一种基于流量预测的天基分布式计算资源自动伸缩方法与流程

本发明涉及天基，尤其涉及一种基于流量预测的天基分布式计算资源自动伸缩方法。

背景技术：

1、在第六代(6g)无线系统中，随着用户流量需求的激增，当前的地面网络已经无法满足用户对于高速率、低延时、大容量服务的需求，特别是在人口密度低和难以建设基站的偏远地区。对于这些地区，移动卫星网络具有许多优势，包括广泛的覆盖范围、对灾害事件的强适应性等。为了结合地面网络和卫星网络的优点，天地一体化网络成为当前的研究热点。在天地一体化网络中，天基通信系统可以作为平台向用户提供服务，良好的平台架构可以提升服务质量。

2、在未来的遥感和通信任务中，天基分布式计算架构比起传统的集中式架构更加灵活且抗毁能力更强。可伸缩性作为天基分布式卫星系统最重要的能力之一，是可以根据用户需求调整分配给不同用户的计算资源的能力。通过可伸缩性，用户可以根据自己的应用需求获得相应的计算资源，从而避免资源的短缺和浪费。

3、然而，计算资源的伸缩需要一定的时间，滞后的计算资源无法与时变的用户需求匹配，这会导致服务质量的下降或资源的浪费。因此，大量的研究提出了在地面分布式计算系统中，采用流量预测的方式提前调整分配给用户的计算资源，与用户需求匹配以提高资源利用率和服务质量。由于用户类型和服务模型不同，在天基分布式系统中应用基于流量预测的计算资源自动伸缩方法仍面临挑战。

技术实现思路

1、针对上述现有技术中存在的一项或多项不足，本发明提供一种基于流量预测的天基分布式计算资源自动伸缩方法，能够根据用户需求在天基分布式系统中进行计算资源的分配，通过流量预测得到用户在未来一段时间的流量需求，根据用户流量需求的增加或减少，对天基分布式系统的计算资源进行伸缩，能够有效提升系统对用户的服务质量和资源利用率。

2、为解决上述问题，本发明采用如下技术方案：

3、本发明提供一种基于流量预测的天基分布式计算资源自动伸缩方法，基于天基分布式系统，包括以下步骤：

4、s1：基于天基分布式系统服务响应流程，根据用户需求在天基分布式系统中进行计算资源的分配；

5、s2：通过流量预测算法得到用户在未来一段时间的流量需求；

6、s3：根据用户流量需求的增加或减少，采用自动伸缩策略对天基分布式系统的计算资源进行伸缩，提升系统对用户的服务质量和资源利用率。

7、进一步地，所述天基分布式系统架构的物理架构为多颗卫星通过星间链路形成分布式计算集群，通过星地链路向地面用户提供服务；所述天基分布式系统的服务架构为多个服务实例和一个服务代理向多个用户提供服务；所有用户的请求都需要通过服务代理转发给服务实例，用户获得的响应也需要通过服务代理获得。其中，多颗卫星的计算资源通过池化形成天基分布式系统的总算力，系统总算力拆分在多个服务实例上进行用户请求处理，而服务实例的数量可以通过自动伸缩进行调整。

8、进一步地，所述天基分布式系统服务响应流程为天基分布式系统向地面或天基用户提供服务的过程；所述流量预测算法为系统根据用户的历史请求流量采用神经网络算法进行训练，得到用户未来一段时间的请求流量的算法；所述自动伸缩策略为系统采用一定的规则对用户的服务实例节点的数量进行伸缩调整的策略。

9、进一步地，所述天基分布式系统的服务架构具体由服务代理节点和服务实例节点组成；其中，服务代理节点负责接收所有用户的服务请求，将请求转发给相应的服务实例节点，和将服务响应结果返回给对应的用户；服务实例节点负责实际处理用户的服务请求并将服务响应结果发送到服务代理节点处。

10、进一步地，所述基于天基分布式系统服务响应流程包括以下步骤：

11、由用户向服务代理提出服务请求；

12、服务代理综合考虑系统的资源和网络状态，通过负载均衡、路由调度等算法将用户的服务请求转发给合适的服务实例，此时，若相应的服务实例没有被占用，队列为空，则服务实例直接利用自身算力进行请求处理；若服务实例正在处理其他请求，当前用户的服务请求需要进行排队等待，直到服务实例完成了其他请求的处理，队列为空后再进行该请求的处理；

13、当服务实例完成请求处理后，将请求响应结果发送给服务代理，再由服务代理将请求响应结果转发给对应用户，至此服务完成。

14、进一步地，所述流量预测算法具体包括以下步骤：

15、通过对用户历史请求流量的训练集进行构造，采用合理的神经网络架构预测出用户未来一段时间的流量；其中，所述神经网络包括两个不同的神经网络，其中一个神经网络对无突发事件的正常业务流量数据进行训练，另一个神经网络只对突发业务流量数据进行训练，结合两个神经网络的预测结果得到流量预测值。

16、进一步地，所述流量预测算法具体包括以下步骤：

17、判断当前剩余的数据长度是否小于一定值，如果长度太小则无法进行预测，预测终止，如果当前剩余的数据长度大于一定值，算法继续；

18、在规定的移动窗口长度中取出数据，分别使用经过无突发事件的正常流量训练的长短期记忆神经网络a和只经过突发事件流量训练的长短期记忆神经网络b获得预测值a、预测准确度a、预测值b和预测准确度b；

19、接下来，比较预测准确度a和b的大小，若准确度a较大，则这个移动窗口内的预测数据为预测值a，反之则为预测值b；

20、本窗口的预测结束时，根据上一次预测的准确度，调整下一次预测的移动窗口长度，再次取出数据进行预测，直到剩余数据长度小于一定值为止。

21、进一步地，所述自动伸缩策略包括以下步骤：

22、根据用户流量预测的结果进行伸缩以及考虑服务实例节点的增加和删除的时间，提出服务效能评估体系和结合预测式和响应式的自动伸缩策略。

23、进一步地，所述服务效能评估体系采用层次分析法，分为两个二级指标，分别为服务质量和资源利用率：

24、服务质量指标衡量天基分布式计算系统向地面用户提供的服务质量，包含请求响应时间、服务用户数、系统算力、实例部署间隔四个三级指标；请求响应时间指标代表用户发出请求到用户接收到请求响应经过的时间，为用户到服务代理节点间的请求/响应结果收发时间、服务代理节点到服务实例节点间的请求/响应结果转发时间和请求在服务实例节点的处理时间的总和；服务用户数指标代表系统能够支持的用户数量的最大值；系统算力指标代表系统能够提供的总算力资源，决定了服务实例的最大数量；实例部署间隔指标代表系统每次增加一个实例需要耗费的时间，实例部署间隔越短，系统的服务质量越高；

25、资源利用率指标衡量天基分布式计算系统提供服务时资源的利用程度，包含资源空置率、服务/资源比和用户请求满足率三个三级指标；资源空置率代表目前的用户服务请求算力资源与服务实例算力资源的比值，比值越小说明空置的算力资源越多；服务/资源比代表当前满足服务数量与算力资源的比值；用户请求满足率代表用户提出所有请求被满足的比率，比率越低代表资源空置越多。

26、进一步地，所述结合预测式和响应式的自动伸缩策略具体包括以下步骤：

27、根据实例部署最小时间间隔将实例数量矩阵分段，即在每一段时间内，实例数量不能发生变化，只能在下一段时间改变；

28、根据流量预测算法产生的预测值和每个实例能够处理的用户流量值计算每段时间应当部署的实例数量；

29、在预测实例数量连续下降时，自动伸缩策略保持实例数量不变，最大限度的保障服务质量。

30、有益效果——本发明与现有技术相比的优点在于：

31、1.能够避免对地面网络的依赖，直接由天基分布式计算平台响应地面用户的服务需求，提供泛在融合的分布式计算服务。

32、2.针对天基系统服务用户的特征，更准确地识别含突发事件的用户请求流量，提升流量预测的准确性。

33、3.提出天基分布式计算平台的服务效能体系，提高对系统服务能力评估的准确性。

34、4.采用结合预测式和响应式的自动伸缩策略，有效避免资源浪费，提升天基分布式系统的服务效能。