CN112202686B - 一种差分流量控制的自适应接入识别方法及终端设备 - Google Patents
一种差分流量控制的自适应接入识别方法及终端设备 Download PDFInfo
- Publication number
- CN112202686B CN112202686B CN202010929766.3A CN202010929766A CN112202686B CN 112202686 B CN112202686 B CN 112202686B CN 202010929766 A CN202010929766 A CN 202010929766A CN 112202686 B CN112202686 B CN 112202686B
- Authority
- CN
- China
- Prior art keywords
- data
- access
- preset
- access category
- training
- 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 61
- 230000003044 adaptive effect Effects 0.000 title claims description 25
- 238000012549 training Methods 0.000 claims description 158
- 238000004891 communication Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000001965 increasing effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 13
- 230000006399 behavior Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种差分流量控制的自适应接入识别方法及终端设备,所述方法包括当接收到数据流时,获取所述数据流对应的数据信息;基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别。本发明通过获取数据流对应的数据信息,并基于预设的接入识别模型确定所述数据流对应的网络类型,这样一方面可以快速准确的确定数据流对应的网络类型,另一方可以基于确定得到网络类型确定数据流对应的拥塞控制方式,从而提高数据流的传输效率。
Description
技术领域
本申请涉及流量控制技术领域,特别涉及一种差分流量控制的自适应接入识别方法及终端设备。
背景技术
随着技术的发展,网络类型变得越来越丰富,每种网络都有其对应的运行特征,进而进行拥塞控制方式也需要不同。然而,现有的拥塞控制算法往往只针对特定的接入方式进行处理,即只能在特定的网络中获得较优的传输效率。例如,cubic算法为例,该算法通过丢包情况来判断网络的拥塞程度。虽然在有线网中取得了不俗的表现,但是在蜂窝网络中,因信道不稳定等多种原因导致数据包丢失,会让算法误以为产生了拥塞,不仅无法有效地进行拥塞控制还会造成网络吞吐下降。基于此,在面对多种接入方式混合的网络时,如何确定网络的接入类别,成为确定拥塞控制方式的关键。
发明内容
本申请要解决的技术问题在于,针对现有技术的不足,提供一种差分流量控制的自适应接入识别方法及终端设备。
为了解决上述技术问题,本申请实施例第一方面提供了一种差分流量控制的自适应接入识别方法,其特征在于,所述方法包括:
当接收到数据流时,获取所述数据流对应的数据信息;
基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别。
所述差分流量控制的自适应接入识别方法,其中,所述接入识别模型包括若干弱分类器,若干弱分类器组成一强分类器,所述基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别具体包括:
对于若干弱分类器中的每个弱分类器,基于所述弱分类器以及所述数据信息,确定所述数据流对应的候选接入类别;
基于各弱分类器确定的各候选接入类别,确定所述数据流对应的预测接入类别。
所述差分流量控制的自适应接入识别方法,其中,所述当接收到数据流时,获取所述数据流对应的数据信息具体包括:
当接收到数据流时,以map形式从内核态获取所述数据流对应的数据包;
当获取到的数据包的数量大于预设数量阈值后,获取所述数据流对应的数据信息。
所述差分流量控制的自适应接入识别方法,其中,所述基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别之后,所述方法包括:
确定所述预测接入类别对应的拥塞算法,基于所述拥塞算法对所述数据流进行所述数据流进行控制。
所述差分流量控制的自适应接入识别方法,其中,所述接入识别模型配置有两个接入类别;所述基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别之后,所述方法还包括:
监听所述数据流对应的网络状态信息;
若所述网络状态信息满足预设条件,则将所述预测接入类别作为所述数据流对应的接入类别;
若所述网络状态信息不满足预设条件,则将非预测接入类别作为所述数据流对应的接入类别;
基于所述数据流对应的数据信息以及接入类别生成实时训练数据,以便于基于所述实时训练数据对所述接入识别模型进行更新。
所述差分流量控制的自适应接入识别方法,其中,所述网络状态信息包括数据包延迟和网络吞吐量;所述预设条件为数据包延迟相对于指定时间段内数据包延迟降低,网络吞吐量相对应于指定时间段内的网络吞吐量增加,其中,所述指定时间段内为数据量的起始接收时间至所述拥塞算法的启用时间之间。
所述差分流量控制的自适应接入识别方法,其中,所述接入识别模型的训练过程具体包括:
确定初始训练样本集以及预设网络模型,其中,所述预设网络模型包括一弱分类器;
将所述初始训练样本集中的训练样本数据输入预设网络模型,通过预设网络模型输出所述训练样本数据对应的预测接入类别;
基于所述预测接入类别以及所述训练样本数据对应的接入类别标签,确定所述训练样本数据对应的损失值;
若所述损失值大于预设阈值,则控制所述预设网络模型生成一弱分类器,并继续执行将所述初始训练样本集中的训练样本数据输入预设网络模型,直至得到所述接入识别模块。
所述差分流量控制的自适应接入识别方法,其中,所述基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别之后,所述方法还包括:
每间隔预设时间段获取初始训练数据集以及该预设时间段捕获的实时训练数据集;
对获取到实时训练数据集进行增强处理,并将增强处理后的实时训练数据集与所述初始训练数据集进行组合,以得到候选训练样本集;
基于所述候选训练样本集对接入识别模型进行训练,并在候选训练样本集训练完成后,将捕获到的所有实时训练数据集添加至初始训练数据集中,以更新所述初始训练数据集。
本申请实施例第二方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任一所述的差分流量控制的自适应接入识别方法中的步骤。
本申请实施例第三方面提供了一种终端设备,其包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如上任一所述的差分流量控制的自适应接入识别方法中的步骤。
有益效果:与现有技术相比,本申请提供了一种差分流量控制的自适应接入识别方法及终端设备,所述方法包括当接收到数据流时,获取所述数据流对应的数据信息;基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别。本发明通过获取数据流对应的数据信息,并基于预设的接入识别模型确定所述数据流对应的网络类型,这样一方面可以快速准确的确定数据流对应的网络类型,另一方可以基于确定得到网络类型确定数据流对应的拥塞控制方式,从而提高数据流的传输效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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申请的一些实施例,对于本领域普通技术人员而言,在不符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为本申请提供的差分流量控制的自适应接入识别方法的流程图。
图2为本申请提供的差分流量控制的自适应接入识别方法的整体框架图。
图3为本申请提供的差分流量控制的自适应接入识别方法中接入识别模型训练过程的示意图。
图4为本申请提供的差分流量控制的自适应接入识别方法的流程示意图。
图5为本申请提供的终端设备的结构原理图。
具体实施方式
本申请提供一种差分流量控制的自适应接入识别方法及终端设备,为使本申请的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本申请进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
具体实现中,本申请实施例中描述的终端设备包括但不限于诸如具有触摸敏感表面(例如,触摸显示屏和/或触摸板)的移动电话,膝上形计算机或平板计算机之类的其他便携式设备。还应该理解的是,在某些实施例中,所述设备并非便携式通讯设备,而是具有触摸敏感表面(例如,触摸显示屏和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的终端设备。然而,应当理解的是,终端设备还可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其他物理用户接口设备。
终端设备支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、视频会议应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件由于程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数据相机应用程序、数字摄像机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放应用程序等。
可以在终端设备上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的第一或多个功能以及终端上显示的相应信息。这样,终端的公共物理框架(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
应理解,本实施例中各步骤的序号和大小并不意味着执行顺序的先后,各过程的执行顺序以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
下面结合附图,通过对实施例的描述,对申请内容作进一步说明。
本实施提供了一种差分流量控制的自适应接入识别方法,所述方法应用于终端设备,所述终端设备配置有接入识别模块;如图1和图4所示,所述方法包括:
S10、当接收到数据流时,获取所述数据流对应的数据信息。
具体地,所述数据信息可以包括数据流在传输阶段出现的最小在途字节数、最大在途字节数、在途字节数方差、在途字节数变化方差、最小RTT(round-trip time,往返延时)、最大RTT、RTT方差、到达时间、RTT变化方差以及到达时间间隙方差。在本实施例的一个实现方式中,所述数据信息可以通过eBPF技术,所述最小在途字节数、最大在途字节数、在途字节数方差、在途字节数变化方差、最小RTT(round-trip time,往返延时)、最大RTT、RTT方差、到达时间、RTT变化方差以及到达时间间隙方差可以分别表示为byte_in_flightmin,byte_in_flightmax,var(byte_in_flight),var(sub(byte_in_flight)),RTTmin,RTTmax,var(RTT),arrive_time,var(sub(RTT)),var(sub(arrive_time))。
进一步,为了便于收集数据信息,采用eBPF技术实现用户态和核心态之间的数据交互,并利用eBPF的bpf_load_program()函数将数据包捕获模块注入到内核内,所述数据包捕获模块用于捕获接收到数据包,所述数据包以流的形式记录,并且数据包捕获模块将捕获到的数据包通过map形式交互至用户态,以使得用户态可以获取到数据包信息;对于用户态中的应用,通过在内核中开辟一个空间,以map形式组织数据,用户态与内核态之间的数据通过map进行交互。
在本实施例的一个实现方式中,如图2所示,所述用户态包括离线训练模块和在线预测模块,所述离线训练模块用于训练接入识别模型,所述在线预测模块用于基于训练得到接入识别模型预测数据流对应的接入类别,并基于预测得到的接入类别确定拥塞算法,以使得内核态基于该拥塞算法对数据流进行调整。其中,所述离线训练模块可以包括训练数据构建单元以及离线训练单元,所述在线预测模块包括流量信息统计单元、接入类型预测单元以及拥塞算法调整单元,所述流量信息统计单元接收内核态捕获的数据信息,并将所述数据信息传输至接入类型预测单元,通过接入类型预测单元预测接入类别,所述流量信息统计单元获取预测得到的接入类别,并根据数据信息以及接入类别形成实时训练数据,将形成得到的实时训练数据传输至训练数据构建单元,以便于训练数据构建单元每间隔预设时间构成候选训练样本集,并基于候选训练样本集对接入识别模型进行训练,提高接入识别模型对网络变化的适应性。所述接入类型预测单元配置有离线训练单元训练得到接入识别模型,所述拥塞算法调整单元通过map形式与内核态通讯。此外,内核态包括数据包捕获模块以及数据包行为控制模块,数据包捕获模块用于捕获数据信息,并将捕获的数据信息通过map形式发送至流量信息统计单元,所述数据包行为控制模块用于基于拥塞算法调整单元确定拥塞算法对数据流进行控制。
在本实施例的一个实现方式,所述当接收到数据流时,获取所述数据流对应的数据信息具体包括:
当接收到数据流时,以map形式从内核态获取所述数据流对应的数据包;
当获取到的数据包的数量大于预设数量阈值后,获取所述数据流对应的数据信息。
具体地,所述预设数量阈值为预先设置,用于确定是否获取所述数据流对应的数据信息的依据,其中,当获取到的数据包的数量大于预设数量阈值时,获取所述数据流对应的数据信息,反之,当获取到的数据包的数量小于或者等于预设数量阈值时,无需获取所述数据流对应的数据信息,即无需确定该数据流对应的接入类别。这是由于在现网中短数据流普遍在慢启动阶段就已结束,不会造成网络拥塞;而网络拥塞主要是长数据流导致的,从而在获取到数据流后,可以检测所述数据流为短数据流还是长数据流,当数据流为长数据流时,采集该数据流对应的数据信息;而当数据流为短数据流时,则不统计该数据流对应的数据信息,可以提高接入类别识别的针对性,可以降低接入类别识别所占用的系统资源。
S20、基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别。
具体地,所述接入识别模型为经过训练的决策树模型,所述接入识别模型用于确定数据信息对应的接入类别。所述接入识别模型的输入项为数据信息,输出项为接入类别,也就是说,当将数据信息输入接入识别模型后,接入识别模型会输出数据信息对应的接入类别。由此,所述基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别具体可以为:将所述数据信息输入预设的接入识别模块,通过预设的接入识别模型输出所述数据信息对应的预测接入类别。
在一个实现方式中,所述接入识别模型为基于XGBoost算法构建的网络模型,所述接入识别模型包括若干弱分类器,若干弱分类器组成一强分类器,并通过若干弱分类器确定数据信息对应的预测接入类别。相应的,所述基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别具体包括:
