CN112822099A - 一种网卡工作模式的切换方法、装置和介质 - Google Patents

一种网卡工作模式的切换方法、装置和介质 Download PDF

Info

Publication number
CN112822099A
CN112822099A CN202011604802.5A CN202011604802A CN112822099A CN 112822099 A CN112822099 A CN 112822099A CN 202011604802 A CN202011604802 A CN 202011604802A CN 112822099 A CN112822099 A CN 112822099A
Authority
CN
China
Prior art keywords
physical link
image data
network card
data
switching
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
Application number
CN202011604802.5A
Other languages
English (en)
Inventor
晏海龙
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.)
Beijing Inspur Data Technology Co Ltd
Original Assignee
Beijing Inspur Data Technology 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 Beijing Inspur Data Technology Co Ltd filed Critical Beijing Inspur Data Technology Co Ltd
Priority to CN202011604802.5A priority Critical patent/CN112822099A/zh
Publication of CN112822099A publication Critical patent/CN112822099A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/28—Routing or path finding of packets in data switching networks using route fault recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental & Geological Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种网卡工作模式的切换方法、装置和介质，依据设定的数据转换规则，将获取的流量数据转换为图像数据；利用训练好的神经网络模型对图像数据进行分析，以得到物理链路检测结果。神经网络模型可以根据物理链路正常运行的流量数据转换得到的图像数据以及物理链路异常运行的流量数据转换得到的图像数据训练得到。当物理链路检测结果满足预设条件时，则对网卡执行bond模式的切换。在保留基于网卡运行状态切换网卡bond模式的基础上，引出了对网卡的流量数据进行检测判定网卡物理链路是否正常的方式，从而在物理链路异常时对网卡bond模式进行切换，可以更加全面有效的保证数据的正常通信，实现了网卡的高可用。

Description

一种网卡工作模式的切换方法、装置和介质
技术领域
本发明涉及服务器技术领域，特别是涉及一种网卡工作模式的切换方法、装置和计算机可读存储介质。
背景技术
在云计算时代，物理服务器需要处理海量数据，为了保障网络数据的连续性和稳定性，往往使用多块物理网卡组成bond，把多块网卡当作一块使用，而且使用模式有主备模式，轮询模式，平衡模式，链路聚合模式等多种，从而保障数据通信的高可用和稳定。
网卡设置于服务器内部，服务器可以实现对内部网卡运行状态的检测，从而在检测到网卡运行状态异常时，进行bond模式的切换，从而保证数据的正常通信。
除了服务器内部网卡的运行状态外，服务器外部的网络连接状态也是影响数据通信的重要因素，当网络连接状态出现异常时也会影响数据的正常通信。传统方式中根据服务器内部网卡的运行状态，进行bond模式的切换，并不能全面有效的保证数据的正常通信。
可见，如何全面有效的保证数据的正常通信，是本领域技术人员需要解决的问题。
发明内容
本发明实施例的目的是提供一种网卡工作模式的切换方法、装置和计算机可读存储介质，可以全面有效的保证数据的正常通信。
为解决上述技术问题，本发明实施例提供一种网卡工作模式的切换方法，包括：
依据设定的数据转换规则，将获取的流量数据转换为图像数据；
利用训练好的神经网络模型对所述图像数据进行分析，以得到物理链路检测结果；其中，所述神经网络模型根据物理链路正常运行的流量数据转换得到的图像数据以及物理链路异常运行的流量数据转换得到的图像数据训练得到；
当所述物理链路检测结果满足预设条件时，则对网卡执行bond模式的切换。
可选地，所述依据设定的数据转换规则，将获取的流量数据转换为图像数据包括：
将采集的预设时间窗口内的二进制流量数据转换为十进制的灰度值；
将所有所述灰度值划分为多个通道的图像数据。
可选地，在所述利用训练好的神经网络模型对所述图像数据进行分析，以得到物理链路检测结果之前还包括：
统计多个所述时间窗口对应的图像数据；
相应的，所述利用训练好的神经网络模型对所述图像数据进行分析，以得到物理链路检测结果包括：
利用训练好的神经网络模型对多个所述时间窗口对应的图像数据进行分析，以得到多个物理链路检测结果；其中，每个时间窗口有其对应的一个物理链路检测结果。
可选地，所述当所述物理链路检测结果满足预设条件时，则对网卡执行bond模式的切换包括：
当多个所述物理链路检测结果中物理链路异常的检测结果的占比大于预设阈值时，则对网卡执行bond模式的切换。
可选地，针对于所述神经网络模型的训练过程，所述方法包括：
依据设定的数据转换规则将采集的物理链路正常运行的流量数据转换为第一图像数据，将采集的物理链路异常运行的流量数据转换为第二图像数据；
对所述第一图像数据和所述第二图像数据进行预处理，得到训练样本数据；
利用所述训练样本数据对神经网络模型进行训练，以得到满足物理链路故障检测准确性要求的神经网络模型。
本发明实施例还提供了一种网卡工作模式的切换装置，包括转换单元、分析单元和切换单元；
所述转换单元，用于依据设定的数据转换规则，将获取的流量数据转换为图像数据；
所述分析单元，用于利用训练好的神经网络模型对所述图像数据进行分析，以得到物理链路检测结果；其中，所述神经网络模型根据物理链路正常运行的流量数据转换得到的图像数据以及物理链路异常运行的流量数据转换得到的图像数据训练得到；
所述切换单元，用于当所述物理链路检测结果满足预设条件时，则对网卡执行bond模式的切换。
可选地，所述转换单元用于将采集的预设时间窗口内的二进制流量数据转换为十进制的灰度值；将所有所述灰度值划分为多个通道的图像数据。
可选地，还包括统计单元；
所述统计单元，用于统计多个所述时间窗口对应的图像数据；
相应的，所述分析单元用于利用训练好的神经网络模型对多个所述时间窗口对应的图像数据进行分析，以得到多个物理链路检测结果；其中，每个时间窗口有其对应的一个物理链路检测结果。
可选地，所述切换单元用于当多个所述物理链路检测结果中物理链路异常的检测结果的占比大于预设阈值时，则对网卡执行bond模式的切换。
可选地，针对于所述神经网络模型的训练过程，所述装置包括预处理单元和训练单元；
所述转换单元，用于依据设定的数据转换规则将采集的物理链路正常运行的流量数据转换为第一图像数据，将采集的物理链路异常运行的流量数据转换为第二图像数据；
所述预处理单元，用于对所述第一图像数据和所述第二图像数据进行预处理，得到训练样本数据；
所述训练单元，用于利用所述训练样本数据对神经网络模型进行训练，以得到满足物理链路故障检测准确性要求的神经网络模型。
本发明实施例还提供了一种网卡工作模式的切换装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如上述任意一项所述网卡工作模式的切换方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述网卡工作模式的切换方法的步骤。
由上述技术方案可以看出，依据设定的数据转换规则，将获取的流量数据转换为图像数据；为了提升检测的准确性，可以利用训练好的神经网络模型对图像数据进行分析，以得到物理链路检测结果。其中，神经网络模型可以根据物理链路正常运行的流量数据转换得到的图像数据以及物理链路异常运行的流量数据转换得到的图像数据训练得到。当物理链路检测结果满足预设条件时，则说明物理链路存在异常，为了保证数据的正常通信，此时可以对网卡执行bond模式的切换。在保留传统方式中基于网卡运行状态切换网卡bond模式的基础上，本技术方案引出了对网卡的流量数据进行检测判定网卡物理链路是否正常的方式，从而在物理链路异常时对网卡bond模式进行切换，可以更加全面有效的保证数据的正常通信，实现了网卡的高可用。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种网卡工作模式的切换方法的流程图；
图2为本发明实施例提供的一种网卡工作模式的切换装置的结构示意图；
图3为本发明实施例提供的一种网卡工作模式的切换装置的硬件结构示意图。
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，都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来，详细介绍本发明实施例所提供的一种网卡工作模式的切换方法。图1为本发明实施例提供的一种网卡工作模式的切换方法的流程图，该方法包括：
S101：依据设定的数据转换规则，将获取的流量数据转换为图像数据。
考虑到实际应用中，服务器无法直接对其外部连接的物理链路的状态进行评估，因此，在本发明实施例中，引出了通过流量数据来识别物理链路的状态的方案。
流量数据一般以二进制的形式呈现，为了便于对流量数据进行分析处理，在实际应用中，可以将采集的预设时间窗口内的二进制流量数据转换为十进制的灰度值；为了提升检测速度，可以将所有灰度值划分为多个通道的图像数据。
在实际应用中，可以将通道个数设置为3个，相应的，在将一个时间窗口内采集的流量数据转换为灰度值之后，可以将所有灰度值划分为三份数据，每份数据即为一个通道的图像数据。
其中，一个时间窗口对应的时间值可以依据实际需求设定，在此不做限定。
S102：利用训练好的神经网络模型对图像数据进行分析，以得到物理链路检测结果。
神经网络具有大规模并行处理、自组织、自学习的优点。在本发明实施例中，为了实现对物理链路状态快速准确的检测，可以利用训练好的神经网络模型对图像数据进行分析，以得到物理链路检测结果。
在实际应用中，可以按照如下步骤实现对神经网络模型的训练，依据设定的数据转换规则将采集的物理链路正常运行的流量数据转换为第一图像数据，将采集的物理链路异常运行的流量数据转换为第二图像数据；对第一图像数据和第二图像数据进行预处理，得到训练样本数据；利用训练样本数据对神经网络模型进行训练，以得到满足物理链路故障检测准确性要求的神经网络模型。
图像数据的预处理包括对图像数据执行归一化处理、压缩处理等，从而便于神经网络模型的训练。
链路故障检测准确性要求可以是对链路故障检测准确率设置阈值，当训练后的神经网络模型的准确率达到设置的阈值时，则说明神经网络训练完成。
S103：当物理链路检测结果满足预设条件时，则对网卡执行bond模式的切换。
物理链路检测结果可以为物理链路正常或者物理链路异常。以单个物理链路检测结果为例，当物理链路检测结果为物理链路异常时，则对网卡执行bond模式的切换。
Bond模式的类型有多种，包括主备模式、轮询模式、平衡模式和链路聚合模式等。
网卡bond模式的切换可以根据实际需求设置，既可以是调整一组网卡对应的bond模式；也可以保留原有的bond模式，调整该模式下对应的网卡个数。
以调整一组网卡对应的bond模式为例，假设初始状态下多块物理网卡的bond模式为主备模式，有一个网卡作为主网卡，其余网卡作为备用网卡，当主网卡对应的物理链路出现异常时，则可以对主网卡设置链路不可用标识，将剩余的网卡调整为轮询模式。
以保留原有的bond模式，调整该模式下对应的网卡个数为例，假设初始状态下4块物理网卡的bond模式为主备模式，有一个网卡作为主网卡，其余3块网卡作为备用网卡，当主网卡对应的物理链路出现异常时，则可以对主网卡设置链路不可用标识，从剩余的备用网卡中选取一个网卡作为主网卡，此时剩余的2块网卡作为备用网卡。
由上述技术方案可以看出，依据设定的数据转换规则，将获取的流量数据转换为图像数据；为了提升检测的准确性，可以利用训练好的神经网络模型对图像数据进行分析，以得到物理链路检测结果。其中，神经网络模型可以根据物理链路正常运行的流量数据转换得到的图像数据以及物理链路异常运行的流量数据转换得到的图像数据训练得到。当物理链路检测结果满足预设条件时，则说明物理链路存在异常，为了保证数据的正常通信，此时可以对网卡执行bond模式的切换。在保留传统方式中基于网卡运行状态切换网卡bond模式的基础上，本技术方案引出了对网卡的流量数据进行检测判定网卡物理链路是否正常的方式，从而在物理链路异常时对网卡bond模式进行切换，可以更加全面有效的保证数据的正常通信，实现了网卡的高可用。
在本发明实施例中，为了进一步提升神经网络模型检测的准确性，可以统计多个时间窗口对应的图像数据；利用训练好的神经网络模型对多个时间窗口对应的图像数据进行分析，以得到多个物理链路检测结果；其中，每个时间窗口有其对应的一个物理链路检测结果。
在实际应用中，可以当多个物理链路检测结果中物理链路异常的检测结果的占比大于预设阈值时，则对网卡执行bond模式的切换。
其中，预设阈值的取值可以根据实际需求设置，例如，可以将预设阈值设置为80％。
假设，一共有10个物理链路检测结果，其中有9个物理链路检测结果为物理链路异常，物理链路异常的检测结果的占比为90％，大于80％，此时可以对网卡执行bond模式的切换。
在本发明实施例中，将多个时间窗口对应的检测结果进行综合评估，降低了网络波动对检测结果造成的影响，有效的提升了检测结果的准确性。
图2为本发明实施例提供的一种网卡工作模式的切换装置的结构示意图，包括转换单元21、分析单元22和切换单元23；
转换单元21，用于依据设定的数据转换规则，将获取的流量数据转换为图像数据；
分析单元22，用于利用训练好的神经网络模型对图像数据进行分析，以得到物理链路检测结果；其中，神经网络模型根据物理链路正常运行的流量数据转换得到的图像数据以及物理链路异常运行的流量数据转换得到的图像数据训练得到；
切换单元23，用于当物理链路检测结果满足预设条件时，则对网卡执行bond模式的切换。
可选地，转换单元用于将采集的预设时间窗口内的二进制流量数据转换为十进制的灰度值；将所有灰度值划分为多个通道的图像数据。
可选地，还包括统计单元；
统计单元，用于统计多个时间窗口对应的图像数据；
相应的，分析单元用于利用训练好的神经网络模型对多个时间窗口对应的图像数据进行分析，以得到多个物理链路检测结果；其中，每个时间窗口有其对应的一个物理链路检测结果。
可选地，切换单元用于当多个物理链路检测结果中物理链路异常的检测结果的占比大于预设阈值时，则对网卡执行bond模式的切换。
可选地，针对于神经网络模型的训练过程，装置包括预处理单元和训练单元；
转换单元，用于依据设定的数据转换规则将采集的物理链路正常运行的流量数据转换为第一图像数据，将采集的物理链路异常运行的流量数据转换为第二图像数据；
预处理单元，用于对第一图像数据和第二图像数据进行预处理，得到训练样本数据；
训练单元，用于利用训练样本数据对神经网络模型进行训练，以得到满足物理链路故障检测准确性要求的神经网络模型。
图2所对应实施例中特征的说明可以参见图1所对应实施例的相关说明，这里不再一一赘述。
由上述技术方案可以看出，依据设定的数据转换规则，将获取的流量数据转换为图像数据；为了提升检测的准确性，可以利用训练好的神经网络模型对图像数据进行分析，以得到物理链路检测结果。其中，神经网络模型可以根据物理链路正常运行的流量数据转换得到的图像数据以及物理链路异常运行的流量数据转换得到的图像数据训练得到。当物理链路检测结果满足预设条件时，则说明物理链路存在异常，为了保证数据的正常通信，此时可以对网卡执行bond模式的切换。在保留传统方式中基于网卡运行状态切换网卡bond模式的基础上，本技术方案引出了对网卡的流量数据进行检测判定网卡物理链路是否正常的方式，从而在物理链路异常时对网卡bond模式进行切换，可以更加全面有效的保证数据的正常通信，实现了网卡的高可用。
图3为本发明实施例提供的一种网卡工作模式的切换装置30的硬件结构示意图，包括：
存储器31，用于存储计算机程序；
处理器32，用于执行计算机程序以实现如上述任意实施例所述的网卡工作模式的切换方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任意实施例所述的网卡工作模式的切换方法的步骤。
以上对本发明实施例所提供的一种网卡工作模式的切换方法、装置和计算机可读存储介质进行了详细介绍。说明书中各个实施例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部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

