CN108566305B - 一种计算机网络智能组网与优化系统和方法 - Google Patents
一种计算机网络智能组网与优化系统和方法 Download PDFInfo
- Publication number
- CN108566305B CN108566305B CN201810401780.9A CN201810401780A CN108566305B CN 108566305 B CN108566305 B CN 108566305B CN 201810401780 A CN201810401780 A CN 201810401780A CN 108566305 B CN108566305 B CN 108566305B
- Authority
- CN
- China
- Prior art keywords
- network
- module
- topology
- computer network
- topological
- 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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/76—Admission control; Resource allocation using dynamic resource allocation, e.g. in-call renegotiation requested by the user or requested by the network in response to changing network conditions
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种计算机网络智能组网与优化系统和方法,其特征在于:用户接口模块、核心模块、前置模块、拓扑连接器组和计算机网络及其网络设备;用户接口模块用于网络智能组网与优化系统的人机交互;核心模块接收用户接口模块输入的信息,进行解析处理后分批发送到前置模块,并根据前置模块的反馈信息,对计算机网络进行自动维护和优化;前置模块用于控制拓扑连接器组构造拓扑连接,同时对计算机网络内的网络设备进行批量部署配置,并监测计算机网络内网络设备的网络运行信息,反馈到核心模块;拓扑连接器组对应于计算机网络,并与计算机网络中的全部网络设备的全部端口相连。本发明可以广泛应用于计算机网络建设和维护中。
Description
技术领域
本发明涉及互联网技术领域,特别是关于一种集网络自动连接、配置、检测和优化为一体的计算机网络智能组网与优化系统和方法。
背景技术
互联网技术目前应用在各行各业,网络化的趋势日益改善着人们的生活学习方式,几乎所有的业务都在转型为网络数字化处理,因此对网络工程的搭建提出了更高的要求。新型网络工程的搭建需求已经不仅仅停留在了结构上,更高的搭建效率、优化维护也是网络发展所急需的。
传统的计算机网络组网方式一般包括以下步骤:手动完成拓扑图连接、逐个对设备进行配置、逐一验证各个网路的连通性;网络维护一般通过网管软件监控网络运行状况,人工加以调整。这种传统的组网方式需要大量熟练的网络工程人员,花费大量的时间进行现场连接和调试,如果运行后网络拓扑需要大的调整,网线的拆除和重新连接工作量很大;网络维护成本高,流量监控需要专门人员参与检查,无法实现网络自动实时优化,必须在一段时间后对网络拓扑进行人工升级维护。综上所述,传统的组网和监控效率太低,应该启动一种新的方式代替传统方式。
发明内容
针对上述问题,本发明的目的是提供一种计算机网络智能组网与优化系统和方法,能够极大的提升网络工程的搭建与维护效率,减少工程开发成本,大大提高网络运行效率。
为实现上述目的,本发明采取以下技术方案:一种计算机网络智能组网与优化系统,其特征在于:其包括用户接口模块、核心模块、前置模块、拓扑连接器组和由若干区域子网构成的计算机网络及其网络设备;所述用户接口模块用于网络智能组网与优化系统的人机交互;所述核心模块接收所述用户接口模块输入的信息,进行解析处理后分批发送到所述前置模块,并根据所述前置模块的反馈信息,对所述计算机网络进行自动维护和优化;所述前置模块根据从所述核心模块接收的分解拓扑图信息和操作指令,控制所述拓扑连接器组构造拓扑连接,同时对所述计算机网络内的网络设备进行批量部署配置,并监测所述计算机网络内网络设备的网络运行信息,反馈到所述核心模块;所述拓扑连接器组对应于所述计算机网络,并与所述计算机网络中的全部网络设备的全部端口相连。
所述核心模块包括拓扑图处理子模块、配置与检测子模块和维护与排错子模块;所述拓扑图处理子模块对接收到的拓扑图进行解析处理,将所述计算机网络划分为多个区域子网,得到计算机网络各个区域子网的网络拓扑图及其逻辑链路,并生成与逻辑链路相对应的区域子网内的物理链路连接指令和链路聚合指令以及所述区域子网之间的相关指令后发送给所述前置模块;所述配置与检测子模块用于对接收到的配置文件和检测指令进行解析处理,将配置文件或检测指令分解成单个网络设备的配置信息,并发送给控制该网络设备的所述区域子网对应的所述前置模块;所述维护与排错子模块用于根据所述前置模块的反馈信息以及预设的维护排错规则,对计算机网络局部的逻辑链路和物理链路进行带宽优化和故障排除。
所述核心模块还包括网络AI模型子模块,所述网络AI模型子模块用于根据所述前置模块的反馈信息建立预测模型和拓扑流量模型,通过模型运算对所述计算机网络的网络拓扑图进行实时调整,得到最优网络拓扑图并发送到所述拓扑图处理子模块,所述拓扑图处理子模块根据接收到的最优网络拓扑图进行解析处理,生成整个计算机网络的逻辑链路,并根据逻辑链路生成各区域子网内的物理链路连接指令和链路聚合指令以及所述区域子网之间的相关指令发送给所述前置模块,使所述计算机网络运行达到最优。
所述网络AI模型子模块包括预测模型功能模块和拓扑流量模型功能模块;所述预测模型功能模块用于根据所述前置模块收集的各时段内整个计算机网络边界的I/O流量的历史运行数据建立预测模型,以当前时段的实际流量数据作为预测模型的输入,对计算机网络下一时段的流量数据进行预测并发送到所述拓扑流量模型功能模块,同时根据所述前置模块返回的所述计算机网络下一时段的实际流量数据对当前预测模型进行修正;所述拓扑流量模型功能模块用于根据预测模型预测的下一时段的流量数据和所述前置模块反馈的各时段整个计算机网络边界的I/O流量的历史运行数据建立拓扑流量模型,模拟出各种可能的网络拓扑运行,然后根据预设的评判标准挑选出最优网络拓扑图,发送给所述拓扑图处理子模块,同时根据所述前置模块采集的实际运行数据,对所述拓扑流量模型进行实时优化。
所述维护与排错子模块包括带宽动态优化功能模块和网络故障排除功能模块;所述带宽动态优化功能模块用于根据所述前置模块反馈的整个计算机网络各逻辑链路的网络流量压力情况,对局部网络拓扑范围内的逻辑链路带宽进行重新分配,生成与网络流量压力状况相适应的逻辑链路,并将相应的调整指令发送到对应的所述前置模块;所述网络故障排除功能模块用于根据各所述前置模块反馈的各区域子网的网络设备、链路和端口的故障情况,按照预先设置的维护排错规则对网络拓扑进行维护,得到能够替代局部故障逻辑链路的新的网络拓扑逻辑链路,生成与新的网络拓扑逻辑链路对应的物理链路连接和聚合指令,并发送到所述前置模块。
所述前置模块包括服务调度子模块和设备控制类子模块;所述服务调度子模块用于创建服务类线程池监听来自所述核心模块的操作指令,对所述核心模块发送的操作指令进行分类处理后发送到所述设备控制类子模块,同时将所述设备控制类子模块返回的各所述区域子网内网络设备的反馈信息发送到所述核心模块进行处理;所述设备控制类子模块用于根据接收到的操作指令,对各所述前置模块对应的区域子网内的网络设备进行控制,实现各所述区域子网内的网路连接、设备配置调试、自动检测、网络优化和故障排除,同时监听各所述区域子网内网络设备的反馈信息,并通过所述服务调度子模块发回给所述核心模块。
所述设备控制类子模块包括物理链路功能模块、网络设备配置功能模块、网络设备检测功能模块、网络设备监听功能模块和网络流量监听功能模块;所述物理链路功能模块用于根据接收到的物理链路连接指令,生成各拓扑连接器的网络端口连接指令,并发送到对应的所述拓扑连接器;所述网络设备配置功能模块用于根据接收到的配置指令,通过拓扑连接器对各区域子网内的物理设备进行配置和调试;所述网络设备检测功能模块用于根据接收到的连通性检测指令,逐一控制其对应区域子网内的网络设备以及拓扑连接器按顺序与其他设备进行通讯;所述网络设备监听功能模块用于对各区域子网的网络设备的通讯过程进行监听,记录通讯过程中数据包传输成功或失败的情况,并将监听信息通过所述服务调度子模块完整的反馈给所述核心模块;所述网络流量监听功能模块用于对各区域子网中的各网络拓扑连接链路的网络流量压力进行监听,并将流量监听结果通过所述服务调度子模块反馈到所述核心模块。
所述前置模块包括一层以上子前置模块,所述拓扑连接器组包括一层以上子拓扑连接器组,所述子前置模块和子拓扑连接器组的层数根据所述计算机网络的规模设置;各层所述子前置模块分别与各层所述子拓扑连接器组一一对应,用于根据所述核心模块发送的分解拓扑图信息和操作指令,控制各层所述拓扑连接器组在各层区域子网内及各区域子网之间构造拓扑连接,同时对相应区域子网内的网络设备进行批量部署配置,并监测各区域子网内部网络设备的网络运行信息,并反馈到所述核心模块;各层所述子拓扑连接器组均包括一个以上拓扑连接器,最下层所述子拓扑连接器组中的各拓扑连接器分别对应于计算机网络中的各区域子网并与各所述区域子网中的全部网络设备的全部端口相连,第二层所述子拓扑连接器组中的各拓扑连接器分别与最下层所述子拓扑连接器组中的各拓扑连接器及网络设备相连,其他层所述子拓扑连接器组依次与下一层所述子拓扑连接器组内的拓扑连接器及网络设备相连。
一种基于所述系统的计算机网络智能组网与优化方法,其特征在于包括以下步骤:1)用户接口模块采集用户输入的拓扑图、配置文件、检测指令、维护排错规则,并发送到核心模块;2)核心模块根据接收到的用户输入信息,进行解析处理后分批发送到相应的前置模块;3)各前置模块根据接收到的分解拓扑图信息和操作指令,控制相应的拓扑连接器构造拓扑连接,并对相应区域子网内的网络设备进行批量部属配置;4)网络运行过程中,各前置模块对各区域子网内的网络设备进行监测,并将监测结果反馈到核心模块内;5)核心模块根据接收到的反馈信息对各区域子网进行自动维护和优化。
所述方法还包括以下步骤:6)核心模块根据计算机网络的运行数据,预测下一阶段的流量变化,并利用通过模型运算得出的对应最优网络拓扑图对网络进行调整;即根据前置模块反馈的整个网络边界的I/O流量的运行数据情况,核心模块建立预测模型和拓扑流量模型,通过模型运算对计算机网络的网络拓扑图进行调整,得到最优网络拓扑图,根据最优网络拓扑图对计算机网络进行更新,使得计算机网络处于最优运行状态。
所述步骤2)中,核心模块对接收到的用户输入信息进行解析处理的方法,包括以下步骤:2.1)对接收到的拓扑图进行解析处理,建立与拓扑图相应的物理链路连接的指令和链路聚合指令,具体包括以下步骤:①根据网络设备的物理分布位置将待组建的计算机网络划分为多个区域子网;②将划分得到的各区域子网的子网拓扑图分解成网络设备之间的逻辑链路;③将各区域子网内的各逻辑链路进一步分解成与其带宽对应的一条或多条物理链路和相关指令,并发送给对应的前置模块;④根据分解得到的各区域子网之间的逻辑链路,进一步分解成与其带宽对应的一条或多条物理链路和相关指令,并发送给对应的前置模块;2.2)对接收到的配置文件进行解析处理,分解成单个网络设备的配置信息,并依次发送给各单个网络设备所在区域子网对应的前置模块;2.3)对接收到的检测指令进行解析处理,分解成单个网络设备的检测指令,并依次发送给各设备所在区域子网对应的前置模块。
所述步骤5)中,核心模块根据各前置模块的反馈信息进行各区域子网的自动维护和优化的方法,包括以下步骤:5.1)根据前置模块反馈的各区域子网的网络流量压力情况,对整个网络各拓扑连接的逻辑链路带宽进行重新分配,并将相应的调整指令发送到对应的前置模块,具体的,包括以下步骤;①取消原逻辑链路对应的多条物理链路的聚合;②根据带宽要求调整对应物理链路的数量,即随着带宽的增减而增减物理链路的数量;③将与带宽要求对应的多条物理链路进行聚合,得到与网络流量压力状况相适应的逻辑链路,并将相应的调整指令发送到对应的前置模块;5.2)根据前置模块反馈的各区域子网的网络设备、链路和端口的故障情况,按照预先设置的维护排错规则对局部网络拓扑进行重新设计,得到新的网络拓扑逻辑链路,生成与新的网络拓扑逻辑链路对应的物理链路连接和聚合指令,并发送到对应的前置模块。
所述步骤6)中,核心模块根据计算机网络的运行数据使得计算机网络处于最优运行状态的方法,包括以下步骤:6.1)收集全部网络用户交与计算机网络(即网络边界接口处)的传输流量数据;6.2)根据收集的网络边界接口的全部历史流量数据建立预测模型,对下一时段的网络边界接口全部流量数据进行预测;6.3)根据收集的网络边界接口的全部历史流量数据建立拓扑流量模型,根据建立的拓扑流量模型以及下一时段网络边界接口全部流量数据的预测结果,得到最优网络拓扑图,根据最优网络拓扑图,对计算机网络进行更新;6.4)各前置模块对下一时段更新后的计算机网络的实际运行数据进行采集,并发送到核心模块;6.5)核心模块根据接收到的下一时段计算机网络的实际运行数据,对计算机网络进行局部拓扑链路优化,得到优化稳定后的网络拓扑图及其链路带宽数据;6.6)根据各前置模块采集的计算机网络下一时段的实际运行数据,对建立的预测模型进行更新;6.7)根据各前置模块采集的计算机网络下一时段的实际运行数据,以及优化稳定后的网络拓扑图及其链路带宽数据,对建立的拓扑流量模型进行更新;6.8)重复步骤6.1)~6.7),不断的根据计算机网络的历史运行数据对计算机网络的整个网络拓扑图或局部拓扑链路进行更新,使得计算机网络处于最优运行状态。
建立拓扑流量模型的方法,包括以下步骤:①采用算法将收集的大量数据进行聚类;②通过步骤①得到的网络边界接口全部流量数据的所有类别,每一类别中选取一个网络边界接口全部流量数据作为类别样板;③采取“基于流量的路由算法”的思想,将一个类别样板数据作为“通信量矩阵”,已知网络拓扑图的顶点数,构造出多种网络拓扑方案,每种方案得出“网络拓扑结构”和“线路带宽矩阵”,从中筛选出最小延迟的网络拓扑,输出网络拓扑图;④将所有类别样板数据作为输入,利用步骤③算法得出对应的网络拓扑图;⑤建立网络边界接口全部流量数据的所有类别与网络拓扑图的索引表;⑥根据预测得到的下一阶段的网络边界接口全部流量数据,通过聚类算法①得出其对应的类别,进一步通过⑤建立的索引表可以得到优化的网络拓扑图。
本发明由于采取以上技术方案,其具有以下优点:1、本发明极大提升了大型网络在组网时的工作效率,避免了在组网过程中网络工程人员需逐一对设备进行连接、配置和检测,降低了组网出错率,提高网络的健壮性。2、本发明可以根据网络的多种使用场景制作多个网络配置模板,对于需要经常改动网络结构的系统来说,能够简易方便地切换不同的网络结构,减少人力物力及时间的消耗,节约工作成本。3、本发明由于核心模块中设置有配置与检测子模块,使得网络配置和检测都可以由用户灵活地指定范围,可以满足多种不同的需求,例如网络的单元配置和调试,都能通过本系统简单地实现。在子网的扩展方面,只需要增添前置模块和物理设备即可,其他的模块不需要做任何改动,实现了网络的可继承性和相对独立性。4、本发明由于核心模块设置有维护与排错子模块,能够按照预先制定的规则,根据实时捕捉的各网络链路流量运行状态信息,通过调整链路带宽及改变相关网络设备的配置,可以快速动态的调整优化网路链路,达到网络系统的优化运行,同时还可以自动排除网络故障(如物理链路和设备端口故障),提高网络运营的效率和可靠性。5、本发明核心模块还设置有网络AI模型子模块,能够根据前置模块收集的计算机网络当前运行数据和历史运行数据,构建预测模型和拓扑流量模型,并通过模型计算对整个计算机网络的网络拓扑进行实时调整,得到最优网络拓扑图,再通过拓扑图处理子模块调整网络拓扑结构,使得计算机网络实时处于最优运行状态,提高了计算机网络的运行效率。因此,本发明可以广泛应用于计算机网络组网与优化领域。
附图说明
图1是本发明计算机网络智能组网与优化系统结构示意图;
图2是本发明核心模块的功能结构示意图;
图3是本发明前置模块的功能结构示意图;
图4是本发明计算机网络智能组网与优化系统的实施例结构示意图。
具体实施方式
下面结合附图和实施示例对本发明进行详细的描述。
如图1所示,本发明提供的一种计算机网络智能组网与优化系统,包括用户接口模块、核心模块、前置模块、拓扑连接器(组)以及由多个区域子网组成的计算机网络及其(网络)设备。其中,用户接口模块用于网络智能组网与优化系统的人机交互,包括输入拓扑图、配置文件、检测指令、维护排错规则等信息;核心模块用于接收用户接口模块输入的信息,进行解析处理后分批发送到前置模块,并根据前置模块的反馈信息,对计算机网络进行自动组网、维护和优化;前置模块根据从核心模块接收的分解拓扑图信息和操作指令,控制拓扑连接器(组)构造拓扑连接,同时对计算机网络内的网络设备进行批量部署配置,并监测计算机网络内网络设备的网络运行信息,反馈到核心模块;拓扑连接器组对应于计算机网络,并与该计算机网络中的全部网络设备的全部端口相连。
用户接口模块用于为用户提供多个用于操作的应用程序接口,并将采集的用户输入信息包括拓扑图、配置文件、检测指令和维护排错规则等数据进行安全认证和分类处理后发送到核心模块。
如图2所示,核心模块包括拓扑图处理子模块、配置与检测子模块、维护与排错子模块和网络AI模型子模块。
核心模块接收到用户接口模块发送的信息后,按照信息类别分别发送到相应的拓扑图处理子模块、配置与检测子模块和维护与排错子模块;拓扑图处理子模块对接收到的拓扑图进行解析处理,得到整个计算机网络的网络拓扑图的逻辑链路,并生成与逻辑链路相对应的区域子网内的物理链路的指令和链路聚合指令以及区域子网之间的相关连接指令后发送给前置模块;配置与检测子模块用于对接收到的配置文件和检测指令进行解析处理,将配置文件或检测指令分解成单个网络设备的配置或检测信息,并发送给该网络设备对应的前置模块;维护与排错子模块用于根据前置模块的反馈信息以及预设的维护排错规则,对计算机网络局部的逻辑链路和物理链路进行带宽优化和故障排除。
网络AI模型子模块用于根据前置模块的反馈信息建立预测模型和拓扑流量模型,通过模型运算对计算机网络的网络拓扑图进行调整,得到最优网络拓扑图并发送到拓扑图处理子模块,拓扑图处理子模块根据接收到的最优网络拓扑图进行解析处理,生成相关指令发送给前置模块,各前置模块根据新的拓扑连接指令构造新的拓扑连接,使得计算机网络处于最优运行状态。
拓扑图处理子模块包括拓扑图分解功能模块、逻辑链路分解功能模块和物理链路分解功能模块。其中,拓扑图分解功能模块用于对接收到的拓扑图进行解析处理,按网络设备的物理分布位置划分为多个区域子网,并发送至逻辑链路分解功能模块;逻辑链路分解功能模块用于将分解得到的多个区域子网,分解成各区域子网内网络设备之间的逻辑链路以及各个区域子网之间的逻辑链路,并发送到物理链路分解功能模块;物理链路分解功能模块用于将各逻辑链路进一步分解成与其逻辑链路带宽对应的一条或多条物理链路和相关指令,如建立物理链路的指令和链路聚合指令、区域子网之间连接的相关指令发送给前置模块。
维护与排错子模块包括带宽动态优化功能模块和网络故障排除功能模块。其中,带宽动态优化功能模块用于根据各前置模块反馈的整个计算机网络(包括各区域子网之间及其内部)各逻辑链路的网络流量压力情况,对局部网络拓扑范围内的逻辑链路带宽进行重新分配,生成与网络流量压力状况相适应的逻辑链路,并将相应的调整指令发送到对应的前置模块;网络故障排除功能模块用于根据各前置模块反馈的各区域子网的网络设备、链路和端口的故障情况,按照用户输入的维护排错规则对网络拓扑进行维护,得到能够替代局部故障逻辑链路的新的网络逻辑链路,生成与新的网络逻辑链路对应的物理链路连接和聚合指令,并发送到对应的前置模块。
网络AI模型子模块包括预测模型功能模块和拓扑流量模型功能模块。其中,预测模型功能模块用于根据前置模块收集的各时段的整个网络边界的I/O流量的历史运行数据,学习推演并建立预测模型,同时以当前的实际流量数据作为预测模型的输入,预测下一阶段网络的流量数据,再提交给拓扑流量模型功能模块得到对应的最优网络拓扑图,作为下一阶段网络拓扑调整的依据,下一阶段整个网络边界的I/O流量的运行数据可以反馈给预测模型,以便预测模型进行修正,不断提高预测准确度;拓扑流量模型功能模块用于根据预测模型预测的流量结果和前置模块反馈的网络边界的I/O流量的历史运行数据建立拓扑流量模型,模拟出各种可能的网络拓扑运行,按照用户事先设定的评判标准挑选出最优网络拓扑图(如最大I/O流量、最短网络延时等评判标准),并发送给拓扑图处理子模块,新的拓扑图实施后,根据前置模块采集的实际运行数据,对拓扑流量模型进行不断迭代演算,使得拓扑流量模型不断优化。
如图3所示,前置模块用于控制对应的区域子网内的操作以及区域子网之间的操作,同时支持核心模块的并行处理。前置模块包括服务调度子模块和设备控制类子模块。
服务调度子模块用于创建服务类线程池监听来自核心模块的操作指令,对核心模块发送的操作指令进行分类处理,并将处理后的操作指令发送到设备控制类子模块,同时将设备控制类子模块返回的各区域子网内网络设备的反馈信息发送到核心模块进行处理;设备控制类子模块用于根据接收到的操作指令,对各前置模块对应的区域子网内的网络设备进行控制,实现各区域子网内的网路连接、设备配置调试、自动检测、网络优化和故障排除,同时监听各区域子网内网络设备的反馈信息,并通过服务调度子模块发回给核心模块。
设备控制类子模块包括物理链路功能模块、网络设备配置功能模块、网络设备检测功能模块、网络设备监听功能模块和网络流量监听功能模块。其中,物理链路功能模块用于根据接收到的物理链路连接指令,生成各拓扑连接器的网络端口连接指令,并发送到对应的拓扑连接器;网络设备配置功能模块用于根据接收到的配置指令,通过拓扑连接器对对应的物理设备进行配置和调试;网络设备检测功能模块用于根据接收到的连通性检测指令,逐一控制其对应的网络设备以及拓扑连接器按顺序与其他设备进行通讯;网络设备监听功能模块用于对对应的网络设备的通讯过程进行监听,记录通讯过程中数据包传输成功或失败的情况,并将监听信息通过服务调度子模块完整的反馈给核心模块;网络流量监听功能模块用于对对应的各网络拓扑连接链路的网络流量压力进行监听(可通过SNM协议完成),并将流量监听结果通过服务调度子模块反馈到核心模块。
拓扑连接器(组)用于连接各区域子网内及各区域子网之间的网络设备,用于根据接收到的物理链路连接指令控制各个网络端口之间的连通与断开,实现所在区域子网内以及各区域子网之间的各个网络设备的连通与屏蔽。
如图4所示,作为本发明的实施例,当实际实施的计算机网络达到一定规模时,网络可以划分为多个区域子网,与此对应,前置模块与拓扑连接器(组)可以划分为两层结构,第一层子前置模块和第一层子拓扑连接器(组)对应于各区域子网内部的网络拓扑连接及其网络设备配置,第二层子前置模块和第二层子拓扑连接器(组)对应于完成区域子网之间的网络拓扑连接及其网络设备配置。本发明中仅以两层拓扑连接器(组)和两层前置模块为例进行介绍,当组建的计算机网络规模更大时,可以采用多层(三层及以上)层级结构进行描述,各层前置模块分别对应各层的拓扑连接器(组),各层拓扑连接器(组)对应各层网络设备。
如图4所示本发明的实施例结构中,前置模块包括第一层子前置模块和第二层子前置模块,拓扑连接器(组)包括第一层子拓扑连接器(组)和第二层子拓扑连接器(组),其中,各第一层子拓扑连接器(组)分别对应于计算机网络中的一个区域子网并与该区域子网中的全部网络设备的全部端口相连;第二层子拓扑连接器(组)与连接各区域子网的第一层子拓扑连接器(组)和相关网络设备相连;各第一层子前置模块用于根据核心模块发送的分解拓扑图信息和操作指令,控制相应的拓扑连接器(组)构造拓扑连接(即两个端口对应连通),同时对相应区域子网内的网络设备进行批量部署配置,并监测各区域子网内部网络设备的网络运行(如流量等)信息,并反馈到核心模块;第二层子前置模块用于根据核心模块发送的拓扑图信息和操作指令,控制第二层拓扑连接器(组),在各区域子网之间构造拓扑连接,并配置相关网络设备。
基于上述计算机网络智能组网与优化系统,本发明还提供一种计算机网络智能组网与优化方法,包括以下步骤:
1)用户接口模块采集用户输入的拓扑图、配置文件、检测指令、维护排错规则等,并发送到核心模块。
2)核心模块根据用户接口模块发送的信息,进行解析处理后分批发送到相应的前置模块。
核心模块对接收到的用户信息进行解析处理的方法,包括以下步骤:
2.1)拓扑图处理子模块对接收到的拓扑图进行解析处理,建立与拓扑图相应的物理链路的指令和链路聚合指令,具体包括以下步骤:
①根据网络设备的物理分布位置将待组建的计算机网络划分为多个区域子网(如同一个大楼的网络设备划分为一个区域子网);
②将划分得到的各区域子网的子网拓扑图分解成网络设备之间的逻辑链路(包含宽带信息,如设备A与B的2G链路);
③将各区域子网内的各逻辑链路进一步分解成与其带宽对应的一条或多条物理链路和相关指令,如建立物理链路的指令、激活网络设备的相关端口和链路聚合的指令,并发送给对应的第一层子前置模块;
第一层子前置模块控制网络设备的方式分为两种,一种是控制网络设备业务口(如以太网口)的连通跳接,实现网络设备之间的拓扑连接;另一种是对网络设备进行配置和调试。前置模块对网络设备的配置和调试一般有两个渠道,最便捷的渠道是采用telnet协议(或ssh协议)通过网络直接访问,其约束是之前必须为网络设备设置IP地址;第二种渠道是前置控制器(如前置模块所在PC机或上位机)的com端口直接与网络设备的控制端口(console口)接通,这种方法必须将前置控制器所有网络设备的控制端口都连接到拓扑连接器,由拓扑连接器负责将前置控制器与任意一台网络设备连通。
④根据拓扑图处理子模块分解得到的各区域子网之间的逻辑链路,进一步分解成与其带宽对应的一条或多条物理链路和相关指令,如建立物理链路的指令、激活对应网络设备的相关端口和链路聚合的指令,并发送给对应的第二层子前置模块。
第二层子前置模块主要控制对象为两个:首先是各区域子网之间的连接;其次可以实现区域子网之间的设备借用,例如区域子网A中网络物理设备不够用,可以通过中心前置模块将区域子网B中闲置的网络物理设备转接为区域子网A中的网络逻辑设备加以使用,前置模块也可以通过中心前置模块对网络逻辑设备进行配置调试和维护。
2.2)配置与检测子模块对接收到的配置文件进行解析处理,分解成单个网络设备的配置信息,并依次发送给各单个网络设备所在区域子网对应的前置模块;
2.3)配置与检测子模块对接收到的检测指令进行解析处理,分解成单个网络设备的检测指令,并依次发送给各网络设备所在区域子网对应的前置模块;
如检测A设备与B设备是否连通,则配置与检测子模块将首先分析A设备处于哪个区域子网,然后将检测指令发往该区域子网对应的前置模块,前置模块再转换为“ping B”命令发往A设备。
3)各前置模块根据接收到的分解拓扑图信息和操作指令,控制相应的拓扑连接器(组)构造拓扑连接,并对相应区域子网内的网络设备进行批量部属配置。
前置模块根据核心模块发送的分解拓扑图信息和操作指令,进行网络配置和检测的方法,包括以下步骤:
3.1)服务调度子模块创建服务类线程池监听来自核心模块的操作指令,对核心模块发送的操作指令进行分类处理,将分类处理后的操作指令发送到设备控制类子模块;
核心模块发送的操作指令可以分为两大类:拓扑连接和设备操作类,具体包括物理链路连接与断开的相关指令、网络设备配置指令和网络检测指令等。
3.2)设备控制类子模块根据接收到的操作指令,对各前置模块对应的区域子网内的网络设备进行控制,实现各区域子网内的网路连接、设备配置调试、自动检测、网络优化和故障排除,同时监听各区域子网内网络设备的反馈信息,并通过服务调度子模块发回给核心模块。
4)网络运行过程中,各前置模块对各区域子网内及之间的网络设备进行监测,并将监测结果反馈到核心模块。
5)核心模块根据接收到的反馈信息对计算机网络的局部拓扑的逻辑链路进行调整,实现各区域子网内及各区域子网之间的自动维护和排错。
核心模块对各区域子网进行自动维护和排错主要由维护与排错子模块完成,包括以下步骤:
5.1)带宽动态优化功能模块根据前置模块反馈的各区域子网的网络流量压力情况,对整个网络各拓扑连接的逻辑链路带宽进行重新分配,并将相应的调整指令发送到对应的前置模块;
具体的包括以下步骤:
①取消原逻辑链路对应的多条物理链路的聚合;
②根据带宽要求调整对应物理链路的数量,即随着带宽的增减而增加或减少物理链路的数量;
③将与带宽要求对应的多条物理链路进行聚合,得到与网络流量压力状况相适应的逻辑链路,并将相应的调整指令发送到对应的前置模块。
5.2)网络故障排除功能模块根据前置模块反馈的各区域子网的网络设备、链路和端口的故障情况,按照预先设置的规则对网络拓扑链路进行重新调整,得到新的网络拓扑连接(逻辑)链路,生成与新的网络拓扑连接(逻辑)链路对应的物理链路连接和聚合指令,并发送到对应的前置模块。
6)根据各前置模块反馈的整个计算机网络的流量运行数据情况,核心模块建立预测模型和拓扑流量模型,通过模型运算对计算机网络的网络拓扑图进行模拟运行并不断迭代调整,得到最优网络拓扑图并发送到拓扑图处理子模块,拓扑图处理子模块根据接收到的最优网络拓扑图对网络拓扑结构进行调整,使得计算机网络处于最优运行状态。
核心模块根据各前置模块的反馈信息完成模型计算并实时调整网络拓扑主要由网络AI模型子模块实现,具体包括以下步骤:
6.1)收集全部网络用户交与计算机网络的传输流量数据(即即资源子网交予通讯子网的全部传输流量数据);
6.2)预测模型功能模块根据收集的网络边界接口的全部历史流量数据建立预测模型,对下一时段的网络边界接口全部流量数据进行预测;
预测模型功能模块根据历史数据建立预测模型时:采用算法(如深度学习算法)利用收集的大量数据进行学习,建立如以季节、日期、时段以及之前一段时间网络边界接口全部流量数据作为输入,以当前时段网络边界接口全部流量数据作为输出的预测模型;
6.3)拓扑流量模块功能模块根据收集的网络边界接口的全部历史流量数据建立拓扑流量模型,根据建立的拓扑流量模型以及下一时段网络边界接口全部流量数据的预测结果,得到最优网络拓扑图,发送到拓扑图处理子模块对计算机网络进行更新;
具体的建立拓扑流量模型的方法,包括以下步骤:
①采用算法(如深度学习算法)将收集的大量数据进行聚类;
②通过步骤①得到的网络边界接口全部流量数据的所有类别,每一类别中选取一个网络边界接口全部流量数据作为类别样板;
③采取“基于流量的路由算法”的思想,将一个类别样板数据作为“通信量矩阵”,已知网络拓扑图的顶点数(即当前网络的设备数量),利用一定方法(如广度优先或深度优先)构造出大量的网络拓扑方案,每种方案得出“网络拓扑结构”和“线路带宽矩阵”,从中筛选出最小延迟的网络拓扑,输出网络拓扑图;
④将所有类别样板数据作为输入,利用步骤③算法得出对应的网络拓扑图;
⑤建立网络边界接口全部流量数据的所有类别与网络拓扑图的索引表;
⑥根据预测得到的下一阶段的网络边界接口全部流量数据,通过聚类算法①可以得出其对应的类别,进一步通过⑤建立的索引表可以得到优化的网络拓扑图;
6.4)各前置模块对下一时段更新后的计算机网络的实际运行数据进行采集,并发送到排错与优化子模块以及网络AI模型子模块中的预测模型功能模块和拓扑流量模型功能模块;
6.5)排错与优化子模块根据接收到的下一时段计算机网络的实际运行数据,对计算机网络进行局部拓扑链路优化,并将优化稳定后的网络拓扑图及其链路带宽数据(等同于上述“线路带宽矩阵”)发送到流量拓扑模型功能模块;
6.6)预测模型功能模块根据各前置模块采集的计算机网络下一时段的实际运行数据,对建立的预测模型进行更新,提高预测模型的精度;
具体的,根据各前置模块返回的当前时段实际运行时的网络边界接口全部流量数据与预测数据进行比较,如果有偏差,则将该偏差作为反馈值对预测模型进行调整,以降低偏差;不断迭代运行预测模型,使得预测结果满足预设精度要求;
6.7)拓扑流量功能模块根据各前置模块采集的计算机网络下一时段的实际运行数据,以及优化稳定后的网络拓扑图及其链路带宽数据,对建立的拓扑流量模型进行更新;
6.8)重复步骤6.1)~6.7),不断的根据计算机网络的历史运行数据对计算机网络的整个网络拓扑图或局部拓扑链路进行更新,使得计算机网络处于最优运行状态。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (14)
1.一种计算机网络智能组网与优化系统,其特征在于:其包括用户接口模块、核心模块、前置模块、拓扑连接器组和由若干区域子网构成的计算机网络及其网络设备;
所述用户接口模块用于网络智能组网与优化系统的人机交互;
所述核心模块接收所述用户接口模块输入的信息,进行解析处理后分批发送到所述前置模块,并根据所述前置模块的反馈信息,对所述计算机网络进行自动维护和优化;
所述前置模块根据从所述核心模块接收的分解拓扑图信息和操作指令,控制所述拓扑连接器组构造拓扑连接,同时对所述计算机网络内的网络设备进行批量部署配置,并监测所述计算机网络内网络设备的网络运行信息,反馈到所述核心模块;
所述拓扑连接器组对应于所述计算机网络,并与所述计算机网络中的全部网络设备的全部端口相连。
2.如权利要求1所述的一种计算机网络智能组网与优化系统,其特征在于:所述核心模块包括拓扑图处理子模块、配置与检测子模块和维护与排错子模块;
所述拓扑图处理子模块对接收到的拓扑图进行解析处理,将所述计算机网络划分为多个区域子网,得到计算机网络各个区域子网的网络拓扑图及其逻辑链路,并生成与逻辑链路相对应的区域子网内的物理链路连接指令和链路聚合指令以及所述区域子网之间的相关指令后发送给所述前置模块;
所述配置与检测子模块用于对接收到的配置文件和检测指令进行解析处理,将配置文件或检测指令分解成单个网络设备的配置信息,并发送给控制该网络设备的所述区域子网对应的所述前置模块;
所述维护与排错子模块用于根据所述前置模块的反馈信息以及预设的维护排错规则,对计算机网络局部的逻辑链路和物理链路进行带宽优化和故障排除。
3.如权利要求2所述的一种计算机网络智能组网与优化系统,其特征在于:所述核心模块还包括网络AI模型子模块,所述网络AI模型子模块用于根据所述前置模块的反馈信息建立预测模型和拓扑流量模型,通过模型运算对所述计算机网络的网络拓扑图进行实时调整,得到最优网络拓扑图并发送到所述拓扑图处理子模块,所述拓扑图处理子模块根据接收到的最优网络拓扑图进行解析处理,生成整个计算机网络的逻辑链路,并根据逻辑链路生成各区域子网内的物理链路连接指令和链路聚合指令以及所述区域子网之间的相关指令发送给所述前置模块,使所述计算机网络运行达到最优。
4.如权利要求3所述的一种计算机网络智能组网与优化系统,其特征在于:所述网络AI模型子模块包括预测模型功能模块和拓扑流量模型功能模块;
所述预测模型功能模块用于根据所述前置模块收集的各时段内整个计算机网络边界的I/O流量的历史运行数据建立预测模型,以当前时段的实际流量数据作为预测模型的输入,对计算机网络下一时段的流量数据进行预测并发送到所述拓扑流量模型功能模块,同时根据所述前置模块返回的所述计算机网络下一时段的实际流量数据对当前预测模型进行修正;
所述拓扑流量模型功能模块用于根据预测模型预测的下一时段的流量数据和所述前置模块反馈的各时段整个计算机网络边界的I/O流量的历史运行数据建立拓扑流量模型,模拟出各种可能的网络拓扑运行,然后根据预设的评判标准挑选出最优网络拓扑图,发送给所述拓扑图处理子模块,同时根据所述前置模块采集的实际运行数据,对所述拓扑流量模型进行实时优化。
5.如权利要求2所述的一种计算机网络智能组网与优化系统,其特征在于:所述维护与排错子模块包括带宽动态优化功能模块和网络故障排除功能模块;
所述带宽动态优化功能模块用于根据所述前置模块反馈的整个计算机网络各逻辑链路的网络流量压力情况,对局部网络拓扑范围内的逻辑链路带宽进行重新分配,生成与网络流量压力状况相适应的逻辑链路,并将相应的调整指令发送到对应的所述前置模块;
所述网络故障排除功能模块用于根据各所述前置模块反馈的各区域子网的网络设备、链路和端口的故障情况,按照预先设置的维护排错规则对网络拓扑进行维护,得到能够替代局部故障逻辑链路的新的网络拓扑逻辑链路,生成与新的网络拓扑逻辑链路对应的物理链路连接和聚合指令,并发送到所述前置模块。
6.如权利要求1所述的一种计算机网络智能组网与优化系统,其特征在于:所述前置模块包括服务调度子模块和设备控制类子模块;
所述服务调度子模块用于创建服务类线程池监听来自所述核心模块的操作指令,对所述核心模块发送的操作指令进行分类处理后发送到所述设备控制类子模块,同时将所述设备控制类子模块返回的各所述区域子网内网络设备的反馈信息发送到所述核心模块进行处理;
所述设备控制类子模块用于根据接收到的操作指令,对各所述前置模块对应的区域子网内的网络设备进行控制,实现各所述区域子网内的网路连接、设备配置调试、自动检测、网络优化和故障排除,同时监听各所述区域子网内网络设备的反馈信息,并通过所述服务调度子模块发回给所述核心模块。
7.如权利要求6所述的一种计算机网络智能组网与优化系统,其特征在于:所述设备控制类子模块包括物理链路功能模块、网络设备配置功能模块、网络设备检测功能模块、网络设备监听功能模块和网络流量监听功能模块;
所述物理链路功能模块用于根据接收到的物理链路连接指令,生成各拓扑连接器的网络端口连接指令,并发送到对应的所述拓扑连接器;
所述网络设备配置功能模块用于根据接收到的配置指令,通过拓扑连接器对各区域子网内的物理设备进行配置和调试;
所述网络设备检测功能模块用于根据接收到的连通性检测指令,逐一控制其对应区域子网内的网络设备以及拓扑连接器按顺序与其他设备进行通讯;
所述网络设备监听功能模块用于对各区域子网的网络设备的通讯过程进行监听,记录通讯过程中数据包传输成功或失败的情况,并将监听信息通过所述服务调度子模块完整的反馈给所述核心模块;
所述网络流量监听功能模块用于对各区域子网中的各网络拓扑连接链路的网络流量压力进行监听,并将流量监听结果通过所述服务调度子模块反馈到所述核心模块。
8.如权利要求1所述的一种计算机网络智能组网与优化系统,其特征在于:所述前置模块包括一层以上子前置模块,所述拓扑连接器组包括一层以上子拓扑连接器组,所述子前置模块和子拓扑连接器组的层数根据所述计算机网络的规模设置;
各层所述子前置模块分别与各层所述子拓扑连接器组一一对应,用于根据所述核心模块发送的分解拓扑图信息和操作指令,控制各层所述拓扑连接器组在各层区域子网内及各区域子网之间构造拓扑连接,同时对相应区域子网内的网络设备进行批量部署配置,并监测各区域子网内部网络设备的网络运行信息,并反馈到所述核心模块;
各层所述子拓扑连接器组均包括一个以上拓扑连接器,最下层所述子拓扑连接器组中的各拓扑连接器分别对应于计算机网络中的各区域子网并与各所述区域子网中的全部网络设备的全部端口相连,第二层所述子拓扑连接器组中的各拓扑连接器分别与最下层所述子拓扑连接器组中的各拓扑连接器及网络设备相连,其他层所述子拓扑连接器组依次与下一层所述子拓扑连接器组内的拓扑连接器及网络设备相连。
9.一种基于如权利要求1~8任一项所述系统的计算机网络智能组网与优化方法,其特征在于包括以下步骤:
1)用户接口模块采集用户输入的拓扑图、配置文件、检测指令、维护排错规则,并发送到核心模块;
2)核心模块对接收到的用户输入信息进行解析处理后分批发送到相应的前置模块;
3)各前置模块根据接收到的分解拓扑图信息和操作指令,控制相应的拓扑连接器构造拓扑连接,并对相应区域子网内的网络设备进行批量部署配置;
4)网络运行过程中,各前置模块对各区域子网内的网络设备进行监测,并将监测结果反馈到核心模块内;
5)核心模块根据接收到的反馈信息对各区域子网进行自动维护和优化;
6)根据各前置模块反馈的整个计算机网络的流量运行数据情况,核心模块建立预测模型和拓扑流量模型,通过模型运算对计算机网络的网络拓扑图进行模拟运行并不断迭代调整,得到最优网络拓扑图并发送到拓扑图处理子模块,拓扑图处理子模块根据接收到的最优网络拓扑图对网络拓扑结构进行调整,使得计算机网络处于最优运行状态。
10.如权利要求9所述的一种计算机网络智能组网与优化方法,其特征在于:所述方法还包括以下步骤:
根据前置模块反馈的整个计算机网络的运行数据情况,核心模块建立预测模型和拓扑流量模型,通过模型运算对计算机网络的网络拓扑图进行调整,得到最优网络拓扑图,根据最优网络拓扑图对计算机网络进行更新,使得计算机网络处于最优运行状态。
11.如权利要求9所述的一种计算机网络智能组网与优化方法,其特征在于:所述步骤2)中,核心模块对接收到的用户输入信息进行解析处理的方法,包括以下步骤:
2.1)对接收到的拓扑图进行解析处理,建立与拓扑图相应的物理链路连接的指令和链路聚合指令,具体包括以下步骤:
①根据网络设备的物理分布位置将待组建的计算机网络划分为多个区域子网;
②将划分得到的各区域子网的子网拓扑图分解成网络设备之间的逻辑链路,该逻辑链路包括各区域子网内的逻辑链路以及各区域子网之间的逻辑链路;
③将各区域子网内的各逻辑链路进一步分解成与其带宽对应的一条或多条物理链路和相关指令,并发送给对应的前置模块;
④根据分解得到的各区域子网之间的逻辑链路,进一步分解成与其带宽对应的一条或多条物理链路和相关指令,并发送给对应的前置模块;
2.2)对接收到的配置文件进行解析处理,分解成单个网络设备的配置信息,并依次发送给各单个网络设备所在区域子网对应的前置模块;
2.3)对接收到的检测指令进行解析处理,分解成单个网络设备的检测指令,并依次发送给各设备所在区域子网对应的前置模块。
12.如权利要求9所述的一种计算机网络智能组网与优化方法,其特征在于:所述步骤5)中,核心模块根据各前置模块的反馈信息进行各区域子网的自动维护和优化的方法,包括以下步骤:
5.1)根据前置模块反馈的各区域子网的网络流量压力情况,对整个网络各拓扑连接的逻辑链路带宽进行重新分配,并将相应的调整指令发送到对应的前置模块,具体的,包括以下步骤;
①取消原逻辑链路对应的多条物理链路的聚合;
②根据带宽要求调整对应物理链路的数量,随着带宽增减而增减物理链路的数量;
③将与带宽要求对应的多条物理链路进行聚合,得到与网络流量压力状况相适应的逻辑链路,并将相应的调整指令发送到对应的前置模块;
5.2)根据前置模块反馈的各区域子网的网络设备、链路和端口的故障情况,按照预先设置的维护排错规则对局部网络拓扑进行重新设计,得到新的网络拓扑逻辑链路,生成与新的网络拓扑逻辑链路对应的物理链路连接和聚合指令,并发送到对应的前置模块。
13.如权利要求10所述的一种计算机网络智能组网与优化方法,其特征在于:所述步骤6)中,核心模块根据计算机网络的运行数据使得计算机网络处于最优运行状态的方法,包括以下步骤:
6.1)收集全部网络用户交与计算机网络的传输流量数据;
6.2)根据收集的网络边界接口的全部历史流量数据建立预测模型,对下一时段的网络边界接口全部流量数据进行预测;
6.3)根据收集的网络边界接口的全部历史流量数据建立拓扑流量模型,根据建立的拓扑流量模型以及下一时段网络边界接口全部流量数据的预测结果,得到最优网络拓扑图,根据最优网络拓扑图,对计算机网络进行更新;
6.4)各前置模块对下一时段更新后的计算机网络的实际运行数据进行采集,并发送到核心模块;
6.5)核心模块根据接收到的下一时段计算机网络的实际运行数据,对计算机网络进行局部拓扑链路优化,得到优化稳定后的网络拓扑图及其链路带宽数据;
6.6)根据各前置模块采集的计算机网络下一时段的实际运行数据,对建立的预测模型进行更新,提高预测模型的精度;
6.7)根据各前置模块采集的计算机网络下一时段的实际运行数据,以及优化稳定后的网络拓扑图及其链路带宽数据,对建立的拓扑流量模型进行更新;
6.8)重复步骤6.1)~6.7),不断的根据计算机网络的历史运行数据对计算机网络的整个网络拓扑图或局部拓扑链路进行更新,使得计算机网络处于最优运行状态。
14.如权利要求13所述的一种计算机网络智能组网与优化方法,其特征在于:所述步骤6.3)中,建立拓扑流量模型的方法,包括以下步骤:
①采用算法将收集的大量数据进行聚类;
②通过步骤①得到的网络边界接口全部流量数据的所有类别,每一类别中选取一个网络边界接口全部流量数据作为类别样板;
③采取“基于流量的路由算法”的思想,将一个类别样板数据作为“通信量矩阵”,已知网络拓扑图的顶点数,构造出多种网络拓扑方案,每种方案得出“网络拓扑结构”和“线路带宽矩阵”,从中筛选出最小延迟的网络拓扑,输出网络拓扑图;
④将所有类别样板数据作为输入,利用步骤③算法得出对应的网络拓扑图;
⑤建立网络边界接口全部流量数据的所有类别与网络拓扑图的索引表;
⑥根据预测得到的下一阶段的网络边界接口全部流量数据,通过聚类算法①得出其对应的类别,进一步通过⑤建立的索引表可以得到优化的网络拓扑图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810401780.9A CN108566305B (zh) | 2018-04-28 | 2018-04-28 | 一种计算机网络智能组网与优化系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810401780.9A CN108566305B (zh) | 2018-04-28 | 2018-04-28 | 一种计算机网络智能组网与优化系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108566305A CN108566305A (zh) | 2018-09-21 |
CN108566305B true CN108566305B (zh) | 2021-04-06 |
Family
ID=63537226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810401780.9A Active CN108566305B (zh) | 2018-04-28 | 2018-04-28 | 一种计算机网络智能组网与优化系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108566305B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110661664B (zh) * | 2019-09-27 | 2022-06-21 | 新华三信息安全技术有限公司 | 一种流量模拟方法及装置 |
CN111726243B (zh) * | 2020-05-14 | 2021-10-22 | 华为技术有限公司 | 预测节点状态的方法和装置 |
CN112242922A (zh) * | 2020-09-04 | 2021-01-19 | 苏州浪潮智能科技有限公司 | 一种网络拓扑的构建方法、装置、设备及可读介质 |
CN113193980A (zh) * | 2021-03-29 | 2021-07-30 | 中盈优创资讯科技有限公司 | 一种基于新型城域网拓扑快速生成功能配置的方法及装置 |
CN114745251A (zh) * | 2022-03-16 | 2022-07-12 | 岳阳职业技术学院 | 一种计算机网络智能组网与优化系统和方法 |
CN116155743B (zh) * | 2023-04-20 | 2023-07-07 | 北京广通优云科技股份有限公司 | 一种自动化运维中第三层网络拓扑结构修正方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826986A (zh) * | 2010-05-04 | 2010-09-08 | 中国人民解放军国防科学技术大学 | 一种物理网络感知的覆盖网构建方法 |
CN101854303A (zh) * | 2010-05-27 | 2010-10-06 | 北京星网锐捷网络技术有限公司 | 网络拓扑连接器 |
CN107919973A (zh) * | 2016-10-08 | 2018-04-17 | 华为技术有限公司 | 用于配置网络设备参数的方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8942197B2 (en) * | 2011-10-24 | 2015-01-27 | Harris Corporation | Mobile ad hoc network with dynamic TDMA slot assignments and related methods |
-
2018
- 2018-04-28 CN CN201810401780.9A patent/CN108566305B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826986A (zh) * | 2010-05-04 | 2010-09-08 | 中国人民解放军国防科学技术大学 | 一种物理网络感知的覆盖网构建方法 |
CN101854303A (zh) * | 2010-05-27 | 2010-10-06 | 北京星网锐捷网络技术有限公司 | 网络拓扑连接器 |
CN107919973A (zh) * | 2016-10-08 | 2018-04-17 | 华为技术有限公司 | 用于配置网络设备参数的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108566305A (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108566305B (zh) | 一种计算机网络智能组网与优化系统和方法 | |
CN110213369B (zh) | 一种服务功能链自动编排系统及其编排方法 | |
CN110708178B (zh) | 网络部署方法及装置 | |
AU720871B2 (en) | Apparatus and method for network capacity evaluation and planning | |
US20240143391A1 (en) | Dispatching and control cloud data processing method, apparatus and system | |
CN112600717B (zh) | 基于sdn的卫星网络管控协议半实物试验装置 | |
WO2017086739A1 (ko) | 상태 관련 정보 공유 방법 및 장치 | |
CN110213175B (zh) | 一种面向知识定义网络的智能管控系统及管控方法 | |
CN110048869A (zh) | 面向工业时间敏感软件定义网络的资源分配方法和系统 | |
CN108234169B (zh) | 一种分布式仿真网络结构实时动态优化方法 | |
US10057131B1 (en) | System and method for topology-aware configuration generation | |
CN113055232B (zh) | 一种网络配置部署方法、装置与设备 | |
US20170264491A1 (en) | Intent based controller for provisioning a network | |
CN103618677A (zh) | 一种网络流量调整方法及系统 | |
CN1833404A (zh) | 确定网络节点监控组的优先组成员 | |
CN106330697A (zh) | 混合型网络生成树建立方法、备援方法与其控制系统 | |
CN115576289A (zh) | 基于虚拟化技术的可重构高保真大规模工业互联网仿真平台 | |
CN114189433A (zh) | 一种意图驱动网络系统 | |
CN111404734B (zh) | 一种基于配置迁移的跨层网络故障恢复系统及方法 | |
CN117640335B (zh) | 一种智能建筑综合布线的动态调整和优化方法 | |
CN117202239B (zh) | 一种无线网桥网络统一管理的方法及系统 | |
CN110830394A (zh) | 一种基于RapidIO网络的路由表生成方法 | |
CN212675415U (zh) | 一种用于dcs控制系统的通讯网络 | |
CN107294773A (zh) | 一种软件可定义的网络业务配置方法 | |
CN116319380B (zh) | 基于云原生平台及用户态交换机的网络仿真方法及系统 |
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 |