CN110855564B - 路由路径智能选择方法、装置、设备及可读存储介质 - Google Patents
路由路径智能选择方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110855564B CN110855564B CN201910967899.7A CN201910967899A CN110855564B CN 110855564 B CN110855564 B CN 110855564B CN 201910967899 A CN201910967899 A CN 201910967899A CN 110855564 B CN110855564 B CN 110855564B
- Authority
- CN
- China
- Prior art keywords
- routing path
- data
- transaction type
- type data
- routing
- 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
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及人工智能技术领域,公开了一种路由路径智能选择方法,包括以下步骤:按照预置交易类型和路由路径,通过数据挖掘模型对当前网络状态信息数据进行挖掘,得到交易类型数据与路由路径数据;判断当前是否获取到交易类型数据;若是,则根据对应关系得到所述路由路径数据,并通过神经网络模型对所述路由路径数据进行预测,得到路由路径集;判断路由路径集中是否存在发生交易类型数据拥塞的路由路径;若是,则通过其他未发生交易类型数据拥塞的路由路径转发交易类型数据。本发明还公开了一种路由路径智能选择装置、设备及计算机可读存储介质。本发明提供的路由路径智能选择方法解决了路由路径选择场景中路径选择智能化程度低的技术问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种路由路径智能选择方法、装置、设备及计算机可读存储介质。
背景技术
现有技术中由于业务需求的激增,对于不同的业务类型的数据往往需要不同的路由路径来传输,而现有的路由方案提供的路由路径较为单一,仅能为现有业务的数据匹配路由路径,当引入新的业务类型数据时,往往需要人工手动选择路由路径。因此,现有的路由路径无法满足数据传输需求,并且数据对路由路径的选择不够智能化,现有的路由器仅能为现有业务类型数据匹配路由路径,当引入新的业务类型数据时,往往需要人工手动选择路由路径。因此,如何根据数据交易类型、交易量智能化地选择路由路径是本领域亟待解决的技术问题。
发明内容
本发明的主要目的在于提供一种路由路径智能选择方法、装置、设备及计算机可读存储介质,旨在解决路由路径选择场景中路径选择智能化程度低的技术问题。
为实现上述目的,本发明提供一种路由路径智能选择方法,所述路由路径智能选择方法包括以下步骤:
实时获取训练样本集,所述训练样本集包括网络状态信息数据;
通过以下公式依次对所述训练样本集中的训练样本数据进行计算,得到网络状态信息数据特征集:
其中,所述网络状态信息数据特征集中具有两种不同类型的训练样本数据,WTU0和WTU1表示两种不同类型的训练样本数据的中心在直线上的投影,WT∑0W和WT∑1W表示两类训练样本数据投影后的协方差;
使用所述网络状态信息数据特征集训练第一数据挖掘模型,得到第二数据挖掘模型,其中,所述第一数据挖掘模型包括多个待选初始数据挖掘模型;
按照预置交易类型和路由路径,通过所述第二数据挖掘模型对当前网络状态信息数据进行挖掘,得到交易类型数据与路由路径数据;
采用哈希算法建立所述交易类型数据与路由路径数据之间的对应关系,所述对应关系为一对多的对应关系;
判断当前是否获取到交易类型数据;
若当前获取到交易类型数据,则根据所述对应关系得到所述路由路径数据,并通过神经网络模型对所述路由路径数据进行预测,得到路由路径集,其中,所述路由路径集至少包括两个路由路径,若当前未获取到交易类型数据,则判断当前是否获取到交易类型数据;
若当前未获取到交易类型数据,则判断当前是否获取到交易类型数据;
判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径;若所述路由路径集中存在发生交易类型数据拥塞的路由路径,则通过所述路由路径集中的其他未发生交易类型数据拥塞的路由路径转发所述交易类型数据,若所述路由路径集中不存在发生交易类型数据拥塞的路由路径,则判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径,其中,所述转发遵循预置路由路径调整策略。
可选地,所述基于所述网络状态信息数据特征集以及聚类算法,所述使用所述网络状态信息数据特征集训练第一数据挖掘模型,得到第二数据挖掘模型包括以下步骤:
通过袋装法从所述网络状态信息数据特征集的N个网络状态信息数据特征中抽取n个训练集,所述N大于或等于n;
使用所述n个训练集训练所述多个预置待选初始数据挖掘模型,得到多个初始分类结果;
根据所述多个初始分类结果,通过预置投票方式从所述多个预置待选初始数据挖掘模型中筛选出多个初始数据挖掘模型,得到第二数据挖掘模型。
可选地,在所述判断当前是否获取到交易类型数据的步骤之前,还包括以下步骤:
通过带内网络遥测技术实时监测第一业务报文数据,得到监测结果,基于所述监测结果判断所述第一业务报文数据是否达到预置重要级别,其中,所述第一业务报文数据包括网络设备状态信息数据和流量状态信息数据;若所述第一业务报文数据达到预置重要级别,则通过带内网络遥测技术根据所述第一业务报文数据镜像出第二业务报文数据,若第一业务报文数据未达到预置重要级别,则通过带内网络遥测技术实时监测第一业务报文数据,得到监测结果,基于所述监测结果判断所述第一业务报文数据是否达到预置重要级别。
可选地,在所述若当前获取到交易类型数据,则根据所述对应关系得到所述路由路径数据,并通过神经网络模型对所述路由路径数据进行预测,得到路由路径集的步骤之前,还包括以下步骤:
判断所述路由路径集中的各个路由路径是否大于预置最小路由路径;
