CN110352584A - 跨越本地网络的设备流量的自动优先级排序 - Google Patents
跨越本地网络的设备流量的自动优先级排序 Download PDFInfo
- Publication number
- CN110352584A CN110352584A CN201780087618.8A CN201780087618A CN110352584A CN 110352584 A CN110352584 A CN 110352584A CN 201780087618 A CN201780087618 A CN 201780087618A CN 110352584 A CN110352584 A CN 110352584A
- Authority
- CN
- China
- Prior art keywords
- network
- equipment
- priority
- local network
- data
- 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
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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/2803—Home automation networks
-
- 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
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- 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
- H04L41/085—Retrieval of network configuration; Tracking network configuration history
- H04L41/0853—Retrieval of network configuration; Tracking network configuration history by actively collecting configuration information or by backing up configuration information
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- H04L43/0882—Utilisation of link capacity
-
- 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
- H04L47/80—Actions related to the user profile or the type of traffic
- H04L47/805—QOS or priority aware
-
- 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
- H04L47/82—Miscellaneous aspects
- H04L47/821—Prioritising resource allocation or reservation requests
-
- 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
Abstract
一种用于网络流量的优先级排序的方法,包括为本地网络(104)收集表示一段时间通过本地网络的通信流量的流量数据;为包括在网络(104)中的每个网络设备(116)确定网络设备(116)的设备类型和网络设备的至少一个设备优先级值;使用设备(116)的流量数据和设备优先级值训练设备优先级排序模型(130),通过设备优先级排序模型(130)为本地网络(104)接收,包括在本地网络中的网络设备(116)的列表;以及通过设备优先级排序模型(130)生成针对本地网络的优先级排序方案,优先级排序方案基于网络设备的设备类型和设备优先级值,对网络设备(116)之间的设备流量进行优先级排序。可以采用机器学习来训练设备优先排序模型,以在上下文中理解,关于本地网络中的一组用户设备,用户设备何时倾向于最多地被使用。这可以更有效地使用网络带宽,从而减少对网络资源的支出要求。另外,该模型可以针对不同时间段(例如,一周中的几天、一天中的时间和假日事件等)调整网络流量的优先级排序。另外,通过设备的优先级排序,当设备倾向于同步开销流量时可能发生的拥塞减少,因为基于优先化方案的设备将在不同时间结束报告。这样可以更好地利用可用带宽。示例性网络连接设备(116)包括个人计算机、移动通信设备、娱乐中心(例如,游戏系统)、诸如设施(例如、冰箱、洗衣机、咖啡机)的物联网(loT)网络连接设备、医疗设备(例如,起搏器、葡萄糖监测器)、建筑‑监测设备(例如,恒温器、安全系统、摄像机、烟雾检测器)以及可以通过本地网络(104)和网络(102)发送和接收数据的其他设备。
Description
背景技术
“物联网”(IoT)是指嵌入有使得对象能够收集、交换和处理数据的电子设备、软件和其他系统组件的互联网络物理设备。这种设备不仅包括计算机,还包括电话、电器(冰箱、洗衣机、烘干机等)、安全监测设备、健康监测设备、游戏设备以及可以利用互连的任何其他设备。随着物联网的更多电器和家庭设备被添加到住宅和商业地产中,这些设备的设备流量带宽变得有竞争性。这可能导致延迟、丢包和设备处理错误。
诸如路由器或网关之类的一些网络链接设备允许用户对设备之间的流量进行优先级排序。例如,可以选择诸如MAC地址或者甚至IP地址的设备地址,并为那些设备的流量进行优先级排序。然而,许多用户不知道如何管理网络链接设备以实现这种手动优先级排序方案。此外,那些可以对住宅或建筑物内的本地网络上的设备流量进行优先级排序的用户通常必须通过大量的试验和试错来实现多个不同优先级排序方案,以确定哪一个排序方案为特定设备提供优化的服务质量(QoS)而不会对其他设备的QoS产生负面影响。向网络另外添加设备可能需要重新进行流量的优先级排序,这反过来又导致网络带宽利用低效的时期。
发明内容
本说明书描述了与本地网络中的自动优先级排序设备相关的技术。
通常,本说明书中描述的主题的一个创新方面可以体现在包括以下动作的方法中,对多个本地网络中的每个本地网络,收集流量数据,流量数据表示一段时间通过本地网络的通信流量,每个本地网络是通过网络链接设备与其他网络通信的网络,并且包括相应的多个网络设备,网络设备通过网络链接设备进行通信;为包括在多个网络中的每个网络设备,确定网络设备的设备类型和基于设备类型的网络设备的至少一个设备优先级值,每个设备优先级值为网络设备的设备流量相对于其他网络设备的其他设备流量的优先级的度量;和使用设备的流量数据和设备优先级值训练设备优先级排序模型,以
便对本地网络中的每个网络设备的网络流量进行优先级排序。该方法可选地可以包括,通过设备优先级排序模型,为本地网络接收本地网络中包含的网络设备列表;
和通过设备优先级排序模型,生成针对本地网络的优先级排序方案,优先级排序方案基于网络设备的设备类型和设备优先级值,对网络设备之间的设备流量进行优先级排序。该方面的其他实施例包括相应的系统,装置和计算机程序,被配置为执行编码在计算机存储设备上的方法的动作。
可以实现本说明书中描述的主题的特定实施例,以便实现以下优点中的一个或多个。可以采用机器学习来训练设备优先级排序模型,以在上下文中理解,关于本地网络中的一组用户设备,用户设备何时倾向于最多地被使用。这可以更有效地使用网络带宽,从而减少对网络资源的支出要求。另外,该模型可以针对不同时间段(例如,一周中的几天、一天中的时间和假日事件等)调整网络流量的优先级排序。使用该模型以基于设备的输入列表生成优先级排序方案,这消除了对基于规则的方法的需求,该方法需要预定义的一组设备并且针对多种不同类型的设备组合需要大型规则数据库。此外,该模型的使用允许出现优先级排序方案,否则将不会被用户发现。另外,通过设备的优先级排序,当设备倾向于同步开销流量时可能发生的拥塞减少,因为基于优先级排序方案的设备将在不同时间结束报告。这样可以更好地利用可用带宽。
在附图和以下描述中阐述了本说明书中描述的主题的一个或多个实施例的细节。
根据说明书、附图和权利要求,本主题的其他特征、方面和优点将变得显而易见。
附图说明
图1是训练设备优先级排序模型的示例环境的框图。
图2是示出使用来自各本地网络上的网络连接设备组的流量数据对设备优先级排序模型的示例训练过程的图。
图3是用于训练优先级排序模型的示例过程的流程图。
图4是用于将优先级排序方案应用于本地网络的示例过程的流程图。
图5是示例计算机系统的框图。
各附图中相同的附图标记和名称表示相同的元件。
具体实施方式
概述
系统生成机器学习模型,其对本地网络中的设备进行自动优先级排序。如在本说明书中所使用的,本地网络是通过网络链接设备与其他网络通信的网络,并且包括通过网络链接设备进行通信的相应的网络设备组。使用观察到的网络流量和设备优先级排序来训练模型。一旦经过训练,该模型可用于对特定本地网络中网络设备进行自动优先级排序。
为了训练模型,系统针对多个不同的本地网络收集表示一段时间内通过本地网络的通信流量的流量数据。然后,系统针对包括在本地网络中的每个网络设备,确定网络设备的设备类型并基于设备类型确定网络设备的设备优先级值。设备优先级值是网络设备的设备流量相对于其他网络设备的其他设备流量的基于设备类型的优先级的度量。随后系统使用设备的流量数据和设备优先级值训练优先级排序模型。一旦模型被训练,它就可以接收本地网络的设备列表,并且基于该列表,本地网络的优先级排序方案基于网络设备的设备类型和设备优先级值对网络设备之间的设备流量进行优先级排序。在一些实施方式中,优先级排序方案可以基于设备优先级值对设备的流量进行优先级排序。在其他实施方式中,模型可以为特定设备生成流量优先级值,其中每个流量优先级值是设备的特定类型的设备流量的优先级的度量。例如,医疗设备的“系统正常”报告消息可以具有比来自报告检测到医疗事件的医疗设备的消息的流量优先级值低的流量优先级值。
在操作中,模型接收包括在本地网络中的网络设备的列表,并将设备列表提供给设备优先级排序模型。然后,设备优先级排序模型为本地网络生成优先级排序方案,该优先级方案基于网络设备列表和设备优先级值对网络设备之间的设备流量进行优先级排序。在生成流量优先级值的实现中,优先级排序方案为设备列表中的每个设备生成一个或多个流量优先级值。然后,可以将优先级排序方案应用于包括在本地网络中的网络设备。
下面将更详细地描述这些特征和其他特征。
示例操作环境
图1是训练设备优先级排序模型的示例环境100的框图。该环境包括计算机网络102,例如因特网。示例环境可以包括通过各个路由器或网关与网络102通信的许多不同的本地网络104(例如,104-1,104-2......104-N),路由器或网关通常被称为网络链接设备110(例如,110-1,110-2,110-N)。每个本地网络具有与其各自的本地网络104-1,104-2......104-N通信的一批网络连接设备116(例如,用于本地网络104-1的116-11和116-12等)。
本地网络104的示例包括家庭网络、个人区域网络、商业或学校网络、Wi-Fi网络、蓝牙网络或它们的组合。每个本地网络104可以使用各种连接协议(例如,总线技术、环技术、星形技术、网格(mesh)技术)。每个本地网络包括多个网络连接设备116。在一些实施方式中,与每个本地网络通信的一批网络连接设备通过单个网络链接设备与网络102通信。例如,本地网络104-1中的网络连接设备116-13只能通过网络链接设备110-1与网络102通信。另外,与每个本地网络通信的一批网络连接设备可以具有特定量的总带宽,用于在给定时间进行通信。另一种实施方式可以包括与本地网络通信的一组子网络,每个子网络通过相应的网络链接设备。
网络连接设备116是能够通过本地网络104和网络102请求和接收数据的电子设备。示例网络连接设备116包括个人计算机、移动通信设备、娱乐中心(例如,游戏系统)、诸如电器(例如,冰箱、洗衣机、咖啡机)、医疗设备(例如,起搏器、葡萄糖监测器)、建筑-监测设备(例如,恒温器、安全系统、摄像机、烟雾探测器)的物联网(IoT)网络连接设备,以及可以通过本地网络104和网络102发送和接收数据的其他设备。
本地网络中的每个网络连接设备116为自己的通信生成数据流量。数据流量取决于所使用的设备可以包括请求、心跳包、对请求的响应、流数据等。例如,具有相机和麦克风的家庭监测设备可以提供音频和视频数据。相反,恒温器可以生成温度和湿度报告数据。因此,取决于网络设备类型,每个设备在数据流量上生成和传输的数据量和频率可能会有显著差异。
特定设备的数据流量可取决于特定设备的发送/接收活动。取决于本地网络104可用的总带宽,设备116有时可能会竞争网络带宽。此外,特定设备相对于本地网络中的其他设备所使用的总带宽的百分比将随时间变化,或根据时间相关的安排而变化。例如,游戏设备在家庭网络中的工作日期间可能很少使用,但是在晚上和周末期间,游戏设备可能对本地网络104产生相对大量的网络流量。
由于网络流量约束,有时应根据优先级排序方案处理来自两个或更多个竞争设备的流量。例如,本地网络中的安全设备和医疗监测器的数据流量应优先于同一本地网络中的游戏设备。此外,每个设备的数据流量的优先级排序可能在一天、一周或另一时段的过程中发生变化。例如,在营业日营业时间,对家庭业务本地网络中的信用卡读卡器的网络流量进行优先级排序。然而,许多用户不知道如何对网络流量进行优先级排序,甚至即使他们知道,可能也不想开发可以在不同时间应用的多种方案。此外,对于给定的一组网络设备,最佳优先级排序方案可能不是很明显;在改进特定网络104上的网络流量的处理之前,用户可能必须尝试多种不同的优先级方案。自动化网络流量优先级排序系统120使用机器学习技术解决了为网络设备开发优先级排序方案的技术问题。
自动化网络流量优先级排序系统
自动化网络流量优先级排序系统120包括流量数据收集器122和模型生成器124以训练模型130。用于多个不同的本地网络的系统120收集表示网络连接设备116的通信流量的流量数据126。在一些实施方式中,系统120被托管在与网络102通信的一个或多个计算机上。由流量数据收集器122收集的数据被模型生成器124用于训练模型130。
流量数据收集器122收集本地网络104中的每个网络连接设备的数据流量和设备类型。每个本地网络可以被设立为用于数据收集的测试网络。或者,每个本地网络可以是特定位置处的实际本地网络。在后者的情况下,可以请求每个本地网络104的用户“选择加入”,以便他们的数据可以被流量数据收集器122收集。每个本地网络104-1,104-2,......104-N通过相应的网络链接设备110-1,110-2,......110-N连接到网络102。流量数据收集器122从多个网络连接设备116中的每一个网络连接设备接收流量数据信息和每个网络连接设备的设备类型。
流量也可以通过设备类型聚合,并且独立于部署有设备的本地网络。这允许对独立于部署有设备的特定网络的网络拓扑的设备流量行为的确定。这些信号也可以用作训练设备优先级排序模型的输入。
由流量数据收集器122收集的流量数据还可以包括描述每个本地网络104的服务级别的数据,例如带宽使用、带宽能力、延迟、周转窗口(响应消息的最大时间)、数据通信中的错误的数量或频率等。在一些实施方式中,由流量数据收集器122收集的数据可以跨越包括所有时段和几天、几周甚至几个月的一段时间。
对于每个网络连接设备116,系统还可以收集相应的设备类型。设备类型的示例包括健康监测设备、安全设备、娱乐设备、商业运营设备等。例如,特定设备可以是心脏监测设备,因此可以是“健康监测”设备类型。另一个设备可以是咖啡机,因此可以是“厨房电器”设备类型等等。
可以以各种方式将设备类型分配给设备。例如,设备的制造商可以为设备分配设备类型,并且设备可以响应于查询而报告其设备类型。在未分配设备类型的情况下,系统120可以基于来自设备、来自流量目的地的流量等来确定设备类型。例如,向视频服务发送流量并从视频服务接收流量的设备可以被确定为视频呈现设备,而向健康监测服务发送数据和从健康监测服务接收数据的设备可以被确定为健康监测设备。例如,系统120可以访问设备类型和网络地址的映射。另外,网络连接设备的用户可以手动地为设备指定设备类型。
模型生成器124使用由数据流量收集器122收集的数据训练设备优先级排序模型130。模型生成器124可以实施任何适当的机器学习过程以训练模型,该模型接收连接到本地网络104的设备列表作为输入,并为设备生成一个或多个设备优先级排序方案作为输出。每个设备优先级排序方案在特定时间段内优化针对流量的设备优先级。
模型训练
图2是示出设备优先级排序模型130的示例性训练过程的图,该示例性训练过程使用来自各个本地网络上的一组网络连接设备的流量数据来训练。对于每个设备Dx,由流量数据收集器122观察并收集相应的设备流量数据DTx。使用由流量数据收集器122收集的数据来训练设备优先级排序模型130。
设备优先级排序模型130的训练可以合并一个或多个特征206,用于产生优先级排序方案函数(PS)208。设备优先级排序模型中的特征的示例可以包括数据流量例程206-1、一组连接设备的设备类型206-2、服务质量206-3、可用网络带宽206-4等。该示例列表不是详尽的,并且可以使用任何适当的流量优先级排序特征。
数据流量例程206-1描述了网络上每个设备的流量例程。可以以若干方式确定数据流量例程206-1。一种方法是由设备报告它们的存在和类型,并使用报告的设备类型来访问描述设备的已知流量模式的数据。例如,特定恒温器的数据流量模式可能已经被提供给流量数据收集器122。因此,当特定恒温器在网络内公告自己时,流量数据收集器122仅需要访问所描述的数据流量例程206-1。
还可以通过观察来学习数据流量例程206-1。例如,一些设备可以发送周期性心跳信号,而其他设备很多只在被询问时才发送数据。每个设备的流量周期和每个设备的流量类型可以存储在流量例程数据206-1中。另外,数据流量例程206-1可以包括描述用于本地网络的设备类型的每个设备的峰值带宽使用的时段的数据。例如,家庭业务中的信用卡读取器的数据流量例程将包括关于其产生最高数据流量的小时和一周中的天的信息,例如,在工作日的营业时间期间,以及它何时产生最小的数据流量的信息,例如,晚上和周末时间期间。
可用于训练设备优先级排序模型130的另一特征是每组网络连接设备的设备类型206-2和设备。设备类型可以指定对于特定网络连接设备的数据流量的重要性,或指定设备的功能。例如,在模型中,相对于厨房设施的设备类型,医疗监测设备(例如,起搏器)的设备类型将医疗监测设备的数据流量识别为高重要性。此外,起搏器执行的例如“系统工作”握手警报或“紧急”设备故障警报D不同功能可以进一步区分设备的重要性。
训练设备优先级排序模型130还可以将本地网络中的每个网络设备的服务质量206-3的度量用作训练特征。服务质量的度量可以包括例如包错误或丢包的可允许频率、延迟、抖动、数据转移速度等。网络设备的服务质量的度量可以应用于网络设备一段时间。例如,在晚上和周末,当延迟和抖动会干扰系统性能时,可以将高服务质量度量应用于游戏系统。
另外,可以基于本地网络的可用带宽206-4来训练设备优先级排序模型130。对于具有带宽可变性的网络,例如那些在高峰使用时间降速或具有带宽上限的网络,可以进一步训练模型以结合该特征。
其他特征206-N也可用于训练模型。例如,响应于诸如丢包或高流量延迟的流量错误的设备的灵敏度可以是用于训练模型的特征。为了说明,当设备的流量下降时,可以观察到第一设备经常崩溃;相反,第二设备对于流量错误可能非常稳健,并且不会响应于流量错误而崩溃。因此,训练的模型可能倾向于将第一设备优先于第二设备(排除其他因素),以便降低优先级排序方案影响流量达到第一设备经历系统错误的点的可能性。
另一个特征是用户满意度。一旦部署了优先级排序方案,系统就可以监视用户对优先级排序方案的改变,和/或接收关于优先级排序方案的用户反馈。在前者的情况下,对特定方案的普通改变可以被解释为负反馈,并且可以使用对方案的改变来周期性地重新训练模型。在后者的情况下,取决于反馈,用户反馈可用于验证优先级排序方案或被解释为负反馈。
具有分配的设备类型的每个设备还具有至少一个设备优先级值。每个设备优先级值指定设备流量相对于来自连接到本地网络的其他设备的流量的重要性。在一些实施方式中,设备制造商可以基于设备的设备类型来分配默认设备优先级值。对于本地网络中的设备,分配给设备的设备优先级值可以用作确定设备的流量优先级排序的优先级值。例如,心脏监测设备的制造商可以将设备优先级值分配给心脏监测设备,使得来自本地网络中的心脏监测设备的流量相对于来自本地网络中的其他装置的流量具有高优先级。
设备优先级值也可以由系统120而不是制造商来定义。例如,系统120可以具有设备类型到设备优先级值的映射。也可以使用确定设备优先级值的其他方式。
在一些实施方式中,模型生成器124可以被训练以基于设备优先级值生成优先级排序方案,并且同样优先级排序设备的所有流量,而不管类型如何。例如,来自健康监测设备的针对ping的响应包可以具有与来自报告医疗事件的健康监测设备的报告消息相同的优先级。9999
在其他实施方式中,可以训练模型130以基于流量的类型为设备流量提供更细粒度的优先级排序。通过使用不同的流量优先级值来实现粒度优先级排序。分配给设备的特定流量项的流量优先级值可取决于流量项所涉及的功能。例如,对于本地网络中的网络连接起搏器设备,起搏器设备可具有多个针对流量的流量优先级值,这取决于流量所涉及的功能的类型。用于正常状态的流量更新检查信号“设备工作”可以具有流量优先级值3(在10的尺度上),指示用于状态更新检查的特定流量数据的相对低优先级,而用于警报状态的流量更新信号“设备故障”可以具有10中之10的流量优先级值,表示对于警报状态的特定流量数据的高优先级。
在一些实施方式中,设备优先级排序模型130可以包括基于每个设备类型和每个相应设备优先级值的流量的权重。此外,可以针对一个或多个优先级排序方案目标训练模型,并且权重可以针对每个目标而不同。
训练的设备优先级排序模型130产生优先级排序方案函数(PS)208。通常,学习的函数具有以下形式:
PS=F[D1,D2,…DN]
其中:
D1,D2,...DN是该函数的一组设备输入;
F[D1,D2,...DN]是模型130的学习函数;和
PS是设备组D1,D2,....DN的优先级方案(或优先级方案组)。
模型130的设备优先级排序方案函数208接收本地网络中的一组网络连接设备204作为输入。设备优先级排序方案函数的输出包括至少一个优先级排序方案210。在不使用流量优先级值的实施方式中,优先级排序方案在设备-设备(device-by-device)基础上对流量进行优先级排序。然而,在使用流量优先级值的实施方式中,优先级排序方案包括用于每个网络连接设备的至少一个流量优先级值P。设备Dx的流量优先级排序的集合由图2的示例优先级排序方案210中的对应集合{Px}指示。
图3是用于训练优先级排序模型130的示例过程300的流程图。过程300在一个或多个计算机中实施。
系统从多个本地网络中的网络连接设备收集流量数据(302)。如上所述,本地网络104-1,104-2......104-N可以各自具有在每个本地网络中的网络连接设备116的唯一配置,本地网络104-1,104-2......104-N通过相应的网络链接设备(例如,本地网络路由器)110-1,110-2......110-N与网络102通信。来自每个网络连接设备116的流量数据126由流量数据收集器122收集(302)。
系统确定每个网络连接设备的设备类型和设备优先级值(304)。设备类型可以包括在流量包中,或者可以通过检查包目的地来导出,如上所述。例如,可以基于信用卡读取器(例如,商业或银行网站、信用卡公司)的流量数据的目的地或源,为信用卡读取器确定设备类型。在另一示例中,心率监测器可以是向紧急医疗人员(例如,911)或医疗机构(例如,初级保健提供者)发送更新。
设备优先级值指定设备流量相对于来自连接到本地网络的其他设备的流量的重要性。如上所述,可以部分地基于设备类型来分配设备优先级值。例如,相对于同一本地网络中的其他设备的流量,家庭安全系统可以具有对于其流量的指定的高设备优先级值。
使用流量数据和设备优先级值训练设备优先级排序模型130(306)。设备优先级排序模型130可以包括上述特征集合206中的至少一个,例如数据流量例程、服务质量、设备类型和可用带宽。例如,设备优先级排序模型130在特征集合中做因子,包括每个设备类型的服务质量的阈值和每个设备类型或设备功能的带宽上限。
一旦经过训练,设备优先级排序模型130可以接收关于本地网络中的设备204的一组流量数据的信息作为输入并输出至少一个优先级排序方案210。每个优先级排序方案210包括:优化的设备带宽分配参数,包括用于每个网络连接设备DN的至少一个或多个流量优先级值PN。例如,应用于具有以下设备:咖啡机、信用卡读取器和安全系统的本地网络的优先级排序方案。优先级排序方案可以包括每个设备的多个流量优先级值。对于具有两种警报类型的安全系统,两种警报类型一种是“正常操作”,一种是“紧急情况”,可以通过优先级排序方案为“正常操作”分配较低的流量优先级值,而可以通过优先级排序方案为“紧急情况”情况分配较高的流量优先级值。分配给安全系统的较低和较高流量优先级值是相对于其他设备(例如,咖啡机和信用卡读取器)的流量优先级值,其中每个设备具有由优先级排序方案分配的至少一个流量优先级值。
与一组网络连接设备通信的每个本地网络具有用于该组网络连接设备的至少一个优先级排序方案。在一些实施方式中,可以为同一组网络连接设备生成多个优先级排序方案。例如,在上述包括咖啡机、信用卡读取器和安全系统的本地网络中:第一优先级排序方案可以在工作时间的工作日应用于本地网络104,并且第二、不同的优先级排序方案可以在工作日晚上和周末应用于同一本地网络104。
在一些实施方式中,设备优先级排序模型可以为本地网络中的一组网络连接设备确定多个时间相关的优先级排序子方案,使得每个时间相关的子方案针对特定时间段随着相应的网络设备流量数据被优化。例如,对于包括咖啡机、信用卡读取器和游戏系统的一组网络连接设备,可以应用多个时间相关的子方案。第一时间相关子方案可以在工作时间和工作日期间使信用卡读取器优先于其他设备。第二时间相关的子方案可以在晚上和周末期间使游戏系统优先于其他设备。
在一些实施方式中,用于执行特定功能的网络连接设备的流量优先级值可以是可变的,使得流量优先级值可以随时间改变,或者可以在特定时间表上暂时改变。流量优先级值可以针对不同优先级排序方案,在优先级排序子方案之间,或者在一段时间内应用的相同优先级排序方案内变化。例如,在晚上和周末期间,当它产生数据流中的大量数据流量和延迟,会对其性能产生不利影响时,用于在游戏系统上玩在线游戏的流量优先级值可能是高流量优先级值(例如,10中之8)。然而,在正常工作时间期间,当它不使用并且产生少量的数据流量时,用于在游戏系统上玩在线游戏的流量优先级值可以是低流量优先级值(例如,10中之2)。
除了将流量优先级值分配给一组网络设备之外,优先级排序方案还可以包括服务质量上限,其中网络设备不能超过优先级排序方案的服务质量上限。这可以以多种形式实现,包括带宽分配上限,或者其中可以将最小和最大带宽分配参数分配给每个网络连接设备。服务质量上限可以基于应用于本地网络的优先级排序方案和/或本地网络中的网络连接设备组而改变。例如,如果本地网络包括单个网络连接设备,则优先级排序方案可能不会为单个设备分配服务质量上限。
优先级排序方案还可以用于加权每个网络连接设备的服务质量的重要性。例如,为具有多个其他网络连接设备的本地网络中的咖啡机设置的服务质量上限将阻止分配给咖啡机的流量优先级值相对于本地网络中的其他网络连接设备超过某一水平(例如,10中之7)。在这种情况下实施的服务质量上限将进一步阻止可能具有相对高的数据流量需求的低影响或低重要性设备(咖啡机)支配本地网络。
另外,在一些实施方式中,特定设备可具有带宽优先级排序上限,其对第一部分带宽应用第一流量优先级值并且对第二部分带宽应用第二流量优先级值。例如,视频流设备可以被分配总带宽的第一百分比的第一优先级值,并且如果视频流设备超过带宽,则其剩余流量被分配低于第一值的第二值。这样的带宽优先级排序上限方案倾向于排除任何一个设备成为“贪婪”的设备,如果其流量因任何特定原因而需要高峰。
此外,在另外的实施方式中,可以将优先级排序方案应用于总带宽百分比,并且可以保留一定量的带宽“净空”。例如,假设总带宽为100Mbs。所有设备的带宽优先级排序上限总计不超过总带宽的95%,因此保留5Mbs的“优先”流量。这对于需要净空时非常有用,例如当新设备加入网络并且不受优先级排序方案约束时。因此,优先级排序方案不是将新设备降级到最低优先级,而是允许新设备在优先级排序方案之外使用至少一些带宽。
将优先级排序方案应用于本地网络
图4是用于将优先级排序方案应用于本地网络的示例过程的流程图400。对于有优先级排序方案函数208的训练的设备优先级排序模型130,系统接收本地网络中关于一组网络连接设备204的信息(402)。例如,本地网络包括葡萄糖监测器,网络连接的洗衣机和用于流式传输内容的娱乐系统。每个设备都有设备类型(例如,分别为医疗设备、设施和媒体设备),并且每个设备都有基于设备类型的设备优先级值(例如,医疗设备具有高设备优先级值,设施具有低优先级值,媒体设备具有中等设备优先级值)。
该组网络连接设备各自具有分配的设备类型,并且至少一个或多个设备优先级值被输入到设备优先级排序方案函数(404)。例如,上述示例的输入列表包括:医疗设备/高设备优先级值,设施/低设备优先级值,以及媒体设备/中设备优先级值。设备优先级值可以在许多不同的尺度的系统上评级,包括Y中之X比率(例如,10中之3),阈值水平(例如,低/中/高)等。
从输入列表,模型130输出本地网络中的网络连接设备组的至少一个优先级排序方案(406)。优先级排序方案输出包括用于本地网络中的每个设备的至少一个流量优先级值。例如,基于“医疗设备”分类,葡萄糖监测器可以具有10中之10的单个设备优先级值。然而,优先级排序方案可以分配两个流量优先级值:低流量优先级值10中之2,用于来自葡萄糖监测器的“常规检入”警报,高流量优先级值10中之10,用于来自葡萄糖监测器“紧急情况”警报。
将一个或多个优先级排序方案应用于本地网络中的网络连接设备组(408)。如上所述,可以将多个优先级排序方案应用于本地网络。例如,可以针对处于不同时间段的设备流量优化不同的优先级排序方案(例如,第一个用于工作日的工作时间而第二个用于晚上和周末)。
设备优先级排序模型还可以包括用于自动调整或更新优先级排序方案的时间延迟,用于在本地网络中添加或移除一组网络连接设备中的一个。时间延迟可以采取多种形式,例如,时间延迟可以基于网络设备被添加或移除到本地网络的时间与优先级排序方案应用于本地网络的时间之间的时间差。时间延迟的优点是防止所应用的优先级排序方案改变暂时性设备,例如本地网络中的客户移动设备。
时间延迟也可以基于添加到本地网络的设备的设备类型或设备优先级值而变化。例如,如果将葡萄糖监测器添加到本地网络,则用于调整或更新优先级排序方案的时间延迟比将咖啡机添加到同一本地网络要短得多,因为这两个设备的关键功能有所不同。
此外,设备优先级排序模型130还可具有对重新训练的可调节灵敏度。重新训练的阈值可以防止基于例外情况重新训练优先级排序模型。例外情况可能包括但不限于:(a)本地网络中的错误或故障设备,(b)具有不寻常的带宽分配要求的本地网络,(c)具有不寻常的设备组或设备流量组的本地网络,或(d)他们的组合。例如,对于包括安全系统和第二冗余安全系统的本地网络,可能产生错误或不寻常的数据流量。基于对模型的可调节灵敏度,自动化网络流量优先级排序系统120从本地网络中的两个冗余安全系统收集数据可能是不利的。
虽然以上示例是在通过许多网络学习的模型中描述的,但是该系统可以在较小规模上实现并且在本地网络中实现。例如,在图1中,每个网络链接设备110可以实现其自己各自的流量数据收集器和模型训练器,并且可以基于在其各自的网络104中观察到的网络流量和设备来学习模型130。
其他实施细节
图5是可用于执行上述操作的示例计算机系统500的框图。系统500包括处理器510、存储器520、存储设备530和输入/输出540。组件510,520,530和540中的每一个可以互连,例如使用系统总线550互连。处理器510能够处理在系统500内运行的指令。在一种实施方式中,处理器510是单线程处理器。在另一实施方式中,处理器510是多线程处理器。处理器510能够处理存储在存储器520中或存储设备530上的指令。
存储器520存储系统500内的信息。在一种实施方式中,存储器520是计算机可读介质。在一种实施方式中,存储器520是易失性存储单元。在另一实施方式中,存储器520是非易失性存储单元。
存储设备530能够为系统400提供大容量存储。在一种实施方式中,存储设备530是计算机可读介质。在各种不同的实施方式中,存储设备530可以包括例如硬盘设备、光盘设备、由多个计算设备(例如,云存储设备)在网络上共享的存储设备、或者一些其他大容量存储设备。
输入/输出设备540为系统400提供输入/输出操作。在一种实施方式中,输入/输出设备540可以包括网络接口设备中的一个或多个,网络接口设备例如以太网卡、串行通信设备,例如,以及RS-232端口和/或无线接口设备,例如,和802.11卡。在另一实施方式中,输入/输出设备可以包括驱动器设备,其被配置为接收输入数据并将输出数据发送到其他输入/输出设备,例如键盘、打印机和显示设备560。然而,其他实施方式也可以用于例如移动计算设备、移动通信设备、机顶盒电视客户端设备等。
尽管已在图5中描述了示例处理系统,但是本说明书中描述的主题和功能操作的实施方式可以以其他类型的数字电子电路实现,或者以计算机软件、固件或硬件实现,包括本说明书中公开的结构及其结构等同物,或它们中的一种或多种的组合。
在这里讨论的系统收集关于用户的个人信息或者可以利用个人信息的情况下,可以向用户提供控制应用或特征是否收集用户信息(例如,关于用户的社交网络、社交动作或活动、专业、用户的偏好或用户的当前位置的信息)的机会,或控制是否和/或如何接收可能与用户更相关的内容。另外,某些数据可以在存储或使用之前以一种或多种方式处理,从而移除个人可识别信息。例如,可以处理用户的身份,以便不能确定用户的个人身份信息,或者可以在获得位置信息的地方推广用户的地理位置(例如推广到城市、邮政编码或州级别),这样就无法确定用户的特定位置。因此,用户可以控制内容服务器如何收集和使用关于用户的信息。
本说明书中描述的主题和操作的实施例可以在数字电子电路中实现,或者在计算机软件、固件或硬件中实现,包括本说明书中公开的结构及其结构等同物,或者其中一个或更多的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序,即计算机程序指令的一个或多个模块,编码在计算机存储介质上,用于由数据处理装置执行或控制数据处理装置的操作。
计算机存储介质可以是或包括在计算机可读存储设备、计算机可读存储基板、随机或串行存取存储器阵列或设备、或者它们中的一个或多个的组合中。此外,虽然计算机存储介质不是传播信号,但是计算机存储介质可以是以人工生成的传播信号编码的计算机程序指令的源或目的地。计算机存储介质也可以是或包括在一个或多个单独的物理组件或介质(例如,多个CD、盘或其他存储设备)中。
本说明书中描述的操作可以实现为由数据处理装置对存储在一个或多个计算机可读存储设备上或从其他源接收的数据执行的操作。
术语“数据处理装置”包括用于处理数据的所有类型的装置、设备和机器,包括,例如,可编程处理器、计算机、片上系统或上述的多个或组合。该装置可以包括专用逻辑电路,例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。除了硬件之外,该装置还可以包括为所讨论的计算机程序创建执行环境的代码,例如,构成处理器固件的代码、协议栈、数据库管理系统、操作系统、跨平台运行时环境、虚拟机或其中一个或多个的组合。装置和运行环境可以实现各种不同的计算模型基础结构,例如web服务、分布式计算和网格计算基础结构。
计算机程序(也称为程序、软件、软件应用、脚本或代码)可以用任何形式的编程语言编写,包括编译或解释语言、声明或过程语言,并且它可以以任何形式部署,包括作为独立程序或作为模块、组件、子程序、对象或适用于计算环境的其他单元。计算机程序可以但不必对应于文件系统中的文件。程序可以存储在保存其他程序或数据(例如,存储在标记语言文档中的一个或多个脚本)的文件的一部分中,存储在专用于所讨论的程序的单个文件中,或存储在多个协调文件中(例如,存储一个或多个模块、子程序或代码部分的文件)。可以部署计算机程序以在一个计算机上或在位于一个站点或分布在多个站点上并通过通信网络互连的多个计算机上运行。
本说明书中描述的过程和逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程处理器执行,以通过对输入数据进行操作并生成输出来执行动作。过程和逻辑流程也可以由专用逻辑电路执行,并且装置也可以实现为专用逻辑电路,例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。
作为示例,适合于执行计算机程序的处理器包括通用和专用微处理器,以及任何类型的数字计算机的任何一个或多个处理器。通常,处理器将从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本元件是用于根据指令执行动作的处理器和用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括或可操作地耦合用于存储数据的一个或多个大容量存储设备,以从一个或多个大容量存储设备接收数据,或将数据传输到一个或多个大容量存储设备,或两者都进行,大容量存储设备例如磁盘、磁光盘或光盘。但是,计算机不需要具有这样的设备。此外,计算机可以嵌入另一个设备中,例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏控制台、全球定位系统(GPS)接收器或便携式存储设备(例如、通用串行总线(USB)闪存驱动器),仅举几例。适用于存储计算机程序指令和数据的设备包括所有形式的非易失性存储器、介质和存储设备,包括,例如,半导体存储设备,例如EPROM、EEPROM和闪存设备;磁盘,例如内部硬盘或可移动磁盘;磁光盘;以及CD-ROM和DVD-ROM盘。处理器和存储器可以由专用逻辑电路补充或并入专用逻辑电路中。
为了提供与用户的交互,本说明书中描述的主题的实施例可以在具有显示设备和键盘以及指示设备的计算机上实现,显示设备例如CRT(阴极射线管)或LCD(液晶显示器)监视器,用于向用户显示信息,指示设备例如,鼠标或轨迹球,用户可通过该指示设备向计算机提供输入。其他类型的设备也可用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的感觉反馈,例如视觉反馈、听觉反馈或触觉反馈;并且可以以任何形式接收来自用户的输入,包括声学、语音或触觉输入。另外,计算机可以通过向用户使用的设备发送文档和从文档接收文档来与用户交互;例如,通过响应于从web浏览器接收的请求,将网页发送到用户的用户设备上的web浏览器。
本说明书中描述的主题的实施例可以在包括后端组件的计算系统中实现,该后端组件例如作为数据服务器,或者在包括中间件组件的计算系统中实现,中间件组件例如应用服务器,或者在包括前端组件的计算系统中实现,例如,具有图形用户界面或Web浏览器的用户计算机,用户可通过该浏览器与本说明书中描述的主题的实现进行交互,或者一个或多个这样的后端、中间件或前端组件任何组合。系统的组件可以通过任何形式或介质的数字数据通信互连,例如通信网络。通信网络的示例包括局域网(“LAN”)和广域网(“WAN”),互联网络(例如,因特网)和对等网络(例如,ad hoc对等网络)。
计算系统可包括用户和服务器。用户和服务器通常彼此远离,并且通常通过通信网络进行交互。用户和服务器的关系借助于在各个计算机上运行并且彼此具有用户-服务器关系的计算机程序而产生。在一些实施例中,服务器将数据(例如,HTML页面)发送到用户设备(例如,用于向与用户设备交互的用户显示数据和接收用户输入的目的)。可以从服务器处的用户设备接收在用户设备处生成的数据(例如,用户交互的结果)。
虽然本说明书包含许多具体实现细节,但是这些不应被解释为对任何特征或可要求保护的范围的限制,而是作为特定于特定实施例的特征的描述。在本说明书中在分离的实施例的上下文中描述的某些特征也可以在单个实施例中组合实现。相反,在单个实施例的上下文中描述的各种特征也可以分离地或以任何合适的子组合在多个实施例中实现。此外,尽管上面的特征可以描述为以某些组合起作用并且甚至最初如此声明,但是在某些情况下可以从组合中切除来自所要求保护的组合的一个或多个特征,并且所要求保护的组合可以指子组合或子组合的变形。
类似地,尽管在附图中以特定顺序描绘了操作,但是这不应该被理解为需要以所示的特定顺序或按顺序执行这样的操作,或者执行所有示出的操作,以实现期望的结果。在某些情况下,多任务处理和并行处理可能是有利的。此外,上述实施例中的各种系统组件的分离不应被理解为在所有实施例中都需要这种分离,并且应该理解,所描述的程序组件和系统通常可以集成在单个软件产品中或打包成多种软件产品。
因此,已经描述了主题的特定实施例。其他实施例在以下权利要求的范围内。在一些情况下,权利要求中记载的动作可以以不同的顺序执行并且仍然实现期望的结果。另外,附图中描绘的过程不一定需要所示的特定顺序或顺序次序来实现期望的结果。在某些实现中,多任务和并行处理可能是有利的。
Claims (21)
1.一种计算机实施的方法,其特征在于,包括:
对多个本地网络中的每个本地网络,收集流量数据,所述流量数据表示一段时间通过所述本地网络的通信流量,每个本地网络是通过网络链接设备与其他网络通信的网络,并且包括相应的多个网络设备,所述网络设备通过所述网络链接设备进行通信;
为包括在多个网络中的每个所述网络设备,确定所述网络设备的设备类型和基于所述设备类型的所述网络设备的至少一个设备优先级值,每个设备优先级值为所述网络设备的设备流量相对于其他网络设备的其他设备流量的优先级的度量;和
使用所述设备的所述流量数据和所述设备优先级值训练设备优先级排序模型,以便对本地网络中的每个网络设备的网络流量进行优先级排序。
2.根据权利要求1所述的方法,其特征在于,还包括:
通过所述设备优先级排序模型,为本地网络接收所述本地网络中包含的网络设备列表;和
通过所述设备优先级排序模型,生成针对所述本地网络的优先级排序方案,所述优先级排序方案基于所述网络设备的所述设备类型和设备优先级值,对所述网络设备之间的设备流量进行优先级排序。
3.根据权利要求1或2所述的方法,其特征在于,所述流量数据包括描述以下内容的数据:
每个网络设备的带宽使用;
网络设备请求和对所述网络设备请求的响应;和
对于每个设备,描述每个设备的所述设备类型的设备类型标签。
4.根据权利要求1至3中任一项所述的方法,其特征在于,训练所述设备优先级排序模型包括:
对每个本地网络,确定每个网络设备的服务质量的度量,其中网络设备的每个服务质量的度量描述所述网络设备在所述时间段内的特定时间的服务质量;和
对每个本地网络,基于所述本地网络的优先级排序方案估计所述服务质量的度量的变化。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述模型使用作为应用于所述网络设备的所述服务措施的质量的重要性权重的所述流量优先级值确定优先级排序方案。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述模型针对多个时间相关的优先级排序子方案确定优先级排序方案,其中针对特定时间段和相应的网络设备流量数据优化每个时间相关的优先级排序子方案。
7.根据权利要求1至6中任一项所述的方法,其特征在于,确定设备类型包括基于由所述设备制造商与所述设备一同提供的设备标签来确定设备类型。
8.根据权利要求1至6中任一项所述的方法,其特征在于,确定设备类型包括基于所述设备的所述流量数据的目的地确定设备类型。
9.根据权利要求1至8中任一项所述的方法,其特征在于,每个本地网络是住宅家庭网络。
10.根据权利要求1至9中任一项所述的方法,其特征在于,每个本地网络包括多个本地子网络,每个本地子网络通过相应的路由器与所述本地网络通信。
11.根据权利要求1至10中任一项所述的方法,其特征在于,还包括,对于设备优先级排序模型,基于网络设备被添加到特定网络的时间相对于优先级排序方案应用于所述网络设备所添加的本地网络的时间,用于自动调整所述优先级排序方案的时间延迟。
12.根据权利要求11所述的方法,其特征在于,所述时间延迟基于添加到所述本地网络的所述网络设备的所述设备优先级而变化。
13.根据权利要求1至12中任一项所述的方法,其特征在于,所述模型将服务质量上限应用于特定网络设备,使得特定网络设备的服务质量不能超过优先级排序方案的服务质量上限。
14.根据权利要求1至13中任一项所述的方法,其特征在于,其中:
训练所述设备优先级排序模型包括,使用所述设备的所述流量数据和所述设备优先级值训练所述设备优先级排序模型,以为设备组生成流量优先级值组,以对本地网络中每个网络设备的特定类型的网络流量进行优先级排序;和
通过所述设备优先级排序模型,生成所述本地网络的优先级排序方案包括,生成为设备列表中的每个设备定义一个或多个流量优先级值的优先级排序方案。
15.一种系统,其特征在于,包括:
数据处理装置,包括一个或多个处理器;和
计算机存储介质,与所述数据处理装置进行数据通信和编码指令,用于定义:
流量数据收集器,当由所述数据处理装置运行时,使所述数据处理装置执行操作,所述操作包括:
对多个本地网络中的每个本地网络,收集流量数据,所述流量数据表示一段时间通过所述本地网络的通信流量,每个本地网络是通过网络链接设备与其他网络通信的网络,并且包括相应的多个网络设备,所述网络设备通过所述网络链接设备进行通信;和
为包括在多个网络中的每个所述网络设备,确定所述网络设备的设备类型和基于所述设备类型的所述网络设备的至少一个设备优先级值,每个设备优先级值为所述网络设备的设备流量相对于其他网络设备的其他设备流量的优先级的度量;和
模型生成器,当由所述数据处理装置运行时,使所述数据处理装置执行操作,所述操作包括使用所述设备的所述流量数据和所述设备优先级值训练设备优先级排序模型,以便对本地网络中的每个网络设备的网络流量进行优先级排序。
16.根据权利要求15所述的系统,其特征在于,还包括:
由所述模型生成器训练的模型,当由所述数据处理装置运行时,使得所述数据处理装置执行操作,所述操作包括:
为本地网络接收所述本地网络中包含的网络设备列表;和
生成针对所述本地网络的优先级排序方案,所述优先级排序方案基于所述网络设备的所述设备类型和设备优先级值,对所述网络设备之间的设备流量进行优先级排序。
17.根据权利要求15或16所述的系统,其特征在于,所述操作还包括权利要求2至14中任一项所述的方法。
18.一种非暂时性计算机存储介质,其特征在于,存储可由数据处理装置运行的指令,并且基于这种运行使得所述数据处理装置执行操作,所述操作包括:
对多个本地网络中的每个本地网络,收集流量数据,所述流量数据表示一段时间通过所述本地网络的通信流量,每个本地网络是通过网络链接设备与其他网络通信的网络,并且包括相应的多个网络设备,所述网络设备通过所述网络链接设备进行通信;
为包括在多个网络中的每个所述网络设备,确定所述网络设备的设备类型和基于所述设备类型的所述网络设备的至少一个设备优先级值,每个设备优先级值为所述网络设备的设备流量相对于其他网络设备的其他设备流量的优先级的度量;和
使用所述设备的所述流量数据和所述设备优先级值训练设备优先级排序模型,以便对本地网络中的每个网络设备的网络流量进行优先级排序。
19.根据权利要求18所述的非暂时性计算机存储介质,其特征在于,所述操作还包括权利要求2至14中任一项所述的方法。
20.一种系统,其特征在于,包括:
数据处理装置,所述数据处理装置包括一个或多个处理器;和
计算机存储介质,与所述数据处理装置进行数据通信和编码指令,用于定义:
由模型生成器训练的模型,当由所述数据处理装置运行时,使得所述数据处理装置执行操作,所述操作包括:
为本地网络接收所述本地网络中包含的网络设备列表;和
生成针对所述本地网络的优先级排序方案,所述优先级排序方案基于所述网络设备的所述设备类型和设备优先级值,对所述网络设备之间的设备流量进行优先级排序。
21.根据权利要求20所述的系统,其特征在于,使用设备的流量数据和设备优先级值来训练所述模型,其中:
所述流量数据表示一段时间通过所述本地网络的通信流量;和
每个设备优先级值是所述网络设备的设备流量相对于其他网络设备的其他设备流量的优先级的度量。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/392,576 | 2016-12-28 | ||
US15/392,576 US10536345B2 (en) | 2016-12-28 | 2016-12-28 | Auto-prioritization of device traffic across local network |
PCT/US2017/068496 WO2018125900A1 (en) | 2016-12-28 | 2017-12-27 | Auto-prioritization of device traffic across local network |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110352584A true CN110352584A (zh) | 2019-10-18 |
CN110352584B CN110352584B (zh) | 2022-01-25 |
Family
ID=61022435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780087618.8A Active CN110352584B (zh) | 2016-12-28 | 2017-12-27 | 跨越本地网络的设备流量的自动优先级排序的方法和系统 |
Country Status (4)
Country | Link |
---|---|
US (2) | US10536345B2 (zh) |
EP (2) | EP3549309B1 (zh) |
CN (1) | CN110352584B (zh) |
WO (1) | WO2018125900A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110708260A (zh) * | 2019-11-13 | 2020-01-17 | 鹏城实验室 | 数据包传输方法及相关装置 |
CN112738895A (zh) * | 2020-12-25 | 2021-04-30 | 深圳市微网力合信息技术有限公司 | Wifi信道分配方法及设备 |
CN113452546A (zh) * | 2020-03-24 | 2021-09-28 | 脸谱公司 | 深度学习训练通信的动态服务质量管理 |
CN113485139A (zh) * | 2021-07-14 | 2021-10-08 | 无锡小天鹅电器有限公司 | 基于全屋联动的洗衣控制方法、装置、家电设备及服务器 |
Families Citing this family (55)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11871901B2 (en) | 2012-05-20 | 2024-01-16 | Cilag Gmbh International | Method for situational awareness for surgical network or surgical network connected device capable of adjusting function based on a sensed situation or usage |
US10536345B2 (en) | 2016-12-28 | 2020-01-14 | Google Llc | Auto-prioritization of device traffic across local network |
US10980560B2 (en) | 2017-10-30 | 2021-04-20 | Ethicon Llc | Surgical instrument systems comprising feedback mechanisms |
US11801098B2 (en) | 2017-10-30 | 2023-10-31 | Cilag Gmbh International | Method of hub communication with surgical instrument systems |
US11911045B2 (en) | 2017-10-30 | 2024-02-27 | Cllag GmbH International | Method for operating a powered articulating multi-clip applier |
US11744604B2 (en) | 2017-12-28 | 2023-09-05 | Cilag Gmbh International | Surgical instrument with a hardware-only control circuit |
US11857152B2 (en) | 2017-12-28 | 2024-01-02 | Cilag Gmbh International | Surgical hub spatial awareness to determine devices in operating theater |
US11864728B2 (en) | 2017-12-28 | 2024-01-09 | Cilag Gmbh International | Characterization of tissue irregularities through the use of mono-chromatic light refractivity |
US11013563B2 (en) | 2017-12-28 | 2021-05-25 | Ethicon Llc | Drive arrangements for robot-assisted surgical platforms |
US11896322B2 (en) | 2017-12-28 | 2024-02-13 | Cilag Gmbh International | Sensing the patient position and contact utilizing the mono-polar return pad electrode to provide situational awareness to the hub |
US11202570B2 (en) | 2017-12-28 | 2021-12-21 | Cilag Gmbh International | Communication hub and storage device for storing parameters and status of a surgical device to be shared with cloud based analytics systems |
US11166772B2 (en) | 2017-12-28 | 2021-11-09 | Cilag Gmbh International | Surgical hub coordination of control and communication of operating room devices |
US11969142B2 (en) | 2017-12-28 | 2024-04-30 | Cilag Gmbh International | Method of compressing tissue within a stapling device and simultaneously displaying the location of the tissue within the jaws |
US11389164B2 (en) | 2017-12-28 | 2022-07-19 | Cilag Gmbh International | Method of using reinforced flexible circuits with multiple sensors to optimize performance of radio frequency devices |
US11696760B2 (en) | 2017-12-28 | 2023-07-11 | Cilag Gmbh International | Safety systems for smart powered surgical stapling |
US11786251B2 (en) | 2017-12-28 | 2023-10-17 | Cilag Gmbh International | Method for adaptive control schemes for surgical network control and interaction |
US10758310B2 (en) | 2017-12-28 | 2020-09-01 | Ethicon Llc | Wireless pairing of a surgical device with another device within a sterile surgical field based on the usage and situational awareness of devices |
US11903601B2 (en) | 2017-12-28 | 2024-02-20 | Cilag Gmbh International | Surgical instrument comprising a plurality of drive systems |
US11844579B2 (en) | 2017-12-28 | 2023-12-19 | Cilag Gmbh International | Adjustments based on airborne particle properties |
US11969216B2 (en) | 2017-12-28 | 2024-04-30 | Cilag Gmbh International | Surgical network recommendations from real time analysis of procedure variables against a baseline highlighting differences from the optimal solution |
US10892995B2 (en) * | 2017-12-28 | 2021-01-12 | Ethicon Llc | Surgical network determination of prioritization of communication, interaction, or processing based on system or device needs |
US11672605B2 (en) | 2017-12-28 | 2023-06-13 | Cilag Gmbh International | Sterile field interactive control displays |
US11109866B2 (en) | 2017-12-28 | 2021-09-07 | Cilag Gmbh International | Method for circular stapler control algorithm adjustment based on situational awareness |
US11678881B2 (en) | 2017-12-28 | 2023-06-20 | Cilag Gmbh International | Spatial awareness of surgical hubs in operating rooms |
US11832899B2 (en) | 2017-12-28 | 2023-12-05 | Cilag Gmbh International | Surgical systems with autonomously adjustable control programs |
US11132462B2 (en) | 2017-12-28 | 2021-09-28 | Cilag Gmbh International | Data stripping method to interrogate patient records and create anonymized record |
US11771487B2 (en) | 2017-12-28 | 2023-10-03 | Cilag Gmbh International | Mechanisms for controlling different electromechanical systems of an electrosurgical instrument |
US11818052B2 (en) | 2017-12-28 | 2023-11-14 | Cilag Gmbh International | Surgical network determination of prioritization of communication, interaction, or processing based on system or device needs |
US11666331B2 (en) | 2017-12-28 | 2023-06-06 | Cilag Gmbh International | Systems for detecting proximity of surgical end effector to cancerous tissue |
US11896443B2 (en) | 2017-12-28 | 2024-02-13 | Cilag Gmbh International | Control of a surgical system through a surgical barrier |
US11937769B2 (en) | 2017-12-28 | 2024-03-26 | Cilag Gmbh International | Method of hub communication, processing, storage and display |
US11259830B2 (en) | 2018-03-08 | 2022-03-01 | Cilag Gmbh International | Methods for controlling temperature in ultrasonic device |
US11399858B2 (en) | 2018-03-08 | 2022-08-02 | Cilag Gmbh International | Application of smart blade technology |
US11090047B2 (en) | 2018-03-28 | 2021-08-17 | Cilag Gmbh International | Surgical instrument comprising an adaptive control system |
US11009858B2 (en) * | 2018-09-28 | 2021-05-18 | Rockwell Automation Technologies, Inc. | Industrial automation network evaluation system and method |
US11522898B1 (en) * | 2018-12-17 | 2022-12-06 | Wells Fargo Bank, N.A. | Autonomous configuration modeling and management |
US11298130B2 (en) | 2019-02-19 | 2022-04-12 | Cilag Gmbh International | Staple cartridge retainer with frangible authentication key |
CN110138594B (zh) * | 2019-04-11 | 2022-04-19 | 瑞芯微电子股份有限公司 | 基于深度学习的视频质量评价方法和服务器 |
CN112448899A (zh) * | 2019-08-31 | 2021-03-05 | 深圳致星科技有限公司 | 一种基于流量调度的多任务训练集群网络优化方法 |
US11477072B2 (en) * | 2019-09-17 | 2022-10-18 | OpenVault, LLC | System and method for prescriptive diagnostics and optimization of client networks |
US11206191B2 (en) * | 2020-05-22 | 2021-12-21 | Wipro Limited | Method and system for providing seamless data transfer between communication devices |
US11704683B1 (en) | 2020-07-09 | 2023-07-18 | Amdocs Development Limited | Machine learning system, method, and computer program for household marketing segmentation |
CN113938440B (zh) * | 2020-07-09 | 2023-12-08 | 华为技术有限公司 | 确定转发优先级的方法、装置及存储介质 |
US20220012631A1 (en) * | 2020-07-09 | 2022-01-13 | Amdocs Development Limited | Machine learning system, method, and computer program for managing guest network access in a residential space |
US11563858B1 (en) | 2020-07-09 | 2023-01-24 | Amdocs Development Limited | System, method, and computer program for generating insights from home network router data |
US11605027B2 (en) | 2020-07-09 | 2023-03-14 | Amdocs Development Limited | Machine learning system, method, and computer program for inferring user presence in a residential space |
US11533654B2 (en) | 2020-09-14 | 2022-12-20 | T-Mobile Usa, Inc. | Data packet prioritization for downlink transmission at network level |
US11540164B2 (en) * | 2020-09-14 | 2022-12-27 | T-Mobile Usa, Inc. | Data packet prioritization for downlink transmission at sender level |
US11223516B1 (en) | 2020-10-30 | 2022-01-11 | Nutanix, Inc. | Smart collection and processing in telemetry system |
US11700178B2 (en) | 2020-10-30 | 2023-07-11 | Nutanix, Inc. | System and method for managing clusters in an edge network |
WO2022103588A1 (en) * | 2020-11-12 | 2022-05-19 | Arris Enterprises Llc | Optimizing agent for identifying traffic associated with a resource for an optimized service flow |
US20230171203A1 (en) * | 2021-11-29 | 2023-06-01 | Dish Network Technologies India Private Limited | Internet bandwidth/data management by gateway device |
CN114697359B (zh) * | 2022-03-04 | 2024-03-22 | 青岛海尔科技有限公司 | 数据的收集方法和装置、存储介质及电子装置 |
US11765065B1 (en) * | 2022-03-23 | 2023-09-19 | Nutanix, Inc. | System and method for scalable telemetry |
CN116095019B (zh) * | 2022-08-19 | 2024-03-26 | 荣耀终端有限公司 | 路由处理方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360405A (zh) * | 2011-08-25 | 2012-02-22 | Tcl集团股份有限公司 | 一种远程医疗健康监测数据提交排序方法和系统 |
CN102595503A (zh) * | 2012-02-20 | 2012-07-18 | 南京邮电大学 | 一种基于无线多媒体传感器网络的拥塞控制方法 |
EP2521312A2 (en) * | 2011-05-02 | 2012-11-07 | Telefonaktiebolaget L M Ericsson (publ) | Creating and using multiple packet traffic profiling models to profile packet flows |
CN103973591A (zh) * | 2014-06-04 | 2014-08-06 | 浪潮电子信息产业股份有限公司 | 一种智能网络流量拥塞解决方法 |
CN105282052A (zh) * | 2014-06-19 | 2016-01-27 | 西安中兴新软件有限责任公司 | 一种基于用户应用业务分配带宽的方法和装置 |
US20160134474A1 (en) * | 2014-11-10 | 2016-05-12 | Futurwei Technologies, Inc. | Method and apparatus for model-driven, affinity-based, network functions |
CN106209390A (zh) * | 2016-06-30 | 2016-12-07 | 武汉大学深圳研究院 | 网络设备管理及节能方法及其资源管理装置、路由节能装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030193395A1 (en) * | 2002-04-10 | 2003-10-16 | Yavuz Ahiska | Allocation of network bandwidth and prioritization in networks |
US7460476B1 (en) * | 2004-10-18 | 2008-12-02 | Ubicom, Inc. | Automatic adaptive network traffic prioritization and shaping |
US8185618B2 (en) * | 2006-06-06 | 2012-05-22 | Cisco Technology, Inc. | Dynamically responding to non-network events at a network device in a computer network |
US8428067B2 (en) * | 2007-09-04 | 2013-04-23 | Honeywell International Inc. | Method and apparatus for dynamic assignment of quality of service parameters in a communication network |
US8854966B2 (en) | 2008-01-10 | 2014-10-07 | Apple Inc. | Apparatus and methods for network resource allocation |
US10536345B2 (en) | 2016-12-28 | 2020-01-14 | Google Llc | Auto-prioritization of device traffic across local network |
-
2016
- 2016-12-28 US US15/392,576 patent/US10536345B2/en active Active
-
2017
- 2017-12-27 EP EP17833061.9A patent/EP3549309B1/en active Active
- 2017-12-27 EP EP21181671.5A patent/EP3910885A1/en active Pending
- 2017-12-27 WO PCT/US2017/068496 patent/WO2018125900A1/en active Search and Examination
- 2017-12-27 CN CN201780087618.8A patent/CN110352584B/zh active Active
-
2019
- 2019-12-09 US US16/707,533 patent/US10848389B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2521312A2 (en) * | 2011-05-02 | 2012-11-07 | Telefonaktiebolaget L M Ericsson (publ) | Creating and using multiple packet traffic profiling models to profile packet flows |
CN102360405A (zh) * | 2011-08-25 | 2012-02-22 | Tcl集团股份有限公司 | 一种远程医疗健康监测数据提交排序方法和系统 |
CN102595503A (zh) * | 2012-02-20 | 2012-07-18 | 南京邮电大学 | 一种基于无线多媒体传感器网络的拥塞控制方法 |
CN103973591A (zh) * | 2014-06-04 | 2014-08-06 | 浪潮电子信息产业股份有限公司 | 一种智能网络流量拥塞解决方法 |
CN105282052A (zh) * | 2014-06-19 | 2016-01-27 | 西安中兴新软件有限责任公司 | 一种基于用户应用业务分配带宽的方法和装置 |
US20160134474A1 (en) * | 2014-11-10 | 2016-05-12 | Futurwei Technologies, Inc. | Method and apparatus for model-driven, affinity-based, network functions |
CN106209390A (zh) * | 2016-06-30 | 2016-12-07 | 武汉大学深圳研究院 | 网络设备管理及节能方法及其资源管理装置、路由节能装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110708260A (zh) * | 2019-11-13 | 2020-01-17 | 鹏城实验室 | 数据包传输方法及相关装置 |
CN113452546A (zh) * | 2020-03-24 | 2021-09-28 | 脸谱公司 | 深度学习训练通信的动态服务质量管理 |
CN112738895A (zh) * | 2020-12-25 | 2021-04-30 | 深圳市微网力合信息技术有限公司 | Wifi信道分配方法及设备 |
WO2022135089A1 (zh) * | 2020-12-25 | 2022-06-30 | 微网优联科技(成都)有限公司 | Wifi信道分配方法及设备 |
CN112738895B (zh) * | 2020-12-25 | 2022-10-28 | 深圳市微网力合信息技术有限公司 | Wifi信道分配方法及设备 |
CN113485139A (zh) * | 2021-07-14 | 2021-10-08 | 无锡小天鹅电器有限公司 | 基于全屋联动的洗衣控制方法、装置、家电设备及服务器 |
Also Published As
Publication number | Publication date |
---|---|
EP3549309B1 (en) | 2021-08-18 |
EP3549309A1 (en) | 2019-10-09 |
US10848389B2 (en) | 2020-11-24 |
WO2018125900A1 (en) | 2018-07-05 |
US20180183684A1 (en) | 2018-06-28 |
CN110352584B (zh) | 2022-01-25 |
US20200119999A1 (en) | 2020-04-16 |
US10536345B2 (en) | 2020-01-14 |
EP3910885A1 (en) | 2021-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110352584A (zh) | 跨越本地网络的设备流量的自动优先级排序 | |
US11757982B2 (en) | Performing load balancing self adjustment within an application environment | |
CN104657372B (zh) | 页面操作数据处理方法及装置 | |
CN104756444A (zh) | 云中的cdn负载平衡 | |
Wada et al. | Evolutionary deployment optimization for service‐oriented clouds | |
CN104756467A (zh) | 云中的cdn流量管理 | |
CN106462389A (zh) | 消息通讯行为的上下文感知策略选择 | |
US10715638B2 (en) | Method and system for server assignment using predicted network metrics | |
Yao et al. | Using crowdsourcing to provide QoS for mobile cloud computing | |
Zhang et al. | Dynamic sfc embedding algorithm assisted by federated learning in space-air-ground integrated network resource allocation scenario | |
CN112087384B (zh) | 一种基于sdn环境的数据传输方法及系统 | |
CN110383794A (zh) | 使用多个内容交付网络更新应用程序客户端的系统和方法 | |
CN110383245A (zh) | 具有动态反馈的安全智能联网架构 | |
Petroulakis et al. | Semiotics architectural framework: End-to-end security, connectivity and interoperability for industrial iot | |
CN111211984B (zh) | 优化cdn网络的方法、装置及电子设备 | |
Nguyen et al. | A low-cost two-tier fog computing testbed for streaming IoT-based applications | |
Panadero et al. | A two-stage multi-criteria optimization method for service placement in decentralized edge micro-clouds | |
Bellavista et al. | GAMESH: a grid architecture for scalable monitoring and enhanced dependable job scheduling | |
Efstathiou et al. | Flexible QoS-aware service composition in highly heterogeneous and dynamic service-based systems | |
CN109543725A (zh) | 一种获取模型参数的方法及装置 | |
Rodríguez et al. | Improvement of edge computing workload placement using multi objective particle swarm optimization | |
Giacobbe et al. | The internet of things in oil and gas industry: a multi criteria decision making brokerage strategy | |
CN107295042A (zh) | 一种为用户分配数据中心的方法和设备 | |
Chi et al. | A privacy and price-aware inter-cloud system | |
Soltvedt | A Distributed-to-Centralized Cost Model for Service Selection in Smart Cities |
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 |