物联网平台的系统容量预测方法、装置、设备及存储介质

技术领域

本申请涉及通信技术领域，尤其涉及一种物联网平台的系统容量预测方法、装置、设备及存储介质。

背景技术

随着物联网技术的不断发展和应用领域持续扩张，物联网平台连接数和对接核心网设备快速增加，导致物联网平台软件架构越来越复杂，物联网平台支持的场景越来越多，从5G大流量设备，到Cat1中流量设备，再到NB-IOT的小流量设备，不同场景对平台的API请求、计费请求、话单存储以及核心网指令差别很大,造成各场景所需的系统容量不同。另外，为了应对双11、账期前后、开学季等特殊节日短时间的业务突增，以及针对业务增加进行主机资源规划，需要对物联网平台的系统容量进行准确的预测。

现有技术通过监控系统运行数据与硬件运行数据，并根据系统运行数据确定系统数据容量，进一步获取系统运行数据与硬件运行数据的容量相关性参数，并根据容量相关性参数确定系统物理容量。最后，根据系统数据容量与系统物理容量确定系统容量。

然而，仅通过系统运行数据与硬件运行数据确定当前系统容量的方法无法对各场景转换过程中物联网平台的系统容量进行及时确定，导致物联网平台的系统容量预测方法不够准确。

发明内容

本申请提供一种物联网平台的系统容量预测方法、装置、设备及存储介质，用以解决物联网平台的系统容量预测不准确的问题。

第一方面，本申请提供一种物联网平台的系统容量预测方法，包括：

获取设定时间段内物联网平台的多个服务层的运行指标及其在不同时间点的业务量，所述设定时间为包括当前时间点之前的连续时间段；

根据所述运行指标及其在不同时间点的业务量，生成所述设定时间段内各时间点的服务健康度与所述业务量的数据对集合；

根据所述数据对集合对业务量及健康度的非线性回归预测模型进行训练；

根据所述业务量及健康度的非线性回归预测模型对所述物联网平台的系统容量进行预测。

第二方面，本申请提供一种物联网平台的系统容量预测装置，包括：

获取模块，用于获取设定时间段内物联网平台的多个服务层的运行指标及其在不同时间点的业务量，所述设定时间为包括当前时间点之前的连续时间段；

生成模块，用于根据所述运行指标及其在不同时间点的业务量，生成所述设定时间段内各时间点的服务健康度与所述业务量的数据对集合；

训练模块，用于根据所述数据对集合对业务量及健康度的非线性回归预测模型进行训练；

预测模块，用于根据所述业务量及健康度的非线性回归预测模型对所述物联网平台的系统容量进行预测。

第三方面，本申请提供一种物联网平台的系统容量预测设备，包括：

处理器，存储器，通信接口；

所述存储器用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行如上第一方面所述的物联网平台的系统容量预测方法。

第四方面，本申请提供一种可读存储介质，包括：其上存储有计算机程序，所述计算机程序被处理器执行时实现执行如上第一方面所述的物联网平台的系统容量预测方法。

本申请提供的物联网平台的系统容量预测方法、装置、设备及存储介质，通过获取设定时间段内物联网平台的多个服务层的运行指标及其在不同时间点的业务量，根据运行指标及其在不同时间点的业务量，生成设定时间段内各时间点的服务健康度与业务量的数据对集合，其中，通过物联网平台的运行指标生成不同时间点的服务健康度，以用于当前物联网平台的系统容量的预测，提高了物联网平台的系统容量预测方法的准确性，进一步，根据数据对集合对业务量及健康度的非线性回归预测模型进行训练，根据业务量及健康度的非线性回归预测模型对物联网平台的系统容量进行预测，其中，将各时间点的服务健康度与各时间点的业务量相结合生成数据对集合，以用于业务量及健康度的非线性回归预测模型的训练，提高了物联网平台的系统容量预测方法的准确性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请实施例提供的物联网平台的系统容量预测方法的流程示意图；

图2为本申请实施例提供的根据运行指标及其在不同时间点的业务量，生成设定时间段内各时间点的服务健康度与业务量的数据对集合的流程示意图；

图3为本申请实施例提供的根据数据对集合对业务量及健康度的非线性回归预测模型进行训练的流程示意图；

图4为本申请实施例提供的对业务量及健康度的非线性回归预测模型进行更新的流程示意图；

图5为本申请实施例提供的另一种物联网平台的系统容量预测方法的流程示意图；

图6为本申请实施例提供的根据业务量及健康度的非线性回归预测模型对物联网平台的系统容量进行预测的流程示意图；

图7为本申请实施例提供的一种物联网平台的系统容量预测装置的结构示意图；

图8为本申请实施例提供的一种物联网平台的系统容量预测设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

现有技术通过监控系统运行数据与硬件运行数据，并根据系统运行数据确定系统数据容量，进一步获取系统运行数据与硬件运行数据的容量相关性参数，并根据容量相关性参数确定系统物理容量。最后，根据系统数据容量与系统物理容量确定系统容量。然而，仅通过系统运行数据与硬件运行数据确定当前系统容量的方法无法对各场景转换过程中物联网平台的系统容量进行及时确定，导致物联网平台的系统容量预测方法不够准确。

本申请通过获取设定时间段内物联网平台的多个服务层的运行指标及其在不同时间点的业务量，根据运行指标及其在不同时间点的业务量，生成设定时间段内各时间点的服务健康度与业务量的数据对集合，其中，通过物联网平台的运行指标生成不同时间点的服务健康度，以用于当前物联网平台的系统容量的预测，提高了物联网平台的系统容量预测方法的准确性，进一步，根据数据对集合对业务量及健康度的非线性回归预测模型进行训练，根据业务量及健康度的非线性回归预测模型对物联网平台的系统容量进行预测，其中，将各时间点的服务健康度与各时间点的业务量相结合生成数据对集合，以用于业务量及健康度的非线性回归预测模型的训练，提高了物联网平台的系统容量预测方法的准确性。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图1为本申请第一实施例提供的物联网平台的系统容量预测方法的流程示意图。

如图1所示，本实施例的物联网平台的系统容量预测方法可以包括以下步骤：

步骤S101、获取设定时间段内物联网平台的多个服务层的运行指标及其在不同时间点的业务量，设定时间为包括当前时间点之前的连续时间段。

具体地，可以获取设定时间段内当前物联网平台的运行指标，其中，设定时间为包括当前时间点之前的连续时间段，其中，连续时间段的长短可根据用户需求进行预设。

具体地，物联网平台包括多个服务层，因此可以获取设定时间段内物联网平台的多个服务层的运行指标。

可选的，除获取设定时间段内物联网平台的多个服务层的运行指标之外，还可以获取物联网平台对应的核心网网元的运行指标。

具体地，可以获取物联网平台在上述设定时间段内的不同时间点的业务量。

可选的，可以将上述获取的设定时间段内物联网平台的多个服务层的运行指标及其在不同时间点的业务量存储至本申请提供的物联网平台的系统容量预测设备的存储器中。

步骤S102、根据运行指标及其在不同时间点的业务量，生成设定时间段内各时间点的服务健康度与业务量的数据对集合。

具体地，可以根据步骤S101中获取的设定时间段内当前物联网平台的运行指标，以及物联网平台在上述设定时间段内的不同时间点的业务量，生成设定时间段内各时间点的服务健康度与业务量的数据对集合。

可选的，可以运用上述获取的设定时间段内当前物联网平台的运行指标，通过例如：归一化、加权求和等方法，得到上述设定时间段内的不同时间点的服务健康度，进一步将其与上述物联网平台在上述设定时间段内的不同时间点的业务量相结合，得到生成设定时间段内各时间点的服务健康度与业务量的数据对集合，以用于业务量及健康度的非线性回归预测模型的训练。

可选的，可以通过确定健康度模型的方式得到上述设定时间段内的不同时间点的服务健康度，其中，本申请对健康度模型的确定方式不做限定。

步骤S103、根据数据对集合对业务量及健康度的非线性回归预测模型进行训练。

具体地，可以将步骤S103中生成的设定时间段内各时间点的服务健康度与业务量的数据对集合作为训练集，对业务量及健康度的非线性回归预测模型进行训练。

可选的，可以选取多个例如一元多项式非线性回归模型，并结合各非线性回归模型的回归误差建立业务量及健康度的非线性回归预测模型。

步骤S104、根据业务量及健康度的非线性回归预测模型对物联网平台的系统容量进行预测。

具体地，可以根据步骤S103中训练生成的业务量及健康度的非线性回归预测模型，对当前物联网平台的系统容量进行预测。

其中，业务量及健康度的非线性回归预测模型可以计算出各服务健康度与系统容量的对应关系。可选的，可以将上述业务量及健康度的非线性回归预测模型与预设的健康度阈值相结合，对当前物联网平台的系统容量进行预测。

本实施例提供的物联网平台的系统容量预测方法，通过获取设定时间段内物联网平台的多个服务层的运行指标及其在不同时间点的业务量，根据运行指标及其在不同时间点的业务量，生成设定时间段内各时间点的服务健康度与业务量的数据对集合，其中，通过物联网平台的运行指标生成不同时间点的服务健康度，以用于当前物联网平台的系统容量的预测，提高了物联网平台的系统容量预测方法的准确性，进一步，根据数据对集合对业务量及健康度的非线性回归预测模型进行训练，根据业务量及健康度的非线性回归预测模型对物联网平台的系统容量进行预测，其中，将各时间点的服务健康度与各时间点的业务量相结合生成数据对集合，以用于业务量及健康度的非线性回归预测模型的训练，提高了物联网平台的系统容量预测方法的准确性。

图2为本申请第二实施例提供的根据运行指标及其在不同时间点的业务量，生成设定时间段内各时间点的服务健康度与业务量的数据对集合的流程示意图，在图1所示实施例的基础上，本实施例对根据运行指标及其在不同时间点的业务量，生成设定时间段内各时间点的服务健康度与业务量的数据对集合的过程进行了展开描述。

如图2所示，本实施例的根据运行指标及其在不同时间点的业务量，生成设定时间段内各时间点的服务健康度与业务量的数据对集合可以包括以下步骤：

步骤S201、根据各运行指标的基础阈值以及最高阈值对运行指标进行归一化处理，得到各运行指标的健康度数据。

其中，步骤S101中描述的物联网平台包括多个服务层，各服务层中分别包括多个运行指标，可选的，物联网平台的服务层可以包括：基础设施即服务(Infrastructure as aService，简称：IaaS)层、平台即服务(Platform as a Service，简称：PaaS)层以及软件运营服务(Software as a Service简称：SaaS)层。

具体地，在获取步骤S101中描述的运行指标之后，可以根据各运行指标的基础阈值即最低阈值以及最高阈值对运行指标进行归一化处理，得到各运行指标的健康度数据，其中，各运行指标的健康度数据的计算公式如下所示：

其中，r

具体地，可以根据上述公式对设定时间段内各时间点的各运行指标进行归一化处理，得到与各时间点对应的运行指标的健康度数据集(h

步骤S202、对各运行指标的健康度数据进行加权求和处理，得到设定时间段内各时间点的服务健康度。

具体地，可以根据各运行指标对应的权重值对步骤S201中得到的各运行指标的健康度数据进行加权求和处理，得到设定时间段内各时间点的服务健康度，其中，各运行指标对应的权重值可根据用户需求进行预设，其中，设定时间段内各时间点的服务健康度的计算公式如下所示：

其中，λ

具体地，可以根据上述公式对设定时间段内各时间点的服务健康度进行计算，得到当前物联网平台在预设时间段内的服务健康度集合。

步骤S203、根据服务健康度及其在不同时间点的业务量，生成设定时间段内各时间点的服务健康度与业务量的数据对集合。

具体地，可以根据步骤S202中得到的设定时间段内各时间点的服务健康度及其对应的业务量，生成设定时间段内各时间点的服务健康度与业务量的数据对集合。其中，数据对集合中的数据内容为<服务健康度，业务量>。

本实施例提供的根据运行指标及其在不同时间点的业务量，生成设定时间段内各时间点的服务健康度与业务量的数据对集合的过程，通过归一化以及加权求和等处理方法，生成当前物联网平台设定时间段内各时间点的服务健康度，提高了生成服务健康度的准确性，进一步提高了物联网平台的系统容量预测方法的准确性。

图3为本申请第三实施例提供的根据数据对集合对业务量及健康度的非线性回归预测模型进行训练的流程示意图，在图1或图2所示实施例的基础上，本实施例对根据数据对集合对业务量及健康度的非线性回归预测模型进行训练的过程进行了展开描述。

如图3所示，本实施例的根据数据对集合对业务量及健康度的非线性回归预测模型进行训练可以包括以下步骤：

步骤S301、获取多个一元多项式非线性回归模型。

具体地，可以获取多个一元多项式非线性回归模型，其中，本申请对获取的一元多项式非线性回归模型不做具体限定。

步骤S302、根据数据对集合对多个一元多项式非线性回归模型分别进行机器学习，得到一元多项式非线性回归模型对应的业务量及健康度的非线性回归预测模型。

具体地，可以根据步骤S102或步骤S203中生成的设定时间段内各时间点的服务健康度与业务量的数据对集合，对步骤S301中获取的多个一元多项式非线性回归模型分别进行机器学习，得到与一元多项式非线性回归模型对应的业务量及健康度的非线性回归预测模型。

步骤S303、计算各业务量及健康度的非线性回归预测模型的回归误差，选取回归误差最小的业务量及健康度的非线性回归预测模型作为最终的业务量及健康度的非线性回归预测模型。

具体地，在得到各一元多项式非线性回归模型对应的业务量及健康度的非线性回归预测模型之后，可以分别计算各业务量及健康度的非线性回归预测模型的回归误差，最终，选取回归误差最小的业务量及健康度的非线性回归预测模型作为最终的业务量及健康度的非线性回归预测模型。

本实施例提供的根据数据对集合对业务量及健康度的非线性回归预测模型进行训练的过程，通过获取多个一元多项式非线性回归模型，再根据数据对集合对多个一元多项式非线性回归模型分别进行机器学习，得到一元多项式非线性回归模型对应的业务量及健康度的非线性回归预测模型，最终，计算各业务量及健康度的非线性回归预测模型的回归误差，并选取回归误差最小的业务量及健康度的非线性回归预测模型作为最终的业务量及健康度的非线性回归预测模型，其中，选取一元多项式非线性回归模型并结合各模型回归误差值进行业务量及健康度的非线性回归预测模型的训练，提高了业务量及健康度的非线性回归预测模型的准确性，进一步提高了物联网平台的系统容量预测方法的准确性。

图4为本申请第四实施例提供的对业务量及健康度的非线性回归预测模型进行更新的流程示意图，在图3所示实施例的基础上，由于物联网平台是一个业务快速增长的平台，固定的业务量及健康度的非线性回归预测模型无法对当前物联网平台的系统容量进行准确的预测，因此需要对业务量及健康度的非线性回归预测模型进行更新，本实施例对业务量及健康度的非线性回归预测模型进行更新的过程进行了展开描述。

如图4所示，本实施例的对业务量及健康度的非线性回归预测模型进行更新可以包括以下步骤：

步骤S401、设置业务量及健康度的非线性回归预测模型的更新时间。

具体地，可以根据用户需求预设业务量及健康度的非线性回归预测模型的更新时间。

步骤S402、若当前时间超过更新时间，重新获取设定时间段内物联网平台的多个服务层的运行指标及其在不同时间点的业务量。

具体地，若当前时间超过步骤S401中预设的更新时间，可以重新获取设定时间段内物联网平台的多个服务层的运行指标及其在不同时间点的业务量，其中，获取设定时间段内物联网平台的多个服务层的运行指标及其在不同时间点的业务量的过程，可以参见上述步骤S101中的描述，本实施例不再赘述。

步骤S403、根据重新获取的多个运行指标及其在不同时间点的业务量，得到更新后的设定时间段内各时间点的服务健康度与业务量的数据对集合。

具体地，可以根据步骤S402中重新获取的多个运行指标及其在不同时间点的业务量，得到更新后的设定时间段内各时间点的服务健康度与业务量的数据对集合，其中，得到设定时间段内各时间点的服务健康度与业务量的数据对集合的过程，可以参见上述步骤S102中的描述，本实施例不再赘述。

步骤S404、根据更新后的数据对业务量及健康度的非线性回归预测模型进行训练，得到更新后的业务量及健康度的非线性回归预测模型。

具体地，具体地，可以根据步骤S403中得到的更新后的数据对业务量及健康度的非线性回归预测模型进行训练，得到更新后的业务量及健康度的非线性回归预测模型，其中，得到业务量及健康度的非线性回归预测模型的过程，可以参考步骤S103中的描述，本实施例不再赘述。

可选的，可以根据更新后的业务量及健康度的非线性回归预测模型，对当前物联网平台的系统容量进行预测。

图5为本申请实施例提供的另一种物联网平台的系统容量预测方法的流程示意图。

本实施例提供的对业务量及健康度的非线性回归预测模型进行更新的过程，通过预设的更新时间重新获取业务量及健康度的非线性回归预测模型的训练集，并根据重新获取的训练集对业务量及健康度的非线性回归预测模型进行训练，得到更新后的业务量及健康度的非线性回归预测模型，可以保证业务量及健康度的非线性回归预测模型的实时性，进一步提高了物联网平台的系统容量预测方法的准确性。

图6为本申请第五实施例提供的根据业务量及健康度的非线性回归预测模型对物联网平台的系统容量进行预测的流程示意图，在图4所示实施例的基础上，本实施例对根据业务量及健康度的非线性回归预测模型对物联网平台的系统容量进行预测的过程进行了展开描述。

如图6所示，本实施例的根据业务量及健康度的非线性回归预测模型对物联网平台的系统容量进行预测可以包括以下步骤：

步骤S601、根据业务量及健康度的非线性回归预测模型，计算物联网平台的服务健康度为健康度阈值时对应的系统容量阈值。

其中，物联网平台的服务健康度越大，物联网平台越健康，当前物联网平台的系统容量能够承受当前业务量，其中，物联网平台的服务健康度越小，物联网平台越不健康，当前物联网平台的系统容量越不能够承受当前业务量。

具体地，可以根据步骤S404得到的业务量及健康度的非线性回归预测模型，计算物联网平台的服务健康度为健康度阈值时对应的系统容量阈值，其中，健康度阈值为判断物联网平台不健康的最低健康度，可根据用户需求进行预设，其中，系统容量阈值是与健康度阈值对应的物联网平台的最大业务量。

步骤S602、将系统容量阈值作为物联网平台的系统容量。

具体地，可以将步骤S601中计算得到的系统容量阈值作为物联网平台的系统容量。

可选的，可以根据业务增长趋势，预设扩容时间点，以及未来一定时间内所需的系统容量。具体地，可以根据未来一定时间内的业务发展情况，确定上方预测的当前物联网平台的系统容量是否能够满足未来一定时间内的业务需求，其中，可以根据未来一定时间内的业务发展情况预设扩容时间点，以及未来一定时间内所需的系统容量。若未来一定时间内所需的系统容量未大于业务容量阈值，不对物联网平台进行扩容处理，若未来一定时间内所需的系统容量大于业务容量阈值，在预设的扩容时间点对物联网平台进行扩容处理。以保证物联网平台可以保持高服务健康度运行，且系统的软硬件资源都运行在一个使用率较高的合理水平，其中，扩容的具体数值可参考上方预设的未来一定时间内所需的系统容量。

本实施例提供的根据业务量及健康度的非线性回归预测模型对物联网平台的系统容量进行预测的过程，通过根据业务量及健康度的非线性回归预测模型，计算物联网平台的服务健康度为健康度阈值时对应的系统容量阈值，将系统容量阈值作为物联网平台的系统容量，其中，将服务健康度为健康度阈值时对应的系统容量阈值作为物联网平台的系统容量，提高了物联网平台的系统容量预测方法的准确性。

图7为本申请第六实施例提供的一种物联网平台的系统容量预测装置的结构示意图。

如图7所示，本实施例的物联网平台的系统容量预测装置70包括获取模块71、生成模块72、训练模块73以及预测模块74。

获取模块71，用于获取设定时间段内物联网平台的多个服务层的运行指标及其在不同时间点的业务量，设定时间为包括当前时间点之前的连续时间段。

生成模块72，用于根据运行指标及其在不同时间点的业务量，生成设定时间段内各时间点的服务健康度与业务量的数据对集合。

训练模块73，用于根据数据对集合对业务量及健康度的非线性回归预测模型进行训练。

预测模块74，用于根据业务量及健康度的非线性回归预测模型对物联网平台的系统容量进行预测。

本实施例提供的装置，可用于执行上述方法实施例图1到图6的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。

图8为本申请第七实施例提供的一种物联网平台的系统容量预测设备的结构示意图。

如图8所示，本实施例的物联网平台的系统容量预测设备80包括：处理器81，存储器82，通信接口83。

存储器82用于存储处理器的可执行指令。

其中，处理器81配置为经由执行可执行指令来执行上述方法实施例图1到图6任一项的物联网平台的系统容量预测方法。

在上述的图8所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器可能包含高速存储器(Random Access Memory，RAM)，也可能还包括非易失性存储器(Non-volatile Memory，NVM)，例如至少一个磁盘存储器。

总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

本申请实施例还提供一种可读存储介质，其上存储有计算机程序，其中计算机程序被处理器执行时实现执行上述方法实施例图1到图6任一项的物联网平台的系统容量预测方法。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。