若所述路由路径集中的各个路由路径大于预置最小路由路径,则采用反向传播算法,调整所述神经网络模型的参数值,直至所述路由路径集中的各个路由路径小于或等于预置最小路由路径,若否,则不处理。
可选地,在所述判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径的步骤之前,还包括以下步骤:
判断所述路由路径集中当前路由路径转发的交易类型数据数量是否达到所述当前路由路径的预置负载值,其中,所述预置负载值小于所述当前路由路径的最大负载值;
若所述路由路径集中当前路由路径转发的交易类型数据数量达到所述当前路由路径的预置负载值,则判断所述路由路径集中是否存在未转发交易类型数据的路由路径,若否,则判断所述路由路径集中当前路由路径转发的交易类型数据数量是否达到所述当前路由路径的预置负载值;
若所述路由路径集中存在未转发交易类型数据的路由路径,则通过所述未转发交易类型数据的路由路径转发所述交易类型数据,若所述路由路径集中不存在未转发交易类型数据的路由路径,则通过所述达到预置负载值的路由路径转发所述交易类型数据。
可选地,所述判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径包括以下步骤:
向所述路由路径集中的各个路由路径发送拥塞检测请求;
根据从所述各个路由路径接收到的拥塞响应消息,判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径。
可选地,在所述判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径的步骤之后,还包括以下步骤:
通过求和公式计算各个交易类型数据出现的频率;
根据所述频率确定所述路由路径集中各个路由路径转发所述交易类型数据的优先级别;
根据所述优先级别确定预置路由路径调整策略。
进一步地,为实现上述目的,本发明还提供第一种路由路径智能选择装置,所述路由路径智能选择装置包括:
获取模块,用于实时获取训练样本集,所述训练样本集包括网络状态信息数据;
第一计算模块,用于通过以下公式依次对所述训练样本集中的训练样本数据进行计算,得到网络状态信息数据特征集;
训练模块,用于使用所述网络状态信息数据特征集训练第一数据挖掘模型,得到第二数据挖掘模型;
挖掘模块,用于按照预置交易类型和路由路径,通过所述第二数据挖掘模型对当前网络状态信息数据进行挖掘,得到交易类型数据与路由路径数据;
建立模块,用于采用哈希算法建立所述交易类型数据与路由路径数据之间的对应关系,所述对应关系为一对多的对应关系;
第一判断模块,用于判断当前是否获取到交易类型数据;
预测模块,用于若当前获取到交易类型数据,则根据所述对应关系得到所述路由路径数据,并通过神经网络模型对所述路由路径数据进行预测,得到路由路径集;
第二判断模块,用于若当前未获取到交易类型数据,则判断当前是否获取到交易类型;
第三判断模块,用于判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径;
第一转发模块,用于若所述路由路径集中存在发生交易类型数据拥塞的路由路径,则通过所述路由路径集中的其他未发生交易类型数据拥塞的路由路径转发所述交易类型数据。
第四判断模块,用于若所述路由路径集中不存在发生交易类型数据拥塞的路由路径,则判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径,其中,所述转发遵循预置路由路径调整策略。
可选地,所述训练模块包括以下单元:
抽取单元,用于通过袋装法从所述网络状态信息数据特征集的N个网络状态信息数据特征中抽取n个训练集,所述N大于或等于n;
训练单元,用于使用所述n个训练集训练所述多个预置待选初始数据挖掘模型,得到多个初始分类结果;
筛选单元,用于根据所述多个初始分类结果,通过预置投票方式从所述多个预置待选初始数据挖掘模型中筛选出多个初始数据挖掘模型,得到第二数据挖掘模型。
可选地,所述路由路径智能选择装置还包括以下模块:
第五判断模块,用于通过带内网络遥测技术实时监测第一业务报文数据,得到监测结果,基于所述监测结果判断所述第一业务报文数据是否达到预置重要级别;
镜像模块,用于若所述第一业务报文数据达到预置重要级别,则通过带内网络遥测技术根据所述第一业务报文数据镜像出第二业务报文数据;
第六判断模块,用于若所述第一业务报文数据未达到预置重要级别,则通过带内网络遥测技术实时监测第一业务报文数据,得到监测结果,基于所述监测结果判断所述第一业务报文数据是否达到预置重要级别;
可选地,所述路由路径智能选择装置还包括以下模块:
第七判断模块,用于判断所述路由路径集中的各个路由路径是否大于预置最小路由路径;
调整模块,用于若所述路由路径集中的各个路由路径大于预置最小路由路径,则采用反向传播算法,调整所述神经网络模型的参数值,直至所述路由路径集中的各个路由路径小于或等于预置最小路由路径。
可选地,所述路由路径智能选择装置还包括以下模块:
第八判断模块,用于判断所述路由路径集中当前路由路径转发的交易类型数据数量是否达到所述当前路由路径的预置负载值;
第九判断模块,用于若所述路由路径集中当前路由路径转发的交易类型数据数量达到所述当前路由路径的预置负载值,则判断所述路由路径集中是否存在未转发交易类型数据的路由路径;
第十判断模块,用于若所述路由路径集中当前路由路径转发的交易类型数据数量未达到所述当前路由路径的预置负载值,则判断所述路由路径集中当前路由路径转发的交易类型数据数量是否达到所述当前路由路径的预置负载值;第二转发模块,用于所述路由路径集中存在未转发交易类型数据的路由路径,则使用所述未转发交易类型数据的路由路径转发所述交易类型数据;
第三转发模块,用于若所述路由路径集中不存在未转发交易类型数据的路由路径,则使用达到预置负载值的路由路径转发所述交易类型数据。
可选地,所述第二判断模块包括以下单元:
请求单元,用于向所述路由路径集中的各个路由路径发送拥塞检测请求;判断单元,用于根据从所述各个路由路径接收到的拥塞响应消息,判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径。
可选地,所述路由路径智能选择装置还包括以下模块:
第二计算模块,用于通过求和公式计算各个交易类型数据出现的频率;
第四转发模块,用于根据所述频率确定所述路由路径集中各个路由路径转发所述交易类型数据的优先级别;
设置模块,用于根据所述优先级别确定预置路由路径调整策略。
进一步地,为实现上述目的,本发明还提供一种路由路径智能选择方法设备,所述路由路径智能选择方法设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的路由路径智能选择方法程序,所述路由路径智能选择方法程序被所述处理器执行时实现如上述任一项所述的路由路径智能选择方法的步骤。
进一步地,为实现上述目的,本发明还提供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路由路径智能选择方法程序,所述路由路径智能选择方法程序被处理器执行时实现如上述任一项所述的路由路径智能选择方法的步骤。
本发明的有益效果:本发明为解决现有技术中需要根据实时新增业务类型手动选择路由路径的技术问题。提供一种智能路由路径选择方法。本发明的实现过程为:通过数据挖掘模型对网络状态信息数据进行挖掘,得到挖掘数据,通过哈希算法建立所述交易类型数据与路由路径数据之间一对多对应关系,则通过神经网络模型根据路由路径数据预测并得到路由路径集,根据路由路径集中各个路由路径转发交易类型数据的状态,选择不同路由路径。实现了根据不同交易类型的数据智能化地选择路由路径。
附图说明
图1为本发明实施例方案涉及的路由路径智能选择设备运行环境的结构示意图;
图2为本发明路由路径智能选择方法第一实施例的流程示意图;
图3为图2中步骤S30的细化流程示意图;
图4为本发明路由路径智能选择方法第二实施例的流程示意图;
图5为本发明路由路径智能选择方法第三实施例的流程示意图;
图6为本发明路由路径智能选择方法第四实施例的流程示意图;
图7为图2中步骤S80的细化流程示意图;
图8为本发明路由路径智能选择方法第五实施例的流程示意图;
图9为本发明路由路径智能选择装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提供一种路由路径智能选择设备。
参照图1,图1为本发明实施例方案涉及的路由路径智能选择设备运行环境的结构示意图。
如图1所示,该路由路径智能选择设备包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的路由路径智能选择设备的硬件结构并不构成对路由路径智能选择设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及路由路径智能选择程序。其中,操作系统是管理和控制路由路径智能选择设备和软件资源的程序,支持路由路径智能选择程序以及其它软件和/或程序的运行。
在图1所示的路由路径智能选择设备的硬件结构中,网络接口1004主要用于接入网络;用户接口1003主要用于侦测确认指令和编辑指令等。而处理器1001可以用于调用存储器1005中存储的路由路径智能选择程序,并执行以下路由路径智能选择方法的各实施例的操作。
基于上述路由路径智能选择设备硬件结构,提出本发明路由路径智能选择方法的各个实施例。
参照图2,图2为本发明路由路径智能选择方法第一实施例的流程示意图。本实施例中,所述路由路径智能选择方法包括以下步骤:
步骤S10,实时获取训练样本集,所述训练样本集包括网络状态信息数据;
本实施例中,可通过预置API接口实时获取网络状态信息数据,训练样本集内训练样本数据的总数目为:网络状态信息数据至少包括:设备状态信息数据和流量状态信息数据,通过获取到的设备状态信息数据可以判断设备所处的运行状态,通过获取到的流量状态信息数据可以实时监控数据流量是否超过当前路由路径的负载范围。
步骤S20,通过以下公式依次对所述训练样本集中的训练样本数据进行计算,得到网络状态信息数据特征集:
其中,所述网络状态信息数据特征集中具有两种不同类型的训练样本数据,WTU0和WTU1表示两种不同类型的训练样本数据的中心在直线上的投影,WT∑0W和WT∑1W表示两类训练样本数据投影后的协方差;
本实施例中,通过以下公式依次对所述训练样本集中的训练样本数据进行计算,得到网络状态信息数据特征集:
可以将训练样本集中的多维的训练样本数据通过该公式投影后,均投影在了一维直线上,即对多维数据实现了降维,另外,将训练样本集中海量的训练样本数据划分成了两类数据,因此,本实施例既可通过降维实现加快后续计算速度的目的,又可将数据分为两大类,为数据细分与数据挖掘做准备。将数据投影到直线w上,则两类样本的中心在直线上的投影分别为WTU0和WTU1,若将所有的样本点都投影到直线上,则两类样本投影的协方差分别为WT∑0W和WT∑1W。
把样本划分到距离较近的类中,由上述公式可知,如果投影前的协方差矩阵为∑则投影后的为WT∑W。
现在的目标是:同类样本的投影点尽可能接近,异类样本的投影点尽可能远离,那么需要使同类样本投影点的方差尽可能小,即WT∑0W+WT∑1W尽可能小,需要使异类样本的中心投影尽可能远,即尽可能大,于是得到最大化的目标J:通过最大化的目标J可将不同的数据划分到不同的类别中。
步骤S30,使用所述网络状态信息数据特征集训练第一数据挖掘模型,得到第二数据挖掘模型,其中,所述第一数据挖掘模型包括多个待选初始数据挖掘模型;
本实施例中,第一数据挖掘模型包括多个初始数据挖掘模型,第一数据挖掘模型指的是模型集合。若使第一数据挖掘模型具有有效的数据挖掘能力,还需要通过网络状态信息数据特征集对第一数据挖掘模型进行训练,直至第一数据挖掘模型可以根据网络状态信息数据特征集,输出符合当前场景的数据,若输出符合当前场景的数据则说明已经得到训练完成的第一数据挖掘模型,为了与第一数据挖掘模型进行区分,因此将训练完成的第一数据挖掘模型命名为第二数据挖掘模型。
步骤S40,按照预置交易类型和路由路径,通过所述第二数据挖掘模型对当前网络状态信息数据进行挖掘,得到交易类型数据与路由路径数据;
本实施例中,预置数据挖掘模型包括基于网络状态信息数据特征集以及聚类算法构建的数据挖掘模型。为了实现从大量网络状态信息数据中挖掘出符合当前应用场景的相应类型的数据,因此需要通过预先构建好的数据挖掘模型进行挖掘,数据挖掘模型包括以下步骤,先从大量网络状态信息数据提取特征数据,再对提取到的特征数据进行分类,得到交易类型数据与路由路径数据。
步骤S50,采用哈希算法建立所述交易类型数据与路由路径数据之间的对应关系,所述对应关系为一对多的对应关系;
本实施例中,通过哈希算法计算,得到每一个交易类型数据哈希值与所述路由路径数据的哈希值,建立每一个交易类型数据哈希值与所述路由路径数据的哈希值之间的对应关系,使得每个交易类型数据都可以与多个路由路径数据相互对应。
步骤S60,判断当前是否获取到交易类型数据;
本实施例中,可以通过预置监控设备实时检测业务报文中是否增加了新的交易类型数据,新的交易类型数据可以是现有交易类型数据,也可以是新增业务的交易类型数据。
步骤S70,若当前获取到交易类型数据,则根据所述对应关系得到所述路由路径数据,并通过神经网络模型对所述路由路径数据进行预测,得到路由路径集,若当前未获取到交易类型数据,则返回步骤S60,其中,所述路由路径集至少包括两个路由路径。
本实施例中,使用路由路径训练样本数据训练由神经网络算法以及路由路径训练样本数据构建的神经网络模型,并对神经网络模型所输出的各个预测结果进行归一化处理,得到路由路径集预测结果,将预测结果与预置预测结果进行比较,判断是否满足预设阈值,若满足,则说明该神经网络模型已经具备满足预设准确率的预测的能力。并通过神经网络模型输出路由路径集。
本实施例中,若是当前获取到交易类型数据,则根据交易类型数据与路由路径数据之间的对应关系得到路由路径数据,并通过神经网络模型对所述路由路径数据进行预测,得到路由路径集,例如,目前的数据分别为对公交易类数据和对私交易类数据,又由于交易类型数据与路由路径数据之间存在一对多对应关系,因此每个交易类型的数据均会得到多个路由路径数据,通过神经网络模型对所述路由路径数据进行预测,得到用于转发对公交易类数据的路由路径集以及用于转发对私交易类数据的路由路径集。
步骤S80,判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径;
本实施例中,可以通过带内网络检测技术检测路由路径集中的第一路由路径节点处是否发生交易类型数据拥塞,之所以判断路由路径集中是否存在发生交易类型数据拥塞的路由路径,是为了防止由于发生数据拥塞,而导致数据丢失。
步骤S90,若所述路由路径集中存在发生交易类型数据拥塞的路由路径,则通过所述路由路径集中的其他未发生交易类型数据拥塞的路由路径转发所述交易类型数据,若所述路由路径集中不存在发生交易类型数据拥塞的路由路径,则返回步骤S80,其中,所述转发遵循预置路由路径调整策略。
本实施例中,由于当前路由路径发生数据交易类型数据拥塞时,其他数据则无法继续通过当前路由路径,为了实现对数据的有效转发,因此需要通过路由路径集中其他未发生交易类型数据拥塞的路由路径转发交易类型数据。路径调整策略指的是在路由路径集中存在发生交易类型数据拥塞的路由路径,则通过路由路径集中的其他未发生交易类型数据拥塞的路由路径转发交易类型数据时,其他未发生交易类型数据拥塞的路由路径之间是存在不同优先级别的,可以优先采用优先级别高的其他未发生交易类型数据拥塞的路由路径转发交易类型数据。
本方案通过数据挖掘模型对网络状态信息数据进行挖掘,得到挖掘数据,通过哈希算法建立所述交易类型数据与路由路径数据之间一对多对应关系,则通过神经网络模型根据路由路径数据预测并得到路由路径集,根据路由路径集中各个路由路径转发交易类型数据的状态,选择不同路由路径。实现了根据不同交易类型的数据智能化地选择路由路径。
参照图3,图3为图2中步骤S30的细化流程示意图。本实施例中,上述步骤S30具体包括以下步骤:
步骤S301,通过袋装法从所述网络状态信息数据特征集的N个网络状态信息数据特征中抽取n个训练集,所述N大于或等于n;
本实施例中,从网络状态信息数据特征集N个数据中抽取n个训练集。每轮从网络状态信息数据特征集中使用袋装法抽取n个训练样本,在训练集中,有些样本可能被多次抽取到,而有些样本可能一次都没有被抽中。共进行k轮抽取,得到k个训练集,其中,k个训练集之间是相互独立的。每次使用一个训练集得到一个完成训练的初始数据挖掘模型,k个训练集共得到k个完成训练的初始数据挖掘模型。将上步得到的k个完成训练的初始数据挖掘模型,采用投票的方式得到分类结果,根据预置分类结果判断该分类结果是否满足预设条件,若是满足,则得到训练完成的数据挖掘模型,其中训练完成的数据挖掘模型中具有k个完成训练的初始数据挖掘模型,其中每个完成训练的初始数据挖掘模型输出的分类结果可能不尽相同,但是各个初始数据挖掘模型所占的权重是相同的。
步骤S302,使用所述n个训练集训练所述多个预置待选初始数据挖掘模型,得到多个初始分类结果;
本实施例中,使用所述n个训练集对多个预置待选初始数据挖掘模型进行训练,得到多个初始分类结果。
步骤S303,根据所述多个初始分类结果,通过预置投票方式从所述多个预置待选初始数据挖掘模型中筛选出多个初始数据挖掘模型,得到第二数据挖掘模型。
本实施例中,根据所述多个初始分类结果,通过预置投票方式从所述多个预置待选初始数据挖掘模型中选举多个初始数据挖掘模型,得到训练完成的数据挖掘模型。投票方式表示的是,将初始分类结果与预先分类好的结果进行比较,若当前待选初始数据挖掘模型输出的初始分类结果与预先分类好的结果的差值满足预设阈值,则选出该待选初始数据挖掘模型。
参照图4,图4为本发明路由路径智能选择方法第二实施例的流程示意图。本实施例中,在所述图2中的步骤S60之前,还包括以下步骤:
步骤S100,通过带内网络遥测技术实时监测第一业务报文数据,得到监测结果,基于所述监测结果判断所述第一业务报文数据是否达到预置重要级别,其中,所述第一业务报文数据包括网络设备状态信息数据和流量状态信息数据;
本实施例中,在通过带内网络遥测技术实时监测第一业务报文数据之前,对第一业务报文数据中的数据设置重要性级别,例如,对于一些重要事件的数据需要设置成重要级别,对于非重要的数据设置成非重要级别,级别的划分是按照当前业务的重要程度进行划分的,当通过带内网络遥测技术实时监测第一业务报文数据,得到监测结果后,则判断当前监测到的数据是否达到重要级别,如果是,则对第一业务报文数据进行镜像处理。
步骤S110,若所述第一业务报文数据达到预置重要级别,则通过带内网络遥测技术根据所述第一业务报文数据镜像出第二业务报文数据,若所述第一业务报文数据未达到预置重要级别,则返回步骤S100。
本实施例中,通过带内网络遥测技术实时监测所述第一业务报文数据,并根据第一业务报文数据镜像出第二业务报文数据,例如,用于转发重要级别数据的路由路径出现故障,那么就有可能出现数据丢失的现象,为了在这种情况出现时避免重要级别数据丢失,在检测到第一业务报文数据时,则对第一业务报文数据进行镜像处理,得到出第二业务报文数据。
参照图5,图5为本发明路由路径智能选择方法第三实施例的流程示意图。本实施例中,在所述图2中的步骤S70之前,还包括以下步骤:
步骤S120,判断所述路由路径集中的各个路由路径是否大于预置最小路由路径;
本实施例中,由于是否为最小路由路径决定了通过所述路由路径获取数据的速度,若每次数据均通过最大路由路径进行转发,则有可能出现资源浪费的情况,所以需要判断所述路由路径是否大于预置最小路由路径。
步骤S130,若所述路由路径集中的各个路由路径大于预置最小路由路径,则采用反向传播算法,调整所述神经网络模型的参数值,直至所述路由路径集中的各个路由路径小于或等于预置最小路由路径,若否,则不处理。
本实施例中,若实际路由路径大于预置最小路由路径,则说明在步骤S70中得到的路由路径是不符合要求的,因此需要调整神经网络模型的参数值,例如,神经网络模型的参数值分别为w1和w2,w1与w2的相加的和为1,并且w1大于w2,若此时输出的路由路径大于预置路由路径的,则可以通过调整w1和w2,的数值大小,直至当前路由路径小于或等于预置最小路由路径。
参照图6,图6为本发明路由路径智能选择方法第四实施例的流程示意图。本实施例中,在所述图2中的步骤S80之前,还包括以下步骤:
步骤S140,判断所述路由路径集中当前路由路径转发的交易类型数据数量是否达到所述当前路由路径的预置负载值,其中,所述预置负载值小于所述当前路由路径的最大负载值;
本实施例中,若预置负载值等于或者大于当前路由路径的最大负载值,那么当前路由路径就会出现数据拥塞的现象,所以在本实施例中,预置负载值小于当前路由路径的最大负载值。当交易类型数据数量达到当前路由路径的预置负载值时,则使用其他路由路径。例如,路由路径的最大负载值为200,预置负载值均为100,当交易类型数据数量值为1至100时,使用第一路由路径,当交易类型数据数量值大于100时,1至100的交易类型数据选使用第一路由路径,大于100且小于200是的交易类型数据使用第二路由路径,第二路径指的是路径集中除第一路由路径之外的路由路径。
步骤S150,若所述路由路径集中当前路由路径转发的交易类型数据数量达到所述当前路由路径的预置负载值,则判断所述路由路径集中是否存在未转发交易类型数据的路由路径,若所述路由路径集中当前路由路径转发的交易类型数据数量未达到所述当前路由路径的预置负载值,则返回步骤S140;
本实施例中,若路由路径集中当前路由路径转发的交易类型数据数量达到当前路由路径的预置负载值,则判断所述路由路径集中是否存在未转发交易类型数据的路由路径,例如,路由路径集中有三个路由路径,分别为甲乙丙,其中甲乙丙预置负载值均为50,甲乙丙最大负载值均为100,若此时数据量为150,后续还有数据,则经过判断可知路由路径集中不存在未转发交易类型数据的路由路径,若此时数据量为90,后续还有数据,则存在未转发交易类型数据的路由路径,此时需要继续判断路由路径集中当前路由路径转发的交易类型数据数量是否达到当前路由路径的预置负载值。
步骤S160,若所述路由路径集中存在未转发交易类型数据的路由路径,则通过所述未转发交易类型数据的路由路径转发所述交易类型数据,若所述路由路径集中不存在未转发交易类型数据的路由路径,则通过所述达到预置负载值的路由路径转发所述交易类型数据。
本实施例中,当交易类型数据数量大于当前路由路径的最大负载值时,则通过路由路径集中其他路由路径转发超出当前路由路径的预置负载值的交易类型数据。优先地,选择最短路由路径。
参照图7,图7为图2中步骤S80的细化流程示意图。本实施例中,上述步骤S80具体包括以下步骤:
步骤801,向所述路由路径集中的各个路由路径发送拥塞检测请求;
本实施例中,向所述第一路由路径节点发送拥塞检测请求,通过预置信道负载监听信道中第一路由路径节点处的信道负载是否高于预设阈值,若高于预设阈值,则说明第一路由路径节点处出现数据拥塞现象,例如,在实际场景中,若第一路由路径节点处出现数据拥塞现象,则发出警报。
步骤S802,根据从所述各个路由路径接收到的拥塞响应消息,判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径。
本实施例中,可通过带内网络遥测技术检测第一路由路径节点处是否发生拥塞,若发生,则发出拥塞响应消息。向所述第一路由路径节点发送拥塞检测请求,其中,所述拥塞检测请求用于请求所述第一路由路径节点对所述优先级路由路径进行拥塞检测,根据从所述第一路由路径节点接收到的拥塞响应消息,判断所述优先级路由路径是否发生数据拥塞。
参照图8,图8为本发明路由路径智能选择方法第五实施例的流程示意图。本实施例中,在所述图2中的步骤S80之后,还包括以下步骤:
步骤S170,通过求和公式计算各个交易类型数据出现的频率;
本实施例中,通过求和公式:计算各个交易类型数据出现的频率,其中,i表示i类型的交易类型数据,P表示i类型的交易类型数据出现的频率,N表示i类型的交易类型数据第N次出现。完成训练的神经网络模型可以根据前网络状态信息数据预测并得到交易类型数据,例如,对公交易类数据与对私交易类数据,若对公交易类数据出现的频率为20%,对私交易类数据出现的频率为80%。
步骤S180,根据所述频率确定所述路由路径集中各个路由路径转发所述交易类型数据的优先级别;
本实施例中,若交易类型数据出现的频率高,根据对应关系可知,与该交易类型数据对应的路由路径数据出现的频率也会相应地变高,神经网络模型根据出现频率不同的路由路径数据输出不同数量的路由路径,路由路径数量越大,则说明当前交易类型数据对此路由路径的需求量大,因此可根据路由路径数量的多少确定各个路由路径之间的优先级别。例如,对私交易类型数据出现的频率高,则将路径集中的路由路径优先提供给对私交易类型数据使用。
步骤S190,根据所述优先级别确定预置路由路径调整策略。
