CN112769972B - IPv6网络的流量分析方法、装置、电子设备和存储介质 - Google Patents

IPv6网络的流量分析方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112769972B
CN112769972B CN202011532386.2A CN202011532386A CN112769972B CN 112769972 B CN112769972 B CN 112769972B CN 202011532386 A CN202011532386 A CN 202011532386A CN 112769972 B CN112769972 B CN 112769972B
Authority
CN
China
Prior art keywords
data
traffic
clustering
model
user
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
CN202011532386.2A
Other languages
English (en)
Other versions
CN112769972A (zh
Inventor
黄友俊
李星
吴建平
邓斌
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.)
CERNET Corp
Original Assignee
CERNET Corp
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 CERNET Corp filed Critical CERNET Corp
Priority to CN202011532386.2A priority Critical patent/CN112769972B/zh
Publication of CN112769972A publication Critical patent/CN112769972A/zh
Application granted granted Critical
Publication of CN112769972B publication Critical patent/CN112769972B/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
    • H04L61/00—Network arrangements, protocols or services for addressing or naming
    • H04L61/50—Address allocation
    • H04L61/5007—Internet protocol [IP] addresses
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2101/00—Indexing scheme associated with group H04L61/00
    • H04L2101/60—Types of network addresses
    • H04L2101/618—Details of network addresses
    • H04L2101/659—Internet protocol version 6 [IPv6] addresses

Landscapes

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

Abstract

本公开提供了一种IPv6网络的流量分析方法，所述方法包括：采集IPv6网络的流量数据和用户数据；基于所述流量数据和所述用户数据，预测用户的流量带宽；获取所述流量带宽满足预设条件的用户的实时流数据；对所述实时流数据进行分类；展示流量带宽的预测结果和所述实时流数据的分类结果。本公开还提供了一种IPv6网络的流量分析装置、电子设备和存储介质。

Description

IPv6网络的流量分析方法、装置、电子设备和存储介质
技术领域
本公开涉及互联网领域，具体涉及一种IPv6网络的流量分析方法、装置、电子设备和存储介质。
背景技术
2019年4月26日，中华人民共和国工业和信息化部官网发布《关于开展2019年IPv6网络就绪专项行动的通知》，要求提升IPv6终端比例，包括网站及互联网应用生态加快向IPv6升级、IPv6网络及服务性能持续提升、IPv6网络安全保障进一步加强等工作。
针对教育网用户的IPv6流量的监管工作，一直缺乏一套整体的流量预测分析方法，使得已知存在对教育网用户的IPv6流量的统计效率低下的现象。
发明内容
有鉴于此，为了克服上述问题的至少一个方面，本公开提供了一种IPv6网络的流量分析方法，所述方法包括：采集IPv6网络的流量数据和用户数据；基于所述流量数据和所述用户数据，预测用户的流量带宽；获取所述流量带宽满足预设条件的用户的实时流数据；对所述实时流数据进行分类；展示流量带宽的预测结果和所述实时流数据的分类结果。
可选地，所述基于所述流量数据和所述用户数据，预测用户的流量带宽，包括：构建预测模型；训练所述预测模型；基于训练结果，调整所述预测模型的参数，以得到优化预测模型；以所述流量数据和所述用户数据为模型输入数据，通过所述优化预测模型预测用户的流量带宽。
可选地，所述基于训练结果，调整所述预测模型的参数，以得到优化预测模型，包括：评估所述预测模型的准确率；判断所述准确率是否达到预设值；若所述准确率满足预设值，则停止训练，得到优化预测模型，若所述准确率未达到预设值，则调整预测参数、训练步数和学习速率，并重新执行所述评估所述预测模型的准确率。
可选地，所述对所述实时流数据进行分类，包括：构建聚类模型；训练所述聚类模型；基于训练结果，调整所述聚类模型的参数，以得到优化聚类模型；以所述实时流数据为模型输入数据，通过所述优化聚类模型对所述实时流数据进行分类。
可选地，所述基于训练结果，调整所述聚类模型的参数，以得到优化聚类模型，包括：计算所述聚类模型每次聚类时产生的聚类中心；判断当前聚类中心是否与上一个聚类中心相同；若所述当前聚类中心与上一个聚类中心相同，则停止训练，得到优化聚类模型，若所述当前聚类中心与上一个聚类中心不相同，则调整聚类参数，并重新执行所述计算所述聚类模型每次聚类时产生的聚类中心。
可选地，所述采集IPv6网络的流量数据包括通过骨干网节点以netflow和端口镜像的方式采集IPv6网络的流量数据。
可选地，所述IPv6网络的流量数据包括：防问时间、源IP、源端口、目标IP、目标端口、第三层协议类型、入流量和出流量。
本公开还提供了一种IPv6网络的流量分析装置，包括：
采集模块，用于采集IPv6网络的流量数据和用户数据；
预测模块，用于基于所述流量数据和所述用户数据，预测用户的流量带宽；
获取模块，用于获取所述流量带宽满足预设条件的用户的实时流数据；
分类模块，用于对所述实时流数据进行分类；
展示模块，用于展示流量带宽的预测结果和所述实时流数据的分类结果。
本公开又一方面提供了一种电子设备，包括：处理器；存储器，其存储有计算机可执行程序，该程序包含上述的IPv6网络的流量分析方法。
本公开再一方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序包含上述的IPv6网络的流量分析方法。
基于上述技术方案可知，本公开至少具有以下有益效果：
本公开提供了一种IPv6网络的流量分析方法，包括：采集IPv6网络的流量数据和用户数据；基于所述流量数据和所述用户数据，预测用户的流量带宽；获取所述流量带宽满足预设条件的用户的实时流数据；对所述实时流数据进行分类；展示流量带宽的预测结果和所述实时流数据的分类结果。建立关于IPv6网络流量的预测模型和聚类模型，实现对IPv6网络流量的全方位监测，有的放矢地实现预测IPv6网络流量的流量使用趋势和教育网站各院校的IPv6网络流量互联网应用情况。
附图说明
为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：
图1示意性地示出了根据本公开实施例的IPv6网络的流量分析方法的流程图；
图2示意性地示出了根据本公开实施例的IPv6网络的流量分析装置的框图；以及
图3示意性地示出了根据本公开实施例的电子设备的硬件结构图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。在本公开的上下文中，计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。
图1示意性地示出了根据本公开实施例的IPv6网络的流量分析方法的流程图。如图1所示，本公开实施例提供了一种IPv6网络的流量分析方法，该方法包括：
步骤S101，采集IPv6网络的流量数据和用户数据；
步骤S102，基于所述流量数据和所述用户数据，预测用户的流量带宽；
步骤S103，获取所述流量带宽满足预设条件的用户的实时流数据；
步骤S104，对所述实时流数据进行分类；
步骤S105，展示流量带宽的预测结果和所述实时流数据的分类结果。
在本公开实施例中，为实现对IPv6网络流量有效地监测，主要包括数据采集、数据存储、数据分析和数据展示四个部分。其中数据分析包括对IPv6网络流量的预测分析和对IPv6网络流量的分类分析。本公开实施例中预测的特征为用户的流量带宽，在实际的应用过程中，可利用本方案基于采集的数据的特征，做任何IPv6网络流量特征的预测，并不限制于对用户的流量带宽的预测。另外，对IPv6网络流量的分类也是基于IPv6网络流量的特征进行的，例如可实现对IPv6网络流量的域名分类、端口分类、活跃程度分类、入/出流量分类等等。通过本公开实施例，实现对教育网中各院校的IPv6网络流量的全方位监测。
其中，在IPv6流量预测方面，接收NETFLOW探针数据，基于批处理的Map-reduce分布式计算框架为底层平台进行数据分析处理。在IPv6流量分类方面，接收端口镜像流量数据，采用DPDK技术进行高速采集并进行特征流标注，并采用基于实时流特征的分布式计算框架作为底层平台(Spark)进行数据分析处理。存储数据的方式可包括使用分布式文件系统存储分布式文件(HDFS)，分布式数据库存储分析处理后的结果(HBase)。
作为一种可选实施例，在步骤S101中，所述采集IPv6网络的流量数据，包括：
步骤S111，通过骨干网节点以netflow和端口镜像的方式采集IPv6网络的流量数据。
在本公开实施例中，通过在教育网骨干网节点的核心路由器上进行数据采集工作。采集方式分为netflow(采样样本比例为100∶1)和端口镜像两种，并将数据可存储在数据库中作为待分析的数据。例如，以天为时间单位进行存储数据，采集到的所述IPv6网络的流量数据包括：访问时间、源IP、源端口、目标IP、目标端口、第三层协议类型、入流量和出流量。需要说明的是，用户数据从业务数据库中获得。基于上述采集到的流量数据和用户数据，可实现对用户的日实测带宽的计算。而基于用户的日实测带宽可对用户的月实测带宽进行预测。
作为一种可选实施例，在步骤S102中，所述基于所述流量数据和所述用户数据，预测用户的流量带宽，包括：
步骤S121，构建预测模型；
步骤S122，训练所述预测模型；
步骤S123，基于训练结果，调整所述预测模型的参数，以得到优化预测模型；
步骤S124，以所述流量数据和所述用户数据为模型输入数据，通过所述优化预测模型预测用户的流量带宽。
作为一种可选实施例，在步骤S123中，所述基于训练结果，调整所述预测模型的参数，以得到优化预测模型，包括：
步骤S1231，评估所述预测模型的准确率；
步骤S1232，判断所述准确率是否达到预设值；
步骤S1233，若所述准确率满足预设值，则执行步骤S1234，若所述准确率未达到预设值，则执行步骤S1235；
步骤S1234，停止训练，得到优化预测模型；
步骤S1235，调整预测参数、训练步数和学习速率，并重新执行步骤S1231-S1233。
在本公开实施例中，以深度学习为数据分析基础。使用深度学习工具TensorFlow的预测算法进行预测分析。其中，预测算法使用多元线性回归模型进行训练，使用均方根误差(RMSE)评估模型的准确率。以采集到的流量数据和用户数据对预测模型进行训练，其中，将采集到的流量数据和用户数据分为训练集和测试集，分配比例为60％和40％。在评估模型的准确率后，若所述准确率未达到预设值，则可以调整预测模型的参数，预测模型的参数具体可包括预测参数、学习速率、训练步数、批处理尺寸等，从而实现对预测模型的再次训练和再次评估，以使预测模型的准确率达到预设值，获得优化后的预测模型。通过优化后的预测模型，预测用户的月流量带宽。其中，对于预测模型的准确率符合的预设值，本领域的技术人员可根据实际情况进行调整，以满足对流量数据的预测要求。
作为一种可选实施例，在步骤S104中，所述对所述实时流数据进行分类，包括：
步骤S141，构建聚类模型；
步骤S142，训练所述聚类模型；
步骤S143，基于训练结果，调整所述聚类模型的参数，以得到优化聚类模型；
步骤S144，以所述实时流数据为模型输入数据，通过所述优化聚类模型对所述实时流数据进行分类。
作为一种可选实施例，在步骤S143中，所述基于训练结果，调整所述聚类模型的参数，以得到优化聚类模型，包括：
步骤S1431，计算所述聚类模型每次聚类时产生的聚类中心；
步骤S1432，判断当前聚类中心是否与上一个聚类中心相同；
步骤S1433，若所述当前聚类中心与上一个聚类中心相同，则执行步骤S1434，若所述当前聚类中心与上一个聚类中心不相同，则执行步骤S1435；
步骤S1434，停止训练，得到优化聚类模型；
步骤S1435，调整聚类参数，并重新执行步骤S1431-S1433。
在本公开实施例中，根据前述预测的月流量带宽，筛选出月流量带宽满足预设条件的目标院校，此处的预设条件可根据流量数据的特征进行设置，例如，月流量带宽大于预设值，或小于预设值等。获取所述流量带宽满足预设条件的用户的实时流数据后，通过聚类模型对所述流量数据进行聚类操作。其中，采集的流数据需要符合以下采集特征：流的时间特征、流的报文数量特征、流的大小特征，流的双向报文标志位特征。同时还需要采集历史流数据作为聚类模型的训练样本(训练集和测试集)。
采用K-means聚类方法进行训练聚类模型，模型的训练参数为历史流数据构建的样本流和分类簇数量K。在训练过程，首先随机选取K个数据作为聚类中心，并对全部数据进行聚类操作，得到K个聚类集合，再分别计算每个聚类集合的聚类中心，使用混淆矩阵判断当前聚类中心与上一次的聚类中心是否相同，若不相同，可调整分类簇数量且重新执行聚类操作，直至断当前聚类中心与上一次的聚类中心相同，则停止训练，得到优化后的聚类模型。通过优化后的聚类模型，对所述实时流数据进行分类。实现对IPv6网络流量的分类。具体的分类依据可以根据IPv6网络流量的特征设置的，例如可实现对IPv6网络流量的域名分类、端口分类、活跃程度分类、入/出流量分类等等。
本公开另一方面提供了一种IPv6网络的流量分析装置，如图2所示，装置200包括：
采集模块210，用于采集IPv6网络的流量数据和用户数据；
预测模块220，用于基于所述流量数据和所述用户数据，预测用户的流量带宽；
获取模块230，用于获取所述流量带宽满足预设条件的用户的实时流数据；
分类模块240，用于对所述实时流数据进行分类；
展示模块250，用于展示流量带宽的预测结果和所述实时流数据的分类结果。
需要说明的是，本公开的实施例中IPv6网络的流量分析装置与本公开的实施例中IPv6网络的流量分析方法部分是相对应的，IPv6网络的流量分析装置部分的描述具体参IPv6网络的流量分析方法部分，在此不再赘述。
图3示意性示出了根据本公开实施例的电子设备框图。
如图3所示，电子设备300包括处理器310和存储器320。该电子设备300可以执行根据本公开实施例的方法。
具体地，处理器310例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器310还可以包括用于缓存用途的板载存储器。处理器310可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
存储器320，例如可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。其存储有计算机可执行程序，该程序在被处理器执行时，使得处理器执行如上文所述的IPv6网络的流量分析方法。
本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(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。在本公开中，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。而在本公开中，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。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线、光缆、射频信号等等，或者上述的任意合适的组合。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。

Claims (10)

1.一种IPv6网络的流量分析方法，其特征在于，包括：
采集IPv6网络的流量数据和用户数据；
基于所述流量数据和所述用户数据，预测用户的流量带宽，以筛选出流量带宽大于预设值或小于预设值的用户；
获取所述流量带宽大于预设值或小于预设值的用户的实时流数据；
以所述实时流数据为模型输入数据，通过聚类模型对所述实时流数据进行分类；
展示流量带宽的预测结果和所述实时流数据的分类结果。
2.根据权利要求1所述的方法，其特征在于，所述基于所述流量数据和所述用户数据，预测用户的流量带宽，包括：
构建预测模型；
训练所述预测模型；
基于训练结果，调整所述预测模型的参数，以得到优化预测模型；
以所述流量数据和所述用户数据为模型输入数据，通过所述优化预测模型预测用户的流量带宽。
3.根据权利要求2所述的方法，其特征在于，所述基于训练结果，调整所述预测模型的参数，以得到优化预测模型，包括：
评估所述预测模型的准确率；
判断所述准确率是否达到预设值；
若所述准确率满足预设值，则停止训练，得到优化预测模型，若所述准确率未达到预设值，则调整预测参数、训练步数和学习速率，并重新执行所述评估所述预测模型的准确率。
4.根据权利要求1所述的方法，其特征在于，所述对所述实时流数据进行分类，包括：
构建聚类模型；
训练所述聚类模型；
基于训练结果，调整所述聚类模型的参数，以得到优化聚类模型；
以所述实时流数据为模型输入数据，通过所述优化聚类模型对所述实时流数据进行分类。
5.根据权利要求4所述的方法，其特征在于，所述基于训练结果，调整所述聚类模型的参数，以得到优化聚类模型，包括：
计算所述聚类模型每次聚类时产生的聚类中心；
判断当前聚类中心是否与上一个聚类中心相同；
若所述当前聚类中心与上一个聚类中心相同，则停止训练，得到优化聚类模型，若所述当前聚类中心与上一个聚类中心不相同，则调整聚类参数，并重新执行所述计算所述聚类模型每次聚类时产生的聚类中心。
6.根据权利要求1所述的方法，其特征在于，所述采集IPv6网络的流量数据包括通过骨干网节点以netflow和端口镜像的方式采集IPv6网络的流量数据。
7.根据权利要求1所述的方法，其特征在于，所述IPv6网络的流量数据包括：访问时间、源IP、源端口、目标IP、目标端口、第三层协议类型、入流量和出流量。
8.一种IPv6网络的流量分析装置，其特征在于，所述装置包括：
采集模块，用于采集IPv6网络的流量数据和用户数据；
预测模块，用于基于所述流量数据和所述用户数据，预测用户的流量带宽，以筛选出流量带宽大于预设值或小于预设值的用户；
获取模块，用于获取所述流量带宽大于预设值或小于预设的用户的实时流数据；
分类模块，用于以所述实时流数据为模型输入数据，通过聚类模型对所述实时流数据进行分类；
展示模块，用于展示流量带宽的预测结果和所述实时流数据的分类结果。
9.一种电子设备，其特征在于，所述设备包括：
处理器；
存储器，其存储有计算机可执行程序，该程序包含如权利要求1-7中任一项所述的IPv6网络的流量分析方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序包含如权利要求1-7中任一项所述的IPv6网络的流量分析方法。
CN202011532386.2A 2020-12-22 2020-12-22 IPv6网络的流量分析方法、装置、电子设备和存储介质 Active CN112769972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011532386.2A CN112769972B (zh) 2020-12-22 2020-12-22 IPv6网络的流量分析方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011532386.2A CN112769972B (zh) 2020-12-22 2020-12-22 IPv6网络的流量分析方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112769972A CN112769972A (zh) 2021-05-07
CN112769972B true CN112769972B (zh) 2023-02-28

Family

ID=75694809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011532386.2A Active CN112769972B (zh) 2020-12-22 2020-12-22 IPv6网络的流量分析方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112769972B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115622895A (zh) * 2021-06-30 2023-01-17 中兴通讯股份有限公司 模型训练方法、流量预测方法、流量负载均衡的方法、装置及存储介质
CN115037642B (zh) * 2022-03-30 2023-11-21 武汉烽火技术服务有限公司 一种识别流量瓶颈的方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108923975A (zh) * 2018-07-05 2018-11-30 中山大学 一种面向分布式网络的流量行为分析方法
CN109639524A (zh) * 2018-12-13 2019-04-16 国网上海市电力公司 基于流量预测的通信网络数据可视化方法、装置及设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10062036B2 (en) * 2014-05-16 2018-08-28 Cisco Technology, Inc. Predictive path characteristics based on non-greedy probing
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
WO2020112658A1 (en) * 2018-11-27 2020-06-04 Xaxar Inc. Systems and methods of data flow classification

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108923975A (zh) * 2018-07-05 2018-11-30 中山大学 一种面向分布式网络的流量行为分析方法
CN109639524A (zh) * 2018-12-13 2019-04-16 国网上海市电力公司 基于流量预测的通信网络数据可视化方法、装置及设备

Also Published As

Publication number Publication date
CN112769972A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN112769972B (zh) IPv6网络的流量分析方法、装置、电子设备和存储介质
Xu et al. A vine copula model for predicting the effectiveness of cyber defense early-warning
US9940386B2 (en) Distributed model-building
Colizza et al. Epidemic modeling in complex realities
Gaidai et al. COVID-19 epidemic forecast in USA East coast by novel reliability approach
CN109240875B (zh) 一种卡顿分析方法及系统
JP6783443B2 (ja) 情報処理装置、情報処理システム、情報処理方法、プログラム、及び記録媒体
CN108550400B (zh) 空气污染物对呼吸道疾病病患人数影响的评估方法
Fayle et al. Reducing over-reporting of deterministic co-occurrence patterns in biotic communities
TW202223750A (zh) 用於在光譜量化期間避免誤報識別的設備和方法以及相關的非暫時性電腦可讀取媒體
EP3944058A1 (en) Methods and apparatus to generate dynamic latency messages in a computing system
Sethi et al. Limits to the accurate and generalizable use of soundscapes to monitor biodiversity
US11645540B2 (en) Deep graph de-noise by differentiable ranking
Petluri et al. Web traffic prediction of wikipedia pages
CN110572397A (zh) 一种基于流量的webshell的检测方法
CN116362359A (zh) 基于ai大数据的用户满意度预测方法、装置、设备及介质
Qiao et al. Trace-driven optimization on bitrate adaptation for mobile video streaming
CN113298119B (zh) 机器学习模型的投放策略评估方法、装置及电子设备
CN110457895A (zh) 一种pc应用程序违规内容监测方法及装置
CN116264575A (zh) 边缘节点调度方法、装置、计算设备及存储介质
Cruz et al. Machine learning-based indoor air quality baseline study of the offices and laboratories of the northwest and southwest building of Mapúa University–Manila
CN115077932A (zh) 一种高机动救援装备综合试验的方法及系统
CN114639390A (zh) 一种语音噪声分析方法及系统
CN111027599B (zh) 基于随机抽样的聚类可视化方法及装置
US20170053291A1 (en) Optimal time scale and data volume for real-time fraud analytics

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