Claims (10)

1.一种网卡工作模式的切换方法，其特征在于，包括：
依据设定的数据转换规则，将获取的流量数据转换为图像数据；
利用训练好的神经网络模型对所述图像数据进行分析，以得到物理链路检测结果；其中，所述神经网络模型根据物理链路正常运行的流量数据转换得到的图像数据以及物理链路异常运行的流量数据转换得到的图像数据训练得到；
当所述物理链路检测结果满足预设条件时，则对网卡执行bond模式的切换。
2.根据权利要求1所述的网卡工作模式的切换方法，其特征在于，所述依据设定的数据转换规则，将获取的流量数据转换为图像数据包括：
将采集的预设时间窗口内的二进制流量数据转换为十进制的灰度值；
将所有所述灰度值划分为多个通道的图像数据。
3.根据权利要求2所述的网卡工作模式的切换方法，其特征在于，在所述利用训练好的神经网络模型对所述图像数据进行分析，以得到物理链路检测结果之前还包括：
统计多个所述时间窗口对应的图像数据；
相应的，所述利用训练好的神经网络模型对所述图像数据进行分析，以得到物理链路检测结果包括：
利用训练好的神经网络模型对多个所述时间窗口对应的图像数据进行分析，以得到多个物理链路检测结果；其中，每个时间窗口有其对应的一个物理链路检测结果。
4.根据权利要求3所述的网卡工作模式的切换方法，其特征在于，所述当所述物理链路检测结果满足预设条件时，则对网卡执行bond模式的切换包括：
当多个所述物理链路检测结果中物理链路异常的检测结果的占比大于预设阈值时，则对网卡执行bond模式的切换。
5.根据权利要求1-4任意一项所述的网卡工作模式的切换方法，其特征在于，针对于所述神经网络模型的训练过程，所述方法包括：
依据设定的数据转换规则将采集的物理链路正常运行的流量数据转换为第一图像数据，将采集的物理链路异常运行的流量数据转换为第二图像数据；
对所述第一图像数据和所述第二图像数据进行预处理，得到训练样本数据；
利用所述训练样本数据对神经网络模型进行训练，以得到满足物理链路故障检测准确性要求的神经网络模型。
6.一种网卡工作模式的切换装置，其特征在于，包括转换单元、分析单元和切换单元；
所述转换单元，用于依据设定的数据转换规则，将获取的流量数据转换为图像数据；
所述分析单元，用于利用训练好的神经网络模型对所述图像数据进行分析，以得到物理链路检测结果；其中，所述神经网络模型根据物理链路正常运行的流量数据转换得到的图像数据以及物理链路异常运行的流量数据转换得到的图像数据训练得到；
所述切换单元，用于当所述物理链路检测结果满足预设条件时，则对网卡执行bond模式的切换。
7.根据权利要求6所述的网卡工作模式的切换装置，其特征在于，所述转换单元用于将采集的预设时间窗口内的二进制流量数据转换为十进制的灰度值；将所有所述灰度值划分为多个通道的图像数据。
8.根据权利要求7所述的网卡工作模式的切换装置，其特征在于，还包括统计单元；
所述统计单元，用于统计多个所述时间窗口对应的图像数据；
相应的，所述分析单元用于利用训练好的神经网络模型对多个所述时间窗口对应的图像数据进行分析，以得到多个物理链路检测结果；其中，每个时间窗口有其对应的一个物理链路检测结果。
9.一种网卡工作模式的切换装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求1至5任意一项所述网卡工作模式的切换方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任意一项所述网卡工作模式的切换方法的步骤。
CN202011604802.5A 2020-12-29 2020-12-29 一种网卡工作模式的切换方法、装置和介质 Pending CN112822099A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011604802.5A CN112822099A (zh) 2020-12-29 2020-12-29 一种网卡工作模式的切换方法、装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011604802.5A CN112822099A (zh) 2020-12-29 2020-12-29 一种网卡工作模式的切换方法、装置和介质

Publications (1)

Publication Number Publication Date
CN112822099A true CN112822099A (zh) 2021-05-18

Family

ID=75854693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011604802.5A Pending CN112822099A (zh) 2020-12-29 2020-12-29 一种网卡工作模式的切换方法、装置和介质

Country Status (1)

Country Link
CN (1) CN112822099A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050135266A1 (en) * 2003-12-22 2005-06-23 Gwoboa Horng Method of detecting distributed denial of service based on grey theory
CN105759934A (zh) * 2014-12-19 2016-07-13 联想(北京)有限公司 一种信息处理方法及电子设备
CN110225067A (zh) * 2019-07-24 2019-09-10 上海戎磐网络科技有限公司 一种物联网安全预警系统
CN110650208A (zh) * 2019-09-29 2020-01-03 北京浪潮数据技术有限公司 分布式集群存储方法、系统、装置及计算机可读存储介质
CN111131322A (zh) * 2019-12-31 2020-05-08 奇安信科技集团股份有限公司 网络行为的检测方法、装置、计算机设备和存储介质
CN111343182A (zh) * 2020-02-26 2020-06-26 电子科技大学 一种基于灰度图的异常流量检测方法
CN111625826A (zh) * 2020-05-28 2020-09-04 浪潮电子信息产业股份有限公司 云服务器中的恶意软件检测方法、装置及可读存储介质
CN111652225A (zh) * 2020-04-29 2020-09-11 浙江省北大信息技术高等研究院 基于深度学习的非侵入式摄像读取方法及系统
CN111726246A (zh) * 2020-05-29 2020-09-29 苏州浪潮智能科技有限公司 网卡绑定模式的主备网卡切换方法、装置和存储介质
US20200322483A1 (en) * 2017-06-30 2020-10-08 Resilient Plc Fraud detection system for incoming calls
CN111858265A (zh) * 2020-06-30 2020-10-30 苏州浪潮智能科技有限公司 一种存储系统的存储故障预测方法、系统及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050135266A1 (en) * 2003-12-22 2005-06-23 Gwoboa Horng Method of detecting distributed denial of service based on grey theory
CN105759934A (zh) * 2014-12-19 2016-07-13 联想(北京)有限公司 一种信息处理方法及电子设备
US20200322483A1 (en) * 2017-06-30 2020-10-08 Resilient Plc Fraud detection system for incoming calls
CN110225067A (zh) * 2019-07-24 2019-09-10 上海戎磐网络科技有限公司 一种物联网安全预警系统
CN110650208A (zh) * 2019-09-29 2020-01-03 北京浪潮数据技术有限公司 分布式集群存储方法、系统、装置及计算机可读存储介质
CN111131322A (zh) * 2019-12-31 2020-05-08 奇安信科技集团股份有限公司 网络行为的检测方法、装置、计算机设备和存储介质
CN111343182A (zh) * 2020-02-26 2020-06-26 电子科技大学 一种基于灰度图的异常流量检测方法
CN111652225A (zh) * 2020-04-29 2020-09-11 浙江省北大信息技术高等研究院 基于深度学习的非侵入式摄像读取方法及系统
CN111625826A (zh) * 2020-05-28 2020-09-04 浪潮电子信息产业股份有限公司 云服务器中的恶意软件检测方法、装置及可读存储介质
CN111726246A (zh) * 2020-05-29 2020-09-29 苏州浪潮智能科技有限公司 网卡绑定模式的主备网卡切换方法、装置和存储介质
CN111858265A (zh) * 2020-06-30 2020-10-30 苏州浪潮智能科技有限公司 一种存储系统的存储故障预测方法、系统及装置

Similar Documents

Publication Publication Date Title
CN114298863B (zh) 一种智能抄表终端的数据采集方法及系统
CN108173670A (zh) 检测网络的方法和装置
US11405294B2 (en) Method and apparatus for determining status of network device
CN104965784B (zh) 自动测试方法及装置
US20090185493A1 (en) Hierarchical and Incremental Multivariate Analysis for Process Control
CN116887569B (zh) 一种数据中心能耗预测和节能调节方法、系统及存储介质
CN113762377A (zh) 网络流量识别方法、装置、设备及存储介质
US20200304396A1 (en) Method of and system for testing a computer network
CN113448955A (zh) 数据集质量评估方法、装置、计算机设备及存储介质
CN116723136B (zh) 应用fcm聚类算法的网络检测数据的方法
CN115114124A (zh) 主机风险的评估方法及评估装置
CN112001622A (zh) 云虚拟网关的健康度评估方法、系统、设备和存储介质
CN112822099A (zh) 一种网卡工作模式的切换方法、装置和介质
CN111654405A (zh) 通信链路的故障节点方法、装置、设备及存储介质
CN111352820A (zh) 一种高性能应用运行状态预测和监控方法、设备和装置
CN109462510B (zh) 一种cdn节点质量评估的方法及装置
CN114566964B (zh) 一种配电网馈线自动化控制方法、装置、设备及存储介质
CN112333155B (zh) 一种异常流量的检测方法、系统、电子设备及存储介质
CN116307787A (zh) 一种基于指纹的服务器运维故障识别方法、定位方法
CN112398706B (zh) 数据评估标准确定方法、装置及存储介质、电子设备
CN113485901A (zh) 基于日志和指标的系统评价方法、装置、设备和介质
CN112882905B (zh) 一种判断网络通信行为是否异常的方法、系统和电子设备
JP7276489B2 (ja) 分析装置、制御方法、及びプログラム
CN106855840B (zh) 一种系统cpu分析方法和装置
CN117272152B (zh) 储能系统故障诊断方法、系统、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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210518

RJ01 Rejection of invention patent application after publication