本发明涉及网络资源分配技术领域，尤其涉及一种网络流量快速分配的方法。
背景技术：
Internet网络是一个复用网络，网络流量具有很明显的突发特性，容易在一定时间内造成网络拥堵，网络流量分配就是为了解决在网络拥堵时端到端的服务质量。
现有技术一，申请号为CN201210471234.5，公开日为2012年11月20日，名称为“智能分配WLAN用户网络带宽的系统”，其公开了一种智能分配WLAN用户网络带宽的系统，包括根据用户数量产生平均分配网络带宽指令的系统服务器，简称系统服务器，控制器，无线接入点和用户端，所述用户端、无线接入点、控制器和系统服务器依次电连接。通过设置系统服务器根据用户的数量，通过控制器对接入无线接入点的网络进行智能合理分配，很好的解决了现有技术中存在的接入用户所使用的带宽固定、网络带宽过分剩余导致浪费或者网络带宽严重不足导致无法正常上网等问题，达到了根据用户数量合理分配网络的目的。其缺点是平均分配网络带宽的方法在网络资源受限时无法保证关键用户的网络需求。
现有技术二，申请号为“CN201110256618.0”，公开日为2012年01月11日，名称为“一种EVDO系统中保证应用业务QoS的方法及装置”，其中公开了一种EVDO系统中保证应用业务QoS的方法，包括如下步骤：对主连接单流上的报文进行检测及统计，识别出用户当前的主应用业务类型；根据所述当前的 主应用业务类型的QoS需求，进行无线侧的网络
资源分配；对于所述当前的主应用业务类型，当对其分配的累计流量或者平均速率超过预设的门限值时，将分配的网络资源进行释放。采用本发明方法，能够为不同传输需求的应用业务提供QoS保证，从而大大改善用户的体验，同时也能够使得整个网络的系统资源得到充分合理的利用。本发明还公开了一种EVDO系统中保证应用业务QoS的装置，包括主业务类型识别模块、资源分配模块和保护恢复模块。基于QoS的网络流量分配方法能够保关键用户的业务获得足够的网络流量，但在网络流量拥堵时，需要先由关键用户提出流量申请，然后释放网络流量才能进行分配，影响了分配速度。
现有技术三，申请号为“CN200610165423.4”，公开日为2008年06月25日，名称为“一种移动通信网络中的资源管理系统和方法”，其公开了一种移动通信网络中的资源管理系统和方法。该系统包括终端和网络侧设备，网络侧设备中包括预留分配带宽单元，用于根据终端的预留业务带宽参数以及网络侧可用带宽，为所述终端进行资源预留和带宽分配；流量控制单元，用于根据将要发送给终端的数据，以及终端的信道参数，对终端进行高速下行共享信道变更的可能性进行预测，产生流控能力分配帧，进行流量控制；分组调度和资源分配单元，用于进行分组调度和资源分配。其使高速下行分组接入能较好地支持各种类型的业务而又能充分利用网络资源。采用资源预留的方式能够满足关键用户的业务需求，但是关键用户和业务不活跃时，会造成网络资源的浪费。
技术实现要素：
有鉴于此，本发明提供了一种网络流量快速分配的方法，该方法能够提前依据网络请求，从历史流量占用情况出发，避免在现有流量的基础上因网络流量的不合理分配造成的网络拥堵。
本发明公开了一种网络流量快速分配的方法，其步骤为：
步骤一、在一段时间内，对网络系统的网络流量进行监测，获得该网络中所有用户的历史网络流量数据，该历史网络流量数据记载了该网络系统每一时刻的网络总流量值及其规律、以及各用户的每个网络业务对网络流量的占用规律。
步骤二、对用户进行优先权由高到低排序，用户所使用的网络业务进行优先权由高到低排序。
所述网络系统中每个用户均实时发出网络业务请求，并在网络业务请求得到允许的情况下，在下一时刻执行相关网络业务，若网络业务请求未得到允许，则在下一时刻继续发出该网络业务请求。
同时实时监测获取当前时刻t内网络系统的实时网络流量数据；该实时网络流量数据记载了该网络系统时刻t内的实时网络总流量值、以及各用户的每个网络业务对网络流量的实时占用值。
依据所述实时网络总流量值以及历史网络流量数据中网络总流量值的规律，预测下一时刻t+1时的预测网络总流量值。
判断t时刻时，所有的网络业务请求中所涉及的请求网络业务的总流量值与所述预测网络总流量值之和是否高于所述设定阈值，若是则进入步骤四，否则允许所有的网络业务请求并重复步骤三。
步骤四、依据所述各用户的每个网络业务对网络流量的实时占用值，以及所述历史网络流量数据中的各用户的每个网络业务对网络流量的占用规律，预测下一时刻t+1时的预测用户和预测网络业务。
然后依据t时刻的网络业务请求，将网络业务请求所涉及的请求用户按照优先权进行排序，然后在请求用户的排序下，将每个请求用户对应的请求网络业务按照优先权进行由高至低排序，由此获得所有请求网络业务的排序。
选取所有的预测网络业务，并按照排序由高至低顺次选取请求网络业务，直至所选取的预测网络业务和请求网络业务所占总网络流量等于所述网络系统的总带宽，则允许所选取请求网络业务对应的网络业务请求。
重复执行步骤二～步骤四直至所述网络系统中所有网络业务执行完毕。
进一步地，依据所述实时网络总流量值以及历史网络流量数据中网络总流量值的规律，预测下一时刻t+1时的预测网络总流量值，以及依据所述各用户的每个网络业务对网络流量的实时占用值，以及所述历史网络流量数据中的各用户的每个网络业务对网络流量的占用规律，预测下一时刻t+1时的预测用户和预测网络业务时，采用的预测方法为马尔科夫预测法。
进一步地，依据所述实时网络总流量值以及历史网络流量数据中网络总流量值的规律，预测下一时刻t+1时的预测网络总流量值，以及依据所述各用户的每个网络业务对网络流量的实时占用值，以及所述历史网络流量数据中的各用户的每个网络业务对网络流量的占用规律，预测下一时刻t+1时的预测用户和预测网络业务时，采用的预测方法为具体包括以下的步骤：
(1)、对实时网络流量进行分析，取N组历史网络流量，每一组都包括当前时刻t的历史网络流量L(T)以及下一时刻T+1的历史网络流量L(T+1)；
(2)、将L(T)和L(T+1)分别划分为多个网络流量区间，判断当前实测网络流量L(t)对应到L(T)的网络流量区间，根据区间中的历史网络流量L(T)，得到对应的L(T+1)的网络流量区间；
(3)、在选择出的L(T+1)的网络流量区间中找到包含L(T+1)值最多的网络流量区间，将其作为预测流量区间；
(4)、根据预测流量区间得到预测流量。
进一步地，根据预测流量区间得到预测流量具体为：预测流量区间的最大值作为预测流量，或者预测流量区间中历史数据的最大值作为预测流量，再或 者预测流量区间中历史数据的平均值作为预测流量。
进一步地，依据所述实时网络总流量值以及历史网络流量数据中网络总流量值的规律，预测下一时刻t+1时的预测网络总流量值，以及依据所述各用户的每个网络业务对网络流量的实时占用值，以及所述历史网络流量数据中的各用户的每个网络业务对网络流量的占用规律，预测下一时刻t+1时的预测用户和预测网络业务时，采用的预测方法为人工神经网络学习法。
进一步地，依据所述实时网络总流量值以及历史网络流量数据中网络总流量值的规律，预测下一时刻t+1时的预测网络总流量值，以及依据所述各用户的每个网络业务对网络流量的实时占用值，以及所述历史网络流量数据中的各用户的每个网络业务对网络流量的占用规律，预测下一时刻t+1时的预测用户和预测网络业务时，采用的预测方法为具体为：先通过马尔科夫预测法得到预测状态，再送入人工神经网络进行学习，人工神经网络根据预测状态对网络流量进行拟合，从而给出预测的网络流量。
通过采用以上的技术方案，本发明的有益效果为：该方法能够通过智能预测的方式实现了对网络资源的动态分配，能够保证当前正在进行的网络业务不，又能够提前获知业务请求，从而提前分配网络资源，实现网络资源快速分配和高效利用。尤其是对于优先权较高的用户和网络业务，当网络资源受限时能够大大减少通过业务系统进行资源重分配带来的响应延时。同时能够根据网络、用户和业务特征的变化进行学习，当用户行为习惯或业务资源占用方式发生变化时能自动的进行调整。本发明基于智能的业务资源快速分配方法，通过采用智能化的手段，不经有效提高了业务资源分配的响应速度，也有效的提高了网络资源的利用率，并重点确保关键用户和关键业务的资源需求。
附图说明
图1为网络流量快速分配的方法的流程图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明公开了一种网络流量快速分配的方法，其步骤为：步骤一、在一段时间内，对网络系统的网络流量进行监测，获得该网络中所有用户的历史网络流量数据，该历史网络流量数据记载了该网络系统每一时刻的网络总流量值及其规律、以及各用户的每个网络业务对网络流量的占用规律。
步骤二、对用户进行优先权由高到低排序，用户所使用的网络业务进行优先权由高到低排序。
所述网络系统中每个用户均实时发出网络业务请求，并在网络业务请求得到允许的情况下，在下一时刻执行相关网络业务，若网络业务请求未得到允许，则在下一时刻继续发出该网络业务请求。
同时实时监测获取当前时刻t内网络系统的实时网络流量数据；该实时网络流量数据记载了该网络系统时刻t内的实时网络总流量值、以及各用户的每个网络业务对网络流量的实时占用值。
依据所述实时网络总流量值以及历史网络流量数据中网络总流量值的规律，预测下一时刻t+1时的预测网络总流量值。
判断t时刻时，所有的网络业务请求中所涉及的请求网络业务的总流量值与所述预测网络总流量值之和是否高于所述设定阈值，若是则进入步骤四，否则允许所有的网络业务请求并重复步骤三。
步骤四、依据所述各用户的每个网络业务对网络流量的实时占用值，以及所述历史网络流量数据中的各用户的每个网络业务对网络流量的占用规律，预 测下一时刻t+1时的预测用户和预测网络业务。
然后依据t时刻的网络业务请求，将网络业务请求所涉及的请求用户按照优先权进行排序，然后在请求用户的排序下，将每个请求用户对应的请求网络业务按照优先权进行由高至低排序，由此获得所有请求网络业务的排序。
选取所有的预测网络业务，并按照排序由高至低顺次选取请求网络业务，直至所选取的预测网络业务和请求网络业务所占总网络流量等于所述网络系统的总带宽，则允许所选取请求网络业务对应的网络业务请求。
重复执行步骤二～步骤四直至所述网络系统中所有网络业务执行完毕。
该方法能够通过智能预测的方式实现了对网络资源的动态分配，能够保证当前正在进行的网络业务不，又能够提前获知业务请求，从而提前分配网络资源，实现网络资源快速分配和高效利用。尤其是对于优先权较高的用户和网络业务，当网络资源受限时能够大大减少通过业务系统进行资源重分配带来的响应延时。同时能够根据网络、用户和业务特征的变化进行学习，当用户行为习惯或业务资源占用方式发生变化时能自动的进行调整。本发明基于智能的业务资源快速分配方法，通过采用智能化的手段，不经有效提高了业务资源分配的响应速度，也有效的提高了网络资源的利用率，并重点确保关键用户和关键业务的资源需求。
更进一步地，上述根据历史规律预测网络流量的方法具体为马尔科夫预测法。采用马尔科夫转移矩阵法，运用转移概率矩阵对网络流量的变化趋势进行分析。马尔科夫是俄国数学家，他在20世纪初发现：一个系统的某些因素在转移中，第n次结果只受第n-1的结果影响，只与当前所处状态有关，与其他无关。因此通过马尔科夫预测法能够根据当前的网络流量预测出下一个时刻的网络流量，目前马尔科夫预测法已经成功运用在电力系统的负荷预测上，比如公开号为CN102426674A，公开日为2012年04月25日，名称为一种基于马尔 科夫链的电力系统负荷预测方法，因此本专利不再详细赘述马尔科夫预测法的方法和原理。
更进一步地，上述根据历史规律预测网络流量的方法还可以采用以下的步骤：(1)对实测的网络流量进行分析，取N组历史网络流量，每一组都包括当前时刻t的历史网络流量L(T)以及下一时刻T+1的历史网络流量L(T+1)；(2)将L(T)和L(T+1)分别划分为多个网络流量区间，判断当前实测网络流量L(t)对应的网络流量区间，根据区间中的历史网络流量L(T)，得到对应的L(T+1)的网络流量区间；(3)在选择出的L(T+1)的网络流量区间中找到包含L(T+1)值最多的网络流量区间，将其作为预测流量区间；(4)根据预测流量区间得到预测流量。
比如，当前时刻t为2013年01月01日上10点10分10秒，当以天为单位进行划分时，2013年01月01日之前所有的上午10点10分10秒都是T，而根据预测的时间段的划分，如果每5秒完成一次预测，则上述(T+1)则为上午10点10分15秒。当N为5时，收集到5组历史网络流量，每一组都包括T时刻和(T+1)时刻的网络流量，T时刻和(T+1)时刻的5组网络流量分别包括(3.2，8.8)、(2.6，7)，(5.1，9)，(3，6)和(4，2)时，将网络流量以2为单位进行划分；则L(T)和L(T+1)的五个区间分别为0-2，2-4，4-6，6-8，8-10。第一、二、四、五组的L(T)在第二个区间的范围内，第三组的L(T)在第三个区间的范围内，第一、三组的L(T+1)在第五个区间的范围内，第二、四组的L(T+1)在第四个区间的范围内，第五组的L(T+1)在第一个区间的范围内。当检测到L(t)为3时，其范围落入L(T)的第二个网络区间，找到第二个网络区间中L(T)对应的L(T+1)的值，即第一、二、四、五组数据，其分别为8.8、7、6和2，其分别属于两个三个不同的区间，其中6和7属于同一个网络区间6-8，则6-8为预测流量区间。找到预测流量区间后，可以设定预 测流量区间的最大值作为预测流量，比如8；也可以设定预测流量区间中历史数据的最大值作为预测流量，比如7；还可以设定预测流量区间中历史数据的平均值作为预测流量，比如6.5，等等诸如此类。
更进一步地，上述根据历史规律预测网络流量的方法还可以为人工神经网络学习法。通过人工神经网络对历史数据进行学习，从而得到预测数据。
更进一步地，上述根据历史规律预测网络流量的方法还可以为先通过马尔科夫预测法得到预测状态，再送入人工神经网络进行学习，人工神经网络根据预测状态对网络流量进行拟合，从而给出预测的网络流量。资源预留模块的主要实现网络资源的预留。流量分离器根据业务系统的用户和业务信息对网络系统中观测到的流量进行分流，选取需要分析的流量。通过高通和低通两个滤波器，分别提取网络中的高频和低频流量特征。经过滤波以后，选取时、天、周、 月的分量，根据每一个分量取值分割为8种状态，组成4维的状态分量。将状态分量作为马尔科夫决策的输入进行分析，马尔科夫决策子模块根据状态转移概率，从当前状态推测下一时刻的状态，并将预测结果送给人工神经网络。人工神经网络根据预测状态对流量进行拟合，给出预测流量。同时人工神经网络根据反馈信息进行学习，对网络中各个连接的权重进行调整。
当业务系统发起业务请求后，资源分配模块将根据业务系统中的用户和业务优先级信息，以及当前网络的带宽信息进行资源分配。一个业务申请同时具有用户优先级和业务优先级两个属性，当业务系统发起请求，资源的分配优先级顺序按照综合优先级进行分配。综合优先级数字越小，优先级越高。当两个申请的综合优先级相同时，则按申请时间的先后顺序进行分配。
综上，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均 应包含在本发明的保护范围之内。