CN110391956B - 网络服务进程状态的识别监控方法及装置 - Google Patents
网络服务进程状态的识别监控方法及装置 Download PDFInfo
- Publication number
- CN110391956B CN110391956B CN201910665274.5A CN201910665274A CN110391956B CN 110391956 B CN110391956 B CN 110391956B CN 201910665274 A CN201910665274 A CN 201910665274A CN 110391956 B CN110391956 B CN 110391956B
- Authority
- CN
- China
- Prior art keywords
- network
- service process
- probability
- overtime
- monitoring
- 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
- H04L43/0852—Delays
-
- 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
- H04L43/10—Active monitoring, e.g. heartbeat, ping or trace-route
Abstract
本申请提供一种网络服务进程状态的识别监控方法及装置,方法包括:在应用预设的用于监控网络服务进程状态的概率统计模型对目标网络当前的网络服务进程进行超时监控的过程中,获取目标网络当前的网络服务进程的实际超时概率及平均网络延迟时间值;判断实际超时概率是否符合预设条件,若否,则应用平均网络延迟时间值对概率统计模型中的平均网络延迟时间进行调整,以及对概率统计模型中的调整网络拥塞指数进行调整;应用经参数调整后的概率统计模型重新对目标网络当前的网络服务进程进行监控。本申请能够提高心跳监控的准确率,进而极大地降低的维护成本,以及避免网络资源的浪费。
Description
技术领域
本发明涉及计算机应用技术领域,具体涉及一种网络服务进程状态的识别监控方法及装置。
背景技术
随着移动通信电子技术的发展和智能设备的普及,智能设备也越来越重要。为了全方位地掌握智能设备的运行状况,对智能设备系统中的进程进行监测也变得尤为重要。
心跳监控是一种传统而又实用的监测系统服务进程的方式。心跳监控方式通过心跳回应超时的机制以及超时次数来判断被监控的进程是否存活。传统的心跳监控在正常情况下能够保证监控的准确性,但由于实际网络环境下存在各种不可测因素,比如网络拥塞以及网络丢包具有集中性,即会在某一段时间内集中发生,因此该传统方式心跳包的到达具有随机性,容易使监控端产生误判。
因此,现有的采用心跳监控系统进程的方式存在不能适应网络实际情况以及误判率高的问题。
发明内容
针对现有技术中的问题,本发明提供一种网络服务进程状态的识别监控方法及装置,能够提高心跳监控的准确性,进而提高网络服务进程的稳定性,避免网络资源的浪费。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供一种网络服务进程状态的识别监控方法,包括:
在应用预设的用于监控所述网络服务进程状态的概率统计模型对目标网络当前的网络服务进程进行超时监控的过程中,获取目标网络当前的网络服务进程的实际超时概率及平均网络延迟时间值;
判断所述实际超时概率是否符合预设条件,若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,其中,所述统计模型用于表示所述调整网络拥塞指数与平均网络延迟时间之间的对应关系,以及
对所述概率统计模型中的所述调整网络拥塞指数进行调整;
应用经参数调整后的所述概率统计模型重新对目标网络当前的网络服务进程进行监控。
其中,所述获取目标网络当前的网络服务进程的实际超时概率,包括:
确定目标网络当前心跳监测周期内心跳包的应答数以及目标网络当前心跳监测周期内发生超时的心跳包的应答数;
根据所述心跳包的应答数以及所述发生超时的心跳包的应答数确定目标网络当前的网络服务进程的实际超时概率。
其中,所述根据所述心跳包的应答数以及所述发生超时的心跳包的应答数确定目标网络当前的网络服务进程的实际超时概率,包括:
计算所述发生超时的心跳包的应答数与所述心跳包的应答数的比值,确定所述比值为所述目标网络当前的网络服务进程的实际超时概率。
其中,所述获取目标网络当前的网络服务进程的平均网络延迟时间值,包括:
确定目标网络当前心跳监测周期内未发生超时的心跳包的应答数以及各个未发生超时的心跳包的延迟时间;
根据所述未发生超时的心跳包的应答数以及各个未发生超时的心跳包的延迟时间确定目标网络当前的网络服务进程的平均网络延迟时间值。
其中,所述根据所述未发生超时的心跳包的应答数以及各个未发生超时的心跳包的延迟时间确定目标网络当前的网络服务进程的平均网络延迟时间值,包括:
根据各个未发生超时的心跳包的延迟时间确定未发生超时的心跳包的总延迟时间,计算所述总延迟时间与所述未发生超时的心跳包的应答数的比值,确定所述比值为所述目标网络当前的网络服务进程的平均网络延迟时间值。
其中,所述判断所述实际超时概率是否符合预设条件,包括:
判断所述实际超时概率与预设的预设超时概率之间的差值的绝对值是否小于预设误差;若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,以及对所述概率统计模型中的所述调整网络拥塞指数进行调整。
其中,所述对所述概率统计模型中的所述调整网络拥塞指数进行调整,包括:
在所述实际超时概率大于所述预设超时概率时,则增大所述网络拥塞指数;在所述实际超时概率小于或等于所述预设超时概率时,则减小所述网络拥塞指数。
其中,所述网络拥塞指数进行调整的方式包括:迭代累加的方式和/或指数迭代的方式。
第二方面,本发明提供一种网络服务进程状态的识别监控装置,包括:
获取单元,用于在应用预设的用于监控所述网络服务进程状态的概率统计模型对目标网络当前的网络服务进程进行超时监控的过程中,获取目标网络当前的网络服务进程的实际超时概率及平均网络延迟时间值;
调整单元,用于判断所述实际超时概率是否符合预设条件,若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,其中,所述统计模型用于表示所述调整网络拥塞指数与平均网络延迟时间之间的对应关系,以及
对所述概率统计模型中的所述调整网络拥塞指数进行调整;
监控单元,用于应用经参数调整后的所述概率统计模型重新对目标网络当前的网络服务进程进行监控。
其中,所述获取单元包括:
第一获取子单元,用于确定目标网络当前心跳监测周期内心跳包的应答数以及目标网络当前心跳监测周期内发生超时的心跳包的应答数;
第一计算子单元,用于根据所述心跳包的应答数以及所述发生超时的心跳包的应答数确定目标网络当前的网络服务进程的实际超时概率。
其中,所述第一计算子单元包括:
第一计算模块,用于计算所述发生超时的心跳包的应答数与所述心跳包的应答数的比值,确定所述比值为所述目标网络当前的网络服务进程的实际超时概率。
其中,所述获取单元包括:
第二获取子单元,用于确定目标网络当前心跳监测周期内未发生超时的心跳包的应答数以及各个未发生超时的心跳包的延迟时间;
第二计算子单元,用于根据所述未发生超时的心跳包的应答数以及各个未发生超时的心跳包的延迟时间确定目标网络当前的网络服务进程的平均网络延迟时间值。
其中,所述第二计算子单元包括:
第一计算模块,用于根据各个未发生超时的心跳包的延迟时间确定未发生超时的心跳包的总延迟时间,计算所述总延迟时间与所述未发生超时的心跳包的应答数的比值,确定所述比值为所述目标网络当前的网络服务进程的平均网络延迟时间值。
其中,所述调整单元包括:
调整子单元,用于判断所述实际超时概率与预设的预设超时概率之间的差值的绝对值是否小于预设误差;若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,以及对所述概率统计模型中的所述调整网络拥塞指数进行调整。
其中,所述调整子单元包括:
调整模块,用于在所述实际超时概率大于所述预设超时概率时,则增大所述网络拥塞指数;在所述实际超时概率小于或等于所述预设超时概率时,则减小所述网络拥塞指数。
其中,所述网络拥塞指数进行调整的方式包括:迭代累加的方式和/或指数迭代的方式。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的网络服务进程状态的识别监控方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的网络服务进程状态的识别监控方法的步骤。
由上述技术方案可知,本发明提供一种网络服务进程状态的识别监控方法及装置,通过在应用预设的用于监控所述网络服务进程状态的概率统计模型对目标网络当前的网络服务进程进行超时监控的过程中,获取目标网络当前的网络服务进程的实际超时概率及平均网络延迟时间值;判断所述实际超时概率是否符合预设条件,若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,其中,所述统计模型用于表示所述调整网络拥塞指数与平均网络延迟时间之间的对应关系,以及对所述概率统计模型中的所述调整网络拥塞指数进行调整;应用经参数调整后的所述概率统计模型重新对目标网络当前的网络服务进程进行监控,能够根据当前的监控自适应地调整概率统计模型,使得概率统计模型更符合网络实际传输情况,进而提高心跳监控的准确率,从而更加科学地对于网络被监控者服务进程的状态进行监控,极大地降低的维护的成本,并且还能避免网络资源的浪费。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中的网络服务进程状态的识别监控方法的流程示意图。
图2为本发明实施例中的网络服务进程状态的识别监控方法中网络拥塞指数的示意图。
图3为本发明实施例中的网络服务进程状态的识别监控方法中网络拥塞指数的调整示意图。
图4为本发明实施例中的网络服务进程状态的识别监控方法中心跳包的结构示意图。
图5为本发明实施例中的网络服务进程状态的识别监控方法中应答包的结构示意图。
图6为本发明实施例中的网络服务进程状态的识别监控方法中获取实际超时概率的流程示意图。
图7为本发明实施例中的网络服务进程状态的识别监控方法中获取平均网络延迟时间值的流程示意图。
图8为本发明实施例中的网络服务进程状态的识别监控方法中一种网络拥塞指数调整方法的示意图。
图9为本发明实施例中的网络服务进程状态的识别监控方法中另一种网络拥塞指数调整方法的示意图。
图10为本发明实施例中的识别监控方法与现有超时机制方法的测试对比结果示意图。
图11为本发明实施例中的网络服务进程状态的识别监控装置的结构示意图。
图12为本发明实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种网络服务进程状态的识别监控方法的实施例,参见图1,所述一种网络服务进程状态的识别监控方法具体包含有如下内容:
S101:在应用预设的用于监控所述网络服务进程状态的概率统计模型对目标网络当前的网络服务进程进行超时监控的过程中,获取目标网络当前的网络服务进程的实际超时概率及平均网络延迟时间值;
在本步骤中,在对当前的网络服务进程进行超时监控的过程中,获取目标网络当前的网络服务进程的实际超时概率及平均网络延迟时间值,通过实际超时概率及平均网络延迟时间值表征当前的网络服务进程的网络环境,并根据实际超时概率及平均网络延迟时间值来判断是否对预设的用于监控所述网络服务进程状态的概率统计模型中的参数进行修改,实现自适应的调整心跳监测中的心跳包的超时时间。
S102:判断所述实际超时概率是否符合预设条件,若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,其中,所述统计模型用于表示所述调整网络拥塞指数与平均网络延迟时间之间的对应关系,以及对所述概率统计模型中的所述调整网络拥塞指数进行调整;
在本步骤中,通过实际超时概率表征当前的网络服务进程的网络环境,根据实际超时概率进行判断是否修改概率统计模型的平均网络延迟时间和网络拥塞指数时即表明:本实施例中的概率统计模型对当前的网络服务进程进行监控时会针对当前的网络服务进程的网络环境进行自适应的调整,以便能够提高心跳监控的准确性。
进一步的,网络拥塞指数进行调整的方式包括:迭代累加的方式和/或指数迭代的方式。
S103:应用经参数调整后的所述概率统计模型重新对目标网络当前的网络服务进程进行监控。
在本步骤中,根据步骤S102对概率统计模型中的平均网络延迟时间和网络拥塞指数进行了调整,根据概率统计模型可得到新的超时时间,通过新的超时时间在新的网络服务进程进行超时监控。在进行网络服务进程进行超时监控时,心跳包在发出后在新的超时时间的隔内未获得该心跳包的应答消息的情况均判定为超时。
进一步的,本实施例中的概率统计模型为:
其中,x为实际心跳包响应时间与平均到达时间的相对误差,其满足正态分布Φ(0,σ),其中t为实际延迟时间,μ为平均网络延迟时间,σ为网络拥塞指数,网络拥塞指数σ越大,说明网络拥塞情况越严重。如图2所示,σ1<σ2<σ3。即网络拥塞指数σ越大,说明超时时间越分散,其中,网络拥塞指数σ由每个监测周期(一个心跳包发送到最终收到该心跳包响应的应答包为一个监测周期)超时事件的发生而动态调整。
由于调整后的平均网络延迟时间μ1与网络拥塞指数σ1都为已知参数,因此通过上述概率统计模型可反推得新的超时时间。
需要说明的是,参见图3,正是由于小概率(小于5%)事件容易使监控服务进程的监控产生误判,这种误判最终会导致实际被监控服务进程处于存活状态,而监控者已将其判断为死亡状态,进而产生较大的资源浪费。
在本实施例的心跳检测机制中引入基于标准正态分布的概率统计模型,利用概率统计模型进行网络进程监控,而不以传统的几次心跳包超时来断定服务进程异常,进而极大地降低的维护的成本,并且还能避免网络资源的浪费。
可以理解的是:心跳包要分三个域,第一个域为8位的长度,第二个域为1位的类型标识,心跳包为类型一,值为0,第三个域为填充数据,内容可随机填入字符,心跳包组织方式以普通ASCLL字符方式组织成一个数据包,如图4所示;
应答包要分三个域,第一个域为8位的长度,第二个域为1位的类型标识,应答包为类型二,值为1,第三个域为填充数据,内容可随机填入字符,应答包组织方式以普通ASCLL字符方式组织成一个数据包,如图5所示。
从上述描述可知,本实施例提供的一种网络服务进程状态的识别监控方法,通过在应用预设的用于监控所述网络服务进程状态的概率统计模型对目标网络当前的网络服务进程进行超时监控的过程中,获取目标网络当前的网络服务进程的实际超时概率及平均网络延迟时间值;判断所述实际超时概率是否符合预设条件,若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,其中,所述统计模型用于表示所述调整网络拥塞指数与平均网络延迟时间之间的对应关系,以及对所述概率统计模型中的所述调整网络拥塞指数进行调整;应用经参数调整后的所述概率统计模型重新对目标网络当前的网络服务进程进行监控,能够根据当前的监控自适应地调整概率统计模型,使得概率统计模型更符合网络实际传输情况,进而提高心跳监控的准确率,从而更加科学地对于网络被监控者服务进程的状态进行监控,极大地降低的维护的成本,并且还能避免网络资源的浪费。
在一可选实施例中,参见图6,本实施例提供实现获取目标网络当前的网络服务进程的实际超时概率的一种实施方式,具体包括:
S201:确定目标网络当前心跳监测周期内心跳包的应答数以及目标网络当前心跳监测周期内发生超时的心跳包的应答数;
S202:根据所述心跳包的应答数以及所述发生超时的心跳包的应答数确定目标网络当前的网络服务进程的实际超时概率。
在本实施例中获取目标网络当前的网络服务进程的当前网络情况信息,具体包括:心跳包的发送时间,应答包的接收时间,心跳包与应答包之间的响应时间。在预设周期内重复此获取操作得到目标网络当前心跳监测周期内心跳包的应答数m。其中,m为大于1的正整数。
根据初始化的超时时间,对于在初始化的超时时间的间隔内未获得心跳包的应答包的情况均判定为超时,以此确定目标网络当前心跳监测周期内心跳包的应答数m内发生超时的心跳包的应答数n。根据所述心跳包的应答数m以及所述发生超时的心跳包的应答数n确定目标网络当前的网络服务进程的实际超时概率。
在本实施例中,计算所述发生超时的心跳包的应答数m与所述心跳包的应答数n的比值,确定所述比值为所述目标网络当前的网络服务进程的实际超时概率。
在一可选实施例中,参见图7,本实施例提供实现获取目标网络当前的网络服务进程的平均网络延迟时间值的一种实施方式,具体包括:
S301:确定目标网络当前心跳监测周期内未发生超时的心跳包的应答数以及各个未发生超时的心跳包的延迟时间;
S302:根据所述未发生超时的心跳包的应答数以及各个未发生超时的心跳包的延迟时间确定目标网络当前的网络服务进程的平均网络延迟时间值。
在本实施例中获取目标网络当前的网络服务进程的当前网络情况信息,具体包括:心跳包的发送时间,应答包的接收时间,心跳包与应答包之间的响应时间。在预设周期内重复此获取操作得到目标网络当前心跳监测周期内心跳包的应答数m。其中,m为大于1的正整数。
根据初始化的超时时间,对于在初始化的超时时间的间隔内未获得心跳包的应答包的情况均判定为超时,以此确定目标网络当前心跳监测周期内心跳包的应答数m内发生超时的心跳包的应答数n。
统计记录目标网络当前心跳监测周期内未发生超时的心跳包的应答数(m-n)以及各个未发生超时的心跳包的延迟时间;根据所述未发生超时的心跳包的应答数(m-n)以及未发生超时的心跳包的总延迟时间确定目标网络当前的网络服务进程的平均网络延迟时间值。
在本实施例中,根据各个未发生超时的心跳包的延迟时间确定未发生超时的心跳包的总延迟时间,计算所述总延迟时间与所述未发生超时的心跳包的应答数的比值,确定所述比值为所述目标网络当前的网络服务进程的平均网络延迟时间值。
在一可选实施例中,本实施例提供实现判断所述实际超时概率是否符合预设条件的一种具体判断方法的实施例,具体包括:
判断所述实际超时概率与预设的预设超时概率之间的差值的绝对值是否小于预设误差;若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,以及对所述概率统计模型中的所述调整网络拥塞指数进行调整。
在实施例中,所述实际超时概率与预设的预设超时概率之间的差值的绝对值大于或等于预设误差时,表明当前网络拥塞指数与实际情况偏离较大,需做重新调整。
其中,预设超时概率和预设误差均预先进行输入并进行概率统计模型的初始化参数。
进一步的,在对所述概率统计模型中的调整网络拥塞指数进行调整时,包括:以下两种情况。
1、实际超时概率大于预设超时概率,则表明实际网络拥塞情况要差于现有指标,则适当增大网络拥塞指数σ。
本实施例中采用两种网络拥塞指数调整算法:
(1)简单迭代累加法,简单迭代累加法即以固定步长增加网络拥塞指数σ值,即在网络拥塞指数σ0基础上逐渐累加其值,可表示为:σ1=σ0+k·step,如图8所示。
其中,k为超时次数,step为网络拥塞指数σ1增长步长,如0.001。
(2)指数迭代法,可表示为:σ1=σ0+ek,如图9所示。
其中,k为超时次数,e为自然常数。
2、实际超时概率小于或等于预设超时概率,则表明实际网络拥塞情况要优于现有指标,则适当减小网络拥塞指数,即在网络拥塞指数σ0基础上逐渐减少其值。
本实施例中采用两种网络拥塞指数调整算法:
(1)简单迭代累加法,简单迭代累加法即以固定步长增加网络拥塞指数σ值,即在网络拥塞指数σ0基础上逐渐累加其值,可表示为:σ1=σ0-k·step其中k为超时次数,step为网络拥塞指数σ1增长步长,如0.001。
(2)指数迭代法,可表示为:σ1=σ0-ek,k为超时次数,e为自然常数。
为进一步地说明本方案的效果,本发明实施例提供基于基于网络服务进程状态的识别监控方法的实验数据。
如图10所示,是传统超时检测方法与本发明实施例中方法的比较结果,从图10中可以看出,传统检测方法分别是初始化超时时间为4秒与5秒,由图10可知,该方法确定的超时时间相对固定,不能进行与实际真实网络情况的动态适应,而且该初始化超时时间的准确度依赖于人为经验判断,容易造成误判。而本发明实施例中方法能够自适应当前网络状况,通过运算求得符合当前网络拥塞情况的超时时间。
本发明实施例提供一种能够实现所述网络服务进程状态的识别监控方法中全部内容的网络服务进程状态的识别监控装置的具体实施方式,参见图11,所述网络服务进程状态的识别监控装置具体包括如下内容:
获取单元10,用于在应用预设的用于监控所述网络服务进程状态的概率统计模型对目标网络当前的网络服务进程进行超时监控的过程中,获取目标网络当前的网络服务进程的实际超时概率及平均网络延迟时间值;
调整单元20,用于判断所述实际超时概率是否符合预设条件,若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,其中,所述统计模型用于表示所述调整网络拥塞指数与平均网络延迟时间之间的对应关系,以及
对所述概率统计模型中的所述调整网络拥塞指数进行调整;
监控单元30,用于应用经参数调整后的所述概率统计模型重新对目标网络当前的网络服务进程进行监控。
其中,所述获取单元包括:
第一获取子单元,用于确定目标网络当前心跳监测周期内心跳包的应答数以及目标网络当前心跳监测周期内发生超时的心跳包的应答数;
第一计算子单元,用于根据所述心跳包的应答数以及所述发生超时的心跳包的应答数确定目标网络当前的网络服务进程的实际超时概率。
其中,所述第一计算子单元包括:
第一计算模块,用于计算所述发生超时的心跳包的应答数与所述心跳包的应答数的比值,确定所述比值为所述目标网络当前的网络服务进程的实际超时概率。
其中,所述获取单元10包括:
第二获取子单元,用于确定目标网络当前心跳监测周期内未发生超时的心跳包的应答数以及各个未发生超时的心跳包的延迟时间;
第二计算子单元,用于根据所述未发生超时的心跳包的应答数以及各个未发生超时的心跳包的延迟时间确定目标网络当前的网络服务进程的平均网络延迟时间值。
其中,所述第二计算子单元包括:
第一计算模块,用于根据各个未发生超时的心跳包的延迟时间确定未发生超时的心跳包的总延迟时间,计算所述总延迟时间与所述未发生超时的心跳包的应答数的比值,确定所述比值为所述目标网络当前的网络服务进程的平均网络延迟时间值。
其中,所述调整单元20包括:
调整子单元,用于判断所述实际超时概率与预设的预设超时概率之间的差值的绝对值是否小于预设误差;若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,以及对所述概率统计模型中的所述调整网络拥塞指数进行调整。
其中,所述调整子单元包括:
调整模块,用于在所述实际超时概率大于所述预设超时概率时,则增大所述网络拥塞指数;在所述实际超时概率小于或等于所述预设超时概率时,则减小所述网络拥塞指数。
其中,所述网络拥塞指数进行调整的方式包括:迭代累加的方式和/或指数迭代的方式。
本发明提供的网络服务进程状态的识别监控装置的实施例具体可以用于执行上述实施例中的网络服务进程状态的识别监控方法的实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
从上述描述可知,本发明实施例提供的网络服务进程状态的识别监控装置,通过在应用预设的用于监控所述网络服务进程状态的概率统计模型对目标网络当前的网络服务进程进行超时监控的过程中,获取目标网络当前的网络服务进程的实际超时概率及平均网络延迟时间值;判断所述实际超时概率是否符合预设条件,若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,其中,所述统计模型用于表示所述调整网络拥塞指数与平均网络延迟时间之间的对应关系,以及对所述概率统计模型中的所述调整网络拥塞指数进行调整;应用经参数调整后的所述概率统计模型重新对目标网络当前的网络服务进程进行监控,能够根据当前的监控自适应地调整概率统计模型,使得概率统计模型更符合网络实际传输情况,进而提高心跳监控的准确率,从而更加科学地对于网络被监控者服务进程的状态进行监控,极大地降低的维护的成本,并且还能避免网络资源的浪费。
本发明的实施例还提供能够实现上述实施例中的网络服务进程状态的识别监控方法中全部步骤的一种电子设备的具体实施方式,参见图12,所述电子设备具体包括如下内容:
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604;
其中,所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信;所述处理器601用于调用所述存储器602中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的网络服务进程状态的识别监控方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:在应用预设的用于监控所述网络服务进程状态的概率统计模型对目标网络当前的网络服务进程进行超时监控的过程中,获取目标网络当前的网络服务进程的实际超时概率及平均网络延迟时间值;判断所述实际超时概率是否符合预设条件,若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,其中,所述统计模型用于表示所述调整网络拥塞指数与平均网络延迟时间之间的对应关系,以及对所述概率统计模型中的所述调整网络拥塞指数进行调整;应用经参数调整后的所述概率统计模型重新对目标网络当前的网络服务进程进行监控。
本发明的实施例还提供能够实现上述实施例中的网络服务进程状态的识别监控方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的网络服务进程状态的识别监控方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:在应用预设的用于监控所述网络服务进程状态的概率统计模型对目标网络当前的网络服务进程进行超时监控的过程中,获取目标网络当前的网络服务进程的实际超时概率及平均网络延迟时间值;判断所述实际超时概率是否符合预设条件,若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,其中,所述统计模型用于表示所述调整网络拥塞指数与平均网络延迟时间之间的对应关系,以及对所述概率统计模型中的所述调整网络拥塞指数进行调整;应用经参数调整后的所述概率统计模型重新对目标网络当前的网络服务进程进行监控。
虽然本发明提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的说明书中,说明了大量具体细节。然而能够理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释呈反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面,也不局限于任何单一的实施例,也不局限于这些方面和/或实施例的任意组合和/或置换。而且,可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (18)
1.一种网络服务进程状态的识别监控方法,其特征在于,包括:
在应用预设的用于监控所述网络服务进程状态的概率统计模型对目标网络当前的网络服务进程进行超时监控的过程中,获取目标网络当前的网络服务进程的实际超时概率及平均网络延迟时间值;
判断所述实际超时概率是否符合预设条件,若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,以及
对所述概率统计模型中的网络拥塞指数进行调整;
应用经参数调整后的所述概率统计模型重新对目标网络当前的网络服务进程进行监控,包括:根据经参数调整后的所述概率统计模型可得到新的超时时间,通过新的超时时间在新的网络服务进程进行超时监控,若心跳包在发出后在新的超时时间的隔内未获得该心跳包的应答消息的情况均判定为超时;
所述概率统计模型为:
其中,x为实际心跳包响应时间与平均到达时间的相对误差,t为实际延迟时间,μ1为调整后的平均网络延迟时间,σ1为调整后的网络拥塞指数。
2.根据权利要求1所述的网络服务进程状态的识别监控方法,其特征在于,所述获取目标网络当前的网络服务进程的实际超时概率,包括:
确定目标网络当前心跳监测周期内心跳包的应答数以及目标网络当前心跳监测周期内发生超时的心跳包的应答数;
根据所述心跳包的应答数以及所述发生超时的心跳包的应答数确定目标网络当前的网络服务进程的实际超时概率。
3.根据权利要求2所述的网络服务进程状态的识别监控方法,其特征在于,所述根据所述心跳包的应答数以及所述发生超时的心跳包的应答数确定目标网络当前的网络服务进程的实际超时概率,包括:
计算所述发生超时的心跳包的应答数与所述心跳包的应答数的比值,确定所述比值为所述目标网络当前的网络服务进程的实际超时概率。
4.根据权利要求1所述的网络服务进程状态的识别监控方法,其特征在于,所述获取目标网络当前的网络服务进程的平均网络延迟时间值,包括:
确定目标网络当前心跳监测周期内未发生超时的心跳包的应答数以及各个未发生超时的心跳包的延迟时间;
根据所述未发生超时的心跳包的应答数以及各个未发生超时的心跳包的延迟时间确定目标网络当前的网络服务进程的平均网络延迟时间值。
5.根据权利要求4所述的网络服务进程状态的识别监控方法,其特征在于,所述根据所述未发生超时的心跳包的应答数以及各个未发生超时的心跳包的延迟时间确定目标网络当前的网络服务进程的平均网络延迟时间值,包括:
根据各个未发生超时的心跳包的延迟时间确定未发生超时的心跳包的总延迟时间,计算所述总延迟时间与所述未发生超时的心跳包的应答数的比值,确定所述比值为所述目标网络当前的网络服务进程的平均网络延迟时间值。
6.根据权利要求1所述的网络服务进程状态的识别监控方法,其特征在于,所述判断所述实际超时概率是否符合预设条件,包括:
判断所述实际超时概率与预设的预设超时概率之间的差值的绝对值是否小于预设误差;若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,以及对所述概率统计模型中的网络拥塞指数进行调整。
7.根据权利要求6所述的网络服务进程状态的识别监控方法,其特征在于,所述对所述概率统计模型中的网络拥塞指数进行调整,包括:
在所述实际超时概率大于所述预设超时概率时,则增大所述网络拥塞指数;在所述实际超时概率小于或等于所述预设超时概率时,则减小所述网络拥塞指数。
8.根据权利要求6所述的网络服务进程状态的识别监控方法,其特征在于,所述网络拥塞指数进行调整的方式包括:迭代累加的方式和/或指数迭代的方式。
9.一种网络服务进程状态的识别监控装置,其特征在于,包括:
获取单元,用于在应用预设的用于监控所述网络服务进程状态的概率统计模型对目标网络当前的网络服务进程进行超时监控的过程中,获取目标网络当前的网络服务进程的实际超时概率及平均网络延迟时间值;
调整单元,用于判断所述实际超时概率是否符合预设条件,若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,以及
对所述概率统计模型中的网络拥塞指数进行调整;
监控单元,用于应用经参数调整后的所述概率统计模型重新对目标网络当前的网络服务进程进行监控;
其中,监控单元用于根据经参数调整后的所述概率统计模型可得到新的超时时间,通过新的超时时间在新的网络服务进程进行超时监控,若心跳包在发出后在新的超时时间的隔内未获得该心跳包的应答消息的情况均判定为超时;
所述概率统计模型为:
其中,x为实际心跳包响应时间与平均到达时间的相对误差,t为实际延迟时间,μ1为调整后的平均网络延迟时间,σ1为调整后的网络拥塞指数。
10.根据权利要求9所述的网络服务进程状态的识别监控装置,其特征在于,所述获取单元包括:
第一获取子单元,用于确定目标网络当前心跳监测周期内心跳包的应答数以及目标网络当前心跳监测周期内发生超时的心跳包的应答数;
第一计算子单元,用于根据所述心跳包的应答数以及所述发生超时的心跳包的应答数确定目标网络当前的网络服务进程的实际超时概率。
11.根据权利要求10所述的网络服务进程状态的识别监控装置,其特征在于,所述第一计算子单元包括:
第一计算模块,用于计算所述发生超时的心跳包的应答数与所述心跳包的应答数的比值,确定所述比值为所述目标网络当前的网络服务进程的实际超时概率。
12.根据权利要求9所述的网络服务进程状态的识别监控装置,其特征在于,所述获取单元包括:
第二获取子单元,用于确定目标网络当前心跳监测周期内未发生超时的心跳包的应答数以及各个未发生超时的心跳包的延迟时间;
第二计算子单元,用于根据所述未发生超时的心跳包的应答数以及各个未发生超时的心跳包的延迟时间确定目标网络当前的网络服务进程的平均网络延迟时间值。
13.根据权利要求12所述的网络服务进程状态的识别监控装置,其特征在于,所述第二计算子单元包括:
第一计算模块,用于根据各个未发生超时的心跳包的延迟时间确定未发生超时的心跳包的总延迟时间,计算所述总延迟时间与所述未发生超时的心跳包的应答数的比值,确定所述比值为所述目标网络当前的网络服务进程的平均网络延迟时间值。
14.根据权利要求9所述的网络服务进程状态的识别监控装置,其特征在于,所述调整单元包括:
调整子单元,用于判断所述实际超时概率与预设的预设超时概率之间的差值的绝对值是否小于预设误差;若否,则应用所述平均网络延迟时间值对所述概率统计模型中的平均网络延迟时间进行调整,以及对所述概率统计模型中的网络拥塞指数进行调整。
15.根据权利要求14所述的网络服务进程状态的识别监控装置,其特征在于,所述调整子单元包括:
调整模块,用于在所述实际超时概率大于所述预设超时概率时,则增大所述网络拥塞指数;在所述实际超时概率小于或等于所述预设超时概率时,则减小所述网络拥塞指数。
16.根据权利要求14所述的网络服务进程状态的识别监控装置,其特征在于,所述网络拥塞指数进行调整的方式包括:迭代累加的方式和/或指数迭代的方式。
17.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至8任一项所述的网络服务进程状态的识别监控方法的步骤。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8任一项所述的网络服务进程状态的识别监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665274.5A CN110391956B (zh) | 2019-07-23 | 2019-07-23 | 网络服务进程状态的识别监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665274.5A CN110391956B (zh) | 2019-07-23 | 2019-07-23 | 网络服务进程状态的识别监控方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110391956A CN110391956A (zh) | 2019-10-29 |
CN110391956B true CN110391956B (zh) | 2021-08-13 |
Family
ID=68287007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910665274.5A Active CN110391956B (zh) | 2019-07-23 | 2019-07-23 | 网络服务进程状态的识别监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110391956B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1491522A (zh) * | 2001-04-18 | 2004-04-21 | �ƶ��Ѷ��� | 在无线通信系统中减少无线信道接入延迟的方法 |
CN101056260A (zh) * | 2007-05-21 | 2007-10-17 | 中南大学 | 混合网络中基于ecn机制的拥塞控制方法 |
CN101094047A (zh) * | 2007-07-06 | 2007-12-26 | 中国人民解放军国防科学技术大学 | 基于网络状态测量的分阶段慢启动传输控制方法 |
CN101404602A (zh) * | 2008-11-04 | 2009-04-08 | 南京航空航天大学 | 一种适用于多跳ad hoc网络的DCF协议节点自适应休眠机制 |
CN101917342A (zh) * | 2010-08-25 | 2010-12-15 | 天津理工大学 | 一种面向普适服务的自适应网络拥塞控制方法 |
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 |
CN105024940A (zh) * | 2015-07-16 | 2015-11-04 | 重庆大学 | 基于链路自适应的异构网络tcp拥塞控制方法 |
CN105743783A (zh) * | 2016-04-12 | 2016-07-06 | 同济大学 | 基于bs-ts和自编码网络的车联网网络节点筛选方法及其通达性路由机制 |
CN106130928A (zh) * | 2016-06-29 | 2016-11-16 | 浪潮集团有限公司 | 一种sdn网络下的流量控制方法及系统 |
CN106789702A (zh) * | 2016-12-30 | 2017-05-31 | 广州华多网络科技有限公司 | 控制tcp传输性能的方法及装置 |
CN107872900A (zh) * | 2017-10-31 | 2018-04-03 | 西安空间无线电技术研究所 | 一种支持区分服务的卫星信道s‑aloha接入系统及方法 |
CN107872820A (zh) * | 2016-11-22 | 2018-04-03 | 中国移动通信集团湖南有限公司 | Epc网络数据处理方法、装置及epc网络 |
CN108023683A (zh) * | 2016-11-02 | 2018-05-11 | 华为技术有限公司 | 一种发送报文的方法、装置、芯片及终端 |
CN108234309A (zh) * | 2017-12-27 | 2018-06-29 | 宁波菊风系统软件有限公司 | 一种网络数据的传输方法 |
CN108833207A (zh) * | 2018-06-19 | 2018-11-16 | 中国联合网络通信集团有限公司 | 时延测量方法及系统 |
WO2018229526A1 (en) * | 2017-06-12 | 2018-12-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Adaptive scheduling |
CN110022268A (zh) * | 2018-01-09 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 一种数据传输控制方法、装置及存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09116572A (ja) * | 1995-10-23 | 1997-05-02 | Nec Corp | パケットデータ制御方式 |
US6842424B1 (en) * | 2000-09-05 | 2005-01-11 | Microsoft Corporation | Methods and systems for alleviating network congestion |
CN100589440C (zh) * | 2006-10-18 | 2010-02-10 | 中国科学院自动化研究所 | 一种应用于互联网的网络拥塞控制系统及方法 |
WO2012167571A1 (zh) * | 2011-11-25 | 2012-12-13 | 华为技术有限公司 | 网络拥塞控制方法和装置 |
US20140164641A1 (en) * | 2012-12-11 | 2014-06-12 | The Hong Kong University Of Science And Technology | Congestion control for data center traffic |
CN104639568A (zh) * | 2015-03-12 | 2015-05-20 | 成都金本华科技股份有限公司 | 一种基于udp的数据传输方法 |
CN106255149B (zh) * | 2016-08-10 | 2019-12-24 | 广州市百果园网络科技有限公司 | 一种媒体数据传输方法及装置 |
CN109905259B (zh) * | 2017-12-08 | 2022-02-15 | 中国电信股份有限公司 | 通信连接维持方法、系统和相关设备 |
CN108833930B (zh) * | 2018-06-20 | 2020-10-02 | 广州华多网络科技有限公司 | 直播数据传输控制方法、装置、直播设备及存储介质 |
CN109787859B (zh) * | 2019-01-11 | 2022-06-10 | 深圳市网心科技有限公司 | 基于网络拥塞探测的智能限速方法、装置及存储介质 |
CN109462527A (zh) * | 2019-01-11 | 2019-03-12 | 深圳市网心科技有限公司 | 网络拥塞分析方法、装置及存储介质 |
-
2019
- 2019-07-23 CN CN201910665274.5A patent/CN110391956B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1491522A (zh) * | 2001-04-18 | 2004-04-21 | �ƶ��Ѷ��� | 在无线通信系统中减少无线信道接入延迟的方法 |
CN101056260A (zh) * | 2007-05-21 | 2007-10-17 | 中南大学 | 混合网络中基于ecn机制的拥塞控制方法 |
CN101094047A (zh) * | 2007-07-06 | 2007-12-26 | 中国人民解放军国防科学技术大学 | 基于网络状态测量的分阶段慢启动传输控制方法 |
CN101404602A (zh) * | 2008-11-04 | 2009-04-08 | 南京航空航天大学 | 一种适用于多跳ad hoc网络的DCF协议节点自适应休眠机制 |
CN101917342A (zh) * | 2010-08-25 | 2010-12-15 | 天津理工大学 | 一种面向普适服务的自适应网络拥塞控制方法 |
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 |
CN105024940A (zh) * | 2015-07-16 | 2015-11-04 | 重庆大学 | 基于链路自适应的异构网络tcp拥塞控制方法 |
CN105743783A (zh) * | 2016-04-12 | 2016-07-06 | 同济大学 | 基于bs-ts和自编码网络的车联网网络节点筛选方法及其通达性路由机制 |
CN106130928A (zh) * | 2016-06-29 | 2016-11-16 | 浪潮集团有限公司 | 一种sdn网络下的流量控制方法及系统 |
CN108023683A (zh) * | 2016-11-02 | 2018-05-11 | 华为技术有限公司 | 一种发送报文的方法、装置、芯片及终端 |
CN107872820A (zh) * | 2016-11-22 | 2018-04-03 | 中国移动通信集团湖南有限公司 | Epc网络数据处理方法、装置及epc网络 |
CN106789702A (zh) * | 2016-12-30 | 2017-05-31 | 广州华多网络科技有限公司 | 控制tcp传输性能的方法及装置 |
WO2018229526A1 (en) * | 2017-06-12 | 2018-12-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Adaptive scheduling |
CN107872900A (zh) * | 2017-10-31 | 2018-04-03 | 西安空间无线电技术研究所 | 一种支持区分服务的卫星信道s‑aloha接入系统及方法 |
CN108234309A (zh) * | 2017-12-27 | 2018-06-29 | 宁波菊风系统软件有限公司 | 一种网络数据的传输方法 |
CN110022268A (zh) * | 2018-01-09 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 一种数据传输控制方法、装置及存储介质 |
CN108833207A (zh) * | 2018-06-19 | 2018-11-16 | 中国联合网络通信集团有限公司 | 时延测量方法及系统 |
Non-Patent Citations (1)
Title |
---|
网络化测试系统及实时性研究;李凤保;《中国优秀博硕士学位论文全文数据库 (博士)信息科技辑》;20040915(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110391956A (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9961157B2 (en) | Adaptive compression management for web services | |
CN109218369B (zh) | 远程过程调用请求控制方法及装置 | |
CN113453045B (zh) | 网络带宽预测方法、系统、设备及存储介质 | |
CN104301066A (zh) | 数据包传输方法及装置 | |
CN109002424B (zh) | 文件格式转换方法、装置、计算机设备及存储介质 | |
CN104734985A (zh) | 数据接收流量控制方法及其系统 | |
CN111277511A (zh) | 传输速率控制方法、装置、计算机系统及可读存储介质 | |
US20160021188A1 (en) | Generic Network Trace with Distributed Parallel Processing and Smart Caching | |
US9130740B2 (en) | Variable acknowledge rate to reduce bus contention in presence of communication errors | |
WO2019029729A1 (zh) | 一种上报网络性能参数的方法及设备 | |
US11196649B2 (en) | Processing local area network diagnostic data | |
US8806313B1 (en) | Amplitude-based anomaly detection | |
CN110365598B (zh) | 心跳消息发送的方法、装置、服务器、终端及存储介质 | |
CN113885794B (zh) | 基于多云存储的数据访问方法、装置、计算机设备及介质 | |
CN112311720B (zh) | 数据的传输方法及装置 | |
WO2013163818A1 (en) | Context-aware http compression | |
CN109104480B (zh) | 一种网络请求的处理方法及装置 | |
CN110391956B (zh) | 网络服务进程状态的识别监控方法及装置 | |
CN113300817B (zh) | 数据传输方法以及装置 | |
CN113783822B (zh) | 服务超时管理方法和装置,电子设备,可读介质 | |
US10616081B2 (en) | Application aware cluster monitoring | |
CN109800079B (zh) | 医保系统中的节点调整方法及相关装置 | |
CN104348711B (zh) | 消息接收装置及方法 | |
CN112230880B (zh) | 一种数据传输控制方法、装置、fpga及介质 | |
CN111210505A (zh) | 3d模型加载方法、服务器、存储介质、处理器 |
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 |