【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及流量管理與調(diào)度，尤其涉及一種基于時空序列的直播訪客流量預(yù)測與路由調(diào)度方法及系統(tǒng)。
技術(shù)介紹
1、直播平臺的快速發(fā)展帶來了巨大的流量壓力，對直播服務(wù)質(zhì)量提出了更高的要求。為了保障用戶的觀看體驗，需要對直播流量進(jìn)行準(zhǔn)確的預(yù)測和高效的調(diào)度。
2、現(xiàn)有的直播流量預(yù)測方法難以準(zhǔn)確捕捉直播流量的復(fù)雜時空特征，導(dǎo)致預(yù)測精度低，難以有效指導(dǎo)流量調(diào)度；容易造成單點(diǎn)故障和性能瓶頸，難以適應(yīng)大規(guī)模直播場景下的動態(tài)流量變化，調(diào)度效率低；缺乏對網(wǎng)絡(luò)狀態(tài)的實(shí)時感知和動態(tài)調(diào)整能力，在網(wǎng)絡(luò)擁塞情況下難以保障數(shù)據(jù)傳輸?shù)膶?shí)時性和流暢性。
3、綜上所述，亟需一種方法捕捉直播流量的復(fù)雜時空特征，提高預(yù)測精度，適應(yīng)大規(guī)模直播場景下的動態(tài)流量變化，增加對網(wǎng)絡(luò)狀態(tài)的實(shí)時感知和動態(tài)調(diào)整能力，在網(wǎng)絡(luò)擁塞情況下保障數(shù)據(jù)傳輸?shù)膶?shí)時性和流暢性，本專利技術(shù)能夠解決現(xiàn)有技術(shù)中的問題。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)實(shí)施例提供一種基于時空序列的直播訪客流量預(yù)測與路由調(diào)度方法及系統(tǒng)，能夠解決現(xiàn)有技術(shù)中的問題。
2、本專利技術(shù)實(shí)施例的第一方面，
3、提供一種基于時空序列的直播訪客流量預(yù)測與路由調(diào)度方法，包括：
4、采集直播集群中每個直播間的流量數(shù)據(jù)，計算每個直播間的綜合特征向量，基于所述綜合特征向量，以每個直播間為預(yù)測節(jié)點(diǎn)，構(gòu)建直播流量預(yù)測網(wǎng)絡(luò)，采用深度學(xué)習(xí)模型計算每個預(yù)測節(jié)點(diǎn)之間的流量關(guān)聯(lián)度，確定流量關(guān)聯(lián)矩陣；對所述預(yù)測節(jié)點(diǎn)進(jìn)行流量監(jiān)測，當(dāng)檢測到所述預(yù)測節(jié)點(diǎn)的流量變化超過預(yù)
5、將所述流量漣漪傳播范圍矩陣指示的網(wǎng)絡(luò)區(qū)域設(shè)置為目標(biāo)區(qū)域，在所述目標(biāo)區(qū)域內(nèi)構(gòu)建區(qū)塊鏈網(wǎng)絡(luò)，將所述目標(biāo)區(qū)域中的負(fù)載均衡節(jié)點(diǎn)映射為所述區(qū)塊鏈網(wǎng)絡(luò)的共識節(jié)點(diǎn)；在所述區(qū)塊鏈網(wǎng)絡(luò)部署智能合約，所述智能合約嵌入自適應(yīng)路由算法，接收所述流量激增概率分布矩陣，當(dāng)所述流量激增概率分布矩陣中的概率值超過預(yù)設(shè)的概率閾值時，觸發(fā)所述智能合約執(zhí)行分片并行處理，基于閃電網(wǎng)絡(luò)技術(shù)生成數(shù)據(jù)包路由策略；
6、在所述目標(biāo)區(qū)域部署邊緣加速節(jié)點(diǎn)，所述邊緣加速節(jié)點(diǎn)配置支持遠(yuǎn)程直接內(nèi)存訪問的網(wǎng)絡(luò)接口；所述邊緣加速節(jié)點(diǎn)接收所述數(shù)據(jù)包路由策略，建立數(shù)據(jù)傳輸通道，所述數(shù)據(jù)傳輸通道繞過tcp/ip協(xié)議棧，進(jìn)行數(shù)據(jù)包轉(zhuǎn)發(fā)；所述邊緣加速節(jié)點(diǎn)監(jiān)測所述數(shù)據(jù)傳輸通道的網(wǎng)絡(luò)狀態(tài)，當(dāng)檢測到網(wǎng)絡(luò)擁塞時，基于在線強(qiáng)化學(xué)習(xí)算法，將所述流量激增概率分布矩陣作為狀態(tài)輸入，依次以最小化最高優(yōu)先級數(shù)據(jù)包的傳輸時延為優(yōu)化目標(biāo)，調(diào)整數(shù)據(jù)包的傳輸速率。
7、在一種可選的實(shí)施例中，
8、基于所述綜合特征向量，以每個直播間為預(yù)測節(jié)點(diǎn)，構(gòu)建直播流量預(yù)測網(wǎng)絡(luò)，采用深度學(xué)習(xí)模型計算每個預(yù)測節(jié)點(diǎn)之間的流量關(guān)聯(lián)度，確定流量關(guān)聯(lián)矩陣包括：
9、接收直播間的綜合特征向量，所述綜合特征向量包含流量數(shù)據(jù)特征、用戶行為特征和內(nèi)容特征；對所述綜合特征向量進(jìn)行降維處理得到特征維度向量；基于所述特征維度向量構(gòu)建直播流量預(yù)測網(wǎng)絡(luò)，將每個直播間設(shè)置為所述直播流量預(yù)測網(wǎng)絡(luò)中的預(yù)測節(jié)點(diǎn)，基于所述特征維度向量構(gòu)建所述預(yù)測節(jié)點(diǎn)的節(jié)點(diǎn)特征矩陣；
10、分解所述節(jié)點(diǎn)特征矩陣，構(gòu)建量子行走算子，基于所述量子行走算子執(zhí)行量子隨機(jī)行走過程，記錄每個所述預(yù)測節(jié)點(diǎn)的量子態(tài)變化序列，基于所述量子態(tài)變化序列構(gòu)建概率轉(zhuǎn)移矩陣，根據(jù)所述概率轉(zhuǎn)移矩陣獲取所述預(yù)測節(jié)點(diǎn)之間的流量傳播路徑；
11、將所述流量傳播路徑輸入因果圖網(wǎng)絡(luò)，在所述因果圖網(wǎng)絡(luò)中計算所述預(yù)測節(jié)點(diǎn)之間的互信息值，基于所述互信息值構(gòu)建信息流矩陣；根據(jù)所述信息流矩陣建立所述預(yù)測節(jié)點(diǎn)之間的條件獨(dú)立性判定規(guī)則，基于所述條件獨(dú)立性判定規(guī)則識別具有直接因果關(guān)系的預(yù)測節(jié)點(diǎn)對，構(gòu)建所述預(yù)測節(jié)點(diǎn)之間的因果關(guān)系矩陣；
12、構(gòu)建深度學(xué)習(xí)模型，將所述因果關(guān)系矩陣作為輸入，基于所述因果關(guān)系矩陣構(gòu)建擴(kuò)散核函數(shù)；在所述深度學(xué)習(xí)模型中嵌入圖神經(jīng)常微分方程，構(gòu)建連續(xù)時間狀態(tài)方程，將所述擴(kuò)散核函數(shù)代入所述連續(xù)時間狀態(tài)方程，通過求解連續(xù)時間狀態(tài)方程，得到預(yù)測節(jié)點(diǎn)之間的時序關(guān)聯(lián)特征；
13、基于所述時序關(guān)聯(lián)特征，計算預(yù)測節(jié)點(diǎn)之間的皮爾遜相關(guān)系數(shù)，確定流量關(guān)聯(lián)度，將所述流量關(guān)聯(lián)度組合生成流量關(guān)聯(lián)度矩陣。
14、在一種可選的實(shí)施例中，
15、分解所述節(jié)點(diǎn)特征矩陣，構(gòu)建量子行走算子，基于所述量子行走算子執(zhí)行量子隨機(jī)行走過程，記錄每個所述預(yù)測節(jié)點(diǎn)的量子態(tài)變化序列，基于所述量子態(tài)變化序列構(gòu)建概率轉(zhuǎn)移矩陣，根據(jù)所述概率轉(zhuǎn)移矩陣獲取所述預(yù)測節(jié)點(diǎn)之間的流量傳播路徑包括：
16、將節(jié)點(diǎn)特征矩陣進(jìn)行奇異值分解得到左奇異矩陣、奇異值矩陣和右奇異矩陣；基于預(yù)設(shè)的前部分?jǐn)?shù)量，將所述左奇異矩陣對應(yīng)數(shù)量的前部分列構(gòu)建位置分量；基于預(yù)設(shè)的后部分?jǐn)?shù)量，將所述左奇異矩陣對應(yīng)數(shù)量的后部分列構(gòu)建動量分量；將所述位置分量與所述位置分量的轉(zhuǎn)置矩陣相乘構(gòu)建節(jié)點(diǎn)位置算子；將所述動量分量與所述動量分量的轉(zhuǎn)置矩陣相乘構(gòu)建動量算子；
17、將第一權(quán)重系數(shù)與所述節(jié)點(diǎn)位置算子相乘得到第一加權(quán)項；將第二權(quán)重系數(shù)與所述動量算子相乘得到第二加權(quán)項；將所述第一加權(quán)項與所述第二加權(quán)項相加得到哈密頓算子；
18、將所述哈密頓算子映射為指數(shù)形式得到量子行走算子；
19、將所述預(yù)測節(jié)點(diǎn)的初始量子態(tài)設(shè)置為歸一化向量；將所述量子行走算子作用于所述初始量子態(tài)；根據(jù)預(yù)設(shè)時間步長，通過所述量子行走算子迭代更新所述預(yù)測節(jié)點(diǎn)的量子態(tài)，得到所述預(yù)測節(jié)點(diǎn)在預(yù)設(shè)時間段內(nèi)的量子態(tài)變化序列；
20、對每兩個預(yù)測節(jié)點(diǎn)進(jìn)行遍歷配對，得到預(yù)測節(jié)點(diǎn)對，其中一個節(jié)點(diǎn)設(shè)為起始節(jié)點(diǎn)，另一個節(jié)點(diǎn)設(shè)為終止節(jié)點(diǎn)；計算起始節(jié)點(diǎn)在當(dāng)前時刻的量子態(tài)與終止節(jié)點(diǎn)在下一時刻的量子態(tài)的內(nèi)積；對內(nèi)積求模的平方，得到起始節(jié)點(diǎn)與終止節(jié)點(diǎn)之間的瞬時轉(zhuǎn)移概率；在預(yù)設(shè)時間段內(nèi)，對所述瞬時轉(zhuǎn)移概率求平均值，得到起始節(jié)點(diǎn)與終止節(jié)點(diǎn)之間的最終轉(zhuǎn)移概率；
21、將所有預(yù)測節(jié)點(diǎn)對之間的最終轉(zhuǎn)移概率組合生成概率轉(zhuǎn)移矩陣；將所述概率轉(zhuǎn)移矩陣中大于預(yù)設(shè)閾值的最終轉(zhuǎn)移概率所對應(yīng)的預(yù)測節(jié)點(diǎn)對確定為預(yù)測節(jié)點(diǎn)之間的流量傳播路徑。
22、在一種可選的實(shí)施例中，
23、對所述預(yù)測節(jié)點(diǎn)進(jìn)行流量監(jiān)測，當(dāng)檢測到所述預(yù)測節(jié)點(diǎn)的流量變化超過預(yù)設(shè)的動態(tài)閾值時，觸發(fā)流量漣漪效應(yīng)計算，基于圖神經(jīng)網(wǎng)絡(luò)，根據(jù)所述流量關(guān)聯(lián)矩陣構(gòu)建網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，計算所述流量變化的傳播特征，生成流量漣漪傳播范圍矩陣和流量激增概率分布矩陣包括：
24、對預(yù)測節(jié)點(diǎn)進(jìn)行流量監(jiān)測，采集所述預(yù)測節(jié)點(diǎn)的歷史流量數(shù)據(jù)，計算所述歷史流量數(shù)據(jù)的統(tǒng)計量，基于統(tǒng)計量通過指數(shù)加權(quán)移動平均更新動態(tài)基線，將所述動態(tài)基線作為預(yù)測節(jié)點(diǎn)的動態(tài)閾值；
25、檢測所述預(yù)測節(jié)點(diǎn)的流量數(shù)據(jù)，當(dāng)所述預(yù)測節(jié)點(diǎn)的流量數(shù)據(jù)超出所述動態(tài)閾值時，將對應(yīng)的預(yù)測節(jié)點(diǎn)標(biāo)記為流量源節(jié)點(diǎn)，記錄所述流量源節(jié)點(diǎn)的流量突變時刻；...
【技術(shù)保護(hù)點(diǎn)】
1.基于時空序列的直播訪客流量預(yù)測與路由調(diào)度方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于所述綜合特征向量，以每個直播間為預(yù)測節(jié)點(diǎn)，構(gòu)建直播流量預(yù)測網(wǎng)絡(luò)，采用深度學(xué)習(xí)模型計算每個預(yù)測節(jié)點(diǎn)之間的流量關(guān)聯(lián)度，確定流量關(guān)聯(lián)矩陣包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，分解所述節(jié)點(diǎn)特征矩陣，構(gòu)建量子行走算子，基于所述量子行走算子執(zhí)行量子隨機(jī)行走過程，記錄每個所述預(yù)測節(jié)點(diǎn)的量子態(tài)變化序列，基于所述量子態(tài)變化序列構(gòu)建概率轉(zhuǎn)移矩陣，根據(jù)所述概率轉(zhuǎn)移矩陣獲取所述預(yù)測節(jié)點(diǎn)之間的流量傳播路徑包括：
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，對所述預(yù)測節(jié)點(diǎn)進(jìn)行流量監(jiān)測，當(dāng)檢測到所述預(yù)測節(jié)點(diǎn)的流量變化超過預(yù)設(shè)的動態(tài)閾值時，觸發(fā)流量漣漪效應(yīng)計算，基于圖神經(jīng)網(wǎng)絡(luò)，根據(jù)所述流量關(guān)聯(lián)矩陣構(gòu)建網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，計算所述流量變化的傳播特征，生成流量漣漪傳播范圍矩陣和流量激增概率分布矩陣包括：
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述區(qū)塊鏈網(wǎng)絡(luò)部署智能合約，所述智能合約嵌入自適應(yīng)路由算法，接收所述流量激增概率分布矩陣包括：
<...【技術(shù)特征摘要】
1.基于時空序列的直播訪客流量預(yù)測與路由調(diào)度方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于所述綜合特征向量，以每個直播間為預(yù)測節(jié)點(diǎn)，構(gòu)建直播流量預(yù)測網(wǎng)絡(luò)，采用深度學(xué)習(xí)模型計算每個預(yù)測節(jié)點(diǎn)之間的流量關(guān)聯(lián)度，確定流量關(guān)聯(lián)矩陣包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，分解所述節(jié)點(diǎn)特征矩陣，構(gòu)建量子行走算子，基于所述量子行走算子執(zhí)行量子隨機(jī)行走過程，記錄每個所述預(yù)測節(jié)點(diǎn)的量子態(tài)變化序列，基于所述量子態(tài)變化序列構(gòu)建概率轉(zhuǎn)移矩陣，根據(jù)所述概率轉(zhuǎn)移矩陣獲取所述預(yù)測節(jié)點(diǎn)之間的流量傳播路徑包括：
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，對所述預(yù)測節(jié)點(diǎn)進(jìn)行流量監(jiān)測，當(dāng)檢測到所述預(yù)測節(jié)點(diǎn)的流量變化超過預(yù)設(shè)的動態(tài)閾值時，觸發(fā)流量漣漪效應(yīng)計算，基于圖神經(jīng)網(wǎng)絡(luò)，根據(jù)所述流量關(guān)聯(lián)矩陣構(gòu)建網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，計算所述流量變化的傳播特征，生成流量漣漪傳播范圍矩陣和流量激增概率分布矩陣包括：
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：于驚濤，廣宇昊，曾黎，傅強(qiáng)，
申請(專利權(quán))人：北京易匯眾盟網(wǎng)絡(luò)技術(shù)有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。