CN111884870B - 一种预测网络亚健康状态的方法、装置、终端及存储介质 - Google Patents
一种预测网络亚健康状态的方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN111884870B CN111884870B CN202010596004.6A CN202010596004A CN111884870B CN 111884870 B CN111884870 B CN 111884870B CN 202010596004 A CN202010596004 A CN 202010596004A CN 111884870 B CN111884870 B CN 111884870B
- Authority
- CN
- China
- Prior art keywords
- network
- network port
- port information
- test sample
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- 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
-
- 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
- H04L43/0823—Errors, e.g. transmission errors
-
- 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
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0829—Packet loss
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种预测网络亚健康状态的方法、装置、终端及存储介质,采集网口信息,形成测试样本;将测试样本输入训练好的神经网络模型得到预测结果;判断预测结果是否满足阈值,若不满足阈值,则预测网络会出现亚健康状态。本发明在网口未出现网络亚健康状态时预测出要出现问题,此时立马关闭或切换网口,使集群业务更加稳定可靠。
Description
技术领域
本发明涉及网络检测领域,具体涉及一种预测网络亚健康状态的方法、装置、终端及存储介质。
背景技术
能够让网络正常运行、在遭受外界冲击后可以迅速恢复的状态称为"健康"状态;陷入瘫痪、不能正常运行的状态叫做"非健康"状态。许多大中型企业的网络则都处于"亚健康"状态。这种状态的网络平时可以正常运行,但是抵御风险的能力极其低下,在受到突发性网络风险的情况下很容易陷入瘫痪,很长时间都难以恢复,严重影响集群的整体性能。
发明内容
为解决上述问题,本发明提供一种预测网络亚健康状态的方法、装置、终端及存储介质,根据相关网口信息预测网络是否会出现亚健康状态,以便及时处理。
本发明的技术方案是:一种预测网络亚健康状态的方法,包括以下步骤:
采集网口信息,形成测试样本;
将测试样本输入训练好的神经网络模型得到预测结果;
判断预测结果是否满足阈值,若不满足阈值,则预测网络会出现亚健康状态。
进一步地,采集网口信息,形成测试样本,具体为:
将各个待测网口所在节点进行排序;
每个节点通过其待测网口向后续N个节点发送M次检测报文;
每次发送检测报文获得一组待测网口向后续N个节点发送检测报文的N个网口信息;
从每组N个网口信息中选取最优的一个网口信息作为测试样本的一个数据,M次发送共先后获得M个网口信息,按先后顺序排列的M个网口信息组成一个测试样本。
进一步地,网口信息包括网口丢包率和时延。
进一步地,神经网络为LSTM神经网络。
本发明的技术方案还包括一种预测网络亚健康状态的装置,包括,
样本形成模块:采集网口信息,形成测试样本;
样本测试模块:将测试样本输入训练好的神经网络模型得到预测结果;
结果判断模块:判断预测结果是否满足阈值,若不满足阈值,则预测网络会出现亚健康状态。
进一步地,样本形成模块包括,
节点排序单元:将各个待测网口所在节点进行排序;
报文发送单元:每个节点通过其待测网口向后续N个节点发送M次检测报文;
网口信息获取单元:每次发送检测报文获得一组待测网口向后续N个节点发送检测报文的N个网口信息;
形成样本单元:从每组N个网口信息中选取最优的一个网口信息作为测试样本的一个数据,M次发送共先后获得M个网口信息,按先后顺序排列的M个网口信息组成一个测试样本。
进一步地,网口信息包括网口丢包率和时延。
进一步地,神经网络为LSTM神经网络。
本发明的技术方案还包括一种终端,包括:
处理器;
用于存储处理器的执行指令的存储器;
其中,所述处理器被配置为执行上述的方法。
本发明的技术方案还包括一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现如上述的方法。
本发明提供的一种预测网络亚健康状态的方法、装置、终端及存储介质,采集网口信息情况(具体可采集网口丢包率和时延情况),采用神经网络模型,基于一段时间内的输入分析预测未来的网口信息,若预测结果不满足阈值,则说明网络会出现亚健康状态,关闭网口或切换处理,以此来消除网络亚健康状态对集群的业务影响。本发明在网口未出现网络亚健康状态时预测出要出现问题,此时立马关闭或切换网口,使集群业务更加稳定可靠。
附图说明
图1是本发明具体实施例一方法流程示意图。
图2是本发明具体实施例二结构示意框图。
具体实施方式
下面结合附图并通过具体实施例对本发明进行详细阐述,以下实施例是对本发明的解释,而本发明并不局限于以下实施方式。
实施例一
本实施例提供一种预测网络亚健康状态的方法,实时采集当前时刻的网口信息(即网口丢包率和时延)的情况,采用LSTM神经网络模型,基于一段时间内的输入分析预测未来的网口信息,若预测的网口信息不满足阈值(如网口丢包率和时延大于一个设定的阈值)时,则进行网口的关闭或切换处理,以此来消除出现网络亚健康状态对集群的业务影响。
如图1所示,本实施例具体包括以下步骤:
S1,采集网口信息,形成测试样本;
S2,将测试样本输入训练好的神经网络模型得到预测结果;
S3,判断预测结果是否满足阈值,若不满足阈值,则预测网络会出现亚健康状态。
需要说明的是,本实施例采用的神经网络为LSTM神经网络(Long Short-TermMemory Recurrent Neural Network,长短期记忆循环神经网络),可预测未来数据。进行测试前,训练LSTM神经网络,训练结束后保存神经网络的各种参数,获得训练好的神经网络模型。
步骤S1所形成测试样本为按时间顺序连续获得的多个网口信息,按时间顺序依次将各个网口信息输入神经网络模型,获得网口信息预测结果。
具体的,通过以下步骤形成测试样本:
S2-1,将各个待测网口所在节点进行排序;
S2-2,每个节点通过其待测网口向后续N个节点发送M次检测报文;
S2-3,每次发送检测报文获得一组待测网口向后续N个节点发送检测报文的N个网口信息;
S2-4,从每组N个网口信息中选取最优的一个网口信息作为测试样本的一个数据,M次发送共先后获得M个网口信息,按先后顺序排列的M个网口信息组成一个测试样本。
例如每个节点对后续三个节点发送检测报文,每次发送获得三个网口信息,在这三个网口信息中选取最优的一个网口信息作为测试样本的一个数据。本实施例网口信息包括网口丢包率和时延,最优的网口信息为丢包率最小和时延最小的网口信息。需要说明的是,发送检测报文前,节点获取到自己的mac地址与其后面三个节点的mac地址,以发送检测报文。
具体可连续发送9次报文,从而获得按时间顺序排列的9个最优网口信息作为一个测试样本。将9个网口信息按时间顺序依次传入神经网络模型,预测下一次的网口信息。具体的,若预测丢包率和时延大于预设阈值,则预测网络会出现亚健康状态,及时关闭或切换网口。
实施例二
如图2所示,基于实施例一,本实施例提供一种预测网络亚健康状态的装置,包括以下功能模块。
样本形成模块101:采集网口信息,形成测试样本;
样本测试模块102:将测试样本输入训练好的神经网络模型得到预测结果;
结果判断模块103:判断预测结果是否满足阈值,若不满足阈值,则预测网络会出现亚健康状态。
本实施例采用的神经网络为LSTM神经网络(Long Short-Term Memory RecurrentNeural Network,长短期记忆循环神经网络),可预测未来数据。进行测试前,训练LSTM神经网络,训练结束后保存神经网络的各种参数,获得训练好的神经网络模型。
样本形成模块所形成测试样本为按时间顺序连续获得的多个网口信息,按时间顺序依次将各个网口信息输入神经网络模型,获得网口信息预测结果。
具体的,样本形成模块包括以下功能单元。
节点排序单元:将各个待测网口所在节点进行排序;
报文发送单元:每个节点通过其待测网口向后续N个节点发送M次检测报文;
网口信息获取单元:每次发送检测报文获得一组待测网口向后续N个节点发送检测报文的N个网口信息;
形成样本单元:从每组N个网口信息中选取最优的一个网口信息作为测试样本的一个数据,M次发送共先后获得M个网口信息,按先后顺序排列的M个网口信息组成一个测试样本。
例如每个节点对后续三个节点发送检测报文,每次发送获得三个网口信息,在这三个网口信息中选取最优的一个网口信息作为测试样本的一个数据。本实施例网口信息包括网口丢包率和时延,最优的网口信息为丢包率最小和时延最小的网口信息。需要说明的是,报文发送单元发送检测报文前,节点获取到自己的mac地址与其后面三个节点的mac地址,以发送检测报文。
具体可连续发送9次报文,从而获得按时间顺序排列的9个最优网口信息作为一个测试样本。将9个网口信息按时间顺序依次传入神经网络模型,预测下一次的网口信息。具体的,若预测丢包率和时延大于预设阈值,则预测网络会出现亚健康状态,及时关闭或切换网口。
实施例三
本实施例提供一种终端,该终端包括处理器和存储器。
存储器用于存储处理器的执行指令。存储器可以由任何类型的易失性或非易失性存储终端或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。当存储器中的执行指令由处理器执行时,使得终端能够执行上述方法实施例中的部分或全部步骤。
处理器为存储终端的控制中心,利用各种接口和线路连接整个电子终端的各个部分,通过运行或执行存储在存储器内的软件程序和/或模块,以及调用存储在存储器内的数据,以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(IntegratedCircuit,简称IC) 组成,例如可以由单颗封装的IC 所组成,也可以由连接多颗相同功能或不同功能的封装IC而组成。
实施例四
本实施例提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文:read-only memory,简称:ROM)或随机存储记忆体(英文:random access memory,简称:RAM)等。
以上公开的仅为本发明的优选实施方式,但本发明并非局限于此,任何本领域的技术人员能思之的没有创造性的变化,以及在不脱离本发明原理前提下所作的若干改进和润饰,都应落在本发明的保护范围内。
Claims (8)
1.一种预测网络亚健康状态的方法,其特征在于,包括以下步骤:
采集网口信息,形成测试样本;
将测试样本输入训练好的神经网络模型得到预测结果;
判断预测结果是否满足阈值,若不满足阈值,则预测网络会出现亚健康状态;
其中,采集网口信息,形成测试样本,具体为:
将各个待测网口所在节点进行排序;
每个节点通过其待测网口向后续N个节点发送M次检测报文;
每次发送检测报文获得一组待测网口向后续N个节点发送检测报文的N个网口信息;
从每组N个网口信息中选取最优的一个网口信息作为测试样本的一个数据,M次发送共先后获得M个网口信息,按先后顺序排列的M个网口信息组成一个测试样本。
2.根据权利要求1所述的预测网络亚健康状态的方法,其特征在于,网口信息包括网口丢包率和时延。
3.根据权利要求2所述的预测网络亚健康状态的方法,其特征在于,神经网络为LSTM神经网络。
4.一种预测网络亚健康状态的装置,其特征在于,包括,
样本形成模块:采集网口信息,形成测试样本;
样本测试模块:将测试样本输入训练好的神经网络模型得到预测结果;
结果判断模块:判断预测结果是否满足阈值,若不满足阈值,则预测网络会出现亚健康状态;
所述样本形成模块包括,
节点排序单元:将各个待测网口所在节点进行排序;
报文发送单元:每个节点通过其待测网口向后续N个节点发送M次检测报文;
网口信息获取单元:每次发送检测报文获得一组待测网口向后续N个节点发送检测报文的N个网口信息;
形成样本单元:从每组N个网口信息中选取最优的一个网口信息作为测试样本的一个数据,M次发送共先后获得M个网口信息,按先后顺序排列的M个网口信息组成一个测试样本。
5.根据权利要求4所述的预测网络亚健康状态的装置,其特征在于,网口信息包括网口丢包率和时延。
6.根据权利要求4所述的预测网络亚健康状态的装置,其特征在于,神经网络为LSTM神经网络。
7.一种终端,其特征在于,包括:
处理器;
用于存储处理器的执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-3任一项所述的方法。
8.一种存储有计算机程序的计算机可读存储介质,其特征在于,该程序被处理器执行时实现如权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596004.6A CN111884870B (zh) | 2020-06-28 | 2020-06-28 | 一种预测网络亚健康状态的方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596004.6A CN111884870B (zh) | 2020-06-28 | 2020-06-28 | 一种预测网络亚健康状态的方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111884870A CN111884870A (zh) | 2020-11-03 |
CN111884870B true CN111884870B (zh) | 2021-10-22 |
Family
ID=73157051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010596004.6A Active CN111884870B (zh) | 2020-06-28 | 2020-06-28 | 一种预测网络亚健康状态的方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111884870B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113132160B (zh) * | 2021-04-08 | 2023-02-28 | 山东英信计算机技术有限公司 | 一种客户端节点的网络亚健康状态的检测方法和系统 |
CN113852507A (zh) * | 2021-09-29 | 2021-12-28 | 济南浪潮数据技术有限公司 | 一种预测网络健康状态的方法、系统、设备和存储介质 |
CN114124666B (zh) * | 2021-11-19 | 2024-02-23 | 深信服科技股份有限公司 | 网络处置方法、装置、计算机设备和存储介质 |
CN115118635A (zh) * | 2022-06-29 | 2022-09-27 | 济南浪潮数据技术有限公司 | 一种时延检测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592171A (zh) * | 2011-12-30 | 2012-07-18 | 南京邮电大学 | 基于bp神经网络的认知网络性能预测方法及装置 |
CN108696392A (zh) * | 2018-05-14 | 2018-10-23 | 南京南瑞继保电气有限公司 | 一种通信状态监控方法、网络节点及计算机可读存储介质 |
CN109039829A (zh) * | 2018-09-18 | 2018-12-18 | 郑州云海信息技术有限公司 | 一种网卡性能测试方法、装置、终端及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273974B (zh) * | 2017-05-22 | 2021-06-01 | 浙江鹏信信息科技股份有限公司 | 一种安全应急处置评价体系构建方法及系统 |
US10868829B2 (en) * | 2018-10-10 | 2020-12-15 | Northrop Grumman Systems Corporation | Predicted network traffic |
-
2020
- 2020-06-28 CN CN202010596004.6A patent/CN111884870B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592171A (zh) * | 2011-12-30 | 2012-07-18 | 南京邮电大学 | 基于bp神经网络的认知网络性能预测方法及装置 |
CN108696392A (zh) * | 2018-05-14 | 2018-10-23 | 南京南瑞继保电气有限公司 | 一种通信状态监控方法、网络节点及计算机可读存储介质 |
CN109039829A (zh) * | 2018-09-18 | 2018-12-18 | 郑州云海信息技术有限公司 | 一种网卡性能测试方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111884870A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111884870B (zh) | 一种预测网络亚健康状态的方法、装置、终端及存储介质 | |
Thottan et al. | Adaptive thresholding for proactive network problem detection | |
KR20180120558A (ko) | 딥러닝 기반 통신망 장비의 장애 예측 시스템 및 방법 | |
CN109194684B (zh) | 一种模拟拒绝服务攻击的方法、装置及计算设备 | |
Tertytchny et al. | Classifying network abnormalities into faults and attacks in IoT-based cyber physical systems using machine learning | |
CN108259194A (zh) | 网络故障预警方法及装置 | |
CN104252401B (zh) | 一种基于权重的设备状态判断方法及其系统 | |
CN109587145B (zh) | 一种电力网络中的虚假数据入侵检测方法、装置及设备 | |
Tan et al. | DDoS detection method based on Gini impurity and random forest in SDN environment | |
CN109067605A (zh) | 一种存储子系统故障诊断方法、装置、终端及存储介质 | |
Barika et al. | Artificial neural network for mobile IDS solution | |
Nam et al. | Virtual machine failure prediction using log analysis | |
CN115333915A (zh) | 一种面向异构主机的网络管控系统 | |
CN115563775A (zh) | 电力仿真方法和装置、电子设备和存储介质 | |
Yegorov et al. | Analyzing goose security in iec61850-based substation using ml, sdn and digital twin | |
Hu et al. | Active diagnosis of Petri nets using Q-diagnoser | |
CN115277079B (zh) | 一种电力终端信息攻击监测方法和系统 | |
Liu et al. | Method for network anomaly detection based on Bayesian statistical model with time slicing | |
CN112311765B (zh) | 一种报文检测方法及装置 | |
Qiu et al. | FD-SP: A method for predicting cascading failures of inter-domain routing system | |
Chen et al. | Message flow modeling analysis and application for digital substation process layer network | |
CN114138642B (zh) | 一种根据环境状态自动选择适应函数的方法、装置、设备 | |
CN116781546B (zh) | 基于深度合成数据的异常检测方法和系统 | |
Balakrishnan et al. | Reliability models for fault-tolerant private network applications | |
Baroni et al. | Fault diagnosis through history reconstruction: an application to power transmission networks |
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 |