CN111447108A - 基于深度学习的渐进式时延带宽测速分析方法及其系统 - Google Patents

基于深度学习的渐进式时延带宽测速分析方法及其系统 Download PDF

Info

Publication number
CN111447108A
CN111447108A CN202010205254.2A CN202010205254A CN111447108A CN 111447108 A CN111447108 A CN 111447108A CN 202010205254 A CN202010205254 A CN 202010205254A CN 111447108 A CN111447108 A CN 111447108A
Authority
CN
China
Prior art keywords
speed measurement
bandwidth
client
time delay
deep learning
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
Application number
CN202010205254.2A
Other languages
English (en)
Other versions
CN111447108B (zh
Inventor
卢建炜
王影新
郑炎
林荣杰
徐超
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.)
China Telecom Fufu Information Technology Co Ltd
Original Assignee
China Telecom Fufu Information 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 China Telecom Fufu Information Technology Co Ltd filed Critical China Telecom Fufu Information Technology Co Ltd
Priority to CN202010205254.2A priority Critical patent/CN111447108B/zh
Publication of CN111447108A publication Critical patent/CN111447108A/zh
Application granted granted Critical
Publication of CN111447108B publication Critical patent/CN111447108B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H04L43/0894—Packet rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning 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
    • H04L41/14—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
    • H04L43/0852—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
    • H04L43/50—Testing arrangements

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开基于深度学习的渐进式时延带宽测速分析方法及其系统，利用深度神经网络来解决特征表达的一种学习过程。为了提高深层神经网络的训练效果，人们对神经元的连接方法以及激活函数等方面做出了调整，建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据。本发明采用深度学习的智能设计算法，结合CS架构，用足够量的服务器与需求客户端进行算法测速，再统计用户数据，当用户数据量足够的时候，通过深度学习，能够更快更准的得出所需数据。

Description

基于深度学习的渐进式时延带宽测速分析方法及其系统
技术领域
本发明涉及互联网技术领域，尤其涉及基于深度学习的渐进式时延带宽测速分析方法及其系统。
背景技术
在网络普及的当代，网络速率日益提高，5G时代来临前夕，人们对网络带宽的可利用率的实时性需求越来越大，人们需要一个更快更准的带宽测速方式，来认识到自己的带宽。于是，基于深度学习的渐进式时延带宽测速分析方法及其系统诞生了。顾名思义，该方法基于深度学习(Deep Learning,DL)这种智能方式，使用渐进式测速分析法，尽可能小的占用用户带宽，以最快的速度得出当前用户的带宽。该项技术利在用户数据越多，越能减少占用用户在使用过程中的带宽，并能越快能够得出结果，同时弊端也是在于深度学习需要大量的用户数据。
发明内容
本发明的目的在于提供基于深度学习的渐进式时延带宽测速分析方法及其系统。
本发明采用的技术方案是：
基于深度学习的渐进式时延带宽测速分析方法，其包括以下步骤：
步骤1，从全国接口服务器获取时延带宽基本参数，并基于参数计算空闲带宽m；
步骤2，初始化系统参数，将上一次预测带宽Y、预测带宽Z和二分系数k均赋值0，同时迭代次数n赋值为1；
步骤3，判断迭代次数n是否大于迭代上限M，M为大于n的整数；是则，执行步骤8；否则，执行步骤4；
步骤4，将当前的预测带宽Z赋值给上一次预测带宽Y；同时计算当前迭代的预测带宽Z，Z＝Y+(-1)^k*[m/(2^n)]；
步骤5，判断当前探测时延t是否小于时延策略t0；是则，执行步骤6；否则，执行步骤9；
步骤6，测试客户端发起协议测速，并与测速服务交互获取客户端限速Z和测速的探测时延t；
步骤7，将迭代次数n加1，并判断测速客户端的网速是否达到限速Z；是则，k赋值0并执行步骤3；否则，k赋值1并执行步骤3；
步骤8，基于当前二分系数k的取值分别计算输入带宽R；
当k＝0时，输入带宽R＝B+Z；当k＝1时，输入带宽R＝B+Y；
步骤9，将输入带宽R上传并结束测速分析。
进一步地，步骤1中延带宽基本参数包括带宽B、时延策略t0、业务占用带宽X以及首次生成token的探测时延t。
进一步地，步骤1中空闲带宽m的计算公式为：m＝B-X。
进一步地，步骤3中迭代上限M的取值为5。
基于深度学习的渐进式时延带宽测速分析系统，其包括以下设备：
车策略调度服务器：
与测速服务器交互,提供不同带宽的流量配置；
测速服务器：
与车策略调度服务器交互，获取不同带宽流量配置；
与客户端协议交互，根据配置下发相应流量于客户端下载；
与客户端协议交互，响应相应token，提供客户端试探接口；
测速客户端：
与全国接口服务器交互，获取测速列表；
与全国接口服务器交互，获取已使用的带宽与试探时延超时策略；
根据测速列表与测速服务进行协议试探，收集试探时延收集；
根据试探时延超时策略，迭代执行测速策略，收集测速结果；
与全国接口服务器交互，上传测速结果；
全国接口服务：
与客户端交互，下发测速列表；
与客户端交互，下发业务占用带宽与试探时延超时策略；
与客户端交互，收集客户端测速结果。
进一步地，测速服务器为两台以上，测速策略调度服务器分别通过两台以上的测速服务器连接测速客户端。
进一步地，测速客户端根据测速列表与测速服务在测速前中后进行协议试探生成token以收集试探时延收集。
进一步地，迭代执行测速策略采用空闲带宽内客户端限速下载。
本发明采用以上技术方案，采用深度学习(Deep Learning,DL)的智能设计算法，结合CS架构，用足够量的服务器与需求客户端进行算法测速，再统计用户数据，当用户数据量足够的时候，通过深度学习，能够更快更准的得出所需数据。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明；
图1为本发明基于深度学习的渐进式时延带宽测速分析系统的结构示意图。
图2为本发明基于深度学习的渐进式时延带宽测速分析方法流程示意图；
具体实施方式
为了实现基于深度学习的渐进式时延带宽测速分析，需分析带宽影响因素，作为后续深度学习所需的入参条件；同时设计一套基础CS架构，以最基础的方式，测速得出后续深度学习所需要的入参数据。
如图1所示，基于深度学习的渐进式时延带宽测速分析系统，其包括以下设备：
车策略调度服务器：
与测速服务器交互,提供不同带宽的流量配置；
测速服务器：
与车策略调度服务器交互，获取不同带宽流量配置；
与客户端协议交互，根据配置下发相应流量于客户端下载；
与客户端协议交互，响应相应token，提供客户端试探接口；
测速客户端：
与全国接口服务器交互，获取测速列表；
与全国接口服务器交互，获取已使用的带宽与试探时延超时策略；
根据测速列表与测速服务进行协议试探，收集试探时延收集；
根据试探时延超时策略，迭代执行测速策略，收集测速结果；
与全国接口服务器交互，上传测速结果；
全国接口服务：
与客户端交互，下发测速列表；
与客户端交互，下发业务占用带宽与试探时延超时策略；
与客户端交互，收集客户端测速结果。
进一步地，测速服务器为两台以上，测速策略调度服务器分别通过两台以上的测速服务器连接测速客户端。
进一步地，测速客户端根据测速列表与测速服务在测速前中后进行协议试探生成token以收集试探时延收集。
进一步地，迭代执行测速策略采用空闲带宽内客户端限速下载。
如图2所示，本发明还公开了基于深度学习的渐进式时延带宽测速分析方法，其包括以下步骤：
步骤1，从全国接口服务器获取时延带宽基本参数，并基于参数计算空闲带宽m；
步骤2，初始化系统参数，将上一次预测带宽Y、预测带宽Z和二分系数k均赋值0，同时迭代次数n赋值为1；
步骤3，判断迭代次数n是否大于迭代上限M，M为大于n的整数；是则，执行步骤8；否则，执行步骤4；
步骤4，将当前的预测带宽Z赋值给上一次预测带宽Y；同时计算当前迭代的预测带宽Z，Z＝Y+(-1)^k*[m/(2^n)]；
步骤5，判断当前探测时延t是否小于时延策略t0；是则，执行步骤6；否则，执行步骤9；
步骤6，测试客户端发起协议测速，并与测速服务交互获取客户端限速Z和测速的探测时延t；
步骤7，将迭代次数n加1，并判断测速客户端的网速是否达到限速Z；是则，k赋值0并执行步骤3；否则，k赋值1并执行步骤3；
步骤8，基于当前二分系数k的取值分别计算输入带宽R；
当k＝0时，输入带宽R＝B+Z；当k＝1时，输入带宽R＝B+Y；
步骤9，将输入带宽R上传并结束测速分析。
进一步地，步骤1中延带宽基本参数包括带宽B、时延策略t0、业务占用带宽X以及首次生成token的探测时延t。
进一步地，步骤1中空闲带宽m的计算公式为：m＝B-X。
进一步地，步骤3中迭代上限M的取值为5。
本发明采用以上技术方案，来源于人类大脑的工作方式，利用深度神经网络来解决特征表达的一种学习过程。为了提高深层神经网络的训练效果，人们对神经元的连接方法以及激活函数等方面做出了调整。其目的在于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据。深度学习引入了人工神经网络，依靠着数据量日益壮大，不断“自我优化”，不断提升，能够使结果更贴近真实结果。本发明采用深度学习(DeepLearning,DL)的智能设计算法，结合CS架构，用足够量的服务器与需求客户端进行算法测速，再统计用户数据，当用户数据量足够的时候，通过深度学习，能够更快更准的得出所需数据。

Claims (8)

1.基于深度学习的渐进式时延带宽测速分析方法，其特征在于：其包括以下步骤：
步骤1，从全国接口服务器获取时延带宽基本参数，并基于参数计算空闲带宽m；
步骤2，初始化系统参数，将上一次预测带宽Y、预测带宽Z和二分系数k均赋值0，同时迭代次数n赋值为1；
步骤3，判断迭代次数n是否大于迭代上限M，M为大于n的整数；是则，执行步骤8；否则，执行步骤4；
步骤4，将当前的预测带宽Z赋值给上一次预测带宽Y；同时计算当前迭代的预测带宽Z，Z＝Y+(-1)^k*[m/(2^n)]；
步骤5，判断当前探测时延t是否小于时延策略t0；是则，执行步骤6；否则，执行步骤9；
步骤6，测试客户端发起协议测速，并与测速服务交互获取客户端限速Z和测速的探测时延t；
步骤7，将迭代次数n加1，并判断测速客户端的网速是否达到限速Z；是则，k赋值0并执行步骤3；否则，k赋值1并执行步骤3；
步骤8，基于当前二分系数k的取值分别计算输入带宽R；
当k＝0时，输入带宽R＝B+Z；当k＝1时，输入带宽R＝B+Y；
步骤9，将输入带宽R上传并结束测速分析。
2.根据权利要求1所述的基于深度学习的渐进式时延带宽测速分析方法，其特征在于：步骤1中延带宽基本参数包括带宽B、时延策略t0、业务占用带宽X以及首次生成token的探测时延t。
3.根据权利要求1所述的基于深度学习的渐进式时延带宽测速分析方法，其特征在于：步骤1中空闲带宽m的计算公式为：m＝B-X。
4.根据权利要求1所述的基于深度学习的渐进式时延带宽测速分析方法，其特征在于：步骤3中迭代上限M的取值为5。
5.基于深度学习的渐进式时延带宽测速分析系统，其包括以下设备：
车策略调度服务器：
与测速服务器交互,提供不同带宽的流量配置；
测速服务器：
与车策略调度服务器交互，获取不同带宽流量配置；
与客户端协议交互，根据配置下发相应流量于客户端下载；
与客户端协议交互，响应相应token，提供客户端试探接口；
测速客户端：
与全国接口服务器交互，获取测速列表；
与全国接口服务器交互，获取已使用的带宽与试探时延超时策略；
根据测速列表与测速服务进行协议试探，收集试探时延收集；
根据试探时延超时策略，迭代执行测速策略，收集测速结果；
与全国接口服务器交互，上传测速结果；
全国接口服务：
与客户端交互，下发测速列表；
与客户端交互，下发业务占用带宽与试探时延超时策略；
与客户端交互，收集客户端测速结果。
6.根据权利要求5所述的基于深度学习的渐进式时延带宽测速分析系统，其特征在于：测速服务器为两台以上，测速策略调度服务器分别通过两台以上的测速服务器连接测速客户端。
7.根据权利要求5所述的基于深度学习的渐进式时延带宽测速分析系统，其特征在于：测速客户端根据测速列表与测速服务在测速前中后进行协议试探生成token以收集试探时延收集。
8.根据权利要求5所述的基于深度学习的渐进式时延带宽测速分析系统，其特征在于：迭代执行测速策略采用空闲带宽内客户端限速下载。
CN202010205254.2A 2020-03-23 2020-03-23 基于深度学习的渐进式时延带宽测速分析方法及其系统 Active CN111447108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010205254.2A CN111447108B (zh) 2020-03-23 2020-03-23 基于深度学习的渐进式时延带宽测速分析方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010205254.2A CN111447108B (zh) 2020-03-23 2020-03-23 基于深度学习的渐进式时延带宽测速分析方法及其系统

Publications (2)

Publication Number Publication Date
CN111447108A true CN111447108A (zh) 2020-07-24
CN111447108B CN111447108B (zh) 2022-12-06

Family

ID=71629648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010205254.2A Active CN111447108B (zh) 2020-03-23 2020-03-23 基于深度学习的渐进式时延带宽测速分析方法及其系统

Country Status (1)

Country Link
CN (1) CN111447108B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330668A (zh) * 2021-12-31 2022-04-12 成都商汤科技有限公司 模型处理方法、装置、电子设备和计算机存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101631030A (zh) * 2009-08-05 2010-01-20 华南理工大学 自适应的数字家庭网络流媒体传输带宽预测方法
CN103051498A (zh) * 2012-12-29 2013-04-17 电信科学技术第一研究所 网速测试方法及系统
CN103684889A (zh) * 2012-08-29 2014-03-26 云联（北京）信息技术有限公司 一种基于云计算的应用于用户终端的测速方法
CN104486163A (zh) * 2014-12-25 2015-04-01 中国科学院声学研究所 一种单端可用带宽测量方法和采用该方法的终端
US20170373984A1 (en) * 2016-06-24 2017-12-28 Verizon Patent And Licensing Inc. Server intelligence for network speed testing control
CN110266551A (zh) * 2019-07-29 2019-09-20 腾讯科技（深圳）有限公司 一种带宽预测方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101631030A (zh) * 2009-08-05 2010-01-20 华南理工大学 自适应的数字家庭网络流媒体传输带宽预测方法
CN103684889A (zh) * 2012-08-29 2014-03-26 云联（北京）信息技术有限公司 一种基于云计算的应用于用户终端的测速方法
CN103051498A (zh) * 2012-12-29 2013-04-17 电信科学技术第一研究所 网速测试方法及系统
CN104486163A (zh) * 2014-12-25 2015-04-01 中国科学院声学研究所 一种单端可用带宽测量方法和采用该方法的终端
US20170373984A1 (en) * 2016-06-24 2017-12-28 Verizon Patent And Licensing Inc. Server intelligence for network speed testing control
CN110266551A (zh) * 2019-07-29 2019-09-20 腾讯科技（深圳）有限公司 一种带宽预测方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
竹瑞博等: "基于深度学习的电力业务通信带宽需求预测方法", 《电力信息与通信技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330668A (zh) * 2021-12-31 2022-04-12 成都商汤科技有限公司 模型处理方法、装置、电子设备和计算机存储介质

Also Published As

Publication number Publication date
CN111447108B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN109620244B (zh) 基于条件生成对抗网络和svm的婴儿异常行为检测方法
CN107070683A (zh) 数据预测的方法和装置
CN110083518B (zh) 一种基于AdaBoost-Elman的虚拟机软件老化预测方法
CN112216085A (zh) 一种基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测系统
CN115378948B (zh) 一种基于深度学习的服务器负载预测方法
CN110413657B (zh) 面向季节型非平稳并发量的平均响应时间评估方法
CN111447108B (zh) 基于深度学习的渐进式时延带宽测速分析方法及其系统
CN114819054A (zh) 一种基于物理信息神经网络的电力电子系统状态监测方法
CN111679903A (zh) 一种面向深度学习的边云协同装置
CN111984544B (zh) 设备性能测试方法、装置、电子设备及存储介质
CN110962828B (zh) 预测电动汽车制动压力的方法和设备
TW202336451A (zh) 使用去雜訊資料的機器學習模型訓練及帶有雜訊校正的模型預測
CN114046903A (zh) 一种高压电缆缆芯的实时温度预测方法及系统
CN113837122B (zh) 基于Wi-Fi信道状态信息的无接触式人体行为识别方法及系统
CN112380126B (zh) Web系统健康预测装置及方法
CN109951358A (zh) 数据网流量预测方法
CN110750848A (zh) 一种考虑软件运行的软－硬件退化系统剩余寿命估计的方法
WO2021134810A1 (zh) 支撑点并行枚举负载均衡方法、装置、设备及介质
CN108173686A (zh) 一种基于arima和小波变换的云数据中心请求流预测方法
CN113992542B (zh) 一种基于新增流数目特征的在线网络流量预测方法及系统
CN114624791A (zh) 雨量测量方法、装置、计算机设备及存储介质
CN113654637A (zh) 一种电机轴齿轮噪声评价方法、装置、设备及存储介质
CN116505972B (zh) 一种线缆信号传输的智能检测方法及系统
CN113569938A (zh) 基于时空域特征的业务大数据采集方法及服务器
CN113128409B (zh) 一种基于多维关联规则模型的整车多源信号柔性测试方法

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