CN112532409B - 网络参数配置方法、装置、计算机设备以及存储介质 - Google Patents
网络参数配置方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN112532409B CN112532409B CN201910878276.2A CN201910878276A CN112532409B CN 112532409 B CN112532409 B CN 112532409B CN 201910878276 A CN201910878276 A CN 201910878276A CN 112532409 B CN112532409 B CN 112532409B
- Authority
- CN
- China
- Prior art keywords
- network
- time period
- historical
- operation data
- traffic type
- 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 144
- 230000005540 biological transmission Effects 0.000 claims abstract description 122
- 238000012549 training Methods 0.000 claims description 50
- 230000015654 memory Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 60
- 230000009471 action Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 16
- 239000000872 buffer Substances 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010162 Tukey test Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/2803—Home automation networks
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/02—Details
- H04L12/12—Arrangements for remote connection or disconnection of substations or of equipment thereof
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
- H04L41/0816—Configuration setting characterised by the conditions triggering a change of settings the condition being an adaptation, e.g. in response to network events
-
- 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
- H04L43/06—Generation of reports
- H04L43/062—Generation of reports related to network traffic
-
- 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
- H04L47/2483—Traffic characterised by specific attributes, e.g. priority or QoS involving identification of individual flows
-
- 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
- H04L47/28—Flow control; Congestion control in relation to timing considerations
- H04L47/283—Flow control; Congestion control in relation to timing considerations in response to processing delays, e.g. caused by jitter or round trip time [RTT]
-
- 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
- H04L47/29—Flow control; Congestion control using a combination of thresholds
-
- 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
- H04L47/30—Flow control; Congestion control in combination with information about buffer occupancy at either end or at transit nodes
-
- 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
- H04L47/33—Flow control; Congestion control using forward notification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- 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
-
- 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
-
- 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
- H04L43/0864—Round trip delays
-
- 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
-
- 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
- H04L43/0888—Throughput
-
- 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
- H04L43/16—Threshold monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种网络参数配置方法、装置、计算机设备以及存储介质,属于数据传输技术领域。本方法通过将第一时间段对应的网络运行数据输入预测模型,使得预测模型基于输入的网络运行数据,对网络设备在第二时间段的指定参数的值进行预测,并将网络设备在第二时间段的指定参数配置为预测模型预测出的值。在该配置方式中,无需考虑应用场景,也无需手动修改或配置参数,因此,这种配置方式具有普适性。
Description
技术领域
本申请涉及数据传输技术领域,特别涉及一种网络参数配置方法、装置、计算机设备以及存储介质。
背景技术
随着数据中心的广泛化应用,数据中心要求交换网络具有高吞吐、低延时等特性,交换网络中的交换机可以通过合理配置网络参数,并根据配置好的网络参数来对报文的转发进行调控,以避免交换机在转发报文时,出现网络拥塞现象,从而使得交换网络可以具有高吞吐、低延时等特性。
目前,配置网络参数的过程可以是:以网络参数为显式拥塞通知(explicitcongestion notification,ECN)参数为例,交换机可以按照配置公式,来配置ECN参数,其中,配置公式可以是:ECN参数=Cout*Target_Rtt,Cout为交换机拥塞端口的吞吐量,Target_Rtt为端到端的目标延时,从而交换机可以直接根据配置公式获取ECN参数,并根据获取的ECN参数来对报文的转发进行调控,以避免出现网络拥塞现象。
由于上述配置公式中的Target_Rtt是一个静态参数,由于Target_Rtt的取值会受到报文传输情况的影响,在一些应用场景下,交换机仅根据配置公式获取的ECN参数不一定是该应用场景下的最优ECN参数,因此,这种配置方式不具有普适性。
发明内容
本申请实施例提供了一种网络参数配置方法、装置、计算机设备以及存储介质,以提高网络参数配置方法的普适性。
第一方面,提供了一种网络参数配置方法,该方法包括:
获取第一时间段对应的网络运行数据,所述网络运行数据包括网络设备在所述第一时间段的网络传输特征以及指定参数对应的第一值中至少一项;
将所述网络运行数据输入预测模型;
获取所述预测模型基于所述网络运行数据输出的所述指定参数的第二值;
将所述网络设备在第二时间段的所述指定参数配置为所述第二值,所述第二时间段为所述第一时间段之后的时间段。
本方法通过将第一时间段对应的网络运行数据输入预测模型,使得预测模型基于输入的网络运行数据,对网络设备在第二时间段的指定参数的值进行预测,并将网络设备在第二时间段的指定参数配置为预测模型预测出的值。在该配置方式中,无需考虑应用场景,也无需手动修改或配置参数,因此,这种配置方式具有普适性。
在一种可能实现方式中,所述方法包括:
获取第一时间段对应的网络运行数据,所述网络运行数据包括网络设备在所述第一时间段的网络传输特征以及指定参数对应的第一值中至少一项;
将所述网络运行数据输入预测模型;
获取所述预测模型基于所述网络运行数据输出的所述指定参数的第二值;
将所述网络设备在第二时间段的所述指定参数配置为所述第二值。
在一种可能实现方式中,所述将所述网络运行数据输入预测模型之前,所述方法还包括:
获取至少一个历史时间段对应的历史网络运行数据,所述至少一个历史时间段中的每个历史时间段对应的历史网络运行数据包括所述网络设备在所述历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述至少一个历史时间段为所述第一时间段之前的时间段。
在一种可能实现方式中,所述将所述网络运行数据输入预测模型;获取所述预测模型基于所述网络运行数据输出的所述指定参数的第二值包括:
将所述至少一个历史时间段对应的历史网络运行数据以及所述网络运行数据输入所述预测模型,获取所述预测模型基于所述至少一个历史时间段对应的历史网络运行数据以及所述网络运行数据输出的所述指定参数的第二值,所述至少一个历史时间段为所述第一时间段之前的时间段。
在一种可能实现方式中,所述方法还包括:
将所述网络运行数据输入初始预测模型,对所述初始预测模型进行训练,得到所述预测模型;或,
将所述网络运行数据输入所述预测模型,得到更新后的预测模型。
在一种可能实现方式中,所述将所述网络运行数据输入预测模型之前,所述方法还包括:
获取多个历史时间段对应的历史网络运行数据,所述多个历史时间段中的每个历史时间段对应的历史网络运行数据包括所述网络设备在所述历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述多个历史时间段为所述第一时间段之前的时间段;
将所述多个历史时间段对应的历史网络运行数据输入初始预测模型,对所述初始预测模型进行训练,得到所述预测模型。
在一种可能实现方式中,所述网络传输特征包括带宽利用率,所述对所述初始预测模型进行训练,得到所述预测模型之前,所述方法还包括:
构建包括至少一个关联关系的配置空间,所述至少一个关联关系中的每个关联关系用于指示一个指定参数对应的值;
建立第一回报关系以及第二回报关系,所述第一回报关系用于指示所述网络设备缓存的报文量对网络传输性能的影响,所述第二回报关系用于指示所述网络设备的所述带宽利用率对网络传输性能的影响;
根据所述配置空间、所述第一回报关系以及第二回报关系,构建所述初始预测模型。
在一种可能实现方式中,所述网络传输特征包括所述网络设备在所述第一时间段内缓存的报文量、报文传输的效率信息以及传输的报文的平均大小中至少一项。
第二方面,提供了一种网络参数配置方法,所述方法包括:
获取第一时间段对应的网络运行数据,所述网络运行数据包括网络设备在所述第一时间段的网络传输特征以及指定参数对应的第一值中至少一项;
将所述网络运行数据输入网络流量类型识别模型;
获取所述网络流量类型识别模型基于所述网络运行数据输出的所述网络设备在所述第一时间段的第一网络流量类型,一个网络流量类型用于指示在预设时间段内的报文传输情况;
查询预设的至少一个关联关系,获取与所述第一网络流量类型对应的指定参数的第三值,所述至少一个关联关系中的每个关联关系用于指示一种网络流量类型与所述指定参数的第三值对应,所述指定参数的第三值为所述网络流量类型所指示的网络流量下的所述指定参数的优选值;
将所述网络设备在第二时间段的所述指定参数配置为所述第三值,所述第二时间段为所述第一时间段之后的时间段。
本方法通过网络流量类型识别模型识别出第一时间段的第一网络流量类型,并根据至少一个关联关系,确定与该第一网络流量类型对应的指定参数的第三值,并将与第一网络流量类型对应的指定参数的第三值配置为第二时间段的该指定参数的值,在该配置方式中,无需考虑应用场景,也无需手动修改或配置参数
在一种可能实现方式中,所述将所述网络运行数据输入网络流量类型识别模型之前,所述方法还包括:
建立所述至少一个关联关系;
获取至少一个历史数据集合,所述至少一个历史数据集合中的每个历史数据集合包括多个历史网络运行数据,所述多个历史网络运行数据中的每个历史网络运行数据包括在一种网络流量类型下所述网络设备在一个历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述历史时间段为所述第一时间段之前的时间段;
基于所述至少一个关联关系、所述至少一个历史数据集合以及初始识别模型,获取所述网络流量类型识别模型。
在一种可能实现方式中,所述基于所述至少一个关联关系、所述至少一个历史数据集合以及初始识别模型,获取所述网络流量类型识别模型包括:
基于所述至少一个关联关系,在所述至少一个历史数据集合中的每个历史网络运行数据中添加一个网络流量类型标签,所述一个网络流量类型标签用于指示一种网络流量类型;
将携带网络流量类型标签的历史网络运行数据输入所述初始识别模型,对所述初始识别模型进行训练,得到所述网络流量类型识别模型。
第三方面,提供了一种网络参数配置的装置,用于执行上述网络参数配置方法。可选地,该网络参数配置装置包括用于执行上述第一方面或上述第一方面的任一种可选方式提供的网络参数配置方法的功能模块。
第四方面,提供了一种网络参数配置的装置,用于执行上述网络参数配置方法。可选地,该网络参数配置装置包括用于执行上述第二方面或上述第二方面的任一种可选方式提供的网络参数配置方法的功能模块。
第五方面,提供了一种计算机设备,该计算机设备包括处理器和存储器,该存储器中存储有指令,该指令由该处理器加载并执行以实现如上述网络参数配置方法所执行的操作。
第六方面,提供了一种存储介质,该存储介质中存储有指令,该指令由处理器加载并执行以实现如上述网络参数配置方法所执行的操作。
第七方面,提供了一种网络参数配置方法,所述方法应用于网络参数配置系统,所述网络参数配置系统包括网络设备和计算设备;所述方法包括:
所述网络设备获取第一时间段对应的网络运行数据,所述网络运行数据包括网络设备在所述第一时间段的网络传输特征以及指定参数对应的第一值中至少一项;
所述网络设备向所述计算设备发送所述网络运行数据;
所述计算设备将所述网络运行数据输入预测模型;获取所述预测模型基于所述网络运行数据输出的所述指定参数的第二值;
所述计算设备向所述网络设备发送所述第二值;
所述网络设备将所述网络设备在第二时间段的所述指定参数配置为所述第二值,所述第二时间段为所述第一时间段之后的时间段。
在一种可能的实现方式中,所述计算设备将所述网络运行数据输入预测模型之前,所述方法还包括:
所述网络设备获取至少一个历史时间段对应的历史网络运行数据,所述至少一个历史时间段中的每个历史时间段对应的历史网络运行数据包括所述网络设备在所述历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述至少一个历史时间段为所述第一时间段之前的时间段;
在一种可能的实现方式中,所述计算设备将所述网络运行数据输入预测模型;获取所述预测模型基于所述网络运行数据输出的所述指定参数的第二值包括:
所述计算设备将所述至少一个历史时间段对应的历史网络运行数据以及所述网络运行数据输入所述预测模型,获取所述预测模型基于所述至少一个历史时间段对应的历史网络运行数据以及所述网络运行数据输出的所述指定参数的第二值,所述至少一个历史时间段为所述第一时间段之前的时间段。
在一种可能的实现方式中,所述方法还包括:
所述计算设备将所述网络运行数据输入初始预测模型,对所述初始预测模型进行训练,得到所述预测模型;或,
所述计算设备将所述网络运行数据输入所述预测模型,得到更新后的预测模型。
在一种可能的实现方式中,所述计算设备将所述网络运行数据输入预测模型之前,所述方法还包括:
所述网络设备获取多个历史时间段对应的历史网络运行数据,所述多个历史时间段中的每个历史时间段对应的历史网络运行数据包括所述网络设备在所述历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述多个历史时间段为所述第一时间段之前的时间段;
所述网络设备向所述计算设备发送所述多个历史时间段对应的历史网络运行数据;
所述计算设备将所述多个历史时间段对应的历史网络运行数据输入初始预测模型,对所述初始预测模型进行训练,得到所述预测模型。
在一种可能的实现方式中,所述网络传输特征包括带宽利用率,所述对所述初始预测模型进行训练,得到所述预测模型之前,所述方法还包括:
所述计算设备构建包括至少一个关联关系的配置空间,所述至少一个关联关系中的每个关联关系用于指示一个指定参数对应的值;
所述计算设备建立第一回报关系以及第二回报关系,所述第一回报关系用于指示所述网络设备缓存的报文量对网络传输性能的影响,所述第二回报关系用于指示所述网络设备的所述带宽利用率对网络传输性能的影响;
所述计算设备根据所述配置空间、所述第一回报关系以及第二回报关系,构建所述初始预测模型。
在一种可能的实现方式中,所述网络传输特征包括所述网络设备在所述第一时间段内缓存的报文量、报文传输的效率信息以及传输的报文的平均大小中至少一项。
第八方面,提供了一种网络参数配置方法,所述方法应用于网络参数配置系统,所述网络参数配置系统包括网络设备和计算设备;所述方法包括:
所述网络设备获取第一时间段对应的网络运行数据,所述网络运行数据包括网络设备在所述第一时间段的网络传输特征以及指定参数对应的第一值中至少一项;
所述网络设备向所述计算设备发送所述网络运行数据;
所述计算设备将所述网络运行数据输入网络流量类型识别模型;
所述计算设备获取所述网络流量类型识别模型基于所述网络运行数据输出的所述网络设备在所述第一时间段的第一网络流量类型,一个网络流量类型用于指示在预设时间段内的报文传输情况;
所述计算设备查询预设的至少一个关联关系,获取与所述第一网络流量类型对应的指定参数的第三值,所述至少一个关联关系中的每个关联关系用于指示一种网络流量类型与所述指定参数的第三值对应,所述指定参数的第三值为所述网络流量类型所指示的网络流量下的所述指定参数的优选值;
所述计算设备向所述网络设备发送所述第二值;
所述网络设备将所述网络设备在第二时间段的所述指定参数配置为所述第三值,所述第二时间段为所述第一时间段之后的时间段。
在一种可能的实现方式中,所述计算设备将所述网络运行数据输入网络流量类型识别模型之前,所述方法还包括:
计算设备建立所述至少一个关联关系;
计算设备获取至少一个历史数据集合,所述至少一个历史数据集合中的每个历史数据集合包括多个历史网络运行数据,所述多个历史网络运行数据中的每个历史网络运行数据包括在一种网络流量类型下所述网络设备在一个历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述历史时间段为所述第一时间段之前的时间段;
所述计算设备基于所述至少一个关联关系、所述至少一个历史数据集合以及初始识别模型,获取所述网络流量类型识别模型。
在一种可能的实现方式中,所述计算设备基于所述至少一个关联关系、所述至少一个历史数据集合以及初始识别模型,获取所述网络流量类型识别模型包括:
所述计算设备基于所述至少一个关联关系,在所述至少一个历史数据集合中的每个历史网络运行数据中添加一个网络流量类型标签,所述一个网络流量类型标签用于指示一种网络流量类型;
所述计算设备将携带网络流量类型标签的历史网络运行数据输入所述初始识别模型,对所述初始识别模型进行训练,得到所述网络流量类型识别模型。
附图说明
图1是本申请实施例提供的一种ECN机制的示意图;
图2是本申请实施例提供的一种网络参数配置系统的示意图;
图3是本申请实施例提供的另一种网络参数配置系统的示意图;
图4是本申请实施例提供的再一种网络参数配置系统的示意图;
图5是本申请实施例提供的一种计算机设备的结构示意图;
图6是本申请实施例提供的一种网络参数配置方法的流程图;
图7是本申请实施例提供的一种呈负相关的分段函数的示意图;
图8是本申请实施例提供的一种网络参数配置过程的示意图;
图9是本申请实施例提供的一种网络参数配置方法的流程图;
图10是本申请实施例提供的再一种网络参数配置方法的流程图;
图11是本申请实施例提供的一种网络参数配置方法的流程图;
图12是本申请实施例提供的一种网络参数配置装置的结构示意图;
图13是本申请实施例提供的一种网络参数配置装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
为了容易理解本申请的具体实施过程,在此,先对本申请中涉及到的一些名词进行如下解释:
网络参数:为本申请中进行配置的参数,当前时间段的网络参数为网络设备已经配置好的、并在当前时间段使用的参数,下一个时间段的网络参数为网络设备待配置的参数,也即是下个时间段待使用的参数。该网络参数可以包括ECN参数、基于优先级的流控制(priority-based flow control,PFC)参数以及报文丢弃概率中的至少一项。其中,ECN参数可以包括第一阈值、第二阈值以及标记概率阈值,其中,第一阈值小于第二阈值。当网络设备与发送端进行ECN能力协商后,若协商成功,则网络设备可以根据ECN标记概率对其缓存的报文设置ECN标记,以标记报文为例,参见图1所示的本申请实施例提供的一种ECN机制的示意图,其中,图1中的ECN标记概率y与网络设备缓存的报文量x之间具有如公式(1)所示的数学关系,其中,n为第一阈值,m为第二阈值,a为标记概率阈值。
根据公式(1),ECN机制可以是:当网络设备内缓存的报文量小于或等于第一阈值n时,网络设备不对缓存的报文设置ECN标记,此时ECN标记概率可以视为0;当网络设备内缓存的报文量大于第一阈值n且小于或等于第二阈值m时,网络设备可以根据缓存的报文量x与标记概率阈值a,确定与缓存的报文量x对应的ECN标记概率y,其中,缓存的报文量与确定的ECN标记概率呈线性正相关的关系,且确定的ECN标记概率小于或等于标记概率阈值,进而网络设备可以根据确定的ECN标记概率,对缓存的报文设置ECN标记;当网络设备内缓存的报文量大于第二阈值时,网络设备则将对缓存的报文都设置ECN标记,此时ECN标记概率可以视为1,也即是100%标记。
网络流量类型:用于指示网络设备在预设时间段内的报文传输情况,本申请实施例对该预设时间段不做具体限定。
图2是本申请实施例提供的一种网络参数配置系统的示意图,参见图2,该网络参数配置系统200可以包括发送设备201、网络设备202、接收设备203。其中,发送设备210用于向网络设备202发送报文,网设备202用于将发送设备发送的报文转发至接收设备203,接收设备203用于接收网络设备202转发的报文。
该网络设备202,还用于实时获取该网络设备202在当前时间段的网络传输特征以及网络参数,并基于获取的网络传输特征以及网络参数,使用预测模型预测该网络设备202在下一时间段的网络参数的值,并将下一个时间段的网络参数配置为预测模型预测出的值。
在一个实施方式中,该网络参数配置系统中的网络设备的处理过程如图3所示。图3中的网络设备的采集模块采集网络设备在当前时间段的网络传输特征以及网络参数,并将采集到的网络传输特征以及网络参数上传至参数计算模块,其中,参数计算模块可以是现场可编程门阵列(field programmable gate array,FPGA)、处理器(centralprocessing units,CPU)、网络处理器(networking processor,NP)或人工智能(artificial intelligence,AI)芯片,参数计算模块基于采集模块上传的网络传输特征以及网络参数,使用预测模型预测该网络设备在下一时间段的网络参数,并下发预测的网络参数,由网络设备将下一个时间段的网络参数配置为参数计算模块下发的网络参数。
该网络设备202可以是交换机,也可以是路由器,本申请实施例对该网络设备202不做限定。
在一些实施例中,网络设备202还用于实时获取该网络设备202在当前时间段的网络传输特征以及网络参数,并基于网络流量识别模型以及当前时间段的网络传输特征以及网络参数,获取当前时间段的网络流量类型,根据获取的网络流量类型,确定与该网络流量类型对应的网络参数的值,并将下一个时间段的网络参数设置为与该网络流量类型对应的值。
在一些实施例中,网络参数配置系统200还可以包括计算设备204,该计算设备204用于接收网络设备202发送的当前时间段的网络传输特征以及网络参数,并基于接收的网络传输特征以及网络参数,使用预测模型预测该网络设备202在下一时间段的网络参数,并向该网络设备202返回其预测的该网络设备202在下一时间段的网络参数,以便该网络设备202可以直接将下一个时间段的网络参数配置为计算设备204返回的网络参数。
在一些实施例中,该计算设备204,还可以接收网络设备202发送的当前时间段的网络传输特征以及网络参数,并基于网络流量识别模型以及当前时间段的网络传输特征以及网络参数,获取当前时间段的网络流量类型,根据获取的网络流量类型,确定与该网络流量类型对应的网络参数,并向网络设备202返回其确定的网络参数,以便该网络设备202可以直接将下一个时间段的网络参数配置为计算设备204返回的网络参数。例如,在一个实施方式中,该网络参数配置系统中的网络设备的处理过程如图4所示,图4中的网络设备的采集模块采集网络设备202在当前时间段的网络传输特征以及网络参数,并将采集到的网络传输特征以及网络参数上传至计算设备204,计算设备204基于采集模块上传的网络传输特征以及网络参数,使用预测模型预测该网络设备在下一时间段的网络参数,并向网络设备202下发预测的网络参数,由网络设备202将下一个时间段的网络参数配置为计算设备204下发的网络参数。
网络设备202和计算设备204均可以是如图5所示的计算机设备,图5是本申请实施例提供的一种计算机设备的结构示意图,计算机设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上CPU 501和一个或一个以上的存储器502,其中,该存储器502中存储有至少一条指令,该至少一条指令由该处理器501加载并执行以实现下述各个方法实施例提供的方法。当然,该计算机设备500还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该计算机设备500还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由计算机设备中的处理器执行以完成下述网络参数配置方法。例如,该计算机可读存储介质可以是只读存储器(read-only memory,ROM)、随机存取存储器(randomaccess memory,RAM)、只读光盘(compact disc read-only memory,CD-ROM)、磁带、软盘和光数据存储设备等。
在一个实现方式中,网络设备根据预测模型进行配置网络参数的过程可以参见图6所述的方法,该方法可以包括下述步骤601-605。
601、网络设备获取第一时间段对应的网络运行数据,网络运行数据包括网络设备在第一时间段的网络传输特征以及指定参数对应的第一值中至少一项。
该第一时间段为当前时间段,第一时间段可以包括至少两个采集时刻,第一时间段的时长也即是该至少两个采集中的第一个采集时刻至最后一个采集时刻的时长,例如第一时间段包括采集时刻t0和t1,则该第一时间段的时长也即是t1-t0。在本申请中,网络设备要进行配置的是该第一时间段之后的时间段的网络参数,因此,第一时间段的时长也可以认为是配置周期,也即是每经过第一时间段的时长后,就进行一次网络参数配置。可选地,不同时间段的时长可以根据需要设置,不同时间段的时长可以不同。
指定参数也即是网络参数,可以包括ECN参数、PFC参数以及报文丢弃概率中的至少一项,指定参数对应的第一值,也即是网络设备在第一时间段内的指定参数的值。当指定参数为ECN参数时,ECN参数的第一值包括第一阈值、第二阈值以及标记概率阈值在第一时间段内的配置值。需要说明的是,本申请实施例仅以网络参数为ECN参数为例进行说明,其他网络参数的配置方式与ECN参数的配置参数同理,在此,本申请实施例不对其他网络参数的配置方式进行赘述。
其中,网络设备在第一时间段的网络传输特征可以为网络设备在第一时间段的报文传输的特征。网络传输特征包括网络设备在第一时间段内缓存的报文量、报文传输的效率信息以及传输的报文的平均大小。报文量即报文的个数。
在一些实施例中,网络设备可以选获取网络运行数据中的各个数据,然后再将各个数据组成网络运行数据,在一种可能的实现方式中,本步骤601可以通过下述步骤11-13所示的过程实现。
步骤11、网络设备根据第一时间段内的第一个采集时刻以及最后一个采集时刻的缓存参数,获取网络设备在第一时间段内缓存的报文量,第一个采集时刻的缓存参数用于指示网络设备在第一个采集时刻所缓存的报文量,最后一个采集时刻的缓存参数用于指示网络设备在最后一个采集时刻所缓存的报文量。
可选地,本步骤11可以通过下述步骤1A-1C所示的过程来实现。
步骤1A、网络设备对第一个采集时刻的缓存参数以及最后一个采集时刻的缓存参数进行异常值处理,得到无异常的第一个采集时刻的缓存参数以及最后一个采集时刻的缓存参数。
可选地,可以使用图基检验(tukey-test)的方式,判断第一个采集时刻的缓存参数以及最后一个采集时刻的缓存参数否是为异常值,或者,该网络设备预设有正常缓存参数区间,当第一个采集时刻的缓存参数或最后一个采集时刻的缓存参数为正常缓存参数区间内的数值时,第一个采集时刻的缓存参数或最后一个采集时刻的缓存参数不是异常值,否则,为异常值。本申请实施例对正常缓存参数区间内的数值范围不做具体限定。
当第一个采集时刻的缓存参数或最后一个采集时刻的缓存参数为异常值时,可以使用网络设备在第一时间段的上一个时间段的内缓存的报文量作为第一时间段内缓存的报文量。或者,网络设备将异常的缓存参数(异常值)替换为预设的缓存参数,从而可以得到无异常的缓存参数,该预设的缓存参数可以是符合应用场景的缓存参数,本申请实施例对该预设的缓存参数不做具体限定。
需要说明的是,网络设备还可以采取其他方式对上述缓存参数进行异常值处理,本申请实施例对异常值处理的方式不做具体限定。
步骤1B、网络设备对无异常的第一个采集时刻的缓存参数以及最后一个采集时刻的缓存参数进行指数滑动平均处理,得到第一时间段内缓存的报文量。
可选地,可以使用指数滑动平均算法对无异常的第一个采集时刻的缓存参数以及最后一个采集时刻的缓存参数,进行平均处理,得到第一报文量。指数滑动平均算法可以使用公式(2)来表示,其中,Q为第一时间段内缓存的报文量,α为平滑指数,Q(i)为第一个采集时刻的缓存参数,Q(j)为最后一个采集时刻的缓存参数。
Q=α·Q(j)+(1-α)·Q(i) (2)
步骤1C、对第一时间段内缓存的报文量进行归一化处理,得到报文量归一值,报文量归一值用于指示第一时间段内缓存的报文量。
在一些实施例中,为了使得在后续计算过程中报文量与吞吐利用率处于同一量纲,则网络设备可以执行步骤1C,对第一时间段内缓存的报文量进行归一化处理,使用归一化后得到的报文量归一值来代替第一时间段内缓存的报文量。
步骤12、网络设备获取第一时间段的指定参数的值、报文传输的效率信息以及传输的报文的平均大小。
网络设备可以将第一时间段内使用的指定参数的值确定为第一时间段的指定参数的值。报文传输的效率信息可以包括每秒被设置ECN标记的报文量,ECN标记比例以及带宽利用率。
该网络设备可以先获取其在第一时间段内被设置ECN标记的报文量,再根据第一时间段内被设置ECN标记的报文量与第一时间段的时长得到每秒被设置ECN标记的报文量。
该网络设备可以先获取其在第一时间段内被设置ECN标记的报文量以及在第一时间段内转发的报文量,再基于在第一时间段内被设置ECN标记的报文量以及在第一时间段内转发的报文量,获取ECN标记比例,ECN标记比例为第一时间段内被设置ECN标记的报文量与第一时间段内转发的报文量的比,例如,θ1=N_e/N_p,其中,θ1为ECN标记比例,N_e为第一时间段内被设置ECN标记的报文量,N_p为第一时间段内转发的报文量。
该网络设备可以先获取其第一时间段内转发的报文的总字节数以及其端口的固有带宽比,再根据总字节数与第一时间段的时长得到单位时间转发的报文的字节数,最后根据单位时间转发的报文的字节数与固有带宽得到带宽利用率。
该网络设备可以先获取第一时间段内转发的报文的总字节数以及第一时间段内转发的报文量,基于第一时间段内转发的报文的总字节数以及第一时间段内转发的报文量,获取传输的报文的平均大小,传输的报文的平均大小为第一时间段内转发的报文的总字节数与第一时间段内转发的报文量的比,例如,θ2=N_b/N_p,其中,θ2为传输的报文的平均大小。
需要说明的是,当指定参数为除ECN参数以外的其他网络参数时,报文传输的效率信息还包括其他网络参数影响报文传输效率的相关数据。
需要说明的是,在一些实施例中,当网络设备同时转发传输控制协议(transmission control protocol,TCP)类型的报文以及通过聚合以太网进行远程直接内存访问(remote direct memory access over converged Ethernet,ROCE)类型的报文时,该网络设备可以对带宽利用率进行缩放,该网络运行数据还可以包括缩放后的带宽利用率,其中,缩放后的带宽利用率用β来表示,β=ε*γ,ε为带宽利用率,γ为该网络设备配置的ROCE类型的报文流量占比。
步骤13、网络设备将获取的第一时间段内缓存的报文量、第一时间段的指定参数的值、报文传输的效率信息以及传输的报文的平均大小组合成第一时间段对应的网络运行数据。
该网络运行数据可以是矩阵形式,矩阵中的数据也即是网络设备在步骤11-12获取的数据,本申请实施例对矩阵中各个数据的组合方式不做可选限定,也不对组合成网络运行数据的可选过程进行限定。
602、网络设备确定预测模型,该预测模型用于预测指定参数的值。
该预测模型可以是深度强化学习模型,该网络设备可以先构建一个初始预测模型,再对初始预测模型进行训练,得到该预测模型,在一种可能的实现方式中,本步骤602可以通过下述步骤21-25所示的过程来实现。
步骤21、网络设备构建包括至少一个关联关系的配置空间,至少一个关联关系中的每个关联关系用于指示一个指定参数对应的值。
至少一个关联关系中所指示的指定参数对应的值为预设的各种指定参数对应的值,每个关联关系可以包括关联关系的序号以及与该关联关系对应的指定参数的值,以表1所示的配置空间为例,在表1中,关联关系1包括序号1以及与该序号1对应的指定参数的对应的值为7、50和1,此时,该指定参数为ECN参数,7为第一阈值,50为第二阈值,0.01为标记概率阈值。
表1
步骤22、网络设备建立第一回报关系以及第二回报关系,第一回报关系用于指示网络设备缓存的报文量对网络传输性能的影响,第二回报关系用于指示网络设备的带宽利用率对网络传输性能的影响。
当网络设备不能及时将接收的报文转发出去时,就会先缓存未转发的报文,后续再转发缓存的报文,若网络设备缓存了大量的报文,说明此时网络设备可能出现了网络拥塞,也即是,网络设备此时的网络传输性能可能较低,因此,第一回汇报关系可以是第一回报值与网络设备缓存的报文量之间呈负相关关系。该呈负相关关系可以是:随着网络设备缓存的报文量的增加,第一回报值呈阶梯式降低,例如图7所示的本申请实施例提供的一种呈负相关的分段函数的示意图,在图7中,第一回报值的最大值为1,最小值为0,随着网络设备缓存的报文量的增加,第一回报值在区间[0,1]内呈阶梯式降低。当然,该负相关关系还可以是随着网络设备缓存的报文量的线性增加,第一回报值线性递减。也即是,当网络设备缓存的报文量越大时,第一回报值就越低,网络设备的网络传输性能就会越低,反之,第一回报值就越高,网络设备的网络传输性能也就会越高。本申请实施例对第一回报值与网络设备缓存的报文量之间呈负相关关系的可选情况不做限定。
当网络设备的带宽利用率越高时,说明网络设备的传输性能越高,反之,网络设备的传输性能越低,那么第二回报关系可以是第二回报值与带宽利用率之间呈正相关关系,该正相关关系可以是:随着带宽利用率增加,第二回报值呈阶梯式增加。该正相关关系还可以是随着带宽利用率的线性增加,第二回报值线性递减。也即是,当带宽利用率越高时,第二回报值越高,则网络设备的传输性能越高,反之,第二回报值越低,网络设备的传输性能也越低。本申请实施例对第一回报值与带宽利用率之间呈正相关关系的可选情况不做限定。
在一些实施例中,该网络设备还可以建立第三回报关系,第三回报关系用于指示网络设备的业务性能指标对网络传输性能的影响。其中,业务性能指标可以是传输时延等,本申请实施例对业务性能指标不做可选限定。
当前的业务性能指标越接近预设指标时,业务性能指标与预设指标之间的差值越小,证明网络设备的当前的网络传输性能越好,其中,业务性能指标可以是每秒进行读写操作的次数(input/output operations per second,IOPS)的指标,该预设指标为提前设定好的指标值。第三回报关系可以是业务性能指标与预设指标之间的差值和第三回报值成负相关关系,也即是,业务性能指标与预设指标之间的差值越小,第三回报值越大,反之第三回报值越小。该负相关关系与第一回报关系所指示的负相关关系同理,在此,本申请实施例对该负相关关系不做可选限定。
步骤23、网络设备根据该配置空间、第一回报关系以及第二回报关系,构建初始预测模型。
该网络设备可以先基于第一回报关系以及第二回报关系,获取目标回报关系,该目标回报关系可以用于指示网络设备缓存的报文量以及带宽利用率对网络传输性能的影响。然后,该网络设备可以基于目标回报关系以及配置空间,构建初始预测模型。
其中,该目标回报关系可以用目标回报值与第一回报值和第二回报值之间的关系来确定,当第一回报值或/和第二回报值越大时,目标回波值越大,网络传输性能越高。
该目标回报关系可以用下述公式(3)来表示,其中,Reward为目标回报值,Rthput为第一回报值、Rqdepth为第二回报值,ω1和w2为权值参数,ω1和w2具体可以根据业务对吞吐时延的偏好来设定w1和w2的值,本申请实施例对w1和w2的具体取值不做限定。
Reward=w1*Rthput+w2*Rqdepth (3)
该回报关系还可以下述公式(4)来表示,其中,w3为权值参数,Rkqi为第三回报值。
Reward=w1*Rthput+w2*Rqdepth+w3*Rkqi (4)
该网络设备基于目标回报关系以及配置空间,构建初始预测模型的过程可以是:基于目标回报关系以及配置空间,构建包括动作网络以及执行模块的初始预测模型,其中,动作网络用于为每个输入的网络环境数据分配配置空间中指定参数的值,执行模块用于模拟报文传输环境,基于动作网络分配的指定参数的值影响模拟的报文传输环境,并基于指定参数的值对报文传输环境的影响情况,计算目标回报值以及向动作网络输出影响后的报文传输环境下的网络运行数据。该动作网络可以是神经网络。本申请实施例对该动作网络不做可选限定。
步骤24、网络设备获取多个历史时间段对应的历史网络运行数据,多个历史时间段中的每个历史时间段对应的历史网络运行数据包括网络设备在历史时间段的网络传输特征以及指定参数对应的值,多个历史时间段为第一时间段之前的时间段。
该多个历史时间段可以是网络设备还未使用本申请实施例提供的网络参数配置方法时的时间段。该多个历史时间段对应的历史网络运行数据可以视为进行模型训练的训练样本,网络设备获取每个历史时间段对应的历史网络运行数据与获取第一时间段对应的网络运行数据的过程同理。
步骤25、网络设备对初始预测模型进行训练,得到预测模型。
网络设备可以通过离线训练的过程或在线训练的过程训练该初始预测模型。其中,离线训练的过程可以是:网络设备将多个历史时间段对应的历史网络运行数据输入初始预测模型,对初始预测模型进行训练,得到预测模型。
在线训练的过程可以是:网络设备将第一时间段对应的网络运行数据输入初始预测模型,对初始预测模型进行训练,得到预测模型;或,网络设备将第一时间段对应的网络运行数据输入预测模型,得到更新后的预测模型,更新后的预测模型用于基于第二时间段的对应的网络运行数据,预测网络设备在第三时间段的指定参数的第四值,以便网络设备将第三时间段的指示参数配置为第四值。其中,第二时间段为第一时间段之后的时间段,第三时间段为第二时间段之后的时间段。
为了方便叙述,将多个历史时间段对应的历史网络运行数据以及第一时间段对应的网络运行数据统称为目标网络运行数据,将目标网络运行数据输入初始预测模型,对初始预测模型进行训练,得到预测模型的过程可以是:初始化动作网络中的模型参数;将目标网络运行数据输入动作网络,开始进行预设次数的训练,每进行一次训练,动作网络为输入的目标网络运行数据分别分配一个指定参数的值,并将分配的指定参数的最大值输入到执行模块中,执行模块使用接收到的指定参数的值影响模拟的报文传输环境,并输出影响后的报文传输环境下的新的网络运行数据以及目标回报值,动作网络基于执行模块返回的目标回报值,更新动作网络的模型参数,当模型参数更新完成后,将新的网络运行数据作为动作网络的输入,开始进行下一次训练。当达到预设训练次数或执行模块输出的目标回报值达到期望值时,结束训练。经过上述训练过程,初始训练模型中的动作网络的模型参数发生了更新,那么,初始训练模型也就更新为预设模型。
需要说明的是,当该预测模型是基于离线训练过程所得到时,本步骤602可以在步骤601之前或之后执行一次即可,无需多次执行,当该训练模型是基于在线训练过程所得到时,步骤21-23所示的获取初始识别模型的过程,只需要在步骤601之前或之后执行一次即可,无需多次执行,而步骤24则需要每次进行模型预测时都要执行。
需要说明的是,当网络参数配置系统包括计算设备时,本步骤602所示过程也可以由计算设备来执行,其中,步骤24中获取历史网络运行数据的过程可以是:计算设备接收网络设备发送的历史网络运行数据,以获取到历史网络运行数据。
603、网络设备将网络运行数据输入预测模型。
网络设备将第一时间段的网络运行数据作为与预测模型的输入数据,并将第一时间段的网络运行数据输入预测模型,预测模型基于输入的网络运行数据,对网络设备在第二时间段的指定参数的值进行预测,并输出预测的第二时间段的指定参数的第二值。
需要说明的是,当该预测模型为通过离线训练所得到的模型时,该网络设备可以直接执行本步骤603。当该预测模型为通过在线训练所得到的模型时,该网络设备可以将网络运行数据输入预测模型,得到更新后的预测模型,也即是,将网络运行数据视为训练样本,对预测模型进行训练,得到更新后的预测模型,然后,该网络设备不再执行本步骤603,而是将网络运行数据视作为更新后的预测模型的输入数据,将网络运行数据输入更新后的预测模型,更新后的预测模型基于输入的网络运行数据对网络设备在第二时间段的指定参数的值进行预测,并输出预测的第二时间段的指定参数的第二值。当该预测模型为通过在线训练所得到的模型时,该网络设备还可以在执行完本步骤603后,再将网络运行数据视为训练样本,将网络运行数据输入预测模型,得到更新后的预测模型,以便后续在第二时间段时,网络设备可以将第二时间段对应的网络运行数据输入更新后的预测模型,从而更新后的预测模型基于第二时间段对应的网络运行数据,输出预测的网络设备在第三时间段的指定参数的第四值。
604、网络设备获取预测模型基于网络运行数据输出的指定参数的第二值。
当预测模型基于网络运行数据输出指定参数的第二值时,网络设备就可以直接获取到第二值。
预测模型基于网络运行数据输出的指定参数的第二值的过程可以是:将至少一个网络运行数据输入预测模型中的动作网络,动作网络基于当前的模型参数,为输入的每个网络运行数据分配配置空间中的一个指定参数的值,并将分配的指定参数的最大值输出预测模型,来作为指定参数的第二值。
需要说明的是,上述步骤603-604所示的过程为网络设备基于第一时间段对应的网络运行数据以及预测模型,获取网络设备在第二时间段的指定参数的第二值的过程。当网络参数配置系统包括计算设备时,该过程也可以由计算设备来执行。当步骤603-604由计算设备执行时,该计算设备在执行完步骤604后,可以向网络设备发送计算设备获取的指定参数的第二值,当网络设备接收到计算设备发送的第二值后,可以通过下述步骤605配置第二时间段的指定参数。
需要说明的是,在一些实施例中,该网络设备还可以获取至少一个历史时间段对应的历史网络运行数据,至少一个历史时间段中的每个历史时间段对应的历史网络运行数据包括网络设备在历史时间段的网络传输特征以及指定参数对应的值,至少一个历史时间段为第一时间段之前的时间段。
为了进一步表明此时的历史时间段,例如,网络设备在开始使用本申请实施例所提供的方法配置指定参数时至该第一时间段中最后一个采集时刻之间的时间,包括时间段1-5,其中,时间段5也即是第一时间段,那么每个历史时间段可以为时间段1-4中的任一时间段。其中,网络设备获取历史时间段对应的历史网络运行数据的过程与获取第一时间段对应的网络运行数据的过程同理,在此,本申请实施例对网络设备获取历史时间段对应的历史网络运行数据的过程不做赘述。
当网络设备获取到至少一个历史时间段对应的历史网络运行数据后,该网络设备可以将至少一个历史时间段对应的历史网络运行数据以及网络运行数据输入预测模型,获取预测模型基于至少一个历史时间段对应的历史网络运行数据以及网络运行数据输出的指定参数的第二值,至少一个历史时间段为第一时间段之前的时间段。
由于至少一个历史时间段对应的历史网络运行数据以及第一时间段对应的网络运行数据可以组成大量的历史数据,而大量的历史数据更能反映第二时间段的报文传输情况,因此,预测模型基于大量的历史数据来预测网络设备在第二时间段的指定参数的值时,可以提高模型预测的准确性。
步骤603-604所示的过程可以由网络设备内的参数计算模块来执行,例如图8所示的本申请实施例提供的一种网络参数配置过程的示意图,在图8中网络设备经过数据采集和预处理,得到第一时间段的网络运行数据以及一个历史时间段的历史网络运行数据,其中,预处理是指根据采集的数据,获取网络运行数据的过程,网络设备可以通过转发芯片将网络运行数据以及历史网络运行数据输入到参数计算模块,参数计算模块将网络运行数据输入作为输出数据x,将历史网络运行数据作为输入数据y,并将输入数据x、y将输入预测模型中的动作网络,动作网络中的输入层、隐层以及激活(Relu)层基于输入的网络运行数据以及历史网络运行数据进行预测,得到第二时间段的ECN参数的值,并通过预测模型中的输出层输出第二时间段的ECN参数的值,参数计算模块向转发芯片下发第二时间段的ECN参数的值,由转发芯片将第二时间段的ECN参数的值转发至配置模块,以便配置模块将第二时间段的ECN参数配置为转发芯片的ECN参数的值。
605、网络设备将网络设备在第二时间段的指定参数配置为第二值。
当网络设备获取到预测模型输出的第二值后,可以直接将网络设备在第二时间段的指定参数配置为第二值,本申请实施例对网络设备配置指定参数的方式以及过程不做可选限定,只需保证网络设备在第二时间段内能基于指定参数的第二值进行报文传输即可。
本申请实施例提供的方法,通过将第一时间段对应的网络运行数据输入预测模型,使得预测模型基于输入的网络运行数据,对网络设备在第二时间段的指定参数的值进行预测,并将网络设备在第二时间段的指定参数配置为预测模型预测出的值。在该配置方式中,无需考虑应用场景,也无需手动修改或配置参数,因此,这种配置方式具有普适性。并且,当预测模型基于大量的历史数据来预测网络设备在第二时间段的指定参数的值时,可以提高模型预测的准确性。
为了进一步说明网络设备基于离线训练所得到预测模型,对待配置的网络参数进行预测的过程,参见图9所示的本申请实施例提供的一种网络参数配置方法的流程图。该方法的流程可选包括步骤901-906所示的过程。
901、网络设备在多个历史时间段进行数据采集,并对采集到的数据进行预处理,得到多个历史时间段对应的历史网络运行数据。
网络设备在这多个历史时间段中的任一历史时间段内,采集第一个采样时刻的和最后一个采集时刻的缓存参数、被设置ECN标记的报文量、转发的报文量、转发的报文的总字节数、其端口的固有带宽比以及转发的报文的总字节数等,对采集到数据进行预处理,得到该任一历史时间段对应的历史网络运行数据的过程与步骤12以及步骤13中获取网络历史运行数据的过程同理,在此,本申请实施例对采集到的数据进行预处理的过程不做赘述。
当网络设备对这个多个历史时间段均进行如任一历史时间段的数据数量过程后,该网络设备即可以获取到多个历史时间段对应的历史网络运行数据。
902、网络设备构建配置空间。
本步骤902所示的过程与步骤21所示的过程同理,在此本申请实施例对本步骤902不做赘述。
903、网络设备根据第一回报关系以及第二回报关系,获取目标回报关系。
本步骤903所示的过程在步骤23中有相应介绍,在此,本申请实施例对本步骤903不做赘述。
904、网络设备根据多个历史时间段对应的历史网络运行数据、配置空间以及目标回报关系,获取预测模型。
该网络设备可以先根据配置空间以及总回报关系,构建初始预测模型,可选过程参见步骤23。然后,该网络设备可以根据该多个历史时间段,对始识预测模型进行训练,得到预测模型,可选过程参见步骤25。
905、网络设备将第一时间段对应的网络运行数据输入预测模型,预测模型基于第一时间段对应的网络运行数据,对网络设备在第二时间段的指定参数的值进行预测。
906、预测模型输出预测的第二时间段的指定参数的第二值。
为了进一步说明网络设备基于在线训练所得到预测模型,对待配置的网络参数进行预测的过程,参见图10所示的本申请实施例提供的再一种网络参数预测方法的流程图过程。该方法的流程可选包括步骤1001-1006所示的过程。
1001、网络设备构建配置空间。
本步骤1001所示的过程与步骤21所示的过程同理,在此本申请实施例对本步骤1001不做赘述。
1002、网络设备根据第一回报关系以及第二回报关系,获取目标回报关系。
本步骤1002所示的过程在步骤23中有相应介绍,在此,本申请实施例对本步骤1002不做赘述。
1003、网络设备根据配置空间以及目标回报关系,构建初始预测模型。
本步骤1003所示的过程在步骤23中有相应介绍,在此,本申请实施例对本步骤1003不做赘述。
1004、网络设备在第一时间段进行数据采集,并对采集到的数据进行预处理,得到第一时间段对应的网络运行数据。
本步骤1004获取第一时间段对应的网络运行数据的过程与步骤601获取历史时段的历史网络运行数据的过程同理,在此,本申请实施例对本步骤1004不做赘述。
1005、网络设备将第一时间段对应的网络运行数据输入初始预测模型,对初始预测模型进行训练,得到更新后的预测模型,并将第一时间段对应的网络运行数据输入更新后的预测模型,更新后的预测模型基于第一时间段对应的网络运行数据,对网络设备在第二时间段的指定参数的值进行预测。
1006、更新后的预测模型输出预测的第二时间段的指定参数的第二值。
该网络设备可以在第二时间段执行步骤1004,以获取第二时间段对应的网络运行数据,并基于第二时间段对应的网络运行数据训练更新后的预测模型,得到新的预测模型,并将第二时间段对应的网络运行数据输入新的预测模型,使得新的预测模型可以输出第三时间段的指定参数的第四值,以此类推,网络设备在以后的各个时间段网络均执行步骤1004-1006的过程。
在一些实施例中,网络设备还可以基于当前的网络运行数据识别出当前的网络流量类型,并基于识别出的网络流量类型进行网络参数的配置,参见图11所示的本申请实施例提供的一种网络参数配置方法的流程图,该方法的流程包括步骤1101-1108。
1101、网络设备建立至少一个关联关系,至少一个关联关系中的每个关联关系用于指示一种网络流量类型与指定参数的第三值对应,指定参数的第三值为网络流量类型所指示的网络流量下的指定参数的优选值。
对于任一业务场景,根据业务需求,该任一业务场景可以对应至少一个网络流量类型,其中,一个网络流量类型用于指示在预设时间段内的报文传输情况,例如,当在预设时间内,有3个发送设备向网络设备发送报文,网络设备将这3个发送设备发送的报文转发至2个接收设备时,该网络设备在预设时间段内的报文传输情况也即是一个网络流量类型,再例如,当在预设时间内,有1个发送设备向网络设备发送报文,网络设备将这1个发送设备发送的报文转发至3个接收设备时,该网络设备在预设时间段内的报文传输情况为一个网络流量类型。再例如,当网络设备可以在不同时间段内进行多种业务上的报文传输时,若在预设时间段内进行的一个业务上的报文传输时,此时的报文传输情况为一个网络流量类型,若在预设时间段内进行的另一个业务上的报文传输时,此时的报文传输情况为另一个网络流量类型。
网络设备根据以往的参数配置经验,可以确定每个网络流量类型所指示的网络流量下的指定参数的优选值,并将每个网络流量类型与其对应的指定参数的优选值进行关联存储,从而每个网络流量类型与指定参数的一个优选值之间具有一个关联关系。
需要说明的是,当网络参数配置系统包括计算设备时,本步骤1101所示的过程也可以由计算设备来执行。
1102、网络设备获取至少一个历史数据集合,至少一个历史数据集合中的每个历史数据集合包括多个历史网络运行数据,多个历史网络运行数据中的每个历史网络运行数据包括在一种网络流量类型下网络设备在一个历史时间段的网络传输特征以及指定参数对应的值中至少一项,历史时间段为第一时间段之前的时间段。
由于每个关联关系对应一个网络流量类型,那么,至少一个关联关系对应至少一个网络流量类型,对于至少一个网络流量类型中的任一网络流量类型,该网络设备在该任一网络流量类型下,获取多个历史网络运行数据,并将获取的历史网络运行数据组合成与该任一网络流量类型对应的历史数据集合。当网络设备对该至少一个网络流量类型均执行上述获取历史数据集合的过程,那么,该网络设备最终可以获取到至少一个历史数据集合。
其中,该网络设备在该任一网络流量类型下,获取多个历史网络运行数据与步骤24所示的过程同理。与步骤24不同的地方在于:网络设备必须在该任一网络流量类型下,获取历史网络运行数据,而在步骤24中不限定网络流量类型。
需要说明的是,当网络参数配置系统包括计算设备时,当网络设备执行完本步骤1102后,可以将获取的至少一个历史数据集合发送至计算设备,由计算设备来执行下述步骤1103-1107所示的过程。
1103、网络设备基于至少一个关联关系、至少一个历史数据集合以及初始识别模型,获取网络流量类型识别模型。
网络设备可以先确定每个历史数据集合所对应的关联关系中的网络流量类型,对于任一历史数据集合,使得该任一历史数据集合中多个历史网络运行数据能够全面的反映出对应的网络流量类型所指示的报文传输情况。然后,该网络设备可以将每个历史数据集合中各个历史网络运行数据作样本,对初始识别模型进行训练,得到用于识别网络流量类型的网络流量类型识别模型。在一种可能的实现方式中,本步骤1103可以通过下述步骤31-32所示的过程来实现。
步骤31、网络设备基于至少一个关联关系,在至少一个历史数据集合中的每个历史网络运行数据中添加一个网络流量类型标签,一个网络流量类型标签用于指示一种网络流量类型。
由于每个历史数据集合中的历史网络运行数据,都是在一个关联关系中的网络流量类型所指示的网络流量下获得,因此,对于任一历史数据集合,网络设备可以确定与该任一历史数据集合对应的网络流量类型,从而该网络设备可以在该任一历史数据集合的各个历史网络运行数据中添加用于指示该任一历史数据集合所对应的网络流量类型的标签,网络流量类型的标签可以是网络流量类型的类型标识,不同的网络流量类型的类型标识不同,每个类型标识用于指示一个网络流量类型。本申请实施例对该类型标识以及在历史网络运行数据中添加标签的方式不做具体限定。
步骤32、网络设备将携带网络流量类型标签的历史网络运行数据输入初始识别模型,对初始识别模型进行训练,得到网络流量类型识别模型。
该初始识别模型可以是神经网络模型,本步骤23所示的过程可以是:网络设备初始化初始识别模型中的模型参数,并将携带网络流量类型标签的历史网络运行数据输入初始识别模型,该初始识别模型基于各个历史网络运行数据中的网络传输特征、模型标签以及监督学习算法,进行预设次数的模型训练。对于每次训练,该初始识别模型基于当前的模型参数以及每个历史网络运行数据中网络传输特征进行类型识别,得到每个历史网络运行数据的网络流量类型,根据每个历史网络运行数据中携带的网络流量类型标签,确定识别出的每个历史网络运行数据的网络流量类型是否正确,并统计本次识别结果的正确率,然后,根据监督学习算法对该初始识别模型当前的模型参数进行更新,以便进行下次训练,当达到预设的训练次数或者识别结果的正确率达到预设数值时,结束训练。由于每次训练后均会更新初始识别模型的模型参数,当训练结束后,初始识别模型就会更新为网络流量类型识别模型,从而该网络流量模型基于输入的网络运行数据,可以快速且准确的识别出该网络运行数据的网络流量类型。
需要说明的是,监督学习算法可以是随机森林算法,还可以是神经网络监督学习算法,本申请实施例对该监督学习算法不做具体限定,另外,上述步骤1101-1104所示的过程执行一次即可,无需多次执行。
1104、网络设备获取第一时间段对应的网络运行数据,网络运行数据包括网络设备在第一时间段的网络传输特征以及指定参数对应的第一值中至少一项。
本步骤1104所示的过程与步骤401所示的过程同理,在此本申请实施例对本步骤1104所示的过程不做赘述。
1105、网络设备将网络运行数据输入网络流量类型识别模型。
1106、网络设备获取网络流量类型识别模型基于网络运行数据输出的网络设备在第一时间段的第一网络流量类型,一个网络流量类型用于指示在预设时间段内的报文传输情况。
当网络设备将网络流量数据输入网络流量类型识别模型后,网络流量识别模型根据当前的模型参数以及网络流量数据中包括的网络传输特征,识别出与该网络传输特征对应的网络流量类型,也即是第一时间段的第一网络流量类型,并输出识别出的第一网络流量类型。
1107、网络设备查询预设的至少一个关联关系,获取与第一网络流量类型对应的指定参数的第三值。
由于网络设备内存储有至少一个关联关系,因此,该网络设备可以通过查询存储的至少一个关联关系,确定与该第一网络流量类型有关联关系的指定参数的第三值。
需要说明的是,当本步骤1107所示的过程由计算设备来执行时,若步骤1107执行完成,该计算设备可以将确定的第一网络流量类型对应的指定参数的第三值发送给网络设备,以便网络设备执行下述步骤1108。
1108、网络设备将网络设备在第二时间段的网络参数配置为第三值,第二时间段为第一时间段之后的时间段。
由于每个网络流量类型用于指示在预设时间段内的报文传输情况,第一时间段和第二时间段可以视为预设时间段,从而该网络设备可以将在第二时间段的指定参数配置为第一网络流量类型对应的指定参数的第三值。
本申请实施例提供的方法,通过网络流量类型识别模型识别出第一时间段的第一网络流量类型,并根据至少一个关联关系,确定与该第一网络流量类型对应的指定参数的第三值,并将与第一网络流量类型对应的指定参数的第三值配置为第二时间段的指定参数,在该配置方式中,无需考虑应用场景,也无需手动修改或配置参数,因此,这种配置方式具有普适性。并且,由于每个关联关系用于指示一种网络流量类型与指定参数的第三值对应,而所述指定参数的第三值为所述网络流量类型所指示的网络流量下的所述指定参数的优选值,那么第二时间段配置的指定参数也即是在第一该网络流量类型所指示的网络流量下的指定参数的优选值,从而网络设备在第二时间段基于指定参数的优选值,进行报文传输,可以提高报文的传输效率,以避免传输拥塞。
图12是本申请实施例提供的一种网络参数配置装置的结构示意图,该装置包括:
获取单元1201,用于执行上述步骤601;
输入单元1202,用于执行上述步骤603;
所述获取单元1201,还用于执行上述步骤604;
配置单元1203,用于执行上述步骤605。
可选地,所述获取单元1201,还用于执行上述步骤24。
可选地,获取单元1201,用于将所述至少一个历史时间段对应的历史网络运行数据以及所述网络运行数据输入所述预测模型,获取所述预测模型基于所述至少一个历史时间段对应的历史网络运行数据以及所述网络运行数据输出的所述指定参数的第二值,所述至少一个历史时间段为所述第一时间段之前的时间段。
可选地,所述装置还包括:
第一训练单元,用于将所述网络运行数据输入初始预测模型,对所述初始预测模型进行训练,得到所述预测模型;或,
更新单元,用于将所述网络运行数据输入所述预测模型,得到更新后的预测模型。
可选地,所述装置还包括第二训练单元;
所述获取单元1201,还用于执行上述步骤24;
所述第二训练单元,用于将所述多个历史时间段对应的历史网络运行数据输入初始预测模型,对所述初始预测模型进行训练,得到所述预测模型。
可选地,所述装置还包括:
构建单元,用于执行上述步骤21;
建立单元,用于执行上述步骤22;
所述构建单元,还用于执行上述步骤23。
可选地,所述网络传输特征包括所述网络设备在所述第一时间段内缓存的报文量、报文传输的效率信息以及传输的报文的平均大小中至少一项。
图13是本申请实施例提供的一种网络参数配置装置的结构示意图,该装置包括:
获取单元1301,用于执行上述步骤1104;
输入单元1302,用于执行上述步骤1105;
所述获取单元1301,用于执行上述步骤1106;
查询单元1303,用于执行上述步骤1103;
配置单元1304,用于执行上述步骤1104。
可选地,所述装置还包括:
建立单元,用于执行上述步骤1101;
所述获取单元1301,还用于执行上述步骤1102;
所述获取单元1301,还用于执行上述步骤1103。
可选地,所述获取单元1301用于执行上述步骤31-32。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
需要说明的是:上述实施例提供的网络参数配置装置在进行网络参数装置时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的网络参数配置方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (22)
1.一种网络参数配置方法,其特征在于,所述方法包括:
获取第一时间段对应的网络运行数据,所述网络运行数据包括网络设备在所述第一时间段的网络传输特征以及指定参数对应的第一值中至少一项,所述网络传输特征包括带宽利用率,所述指定参数包括显示拥塞通知ECN参数,所述指定参数用于对所述网络设备转发的报文设置ECN标记;
将所述网络运行数据输入预测模型;获取所述预测模型基于所述网络运行数据输出的所述指定参数的第二值;
将所述网络设备在第二时间段的所述指定参数配置为所述第二值,所述第二时间段为所述第一时间段之后的时间段。
2.根据权利要求1所述的方法,其特征在于,所述将所述网络运行数据输入预测模型之前,所述方法还包括:
获取至少一个历史时间段对应的历史网络运行数据,所述至少一个历史时间段中的每个历史时间段对应的历史网络运行数据包括所述网络设备在所述历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述至少一个历史时间段为所述第一时间段之前的时间段。
3.根据权利要求1所述的方法,其特征在于,所述将所述网络运行数据输入预测模型;获取所述预测模型基于所述网络运行数据输出的所述指定参数的第二值包括:
将所述至少一个历史时间段对应的历史网络运行数据以及所述网络运行数据输入所述预测模型,获取所述预测模型基于所述至少一个历史时间段对应的历史网络运行数据以及所述网络运行数据输出的所述指定参数的第二值,所述至少一个历史时间段为所述第一时间段之前的时间段。
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:
将所述网络运行数据输入初始预测模型,对所述初始预测模型进行训练,得到所述预测模型;或,
将所述网络运行数据输入所述预测模型,得到更新后的预测模型。
5.根据权利要求1所述的方法,其特征在于,所述将所述网络运行数据输入预测模型之前,所述方法还包括:
获取多个历史时间段对应的历史网络运行数据,所述多个历史时间段中的每个历史时间段对应的历史网络运行数据包括所述网络设备在所述历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述多个历史时间段为所述第一时间段之前的时间段;
将所述多个历史时间段对应的历史网络运行数据输入初始预测模型,对所述初始预测模型进行训练,得到所述预测模型。
6.根据权利要求4或5所述的方法,其特征在于,所述对所述初始预测模型进行训练,得到所述预测模型之前,所述方法还包括:
构建包括至少一个关联关系的配置空间,所述至少一个关联关系中的每个关联关系用于指示一个指定参数对应的值;
建立第一回报关系以及第二回报关系,所述第一回报关系用于指示所述网络设备缓存的报文量对网络传输性能的影响,所述第二回报关系用于指示所述网络设备的所述带宽利用率对网络传输性能的影响;
根据所述配置空间、所述第一回报关系以及第二回报关系,构建所述初始预测模型。
7.根据权利要求1-5中任意一项所述的方法,其特征在于,所述网络传输特征包括所述网络设备在所述第一时间段内缓存的报文量、报文传输的效率信息以及传输的报文的平均大小中至少一项。
8.一种网络参数配置方法,其特征在于,所述方法包括:
获取第一时间段对应的网络运行数据,所述网络运行数据包括网络设备在所述第一时间段的网络传输特征以及指定参数对应的第一值中至少一项,所述网络传输特征包括带宽利用率,所述指定参数包括显示拥塞通知ECN参数,所述指定参数用于对所述网络设备转发的报文设置ECN标记;
将所述网络运行数据输入网络流量类型识别模型;
获取所述网络流量类型识别模型基于所述网络运行数据输出的所述网络设备在所述第一时间段的第一网络流量类型,一个网络流量类型用于指示在预设时间段内的报文传输情况;
查询预设的至少一个关联关系,获取与所述第一网络流量类型对应的指定参数的第三值,所述至少一个关联关系中的每个关联关系用于指示一种网络流量类型与所述指定参数的第三值对应,所述指定参数的第三值为所述网络流量类型所指示的网络流量下的所述指定参数的优选值;
将所述网络设备在第二时间段的所述指定参数配置为所述第三值,所述第二时间段为所述第一时间段之后的时间段。
9.根据权利要求8所述的方法,其特征在于,所述将所述网络运行数据输入网络流量类型识别模型之前,所述方法还包括:
建立所述至少一个关联关系;
获取至少一个历史数据集合,所述至少一个历史数据集合中的每个历史数据集合包括多个历史网络运行数据,所述多个历史网络运行数据中的每个历史网络运行数据包括在一种网络流量类型下所述网络设备在一个历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述历史时间段为所述第一时间段之前的时间段;
基于所述至少一个关联关系、所述至少一个历史数据集合以及初始识别模型,获取所述网络流量类型识别模型。
10.根据权利要求9所述的方法,其特征在于,所述基于所述至少一个关联关系、所述至少一个历史数据集合以及初始识别模型,获取所述网络流量类型识别模型包括:
基于所述至少一个关联关系,在所述至少一个历史数据集合中的每个历史网络运行数据中添加一个网络流量类型标签,所述一个网络流量类型标签用于指示一种网络流量类型;
将携带网络流量类型标签的历史网络运行数据输入所述初始识别模型,对所述初始识别模型进行训练,得到所述网络流量类型识别模型。
11.一种网络参数配置装置,其特征在于,所述装置包括:
获取单元,用于获取第一时间段对应的网络运行数据,所述网络运行数据包括网络设备在所述第一时间段的网络传输特征以及指定参数对应的第一值中至少一项,所述网络传输特征包括带宽利用率,所述指定参数包括显示拥塞通知ECN参数,所述指定参数用于对所述网络设备转发的报文设置ECN标记;
输入单元,用于将所述网络运行数据输入预测模型;
所述获取单元,还用于获取所述预测模型基于所述网络运行数据输出的所述指定参数的第二值;
配置单元,用于将所述网络设备在第二时间段的所述指定参数配置为所述第二值,所述第二时间段为所述第一时间段之后的时间段。
12.根据权利要求11所述的装置,其特征在于,所述获取单元,还用于获取至少一个历史时间段对应的历史网络运行数据,所述至少一个历史时间段中的每个历史时间段对应的历史网络运行数据包括所述网络设备在所述历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述至少一个历史时间段为所述第一时间段之前的时间段。
13.根据权利要求11所述的装置,其特征在于,所述获取单元,用于将所述至少一个历史时间段对应的历史网络运行数据以及所述网络运行数据输入所述预测模型,获取所述预测模型基于所述至少一个历史时间段对应的历史网络运行数据以及所述网络运行数据输出的所述指定参数的第二值,所述至少一个历史时间段为所述第一时间段之前的时间段。
14.根据权利要求11所述的装置,其特征在于,所述装置还包括:
第一训练单元,用于将所述网络运行数据输入初始预测模型,对所述初始预测模型进行训练,得到所述预测模型;或,
更新单元,用于将所述网络运行数据输入所述预测模型,得到更新后的预测模型。
15.根据权利要求11所述的装置,其特征在于,所述装置还包括第二训练单元;
所述获取单元,还用于获取多个历史时间段对应的历史网络运行数据,所述多个历史时间段中的每个历史时间段对应的历史网络运行数据包括所述网络设备在所述历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述多个历史时间段为所述第一时间段之前的时间段;
所述第二训练单元,用于将所述多个历史时间段对应的历史网络运行数据输入初始预测模型,对所述初始预测模型进行训练,得到所述预测模型。
16.根据权利要求14或15所述的装置,其特征在于,所述装置还包括:
构建单元,用于构建包括至少一个关联关系的配置空间,所述至少一个关联关系中的每个关联关系用于指示一个指定参数对应的值;
建立单元,用于建立第一回报关系以及第二回报关系,所述第一回报关系用于指示所述网络设备缓存的报文量对网络传输性能的影响,所述第二回报关系用于指示所述网络设备的所述带宽利用率对网络传输性能的影响;
所述构建单元,还用于根据所述配置空间、所述第一回报关系以及第二回报关系,构建所述初始预测模型。
17.根据权利要求11-15中任意一项所述的装置,其特征在于,所述网络传输特征包括所述网络设备在所述第一时间段内缓存的报文量、报文传输的效率信息以及传输的报文的平均大小中至少一项。
18.一种网络参数配置装置,其特征在于,所述装置包括:
获取单元,用于获取第一时间段对应的网络运行数据,所述网络运行数据包括网络设备在所述第一时间段的网络传输特征以及指定参数对应的第一值中至少一项,所述网络传输特征包括带宽利用率,所述指定参数包括显示拥塞通知ECN参数,所述指定参数用于对所述网络设备转发的报文设置ECN标记;
输入单元,用于将所述网络运行数据输入网络流量类型识别模型;
所述获取单元,用于获取所述网络流量类型识别模型基于所述网络运行数据输出的所述网络设备在所述第一时间段的第一网络流量类型,一个网络流量类型用于指示在预设时间段内的报文传输情况;
查询单元,用于查询预设的至少一个关联关系,获取与所述第一网络流量类型对应的指定参数的第三值,所述至少一个关联关系中的每个关联关系用于指示一种网络流量类型与所述指定参数的第三值对应,所述指定参数的第三值为所述网络流量类型所指示的网络流量下的所述指定参数的优选值;
配置单元,用于将所述网络设备在第二时间段的所述指定参数配置为所述第三值,所述第二时间段为所述第一时间段之后的时间段。
19.根据权利要求18所述的装置,其特征在于,所述装置还包括:
建立单元,用于建立所述至少一个关联关系;
所述获取单元,还用于获取至少一个历史数据集合,所述至少一个历史数据集合中的每个历史数据集合包括多个历史网络运行数据,所述多个历史网络运行数据中的每个历史网络运行数据包括在一种网络流量类型下所述网络设备在一个历史时间段的网络传输特征以及所述指定参数对应的值中至少一项,所述历史时间段为所述第一时间段之前的时间段;
所述获取单元,还用于基于所述至少一个关联关系、所述至少一个历史数据集合以及初始识别模型,获取所述网络流量类型识别模型。
20.根据权利要求19所述的装置,其特征在于,所述获取单元用于:
基于所述至少一个关联关系,在所述至少一个历史数据集合中的每个历史网络运行数据中添加一个网络流量类型标签,所述一个网络流量类型标签用于指示一种网络流量类型;
将携带网络流量类型标签的历史网络运行数据输入所述初始识别模型,对所述初始识别模型进行训练,得到所述网络流量类型识别模型。
21.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有指令,所述指令由所述处理器加载并执行以实现如权利要求1至权利要求10任一项所述的网络参数配置方法所执行的操作。
22.一种存储介质,其特征在于,所述存储介质中存储有指令,所述指令由处理器加载并执行以实现如权利要求1至权利要求10任一项所述的网络参数配置方法所执行的操作。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311706653.7A CN117880092A (zh) | 2019-09-17 | 2019-09-17 | 网络参数配置方法、装置、计算机设备以及存储介质 |
CN202311715872.1A CN117896250A (zh) | 2019-09-17 | 2019-09-17 | 网络参数配置方法、装置、计算机设备以及存储介质 |
CN201910878276.2A CN112532409B (zh) | 2019-09-17 | 2019-09-17 | 网络参数配置方法、装置、计算机设备以及存储介质 |
PCT/CN2020/112599 WO2021052162A1 (zh) | 2019-09-17 | 2020-08-31 | 网络参数配置方法、装置、计算机设备以及存储介质 |
EP20866886.3A EP4024766A4 (en) | 2019-09-17 | 2020-08-31 | METHOD AND DEVICE FOR CONFIGURATION OF NETWORK PARAMETERS, COMPUTER DEVICE AND STORAGE MEDIUM |
US17/695,271 US20220210026A1 (en) | 2019-09-17 | 2022-03-15 | Network Parameter Configuration Method and Apparatus, Computer Device, and Storage Medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910878276.2A CN112532409B (zh) | 2019-09-17 | 2019-09-17 | 网络参数配置方法、装置、计算机设备以及存储介质 |
Related Child Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311715872.1A Division CN117896250A (zh) | 2019-09-17 | 2019-09-17 | 网络参数配置方法、装置、计算机设备以及存储介质 |
CN202311706653.7A Division CN117880092A (zh) | 2019-09-17 | 2019-09-17 | 网络参数配置方法、装置、计算机设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112532409A CN112532409A (zh) | 2021-03-19 |
CN112532409B true CN112532409B (zh) | 2023-11-10 |
Family
ID=74883348
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910878276.2A Active CN112532409B (zh) | 2019-09-17 | 2019-09-17 | 网络参数配置方法、装置、计算机设备以及存储介质 |
CN202311706653.7A Pending CN117880092A (zh) | 2019-09-17 | 2019-09-17 | 网络参数配置方法、装置、计算机设备以及存储介质 |
CN202311715872.1A Pending CN117896250A (zh) | 2019-09-17 | 2019-09-17 | 网络参数配置方法、装置、计算机设备以及存储介质 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311706653.7A Pending CN117880092A (zh) | 2019-09-17 | 2019-09-17 | 网络参数配置方法、装置、计算机设备以及存储介质 |
CN202311715872.1A Pending CN117896250A (zh) | 2019-09-17 | 2019-09-17 | 网络参数配置方法、装置、计算机设备以及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220210026A1 (zh) |
EP (1) | EP4024766A4 (zh) |
CN (3) | CN112532409B (zh) |
WO (1) | WO2021052162A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113453096B (zh) * | 2021-06-04 | 2022-12-13 | 中国联合网络通信集团有限公司 | 一种无源光网络pon口流量的预测方法及装置 |
CN113992507B (zh) * | 2021-10-11 | 2023-10-27 | 新华三信息安全技术有限公司 | 确定缺省参数值的方法、装置、服务器及存储介质 |
CN114095364B (zh) * | 2021-11-29 | 2024-02-27 | 新华三大数据技术有限公司 | 网络拥塞控制方法及装置 |
CN114143183B (zh) * | 2021-12-01 | 2023-02-03 | 中国商用飞机有限责任公司 | 网络参数配置方法、装置、计算机设备及可读存储介质 |
CN114339858B (zh) * | 2021-12-30 | 2023-12-05 | 天翼物联科技有限公司 | 终端发包参数调整方法、装置及相关设备 |
CN114513409B (zh) * | 2022-01-05 | 2023-09-15 | 新华三技术有限公司 | 一种ecn门限配置方法及装置 |
CN117041073B (zh) * | 2023-09-05 | 2024-05-28 | 广州天懋信息系统股份有限公司 | 网络行为预测方法、系统、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108924127A (zh) * | 2018-06-29 | 2018-11-30 | 新华三信息安全技术有限公司 | 一种流量基线的生成方法和装置 |
CN109873712A (zh) * | 2018-05-18 | 2019-06-11 | 新华三信息安全技术有限公司 | 一种网络流量预测方法及装置 |
CN110061927A (zh) * | 2019-04-26 | 2019-07-26 | 东南大学 | 一种多队列数据中心环境中面向微突发流的拥塞感知与标记方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7346471B2 (en) * | 2005-09-02 | 2008-03-18 | Microsoft Corporation | Web data outlier detection and mitigation |
US20140064079A1 (en) * | 2012-08-30 | 2014-03-06 | Broadcom Corporation | Adaptive congestion management |
US9536424B2 (en) * | 2014-02-10 | 2017-01-03 | Here Global B.V. | Adaptive traffic dynamics prediction |
CN106464593B (zh) * | 2014-11-25 | 2018-08-21 | 华为技术有限公司 | 一种优化路由数据流的系统和方法 |
US10116521B2 (en) * | 2015-10-15 | 2018-10-30 | Citrix Systems, Inc. | Systems and methods for determining network configurations using historical real-time network metrics data |
CN106058851B (zh) * | 2016-05-27 | 2018-09-04 | 南方电网科学研究院有限责任公司 | 基于需求响应的电力资源配置方法和系统 |
CN107959640B (zh) * | 2016-10-14 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 网络业务调度方法及装置 |
CN110022264B (zh) * | 2018-01-08 | 2020-09-08 | 华为技术有限公司 | 控制网络拥塞的方法、接入设备和计算机可读存储介质 |
US10965555B2 (en) * | 2018-01-23 | 2021-03-30 | Arista Networks, Inc. | Accelerated network traffic sampling using an accelerated line card |
US20190319881A1 (en) * | 2018-04-13 | 2019-10-17 | Microsoft Technology Licensing, Llc | Traffic management based on past traffic arrival patterns |
CN110213784B (zh) * | 2019-07-05 | 2022-05-20 | 中国联合网络通信集团有限公司 | 一种流量预测方法及装置 |
US10873533B1 (en) * | 2019-09-04 | 2020-12-22 | Cisco Technology, Inc. | Traffic class-specific congestion signatures for improving traffic shaping and other network operations |
-
2019
- 2019-09-17 CN CN201910878276.2A patent/CN112532409B/zh active Active
- 2019-09-17 CN CN202311706653.7A patent/CN117880092A/zh active Pending
- 2019-09-17 CN CN202311715872.1A patent/CN117896250A/zh active Pending
-
2020
- 2020-08-31 WO PCT/CN2020/112599 patent/WO2021052162A1/zh unknown
- 2020-08-31 EP EP20866886.3A patent/EP4024766A4/en active Pending
-
2022
- 2022-03-15 US US17/695,271 patent/US20220210026A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873712A (zh) * | 2018-05-18 | 2019-06-11 | 新华三信息安全技术有限公司 | 一种网络流量预测方法及装置 |
CN108924127A (zh) * | 2018-06-29 | 2018-11-30 | 新华三信息安全技术有限公司 | 一种流量基线的生成方法和装置 |
CN110061927A (zh) * | 2019-04-26 | 2019-07-26 | 东南大学 | 一种多队列数据中心环境中面向微突发流的拥塞感知与标记方法 |
Non-Patent Citations (1)
Title |
---|
Dynamic ECN marking threshold algorithm for TCP congestion control in data center networks;LU YIFEI et al.;COMPUTER COMMUNICATIONS;197-208 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021052162A1 (zh) | 2021-03-25 |
EP4024766A1 (en) | 2022-07-06 |
CN112532409A (zh) | 2021-03-19 |
EP4024766A4 (en) | 2022-10-12 |
CN117880092A (zh) | 2024-04-12 |
CN117896250A (zh) | 2024-04-16 |
US20220210026A1 (en) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112532409B (zh) | 网络参数配置方法、装置、计算机设备以及存储介质 | |
US10855604B2 (en) | Systems and methods of data flow classification | |
US10749757B2 (en) | Method and apparatus for generating network control policy, and network controller | |
CA3166375A1 (en) | Traffic flow classification using machine learning | |
CN109104373B (zh) | 网络拥塞的处理方法、装置及系统 | |
US11888744B2 (en) | Spin-leaf network congestion control method, node, system, and storage medium | |
CN112887217B (zh) | 控制数据包发送方法、模型训练方法、装置及系统 | |
Chen et al. | Minimizing age-of-information for fog computing-supported vehicular networks with deep Q-learning | |
JP7118209B2 (ja) | 輻輳制御方法、装置及びシステム並びにコンピュータ記憶媒体 | |
CN111211988B (zh) | 面向分布式机器学习的数据传输方法及系统 | |
US20190288930A1 (en) | Delay measurement method of network node device, apparatus, and network node device | |
CN114866431A (zh) | 基于int预测sfc网络故障的方法、装置及处理器 | |
CN112910789A (zh) | 拥塞控制方法以及相关设备 | |
CN115550233A (zh) | 分布式路由确定方法、电子设备及存储介质 | |
CN111901237B (zh) | 源路由选路方法及系统、相关设备及计算机可读存储介质 | |
Bhattacharyya et al. | QFlow: A learning approach to high QoE video streaming at the wireless edge | |
CN114205300B (zh) | 一种能够在流量信息不完整情况下保证coflow传输截止期限的流量调度方法 | |
KR20190114126A (ko) | 메시지의 처리 완료 지연 시간을 기초로 스위치로의 메시지 송신을 제어하는 sdn 컨트롤러 및 그 방법 | |
CN112367708B (zh) | 一种网络资源分配方法及装置 | |
CN115102905A (zh) | 一种ecn水线调整方法及装置 | |
Tsai et al. | An Adaptive Solution for Images Streaming in Vehicle Networks using MQTT Protocol | |
CN116886623A (zh) | 一种数据传输的控制方法及装置、电子设备、存储介质 | |
Abdullah et al. | Descriptive analysis of wide area network flow control internet traffic on Metro-E 100 Mbps campus network | |
Tadele et al. | Optimization of End-to-End AoI in Edge-Enabled Vehicular Fog Systems: A Dueling-DQN Approach | |
De Aquino et al. | On the use data reduction algorithms for real-time wireless sensor 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 |