本实施例中,由于预置路由路径调整策略是依据路由路径集中各个路由路径转发交易类型数据的优先级别确定的,因此,在存在使用路由路径转发数据的指令时,可根据预置路由路径调整策略去转发。
参照图9,图9为本发明路由路径智能选择装置一实施例的功能模块示意图。本实施例中,所述路由路径智能选择装置包括:
获取模块10,用于实时获取训练样本集,所述训练样本集包括网络状态信息数据;
计算模块20,用于通过以下公式依次对所述训练样本集中的训练样本数据进行计算,得到网络状态信息数据特征集:
训练模块30,用于使用所述网络状态信息数据特征集训练第一数据挖掘模型,得到第二数据挖掘模型;
挖掘模块40,用于按照预置交易类型和路由路径,通过所述第二数据挖掘模型对当前网络状态信息数据进行挖掘,得到交易类型数据与路由路径数据;
建立模块50,用于采用哈希算法建立所述交易类型数据与路由路径数据之间的对应关系,所述对应关系为一对多的对应关系;
第一判断模块60,用于判断当前是否获取到交易类型数据;
预测模块70,用于若当前获取到交易类型数据,则根据所述对应关系得到所述路由路径数据,并通过神经网络模型对所述路由路径数据进行预测,得到路由路径集;
第二判断模块80,用于若当前未获取到交易类型数据,则判断当前是否获取到交易类型;
第三判断模块90,用于判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径;
转发模块100,用于若所述路由路径集中存在发生交易类型数据拥塞的路由路径,则通过所述路由路径集中的其他未发生交易类型数据拥塞的路由路径转发所述交易类型数据;
第四判断模块110,用于若所述路由路径集中不存在发生交易类型数据拥塞的路由路径,则判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径,其中,所述转发遵循预置路由路径调整策略。
本发明还提供一种计算机可读存储介质。
本实施例中,所述计算机可读存储介质上存储有路由路径智能选择程序,所述路由路径智能选择程序被处理器执行时实现如上述任一项实施例中所述的路由路径智能选择方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,这些均属于本发明的保护之内。
Claims (10)
1.一种路由路径智能选择方法,其特征在于,所述路由路径智能选择方法包括以下步骤:
实时获取训练样本集,所述训练样本集包括网络状态信息数据;
通过以下公式依次对所述训练样本集中的训练样本数据进行计算,得到网络状态信息数据特征集:
其中,所述网络状态信息数据特征集中具有两种不同类型的训练样本数据,WTU0和WTU1表示两种不同类型的训练样本数据的中心在直线上的投影,WT∑0W和WT∑1W表示两类训练样本数据投影后的协方差;
使用所述网络状态信息数据特征集训练第一数据挖掘模型,得到第二数据挖掘模型,其中,所述第一数据挖掘模型包括多个待选初始数据挖掘模型;
按照预置交易类型和路由路径,通过所述第二数据挖掘模型对当前网络状态信息数据进行挖掘,得到交易类型数据与路由路径数据;
采用哈希算法建立所述交易类型数据与路由路径数据之间的对应关系,所述对应关系为一对多的对应关系;
判断当前判断时刻是否获取到交易类型数据;
若当前判断时刻获取到交易类型数据,则根据所述对应关系得到所述路由路径数据,并通过神经网络模型对所述路由路径数据进行预测,得到路由路径集,其中,所述路由路径集至少包括两个路由路径,若当前判断时刻未获取到交易类型数据,则判断下一判断时刻是否获取到交易类型;
判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径;
若是,则通过所述路由路径集中的其他未发生交易类型数据拥塞的路由路径转发所述交易类型数据,其中,所述转发遵循预置路由路径调整策略。
2.如权利要求1所述的路由路径智能选择方法,其特征在于,所述使用所述网络状态信息数据特征集训练第一数据挖掘模型,得到第二数据挖掘模型包括以下步骤:
通过袋装法从所述网络状态信息数据特征集的N个网络状态信息数据特征中抽取n个训练集,所述N大于或等于n;
使用所述n个训练集训练所述多个预置待选初始数据挖掘模型,得到多个初始分类结果;
根据所述多个初始分类结果,通过预置投票方式从所述多个预置待选初始数据挖掘模型中筛选出多个初始数据挖掘模型,得到第二数据挖掘模型。
3.如权利要求1或2所述的路由路径智能选择方法,其特征在于,在所述判断当前判断时刻是否获取到交易类型数据的步骤之前,还包括以下步骤:
通过带内网络遥测技术实时监测第一业务报文数据,得到监测结果,基于所述监测结果判断所述第一业务报文数据是否达到预置重要级别,其中,所述第一业务报文数据包括网络设备状态信息数据和流量状态信息数据;
若是,则通过带内网络遥测技术根据所述第一业务报文数据镜像出第二业务报文数据,若否,则通过带内网络遥测技术实时监测第一业务报文数据,得到监测结果,基于所述监测结果判断所述第一业务报文数据是否达到预置重要级别。
4.如权利要求1所述的路由路径智能选择方法,其特征在于,在所述若当前判断时刻获取到交易类型数据,则根据所述对应关系得到所述路由路径数据,并通过神经网络模型对所述路由路径数据进行预测,得到路由路径集的步骤之前,还包括以下步骤:
判断所述路由路径集中的各个路由路径是否大于预置最小路由路径;
若是,则采用反向传播算法,调整所述神经网络模型的参数值,直至所述路由路径集中的各个路由路径小于或等于预置最小路由路径。
5.如权利要求1所述的路由路径智能选择方法,其特征在于,在所述判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径的步骤之前,还包括以下步骤:
判断所述路由路径集中当前路由路径转发的交易类型数据数量是否达到所述当前路由路径的预置负载值,其中,所述预置负载值小于所述当前路由路径的最大负载值;
若是,则判断所述路由路径集中是否存在未转发交易类型数据的路由路径,若否,则判断所述路由路径集中当前路由路径转发的交易类型数据数量是否达到所述当前路由路径的预置负载值。
6.如权利要求1所述的路由路径智能选择方法,其特征在于,所述判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径包括以下步骤:
向所述路由路径集中的各个路由路径发送拥塞检测请求;
根据从所述各个路由路径接收到的拥塞响应消息,判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径。
7.如权利要求1所述的路由路径智能选择方法,其特征在于,在所述判断所述路由路径集中是否存在发生交易类型数据拥塞的路由路径的步骤之后,还包括以下步骤:
通过求和公式计算各个交易类型数据出现的频率;
根据所述频率确定所述路由路径集中各个路由路径转发所述交易类型数据的优先级别;
根据所述优先级别确定预置路由路径调整策略。
8.一种路由路径智能选择装置,其特征在于,所述路由路径智能选择装置包括:
获取模块,用于实时获取训练样本集,所述训练样本集包括网络状态信息数据;
计算模块,用于通过以下公式依次对所述训练样本集中的训练样本数据进行计算,得到网络状态信息数据特征集;
训练模块,用于使用所述网络状态信息数据特征集训练第一数据挖掘模型,得到第二数据挖掘模型;
挖掘模块,用于按照预置交易类型和路由路径,通过所述第二数据挖掘模型对当前网络状态信息数据进行挖掘,得到交易类型数据与路由路径数据;
建立模块,用于采用哈希算法建立所述交易类型数据与路由路径数据之间的对应关系,所述对应关系为一对多的对应关系;
第一判断模块,用于判断当前判断时刻是否获取到交易类型数据;
预测模块,用于若当前判断时刻获取到交易类型数据,则根据所述对应关系得到所述路由路径数据,并通过神经网络模型对所述路由路径数据进行预测,得到路由路径集;
第二判断模块,用于若当前判断时刻未获取到交易类型数据,则判断下一判断时刻是否获取到交易类型;
第三判断模块,用于判断当前判断时刻所述路由路径集中是否存在发生交易类型数据拥塞的路由路径;
转发模块,用于若当前判断时刻所述路由路径集中存在发生交易类型数据拥塞的路由路径,则通过所述路由路径集中的其他未发生交易类型数据拥塞的路由路径转发所述交易类型数据,其中,所述转发遵循预置路由路径调整策略;
第四判断模块,用于若当前判断时刻所述路由路径集中不存在发生交易类型数据拥塞的路由路径,则判断下一判断时刻所述路由路径集中是否存在发生交易类型数据拥塞的路由路径。
9.一种路由路径智能选择设备,其特征在于,所述路由路径智能选择设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的路由路径智能选择程序,所述路由路径智能选择程序被所述处理器执行时实现如权利要求1-7中任一项所述的路由路径智能选择方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有路由路径智能选择程序,所述路由路径智能选择程序被处理器执行时实现如权利要求1-7中任一项所述的路由路径智能选择方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910967899.7A CN110855564B (zh) | 2019-10-12 | 2019-10-12 | 路由路径智能选择方法、装置、设备及可读存储介质 |
PCT/CN2020/087632 WO2021068489A1 (zh) | 2019-10-12 | 2020-04-28 | 路由路径智能选择方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910967899.7A CN110855564B (zh) | 2019-10-12 | 2019-10-12 | 路由路径智能选择方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110855564A CN110855564A (zh) | 2020-02-28 |
CN110855564B true CN110855564B (zh) | 2022-09-30 |
Family
ID=69597398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910967899.7A Active CN110855564B (zh) | 2019-10-12 | 2019-10-12 | 路由路径智能选择方法、装置、设备及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110855564B (zh) |
WO (1) | WO2021068489A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110855564B (zh) * | 2019-10-12 | 2022-09-30 | 深圳壹账通智能科技有限公司 | 路由路径智能选择方法、装置、设备及可读存储介质 |
CN114336972A (zh) * | 2021-12-30 | 2022-04-12 | 广东电网有限责任公司 | 一种远动装置的检修确定方法及装置 |
CN115118649B (zh) * | 2022-06-29 | 2023-07-11 | 国网山东省电力公司威海供电公司 | 一种电力通信网继电保护路由自动规划方法 |
CN117499325B (zh) * | 2023-12-29 | 2024-03-15 | 湖南恒茂信息技术有限公司 | 一种基于人工智能的交换机业务报文分流方法及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2357785A1 (en) * | 2001-09-14 | 2003-03-14 | Alcatel Canada Inc. | Intelligent routing for effective utilization of network signaling resources |
US7849032B1 (en) * | 2002-05-24 | 2010-12-07 | Oracle International Corporation | Intelligent sampling for neural network data mining models |
CN1996933B (zh) * | 2005-12-31 | 2010-08-11 | 华为技术有限公司 | 对实时组播业务进行拥塞控制的方法 |
US9083555B1 (en) * | 2012-04-13 | 2015-07-14 | Exelis Inc. | Traffic channel access during acquisition congestion |
US10262333B2 (en) * | 2014-08-07 | 2019-04-16 | Inmobi Pte. Ltd. | Linear programming approach for querying a trie data structure |
US20160086185A1 (en) * | 2014-10-15 | 2016-03-24 | Brighterion, Inc. | Method of alerting all financial channels about risk in real-time |
CN108229986B (zh) * | 2016-12-14 | 2021-07-16 | 腾讯科技(深圳)有限公司 | 信息点击预测中的特征构建方法、信息投放方法和装置 |
CN108881415B (zh) * | 2018-05-31 | 2020-11-17 | 广州亿程交通信息集团有限公司 | 分布式实时大数据分析系统 |
CN109450795B (zh) * | 2018-11-09 | 2020-08-11 | 浙江大学 | 一种面向服务网络的服务路由器及服务网络系统 |
CN109831320B (zh) * | 2018-12-29 | 2022-03-25 | 国家电网有限公司 | 一种辅助流量预测控制方法、存储介质和电子设备 |
CN110855564B (zh) * | 2019-10-12 | 2022-09-30 | 深圳壹账通智能科技有限公司 | 路由路径智能选择方法、装置、设备及可读存储介质 |
-
2019
- 2019-10-12 CN CN201910967899.7A patent/CN110855564B/zh active Active
-
2020
- 2020-04-28 WO PCT/CN2020/087632 patent/WO2021068489A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2021068489A1 (zh) | 2021-04-15 |
CN110855564A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110855564B (zh) | 路由路径智能选择方法、装置、设备及可读存储介质 | |
US10425849B1 (en) | Visualization of personalized quality of experience regarding mobile network | |
CN109104377B (zh) | 长连接负载均衡方法、设备、系统及计算机可读存储介质 | |
CN111787069A (zh) | 业务接入请求的处理方法、装置、设备及计算机存储介质 | |
CN112737897B (zh) | 一种链路监测调度方法、装置、设备及存储介质 | |
US10476746B2 (en) | Network management method, device, and system | |
CN109088755A (zh) | 一种边缘计算下的复杂事件处理系统部署方法 | |
CN112671813B (zh) | 服务器确定方法、装置、设备及存储介质 | |
EP2701067A1 (en) | Content distribution system, control device, and content distribution method | |
CN109587068B (zh) | 流量切换方法、装置、设备及计算机可读存储介质 | |
CN115002238A (zh) | 流量传输方法、装置、设备和存储介质 | |
EP3672203A1 (en) | Distribution method for distributed data computing, device, server and storage medium | |
EP3370395B1 (en) | Devices and methods for managing a network communication channel between an electronic device and an enterprise entity | |
CN108574623B (zh) | 一种恶意用户确定及阻止垃圾信息的方法及装置 | |
CN115189910A (zh) | 一种基于网络数字孪生体的蓄意攻击生存性评估方法 | |
CN114884749A (zh) | 一种基于人工智能的网络安全态势感知方法 | |
CN111371675A (zh) | 智能寻址方法、装置、设备及其存储介质 | |
CN109873878B (zh) | 电子终端的通信连接方法与装置及电子终端、存储介质 | |
US10581715B1 (en) | Adaptive recovery based on incast | |
CN117076094B (zh) | 一种密码运算多任务并发处理方法 | |
CN115190034B (zh) | 基于边缘云计算的服务部署方法 | |
CN113596109B (zh) | 业务请求运行方法、系统、装置、设备和存储介质 | |
CN109327329B (zh) | 数据模型更新方法及装置 | |
CN117807272A (zh) | 自适应的数据流转方法、系统、设备以及存储介质 | |
CN109257292B (zh) | 一种rcs负载均衡方法及装置 |
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 |