本技术涉及数据传输,特别涉及一种网络参数配置方法、装置、计算机设备以及存储介质。
背景技术:
1、随着数据中心的广泛化应用,数据中心要求交换网络具有高吞吐、低延时等特性,交换网络中的交换机可以通过合理配置网络参数,并根据配置好的网络参数来对报文的转发进行调控,以避免交换机在转发报文时,出现网络拥塞现象,从而使得交换网络可以具有高吞吐、低延时等特性。
2、目前,配置网络参数的过程可以是:以网络参数为显式拥塞通知(explicitcongestion?notification,ecn)参数为例,交换机可以按照配置公式,来配置ecn参数,其中,配置公式可以是:ecn参数=cout*target_rtt,cout为交换机拥塞端口的吞吐量,target_rtt为端到端的目标延时,从而交换机可以直接根据配置公式获取ecn参数,并根据获取的ecn参数来对报文的转发进行调控,以避免出现网络拥塞现象。
3、由于上述配置公式中的target_rtt是一个静态参数,由于target_rtt的取值会受到报文传输情况的影响,在一些应用场景下,交换机仅根据配置公式获取的ecn参数不一定是该应用场景下的最优ecn参数,因此,这种配置方式不具有普适性。
技术实现思路
1、本技术实施例提供了一种网络参数配置方法、装置、计算机设备以及存储介质,以提高网络参数配置方法的普适性。
2、第一方面,提供了一种网络参数配置方法,该方法包括:
3、获取第一时间段对应的网络运行数据,所述网络运行数据包括网络设备在所述第一时间段的网络传输特征以及指定参数对应的第一值中至少一项;
4、将所述网络运行数据输入预测模型;
5、获取所述预测模型基于所述网络运行数据输出的所述指定参数的第二值;
6、将所述网络设备在第二时间段的所述指定参数配置为所述第二值,所述第二时间段为所述第一时间段之后的时间段。
7、本方法通过将第一时间段对应的网络运行数据输入预测模型,使得预测模型基于输入的网络运行数据,对网络设备在第二时间段的指定参数的值进行预测,并将网络设备在第二时间段的指定参数配置为预测模型预测出的值。在该配置方式中,无需考虑应用场景,也无需手动修改或配置参数,因此,这种配置方式具有普适性。
8、在一种可能实现方式中,所述方法包括:
9、获取第一时间段对应的网络运行数据,所述网络运行数据包括网络设备在所述第一时间段的网络传输特征以及指定参数对应的第一值中至少一项;
10、将所述网络运行数据输入预测模型;
11、获取所述预测模型基于所述网络运行数据输出的所述指定参数的第二值;
12、将所述网络设备在第二时间段的所述指定参数配置为所述第二值。
13、在一种可能实现方式中,所述将所述网络运行数据输入预测模型之前,所述方法还包括:
14、获取至少一个历史时间段对应的历史网络运行数据,所述至少一个历史时间段中的每个历史时间段对应的历史网络运行数据包括所述网络设备在所述历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述至少一个历史时间段为所述第一时间段之前的时间段。
15、在一种可能实现方式中,所述将所述网络运行数据输入预测模型;获取所述预测模型基于所述网络运行数据输出的所述指定参数的第二值包括:
16、将所述至少一个历史时间段对应的历史网络运行数据以及所述网络运行数据输入所述预测模型,获取所述预测模型基于所述至少一个历史时间段对应的历史网络运行数据以及所述网络运行数据输出的所述指定参数的第二值,所述至少一个历史时间段为所述第一时间段之前的时间段。
17、在一种可能实现方式中,所述方法还包括:
18、将所述网络运行数据输入初始预测模型,对所述初始预测模型进行训练,得到所述预测模型;或,
19、将所述网络运行数据输入所述预测模型,得到更新后的预测模型。
20、在一种可能实现方式中,所述将所述网络运行数据输入预测模型之前,所述方法还包括:
21、获取多个历史时间段对应的历史网络运行数据,所述多个历史时间段中的每个历史时间段对应的历史网络运行数据包括所述网络设备在所述历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述多个历史时间段为所述第一时间段之前的时间段;
22、将所述多个历史时间段对应的历史网络运行数据输入初始预测模型,对所述初始预测模型进行训练,得到所述预测模型。
23、在一种可能实现方式中,所述网络传输特征包括带宽利用率,所述对所述初始预测模型进行训练,得到所述预测模型之前,所述方法还包括:
24、构建包括至少一个关联关系的配置空间,所述至少一个关联关系中的每个关联关系用于指示一个指定参数对应的值;
25、建立第一回报关系以及第二回报关系,所述第一回报关系用于指示所述网络设备缓存的报文量对网络传输性能的影响,所述第二回报关系用于指示所述网络设备的所述带宽利用率对网络传输性能的影响;
26、根据所述配置空间、所述第一回报关系以及第二回报关系,构建所述初始预测模型。
27、在一种可能实现方式中,所述网络传输特征包括所述网络设备在所述第一时间段内缓存的报文量、报文传输的效率信息以及传输的报文的平均大小中至少一项。
28、第二方面,提供了一种网络参数配置方法,所述方法包括:
29、获取第一时间段对应的网络运行数据,所述网络运行数据包括网络设备在所述第一时间段的网络传输特征以及指定参数对应的第一值中至少一项;
30、将所述网络运行数据输入网络流量类型识别模型;
31、获取所述网络流量类型识别模型基于所述网络运行数据输出的所述网络设备在所述第一时间段的第一网络流量类型,一个网络流量类型用于指示在预设时间段内的报文传输情况;
32、查询预设的至少一个关联关系,获取与所述第一网络流量类型对应的指定参数的第三值,所述至少一个关联关系中的每个关联关系用于指示一种网络流量类型与所述指定参数的第三值对应,所述指定参数的第三值为所述网络流量类型所指示的网络流量下的所述指定参数的优选值;
33、将所述网络设备在第二时间段的所述指定参数配置为所述第三值,所述第二时间段为所述第一时间段之后的时间段。
34、本方法通过网络流量类型识别模型识别出第一时间段的第一网络流量类型,并根据至少一个关联关系,确定与该第一网络流量类型对应的指定参数的第三值,并将与第一网络流量类型对应的指定参数的第三值配置为第二时间段的该指定参数的值,在该配置方式中,无需考虑应用场景,也无需手动修改或配置参数
35、在一种可能实现方式中,所述将所述网络运行数据输入网络流量类型识别模型之前,所述方法还包括:
36、建立所述至少一个关联关系;
37、获取至少一个历史数据集合,所述至少一个历史数据集合中的每个历史数据集合包括多个历史网络运行数据,所述多个历史网络运行数据中的每个历史网络运行数据包括在一种网络流量类型下所述网络设备在一个历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述历史时间段为所述第一时间段之前的时间段;
38、基于所述至少一个关联关系、所述至少一个历史数据集合以及初始识别模型,获取所述网络流量类型识别模型。
39、在一种可能实现方式中,所述基于所述至少一个关联关系、所述至少一个历史数据集合以及初始识别模型,获取所述网络流量类型识别模型包括:
40、基于所述至少一个关联关系,在所述至少一个历史数据集合中的每个历史网络运行数据中添加一个网络流量类型标签,所述一个网络流量类型标签用于指示一种网络流量类型;
41、将携带网络流量类型标签的历史网络运行数据输入所述初始识别模型,对所述初始识别模型进行训练,得到所述网络流量类型识别模型。
42、第三方面,提供了一种网络参数配置的装置,用于执行上述网络参数配置方法??裳〉?,该网络参数配置装置包括用于执行上述第一方面或上述第一方面的任一种可选方式提供的网络参数配置方法的功能???。
43、第四方面,提供了一种网络参数配置的装置,用于执行上述网络参数配置方法??裳〉?,该网络参数配置装置包括用于执行上述第二方面或上述第二方面的任一种可选方式提供的网络参数配置方法的功能???。
44、第五方面,提供了一种计算机设备,该计算机设备包括处理器和存储器,该存储器中存储有指令,该指令由该处理器加载并执行以实现如上述网络参数配置方法所执行的操作。
45、第六方面,提供了一种存储介质,该存储介质中存储有指令,该指令由处理器加载并执行以实现如上述网络参数配置方法所执行的操作。
46、第七方面,提供了一种网络参数配置方法,所述方法应用于网络参数配置系统,所述网络参数配置系统包括网络设备和计算设备;所述方法包括:
47、所述网络设备获取第一时间段对应的网络运行数据,所述网络运行数据包括网络设备在所述第一时间段的网络传输特征以及指定参数对应的第一值中至少一项;
48、所述网络设备向所述计算设备发送所述网络运行数据;
49、所述计算设备将所述网络运行数据输入预测模型;获取所述预测模型基于所述网络运行数据输出的所述指定参数的第二值;
50、所述计算设备向所述网络设备发送所述第二值;
51、所述网络设备将所述网络设备在第二时间段的所述指定参数配置为所述第二值,所述第二时间段为所述第一时间段之后的时间段。
52、在一种可能的实现方式中,所述计算设备将所述网络运行数据输入预测模型之前,所述方法还包括:
53、所述网络设备获取至少一个历史时间段对应的历史网络运行数据,所述至少一个历史时间段中的每个历史时间段对应的历史网络运行数据包括所述网络设备在所述历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述至少一个历史时间段为所述第一时间段之前的时间段;
54、在一种可能的实现方式中,所述计算设备将所述网络运行数据输入预测模型;获取所述预测模型基于所述网络运行数据输出的所述指定参数的第二值包括:
55、所述计算设备将所述至少一个历史时间段对应的历史网络运行数据以及所述网络运行数据输入所述预测模型,获取所述预测模型基于所述至少一个历史时间段对应的历史网络运行数据以及所述网络运行数据输出的所述指定参数的第二值,所述至少一个历史时间段为所述第一时间段之前的时间段。
56、在一种可能的实现方式中,所述方法还包括:
57、所述计算设备将所述网络运行数据输入初始预测模型,对所述初始预测模型进行训练,得到所述预测模型;或,
58、所述计算设备将所述网络运行数据输入所述预测模型,得到更新后的预测模型。
59、在一种可能的实现方式中,所述计算设备将所述网络运行数据输入预测模型之前,所述方法还包括:
60、所述网络设备获取多个历史时间段对应的历史网络运行数据,所述多个历史时间段中的每个历史时间段对应的历史网络运行数据包括所述网络设备在所述历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述多个历史时间段为所述第一时间段之前的时间段;
61、所述网络设备向所述计算设备发送所述多个历史时间段对应的历史网络运行数据;
62、所述计算设备将所述多个历史时间段对应的历史网络运行数据输入初始预测模型,对所述初始预测模型进行训练,得到所述预测模型。
63、在一种可能的实现方式中,所述网络传输特征包括带宽利用率,所述对所述初始预测模型进行训练,得到所述预测模型之前,所述方法还包括:
64、所述计算设备构建包括至少一个关联关系的配置空间,所述至少一个关联关系中的每个关联关系用于指示一个指定参数对应的值;
65、所述计算设备建立第一回报关系以及第二回报关系,所述第一回报关系用于指示所述网络设备缓存的报文量对网络传输性能的影响,所述第二回报关系用于指示所述网络设备的所述带宽利用率对网络传输性能的影响;
66、所述计算设备根据所述配置空间、所述第一回报关系以及第二回报关系,构建所述初始预测模型。
67、在一种可能的实现方式中,所述网络传输特征包括所述网络设备在所述第一时间段内缓存的报文量、报文传输的效率信息以及传输的报文的平均大小中至少一项。
68、第八方面,提供了一种网络参数配置方法,所述方法应用于网络参数配置系统,所述网络参数配置系统包括网络设备和计算设备;所述方法包括:
69、所述网络设备获取第一时间段对应的网络运行数据,所述网络运行数据包括网络设备在所述第一时间段的网络传输特征以及指定参数对应的第一值中至少一项;
70、所述网络设备向所述计算设备发送所述网络运行数据;
71、所述计算设备将所述网络运行数据输入网络流量类型识别模型;
72、所述计算设备获取所述网络流量类型识别模型基于所述网络运行数据输出的所述网络设备在所述第一时间段的第一网络流量类型,一个网络流量类型用于指示在预设时间段内的报文传输情况;
73、所述计算设备查询预设的至少一个关联关系,获取与所述第一网络流量类型对应的指定参数的第三值,所述至少一个关联关系中的每个关联关系用于指示一种网络流量类型与所述指定参数的第三值对应,所述指定参数的第三值为所述网络流量类型所指示的网络流量下的所述指定参数的优选值;
74、所述计算设备向所述网络设备发送所述第二值;
75、所述网络设备将所述网络设备在第二时间段的所述指定参数配置为所述第三值,所述第二时间段为所述第一时间段之后的时间段。
76、在一种可能的实现方式中,所述计算设备将所述网络运行数据输入网络流量类型识别模型之前,所述方法还包括:
77、计算设备建立所述至少一个关联关系;
78、计算设备获取至少一个历史数据集合,所述至少一个历史数据集合中的每个历史数据集合包括多个历史网络运行数据,所述多个历史网络运行数据中的每个历史网络运行数据包括在一种网络流量类型下所述网络设备在一个历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述历史时间段为所述第一时间段之前的时间段;
79、所述计算设备基于所述至少一个关联关系、所述至少一个历史数据集合以及初始识别模型,获取所述网络流量类型识别模型。
80、在一种可能的实现方式中,所述计算设备基于所述至少一个关联关系、所述至少一个历史数据集合以及初始识别模型,获取所述网络流量类型识别模型包括:
81、所述计算设备基于所述至少一个关联关系,在所述至少一个历史数据集合中的每个历史网络运行数据中添加一个网络流量类型标签,所述一个网络流量类型标签用于指示一种网络流量类型;
82、所述计算设备将携带网络流量类型标签的历史网络运行数据输入所述初始识别模型,对所述初始识别模型进行训练,得到所述网络流量类型识别模型。