CN117834472A - 一种物联网卡监控管理方法及系统 - Google Patents
一种物联网卡监控管理方法及系统 Download PDFInfo
- Publication number
- CN117834472A CN117834472A CN202311846849.6A CN202311846849A CN117834472A CN 117834472 A CN117834472 A CN 117834472A CN 202311846849 A CN202311846849 A CN 202311846849A CN 117834472 A CN117834472 A CN 117834472A
- Authority
- CN
- China
- Prior art keywords
- transmission
- link
- sub
- real
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 69
- 238000007726 management method Methods 0.000 title description 23
- 230000005540 biological transmission Effects 0.000 claims abstract description 655
- 238000001514 detection method Methods 0.000 claims abstract description 300
- 238000004891 communication Methods 0.000 claims abstract description 132
- 238000000034 method Methods 0.000 claims abstract description 67
- 230000006870 function Effects 0.000 claims abstract description 55
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供了一种物联网卡监控管理方法及系统,涉及网卡监控技术领域,所述方法包括:连接物联网卡管理平台,读取物联网卡通信任务,然后提取通信传输链路,基于预设学习函数根据通信传输链路进行深度学习,构建多维传输质量检测通道,获取实时传输子链路,然后获取实时传输质量检测结果并判断是否满足多级传输质量约束区间,如果满足获取延续传输指令,然后根据通信传输链路继续对实时传输数据集进行传输。本申请主要解决了现有的方法无法对物联网卡的数据传输进行实时监控和管理,因此无法确保数据的可靠性和质量要求,也无法根据实际需求进行调整。可以确保数据能够稳定、可靠地传输到目的地。
Description
技术领域
本申请涉及网卡监控技术领域,具体涉及一种物联网卡监控管理方法及系统。
背景技术
物联网技术的发展和普及带来了大量的数据传输需求,而物联网卡作为实现数据传输的关键组件,其监控和管理变得尤为重要。然而,随着物联网应用的不断扩大和复杂化,现有的物联网卡监控管理方法逐渐暴露出一些不足。随着物联网设备的不断增加,数据传输量呈现爆炸性增长,给现有的监控系统带来了巨大的压力。传统的监控方法可能无法应对这种大规模的数据处理需求,导致数据传输效率低下、实时性差等问题。
但在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有的方法无法对物联网卡的数据传输进行实时监控和管理,因此无法确保数据的可靠性和质量要求,也无法根据实际需求进行调整。
发明内容
本申请主要解决了现有的方法无法对物联网卡的数据传输进行实时监控和管理,因此无法确保数据的可靠性和质量要求,也无法根据实际需求进行调整。
鉴于上述问题,本申请提供了一种物联网卡监控管理方法及系统,第一方面,本申请提供了一种物联网卡监控管理方法,所述方法包括:连接物联网卡管理平台,读取物联网卡通信任务;根据所述物联网卡通信任务,提取通信传输链路,其中,所述通信传输链路包括多个通信传输节点;基于预设学习函数,根据所述通信传输链路进行深度学习,构建多维传输质量检测通道;根据所述通信传输链路对所述物联网卡通信任务内的待传输数据集进行传输监控,获得实时传输子链路,以及所述实时传输子链路对应的实时传输数据集和子链路实时监控数据集;将所述待传输数据集、所述实时传输数据集和所述子链路实时监控数据集输入所述多维传输质量检测通道,获得实时传输质量检测结果;判断所述实时传输质量检测结果是否满足多级传输质量约束区间,其中,所述多级传输质量约束区间包括传输损失约束区间和传输安全约束区间;若所述实时传输质量检测结果满足所述多级传输质量约束区间获得延续传输指令;基于所述延续传输指令,根据所述通信传输链路继续对所述实时传输数据集进行传输。
第二方面,本申请提供了一种物联网卡监控管理系统,所述系统包括:网卡通信任务读取模块,所述网卡通信任务读取模块用于连接物联网卡管理平台,读取物联网卡通信任务;通信传输链路提取模块,所述通信传输链路提取模块用于根据所述物联网卡通信任务,提取通信传输链路,其中,所述通信传输链路包括多个通信传输节点;多维传输质量检测通道构建模块,所述多维传输质量检测通道构建模块是基于预设学习函数,根据所述通信传输链路进行深度学习,构建多维传输质量检测通道;实时传输子链路获取模块,所述实时传输子链路获取模块用于根据所述通信传输链路对所述物联网卡通信任务内的待传输数据集进行传输监控,获得实时传输子链路,以及所述实时传输子链路对应的实时传输数据集和子链路实时监控数据集;检测结果获取模块,所述检测结果获取模块用于将所述待传输数据集、所述实时传输数据集和所述子链路实时监控数据集输入所述多维传输质量检测通道,获得实时传输质量检测结果;结果判断模块,所述结果判断模块用于判断所述实时传输质量检测结果是否满足多级传输质量约束区间,其中,所述多级传输质量约束区间包括传输损失约束区间和传输安全约束区间;延续传输指令获取模块,所述延续传输指令获取模块是若所述实时传输质量检测结果满足所述多级传输质量约束区间获得延续传输指令;数据集传输模块,所述数据集传输模块是基于所述延续传输指令,根据所述通信传输链路继续对所述实时传输数据集进行传输。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供了一种物联网卡监控管理方法及系统,涉及网卡监控技术领域,所述方法包括:连接物联网卡管理平台,读取物联网卡通信任务,然后提取通信传输链路,基于预设学习函数根据通信传输链路进行深度学习,构建多维传输质量检测通道,获取实时传输子链路,然后获取实时传输质量检测结果并判断是否满足多级传输质量约束区间,如果满足获取延续传输指令,然后根据通信传输链路继续对实时传输数据集进行传输。
本申请主要解决了现有的方法无法对物联网卡的数据传输进行实时监控和管理,因此无法确保数据的可靠性和质量要求,也无法根据实际需求进行调整。可以确保数据能够稳定、可靠地传输到目的地。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请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的介绍,显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供了一种物联网卡监控管理方法流程示意图;
图2为本申请实施例提供了一种物联网卡监控管理方法中生成多维传输质量检测通道的方法流程示意图;
图3为本申请实施例提供了一种物联网卡监控管理方法中实时传输质量检测结果添加的方法流程示意图;
图4为本申请实施例提供了一种物联网卡监控管理系统的结构示意图。
附图标记说明:网卡通信任务读取模块10,通信传输链路提取模块20,多维传输质量检测通道构建模块30,实时传输子链路获取模块40,检测结果获取模块50,结果判断模块60,延续传输指令获取模块70,数据集传输模块80。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请主要解决了现有的方法无法对物联网卡的数据传输进行实时监控和管理,因此无法确保数据的可靠性和质量要求,也无法根据实际需求进行调整。可以确保数据能够稳定、可靠地传输到目的地。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍:
实施例一
如图1所示一种物联网卡监控管理方法,所述方法包括:
连接物联网卡管理平台,读取物联网卡通信任务;
具体而言,物联网卡管理平台是针对物联网卡提供集中化、智能化管理的服务平台。通过连接物联网卡管理平台,可以实现对物联网卡的全面监控和管理。通过连接物联网卡管理平台,可以实时获取物联网卡的通信状态、数据流量、通信时长等关键信息。管理平台能够实时监测物联网卡的通信状态,包括是否在线、信号强度、网络连接质量等,以便及时发现和处理通信异常情况。通过管理平台,可以分析物联网卡的数据流量使用情况,包括总流量、上行流量、下行流量等。这有助于了解物联网卡的数据传输需求和流量使用习惯,管理平台能够记录物联网卡的通信时长,包括每次通信的开始和结束时间。这有助于评估物联网卡的通信效率和通信量,为资源优化和成本控制提供参考。除了实时监控,管理平台还可以根据业务需求对物联网卡的通信任务进行调度和控制。例如,可以设置定时通信任务或触发式通信任务,以实现更加智能化的通信管理和控制。
根据所述物联网卡通信任务,提取通信传输链路,其中,所述通信传输链路包括多个通信传输节点;
具体而言,在物联网卡通信任务中,通信传输链路是指从物联网卡发送端到接收端之间的数据传输路径。这个路径通常包括多个通信传输节点,每个节点都承担着数据传输和处理的任务。首先,对物联网卡通信任务进行详细分析,了解数据传输的源端、目的端、数据量、传输频率等关键信息。这些信息有助于确定通信传输链路的基本结构和特点。在通信传输链路中,每个通信传输节点都负责数据的接收、处理和转发。通过分析通信任务中的数据流向和处理逻辑,可以识别出各个通信传输节点。这些节点可能包括物联网卡、基站、路由器、服务器等。在识别出通信传输节点后,可以根据它们之间的连接关系构建通信传输链路图。这个图可以直观地展示数据传输的路径和各个节点之间的连接关系。通过对通信传输链路图的分析,可以发现潜在的传输瓶颈和优化空间。例如,可以调整节点的位置、增加或减少节点的数量、优化节点的处理逻辑等,以提高数据传输的效率和可靠性。提取通信传输链路后,可以对其进行实时监控和管理。例如,可以监测各个节点的状态、数据流量、处理性能等关键指标,及时发现并处理异常情况。同时,也可以根据业务需求对通信传输链路进行动态调整和优化。
基于预设学习函数,根据所述通信传输链路进行深度学习,构建多维传输质量检测通道;
具体而言,收集大量关于通信传输链路的数据,包括但不限于物联网卡的信号强度、网络延迟、丢包率、数据流量等。这些数据可以通过物联网卡管理平台或其他相关设备进行采集。对收集到的原始数据进行清洗、去噪和归一化等预处理操作,以提高数据的质量和可用性。基于预设学习函数,从预处理后的数据中提取出与通信传输质量相关的特征。这些特征可以包括信号波动、丢包规律、网络延迟变化等。使用提取的特征和相应的传输质量标签(如优良、一般、较差等),训练一个深度学习模型。可以选择合适的神经网络架构(如卷积神经网络、循环神经网络等)进行模型训练。通过调整超参数、优化算法等手段,使模型能够更好地学习和预测传输质量。在训练过程中,可以使用交叉验证等技术评估模型的性能和准确性。根据评估结果,可以对模型进行调整和优化,例如调整网络结构、增加数据集等,以提高模型的预测精度。基于训练好的深度学习模型,可以构建一个多维传输质量检测通道。这个通道能够实时接收物联网卡的数据,并通过模型预测输出通信传输链路的质量评估结果。评估结果可以以多维度的形式展示,如优良率、延迟分布、丢包率等,以便更全面地了解通信传输链路的质量状况。
根据所述通信传输链路对所述物联网卡通信任务内的待传输数据集进行传输监控,获得实时传输子链路,以及所述实时传输子链路对应的实时传输数据集和子链路实时监控数据集;
具体而言,首先,对待传输的数据集进行合理划分,将其拆分成多个较小的数据块或数据包。这样做可以更好地监控每个数据块或数据包的传输状态和性能。根据通信传输链路中的节点和路径信息,可以确定每个数据块或数据包经过的实时传输子链路。每个子链路可以看作是从发送端到接收端的一个独立传输路径。在确定了实时传输子链路后,可以收集每个子链路上传输的数据块或数据包,形成实时传输数据集。这些数据集包含了当前正在传输的数据内容、大小、格式等信息。同时,为了更好地评估每个子链路的传输性能和质量,需要采集与子链路相关的实时监控数据。这些数据可以包括信号强度、网络延迟、丢包率、数据流量等关键指标,有助于全面了解子链路的实时状态和变化情况。收集到的实时传输数据集和子链路实时监控数据集需要进行进一步的处理和分析。通过统计分析、趋势预测等方法,可以提取出有关传输性能和质量的关键信息,如平均传输延迟、丢包率等。
将所述待传输数据集、所述实时传输数据集和所述子链路实时监控数据集输入所述多维传输质量检测通道,获得实时传输质量检测结果;
具体而言,将待传输数据集、实时传输数据集和子链路实时监控数据集进行整理和格式化,确保数据的一致性和可用性。将准备好的数据集输入到之前构建的多维传输质量检测通道中。这个通道利用深度学习模型对输入的数据进行实时分析和处理。多维传输质量检测通道基于深度学习模型对输入的数据进行特征提取、分类和预测等操作,以评估通信传输链路的实时传输质量。根据深度学习模型的输出,多维传输质量检测通道可以生成实时的传输质量检测结果。这些结果可以以可视化的形式展示,如柱状图、曲线图等,以便于理解和分析。
判断所述实时传输质量检测结果是否满足多级传输质量约束区间,其中,所述多级传输质量约束区间包括传输损失约束区间和传输安全约束区间;
具体而言,根据实际业务需求和通信标准,设定合理的多级传输质量约束区间。这些区间可以包括传输损失约束区间和传输安全约束区间,每个区间对应不同的传输质量要求。可以根据业务类型划分:不同的业务类型对传输质量的要求不同。例如,对于实时视频流传输,需要保证较低的延迟和较小的抖动;而对于文件传输或邮件传输,丢包率可能是更重要的指标。因此,可以根据业务类型设定相应的传输质量约束区间。或者根据服务质量等级划分:在某些通信标准中,定义了不同等级的服务质量(QoS),每个等级对应不同的传输质量要求。根据设定的QoS等级,可以进一步细化多级传输质量约束区间。将待传输数据集、实时传输数据集和子链路实时监控数据集输入多维传输质量检测通道,获取实时的传输质量检测结果。这些结果可以包括丢包率、延迟、抖动等关键指标。根据实时传输质量检测结果,将其与设定的多级传输质量约束区间进行比较。如果检测结果在传输损失约束区间内满足要求,则认为数据传输的损失控制在可接受的范围内,如果检测结果在传输安全约束区间内满足要求,则认为数据传输是安全的,没有受到潜在的威胁或攻击。
若所述实时传输质量检测结果满足所述多级传输质量约束区间获得延续传输指令;
具体而言,若实时传输质量检测结果满足多级传输质量约束区间,则可以获得延续传输指令。这个指令表示数据传输可以继续进行,并且满足预设的质量要求。在获得延续传输指令后,可以继续进行数据传输,并保持传输质量的稳定性和可靠性。同时,可以进一步优化和调整通信传输链路,以更好地满足业务需求和提高传输效率。
基于所述延续传输指令,根据所述通信传输链路继续对所述实时传输数据集进行传输。
具体而言,根据获得的延续传输指令,可以继续根据通信传输链路对实时传输数据集进行传输。这样可以保证数据能够持续、稳定地传输到目的地,满足业务的需求。在传输过程中,需要继续监控传输质量,确保数据集的实时传输满足多级传输质量约束区间的要求。如果出现传输质量问题,需要及时处理,如调整传输参数、重新传输数据等。根据通信传输链路的实际情况,进行合理的流量控制和负载均衡。避免因数据传输量过大或链路拥堵导致的数据丢失或延迟。在传输过程中,如果遇到异常情况,如丢包、延迟等,需要进行记录和处理。根据异常的性质和影响范围,可以选择合适的处理方式,如重传数据、切换传输路径等。持续监控通信传输链路的状态和性能,并进行必要的维护。如定期检查链路稳定性、清理无效数据等,以确保数据传输的可靠性和高效性。
进一步而言,如图2所示,本申请方法,基于预设学习函数,根据所述通信传输链路进行深度学习,构建多维传输质量检测通道,包括:
获得所述多个通信传输节点对应的传输节点秩序约束;
基于所述传输节点秩序约束对所述通信传输链路进行链路拆分,获得多个传输子链路;
基于所述预设学习函数,分别对所述多个传输子链路进行深度学习,获得多个子链路传输质量检测分支;
连接所述多个子链路传输质量检测分支,生成所述多维传输质量检测通道。
具体而言,在通信传输链路中,每个通信传输节点都有其特定的功能和传输要求。根据节点的特性和业务需求,确定每个节点的传输节点秩序约束,即节点间的数据传输顺序和规则。基于传输节点秩序约束对通信传输链路进行链路拆分,获得多个传输子链路:根据传输节点秩序约束,将通信传输链路拆分成多个独立的传输子链路。每个子链路包含了从源节点到目的节点的一系列连续传输节点,并且满足特定的传输要求和规则。基于预设学习函数,分别对多个传输子链路进行深度学习,获得多个子链路传输质量检测分支:针对每个传输子链路,利用预设的学习函数(如深度学习模型)进行训练和学习。通过学习函数的处理,可以提取子链路的传输特征和质量指标,并生成相应的子链路传输质量检测分支。这些分支用于对子链路的传输质量进行检测和评估。连接多个子链路传输质量检测分支,生成多维传输质量检测通道:将生成的多个子链路传输质量检测分支连接起来,形成一个多维的传输质量检测通道。这个通道能够综合考虑不同子链路的传输质量检测结果,对整体的通信传输质量进行多维度的评估和监控。通过以上步骤,可以构建一个多维传输质量检测通道,用于对通信传输链路的实时传输质量进行检测和评估。这个通道可以帮助及时发现潜在的传输问题,并提供相应的告警和处理措施,以确保数据的可靠传输和通信系统的稳定性。
进一步而言,本申请方法,基于所述预设学习函数,分别对所述多个传输子链路进行深度学习,获得多个子链路传输质量检测分支,包括:
根据所述多个传输子链路,提取第一传输子链路;
调取所述第一传输子链路对应的子链路传输损失检测记录和子链路监控检测记录;
基于所述预设学习函数,根据所述子链路传输损失检测记录,训练第一子链路传输损失检测器;
基于所述预设学习函数,根据所述子链路监控检测记录,训练第一子链路传输安全检测器;
连接所述第一子链路传输损失检测器和所述第一子链路传输安全检测器,生成第一子链路传输质量检测分支,并将所述第一子链路传输质量检测分支添加至所述多个子链路传输质量检测分支。
具体而言,根据多个传输子链路,提取第一传输子链路:从多个传输子链路中选择一个特定的子链路作为第一传输子链路。这个子链路可以是具有代表性的关键子链路,或者是根据实际需求需要重点监控的子链路。调取第一传输子链路对应的子链路传输损失检测记录和子链路监控检测记录:根据第一传输子链路的标识,从存储系统中调取相关的传输损失检测记录和监控检测记录。这些记录包含了关于该子链路的历史传输数据和性能指标,用于后续的训练和学习。基于预设学习函数,根据子链路传输损失检测记录,训练第一子链路传输损失检测器:利用预设的学习函数,根据调取的子链路传输损失检测记录进行训练,生成第一子链路传输损失检测器。这个检测器用于检测第一子链路的传输损失情况,并提供相应的损失检测结果。基于预设学习函数,根据子链路监控检测记录,训练第一子链路传输安全检测器:利用预设的学习函数,根据调取的子链路监控检测记录进行训练,生成第一子链路传输安全检测器。这个检测器用于检测第一子链路的传输安全情况,并提供相应的安全检测结果。连接第一子链路传输损失检测器和第一子链路传输安全检测器,生成第一子链路传输质量检测分支:将训练得到的第一子链路传输损失检测器和第一子链路传输安全检测器进行连接,形成一个完整的传输质量检测分支。这个分支能够对第一子链路的传输质量进行全面的评估和监控。将第一子链路传输质量检测分支添加至多个子链路传输质量检测分支:将生成的第一子链路传输质量检测分支添加到之前生成的多个子链路传输质量检测分支中。这样可以丰富多维传输质量检测通道的检测能力和评估维度,提高通道的整体性能和准确性。通过以上步骤,可以进一步扩展多维传输质量检测通道的功能和性能。通过针对特定子链路的详细训练和学习,可以更精确地评估其传输质量,并提供相应的质量检测结果。这有助于提高通信系统的可靠性和稳定性,确保数据的可靠传输。
进一步而言,本申请方法,基于所述预设学习函数,根据所述子链路传输损失检测记录,训练第一子链路传输损失检测器,包括:
基于所述第一传输子链路,调取多个同类子链路对应的同类子链路传输损失检测记录集;
基于BP神经网络对所述同类子链路传输损失检测记录集进行有监督训练,获得第一子链路传输损失检测网络;
基于所述预设学习函数,根据所述子链路传输损失检测记录对所述第一子链路传输损失检测网络进行测试,获得第一损失检测学习度;
判断所述第一损失检测学习度是否满足损失检测学习度约束;
若所述第一损失检测学习度满足所述损失检测学习度约束,将所述第一子链路传输损失检测网络嵌入至所述第一子链路传输损失检测器。
具体而言,除了第一传输子链路外,从存储系统中调取其他与第一子链路相似的同类子链路的传输损失检测记录。这些记录集合在一起,形成一个同类子链路传输损失检测记录集,用于后续的训练和学习。基于BP神经网络对同类子链路传输损失检测记录集进行有监督训练,获得第一子链路传输损失检测网络:在开始训练之前,对同类子链路传输损失检测记录集进行数据预处理。数据预处理包括数据清洗、特征提取、数据归一化等步骤,以确保数据的质量和一致性,为训练过程做好准备。明确神经网络的输入和输出变量。对于传输损失检测,可能的输入变量包括信号强度、误码率、延迟等,输出变量则为是否发生传输损失。BP神经网络有多种结构,如多层感知器、卷积神经网络等。对于传输损失检测,设置一个多层感知器就可以。增加层数和每层的神经元数可以提高网络的表达能力,但也会增加训练时间和过拟合的风险。可以通过交叉验证等方法来确定最优的层数和每层的神经元数。激活函数决定了神经元的输出方式。对于传输损失检测可以选择ReLU或sigmoid激活函数。学习率决定了每次权重更新的幅度,迭代次数则是整个训练过程的次数。使用适当的评估指标(如准确率、召回率、F1分数等)对第一子链路传输损失检测网络进行评估。根据评估结果,如果发现模型的性能不理想,可以对网络的结构、参数或训练方法进行调整和优化。从存储系统中调取实际的子链路传输损失检测记录,用于测试第一子链路传输损失检测网络的性能。这些记录应该是独立的测试数据集,与训练数据集不重叠。将测试数据输入到第一子链路传输损失检测网络中,并使用预设的学习函数对其进行评估。测试过程中,记录网络的输出结果和实际传输损失检测记录的对比情况。根据预设的学习函数的评估结果,计算网络的性能指标,如准确率、召回率、F1分数等。这些指标可以客观地衡量网络在测试数据集上的表现。结合网络的性能指标和实际传输损失检测记录的反馈,计算第一损失检测学习度。这个度量值可以反映网络的学习效果和预测准确性。分析第一损失检测学习度的值,并与预设的阈值或标准进行比较。如果满足约束条件,则认为该网络模型具有足够的准确性和可靠性,如果不满足,则需要进行进一步的优化和调整。根据实际业务需求和通信标准,设定一个合适的阈值或标准作为损失检测学习度的约束条件。这个阈值或标准应该能够反映传输损失的可接受范围或传输质量的最低要求。例如,对于实时视频传输,对传输延迟和丢包的容忍度较低;而对于文件传输,可能对延迟的容忍度较高,但对错误的容忍度较低。通过对业务需求的分析,可以设定相应的阈值或标准。将第一损失检测学习度与设定的阈值或标准进行对比。评估第一损失检测学习度是否在可接受的范围内,或者是否达到了预设的标准。根据对比结果,判断第一损失检测学习度是否满足预设的损失检测学习度约束。如果满足约束条件,则认为该损失检测网络模型具有足够的准确性和可靠性,如果不满足,则需要进行进一步的优化和调整。如果第一损失检测学习度满足预设的约束条件,则可以将训练得到的网络模型(第一子链路传输损失检测网络)嵌入到之前训练的第一子链路传输损失检测器中。这样可以增强第一子链路传输损失检测器的性能和准确性。通过以上步骤,可以进一步优化和增强第一子链路传输损失检测器的功能和性能。通过使用BP神经网络进行有监督训练,可以构建一个专门针对传输损失检测的网络模型,并根据预设的学习函数对其进行测试和评估。如果满足预设的约束条件,则可以将该网络模型嵌入到现有的第一子链路传输损失检测器中,提高其准确性和可靠性。这有助于更好地监控和管理通信传输链路的传输质量,确保数据的可靠传输。
进一步而言,本申请方法,基于所述预设学习函数,根据所述子链路传输损失检测记录对所述第一子链路传输损失检测网络进行测试,获得第一损失检测学习度,包括:
根据所述子链路传输损失检测记录对所述第一子链路传输损失检测网络进行测试,获得第一网络测试结果,其中,所述第一网络测试结果包括第一损失检测准确率和第一损失检测误差率;
将所述第一网络测试结果输入所述预设学习函数,得到所述第一损失检测学习度,其中,所述预设学习函数为:
;
其中,DLY表征损失检测学习度,DLA表征损失检测准确率,DLB表征损失检测误差率。
具体而言,根据所述子链路传输损失检测记录对所述第一子链路传输损失检测网络进行测试,获得第一网络测试结果,包括第一损失检测准确率和第一损失检测误差率。将所述第一网络测试结果输入到预设学习函数中,得到第一损失检测学习度。这个预设学习函数可能是一个自定义函数,用于计算损失检测学习度。该函数可能基于损失检测准确率和误差率进行计算,以综合考虑网络的性能。DLY表示损失检测学习度,DLA表示损失检测准确率,DLB表示损失检测误差率。通过将第一网络测试结果输入到预设学习函数中,可以得到一个综合衡量网络学习效果的指标,即第一损失检测学习度。这个度量值可以反映网络在传输损失检测任务上的性能和准确性。
进一步而言,如图3所示,本申请方法,将所述待传输数据集、所述实时传输数据集和所述子链路实时监控数据集输入所述多维传输质量检测通道,获得实时传输质量检测结果,包括:
根据所述实时传输子链路对所述多维传输质量检测通道进行检测分支定位,获得匹配子链路传输质量检测分支,其中,所述匹配子链路传输质量检测分支包括所述实时传输子链路对应的匹配子链路传输损失检测器和匹配子链路传输安全检测器;
将所述待传输数据集和所述实时传输数据集输入所述匹配子链路传输损失检测器,获得实时传输损失检测系数;
将所述子链路实时监控数据集输入所述匹配子链路传输安全检测器,获得实时传输安全检测系数;
将所述实时传输损失检测系数和所述实时传输安全检测系数添加至所述实时传输质量检测结果。
具体而言,根据实时传输子链路对多维传输质量检测通道进行检测分支定位,可以确定与实时传输子链路对应的匹配子链路传输质量检测分支。这个匹配子链路传输质量检测分支包括实时传输子链路对应的匹配子链路传输损失检测器和匹配子链路传输安全检测器。实时传输子链路的信息可以用于识别和定位多维传输质量检测通道中的相应分支。这可以通过特定的算法或规则来实现,例如基于子链路的标识符、传输参数或数据特征等信息进行匹配和定位。一旦确定了匹配的子链路传输质量检测分支,就可以进一步对该分支中的传输损失检测器和传输安全检测器进行处理。传输损失检测器可以对实时传输数据集进行分析,以检测传输过程中的数据丢失或误码率等情况。这可以通过比较发送端和接收端的数据包数量、检测数据包的完整性或使用其他相关技术来实现。实时传输损失检测的结果可以反映数据在传输过程中的质量状况。同时,传输安全检测器可以对子链路实时监控数据集进行分析,评估数据传输的安全性。这包括数据的加密情况、完整性保护以及潜在的攻击或异常行为的检测。实时传输安全检测的结果可以反映数据在传输过程中的安全性状况。将待传输数据集和实时传输数据集输入到匹配子链路传输损失检测器中,可以实时监测数据的传输情况。通过对比发送端和接收端的数据包数量、检测数据包的完整性或使用其他相关技术,可以确定数据在传输过程中的损失程度。传输损失检测器可以对实时传输数据集进行分析,检测数据包丢失、误码率等情况。根据这些检测结果,可以计算出一个实时传输损失检测系数,用于衡量实时传输过程中的数据质量。实时传输损失检测系数是一个数值,用于量化传输过程中的数据损失情况。根据实际需求和业务场景,可以选择合适的算法或技术来计算这个系数。例如,可以根据丢失的数据包数量、误码率的大小或其他相关指标来计算系数值。通过统计数据包的数量、丢失的数据包比例、误码率等指标,计算传输损失检测系数。这种方法简单直观,适用于实时监测和快速反馈。通过流量控制机制,如TCP/IP协议中的拥塞控制算法,来计算传输损失检测系数。通过实时传输损失检测系数,可以及时发现传输过程中的问题,如丢包、误码等。这些问题的出现可能影响数据的完整性和可靠性,进而影响整个传输质量。因此,这个系数是评估多维传输质量检测通道性能的重要指标之一。一旦获得了实时传输损失检测系数,就可以根据该系数对传输质量进行监控和调整。例如,如果发现传输损失严重,可以采取相应的措施进行优化或修复,如调整网络参数、重新配置传输路径等。将子链路实时监控数据集输入到匹配子链路传输安全检测器中,可以实时监测数据传输的安全性。通过特定的算法或技术,如数据加密算法的验证、完整性校验等,可以评估数据在传输过程中的安全性。传输安全检测器可以对子链路实时监控数据集进行分析,检测数据是否受到篡改、窃听等攻击或异常行为。根据这些检测结果,可以计算出一个实时传输安全检测系数,用于衡量实时传输过程中的安全性。实时传输安全检测系数是一个数值,用于量化传输过程中的安全性。在计算实时传输安全检测系数时,根据实际需求和业务场景选择合适的算法或技术是至关重要的。可以使用基于密码学的方法:加密强度评估:根据所使用的加密算法(如AES、RSA等)及其密钥长度来评估数据的加密强度。数字签名验证:使用数字签名技术确保数据的完整性和来源真实性。或者基于流量和行为分析的方法:异常流量检测:实时监测网络流量,寻找与正常模式不符的异常流量模式,这可能表示攻击或数据泄露。行为分析:分析网络中的设备或用户行为,寻找异常或潜在威胁的行为模式。通过实时传输安全检测系数,可以及时发现传输过程中的安全问题,如数据被篡改、窃听等。这些问题的出现可能影响数据的保密性和完整性,进而影响整个传输质量。因此,这个系数是评估多维传输质量检测通道性能的重要指标之一。一旦获得了实时传输安全检测系数,就可以根据该系数对传输安全性进行监控和调整。例如,如果发现传输安全性存在问题,可以采取相应的措施进行优化或修复,如加强数据加密、调整完整性校验机制等。将实时传输损失检测系数和实时传输安全检测系数添加到实时传输质量检测结果中,可以得到一个综合衡量实时传输质量的指标。这个结果可以是一个综合评分、一个状态标志或者一个详细的报告,用于全面评估实时传输的质量。通过以上步骤,可以实现对多维传输质量检测通道的实时监控和评估,及时发现和解决潜在的传输问题,确保数据的可靠传输和安全性。这些实施方式有助于不断完善多维传输质量检测通道的构建和管理,提高网络的性能和稳定性。
进一步而言,本申请方法,判断所述实时传输质量检测结果是否满足多级传输质量约束区间,包括:
若所述实时传输质量检测结果不满足所述多级传输质量约束区间,生成传输预警指令;
根据所述传输预警指令对所述实时传输质量检测结果进行异常定位,获得异常传输检测结果;
基于所述异常传输检测结果对所述实时传输数据集进行补偿,获得补偿传输数据集;
根据所述通信传输链路继续对所述补偿传输数据集进行传输。
具体而言,系统从通信传输链路中实时采集传输质量数据,包括但不限于数据包丢失率、传输延迟、抖动等。定义不同级别的传输质量阈值,如优、良、中、差等。系统根据采集的数据与阈值进行比较,得出实时传输质量检测结果。当实时传输质量检测结果低于某一阈值时,系统生成传输预警指令。例如,当数据包丢失率超过5%时,系统判断为“差”。系统根据预警指令,定位到具体的传输问题。例如,数据包丢失主要发生在哪个子链路或哪个传输节点。根据解析的定位信息,生成异常传输检测结果。例如,报告“子链路A的数据包丢失率高达8%”。根据异常传输检测结果,选择合适的补偿策略。例如,重新发送丢失的数据包或调整数据包的优先级。系统对实时传输数据集进行补偿处理,生成补偿传输数据集。在继续传输之前,系统检查通信传输链路的状态。确保链路稳定、无阻塞或其他潜在问题。根据通信传输链路的状况,系统将补偿传输数据集发送至目的地。
实施例二
基于与前述实施例一种物联网卡监控管理方法相同的发明构思,如图4所示,本申请提供了一种物联网卡监控管理系统,所述系统包括:
网卡通信任务读取模块10,所述网卡通信任务读取模块10用于连接物联网卡管理平台,读取物联网卡通信任务;
通信传输链路提取模块20,所述通信传输链路提取模块20用于根据所述物联网卡通信任务,提取通信传输链路,其中,所述通信传输链路包括多个通信传输节点;
多维传输质量检测通道构建模块30,所述多维传输质量检测通道构建模块30是基于预设学习函数,根据所述通信传输链路进行深度学习,构建多维传输质量检测通道;
实时传输子链路获取模块40,所述实时传输子链路获取模块40用于根据所述通信传输链路对所述物联网卡通信任务内的待传输数据集进行传输监控,获得实时传输子链路,以及所述实时传输子链路对应的实时传输数据集和子链路实时监控数据集;
检测结果获取模块50,所述检测结果获取模块50用于将所述待传输数据集、所述实时传输数据集和所述子链路实时监控数据集输入所述多维传输质量检测通道,获得实时传输质量检测结果;
结果判断模块60,所述结果判断模块60用于判断所述实时传输质量检测结果是否满足多级传输质量约束区间,其中,所述多级传输质量约束区间包括传输损失约束区间和传输安全约束区间;
延续传输指令获取模块70,所述延续传输指令获取模块70是若所述实时传输质量检测结果满足所述多级传输质量约束区间获得延续传输指令;
数据集传输模块80,所述数据集传输模块80是基于所述延续传输指令,根据所述通信传输链路继续对所述实时传输数据集进行传输。
进一步地,该系统还包括:
检测分支获取模块,用于获得所述多个通信传输节点对应的传输节点秩序约束;基于所述传输节点秩序约束对所述通信传输链路进行链路拆分,获得多个传输子链路;基于所述预设学习函数,分别对所述多个传输子链路进行深度学习,获得多个子链路传输质量检测分支;连接所述多个子链路传输质量检测分支,生成所述多维传输质量检测通道。
进一步地,该系统还包括:
质量检测分支生成模块,用于根据所述多个传输子链路,提取第一传输子链路;调取所述第一传输子链路对应的子链路传输损失检测记录和子链路监控检测记录;基于所述预设学习函数,根据所述子链路传输损失检测记录,训练第一子链路传输损失检测器;基于所述预设学习函数,根据所述子链路监控检测记录,训练第一子链路传输安全检测器;连接所述第一子链路传输损失检测器和所述第一子链路传输安全检测器,生成第一子链路传输质量检测分支,并将所述第一子链路传输质量检测分支添加至所述多个子链路传输质量检测分支。
进一步地,该系统还包括:
损失检测器嵌入模块,是基于所述第一传输子链路,调取多个同类子链路对应的同类子链路传输损失检测记录集;基于BP神经网络对所述同类子链路传输损失检测记录集进行有监督训练,获得第一子链路传输损失检测网络;基于所述预设学习函数,根据所述子链路传输损失检测记录对所述第一子链路传输损失检测网络进行测试,获得第一损失检测学习度;判断所述第一损失检测学习度是否满足损失检测学习度约束;若所述第一损失检测学习度满足所述损失检测学习度约束,将所述第一子链路传输损失检测网络嵌入至所述第一子链路传输损失检测器。
进一步地,该系统还包括:
第一网络测试结果获取模块,用于根据所述子链路传输损失检测记录对所述第一
子链路传输损失检测网络进行测试,获得第一网络测试结果,其中,所述第一网络测试结果
包括第一损失检测准确率和第一损失检测误差率;将所述第一网络测试结果输入所述预设
学习函数,得到所述第一损失检测学习度,其中,所述预设学习函数为:;其中,DLY表征损失检测学习度,DLA表征损失检测准确率,DLB表征
损失检测误差率。
进一步地,该系统还包括:
实时传输质量检测结果添加模块,用于根据所述实时传输子链路对所述多维传输质量检测通道进行检测分支定位,获得匹配子链路传输质量检测分支,其中,所述匹配子链路传输质量检测分支包括所述实时传输子链路对应的匹配子链路传输损失检测器和匹配子链路传输安全检测器;将所述待传输数据集和所述实时传输数据集输入所述匹配子链路传输损失检测器,获得实时传输损失检测系数;将所述子链路实时监控数据集输入所述匹配子链路传输安全检测器,获得实时传输安全检测系数;将所述实时传输损失检测系数和所述实时传输安全检测系数添加至所述实时传输质量检测结果。
进一步地,该系统还包括:
数据集传输模块,若所述实时传输质量检测结果不满足所述多级传输质量约束区间,生成传输预警指令;根据所述传输预警指令对所述实时传输质量检测结果进行异常定位,获得异常传输检测结果;基于所述异常传输检测结果对所述实时传输数据集进行补偿,获得补偿传输数据集;根据所述通信传输链路继续对所述补偿传输数据集进行传输。
说明书通过前述一种物联网卡监控管理方法的详细描述,本领域技术人员可以清楚地知识本实施例中一种物联网卡监控管理系统,对于实施例公开的系统而言,由于其与实施例公开方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种物联网卡监控管理方法,其特征在于,所述方法包括:
连接物联网卡管理平台,读取物联网卡通信任务;
根据所述物联网卡通信任务,提取通信传输链路,其中,所述通信传输链路包括多个通信传输节点;
基于预设学习函数,根据所述通信传输链路进行深度学习,构建多维传输质量检测通道;
根据所述通信传输链路对所述物联网卡通信任务内的待传输数据集进行传输监控,获得实时传输子链路,以及所述实时传输子链路对应的实时传输数据集和子链路实时监控数据集;
将所述待传输数据集、所述实时传输数据集和所述子链路实时监控数据集输入所述多维传输质量检测通道,获得实时传输质量检测结果;
判断所述实时传输质量检测结果是否满足多级传输质量约束区间,其中,所述多级传输质量约束区间包括传输损失约束区间和传输安全约束区间;
若所述实时传输质量检测结果满足所述多级传输质量约束区间获得延续传输指令;
基于所述延续传输指令,根据所述通信传输链路继续对所述实时传输数据集进行传输。
2.如权利要求1所述的方法,其特征在于,基于预设学习函数,根据所述通信传输链路进行深度学习,构建多维传输质量检测通道,包括:
获得所述多个通信传输节点对应的传输节点秩序约束;
基于所述传输节点秩序约束对所述通信传输链路进行链路拆分,获得多个传输子链路;
基于所述预设学习函数,分别对所述多个传输子链路进行深度学习,获得多个子链路传输质量检测分支;
连接所述多个子链路传输质量检测分支,生成所述多维传输质量检测通道。
3.如权利要求2所述的方法,其特征在于,基于所述预设学习函数,分别对所述多个传输子链路进行深度学习,获得多个子链路传输质量检测分支,包括:
根据所述多个传输子链路,提取第一传输子链路;
调取所述第一传输子链路对应的子链路传输损失检测记录和子链路监控检测记录;
基于所述预设学习函数,根据所述子链路传输损失检测记录,训练第一子链路传输损失检测器;
基于所述预设学习函数,根据所述子链路监控检测记录,训练第一子链路传输安全检测器;
连接所述第一子链路传输损失检测器和所述第一子链路传输安全检测器,生成第一子链路传输质量检测分支,并将所述第一子链路传输质量检测分支添加至所述多个子链路传输质量检测分支。
4.如权利要求3所述的方法,其特征在于,基于所述预设学习函数,根据所述子链路传输损失检测记录,训练第一子链路传输损失检测器,包括:
基于所述第一传输子链路,调取多个同类子链路对应的同类子链路传输损失检测记录集;
基于BP神经网络对所述同类子链路传输损失检测记录集进行有监督训练,获得第一子链路传输损失检测网络;
基于所述预设学习函数,根据所述子链路传输损失检测记录对所述第一子链路传输损失检测网络进行测试,获得第一损失检测学习度;
判断所述第一损失检测学习度是否满足损失检测学习度约束;
若所述第一损失检测学习度满足所述损失检测学习度约束,将所述第一子链路传输损失检测网络嵌入至所述第一子链路传输损失检测器。
5.如权利要求4所述的方法,其特征在于,基于所述预设学习函数,根据所述子链路传输损失检测记录对所述第一子链路传输损失检测网络进行测试,获得第一损失检测学习度,包括:
根据所述子链路传输损失检测记录对所述第一子链路传输损失检测网络进行测试,获得第一网络测试结果,其中,所述第一网络测试结果包括第一损失检测准确率和第一损失检测误差率;
将所述第一网络测试结果输入所述预设学习函数,得到所述第一损失检测学习度,其中,所述预设学习函数为:
;
其中,DLY表征损失检测学习度,DLA表征损失检测准确率,DLB表征损失检测误差率。
6.如权利要求1所述的方法,其特征在于,将所述待传输数据集、所述实时传输数据集和所述子链路实时监控数据集输入所述多维传输质量检测通道,获得实时传输质量检测结果,包括:
根据所述实时传输子链路对所述多维传输质量检测通道进行检测分支定位,获得匹配子链路传输质量检测分支,其中,所述匹配子链路传输质量检测分支包括所述实时传输子链路对应的匹配子链路传输损失检测器和匹配子链路传输安全检测器;
将所述待传输数据集和所述实时传输数据集输入所述匹配子链路传输损失检测器,获得实时传输损失检测系数;
将所述子链路实时监控数据集输入所述匹配子链路传输安全检测器,获得实时传输安全检测系数;
将所述实时传输损失检测系数和所述实时传输安全检测系数添加至所述实时传输质量检测结果。
7.如权利要求1所述的方法,其特征在于,判断所述实时传输质量检测结果是否满足多级传输质量约束区间,包括:
若所述实时传输质量检测结果不满足所述多级传输质量约束区间,生成传输预警指令;
根据所述传输预警指令对所述实时传输质量检测结果进行异常定位,获得异常传输检测结果;
基于所述异常传输检测结果对所述实时传输数据集进行补偿,获得补偿传输数据集;
根据所述通信传输链路继续对所述补偿传输数据集进行传输。
8.一种物联网卡监控管理系统,其特征在于,所述系统包括:
网卡通信任务读取模块,所述网卡通信任务读取模块用于连接物联网卡管理平台,读取物联网卡通信任务;
通信传输链路提取模块,所述通信传输链路提取模块用于根据所述物联网卡通信任务,提取通信传输链路,其中,所述通信传输链路包括多个通信传输节点;
多维传输质量检测通道构建模块,所述多维传输质量检测通道构建模块是基于预设学习函数,根据所述通信传输链路进行深度学习,构建多维传输质量检测通道;
实时传输子链路获取模块,所述实时传输子链路获取模块用于根据所述通信传输链路对所述物联网卡通信任务内的待传输数据集进行传输监控,获得实时传输子链路,以及所述实时传输子链路对应的实时传输数据集和子链路实时监控数据集;
检测结果获取模块,所述检测结果获取模块用于将所述待传输数据集、所述实时传输数据集和所述子链路实时监控数据集输入所述多维传输质量检测通道,获得实时传输质量检测结果;
结果判断模块,所述结果判断模块用于判断所述实时传输质量检测结果是否满足多级传输质量约束区间,其中,所述多级传输质量约束区间包括传输损失约束区间和传输安全约束区间;
延续传输指令获取模块,所述延续传输指令获取模块是若所述实时传输质量检测结果满足所述多级传输质量约束区间获得延续传输指令;
数据集传输模块,所述数据集传输模块是基于所述延续传输指令,根据所述通信传输链路继续对所述实时传输数据集进行传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311846849.6A CN117834472A (zh) | 2023-12-29 | 2023-12-29 | 一种物联网卡监控管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311846849.6A CN117834472A (zh) | 2023-12-29 | 2023-12-29 | 一种物联网卡监控管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117834472A true CN117834472A (zh) | 2024-04-05 |
Family
ID=90514861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311846849.6A Pending CN117834472A (zh) | 2023-12-29 | 2023-12-29 | 一种物联网卡监控管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117834472A (zh) |
-
2023
- 2023-12-29 CN CN202311846849.6A patent/CN117834472A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11792217B2 (en) | Systems and methods to detect abnormal behavior in networks | |
EP1738470B1 (en) | Apparatus and method for improving reliability of collected sensor data over a network | |
CN111092862B (zh) | 一种用于对电网终端通信流量异常进行检测的方法及系统 | |
US7903657B2 (en) | Method for classifying applications and detecting network abnormality by statistical information of packets and apparatus therefor | |
JP6823501B2 (ja) | 異常検知装置、異常検知方法及びプログラム | |
JP6564799B2 (ja) | 閾値決定装置、閾値決定方法及びプログラム | |
CN114629802B (zh) | 一种基于业务感知的电力通信骨干网络质量评估方法 | |
CN111242171A (zh) | 网络故障的模型训练、诊断预测方法、装置以及电子设备 | |
CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
CN115942262A (zh) | 一种具有数据安全机制的短信服务系统及其方法 | |
Kodali et al. | The value of summary statistics for anomaly detection in temporally evolving networks: A performance evaluation study | |
CN116150191A (zh) | 一种用于云端数据架构的数据运算加速方法及系统 | |
CN115022908A (zh) | 一种核心网与基站传输网络异常预测及定位的方法 | |
CN116566845B (zh) | 一种网络预警方法及计算机存储介质 | |
Guo et al. | FullSight: A feasible intelligent and collaborative framework for service function chains failure detection | |
CN117834472A (zh) | 一种物联网卡监控管理方法及系统 | |
CN117376084A (zh) | 故障检测方法、电子设备及其介质 | |
CN111586052B (zh) | 一种基于多层级的群智合约异常交易识别方法及识别系统 | |
Nguyen et al. | A decentralized Bayesian attack detection algorithm for network security | |
CN116522213A (zh) | 业务状态级别分类及分类模型训练方法、电子设备 | |
KR100812946B1 (ko) | 이동 통신망에서의 서비스 품질 관리 시스템 및 방법 | |
CN114978976B (zh) | SRv6融合网络的数据异常检测方法及装置 | |
CN117527622B (zh) | 网络交换机的数据处理方法及系统 | |
CN117955746B (zh) | 基于物联网平台的数据流转方法、装置、设备及存储介质 | |
CN118041661A (zh) | 基于深度学习的异常网络流量监测方法、装置、设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |