CN108270643B - Leaf-Spine交换机之间的链路的探测方法及设备 - Google Patents
Leaf-Spine交换机之间的链路的探测方法及设备 Download PDFInfo
- Publication number
- CN108270643B CN108270643B CN201711337212.9A CN201711337212A CN108270643B CN 108270643 B CN108270643 B CN 108270643B CN 201711337212 A CN201711337212 A CN 201711337212A CN 108270643 B CN108270643 B CN 108270643B
- Authority
- CN
- China
- Prior art keywords
- detection
- link
- leaf
- network
- probing
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1095—Replication or mirroring of data, e.g. scheduling or transport for data synchronisation between network nodes
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种网络中针对Leaf‑Spine交换机之间的链路的探测方法。该探测方法包括:在每个Leaf交换机下的一台或多台主机节点中创建探测虚拟机,所述探测虚拟机都关联到一虚拟网络;在所有所述探测虚拟机之间进行打流探测;以及将通过所述虚拟网络的流量精准镜像到后端服务器进行多维度的机器学习分析,以便检测出流量异常。本发明还提供了一种探测设备以及配置成从探测设备接收镜像流量来进行分析后端服务器。
Description
技术领域
本发明涉及云网监控技术,特别涉及Leaf-Spine交换机之间的链路的探测方法及设备。
背景技术
由于网络技术的变革,以软件定义网络(Software Defined Network,SDN)为代表的新型网络创新架构提供了网络虚拟化的实现方式——通过将网络设备控制面与数据面分离开,实现了网络流量的灵活控制,使网络作为管道变得更加智能。
为了实现对于SDN网络架构中Leaf-Spine交换机之间的骨干链路异常进行探测,需要一种有效识别Leaf-Spine之间链路的异常的方案(告警某条链路的传输异常),尤其是在整个SDN交换矩阵(SDN Fabric)整体上仍然正常工作的前提下。
现有的链路异常探测方案主要包括如下两种:1)通过查看Leaf-Spine链路两端交换机的端口告警,或者通过定期收集交换机的端口传输统计数据进行判别;以及2)对Leaf-Spine之间的链路传输报文进行全报文镜像分析。
第一种方案的问题在于告警效果有限,无法检测一些复杂情况下的链路异常,例如拥塞、假死(链路并未完全中断,但是传输质量已经很差的情况)等。因为交换机端口告警通常只能发现链路完全中断的场景,而对于链路上出现拥塞、假死等异常状况则无法有效发现。而端口传输统计数据虽然可以了解链路的使用率等情况,但是统计时间粒度较粗(因为频繁查询交换机的端口传输统计数据会对交换机的控制平面产生较大干扰)。此外,对于时延等信息也无法有效反映。
第二种方案的问题在于开销过大,Leaf-Spine之间的链路带宽通常有40Gbps,全报文镜像不仅会消耗大量链路带宽,同时对后端的分析服务器也会造成很大压力。
因此,需要一种改进的Leaf-Spine交换机之间的链路的探测方案。
以上公开于本发明背景部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
鉴于此,根据本发明的一个方面,提供了一种网络中针对Leaf-Spine交换机之间的链路的探测方法。该探测方法包括:在每个Leaf交换机下的一台或多台主机节点中创建探测虚拟机,所述探测虚拟机都关联到一虚拟网络;在所有所述探测虚拟机之间进行打流探测;以及将通过所述虚拟网络的流量镜像到后端服务器进行分析,以便进行流量异常检测。
在上述探测方法中,所述Leaf-Spine交换机之间的链路采用ECMP负载均衡模式,使得随着所述打流探测中的探测流的增多,则有极大的概率可以覆盖到所有的所述链路。
在上述探测方法中,所述打流探测中的探测流的内容是常规类型的报文或自定义的报文。
在上述探测方法中,所述自定义的报文包含request_id,该request_id的初始值被选择为随机值,之后依次递增。
在上述探测方法中,所述打流探测中的探测流的间隔频率根据告警时限来设置。
在上述探测方法中,所述间隔频率建议不超过1次/秒。
在上述探测方法中,所述网络为采用Leaf-Spine两层架构的SDN网络。
在上述探测方法中,将通过所述虚拟网络的流量镜像到后端服务器进行分析包括:通过SDN交换矩阵将所述虚拟网络的流量通过ERSPAN的方式进行实时镜像到后端分析服务器,由此实现对于Leaf-Spine交换机之间的链路的有效采样。
在上述探测方法中,在进行镜像时,利用ERSPAN报文中的session_id字段标识具体的镜像链路,以便追溯具体的链路。
上述探测方法还可包括:通过正常流量的训练样本,利用机器学习算法针对多个维度获得告警阈值,其中,所述告警阈值被用于判定链路是否为异常链路。
在上述探测方法中,所述多个维度分别对应于链路的时延、抖动、丢包以及负载分担比率等。
根据本发明的另一个方面,提供了一种网络中针对Leaf-Spine交换机之间的链路的探测设备,所述探测设备包括:创建单元,所述创建单元用于在每个Leaf交换机下的一台或多台主机节点中创建探测虚拟机,所述探测虚拟机都关联到一虚拟网络;测试单元,所述测试单元用于在所有所述探测虚拟机之间进行打流探测;以及镜像单元,所述镜像单元用于将通过所述虚拟网络的流量镜像到后端服务器进行分析,以便进行流量异常检测。
在上述探测设备中,所述Leaf-Spine之间的链路采用ECMP负载均衡模式,使得随着所述打流探测中的探测流的增多,则有极大的概率可以覆盖到所有的所述链路。
在上述探测设备中,所述打流探测中的探测流的内容是常规类型的报文或自定义的报文。
在上述探测设备中,所述自定义的报文包含request_id,该request_id的初始值被选择为随机值,之后依次递增。
在上述探测设备中,所述打流探测中的探测流的间隔频率根据告警时限来设置。
在上述探测设备中,所述间隔频率建议不超过1次/秒。
在上述探测设备中,所述网络为采用Leaf-Spine两层架构的SDN网络。
在上述探测设备中,所述镜像单元通过SDN交换矩阵将所述虚拟网络的流量通过ERSPAN的方式进行实时镜像到后端分析服务器,由此实现对于Leaf-Spine交换机之间的链路的有效采样。
在上述探测设备中,所述镜像单元在进行镜像时,利用ERSPAN报文中的session_id字段标识具体的镜像链路,以便追溯具体的链路。
根据本发明的又一个方面,提供了一种后端服务器,所述后端服务器配置成从前述探测设备接收镜像流量来进行分析。
可选地,所述后端服务器通过正常流量的训练样本,利用机器学习算法针对多个维度获得告警阈值,其中,所述告警阈值被用于判定链路是否为异常链路。其中,所述多个维度分别对应于链路的时延、抖动、丢包以及负载分担比率等。
与现有技术相比,本发明的探测方案通过对于染色报文进行细粒度的分析,结合时延、丢包、负载分担比率等多种维度,利用机器学习算法来检测链路的状态异常,告警效果良好,可以告警一些复杂情况下的链路异常。另外,本发明的方案对整个SDN网络的开销较小。相比较于全链路镜像,本方面的方案采用一种定期主动发送探测报文的方式,并且只对于染色报文进行镜像,大大减少了镜像的开销。再者,本发明的方案通过在Leaf交换机下均匀布置探测点并进行两两随机打流,可以实现对于全网链路的有效采样。
通过纳入本文的附图以及随后与附图一起用于说明本发明的某些原理的具体实施方式,本发明的方法和装置所具有的其它特征和优点将更为具体地变得清楚或得以阐明。
附图说明
图1是表示本发明的一个实施例的Leaf-Spine交换机之间的链路的探测方法的示意图;
图2是表示本发明的一个实施例的Leaf-Spine交换机之间的链路的探测设备的示意图;以及
图3是表示本发明的一个实施例的云网络的架构图。
具体实施方式
以下说明描述了本发明的特定实施方式以教导本领域技术人员如何制造和使用本发明的最佳模式。为了教导发明原理,已简化或省略了一些常规方面。本领域技术人员应该理解源自这些实施方式的变型将落在本发明的范围内。本领域技术人员应该理解下述特征能够以各种方式接合以形成本发明的多个变型。由此,本发明并不局限于下述特定实施方式,而仅由权利要求和它们的等同物限定。
在本发明的上下文中,术语“SDN”指软件定义网络,其通过开放接口实现对网络的软件化可编程控制。
术语“SDN Fabric”与“SDN交换矩阵”具有相同的含义,即通过SDN交换机相连所构成的SDN网络。
术语“Leaf”或“Leaf switch”表示叶子交换机,即二层SDN架构中作为接入层的交换机。
术语“Spine”或“Spine switch”表示骨干交换机,即二层SDN架构中作为转接层的交换机。
术语“ERSPAN”即 Encapsulated Remote Switch Port Analyzer,表示封装远程交换机端口分析,它是 一种将交换机端口报文进行封装传送的技术与协议。
术语“ECMP”即Equal-Cost Multi-path Routing,表示等价多路径路由。当设备支持等价路由时,发往该目的IP或者目的网段的三层转发流量就可以通过不同的路径分担,实现网络的负载均衡,并在其中某些路径出现故障时,由其它路径代替完成转发处理,实现路由冗余备份功能。
术语“打流探测”是指两端的节点按照一既定的规则相互发送流量探测报文。
图1表示本发明的一个实施例的Leaf-Spine交换机之间的链路的探测方法1000。其中,探测方法1000包括如下步骤:
在步骤120中,在每个Leaf交换机下的一台或多台主机节点中创建探测虚拟机,所述探测虚拟机都关联到一虚拟网络;
在步骤140中,在所有所述探测虚拟机之间进行打流探测;以及
在步骤160中,将通过所述虚拟网络的流量镜像到后端服务器进行分析,以便进行流量异常检测。
参考图3,它是表示本发明的一个实施例的云网络的架构图。如图3所示,骨干交换机311和312与叶子交换机321、322以及323相连,叶子交换机下存在一个或多个业务主机330至339。在一个具体的实现中,业务主机间通过SDN Fabric网络进行流量交互传输。
在一个实施例中,步骤120可包括:通过云资源管理平台,新创建一个虚拟网络netA。在每个叶子交换机321、322以及323下的一台或者多台主机节点中,创建探测虚拟机,并将这些虚拟机都挂到虚拟网络netA上。
在一个实施例中,探测虚拟机启动后,首先通过管理网到主控节点进行注册。
一般而言,布放的探测节点数量依据资源的配置多多益善,但需要保证每个Leaf下至少有一个探测节点。
在一个实施例中,在步骤140中,探测节点两两随机打流。在一个实施例中,主控节点通知每个节点对端的地址,并下发打流指令。默认的打流策略为所有探测虚拟机之间两两打流,以保证探测流量的最大覆盖。在一个实施例中,Leaf-Spine之间的链路采用ECMP负载均衡模式。因此,由于采用了ECMP负载均衡模式,随着探测流的增多,则有极大的概率可以覆盖到所有的Leaf-Spine链路。
在上述探测方法1000中,打流探测中的探测流的内容可以是常规类型的报文或自定义的报文。在一个实施例中,自定义的报文包含request_id,该request_id的初始值被选择为随机值,之后依次递增。在一个实施例中,探测流的内容每次都有变化,以便后台识别统计。在一个实施例中,探测流的时间间隔/频率依据告警时限设定,一般不建议超过1次/s,以免对正常流量产生干扰。
在一个实施例中,所述网络为采用Leaf-Spine两层架构的SDN网络。在一个实施例中,步骤160包括:通过SDN交换矩阵将所述虚拟网络的流量通过ERSPAN的方式进行实时镜像到后端分析服务器,由此实现对于Leaf-Spine交换机之间的链路的有效采样。在一个实施例中,在进行镜像时,利用ERSPAN报文中的session_id字段标识具体的镜像链路,以便追溯具体的链路。
在一个实施例中,通过SDN Fabric的精细化镜像功能,将虚拟网络netA的流量通过ERSPAN的方式进行实时镜像到后端分析服务器,由此实现对于Leaf-Spine之间所有链路的有效采样。其中,在ERSPAN镜像的时候,利用ERSPAN报文中的session_id字段标识具体的镜像链路,以便在后续步骤中追溯具体的链路。
在一个实施例中,后端服务器对于镜像到的染色数据流进行检测分析。每个接收到的报文都可以依据ERSPAN报文中的session_id字段标到具体的Leaf-Spine链路。
上述探测方法1000还可包括:通过正常流量的训练样本,利用机器学习算法针对多个维度获得告警阈值,其中,所述告警阈值被用于判定链路是否为异常链路。此处采用机器学习的算法,学习依据的维度包括对应到每条链路的时延、抖动、丢包、负载分担比率等。通过正常流量的训练样本,自动学习到告警阈值。对于超过阈值的链路判定为异常链路,并进行告警。
在一个实施例中,正常的流在leaf-spine间会经过四段链路,通过ERSPAN报文中的session_id字段可以查询到经过的物理链路,未统计到的即视为丢包。每条流经过该段链路的时延可以通过前后两个收包点的差值确定。抖动定义为前后两次时延的差值。负载分担比率为一个时间段内各段leaf-spine链路之间的流量比率的统计值。
需要指出的是,上述机器学习方法可以采用SVM(即支持向量机)、随机森林、深度学习等机器学习算法。另外,机器学习训练数据的收集,既可以采用无监督的方式,也可以采用有监督的方式。对于无监督的方式,可以搜集长时间内的正常流量的各项统计数据,并作聚类处理。对于有监督的方式,可以通过特定方式生成扰动流量,并标记为“异常流量”。
参考图2,它表示本发明的一个实施例的Leaf-Spine交换机之间的链路的探测设备2000。如图2所示,探测设备2000包括创建单元210、测试单元220以及镜像单元230。创建单元210用于在每个Leaf交换机下的一台或多台主机节点中创建探测虚拟机,所述探测虚拟机都关联到一虚拟网络。测试单元220用于在所有所述探测虚拟机之间进行打流探测。镜像单元230用于将通过所述虚拟网络的流量镜像到后端服务器进行分析,以便进行流量异常检测。
在上述探测设备2000中,所述Leaf-Spine之间的链路采用ECMP负载均衡模式,使得随着所述打流探测中的探测流的增多,则有极大的概率可以覆盖到所有的所述链路。
在上述探测设备2000中,所述打流探测中的探测流的内容是常规类型的报文或自定义的报文。在一个实施例中,探测流的内容是http流。在一个实施例中,自定义的报文包含request_id,该request_id的初始值被选择为随机值,之后依次递增。
在一个实施例中,探测流的间隔频率根据告警时限来设置。优选地,该间隔频率建议不超过1次/秒。
在一个实施例中,镜像单元230通过SDN交换矩阵将虚拟网络的流量通过ERSPAN的方式进行实时镜像到后端分析服务器,由此实现对于Leaf-Spine交换机之间的链路的有效采样。在一个实施例中,镜像单元230在进行镜像时,利用ERSPAN报文中的session_id字段标识具体的镜像链路,以便追溯具体的链路。
根据本发明的又一个方面,提供了一种后端服务器,所述后端服务器配置成从前述探测设备接收镜像流量来进行分析。该后端服务器可通过正常流量的训练样本,利用机器学习算法针对多个维度获得告警阈值,其中,所述告警阈值被用于判定链路是否为异常链路。在一个实施例中,所述多个维度分别对应于链路的时延、抖动、丢包以及负载分担比率等。
在一个实施例中,正常的流在leaf-spine间会经过四段链路,通过ERSPAN报文中的session_id字段可以查询到经过的物理链路,未统计到的即视为丢包。每条流经过该段链路的时延可以通过前后两个收包点的差值确定。抖动定义为前后两次时延的差值。负载分担比率为一个时间段内各段leaf-spine链路之间的流量比率的统计值。
需要指出的是,上述机器学习方法可以采用SVM(即支持向量机)、随机森林、深度学习等机器学习算法。另外,机器学习训练数据的收集,既可以采用无监督的方式,也可以采用有监督的方式。对于无监督的方式,可以搜集长时间内的正常流量的各项统计数据,并作聚类处理。对于有监督的方式,可以通过特定方式生成扰动流量,并标记为“异常流量”。
综上所述,本发明提出了一种采用告警追踪Leaf-Spine链路网络流异常的方案。其主要思想为主动发送的随机探测流量,并对染色流量进行分析,从而识别出链路异常。其中,通过在Leaf交换机下均匀布置探测点进行两两随机打流,实现对于Leaf-Spine之间所有链路的有效覆盖,并且针对探测报文进行精细化镜像,达到有效采样的效果。另外,通过对于染色的探测报文进行细粒度的分析,结合時延、丢包、负载分担比率等多种维度,利用机器学习算法,检测链路的状态异常,可以告警一些复杂情况下的链路异常,达到良好的侦测效果。
以上例子主要说明了本发明的Leaf-Spine交换机之间的链路的探测方法和设备以及后端服务器。尽管只对其中一些本发明的具体实施方式进行了描述,但是本领域普通技术人员应当了解,本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此,所展示的例子与实施方式被视为示意性的而非限制性的,在不脱离如所附各权利要求所定义的本发明精神及范围的情况下,本发明可能涵盖各种的修改与替换。
Claims (15)
1.一种网络中针对Leaf-Spine交换机之间的链路的探测方法,其特征在于,所述方法包括:
在每个Leaf交换机下的一台或多台主机节点中创建探测虚拟机,所述探测虚拟机都关联到一虚拟网络;
在所有所述探测虚拟机之间进行打流探测;以及
将通过所述虚拟网络的流量镜像到后端服务器进行分析,以便进行流量异常检测。
2.如权利要求1所述的探测方法,其中,所述Leaf-Spine交换机之间的链路采用ECMP负载均衡模式,使得随着所述打流探测中的探测流的增多,则有极大的概率可以覆盖到所有的所述链路。
3.如权利要求1所述的探测方法,其中,所述打流探测中的探测流的内容是常规类型的报文或自定义的报文。
4.如权利要求3所述的探测方法,其中,所述自定义的报文包含request_id,该request_id的初始值被选择为随机值,之后依次递增。
5.如权利要求1或3所述的探测方法,其中,所述打流探测中的探测流的间隔频率根据告警时限来设置。
6.如权利要求5所述的探测方法,其中,所述间隔频率不超过1次/秒。
7.如权利要求1所述的探测方法,其中,所述网络为采用Leaf-Spine两层架构的SDN网络。
8.如权利要求7所述的探测方法,其中,将通过所述虚拟网络的流量镜像到后端服务器进行分析包括:
通过SDN交换矩阵将所述虚拟网络的流量通过ERSPAN的方式进行实时镜像到后端分析服务器,由此实现对于Leaf-Spine交换机之间的链路的有效采样。
9.如权利要求8所述的探测方法,其中,在进行镜像时,利用ERSPAN报文中的session_id字段标识具体的镜像链路,以便追溯具体的链路。
10.如权利要求1所述的探测方法,还包括:
通过正常流量的训练样本,利用机器学习算法针对多个维度获得告警阈值,其中,所述告警阈值被用于判定链路是否为异常链路。
11.如权利要求10所述的探测方法,其中,所述多个维度分别对应于链路的时 延、抖动、丢包以及负载分担比率。
12.一种网络中针对Leaf-Spine交换机之间的链路的探测设备,其特征在于,所述探测设备包括:
创建单元,所述创建单元用于在每个Leaf交换机下的一台或多台主机节点中创建探测虚拟机,所述探测虚拟机都关联到一虚拟网络;
测试单元,所述测试单元用于在所有所述探测虚拟机之间进行打流探测;以及
镜像单元,所述镜像单元用于将通过所述虚拟网络的流量镜像到后端服务器进行分析,以便进行流量异常检测。
13.一种后端服务器,其特征在于,所述后端服务器配置成从如权利要求12所述的探测设备接收镜像流量来进行分析。
14.如权利要求13所述的后端服务器,其中,所述后端服务器通过正常流量的训练样本,利用机器学习算法针对多个维度获得告警阈值,其中,所述告警阈值被用于判定链路是否为异常链路。
15.如权利要求14所述的后端服务器,其中,所述多个维度分别对应于链路的时延、抖动、丢包以及负载分担比率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711337212.9A CN108270643B (zh) | 2017-12-14 | 2017-12-14 | Leaf-Spine交换机之间的链路的探测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711337212.9A CN108270643B (zh) | 2017-12-14 | 2017-12-14 | Leaf-Spine交换机之间的链路的探测方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108270643A CN108270643A (zh) | 2018-07-10 |
CN108270643B true CN108270643B (zh) | 2021-07-02 |
Family
ID=62771965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711337212.9A Active CN108270643B (zh) | 2017-12-14 | 2017-12-14 | Leaf-Spine交换机之间的链路的探测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108270643B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109728947A (zh) * | 2018-12-26 | 2019-05-07 | 成都科来软件有限公司 | 一种基于云计算与网络拓扑图结合的网络性能分析方法 |
CN110417664B (zh) * | 2019-07-31 | 2022-02-25 | 国家电网有限公司信息通信分公司 | 基于电力通信网的业务路由分配方法及装置 |
CN113765727B (zh) * | 2020-06-03 | 2023-07-11 | 深信服科技股份有限公司 | 一种数据中心网络时延探测方法、装置、设备及介质 |
CN113114483B (zh) * | 2021-03-17 | 2023-07-25 | 上海浦东发展银行股份有限公司 | 一种业务日志全链路跟踪方法及系统 |
CN115412499B (zh) * | 2022-08-24 | 2024-03-22 | 新华三人工智能科技有限公司 | 一种流量传输方法、装置及控制器 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103200042B (zh) * | 2013-03-12 | 2017-02-08 | 杭州华三通信技术有限公司 | 一种trill网络中链路检测方法和设备 |
US10536357B2 (en) * | 2015-06-05 | 2020-01-14 | Cisco Technology, Inc. | Late data detection in data center |
CN106911584B (zh) * | 2015-12-23 | 2020-04-14 | 华为技术有限公司 | 一种基于叶-脊拓扑结构的流量负载分担方法、装置及系统 |
CN106982149B (zh) * | 2016-12-29 | 2019-10-01 | 中国银联股份有限公司 | 基于sdn的报文镜像方法及网络流量监控管理系统 |
CN107370642B (zh) * | 2017-09-04 | 2020-12-08 | 赛尔网络有限公司 | 一种基于云平台多租户网络平稳度监测系统和方法 |
-
2017
- 2017-12-14 CN CN201711337212.9A patent/CN108270643B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108270643A (zh) | 2018-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108270643B (zh) | Leaf-Spine交换机之间的链路的探测方法及设备 | |
US11818025B2 (en) | Methods, systems, and apparatus to generate information transmission performance alerts | |
CN108353004B (zh) | 用于测试网络功能虚拟化(nfv)的方法、系统和计算机可读介质 | |
Srinivasan et al. | Machine learning-based link fault identification and localization in complex networks | |
US8245079B2 (en) | Correlation of network alarm messages based on alarm time | |
US7961637B2 (en) | Method and apparatus for monitoring latency, jitter, packet throughput and packet loss ratio between two points on a network | |
US7937761B1 (en) | Differential threat detection processing | |
US20110270957A1 (en) | Method and system for logging trace events of a network device | |
US10205641B2 (en) | Inspection of traffic via SDN | |
US7903657B2 (en) | Method for classifying applications and detecting network abnormality by statistical information of packets and apparatus therefor | |
EP3854033B1 (en) | Packet capture via packet tagging | |
CN107547240B (zh) | 一种链路检测方法和装置 | |
Shpiner et al. | Unlocking credit loop deadlocks | |
US20160057043A1 (en) | Diagnostic routing system and method for a link access group | |
Cheng et al. | Experimental study on the detectability of man-in-the-middle attacks for cloud applications | |
Guo et al. | FullSight: A feasible intelligent and collaborative framework for service function chains failure detection | |
JP5503600B2 (ja) | 故障管理システムおよび故障管理方法 | |
US20120110665A1 (en) | Intrusion Detection Within a Distributed Processing System | |
US10461992B1 (en) | Detection of failures in network devices | |
JP6378653B2 (ja) | サービス影響原因推定装置、サービス影響原因推定プログラム、及びサービス影響原因推定方法 | |
Garrett et al. | Traffic differentiation on internet of things | |
US9521066B2 (en) | vStack enhancements for path calculations | |
JP6310405B2 (ja) | サービス影響原因推定装置、サービス影響原因推定プログラム、及びサービス影響原因推定方法 | |
US9787533B2 (en) | Obstruction determination device | |
JP5542730B2 (ja) | 通信システムおよび切替装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |