CN111600779B - 一种兼容多种交换机的测试平台 - Google Patents

一种兼容多种交换机的测试平台 Download PDF

Info

Publication number
CN111600779B
CN111600779B CN202010590660.5A CN202010590660A CN111600779B CN 111600779 B CN111600779 B CN 111600779B CN 202010590660 A CN202010590660 A CN 202010590660A CN 111600779 B CN111600779 B CN 111600779B
Authority
CN
China
Prior art keywords
data
communication channel
channel interface
switch
information
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
Application number
CN202010590660.5A
Other languages
English (en)
Other versions
CN111600779A (zh
Inventor
王卓明
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.)
Xiamen Changjiang Electronic Technology Co ltd
Original Assignee
Xiamen Changjiang Electronic 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 Xiamen Changjiang Electronic Technology Co ltd filed Critical Xiamen Changjiang Electronic Technology Co ltd
Priority to CN202010590660.5A priority Critical patent/CN111600779B/zh
Publication of CN111600779A publication Critical patent/CN111600779A/zh
Application granted granted Critical
Publication of CN111600779B publication Critical patent/CN111600779B/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
    • H04L43/50—Testing arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
    • G06F13/38—Information transfer, e.g. on bus
    • G06F13/382—Information transfer, e.g. on bus using universal interface adapter
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2213/00—Indexing scheme relating to interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
    • G06F2213/38—Universal adapter
    • G06F2213/3852—Converter between protocols

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Maintenance And Management Of Digital Transmission (AREA)

Abstract

一种兼容多种交换机的测试平台，涉及交换机测试技术领域，本发明采用兼容式数据通信接口，取代了传统技术中一台交换机使用一个数据通信接口的问题，本发明的兼容式数据通信接口还具有数据通信协议转换的功能，实现不同通信协议之间的互转和兼容多种交换机测试的目的。本发明通过大数据处理算法实现了不同交换机、不同测试项目的数据处理，能够根据交换机测试数据的种类，实现不同数据的类型的测量。本发明采用云端计算方法，检测出的多种交换机数据直接传递到云端，取代了传统技术中采用硬件计算机处理的方式，提高了数据安全性能。通过应用云端管理方法，能够实现多种数据的不同管理功能，实现交换机数据的采集、处理、传递和数据共享等。

Description

一种兼容多种交换机的测试平台
技术领域
本发明涉及交换机测试技术领域，且更具体地涉及一种兼容多种交换机的测试平台。
背景技术
局域网中的交换机作为核心的网络设备，其质量和性能已经越来越受关注。在对交换机进行测试时，测试项目包括多种类型，比如基本功能测试、二层交换机功能测试、访问控制和Qos功能测试等，常见的类型有管理功能测试、接口测试、接口自协商测试、错误帧处理测试、超长帧处理测试、广播帧处理测试、端口镜像功能测试、标准生成树协议测试、vlan测试、汇聚测试、端口隔离测试、优先级队列测试、转发性能测试、可靠性和安全、运行维护和网络管理测试、SNMP管理测试等。因此，在对每种功能进行测试时，就会产生大量的测试数据信息，这些数据信息，处理起来就比较麻烦。
常规技术中，通常一种交换机采用一种通信方式，由于计算机的型号存在多种，在对多种不同型号的交换机进行测试时，存在的多种通信方式会有多种不同的数据测试工装，这就造成了大量的面积浪费和资源浪费，因此，就需要一种兼容多种不同通信接口的测试平台。
在多台交换机进行测试时，产生的很多数据都通过计算机硬件管理系统进行数据管理，计算机硬件管理系统是占据一定空间体积的实体结构，在应用过程中，也需要占据一定的空间位置，如果硬件系统出现了故障，则测试数据很难恢复，也很难再次应用，这就给交换机的测试带来很大的不便。
发明内容
针对现有技术的不足，本发明公开一种兼容多种交换机的测试平台，该平台通过兼容式通信接口和通信接口转换单元，实现了不同类型的交换机的测试，并通过大数据处理算法实现了不同交换机、不同测试项目的数据处理。本发明还采用云端计算方法，检测出数据直接传递到云端，取代了传统技术中采用硬件计算机处理的方式，提高了数据安全性能。
本发明采用以下技术方案：
一种兼容多种交换机的测试平台，其中所述平台包括：
设备层，其内设置有不同型号的交换机和交换机检测设备，所述交换机检测设备检测的数据集类型至少包括交换机的物体特性测试数据、功能测试数据、性能测试数据、管理测试数据或者可靠性测试数据，其中所述功能测试数据至少包括吞吐量测试数据、传输时延测试数据、丢包率测试数据或者背靠背测试数据；其中所述交换机检测设备设置有两种以上的兼容式通信接口，所述通信接口至少为RS232通信通道接口、RS485通信通道接口、载波通信信道接口、TCP/IP通信信道接口、RS422通信信道接口、以太网通信信道接口、CAN通信信道接口、USB通信信道接口、WIFI通信信道接口、ZigBee通信信道接口、蓝牙通信信道接口或光纤通信信道接口；
存储层，其内设置有云端处理器，所述云端处理器的硬件配置为Intel Xeon E3-1220v53.0 GHz，内核为四核，内存为8GDDR4，硬盘为1*Intel企业级SSD，1*SATA1T，网卡为2*千兆网口；工作机节点的硬件CPU型号为Intel Xeon E53.0GHZ，所述工作机节点的内存为8GB，硬盘容量为1TB，所述计算机处理器的型号为Intel(R)Core(TM)i7-3770 CPU@3.40GHz，内存为160GB；其中所述云端处理器内还设置有RS232通信通道接口、RS485通信通道接口、载波通信信道接口、TCP/IP通信信道接口、RS422通信信道接口、以太网通信信道接口、CAN通信信道接口、USB通信信道接口、WIFI通信信道接口、ZigBee通信信道接口、蓝牙通信信道接口或光纤通信信道接口；所述云端处理器还包括存储单元，主要用于存储交换机测试过程中的各种的测量数据信息，其中所述存储单元包括个人云存储单元、私有云存储单元、公有云存储单元和混合云存储单元；
计算层，其内设置有计算单元，所述计算单元与所述云端处理器连接，所述计算单元内至少设置有两个数据挖掘计算模块，用以实现不同类型交换机数据的计算，其中所述数据挖掘计算模块为聚类算法模块、蚁群算法模块、关联算法模块、决策树算法模块、BP神经网络算法模块、KNN算法模块、支持向量机算法模块、VSM法模型或k-近邻素算法模块；
应用层，其内至少设置有主站、客户端或者计算机管理系统，用于对交换机的测试数据进行计算、存储或者远程、在线和实时监控，进而实现交换机测试状态的智能监控；其中：
所述设备层的输出端与所述存储层的输入端连接，所述存储层的输出端与所述计算层的输入端连接，所述计算层的输出端与所述应用层的输入端连接。
本发明还采用以下技术方案：
一种兼容多种交换机的测试平台实现测试的方法，包括以下步骤：
(S1)产生数据；通过设备层内的各种交换机检测设备测试交换机，利用兼容式通信接口实现不同型号交换机的各种参数的测试，并对产生的交换机数据进行清洗和抽样，输出纯净的数据信息，实现交换机数据信息的存储；
(S2)数据存储；通过云端处理器内的存储单元实现交换机的物体特性测试数据、功能测试数据、性能测试数据、管理测试数据或者可靠性测试数据的存储，并实现多种测试数据的共享；
(S3)数据计算；通过计算单元对接收到的交换机数据信息进行计算、处理和分类，然后再利用数据挖掘计算模块对存储的交换机数据信息进行分类、计算，最终输出计算后的交换机数据信息；
(S4)数据应用；接收计算层输出的数据信息，并对接收后的数据信息进行存储、使用或传递，以使上层中心管理能够实现数据查询、监控、追溯或管理。
进一步地，所述兼容式通信接口通过应用组合算法模型实现不同信息的通信。
进一步地，所述组合算法模型的构建方法为：
(1)信息参数数据采集；分别获取RS232通信通道接口、RS485通信通道接口、载波通信信道接口、TCP/IP通信信道接口、RS422通信信道接口、以太网通信信道接口、CAN通信信道接口、USB通信信道接口、WIFI通信信道接口、ZigBee通信信道接口、蓝牙通信信道接口或光纤通信信道接口的通信参数数据，由于通信通道接口不同，则收到的信息参数数据信息也不同；
(2)汇总读取的参数信息；以便于分析和处理；分别通过决策树算法模型、回归算法模型和BP神经网络算法模型计算通信通道的参数数据信息，其中所述决策树算法模型对各种不同数据信息进行分类；回归算法模型能够在获取的信息参数数据中，通过构建自变量与因变量之间的相关关系，构建信息参数数据影响变量之间的回归方程，把回归方程作为算法模型，进而揭示出影响信息参数数据的因变量之间的关系；所述BP神经网络算法模型按照误差逆传播算法训练的多层前馈网络，学习并存贮大量的输入和输出模式映射关系；
(3)信息调制，利用信息均衡器实现多信息传输时的信息均衡，利用通信调制器实现多通道联合通信调制；
(4)参数信息分析；将决策树算法模型、回归算法模型和BP神经网络算法模型输出数据汇总起来，构成组合计算算法模型，然后进行决策分析，输出交换机测量数据信息通道参数数据，将所述交换机测量数据信息通道参数数据与不同通信通道接口的通信协议进行匹配，进而选择出合适的数据通道。
进一步地，所述组合算法模型的评价指标为拉格朗日函数。
进一步地，所述数据挖掘计算模块中的BP神经网络算法模块由输入层、蕴含层和输出层三层组成。
进一步地，所述BP神经网络算法模块通过调节权值、阈值来逐渐逼近所需要的结果，最终使得输出的误差最小化，在调整BP神经网络模型时，其中调整输出层权系数的公式为：
Figure BDA0002555385650000051
其中，
Figure BDA0002555385650000052
表示期望输出，
Figure BDA0002555385650000053
为实际输出，η表示学习率，k表示样本个数；p表示样本；0＜η＜1；
调整隐含层权系数的公式为：
Figure BDA0002555385650000054
对于每一种交换机测量故障数据样本中的输入模式对的二次型准确函数模型为：
Figure BDA0002555385650000055
对于N个交换机测量故障信息样本的总准确函数表达式：
Figure BDA0002555385650000056
进一步地，所述BP神经网络算法模块的标准化公式为：
其中交换机测试数据的故障信息的种类为m个，样本为N,对于输入数据xij的标准化按照下列公式的步骤进行：
Figure BDA0002555385650000057
Figure BDA0002555385650000058
Figure BDA0002555385650000059
其中i＝1,2，…,N；j＝1,2…,m,用Zij表示标准化处理后的数据；则标准化数据公式为：
y′i＝q(yi-ymin+b)/(ymax-ymin+b)； (8)
其中yi为输出交换机测量故障数据样本；
y′i为标准化后的交换机测量故障数据样本信息；
ymax、ymin为输出交换机测量故障信息数据样本中的极大值和极小值。
进一步地，在所述BP神经网络算法模型中，其中1.3<q<1.9；1.5<b<1.9，然后将隐层结点数确定在7-12之间，输入层到隐层的数值介于0.45-0.78之间，隐层到输出层之间的数值可以为0.25-0.53之间。
进一步地，所述数据挖掘计算模块中的所述关联算法模型构建方法包括以下步骤：
假设待划分属性的交换机故障测试大数据集为d，假设将交换机故障测试大数据类型的属性类别划分为集合C，其中C＝{c1,c2,...,cm}，其中第i分类属性满足这样的条件:1≤i≤m，对于待分类的交换机测量数据类型集合d，其故障数据输出的最大类别为P(ci/d)，则有：
Figure BDA0002555385650000061
其中C、D表示为随机变量，则交换机测量数据类型d的贝叶斯分类公式为：
Figure BDA0002555385650000062
积极有益效果：
1、本发明采用兼容式数据通信接口，取代了传统技术中一台交换机使用一个数据通信接口的问题，本发明的兼容式数据通信接口还具有数据通信协议转换的功能，能够实现不同通信协议之间的互转，实现了兼容多种交换机测试的目的；
2、本发明通过聚类算法模块、蚁群算法模块、关联算法模块、决策树算法模块、BP神经网络算法模块、KNN算法模块、支持向量机算法模块、VSM法模型或k-近邻素算法模块等大数据处理算法实现了不同交换机、不同测试项目的数据处理，能够根据交换机测试数据的种类，实现不同数据的类型的测量；
3、本发明采用云端计算方法，检测出的多种交换机数据直接传递到云端，取代了传统技术中采用硬件计算机处理的方式，提高了数据安全性能
4、本发明通过应用云端管理方法，能够实现多种数据的不同管理功能，交换机的测试项目有物体特性测试、功能测试、性能测试、管理测试、可靠性测试等，更具体地为：吞吐量测试、传输时延测试、丢包率测试、背靠背测试等，通过云端管理平台实现交换机数据的采集、处理、传递和数据共享等。
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，下面描述中的附图仅仅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为本发明一种兼容多种交换机的测试平台的架构示意图；
图2为本发明一种兼容多种交换机的测试平台进行测试的流程示意图；
图3为本发明一种兼容多种交换机的测试平台计算过程中组合算法模型的构建方法示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例(1)系统
如图所示，一种兼容多种交换机的测试平台，其中所述平台包括：
设备层，其内设置有不同型号的交换机和交换机检测设备，所述交换机检测设备检测的数据集类型至少包括交换机的物体特性测试数据、功能测试数据、性能测试数据、管理测试数据或者可靠性测试数据，其中所述功能测试数据至少包括吞吐量测试数据、传输时延测试数据、丢包率测试数据或者背靠背测试数据；其中所述交换机检测设备设置有两种以上的兼容式通信接口，所述通信接口至少为RS232通信通道接口、RS485通信通道接口、载波通信信道接口、TCP/IP通信信道接口、RS422通信信道接口、以太网通信信道接口、CAN通信信道接口、USB通信信道接口、WIFI通信信道接口、ZigBee通信信道接口、蓝牙通信信道接口或光纤通信信道接口；
存储层，其内设置有云端处理器，所述云端处理器的硬件配置为Intel Xeon E3-1220v53.0 GHz，内核为四核，内存为8GDDR4，硬盘为1*Intel企业级SSD，1*SATA 1T，网卡为2*千兆网口；工作机节点的硬件CPU型号为Intel Xeon E53.0GHZ，所述工作机节点的内存为8GB，硬盘容量为1TB，所述计算机处理器的型号为Intel(R)Core(TM)i7-3770 CPU@3.40GHz，内存为160GB；其中所述云端处理器内还设置有RS232通信通道接口、RS485通信通道接口、载波通信信道接口、TCP/IP通信信道接口、RS422通信信道接口、以太网通信信道接口、CAN通信信道接口、USB通信信道接口、WIFI通信信道接口、ZigBee通信信道接口、蓝牙通信信道接口或光纤通信信道接口；所述云端处理器还包括存储单元，主要用于存储交换机测试过程中的各种的测量数据信息，其中所述存储单元包括个人云存储单元、私有云存储单元、公有云存储单元和混合云存储单元；
计算层，其内设置有计算单元，所述计算单元与所述云端处理器连接，所述计算单元内至少设置有两个数据挖掘计算模块，用以实现不同类型交换机数据的计算，其中所述数据挖掘计算模块为聚类算法模块、蚁群算法模块、关联算法模块、决策树算法模块、BP神经网络算法模块、KNN算法模块、支持向量机算法模块、VSM法模型或k-近邻素算法模块；
应用层，其内至少设置有主站、客户端或者计算机管理系统，用于对交换机的测试数据进行计算、存储或者远程、在线和实时监控，进而实现交换机测试状态的智能监控；其中：
所述设备层的输出端与所述存储层的输入端连接，所述存储层的输出端与所述计算层的输入端连接，所述计算层的输出端与所述应用层的输入端连接。
实施例(2)方法
一种兼容多种交换机的测试平台实现测试的方法，包括以下步骤：
(S1)产生数据；通过设备层内的各种交换机检测设备测试交换机，利用兼容式通信接口实现不同型号交换机的各种参数的测试，并对产生的交换机数据进行清洗和抽样，输出纯净的数据信息，实现交换机数据信息的存储；
(S2)数据存储；通过云端处理器内的存储单元实现交换机的物体特性测试数据、功能测试数据、性能测试数据、管理测试数据或者可靠性测试数据的存储，并实现多种测试数据的共享；
(S3)数据计算；通过计算单元对接收到的交换机数据信息进行计算、处理和分类，然后再利用数据挖掘计算模块对存储的交换机数据信息进行分类、计算，最终输出计算后的交换机数据信息；
(S4)数据应用；接收计算层输出的数据信息，并对接收后的数据信息进行存储、使用或传递，以使上层中心管理能够实现数据查询、监控、追溯或管理。
在本发明中，所述兼容式通信接口通过应用组合算法模型实现不同信息的通信。其中所述组合算法模型的构建方法为：
(1)信息参数数据采集；分别获取RS232通信通道接口、RS485通信通道接口、载波通信信道接口、TCP/IP通信信道接口、RS422通信信道接口、以太网通信信道接口、CAN通信信道接口、USB通信信道接口、WIFI通信信道接口、ZigBee通信信道接口、蓝牙通信信道接口或光纤通信信道接口的通信参数数据，由于通信通道接口不同，则收到的信息参数数据信息也不同；
(2)汇总读取的参数信息；以便于分析和处理；分别通过决策树算法模型、回归算法模型和BP神经网络算法模型计算通信通道的参数数据信息，其中所述决策树算法模型对各种不同数据信息进行分类；回归算法模型能够在获取的信息参数数据中，通过构建自变量与因变量之间的相关关系，构建信息参数数据影响变量之间的回归方程，把回归方程作为算法模型，进而揭示出影响信息参数数据的因变量之间的关系；所述BP神经网络算法模型按照误差逆传播算法训练的多层前馈网络，学习并存贮大量的输入和输出模式映射关系；
(3)信息调制，利用信息均衡器实现多信息传输时的信息均衡，利用通信调制器实现多通道联合通信调制；
(4)参数信息分析；将决策树算法模型、回归算法模型和BP神经网络算法模型输出数据汇总起来，构成组合计算算法模型，然后进行决策分析，输出交换机测量数据信息通道参数数据，将所述交换机测量数据信息通道参数数据与不同通信通道接口的通信协议进行匹配，进而选择出合适的数据通道。
在上述实施例中，所述组合算法模型的评价指标为拉格朗日函数，其中拉格朗日函数为：
Figure BDA0002555385650000101
Figure DA00025553856550017020
在式(1)中，N为RS232通信通道接口、RS485通信通道接口、载波通信信道接口、TCP/IP通信信道接口、RS422通信信道接口、以太网通信信道接口、CAN通信信道接口、USB通信信道接口、WIFI通信信道接口、ZigBee通信信道接口、蓝牙通信信道接口或光纤通信信道接口的通信参数信息数据；β1、β2、β3分别为组合模型中决策树算法模型、回归算法模型和BP神经网络算法模型的权值系数，h1i、h2i、h3i分别为组合模型中决策树算法模型、回归算法模型和BP神经网络算法模型对第i个不同的样本进行计算输出的结果值，λ为拉格朗日算子；
如果使拉格朗日函数输出最佳值，则求出拉格朗日函数的最小值，则有：
Figure BDA0002555385650000112
然后输出函数的极小值，则有：
Figure BDA0002555385650000113
则最后的计算模型输出为：
Figure BDA0002555385650000114
其中i＝1,2,...,n。
当多种不同型号的交换机在同时进行测试时，兼容式通信接口为了信息的传递方便，还采用信息均衡器实现数据信息的平衡，实现多信息传输时进行信息均衡的方法是通过多通道联合通信信道的传递函数实现，所述传递函数为：
Figure BDA0002555385650000115
Figure DA00025553856549997741
其中H为信号多径重组的特征传递函数，M为信道多径扩展的尺度，K(m)为第m个通信接口信道的时延，αmk为第n个通信信道中第k条路径的码间干扰强度，Tm表示波尔兹曼常数，τmk为功率增益；
其中通信信道的输出谱密度函数为：
Figure BDA0002555385650000122
其中bj为分数间隔采样系数，介于0.4-4.3之间,在一种优选的实施例中，取值3，p是常数，介于3-7.5之间，在一种优选的实施例中，取值4.5；i为不同的通信接口，j为i个信道接口中任意数量的信道接口，Ts、Tf和Tc分别表示不同信道接口的介质参数，cj为传播速度；信道均衡后的输出函数为:
Figure BDA0002555385650000123
其中p(t)表示在时间t的时域下的幅值，p(-t)为在相反时间t的时域下的幅值，hj(t)分别为组合模型中决策树算法模型、回归算法模型或BP神经网络算法模型对第i个不同的样本进行计算输出的结果值，ni(t)表示每个通道信息参数在任意时间t下的接口通信信息序列值。
在本发明中，所述数据挖掘计算模块中的BP神经网络算法模块由输入层、蕴含层和输出层三层组成。其中所述BP神经网络算法模块通过调节权值、阈值来逐渐逼近所需要的结果，最终使得输出的误差最小化，在调整BP神经网络模型时，其中调整输出层权系数的公式为：
Figure BDA0002555385650000131
其中，
Figure BDA0002555385650000132
表示期望输出，
Figure BDA0002555385650000133
为实际输出，η表示学习率，k表示样本个数；p表示样本；0＜η＜1；
调整隐含层权系数的公式为：
Figure BDA0002555385650000134
对于每一种交换机测量故障数据样本中的输入模式对的二次型准确函数模型为：
Figure BDA0002555385650000135
对于N个交换机测量故障信息样本的总准确函数表达式：
Figure BDA0002555385650000136
进一步地，所述BP神经网络算法模块的标准化公式为：
其中交换机测试数据的故障信息的种类为m个，样本为N,对于输入数据xij的标准化按照下列公式的步骤进行：
Figure BDA0002555385650000137
Figure BDA0002555385650000138
Figure BDA0002555385650000139
其中i＝1,2，…,N；j＝1,2…,m,用Zij表示标准化处理后的数据；则标准化数据公式为：
y′i＝q(yi-ymin+b)/(ymax-ymin+b)； (14)
其中yi为输出交换机测量故障数据样本；
y′i为标准化后的交换机测量故障数据样本信息；
ymax、ymin为输出交换机测量故障信息数据样本中的极大值和极小值。
在本发明中，在所述BP神经网络算法模型中，其中1.3<q<1.9；1.5<b<1.9，然后将隐层结点数确定在7-12之间，输入层到隐层的数值介于0.45-0.78之间，隐层到输出层之间的数值可以为0.25-0.53之间。
通过BP神经网络模型，能够进一步快速诊断交换机故障测试数据类型，精度更高。通过调整BP神经网络中的权值、阈值来逐步逼近所需要的结果，最终使输出误差精度最小，在利用BP网络算法模型进行映射、处理交换机检测数据信息样本中，将输出的数据进行复杂的非线性关系映射。更具体地说，引起交换机故障检测信息的因素包含有设备因素、人为因素、现场环境因素、操作因素、数据传递因素等。利用BP网络算法模型时，能够通过检测输出测试数据与这些因素形成非线性的数据关系，大大提高了故障学习效率，提高了诊断速度，数据准确率较高。
在本发明中，所述数据挖掘计算模块中的所述关联算法模型构建方法包括以下步骤：
假设待划分属性的交换机故障测试大数据集为d，假设将交换机故障测试大数据类型的属性类别划分为集合C，其中C＝{c1,c2,...,cm}，其中第i分类属性满足这样的条件:1≤i≤m，对于待分类的交换机测量数据类型集合d，其故障数据输出的最大类别为P(ci/d)，则有：
Figure BDA0002555385650000141
其中C、D表示为随机变量，则交换机测量数据类型d的贝叶斯分类公式为：
Figure BDA0002555385650000151
通过上述实施例，本发明采用兼容式数据通信接口，取代了传统技术中一台交换机使用一个数据通信接口的问题，本发明的兼容式数据通信接口还具有数据通信协议转换的功能，能够实现不同通信协议之间的互转，实现了兼容多种交换机测试的目的。
本发明通过聚类算法模块、蚁群算法模块、关联算法模块、决策树算法模块、BP神经网络算法模块、KNN算法模块、支持向量机算法模块、VSM法模型或k-近邻素算法模块等大数据处理算法实现了不同交换机、不同测试项目的数据处理，能够根据交换机测试数据的种类，实现不同数据的类型的测量。
本发明采用云端计算方法，检测出的多种交换机数据直接传递到云端，取代了传统技术中采用硬件计算机处理的方式，提高了数据安全性能。
本发明通过应用云端管理方法，能够实现多种数据的不同管理功能，交换机的测试项目有物体特性测试、功能测试、性能测试、管理测试、可靠性测试等，更具体地为：吞吐量测试、传输时延测试、丢包率测试、背靠背测试等，通过云端管理平台实现交换机数据的采集、处理、传递和数据共享等。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (1)

1.一种兼容多种交换机的测试平台实现测试的方法，所述兼容多种交换机的测试平台包括：
设备层，其内设置有不同型号的交换机和交换机检测设备，所述交换机检测设备检测的数据集类型至少包括交换机的物体特性测试数据、功能测试数据、性能测试数据、管理测试数据或者可靠性测试数据，其中所述功能测试数据至少包括吞吐量测试数据、传输时延测试数据、丢包率测试数据或者背靠背测试数据；其中所述交换机检测设备设置有两种以上的兼容式通信接口，所述通信接口至少为RS232通信通道接口、RS485通信通道接口、载波通信信道接口、TCP/IP通信信道接口、RS422通信信道接口、以太网通信信道接口、CAN通信信道接口、USB通信信道接口、WIFI通信信道接口、ZigBee通信信道接口、蓝牙通信信道接口或光纤通信信道接口；
存储层，其内设置有云端处理器，所述云端处理器的硬件配置为Intel Xeon E3-1220v53.0GHz，内核为四核，内存为8GDDR4，硬盘为1*Intel企业级SSD，1*SATA 1T，网卡为2*千兆网口；工作机节点的硬件CPU型号为Intel Xeon E53.0GHZ，所述工作机节点的内存为8GB，硬盘容量为1TB，计算机处理器的型号为Intel(R)Core(TM)i7-3770 CPU@3.40GHz，内存为160GB；其中所述云端处理器内还设置有RS232通信通道接口、RS485通信通道接口、载波通信信道接口、TCP/IP通信信道接口、RS422通信信道接口、以太网通信信道接口、CAN通信信道接口、USB通信信道接口、WIFI通信信道接口、ZigBee通信信道接口、蓝牙通信信道接口或光纤通信信道接口；所述云端处理器还包括存储单元，用于存储交换机测试过程中的各种的测量数据信息，其中所述存储单元包括个人云存储单元、私有云存储单元、公有云存储单元和混合云存储单元；
计算层，其内设置有计算单元，所述计算单元与所述云端处理器连接，所述计算单元内至少设置有两个数据挖掘计算模块，用以实现不同类型交换机数据的计算，其中所述数据挖掘计算模块为聚类算法模块、蚁群算法模块、关联算法模块、决策树算法模块、BP神经网络算法模块、KNN算法模块、支持向量机算法模块、VSM法模型或k-近邻素算法模块；
应用层，其内至少设置有主站、客户端或者计算机管理系统，用于对交换机的测试数据进行计算、存储或者远程、在线和实时监控，进而实现交换机测试状态的智能监控；其中：
所述设备层的输出端与所述存储层的输入端连接，所述存储层的输出端与所述计算层的输入端连接，所述计算层的输出端与所述应用层的输入端连接；
所述方法包括以下步骤：
(S1)产生数据；通过设备层内的各种交换机检测设备测试交换机，利用兼容式通信接口实现不同型号交换机的各种参数的测试，并对产生的交换机数据进行清洗和抽样，输出纯净的数据信息，实现交换机数据信息的存储；
(S2)数据存储；通过云端处理器内的存储单元实现交换机的物体特性测试数据、功能测试数据、性能测试数据、管理测试数据或者可靠性测试数据的存储，并实现多种测试数据的共享；
(S3)数据计算；通过计算单元对接收到的交换机数据信息进行计算、处理和分类，然后再利用数据挖掘计算模块对存储的交换机数据信息进行分类、计算，最终输出计算后的交换机数据信息；
(S4)数据应用；接收计算层输出的数据信息，并对接收后的数据信息进行存储、使用或传递，以使上层中心管理能够实现数据查询、监控、追溯或管理；
所述兼容式通信接口通过应用组合算法模型实现不同信息的通信；
所述组合算法模型的构建方法为：
(1)信息参数数据采集；分别获取RS232通信通道接口、RS485通信通道接口、载波通信信道接口、TCP/IP通信信道接口、RS422通信信道接口、以太网通信信道接口、CAN通信信道接口、USB通信信道接口、WIFI通信信道接口、ZigBee通信信道接口、蓝牙通信信道接口或光纤通信信道接口的通信参数数据，由于通信通道接口不同，则收到的信息参数数据信息也不同；
(2)汇总读取的参数信息；以便于分析和处理；分别通过决策树算法模型、回归算法模型和BP神经网络算法模型计算通信通道的参数数据信息，其中所述决策树算法模型对各种不同数据信息进行分类；回归算法模型能够在获取的信息参数数据中，通过构建自变量与因变量之间的相关关系，构建信息参数数据影响变量之间的回归方程，把回归方程作为算法模型，进而揭示出影响信息参数数据的因变量之间的关系；所述BP神经网络算法模型按照误差逆传播算法训练的多层前馈网络，学习并存贮输入和输出模式映射关系；
(3)信息调制，利用信息均衡器实现多信息传输时的信息均衡，利用通信调制器实现多通道联合通信调制；
(4)参数信息分析；将决策树算法模型、回归算法模型和BP神经网络算法模型输出数据汇总起来，构成组合计算算法模型，然后进行决策分析，输出交换机测量数据信息通道参数数据，将所述交换机测量数据信息通道参数数据与不同通信通道接口的通信协议进行匹配，进而选择出合适的数据通道；
所述组合算法模型的评价指标为拉格朗日函数；
所述数据挖掘计算模块中的BP神经网络算法模块由输入层、隐含层和输出层三层组成；
所述BP神经网络算法模块通过调节权值、阈值来逐渐逼近所需要的结果，最终使得输出的误差最小化，在调整BP神经网络模型时，其中调整输出层权系数的公式为：
Figure FDA0003407135030000031
其中，
Figure FDA0003407135030000032
表示期望输出，
Figure FDA0003407135030000033
为实际输出，η表示学习率，k表示样本个数；p表示样本；0＜η＜1；
调整隐含层权系数的公式为：
Figure FDA0003407135030000034
对于每一种交换机测量故障数据样本中的输入模式对的二次型准确函数模型为：
Figure FDA0003407135030000035
对于N个交换机测量故障信息样本的总准确函数表达式：
Figure FDA0003407135030000036
所述BP神经网络算法模块的标准化公式为：
其中交换机测试数据的故障信息的种类为m个，样本为N,对于输入数据xij的标准化按照下列公式的步骤进行：
Figure FDA0003407135030000037
Figure FDA0003407135030000038
Figure FDA0003407135030000041
其中i＝1,2，…,N；j＝1,2…,m,用Zij表示标准化处理后的数据；则标准化数据公式为：
y′i＝q(yi-ymin+b)/(ymax-ymin+b)； (8)
其中yi为输出交换机测量故障数据样本；
y′i为标准化后的交换机测量故障数据样本信息；
ymax、ymin为输出交换机测量故障信息数据样本中的极大值和极小值；
在所述BP神经网络算法模型中，其中1.3<q<1.9；1.5<b<1.9，然后将隐含层结点数确定在7-12之间，输入层到隐含层的数值介于0.45-0.78之间，隐含层到输出层之间的数值为0.25-0.53之间；所述数据挖掘计算模块中的关联算法模型构建方法包括以下步骤：
假设待划分属性的交换机故障测试大数据集为d，假设将交换机故障测试大数据类型的属性类别划分为集合C，其中C＝{c1,c2,...,cm}，其中第i分类属性满足这样的条件:1≤i≤m，对于待分类的交换机测量数据类型集合d，其故障数据输出的最大类别为P(ci/d)，则有：
Figure FDA0003407135030000042
其中C、D表示为随机变量，则交换机测量数据类型d的贝叶斯分类公式为：
Figure FDA0003407135030000043
CN202010590660.5A 2020-06-24 2020-06-24 一种兼容多种交换机的测试平台 Active CN111600779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010590660.5A CN111600779B (zh) 2020-06-24 2020-06-24 一种兼容多种交换机的测试平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010590660.5A CN111600779B (zh) 2020-06-24 2020-06-24 一种兼容多种交换机的测试平台

Publications (2)

Publication Number Publication Date
CN111600779A CN111600779A (zh) 2020-08-28
CN111600779B true CN111600779B (zh) 2022-03-04

Family

ID=72192575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010590660.5A Active CN111600779B (zh) 2020-06-24 2020-06-24 一种兼容多种交换机的测试平台

Country Status (1)

Country Link
CN (1) CN111600779B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112737930A (zh) * 2020-12-18 2021-04-30 国网辽宁省电力有限公司 智能数据通信网关机延迟处理系统及延迟处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101800653A (zh) * 2010-03-23 2010-08-11 烽火通信科技股份有限公司 兼容以太网tx和fx接口的以太网盘pcb及制作方法
CN103777104A (zh) * 2014-02-24 2014-05-07 国家电网公司 数字化变电站二次信号传输系统延时特性测试装置及方法
CN107193271A (zh) * 2017-06-13 2017-09-22 青岛科技大学 用于工业信息物理系统的前置服务适配和故障诊断装置
CN111224840A (zh) * 2019-12-31 2020-06-02 江苏南高智能装备创新中心有限公司 具有故障诊断性能的网关系统及其方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5621782A (en) * 1995-06-02 1997-04-15 Harris Corporation Test interface adapter emulating on test trunk interface for non-standard central office switch
US7684483B2 (en) * 2002-08-29 2010-03-23 Raritan Americas, Inc. Method and apparatus for digitizing and compressing remote video signals
US8730814B2 (en) * 2005-05-25 2014-05-20 Alcatel Lucent Communication network connection failure protection methods and systems
CN101321087B (zh) * 2008-07-01 2010-12-15 杭州华三通信技术有限公司 备份网络切换方法、系统及装置
CN102281195B (zh) * 2011-08-03 2014-07-30 华为技术有限公司 交换机和交换机系统
CN107896172B (zh) * 2017-11-24 2020-06-09 泰康保险集团股份有限公司 监听故障处理方法及装置、存储介质和电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101800653A (zh) * 2010-03-23 2010-08-11 烽火通信科技股份有限公司 兼容以太网tx和fx接口的以太网盘pcb及制作方法
CN103777104A (zh) * 2014-02-24 2014-05-07 国家电网公司 数字化变电站二次信号传输系统延时特性测试装置及方法
CN107193271A (zh) * 2017-06-13 2017-09-22 青岛科技大学 用于工业信息物理系统的前置服务适配和故障诊断装置
CN111224840A (zh) * 2019-12-31 2020-06-02 江苏南高智能装备创新中心有限公司 具有故障诊断性能的网关系统及其方法

Also Published As

Publication number Publication date
CN111600779A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111756600B (zh) 一种实现多种交换机测试机的多通信系统及方法
CN109347668B (zh) 一种服务质量评估模型的训练方法及装置
CN114499979B (zh) 一种基于联邦学习的sdn网络异常流量协同检测方法
WO2022048050A1 (zh) 一种大数据信息采集系统及使用方法
CN111679241B (zh) 一种电能表检定流水线用多信息通道自动切换系统及方法
CN105141446A (zh) 一种基于客观权重确定的网络设备健康度评估方法
CN111600779B (zh) 一种兼容多种交换机的测试平台
CN117171686A (zh) 一种基于联邦学习的智能电网异常数据的检测方法及系统
CN114048546A (zh) 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法
CN108156018B (zh) 电力网络设备拓扑识别方法、电子设备和计算机存储介质
Ibraheem et al. Neural network based partial tomography for in-vehicle network monitoring
Sanagavarapu et al. Sdpredictnet-a topology based sdn neural routing framework with traffic prediction analysis
CN116720132A (zh) 电力业务识别系统、方法、设备、介质和产品
Guo et al. FullSight: A feasible intelligent and collaborative framework for service function chains failure detection
WO2024082643A1 (zh) 一种压力机边缘控制设备及控制方法
CN116436802B (zh) 基于机器学习的智能控制方法及系统
Mavromatis et al. LE3D: A Privacy-preserving Lightweight Data Drift Detection Framework
CN115473688B (zh) 面向软件定义网络的异常检测方法、装置及设备
CN115987643A (zh) 一种基于lstm和sdn的工控网络入侵检测方法
CN108540539A (zh) 一种空气污染智能监测系统
CN114611636A (zh) 一种融合多种传感器信息实现测量值分析的方法
CN114726800A (zh) 一种基于模型解释的规则式应用流量分类方法及系统
CN111597860B (zh) 一种用于cnc断刀预测的系统及方法
Sanagavarapu et al. Network Routing in SDNs Using Topology Based Multitask Neural Modelling
CN112801815A (zh) 一种基于联邦学习的电力通信网络故障预警方法

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