CN110574337A - 基于滑动中值算法进行时间序列预测的网络计算设备、方法及系统 - Google Patents

基于滑动中值算法进行时间序列预测的网络计算设备、方法及系统 Download PDF

Info

Publication number
CN110574337A
CN110574337A CN201780090166.9A CN201780090166A CN110574337A CN 110574337 A CN110574337 A CN 110574337A CN 201780090166 A CN201780090166 A CN 201780090166A CN 110574337 A CN110574337 A CN 110574337A
Authority
CN
China
Prior art keywords
computing device
network computing
network
metric values
time series
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.)
Withdrawn
Application number
CN201780090166.9A
Other languages
English (en)
Inventor
多若·米兹拉奇
阿维夫·格鲁伯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of CN110574337A publication Critical patent/CN110574337A/zh
Withdrawn legal-status Critical Current

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
    • H04L41/14—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
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • H04L41/34—Signalling channels for network management communication
    • H04L41/342—Signalling channels for network management communication between virtual entities, e.g. orchestrators, SDN or NFV entities
    • 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
    • H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
    • H04L41/0816—Configuration setting characterised by the conditions triggering a change of settings the condition being an adaptation, e.g. in response to network events
    • 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
    • H04L41/0876—Aspects of the degree of configuration automation
    • H04L41/0886—Fully automatic configuration

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供一种网络计算设备100。所述网络计算设备100包括预测模块101，用于：根据至少一个时间序列预测模型103对所述网络计算设备100获取的度量值102进行处理，以及根据所述处理后的度量值102提供预测后的度量值104，其中，所述至少一个时间序列预测模型103包括一种基于滑动中值算法的模型105。

Description

基于滑动中值算法进行时间序列预测的网络计算设备、方法 及系统
技术领域
本发明涉及计算机网络领域。更具体地，本发明涉及一种基于滑动中值算法(moving-median algorithm)进行时间序列预测的设备、方法和系统，特别是用于预测实时网络性能。上述预测以网络计算设备获取的度量值为基础，优选通过软件定义网络(software-defined network，SDN)应用进行上述预测。
背景技术
如今，为了优化和调整路由器或负载均衡器等传统网络计算设备或者连接到传统网络计算设备的传统网络节点的未来配置，传统网络计算设备用于对其所在网络的未来网络状态或未来网络性能进行预测。例如，在传统网络计算设备中，可通过SDN应用来实现对未来网络状态和未来网络性能的预测。为此，由传统网络计算设备接收度量值，根据传统模型对度量值进行处理，从而根据处理后的度量值获取预测后的度量值。例如，从PCT/EP2014/075452可知，传统模型可以以滑动平均计算、指数平滑计算、自动回归计算和/或自回归综合滑动平均计算为基础，进而能够根据预测后的度量值确定计算机网络的未来状态或配置。
度量值可由监控系统等外部系统向传统网络计算设备提供，也可在网络计算设备中生成。然而，度量值所依据的信息(例如，分析用来确定度量值的网络流量)会受到噪音的影响，或者受非预期的离群值或极值的影响，原因是传输特性不断发生变化等。虽然现有技术中使用的上述模型足以用于分析基于常规网络流量(不受噪音、离群值或极值的影响)而确定的度量值，但是当底层网络流量受到噪音、离群值或极值的影响时，基于这些模型提供的预测后的度量值会产生错误。噪音、离群值或极值可以指包时延大、丢包率高或发送包数量多等。由于网络流量实际上包含有大量的噪音、离群值和极值，所以基于滑动平均模型、指数平滑模型、自动回归模型和/或自回归综合滑动平均模型来分析得到的量值可能会产生错误结果。
一种已知的现有技术方法是，基于阈值来去除极值，其中，如果极值超过或低于预定阈值，则从网络流量中去除极值。这种现有技术方法的缺点是，确定预测值时没有考虑到网络流量中那些基于网络状态的真实变化并有意产生的极值，导致预测结果产生错误。另一种现有技术方法是，将网络流量与预定的网络流量模式进行比较，其中，预定的网络流量模式包括指示网络流量中当前进行比较的那部分包括噪音或无意造成的极值的模式。但是这种现有技术方法的缺点是，必须在传统网络计算设备中存储大量预定的网络流量模式，并且必须执行大量的比较动作，这导致结果预测性能较差。
发明内容
鉴于上述问题和缺点，本发明旨在改进传统设备、系统和方法。因此，本发明的目的在于提供一种网络计算设备、方法和系统，以实现网络性能预测，同时避免由于网络流量中出现的传输噪音和非预期的无意离群值或极值对分析后的网络流量进行错误分类。
通过所附独立权利要求提供的方案来实现本发明的目的。本发明的有利实施方式在附属权利要求中进一步定义。
具体而言，本发明提出一种采用时间序列预测模型的方案，所述时间序列预测模型包括一种基于滑动中值算法的模型，以便基于向网络计算设备、方法和系统提供的度量值来确定预测后的度量值(表示预测后的网络状态、网络配置或网络性能)。时间序列预测是一种机器学习(machine-learning，ML)技术，使得能够根据观察到的历史数据按照预测模型来预测未来值。因为滑动中值算法的处理结果与滑动平均算法一样，不会受到监控后的网络流量和处理后的度量值中的噪音、离群值或极值的极大影响，所以使用包括一种基于运动中值算法的模型的时间序列预测模型有利于避免预测后的度量值出现错误。
本发明第一方面提供一种网络计算设备，包括预测模块，用于：基于至少一个时间序列预测模型对所述网络计算设备获取的度量值进行处理，以及根据所述处理后的度量值提供预测后的度量值，其中，所述至少一个时间序列预测模型包括一种基于滑动中值算法的模型。
所述第一方面的网络计算设备使用包括一种基于滑动中值算法的模型的至少一个时间序列预测模型，以便根据在所述网络计算设备的预测模块中进行处理的度量值提供预测后的度量值。当基于滑动中值算法来预测时间序列的趋势时，对所述度量值的处理可包括将所述处理后的度量值的上半部分从所述处理后的度量值的下半部分中分离出来，以确定所述处理后的度量值中的中间值，基于所述中间值预测所述预测后的度量值。因此，滑动中值算法(例如，相比于滑动平均算法)的基本优点是，所述处理后的度量值中的极大值或极小值不会使处理结果有太大的偏差。
本发明所述的网络计算设备有利地避免了由于对受到监控后的网络流量中偶尔出现噪音、离群值或极值产生影响的度量值进行错误分类而提供错误的预测后的度量值。具体而言，在应用于SDN领域时，本发明所述的网络计算设备提供一种时间序列预测模型，这种模型比最常见的时间序列预测模型，例如滑动平均或反应性响应，对分析后数据中的极值或噪音具有更强的鲁棒性。
本发明所述的网络计算设备所使用的基于滑动中值算法的时间序列预测模型的另一个优点是，当所述处理后的度量值的属性发生变化时，所述预测后的度量值能够更快速地适应所述处理后的度量值的变化的属性。
由于具有对所述处理后的度量值中的噪音和极值的鲁棒性，并且能够快速响应所述处理后的度量值的一致性变化，所以本发明所述的网络计算设备非常适合应用于SDN领域，例如基于SDN的负载均衡器、路由器或交换机。为此，所述网络计算设备具体可以通过SDN应用来提供。
根据所述第一方面，在所述网络计算设备的第一种实施形式中，所述网络计算设备还可以包括控制模块，用于根据所述预测后的度量值确定控制参数。
因此，所述控制模块可以使用所述预测后的度量值获取控制参数，根据所述控制参数可以采用所述网络计算设备所应用的网络的未来配置或行为。
根据所述第一方面本身或根据所述第一方面的所述第一种实施形式，在所述网络计算设备的第二种实施形式中，所述控制模块可用于根据所述控制参数控制所述网络计算设备和/或连接到所述网络计算设备的网络节点。
这样确保了尤其是所述网络计算设备和/或连接到所述网络计算设备的网络节点能够根据所述控制参数进行控制，所述控制模块根据所述预测后的度量值确定所述控制参数。当根据所述第一方面的所述设备的功能通过SDN应用来提供时，这尤其有益，因为所述SDN应用有可能控制执行所述SDN应用的所述网络计算设备或连接到所述网络计算设备的任何网络节点。
根据所述第一方面本身或根据所述第一方面的任一前述实施形式，在所述网络计算设备的第三种实施形式中，所述控制参数可涉及所述计算设备和/或所述网络节点的转发配置和/或路由配置。
这样，计算机网络中的重要控制参数可以由所述网络计算设备提供，尤其是依据滑动中值算法。这样确保了所提供的控制参数不再受到噪音或极值的影响。
根据所述第一方面本身或根据所述第一方面的任一前述实施形式，在所述网络计算设备的第四种实施形式中，所述网络计算设备还可包括获取模块，用于通过接收向所述网络计算设备提供的度量值和/或通过分析在所述网络计算设备中进行处理的网络流量来获取所述度量值。
因此，所述度量值能够从监控系统等外部系统接收，有助于所述网络计算设备有效获取所述度量值。另一方面，通过所述网络计算设备中的所述获取模块对所述网络流量进行分析使得所述网络计算设备能够更加灵活地应用于没有外部监控系统的计算机网络中等。
根据所述第一方面本身或根据所述第一方面的任一前述实施形式，在所述网络计算设备的第五种实施形式中，所述度量值和/或所述预测后的度量值可包括关于帧时延、帧延迟、抖动、丢包率、平均意见得分、发送包、接收包、接收字节、发送丢包、接收丢包、发送错误、流计数发送包、发送字节、接收错误中至少一个的信息。
因此，所述度量值和/或所述预测后的度量值可包括能够用于表征网络流量或网络行为的各种信息。
根据所述第一方面本身或根据所述第一方面的任一前述实施形式，在所述网络计算设备的第六种实施形式中，所述至少一个时间序列预测模型可以是一种用于预测网络性能度量的模型。
这样确保了基于所述至少一个时间序列预测模型获取的所述预测后的度量值表示根据所述处理后的度量值来预测的网络性能。
根据所述第一方面本身或根据所述第一方面的任一前述实施形式，在所述网络计算设备的第七种实施形式中，所述预测模块可通过SDN应用来实现。
这样，根据所述第一方面的所述网络计算设备的功能可以通过能够执行SDN应用的网络设备来提供，从而确保本发明所述的网络计算设备应用于广泛领域。
根据所述第一方面本身或根据所述第一方面的任一前述实施形式，在所述网络计算设备的第八种实施形式中，所述网络计算设备可以是SDN控制器，和/或优选地位于控制面上。
这样，本发明所述的网络计算设备能够通过SDN控制器等典型的SDN硬件和/或优选地位于控制面上的网络计算设备来实现，从而提高根据所述第一方面的所述网络计算设备所在的计算机网络的整体效率。
本发明第二方面提供一种用于对网络计算设备进行操作的方法，所述方法包括以下步骤：所述网络计算设备获取度量值，所述网络计算设备中的预测模块基于至少一个时间序列预测模型对所述度量值进行处理，以及所述预测模块根据所述处理后的度量值提供预测后的度量值，其中，所述至少一个时间序列预测模型包括一种基于滑动中值算法的模型。
根据第二方面，在所述方法的第一种实施形式中，所述方法还可包括以下步骤：控制模块根据所述预测后的度量值确定控制参数。
根据所述第二方面本身或根据所述第一方面的所述第一种实施形式，在所述方法的第二种实施形式中，所述方法还可包括以下步骤：所述控制模块根据所述控制参数控制所述网络计算设备和/或连接到所述网络计算设备的网络节点。
根据所述第二方面本身或根据所述第二方面的任一前述实施形式，在所述方法的第三种实施形式中，所述控制参数可涉及所述网络计算设备和/或所述网络节点的转发配置和/或路由配置。
根据所述第二方面本身或根据所述第二方面的任一前述实施形式，在所述方法的第四种实施形式中，所述方法还包括以下步骤：获取模块通过接收向所述网络计算设备提供的度量值和/或通过分析在所述网络计算设备中进行处理的网络流量来获取所述度量值。
根据所述第二方面本身或根据所述第二方面的任一前述实施形式，在所述方法的第五种实施形式中，所述度量值和/或所述预测后的度量值可包括关于帧时延、帧延迟、抖动、丢包率、平均意见得分、发送包、接收包、接收字节、发送丢包、接收丢包、发送错误、流计数发送包、发送字节、接收错误中至少一个的信息。
根据所述第二方面本身或根据所述第二方面的任一前述实施形式，在所述方法的第六种实施形式中，所述至少一个时间序列预测模型可以是一种用于预测网络性能度量的模型。
根据所述第二方面本身或根据所述第二方面的任一前述实施形式，在所述方法的第七种实施形式中，所述预测模块可通过软件定义网络(software-defined networking，SDN)应用来实现。
根据所述第二方面本身或根据所述第二方面的任一前述实施形式，在所述方法的第八种实施形式中，所述网络计算设备可以是SDN控制器，和/或优选地位于控制面上。
所述第二方面及其实施形式的所述方法实现了与所述第一方面及其实施形式的所述网络计算设备相同的优点。
本发明第三方面提供一种计算机程序产品，当其在计算设备上执行时，用于执行所述第二方面及其任一实施形式的所述方法。
因此，所述第三方面的所述计算机程序产品实现了所述第二方面及其实施形式的所述方法的全部优点。
本发明第四方面提供一种网络计算系统，包括：监控系统、网络计算设备和连接到所述网络计算设备的网络节点，其中，所述监控系统用于向所述网络计算设备提供度量值，所述网络计算设备包括预测模块和控制模块，其中，所述预测模块用于根据至少一个时间序列预测模型对从所述监控系统获取的所述度量值进行处理，以及根据所述处理后的度量值提供预测后的度量值，其中，所述至少一个时间序列预测模型包括一种基于滑动中值算法的模型；所述控制模块用于根据所述预测后的度量值确定控制参数，以及根据所述控制参数控制所述网络计算设备和/或所述网络节点。
所述第四方面的所述网络计算设备，尤其是所述网络计算系统中包括的所述网络计算设备，使用包括一种基于滑动中值算法的模型的至少一个时间序列预测模型，以便根据在所述网络计算设备的预测模块中进行处理的度量值来提供预测后的度量值。当基于滑动中值算法来预测时间序列的趋势时，对所述度量值的处理可包括将所述处理后的度量值的上半部分从所述处理后的度量值的下半部分中分离出来，以确定所述处理后的度量值中的中间值，基于所述中间值来预测所述预测后的度量值。因此，滑动中值算法(例如，相比于滑动平均算法)的基本优点是，所述处理后的度量值中的极大值或极小值不会使处理结果有太大的偏差。
所述第四方面的所述网络计算系统，尤其是所述网络计算系统中包括的所述网络计算设备有利地避免了由于对受到监控后的网络流量中偶尔出现噪音、离群值或极值产生影响的度量值进行错误分类而提供错误的预测后的度量值。具体而言，在应用于SDN领域时，所述网络计算系统和设备提供一种时间序列预测模型，这种模型比最常见的时间序列预测模型，例如滑动平均或反应性响应，对分析后数据中的极值或噪音具有更强的鲁棒性。
根据第四方面的所述网络计算系统所使用的基于滑动中值算法的时间序列预测模型的另一个优点是，当所述处理后的度量值的属性发生一致性变化时，所述预测后的度量值能够更快速地适应所述处理后的度量值的不断变化的属性。
由于具有对所述处理后的度量值中的噪音和极值的鲁棒性，并且能够快速响应所述处理后的度量值的一致性变化，所以根据所述第四方面的所述网络计算系统非常适合应用于SDN领域，例如基于SDN的负载均衡器、路由器或交换机。为此，根据所述第四方面的所述网络计算系统中包括的所述网络计算设备具体可以通过SDN应用来提供。
根据所述第四方面的所述网络计算系统的另一个优点是，所述网络计算设备和/或连接到所述网络计算设备的网络节点能够根据所述控制参数进行控制，所述控制模块根据所述预测后的度量值来确定所述控制参数。当根据所述第四方面所述的网络计算系统，尤其是根据所述第四方面的所述网络计算系统中包括的所述网络计算设备，的功能通过SDN应用来提供时，这尤其有益，因为所述SDN应用有可能控制执行所述SDN应用的所述网络计算系统或设备，或连接到所述网络计算设备的任何网络节点。
根据所述第四方面的所述网络计算系统的又一个优点是，所述度量值能够从监控系统等外部系统接收，有助于所述网络计算系统有效获取所述度量值。
根据所述第四方面，在所述系统的第一种实施形式中，所述网络节点可以是交换机、路由器、网桥、防火墙或负载均衡器中的至少一个，或者用于运行SDN应用。
这样确保了在本发明所述的网络计算系统中，所述网络计算设备能够根据上述类型中的任何一个来控制网络节点，尤其是能够控制用于运行SDN应用的网络节点。
根据所述第四方面本身或所述第四方面的所述第一种实施形式，在所述系统的第二种实施形式中，所述网络节点可以为网元，和/或优选地位于数据面上。
这样，本发明所述的网络计算系统尤其能够控制根据SDN操作原理(即通常通过网元来实现，和/或通过位于数据面上的网络节点来实现)工作的网络节点。
本发明第五方面提供一种用于对网络计算系统进行操作的方法，所述方法包括以下步骤：监控系统向网络计算设备提供度量值，所述网络计算设备中的预测模块基于至少一个时间序列预测模型对从所述监控系统获取的所述度量值进行处理，所述预测模块根据所述处理后的度量值提供预测后的度量值，所述网络计算设备中的控制模块根据所述预测后的度量值确定控制参数，所述控制模块根据所述控制参数控制所述网络计算设备和/或连接到所述网络计算设备的网络节点，其中，所述至少一个时间序列预测模型包括一种基于滑动中值算法的模型。
根据所述第五方面，在所述方法的第一种实施形式中，所述网络节点可以是交换机、路由器、网桥、防火墙或负载均衡器中的至少一个，或者用于运行SDN应用。
根据所述第五方面本身或所述第五方面的所述第一种实施形式，在所述方法的第二种实施形式中，所述网络节点可以是一种网元，和/或优选地位于数据面上。
所述第五方面及其实施形式的所述方法实现了与所述第四方面及其相应实施形式的所述系统相同的优点。
需要说明的是，本申请中所描述的所有设备、元件、单元和构件可以通过软件或硬件元件或其任何种类的组合来实现。本申请中描述的各种实体执行的所有步骤以及所描述的将由各种实体执行的功能旨在表明各个实体适于或用于执行各自的步骤和功能。虽然在以下具体实施例的描述中，由外部实体执行的特定功能或步骤没有在执行特定步骤或功能的该实体的具体元件的描述中反映，但是技术人员应该清楚的是这些方法和功能可以在各自的硬件或软件元件或其任意组合中实现。
附图说明
结合所附附图，下面具体实施例的描述将阐述本发明的上述各方面及其实施形式，其中：
图1示出了根据本发明实施例的一种网络计算设备。
图2更详细地示出了根据本发明实施例的一种网络计算设备。
图3示出了根据各种算法对指标值进行处理的示例结果。
图4示出了根据本发明实施例的一种方法。
图5示出了根据本发明实施例的一种计算机程序产品。
图6示出了根据本发明实施例的一种网络计算系统。
图7示出了根据本发明实施例的一种方法。
具体实施方式
图1示出了根据本发明实施例的一种网络计算设备100。网络计算设备100特别适合基于至少一个时间序列预测模型103进行处理，至少一个时间序列预测模型103包括一种基于滑动中值算法的模型105。网络计算设备100包括预测模块101。网络计算设备100用于获取度量值102。度量值102可以是网络连接的质量和/或状态的数值度量。优选地，度量值102可通过分析网络流量或者基于网络计算设备100连接到的网络的状态获取。更优选地，度量值102可通过分析IPv4或IPv6网络流量或网络状态获取。度量值102还可以通过外部系统向网络计算设备100提供。预测模块101用于基于至少一个时间序列预测模型103对度量值102进行处理。在对度量值102进行处理之后，预测模块101根据处理后的度量值102提供预测后的度量值104。预测后的度量值104可以是网络连接的未来质量和/或未来状态的数值度量。为此，预测模块101包括至少一个时间序列预测模型103，至少一个时间序列预测模型103包括一种基于滑动中值算法的模型105。网络计算设备100还可以包括更多时间序列预测模型103，通过图1中的时间序列预测模型103下方的省略号所示。
基于滑动中值算法的模型105可以优选地根据以下工作原理进行计算：首先，获取长度为n的数组M＝{Mt-n+1,…,Mt}，其中，Mt-n+1,…,Mt表示获取到的度量值102，n为可用来配置滑动中值算法的滑动窗口大小的参数。n可位于X到Y的范围内。滑动窗口大小(也可以称为样本窗口大小)指定了度量值102的数量，用于滑动中值算法的一个计算步骤中。其次，对数组M进行升序排序，得到排序后的数组S＝{S1,…,Sn}。为了获取预测后的度量值104，通过滑动中值算法根据以下等式对S进行进一步处理：如果n为偶数，则PVt+k＝{sn/2+s(n/2)+1}/2，其它情况下，PVt+k＝s(n+1)/2。
PVt+k表示时间t+k时的预测值，t表示获取到度量值102的时间，k表示t之前的时间，在该时间内提供预测后的度量值104，其中，1≤k<∞。k还可以被看作是一个值，用于指定预测时长，sx表示数组S中位置x处的度量值。
图2更详细地示出了根据本发明实施例的一种网络计算设备100。网络计算设备100已参考图1进行了描述，且参考图2进行公开或进一步说明的特征的附图标记与图1相同。参考图2介绍的可选特征使用新的附图标记。
如图2所示，网络计算设备100还可以包括可选的控制模块201。优选地，控制模块201以及预测模块101可通过由网络计算设备100执行的SDN应用来实现。控制模块201用于接收由预测模块101提供的预测后的度量值104。控制模块201还用于根据接收到的预测后的度量值104确定控制参数202。通常，控制模块201能够控制、调整或更新网络计算设备100连接到的计算机网络中的所有设备(包括网络计算设备100本身)的状态和/或属性。优选地，控制模块201可用于控制网络计算设备100和/或连接到网络计算设备100的网络节点203。由控制模块201执行的控制操作根据基于预测后的度量值104确定的控制参数202进行执行。控制模块201控制网络计算设备100和/或网络节点203由连接控制模块201和网络节点203的虚线箭头示出，分别包括图2中从控制模块201开始和以网络计算设备100结束的虚线箭头。控制参数202通过图2中虚线箭头旁边的长方形示出。
更优选地，控制参数202可涉及网络计算设备100或网络节点203或两者的转发配置和/或路由配置。转发配置和/或路由配置可以是，例如查找表，根据查找表的条目转发，相应的报文路由会受到影响。根据控制参数202，可以调整网络计算设备100自身和/或网络节点203的转发行为和/或路由行为。转发配置具体可涉及网络计算设备100和/或网络节点203的转发表，路由配置具体可涉及网络计算设备100和/或网络节点203的路由表。
如图2所示，网络计算设备100还可包括可选的获取模块204。获取模块204具体用于获取度量值102。为此，获取模块可接收从监控系统等外部系统向网络计算设备100提供的度量值205。获取模块204还可以用于分析在网络计算设备100中进行处理的网络流量206。为了接收度量值205或者为了接收、处理或发送网络流量206，网络计算设备100还可包括至少一个连接到获取模块204的网络接口。获取模块204优选地可通过由网络计算设备100执行的SDN应用来实现。
优选地，结合图1和图2描述的度量值102和/或预测值104以及如图2所述的度量值205可包括关于帧时延、帧延迟、抖动、丢包率、平均意见得分、发送包、接收包、接收字节、发送丢包、接收包、发送错误、流计数发送包、发送字节或接收错误中至少一个的信息。这样确保了当基于度量值102来提供预测后的度量值104时，网络计算设备100能够考虑各种数值度量，根据这些数值度量能够确定通信路径或网络连接的质量和属性，尤其是发送网络流量的质量和属性。
由于度量值102、205以及预测后的度量值104均可以包括上述信息，所以提供了预测后的数值度量，从而使得在未来某个时间点能够评估通信路径或网络通信的质量和属性，尤其是网络流量的质量和属性。因此，可选的，至少一个时间序列预测模型105也可以被认为是一种预测网络性能度量的模型。
优选地，网络计算设备100可以是SDN控制器，和/或更优选地位于控制面上。
图3示出了根据几种算法对度量值进行处理的结果。
在图3的301部分中，示出了两个图，显示基于反应性响应算法的度量值和相应处理结果。通过301部分可以看出，如果度量值包括极值，基于反应性响应算法的处理结果几乎与度量值包含极值的图的部分相同。这一点通过301部分的301a处可以明显看出。但是如果度量值发生一致性变化，基于反应性响应算法的处理结果快速遵循底层的度量值。虽然如此，如果度量值中出现无意极值以及一致性变化，则基于反应性响应算法的处理结果超过预定阈值。因为在超过预定阈值时执行预定动作，所以对于时间序列预测，尤其是对于网络性能预测，如图3的301部分所示，基于反应性响应算法的处理结果不可靠且无效。
在图3的302部分中，示出了两个图，显示基于滑动平均算法的度量值和处理结果。通过302a处可以看出，基于滑动平均算法得到的处理结果跟基于反应性响应算法得到的处理结果等不一样，不会受到度量值中极值的极大影响。但是，通过图3的302b处可以看出，基于滑动平均算法得到的处理结果对度量值的一致性变化也做出较慢反应。如果同时出现无意的极值以及度量值的一致性变化，处理结果超过预定阈值，通过图3的302a处和302b处可以看出。因此，基于时间序列预测模型对度量值进行处理不可靠且无效，其原因与上文描述301部分所提到的相同。该时间序列预测模型包括一种基于滑动中值算法的模型。
在图3的303部分中，示出了两个图，显示基于滑动中值算法得到的度量值和处理结果。通过图3的303a处可以看出，基于滑动中值算法得到的处理结果仍然不受处理所使用的度量值中的峰值或噪音的影响。如果处理后的度量值发生一致性变化，如图3的303b处所示，基于滑动中值算法得到的处理结果快速适应处理后的度量值的变化。也就是说，如果处理后的度量值发生一致性变化，则只有基于滑动中值算法得到的处理结果才会超过预定阈值，其它动作以超过预定阈值为基础。因此，根据一种基于滑动中值算法的模型进行的时间序列预测，尤其是网络性能预测，可靠且有效，解决了现有技术方案中的问题，如图3的301处和302处所示等。
图4示出了根据本发明实施例的方法400。方法400对应于图1的网络计算设备100，特别适合于基于滑动中值算法的时间序列预测。
方法400包括第一步骤：网络计算设备100获取S401度量值102。进一步地，方法400包括第二步骤：网络计算设备100中的预测模块101基于至少一个时间序列预测模型103对度量值102进行处理。最后，方法300包括以下步骤：预测模块103根据处理后的度量值102提供S403预测后的度量值，其中，至少一个时间序列预测模型103包括一种基于滑动中值算法的模型105。
图5示出了一种计算机程序产品500。计算机程序产品500在计算设备上执行时用于执行方法400。计算机程序产品具有可包括用于执行方法400的程序代码。该程序代码保存在存储介质上或通过存储介质发送，该存储介质与程序代码一起构成计算机程序产品500。存储介质可以是计算机可读存储介质，例如但不限于任何类型的磁盘，包括软盘、光盘、CD-ROM、DVD、磁光盘、只读存储器(read-only-memory，ROM)、随机存取存储器(randomaccess memory，RAM)、EPROM、EEPROM、磁卡或光卡、专用集成电路(application specificintegrated circuit，ASIC)，或适合于存储或发送电子指令(包括通过网络传输技术发送的电子指令)的任何类型的介质，这些介质均耦合到计算机系统总线。
图6示出了根据本发明实施例的一种网络计算系统600。
该系统包括网络计算设备100、网络节点203和监控系统601。网络计算设备100和网络节点203以及由它们组成的所有模块和功能根据上文描述的原则进行操作。因此，网络计算设备100及其模块和特征以及网络节点203标记有与附图中先前描述的那些相同的标号。
在图6，网络计算系统600中的监控系统601用于向网络计算设备100提供度量值102。监控系统601可通过分析监控系统601连接到的网络的状态或配置以及分析在监控系统601连接到的网络中进行处理的网络流量获取度量值102。度量值102在上文描述的网络计算设备100中进行处理。网络计算设备100和/或网络节点203进而能够根据处理后的度量值102进行控制。
图7示出了根据本发明实施例的方法700。方法700适用于对网络计算系统600进行操作。
方法700包括第一步骤：监控系统601向网络计算设备100提供S701度量值102。方法700还包括第二步骤：网络计算设备100中的预测模块101基于至少一个时间序列预测模型103对从监控系统601获取的度量值102进行处理S702。方法700还包括第三步骤：预测模块101根据处理后的度量值102提供预测后的度量值104。方法700还包括第四步骤：网络计算设备100中的控制模块201根据预测后的度量值104确定控制参数202。方法700包括最后一个步骤：控制模块201根据控制参数控制网络计算设备100和/或连接到网络计算设备100的网络节点203，其中，至少一个时间序列预测模型103包括基于滑动中值算法的模型105。
已经结合作为实例的不同实施例以及实施方案描述了本发明。但本领域技术人员通过实践所请发明，研究附图、本公开以及独立权项，能够理解并获得其它变体。在权利要求以及描述中，术语“包括”不排除其它元件或步骤，且“一个”并不排除复数可能。单个元件或其它单元可满足权利要求书中所叙述的若干实体或项目的功能。在仅凭某些措施被记载在相互不同的从属权利要求书中这个单纯的事实并不意味着这些措施的结合不能在有利的实现方式中使用。

Claims (15)

1.一种网络计算设备(100)，其特征在于，包括：
预测模块(101)，用于基于至少一个时间序列预测模型(103)对由网络计算设备(100)获取的度量值(102)进行处理，以及根据所述处理后的度量值(102)提供预测后的度量值(104)，
其中，所述至少一个时间序列预测模型(103)包括一种基于滑动中值算法的模型(105)。
2.根据权利要求1所述的网络计算设备(100)，其特征在于，还包括：
控制模块(201)，用于根据所述预测后的度量值(104)确定控制参数(202)。
3.根据权利要求2所述的网络计算设备(100)，其特征在于，
控制模块(201)用于根据所述控制参数(202)控制所述网络计算设备(100)和/或连接到所述网络计算设备(100)的网络节点(203)。
4.根据前述权利要求中任一项所述的网络计算设备(100)，其特征在于，
所述控制参数(202)涉及所述网络计算设备(100)和/或所述网络节点(203)的转发配置和/或路由配置。
5.根据前述权利要求中任一项所述的网络计算设备(100)，其特征在于，还包括：
获取模块(204)，用于通过接收向所述网络计算设备(100)提供的度量值(205)和/或通过分析在所述网络计算设备(100)中进行处理的网络流量(206)获取所述度量值(102)。
6.根据前述权利要求中任一项所述的网络计算设备(100)，其特征在于，还包括：
所述度量值(102)和/或所述预测后的度量值(104)包括关于帧时延、帧延迟、抖动、丢包率、平均意见得分、发送包、接收包、接收字节、发送丢包、接收丢包、发送错误、流计数发送报文、发送字节、和接收错误中至少一个的信息。
7.根据前述权利要求中任一项所述的网络计算设备(100)，其特征在于，
所述至少一个时间序列预测模型(103)是一种用于预测网络性能度量的模型。
8.根据前述权利要求中任一项所述的网络计算设备(100)，其特征在于，
所述预测模块(101)通过软件定义网络SDN应用实现。
9.根据前述权利要求中任一项所述的网络计算设备(100)，其特征在于，
所述网络计算设备(100)为SDN控制器，和/或优选位于控制面上。
10.一种操作网络计算设备(100)的方法(400)，其特征在于，所述方法(400)包括以下步骤：
所述网络计算设备(100)获取(S401)度量值(102)，
所述网络计算设备(100)中的预测模块(101)基于至少一个时间序列预测模型(103)对所述度量值(102)进行处理(S402)，以及
所述预测模块(101)根据所述处理后的度量值(102)提供(S403)预测后的度量值(104)，
其中，所述至少一个时间序列预测模型(103)包括一种基于滑动中值算法的模型(105)。
11.一种计算机程序产品(500)，其特征在于，当其在计算设备上执行时，用于执行根据权利要求10所述的方法(400)。
12.一种网络计算系统(600)，其特征在于，包括：
监控系统(601)，
网络计算设备(100)，以及
连接到所述网络计算设备(100)的网络节点(203)，
其中，所述监控系统(601)用于向所述网络计算设备(100)提供度量值(102)，
所述网络计算设备(100)包括预测模块(101)和控制模块(201)，
所述预测模块(101)用于基于至少一个时间序列预测模型(103)对从所述监控系统(601)获取的所述度量值(102)进行处理，以及根据所述处理后的度量值(102)提供预测后的度量值(104)，
其中，所述至少一个时间序列预测模型(103)包括一种基于滑动中值算法的模型(105)，
所述控制模块(201)用于根据所述预测后的度量值(104)确定控制参数(202)，以及根据所述控制参数(202)控制所述网络计算设备(100)和/或所述网络节点(203)。
13.根据权利要求12所述的网络计算系统(600)，其特征在于，
所述网络节点(203)为交换机、路由器、网桥、防火墙或负载均衡器中的至少一个，或者用于运行SDN应用。
14.根据权利要求12或13所述的网络计算系统(600)，其特征在于，
所述网络节点(203)为网元，和/或优先位于数据平面上。
15.一种操作网络计算系统(600)的方法(700)，其特征在于，所述方法(700)包括以下步骤：
监控系统(601)向网络计算设备(100)提供(S701)度量值(102)，
所述网络计算设备(100)中的预测模块(101)基于至少一个时间序列预测模型(103)对从所述从监控系统(601)获取的度量值(102)进行处理(S702)，
所述预测模块(101)根据所述处理后的度量值(102)提供(S703)预测后的度量值(104)，
所述网络计算设备(101)中的控制模块(201)根据所述预测后的度量值(104)确定(S704)控制参数(202)，以及
所述控制模块(201)根据所述控制参数(202)控制(S705)所述网络计算设备(100)和/或连接到所述网络计算设备(100)的网络节点(203)，
其中，所述至少一个时间序列预测模型(103)包括一种基于滑动中值算法的模型(105)。
CN201780090166.9A 2017-05-04 2017-05-04 基于滑动中值算法进行时间序列预测的网络计算设备、方法及系统 Withdrawn CN110574337A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2017/060603 WO2018202297A1 (en) 2017-05-04 2017-05-04 Network computing device, method and system for time-series forecasting based on a moving-median algorithm

Publications (1)

Publication Number Publication Date
CN110574337A true CN110574337A (zh) 2019-12-13

Family

ID=58671656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780090166.9A Withdrawn CN110574337A (zh) 2017-05-04 2017-05-04 基于滑动中值算法进行时间序列预测的网络计算设备、方法及系统

Country Status (2)

Country Link
CN (1) CN110574337A (zh)
WO (1) WO2018202297A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114205853A (zh) * 2020-09-02 2022-03-18 中兴通讯股份有限公司 流量预测方法、流量预测模型建立方法和存储介质
CN116415476A (zh) * 2021-12-30 2023-07-11 维沃移动通信有限公司 模型的构建方法、装置及通信设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101442807A (zh) * 2008-12-30 2009-05-27 北京邮电大学 通信系统中资源分配的方法及系统
US8811172B1 (en) * 2014-04-10 2014-08-19 tw telecom holdings inc. Network path selection using bandwidth prediction
CN106464593A (zh) * 2014-11-25 2017-02-22 华为技术有限公司 用于数据流优化的系统和方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9608932B2 (en) * 2013-12-10 2017-03-28 International Business Machines Corporation Software-defined networking single-source enterprise workload manager
US10355984B2 (en) * 2014-06-18 2019-07-16 Hewlett Packard Enterprise Development Lp Automatic re-routing of network traffic in a software-defined network
US9641429B2 (en) * 2014-06-18 2017-05-02 Radware, Ltd. Predictive traffic steering over software defined networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101442807A (zh) * 2008-12-30 2009-05-27 北京邮电大学 通信系统中资源分配的方法及系统
US8811172B1 (en) * 2014-04-10 2014-08-19 tw telecom holdings inc. Network path selection using bandwidth prediction
CN106464593A (zh) * 2014-11-25 2017-02-22 华为技术有限公司 用于数据流优化的系统和方法

Also Published As

Publication number Publication date
WO2018202297A1 (en) 2018-11-08

Similar Documents

Publication Publication Date Title
US11580449B2 (en) Traffic-based inference of influence domains in a network by using learning machines
EP2954642B1 (en) Dynamically adjusting a set of monitored network properties using distributed learning machine feedback
US9774522B2 (en) Triggering reroutes using early learning machine-based prediction of failures
US10277476B2 (en) Optimizing network parameters based on a learned network performance model
US9967188B2 (en) Network traffic flow management using machine learning
US9338065B2 (en) Predictive learning machine-based approach to detect traffic outside of service level agreements
US9443204B2 (en) Distributed architecture for machine learning based computation using a decision control point
US9553813B2 (en) Selectively employing dynamic traffic shaping
US9652720B2 (en) Triggering on-the-fly requests for supervised learning of learning machines
US10958506B2 (en) In-situ OAM (IOAM) network risk flow-based “topo-gram” for predictive flow positioning
US11201834B2 (en) Communication control device, communication control method, and communication system
EP3648407B1 (en) Using stability metrics for live evaluation of device classification systems and hard examples collection
US9626628B2 (en) Point-to-multipoint communication infrastructure for expert-based knowledge feed-back using learning machines
CN110574337A (zh) 基于滑动中值算法进行时间序列预测的网络计算设备、方法及系统
US20140222727A1 (en) Enhancing the reliability of learning machines in computer networks
EP3295567B1 (en) Pattern-based data collection for a distributed stream data processing system
US10454776B2 (en) Dynamic computer network classification using machine learning
US8788735B2 (en) Interrupt control apparatus, interrupt control system, interrupt control method, and interrupt control program
US20240146659A1 (en) Collaborative telemetry engineering
Isravel et al. Enhanced multivariate singular spectrum analysis‐based network traffic forecasting for real time industrial IoT applications

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20191213

WW01 Invention patent application withdrawn after publication