CN112491627A - 一种网络质量实时分析方法及装置 - Google Patents
一种网络质量实时分析方法及装置 Download PDFInfo
- Publication number
- CN112491627A CN112491627A CN202011399515.5A CN202011399515A CN112491627A CN 112491627 A CN112491627 A CN 112491627A CN 202011399515 A CN202011399515 A CN 202011399515A CN 112491627 A CN112491627 A CN 112491627A
- Authority
- CN
- China
- Prior art keywords
- network quality
- quality analysis
- data
- network
- analysis result
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种网络质量实时分析方法及装置,实时采集网络质量数据,网络质量数据包括流量包数据和网关数据;提取流量包数据和网关数据中的关键指标数据,将关键指标数据输入预先构建的网络质量分析系统,使网络质量分析系统利用关键指标数据进行网络质量分析,得到多个网络质量分析结果,并从多个网络质量分析结果中选取结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果;其中,网络质量分析系统包括多个网络质量分析模型,每个网络质量分析模型对关键指标数据进行网络质量分析,输出一个网络质量分析结果。基于本发明,能够提高网络质量分析的准确性和效率。
Description
技术领域
本发明涉及计算机技术领域,更具体地说,涉及一种网络质量实时分析方法及装置。
背景技术
随着计算机技术的不断发展,虚拟网络的发展也越来越快。不同的用户可以通过虚拟网络共享计算中心的资源,但又相互隔离,这就使虚拟网关中几乎每时每刻有流量通过。
在虚拟网络中虽然已经实现了网络自动部署和网络资源的统一管理,通过对流量设置阈值,实时监控以便即时发出告警或者限制流量的出入,但是对于网络质量的综合分析主要还是通过技术人员根据自身经验主动进行网络探测以对网络质量进行分析。但是,通过技术人员对网络质量进行分析,不仅效率低,而且技术人员的分析水平参差不齐,导致得到的网络质量分析结果可能存在不准确。
发明内容
有鉴于此,本发明提供一种网络质量实时分析方法及装置,以提高网络质量分析的准确性和效率为目的。
本发明第一方面公开一种网络质量实时分析方法,所述方法包括:
实时采集网络质量数据,所述网络质量数据包括流量包数据和网关数据;
提取所述流量包数据和所述网关数据中的关键指标数据,
将所述关键指标数据输入预先构建的网络质量分析系统,使所述网络质量分析系统利用所述关键指标数据进行网络质量分析,得到多个网络质量分析结果,并从所述多个网络质量分析结果中选取结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果;
其中,所述网络质量分析系统包括多个网络质量分析模型,每个网络质量分析模型对所述关键指标数据进行网络质量分析,输出一个网络质量分析结果。
可选的,所述网络质量分析系统包括决策树模型、神经网络模型和二分类模型,所述网络质量分析系统利用所述关键指标数据进行网络质量分析,得到多个网络质量分析结果,并从所述多个网络质量分析结果中选取结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果,包括:
所述决策树模型利用所述关键指标数据进行网络质量分析,得到第一网络质量分析结果;
所述神经网络模型利用所述关键指标数据进行网络质量分析,得到第二网络质量分析结果;
所述二分类模型利用所述关键指标数据进行网络质量分析,得到第三网络质量分析结果;
选取所述第一网络质量分析结果、所述第二网络质量分析结果和所述第三网络质量分析结果中结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果。
可选的,所述网络质量分析系统的构建过程,包括:
获取所述历史网络质量数据,所述历史网络质量数据包括历史流量数据包和历史网关数据;
提取所述历史流量数据包和所述历史网关数据中的历史关键指标数据;
将所述历史关键指标数据输入待训练决策树模型中,以便所述待训练决策树模型利用所述历史关键指标数据进行网络质量分析,以分析出的网络质量分析结果趋近于目标网络质量分析结果为训练目标,对所述待训练决策树模型进行训练,直至所述待训练决策树模型达到收敛,得到决策树模型;
将所述历史关键指标数据输入待训练神经网络模型中,以便所述待训练神经网络模型利用所述历史关键指标数据进行网络质量分析,以分析出的网络质量分析结果趋近于所述目标网络质量分析结果为训练目标,对所述待训练神经网络模型进行训练,直至所述待训练神经网络模型达到收敛,得到神经网络模型;
将所述历史关键指标数据输入待训练二分类模型中,以便所述待训练二分类模型利用所述历史关键指标数据进行网络质量分析,与分析出的网络质量分析结果趋近于所述目标网络质量分析结果为训练目标,对所述待训练二分类模型进行训练,直至所述待训练二分类模型达到收敛,得到二分类模型;
基于所述决策树模型、所述神经网络模型和所述二分类模型构建所述网络质量预测系统。
可选的,所述方法还包括:
利用所述最优网络质量分析结果对所述网络质量数据进行网络质量标识;
将所述最优网络质量分析结果、所述网络质量数据和进行了网络质量标识后的网络质量数据存储至数据库中。
可选的,所述方法还包括:
从所述数据库中获取第一预设时间段内的至少一个最优网络质量分析结果;
判断所述至少一个最优网络质量分析结果中表征网络状态差的最优网络质量分析结果的数量是否小于预设数量;
若所述至少一个最优网络质量分析结果中表征网络状态差的网络质量分析结果的数量不小于预设数量,输出报警信息。
可选的,所述方法还包括:
从所述数据库中获取第一预设时间段内的至少一个最优网络质量分析结果;
判断所述至少一个最优网络质量分析结果中是否存在连续第二预设时间段内出现表征网络状态差的最优网络质量分析结果;
若所述至少一个最优网络质量分析结果中存在连续所述第二预设时间段内出现表征网络状态差的最优网络质量分析结果,输出报警信息。
可选的,所述方法还包括:
实时从所述数据库中获取所述最优网络质量分析结果;
利用所述最优网络质量分析结果绘制网络质量分析图;
基于所述网络质量分析图对前端示出的网络质量分析图进行更新。
可选的,所述方法还包括:
周期性从所述数据库中获取多个进行了网络质量标识的网络质量数据;
利用所述多个进行了网络质量标识的网络质量数据分别对所述网络质量分析系统中的各个网络质量分析模型进行训练,直至各个所述网络质量分析网络达到收敛,以实现所述网络质量分析系统的优化。
本发明第二方面公开一种网络质量实时分析装置,所述装置包括:
第一采集单元,用于实时采集网络质量数据,所述网络质量数据包括流量包数据和网关数据;
第一提取单元,用于提取所述流量包数据和所述网关数据中的关键指标数据;
第一网络质量分析单元,用于将所述关键指标数据输入预先构建的网络质量分析系统,使所述网络质量分析系统利用所述关键指标数据进行网络质量分析,得到多个网络质量分析结果,并从所述多个网络质量分析结果中选取结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果;
其中,所述网络质量分析系统包括多个网络质量分析模型,每个网络质量分析模型对所述关键指标数据进行网络质量分析,输出一个网络质量分析结果。
可选的,所述网络质量分析系统包括决策树模型、神经网络模型和二分类模型,所述第一网络质量分析单元,包括:
第二网络质量分析单元,用于所述决策树模型利用所述关键指标数据进行网络质量分析,得到第一网络质量分析结果;
第三网络质量分析单元,用于所述神经网络模型利用所述关键指标数据进行网络质量分析,得到第二网络质量分析结果;
第四网络质量分析单元,用于所述二分类模型利用所述关键指标数据进行网络质量分析,得到第三网络质量分析结果;
选取单元,用于选取所述第一网络质量分析结果、所述第二网络质量分析结果和所述第三网络质量分析结果中结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果。
本发明提供一种网络质量实时分析方法及装置,预先构建由多个网络质量分析模型构成的网络质量分析系统,通过实时采集网络质量数据,并从采集的网络质量数据的流量包数据和网关数据中提取关键指标数据,将提取到的关键指标数据输入预先构建的网络质量分析系统,以便预先构建的网络质量分析系统中的每个网络质量分析模型对关键指标数据进行网络质量分析,得到多个网络质量分析结果,最后从得到的多个网络质量分析结果中选取结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果。本发明提供的技术方案,不需要技术人员的介入,通过预先构建的网络质量分析系统就能够实现网络质量分析得到最终的网络质量分析结果,提高了网络质量分析的效率和准确性。
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,下面将对实施例或现有技术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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种虚拟网关中的流量走向的结果示意图;
图2为本发明实施例提供的一种网络质量实时分析方法的流程示意图;
图3为本发明实施例提供的另一种网络质量实时分析方法的流程示意图;
图4为本发明实施例提供的一种网络质量实时分析装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本申请中,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、物品或者设备中还存在另外的相同要素。
由上述背景技术可知,虚拟网关中几乎每时每刻都有流量通过,具体的,虚拟网关中的流量走向,如图1所示,用户通过云计算服务(Virtual Private Cloud,VPC)访问虚拟网络共享计算中心的资源时产生的流量通过虚拟网关集群进入交换机,并通过交换机进入互联网数据中心(Internet Data Center,IDC),以便互联网数据IDC进行流量监控。
但是,互联网数据中心IDC只能实现简单的流量监控,比如,通过对流量设置阈值,实时监控以便即时发出告警或者限制流量的出入,无法实现网络质量的分析,目前主要还是需要通过技术人员根据自身经验主动进行网络探测以对网络质量进行分析,但是,通过技术人员对网络质量进行分析,不仅效率低,而且技术人员的分析水平参差不齐,导致得到的网络质量分析结果可能存在不准确。
因此,本发明提供一种网络质量实时分析方法及装置,不仅能够提高网络质量分析的效率,还能够提供网络质量分析的准确性。
参见图2,示出了本发明实施例提供的一种网络质量实时分析方法的流程示意图,该网络质量实时分析方法具体包括以下步骤:
S201:实时采集网络质量数据,网络质量数据包括流量包数据和网关数据。
在具体执行步骤S201的过程中,通过抓包工具采集当前的流量包数据和虚拟网关当前产生的网关数据,并将采集到流量包数据和网关数据按照时间顺序存储至特征文件中,生成相应的子文件和子文件名称,将生成的子文件名称按照时间顺序存储至特征队列中。
S202:提取流量包数据和网关数据中的关键指标数据。
在步骤S202中,关键指标数据是指与关键指标相关的数据,关键指标可以为最大网段数量(Time To Live,TTL)生命值、文件传输速率、出包量大小、每秒入包量大小、每秒出流量、每秒入流量、传输控制协议(Transmission ControlProtocol,TCP)窗口大小、等待队列长度、每秒内数据包超时时间、每秒内包重传次数、每秒内各报文类型数量、相同的Seq与确认字符(Acknowledgement,ACK)重复出现次数、同一个数据流在业务路径上的不同网关的抓包时间点判断延迟、虚拟网关中央处理器(Central Processing Unit/Processor,CPU)利用率、内存、进程状态等等。
在具体执行步骤S202的过程中,从特定队列中获取通过抓包工具采集的网络质量数据的子文件名称,并根据该子文件名称从预设文件中获取相应的子文件,对子文件中的网络质量数据中的二进制数据进行分析,读取二进制数据中所包含的各项关键指标的信息,并提取所需的关键指标所对应的关键指标数据。
比如,若所需的关键指标为每秒内数据包超时时间、每秒内包重传次数、每秒内各报文类型数量、相同的Seq与ACK重复出现次数、同一个数据流在业务路径上的不同网关的抓包时间点判断延迟和虚拟网关CPU利用率,对流量包数据中的二进制数据进行分析,读取二进制数据中所包含的各项关键指标的信息,并从读取的各项关键指标的信息中提取与每秒内数据包超时时间对应的关键指标数据、每秒内包重传次数对应的关键指标数据、每秒内各报文类型数量对应的关键指标数据和相同的Seq与ACK重复出现次数的关键指标数据。
同样的,对网关数据中的二进制数据进行分析,从而读取二进制数据所包含的各项关键指标信息,并从读取的各项关键指标信息中提取同一个数据流在业务路径上的不同网关的抓包时间点判断延迟对应的关键指标数据和虚拟网关CPU利用率的关键指标数据。
S203:将关键指标数据输入预先构建的网络质量分析系统,使网络质量分析系统利用关键指标数据进行网络质量分析,得到多个网络质量分析结果,并从多个网络质量分析结果中选取结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果。
在步骤S203中,预先构建有网络质量分析系统,预先有关构建的网络质量分析系统包括决策树模型、神经网络模型和二分类模型。
其中,决策树模型是一个预测模型,能够代表对象属性与对象值之间的一种映射关系,树中每个节点表示某个对象,而每个分叉路径则代表的某个可能的属性值,而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。
神经网络模型是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型,能够通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的,并具有自学习和自适应的能力。
二分类模型可以通过利用已知的自变量来预测一个离散型因变量的值(像二进制值0/1,是/否,真/假),简单的来说,就是通过拟合一个逻辑函数来预测一个事件发生的概率。
在步骤S203中,网络质量分析结果可以为1或者0,若网络质量分析结果为1,可以认为该网络质量分析结果表征网络状态好,若网络质量分析结果为0,可以认为该网络质量分析结果表征网络状态差。
在具体执行步骤S203的过程中,在从采集到的流量包数据和网关数据中提取到关键指标数据后,将提取到的关键指标数据输入分别输入决策树模型、神经网络模型和二分类模型。使决策树模型利用关键指标数据进行网络质量分析,得到第一网络质量分析结果;神经网络模型利用关键指标数据进行网络质量分析,得到第二网络质量分析结果;二分类模型利用关键指标数据进行网络质量分析,得到第三网络质量分析结果,以便选取第一网络质量分析结果、第二网络质量分析结果和第三网络质量分析结果中结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果。
比如,在从采集到的流量包数据和网关数据中提取到关键指标数据后,将提取到的关键指标数据分别输入决策树模型、神经网络模型和二分类模型,若决策树模型利用关键指标数据进行网络质量分析,得到第一网络质量分析结果为1;神经网络模型利用关键指标数据进行网络质量分析,得到第二网络质量分析结果为0;二分类模型利用关键指标数据进行网络质量分析,得到第三网络质量分析结果为1,则第一网络质量分析结果、第二网络质量分析结果和第三网络质量分析结果中结果相同且个数最多的网络质量分析结果为1,及选取结果为1的网络质量分析结果作为最优网络质量分析结果。
在本申请实施例中,网络质量分析系统的构建过程具体如下所示:
A11:获取历史网络质量数据,历史网络质量数据包括历史流量数据包和历史网关数据。
在具体执行A11的过程中,通过抓包工具采集历史流量包数据和虚拟网关的历史网关数据,并将采集到历史流量包数据和历史网关数据按照时间顺序存储至特征文件中,生成相应的子文件和子文件名称,将生成的子文件名称按照时间顺序存储特征队列中。
A12:提取历史流量数据包和历史网关数据中的历史关键指标数据。
在具体执行步骤A12的过程中,从特征队列中获取通过抓包工具采集的历史网络质量数据的子文件名称,并根据该子文件名称从预设文件中获取与该子文件名称对应的子文件,对该子文件中的网络质量数据中的二进制数据进行分析,读取二进制数据中所包含的各项关键指标的信息,并提取所需的关键指标对应的历史关键指标数据,并将该历史关键指标数据存储至数据库中,形成训练样本,以便利用该训练样本对待训练决策树模型、待训练神经网络模型和待训练二分配模型进行训练。
A13:将历史关键指标数据输入待训练决策树模型中,以便待训练决策树模型利用历史关键指标数据进行网络质量分析,以分析出的网络质量分析结果趋近于目标网络质量分析结果为训练目标,对待训练决策树模型进行训练,直至待训练决策树模型达到收敛,得到决策树模型。
在步骤A13中,待训练决策树模型中使用的损失函数如下公式(1)所示:
其中,|T|代表叶节点个数,t代表决策树T的叶子节点,Nt表示具体某个叶节点的样例数,α表示正则化系数,Ht表示叶节点经验熵,叶节点表示最终分类类别,需要通过特征选择、决策树生成和减枝三个过程确定最终决策树模型。
在具体执行A13的过程中,在从历史流量包数据和网关数据中提取到历史关键指标数据后,将提取到的历史关键指标数据输入待训练决策树模型,以便待训练决策树模型利用历史关键指标数据进行网络质量分析,以分析出的网络质量分析结果趋近于目标网络质量分析结果为训练目标构建如公式(1)所示的损失函数,以便基于构建的损失函数反向调节待训练决策树模型中的参数,以使得待训练决策树模型达到收敛,得到决策树模型。
A14:将历史关键指标数据输入待训练神经网络模型中,以便待训练神经网络模型利用历史关键指标数据进行网络质量分析,以分析出的网络质量分析结果趋近于目标网络质量分析结果为训练目标,对待训练神经网络模型进行训练,直至待训练神经网络模型达到收敛,得到神经网络模型。
在步骤A14中,神经网络模型包含三个部分:inputlayer(输入层)、hidden layer(中间层或隐藏层)、outputlayer(输出层),通过计算每一个神经层的sigmoid函数的结果,并将得到的结果作为输入项输入至下一层中,如此循环迭代,得出最终分类结果。神经网络模型中每一层的节点称为“神经元”,位于input layer的神经元对应关键指标数据。hiddenlayer和output layer中的神经元由activation function(激活函数)表达。其中,最常用激活函数可以为sigmoid函数,sigmoid函数具体如下公式(2)所示:
其中,e常数,x为训练样本,即历史关键指标数据。
在具体执行A14的过程中,在从历史流量包数据和网关数据中提取到历史关键指标数据后,将提取到的历史关键指标数据输入待训练神经网络模型的inputlayer(输入层),以便待训练神经网络模型的input layer(输入层)对历史关键指标数据进行处理,并将输出的结果输入hidden layer(隐藏层),以便hiddenlayer(隐藏层)对输入的结果进行处理,并将输出的结果输入output layer(输出层),以便output layer(输出层)对输入的结果进行处理得到最终的网络质量分析结果,计算最终的网络质量分析结果和目标网络质量分析结果之间的误差,将误差逆向传播到隐藏层的神经元,最终根据隐藏层神经元计算得来的误差来调整连接的权值和神经元的阈值,直至待训练神经网络模型达到收敛,得到神经网络模型。其中,目标网络质量分析结果为通过抓包工具采集的历史网络质量数据对应的网络质量分析结果。
A15:将历史关键指标数据输入待训练二分类模型中,以便待训练二分类模型利用历史关键指标数据进行网络质量分析,与分析出的网络质量分析结果趋近于目标网络质量分析结果为训练目标,对待训练二分类模型进行训练,直至待训练二分类模型达到收敛,得到二分类模型。
在步骤A15中,二分类模型可以为SVM模型,SVM模型基本模型是定义在特征空间上的间隔最大的线性分类器,它定义几何间隔如下公式(3)所示,SVM模型中所有样本点的几何间隔的最小值如公式(4)所示,以及SVM模型的求解最大分割超平面问题可以表示为以下约束最优化问题如公式(5)所示,通过求解公式(5)的凸二次规划问题,便可得到最终分类法则。
其中,γ为样本点的几何间隔的最小值,ω代表权重,b为常数,N为训练样本集,即历史关键指标数据集,x为历史关键指标数据,y为目标网络质量分析结果,即1或0。
在具体执行A15的过程中,在从历史流量包数据和网关数据中提取到历史关键指标数据后,将提取到的历史关键指标数据输入待训练二分类模型,以便待训练二分类模型利用历史关键指标数据进行网络质量分析,以分析出的网络质量分析结果趋近于目标网络质量分析结果为训练目标,反向调节待训练二分类模型中的参数,以使得待训练二分类模型达到收敛,得到待训练二分类模型。
需要说明的是,可以同时将历史关键指标数据分别输入待训练决策树模型、待训练神经网络模型、待训练二分类模型,以便同时对待训练决策树模型、待训练神经网络模型、待训练二分类模型进行训练,得到决策树模型、神经网络模型、二分类模型。
A16:基于决策树模型、神经网络模型和二分类模型构建网络质量预测系统。
在具体执行A16的过程中,在利用从历史流量包数据和历史网关数据中提取的历史关键指标数据分别对待训练决策树模型、待训练神经网络和待训练二分类模型进行训练,得到决策树模型、神经网络模型和二分类网络模型后,将决策树模型、神经网络模型和二分类网络模型封装成一个api接口或者前端页面,从而形成网络质量分析系统。
本发明提供一种网络质量实时分析方法,预先构建由多个网络质量分析模型构成的网络质量分析系统,通过实时采集网络质量数据,并从采集的网络质量数据的流量包数据和网关数据中提取关键指标数据,将提取到的关键指标数据输入预先构建的网络质量分析系统,以便预先构建的网络质量分析系统中的每个网络质量分析模型对关键指标数据进行网络质量分析,得到多个网络质量分析结果,最后从得到的多个网络质量分析结果中选取结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果。本发明提供的技术方案,不需要技术人员的介入,通过预先构建的网络质量分析系统就能够实现网络质量分析得到最终的网络质量分析结果,提高了网络质量分析的效率和准确性。
参见图3,示出了本发明实施例提供的另一种网络质量实时分析方法的流程示意图,该网络质量实时分析方法具体包括以下步骤:
S301:实时采集网络质量数据,网络质量数据包括流量包数据和网关数据。
S302:提取流量包数据和网关数据中的关键指标数据。
S303:将关键指标数据输入预先构建的网络质量分析系统,使网络质量分析系统利用关键指标数据进行网络质量分析,得到多个网络质量分析结果,并从多个网络质量分析结果中选取结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果。
在具体执行步骤S301-步骤S303的过程中,步骤S301-步骤S303的具体执行过程和实现原理与上述本发明实施例公开的图2中的步骤S201-步骤S203的具体执行过程和实现原理相同,可参见上述本发明实施例公开的图2中的相应部分,这里不再进行赘述。
S304:利用最优网络质量分析结果对网络质量数据进行网络质量标识。
在具体执行步骤S304的过程中,在利用网络质量分析系统对关键指标数据进行网络质量分析,得到多个网络质量分析结果,并从多个网络质量分析结果中选取结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果后,可以利用最优网络分析结果对相应的网络质量数据进行网络质量标识。
比如,采集到的网络质量数据为网络质量数据1,从采集到的网络质量数据1的流量包数据和网关数据中提取到关键指标数据后,将提取到的关键指标数据输入预先构建的网络质量分析系统中,若网络质量分析系统中的决策树模型利用关键指标数据进行网络质量分析,得到第一网络质量分析结果为1;神经网络模型利用关键指标数据进行网络质量分析,得到第二网络质量分析结果为0;二分类模型利用关键指标数据进行网络质量分析,得到第三网络质量分析结果为0。
第一网络质量分析结果(1)、第二网络质量分析结果(0)和第三网络质量分析结果(0)中结果相同且个数最多的网络质量分析结果为0,则选取结果为0的网络质量分析结果作为最优网络质量分析结果,并利用最优网络质量分析结果(0)对网络质量数据1进行网络质量标识。
S305:将最优网络质量分析结果、网络质量数据和进行了网络质量标识后的网络质量数据存储至数据库中。
在具体执行步骤S305的过程中,在利用最优网络质量分析结果对网络质量数据进行网络质量标识后,可以将最优网络质量分析结果、网络质量数据和进行网络质量标识后的网络质量数据存储至数据库中。
需要说明的是,可以根据不同的源IP和端口对数据库进行划分,以便根据所获取的网络质量数据对应源IP和端口,将所获取的网络质量数据、对该网络质量数据进行网络质量分析得到的最优网络质量分析结果和进行利用该最优网络质量分析结果进行网络质量标识的网络质量数据存储至数据库中相应的位置。
在本申请实施例中,还可以针对表征网络状态好的最优网络质量分析结果设置相应的清理时间或者内存使用阈值,当到达清理时间或者存储表征网络状态好的最优网络质量分析结果的内存到达内存使用阈值时,将数据库中存储的表征网络状态好的最优网络质量分析结果进行清除。
S306:实时从数据库中获取最优网络质量分析结果。
在具体执行步骤S306的过程中,在将最优网络质量分析结果存储至数据库后,可以从数据库中获取该最优网络质量分析结果,以便利用所获取的最优网络质量分析结果绘制网络质量分析图。
进一步的,在本申请实施例中,还可以周期性的从数据库中获取最近预设时间段内的多个最优网络质量分析结果,并根据所获取的多个最优网络质量分析结果绘制网络质量分析图。
比如,预设时间段为2分钟,一个周期也为2分钟,每隔2分钟就从数据库中获取最近2分钟内的多个最优网络质量分析结果,以便根据所获取的多个最优网络质量分析结果绘制网络质量分析图。
S307:利用最优网络质量分析结果绘制网络质量分析图。
在具体执行步骤S307的过程中,在从数据库中获取到最优网络质量分析结果后,可以利用最优网络质量分析结果按照时间的顺序在当前的网络质量分析图的基础上绘制网络质量分析图。
S308:基于网络质量分析图对前端示出的网络质量分析图进行更新。
在具体执行步骤S308的过程中,在利用所获取的最优网络质量分析结果在当前的网络质量分析图的基础上绘制网络质量分析图后,将绘制的网络质量分析图对前端示出的网络质量分析图进行更新,以便用户可以实时查看到最新的网络状态。
进一步的,在本申请实施例中,还可以根据从数据库中获取的一段时间内的多个最优网络质量分析结果,判断该段时间内的网络质量数据是否出现异常,并在出现异常的情况下,输出相应的报警信息,以便提示技术人员进行相应的维护操作。
作为本申请实施例的一种优选方式,根据从数据库中获取的一段时间内的多个最优网络质量分析结果,判断该段时间内的网络质量数据是否出现异常的过程可以为:从数据库中获取第一预设时间段内的至少一个最优网络质量分析结果;判断至少一个最优网络质量分析结果中表征网络状态差的最优网络质量分析结果的数量是否小于预设数量;若至少一个最优网络质量分析结果中表征网络状态差的网络质量分析结果的数量不小于预设数量,可以确定第一预设时间段内的网络质量数据出现异常,输出报警信息。其中,预设数量可以为具体的数值,也可以是百分比。
比如,若预设数量为具体数据值,第一预设时间为2分钟,预设数量可以为80,且最优网络质量分析结果的结果为1时,表征该最优网络质量分析结果对应的网络质量数据的网络状态良好,最优网络质量分析结果的结果为0时,表征该最优网络质量分析结果对应的网络质量数据的网络状态差。
从数据库中获取2分钟内的至少一个最优网络质量分析结果为120个,若120个最优网络质量分析结果中存在90个最优网络质量分析结果的结果为0,由于90大于80,确定120个最优网络质量分析结果中表征网络状态差的网络质量分析结果的数量不小于预设数量,确定这2分钟内的网络质量数据出现异常,输出报警信息。
若预设数量为百分比,第一预设时间为2分钟,预设数量可以为60%,且最优网络质量分析结果的结果为1时,表征该最优网络质量分析结果对应的网络质量数据的网络状态良好,最优网络质量分析结果的结果为0时,表征该最优网络质量分析结果对应的网络质量数据的网络状态差。
从数据库中获取30秒内的至少一个最优网络质量分析结果为30个,若30个最优网络质量分析结果中存在20个最优网络质量分析结果的结果为0,可以确定表征网络状态差的最优网络质量分析结果的数量占30秒内的最优网络质量分析结果的总数量的66.66%,由于66.66%大于60%,可以确定这30个最优网络质量分析结果中表征网络状态差的网络质量分析结果的数量不小于预设数量,进而确定这30秒内的网络质量数据出现异常,输出报警信息。
作为本申请实施例的另一种优选方式,根据从数据库中获取的一段时间内的多个最优网络质量分析结果,判断该段时间内的网络质量数据是否出现问题的过程还可以为:从数据库中获取第一预设时间段内的至少一个最优网络质量分析结果;判断至少一个最优网络质量分析结果中是否存在连续第二预设时间段内容出现表征网络状态差的最优网络质量分析结果;若至少一个最优网络质量分析结果中存在连续第二预设时间段内出现表征网络状态差的最优网络质量分析结果,可以确定第一预设时间段内的网络质量数据出现异常,输出报警信息。其中,第二预设时间段小于第一预设时间段。
比如,第一预设时间为2分钟,第二预设时间段为30秒,且最优网络质量分析结果的结果为1时,表征该最优网络质量分析结果对应的网络质量数据的网络状态良好,最优网络质量分析结果的结果为0时,表征该最优网络质量分析结果对应的网络质量数据的网络状态差。
从数据库中获取2分钟内的至少一个最优网络质量分析结果为120个,这120个最优网络质量分析结果中存在连续20秒内结果为1的最优网络质量分析结果和连续40秒内出现结果为0的最优网络质量分析结果,可以确定这120个最优网络质量分析结果中存在连续20秒内出现表征网络状态良好的最优网络质量分析结果,连续40秒内出现表征网络状态差的最优网络质量分析结果,由于40秒大于30秒,可以认为至少一个最优网络质量分析结果中存在连续第二预设时间段内出现表征网络状态差的最优网络质量分析结果,确定这2分钟内的网络质量数据出现异常,输出报警信息。
进一步的,在本申请实施例中,还可以周期性的从数据库中获取多个进行了网络质量标识的网络质量数据,进而利用多个进行了网络质量标识的网络质量数据分别对网络质量分析系统中的各个网络质量分析模型进行训练,直至各个网络质量分析网络达到收敛,以实现网络质量分析系统的优化,通过不断的对应网络质量分析系统进行优化,使在利用网络质量分析系统对关键指标数据进行网络质量分析时,得到的网络质量分析结果更加准确。
与上述本发明实施例公开的一种网络质量实时分析方法相对应,如图4所示,本发明实施例还提供了一种网络质量实时分析装置的结构示意图,该网络质量实时分析装置包括:
第一采集单元41,用于实时采集网络质量数据,网络质量数据包括流量包数据和网关数据;
第一提取单元42,用于提取流量包数据和网关数据中的关键指标数据;
第一网络质量分析单元43,用于将关键指标数据输入预先构建的网络质量分析系统,使网络质量分析系统利用关键指标数据进行网络质量分析,得到多个网络质量分析结果,并从多个网络质量分析结果中选取结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果;
其中,网络质量分析系统包括多个网络质量分析模型,每个网络质量分析模型对关键指标数据进行网络质量分析,输出一个网络质量分析结果。
上述本发明实施例公开的网络质量实时分析装置中各个单元具体的原理和执行过程,与上述本发明实施例图2公开的网络质量实时分析方法相同,可参见上述本发明实施例图2公开的网络质量实时分析方法中相应的部分,这里不再进行赘述。
本发明提供一种网络质量实时分析装置,预先构建由多个网络质量分析模型构成的网络质量分析系统,通过实时采集网络质量数据,并从采集的网络质量数据的流量包数据和网关数据中提取关键指标数据,将提取到的关键指标数据输入预先构建的网络质量分析系统,以便预先构建的网络质量分析系统中的每个网络质量分析模型对关键指标数据进行网络质量分析,得到多个网络质量分析结果,最后从得到的多个网络质量分析结果中选取结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果。本发明提供的技术方案,不需要技术人员的介入,通过预先构建的网络质量分析系统就能够实现网络质量分析得到最终的网络质量分析结果,提高了网络质量分析的效率和准确性。
优选的,网络质量分析系统包括决策树模型、神经网络模型和二分类模型,第一网络质量分析单元,包括:
第二网络质量分析单元,用于决策树模型利用关键指标数据进行网络质量分析,得到第一网络质量分析结果;
第三网络质量分析单元,用于神经网络模型利用关键指标数据进行网络质量分析,得到第二网络质量分析结果;
第四网络质量分析单元,用于二分类模型利用关键指标数据进行网络质量分析,得到第三网络质量分析结果;
选取单元,用于选取第一网络质量分析结果、第二网络质量分析结果和第三网络质量分析结果中结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果。
优选的,网络质量分析系统的构建过程,包括:
第一获取单元,用于获取历史网络质量数据,历史网络质量数据包括历史流量数据包和历史网关数据;
第二提取单元,用于提取历史流量数据包和历史网关数据中历史关键指标数据;
第一训练单元,用于将历史关键指标数据输入待训练决策树模型中,以便待训练决策树模型利用历史关键指标数据进行网络质量分析,以分析出的网络质量分析结果趋近于目标网络质量分析结果为训练目标,对待训练决策树模型进行训练,直至待训练决策树模型达到收敛,得到决策树模型;
第二训练单元,用于将历史关键指标数据输入待训练神经网络模型中,以便待训练神经网络模型利用历史关键指标数据进行网络质量分析,以分析出的网络质量分析结果趋近于目标网络质量分析结果为训练目标,对待训练神经网络模型进行训练,直至待训练神经网络模型达到收敛,得到神经网络模型;
第三训练单元,用于将历史关键指标数据输入待训练二分类模型中,以便待训练二分类模型利用历史关键指标数据进行网络质量分析,与分析出的网络质量分析结果趋近于目标网络质量分析结果为训练目标,对待训练二分类模型进行训练,直至待训练二分类模型达到收敛,得到二分类模型;
构建单元,用于基于决策树模型、神经网络模型和二分类模型构建网络质量预测系统。
进一步的,本申请实施例提供的网络质量实时分析装置,还包括:
网络质量标识单元,用于利用最优网络质量分析结果对网络质量数据进行网络质量标识;
存储单元,用于将最优网络质量分析结果、网络质量数据和进行网络质量标识后的网络质量数据存储至数据库中。
进一步的,本申请实施例提供的网络质量实时分析装置,还包括:
第二获取单元,用于从数据库中获取第一预设时间段内的至少一个最优网络质量分析结果;
第一判断单元,用于判断至少一个最优网络质量分析结果中表征网络状态差的最优网络质量分析结果的数量是否小于预设数量;
第一输出单元,用于若至少一个最优网络质量分析结果中表征网络状态差的网络质量分析结果的数量不小于预设数量,输出报警信息。
进一步的,本申请实施例提供的网络质量实时分析装置,还包括:
第三获取单元,用于从数据库中获取第一预设时间段内的至少一个最优网络质量分析结果;
第二判断单元,用于判断至少一个最优网络质量分析结果中是否存在连续第二预设时间段内出现表征网络状态差的最优网络质量分析结果;
第二输出单元,用于若至少一个最优网络质量分析结果中存在连续第二预设时间段内出现表征网络状态差的最优网络质量分析结果,输出报警信息。
进一步的,本申请实施例提供的网络质量实时分析装置,还包括:
第四获取单元,用于实时从数据库中获取最优网络质量分析结果;
绘制单元,用于利用最优网络质量分析结果绘制网络质量分析图;
更新单元,用于基于网络质量分析图对前端示出的网络质量分析图进行更新。
进一步的,本申请实施例提供的网络质量实时分析装置,还包括:
第五获取单元,用于周期性从数据库中获取多个进行了网络质量标识的网络质量数据;
优化单元,用于利用多个进行了网络质量标识的网络质量数据分别对网络质量分析系统中的各个网络质量分析模型进行训练,直至各个网络质量分析网络达到收敛,以实现网络质量分析系统的优化。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种网络质量实时分析方法,其特征在于,所述方法包括:
实时采集网络质量数据,所述网络质量数据包括流量包数据和网关数据;
提取所述流量包数据和所述网关数据中的关键指标数据,
将所述关键指标数据输入预先构建的网络质量分析系统,使所述网络质量分析系统利用所述关键指标数据进行网络质量分析,得到多个网络质量分析结果,并从所述多个网络质量分析结果中选取结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果;
其中,所述网络质量分析系统包括多个网络质量分析模型,每个网络质量分析模型对所述关键指标数据进行网络质量分析,输出一个网络质量分析结果。
2.根据权利要求1所述的方法,其特征在于,所述网络质量分析系统包括决策树模型、神经网络模型和二分类模型,所述网络质量分析系统利用所述关键指标数据进行网络质量分析,得到多个网络质量分析结果,并从所述多个网络质量分析结果中选取结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果,包括:
所述决策树模型利用所述关键指标数据进行网络质量分析,得到第一网络质量分析结果;
所述神经网络模型利用所述关键指标数据进行网络质量分析,得到第二网络质量分析结果;
所述二分类模型利用所述关键指标数据进行网络质量分析,得到第三网络质量分析结果;
选取所述第一网络质量分析结果、所述第二网络质量分析结果和所述第三网络质量分析结果中结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果。
3.根据权利要求1所述的方法,其特征在于,所述网络质量分析系统的构建过程,包括:
获取所述历史网络质量数据,所述历史网络质量数据包括历史流量数据包和历史网关数据;
提取所述历史流量数据包和所述历史网关数据中的历史关键指标数据;
将所述历史关键指标数据输入待训练决策树模型中,以便所述待训练决策树模型利用所述历史关键指标数据进行网络质量分析,以分析出的网络质量分析结果趋近于目标网络质量分析结果为训练目标,对所述待训练决策树模型进行训练,直至所述待训练决策树模型达到收敛,得到决策树模型;
将所述历史关键指标数据输入待训练神经网络模型中,以便所述待训练神经网络模型利用所述历史关键指标数据进行网络质量分析,以分析出的网络质量分析结果趋近于所述目标网络质量分析结果为训练目标,对所述待训练神经网络模型进行训练,直至所述待训练神经网络模型达到收敛,得到神经网络模型;
将所述历史关键指标数据输入待训练二分类模型中,以便所述待训练二分类模型利用所述历史关键指标数据进行网络质量分析,与分析出的网络质量分析结果趋近于所述目标网络质量分析结果为训练目标,对所述待训练二分类模型进行训练,直至所述待训练二分类模型达到收敛,得到二分类模型;
基于所述决策树模型、所述神经网络模型和所述二分类模型构建所述网络质量预测系统。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
利用所述最优网络质量分析结果对所述网络质量数据进行网络质量标识;
将所述最优网络质量分析结果、所述网络质量数据和进行了网络质量标识后的网络质量数据存储至数据库中。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
从所述数据库中获取第一预设时间段内的至少一个最优网络质量分析结果;
判断所述至少一个最优网络质量分析结果中表征网络状态差的最优网络质量分析结果的数量是否小于预设数量;
若所述至少一个最优网络质量分析结果中表征网络状态差的网络质量分析结果的数量不小于预设数量,输出报警信息。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
从所述数据库中获取第一预设时间段内的至少一个最优网络质量分析结果;
判断所述至少一个最优网络质量分析结果中是否存在连续第二预设时间段内出现表征网络状态差的最优网络质量分析结果;
若所述至少一个最优网络质量分析结果中存在连续所述第二预设时间段内出现表征网络状态差的最优网络质量分析结果,输出报警信息。
7.根据权利要求4所述的方法,其特征在于,所述方法还包括:
实时从所述数据库中获取所述最优网络质量分析结果;
利用所述最优网络质量分析结果绘制网络质量分析图;
基于所述网络质量分析图对前端示出的网络质量分析图进行更新。
8.根据权利要求4所述的方法,其特征在于,所述方法还包括:
周期性从所述数据库中获取多个进行了网络质量标识的网络质量数据;
利用所述多个进行了网络质量标识的网络质量数据分别对所述网络质量分析系统中的各个网络质量分析模型进行训练,直至各个所述网络质量分析网络达到收敛,以实现所述网络质量分析系统的优化。
9.一种网络质量实时分析装置,其特征在于,所述装置包括:
第一采集单元,用于实时采集网络质量数据,所述网络质量数据包括流量包数据和网关数据;
第一提取单元,用于提取所述流量包数据和所述网关数据中的关键指标数据;
第一网络质量分析单元,用于将所述关键指标数据输入预先构建的网络质量分析系统,使所述网络质量分析系统利用所述关键指标数据进行网络质量分析,得到多个网络质量分析结果,并从所述多个网络质量分析结果中选取结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果;
其中,所述网络质量分析系统包括多个网络质量分析模型,每个网络质量分析模型对所述关键指标数据进行网络质量分析,输出一个网络质量分析结果。
10.根据权利要求9所述的装置,其特征在于,所述网络质量分析系统包括决策树模型、神经网络模型和二分类模型,所述第一网络质量分析单元,包括:
第二网络质量分析单元,用于所述决策树模型利用所述关键指标数据进行网络质量分析,得到第一网络质量分析结果;
第三网络质量分析单元,用于所述神经网络模型利用所述关键指标数据进行网络质量分析,得到第二网络质量分析结果;
第四网络质量分析单元,用于所述二分类模型利用所述关键指标数据进行网络质量分析,得到第三网络质量分析结果;
选取单元,用于选取所述第一网络质量分析结果、所述第二网络质量分析结果和所述第三网络质量分析结果中结果相同且个数最多的网络质量分析结果作为最优网络质量分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011399515.5A CN112491627A (zh) | 2020-12-02 | 2020-12-02 | 一种网络质量实时分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011399515.5A CN112491627A (zh) | 2020-12-02 | 2020-12-02 | 一种网络质量实时分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112491627A true CN112491627A (zh) | 2021-03-12 |
Family
ID=74939609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011399515.5A Pending CN112491627A (zh) | 2020-12-02 | 2020-12-02 | 一种网络质量实时分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112491627A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114827951A (zh) * | 2022-04-24 | 2022-07-29 | 重庆长安汽车股份有限公司 | 一种基于车辆终端的车辆网络质量分析方法、系统及存储介质 |
CN117459188A (zh) * | 2023-12-25 | 2024-01-26 | 吉林省吉能电力通信有限公司 | 基于北斗通信技术的电力北斗通信系统及通信方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110312312A1 (en) * | 2010-06-18 | 2011-12-22 | Henrik Astrom | Determining Network Quality |
CN102868224A (zh) * | 2012-09-20 | 2013-01-09 | 湖北省电力公司电力科学研究院 | 一种智能变电站二次网络测量与多模决策方法及装置 |
CN110730111A (zh) * | 2019-10-23 | 2020-01-24 | 北京锐安科技有限公司 | 一种网络质量监测方法、装置、服务器及介质 |
-
2020
- 2020-12-02 CN CN202011399515.5A patent/CN112491627A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110312312A1 (en) * | 2010-06-18 | 2011-12-22 | Henrik Astrom | Determining Network Quality |
CN102868224A (zh) * | 2012-09-20 | 2013-01-09 | 湖北省电力公司电力科学研究院 | 一种智能变电站二次网络测量与多模决策方法及装置 |
CN110730111A (zh) * | 2019-10-23 | 2020-01-24 | 北京锐安科技有限公司 | 一种网络质量监测方法、装置、服务器及介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114827951A (zh) * | 2022-04-24 | 2022-07-29 | 重庆长安汽车股份有限公司 | 一种基于车辆终端的车辆网络质量分析方法、系统及存储介质 |
CN117459188A (zh) * | 2023-12-25 | 2024-01-26 | 吉林省吉能电力通信有限公司 | 基于北斗通信技术的电力北斗通信系统及通信方法 |
CN117459188B (zh) * | 2023-12-25 | 2024-04-05 | 吉林省吉能电力通信有限公司 | 基于北斗通信技术的电力北斗通信系统及通信方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105024877B (zh) | 一种基于网络行为分析的Hadoop恶意节点检测系统 | |
CN104052639B (zh) | 基于支持向量机的实时多应用网络流量识别方法 | |
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
WO2021196639A1 (zh) | 消息推送方法、装置、计算机设备及存储介质 | |
CN107786388B (zh) | 一种基于大规模网络流数据的异常检测系统 | |
CN113378899B (zh) | 非正常账号识别方法、装置、设备和存储介质 | |
CN112491627A (zh) | 一种网络质量实时分析方法及装置 | |
CN110334105B (zh) | 一种基于Storm的流数据异常检测方法 | |
CN109359686A (zh) | 一种基于校园网流量的用户画像方法及系统 | |
CN114513470B (zh) | 网络流量控制方法、装置、设备及计算机可读存储介质 | |
CN111461231A (zh) | 一种短信息的发送控制方法、装置及存储介质 | |
CN114189350A (zh) | 一种基于LightGBM的列车通信网络入侵检测方法 | |
CN107644268B (zh) | 一种基于多特征的开源软件项目孵化状态预测方法 | |
CN111860598B (zh) | 一种用于运动行为、关系识别的数据分析方法、电子设备 | |
CN110287256B (zh) | 一种基于云计算的电网数据并行处理系统及其处理方法 | |
CN112001622A (zh) | 云虚拟网关的健康度评估方法、系统、设备和存储介质 | |
CN117172093A (zh) | 基于机器学习的Linux系统内核配置的策略优化方法及装置 | |
CN115964478A (zh) | 网络攻击检测方法、模型训练方法及装置、设备及介质 | |
CN113837481A (zh) | 一种基于区块链的金融大数据管理系统 | |
Pandey et al. | An Analysis on Sentiment Analysis and Stock Market Price Prediction | |
CN117172721B (zh) | 用于融资业务的数据流转监管预警方法及系统 | |
CN117633636B (zh) | 一种云端互联的特检数据处理系统及其处理设备 | |
CN116993307B (zh) | 一种具有人工智能学习能力的协同办公方法及系统 | |
CN115914052B (zh) | 域名健康状况的检测方法和装置 | |
CN115442309B (zh) | 一种基于图神经网络的包粒度网络流量分类方法 |
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 |