MPTCP缓存预测模型训练方法及MPTCP缓存预测方法

摘要

本发明涉及一种MPTCP缓存预测模型训练方法及MPTCP缓存预测方法，在获取MPTCP测试中的变量参数和接收端/发送端的缓存大小后，根据变量参数和缓存大小构建数据集，并根据数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型。基于此，根据与MPTCP路径状态相关的变量参数，训练出MPTCP缓存预测模型实现最佳传输吞吐量下最小缓存大小的预测，相比传统的缓存耗量计算方式预测出的缓存大小更小，有利于节省缓存资源。

权利要求

1.一种MPTCP缓存预测模型训练方法，其特征在于，包括步骤：获取MPTCP测试中的变量参数和接收端和发送端的缓存大小；其中，变量参数包括场景特征和测试站点参数；场景特征包括传输路径使用的拥塞控制算法集合、传输路径使用的路径管理算法集合、传输过程得到总的平均吞吐量和路径最大往返时延；测试站点参数包括路径数量、时延、随机丢包率和接口带宽；

所述获取MPTCP测试中的变量参数和接收端和发送端的缓存大小的过程，包括步骤：获取不同测试场景下MPTCP测试中的变量参数和接收端和发送端的缓存大小；

获取不同时间段下MPTCP测试中的变量参数和接收端和发送端的缓存大小；

根据所述变量参数和所述缓存大小构建数据集；其中，所述变量参数用于构建所述数据集中的属性字段；所述缓存大小用于构建所述数据集中对应的标签字段；

根据所述变量参数和所述缓存大小构建数据集的过程，包括步骤：择一改变所述变量参数中的场景特征中的传输路径使用的拥塞控制算法集合、传输路径使用的路径管理算法集合或路径最大往返时延时，依次择一改变测试站点参数，得到吞吐量，获得对应的缓存大小，以进行数据集构建；

所述缓存大小选择所述测试场景在不同时间段下获得最大吞吐量时所对应的最小的缓存值；

根据所述数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型；MPTCP缓存预测模型为基于KNN算法的模型。

2.根据权利要求1所述的MPTCP缓存预测模型训练方法，其特征在于，在所述根据所述数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型的过程之前，还包括步骤：通过数据增强算法对所述数据集进行数据增强处理。

3.一种MPTCP缓存预测方法，其特征在于，包括步骤：获取待测变量参数；

将所述待测变量参数输入至如权利要求1所述的MPTCP缓存预测模型训练方法训练得到的MPTCP缓存预测模型，获得最佳传输吞吐量下最小缓存大小，作为缓存预测结果。

说明书

MPTCP缓存预测模型训练方法及MPTCP缓存预测方法

技术领域

[0001] 本发明涉及MPTCP缓存预测技术领域，特别是涉及一种MPTCP缓存预测模型训练方法及MPTCP缓存预测方法。

背景技术

[0002] MPTCP，全称为MultiPathTCP(多路传输控制协议)，其目的是允许传输控制协议(TCP Transmission Control Protocol)连接使用多个路径来最大化信道资源使用。MPTCP的核心思想就是在一个连接里建立2条或以上TCP子流，并允许多个子流同时传输数据，同时对上层的应用层是透明的，以此来提高传输的吞吐量。相比于传统的单路径传输模型，MPTCP显著的提高了传输速率、稳定性和安全性，并为多路径并行传输提供了理论依据。

[0003] 然而，由于异构网络之间的链路性能差异性，导致MPTCP容易出现“瓶颈链路”问题——当两条路径的性能差异过大时，较差的路径所引发的包乱序问题会引发接收端缓存阻塞，从而大大损害MPTCP的整体吞吐量。此外，MPTCP对于接收端的缓存较为敏感，传统的缓存计算公式如下式：

[0004]

[0005] 其中，BS表示缓存区大小(Buffer Size，BS)，RTT表示往返时延(Round‑Trip Time，RTT)，RTO表示超时重传(Retransmission Time Out，RTO)，BW表示带宽(Bandwidth，BW)，i表示第i条路径，n为路径总数。该计算公式是由TCP缓存计算公式直接拓展而来，这种计算公式在TCP协议下是可行的，但是MPTCP协议是多路径传输协议，具有多条子流，这些子流共享缓存区，若仅仅对TCP协议下的计算公式进行简单扩展，而不考虑MPTCP协议的特性，将会造成缓存资源的大量浪费。

[0006] 由此可见，传统缓存耗量计算方式应用在MPTCP中会造成大量的缓存资源浪费。

发明内容

[0007] 基于此，有必要针对传统缓存耗量计算方式应用在MPTCP中会造成大量的缓存资源浪费这一问题，提供一种MPTCP缓存预测模型训练方法及MPTCP缓存预测方法。

[0008] 一种MPTCP缓存预测模型训练方法，包括步骤：

[0009] 获取MPTCP测试中的变量参数和接收端/发送端的缓存大小；

[0010] 根据变量参数和缓存大小构建数据集；其中，变量参数用于构建数据集中的属性字段；缓存大小用于构建数据集中对应的标签字段；

[0011] 根据数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型。

[0012] 上述的MPTCP缓存预测模型训练方法，在获取MPTCP测试中的变量参数和接收端/发送端的缓存大小后，根据变量参数和缓存大小构建数据集，并根据数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型。基于此，根据与MPTCP路径状态相关的变量参数，训练出MPTCP缓存预测模型实现最佳传输吞吐量下最小缓存大小的预测，相比传统的缓存耗量计算方式预测出的缓存大小更小，有利于节省缓存资源。

[0013] 在其中一个实施例中，变量参数包括场景特征和测试站点参数。

[0014] 在其中一个实施例中，场景特征包括传输路径使用的路径管理算法集合、传输路径使用的拥塞控制算法集合和路径最大往返时延；

[0015] 测试站点参数包括路径数量、时延、随机丢包率和接口带宽。

[0016] 在其中一个实施例中，获取MPTCP测试中的变量参数和接收端/发送端的缓存大小的过程，包括步骤：

[0017] 获取不同测试场景下MPTCP测试中的变量参数和接收端/发送端的缓存大小。

[0018] 在其中一个实施例中，获取MPTCP测试中的变量参数和接收端/发送端的缓存大小的过程，包括步骤：

[0019] 获取不同时间段下MPTCP测试中的变量参数和接收端/发送端的缓存大小。

[0020] 在其中一个实施例中，根据变量参数和缓存大小构建数据集的过程，包括步骤：

[0021] 择一改变变量参数，获得对应的缓存大小，以进行数据集构建。

[0022] 在其中一个实施例中，根据变量参数和缓存大小构建数据集的过程，包括步骤：

[0023] 择一改变场景特征或测试站点参数，获得对应的缓存大小，以进行数据集构建。

[0024] 在其中一个实施例中，在根据数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型的过程之前，还包括步骤：

[0025] 通过数据增强算法对数据集进行数据增强处理。

[0026] 在其中一个实施例中，MPTCP缓存预测模型为基于KNN算法的模型。

[0027] 一种MPTCP缓存预测模型训练装置，包括：

[0028] 训练数据采集模块，用于获取MPTCP测试中的变量参数和接收端/发送端的缓存大小；

[0029] 数据集构建模块，用于根据变量参数和缓存大小构建数据集；其中，变量参数用于构建数据集中的属性字段；缓存大小用于构建数据集中对应的标签字段；

[0030] 预测模型训练模块，用于根据数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型。

[0031] 上述的MPTCP缓存预测模型训练装置，在获取MPTCP测试中的变量参数和接收端/发送端的缓存大小后，根据变量参数和缓存大小构建数据集，并根据数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型。基于此，根据与MPTCP路径状态相关的变量参数，训练出MPTCP缓存预测模型实现最佳传输吞吐量下最小缓存大小的预测，相比传统的缓存耗量计算方式预测出的缓存大小更小，有利于节省缓存资源。

[0032] 一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的MPTCP缓存预测模型训练方法。

[0033] 上述的计算机存储介质，在获取MPTCP测试中的变量参数和接收端/发送端的缓存大小后，根据变量参数和缓存大小构建数据集，并根据数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型。基于此，根据与MPTCP路径状态相关的变量参数，训练出MPTCP缓存预测模型实现最佳传输吞吐量下最小缓存大小的预测，相比传统的缓存耗量计算方式预测出的缓存大小更小，有利于节省缓存资源。

[0034] 一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的MPTCP缓存预测模型训练方法。

[0035] 上述的计算机设备，在获取MPTCP测试中的变量参数和接收端/发送端的缓存大小后，根据变量参数和缓存大小构建数据集，并根据数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型。基于此，根据与MPTCP路径状态相关的变量参数，训练出MPTCP缓存预测模型实现最佳传输吞吐量下最小缓存大小的预测，相比传统的缓存耗量计算方式预测出的缓存大小更小，有利于节省缓存资源。

[0036] 一种MPTCP缓存预测方法，包括步骤：

[0037] 获取待测变量参数；

[0038] 将待测变量参数输入至MPTCP缓存预测模型，获得最佳传输吞吐量下最小缓存大小，作为缓存预测结果。

[0039] 上述的MPTCP缓存预测方法，在获取到待测变量参数后，将待测变量参数输入至MPTCP缓存预测模型，获得最佳传输吞吐量下最小缓存大小，作为缓存预测结果。基于此，根据预先训练好的MPTCP缓存预测模型实现最佳传输吞吐量下最小缓存大小的预测，相比传统的缓存耗量计算方式预测出的缓存大小更小，有利于节省缓存资源。

[0040] 一种MPTCP缓存预测装置，包括：

[0041] 待测参数获取模块，用于获取待测变量参数；

[0042] 预测结果输出模块，用于将待测变量参数输入至MPTCP缓存预测模型，获得最佳传输吞吐量下最小缓存大小，作为缓存预测结果。

[0043] 上述的MPTCP缓存预测装置，在获取到待测变量参数后，将待测变量参数输入至MPTCP缓存预测模型，获得最佳传输吞吐量下最小缓存大小，作为缓存预测结果。基于此，根据预先训练好的MPTCP缓存预测模型实现最佳传输吞吐量下最小缓存大小的预测，相比传统的缓存耗量计算方式预测出的缓存大小更小，有利于节省缓存资源。

[0044] 一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的MPTCP缓存预测方法。

[0045] 上述的计算机存储介质，在获取到待测变量参数后，将待测变量参数输入至MPTCP缓存预测模型，获得最佳传输吞吐量下最小缓存大小，作为缓存预测结果。基于此，根据预先训练好的MPTCP缓存预测模型实现最佳传输吞吐量下最小缓存大小的预测，相比传统的缓存耗量计算方式预测出的缓存大小更小，有利于节省缓存资源。

[0046] 一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的MPTCP缓存预测方法。

[0047] 上述的计算机设备，在获取到待测变量参数后，将待测变量参数输入至MPTCP缓存预测模型，获得最佳传输吞吐量下最小缓存大小，作为缓存预测结果。基于此，根据预先训练好的MPTCP缓存预测模型实现最佳传输吞吐量下最小缓存大小的预测，相比传统的缓存耗量计算方式预测出的缓存大小更小，有利于节省缓存资源。

附图说明

[0048] 图1为一实施方式的MPTCP缓存预测模型训练方法流程图；

[0049] 图2为另一实施方式的MPTCP缓存预测模型训练方法流程图；

[0050] 图3为数据获取示意图；

[0051] 图4为一实施方式的MPTCP缓存预测模型训练装置模块结构图；

[0052] 图5为一实施方式的MPTCP缓存预测方法流程图；

[0053] 图6为吞吐量与缓存大小关系图；

[0054] 图7为一实施方式的MPTCP缓存预测装置模块结构图；

[0055] 图8为一实施方式的计算机内部构造示意图。

具体实施方式

[0056] 为了更好地理解本发明的目的、技术方案以及技术效果，以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明，以下所描述的实施例仅用于解释本发明，并不用于限定本发明。

[0057] 本发明实施例提供了一种MPTCP缓存预测模型训练方法。

[0058] 图1为一实施方式的MPTCP缓存预测模型训练方法流程图，如图1所示，一实施方式的MPTCP缓存预测模型训练方法包括步骤S100至步骤S102：

[0059] S100，获取MPTCP测试中的变量参数和接收端/发送端的缓存大小(BS)；

[0060] S101，根据变量参数和缓存大小构建数据集；其中，变量参数用于构建数据集中的属性字段；缓存大小用于构建数据集中对应的标签字段；

[0061] S102，根据数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型。

[0062] 其中，MPTCP测试用于根据不同的测试站点间的路径传输交互，进行测试场景的确定。在MPTCP测试过程中，以接收端/发送端的缓存大小监控缓存耗量。而MPTCP测试中的变量参数与缓存耗量相关，变量参数包括多类型的参数，改变任意一个或多个参数，均会影响总的吞吐量。

[0063] 根据MPTCP测试中的实测结果，在其中一个实施例中，变量参数包括场景特征和测试站点参数。

[0064] 其中，MPTCP测试包括不同的测试场景，测试场景由不同测试站点的不同路径传输确定。场景特征为测试场景中与缓存耗量相关的特征，测试站点参数为测试站点在路径传输中的固有参数。

[0065] 在其中一个实施例中，场景特征包括传输路径使用的拥塞控制算法集合(CC)、传输路径使用的路径管理算法集合(PM)、传输过程得到总的平均吞吐量(TP)和路径最大往返时延(RTT)。对应的，确定该测试场景下的接收端/发送端的缓存大小(CC)。其中，接收端和发送端均为测试站点。

[0066] 在其中一个实施例中，拥塞控制算法集合(CC)包括Cubic拥塞控制算法、Reno拥塞控制算法、OLIA拥塞控制算法、LIA拥塞控制算法或wVegas拥塞控制算法等。传输路径使用的路径管理算法集合(PM)包括Fullmesh路径管理算法、PCDC路径管理算法或RBPM路径管理算法等。

[0067] 为了更好地理解测试站点的固有参数，本实施例以NorNet国际测试床和Mininet平台上进行大量的场景的测试为例进行解释。NorNet国际测试床为全球测试平台，共有25个测试站点，基于Mininet平台进行测试作业。需要注意的是，进行MPTCP测试的搭建，上述仅为举例，不代表对测试的唯一限定。

[0068] 基于上述测试的搭建，测试站点参数包括路径数量、时延(Delay，D)、随机丢包率(Packet Loss Rate，PLR)和接口带宽(Bandwidth BW)。

[0069] 在其中一个实施例中，图2为另一实施方式的MPTCP缓存预测模型训练方法流程图，如图2所示，步骤S100中获取MPTCP测试中的变量参数和接收端/发送端的缓存大小的过程，包括步骤S200：

[0070] S200，获取不同测试场景下MPTCP测试中的变量参数和接收端/发送端的缓存大小。

[0071] 如图2所示，步骤S100还包括步骤S201：

[0072] S201，获取不同时间段下MPTCP测试中的变量参数和接收端/发送端的缓存大小。

[0073] 通过步骤S200和步骤S201，使后续的数据集更具备普遍性。数据集的手机采集，需要考虑不同时间段这些参数的变化。由于互联网环境时刻变化，不同时间段的网络特征也不一样，尤其是工作日和非工作日、白天和晚上的差别。为了更全面地采集数据，在不同时间段下，例如在工作日白天上午、工作日白天中午、工作日白天下午、工作日晚上黄金时间段、工作日晚上半夜时段、工作日凌晨时段以及非工作日的相应时间段进行测试，获得MPTCP测试中的变量参数和接收端/发送端的缓存大小。

[0074] 同时，根据NorNet国际测试床的实际情况，进行不同测试场景的搭建，例如以下三大类：(1)同一个国家，不同城市的两个测试站点；(2)同一大洲，不同国家的两个测试站点；(3)不同大洲的两个测试站点。每一大类又根据选取的测试站点不同，进一步分为不同测试场景。

[0075] 以步骤S200和步骤S201为基础，得到的部分测试站点参数如表1《部分测试站点参数表》所示，不同测试场景如表2《部分测试场景参数》所示：

[0076] 表1部分测试站点参数表

[0077]

[0078] 表2部分测试场景参数

[0079]

[0080]

[0081] 在步骤S101中构建数据集后，在其中一个实施例中，将数据集分为训练集和测试集。其中，训练集用于后续的MPTCP缓存预测模型训练，测试集用于测试模型训练过程。

[0082] 在其中一个实施例中，后续的MPTCP缓存预测模型为基于机器学习的模型。基于此，变量参数用于构建数据集中的属性字段；缓存大小用于构建数据集中对应的标签字段。根据属性字段与标签字段的对应关系，进行模型训练的基础，将不同的属性字段匹配到对应的标签字段上。

[0083] 在其中一个实施例中，如图2所示，步骤S101中根据变量参数和缓存大小构建数据集的过程，包括步骤S300：

[0084] S300，择一改变变量参数，获得对应的缓存大小，以进行数据集构建。

[0085] 在其中一个实施例中，如图2所示，步骤S101中根据变量参数和缓存大小构建数据集的过程，还包括步骤S301：

[0086] S301，择一改变场景特征或测试站点参数，获得对应的缓存大小，以进行数据集构建。

[0087] 改变场景特征或测试站点参数中任意一个，或改变场景特征任意一个且改变测试站点参数中任意一个。

[0088] 以上述测试场景为例，在获取数据时，对于多个变量参数，采取保持其他变量参数不变，每次只变一个变量参数的方式来进行测试。由于变量参数较多，如上，除了场景特征PM、CC、RTT、TP外，还有站点参数N、BW、PLR、D等，这些变量参数随着站点位置和时间段的变化而变化，最终都会体现在TP的变化上。

[0089] 基于步骤S301，将数据集构建分为三大步骤，如图3的数据获取示意图所示：(1)改变场景特征的PM、CC和RTT中的一个时，改变测试站点参数的BW、PLR、D和N的其中一个，保持另三个不变，得到TP。此时测试场景BS选择最大TP时所对应的最小的BS值；(2)不同测试场景(即选择不同测试站点时)，重复步骤(1)；(3)不同时间段，重复步骤(2)和(1)。

[0090] 在其中一个实施例中，如图2所示，在步骤S102中根据数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型的过程之前，还包括步骤S400：

[0091] S400，通过数据增强算法对数据集进行数据增强处理。

[0092] 对数据集进行数据增强处理，主要是对训练集进行增强处理，防止样本数据量较小引发过拟合的问题。在其中一个实施例中，数据集以4:1的比例划分为训练集和测试集，例如2000组训练集合500组测试集。

[0093] 在其中一个实施例中，数据增强算法可选用mixup算法。

[0094] 例如，划分属性字段{RTT，CC，PM，TP}和标签字段{BS}。训练样本集为，m为样本数量。测试集为 m为样本数量。测试集为D＝{(Xi,Yi)|1≤i≤m}，m为样本数量。选择属性字段作为特性向量集 选择标签字段作为标记集
以进行模型的训练。

[0095] 在其中一个实施例中，对于训练集的数据采集，每次采集30s，取30s的平均值作为可用训练集的结果。同时对训练集的数据进行清洗，去除值缺失和偏差较大的数据，以提高数据的参考价值。

[0096] 在其中一个实施例中，对训练集的样本属性进行归一化处理，如下式：

[0097]

[0098] 其中，xmin和xmax分别为样本属性x的最小值和最大值。

[0099] 在其中一个实施例中，MPTCP缓存预测模型为基于机器学习算法的模型。根据机器学习进行标签(字段)的分类。作为一个较优的实施方式，MPTCP缓存预测模型为基于KNN算法的模型。

[0100] 根据KNN算法的标准，在训练集中搜索到与测试集X距离d最近的k个点，以k定义为5为例，用N表示这k个近邻点所构成的子集。距离d利用欧几里得距离计算，如下式所示：

[0101]

[0102] 在N中利用多数表决法决定X的标签字段Y：

[0103]

[0104] 其中，I(*)是指示函数，即当 时，函数取值为1，否则为0。得到的标签字段Y即为该传输场景经过缓存耗量预测模型得到的缓存大小。

[0105] 在其中一个实施例中，通过定义精度模型对MPTCP缓存预测模型进行精度预测，如下式：

[0106]

[0107] 其中，datatrue为预测正确样本数，dataall为测试样本总数。

[0108] 基于此，完成MPTCP缓存预测模型的训练。

[0109] 上述任一实施例的MPTCP缓存预测模型训练方法，在获取MPTCP测试中的变量参数和接收端/发送端的缓存大小后，根据变量参数和缓存大小构建数据集，并根据数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型。基于此，根据与MPTCP路径状态相关的变量参数，训练出MPTCP缓存预测模型实现最佳传输吞吐量下最小缓存大小的预测，相比传统的缓存耗量计算方式预测出的缓存大小更小，有利于节省缓存资源。

[0110] 本发明实施例还提供了一种MPTCP缓存预测模型训练装置。

[0111] 图4为一实施方式的MPTCP缓存预测模型训练装置模块结构图，如图4所示，一实施方式的MPTCP缓存预测模型训练装置包括：

[0112] 训练数据采集模块100，用于获取MPTCP测试中的变量参数和接收端/发送端的缓存大小；

[0113] 数据集构建模块101，用于根据变量参数和缓存大小构建数据集；其中，变量参数用于构建数据集中的属性字段；缓存大小用于构建数据集中对应的标签字段；

[0114] 预测模型训练模块102，用于根据数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型。

[0115] 上述的MPTCP缓存预测模型训练装置，在获取MPTCP测试中的变量参数和接收端/发送端的缓存大小后，根据变量参数和缓存大小构建数据集，并根据数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型。基于此，根据与MPTCP路径状态相关的变量参数，训练出MPTCP缓存预测模型实现最佳传输吞吐量下最小缓存大小的预测，相比传统的缓存耗量计算方式预测出的缓存大小更小，有利于节省缓存资源。

[0116] 本发明实施例还提供一种MPTCP缓存预测方法。

[0117] 图5为一实施方式的MPTCP缓存预测方法流程图，如图5所示，一实施方式的MPTCP缓存预测方法包括步骤S500和步骤S501：

[0118] S500，获取待测变量参数；

[0119] S501，将待测变量参数输入至MPTCP缓存预测模型，获得最佳传输吞吐量下最小缓存大小，作为缓存预测结果。

[0120] 其中，待测变量参数与变量参数相对应。

[0121] 为了解释MPTCP缓存预测模型的预测效果，以下以一具体实例进行效果展示。根据发送的探测包得到的待测变量参数，将其代入MPTCP缓存预测模型中进行预测得到缓存耗量(包括最小缓存大小)的值，如下表3《预测结果对比表》所示：

[0122] 表3预测结果对比表

[0123]

[0124] 图6为吞吐量与缓存大小关系图，如图6所示，当缓存大小达到120KiB以上时，吞吐量保持稳定，当缓存大小继续增加时吞吐量变化不大，也就是说这个时候达到了该路径下的最佳传输吞吐量，故在最佳传输吞吐量的条件下所需的最小缓存大小与MPTCP缓存预测模型得到的预测结果是一致的。

[0125] 上述的MPTCP缓存预测方法，在获取到待测变量参数后，将待测变量参数输入至MPTCP缓存预测模型，获得最佳传输吞吐量下最小缓存大小，作为缓存预测结果。基于此，根据预先训练好的MPTCP缓存预测模型实现最佳传输吞吐量下最小缓存大小的预测，相比传统的缓存耗量计算方式预测出的缓存大小更小，有利于节省缓存资源。

[0126] 本发明实施例还提供了一种MPTCP缓存预测装置。

[0127] 图7为一实施方式的MPTCP缓存预测装置模块结构图，如图7所示，一实施方式的MPTCP缓存预测装置包括：

[0128] 待测参数获取模块200，用于获取待测变量参数；

[0129] 预测结果输出模块201，用于将待测变量参数输入至MPTCP缓存预测模型，获得最佳传输吞吐量下最小缓存大小，作为缓存预测结果。

[0130] 上述的MPTCP缓存预测装置，在获取到待测变量参数后，将待测变量参数输入至MPTCP缓存预测模型，获得最佳传输吞吐量下最小缓存大小，作为缓存预测结果。基于此，根据预先训练好的MPTCP缓存预测模型实现最佳传输吞吐量下最小缓存大小的预测，相比传统的缓存耗量计算方式预测出的缓存大小更小，有利于节省缓存资源。

[0131] 本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述任一实施例的MPTCP缓存预测模型训练方法或MPTCP缓存预测方法。

[0132] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存划痕属性信息储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

[0133] 或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

[0134] 与上述的计算机存储介质对应的是，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现如上述各实施例中的任意一种MPTCP缓存预测模型训练方法或MPTCP缓存预测方法。

[0135] 该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种MPTCP缓存预测模型训练方法或MPTCP缓存预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

[0136] 上述的计算机设备，在获取MPTCP测试中的变量参数和接收端/发送端的缓存大小后，根据变量参数和缓存大小构建数据集，并根据数据集训练用于预测最佳传输吞吐量下最小缓存大小的MPTCP缓存预测模型。基于此，根据与MPTCP路径状态相关的变量参数，训练出MPTCP缓存预测模型实现最佳传输吞吐量下最小缓存大小的预测，相比传统的缓存耗量计算方式预测出的缓存大小更小，有利于节省缓存资源。

[0137] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0138] 以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。