发明一实施例的动态资源配置方法的流程图；
[0053] 图5示出了本发明一种带内网络监控架构图；
[0054] 图6示出了本发明一种大象流检测和预测方法的流程图；
[0055] 图7示出了本发明一种天基云雾计算架构下的动态资源配置系统的框图。
具体实施方式
[0056] 为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
[0057] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0058] 如图2所示，天基云雾计算架构下的资源配置系统工作流程包含：基本资源配置，动态资源配置，卫星星座设计。基本资源配置包括了天基云雾计算架构内所有节点都会在底层硬件中配置的计算/存储资源，能够满足最基本的任务，一般情况下这个任务需要的资源量不会特别大。动态资源配置包括一些特殊的计算/存储资源，计算资源可以是异构计算资源(如：GPU、CPU、FPGA)，存储资源可以是不同的存储资源(如：机械硬盘，固态硬盘，液态硬盘，光学硬盘)。由于天基网络的高动态特性，需要根据天基云雾计算架构下的资源配置系统的配置要求，设计来相对应的卫星星座轨道来完成资源的配置。
[0059] 图3示出了本发明一种天基云雾计算架构的动态资源配置方法的流程图。
[0060] 如图3所示，本发明第一方面提出一种天基云雾计算架构的动态资源配置方法，所述动态资源配置方法包括：
[0061] S302，利用现有网络资源和网络历史数据对当前网络的状态参数进行感知，生成网络状态感知结果；
[0062] S304，根据网络状态感知结果，检测在当前网络拓扑结构下，各个节点和链路的流量情况、用户访问量以及每项应用对流量的耗费量，并对上述流量进行分类识别，以生成流量分类识别结果；
[0063] S306，根据流量分类识别结果，总结归纳在当前网络拓扑结构下，各个节点和链路的流量特点，预测出基于地理位置、时间分布、接入密集程度的流量情况，并生成流量预测结果；
[0064] S308，根据流量预测结果，通过大数据分析平台可视化生成资源配置方案。
[0065] 需要说明的是，所述资源包括计算资源和存储资源，所述计算资源可以为CPU、GPU、FPGA的一种或几种，所述存储资源可以为机械硬盘、固态硬盘、液态硬盘、光学硬盘的一种或几种。
[0066] 需要说明的是，上述动态资源配置方法采用“网络状态感知+流量识别+流量预测+生成资源配置方案”的逻辑。网络状态感知主要是利用现有网络资源和网络历史数据对目前网络的状态参数进行感知，主要参数有网络拓扑，链路流量、链路时延、节点用户访问量、接入网侧流量等。优选的，网络状态感知可以通过带内网络遥测技术来对整个网络状态进行感知。
[0067] 流量识别主要是根据网络状态感知的结果，检测在当前网络拓扑结构下，各个节点和链路的流量情况(如大象流)、用户访问量以及每项应用对流量的耗费量，对这些流量进行分类识别。优选的，流量识别可以通过数据流索引/机器学习技术进行。
[0068] 流量预测主要是根据流量分类识别的结果，总结归纳在当前网络拓扑结构下，各个节点和链路的流量特点，预测出基于地理位置、时间分布、接入密集程度的流量情况。优选的，流量预测可以通过回归学习/强化学习进行。
[0069] 生成资源配置方案主要是根据流量预测的结果，通过大数据分析平台可视化生成资源配置方案，包含在地理或空间位置的资源配置情况，在不同时间段内(如白天黑夜或一年四季)基于服务迁移的周期性资源配置情况。优选的，生成资源配置方案可以基于大数据分析平台将网络状态感知、流量识别和流量预测的结果联合生成。
[0070] 如图4所示，通过网络状态感知，流量识别，流量预测，最后生成资源配置方案。如果该资源配置方案能满足目标需求，则可以按照该资源配置方案开始设计卫星星座。如果不能满足目标需求，则可以重新对网络进行感知，流量识别，流量预测，再生成资源配置方案并进行评估，形成闭环系统，根据网络历史数据进行迭代更新，不断优化资源配置方案。
[0071] 根据本发明的实施例，利用现有网络资源和网络历史数据对当前网络的状态参数进行感知，还包括：
[0072] 通过带内网络遥测技术对当前网络的状态参数进行感知，其中，所述状态参数为网络物理拓扑、队列容量、单跳时延的一种或几种。
[0073] 需要说明的是，本发明基于SDN的带内网络遥测技术对全网节点与链路性能进行感知，具体对网络设备的状态信息(包括网络物理拓扑、队列容量、单跳时延等)进行细粒度高效的监控。本发明基于现有的可编程的网络硬件平面，拟利用一套新的网络硬件的监控系统——带内网络感知技术，实现无硬件依赖、无额外流量、包级别、毫秒级感知的网络实时监控技术。带内网络感知技术是数据平面的网络感知技术，核心理念是将网络状态数据通过可编程硬件直接写入数据包的包头。
[0074] 如图5所示，SDN控制器只需要将监控指令下发给网络设备中。网络流量经过该节点时，通过可编程网络设备，直接将监控指令直接写在数据包头。在沿着转发路径转发时，监控数据会被不断的加进数据包头里。最后在终节点，遥测数据会和网络复杂分离，遥测数据会被直接上传给数据分析平台。
[0075] 带内网络监测直接从数据平面收集数据，不需要控制器的参与，将网络状态直接写在数据包头，并通过标准的消息队列直接将监控数据上传给大数据分析平台。从而实现包级别细粒度的网络监控，同时避免了海量探针通信及控制器的计算压力。上述监控技术存在如下几个优势：(1)无额外硬件依赖：INT不需要依赖特定的网络硬件设备，对于不同厂商的设备，不存在硬件兼容性问题，有利于推广。(2)无额外流量：INT将感知的网络状态数据写到数据包的包头，而不是另外产生网络状态数据包，数据量非常小，基本不会在网络中产生额外的流量，有利于维护网络链路的稳定性。(3)包级别感知：INT能够进行数据包级别的网络感知，能够获得每个数据包的延迟、拥塞等细粒度状态信息。(4)毫秒级感知：与传统网络监测技术根据采样或统计方式进行网络感知不同，INT可以通过每个数据包主动传递网络状态，实时高效的为网络分析等应用传递数据，适合于时延敏感性业务感知。
[0076] 根据本发明的实施例，检测在当前网络拓扑结构下，各个节点和链路的流量情况、用户访问量以及每项应用对流量的耗费量，并对上述流量进行分类识别，还包括：
[0077] 采用哈希函数将数据流索引的方法来进行在线高速地检测通过的大象流，当数据流到来时，利用哈希索引对数据流的规模进行快速统计，判定规模超过一定阈值的数据流为大象流；和/或
[0078] 基于流量特征，通过机器学习方法对流量进行分类识别。
[0079] 进一步的，基于流量特征，通过机器学习方法对流量进行分类识别，还包括：
[0080] 定义流量可被识别和区分的特征；
[0081] 训练出可将流量的特征集合与已知类别相关联的ML分类器，应用ML算法并根据先前学习训练好的规则模型对未知流量进行分类。
[0082] 可以理解，大数据给通信带来了巨大的挑战，其规模大、速度快、种类多的特点在通信中也有充分体现。例如，在移动骨干网，流量带宽为40G～100Gbps；在大型数据中心，流量带宽可达到1Tbps规模。在通信网络中，规模庞大的数据流被称为大象流(elephant flow)，规模微小的数据流被称为老鼠流(mouse flow)。大象流出现的比例虽然不高，但会占据网络带宽，给网络带来堵塞。所以，及时检测、预测大象流，采取必要的措施是网络管理的重要课题。
[0083] 需要说明的是，大象流检测是指当数据流源源不断通过的时候，统计其规模大小，判断其是否为大象流(即有大量的数据包)。本发明采用哈希函数将数据流索引的方法来进行在线高速地检测通过的大象流。用哈希函数将数据流索引，当数据流到来时，利用哈希索引对数据流的规模进行快速统计，规模超过一定阈值的数据流是大象流；在这个过程中，将规模小的数据流丢弃，以防止数据溢出。
[0084] 进一步的，本发明还提供一种基于流量特征的分类方法，通过识别流量的外部可观察属性中的统计模式来进行流量分类，而不需要深入检测数据包的内容来收集信息并推断语义。该方法最终可以将网络中的流聚类成具有相似流量模式的组，或者一个或多个相关的应用类别。流量特征包括：分组到达间隔时间(平均值、方差等)，分组大小(最大值、最小值、平均值)，流的字节总数，流的持续时间等。而为了更好的综合这些流量特征，优选采用机器学习(ML)算法进行流量分类。
[0085] 本发明将机器学习技术应用到基于流量特征的流量分类中，其涉及以下步骤：首先，需要定义流量可以被识别和区分的特征，这些特征是通过多个数据包计算得出的流量属性(例如每个方向上的最大或最小数据包长度，流量持续时间和数据包到达间隔时间等)；然后，训练出可以将流量的特征集合与已知类别(根据业务需求创建)相关联的ML分类器，并且应用ML算法来使用先前学习训练好的规则模型对未知流量进行分类。
[0086] 需要说明的是，每个ML算法都有排序和优化特征集的不同方法，因此不同的ML算法在训练和分类期间会有不同的动态行为。衡量流量分类的标准有：False Negatives(FN)、False Positives(FP)、True Positives(TP)和True Negatives(TN)、召回率、精确度、流量精度和字节精度等。在使用ML进行流量分类时通常采用监督学习和无监督学习，优选采用最近邻居(NN)、线性鉴别分析(LDA)、二次判别分析(QDA)、朴素贝叶斯、遗传算法等监督学习算法和期望最大化(EM)、AutoClass、K-Means等无监督学习算法来进行流量分类。可以理解，不同的ML算法在分类准确度、建模时间、分类速度等方面存在着差异。
[0087] 需要说明的是，将机器学习应用在流量分类，在结合具体业务进行流量分类时，需要考虑到分组丢失、延迟抖动、数据包碎片、事先未知流的方向以及CPU和内存资源的消耗情况等因素对于ML算法分类性能影响。
[0088] 进一步的，根据流量分类识别结果，总结归纳在当前网络拓扑结构下，各个节点和链路的流量特点，预测出基于地理位置、时间分布、接入密集程度的流量情况，还包括：
[0089] 通过回归学习方法和/或强化学习方法,预测出基于地理位置、时间分布、接入密集程度的流量情况。
[0090] 需要说明的是，大象流预测是指数据流刚到的时候，系统只看它的包头信息，就能判断其是否是大象流。进一步的，可以将大象流预测定义为在线回归学习问题(online regression learning)，一个数据流是一个样本，由特征向量和流的规模组成，如图6所示。特征向量表示数据流的地址、时间等信息。在线学习系统不断地从数据中学习回归模型，再对于新给定的样本基于特征对其规模进行预测。优选的，上述模型属于高斯过程回归(Gaussian Process Regression)，从流数据中在线学习该模型，学习的函数遵循高斯过程，通过已给训练样本和要预测样本的联合高斯分布，给出要预测样本的期望和方差，即做出预测。
[0091] 可以理解，在人工智能流量预测中，网络状态感知提供了丰富的海量的细粒度的网络状态和流量特征，实现了对全网的全局监控和感知。然而，伴随这网络规模的扩大和业务数量的提升，链路将面对海量的网络状态空间，需要智能体从海量状态空间中预测流量的状态，这带给传统机器学习带来很大的难题。本发明的深度强化学习算法在强化学习的基础上结合了深度学习来压缩强化学习的状态空间。深度神经网络拥有很强的函数拟合能力。深度学习不仅能够为强化学习带来端到端优化的便利，而且使得强化学习不再受限于低维的空间中，极大地拓展了强化学习的使用范围。强化学习定义了优化的目标，深度学习给出了运行机制——表征问题的方式以及解决问题的方式。因此，强化学习和深度学习的结合能够实现从海量状态空间中精确预测流量的状态。
[0092] 可以理解，网络的实时信息通过控制器传递到AI平面，并作为AI平面的输入状态(State)。由于控制器得到的是网络的全局视图，所以网络输入状态的状态空间很大。通过深度强化学习的Agent将状态作为输入,并对网络状态空间进行压缩。深度强化学习通过使用观察到的网络数据作为状态输入训练得到Agent的策略。深度强化学习使用策略(Policy)π＝(a|s)，实现状态空间与动作空间的映射，并根据输入状态选择一个接近最优的决策动作(Action)。AI平面将得到的决策动作反馈到控制器并通过控制器下发给底层网络配置并部署。通过深度强化学习来进行网络策略学习主要有以下三个优点：
[0093] 第一，深度强化学习算法的黑盒特性，使得不同的网络决策任务和优化目标，只需要设计动作空间和奖励而不用重新设计数学模型；
[0094] 第二，深度神经网络的强大拟合能力能够对复杂环境进行处理，实现从海量状态空间的网络状态中寻找出最优的网络策略；
[0095] 第三，深度强化学习算法的agent一旦训练好就可以在一步计算内给出近似最优解，相比于启发式算法的多步收敛，对于高动态网络有极大的优势。
[0096] 图7示出了本发明一种天基云雾计算架构下的动态资源配置系统的框图。
[0097] 如图7所示，本发明第二方面还提出一种天基云雾计算架构的动态资源配置系统7，所述天基云雾计算架构的动态资源配置系统7包括：存储器71及处理器72，所述存储器71中包括一种天基云雾计算架构的动态资源配置方法程序，所述天基云雾计算架构的动态资源配置方法程序被所述处理器72执行时实现如下步骤：
[0098] 利用现有网络资源和网络历史数据对当前网络的状态参数进行感知，生成网络状态感知结果；
[0099] 根据网络状态感知结果，检测在当前网络拓扑结构下，各个节点和链路的流量情况、用户访问量以及每项应用对流量的耗费量，并对上述流量进行分类识别，以生成流量分类识别结果；
[0100] 根据流量分类识别结果，总结归纳在当前网络拓扑结构下，各个节点和链路的流量特点，预测出基于地理位置、时间分布、接入密集程度的流量情况，并生成流量预测结果；
[0101] 根据流量预测结果，通过大数据分析平台可视化生成资源配置方案。
[0102] 根据本发明的实施例，利用现有网络资源和网络历史数据对当前网络的状态参数进行感知，还包括：
[0103] 通过带内网络遥测技术对当前网络的状态参数进行感知，其中，所述状态参数为网络物理拓扑、队列容量、单跳时延的一种或几种。
[0104] 根据本发明的实施例，检测在当前网络拓扑结构下，各个节点和链路的流量情况、用户访问量以及每项应用对流量的耗费量，并对上述流量进行分类识别，还包括：
[0105] 采用哈希函数将数据流索引的方法来进行在线高速地检测通过的大象流，当数据流到来时，利用哈希索引对数据流的规模进行快速统计，判定规模超过一定阈值的数据流为大象流；和/或
[0106] 基于流量特征，通过机器学习方法对流量进行分类识别。
[0107] 本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种天基云雾计算架构的动态资源配置方法程序，所述天基云雾计算架构的动态资源配置方法程序被处理器执行时，实现如上述的一种天基云雾计算架构的动态资源配置方法的步骤。
[0108] 本发明通过动态配置计算资源和存储资源，能够满足5G网络的需求，达到全球无缝覆盖，并可支持的用户连接数增长到100万用户/平方公里。本发明在达到全球无缝覆盖的同时，还进一步优化资源配置，使得各个资源节点之间互不干扰，降低了资源配置成本，在有限资源配置的前提下实现资源利用率的最大化。本发明通过引入边缘计算，使卫星具有在轨计算能力，缩短了传播时延，并将传播时延达到毫秒级，从而确保数据能够得以实时性计算处理。
[0109] 本发明还使用激光通信等高通量通信技术，增大传输的数据量，同时，通过卫星在轨计算可以占用较少的带宽传输，并使有限的带宽传输更有效的数据。另外，本发明在初步分配资源了之后，根据用户服务质量评价还可以进行再次对资源进行调整，不断优化资源配置。
[0110] 本发明能够高效利用异构资源，满足天基时延敏感和大数据应用的需求，适应动态网络连接，保证服务流的可靠性，实现系统的负载均衡。
[0111] 在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0112] 上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
[0113] 另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0114] 本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0115] 或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
[0116] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 视频图像的编码方法及装置 | 2020-05-08 | 427 |
| 深度信息补全方法及其装置、监控系统和存储介质 | 2020-05-08 | 721 |
| 信息推送方法及相关产品 | 2020-05-08 | 146 |
| 一种基于区块链和竞拍博弈的网络资源安全共享方法 | 2020-05-08 | 20 |
| 基于FPGA和非线性插值的视频缩放方法 | 2020-05-08 | 905 |
| 报文检测方法及装置 | 2020-05-08 | 174 |
| 一种均衡长期能效和网络稳定性的C-RAN系统资源分配方法 | 2020-05-08 | 975 |
| 一种适用于电力系统安防的视频增强浓缩方法 | 2020-05-08 | 656 |
| 一种视频会议加密方法 | 2020-05-08 | 912 |
| 一种基于随机素数的双通道交换的超奇异椭圆曲线算法的密钥交换方法 | 2020-05-11 | 360 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