CN111245650A - 一种基于机器学习的网络带宽优化管理方法 - Google Patents

一种基于机器学习的网络带宽优化管理方法 Download PDF

Info

Publication number
CN111245650A
CN111245650A CN202010013986.1A CN202010013986A CN111245650A CN 111245650 A CN111245650 A CN 111245650A CN 202010013986 A CN202010013986 A CN 202010013986A CN 111245650 A CN111245650 A CN 111245650A
Authority
CN
China
Prior art keywords
network
bandwidth
machine learning
network equipment
management
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.)
Pending
Application number
CN202010013986.1A
Other languages
English (en)
Inventor
胡太守
詹启军
潘伟
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.)
Guangdong Unionman Technology Co Ltd
Original Assignee
Guangdong Unionman Technology 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 Guangdong Unionman Technology Co Ltd filed Critical Guangdong Unionman Technology Co Ltd
Priority to CN202010013986.1A priority Critical patent/CN111245650A/zh
Publication of CN111245650A publication Critical patent/CN111245650A/zh
Pending legal-status Critical Current

Links

Images

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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H04L41/0893—Assignment of logical groups to network elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及网络资源管理技术领域，尤其涉及一种基于机器学习的网络带宽优化管理方法，采用运营商管理平台采集带宽分配设备下接用网设备的使用信息，然后通过利用机器学习算法生成管理策略，并安装于带宽分配设备上，从而实现了对网络带宽资源的优化管理，解决了现有网关或路由器的带宽承载、主干线上的带宽有限，以及网络负载压力大，网络带宽资源缺乏合理、有效的管理的问题，并且能够更好的管理频谱和网络资源、平衡网络负载、增强移动性，同时降低了主干网的负载压力，提升了用户的体验。

Description

一种基于机器学习的网络带宽优化管理方法
技术领域
本发明涉及网络资源管理技术领域，尤其涉及一种基于机器学习的网络带宽优化管理方法。
背景技术
家庭智能网关和路由器是住宅和办公室用户联网的主要设备。随着网络的越来越普及、物联网和智能家居互联产品也越来越多，网关和路由器的需求会越来越旺盛。
网关和路由器作为主要的联网设备，其下接用网设备(如手机、电脑、智能家居等)越来越多，下接用网设备的功能也越来越复杂。因此要求网关和路由器需要给不同类型的设备和不同类型的服务提供高效的带宽。网关和路由器的带宽承载是有限的，同时主干线上的带宽也是有限的，因此，需要对网络带宽资源进行合理的管理，才能更好的管理频谱和网络资源、平衡网络负载、增强移动性，给用户提供最佳体验，同时降低主干网的负载压力。
发明内容
本发明提供一种基于机器学习的网络带宽优化管理方法，解决的技术问题是，现有网关或路由器的带宽承载有限，主干线上的带宽也有限，网络负载压力大，网络带宽资源缺乏合理、有效的管理。
为解决以上技术问题，本发明提供一种基于机器学习的网络带宽优化管理方法，包括步骤：
A1.带宽分配设备收集、上传其下接用网设备的使用信息至运营商管理平台；
A2.所述运营商管理平台基于机器学习对所述使用信息进行整理和分析，生成相应的管理策略并下发至所述带宽分配设备；
A3.所述带宽分配设备按照所述管理策略管理其下接用网设备的带宽资源分配。
进一步地，所述步骤A2具体包括步骤：
A21.所述运营商管理平台对上传的所述使用信息进行整理；
A22.对不同类别的所述使用信息采用不同的机器学习算法进行分析，得到对应的使用结论；
A23.对不同的使用结论设置不同的带宽分配策略，并结合用户自定义设置生成不同的管理策略并下发至所述带宽分配设备。
具体地，在所述步骤A22中，不同类别的所述使用信息包括所述下接用网设备的类型及其使用流量的大小、类型、时间，使用的APP，访问的网站。
进一步地，所述使用结论包括：
第一种结论信息：在同一时间段总是占用最多带宽资源的下接用网设备明细；
第二种结论信息：一个所述下接用网设备占用最多带宽资源的流量类型明细；
第三种结论信息：一个所述下接用网设备占用最多带宽资源的时间段明细；
第四种结论信息：总是访问无法连接的境外服务器的网关或下接用网设备明细；
第五种结论信息：正在使用要求较高带宽资源的APP或访问要求较高带宽资源的网页的下接用网设备明细。
更进一步地，针对所述第一种结论信息，所述带宽分配策略设置为：对所述下接用网设备明细中的下接用网设备进行限速；
针对所述第二种结论信息，所述带宽分配策略设置为：当所述下接用网设备使用所述流量类型明细中的流量类型时，对所述下接用网设备进行限速；
针对所述第三种结论信息，所述带宽分配策略设置为：当所述下接用网设备在所述时间段明细中的时间段使用网络时，对所述下接用网设备进行限速；
针对所述第四种结论信息，所述带宽分配策略设置为：禁止所述网关或下接用网设备访问所述境外服务器；
针对所述第五种结论信息，所述带宽分配策略设置为：对所述下接用网设备明细中的所述下接用网设备进行提速。
其中，所述要求较高带宽资源的APP或访问要求较高带宽资源的网页为名额有限需要用户抢先拥有的一类、支付一类、涉及生命健康的一类。
具体地，所述用户自定义设置包括对特定下接用网设备的用网时长设置，网络开放时间段设置，限速、断网或提速设置。
进一步地，所述机器学习算法包括多变量线性回归算法和Logistic回归算法。
具体地，在所述步骤A2中，生成相应的管理策略基于管理规定或者TR-069协议通过软件升级的方式安装在所述带宽分配设备中。
具体地，所述带宽分配设备为路由器或网关。
本发明提供的一种基于机器学习的网络带宽优化管理方法，采用运营商管理平台采集带宽分配设备下接用网设备的使用信息，然后通过利用机器学习算法生成管理策略，并安装于带宽分配设备上，从而实现对网络带宽资源的优化管理，保证了带宽分配设备能够为不同类型的下接用网设备提供高效的带宽，并且能够更好的管理频谱和网络资源、平衡网络负载、增强移动性，同时降低了主干网的负载压力，提升了用户的体验。
附图说明
图1是本发明实施例提供的一种基于机器学习的网络带宽优化管理方法的步骤流程图；
图2是本发明实施例提供的网络带宽资源优化管理示意图；
图3是本发明实施例提供的带宽分配设备数据收集示意图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
针对现有网关或路由器的带宽承载有限，主干线上的带宽也有限，以及网络负载压力大，网络带宽资源缺乏合理、有效的管理的问题，如图1、2所示，本发明实施例提供一种基于机器学习的网络带宽优化管理方法，包括步骤：
A1.带宽分配设备收集、上传其下接用网设备的使用信息至运营商管理平台；
A2.所述运营商管理平台基于机器学习对所述使用信息进行整理和分析，生成相应的管理策略并下发至所述带宽分配设备；
A3.所述带宽分配设备按照所述管理策略管理其下接用网设备的带宽资源分配。
其中，所述步骤A2具体包括步骤：
A21.所述运营商管理平台对上传的所述使用信息进行整理；
A22.对不同类别的所述使用信息采用不同的机器学习算法进行分析，得到对应的使用结论；
A23.对不同的使用结论设置不同的带宽分配策略，并结合用户自定义设置生成不同的管理策略并下发至所述带宽分配设备。
如图3所示，在所述步骤A22中，不同类别的所述使用信息包括但不限于所述下接用网设备的类型及其使用流量的大小、类型、时间，使用的APP，访问的网站。
本实施例中，运营商管理平台根据不同的使用结论，设置不同的带宽分配策略，例如：
1)分析得到在同一时间段总是占用最多带宽资源的下接用网设备时，对所述下接用网设备进行限速；
2)分析得到所述下接用网设备占用最多带宽资源的流量类型时，对所述下接用网设备进行限速；
3)分析得到所述下接用网设备占用最多带宽资源的时间段时，当所述下接用网设备在所述时间段明细中的时间段使用网络时，对该下接用网设备进行限速；
4)分析得到总是访问无法连接的境外服务器的网关或下接用网设备时，禁止所述网关或下接用网设备访问所述境外服务器；
5)分析得到正在使用要求较高带宽资源的APP或访问要求较高带宽资源的网页的下接用网设备时，对所述下接用网设备明细中的所述下接用网设备进行提速。
其中，所述要求较高带宽资源的APP或访问要求较高带宽资源的网页包括但不限于为名额有限需要用户抢先拥有的一类(如抢票)、支付一类、涉及生命健康的一类(如联网型烟雾报警器)。
为了便于理解上述对应策略，下面进行一些举例说明。
虚拟主机是多个用户的网站共享一台物理服务器资源。如果一个网站流量太大，不仅严重占用网络带宽资源，而且还加重了整台服务器负荷，影响到其它用户。所以，为了保证服务器的正常工作，需要对网站进行限速。
通过机器学习算法分析发现用户在玩高消耗的网络游戏，为了给用户更好的体验，可以收费为其在某个时间段增加网速。
需要说明的是，以上各个具体使用结论以及生成的管理策略均为示例性说明，本发明实施例提供的技术方案中的各个使用结论以及管理策略包括但不限于以上取值。本领域技术人员可以根据实际应用场合的不同调整相应结论以及策略。
所述用户自定义设置包括对特定下接用网设备的用网时长设置，网络开放时间段设置，限速、断网或提速设置。比如，家长为了管理小孩使用手机的时间，可对其上网时长进行限制，上网时间超过2小时，则对手机进行禁网处理。家长还可对其使用时间段进行设置，一到晚上10点便对其进行禁网处理。
其中，所述机器学习算法包括多变量线性回归算法和Logistic回归算法；本实施例中，根据相应的参数生成相应模型的训练集，当所述运营商管理平台对上传的所述使用信息进行整理时，生成不同于训练集的测试集，然后测试集用于测试训练得到的模型是否准确。
在本实施例中，生成相应的管理策略基于管理规定或者TR-069协议通过软件升级的方式安装在所述带宽分配设备中，进而对其下接用网设备所产生的网络数据流进行管理。
本发明实施例通过提供一种基于机器学习的网络带宽优化管理方法，采用运营商管理平台采集带宽分配设备下接用网设备的使用信息，然后通过利用机器学习算法生成管理策略，并安装于带宽分配设备上，从而实现了对网络带宽资源进行合理的分配，解决了现有网关或路由器的带宽承载有限，主干线上的带宽也有限，网络负载压力大，网络带宽资源缺乏合理、有效的管理的问题，降低了主干网的负载压力，同时能够更好的管理频谱和网络资源、平衡网络负载、增强移动性，并提升了用户的体验。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种基于机器学习的网络带宽优化管理方法，其特征在于，包括步骤：
A1.带宽分配设备收集、上传其下接用网设备的使用信息至运营商管理平台；
A2.所述运营商管理平台基于机器学习对所述使用信息进行整理和分析，生成相应的管理策略并下发至所述带宽分配设备；
A3.所述带宽分配设备按照所述管理策略管理其下接用网设备的带宽资源分配。
2.如权利要求1所述的一种基于机器学习的网络带宽优化管理方法，其特征在于，所述步骤A2具体包括步骤：
A21.所述运营商管理平台对上传的所述使用信息进行整理；
A22.对不同类别的所述使用信息采用不同的机器学习算法进行分析，得到对应的使用结论；
A23.对不同的使用结论设置不同的带宽分配策略，并结合用户自定义设置生成不同的管理策略并下发至所述带宽分配设备。
3.如权利要求2所述的一种基于机器学习的网络带宽优化管理方法，其特征在于：在所述步骤A22中，不同类别的所述使用信息包括所述下接用网设备的类型及其使用流量的大小、类型、时间，使用的APP，访问的网站。
4.如权利要求2所述的一种基于机器学习的网络带宽优化管理方法，其特征在于，所述使用结论包括：
第一种结论信息：在同一时间段总是占用最多带宽资源的下接用网设备明细；
第二种结论信息：一个所述下接用网设备占用最多带宽资源的流量类型明细；
第三种结论信息：一个所述下接用网设备占用最多带宽资源的时间段明细；
第四种结论信息：总是访问无法连接的境外服务器的网关或下接用网设备明细；
第五种结论信息：正在使用要求较高带宽资源的APP或访问要求较高带宽资源的网页的下接用网设备明细。
5.如权利要求4所述的一种基于机器学习的网络带宽优化管理方法，其特征在于：
针对所述第一种结论信息，所述带宽分配策略设置为：对所述下接用网设备明细中的下接用网设备进行限速；
针对所述第二种结论信息，所述带宽分配策略设置为：当所述下接用网设备使用所述流量类型明细中的流量类型时，对所述下接用网设备进行限速；
针对所述第三种结论信息，所述带宽分配策略设置为：当所述下接用网设备在所述时间段明细中的时间段使用网络时，对所述下接用网设备进行限速；
针对所述第四种结论信息，所述带宽分配策略设置为：禁止所述网关或下接用网设备访问所述境外服务器；
针对所述第五种结论信息，所述带宽分配策略设置为：对所述下接用网设备明细中的所述下接用网设备进行提速。
6.如权利要求5所述的一种基于机器学习的网络带宽优化管理方法，其特征在于：所述要求较高带宽资源的APP或访问要求较高带宽资源的网页为名额有限需要用户抢先拥有的一类、支付一类、涉及生命健康的一类。
7.如权利要求2所述的一种基于机器学习的网络带宽优化管理方法，其特征在于：所述用户自定义设置包括对特定下接用网设备的用网时长设置，网络开放时间段设置，限速、断网或提速设置。
8.如权利要求2所述的一种基于机器学习的网络带宽优化管理方法，其特征在于：所述机器学习算法包括多变量线性回归算法和Logistic回归算法。
9.如权利要求1所述的一种基于机器学习的网络带宽优化管理方法，其特征在于：在所述步骤A2中，生成相应的管理策略基于管理规定或者TR-069协议通过软件升级的方式安装在所述带宽分配设备中。
CN202010013986.1A 2020-01-07 2020-01-07 一种基于机器学习的网络带宽优化管理方法 Pending CN111245650A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010013986.1A CN111245650A (zh) 2020-01-07 2020-01-07 一种基于机器学习的网络带宽优化管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010013986.1A CN111245650A (zh) 2020-01-07 2020-01-07 一种基于机器学习的网络带宽优化管理方法

Publications (1)

Publication Number Publication Date
CN111245650A true CN111245650A (zh) 2020-06-05

Family

ID=70865472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010013986.1A Pending CN111245650A (zh) 2020-01-07 2020-01-07 一种基于机器学习的网络带宽优化管理方法

Country Status (1)

Country Link
CN (1) CN111245650A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202178772U (zh) * 2011-08-18 2012-03-28 深圳市高德信通信有限公司 用户网络带宽监管系统
CN104113492A (zh) * 2014-07-25 2014-10-22 北京奇虎科技有限公司 基于路由器的接入用户带宽调整方法、装置及系统
CN104994037A (zh) * 2015-07-07 2015-10-21 上海斐讯数据通信技术有限公司 一种带宽自动分配系统及分配方法
CN105337901A (zh) * 2015-09-30 2016-02-17 北京四达时代软件技术股份有限公司 一种路由器的智能带宽分配方法及装置
CN106713169A (zh) * 2016-11-25 2017-05-24 东软集团股份有限公司 一种控制流量带宽的方法和装置
CN109978627A (zh) * 2019-03-29 2019-07-05 电子科技大学中山学院 一种面向宽带接入网用户上网行为大数据的建模方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202178772U (zh) * 2011-08-18 2012-03-28 深圳市高德信通信有限公司 用户网络带宽监管系统
CN104113492A (zh) * 2014-07-25 2014-10-22 北京奇虎科技有限公司 基于路由器的接入用户带宽调整方法、装置及系统
CN104994037A (zh) * 2015-07-07 2015-10-21 上海斐讯数据通信技术有限公司 一种带宽自动分配系统及分配方法
CN105337901A (zh) * 2015-09-30 2016-02-17 北京四达时代软件技术股份有限公司 一种路由器的智能带宽分配方法及装置
CN106713169A (zh) * 2016-11-25 2017-05-24 东软集团股份有限公司 一种控制流量带宽的方法和装置
CN109978627A (zh) * 2019-03-29 2019-07-05 电子科技大学中山学院 一种面向宽带接入网用户上网行为大数据的建模方法

Similar Documents

Publication Publication Date Title
Sterbenz Smart city and IoT resilience, survivability, and disruption tolerance: Challenges, modelling, and a survey of research opportunities
US9589275B2 (en) User behavior analysis method, and related device and method
WO2018132178A1 (en) Context-based detection of anomalous behavior in network traffic patterns
KR101770050B1 (ko) 광대역 경험을 향상시키기 위한 클라우드 서비스에 대한 방법 및 장치
CN104301161B (zh) 业务质量指标的计算方法、计算装置以及通信系统
JP2009135916A (ja) 通信を管理するための方法およびシステム
CN112868265B (zh) 网络资源的管理方法、管理装置、电子设备及存储介质
CN103139848A (zh) 一种资源共享方法及系统
CN103312682A (zh) 网关安全接入的方法及系统
Li et al. Engineering machine-to-machine traffic in 5G
Misra et al. Stochastic learning automata‐based channel selection in cognitive radio/dynamic spectrum access for WiMAX networks
Das et al. Characterization of wireless multidevice users
Umoren et al. Methodical Performance Modelling of Mobile Broadband Networks with Soft Computing Model
Li et al. Cellular smartphone traffic and user behavior analysis
JP2015529409A (ja) Ｗｌａｎネットワークに基づく速度制御システム及び方法
CN105791349A (zh) 数据分析方法、装置、系统及终端和服务器
KR102397346B1 (ko) 데이터 트래픽을 모니터링하기 위한 방법, 장치 및 시스템
CN106507408A (zh) 一种终端控制方法及手持终端
WO2018194888A1 (en) Dynamic computer network classification using machine learning
CN105814930A (zh) 计费控制装置、方法及系统
CN102845042B (zh) 一种应用层多个活动物理接口的带宽聚集系统及方法
Lin Dynamic resource allocation strategy in mobile edge cloud computing environment
CN111245650A (zh) 一种基于机器学习的网络带宽优化管理方法
CN102404374B (zh) 一种提供网络内容资源的系统和方法
CN115544324A (zh) 一种用户数据分析方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200605

RJ01 Rejection of invention patent application after publication