CN104348747A - Mpls-vpn网络中流量监控的方法和系统 - Google Patents
Mpls-vpn网络中流量监控的方法和系统 Download PDFInfo
- Publication number
- CN104348747A CN104348747A CN201410218842.4A CN201410218842A CN104348747A CN 104348747 A CN104348747 A CN 104348747A CN 201410218842 A CN201410218842 A CN 201410218842A CN 104348747 A CN104348747 A CN 104348747A
- Authority
- CN
- China
- Prior art keywords
- baseline
- data
- mpls
- flow value
- flows
- 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.)
- Granted
Links
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种MPLS-VPN网络中流量监控的方法和系统，涉及网络信息技术领域。本发明实施例提供的MPLS-VPN(多协议标记交换协议-虚拟专用)网络中流量监控的方法，能够利根据数据自动学习，智能调整监控阈值，实现了一种灵活的流量监控解决方案。通过基线对MPLS-VPN网络实现动态监控，能够减少网络管理员人工配置监控阈值，使软件程序能够根据历史流量数据动态生成监控阈值。不仅大大减轻了人力投入，而且能够更加贴切的实现MPLS-VPN网络的流量监控。还能够随着业务环境不断改进和升级，新业务环境网络环境越来越复杂，网络环境变化、网络重组的情况越来越多，针对不同的业务环境，快速满足监控需求。
Description
技术领域
本发明涉及网络信息技术领域，特别涉及一种MPLS-VPN(多协议标记交换协议-虚拟专用)网络中流量监控的方法和系统。
背景技术
VPN即虚拟专用网络(Virtual Private Network)，其功能是：在公用网络上建立专用网络，进行加密通讯。在大型企业的网络中有广泛的应用。
MPLS-VPN是指采用MPLS(多协议标记交换协议)技术在骨干的宽带IP网络上构建企业IP专网，实现跨地域、安全、高速、可靠的数据、语音、图像多业务通信，并结合差别服务、流量工程等相关技术，将公众网可靠的性能、良好的扩展性、丰富的功能与专用网的安全、灵活、高效结合在一起，为用户提供高质量的服务。MPLS-VPN网络主要由CE(客户网络的边界路由器)、PE(运营商网络的边界路由器)和P(运营商内部的路由器)等三个部分组成，自身提供流量工程的能力，可以最大限度地优化配置网络资源，自动快速修复网络故障，提供高可用性和高可靠性。
现有的方案，MPLS-VPN网络中，针对网络流量的监控便是采用静态配置预警门限的方法，完全是根据经验判断门限值的配置区间，无法适应网络中数据变化和结构变化带来的隐形冲击，存在告警误告因素，不利于快速的对当前网路情况进行及时监控及预警。
发明内容
鉴于上述问题，本发明实施例提供一种MPLS-VPN(多协议标记交换协议-虚拟专用)网络中流量监控的方法和系统，能够利根据数据自动学习，智能调整监控阈值，实现一种灵活的流量监控解决方案。
本发明实施例采用了如下技术方案：
本发明一个实施例提供了一种MPLS-VPN网络中流量监控的方法，所述方 法包括：
获取MPLS-VPN多协议标记交换协议-虚拟专用网络中的历史流量数据；
将所述历史流量数据根据概率分布算法进行处理，得到流量值分布概率大于阈值的历史流量数据样本；
计算得到所述历史流量数据样本中流量值的波动情况，获取其中波动小于预置条件的流量数据；
根据波动小于预置条件的流量数据确定流量值的上基线和下基线；
根据所述上基线和下基线对所述MPLS-VPN网络进行实时流量监控，当流量值大于所述上基线或流量值小于所述下基线，则确定网络流量异常。
所述获取MPLS-VPN多协议标记交换协议-虚拟专用网络中的历史流量数据之后还包括：
对获取到的所述历史流量数据根据基线粒度进行平滑处理。
所述将所述历史流量数据根据概率分布算法进行处理，得到流量值分布概率大于阈值的历史流量数据样本包括：
将所述历史流量数据去除一个最大值和一个最小值，并按照升序进行排列；
将排序后的流量数据中的最大流量值除以预置区间数量，得到区间范围；按照所述区间范围将排序后的流量数据划分为多个区间；
获取包括流量数据数量最多的区间，以及与该区间相邻的两个区间，确定该三个区间中的流量数据为流量值分布概率大于阈值的历史流量数据样本。
所述计算得到所述历史流量数据样本中流量值的波动情况，获取其中波动小于预置条件的流量数据包括：
计算所述历史流量数据样本与置信度权值的乘积，得到滑动窗口大小；
按照滑动窗口方式逐一计算所述历史流量数据样本中各滑动窗口的流量值波动情况，得到流量值波动最小的滑动窗口，确定该滑动窗口中的流量数据为波动小于预置条件的流量数据；
所述按照滑动窗口方式逐一计算所述历史流量数据样本中各滑动窗口的流量值波动情况，得到流量值波动最小的滑动窗口包括：
按照滑动窗口方式逐一计算所述历史流量数据样本中各滑动窗口的流量值的均方差，得到均方差最小的滑动窗口。
所述根据波动小于预置条件的流量数据确定流量值的上基线和下基线包括：
将波动小于预置条件的流量数据中的最大值确定为流量值的上基线，将波动小于预置条件的流量数据中的最小值确定为流量值的下基线；
所述根据波动小于预置条件的流量数据确定流量值的上基线和下基线之后还包括：
利用容忍度系数对所述上基线和下基线进行修正；
所述利用容忍度系数对所述上基线和下基线进行修正包括：
在所述上基线基础上上浮容忍度系数，得到修正后的上基线；在所述下基线基础上下浮容忍度系数，得到修正后的下基线。
所述方法还包括：
实时获取并更新MPLS-VPN网络中的历史流量数据，根据实时获取并更新的所述历史流量数据实时计算并更新上基线和下基线；
根据更新后的上基线和下基线对所述MPLS-VPN网络进行实时流量监控，当流量值大于所述上基线或流量值小于所述下基线，则确定网络流量异常。
另外，本发明实施例还提供了一种MPLS-VPN网络中流量监控的系统，所述系统包括：
历史数据获取模块，用于获取MPLS-VPN多协议标记交换协议-虚拟专用网络中的历史流量数据；
概率分布处理模块，用于将所述历史流量数据根据概率分布算法进行处理，得到流量值分布概率大于阈值的历史流量数据样本；
数据波动性计算模块，用于计算得到所述历史流量数据样本中流量值的波动情况，获取其中波动小于预置条件的流量数据；
流量阈值确定模块，用于根据波动小于预置条件的流量数据确定流量值的上基线和下基线；
网络流量监控模块，用于根据所述上基线和下基线对所述MPLS-VPN网络 进行实时流量监控，当流量值大于所述上基线或流量值小于所述下基线，则确定网络流量异常。
所述历史数据获取模块还包括：
平滑处理单元，用于获取MPLS-VPN网络中的历史流量数据之后，对获取到的所述历史流量数据根据基线粒度进行平滑处理；
所述概率分布处理模块包括：
排序单元，用于将所述历史流量数据去除一个最大值和一个最小值，并按照升序进行排列；
区间划分单元，用于将排序后的流量数据中的最大流量值除以预置区间数量，得到区间范围；按照所述区间范围将排序后的流量数据划分为多个区间；
概率分布处理单元，用于获取包括流量数据数量最多的区间，以及与该区间相邻的两个区间，确定该三个区间中的流量数据为流量值分布概率大于阈值的历史流量数据样本。
所述数据波动性计算模块包括：
滑动窗口计算单元，用于计算所述历史流量数据样本与置信度权值的乘积，得到滑动窗口大小；
波动性计算单元，用于按照滑动窗口方式逐一计算所述历史流量数据样本中各滑动窗口的流量值波动情况，得到流量值波动最小的滑动窗口，确定该滑动窗口中的流量数据为波动小于预置条件的流量数据；
所述波动性计算单元具体用于，按照滑动窗口方式逐一计算所述历史流量数据样本中各滑动窗口的流量值的均方差，得到均方差最小的滑动窗口；
所述流量阈值确定模块包括：
上基线确定单元，用于将波动小于预置条件的流量数据中的最大值确定为流量值的上基线；
下基线确定单元，用于将波动小于预置条件的流量数据中的最小值确定为流量值的下基线；
所述流量阈值确定模块还包括：
上基线修正单元，用于在所述上基线基础上上浮容忍度系数，得到修正 后的上基线；
下基线修正单元，用于在所述下基线基础上下浮容忍度系数，得到修正后的下基线。
所述系统还包括：
实时更新模块，用于实时获取并更新所述历史数据获取模块的MPLS-VPN网络中的历史流量数据；并根据实时获取并更新的所述历史流量数据利用所述概率分布处理模块、数据波动性计算模块和流量阈值确定模块实时计算并更新上基线和下基线；
实时监控模块，用于根据更新后的上基线和下基线对所述MPLS-VPN网络进行实时流量监控，当流量值大于所述上基线或流量值小于所述下基线，则确定网络流量异常。
本发明实施例提供的MPLS-VPN(多协议标记交换协议-虚拟专用)网络中流量监控的方法和系统，能够利根据数据自动学习，智能调整监控阈值，实现了一种灵活的流量监控解决方案。通过基线对MPLS-VPN网络实现动态监控，能够减少网络管理员人工配置监控阈值，使软件程序能够根据历史流量数据动态生成监控阈值。不仅大大减轻了人力投入，而且能够更加贴切的实现MPLS-VPN网络的流量监控。
进一步的，本发明实施例还能够随着业务环境不断改进和升级，新业务环境网络环境越来越复杂，网络环境变化、网络重组的情况越来越多，针对不同的业务环境，快速满足监控需求。
进一步的，本发明实施例还包括对获取到的历史流量数据根据基线粒度进行平滑处理，使得用于分析计算的数据基础更加准确，进一步提高了流量监控的准确性。
另外，本发明实施例还包括利用容忍度系数对所述上基线和下基线进行修正，使得修正后的上下基线更加符合实际网络状况，进一步提高了流量监控的准确性。
附图说明
图1为本发明实施例提供的一种MPLS-VPN网络中流量监控的方法流程图；
图2为本发明实施例提供的一种MPLS-VPN网络中流量监控的方法具体实例方法流程图；
图3为本发明实施例提供的一种MPLS-VPN网络中流量监控的系统结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
参见图1，本发明实施例提供一种MPLS-VPN网络中流量监控的方法，具体包括如下步骤：
S101：获取MPLS-VPN多协议标记交换协议-虚拟专用网络中的历史流量数据。
获取过去一段时间内MPLS-VPN网络运行的历史流量数据，作为数据分析样本，用于数据自动学习和分析，智能获取网络流量监控阈值(上基线和下基线)，进一步的，还可以在网络运行过程中，不停的将新产生的流量数据添加至历史流量数据中，对其进行实时分析处理，从而实时智能调整网络流量阈值，使得网络流量监控更加智能和准确。
S102：将所述历史流量数据根据概率分布算法进行处理，得到流量值分布概率大于阈值的历史流量数据样本。
优选的，获取MPLS-VPN多协议标记交换协议-虚拟专用网络中的历史流量数据之后还包括：对获取到的所述历史流量数据根据基线粒度进行平滑处理。使得用于分析计算的数据基础更加准确，进一步提高了流量监控的准确性。
具体的平滑处理方式可以是根据基线粒度进行平滑。具体的说，网络监控阈值(即上基线和下基线)的基线粒度，可以是按日、按小时，或者按周， 等等。以日为基线粒度为例，根据所使用的基线粒度进行平滑处理的具体方法为：按日为基线粒度分析历史流量数据中，缺少哪天的数据，根据相邻日期的流量数据进行平滑计算，得到缺少日期的流量数值。
本发明步骤中，所述将所述历史流量数据根据概率分布算法进行处理，得到流量值分布概率大于阈值的历史流量数据样本包括如下子步骤：
子步骤1：将所述历史流量数据去除一个最大值和一个最小值，并按照升序进行排列。
子步骤2：将排序后的流量数据中的最大流量值除以预置区间数量，得到区间范围；按照所述区间范围将排序后的流量数据划分为多个区间。
子步骤3：获取包括流量数据数量最多的区间，以及与该区间相邻的两个区间，确定该三个区间中的流量数据为流量值分布概率大于阈值的历史流量数据样本。
根据概率分布算法，包括流量数据数量最多的区间，也就是说，在该数值区间内，流量值分布概率最大，即大部分流量数据值都分布在该区间及相连区间内，则认为该区间及其相邻区间为网络流量正常分布的区间。而对于流量数据分布较少的区间，则认为是网络流量不正常分布的区间。
S103：计算得到所述历史流量数据样本中流量值的波动情况，获取其中波动小于预置条件的流量数据。
作为优选的，所述计算得到所述历史流量数据样本中流量值的波动情况，获取其中波动小于预置条件的流量数据包括：
计算所述历史流量数据样本与置信度权值的乘积，得到滑动窗口大小；
按照滑动窗口方式逐一计算所述历史流量数据样本中各滑动窗口的流量值波动情况，得到流量值波动最小的滑动窗口，确定该滑动窗口中的流量数据为波动小于预置条件的流量数据。
为了找到历史流量数据样本中，流量值波动最小的部分，需要确定一个合理的滑动窗口，以滑动窗口为单位，依次向后滑动，分别计算每个滑动窗口内流量值的波动情况，波动最小的滑动窗口内的流量数据即为相对稳定的数据内容，为相对可靠的正常流量数值的分布。
具体的，所述按照滑动窗口方式逐一计算所述历史流量数据样本中各滑 动窗口的流量值波动情况，得到流量值波动最小的滑动窗口包括：
按照滑动窗口方式逐一计算所述历史流量数据样本中各滑动窗口的流量值的均方差，得到均方差最小的滑动窗口。
样本中各数据与样本平均数的差的平方和的平均数叫做样本方差；样本方差的算术平方根叫做样本标准差。样本方差和样本标准差都是衡量一个样本波动大小的量，样本方差或样本标准差越大，样本数据的波动就越大。
数学上一般用E{[X-E(X)]^2}来度量随机变量X与其均值E(X)的偏离程度，称为X的方差。
设X是一个随机变量，若E{[X-E(X)]^2}存在，则称E{[X-E(X)]^2}为X的方差，记为D(X)或DX。即D(X)＝E{[X-E(X)]^2}，而σ(X)＝D(X)^0.5(与X有相同的量纲)称为标准差或均方差。
S104：根据波动小于预置条件的流量数据确定流量值的上基线和下基线。
作为优选的，所述根据波动小于预置条件的流量数据确定流量值的上基线和下基线包括：
将波动小于预置条件的流量数据中的最大值确定为流量值的上基线，将波动小于预置条件的流量数据中的最小值确定为流量值的下基线。
也就是说，在上述获取到的网络流量相对稳定分布的数值中，最大值作为网络流量正常值的上限，即上基线的阈值，最小值作为网络流量正常值的下限，即下基线的阈值。
所述根据波动小于预置条件的流量数据确定流量值的上基线和下基线之后还包括：利用容忍度系数对所述上基线和下基线进行修正。需要说明的是，利用容忍度系数对所述上基线和下基线进行修正，使得修正后的上下基线更加符合实际网络状况，进一步提高了流量监控的准确性。
具体的，所述利用容忍度系数对所述上基线和下基线进行修正包括：
在所述上基线基础上上浮容忍度系数，得到修正后的上基线；在所述下基线基础上下浮容忍度系数，得到修正后的下基线。
比如，容忍系数为b，则上基线的修正算法为：上基线*(1+b)；下基线的修正算法为下基线*(1-b)。
S105：根据所述上基线和下基线对所述MPLS-VPN网络进行实时流量监 控，当流量值大于所述上基线或流量值小于所述下基线，则确定网络流量异常。
进而，能够根据所述网络流量监控结果进行网络流量处理。比如，当监控到网络流量异常，则进行网络流量异常处理操作，当监控到网络流量正常，则记录相关日志信息，以便后续查看等操作。
作为进一步方案，本发明实施例所述方法，还进一步包括：
实时获取并更新MPLS-VPN网络中的历史流量数据，根据实时获取并更新的所述历史流量数据实时计算并更新上基线和下基线；
根据更新后的上基线和下基线对所述MPLS-VPN网络进行实时流量监控，当流量值大于所述上基线或流量值小于所述下基线，则确定网络流量异常。
本发明实施例提供的MPLS-VPN(多协议标记交换协议-虚拟专用)网络中流量监控的方法，能够利根据数据自动学习，智能调整监控阈值，实现了一种灵活的流量监控解决方案。通过基线对MPLS-VPN网络实现动态监控，能够减少网络管理员人工配置监控阈值，使软件程序能够根据历史流量数据动态生成监控阈值。不仅大大减轻了人力投入，而且能够更加贴切的实现MPLS-VPN网络的流量监控。
进一步的，本发明实施例还能够随着业务环境不断改进和升级，新业务环境网络环境越来越复杂，网络环境变化、网络重组的情况越来越多，针对不同的业务环境，快速满足监控需求。
进一步的，本发明实施例还包括对获取到的历史流量数据根据基线粒度进行平滑处理，使得用于分析计算的数据基础更加准确，进一步提高了流量监控的准确性。
另外，本发明实施例还包括利用容忍度系数对所述上基线和下基线进行修正，使得修正后的上下基线更加符合实际网络状况，进一步提高了流量监控的准确性。
参见图2，为本发明实施例提供的一种MPLS-VPN网络中流量监控的方法具体实例。
本发明实施例整体思路具体为，根据MLPS-VPN网络一段时间内的历史流 量数据，通过基线算法规则中的基线粒度，对数据进行平滑，然后取出理想区间数，再运用概率分布算法进行处理，得到的上下基线，最后按照容忍度比率算出对应的上下容忍度修正后的上下基线。
参见表1，以2013年11月的历史数据为例：
表1历史数据示例
首先进行数据平滑，由于2013/11/14没有数据，取前后两个相邻时间数据做平滑，得到数据为40，则平滑后完整的参考数据如表2所示：
表2平滑处理后的数据
| 时间 | 流量(GB) |
| 2013/11/1 | 56 |
| 2013/11/2 | 91 |
| 2013/11/3 | 79 |
| 2013/11/4 | 34 |
| 2013/11/5 | 54 |
| 2013/11/6 | 51 |
| 2013/11/7 | 53 |
| 2013/11/8 | 63 |
| 2013/11/9 | 39 |
| 2013/11/10 | 38 |
| 2013/11/11 | 24 |
| 2013/11/12 | 39 |
| 2013/11/13 | 41 |
| 2013/11/14 | 40 |
| 2013/11/15 | 39 |
| 2013/11/16 | 78 |
| 2013/11/17 | 79 |
| 2013/11/18 | 67 |
| 2013/11/19 | 66 |
| 2013/11/20 | 69 |
| 2013/11/21 | 89 |
| 2013/11/22 | 63 |
| 2013/11/23 | 87 |
| 2013/11/24 | 81 |
| 2013/11/25 | 94 |
| 2013/11/26 | 99 |
| 2013/11/27 | 73 |
| 2013/11/28 | 103 |
| 2013/11/29 | 102 |
| 2013/11/30 | 79 |
即完整的参考数据为：
{56,91,79,34,54,51,53,63,39,38,24,39,40,41,39,78,79,67,66,69,89,63,87,81,94,99,73,103,102,79}
对这些数按照升序排列，并去掉一个最大值和一个最小值，剩下28个数：
{34,38,39,39,39,40,41,51,53,54,56,63,63,66,67,69,73,78,79,79,79,81,87,89,91,94,99,102}
将排序后的流量数据中的最大流量值除以预置区间数量(以5为例)，得到区间范围；按照所述区间范围将排序后的流量数据划分为多个区间：
确定5个区间范围，那么102/5＝21，则5个区间范围分别为：
{0～21},{21～42},{42～63},{63～84},{84～105}
把之前的28个数按照5个区间进行归类，得到下面的结果：
区间1＝{}
区间2＝{34,38,39,39,39,40,41}
区间3＝{51,53,54,56}
区间4＝{63,63,66,67,69,73,78,79,79,79,81}
区间5＝{87,89,91,94,99,102}
获取包括流量数据数量最多的区间，以及与该区间相邻的两个区间，确定该三个区间中的流量数据为流量值分布概率大于阈值的历史流量数据样本：
由于区间4中数据个数最多，所以取区间4以及上邻的区间3和下邻的区间5，取完后的数为：
{51,53,54,56,63,63,66,67,69,73,78,79,79,79,81,87,89,91,94,99,102}，剩下21个数。
计算所述历史流量数据样本与置信度权值的乘积，得到滑动窗口大小：
设定置信度系数为0.8，通过置信度求上面21个数据的滑动窗口数据个数为21*0.8＝16.8取整为16。
然后按照滑动窗口方式逐一计算所述历史流量数据样本中各滑动窗口的流量值波动情况，得到流量值波动最小的滑动窗口，确定该滑动窗口中的流量数据为波动小于预置条件的流量数据：
滑动排序数据的窗口(窗口大小为16个数据)，计算该窗口中数据的均方差，按照概率分布算法中介绍的标准差的计算方法去计算。
第1个数到第16个数
{51,53,54,56,63,63,66,67,69,73,78,79,79,79,81,87}
均方差为:10.95944227595547
第2个数到第17个数
{53,54,56,63,63,66,67,69,73,78,79,79,79,81,87,89}
均方差为:11
第3个数到第18个数
{54,56,63,63,66,67,69,73,78,79,79,79,81,87,89,91}
均方差为:10.95944227595547
第4个数到第19个数
{56,63,63,66,67,69,73,78,79,79,79,81,87,89,91,94}
均方差为:10.815931536395745
第5个数到第20个数
{63,63,66,67,69,73,78,79,79,79,81,87,89,91,94,99}
均方差为:10.885591107055234
第6个数到第21个数
{63,66,67,69,73,78,79,79,79,81,87,89,91,94,99,102}
均方差为:11.478240283248997
整理结果如表3所示：
表3滑动窗口均差值
| 滑动窗口范围 | 窗口均差值 |
| 1～16 | 10.95944227595547 |
| 2～17 | 11 |
| 3～18 | 10.95944227595547 |
| 4～19 | 10.815931536395745 |
| 5～20 | 10.885591107055234 |
| 6～21 | 11.478240283248997 |
其中均方差最小为4～19窗口的10.815931536395745，因此取该窗口的{56,63,63,66,67,69,73,78,79,79,79,81,87,89,91,94}的最大值94作为基线的上基线的值，56作为基线的下基线的值。
优选的，利用容忍度系数对所述上基线和下基线进行修正，具体的，在所述上基线基础上上浮容忍度系数，得到修正后的上基线；在所述下基线基础上下浮容忍度系数，得到修正后的下基线：
设容忍度配置为20％的相对容忍度，通过计算得到上下容忍度分别为:
上容忍度＝上基线值94*(1+20％)＝112.8
下容忍度＝下基线值56*(1-20％)＝44.8
根据所述上基线和下基线对所述MPLS-VPN网络进行实时流量监控，当流量值大于所述上基线或流量值小于所述下基线，则确定网络流量异常，也就是说，当MPLS-VPN网络的实时流量数据大于112.8或者小于44.8则判断该MPLS-VPN网络流量异常，根据所述网络流量监控结果进行网络流量处理。
参见图3，本发明实施例提供一种MPLS-VPN网络中流量监控的系统，所述系统包括：
历史数据获取模块301，用于获取MPLS-VPN多协议标记交换协议-虚拟专用网络中的历史流量数据；
概率分布处理模块302，用于将所述历史流量数据根据概率分布算法进行处理，得到流量值分布概率大于阈值的历史流量数据样本；
数据波动性计算模块303，用于计算得到所述历史流量数据样本中流量值的波动情况，获取其中波动小于预置条件的流量数据；
流量阈值确定模块304，用于根据波动小于预置条件的流量数据确定流量值的上基线和下基线；
网络流量监控模块305，用于根据所述上基线和下基线对所述MPLS-VPN网络进行实时流量监控，当流量值大于所述上基线或流量值小于所述下基线，则确定网络流量异常。
优选的，所述历史数据获取模块还包括：
平滑处理单元，用于获取MPLS-VPN网络中的历史流量数据之后，对获取到的所述历史流量数据根据基线粒度进行平滑处理。
进一步的，所述概率分布处理模块包括：
排序单元，用于将所述历史流量数据去除一个最大值和一个最小值，并按照升序进行排列；
区间划分单元，用于将排序后的流量数据中的最大流量值除以预置区间数量，得到区间范围；按照所述区间范围将排序后的流量数据划分为多个区间；
和，概率分布处理单元，用于获取包括流量数据数量最多的区间，以及与该区间相邻的两个区间，确定该三个区间中的流量数据为流量值分布概率大于阈值的历史流量数据样本。
优选的，所述数据波动性计算模块包括：
滑动窗口计算单元，用于计算所述历史流量数据样本与置信度权值的乘积，得到滑动窗口大小；
和，波动性计算单元，用于按照滑动窗口方式逐一计算所述历史流量数 据样本中各滑动窗口的流量值波动情况，得到流量值波动最小的滑动窗口，确定该滑动窗口中的流量数据为波动小于预置条件的流量数据。
其中，所述波动性计算单元具体用于，按照滑动窗口方式逐一计算所述历史流量数据样本中各滑动窗口的流量值的均方差，得到均方差最小的滑动窗口。
作为优选的，所述流量阈值确定模块包括：
上基线确定单元，用于将波动小于预置条件的流量数据中的最大值确定为流量值的上基线；
和，下基线确定单元，用于将波动小于预置条件的流量数据中的最小值确定为流量值的下基线。
进一步的，所述流量阈值确定模块还包括：
上基线修正单元，用于在所述上基线基础上上浮容忍度系数，得到修正后的上基线；
和，下基线修正单元，用于在所述下基线基础上下浮容忍度系数，得到修正后的下基线。
作为优选实施例，所述系统还包括：
实时更新模块，用于实时获取并更新所述历史数据获取模块的MPLS-VPN网络中的历史流量数据；并根据实时获取并更新的所述历史流量数据利用所述概率分布处理模块、数据波动性计算模块和流量阈值确定模块实时计算并更新上基线和下基线；
相应的，所述网络流量监控模块还用于，根据更新后的上基线和下基线对所述MPLS-VPN网络进行实时流量监控，当流量值大于所述上基线或流量值小于所述下基线，则确定网络流量异常。
需要说明的是，本发明系统实施例中的各个模块或者单元的工作原理和处理过程可以参见上述图1-图2所示方法实施例中的相关描述，此处不再赘述。
可见，本发明实施例提供的MPLS-VPN(多协议标记交换协议-虚拟专用)网络中流量监控的系统，能够利根据数据自动学习，智能调整监控阈值，实现了一种灵活的流量监控解决方案。通过基线对MPLS-VPN网络实现动态监 控，能够减少网络管理员人工配置监控阈值，使软件程序能够根据历史流量数据动态生成监控阈值。不仅大大减轻了人力投入，而且能够更加贴切的实现MPLS-VPN网络的流量监控。
进一步的，本发明实施例还能够随着业务环境不断改进和升级，新业务环境网络环境越来越复杂，网络环境变化、网络重组的情况越来越多，针对不同的业务环境，快速满足监控需求。
进一步的，本发明实施例还包括对获取到的历史流量数据根据基线粒度进行平滑处理，使得用于分析计算的数据基础更加准确，进一步提高了流量监控的准确性。
另外，本发明实施例还包括利用容忍度系数对所述上基线和下基线进行修正，使得修正后的上下基线更加符合实际网络状况，进一步提高了流量监控的准确性。
为了便于清楚描述本发明实施例的技术方案，在发明的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定。
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步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括如下步骤：(方法的步骤)，所述的存储介质，如：ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种MPLS-VPN网络中流量监控的方法，其特征在于，所述方法包括：
获取MPLS-VPN多协议标记交换协议-虚拟专用网络中的历史流量数据；
将所述历史流量数据根据概率分布算法进行处理，得到流量值分布概率大于阈值的历史流量数据样本；
计算得到所述历史流量数据样本中流量值的波动情况，获取其中波动小于预置条件的流量数据；
根据波动小于预置条件的流量数据确定流量值的上基线和下基线；
根据所述上基线和下基线对所述MPLS-VPN网络进行实时流量监控，当流量值大于所述上基线或流量值小于所述下基线，则确定网络流量异常。
2.根据权利要求1所述的MPLS-VPN网络中流量监控的方法，其特征在于，所述获取MPLS-VPN多协议标记交换协议-虚拟专用网络中的历史流量数据之后还包括：
对获取到的所述历史流量数据根据基线粒度进行平滑处理。
3.根据权利要求1或2所述的MPLS-VPN网络中流量监控的方法，其特征在于，所述将所述历史流量数据根据概率分布算法进行处理，得到流量值分布概率大于阈值的历史流量数据样本包括：
将所述历史流量数据去除一个最大值和一个最小值，并按照升序进行排列；
将排序后的流量数据中的最大流量值除以预置区间数量，得到区间范围；按照所述区间范围将排序后的流量数据划分为多个区间；
获取包括流量数据数量最多的区间，以及与该区间相邻的两个区间，确定该三个区间中的流量数据为流量值分布概率大于阈值的历史流量数据样本。
4.根据权利要求3所述的MPLS-VPN网络中流量监控的方法，其特征在于，所述计算得到所述历史流量数据样本中流量值的波动情况，获取其中波动小于预置条件的流量数据包括：
计算所述历史流量数据样本与置信度权值的乘积，得到滑动窗口大小；
按照滑动窗口方式逐一计算所述历史流量数据样本中各滑动窗口的流量值波动情况，得到流量值波动最小的滑动窗口，确定该滑动窗口中的流量数据为波动小于预置条件的流量数据；
所述按照滑动窗口方式逐一计算所述历史流量数据样本中各滑动窗口的流量值波动情况，得到流量值波动最小的滑动窗口包括：
按照滑动窗口方式逐一计算所述历史流量数据样本中各滑动窗口的流量值的均方差，得到均方差最小的滑动窗口。
5.根据权利要求4所述的MPLS-VPN网络中流量监控的方法，其特征在于，所述根据波动小于预置条件的流量数据确定流量值的上基线和下基线包括：
将波动小于预置条件的流量数据中的最大值确定为流量值的上基线，将波动小于预置条件的流量数据中的最小值确定为流量值的下基线；
所述根据波动小于预置条件的流量数据确定流量值的上基线和下基线之后还包括：
利用容忍度系数对所述上基线和下基线进行修正；
所述利用容忍度系数对所述上基线和下基线进行修正包括：
在所述上基线基础上上浮容忍度系数，得到修正后的上基线；在所述下基线基础上下浮容忍度系数，得到修正后的下基线。
6.根据权利要求1所述的MPLS-VPN网络中流量监控的方法，其特征在于，所述方法还包括：
实时获取并更新MPLS-VPN网络中的历史流量数据，根据实时获取并更新的所述历史流量数据实时计算并更新上基线和下基线；
根据更新后的上基线和下基线对所述MPLS-VPN网络进行实时流量监控，当流量值大于所述上基线或流量值小于所述下基线，则确定网络流量异常。
7.一种MPLS-VPN网络中流量监控的系统，其特征在于，所述系统包括：
历史数据获取模块，用于获取MPLS-VPN多协议标记交换协议-虚拟专用网络中的历史流量数据；
概率分布处理模块，用于将所述历史流量数据根据概率分布算法进行处理，得到流量值分布概率大于阈值的历史流量数据样本；
数据波动性计算模块，用于计算得到所述历史流量数据样本中流量值的波动情况，获取其中波动小于预置条件的流量数据；
流量阈值确定模块，用于根据波动小于预置条件的流量数据确定流量值的上基线和下基线；
网络流量监控模块，用于根据所述上基线和下基线对所述MPLS-VPN网络进行实时流量监控，当流量值大于所述上基线或流量值小于所述下基线，则确定网络流量异常。
8.根据权利要求7所述的MPLS-VPN网络中流量监控的系统，其特征在于，所述历史数据获取模块还包括：
平滑处理单元，用于获取MPLS-VPN网络中的历史流量数据之后，对获取到的所述历史流量数据根据基线粒度进行平滑处理；
所述概率分布处理模块包括：
排序单元，用于将所述历史流量数据去除一个最大值和一个最小值，并按照升序进行排列；
区间划分单元，用于将排序后的流量数据中的最大流量值除以预置区间数量，得到区间范围；按照所述区间范围将排序后的流量数据划分为多个区间；
概率分布处理单元，用于获取包括流量数据数量最多的区间，以及与该区间相邻的两个区间，确定该三个区间中的流量数据为流量值分布概率大于阈值的历史流量数据样本。
9.根据权利要求8所述的MPLS-VPN网络中流量监控的系统，其特征在于，所述数据波动性计算模块包括：
滑动窗口计算单元，用于计算所述历史流量数据样本与置信度权值的乘积，得到滑动窗口大小；
波动性计算单元，用于按照滑动窗口方式逐一计算所述历史流量数据样本中各滑动窗口的流量值波动情况，得到流量值波动最小的滑动窗口，确定该滑动窗口中的流量数据为波动小于预置条件的流量数据；
所述波动性计算单元具体用于，按照滑动窗口方式逐一计算所述历史流量数据样本中各滑动窗口的流量值的均方差，得到均方差最小的滑动窗口；
所述流量阈值确定模块包括：
上基线确定单元，用于将波动小于预置条件的流量数据中的最大值确定为流量值的上基线；
下基线确定单元，用于将波动小于预置条件的流量数据中的最小值确定为流量值的下基线；
所述流量阈值确定模块还包括：
上基线修正单元，用于在所述上基线基础上上浮容忍度系数，得到修正后的上基线；
下基线修正单元，用于在所述下基线基础上下浮容忍度系数，得到修正后的下基线。
10.根据权利要求9所述的MPLS-VPN网络中流量监控的系统，其特征在于，所述系统还包括：
实时更新模块，用于实时获取并更新所述历史数据获取模块的MPLS-VPN网络中的历史流量数据；并根据实时获取并更新的所述历史流量数据利用所述概率分布处理模块、数据波动性计算模块和流量阈值确定模块实时计算并更新上基线和下基线；
所述网络流量监控模块还用于，根据更新后的上基线和下基线对所述MPLS-VPN网络进行实时流量监控，当流量值大于所述上基线或流量值小于所述下基线，则确定网络流量异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410218842.4A CN104348747B (zh) | 2014-05-22 | 2014-05-22 | Mpls‑vpn网络中流量监控的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410218842.4A CN104348747B (zh) | 2014-05-22 | 2014-05-22 | Mpls‑vpn网络中流量监控的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104348747A true CN104348747A (zh) | 2015-02-11 |
| CN104348747B CN104348747B (zh) | 2018-03-06 |
Family
ID=52503579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410218842.4A Active CN104348747B (zh) | 2014-05-22 | 2014-05-22 | Mpls‑vpn网络中流量监控的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104348747B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105991362A (zh) * | 2015-02-12 | 2016-10-05 | 腾讯科技（深圳）有限公司 | 数据流量的波动阀值范围设定方法及装置 |
| CN106301957A (zh) * | 2016-09-29 | 2017-01-04 | 北京奇艺世纪科技有限公司 | 一种网络流量峰值的预测方法及装置 |
| CN106856442A (zh) * | 2015-12-09 | 2017-06-16 | 北京神州泰岳软件股份有限公司 | 一种性能指标监控方法和装置 |
| WO2017118414A1 (zh) * | 2016-01-07 | 2017-07-13 | 中兴通讯股份有限公司 | 性能阈值监控处理方法及装置 |
| CN107104848A (zh) * | 2016-02-19 | 2017-08-29 | 中国移动通信集团浙江有限公司 | 信息技术系统监控方法及装置 |
| CN107888441A (zh) * | 2016-09-30 | 2018-04-06 | 全球能源互联网研究院 | 一种网络流量基线自学习自适应方法 |
| CN108959042A (zh) * | 2017-05-19 | 2018-12-07 | 北京神州泰岳软件股份有限公司 | 一种基线管理中基线数据计算方法 |
| CN109446486A (zh) * | 2018-11-16 | 2019-03-08 | 浙江大学城市学院 | 一种基于物联网数据采集的舍养羊只饮食异常的监测方法 |
| CN112087350A (zh) * | 2020-09-17 | 2020-12-15 | 中国工商银行股份有限公司 | 网络接入线路的流量监控方法、装置、系统和介质 |
| JP2021528723A (ja) * | 2018-07-27 | 2021-10-21 | アドバンスド ニュー テクノロジーズ カンパニー リミテッド | データ監視方法、装置、電子デバイス、およびコンピュータ可読記憶媒体 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6760487B1 (en) * | 1999-04-22 | 2004-07-06 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Estimated spectrum adaptive postfilter and the iterative prepost filtering algirighms |
| CN101431440A (zh) * | 2008-11-28 | 2009-05-13 | 杭州华三通信技术有限公司 | 一种流量监控方法和设备 |
| CN101753366A (zh) * | 2008-12-01 | 2010-06-23 | 华为技术有限公司 | 一种实现虚拟私有网流量统计的方法、设备和系统 |
| CN101876938A (zh) * | 2009-11-11 | 2010-11-03 | 北京神州泰岳软件股份有限公司 | 一种基于消息队列的应用软件响应时间测量方法 |
| CN102111307A (zh) * | 2009-12-29 | 2011-06-29 | 亿阳信通股份有限公司 | 网络风险监控方法和装置 |
| US20140113611A1 (en) * | 2012-10-23 | 2014-04-24 | Tencent Technology (Shenzhen) Company Limited | Traffic control method and device |
-
2014
- 2014-05-22 CN CN201410218842.4A patent/CN104348747B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6760487B1 (en) * | 1999-04-22 | 2004-07-06 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Estimated spectrum adaptive postfilter and the iterative prepost filtering algirighms |
| CN101431440A (zh) * | 2008-11-28 | 2009-05-13 | 杭州华三通信技术有限公司 | 一种流量监控方法和设备 |
| CN101753366A (zh) * | 2008-12-01 | 2010-06-23 | 华为技术有限公司 | 一种实现虚拟私有网流量统计的方法、设备和系统 |
| CN101876938A (zh) * | 2009-11-11 | 2010-11-03 | 北京神州泰岳软件股份有限公司 | 一种基于消息队列的应用软件响应时间测量方法 |
| CN102111307A (zh) * | 2009-12-29 | 2011-06-29 | 亿阳信通股份有限公司 | 网络风险监控方法和装置 |
| US20140113611A1 (en) * | 2012-10-23 | 2014-04-24 | Tencent Technology (Shenzhen) Company Limited | Traffic control method and device |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105991362A (zh) * | 2015-02-12 | 2016-10-05 | 腾讯科技（深圳）有限公司 | 数据流量的波动阀值范围设定方法及装置 |
| CN105991362B (zh) * | 2015-02-12 | 2019-10-29 | 腾讯科技（深圳）有限公司 | 数据流量的波动阀值范围设定方法及装置 |
| CN106856442A (zh) * | 2015-12-09 | 2017-06-16 | 北京神州泰岳软件股份有限公司 | 一种性能指标监控方法和装置 |
| WO2017118414A1 (zh) * | 2016-01-07 | 2017-07-13 | 中兴通讯股份有限公司 | 性能阈值监控处理方法及装置 |
| CN106953776A (zh) * | 2016-01-07 | 2017-07-14 | 中兴通讯股份有限公司 | 性能阈值监控处理方法及装置 |
| CN107104848B (zh) * | 2016-02-19 | 2020-06-09 | 中国移动通信集团浙江有限公司 | 信息技术系统监控方法及装置 |
| CN107104848A (zh) * | 2016-02-19 | 2017-08-29 | 中国移动通信集团浙江有限公司 | 信息技术系统监控方法及装置 |
| CN106301957B (zh) * | 2016-09-29 | 2019-09-17 | 北京奇艺世纪科技有限公司 | 一种网络流量峰值的预测方法及装置 |
| CN106301957A (zh) * | 2016-09-29 | 2017-01-04 | 北京奇艺世纪科技有限公司 | 一种网络流量峰值的预测方法及装置 |
| CN107888441A (zh) * | 2016-09-30 | 2018-04-06 | 全球能源互联网研究院 | 一种网络流量基线自学习自适应方法 |
| CN107888441B (zh) * | 2016-09-30 | 2022-03-18 | 全球能源互联网研究院 | 一种网络流量基线自学习自适应方法 |
| CN108959042A (zh) * | 2017-05-19 | 2018-12-07 | 北京神州泰岳软件股份有限公司 | 一种基线管理中基线数据计算方法 |
| US11200136B2 (en) | 2018-07-27 | 2021-12-14 | Advanced New Technologies Co., Ltd. | Data monitoring methods, apparatuses, electronic devices, and computer readable storage media |
| JP2021528723A (ja) * | 2018-07-27 | 2021-10-21 | アドバンスド ニュー テクノロジーズ カンパニー リミテッド | データ監視方法、装置、電子デバイス、およびコンピュータ可読記憶媒体 |
| CN109446486A (zh) * | 2018-11-16 | 2019-03-08 | 浙江大学城市学院 | 一种基于物联网数据采集的舍养羊只饮食异常的监测方法 |
| CN109446486B (zh) * | 2018-11-16 | 2023-06-16 | 浙江大学城市学院 | 一种基于物联网数据采集的舍养羊只饮食异常的监测方法 |
| CN112087350B (zh) * | 2020-09-17 | 2022-03-18 | 中国工商银行股份有限公司 | 网络接入线路的流量监控方法、装置、系统和介质 |
| CN112087350A (zh) * | 2020-09-17 | 2020-12-15 | 中国工商银行股份有限公司 | 网络接入线路的流量监控方法、装置、系统和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104348747B (zh) | 2018-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104348747A (zh) | Mpls-vpn网络中流量监控的方法和系统 | |
| CN104809051B (zh) | 用于预测计算机应用中的异常和故障的方法和装置 | |
| US10565516B2 (en) | Updating prediction model | |
| US10452983B2 (en) | Determining an anomalous state of a system at a future point in time | |
| AU2018200016A1 (en) | Systems and methods for anomaly detection | |
| US11449748B2 (en) | Multi-domain service assurance using real-time adaptive thresholds | |
| EP3247089A1 (en) | Method, apparatus and system for adjusting deployment position of virtual machine | |
| CN108038040A (zh) | 计算机集群性能指标检测方法、电子设备及存储介质 | |
| US8868993B1 (en) | Data replacement policy | |
| CN110058977A (zh) | 基于流式处理的监控指标异常检测方法、装置及设备 | |
| CN110896357B (zh) | 流量预测方法、装置和计算机可读存储介质 | |
| CN111144660B (zh) | 人流量预测的方法、装置、电子设备及存储介质 | |
| US20190197178A1 (en) | Container structure | |
| US20130041710A1 (en) | Advanced Statistical Detection of Emerging Trends | |
| CN113312578B (zh) | 一种数据指标的波动归因方法、装置、设备、及介质 | |
| CN109510834B (zh) | 一种安全策略下发方法及装置 | |
| CN108805174A (zh) | 聚类方法及装置 | |
| CN105577402A (zh) | 基于历史数据的业务异常监控方法及设备 | |
| US10657547B2 (en) | Forecast model calibration | |
| CN111753875A (zh) | 一种电力信息系统运行趋势分析方法、装置及存储介质 | |
| CN110766184A (zh) | 订单量预测方法和装置 | |
| CN114500339A (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
| Gupta et al. | Long range dependence in cloud servers: a statistical analysis based on google workload trace | |
| JP2023026399A (ja) | システム、コンピュータ実装方法およびコンピュータプログラム（外乱事象の事故またはチケットへの関連付け） | |
| CN114301803A (zh) | 网络质量检测方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |