CN112468376B - 一种基于大数据的网络线路切换方法和装置 - Google Patents

一种基于大数据的网络线路切换方法和装置 Download PDF

Info

Publication number
CN112468376B
CN112468376B CN202110141520.4A CN202110141520A CN112468376B CN 112468376 B CN112468376 B CN 112468376B CN 202110141520 A CN202110141520 A CN 202110141520A CN 112468376 B CN112468376 B CN 112468376B
Authority
CN
China
Prior art keywords
network
quality data
line
current
network quality
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
CN202110141520.4A
Other languages
English (en)
Other versions
CN112468376A (zh
Inventor
王志彬
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.)
Shenzhen Acadsoc Information Co ltd
Original Assignee
Shenzhen Acadsoc Information 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 Shenzhen Acadsoc Information Co ltd filed Critical Shenzhen Acadsoc Information Co ltd
Priority to CN202110141520.4A priority Critical patent/CN112468376B/zh
Publication of CN112468376A publication Critical patent/CN112468376A/zh
Application granted granted Critical
Publication of CN112468376B publication Critical patent/CN112468376B/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
    • H04L43/0852—Delays
    • H04L43/087—Jitter
    • 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
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
    • H04L41/0668—Management of faults, events, alarms or notifications using network fault recovery by dynamic selection of recovery network elements, e.g. replacement by the most appropriate element after failure
    • 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
    • H04L43/0823—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
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明实施例提供了一种基于大数据的网络线路切换方法和装置，包括：获取网络线路的网络质量数据和网络故障事件；计算网络质量数据与网络故障事件的关联度；根据当前网络线路的网络质量数据及其与网络故障事件的关联度预判在第一时长内的网络状况；根据可用网络线路的网络质量数据筛选最优网络线路；当网络状况为不稳定时，切换为最优网络线路。通过获取所有网络线路的网络质量数据和网络故障事件，基于大数据技术对其进行分析并预判当前网络线路未来的网络状况，当预判不稳定时，对可用网络线路的网络质量数据进行分析并筛选出最优网络线路，使得能够在发生网络故障事件前将当前网络线路切换为最优网络线路，实现保证当前网络的流畅度。

Description

一种基于大数据的网络线路切换方法和装置
技术领域
本发明涉及基于大数据的网络线路切换技术领域，特别是涉及一种基于大数据的网络线路切换方法和一种基于大数据的网络线路切换装置。
背景技术
络作为一种新的沟通桥梁，在教育中越来越占有更加重要的地位。目前，全球网络发展迅速，但仍有网络覆盖率低，网络技术落后的国家与地区，而线上教育需要进行国内用户与国外用户进行实时网络连通，实现视频交流互动。
现市面上已有针对网络质量选择线路的方案，是通过搜索可用线路、检测可用线路、切换检测后的可用线路这几步来实现的，但是仍然会出现线路选择不准确，需要用户手动切换线路的情况，不具有较高的准确性和智能性。同时，现有文献中也存在根据网络质量进行精准评估，从而避免手动切换线路的情况，但其只能在出现网络问题后才能进行切换。
因此，现有技术方案无法预估当前时间之后的网络情况，只能实现当前时间点网络的准确性，可是无法保证网络的流畅性。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于大数据的网络线路切换方法和相应的一种基于大数据的网络线路切换装置。
为了解决上述问题，本发明实施例公开了一种基于大数据的网络线路切换方法，用于在线教学直播出现网络问题之前，自动切换最优网络线路，包括：
获取网络线路的网络质量数据和网络故障事件，其中，所述网络线路包括当前网络线路和可用网络线路，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时；
计算所述网络质量数据与网络故障事件的关联度，其中，所述关联度为不同类型网络质量数据的变化对同一网络故障事件的贡献度；
根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻；
根据所述可用网络线路的网络质量数据筛选最优网络线路；
当所述网络状况为不稳定时，切换为所述最优网络线路；
其中，所述根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，包括：
根据所述网络质量数据的变化量获得所述网络状况的预判结果；
基于所述网络质量数据的变化量以及所述网络质量数据与网络故障事件的关联度判断所述预判结果是否有误；
当所述预判结果无误，输出所述当前网络线路在第一时长内的网络状况。
进一步地，所述获取网络线路的网络质量数据和网络故障事件，其中，所述网络线路包括当前网络线路和可用网络线路，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时之前，包括：
搜索所述网络线路；
监测所述网络线路的网络质量数据和网络故障事件；
保存所述网络质量数据和所述网络故障事件至预设数据库。
进一步地，所述根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻，包括：
根据所述网络质量数据的变化量获得所述网络状况的预判结果；
基于所述网络质量数据的变化量和所述网络质量数据与网络故障事件的关联度判断所述预判结果是否有误；
当所述预判结果无误，输出所述当前网络线路在第一时长内的网络状况。
进一步地，所述根据所述网络质量数据的变化量获得所述网络状况的预判结果，包括：
根据预设评分表获得各项所述网络质量数据的变化量评分；
对各项所述网络质量数据变化量的评分进行求和，获得初步评分；
根据所述初步评分获得所述网络状况的预判结果。
进一步地，所述基于所述网络质量数据的变化量和所述网络质量数据与网络故障事件的关联度判断所述预判结果是否有误，包括：
根据预设评分表获得各项所述网络质量数据的变化量评分；
根据所述网络质量数据与网络故障事件的关联度确定各项所述网络质量数据的权重；
将各项所述网络质量数据的权重与相应的变化量评分求积后再求和，获得综合评分；
根据所述综合评分判断所述预判结果是否有误。
进一步地，所述根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻，包括：
间隔所述第一时长预判一次所述当前网络线路在第一时长内的网络状况。
进一步地，所述根据所述可用网络线路的网络质量数据筛选最优网络线路，包括：
根据不同的网络使用模式确定所述网络质量数据的优先级；
根据所述网络质量数据及其优先级，筛选所述第一时长内的最优网络线路。
本发明实施例还公开了一种基于大数据的网络线路切换装置，用于在线直播出现网络问题之前，自动切换最优网络线路，包括：
获取模块，用于获取网络线路的网络质量数据和网络故障事件，其中，所述网络线路包括当前网络线路和可用网络线路，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时；
计算模块，用于计算所述网络质量数据与网络故障事件的关联度，其中，所述关联度为不同类型网络质量数据的变化对同一网络故障事件的贡献度；
预测模块，用于根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻；
筛选模块，用于根据所述可用网络线路的网络质量数据筛选最优网络线路；
切换模块，用于当所述网络状况为不稳定时，切换为所述最优网络线路。本发明实施例还公开了一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现所述的基于大数据的网络线路切换的方法的步骤；
所述预测模块，还用于根据所述网络质量数据的变化量获得所述网络状况的预判结果；基于所述网络质量数据的变化量以及所述网络质量数据与网络故障事件的关联度判断所述预判结果是否有误；当所述预判结果无误，输出所述当前网络线路在第一时长内的网络状况。
本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现所述的基于大数据的网络线路切换的方法的步骤。
本发明实施例包括以下优点：通过获取所有网络线路的网络质量数据和网络故障事件，基于大数据技术对其进行分析并预判当前网络线路未来的网络状况，当预判结果为不稳定时，对所述可用网络线路的网络质量数据进行分析并筛选出最优网络线路，使得能够在发生网络故障事件前将当前网络线路切换为所述最优网络线路，实现保证当前网络的流畅度。
附图说明
图1是本发明的一种基于大数据的网络线路切换方法实施例的步骤流程图；
图2是本发明的一种基于大数据的网络线路切换方法中预判网络状况的步骤流程图；
图3是本发明的一种基于大数据的网络线路切换方法中筛选最优网络线路的步骤流程图；
图4是本发明的一种基于大数据的网络线路切换装置实施例的结构框图；
图5是本发明实现基于大数据的网络线路切换方法的电子设备结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例的核心构思之一在于，通过获取所有网络线路的网络质量数据和网络故障事件，基于大数据技术对其进行分析并预判当前网络线路未来的网络状况，当预判结果为不稳定时，对所述可用网络线路的网络质量数据进行分析并筛选出最优网络线路，使得能够在发生网络故障事件前将当前网络线路切换为所述最优网络线路，实现保证当前网络的流畅度。
参照图1-图3，示出了本发明的一种基于大数据的网络线路切换方法实施例的步骤流程图，具体可以包括如下步骤：
S100、获取网络线路的网络质量数据和网络故障事件，其中，所述网络线路包括当前网络线路和可用网络线路，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时；
S200、计算所述网络质量数据与网络故障事件的关联度，其中，所述关联度为不同类型网络质量数据的变化对同一网络故障事件的贡献度；
S300、根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻；
S400、根据所述可用网络线路的网络质量数据筛选最优网络线路；
S500、当所述网络状况为不稳定时，切换为所述最优网络线路。
本方案用于线上培训教育领域，通过网络质量数据预测当前网络的状况，在在线教学直播出现网络问题之前，自动将当前网络线路切换为最优网络线路，以保证在线教学直播的流畅度。
S100、获取网络线路的网络质量数据和网络故障事件，其中，所述网络线路包括当前网络线路和可用网络线路，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时；通过对可用网络线路和当前网络线路进行监控，获得网络质量数据和网络故障事件，并将所述网络质量数据和网络故障事件保存至预设数据库中，以获得海量数据的数据库，从而为大数据分析技术提供足够的学习样本；其中，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时等，具体的，宽带网络上行速率（>800kbps为优、400kbps~800kbps为良、200kbps~400kbps为中、0kbps~200kbps为差）、宽带网络下行速率（同上行）、丢包率（>0.9%为差、0.6%~0.9%为中、0.2%~0.6%为良、0%~0.2%为优）、延迟（>100ms为差、50ms~100ms为中、30ms~50ms为良、0ms~30ms为优）。
S200、计算所述网络质量数据与网络故障事件的关联度，其中，所述关联度为不同类型网络质量数据的变化对同一网络故障事件的贡献度；其中，对引发某项网络故障事件的贡献越大或/且所述网络质量影响程度越大的网络质量数据与该网络故障事件的关联度越大，关联度越大，则权重越大。
S300、根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻；其中，所述网络故障事件包括断网、卡死、网络慢以及信号丢失；具体的，基于大数据技术，对数据库中海量的数据进行学习，然后对所述当前网络线路的网络质量数据及其与网络故障事件的关联度进行分析评估，预判所述当前网络线路在第一时长内的网络状况。即：根据所述网络质量数据的变化量获得所述网络状况的预判结果；基于所述网络质量数据的变化量和所述网络质量数据与网络故障事件的关联度判断所述预判结果是否有误；当所述预判结果无误，输出所述当前网络线路在第一时长内的网络状况。所述网络质量数据还包括当前用户近期网络故障事件频率和所在地预设范围内的网络故障事件。所述第一时长为预设时长，具体根据实际需要进行设置。
S400、根据所述可用网络线路的网络质量数据筛选最优网络线路；对数据库中的宽带量、丢包率、网络抖动以及延时等网络质量数据进行学习，然后对所有所述可用网络线路的网络质量数据进行分析评估，预判并筛选在所述第一时长内的最优网络线路。即根据不同的网络使用模式确定所述网络质量数据的优先级；根据所述网络质量数据及其优先级，筛选所述第一时长内的最优网络线路。
S500、当所述网络状况为不稳定时，切换为所述最优网络线路；当对所述网络状况的预判结果为不稳定时，将所述当前网络线路切换为所述最优网络线路，所述预判结果为不稳定的情况包括：任一项所述网络质量数据的评估为差即为不稳定；例如宽带量、丢包率、网络抖动或者延时等数据评估等级为差。在另一具体实施例中，当所述网络状况的预判结果为稳定时，将所述当前网络线路与所述最优网络线路进行对比分析，若所述当前网络线路的综合稳定性比所述最优网络线路的综合稳定性好，即保持当前网络线路，否则将所述当前网络线路切换为所述最优网络线路。
S100、所述获取网络线路的网络质量数据和网络故障事件，其中，所述网络线路包括当前网络线路和可用网络线路，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时之前，包括：
S10、搜索所述网络线路；
S20、监测所述网络线路的网络质量数据和网络故障事件；
S30、保存所述网络质量数据和所述网络故障事件至预设数据库。
每间隔一段时间搜索当前可用网络线路，以更新当前可用网络线路，从而减小系统的工作量；当以预判精度为要求，则设置每间隔所述第一时长进行搜索一次，并以开始预判的时刻进行计算；当以减少系统的工作量为要求，则可以间隔所述第一时长的倍数，具体根据实际情况而进行设置。在搜索当前可用网络线路后，对所有的可用网络线路进行编号，并监测所述网络线路的网络质量数据和网络故障事件，保存所述网络质量数据和所述网络故障事件至预设数据库。
参照图2，所述根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻，包括：
S310、根据所述网络质量数据的变化量获得所述网络状况的预判结果；
S320、基于所述网络质量数据的变化量和所述网络质量数据与网络故障事件的关联度判断所述预判结果是否有误；
S330、当所述预判结果无误，输出所述当前网络线路在第一时长内的网络状况。
基于大数据技术，对数据库中海量的数据进行学习，分析不同所述网络质量数据对网络故障事件的影响程度，即根据历史网络质量数据计算不同所述网络质量数据导致网络故障事件的频率；其中，所述网络故障事件包括断网、卡死、网络慢以及信号丢失，所述网络质量数据还包括CPU(Central Processing Unit，简写为CPU，中文名称为中央处理器)占用率，宽带上、下行速率、进入与退出时间。根据预设评分表获得各项所述网络质量数据的变化量评分；对各项所述网络质量数据变化量的评分进行求和，获得初步评分；根据所述初步评分获得所述网络状况的预判结果；再根据所述网络质量数据与网络故障事件的关联度确定各项所述网络质量数据的权重；将各项所述网络质量数据的权重与相应的变化量评分求积后再求和，获得综合评分；根据所述综合评分判断所述预判结果是否有误；当所述预判结果无误，输出所述当前网络线路在第一时长内的网络状况。其中，不同类型网络故障事件下，所述网络质量数据的权重不同，每个类型的网络故障事件都有不同网络质量数据的变化所引起，并且同一网络质量数据的变化对同一类型的网络故障事件会有不同的影响程度。
S310、所述根据所述网络质量数据的变化量获得所述网络状况的预判结果，包括：
根据预设评分表获得各项所述网络质量数据的变化量评分；对各项所述网络质量数据变化量的评分进行求和，获得初步评分，其中，当所述初步评分低于某一阈值，则直接判定当前网络状况稳定；根据所述初步评分获得所述网络状况的预判结果；具体地，基于大数据学习，分析不同的网络质量数据及其变化量对网络质量的影响程度，从而建立评分表，根据所述评分表对各项所述网络质量数据的变化量进行精确评分并求和，以得到能够反映网络状况的初步评分，从而根据所述初步评分对当前网络状况进行初步预判；通过对所述网络质量数据进行初步评分获得预判结果，能够减少系统的工作量。
S320、所述基于所述网络质量数据的变化量和所述网络质量数据与网络故障事件的关联度判断所述预判结果是否有误，包括：
根据预设评分表获得各项所述网络质量数据的变化量评分；根据所述网络质量数据与网络故障事件的关联度确定各项所述网络质量数据的权重，其中，对引发某项网络故障事件的贡献越大或/且所述网络质量影响程度越大的网络质量数据与该网络故障事件的关联度越大，关联度越大，则权重越大；将各项所述网络质量数据的权重与相应的变化量评分求积后再求和，获得综合评分；根据所述综合评分判断所述预判结果是否有误，具体地，当所述综合评分与所述初步评分位于同一分段，则所述预判结果无误，当所述综合评分与所述初步评分未处于同一分段，则所述预判结果有误，且以所述综合评分为准；通过对所述网络质量数据进行初步评分获得预判结果，能够减少系统的工作量，通过对所述网络质量数据进行综合评分能够保证预判的进度。
S300、所述根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻，包括：
间隔所述第一时长预判一次所述当前网络线路在第一时长内的网络状况；在预判当前网络线路第一时长的网络状况后结束预判，并在间隔该第一时长后，即进入未被预判的时间段，再次对当前网络线路第一时长的网络状况进行预判，从而不仅减少系统的工作量而且可以保证所有时间段都能被评估预判。
所述网络质量数据还包括当前用户近期网络故障事件频率和所在地预设范围内的网络故障事件；当判断当前用户近期网络故障事件频率较高或者所在地预设范围内发生网络故障事件时，则直接切换最优网络线路。
参照图3，所述根据所述可用网络线路的网络质量数据筛选最优网络线路，包括：
S410、根据不同的网络使用模式确定所述网络质量数据的优先级；
S420、根据所述网络质量数据及其优先级，筛选所述第一时长内的最优网络线路。
根据不同的网络使用模式确定所述网络质量数据的优先级；当用户正在语音直播时，以语音相关的网络质量数据为最高级，当用户正在视频直播时，以语音和图像相关的网络质量数据为最高级，当用户正在远程全息投影直播时，以全息投影相关的网络质量数据为最高级，然后根据所述网络质量数据及其优先级，筛选所述第一时长内的最优网络线路。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图4，示出了本发明的一种基于大数据的网络线路切换装置实施例的结构框图，具体可以包括如下模块：
获取模块100，用于获取网络线路的网络质量数据和网络故障事件，其中，所述网络线路包括当前网络线路和可用网络线路，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时；
计算模块200，用于计算所述网络质量数据与网络故障事件的关联度，其中，所述关联度为不同类型网络质量数据的变化对同一网络故障事件的贡献度；
预测模块300，用于根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻；
筛选模块400，用于根据所述可用网络线路的网络质量数据筛选最优网络线路；
切换模块500，用于当所述网络状况为不稳定时，切换为所述最优网络线路。
获取模块100，用于获取网络线路的网络质量数据和网络故障事件，其中，所述网络线路包括当前网络线路和可用网络线路，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时；通过对可用网络线路和当前网络线路进行监控，获得网络质量数据和网络故障事件，并将所述网络质量数据和网络故障事件保存至预设数据库中，以获得海量数据的数据库，从而为大数据分析技术提供足够的学习样本；其中，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时等，具体的，宽带网络上行速率（>800kbps为优、400kbps~800kbps为良、200kbps~400kbps为中、0kbps~200kbps为差）、宽带网络下行速率（同上行）、丢包率（>0.9%为差、0.6%~0.9%为中、0.2%~0.6%为良、0%~0.2%为优）、延迟（>100ms为差、50ms~100ms为中、30ms~50ms为良、0ms~30ms为优）。
计算模块200，用于计算所述网络质量数据与网络故障事件的关联度，其中，所述关联度为不同类型网络质量数据的变化对同一网络故障事件的贡献度；其中，对引发某项网络故障事件的贡献越大或/且所述网络质量影响程度越大的网络质量数据与该网络故障事件的关联度越大，关联度越大，则权重越大。
预测模块300，用于根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻；其中，所述网络故障事件包括断网、卡死、网络慢以及信号丢失；具体的，基于大数据技术，对数据库中海量的数据进行学习，然后对所述当前网络线路的网络质量数据及其与网络故障事件的关联度进行分析评估，预判所述当前网络线路在第一时长内的网络状况。即：根据所述网络质量数据的变化量获得所述网络状况的预判结果；基于所述网络质量数据的变化量和所述网络质量数据与网络故障事件的关联度判断所述预判结果是否有误；当所述预判结果无误，输出所述当前网络线路在第一时长内的网络状况。所述网络质量数据还包括当前用户近期网络故障事件频率和所在地预设范围内的网络故障事件。所述第一时长为预设时长，具体根据实际需要进行设置。
筛选模块400，用于根据所述可用网络线路的网络质量数据筛选最优网络线路；对数据库中的宽带量、丢包率、网络抖动以及延时等网络质量数据进行学习，然后对所有所述可用网络线路的网络质量数据进行分析评估，预判并筛选在所述第一时长内的最优网络线路。即根据不同的网络使用模式确定所述网络质量数据的优先级；根据所述网络质量数据及其优先级，筛选所述第一时长内的最优网络线路。
切换模块500，用于当所述网络状况为不稳定时，切换为所述最优网络线路；当对所述网络状况的预判结果为不稳定时，将所述当前网络线路切换为所述最优网络线路，所述预判结果为不稳定的情况包括：任一项所述网络质量数据的评估为差即为不稳定；例如宽带量、丢包率、网络抖动或者延时等数据评估等级为差。在另一具体实施例中，当所述网络状况的预判结果为稳定时，将所述当前网络线路与所述最优网络线路进行对比分析，若所述当前网络线路的综合稳定性比所述最优网络线路的综合稳定性好，即保持当前网络线路，否则将所述当前网络线路切换为所述最优网络线路。
获取模块100，用于获取网络线路的网络质量数据和网络故障事件，其中，所述网络线路包括当前网络线路和可用网络线路，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时之前，包括：
搜索模块，用于搜索所述网络线路；
监测模块，用于监测所述网络线路的网络质量数据和网络故障事件；
存储模块，用于保存所述网络质量数据和所述网络故障事件至预设数据库。
每间隔一段时间搜索当前可用网络线路，以更新当前可用网络线路，从而减小系统的工作量；当以预判精度为要求，则设置每间隔所述第一时长进行搜索一次，并以开始预判的时刻进行计算；当以减少系统的工作量为要求，则可以间隔所述第一时长的倍数，具体根据实际情况而进行设置。在搜索当前可用网络线路后，对所有的可用网络线路进行编号。
预测模块300，用于根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻，包括：
第一预判模块，用于根据所述网络质量数据的变化量获得所述网络状况的预判结果；
第二预判模块，用于基于所述网络质量数据的变化量和所述网络质量数据与网络故障事件的关联度判断所述预判结果是否有误；
判断模块，用于当所述预判结果无误，输出所述当前网络线路在第一时长内的网络状况。
基于大数据技术，对数据库中海量的数据进行学习，分析不同所述网络质量数据对网络故障事件的影响程度，即根据历史网络质量数据计算不同所述网络质量数据导致网络故障事件的频率；其中，所述网络故障事件包括断网、卡死、网络慢以及信号丢失，所述网络质量数据还包括CPU(Central Processing Unit，简写为CPU，中文名称为中央处理器)占用率，宽带上、下行速率、进入与退出时间。根据预设评分表获得各项所述网络质量数据的变化量评分；对各项所述网络质量数据变化量的评分进行求和，获得初步评分；根据所述初步评分获得所述网络状况的预判结果；再根据所述网络质量数据与网络故障事件的关联度确定各项所述网络质量数据的权重；将各项所述网络质量数据的权重与相应的变化量评分求积后再求和，获得综合评分；根据所述综合评分判断所述预判结果是否有误；当所述预判结果无误，输出所述当前网络线路在第一时长内的网络状况。其中，不同类型网络故障事件下，所述网络质量数据的权重不同，每个类型的网络故障事件都有不同网络质量数据的变化所引起，并且同一网络质量数据的变化对同一类型的网络故障事件会有不同的影响程度。
第一预判模块，还用于根据预设评分表获得各项所述网络质量数据的变化量评分；对各项所述网络质量数据变化量的评分进行求和，获得初步评分，其中，当所述初步评分低于某一阈值，则直接判定当前网络状况稳定；根据所述初步评分获得所述网络状况的预判结果；具体地，基于大数据学习，分析不同的网络质量数据及其变化量对网络质量的影响程度，从而建立评分表，根据所述评分表对各项所述网络质量数据的变化量进行精确评分并求和，以得到能够反映网络状况的初步评分，从而根据所述初步评分对当前网络状况进行初步预判；通过对所述网络质量数据进行初步评分获得预判结果，能够减少系统的工作量。
第二预判模块，还用于根据预设评分表获得各项所述网络质量数据的变化量评分；根据所述网络质量数据与网络故障事件的关联度确定各项所述网络质量数据的权重，其中，对引发某项网络故障事件的贡献越大或/且所述网络质量影响程度越大的网络质量数据与该网络故障事件的关联度越大，关联度越大，则权重越大；将各项所述网络质量数据的权重与相应的变化量评分求积后再求和，获得综合评分；根据所述综合评分判断所述预判结果是否有误，具体地，当所述综合评分与所述初步评分位于同一分段，则所述预判结果无误，当所述综合评分与所述初步评分未处于同一分段，则所述预判结果有误，且以所述综合评分为准；通过对所述网络质量数据进行初步评分获得预判结果，能够减少系统的工作量，通过对所述网络质量数据进行综合评分能够保证预判的进度。
预测模块300，还用于间隔所述第一时长预判一次所述当前网络线路在第一时长内的网络状况；在预判当前网络线路第一时长的网络状况后结束预判，并在间隔该第一时长后，即进入未被预判的时间段，再次对当前网络线路第一时长的网络状况进行预判，从而不仅减少系统的工作量而且可以保证所有时间段都能被评估预判。
所述网络质量数据还包括当前用户近期网络故障事件频率和所在地预设范围内的网络故障事件；当判断当前用户近期网络故障事件频率较高或者所在地预设范围内发生网络故障事件时，则直接切换最优网络线路。
筛选模块400，用于所述根据所述可用网络线路的网络质量数据筛选最优网络线路，包括：
确定模块，用于根据不同的网络使用模式确定所述网络质量数据的优先级；
筛选子模块，用于根据所述网络质量数据及其优先级，筛选所述第一时长内的最优网络线路。
根据不同的网络使用模式确定所述网络质量数据的优先级；当用户正在语音直播时，以语音相关的网络质量数据为最高级，当用户正在视频直播时，以语音和图像相关的网络质量数据为最高级，当用户正在远程全息投影直播时，以全息投影相关的网络质量数据为最高级，然后根据所述网络质量数据及其优先级，筛选所述第一时长内的最优网络线路。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
参照图5，在本发明实施例中，本发明还提供一种计算机设备，上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件（包括系统存储器28和处理单元16）的总线18。
总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构（ISA）总线18，微通道体系结构（MAC）总线18，增强型ISA总线18、音视频电子标准协会（VESA）局域总线18以及外围组件互连（PCI）总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（RAM）31和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质（通常称为“硬盘驱动器”）。尽管图5中未示出，可以提供用于对可移动非易失性磁盘（如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如CD~ROM，DVD~ROM或者其他光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。
具有一组（至少一个）程序模块42的程序/实用工具41，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14（例如键盘、指向设备、显示器24、摄像头等）通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络（例如局域网（LAN）），广域网（WAN）和/或公共网络（例如因特网）通信。如图所示，网络适配器21通过总线18与计算机设备12的其他模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于大数据的网络线路切换方法。
即上述处理单元16执行上述程序时实现：获取网络线路的网络质量数据和网络故障事件，其中，所述网络线路包括当前网络线路和可用网络线路，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时；计算所述网络质量数据与网络故障事件的关联度，其中，所述关联度为不同类型网络质量数据的变化对同一网络故障事件的贡献度；根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻；根据所述可用网络线路的网络质量数据筛选最优网络线路；当所述网络状况为不稳定时，切换为所述最优网络线路。
在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的基于大数据的网络线路切换方法。
也即，给程序被处理器执行时实现：获取网络线路的网络质量数据和网络故障事件，其中，所述网络线路包括当前网络线路和可用网络线路，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时；计算所述网络质量数据与网络故障事件的关联度，其中，所述关联度为不同类型网络质量数据的变化对同一网络故障事件的贡献度；根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻；根据所述可用网络线路的网络质量数据筛选最优网络线路；当所述网络状况为不稳定时，切换为所述最优网络线路。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD~ROM）、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种基于大数据的网络线路切换方法和一种基于大数据的网络线路切换装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于大数据的网络线路切换方法，用于在线教学直播出现网络问题之前，自动切换最优网络线路，其特征在于，包括：
获取网络线路的网络质量数据和网络故障事件，其中，所述网络线路包括当前网络线路和可用网络线路，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时；
计算所述网络质量数据与网络故障事件的关联度，其中，所述关联度为不同类型网络质量数据的变化对同一网络故障事件的贡献度；
根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻；
根据所述可用网络线路的网络质量数据筛选最优网络线路；
当所述网络状况为不稳定时，切换为所述最优网络线路；
其中，所述根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，包括：
根据所述网络质量数据的变化量获得所述网络状况的预判结果；
基于所述网络质量数据的变化量以及所述网络质量数据与网络故障事件的关联度判断所述预判结果是否有误；
当所述预判结果无误，输出所述当前网络线路在第一时长内的网络状况。
2.根据权利要求1所述的方法，其特征在于，所述获取网络线路的网络质量数据和网络故障事件，其中，所述网络线路包括当前网络线路和可用网络线路，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时之前，包括：
搜索所述网络线路；
监测所述网络线路的网络质量数据和网络故障事件；
保存所述网络质量数据和所述网络故障事件至预设数据库。
3.根据权利要求2所述的方法，其特征在于，所述根据所述网络质量数据的变化量获得所述网络状况的预判结果，包括：
根据预设评分表获得各项所述网络质量数据的变化量评分；
对各项所述网络质量数据变化量的评分进行求和，获得初步评分；
根据所述初步评分获得所述网络状况的预判结果。
4.根据权利要求3所述的方法，其特征在于，所述基于所述网络质量数据的变化量和所述网络质量数据与网络故障事件的关联度判断所述预判结果是否有误，包括：
根据预设评分表获得各项所述网络质量数据的变化量评分；
根据所述网络质量数据与网络故障事件的关联度确定各项所述网络质量数据的权重；
将各项所述网络质量数据的权重与相应的变化量评分求积后再求和，获得综合评分；
根据所述综合评分判断所述预判结果是否有误。
5.根据权利要求3所述的方法，其特征在于，所述根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻，包括：
间隔所述第一时长预判一次所述当前网络线路在第一时长内的网络状况。
6.根据权利要求1所述的方法，其特征在于，所述根据所述可用网络线路的网络质量数据筛选最优网络线路，包括：
根据不同的网络使用模式确定所述网络质量数据的优先级；
根据所述网络质量数据及其优先级，筛选所述第一时长内的最优网络线路。
7.一种基于大数据的网络线路切换装置，用于在线直播出现网络问题之前，自动切换最优网络线路，其特征在于，包括：
获取模块，用于获取网络线路的网络质量数据和网络故障事件，其中，所述网络线路包括当前网络线路和可用网络线路，所述网络质量数据包括宽带量、丢包率、网络抖动以及延时；
计算模块，用于计算所述网络质量数据与网络故障事件的关联度，其中，所述关联度为不同类型网络质量数据的变化对同一网络故障事件的贡献度；
预测模块，用于根据所述当前网络线路的网络质量数据及其与网络故障事件的关联度预判所述当前网络线路在第一时长内的网络状况，其中，所述第一时长的起算点为当前时刻；
筛选模块，用于根据所述可用网络线路的网络质量数据筛选最优网络线路；
切换模块，用于当所述网络状况为不稳定时，切换为所述最优网络线路；
所述预测模块，还用于根据所述网络质量数据的变化量获得所述网络状况的预判结果；基于所述网络质量数据的变化量以及所述网络质量数据与网络故障事件的关联度判断所述预判结果是否有误；当所述预判结果无误，输出所述当前网络线路在第一时长内的网络状况。
8.电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的基于大数据的网络线路切换的方法的步骤。
9.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上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于大数据的网络线路切换的方法的步骤。
CN202110141520.4A 2021-02-02 2021-02-02 一种基于大数据的网络线路切换方法和装置 Active CN112468376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110141520.4A CN112468376B (zh) 2021-02-02 2021-02-02 一种基于大数据的网络线路切换方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110141520.4A CN112468376B (zh) 2021-02-02 2021-02-02 一种基于大数据的网络线路切换方法和装置

Publications (2)

Publication Number Publication Date
CN112468376A CN112468376A (zh) 2021-03-09
CN112468376B true CN112468376B (zh) 2021-05-07

Family

ID=74802568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110141520.4A Active CN112468376B (zh) 2021-02-02 2021-02-02 一种基于大数据的网络线路切换方法和装置

Country Status (1)

Country Link
CN (1) CN112468376B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1363165A (zh) * 2000-02-15 2002-08-07 三菱电机株式会社 通信系统和通信方法以及发送终端和接收终端
CN101720107A (zh) * 2009-03-23 2010-06-02 上海通琅信息技术有限公司 无线多媒体传输的多路联合通信系统及方法
CN106656676A (zh) * 2017-01-05 2017-05-10 国网新疆电力公司信息通信公司 存储链路的选择方法及装置
CN109787856A (zh) * 2018-12-19 2019-05-21 西安交通大学 一种基于lte网络链路状态的has带宽预测方法
CN111404773A (zh) * 2020-03-10 2020-07-10 深信服科技股份有限公司 一种网络质量监测方法、装置及电子设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102281609A (zh) * 2011-08-26 2011-12-14 江苏合成物联网科技有限公司 一种基于物联网的路由改进协议

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1363165A (zh) * 2000-02-15 2002-08-07 三菱电机株式会社 通信系统和通信方法以及发送终端和接收终端
CN101720107A (zh) * 2009-03-23 2010-06-02 上海通琅信息技术有限公司 无线多媒体传输的多路联合通信系统及方法
CN106656676A (zh) * 2017-01-05 2017-05-10 国网新疆电力公司信息通信公司 存储链路的选择方法及装置
CN109787856A (zh) * 2018-12-19 2019-05-21 西安交通大学 一种基于lte网络链路状态的has带宽预测方法
CN111404773A (zh) * 2020-03-10 2020-07-10 深信服科技股份有限公司 一种网络质量监测方法、装置及电子设备和存储介质

Also Published As

Publication number Publication date
CN112468376A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN109445884B (zh) 一种功能标签展示方法及终端设备
CN112183729A (zh) 一种神经网络模型训练方法、装置及计算机可读存储介质
US20170017655A1 (en) Candidate services for an application
US10057155B2 (en) Method and apparatus for determining automatic scanning action
US10592606B2 (en) System and method for detecting portability of sentiment analysis system based on changes in a sentiment confidence score distribution
CN111459783A (zh) 应用程序优化方法、装置、电子设备及存储介质
CN111881023A (zh) 一种基于多模型对比的软件老化预测方法及装置
WO2022213565A1 (zh) 一种人工智能模型预测结果的复审方法及装置
WO2021135322A1 (zh) 一种自动出题方法、装置及系统
US20210201688A1 (en) Real Time Formative Assessment and Lesson Plan Recommendation With Remedial Learning Assessment
CN114398556A (zh) 学习内容的推荐方法、装置、设备及存储介质
CN113033329A (zh) 在线教育中题目非正常作答的判定方法以及装置
KR20120090564A (ko) 학습능력관리 장치 및 방법, 클라우드 컴퓨팅 서비스 장치 및 클라우드 컴퓨팅을 이용한 학습능력관리 방법
CN110688409A (zh) 学习状态的挖掘方法、推荐方法及电子设备
CN112468376B (zh) 一种基于大数据的网络线路切换方法和装置
CN116861236A (zh) 违规用户识别方法、装置、设备、存储介质以及产品
US20220327450A1 (en) Method for increasing or decreasing number of workers and inspectors in crowdsourcing-based project for creating artificial intelligence learning data
CN115861890A (zh) 一种视频分析方法和装置、电子设备和存储介质
US20220351633A1 (en) Learner engagement engine
CN115359341A (zh) 一种模型更新方法、装置、设备及介质
CN113934872A (zh) 一种搜索结果的排序方法、装置、设备以及存储介质
CN111143346B (zh) 标签组的差异性确定方法、装置、电子设备及可读介质
CN114266170A (zh) 一种燃气输配管网中气源供应范围识别方法和装置
CN113449212A (zh) 针对搜索结果的质量评估、优化方法和装置、设备
CN113537631A (zh) 药品需求量的预测方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant