资源使用量预测方法、模型创建方法、装置、设备及介质与流程

1.本技术涉及计算机技术领域，特别涉及一种网络资源使用量预测方法、预测模型创建方法、装置、设备及介质。


背景技术：

2.当前，随着互联网和5g等技术的蓬勃发展，各种应用不断增多，网民数量也在快速增长，网络已经达到了空前的规模，因此对网络资源使用量的控制和管理也提出了更高的要求。例如，对于云平台来说，网络流量的增长和突变对云平台的稳定性造成了极大的冲击，因此流量的监管和预测在大规模的流量使用中显得尤为重要。通过对网络资源使用量进行监测和预判，可以及时采取措施进行扩容或者缩减资源分配，从而避免系统崩溃，达到网络设备利用率的最大化。
3.然而，目前在对网络资源使用量进行预测时，与用户期望达到的预测效果还存在一定的差距。例如，传统的流量监测通常采用各种算法对流量进行实时采集和图形化，然后基于数据序列的学习算法进行预测，如seq2seq等变种的循环神经网络(rnn，recurrent neural network)、长短时记忆网络(lstm，long short-term memory)等，并通过大量数据的规律性总结输出预测结果。然而，传统预测技术往往无法实现根据指定时间点进行预测的效果，缺少为了应对突发事件而进行网络资源使用量预测的能力，导致鲁棒性差。


技术实现要素：

4.有鉴于此，本技术的目的在于提供一种网络资源使用量预测方法、预测模型创建方法、装置、设备及介质，能够实现根据指定时间点进行网络资源使用量的预测的目的，从而具备了为应对突发事件而进行预测的能力。其具体方案如下：
5.第一方面，本技术公开了一种网络资源使用量预测方法，包括：
6.将待预测时间转换成相应标签以得到待预测时间标签，并获取位于所述待预测时间之前的历史时间对应的网络资源使用量，以得到前序资源使用量；
7.获取预先基于生成对抗网络构建的资源使用量预测模型；
8.将所述前序资源使用量和所述待预测时间标签输入至所述资源使用量预测模型；
9.获取所述资源使用量预测模型基于所述前序资源使用量和所述待预测时间标签输出的所述待预测时间对应的资源使用量预测数据，以便基于所述资源使用量预测数据进行相应的资源调度操作。
10.可选的，所述将待预测时间转换成相应标签以得到待预测时间标签，包括：
11.通过预设时间输入接口获取待预测时间；
12.利用独热编码算法对所述待预测时间进行编码，以将所述待预测时间转换成相应标签，得到所述待预测时间标签。
13.可选的，所述获取预先基于生成对抗网络构建的资源使用量预测模型之前，还包括：
14.采集包含历史资源使用量以及对应的历史时间的历史数据；
15.利用预先创建的编码器对所述历史数据进行编码处理，以从所述历史资源使用量中提取出相应的高层特征信息，并将所述历史资源使用量对应的历史时间转换成相应的历史时间标签；
16.利用所述历史资源使用量的高层特征信息以及对应的所述历史时间标签，对基于生成对抗网络构建的预测模型进行训练，以得到所述资源使用量预测模型。
17.可选的，所述对基于生成对抗网络构建的预测模型进行训练之前，还包括：
18.基于生成对抗网络构建包括生成器、第一判别器和第二判别器的预测模型；其中，所述第一判别器用于判别资源使用量数据的均匀分布情况，所述第二判别器用于判别资源使用量数据的数据真伪性。
19.可选的，所述利用所述历史资源使用量的高层特征信息以及对应的所述历史时间标签，对基于生成对抗网络构建的预测模型进行训练，包括：
20.对所述历史资源使用量的高层特征信息以及对应的所述历史时间标签进行叠加，并将叠加后数据传输至所述生成器的输入端，以通过所述生成器的输出端输出与所述叠加后数据对应的资源使用量预测数据；
21.将所述资源使用量预测数据传输至所述第一判别器的输入端，以利用所述第一判别器判别所述资源使用量预测数据的均匀分布情况，并通过所述第一判别器的输出端将所述第一判别器的判别结果反馈至所述编码器，以便所述编码器根据所述第一判别器的判别结果对自身参数进行相应的调整；
22.将所述资源使用量预测数据和资源使用量真实数据传输至所述第二判别器的输入端，以利用所述第二判别器判别自身输入端所接收到的资源使用量数据的数据真伪性，并通过所述第二判别器的输出端将所述第二判别器的判别结果反馈至所述生成器，以便所述生成器根据所述第二判别器的判别结果对自身参数进行相应的调整。
23.可选的，所述利用所述历史资源使用量的高层特征信息以及对应的所述历史时间标签，对基于生成对抗网络构建的预测模型进行训练的过程中，还包括：
24.判断当前所述生成器是否达到纳什平衡；
25.如果没有达到纳什均衡则将所述资源使用量预测数据以及对应的资源使用量真实数据之间的数据差额输入至所述生成器，以便所述生成器根据所述数据差额对自身参数进行更新；
26.如果达到纳什均衡则结束训练。
27.第二方面，本技术公开了一种网络资源使用量预测模型创建方法，包括：
28.采集包含历史资源使用量以及对应的历史时间的历史数据；
29.对所述历史数据进行编码处理，以从所述历史资源使用量中提取出相应的高层特征信息，并将所述历史资源使用量对应的历史时间转换成相应的历史时间标签；
30.利用所述历史资源使用量的高层特征信息以及对应的所述历史时间标签，对基于生成对抗网络构建的预测模型进行训练，得到训练后的资源使用量预测模型。
31.第三方面，本技术公开了一种网络资源使用量预测装置，包括：
32.时间标签生成模块，用于将待预测时间转换成相应标签以得到待预测时间标签；
33.前序资源使用量获取模块，用于获取位于所述待预测时间之前的历史时间对应的
网络资源使用量，以得到前序资源使用量；
34.预测模型获取模块，用于获取预先基于生成对抗网络构建的资源使用量预测模型；
35.资源使用量预测模块，用于将所述前序资源使用量和所述待预测时间标签输入至所述资源使用量预测模型，并获取所述资源使用量预测模型基于所述前序资源使用量和所述待预测时间标签输出的所述待预测时间对应的资源使用量预测数据，以便基于所述资源使用量预测数据进行相应的资源调度操作。
36.第四方面，本技术公开了一种电子设备，包括：
37.存储器，用于保存计算机程序；
38.处理器，用于执行所述计算机程序，以实现前述的方法。
39.第五方面，本技术公开了一种计算机可读存储介质，用于保存计算机程序；其中，所述计算机程序被处理器执行后实现前述的方法。
40.本技术中，将待预测时间转换成相应标签以得到待预测时间标签，并获取位于所述待预测时间之前的历史时间对应的网络资源使用量，以得到前序资源使用量；获取预先基于生成对抗网络构建的资源使用量预测模型；将所述前序资源使用量和所述待预测时间标签输入至所述资源使用量预测模型；获取所述资源使用量预测模型基于所述前序资源使用量和所述待预测时间标签输出的所述待预测时间对应的资源使用量预测数据，以便基于所述资源使用量预测数据进行相应的资源调度操作。由此可见，本技术基于生成对抗网络构建资源使用量预测模型，在进行预测时将待预测时间标签和相应的前序资源使用量输入至上述资源使用量预测模型，以得到与待预测时间对应的资源使用量预测数据，由此能够实现根据指定时间点进行网络资源使用量的预测的目的，从而具备了为应对突发事件而进行预测的能力。
附图说明
41.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
42.图1为本技术公开的一种网络资源使用量预测方法流程图；
43.图2为本技术公开的一种网络资源使用量预测模型创建方法流程图；
44.图3为本技术公开的一种具体的网络资源使用量预测模型创建方法流程图；
45.图4为本技术公开的一种针对网络流量资源使用量的预测模型创建方法流程图；
46.图5为本技术公开的一种针对网络流量资源使用量的预测模型网络结构图；
47.图6为本技术公开的一种网络资源使用量预测装置结构示意图；
48.图7为本技术公开的一种电子设备结构图。
具体实施方式
49.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于
本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
50.目前在对网络资源使用量进行预测时，与用户期望达到的预测效果还存在一定的差距。例如，传统的流量监测通常采用各种算法对流量进行实时采集和图形化，然后基于数据序列的学习算法进行预测，如seq2seq等变种的循环神经网络、长短时记忆网络等，并通过大量数据的规律性总结输出预测结果。然而，传统预测技术往往无法实现根据指定时间点进行预测的效果，缺少为了应对突发事件而进行网络资源使用量预测的能力，导致鲁棒性差。为此，本技术提供了一种网络资源使用量预测方案，能够实现根据指定时间点进行网络资源使用量的预测的目的，从而具备了为应对突发事件而进行预测的能力。
51.参见图1所示，本技术实施例公开了一种网络资源使用量预测方法，包括：
52.步骤s11：将待预测时间转换成相应标签以得到待预测时间标签，并获取位于所述待预测时间之前的历史时间对应的网络资源使用量，以得到前序资源使用量。
53.本实施例中，所述将待预测时间转换成相应标签以得到待预测时间标签，具体可以包括：通过预设时间输入接口获取待预测时间；利用独热编码算法对所述待预测时间进行编码，以将所述待预测时间转换成相应标签，得到所述待预测时间标签。可以理解的是，本实施例中可以预先为用户提供时间输入接口，以便后台通过上述时间输入接口获取到用户根据自身所需输入其所期望预测的未来某个时间点或时间段信息，然后将获取到的待预测时间转换成对应的时间标签。在本实施例中，可以采用独热编码算法(one-hot编码)对上述待预测时间进行编码，以将编码结果作为对应的时间标签。
54.本实施例中，在进行资源使用量预测之前，除了需要获取待预测时间标签，还需要获取位于上述待预测时间之前的历史时间对应的历史网络资源使用量，也即获取与上述待预测时间对应的前序资源使用量。后续在进行资源使用量预测时，具体是基于上述待预测时间标签和前序资源使用量来进行预测的，以得到与上述待预测时间对应的资源使用量预测数据。
55.步骤s12：获取预先基于生成对抗网络构建的资源使用量预测模型。
56.本实施例中的预测模型是基于gan(即generative adversarial networks，生成对抗网络)来进行构建的，预测模型包含用于生成预测数据的生成器以及用于对生成器生成的预测数据进行判别的判别器，生成器与判别器之间在互相博弈之间进行反复训练优化，可以得到更好的预测结果。
57.步骤s13：将所述前序资源使用量和所述待预测时间标签输入至所述资源使用量预测模型。
58.步骤s14：获取所述资源使用量预测模型基于所述前序资源使用量和所述待预测时间标签输出的所述待预测时间对应的资源使用量预测数据，以便基于所述资源使用量预测数据进行相应的资源调度操作。
59.可以理解的是，本技术在利用上述基于生成对抗网络构建的资源使用量预测模型输出资源使用量预测数据之后，可以进一步利用上述资源使用量预测数据对资源进行适应性的资源扩容或资源缩容等资源调度操作。例如，如果资源使用量预测数据表明未来某个时间段内某台设备的资源使用量较多，则可以提前为该设备在该时间段预留更多的网络资源，相反，如果资源使用量预测数据表明未来某个时间段内某台设备的资源使用量较少，则
可以提前将已经为该设备在该时间段内分配的网络资源转移给其他设备来使用。
60.需要进一步指出的是，本实施例中上述待预测时间的时长可以基于实际应用需要进行灵活调整，相较于现有技术中通常只能够得到很短时间内的资源使用量预测数据的情形，本实施例能够预测更长时间段下的资源使用量数据，满足了不同用户对预测时长方面的不同需求。
61.本技术实施例中，将待预测时间转换成相应标签以得到待预测时间标签，并获取位于所述待预测时间之前的历史时间对应的网络资源使用量，以得到前序资源使用量；获取预先基于生成对抗网络构建的资源使用量预测模型；将所述前序资源使用量和所述待预测时间标签输入至所述资源使用量预测模型；获取所述资源使用量预测模型基于所述前序资源使用量和所述待预测时间标签输出的所述待预测时间对应的资源使用量预测数据，以便基于所述资源使用量预测数据进行相应的资源调度操作。由此可见，本技术实施例基于生成对抗网络构建资源使用量预测模型，在进行预测时将待预测时间标签和相应的前序资源使用量输入至上述资源使用量预测模型，以得到与待预测时间对应的资源使用量预测数据，由此能够实现根据指定时间点进行网络资源使用量的预测的目的，从而具备了为应对突发事件而进行预测的能力。
62.参见图2所示，本技术实施例中还公开了一种网络资源使用量预测模型创建方法，包括：
63.步骤s21：采集包含历史资源使用量以及对应的历史时间的历史数据。
64.本实施例中，在获取到上述包含历史资源使用量以及对应的历史时间的历史数据之后，需要对这些历史数据进行整理，以将其中的历史资源使用量以及相应的历史时间整理成信息对，也即以历史资源使用量-历史时间的信息记录形式保存下来，以便于后续进行模型训练。
65.步骤s22：利用预先创建的编码器对所述历史数据进行编码处理，以从所述历史资源使用量中提取出相应的高层特征信息，并将所述历史资源使用量对应的历史时间转换成相应的历史时间标签。
66.需要指出的是，本实施例中的编码器主要用于完成两种处理流程，一种是从资源使用量中提取出高层特征信息，也即提取出隐层向量，另一种则是利用独热编码算法将时间信息转换成对应的时间标签。另外，本实施例中的时间具体可以以秒为单位。
67.步骤s23：利用所述历史资源使用量的高层特征信息以及对应的所述历史时间标签，对基于生成对抗网络构建的预测模型进行训练，以得到所述资源使用量预测模型。
68.本实施例中，所述对基于生成对抗网络构建的预测模型进行训练之前，还可以具体包括：基于生成对抗网络构建包括生成器、第一判别器和第二判别器的预测模型；其中，所述第一判别器用于判别资源使用量数据的均匀分布情况，所述第二判别器用于判别资源使用量数据的数据真伪性。也即，本实施例基于生成对抗网络构建的预测模型中，除了设置了生成器之后，还设置了两种判别器，一种是用于判别资源使用量数据的均匀分布情况的判别器，另一种则是用来判别资源使用量数据的数据真伪性的判别器，通过这两个判别器同时与生成器之间进行相互博弈，能够使得最终生成的预测模型能够预测出更准确可靠、更接近真实数据的资源使用量数据，并且基于上述第一判别器能够有效防止产生数据空白跳跃。
69.进一步的，本实施例中，所述利用所述历史资源使用量的高层特征信息以及对应的所述历史时间标签，对基于生成对抗网络构建的预测模型进行训练的过程中，还可以包括：判断当前所述生成器是否达到纳什平衡；如果没有达到纳什均衡则将所述资源使用量预测数据以及对应的资源使用量真实数据之间的数据差额输入至所述生成器，以便所述生成器根据所述数据差额对自身参数进行更新；如果达到纳什均衡则结束训练。也即，本实施例基于是否达到纳什平衡来作为模型训练结束条件，并反复据此对生成器的参数进行优化调整，如此一来可以使得最终生成的预测模型具有更高的预测精度。
70.参见图3所示，在前述实施例的基础上，本技术实施例公开一种更具体的资源使用量预测模型创建方法，包括：
71.步骤s31：采集包含历史资源使用量以及对应的历史时间的历史数据。
72.步骤s32：利用预先创建的编码器对所述历史数据进行编码处理，以从所述历史资源使用量中提取出相应的高层特征信息，并将所述历史资源使用量对应的历史时间转换成相应的历史时间标签。
73.其中，对于上述步骤s31和s32可以参考前述实施例中的相应内容，在此不再进行赘述。
74.步骤s33：对所述历史资源使用量的高层特征信息以及对应的所述历史时间标签进行叠加，并将叠加后数据传输至基于生成对抗网络构建的预测模型中的生成器的输入端，以通过所述生成器的输出端输出与所述叠加后数据对应的资源使用量预测数据。
75.步骤s34：将所述资源使用量预测数据传输至所述预测模型中的第一判别器的输入端，以利用所述第一判别器判别所述资源使用量预测数据的均匀分布情况，并通过所述第一判别器的输出端将所述第一判别器的判别结果反馈至所述编码器，以便所述编码器根据所述第一判别器的判别结果对自身参数进行相应的调整。
76.步骤s35：将所述资源使用量预测数据和资源使用量真实数据传输至所述预测模型中的第二判别器的输入端，以利用所述第二判别器判别自身输入端所接收到的资源使用量数据的数据真伪性，并通过所述第二判别器的输出端将所述第二判别器的判别结果反馈至所述生成器，以便所述生成器根据所述第二判别器的判别结果对自身参数进行相应的调整。
77.可见，本实施例中，利用所述第一判别器判别所述资源使用量预测数据的均匀分布情况，并通过所述第一判别器的输出端将所述第一判别器的判别结果反馈至所述编码器，以便所述编码器根据所述第一判别器的判别结果对自身参数进行相应的调整；以及利用所述第二判别器判别自身输入端所接收到的资源使用量数据的数据真伪性，并通过所述第二判别器的输出端将所述第二判别器的判别结果反馈至所述生成器，以便所述生成器根据所述第二判别器的判别结果对自身参数进行相应的调整。通过上述两种反馈可以使得生成器和编码器内部的参数不断地得到优化调整，从而有利于提高整个预测模型的预测精度和可靠性。
78.参见图4和图5所示，本技术实施例进一步公开了一种针对网络流量资源使用量的预测模型创建方法，包括：
79.步骤s41：采集包含历史流量资源使用量以及对应的历史时间的历史数据。
80.步骤s42：利用预先创建的编码器对所述历史数据进行编码处理，以从所述历史流
量资源使用量中提取出相应的高层特征信息，并将所述历史流量资源使用量对应的历史时间转换成相应的历史时间标签。
81.步骤s43：对所述历史流量资源使用量的高层特征信息以及对应的所述历史时间标签进行叠加，并将叠加后数据传输至基于生成对抗网络构建的预测模型中的生成器的输入端，以通过所述生成器的输出端输出与所述叠加后数据对应的流量资源使用量预测数据。
82.步骤s44：将所述流量资源使用量预测数据传输至所述预测模型中的第一判别器的输入端，以利用所述第一判别器判别所述流量资源使用量预测数据的均匀分布情况，并通过所述第一判别器的输出端将所述第一判别器的判别结果反馈至所述编码器，以便所述编码器根据所述第一判别器的判别结果对自身参数进行相应的调整。
83.本实施例中，第一判别器的目的是采用先验的均匀分布去平滑叠加后流量数据，以使得数据不会出现跳跃性空白。通过上述第一判别器能够更好的模拟数据分布，以使最终得到的预测数据更加接近真实数据。
84.步骤s45：将所述流量资源使用量预测数据和流量资源使用量真实数据传输至所述预测模型中的第二判别器的输入端，以利用所述第二判别器判别自身输入端所接收到的流量资源使用量数据的数据真伪性，并通过所述第二判别器的输出端将所述第二判别器的判别结果反馈至所述生成器，以便所述生成器根据所述第二判别器的判别结果对自身参数进行相应的调整。
85.本实施例中，第二判别器的目的是尽可能的分辨出其输入端获取到的流量数据是真实的流量数据还是由生成器生成的伪造数据。通过上述第二判别器可以使得生成的预测流量数据更加接近真实数据，提升预测准确性。
86.步骤s46：判断当前所述生成器是否达到纳什平衡；
87.步骤s47：如果没有达到纳什均衡则将所述流量资源使用量预测数据以及对应的流量资源使用量真实数据之间的数据差额输入至所述生成器，以便所述生成器根据所述数据差额对自身参数进行更新；如果达到纳什均衡则结束训练。
88.本实施例中，第一判别器的目标是采用先验的均匀分布去平滑叠加流量，使得数据不会有跳跃性空白；第二判别器的目标是尽可能的分辨输入到第二判别器的流量是真实数据还是生成器生成的假数据。可见，本实施例中进行训练过程中存在两个损失函数。
89.本实施例中，设真实数据x的分布为q(x)，判别器的先验分布为p(x)，高层特征向量为z，z加入了时间标注为z
*
，生成器g生成的数据为x和共同输入到第二判别器d2中。在训练过程中有三个重点的地方：(1)一个是对编码器e来说，需要生成更加接近于q(x)的分布从而生成更好的隐层向量；(2)对第一判别器d1来说要能够识别其输入来自e(x)(分布接近于q(x))还是基于正则均匀分布p(x)生成的欺骗性向量；(3)第三个是需要训练生成器g，使其能够生成更具欺骗性的g(z)，这个g(z)需要生成预测数据。
90.本实施例中生成对抗网络的目标函数具体可以是一个最大最小函数，即：
[0091][0092]
本实施例中，第二判别器d2中对生成的数据和输入真实数据x求两者的欧式距离，使其最小，以迫使接近x。
[0093]
另外，在结构方面，本实施例中的编码器e采用4层卷积神经网络，得出的向量取某一高层，重塑成1*1*4096的向量，拼接时间的one-hot编码向量生成z
*
；生成器g则进行反卷积以输出流量数据；第一判别器d1采用4层全卷积处理，防止数据空白跳跃；第二判别器d2采用预训练的6层卷积，输出真假判断。
[0094]
由上可见，本技术通过改进传统生成对抗网络，额外增加了一个判别器，从而有效提升了网络流量资源预测数据的准确性。通过本实施例的技术方案，可以根据真实流量走向生成模拟当前系统流量使用习惯，进而提升了预测准确性。
[0095]
相应的，参见图6所示，本技术实施例还公开了一种网络资源使用量预测装置，包括：
[0096]
时间标签生成模块11，用于将待预测时间转换成相应标签以得到待预测时间标签；
[0097]
前序资源使用量获取模块12，用于获取位于所述待预测时间之前的历史时间对应的网络资源使用量，以得到前序资源使用量；
[0098]
预测模型获取模块13，用于获取预先基于生成对抗网络构建的资源使用量预测模型；
[0099]
资源使用量预测模块14，用于将所述前序资源使用量和所述待预测时间标签输入至所述资源使用量预测模型，并获取所述资源使用量预测模型基于所述前序资源使用量和所述待预测时间标签输出的所述待预测时间对应的资源使用量预测数据，以便基于所述资源使用量预测数据进行相应的资源调度操作。
[0100]
其中，关于上述各个模块更加具体的工作流程细节可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0101]
由此可见，本技术实施例基于生成对抗网络构建资源使用量预测模型，在进行预测时将待预测时间标签和相应的前序资源使用量输入至上述资源使用量预测模型，以得到与待预测时间对应的资源使用量预测数据，由此能够实现根据指定时间点进行网络资源使用量的预测的目的，从而具备了为应对突发事件而进行预测的能力。
[0102]
进一步的，本技术实施例还提供了一种电子设备。图7是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本技术的使用范围的任何限制。
[0103]
图7为本技术实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、显示屏23、输入输出接口24、通信接口25、电源26、和通信总线27。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的网络资源使用量预测方法或网络资源使用量预测模型创建方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
[0104]
本实施例中，电源26用于为电子设备20上的各硬件设备提供工作电压；通信接口25能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口24，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
[0105]
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者
光盘等，其上所存储的资源可以包括计算机程序221，存储方式可以是短暂存储或者永久存储。其中，计算机程序221除了包括能够用于完成前述任一实施例公开的由电子设备20执行的网络资源使用量预测方法或网络资源使用量预测模型创建方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
[0106]
进一步的，本技术实施例还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的网络资源使用量预测方法或网络资源使用量预测模型创建方法。
[0107]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0108]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0109]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0110]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0111]
以上对本技术所提供的一种网络资源使用量预测方法、预测模型创建方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。

技术特征：
1.一种网络资源使用量预测方法，其特征在于，包括：将待预测时间转换成相应标签以得到待预测时间标签，并获取位于所述待预测时间之前的历史时间对应的网络资源使用量，以得到前序资源使用量；获取预先基于生成对抗网络构建的资源使用量预测模型；将所述前序资源使用量和所述待预测时间标签输入至所述资源使用量预测模型；获取所述资源使用量预测模型基于所述前序资源使用量和所述待预测时间标签输出的所述待预测时间对应的资源使用量预测数据，以便基于所述资源使用量预测数据进行相应的资源调度操作。2.根据权利要求1所述的网络资源使用量预测方法，其特征在于，所述将待预测时间转换成相应标签以得到待预测时间标签，包括：通过预设时间输入接口获取待预测时间；利用独热编码算法对所述待预测时间进行编码，以将所述待预测时间转换成相应标签，得到所述待预测时间标签。3.根据权利要求1所述的网络资源使用量预测方法，其特征在于，所述获取预先基于生成对抗网络构建的资源使用量预测模型之前，还包括：采集包含历史资源使用量以及对应的历史时间的历史数据；利用预先创建的编码器对所述历史数据进行编码处理，以从所述历史资源使用量中提取出相应的高层特征信息，并将所述历史资源使用量对应的历史时间转换成相应的历史时间标签；利用所述历史资源使用量的高层特征信息以及对应的所述历史时间标签，对基于生成对抗网络构建的预测模型进行训练，以得到所述资源使用量预测模型。4.根据权利要求3所述的网络资源使用量预测方法，其特征在于，所述对基于生成对抗网络构建的预测模型进行训练之前，还包括：基于生成对抗网络构建包括生成器、第一判别器和第二判别器的预测模型；其中，所述第一判别器用于判别资源使用量数据的均匀分布情况，所述第二判别器用于判别资源使用量数据的数据真伪性。5.根据权利要求4所述的网络资源使用量预测方法，其特征在于，所述利用所述历史资源使用量的高层特征信息以及对应的所述历史时间标签，对基于生成对抗网络构建的预测模型进行训练，包括：对所述历史资源使用量的高层特征信息以及对应的所述历史时间标签进行叠加，并将叠加后数据传输至所述生成器的输入端，以通过所述生成器的输出端输出与所述叠加后数据对应的资源使用量预测数据；将所述资源使用量预测数据传输至所述第一判别器的输入端，以利用所述第一判别器判别所述资源使用量预测数据的均匀分布情况，并通过所述第一判别器的输出端将所述第一判别器的判别结果反馈至所述编码器，以便所述编码器根据所述第一判别器的判别结果对自身参数进行相应的调整；将所述资源使用量预测数据和资源使用量真实数据传输至所述第二判别器的输入端，以利用所述第二判别器判别自身输入端所接收到的资源使用量数据的数据真伪性，并通过所述第二判别器的输出端将所述第二判别器的判别结果反馈至所述生成器，以便所述生成
器根据所述第二判别器的判别结果对自身参数进行相应的调整。6.根据权利要求4或5所述的网络资源使用量预测方法，其特征在于，所述利用所述历史资源使用量的高层特征信息以及对应的所述历史时间标签，对基于生成对抗网络构建的预测模型进行训练的过程中，还包括：判断当前所述生成器是否达到纳什平衡；如果没有达到纳什均衡则将所述资源使用量预测数据以及对应的资源使用量真实数据之间的数据差额输入至所述生成器，以便所述生成器根据所述数据差额对自身参数进行更新；如果达到纳什均衡则结束训练。7.一种网络资源使用量预测模型创建方法，其特征在于，包括：采集包含历史资源使用量以及对应的历史时间的历史数据；对所述历史数据进行编码处理，以从所述历史资源使用量中提取出相应的高层特征信息，并将所述历史资源使用量对应的历史时间转换成相应的历史时间标签；利用所述历史资源使用量的高层特征信息以及对应的所述历史时间标签，对基于生成对抗网络构建的预测模型进行训练，得到训练后的资源使用量预测模型。8.一种网络资源使用量预测装置，其特征在于，包括：时间标签生成模块，用于将待预测时间转换成相应标签以得到待预测时间标签；前序资源使用量获取模块，用于获取位于所述待预测时间之前的历史时间对应的网络资源使用量，以得到前序资源使用量；预测模型获取模块，用于获取预先基于生成对抗网络构建的资源使用量预测模型；资源使用量预测模块，用于将所述前序资源使用量和所述待预测时间标签输入至所述资源使用量预测模型，并获取所述资源使用量预测模型基于所述前序资源使用量和所述待预测时间标签输出的所述待预测时间对应的资源使用量预测数据，以便基于所述资源使用量预测数据进行相应的资源调度操作。9.一种电子设备，其特征在于，包括：存储器，用于保存计算机程序；处理器，用于执行所述计算机程序，以实现如权利要求1至7任一项所述的方法。10.一种计算机可读存储介质，其特征在于，用于保存计算机程序；其中，所述计算机程序被处理器执行后实现如权利要求1至7任一项所述的方法。

技术总结
本申请公开了一种资源使用量预测方法、模型创建方法、装置、设备及介质，包括：将待预测时间转换成相应标签以得到待预测时间标签，并获取位于所述待预测时间之前的历史时间对应的网络资源使用量，以得到前序资源使用量；获取预先基于生成对抗网络构建的资源使用量预测模型；将所述前序资源使用量和所述待预测时间标签输入至所述资源使用量预测模型；获取所述资源使用量预测模型基于所述前序资源使用量和所述待预测时间标签输出的所述待预测时间对应的资源使用量预测数据，以便基于所述资源使用量预测数据进行相应的资源调度操作。本申请能够实现根据指定时间点进行网络资源使用量的预测的目的，从而具备了为应对突发事件而进行预测的能力。而进行预测的能力。而进行预测的能力。


技术研发人员：薛香余 郑维栋
受保护的技术使用者：郑州云海信息技术有限公司
技术研发日：2021.11.05
技术公布日：2022/3/7