对于若干弱分类器中的每个弱分类器,基于所述弱分类器以及所述数据信息,确定所述数据流对应的候选接入类别;
基于各弱分类器确定的各候选接入类别,确定所述数据流对应的预测接入类别。
具体地,若干弱分类器中的每个弱分类器均经过训练,并且每个弱分类器均输出一权重值,其中,若干弱分类器中的每个弱分类器均采用决策树的形式。也就是说,所述若干弱分类器中的每个弱分类器均为一个二叉树,所述接入识别模型为一个二叉树集合,并每个二叉树均包括若干节点,每个节点均携带有四个属性,分别为分裂属性、分裂点、左子树以及右子树,并且当对应属性的数值小于分裂点的数值时,将进入左子树寻找预测结果,反之,则进入右子树。此外,若干二叉树中各二叉树包括的节点数可以不同,例如,若干二叉树包括二叉树A和二叉树B,其中,二叉树A包括3个节点,二叉树B包括5个节点等。
在本实施例的一个实现方式中,如图3所示,所述接入识别模型的训练过程具体包括:
确定初始训练样本集以及预设网络模型,其中,所述预设网络模型包括一弱分类器;
将所述初始训练样本集中的训练样本数据输入预设网络模型,通过预设网络模型输出所述训练样本数据对应的预测接入类别;
基于所述预测接入类别以及所述训练样本数据对应的接入类别标签,确定所述训练样本数据对应的损失值;
若所述损失值大于预设阈值,则控制所述预设网络模型生成一弱分类器,并继续执行将所述初始训练样本集中的训练样本数据输入预设网络模型,直至得到所述接入识别模块。
具体地,所述接入识别模型采用XGBoost算法构建,其中,XGBoost的原理就是将所有弱分类器的结果相加,得到最终的预测值;当预测的结果误差超过一定范围之后,产生下一个弱分类器去拟合误差函数对预测值的残差。基于此,所述预设网络模型为初始构建的,所述预设网络模型包括一弱分类器,所述弱分类器,并且所述弱分类器以及当预测的结果误差超过一定范围时产生的各弱分类器均是以决策树的形式表现,并且可以表示为:
F={f(x)=wq(x)}(q:Rm->T,w∈RT) (2)
进一步,所述预设网络模型的目标函数为:
进一步,由于在XGBoost的原理中,是将多个弱分类器的结果相加得到最终的分类结果,所以在训练第t棵树的时候,将得到对应的目标函数为:
将得到的目标函数进行二阶泰勒展开式逼近,可以将目标函数转换为:
进一步,对wj求导并令导数为0,可以得到:
将wj带入目标函数,可以得到目标函数的最终形式为:
最后,在确定目标函数之后,通过带权重的分位数略图算法,找到近似最佳分裂点进行分裂,并最终获得相应的二叉树模型,以得到经过训练的接入识别模型。
在本实施例的一个实现方式中,为了提高接入识别模型的精度,所述基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别之后,所述方法还包括:
每间隔预设时间段获取初始训练数据集以及该预设时间段捕获的实时训练数据集;
对获取到实时训练数据集进行增强处理,并将增强处理后的实时训练数据集与所述初始训练数据集进行组合,以得到候选训练样本集;
基于所述候选训练样本集对接入识别模型进行训练,并在候选训练样本集训练完成后,将捕获到的所有实时训练数据集添加至初始训练数据集中,以更新所述初始训练数据集。
具体地,所述初始训练数据集包括若干历史训练数据,所述历史训练数据为已作为训练数据对接入识别模型进行训练的训练数据,所述实时训练数据集包括若干实时训练数据,若干实时训练数据均为预设时间段内捕获到的,所述实时训练数据集中的每个实时训练数据集均未作为训练数据对接入识别模型进行训练,并且所述若干实时训练数据的数量可以为1个,也可以为多个。所述历史训练数据和所述实时训练数据均以数据组的形成存储,每个数据组中均包括数据信息以及接入类别标签,所述接入类别标签为所述数据信息对应的接入类别真实。此外,所述预设时间段为预先设置,例如,3小时,5小时等。这样通过不断将最新捕获到的数据流对应的数据信息以及接入类别作为训练数据,可以使得训练得到的接入网络模型更快地适应网络的变化。
进一步,在获取到实时训练数据集后,对获取到实时训练数据集进行增强处理指的是增加实时训练数据集的数据数量,以使得增强处理后的实时训练数据集的数据量多于增强处理前的实时训练数据集的数量。在本实施例的一个实现方式中,所述增强处理为对于实时训练数据集的每个实时训练数据,负责该实时训练数据集以得到该实时数据对应的备份数据,将该备份数据添加到实时训练数据集。当然,在实际应用中,实时训练数据集中的每个实时训练数据,在增强后的实时训练数据集中可以为1个,也可以为多个,并且每个实时数据的数量可以相同,例如,增强处理后的实时训练数据集包括3个实时训练数据A和3个实时训练数据B。
进一步,在获取到的增强后的实时训练数据集与所述初始训练数据集进行组合,以得到候选训样本集。可以理解的是,所述候选训练样本集为所述增强后的实时训练数据集与所述初始训练数据集的并集。例如,实时训练数据集包括实时训练训练数据x1和实时训练数据x2,初始训练数据集包括历史训练数据L3和历史训练数据L4,其中,在对实时训练数据集进行增强处理时,实时训练数据A的数量变为两个,实时训练数据B的数量变为2,那么将增强处理后的实时训练数据集与初始训练数据集组合后,得到候选训练样本集包括x1,x1,x2,x2,L3以及L4。
进一步,在采用候选训练集对所述接入识别模型进行训练完成后,将所述实时训练数据集(为未增强的实时训练数据集)添加到所述初始训练数据集中,以更新所述初始训练数据集,这样初始训练数据集可以包括实时训练数据,使得经过初始训练数据集更新后的接入识别模型可以快速适应网络变化。例如,实时训练数据集包括实时训练训练数据x1和实时训练数据x2,初始训练数据集包括历史训练数据L3和历史训练数据L4,那么将实时训练数据集添加到初始训练数据集后,得到的初始训练数据集包括x1,x2,L3以及L4。
在本实施例的一个实现方式中,所述基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别之后,所述方法包括:
确定所述预测接入类别对应的拥塞算法,基于所述拥塞算法对所述数据流进行所述数据流进行控制。
具体地,所述拥塞算法存储于内核态,并且内核态存储有若干拥塞算法,若干拥塞算法可以与若干接入类别相对应,在获取到接入类别后,可以在若干拥塞算法中选取到该接入类别对应的拥塞算法,并通过选取到的拥塞算法对该数据流进行控制,以提高数据流的传输效率。在一个实现方式中,内核态设置有数据包行为控制模块,当获取到接入类别后,可以通过map形式将接入类别输入数据包行为控制模块,通过数据包行为控制模块对确定拥塞算法,并且通过选取到的拥塞算法对该数据流进行控制。
在一个实现方式中,所述接入识别模型配置有两个接入类别;所述基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别之后,所述方法还包括:
监听所述数据流对应的网络状态信息;
若所述网络状态信息满足预设条件,则将所述预测接入类别作为所述数据流对应的接入类别;
若所述网络状态信息不满足预设条件,则将非预测接入类别作为所述数据流对应的接入类别;
基于所述数据流对应的数据信息以及接入类别生成实时训练数据,以便于基于所述实时训练数据对所述接入识别模型进行更新。
具体地,所述接入识别模型配置有两个接入类别,分别记为第一接入类别和第二接入类别,并且当第一接入类别为预测接入类别时,第二接入类别为非预测接入类别;当第二接入类别为预测接入类别时,第一接入类别为非预测接入类别。例如,在一个具体实现方式中,所述第一接入类别为无线接入类别,第二接入类别为有线接入类别。
所述网络状态信息包括数据包延迟和网络吞吐量,所述预设条件为数据包延迟相对于指定时间段内数据包延迟降低,网络吞吐量相对于指定时间段内的网络吞吐量增加,其中,所述指定时间段内为数据量的起始接收时间至所述拥塞算法的启用时间之间。此外,实时训练数据可以作为对接入识别模型进行训练的训练样本,这样可以通过线上线下结合的方式进行训练数据的收集和接入识别模型训练,保证训练的接入识别模型能够及时感应网络变化,进一步提高接入识别模型预测的准确性。
综上所述,本实施例提供了一种差分流量控制的自适应接入识别方法,所述方法包括当接收到数据流时,获取所述数据流对应的数据信息;基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别。本发明通过获取数据流对应的数据信息,并基于预设的接入识别模型确定所述数据流对应的网络类型,这样一方面可以快速准确的确定数据流对应的网络类型,另一方可以基于确定得到网络类型确定数据流对应的拥塞控制方式,从而提高数据流的传输效率。
基于上述差分流量控制的自适应接入识别方法,本实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述实施例所述的差分流量控制的自适应接入识别方法中的步骤。
基于上述差分流量控制的自适应接入识别方法,本申请还提供了一种终端设备,如图5所示,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (6)
1.一种差分流量控制的自适应接入识别方法,其特征在于,所述方法包括:
当接收到数据流时,获取所述数据流对应的数据信息;
所述当接收到数据流时,获取所述数据流对应的数据信息具体包括:
当接收到数据流时,以map形式从内核态获取所述数据流对应的数据包;
当获取到的数据包的数量大于预设数量阈值后,获取所述数据流对应的数据信息;
基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别;
所述接入识别模型包括若干弱分类器,若干弱分类器组成一强分类器,所述基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别具体包括:
对于若干弱分类器中的每个弱分类器,基于所述弱分类器以及所述数据信息,确定所述数据流对应的候选接入类别;
基于各弱分类器确定的各候选接入类别,确定所述数据流对应的预测接入类别;
若干分类器中的每个弱分类器均经过训练,并且每个弱分类器均输出一权重值,其中,若干弱分类器中的每个弱分类器均采用决策树的形式;
所述基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别之后,所述方法包括:
确定所述预测接入类别对应的拥塞算法,基于所述拥塞算法对所述数据流进行控制;
所述基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别之后,所述方法还包括:
每间隔预设时间段获取初始训练数据集以及该预设时间段捕获的实时训练数据集;
对获取到实时训练数据集进行增强处理,并将增强处理后的实时训练数据集与所述初始训练数据集进行组合,以得到候选训练样本集;
基于所述候选训练样本集对接入识别模型进行训练,并在候选训练样本集训练完成后,将捕获到的所有实时训练数据集添加至初始训练数据集中,以更新所述初始训练数据集;
通过不断将最新捕获到的数据流对应的数据信息以及接入类别作为训练数据,使得训练得到的接入网络模型更快地适应网络的变化。
2.根据权利要求1所述差分流量控制的自适应接入识别方法,其特征在于,所述接入识别模型配置有两个接入类别;所述基于所述数据信息以及预设的接入识别模型,确定所述数据流对应的预测接入类别之后,所述方法还包括:
监听所述数据流对应的网络状态信息;
若所述网络状态信息满足预设条件,则将所述预测接入类别作为所述数据流对应的接入类别;
若所述网络状态信息不满足预设条件,则将非预测接入类别作为所述数据流对应的接入类别;
基于所述数据流对应的数据信息以及接入类别生成实时训练数据,以便于基于所述实时训练数据对所述接入识别模型进行更新。
3.根据权利要求2所述差分流量控制的自适应接入识别方法,其特征在于,所述网络状态信息包括数据包延迟和网络吞吐量;所述预设条件为数据包延迟相对于指定时间段内数据包延迟降低,网络吞吐量相对应于指定时间段内的网络吞吐量增加,其中,所述指定时间段内为数据量的起始接收时间至所述拥塞算法的启用时间之间。
4.根据权利要求1-3任一所述差分流量控制的自适应接入识别方法,其特征在于,所述接入识别模型的训练过程具体包括:
确定初始训练样本集以及预设网络模型,其中,所述预设网络模型包括一弱分类器;
将所述初始训练样本集中的训练样本数据输入预设网络模型,通过预设网络模型输出所述训练样本数据对应的预测接入类别;
基于所述预测接入类别以及所述训练样本数据对应的接入类别标签,确定所述训练样本数据对应的损失值;
若所述损失值大于预设阈值,则控制所述预设网络模型生成一弱分类器,并继续执行将所述初始训练样本集中的训练样本数据输入预设网络模型,直至得到所述接入识别模型 。
5.一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存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-4任意一项所述的差分流量控制的自适应接入识别方法中的步骤。
6.一种终端设备,其特征在于,包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如权利要求1-4任意一项所述的差分流量控制的自适应接入识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010929766.3A CN112202686B (zh) | 2020-09-07 | 2020-09-07 | 一种差分流量控制的自适应接入识别方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010929766.3A CN112202686B (zh) | 2020-09-07 | 2020-09-07 | 一种差分流量控制的自适应接入识别方法及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112202686A CN112202686A (zh) | 2021-01-08 |
CN112202686B true CN112202686B (zh) | 2022-09-13 |
Family
ID=74006355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010929766.3A Active CN112202686B (zh) | 2020-09-07 | 2020-09-07 | 一种差分流量控制的自适应接入识别方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112202686B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111432989A (zh) * | 2018-12-04 | 2020-07-17 | 深圳前海达闼云端智能科技有限公司 | 人工增强基于云的机器人智能框架及相关方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1226844C (zh) * | 2003-09-01 | 2005-11-09 | 中国科学院计算技术研究所 | 一种适合有线/无线混合网络的自适应拥塞控制方法 |
CN101917342A (zh) * | 2010-08-25 | 2010-12-15 | 天津理工大学 | 一种面向普适服务的自适应网络拥塞控制方法 |
CN103716204B (zh) * | 2013-12-20 | 2017-02-08 | 中国科学院信息工程研究所 | 一种基于维纳过程的异常入侵检测集成学习方法及装置 |
US20180092595A1 (en) * | 2016-10-04 | 2018-04-05 | Mundipharma Laboratories Gmbh | System and method for training and monitoring administration of inhaler medication |
CN109698797B (zh) * | 2017-10-24 | 2022-06-14 | 中国移动通信集团山东有限公司 | 一种tcp拥塞控制方法和装置 |
CN108650194B (zh) * | 2018-05-14 | 2022-03-25 | 南开大学 | 基于K_means和KNN融合算法的网络流量分类方法 |
CN109511144B (zh) * | 2018-12-26 | 2021-03-02 | 清华大学深圳研究生院 | 网络接入类型决策方法、装置、切换控制装置及存储介质 |
CN111401390B (zh) * | 2019-01-02 | 2023-04-07 | 中国移动通信有限公司研究院 | 分类器方法及装置、电子设备及存储介质 |
-
2020
- 2020-09-07 CN CN202010929766.3A patent/CN112202686B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111432989A (zh) * | 2018-12-04 | 2020-07-17 | 深圳前海达闼云端智能科技有限公司 | 人工增强基于云的机器人智能框架及相关方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112202686A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220391771A1 (en) | Method, apparatus, and computer device and storage medium for distributed training of machine learning model | |
JP7183385B2 (ja) | ノード分類方法、モデル訓練方法並びに、その装置、機器及びコンピュータプログラム | |
JP6587330B2 (ja) | ランダムフォレストモデルの訓練方法、電子装置及び記憶媒体 | |
US20220294821A1 (en) | Risk control method, computer device, and readable storage medium | |
WO2020073673A1 (zh) | 一种文本分析方法及终端 | |
CN107360032B (zh) | 一种网络流识别方法及电子设备 | |
WO2019184640A1 (zh) | 一种指标确定方法及其相关设备 | |
Zhang et al. | Federated learning with adaptive communication compression under dynamic bandwidth and unreliable networks | |
WO2019062418A1 (zh) | 应用清理方法、装置、存储介质及电子设备 | |
WO2020207410A1 (zh) | 一种数据压缩方法、电子设备及存储介质 | |
WO2024098699A1 (zh) | 实体对象的威胁检测方法、装置、设备及存储介质 | |
JP2023017921A (ja) | コンテンツ推薦とソートモデルトレーニング方法、装置、機器、記憶媒体及びコンピュータプログラム | |
JP2023534696A (ja) | ネットワークトポロジーにおけるアノマリー検知 | |
CN112202686B (zh) | 一种差分流量控制的自适应接入识别方法及终端设备 | |
CN117371508A (zh) | 模型压缩方法、装置、电子设备以及存储介质 | |
CN107122464A (zh) | 一种辅助决策系统及方法 | |
CN109327404B (zh) | 基于朴素贝叶斯分类算法的p2p预测方法及系统、服务器及介质 | |
CN113409096B (zh) | 目标对象识别方法、装置、计算机设备及存储介质 | |
WO2023065640A1 (zh) | 一种模型参数调整方法、装置、电子设备和存储介质 | |
CN115202879A (zh) | 基于多类型智能模型的云边协同调度方法及应用 | |
Yang et al. | Joint think locally and globally: Communication-efficient federated learning with feature-aligned filter selection | |
CN114897067A (zh) | 基于联邦学习的决策模型训练方法、装置和联邦学习系统 | |
CN114553721A (zh) | 基于Mamdani模型的MISO模糊系统预测重复网络行为的方法 | |
CN114861004A (zh) | 一种社交事件检测方法、装置及系统 | |
WO2021142975A1 (zh) | 人工智能检测方法及装置、终端和计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |