CN109684182B - 一种预测网络拥塞对网络质量影响的方法和装置 - Google Patents
一种预测网络拥塞对网络质量影响的方法和装置 Download PDFInfo
- Publication number
- CN109684182B CN109684182B CN201811487631.5A CN201811487631A CN109684182B CN 109684182 B CN109684182 B CN 109684182B CN 201811487631 A CN201811487631 A CN 201811487631A CN 109684182 B CN109684182 B CN 109684182B
- Authority
- CN
- China
- Prior art keywords
- data
- historical operating
- operating data
- port
- predicted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 60
- 230000007774 longterm Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003139 buffering effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种预测网络拥塞对网络质量影响的方法和装置，涉及移动通信网络管理技术领域，用于预测网络拥塞所带来的网络质量影响。该方法包括：获取待预测端口的近期历史运行数据、待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据，所述历史运行数据包括利用率、丢包率和/或时延值；分别针对不同类别的所述历史运行数据进行数据处理；将经过处理的所述历史运行数据按照预设方式混合形成预测所需的训练集；通过所述训练集构建网络拥塞影响预测模型。
Description
技术领域
本发明涉及移动通信网络管理技术领域，尤其涉及一种预测网络拥塞对网络质量影响的方法和装置。
背景技术
近年来网络中的流量逐年大幅度增长，各种新业务对网络流量的需求也越来越高，尤其是目前已普及的视频业务以及新兴的VR/AR业务，使得网络中流量的增长速度进一步加剧。面对巨大的网络需求，如何保证网络质量是关键。目前，网络拥塞是造成网络质量劣化的最主要原因之一，为了更好的提供网络服务，需要将网络控制在一个可以接受的拥塞程度内。为了解决这一关键性问题，了解网络拥塞对网络质量的影响至关重要。
在目前的网络运维中，对于端口拥塞情况的判定，都是基于利用率、丢包、延时、缓存配置、流量突发特征等参数进行。但目前的判定方式都是针对全网或同类端口进行综合性研究，给出拥塞影响，然后在实际执行中给定一个利用率门限或丢包率门限，认为端口不应高于此门限。然而，由于设备的缓存能力、流量的突发程度、流量的调度方案这些因素都会对拥塞产生很大的影响。利用率到底对丢包率和时延的影响有多大，什么样的利用率对应着多高的丢包率和时延，这一问题在各种情况下有着很大的差异。这种对所有端口统一设定门限的方式，无法很好的适配各端口的实际情况，导致后续链路扩容过程中，无法最准确的判断各端口的实际拥塞程度，使得投资中难以精准的找到最拥塞的位置，也难以精准的预防拥塞。
例如，不同型号设备的缓存能力有非常大的差异，缓存能力越大，在拥塞时就能暂存更多的数据，从而使得拥塞时的丢包更少，抵御拥塞的能力也就越高。因而，统一制定扩容门限应用于各种类型的端口，这种方式并不合理。另外，网页浏览业务的流量通常是瞬发的，而视频浏览的流量通常是稳定而持续的。显然波动性更高的流量更容易产生拥塞。因而同类设备如果承载不同的业务，也会对拥塞的发生概率有极大的影响。
发明内容
本发明的实施例提供一种预测网络拥塞对网络质量影响的方法和装置，用于解决现有技术中无法准确的判断各端口的实际拥塞程度的技术问题。
为达到解决上述技术问题的目的，本发明的实施例采用如下技术方案：
第一方面，本发明的实施例提供了一种预测网络拥塞对网络质量影响的方法，该方法包括：
获取待预测端口的近期历史运行数据、待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据，所述历史运行数据包括利用率、丢包率和/或时延值；
分别针对不同类别的所述历史运行数据进行数据处理；
将经过处理的所述历史运行数据按照预设方式混合形成预测所需的训练集；
通过所述训练集构建网络拥塞影响预测模型。
第二方面，本发明的实施例提供了一种预测网络拥塞对网络质量影响的装置，该装置包括：
获取单元，用于获取待预测端口的近期历史运行数据、待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据，所述历史运行数据包括利用率、丢包率和/或时延值；
处理单元，用于分别针对不同类别的所述历史运行数据进行数据处理；
混合单元，用于将经过处理的所述历史运行数据按照预设方式混合形成预测所需的训练集；
构建单元，用于通过所述训练集构建网络拥塞影响预测模型。
第三方面，提供了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当被计算机执行时使所述计算机执行如第一方面所述的预测网络拥塞对网络质量影响的方法。
第四方面，提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使得计算机执行如第一方面所述的预测网络拥塞对网络质量影响的方法。
第五方面，提供一种预测网络拥塞对网络质量影响的装置，包括：处理器和存储器，存储器用于存储程序，处理器调用存储器存储的程序，以执行上述第一方面所述的预测网络拥塞对网络质量影响的方法。
本发明的实施例提供一种预测网络拥塞对网络质量影响的方法和装置，通过获取待预测端口的近期历史运行数据、待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据作为知识空间，将不同类别的历史运行数据进行不同的处理得到有效数据，并根据预设方式混入训练集用于训练神经网络预测模型。本发明实施例所公开的针对每个端口独立进行神经网络预测的方案，避免了具体分析缓存、配置、流量特征等复杂因素的对网络质量产生的混合影响，直接从实际执行结果出发，利用实际效果进行神经网络预测模型的训练，从而尽可能的适配该待预测端口的实际情况。使预测更具有针对性，结果更加准确。
附图说明
图1为本发明的实施例提供的一种预测网络拥塞对网络质量影响的方法流程示意图一；
图2为本发明的实施例提供的一种预测网络拥塞对网络质量影响的方法流程示意图二；
图3为本发明的实施例提供的一种预测网络拥塞对网络质量影响的装置示意图一；
图4为本申请实施例提供的一种预测网络拥塞对网络质量影响的装置示意图二。
具体实施方式
为了便于理解，示例的给出了部分与本申请实施例相关概念的说明以供参考。如下所示：
神经网络：是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统，BP神经网络属于其中一种。
BP神经网络：是一种对非线性可微分函数进行权值训练的多层网络。它的最大特点是仅仅借助样本数据,无需建立系统的数学模型,就可对系统实现由m个输入神经元的模式向量p组成的pm空间到yn空间n(为输出节点数)的高度非线性映射。
神经网络的训练分为初始训练和周期性更新训练。
初始训练：是指对于一个新接口，由于其对应的神经网络未经过训练，参数为初始状态，因而将训练集反复输入至神经网络中进行训练，直至满足特定的终止函数。
周期性更新训练：是指周期性的根据最新数据重新生成训练集，并输入神经网络进行训练。从而不断更新预测模型中的参数。
下面结合附图，对本发明的实施例进行具体描述。
本发明的实施例提供一种预测网络拥塞对网络质量影响的方法和装置，应用场景包括城域网、局域网、广域网等包含多种设备和端口的网络域。通过构建神经网络模型，预测端口利用率对网络质量的影响。首先获取待预测端口的近期历史运行数据、待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据作为知识空间，将不同类别的历史运行数据进行不同的处理得到有效数据，并根据预设方式混入训练集用于训练神经网络预测模型，从而得到适配待预测端口的神经网络模型。最后通过将待预测端口利用率输入至该神经网络模型预测利用率对该待预测端口网络质量的影响。
参考图1-图2所示，本发明的实施例提供了一种预测网络拥塞对网络质量影响的方法，该方法包括步骤S101-S104：
S101、获取待预测端口的近期历史运行数据、待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据。
本实施例提供的方法可应用于任意网络，如局域网、城域网、广域网；又如：接入网、核心网等。本实施例以城域网为例，针对特定设备的特定端口进行网络拥塞所带来的网络质量影响的预测，以下统称该特定设备的特定端口为待预测端口。首先通过网管系统收集城域网内各设备端口的历史运行数据，该历史运行数据包括利用率、丢包率、时延值等。
将获取到的历史运行数据分为待预测端口的近期历史运行数据、待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据四种。待预测端口的近期历史运行数据是指该待预测端口最近一段时期的历史运行数据，例如该一段时期可设定为一周内。由于目前现网很多网管系统对于历史运行数据的存储时间都有限制期，超出该限制期之前的数据将会被覆盖，例如该限制期为3个月，则3个月之前的数据将会被覆盖，因此待预测端口的远期历史运行数据是指该待预测端口限制期内的历史运行数据，即近3个月内的历史运行数据，需要注意的是，该待预测端口的近期历史运行数据与待预测端口的远期历史运行数据之间的数据在时间上不产生重叠，即待预测端口的远期历史运行数据所包含的3个月需除去待预测端口的近期历史运行数据所包含的7天。同类端口的历史运行数据是指与待预测端口所属设备的生产厂家和型号都相同的设备端口在限制期内的历史运行数据。不同类端口的历史运行数据是指该城域网内所有设备、所有端口在限制期内的历史运行数据。
S102、分别针对不同类别的该历史运行数据进行数据处理。
通过步骤S101获取了待预测端口的近期历史运行数据、待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据之后，需对这四类历史运行数据进行数据处理。
首先需要去除各类历史运行数据中的异常数据，该异常数据包括数据值为空值、负值以及不在合理范围内的数据，如利用率、丢包率超过100％。
由于待预测端口的近期历史运行数据是与待预测端口的网络质量关系最密切的数据，因此对此类数据仅进行上述的简单异常数据剔除操作，此类数据将全部作为预测所需训练集。
对于待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据在经过异常数据剔除操作后，需分别进行利用率区间的划分。首先设定利用率间隔，例如以10％作为利用率间隔，进行利用率区间的划分，即该三类数据可被划分为10个利用率区间：0％-10％、10％-20％、20％-30％、30％-40％、40％-50％、50％-60％、60％-70％、70％-80％、80％-90％、90％-100％。然后按照预先划分的利用率区间以及利用率与丢包率或时延值的对应关系，分别将该待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据中的丢包率或时延值划分到对应的10个利用率区间内；统计各个利用率区间内对应的数据，并根据统计学方法筛选各利用率区间范围内丢包率和/或时延值数据的有效数据。设置有效范围是为了避免一些偶发的异常数据对预测产生影响，例如链路突然断连，使得短期出现30％利用率对应100％丢包率的情况。
可选的，筛选有效数据的统计学方法可以为，以25％分位数减1.5*四分位差作为有效数据的下限，以75％分位数加1.5*四分位差作为有效数据的上限。四分位数分别为25％/50％/75％分位数，四分位差为75％分位数与25％分位数之间的差值。系数1.5是统计学中该方法的常见系数值，一般情况下不做调整。
可选的，筛选有效数据的统计学方法也可以为，以均值加3*标准差作为有效数据的下限，以均值减3*标准差作为有效数据的上限。
S103、将经过处理的该历史运行数据按照预设方式混合形成预测所需的训练集。
通过步骤S102得到有效数据后，将所述待预测端口近期历史运行数据作为预测所需训练集的基础数据。然后根据所述待预测端口近期历史运行数据的数量以及预设比例系数，计算所述待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据分别应混入预测所需训练集的数量，根据计算出的数量，分别将相应数量的所述待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据混入预测所需训练集。由于不同类端口的性能与待预测端口的性能差异较大，通常设定的比例系数很小。在将数据混入训练集时，可以根据计算得出的数量，从对应历史运行数据的每个利用率区间内随机抽取相应数量的有效数据样本，混入预测所需训练集以保证数据的全面性。
例如，设定待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据三类数据相对于待预测端口近期历史运行数据的预设比例系数为0.2:0.1:0，这里设定不同类端口对应的比例系数为0。目前现网的网管系统采集周期通常为5分钟，数据保存时间通常为3个月。对应的待预测端口的近期(7天)历史运行数据约为7*24*12＝2016条，而待预测端口远期(近3个月)历史运行数据约为(90-7)*24*12＝24904条。首先，2016条待预测端口的近期历史运行数据将全部进入训练集；其次，根据预设比例系数0.2,计算待预测端口远期历史运行数据进入训练集的数量为2016*0.2≈400条，对应到10个利用率区间，即每个利用率区间选择40条进入训练集；在每个利用率区间内，随机抽取40条有效数据，以随机顺序插入到该训练集内。同理可得，根据预设比例系数0.1,同类端口历史运行数据约加入200条，对应到每个利用率区间为20条，随机抽取20条有效数据，以随机顺序插入到该训练集内。
特别地，预设待预测端口的近期历史运行数据加入训练集的下限值，若待预测端口为新建端口或存在其它特殊原因，导致数据量较少不满足该下限值，则利用随机抽取的方式重复对该类数据进行选择，直至数据量达到下限值。
对应于步骤S102中的可选方案，根据预设比例系数将相应数量的该有效数据的均值与该待预测端口近期历史运行数据混合形成预测所需的训练集。同一数据被多次使用，并不影响预测模型的运算。
S104、通过该训练集构建网络拥塞影响预测模型。
通过步骤S103得到了包含有有效数据的训练集，通过该训练集构建网络拥塞影响预测模型，利用神经网络进行训练，得到预测模型的参数，本实施例中，选择使用BP神经网络，也可使用其它人工神经网络作为替代方案。将得到的参数应用于该预测模型，同时以该待预测端口的利用率作为输入，输出丢包率或时延值，从而得出利用率对网络质量的影响。实现每个设备端口对应一个神经网络模型，独立进行预测模型训练和网络质量影响预测。
本发明的实施例提供一种预测网络拥塞对网络质量影响的方法和装置，通过获取待预测端口的近期历史运行数据、待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据作为知识空间，将不同类别的历史运行数据进行不同的处理得到有效数据，并根据预设方式混入训练集用于训练神经网络预测模型。本发明实施例所公开的针对每个端口独立进行神经网络预测的方案，避免了具体分析缓存、配置、流量特征等复杂因素的对网络质量产生的混合影响，直接从实际执行结果出发，利用实际效果进行神经网络预测模型的训练，从而尽可能的适配该待预测端口的实际情况。使预测更具有针对性，结果更加准确。
参照图3中所示，本发明实施例提供了一种预测网络拥塞对网络质量影响的装置，可以应用于如上所示的预测网络拥塞对网络质量影响的方法。该预测网络拥塞对网络质量影响的装置100包括：
获取单元101，用于获取待预测端口的近期历史运行数据、待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据，该历史运行数据包括利用率、丢包率和/或时延值；
处理单元102，用于分别针对不同类别的该历史运行数据进行数据处理；
混合单元103，用于将经过处理的该历史运行数据按照预设方式混合形成预测所需的训练集；
构建单元104，用于通过该训练集构建网络拥塞影响预测模型。
可选的，该处理单元102具体用于：
去除所有历史运行数据中的异常数据，所述异常数据包括空值、负值以及利用率、丢包率超过1的数据；
分别针对所述待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据，按照预先划分的利用率区间以及利用率与丢包率或时延值的对应关系，将丢包率或时延值划分到对应的利用率区间，筛选各利用率区间范围内所述丢包率和/或时延值数据的有效数据。
可选的，该处理单元102还用于：
以25％分位数减1.5*四分位差作为下限，以75％分位数加1.5*四分位差作为上限，筛选该利用率区间内所述丢包率和/或时延值的有效数据；
或者
计算该利用率区间内所述丢包率和/或时延值的均值和标准差，以均值减3*标准差为下限，以均值加3*标准差为上限，筛选该利用率区间内所述丢包率和/或时延值的有效数据。
可选的，该混合单元102具体用于：
将所述待预测端口近期历史运行数据作为预测所需训练集的基础数据；
根据所述待预测端口近期历史运行数据的数量以及预设比例系数，计算所述待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据分别应混入预测所需训练集的数量；
按照计算得出的数量，分别将所述待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据混入预测所需训练集。
可选的，该混合单元102还用于：
根据计算得出的数量，从对应历史运行数据的每个利用率区间内随机抽取相应数量的有效数据样本，混入预测所需训练集；
或者
根据计算得出的数量，将每个利用率区间内有效数据的均值重复混入预测所需训练集。
本发明的实施例提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当被计算机执行时使计算机执行如图1-图2中所述的预测网络拥塞对网络质量影响的方法。
本发明的实施例提供一种包含指令的计算机程序产品，当指令在计算机上运行时，使得计算机执行如图1-图2中所述的预测网络拥塞对网络质量影响的方法。
图4示出了上述实施例中所涉及一种预测网络拥塞对网络质量影响的装置的又一种可能的结构示意图。该装置包括：处理器202和通信接口203。处理器202用于对装置的动作进行控制管理，例如，执行上述获取单元101、处理单元102、混合单元103以及构建单元104执行的步骤，和/或用于执行本文所描述的技术的其它过程。通信接口203用于支持该装置与其他网络实体的通信，终端还可以包括存储器201和总线204，存储器201用于存储装置的程序代码和数据。
其中，上述处理器202可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，单元和电路。该处理器可以是中央处理器，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，单元和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
存储器201可以包括易失性存储器，例如随机存取存储器；该存储器也可以包括非易失性存储器，例如只读存储器，快闪存储器，硬盘或固态硬盘；该存储器还可以包括上述种类的存储器的组合。
总线204可以是扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。总线404可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
由于本发明的实施例中的预测网络拥塞对网络质量影响的装置、计算机可读存储介质、计算机程序产品可以应用于上述方法，因此，其所能获得的技术效果也可参考上述方法实施例，本发明实施例在此不再赘述。
需要说明的是，上述各单元可以为单独设立的处理器，也可以集成在控制器的某一个处理器中实现，此外，也可以以程序代码的形式存储于控制器的存储器中，由控制器的某一个处理器调用并执行以上各单元的功能。这里所述的处理器可以是一个中央处理器(Central Processing Unit，CPU)，或者是特定集成电路(Application SpecificIntegrated Circuit，ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路。
应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
Claims (8)
1.一种预测网络拥塞对网络质量影响的方法，其特征在于，包括：
获取待预测端口的近期历史运行数据、待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据，所述历史运行数据包括利用率、丢包率和/或时延值；
分别针对不同类别的所述历史运行数据进行数据处理；
将经过处理的所述历史运行数据按照预设方式混合形成预测所需的训练集；
通过所述训练集构建网络拥塞影响预测模型；
所述分别针对不同类别的所述历史运行数据进行数据处理包括：
去除所有历史运行数据中的异常数据，所述异常数据包括空值、负值以及利用率、丢包率超过1的数据；
分别针对所述待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据，按照预先划分的利用率区间以及利用率与丢包率或时延值的对应关系，将丢包率或时延值划分到对应的利用率区间，筛选各利用率区间范围内所述丢包率和/或时延值数据的有效数据；
所述将经过处理的所述历史运行数据按照预设方式混合形成预测所需的训练集包括：
将所述待预测端口近期历史运行数据作为预测所需训练集的基础数据；
根据所述待预测端口近期历史运行数据的数量以及预设比例系数，计算所述待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据分别应混入预测所需训练集的数量；
按照计算得出的数量，分别将所述待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据混入预测所需训练集。
2.根据权利要求1所述预测网络拥塞对网络质量影响的方法，其特征在于，所述筛选各利用率区间范围内所述丢包率和/或时延值数据的有效数据包括：
以25％分位数减1.5*四分位差作为下限，以75％分位数加1.5*四分位差作为上限，筛选该利用率区间内所述丢包率和/或时延值的有效数据；
或者
计算该利用率区间内所述丢包率和/或时延值的均值和标准差，以均值减3*标准差为下限，以均值加3*标准差为上限，筛选该利用率区间内所述丢包率和/或时延值的有效数据。
3.根据权利要求1所述预测网络拥塞对网络质量影响的方法，其特征在于，所述按照计算得出的数量，分别将所述待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据混入预测所需训练集包括：
根据计算得出的数量，从对应历史运行数据的每个利用率区间内随机抽取相应数量的有效数据样本，混入预测所需训练集；
或者
根据计算得出的数量，将每个利用率区间内有效数据的均值重复混入预测所需训练集。
4.一种预测网络拥塞对网络质量影响的装置，其特征在于，包括：
获取单元，用于获取待预测端口的近期历史运行数据、待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据，所述历史运行数据包括利用率、丢包率和/或时延值；
处理单元，用于分别针对不同类别的所述历史运行数据进行数据处理；
混合单元，用于将经过处理的所述历史运行数据按照预设方式混合形成预测所需的训练集；
构建单元，用于通过所述训练集构建网络拥塞影响预测模型；
所述处理单元具体用于：
去除所有历史运行数据中的异常数据，所述异常数据包括空值、负值以及利用率、丢包率超过1的数据；
分别针对所述待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据，按照预先划分的利用率区间以及利用率与丢包率或时延值的对应关系，将丢包率或时延值划分到对应的利用率区间，筛选各利用率区间范围内所述丢包率和/或时延值数据的有效数据；
所述混合单元具体用于：
将所述待预测端口近期历史运行数据作为预测所需训练集的基础数据；
根据所述待预测端口近期历史运行数据的数量以及预设比例系数，计算所述待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据分别应混入预测所需训练集的数量；
按照计算得出的数量，分别将所述待预测端口的远期历史运行数据、同类端口的历史运行数据以及不同类端口的历史运行数据混入预测所需训练集。
5.根据权利要求4所述预测网络拥塞对网络质量影响的装置，其特征在于，所述处理单元还用于：
以25％分位数减1.5*四分位差作为下限，以75％分位数加1.5*四分位差作为上限，筛选该利用率区间内所述丢包率和/或时延值的有效数据；
或者
计算该利用率区间内所述丢包率和/或时延值的均值和标准差，以均值减3*标准差为下限，以均值加3*标准差为上限，筛选该利用率区间内所述丢包率和/或时延值的有效数据。
6.根据权利要求4所述预测网络拥塞对网络质量影响的装置，其特征在于，所述混合单元还用于：
根据计算得出的数量，从对应历史运行数据的每个利用率区间内随机抽取相应数量的有效数据样本，混入预测所需训练集；
或者
根据计算得出的数量，将每个利用率区间内有效数据的均值重复混入预测所需训练集。
7.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当被计算机执行时使所述计算机执行如权利要求1-3任一项所述的预测网络拥塞对网络质量影响的方法。
8.一种预测网络拥塞对网络质量影响的装置，其特征在于，包括：处理器和存储器，存储器用于存储程序，处理器调用存储器存储的程序，以执行如权利要求1-3任一项所述的预测网络拥塞对网络质量影响的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811487631.5A CN109684182B (zh) | 2018-12-06 | 2018-12-06 | 一种预测网络拥塞对网络质量影响的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811487631.5A CN109684182B (zh) | 2018-12-06 | 2018-12-06 | 一种预测网络拥塞对网络质量影响的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109684182A CN109684182A (zh) | 2019-04-26 |
| CN109684182B true CN109684182B (zh) | 2022-07-22 |
Family
ID=66186475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811487631.5A Active CN109684182B (zh) | 2018-12-06 | 2018-12-06 | 一种预测网络拥塞对网络质量影响的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109684182B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110691035A (zh) * | 2019-10-17 | 2020-01-14 | 北京达佳互联信息技术有限公司 | 一种网络拥塞的确定方法、装置、电子设备及存储介质 |
| CN111490940B (zh) * | 2020-03-17 | 2022-12-27 | 中移（杭州）信息技术有限公司 | 确定数据转发路径的方法、电子设备以及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101958833A (zh) * | 2010-09-20 | 2011-01-26 | 云南省科学技术情报研究院 | 一种基于red的网络拥塞控制算法 |
| CN102592171A (zh) * | 2011-12-30 | 2012-07-18 | 南京邮电大学 | 基于bp神经网络的认知网络性能预测方法及装置 |
| CN108881047A (zh) * | 2018-08-01 | 2018-11-23 | 中国联合网络通信集团有限公司 | 网络扩容判别的方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10153980B2 (en) * | 2016-07-19 | 2018-12-11 | Coco Communications Corp | Systems and methods for managing network congestion |
-
2018
- 2018-12-06 CN CN201811487631.5A patent/CN109684182B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101958833A (zh) * | 2010-09-20 | 2011-01-26 | 云南省科学技术情报研究院 | 一种基于red的网络拥塞控制算法 |
| CN102592171A (zh) * | 2011-12-30 | 2012-07-18 | 南京邮电大学 | 基于bp神经网络的认知网络性能预测方法及装置 |
| CN108881047A (zh) * | 2018-08-01 | 2018-11-23 | 中国联合网络通信集团有限公司 | 网络扩容判别的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109684182A (zh) | 2019-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109412852B (zh) | 告警方法、装置、计算机设备及存储介质 | |
| CN109684182B (zh) | 一种预测网络拥塞对网络质量影响的方法和装置 | |
| CN106210129B (zh) | 一种基于Web服务器配置的限流方法及系统 | |
| CN113393058A (zh) | 污染物管控方法、预测管控方法、实时管控方法及装置 | |
| CN110336754B (zh) | 一种网络流量配置方法及装置 | |
| CN113141410B (zh) | 动态调节的qps控制方法、系统、设备及存储介质 | |
| CN109992473A (zh) | 应用系统的监控方法、装置、设备及存储介质 | |
| CN108377204B (zh) | 一种用户离网的预测方法及装置 | |
| CN103795640A (zh) | 一种流量监管方法和装置 | |
| CN111835536B (zh) | 一种流量预测方法和装置 | |
| CN112506619A (zh) | 作业处理方法、装置、电子设备、存储介质和程序产品 | |
| JP6194282B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| CN111885618A (zh) | 一种网络性能优化方法和装置 | |
| CN113673822B (zh) | 一种弹性调度方法及系统 | |
| CN107026745B (zh) | 告警处理方法和告警处理设备 | |
| CN110401553B (zh) | 服务器配置的方法和装置 | |
| CN106407636B (zh) | 集成结果统计方法及装置 | |
| CN112533270B (zh) | 基站节能的处理方法、装置、电子设备及存储介质 | |
| CN110764975B (zh) | 设备性能的预警方法、装置及监控设备 | |
| CN107517166A (zh) | 流量控制方法、装置及接入设备 | |
| CN115564055A (zh) | 异步联合学习训练方法、装置、计算机设备及存储介质 | |
| CN115396244A (zh) | 带宽调度管理方法、装置、电子设备及存储介质 | |
| CN111277445B (zh) | 一种评估在线节点服务器性能的方法及装置 | |
| CN111381959A (zh) | 扩容方法及装置 | |
| CN111367640B (zh) | 数据统计周期确定方法、装置、电子设备及存储介质 |
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 |