一种基于指数加权和拐点检测的网络资源分配方法及装置与流程

本发明涉及计算机网络技术领域，特别是涉及一种基于指数加权和拐点检测的网络资源分配方法及装置。

背景技术：

计算机网络技术的不断发展促进了各类网络服务的大量应用，这对网络的性能有了更高的要求。网络流量预测对于规划分配带宽、路由等各种网络资源具有重要意义，已经成为了目前的研究热点。目前，网络流量预测通常是基于ewma(exponentiallyweightedmoving-average，指数加权移动平均)模型实现的。

具体来说，可以预先设置ewma模型的加权下降参数r，当需要预测当前时间点的网络流量时，可以将网络流量历史时间序列输入ewma模型，基于预设的加权下降参数r确定当前时间点的网络流量。其中，网络流量序列为预先获取的各个历史时间点的网络流量的数据按照时间顺序排列的一组数据。例如，在8点5分至8点5分30秒内，每隔5秒钟的网络流量分别为5gb、6gb、4gb、6gb、7gb及8gb，那么该时间段内网络流量序列即为(5，6，4，6，7，8)。在ewma模型中，加权下降参数r与网络流量序列中最后一个数据的参考权重成正比，参考权重用于表征网络流量数据对于确定当前时间点的网络流量预测结果的影响程度。

在上述流量预测方式中，利用一段时长内的网络流量序列预测当前时间点的网络流量，进而按照预测的当前时间点的网络流量分配网络资源，但是由于网络流量序列中可能存在突变的数据，而加权下降参数r是人为设定的固定值，因此并不能合理的预测网络流量，网络流量预测结果的准确度较低，进而根据网络流量预测结果也就无法准确地分配网络资源，会造成网络资源的浪费。

技术实现要素：

本发明实施例的目的在于提供一种基于指数加权和拐点检测的网络资源分配方法及装置，以提高确定网络流量预测结果的准确度，减少网络资源的浪费。具体技术方案如下：

第一方面，本发明实施例提供了一种基于指数加权和拐点检测的网络资源分配方法，所述方法包括：

获取网络流量序列，其中，所述网络流量序列为按照预设时间间隔获取的预设时间段内网络流量数据，并按照时间顺序排列组成的序列；

将所述网络流量序列输入拐点检测模型，根据所述网络流量序列中数据的分布状态，确定所述网络流量序列中最后一个数据是否为拐点数据，其中，所述拐点数据为与其他数据的分布状态不符的数据；

如果所述最后一个数据为拐点数据，将指数加权移动平均ewma模型的加权下降参数由默认值调整至第一目标值，其中，所述第一目标值大于所述默认值；

基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第一预测结果；

基于所述第一预测结果分配网络资源。

可选的，当所述最后一个数据不为拐点数据时，所述方法还包括：

按照对应的时间由晚到早的顺序，依次判断所述最后一个数据之前的预设数量个数据中是否存在拐点数据；

如果存在，基于所述拐点数据的前一个数据至所述最后一个数据之间数据的数量、第一目标值及预设步长，确定第二目标值，其中，所述第二目标值大于等于默认值，且小于所述第一目标值；

将ewma模型的加权下降参数由所述默认值调整至所述第二目标值；

基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第二预测结果；

基于所述第二预测结果分配网络资源。

可选的，所述基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第二预测结果的步骤，包括：

将第一网络流量子序列输入所述ewma模型，以使所述ewma模型基于所述第二目标值，确定当前时间点的网络流量预测结果，作为第二预测结果，其中，所述第一网络流量子序列为以所述拐点数据为起点，以所述最后一个数据为终点的序列；或，

将所述网络流量序列输入所述ewma模型，以使所述ewma模型基于所述第二目标值，确定当前时间点的网络流量预测结果，作为第二预测结果。

可选的，当所述最后一个数据之前的预设数量个数据中不存在拐点数据时，所述方法还包括：

在所述网络流量序列中确定所述最后一个数据之前的第一个拐点数据，作为目标拐点数据；

将第二网络流量子序列输入ewma模型，以使所述ewma模型基于默认值，确定当前时间点的网络流量预测结果，作为第三预测结果，其中，所述第二网络流量子序列为以所述目标拐点数据为起点，以所述最后一个数据为终点的序列；

基于所述第三预测结果分配网络资源。

可选的，在所述基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果的步骤之前，所述方法还包括：

将所述网络流量序列中最后一个数据之前的数据去除；

所述基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第一预测结果的步骤，包括：

将去除后的网络流量序列输入所述ewma模型，以使所述ewma模型基于所述第一目标值，确定当前时间点的网络流量预测结果，作为第一预测结果。

可选的，所述基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第一预测结果的步骤，包括：

根据公式计算当前时间点的网络流量预测结果zi；

其中，i为所述网络流量序列包括的数据的数量，i≥0，r为加权下降参数，r的默认值∈(0,1)，为所述网络流量序列，μ0为预设的预测结果初始值。

可选的，所述将所述网络流量序列输入拐点检测模型，根据所述网络流量序列中数据的分布状态，确定所述网络流量序列中最后一个数据是否为拐点数据的步骤，包括：

将所述网络流量序列输入拐点检测模型，根据所述网络流量序列包括的数据的分布状态，确定目标概率，其中，所述目标概率为所述网络流量序列中最后一个数据为拐点数据的概率；

基于预先设置的概率阈值及所述目标概率，确定所述网络流量序列中最后一个数据是否为拐点数据。

第二方面，本发明实施例提供了一种基于指数加权和拐点检测的网络资源分配装置，所述装置包括：

序列获取模块，用于获取网络流量序列，其中，所述网络流量序列为按照预设时间间隔获取的预设时间段内网络流量数据，并按照时间顺序排列组成的序列；

拐点检测模块，用于将所述网络流量序列输入拐点检测模型，根据所述网络流量序列中数据的分布状态，确定所述网络流量序列中最后一个数据是否为拐点数据，其中，所述拐点数据为与其他数据的分布状态不符的数据；

第一调整模块，用于如果所述最后一个数据为拐点数据，将指数加权移动平均ewma模型的加权下降参数由默认值调整至第一目标值，其中，所述第一目标值大于所述默认值；

第一预测模块，用于基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第一预测结果；

第一分配模块，用于基于所述第一预测结果分配网络资源。

可选的，所述装置还包括：

判断模块，用于当所述最后一个数据不为拐点数据时，按照对应的时间由晚到早的顺序，依次判断所述最后一个数据之前的预设数量个数据中是否存在拐点数据；

参数值确定模块，用于如果存在，基于所述拐点数据的前一个数据至所述最后一个数据之间数据的数量、第一目标值及预设步长，确定第二目标值，其中，所述第二目标值大于等于默认值，且小于所述第一目标值；

第二调整模块，用于将ewma模型的加权下降参数由所述默认值调整至所述第二目标值；

第二预测模块，用于基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第二预测结果；

第二分配模块，用于基于所述第二预测结果分配网络资源。

可选的，所述第二预测模块包括：

第一预测子模块，用于将第一网络流量子序列输入所述ewma模型，以使所述ewma模型基于所述第二目标值，确定当前时间点的网络流量预测结果，作为第二预测结果，其中，所述第一网络流量子序列为以所述拐点数据为起点，以所述最后一个数据为终点的序列；或，

第二预测子模块，用于将所述网络流量序列输入所述ewma模型，以使所述ewma模型基于所述第二目标值，确定当前时间点的网络流量预测结果，作为第二预测结果。

本发明实施例提供的方案中，电子设备可以获取网络流量序列，其中，网络流量序列为按照预设时间间隔获取的预设时间段内网络流量数据，并按照时间顺序排列组成的序列；将网络流量序列输入拐点检测模型，根据网络流量序列中数据的分布状态，确定网络流量序列中最后一个数据是否为拐点数据，其中，拐点数据为与其他数据的分布状态不符的数据；如果最后一个数据为拐点数据，将指数加权移动平均ewma模型的加权下降参数由默认值调整至第一目标值，其中，第一目标值大于默认值；基于网络流量序列及ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第一预测结果；基于第一预测结果分配网络资源。

电子设备可以通过拐点检测模型检测最后一个数据是否为拐点数据，当最后一个数据为拐点数据时，可以将加权下降参数由默认值调整为较大的第一目标值，这样调整后的加权下降参数可以准确地表征最后一个数据对确定当前时间点的网络流量预测结果的影响程度，基于调整后的加权下降参数确定当前时间点的网络流量预测结果时，可以提高确定当前时间点的网络流量预测结果的准确度，从而可以在分配网络资源时减少网络资源的浪费。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例所提供的一种基于指数加权和拐点检测的网络资源分配方法的流程图；

图2为基于图1所示实施例的一种网络资源分配方法的流程图；

图3为基于图1所示实施例的另一种网络资源分配方法的流程图；

图4为本发明实施例所提供的一种基于指数加权和拐点检测的网络资源分配装置的结构示意图；

图5为基于图4所示实施例的一种网络资源分配装置的具体结构示意图；

图6为基于图4所示实施例的另一种网络资源分配装置的具体结构示意图

图7为本发明实施例所提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

为了提高确定网络流量预测结果的准确度，减少网络资源的浪费，本发明实施例提供了一种基于指数加权和拐点检测的网络资源分配方法、装置、电子设备及计算机可读存储介质。下面首先对本发明实施例所提供的一种基于指数加权和拐点检测的网络资源分配方法进行介绍。

本发明实施例所提供的一种基于指数加权和拐点检测的网络资源分配方法可以应用于任意需要分配网络资源的电子设备，例如，可以为电脑、处理器、服务器等。

如图1所示，一种基于指数加权和拐点检测的网络资源分配方法，所述方法包括：

s101，获取网络流量序列；

其中，所述网络流量序列为按照预设时间间隔获取的预设时间段内网络流量数据，并按照时间顺序排列组成的序列。

s102，将所述网络流量序列输入拐点检测模型，根据所述网络流量序列中数据的分布状态，确定所述网络流量序列中最后一个数据是否为拐点数据；

其中，所述拐点数据为与其他数据的分布状态不符的数据；

s103，如果所述最后一个数据为拐点数据，将指数加权移动平均ewma模型的加权下降参数由默认值调整至第一目标值；

其中，所述第一目标值大于所述默认值。

s104，基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第一预测结果；

s105，基于所述第一预测结果分配网络资源。

可见，本发明实施例所提供的方案中，电子设备可以获取网络流量序列，其中，网络流量序列为按照预设时间间隔获取的预设时间段内网络流量数据，并按照时间顺序排列组成的序列；将网络流量序列输入拐点检测模型，根据网络流量序列中数据的分布状态，确定网络流量序列中最后一个数据是否为拐点数据，其中，拐点数据为与其他数据的分布状态不符的数据；如果最后一个数据为拐点数据，将指数加权移动平均ewma模型的加权下降参数由默认值调整至第一目标值，其中，第一目标值大于默认值；基于网络流量序列及ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第一预测结果；基于第一预测结果分配网络资源。

电子设备可以通过拐点检测模型检测最后一个数据是否为拐点数据，当最后一个数据为拐点数据时，可以将加权下降参数由默认值调整为较大的第一目标值，这样调整后的加权下降参数可以准确地表征最后一个数据对确定当前时间点的网络流量预测结果的影响程度，基于调整后的加权下降参数确定当前时间点的网络流量预测结果时，可以提高确定当前时间点的网络流量预测结果的准确度，从而可以在分配网络资源时减少网络资源的浪费。

在分配带宽、路由等各种网络资源时，可以根据当前时间点的网络流量的预测结果进行分配，这样可以提高网络资源的利用率，减少网络资源的浪费。例如，在为某局域网分配网络资源时，电子设备可以根据该局域网当前时间点的网络流量的预测结果分配网络资源；又例如，在为某网站的服务器分配网络资源时，电子设备可以根据该网站当前时间点的网络流量的预测结果，为该网站的服务器分配网络资源。

那么在预测当前时间点的网络流量时，电子设备可以获取当前时间点之前的网络流量的历史数据，也就是执行上述步骤s101，电子设备可以获取网络流量序列。其中，该网络流量序列为按照预设时间间隔获取的预设时间段内网络流量数据，并按照时间顺序排列组成的序列。

例如，当前时间点为9点5分，预设时间间隔为10秒，预设时间段为当前时间点之前的1分钟，在9点4分至9点4分50秒内，每隔10秒的网络流量分别为20gb、17gb、16gb、23gb、19gb及21gb，那么电子设备获取的网络流量序列即为(20，17，16，23，19，21)。

电子设备获取的网络流量序列中，可能存在突变的拐点数据，其分布状态与网络流量序列中的其他数据的分布状态相差较大。由于网络流量序列中最后一个数据对应的时间点与当前时间点比较接近，所以当前时间点的网络流量很可能与最后一个数据是非常接近的，因此，在获取到网络流量序列之后，为了提高预测当前时间点的网络流量的准确度，电子设备可以确定网络流量序列中最后一个数据是否为拐点数据。

为了确定网络流量序列中最后一个数据是否为拐点数据，在上述步骤s102中，电子设备可以将网络流量序列输入拐点检测模型，拐点检测模型可以根据网络流量序列中数据的分布状态，确定网络流量序列中最后一个数据是否为拐点数据。

在一种实施方式中，拐点检测模型可以为基于预设训练集训练的深度学习模型，预设训练集可以包括多个网络流量序列样本及每个网络流量序列样本的标签。网络流量序列样本的标签可以用于标识该网络流量序列样本的最后一个数据是否为拐点数据。

在训练过程中，可以获取多个网络流量序列样本，标定每个网络流量序列样本的标签，其中，该标签用于标识该网络流量序列样本的最后一个数据是否为拐点数据。然后将每个网络流量序列样本输入初始拐点检测模型，得到每个网络流量序列样本对应的预测标签，然后可以基于每个网络流量序列样本对应的预测标签与其标定的标签之间的差异，不断调整初始拐点检测模型的参数，最终得到能够准确检测出输入的网络流量序列的最后一个数据是否为拐点数据的拐点检测模型。其中，上述深度学习模型可以为卷积神经网络、前馈神经网络等深度学习模型，在此不做具体限定。

当网络流量序列中出现拐点数据时，该网络流量序列中数据的分布趋势发生突然变化，说明在该拐点数据对应的时间点，网络流量的消耗发生变化，那么由于拐点数据之后的数据对应的时间点比较接近拐点数据对应的时间点，因此，拐点数据对应的时间点之后的网络流量的分布状态很可能接近该拐点数据。

所以，当最后一个数据为拐点数据时，当前时间点的网络流量预测结果很可能比较接近最后一个数据，这时最后一个数据之前的数据对于确定当前时间点的网络流量预测结果的影响程度较低，最后一个数据对于确定当前时间点的网络流量预测结果的影响程度较高。

因此，当确定最后一个数据为拐点数据时，为了使加权下降参数更加准确地表示最后一个数据对于确定当前时间点的网络流量预测结果的影响程度，在上述步骤s103中，电子设备可以将ewma模型的加权下降参数由默认值调整至第一目标值，其中，第一目标值大于默认值，第一目标值∈(0,1]，ewma模型的加权下降参数与网络流量序列中最后一个数据的参考权重成正比，其中，参考权重用于表征网络流量数据的对于确定当前时间点的网络流量预测结果的影响程度，上述默认值可以根据经验值设置。

这样，当最后一个数据为拐点数据时，ewma模型的加权下降参数可以调整为第一目标值，以提高该拐点数据对于确定当前时间点的网络流量预测结果的影响程度。

在将加权下降参数调整为第一目标值之后，电子设备便可以执行上述步骤s104，即基于网络流量序列及ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第一预测结果。由于调整后的加权下降参数可以更加准确地表示最后一个数据的参考权重，因此基于调整后的加权下降参数确定的网络流量预测结果的准确度也就较高。

在一种实施方式中，电子设备可以将网络流量序列输入ewma模型，ewma模型可以基于第一目标值，确定当前时间点的网络流量预测结果。其中，ewma模型可以包括网络流量序列与当前时间点的网络流量预测结果之间的对应关系。

在获得第一预测结果之后，电子设备便可以基于第一预测结果分配网络资源，其中网络资源可以为网络带宽、路由等。当第一预测结果较高时，表示当前时间点所需的网络流量可能较高，所以可以分配较多的网络资源；当第一预测结果较低时，表示当前时间点所需的网络流量可能较低，为了避免网络资源的浪费，可以分配较少的网络资源。由于基于调整后的加权下降参数确定的第一预测结果的准确度较高，因此电子设备基于第一预测结果可以准确地分配网络资源，能够减少网络资源的浪费。

作为本发明实施例的一种实施方式，如图2所示，当上述最后一个数据不为拐点数据时，上述方法还可以包括：

s201，按照对应的时间由晚到早的顺序，依次判断所述最后一个数据之前的预设数量个数据中是否存在拐点数据；

当网络流量序列中最后一个数据不为拐点数据时，为了确定最后一个数据邻近的数据中是否存在拐点数据，电子设备可以按照对应的时间由晚到早的顺序，依次判断网络流量序列中最后一个数据之前的预设数量个数据中是否存在拐点数据。当电子设备确定上述预设数量个数据中的某一数据为拐点数据时，可以停止判断，确定最后一个数据之前的预设数量个数据中存在拐点数据。

例如，网络流量序列w1为(w1，w2，w3，w4，w5，w6，w7)，当预设数量为5时，电子设备可以依次判断最后一个数据w7之前的数据w6、w5、w4、w3、w2中是否存在拐点数据。当电子设备确定数据w5为拐点数据时，可以停止判断，确定最后一个数据w7之前的5个数据中存在拐点数据。

s202，如果存在，基于所述拐点数据的前一个数据至所述最后一个数据之间数据的数量、第一目标值及预设步长，确定第二目标值；

当最后一个数据不为拐点数据，且最后一个数据之前的预设数量个数据中存在拐点数据时，说明当前时间点之前比较近的一段时间内的网络流量的消耗发生变化。在这种情况下，由于拐点数据对应的时间点在当前时间点之前的一段时间内，那么在这段时间内网络流量的消耗的变化趋势为由拐点数据逐渐变为最后一个数据，那么当前时间点所需的网络流量很可能符合这段时间内网络流量的消耗的变化趋势，而不是完全由最后一个数据决定的。

那么，此时最后一个数据对于确定当前时间点的网络流量预测结果的影响程度是小于最后一个数据为拐点数据时对于确定当前时间点的网络流量预测结果的影响程度的，所以此时加权下降参数的数值应当介于第一目标值与默认值之间。

电子设备可以基于拐点数据至最后一个数据的前一个数据的数据的数量、第一目标值及预设步长，确定第二目标值。其中，预设步长可以根据当前时间点网络流量预测结果的准确度等因素进行设置，第二目标值大于等于默认值，且小于第一目标值，上述预设数量可以根据第一目标值、默认值及预设步长进行设置，例如，第一目标值为0.9，默认值为0.6，预设步长为0.1，那么预设数量可以设置为(0.9-0.6)÷0.1＝3。

在一种实施方式中，电子设备可以基于如下公式计算第二目标值m2：

m2＝m1-a×l

其中，m1为第一目标值，a为拐点数据的前一个数据至所述最后一个数据之间数据的数量，l为预设步长。

例如，网络流量序列w2为(b1，b2，b3，b4，b5，b6)，其中数据b4为拐点数据，第一目标值m1＝0.9，预设步长l＝0.05，电子设备便可以根据上述公式，确定第二目标值m2＝0.9-0.05×2＝0.8。

s203，将ewma模型的加权下降参数由所述默认值调整至所述第二目标值；

当最后一个数据之前预设数量个数据中存在拐点数据时，第二目标值很可能能够更加准确地表示最后一个数据对于确定当前时间点的网络流量预测结果的影响程度。因此，在确定第二目标值之后，电子设备可以将加权下降参数由默认值调整至第二目标值。

s204，基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第二预测结果；

在将加权下降参数由默认值调整至第二目标值之后，电子设备便可以基于网络流量序列及第二目标值，确定当前时间点的网络流量的预测结果，作为第二预测结果。这样，电子设备可以基于第二目标值准确地确定当前时间点的网络流量预测结果。

其中，电子设备基于网络流量序列及调整后的加权下降参数确定预测结果的方式与上述步骤s104中确定预测结果的方式相同，可以参见上述步骤s104部分内容的介绍，在此不再赘述。

s205，基于所述第二预测结果分配网络资源。

在获得第二预测结果之后，电子设备便可以基于第二预测结果分配网络资源，这样，当最后一个数据之前预设数量个数据中存在拐点数据时，电子设备可以基于第二目标值准确地确定当前时间点的网络流量预测结果，基于该预测结果电子设备可以准确地分配网络资源，从而减少网络资源的浪费。

可见，本发明实施例所提供的方案中，当最后一个数据不为拐点数据时，电子设备可以按照对应的时间由后到前的顺序，依次判断最后一个数据之前的预设数量个数据中是否存在拐点数据，如果最后一个数据之前的预设数量个数据中存在拐点数据，电子设备可以基于拐点数据的前一个数据至最后一个数据之间数据的数量、第一目标值及预设步长，确定第二目标值，然后将ewma模型的加权下降参数由默认值调整至第二目标值，进而基于网络流量序列及ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第二预测结果，基于第二预测结果分配网络资源。这样，当最后一个数据不为拐点数据时，电子设备可以根据第二目标值准确地确定当前时间点的网络流量预测结果，基于该预测结果电子设备可以准确地分配网络资源，从而减少网络资源的浪费。

作为本发明实施例的一种实施方式，上述基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第二预测结果的步骤，可以包括以下方式：

第一种方式：将网络流量序列输入ewma模型，以使ewma模型基于第二目标值，确定当前时间点的网络流量预测结果，作为第二预测结果。

在将加权下降参数调整至第二目标值之后，为了确定当前时间点的网络流量预测结果，电子设备可以将整个网络流量序列输入ewma模型，ewma模型可以基于第二目标值，确定当前时间点的网络流量预测结果，作为第二预测结果。

第二种方式：将第一网络流量子序列输入ewma模型，以使ewma模型基于第二目标值，确定当前时间点的网络流量预测结果，作为第二预测结果。

当最后一个数据之前预设数量的数据中存在拐点数据时，由于拐点数据之前的数据对于确定当前时间点的网络流量预测结果的影响程度较低，因此，为了提高确定当前时间点的网络流量预测结果的效率，可以忽略拐点数据之前的数据对于当前时间点的网络流量预测结果的影响。

在这种情况下，电子设备可以将第一网络流量子序列输入ewma模型，ewma模型可以基于第二目标值确定当前时间点的网络流量预测结果，作为第二预测结果。

其中，第一网络流量子序列即为以拐点数据为起点，以最后一个数据为终点的序列。例如，网络流量序列w3为(c1，c2，c3，c4，c5，c6，c7，c8)，其中数据c4为拐点数据，这时网络流量序列w3对应的第一网络流量子序列即为(c4，c5，c6，c7，c8)。

这样，ewma模型可以仅根据第一网络流量子序列确定当前时间点的网络流量预测结果，可以减少运算量，减少确定当前时间点的网络流量预测结果所需的时间，从而提高确定当前时间点的网络流量预测结果的效率。

可见，本发明实施例所提供的方案中，当最后一个数据之前预设数量的数据中存在拐点数据时，电子设备可以基于上述方式确定当前时间点的网络流量预测结果。这样，当最后一个数据之前预设数量的数据中存在拐点数据时，电子设备可以准确地确定当前时间点的网络流量预测结果。

作为本发明实施例的一种实施方式，如图3所示，当上述最后一个数据之前的预设数量个数据中不存在拐点数据时，上述方法还可以包括：

s301，在所述网络流量序列中确定所述最后一个数据之前的第一个拐点数据，作为目标拐点数据；

当最后一个数据之前的预设数量个数据中不存在拐点数据时，说明当前时间点之前比较近的一段时间内的网络流量没有发生过较大的变化，那么当前时间点所需的网络流量很可能符合上述网络流量序列中最后一个数据之前的第一个拐点数据至该最后一个数据之间的分布趋势。因此，电子设备可以确定网络流量序列中最后一个数据之前的第一个拐点数据，作为目标拐点数据。

在一种实施方式中，电子设备可以按照对应的时间由晚到早的顺序，依次判断最后一个数据之前的数据是否为拐点数据，直到确定某数据为拐点数据时，停止判断，将该数据作为目标拐点数据。

例如，网络流量序列w4为(s1，s2，s3，s4，s5，s6，s7)，电子设备可以依次判断最后一个数据s7之前的数据s6、s5、s4、s3、s2及s1是否为拐点数据，当电子设备确定数据s3为拐点数据时，可以停止判断，不再判断数据s2及s1是否为拐点数据，将数据s3确定为目标拐点数据。

s302，将第二网络流量子序列输入ewma模型，以使所述ewma模型基于默认值，确定当前时间点的网络流量预测结果，作为第三预测结果；

由于在目标拐点数据之前的数据是网络流量发生变化之前的网络流量数据，对于预测当前时间点所需的网络流量的影响程度较低，所以为了减少确定当前时间点的网络流量预测结果所需的时间，电子设备可以根据从目标拐点数据至最后一个数据的网络流量子序列(也就是第二网络流量子序列)，确定当前时间点的网络流量预测结果。

例如，网络流量序列w5为(e1，e2，e3，e4，e5，e6，e7，e8)，其中数据e5为目标拐点数据，这时网络流量序列w5对应的第二网络流量子序列即为(e5，e6，e7，e8)。

当最后一个数据之前预设数量个数据中不存在拐点数据时，默认值很可能能够更加准确地表示最后一个数据对于确定当前时间点的网络流量预测结果的影响程度。因此，电子设备可以将第二网络流量子序列输入ewma模型，ewma模型可以基于默认值，确定当前时间点的网络流量预测结果，作为第三预测结果。这样，电子设备可以基于默认值准确地确定当前时间点的网络流量预测结果。

s303，基于所述第三预测结果分配网络资源。

在得到第三预测结果后，电子设备可以基于第三预测结果分配网络资源。由于第三预测结果比较准确，因此电子设备可以更加准确地分配网络资源，避免网络资源的浪费。

可见，本发明实施例所提供的方案中，当最后一个数据之前的预设数量个数据中不存在拐点数据时，电子设备可以述网络流量序列中确定最后一个数据之前的第一个拐点数据，作为目标拐点数据，将第二网络流量子序列输入ewma模型，以使ewma模型基于默认值，确定当前时间点的网络流量预测结果，作为第三预测结果，基于第三预测结果分配网络资源。这样，当最后一个数据之前的预设数量个数据中不存在拐点数据时，电子设备可以更准确地确定当前时间点的网络流量预测结果，从而根据预测结果分配网络资源，减少网络资源的浪费。

作为本发明实施例的一种实施方式，在上述基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果的步骤之前，上述方法还可以包括：

将网络流量序列中最后一个数据之前的数据去除；

当最后一个数据为拐点数据时，由于在最后一个数据之前的数据是网络流量发生变化之前的网络流量数据，对于预测当前时间点所需的网络流量的影响程度较低，所以为了减少确定当前时间点的网络流量预测结果所需的时间，电子设备可以根据最后一个数据，确定当前时间点的网络流量预测结果。

在这种情况下，电子设备可以将网络流量序列中最后一个数据之前的数据去除，也就是说，网络流量序列可以仅保留最后一个数据。

相应的，上述基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第一预测结果的步骤，可以包括：

将去除后的网络流量序列输入ewma模型，以使ewma模型基于第一目标值，确定当前时间点的网络流量预测结果，作为第一预测结果。

在将网络流量序列中最后一个数据之前的数据去除之后，电子设备可以将去除后的网络流量序列输入ewma模型，也就是说，电子设备可以将最后一个数据输入ewma模型。ewma模型可以基于第一目标值，确定当前时间点的网络流量预测结果，作为第一预测结果。这样，ewma模型仅需根据最后一个数据确定当前时间点的预测结果，可以减少运算量，从而减少确定当前时间点的网络流量预测结果所需的时间。

可见，本发明实施例所提供的方案中，当最后一个数据为拐点数据时，电子设备可以将网络流量序列中最后一个数据之前的数据去除，然后将去除后的网络流量序列输入ewma模型，以使ewma模型基于第一目标值，确定当前时间点的网络流量预测结果，作为第一预测结果。这样，可以减少确定当前时间点的网络流量预测结果所需的时间，从而提高确定当前时间点的网络流量预测结果的效率。

作为本发明实施例的一种实施方式，上述基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第一预测结果的步骤，可以包括：

根据如下公式，计算当前时间点的网络流量预测结果zi：

其中，i为网络流量序列包括的数据的数量，i≥0，r为加权下降参数，r的默认值∈(0,1)，为网络流量序列，μ0为预设的预测结果初始值。

电子设备可以根据上述公式(1)，计算当前时间点的网络流量预测结果。例如，网络流量序列为(5，57，4，6，5，5，6)，包括7个数据，预设的预测结果初始值μ0＝0，调整后的加权下降参数为0.9，电子设备可以将上述网络流量序列(5，57，4，6，5，5，6)输入ewma模型，根据上述公式(1)计算当前时间点的网络流量预测结果z7：

z7＝0+0.9×(1-0.9)⁶×5+0.9×(1-0.9)⁵×57+0.9×(1-0.9)⁴×4+0.9×(1-0.9)³×6+0.9×(1-0.9)²×5+0.9×(1-0.9)×5+0.9×6≈5.9

其中，上述第一预测结果、第二预测结果及第三预测结果均可以根据上述公式(1)计算获得。

当调整后的加权下降参数为第一目标值，且第一目标值为1时，r＝1，由上述公式(1)可知，当r＝1时，上述公式(1)即为：

也就是说，当r＝1时，当前时间点的网络流量预测结果zi即为最后一个数据针对这种情况，在一种实施方式中，当r＝1时，为了减少确定当前时间点的网络流量预测结果所需的时间，电子设备可以直接确定最后一个数据为当前时间点的网络流量预测结果。

例如，网络流量序列为(5，7，4，6，5，5，53)，电子设备确定最后一个数据53为拐点数据，当r＝1时，电子设备可以确定当前时间点的网络流量预测结果为53。

可见，本发明实施例所提供的方案中，电子设备可以根据上述公式(1)计算当前时间点的网络流量预测结果。这样，电子设备可以根据上述公式(1)，准确地确计算当前时间点的网络流量预测结果。

作为本发明实施例的一种实施方式，上述将所述网络流量序列输入拐点检测模型，根据所述网络流量序列中数据的分布状态，确定所述网络流量序列中最后一个数据是否为拐点数据的步骤，可以包括：

将网络流量序列输入拐点检测模型，根据网络流量序列包括的数据的分布状态，确定目标概率；基于预先设置的概率阈值及目标概率，确定网络流量序列中最后一个数据是否为拐点数据。

为了确定最后一个数据是否为拐点数据，电子设备可以将网络流量序列输入拐点检测模型，拐点检测模型可以根据网络流量序列包括的数据的分布状态，确定网络流量序列中最后一个数据为拐点数据的概率。其中，网络流量序列中最后一个数据为拐点数据的概率为目标概率。

在一种实施方式中，上述拐点检测模型可以为消息传递算法模型中的bayesianonlinechangepointdetection(贝叶斯在线拐点检测模型)，电子设备可以将网络流量序列输入贝叶斯在线拐点检测模型，根据如下公式计算目标概率p(xt+1|x1:t)：

其中，xt+1表示网络流量序列中最后一个数据，x1:为网络流量序列中最后一个数据之前的数据对应的网络流量子序列，rt为网络流量序列中最后一个数据与最后一个数据之前的第一个拐点数据之间数据的数量，为网络流量序列中最后一个数据之前的第一个拐点数据至最后一个数据前一个数据对应的网络流量子序列。

例如，网络流量序列w6为(f1，f2，f3，f4，f5，f6，f7)，其中数据f4为最后一个数据f7之前的第一个拐点数据。对于网络流量序列w6，其最后一个数据之前的数据对应的网络流量子序列x1:t即为(f1，f2，f3，f4，f5，f6)，其最后一个数据与最后一个数据之前的第一个拐点数据之间数据的数量rt＝2，其最后一个数据之前的第一个拐点数据至最后一个数据前一个数据对应的网络流量子序列即为(f4，f5，f6)。

在上述公式中，表示当网络流量序列中最后一个数据至最后一个数据之前的第一个拐点数据之间数据的数量为rt，且网络流量序列中最后一个数据之前的第一个拐点数据至最后一个数据前一个数据对应的网络流量子序列为时，最后一个数据xt+1为拐点的概率；p(rt|x1:t)为后验概率，也就是当网络流量序列中最后一个数据之前的数据对应的网络流量子序列为x1:t时，网络流量序列中最后一个数据至最后一个数据之前的第一个拐点数据之间数据的数量为rt的概率。

上述后验概率p(rt|x1:t)可以根据如下公式进行计算：

其中，p(x1:t)表示网络流量序列中最后一个数据之前的数据对应的网络流量子序列为x1:t的概率；p(rt，x1:t)为rt与x1:t之间的联合分布概率，可以根据如下公式进行计算：

其中，rt-1为网络流量序列中最后一个数据的前一个数据与最后一个数据之前的第一个拐点数据之间数据的数量，xt表示网络流量序列中最后一个数据的前一个数据，x1:t-1为网络流量序列中最后一个数据的前一个数据之前的数据对应的网络流量子序列。

在上述p(rt，x1:t)的计算公式中，p(rt，rt-1，x1：t)为rt、rt-1与x1:t之间的联合分布概率，p(rt，xt|rt-1，x1:t-1)表示当网络流量序列中最后一个数据的前一个数据与最后一个数据之前的第一个拐点数据之间数据的数量为rt-1且网络流量序列中最后一个数据的前一个数据之前的数据对应的网络流量子序列为x1:t-1时，网络流量序列中最后一个数据至最后一个数据之前的第一个拐点数据之间数据的数量为rt且网络流量序列中最后一个数据的前一个数据为xt的概率；p(rt-1，x1:t-1)为x1:t-1与rt-1的联合分布概率；p(rt|rt-1)表示当网络流量序列中最后一个数据的前一个数据与最后一个数据之前的第一个拐点数据之间数据的数量为rt-1时，网络流量序列中最后一个数据至最后一个数据之前的第一个拐点数据之间数据的数量为rt的概率；表示当网络流量序列中最后一个数据的前一个数据与最后一个数据之前的第一个拐点数据之间数据的数量为rt-1，且网络流量序列中最后一个数据之前的第一个拐点数据至最后一个数据前一个数据对应的网络流量子序列为时，网络流量序列中最后一个数据的前一个数据为xt的概率。

在得到目标概率之后，电子设备便可以基于预先设置的概率阈值及目标概率，确定网络流量序列中最后一个数据是否为拐点数据。其中，概率阈值可以根据经验值进行设置，例如，当需要尽可能检测出每一个拐点数据时，可以将概率阈值设置为较低的值；而在需要检测出明显的拐点数据时，可以将概率阈值设置为较高的值。

当目标概率不小于概率阈值时，电子设备可以确定最后一个数据为拐点数据；当目标概率小于概率阈值时，电子设备可以确定最后一个数据不为拐点数据。例如，预先设置的概率阈值为0.8，当电子设备通过拐点检测模型确定网络流量序列对应的目标概率为0.9时，可以确定该网络流量序列的最后一个数据为拐点数据。这样，电子设备可以通过拐点检测模型准确地检测最后一个数据是否为拐点数据。

可见，在本发明实施例所提供的方案中，电子设备可以将网络流量序列输入拐点检测模型，根据网络流量序列包括的数据的分布状态，确定目标概率；基于预先设置的概率阈值及目标概率，确定网络流量序列中最后一个数据是否为拐点数据。这样，电子设备可以准确地确定网络流量序列中最后一个数据是否为拐点数据。

相应于上述一种基于指数加权和拐点检测的网络资源分配方法，本发明实施例还提供了一种基于指数加权和拐点检测的网络资源分配装置。下面对本发明实施例提供的一种基于指数加权和拐点检测的网络资源分配装置进行介绍。

如图4所示，一种基于指数加权和拐点检测的网络资源分配装置，所述装置包括：

序列获取模块401，用于获取网络流量序列；

其中，所述网络流量序列为按照预设时间间隔获取的预设时间段内网络流量数据，并按照时间顺序排列组成的序列。

拐点检测模块402，用于将所述网络流量序列输入拐点检测模型，根据所述网络流量序列中数据的分布状态，确定所述网络流量序列中最后一个数据是否为拐点数据；

其中，所述拐点数据为与其他数据的分布状态不符的数据。

第一调整模块403，用于如果所述最后一个数据为拐点数据，将指数加权移动平均ewma模型的加权下降参数由默认值调整至第一目标值；

其中，所述第一目标值大于所述默认值。

第一预测模块404，用于基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第一预测结果；

第一分配模块405，用于基于所述第一预测结果分配网络资源。

可见，本发明实施例所提供的方案中，电子设备可以获取网络流量序列，其中，网络流量序列为按照预设时间间隔获取的预设时间段内网络流量数据，并按照时间顺序排列组成的序列；将网络流量序列输入拐点检测模型，根据网络流量序列中数据的分布状态，确定网络流量序列中最后一个数据是否为拐点数据，其中，拐点数据为与其他数据的分布状态不符的数据；如果最后一个数据为拐点数据，将指数加权移动平均ewma模型的加权下降参数由默认值调整至第一目标值，其中，第一目标值大于默认值；基于网络流量序列及ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第一预测结果；基于第一预测结果分配网络资源。

电子设备可以通过拐点检测模型检测最后一个数据是否为拐点数据，当最后一个数据为拐点数据时，可以将加权下降参数由默认值调整为较大的第一目标值，这样调整后的加权下降参数可以准确地表征最后一个数据对确定当前时间点的网络流量预测结果的影响程度，基于调整后的加权下降参数确定当前时间点的网络流量预测结果时，可以提高确定当前时间点的网络流量预测结果的准确度，从而可以在分配网络资源时减少网络资源的浪费。

作为本发明实施例的一种实施方式，如图5所示，上述装置还可以包括：

判断模块501，用于当所述最后一个数据不为拐点数据时，按照对应的时间由晚到早的顺序，依次判断所述最后一个数据之前的预设数量个数据中是否存在拐点数据；

参数值确定模块502，用于如果存在，基于所述拐点数据的前一个数据至所述最后一个数据之间数据的数量、第一目标值及预设步长，确定第二目标值；

其中，所述第二目标值大于等于默认值，且小于所述第一目标值。

第二调整模块503，用于将ewma模型的加权下降参数由所述默认值调整至所述第二目标值；

第二预测模块504，用于基于所述网络流量序列及所述ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第二预测结果；

第二分配模块505，用于基于所述第二预测结果分配网络资源。

作为本发明实施例的一种实施方式，上述第二预测模块504可以包括：

第一预测子模块(图5中未示出)，用于将第一网络流量子序列输入所述ewma模型，以使所述ewma模型基于所述第二目标值，确定当前时间点的网络流量预测结果，作为第二预测结果；

其中，所述第一网络流量子序列为以所述拐点数据为起点，以所述最后一个数据为终点的序列；或，

第二预测子模块(图5中未示出)，用于将所述网络流量序列输入所述ewma模型，以使所述ewma模型基于所述第二目标值，确定当前时间点的网络流量预测结果，作为第二预测结果。

作为本发明实施例的一种实施方式，如图6所示，上述装置还可以包括：

拐点确定模块601，用于当所述最后一个数据之前的预设数量个数据中不存在拐点数据时，在所述网络流量序列中确定所述最后一个数据之前的第一个拐点数据，作为目标拐点数据；

第三预测模块602，用于将第二网络流量子序列输入ewma模型，以使所述ewma模型基于默认值，确定当前时间点的网络流量预测结果，作为第三预测结果；

其中，所述第二网络流量子序列为以所述目标拐点数据为起点，以所述最后一个数据为终点的序列。

第三分配模块603，用于基于所述第三预测结果分配网络资源。

作为本发明实施例的一种实施方式，上述装置还可以包括：

第一去除模块(图4中未示出)，用于将所述网络流量序列中最后一个数据之前的数据去除；

上述第一预测模块404可以包括：

第三预测子模块(图4中未示出)，用于将去除后的网络流量序列输入所述ewma模型，以使所述ewma模型基于所述第一目标值，确定当前时间点的网络流量预测结果，作为第一预测结果。

作为本发明实施例的一种实施方式，上述第一预测模块404可以包括：

第四预测子模块(图4中未示出)，用于根据公式计算当前时间点的网络流量预测结果zi；

其中，i为所述网络流量序列包括的数据的数量，i≥0，r为加权下降参数，r的默认值∈(0,1)，为所述网络流量序列，μ0为预设的预测结果初始值。

作为本发明实施例的一种实施方式，上述拐点检测模块402可以包括：

概率确定子模块(图4中未示出)，用于将所述网络流量序列输入拐点检测模型，根据所述网络流量序列包括的数据的分布状态，确定目标概率；

其中，所述目标概率为所述网络流量序列中最后一个数据为拐点数据的概率。

拐点数据确定子模块(图4中未示出)，用于基于预先设置的概率阈值及所述目标概率，确定所述网络流量序列中最后一个数据是否为拐点数据。

本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，

存储器703，用于存放计算机程序；

处理器701，用于执行存储器703上所存放的程序时，实现上述任一实施例所述的基于指数加权和拐点检测的网络资源分配方法的步骤。

可见，本发明实施例提供的方案中，电子设备可以获取网络流量序列，其中，网络流量序列为按照预设时间间隔获取的预设时间段内网络流量数据，并按照时间顺序排列组成的序列；将网络流量序列输入拐点检测模型，根据网络流量序列中数据的分布状态，确定网络流量序列中最后一个数据是否为拐点数据，其中，拐点数据为与其他数据的分布状态不符的数据；如果最后一个数据为拐点数据，将指数加权移动平均ewma模型的加权下降参数由默认值调整至第一目标值，其中，第一目标值大于默认值；基于网络流量序列及ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第一预测结果；基于第一预测结果分配网络资源。

电子设备可以通过拐点检测模型检测最后一个数据是否为拐点数据，当最后一个数据为拐点数据时，可以将加权下降参数由默认值调整为较大的第一目标值，这样调整后的加权下降参数可以准确地表征最后一个数据对确定当前时间点的网络流量预测结果的影响程度，基于调整后的加权下降参数确定当前时间点的网络流量预测结果时，可以提高确定当前时间点的网络流量预测结果的准确度，从而可以在分配网络资源时减少网络资源的浪费。

上述电子设备提到的通信总线可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(randomaccessmemory，ram)，也可以包括非易失性存储器(non-volatilememory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessing，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的基于指数加权和拐点检测的网络资源分配方法的步骤。

可见，本发明实施例提供的方案中，计算机可读存储介质内存储的计算机程序被处理器执行时，可以获取网络流量序列，其中，网络流量序列为按照预设时间间隔获取的预设时间段内网络流量数据，并按照时间顺序排列组成的序列；将网络流量序列输入拐点检测模型，根据网络流量序列中数据的分布状态，确定网络流量序列中最后一个数据是否为拐点数据，其中，拐点数据为与其他数据的分布状态不符的数据；如果最后一个数据为拐点数据，将指数加权移动平均ewma模型的加权下降参数由默认值调整至第一目标值，其中，第一目标值大于默认值；基于网络流量序列及ewma模型的调整后的加权下降参数，确定当前时间点的网络流量预测结果，作为第一预测结果；基于第一预测结果分配网络资源。

电子设备可以通过拐点检测模型检测最后一个数据是否为拐点数据，当最后一个数据为拐点数据时，可以将加权下降参数由默认值调整为较大的第一目标值，这样调整后的加权下降参数可以准确地表征最后一个数据对确定当前时间点的网络流量预测结果的影响程度，基于调整后的加权下降参数确定当前时间点的网络流量预测结果时，可以提高确定当前时间点的网络流量预测结果的准确度，从而可以在分配网络资源时减少网络资源的浪费。

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。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，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，均包含在本发明的保护范围内。