CN103763123A - 一种网络健康状态的评估方法和装置 - Google Patents

一种网络健康状态的评估方法和装置 Download PDF

Info

Publication number
CN103763123A
CN103763123A CN201310731670.6A CN201310731670A CN103763123A CN 103763123 A CN103763123 A CN 103763123A CN 201310731670 A CN201310731670 A CN 201310731670A CN 103763123 A CN103763123 A CN 103763123A
Authority
CN
China
Prior art keywords
network
health index
sub
health
condition parameter
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
Application number
CN201310731670.6A
Other languages
English (en)
Inventor
付利勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201310731670.6A priority Critical patent/CN103763123A/zh
Publication of CN103763123A publication Critical patent/CN103763123A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明实施例公开了一种网络健康状态的评估方法,包括:将待测网络的m个不同类型的网络状况参数划分为n个网络特征集合,并计算每个网络状况参数对应的子健康指数,m和n均为大于1的整数且n≤m;根据每个网络状况参数的子健康指数和预设的子权重系数计算出每个网络特征集合对应的中间健康指数;根据n个中间健康指数和预设的n个中间权重系数计算并显示所述待测网络的总健康指数,所述总健康指数用于表征所述待测网络的健康状态。本发明实施例还公开了一种网络健康状态的评估装置。采用本发明,可以更准确和直观的评价网络的健康状态。

Description

一种网络健康状态的评估方法和装置
技术领域
本发明涉及网络领域,尤其涉及一种网络健康状态的评估方法和装置。
背景技术
随着网络技术的不断发展,人们对网络的依赖日渐增强,网络的结构变得越来越复杂。随着网络结构的日益复杂,对网络管理的要求也越来越高,网络运维人员想要随时掌握目前的网络健康状况以便进行网络维护也变得日益困难。
现有技术中,网络运维人员只能借助网管系统中的统计信息,依赖于运维管理经验通过对多个模块的综合分析才能在一定程度上了解当前网络的状态,并且准确性较低。比如目前的网络评分模型都是通过设备、链路的关键业绩指标(Key Performance Indication,KPI)指标来衡量网络的健康状况。然而,有时随着KPI指标的逐渐上升,用户的满意度却逐渐下降,评估结果缺乏一定的准确性。
发明内容
本发明实施例所要解决的技术问题在于如何更加直观和准确的评估网络的健康状态。
为了解决上述技术问题,本发明实施例第一方面提供了一种网络健康状态的评估方法,包括:
将待测网络的m个不同类型的网络状况参数划分为n个网络特征集合,并计算每个网络状况参数对应的子健康指数,m和n均为大于1的整数且n≤m;
根据每个网络状况参数的子健康指数和预设的子权重系数计算出每个网络特征集合对应的中间健康指数;
根据n个中间健康指数和预设的n个中间权重系数计算并显示所述待测网络的总健康指数,所述总健康指数用于表征所述待测网络的健康状态。
结合第一方面,在第一种可能的实现方式中,所述将待测网络的m个不同类型的网络状况参数划分为n个网络特征集合的步骤之前,还包括:
若接收到获取待测网络的健康状态的触发指令,执行所述将待测网络的m个不同类型的网络状况参数划分为n个网络特征集合的步骤。
结合第一方面,在第二种可能的实现方式中,所述将待测网络的m个不同类型的网络状况参数划分为n个网络特征集合的步骤之前,还包括:
根据预置的学习样本采用权重计算算法确定每个子权重系数和中间权重系数。
结合第一方面的第二种可能的实现方式,在第三种可能的实现方式中,所述权重计算算法包括
遗传算法或最大熵值算法。
结合第一方面至第三种可能的实现方式中的任一种,在第四种可能的实现方式中,所述计算每个网络状况参数对应的子健康指数的步骤包括:
计算网络状况参数与预置的参考值的比值,并根据所述比值和预置的理想子健康指数确定出该网络状况参数的子健康指数。
结合第一方面的第四种可能的实现方式,在第五种可能的实现方式中,网络特征集合至少包括网络可用性集合、网络可靠性集合和网络安全性集合。
结合第一方面的第五种可能的实现方式,在第六种可能的实现方式中,还包括:
显示与所述待测网络关联的图标;根据所述总健康指数确定所述图标的颜色并在所述图标上显示所述总健康指数。
本发明实施例第二方面提供了一种网络健康状况的评估装置,包括:
第一计算模块,用于将待测网络的m个不同类型网络状况参数划分为n个网络特征集合,并计算每个网络状况参数对应的子健康指数,m和n均为大于1的整数且n≤m;
第二计算模块,用于根据每个网络状况参数的子健康指数和预设的子权重系数计算出每个网络特征集合对应的中间健康指数;
健康指数计算模块,用于根据n个中间健康指数和预设的n个中间权重系数计算并显示所述待测网络的总健康指数,所述总健康指数用于表征所述待测网络的健康状态。
结合第二方面,在第一种可能的实现方式中,还包括:
触发模块,用于若接收到获取待测网络的健康状态的触发指令,指示所述第一计算模块开始工作。
结合第二方面或第一种可能的实现方式,在第二种可能的实现方式中,还包括:
学习模块,用于根据预置的学习样本采用权重计算算法确定每个子权重系数和中间权重系数。
结合第二种可能的实现方式,在第三种可能的实现方式中,所述权重计算算法包括
遗传算法或最大熵值算法。
结合第三种可能的实现方式,在第四种可能的实现方式中,所述第一计算模块用于计算网络状况参数与预置的参考值的比值,并根据所述比值和预置的理想子健康指数确定出该网络状况参数的子健康指数。
结合第四种可能的实现方式,在第五种可能的实现方式中,网络特征集合至少包括网络可用性集合、网络可靠性集合和网络安全性集合。
结合第五种可能的实现方式,在第六种可能的实现方式中,还包括:
显示模块,用于显示与所述待测网络关联的图标;根据所述总健康指数确定所述图标的颜色并在所述图标上显示所述总健康指数。
实施本发明实施例,具有如下有益效果:
实施本发明的实施例,通过为待测网络不同类型的网络状态参数的划分,为每个网络状态参数分配预设的权重系数,并使用一个总健康指数描述待测网络的健康状态,能更加直观的和更准确的表示待测网络的健康状态。
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是本发明第一实施例的一种网络健康状态的评估方法的流程示意图;
图2是本发明第二实施例的一种网络健康状态的评估方法的流程示意图;
图3是本发明实施例的一种网络健康装置的评估装置的结构示意图;
图4是本发明实施例的一种网络健康装置的评估装置的另一结构示意图;
图5是本发明实施例的一种网络健康装置的评估装置的又一结构示意图。
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作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。
参见图1,为本发明第一实施的一种网络健康状态的评估方法的流程示意图,在本实施例中,所述方法包括:
S101、将待测网络的m个不同类型网络状态参数划分为n个网络特征集合,并计算每个网络特征参数对应的子健康指数。
具体的,m和n均为大于1的整数且n≤m,m个不同类型的网络状况参数从不同维度描述待测网络的优劣状态,用户无法从上述分散的网络状况参数连接待测网络整体的健康状态。网络状况参数可包括带宽、时延、抖动、CPU利用率、硬盘空间、丢包率、网络攻击次数和病毒感染次数等,根据网络特征将若干个网络状况参数按划分进不同的网络特征集合,例如,将符合网络可用性特征的网络状况参数划分进网络可用性特征集合,将符合网络可靠性特征的网络状况参数划分进网络可靠性特征集合,将符合网络安全性特征的网络状况参数划分进网络安全性特征集合,具体实施时,也可采用其他的网络特征对网络状况参数进行划分,本发明不作限制。
计算网络状态参数的子健康指数的方法可以是,为每个网络状况参数设置一个参考值和理想子健康指数,根据实际检测到的网络状况参数和预置的参考值计算二者的比例,通过比例和理想子健康指数的相乘得到该网络状态参数的子健康指数,其中每个网络状况参数设置的理想子健康指数相同,理想子健康指数可以数字或百分比表示,例如100或100%。例如,若某个网络状况参数为丢包率,丢包率越小表示待测网络的健康状态越好,网络状况参数与待测网络的健康状态呈负相关性,设置的参考值和理想子健康指数分布为0.1%和100,子健康指数与待测网络的健康状态呈正相关性,若实际测量到的待测网络的丢包率为0.5%,,则该丢包率的子健康指数为(0.1/0.5)*100=20。若某个网络状况参数为带宽,带宽与待测网络的健康状态呈正相关性,假设带宽的参考值为100GHz,理想子健康指数为100,实际测量到的待测网络的90GHz,则该网络状况参数的子健康指数为(90/100)*100=90。具体实施时,也可采用其他方法计算网络状况参数对应的子健康指数,本发明不作限制。
在本发明的一个实施例中,假设m=10,n=3,根据m个网络状况参数计算得到子健康指数表示为Ai,i=1,2,3...10,网络特征集合表示为Pj,j=1,2,3;m个子健康指数划分进n个网络特征集合为P1={A1,A2,A3},P2={A4,A5,A6},P3={A7,A8,A9,A10}。
S102、根据每个网络状况参数的子健康指数和预设的子权重系数计算出每个网络特征集合对应的中间健康指数。
具体的,每个网络特征集合中的网络状况参数均分配有子权重系数,将每个子权重系数与子健康指数相乘后得到该网络特征集合的中间健康指数。
例如,根据S101中划分的网络特征集合P1、P2和P3,P1中预置的网络状况参数对应的子权重系数分别为X1、X2和X3,P2中预置的网络状况参数对应的子权重系数分别为Y1、Y2和Y3,P3中预置的网络状况参数对应的子权重系数分别为Z1、Z2、Z3和Z4,其中X1+X2+X3=1,Y1+Y2+Y3=1,Z1+Z2+Z3+Z4=1,则网络特征集合P1的中间健康指数
Figure BDA0000447120300000051
网络特征集合P2的中间健康指数
Figure BDA0000447120300000052
网络特征集合P3的中间健康指数 index P 3 = A 7 * Z 1 + A 8 * Z 2 + A 9 * Z 3 + A 10 * Z 4 .
S103、根据n个中间健康指数和预设的n个中间权重系数计算并显示所述待测网络的总健康度。
具体的,每个中间健康指数都分配为预置的中间权重系数,根据每个中间健康指数和对应的中间权重系数的乘机得到待测网络的总健康度。
例如,S102中计算得到的中间健康指数为
Figure BDA0000447120300000054
假设预置的中间权重系数分别为α、β和γ,则待测网络的总健康度 index Total = α * index P 1 + β * index P 2 + γ * index P 3 , 其中α+β+γ=1。
可以理解的是,本发明实施例计算总健康指数的计算模型分为3层,即作为根节点的总健康指数,作为中间节点的中间健康自身和作为叶子节点的子健康指数,在具体实施例将总健康指数的计算模型分类4层或4层以上,并按照实施例本发明的计算方法以此计算每层的健康指数,最后得到总健康指数。
实施本发明的实施例,通过为待测网络不同类型的网络状态参数的划分,为每个网络状态参数分配预设的权重系数,并使用一个总健康指数描述待测网络的健康状态,能更加直观的和更准确的表示待测网络的健康状态。
参见图2,为本发明第二实施例的一种网络健康状态的评估方法的流程示意图,在本实施例中,所述方法包括:
S201、根据预置的学习样本采用权值计算算法确定每个子权重系数和中间权重系数。
具体的,通过遗传算法或最大熵值算法对预置的学习样本进行学习后确定子权重系数和中间权重系数,可以自适应的调制权重系数,提高待测网络健康状态的准确性。
以采用遗传算法确定权重系数(子权重系数和中间权重系数)为例,构建一个3层的神经网络,其中,子健康指数为输入层,中间健康指数为隐层,总健康指数为输出层,输入层每个节点的输入通过权重链接至后一隐层节点的输入,最后一个隐层节点输出通过权重链接至输出层神经元的输入,输出层节点将处理后的信息输出。
遗传算法的具体过程为:
(1)确定网络权值结构格式,一组权值与遗传空间的个体位的关系是由编码映射确定的,Sigmoid函数常和单位阶跃函数用于构造人工神经网络,形式为
F ( x ) = 2 * 1 - e - βx β ( 1 + e - βx ) , β > 0 .
(2)确定网络的输入、输出样本集,将样本格式化(单位统一),初始权阈值的范围取为(-1,1),一般群体规模取为N=20—150。
(3)适应度函数:将样本上的值分配到网络健康度模型的网络结构中,作为网络初始权值,以训练集样本对网络的输入和期望输出,根据步骤一的线性函数,计算网络输出。运行后计算网络输出和期望输出的误差,取其均方差的平方作为目标函数f。
f ( n ) = 1 Num Σ j = 1 Num Σ j = 1 m [ y i ( k ) - y i ( k ) ^ ] 2
Num是神经网络输入输出的学习样的数量,m是输出层节点个数,
Figure BDA0000447120300000071
分别为第k个样本第j输入时的期望输出与实际输出。
考虑目标函数为极小值问题,在确定遗传算法的评价函数时要将极小值问题转化为极大值问题,取网络均方差的倒数为适应度评价函数。
(4)遗传操作:为进一步提高遗传算法优化进程的搜索效率和收敛速度,引入基于梯度下降原理的BP算法,它具有建立在严格数学模型上的精确性,能够很好的克服遗传算法收敛结果带有随机性的不足问题,更快的将其收敛结果调整到附近的最优解。即:
x 1 ′ = α x 1 + ( 1 - α ) x 2 x 2 ′ = ( 1 - α ) x 1 + α x 2
a∈(0,1),x1,x2为父代个体,x1,x2为后代个体;算子的变异采用扰动变异,既对原先个体附加一定机制的扰动来实现变异。
(5)返回步骤(3)继续学习,当各权重系数变化很小(即权重系数小于阈值)时学习,得到该神经网络各节点的权重系数。
优选的,可采用多种权重计算算法来计算得到子权重系数和中间权重系数,并利用,Adaboost算法对多种权重计算算法进行组合运算,以提高计算的准确度。
S202、若接收到获取待测网络的健康状态的触发指令,将待测网络的m个不同类型的网络状况参数划分为m个网络特征集合。
具体的,m和n均为大于1的整数且n≤m,m个不同类型的网络状况参数从不同维度描述待测网络的优劣状态,用户无法从上述分散的网络状况参数连接待测网络整体的健康状态。网络状况参数可包括带宽、时延、抖动、CPU利用率、硬盘空间、丢包率、网络攻击次数和病毒感染次数等,根据网络特征将若干个网络状况参数按划分进不同的网络特征集合,例如,将符合网络可用性特征的网络状况参数划分进网络可用性特征集合,将符合网络可靠性特征的网络状况参数划分进网络可靠性特征集合,将符合网络安全性特征的网络状况参数划分进网络安全性特征集合,具体实施时,也可采用其他的网络特征对网络状况参数进行划分,本发明不作限制。
计算网络状态参数的子健康指数的方法可以是,为每个网络状况参数设置一个参考值和理想子健康指数,根据实际检测到的网络状况参数和预置的参考值计算二者的比例,通过比例和理想子健康指数的相乘得到该网络状态参数的子健康指数,其中每个网络状况参数设置的理想子健康指数相同,理想子健康指数可以数字或百分比表示,例如100或100%。例如,若某个网络状况参数为丢包率,丢包率越小表示待测网络的健康状态越好,网络状况参数与待测网络的健康状态呈负相关性,设置的参考值和理想子健康指数分布为0.1%和100,子健康指数与待测网络的健康状态呈正相关性,若实际测量到的待测网络的丢包率为0.5%,,则该丢包率的子健康指数为(0.1/0.5)*100=20。若某个网络状况参数为带宽,带宽与待测网络的健康状态呈正相关性,假设带宽的参考值为100GHz,理想子健康指数为100,实际测量到的待测网络的90GHz,则该网络状况参数的子健康指数为(90/100)*100=90。具体实施时,也可采用其他方法计算网络状况参数对应的子健康指数,本发明不作限制。
在本发明的一个实施例中,假设m=10,n=3,根据m个网络状况参数计算得到子健康指数表示为Ai,i=1,2,3...10,网络特征集合表示为Pj,j=1,2,3;m个子健康指数划分进n个网络特征集合为P1={A1,A2,A3},P2={A4,A5,A6},P3={A7,A8,A9,A10}。
S203、根据每个网络状况参数的子健康指数和预设的子权重系数计算出每个网络特征集合对应的中间健康指数。
具体的,每个网络特征集合中的网络状况参数均分配有子权重系数,将每个子权重系数与子健康指数相乘后得到该网络特征集合的中间健康指数。
例如,根据S101中划分的网络特征集合P1、P2和P3,P1中预置的网络状况参数对应的子权重系数分别为X1、X2和X3,P2中预置的网络状况参数对应的子权重系数分别为Y1、Y2和Y3,P3中预置的网络状况参数对应的子权重系数分别为Z1、Z2、Z3和Z4,其中X1+X2+X3=1,Y1+Y2+Y3=1,Z1+Z2+Z3+Z4=1,则网络特征集合P1的中间健康指数
Figure BDA0000447120300000081
网络特征集合P2的中间健康指数
Figure BDA0000447120300000082
网络特征集合P3的中间健康指数 index P 3 = A 7 * Z 1 + A 8 * Z 2 + A 9 * Z 3 + A 10 * Z 4 .
S204、根据n个中间健康指数和预设的n个中间权重系数计算并显示所述待测网络的总健康指数。
具体的,每个中间健康指数都分配为预置的中间权重系数,根据每个中间健康指数和对应的中间权重系数的乘机得到待测网络的总健康度。
例如,S102中计算得到的中间健康指数为假设预置的中间权重系数分别为α、β和γ,则待测网络的总健康度 index Total = α * index P 1 + β * index P 2 + γ * index P 3 , 其中α+β+γ=1。
可以理解的是,本发明实施例计算总健康指数的计算模型分为3层,即作为根节点的总健康指数,作为中间节点的中间健康自身和作为叶子节点的子健康指数,在具体实施例将总健康指数的计算模型分类4层或4层以上,并按照实施例本发明的计算方法以此计算每层的健康指数,最后得到总健康指数。
S205、显示与所述待测网络关联的图标;根据所述总健康指数确定所述图标的颜色并在所述图标上显示所述总健康指数。
具体的,确定总健康指数所属的数值区间,根据数值区间与颜色的映射关系确定图标的颜色,同时在图标上显示计算得到的总健康指数,若存在多个待测网络,分别显示对应数量的图标及分别计算得到的总健康指数。例如,假设总健康指数的理想值为100,映射关系中0-30对应为红色,30-60对应为蓝色,61—100对应为绿色,若实际计算得到的总健康指数为50,则图标为蓝色。图标的形状可以为球形或条形,本发明不作限制。
实施本发明的实施例,通过为待测网络不同类型的网络状态参数的划分,为每个网络状态参数分配预设的权重系数,并使用一个总健康指数描述待测网络的健康状态,能更加直观的和更准确的表示待测网络的健康状态。
参见图3,为本发明实施例的一种网络健康状态的评估装置,在本实施例中,所述评估装置包括第一计算模块10、第二计算模块20和健康指数计算模块30,
第一计算模块,用于将待测网络的m个不同类型网络状况参数划分为n个网络特征集合,并计算每个网络状况参数对应的子健康指数,m和n均为大于1的整数且n≤m。
第二计算模块,用于根据每个网络状况参数的子健康指数和预设的子权重系数计算出每个网络特征集合对应的中间健康指数。
健康指数计算模块,用于根据n个中间健康指数和预设的n个中间权重系数计算并显示所述待测网络的总健康指数,所述总健康指数用于表征所述待测网络的健康状态。
本发明实施例和方法实施例一属于同一构思,其带来的技术效果也相同,具体请参照方法实施例一的描述,此处不再赘述。
进一步的,参见图4,为本发明实施例的一种网络健康状态的评估装置的另一结构示意图,在本实施例中,除包括第一计算模块10、第二计算模块20和健康指数计算模块30之外,还包括触发模块40、学习模块50和显示模块60,
触发模块40,用于若接收到获取待测网络的健康状态的触发指令,指示所述第一计算模块开始工作。
学习模块50,用于根据预置的学习样本采用权重计算算法确定每个子权重系数和中间权重系数。
显示模块60,用于显示与所述待测网络关联的图标;根据所述总健康指数确定所述图标的颜色并在所述图标上显示所述总健康指数。
可选的,第一计算模块10用于计算网络状况参数与预置的参考值的比值,并根据所述比值和预置的理想子健康指数确定出该网络状况参数的子健康指数。
本发明实施例和方法实施例二属于同一构思,其带来的技术效果也相同,具体请参照方法实施例二的描述,此处不再赘述。
参见图5,为本发明实施例的一种网络健康状态的评估装置的又一结构示意图,以下简称评估装置1,评估装置1包括处理器61、存储器62、输入装置63和输出装置64,评估装置1中的处理器61的数量可以是一个或多个,图5以一个处理器为例。本发明的一些实施例中,处理器61、存储器62、输入装置63和输出装置64可通过总线或其他方式连接,图5中以总线连接为例。
其中,存储器62中存储一组程序代码,且处理器61用于调用存储器62中存储的程序代码,用于执行以下操作:
将待测网络的m个不同类型的网络状况参数划分为n个网络特征集合,并计算每个网络状况参数对应的子健康指数,m和n均为大于1的整数且n≤m;
根据每个网络状况参数的子健康指数和预设的子权重系数计算出每个网络特征集合对应的中间健康指数;
根据n个中间健康指数和预设的n个中间权重系数计算并显示所述待测网络的总健康指数,所述总健康指数用于表征所述待测网络的健康状态。
在本发明的一些实施例中,处理器61还用于执行:
若接收到获取待测网络的健康状态的触发指令,执行所述将待测网络的m个不同类型的网络状况参数划分为n个网络特征集合的步骤。
在本发明的一些实施例中,处理器61还用于执行:
根据预置的学习样本采用权重计算算法确定每个子权重系数和中间权重系数。
在本发明的一些实施例中,处理器61执行所述计算每个网络状况参数对应的子健康指数的步骤包括:
计算网络状况参数与预置的参考值的比值,并根据所述比值和预置的理想子健康指数确定出该网络状况参数的子健康指数。
在本发明的一些实施例中,处理器61还用于执行:
显示与所述待测网络关联的图标;根据所述总健康指数确定所述图标的颜色并在所述图标上显示所述总健康指数。
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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read—Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。

Claims (14)

1.一种网络健康状态的评估方法,其特征在于,包括:
将待测网络的m个不同类型的网络状况参数划分为n个网络特征集合,并计算每个网络状况参数对应的子健康指数,m和n均为大于1的整数且n≤m;
根据每个网络状况参数的子健康指数和预设的子权重系数计算出每个网络特征集合对应的中间健康指数;
根据n个中间健康指数和预设的n个中间权重系数计算并显示所述待测网络的总健康指数,所述总健康指数用于表征所述待测网络的健康状态。
2.如权利要求1所述的评估方法,其特征在于,所述将待测网络的m个不同类型的网络状况参数划分为n个网络特征集合的步骤之前,还包括:
若接收到获取待测网络的健康状态的触发指令,执行所述将待测网络的m个不同类型的网络状况参数划分为n个网络特征集合的步骤。
3.如权利要求1所述的评估方法,其特征在于,所述将待测网络的m个不同类型的网络状况参数划分为n个网络特征集合的步骤之前,还包括:
根据预置的学习样本采用权重计算算法确定每个子权重系数和中间权重系数。
4.如权利要求3所述的评估方法,其特征在,所述权重计算算法包括遗传算法或最大熵值算法。
5.如权利要求1-4任意一项所述的评估方法,其特征在于,所述计算每个网络状况参数对应的子健康指数的步骤包括:
计算网络状况参数与预置的参考值的比值,并根据所述比值和预置的理想子健康指数确定出该网络状况参数的子健康指数。
6.如权利要求5所述的评估方法,其特征在于,网络特征集合至少包括网络可用性集合、网络可靠性集合和网络安全性集合。
7.如权利要求6所述的评估方法,其特征在于,还包括:
显示与所述待测网络关联的图标;根据所述总健康指数确定所述图标的颜色并在所述图标上显示所述总健康指数。
8.一种网络健康状态的评估装置,其特征在于,包括:
第一计算模块,用于将待测网络的m个不同类型网络状况参数划分为n个网络特征集合,并计算每个网络状况参数对应的子健康指数,m和n均为大于1的整数且n≤m;
第二计算模块,用于根据每个网络状况参数的子健康指数和预设的子权重系数计算出每个网络特征集合对应的中间健康指数;
健康指数计算模块,用于根据n个中间健康指数和预设的n个中间权重系数计算并显示所述待测网络的总健康指数,所述总健康指数用于表征所述待测网络的健康状态。
9.如权利要求8所述的评估装置,还包括:
触发模块,用于若接收到获取待测网络的健康状态的触发指令,指示所述第一计算模块开始工作。
10.如权利要求8或9所述的评估装置,其特征在于,还包括:
学习模块,用于根据预置的学习样本采用权重计算算法确定每个子权重系数和中间权重系数。
11.如权利要求10所述的评估装置,其特征在于,所述权重计算算法包括遗传算法或最大熵值算法。
12.如权利要求11所述的评估装置,其特征在于,所述第一计算模块用于计算网络状况参数与预置的参考值的比值,并根据所述比值和预置的理想子健康指数确定出该网络状况参数的子健康指数。
13.如权利要求12所述的评估装置,其特征在于,网络特征集合至少包括网络可用性集合、网络可靠性集合和网络安全性集合。
14.如权利要求13所述的评估装置,其特征在于,还包括:
显示模块,用于显示与所述待测网络关联的图标;根据所述总健康指数确定所述图标的颜色并在所述图标上显示所述总健康指数。
CN201310731670.6A 2013-12-26 2013-12-26 一种网络健康状态的评估方法和装置 Pending CN103763123A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310731670.6A CN103763123A (zh) 2013-12-26 2013-12-26 一种网络健康状态的评估方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310731670.6A CN103763123A (zh) 2013-12-26 2013-12-26 一种网络健康状态的评估方法和装置

Publications (1)

Publication Number Publication Date
CN103763123A true CN103763123A (zh) 2014-04-30

Family

ID=50530286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310731670.6A Pending CN103763123A (zh) 2013-12-26 2013-12-26 一种网络健康状态的评估方法和装置

Country Status (1)

Country Link
CN (1) CN103763123A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104679655A (zh) * 2015-03-06 2015-06-03 国网四川省电力公司电力科学研究院 基于参数相关性的软件系统状态评估方法
CN105205590A (zh) * 2015-09-01 2015-12-30 深圳供电局有限公司 一种变压器健康状态分析的方法和系统
CN107451133A (zh) * 2016-05-30 2017-12-08 泰康之家(北京)投资有限公司 用于评估对象的整体特征状态的方法和装置
CN114553517A (zh) * 2022-02-14 2022-05-27 北京源堡科技有限公司 非线性加权的网络安全评估方法、装置、设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2075953A1 (en) * 2007-12-20 2009-07-01 Deutsche Thomson OHG Method for evaluating network performances with low impact on existing network traffic and associated apparatus
CN101702137A (zh) * 2009-11-23 2010-05-05 北京星网锐捷网络技术有限公司 一种软件性能评价方法和系统
CN101951617A (zh) * 2010-08-17 2011-01-19 工业和信息化部通信计量中心 基于层次分析法的移动网络通信质量评价方法
CN102025733A (zh) * 2010-12-07 2011-04-20 南京邮电大学 基于认知网络的健康度评价方法
CN102769551A (zh) * 2012-07-02 2012-11-07 深信服网络科技(深圳)有限公司 网络质量评测与网络优化的方法及系统
CN102904773A (zh) * 2012-09-27 2013-01-30 北京邮电大学 一种网络业务质量的测量方法和装置
CN103281370A (zh) * 2013-05-23 2013-09-04 杭州信杨通信技术有限公司 一种评估宽带网络Internet服务质量的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2075953A1 (en) * 2007-12-20 2009-07-01 Deutsche Thomson OHG Method for evaluating network performances with low impact on existing network traffic and associated apparatus
CN101702137A (zh) * 2009-11-23 2010-05-05 北京星网锐捷网络技术有限公司 一种软件性能评价方法和系统
CN101951617A (zh) * 2010-08-17 2011-01-19 工业和信息化部通信计量中心 基于层次分析法的移动网络通信质量评价方法
CN102025733A (zh) * 2010-12-07 2011-04-20 南京邮电大学 基于认知网络的健康度评价方法
CN102769551A (zh) * 2012-07-02 2012-11-07 深信服网络科技(深圳)有限公司 网络质量评测与网络优化的方法及系统
CN102904773A (zh) * 2012-09-27 2013-01-30 北京邮电大学 一种网络业务质量的测量方法和装置
CN103281370A (zh) * 2013-05-23 2013-09-04 杭州信杨通信技术有限公司 一种评估宽带网络Internet服务质量的方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104679655A (zh) * 2015-03-06 2015-06-03 国网四川省电力公司电力科学研究院 基于参数相关性的软件系统状态评估方法
CN104679655B (zh) * 2015-03-06 2017-09-29 国网四川省电力公司电力科学研究院 基于参数相关性的软件系统状态评估方法
CN105205590A (zh) * 2015-09-01 2015-12-30 深圳供电局有限公司 一种变压器健康状态分析的方法和系统
CN107451133A (zh) * 2016-05-30 2017-12-08 泰康之家(北京)投资有限公司 用于评估对象的整体特征状态的方法和装置
CN107451133B (zh) * 2016-05-30 2023-09-29 泰康之家(北京)投资有限公司 用于评估对象的整体特征状态的方法和装置
CN114553517A (zh) * 2022-02-14 2022-05-27 北京源堡科技有限公司 非线性加权的网络安全评估方法、装置、设备和存储介质
CN114553517B (zh) * 2022-02-14 2024-05-14 北京源堡科技有限公司 非线性加权的网络安全评估方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CA2436352A1 (en) Process and system for developing a predictive model
CN111159419B (zh) 基于图卷积的知识追踪数据处理方法、系统和存储介质
CN103840988A (zh) 一种基于rbf神经网络的网络流量测量方法
CN103763123A (zh) 一种网络健康状态的评估方法和装置
CN114861542A (zh) 直流输电工程损耗评估方法、装置、设备和存储介质
CN104503420A (zh) 一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法
CN107945534A (zh) 一种基于gmdh神经网络的交通车流量预测方法
Chen et al. Genetic programming for predicting aseismic abilities of school buildings
CN110956261A (zh) 一种评价指标的确定方法及系统
CN110333991A (zh) 云平台任务最大资源使用率预测方法
Robati et al. Inflation rate modeling: adaptive neuro-fuzzy inference system approach and particle swarm optimization algorithm (ANFIS-PSO)
CN112149361B (zh) 一种线性系统自适应最优控制方法和装置
Dodurka et al. Learning of FCMs with causal links represented via fuzzy triangular numbers
CN112800674A (zh) 一种基于极限学习机的电力系统元件可靠性参数计算方法
KR20160127896A (ko) 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법
JPH02136034A (ja) ニューラルネットワークによる最適電力負荷配分システム
CN105225018A (zh) 基于bp神经网络的手机流量的预测方法及预测装置
CN112381338B (zh) 事件概率预测模型训练、事件概率预测方法及相关装置
CN110991600B (zh) 一种融合分布估计算法与极限学习机的干旱智慧预测方法
CN114238106A (zh) 测试时间预测方法及装置、电子设备、存储介质
CN113822441A (zh) 决策模型训练方法、装置、终端设备及存储介质
CN107016564A (zh) 一种进行指标预测的方法和设备
CN106294983A (zh) 一种面向舰船研制过程的质量量化评价方法
Poczęta et al. Learning fuzzy cognitive maps using evolutionary algorithm based on system performance indicators
Bai Evaluating different epidemiological models with the identical basic reproduction number ℛ0

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20140430

RJ01 Rejection of invention patent application after publication