CN106487547B - 一种评估网络性能指标变化趋势的方法及装置 - Google Patents
一种评估网络性能指标变化趋势的方法及装置 Download PDFInfo
- Publication number
- CN106487547B CN106487547B CN201510531343.5A CN201510531343A CN106487547B CN 106487547 B CN106487547 B CN 106487547B CN 201510531343 A CN201510531343 A CN 201510531343A CN 106487547 B CN106487547 B CN 106487547B
- Authority
- CN
- China
- Prior art keywords
- network performance
- index
- predetermined
- network
- 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.)
- Active
Links
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种评估网络性能指标变化趋势的方法及装置,涉及网络优化领域,解决现有人工观察指标变化趋势耗费人力和时间,影响分析全面性、准确性和可扩展性的问题。该方法包括:获取待检测网络的多个网络性能指标的指标值;根据多个网络性能指标的指标值,获取多个网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值;根据多个网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值,获取该网络性能指标的变化趋势与其它网络性能指标中的至少一个的变化趋势的相似度。本发明的方案自动完成了对指标变化趋势的评估,节省了人力和时间,保证了分析的全面性、准确性和可扩展性。
Description
技术领域
本发明涉及网络优化领域,特别涉及一种评估网络性能指标变化趋势的方法及装置。
背景技术
通信网络建成后,需要通过不断优化才能保证网络的正常运行,从而使网络质量满足用户需求。网络优化即是通过对现有已运行的网络进行数据采集、数据分析、参数分析、硬件检查等手段,找出影响网络质量的原因,并且通过参数调整、网络结构调整、设备配置调整和其它技术手段,确保网络高质量的运行,使现有网络资源获得最佳效益。
在现有的网络优化过程中,网络优化人员需要根据大量的网络性能指标报表,通过画指标变化曲线的方式,人工观察各项指标的变化趋势。同时,由于目前现网定义的指标很多,网络优化人员并不可能依次画出每个指标的变化曲线图进行问题分析,只能按照已有的网络优化经验,选取其认为的一些关键指标进行观察分析,形成初步优化方案。同样地,在优化方案实施后网络优化人员不可能观察优化方案对所有指标的影响,只能按照以往经验观察其认为可能会受到影响的指标变化趋势,得出评估结果。这个过程的主要缺点是:
1、耗费大量人力和时间:由于网络优化是一个自网络建成运行后开始的持续不断的过程,网络优化人员需要不断进行指标选取、指标观察、指标评估过程,若仅仅依靠人眼观察指标,将会费时费力;
2、缺乏分析的全面性:由于网络性能指标数量巨大,网络优化人员并不可能对所有指标的变化趋势都进行分析,也就不可能全面了解优化方案实施后对现网质量的影响。有可能网络优化人员关心的指标集按预期趋势变化,但其它指标出现了恶化却并未被发现,这些情况将会影响分析的准确性和全面性;
3、缺乏分析的可扩展性:在网络优化过程中,网络优化人员是根据以往积累的大量优化经验选取其关心的指标集进行观察。随着现网网络优化的新需求,将会不断定义更多更细的网络性能指标,这时网络优化人员对于新定义指标与原有指标的关系并没有经验可循,会大大影响分析的效率。
发明内容
本发明要解决的技术问题是提供一种评估网络性能指标变化趋势的方法及装置,解决现有的网络优化过程中,网络优化人员需要根据以往经验人工观察指标的变化趋势,耗费大量人力和时间,影响分析的全面性和准确性,同时缺乏分析的可扩展性的问题。
为解决上述技术问题,本发明的实施例提供一种评估网络性能指标变化趋势的方法,包括:
获取待检测网络的多个网络性能指标的指标值;
根据多个所述网络性能指标的指标值,获取多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值;
根据多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值,获取该网络性能指标的变化趋势与其它网络性能指标中的至少一个的变化趋势的相似度。
其中,所述获取待检测网络的多个网络性能指标的指标值,具体包括:
获取待检测网络的多个网络性能指标分别在预定时间段内的多个时间点的指标值。
其中,所述获取待检测网络的多个网络性能指标分别在预定时间段内的多个时间点的指标值,具体包括:
获取待检测网络的n个网络性能指标分别在所述预定时间段内的m个时间点的指标值,得到原始性能指标矩阵X:
其中,xi为第i个网络性能指标所有的指标值,xij为第i个网络性能指标在所述预定时间段内的第j个时间点的指标值,m和n均为大于或等于1的整数,且i为1到n之间的整数,j为1到m之间的整数。
其中,所述根据多个所述网络性能指标的指标值,获取多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值,具体包括:
根据多个所述网络性能指标中的一个预定网络性能指标与其它非预定网络性能指标中的至少一个分别在所述预定时间段内的多个时间点的指标值,获取所述预定网络性能指标与其它所述非预定网络性能指标中的至少一个的余弦相似度距离值。
其中,所述根据多个所述网络性能指标中的一个预定网络性能指标与其它非预定网络性能指标中的至少一个分别在所述预定时间段内的多个时间点的指标值,获取所述预定网络性能指标与其它所述非预定网络性能指标中的至少一个的余弦相似度距离值,具体包括:
通过如下公式获取所述预定网络性能指标分别与每个所述非预定网络性能指标的余弦相似度距离值cos:
其中,xaj为第a个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述第a个网络性能指标为预定网络性能指标,xbj为第b个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述第b个网络性能指标为非预定网络性能指标,所述待检测网络共n个网络性能指标,所述预定时间段内共m个时间点,m和n均为大于或等于1的整数,j为1到m之间的整数,a和b均为1到n之间的整数,且a≠b。
其中,所述根据多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值,获取该网络性能指标的变化趋势与其它网络性能指标中的至少一个的变化趋势的相似度,具体包括:
根据所述预定网络性能指标分别与每个所述非预定网络性能指标的余弦相似度距离值的数值大小,对所述预定网络性能指标与每个所述非预定网络性能指标的变化趋势的相似度进行排序,其中,余弦相似度距离值越大的非预定网络性能指标与所述预定网络性能指标的变化趋势的相似度越大,余弦相似度距离值越小的非预定网络性能指标与所述预定网络性能指标的变化趋势的相似度越小。
其中,所述获取待检测网络的多个网络性能指标分别在预定时间段内的多个时间点的指标值之后,所述方法还包括:
对每个所述网络性能指标在所述预定时间段内的多个时间点的指标值分别进行归一化处理。
其中,所述对每个所述网络性能指标在所述预定时间段内的多个时间点的指标值分别进行归一化处理,具体包括:
通过如下公式对每个所述网络性能指标在所述预定时间段内的多个时间点的指标值分别进行归一化处理,得到归一化指标
其中,xi为第i个网络性能指标所有的指标值,xij为第i个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述待检测网络共n个网络性能指标,所述预定时间段内共m个时间点,m和n均为大于或等于1的整数,且i为1到n之间的整数,j为1到m之间的整数。
为解决上述技术问题,本发明的实施例还提供一种评估网络性能指标变化趋势的装置,包括:
第一获取模块,用于获取待检测网络的多个网络性能指标的指标值;
第二获取模块,用于根据多个所述网络性能指标的指标值,获取多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值;
第三获取模块,用于根据多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值,获取该网络性能指标的变化趋势与其它网络性能指标中的至少一个的变化趋势的相似度。
其中,所述第一获取模块具体包括:
第一获取单元,用于获取待检测网络的多个网络性能指标分别在预定时间段内的多个时间点的指标值。
其中,所述第一获取单元具体包括:
第一获取子单元,用于获取待检测网络的n个网络性能指标分别在所述预定时间段内的m个时间点的指标值,得到原始性能指标矩阵X:
其中,xi为第i个网络性能指标所有的指标值,xij为第i个网络性能指标在所述预定时间段内的第j个时间点的指标值,m和n均为大于或等于1的整数,且i为1到n之间的整数,j为1到m之间的整数。
其中,所述第二获取模块具体包括:
第二获取单元,用于根据多个所述网络性能指标中的一个预定网络性能指标与其它非预定网络性能指标中的至少一个分别在所述预定时间段内的多个时间点的指标值,获取所述预定网络性能指标与其它所述非预定网络性能指标中的至少一个的余弦相似度距离值。
其中,所述第二获取单元具体包括:
第二获取子单元,用于通过如下公式获取所述预定网络性能指标分别与每个所述非预定网络性能指标的余弦相似度距离值cos:
其中,xaj为第a个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述第a个网络性能指标为预定网络性能指标,xbj为第b个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述第b个网络性能指标为非预定网络性能指标,所述待检测网络共n个网络性能指标,所述预定时间段内共m个时间点,m和n均为大于或等于1的整数,j为1到m之间的整数,a和b均为1到n之间的整数,且a≠b。
其中,所述第三获取模块具体包括:
第三获取单元,用于根据所述预定网络性能指标分别与每个所述非预定网络性能指标的余弦相似度距离值的数值大小,对所述预定网络性能指标与每个所述非预定网络性能指标的变化趋势的相似度进行排序,其中,余弦相似度距离值越大的非预定网络性能指标与所述预定网络性能指标的变化趋势的相似度越大,余弦相似度距离值越小的非预定网络性能指标与所述预定网络性能指标的变化趋势的相似度越小。
其中,所述装置还包括:
归一化模块,用于对每个所述网络性能指标在所述预定时间段内的多个时间点的指标值分别进行归一化处理。
其中,所述归一化模块具体包括:
归一化单元,用于通过如下公式对每个所述网络性能指标在所述预定时间段内的多个时间点的指标值分别进行归一化处理,得到归一化指标
其中,xi为第i个网络性能指标所有的指标值,xij为第i个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述待检测网络共n个网络性能指标,所述预定时间段内共m个时间点,m和n均为大于或等于1的整数,且i为1到n之间的整数,j为1到m之间的整数。
本发明的上述技术方案的有益效果如下:
本发明实施例的评估网络性能指标变化趋势的方法,首先获取待检测网络的多个网络性能指标的指标值;然后根据多个网络性能指标的指标值,获取多个网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值;最后根据多个网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值,获取该网络性能指标的变化趋势分别与其它网络性能指标中的至少一个的变化趋势的相似度,从而完成了对网络性能指标变化趋势的有效评估。该方法可自动完成对网络性能指标变化趋势相关性的有效评估,无需通过人为画趋势图和人眼观察,大大提高了分析效率,节省了大量的人力和时间。且该方法可快速地对所有指标的变化趋势进行分析,突破了依靠以往经验选取有限指标进行分析的局限性,保证了分析的全面性、准确性和可扩展性。
附图说明
图1为本发明评估网络性能指标变化趋势的方法流程图;
图2为本发明评估网络性能指标变化趋势的方法一具体实施例的方法流程图;
图3为本发明评估网络性能指标变化趋势的装置的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
一般网络优化的步骤包括:
数据采集:通过测试、网管或监测系统采集网络性能指标。数据分析:对采集的网络性能指标进行分析,比如指标绝对值及其变化等。问题定位:通过指标分析结果,结合网络优化人员的优化经验进行现网问题判断。方案实施:根据判断出的现网可能问题,制定优化方案,并进行现网实施。效果评估:通过对比方案实施前后,网络性能指标的变化情况,评估优化方案是否有效,若未解决问题,则需再次优化。
上述网络优化步骤中,网络性能指标是优化人员分析的基础,优化人员通过对网络性能指标的变化分析进行网络问题定位,方案实施后通过对网络性能指标的再次分析进行优化方案的效果评估。
网络优化人员进行网络性能指标分析时,是将预先定义的网络性能指标输出成excel报表,对其所关心的指标集画成变化趋势图,根据指标变化趋势图进行问题分析。通过分析得出初步解决方案并实施后,优化人员再次对其所关心的指标集画出变化趋势图,并进一步评估优化效果。由于网络优化人员需要人工观察指标的变化趋势,耗费了大量人力和时间,且由于网络优化人员只能根据以往经验观察有限指标,影响了分析的全面性、准确性和可扩展性。
本发明实施例的评估网络性能指标变化趋势的方法,可自动判断所有网络性能指标变化趋势的相关性,节省了大量人力和时间,提高了网络优化的分析效率,且保证了分析的全面性、准确性和可扩展性。
本发明实施例的方法主要基于余弦相似度距离值来完成对网络性能指标变化趋势相关性的评估。如图1所示,本发明实施例的评估网络性能指标变化趋势的方法,包括:
步骤11,获取待检测网络的多个网络性能指标的指标值;
步骤12,根据多个所述网络性能指标的指标值,获取多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值;
步骤13,根据多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值,获取该网络性能指标的变化趋势与其它网络性能指标中的至少一个的变化趋势的相似度。
这里,距离度量表征了两个样本之间的差异度,若两者之间的距离越小,说明他们之间的差异度就相对较小,反之亦然。目前在各聚类算法中,广泛应用的是欧氏距离。根据欧氏距离和余弦相似度距离各自的计算方式和衡量特征,分别适用于不同的数据分析模型:欧氏距离能够体现个体数值特征的绝对差异,所以更多的用于需要从维度的数值大小中体现差异的分析,如使用用户行为指标分析用户价值的相似度或差异;而余弦相似度更多的是从方向上区分差异,对绝对的数值不敏感,更多的用于使用用户对内容评分来区分用户兴趣的相似度和差异,同时修正了用户间可能存在的度量标准不统一的问题。
本发明实施例的评估网络性能指标变化趋势的方法,可自动完成对网络性能指标变化趋势相关性的有效评估,无需通过人为画趋势图和人眼观察,大大提高了分析效率,节省了大量的人力和时间。且该方法可快速地对所有指标的变化趋势进行分析,突破了依靠以往经验选取有限指标进行分析的局限性,保证了分析的全面性、准确性和可扩展性。
本发明的具体实施例中,上述步骤11的步骤可以包括:
步骤11,获取待检测网络的多个网络性能指标分别在预定时间段内的多个时间点的指标值,其中多个所述网络性能指标中包括预定网络性能指标和除所述预定网络性能指标外的其它非预定网络性能指标。
这里,假设待检测网络共n个网络性能指标,则可预先统计一定地理粒度(小区/区域/全网等)下这n个网络性能指标在一预定时间段内连续的m个时间点(小时/天/周等)的指标值,并在这n个网络性能指标中选定一个作为预定网络性能指标。
优选的,上述步骤111的步骤具体可以包括:
步骤1111,获取待检测网络的n个网络性能指标分别在所述预定时间段内的m个时间点的指标值,得到原始性能指标矩阵X:
其中,xi为第i个网络性能指标所有的指标值,xij为第i个网络性能指标在所述预定时间段内的第j个时间点的指标值,m和n均为大于或等于1的整数,且i为1到n之间的整数,j为1到m之间的整数。
此时,通过获取n个网络性能指标分别在预定时间段内的m个时间点的指标值xi,并将每个时间点的指标数据作为一个分析样本,可获得n个指标的m个样本,为接下来对任意两个指标在m个时间点内的变化情况的相似度分析提供了有力的数据支持,且通过原始性能指标矩阵X可方便、快捷地获取相关数据,有效提高了处理效率。
这里,预定时间段内的时间点可为小时、天或周等,网络优化人员可根据需求进行设定。如假定网络优化人员希望按天分析某小区连续30天的网络性能指标,则获取该小区的n个网络性能指标连续30天的指标采样值(如每15分钟一个采样点),并将每个网络性能指标大量的指标采样值按天进行处理,得到该小区的原始性能指标矩阵X,矩阵大小为n行30列。
进一步的,上述步骤12的步骤具体可以包括:
步骤121,根据多个所述网络性能指标中的一个预定网络性能指标与其它非预定网络性能指标中的至少一个分别在所述预定时间段内的多个时间点的指标值,获取所述预定网络性能指标与其它所述非预定网络性能指标中的至少一个的余弦相似度距离值。
此时,通过分析多个网络性能指标中的一个预定网络性能指标与其它非预定网络性能指标分别在预定时间段内的多个时间点的指标值,可准确获取预定网络性能指标与其它非预定网络性能指标的余弦相似度距离值,提高了准确性和可靠性。
这里,预定网络性能指标可为多个网络性能指标中的任意一个指标。通过上述步骤121可对网络性能指标中的任意两个指标在预设时间段内的变化情况的相似度进行分析。
优选的,上述步骤121的步骤具体可以包括:
步骤1211,通过如下公式获取所述预定网络性能指标分别与每个所述非预定网络性能指标的余弦相似度距离值cos:
其中,xaj为第a个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述第a个网络性能指标为预定网络性能指标,xbj为第b个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述第b个网络性能指标为非预定网络性能指标,所述待检测网络共n个网络性能指标,所述预定时间段内共m个时间点,m和n均为大于或等于1的整数,j为1到m之间的整数,a和b均为1到n之间的整数,且a≠b。
这里,cosab为第b个指标xb与预定指标xa的余弦相似度距离值,即指标向量xb与指标向量xa夹角的余弦值。
此时,通过上述公式可有效获取到任意非预定网络性能指标与预定网络性能指标的余弦相似度距离值,为接下来对指标相似度的判断提供了有力的数据支持,且提高了判断的准确性和有效性。
本发明的具体实施例中,上述步骤13的步骤具体可以包括:
步骤131,根据所述预定网络性能指标分别与每个所述非预定网络性能指标的余弦相似度距离值的数值大小,对所述预定网络性能指标与每个所述非预定网络性能指标的变化趋势的相似度进行排序,其中,余弦相似度距离值越大的非预定网络性能指标与所述预定网络性能指标的变化趋势的相似度越大,余弦相似度距离值越小的非预定网络性能指标与所述预定网络性能指标的变化趋势的相似度越小。
这里,可根据余弦相似度距离值大小对网络性能指标进行排序,余弦相似度距离值越大(cos值越接近1)的指标与预定指标越接近,余弦相似度距离值越小(cos值越远离1)与预定指标的差距越大。
此时,通过对比非预定网络性能指标与预定网络性能指标的余弦相似度距离值,可准确获取与预定网络性能指标变化趋势最接近和最不接近的网络性能指标,实现方式简单有效,优化了处理方式,提高了处理效率。
具体来说,若预定指标i在观测周期内是下降的,网络优化人员在分析过程中需要了解哪些指标也是下降的,而哪些指标是上升的。另外,网络优化人员还需要了解网络调整所涉及到的KPI(Key Performance Indicator,关键绩效指标)是否达到预期,以及是否隐含涉及到其它指标。
一般网络优化人员根据优化经验,可提取一批KPI数据,定义为“经验集合”。优化人员可根据以往经验对“经验集合”的数据进行分析,获知网络调整所涉及到的KPI是否达到预期,但对于不属于“经验集合”的强相关指标,优化人员往往不能准确判断调整操作是否合理或出错。
针对上述情况,应用本发明实施例的方法,可根据不同网络性能指标间的余弦相似度距离值,准确获取到与预定指标变化趋势相似度最大及变化趋势相似度最小的指标,进而可分析参数调整对指标变化的影响是否合理,并找出网络优化人员经验外可能遗漏的影响因素,保证了分析的准确性和全面性。
进一步的,由于不同的网络性能指标具有不同的量纲,为横向比较各指标的变化,上述步骤111之后,本发明实施例的方法还可以包括:
步骤14,对每个所述网络性能指标在所述预定时间段内的多个时间点的指标值分别进行归一化处理。
此时,通过对网络性能指标的指标数据进行归一化处理,可使不同网络性能指标具有相同的量纲,为接下来对各指标横向比较的准确性提供保证,优化了处理方式,提高了处理的准确性和合理性。
优选的,上述步骤14的步骤具体可以包括:
步骤141,通过如下公式对每个所述网络性能指标在所述预定时间段内的多个时间点的指标值分别进行归一化处理,得到归一化指标
其中,xi为第i个网络性能指标所有的指标值,xij为第i个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述待检测网络共n个网络性能指标,所述预定时间段内共m个时间点,m和n均为大于或等于1的整数,且i为1到n之间的整数,j为1到m之间的整数。
此时,通过上述公式可将各个指标的指标值都归一化到[0,1]区间,从而使不同网络性能指标具有相同的量纲,保证处理的准确性和有效性。
在计算出所有网络性能指标的归一化指标后,可通过上述步骤12、13,继续获取非预定网络性能指标与预定网络性能指标的余弦相似度距离值,并根据余弦相似度距离值从小到大排序,得到各个非预定指标与预定指标变化的相似度排序,从而在随着预定指标一起变化的指标中,获取到其它非预定指标与预定指标变化趋势的相似度。
下面对本发明的一具体实现实施例举例说明如下:
如图2所示,本发明实施例的评估网络性能指标变化趋势的方法,首先获取待检测网络的n个网络性能指标分别在预定时间段内的m个时间点的指标值,得到原始性能指标矩阵X:
其中,xi为第i个网络性能指标所有的指标值,xij为第i个网络性能指标在预定时间段内的第j个时间点的指标值,m和n均为大于或等于1的整数,且i为1到n之间的整数,j为1到m之间的整数。
然后通过如下公式对每个网络性能指标在预定时间段内的多个时间点的指标值分别进行归一化处理,得到归一化指标
接着根据归一化处理后的原始性能指标矩阵X,并通过如下公式获取每个非预定网络性能指标分别与预定网络性能指标的余弦相似度距离值cos:
其中,为第a个网络性能指标在预定时间段内的第j个时间点的指标值,第a个网络性能指标为预定网络性能指标,为第b个网络性能指标在预定时间段内的第j个时间点的指标值,第b个网络性能指标为非预定网络性能指标,a和b均为1到n之间的整数,且a≠b。
最后获取所有非预定网络性能指标与预定网络性能指标的余弦相似度距离值中,数值最大的余弦相似度距离值所对应的非预定网络性能指标,作为与预定网络性能指标变化趋势最接近的网络性能指标。
并获取所有非预定网络性能指标与预定网络性能指标的余弦相似度距离值中,数值最小的余弦相似度距离值所对应的非预定网络性能指标,作为与预定网络性能指标变化趋势最不接近的网络性能指标。
网络优化人员可根据与预定网络性能指标变化趋势最接近及最不接近的指标,找到参数调整后受到影响较大的指标,进而判断参数调整是否合理。
本发明实施例的评估网络性能指标变化趋势的方法,通过数据挖掘中的余弦相似度距离分析方法,将不同网络参数的网络性能指标通过关联、聚类等手段,摸索指标间的变化趋势相似度,获得网络优化中可能出现的性能问题;并以指标间的样点差值为特征值,进行数据挖掘,重点以变化趋势相似度为目标进行考察。
与现有技术相比,本发明实施例评估网络性能指标变化趋势的方法,可以通过对网络性能指标变化趋势相似度进行分析,摸索和发现未知问题,预期解决潜在的网络性能、故障等问题;每次网络优化人员在指标选取、指标观察、指标评估过程中需要分析指标变化趋势时,只需利用本发明实施例的方法,即可快速完成,无需经过画趋势图和人眼观察,节省了大量人力和时间,大大提高了分析效率;且网络优化人员可快速对所有指标的变化趋势都进行分析,突破了依靠以往优化经验选取有限指标进行分析的局限性,做到全面分析网络指标状况和全面了解优化方案实施后对现网质量的影响,保证了分析的全面性、准确性和可扩展性。
如图3所示,本发明的实施例还提供了一种评估网络性能指标变化趋势的装置,包括:
第一获取模块,用于获取待检测网络的多个网络性能指标的指标值;
第二获取模块,用于根据多个所述网络性能指标的指标值,获取多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值;
第三获取模块,用于根据多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值,获取该网络性能指标的变化趋势与其它网络性能指标中的至少一个的变化趋势的相似度。
本发明实施例的评估网络性能指标变化趋势的装置,可自动完成对网络性能指标变化趋势相关性的有效评估,无需通过人为画趋势图和人眼观察,大大提高了分析效率,节省了大量的人力和时间。且该方法可快速地对所有指标的变化趋势进行分析,突破了依靠以往经验选取有限指标进行分析的局限性,保证了分析的全面性、准确性和可扩展性。
其中,所述第一获取模块具体可以包括:
第一获取单元,用于获取待检测网络的多个网络性能指标分别在预定时间段内的多个时间点的指标值。
优选的,所述第一获取单元具体可以包括:
第一获取子单元,用于获取待检测网络的n个网络性能指标分别在所述预定时间段内的m个时间点的指标值,得到原始性能指标矩阵X:
其中,xi为第i个网络性能指标所有的指标值,xij为第i个网络性能指标在所述预定时间段内的第j个时间点的指标值,m和n均为大于或等于1的整数,且i为1到n之间的整数,j为1到m之间的整数。
进一步的,所述第二获取模块具体可以包括:
第二获取单元,用于根据多个所述网络性能指标中的一个预定网络性能指标与其它非预定网络性能指标中的至少一个分别在所述预定时间段内的多个时间点的指标值,获取所述预定网络性能指标与其它所述非预定网络性能指标中的至少一个的余弦相似度距离值。
优选的,所述第二获取单元具体可以包括:
第二获取子单元,用于通过如下公式获取所述预定网络性能指标分别与每个所述非预定网络性能指标的余弦相似度距离值cos:
其中,xaj为第a个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述第a个网络性能指标为预定网络性能指标,xbj为第b个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述第b个网络性能指标为非预定网络性能指标,所述待检测网络共n个网络性能指标,所述预定时间段内共m个时间点,m和n均为大于或等于1的整数,j为1到m之间的整数,a和b均为1到n之间的整数,且a≠b。
优选的,所述第三获取模块具体可以包括:
第三获取单元,用于根据所述预定网络性能指标分别与每个所述非预定网络性能指标的余弦相似度距离值的数值大小,对所述预定网络性能指标与每个所述非预定网络性能指标的变化趋势的相似度进行排序,其中,余弦相似度距离值越大的非预定网络性能指标与所述预定网络性能指标的变化趋势的相似度越大,余弦相似度距离值越小的非预定网络性能指标与所述预定网络性能指标的变化趋势的相似度越小。
优选的,所述装置还可以包括:
归一化模块,用于对每个所述网络性能指标在所述预定时间段内的多个时间点的指标值分别进行归一化处理。
优选的,所述归一化模块具体可以包括:
归一化单元,用于通过如下公式对每个所述网络性能指标在所述预定时间段内的多个时间点的指标值分别进行归一化处理,得到归一化指标
其中,xi为第i个网络性能指标所有的指标值,xij为第i个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述待检测网络共n个网络性能指标,所述预定时间段内共m个时间点,m和n均为大于或等于1的整数,且i为1到n之间的整数,j为1到m之间的整数。
本发明实施例的评估网络性能指标变化趋势的装置,可自动完成对网络性能指标变化趋势相关性的有效评估,无需通过人为画趋势图和人眼观察,大大提高了分析效率,节省了大量的人力和时间。且该方法可快速地对所有指标的变化趋势进行分析,突破了依靠以往经验选取有限指标进行分析的局限性,保证了分析的全面性、准确性和可扩展性。
需要说明的是,该评估网络性能指标变化趋势的装置是与上述评估网络性能指标变化趋势的方法相对应的装置,其中上述方法实施例中所有实现方式均适用于该装置的实施例中,也能达到同样的技术效果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种评估网络性能指标变化趋势的方法,其特征在于,包括:
获取待检测网络的多个网络性能指标的指标值;
根据多个所述网络性能指标的指标值,获取多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值,包括:根据多个所述网络性能指标中的一个预定网络性能指标与其它非预定网络性能指标中的至少一个分别在所述预定时间段内的多个时间点的指标值,获取所述预定网络性能指标与其它所述非预定网络性能指标中的至少一个的余弦相似度距离值,其中,通过公式获取所述预定网络性能指标分别与每个所述非预定网络性能指标的余弦相似度距离值cos,xaj为第a个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述第a个网络性能指标为预定网络性能指标,xbj为第b个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述第b个网络性能指标为非预定网络性能指标,所述待检测网络共n个网络性能指标,所述预定时间段内共m个时间点,m和n均为大于或等于1的整数,j为1到m之间的整数,a和b均为1到n之间的整数,且a≠b;
根据多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值,获取该网络性能指标的变化趋势与其它网络性能指标中的至少一个的变化趋势的相似度。
2.根据权利要求1所述的方法,其特征在于,所述获取待检测网络的多个网络性能指标的指标值,具体包括:
获取待检测网络的多个网络性能指标分别在预定时间段内的多个时间点的指标值。
3.根据权利要求2所述的方法,其特征在于,所述获取待检测网络的多个网络性能指标分别在预定时间段内的多个时间点的指标值,具体包括:
获取待检测网络的n个网络性能指标分别在所述预定时间段内的m个时间点的指标值,得到原始性能指标矩阵X:
其中,xi为第i个网络性能指标所有的指标值,xij为第i个网络性能指标在所述预定时间段内的第j个时间点的指标值,m和n均为大于或等于1的整数,且i为1到n之间的整数,j为1到m之间的整数。
4.根据权利要求1所述的方法,其特征在于,所述根据多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值,获取该网络性能指标的变化趋势与其它网络性能指标中的至少一个的变化趋势的相似度,具体包括:
根据所述预定网络性能指标分别与每个所述非预定网络性能指标的余弦相似度距离值的数值大小,对所述预定网络性能指标与每个所述非预定网络性能指标的变化趋势的相似度进行排序,其中,余弦相似度距离值越大的非预定网络性能指标与所述预定网络性能指标的变化趋势的相似度越大,余弦相似度距离值越小的非预定网络性能指标与所述预定网络性能指标的变化趋势的相似度越小。
5.根据权利要求2所述的方法,其特征在于,所述获取待检测网络的多个网络性能指标分别在预定时间段内的多个时间点的指标值之后,所述方法还包括:
对每个所述网络性能指标在所述预定时间段内的多个时间点的指标值分别进行归一化处理。
6.根据权利要求5所述的方法,其特征在于,所述对每个所述网络性能指标在所述预定时间段内的多个时间点的指标值分别进行归一化处理,具体包括:
通过如下公式对每个所述网络性能指标在所述预定时间段内的多个时间点的指标值分别进行归一化处理,得到归一化指标
其中,xi为第i个网络性能指标所有的指标值,xij为第i个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述待检测网络共n个网络性能指标,所述预定时间段内共m个时间点,m和n均为大于或等于1的整数,且i为1到n之间的整数,j为1到m之间的整数。
7.一种评估网络性能指标变化趋势的装置,其特征在于,包括:
第一获取模块,用于获取待检测网络的多个网络性能指标的指标值;
第二获取模块,用于根据多个所述网络性能指标的指标值,获取多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值;第二获取模块具体包括:
第二获取单元,用于根据多个所述网络性能指标中的一个预定网络性能指标与其它非预定网络性能指标中的至少一个分别在所述预定时间段内的多个时间点的指标值,获取所述预定网络性能指标与其它所述非预定网络性能指标中的至少一个的余弦相似度距离值;第二获取单元具体包括:
第二获取子单元,用于通过如下公式获取所述预定网络性能指标分别与每个所述非预定网络性能指标的余弦相似度距离值cos:
其中,xaj为第a个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述第a个网络性能指标为预定网络性能指标,xbj为第b个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述第b个网络性能指标为非预定网络性能指标,所述待检测网络共n个网络性能指标,所述预定时间段内共m个时间点,m和n均为大于或等于1的整数,j为1到m之间的整数,a和b均为1到n之间的整数,且a≠b;
第三获取模块,用于根据多个所述网络性能指标中的一个网络性能指标与其它网络性能指标中的至少一个的余弦相似度距离值,获取该网络性能指标的变化趋势与其它网络性能指标中的至少一个的变化趋势的相似度。
8.根据权利要求7所述的装置,其特征在于,所述第一获取模块具体包括:
第一获取单元,用于获取待检测网络的多个网络性能指标分别在预定时间段内的多个时间点的指标值。
9.根据权利要求8所述的装置,其特征在于,所述第一获取单元具体包括:
第一获取子单元,用于获取待检测网络的n个网络性能指标分别在所述预定时间段内的m个时间点的指标值,得到原始性能指标矩阵X:
其中,xi为第i个网络性能指标所有的指标值,xij为第i个网络性能指标在所述预定时间段内的第j个时间点的指标值,m和n均为大于或等于1的整数,且i为1到n之间的整数,j为1到m之间的整数。
10.根据权利要求7所述的装置,其特征在于,所述第三获取模块具体包括:
第三获取单元,用于根据所述预定网络性能指标分别与每个所述非预定网络性能指标的余弦相似度距离值的数值大小,对所述预定网络性能指标与每个所述非预定网络性能指标的变化趋势的相似度进行排序,其中,余弦相似度距离值越大的非预定网络性能指标与所述预定网络性能指标的变化趋势的相似度越大,余弦相似度距离值越小的非预定网络性能指标与所述预定网络性能指标的变化趋势的相似度越小。
11.根据权利要求8所述的装置,其特征在于,所述装置还包括:
归一化模块,用于对每个所述网络性能指标在所述预定时间段内的多个时间点的指标值分别进行归一化处理。
12.根据权利要求11所述的装置,其特征在于,所述归一化模块具体包括:
归一化单元,用于通过如下公式对每个所述网络性能指标在所述预定时间段内的多个时间点的指标值分别进行归一化处理,得到归一化指标
其中,xi为第i个网络性能指标所有的指标值,xij为第i个网络性能指标在所述预定时间段内的第j个时间点的指标值,所述待检测网络共n个网络性能指标,所述预定时间段内共m个时间点,m和n均为大于或等于1的整数,且i为1到n之间的整数,j为1到m之间的整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510531343.5A CN106487547B (zh) | 2015-08-26 | 2015-08-26 | 一种评估网络性能指标变化趋势的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510531343.5A CN106487547B (zh) | 2015-08-26 | 2015-08-26 | 一种评估网络性能指标变化趋势的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106487547A CN106487547A (zh) | 2017-03-08 |
CN106487547B true CN106487547B (zh) | 2019-06-21 |
Family
ID=58233666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510531343.5A Active CN106487547B (zh) | 2015-08-26 | 2015-08-26 | 一种评估网络性能指标变化趋势的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106487547B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966400B (zh) * | 2021-04-23 | 2023-04-18 | 重庆大学 | 一种基于多源信息融合的离心风机故障趋势预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101399713A (zh) * | 2008-09-28 | 2009-04-01 | 腾讯科技(深圳)有限公司 | 测量网络节点邻近度的方法 |
CN101964997A (zh) * | 2009-07-21 | 2011-02-02 | 中国移动通信集团黑龙江有限公司 | 网络性能预警方法及装置 |
CN103095534A (zh) * | 2013-02-28 | 2013-05-08 | 南京理工大学常熟研究院有限公司 | 一种二维k均值熵的网络攻击效果评估方法 |
CN103926597A (zh) * | 2014-04-25 | 2014-07-16 | 哈尔滨工程大学 | 一种基于北斗rdss双向通信功能的多路径检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7805686B2 (en) * | 2006-08-08 | 2010-09-28 | Sheng-Guo Wang | Methods to generate state space models by closed forms for general interconnect and transmission lines, trees and nets, and their model reduction and simulations |
-
2015
- 2015-08-26 CN CN201510531343.5A patent/CN106487547B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101399713A (zh) * | 2008-09-28 | 2009-04-01 | 腾讯科技(深圳)有限公司 | 测量网络节点邻近度的方法 |
CN101964997A (zh) * | 2009-07-21 | 2011-02-02 | 中国移动通信集团黑龙江有限公司 | 网络性能预警方法及装置 |
CN103095534A (zh) * | 2013-02-28 | 2013-05-08 | 南京理工大学常熟研究院有限公司 | 一种二维k均值熵的网络攻击效果评估方法 |
CN103926597A (zh) * | 2014-04-25 | 2014-07-16 | 哈尔滨工程大学 | 一种基于北斗rdss双向通信功能的多路径检测方法 |
Non-Patent Citations (1)
Title |
---|
《自动目标识别性能评估指标简述》;何峻;《电讯技术》;20071025;第47卷(第5期);第32-36页 |
Also Published As
Publication number | Publication date |
---|---|
CN106487547A (zh) | 2017-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409628B (zh) | 基于计量大数据聚类模型的采集终端生产厂商评价方法 | |
Orman et al. | On accuracy of community structure discovery algorithms | |
Chinnayakanahalli et al. | Natural flow regime, temperature and the composition and richness of invertebrate assemblages in streams of the western United States | |
CN105577440B (zh) | 一种网络故障时间定位方法和分析设备 | |
CN109242041A (zh) | 一种电能表异常数据检测方法、装置、设备及存储介质 | |
CN108446711A (zh) | 一种基于迁移学习的软件缺陷预测方法 | |
CN105938116A (zh) | 基于模糊划分和模型集成的气体传感器阵列浓度检测方法 | |
CN103761426B (zh) | 一种在高维数据中快速识别特征组合的方法及系统 | |
CN106452934B (zh) | 一种网络性能指标变化趋势的分析方法和装置 | |
WO2016188498A1 (zh) | 一种无线网络吞吐量的评估方法及装置 | |
CN105488352B (zh) | 基于长期挠度监测数据的混凝土桥梁刚度可靠度评估方法 | |
CN103902798B (zh) | 数据预处理方法 | |
CN106248621A (zh) | 一种评价方法与系统 | |
CN112231621A (zh) | 基于BP-adaboost降低元素检出限的方法 | |
CN106487571B (zh) | 一种评估网络性能指标变化趋势的方法及装置 | |
CN106487547B (zh) | 一种评估网络性能指标变化趋势的方法及装置 | |
CN103136440A (zh) | 数据处理方法和装置 | |
CN117235510A (zh) | 节理粗糙度预测方法与节理粗糙度预测模型训练方法 | |
CN106487570B (zh) | 一种评估网络性能指标变化趋势的方法及设备 | |
CN107977727B (zh) | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 | |
CN104572900A (zh) | 一种作物育种评价的性状特征选择方法 | |
CN113762375A (zh) | 一种发动机油液信息状态评估方法及装置 | |
CN111695634A (zh) | 一种基于有限陪审团机制的数据异常突变点检测算法 | |
CN111476392A (zh) | 基于社会感知的计量装置时钟误差趋势预测方法 | |
CN110189797B (zh) | 一种基于dbn的序列错误数预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |