CN112822107A - 一种基于人工智能的广域网优化方法 - Google Patents
一种基于人工智能的广域网优化方法 Download PDFInfo
- Publication number
- CN112822107A CN112822107A CN202110194890.4A CN202110194890A CN112822107A CN 112822107 A CN112822107 A CN 112822107A CN 202110194890 A CN202110194890 A CN 202110194890A CN 112822107 A CN112822107 A CN 112822107A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- wide area
- area network
- network node
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 28
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- H04L45/70—Routing based on monitoring results
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于人工智能的广域网优化方法,包括如下步骤:S1、在广域网中预设的网络节点,获取网络中各网络节点间的所有可选路径,抓取网络中传输时每个网络节点间的每一个数据包;S2、对抓取到的各个数据包进行分析,得到传输层数据和应用层数据,并依据所述传输层数据和应用层数据的数据流的优先级将其分为不同类别的数据流,S3、针对S2中的数据流分别数据,在数据库中依次匹配出第一类数据流、第二类数据流和第三数据流的选取路径;S4、根据路由信息计算网络中每个网络节点间的选取路径,并依据每个网络节点间的最大调整基数,只需为数据流从可选路径数据库中选取路径,而不需要重新计算路径,极大的提高网络的响应速度。
Description
技术领域
本发明属于计算机技术领域,具体为一种基于人工智能的广域网优化方法。
背景技术
随着网络技术的迅速发展,网络传输环境也变得复杂,如卫星、3G、光纤混合,跨地区传输等都给网络带来一定的挑战,容易出现链路丢包、延时大等问题,降低了网络质量。广域网优化技术就是加速应用的一种新技术。面临广域网速度局限的瓶颈,可以通过广域网优化的技术来进行优化。传统的解决方案,比如速度慢就增加带宽,事实上并不是这样单一的解决方法就能够完全解决的。广域网优化技术的应用,不仅能在办公应用、业务系统的使用速度上面有了一个质的飞跃,并且能够让带宽中的流量大幅度降低,使数据库包括服务器的大集中成为可能。通过广域网加速技术,消减网络传输当中的一些流量问题,减少的幅度在30%~90%,这是大量业务需求得以更好进行的保证。
目前广域网优化技术的实现有很多种方式,对于不同的广域网的现实环境,优化方法不一定是最适用的,但是目前只能通过对广域网进行优化后才能知道优化效果是否理想。现有的优化方式预判需要复杂的拓扑结构,且有时对业务连续性会有影响,会引起业务中断风险。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种基于人工智能的广域网优化方法,实现获取网络中各网络节点间的所有可选路径,并保存所述可选路径至可选路径数据库;依据数据流的优先级将所述数据流分为第一类数据流和第二类数据流等,只需为数据流从可选路径数据库中选取路径,而不需要重新计算路径,极大的提高网络的响应速度。
为实现上述目的,本发明提供如下技术方案:
一种基于人工智能的广域网优化方法,包括如下步骤:
S1、在广域网中预设的网络节点,获取网络中各网络节点间的所有可选路径,抓取网络中传输时每个网络节点间的每一个数据包;
S2、对抓取到的各个数据包进行分析,得到传输层数据和应用层数据,并依据所述传输层数据和应用层数据的数据流的优先级将其分为不同类别的数据流,包括第一类数据流、第二类数据流和第三数据流;
S3、针对S2中的数据流分别数据,在数据库中依次匹配出第一类数据流、第二类数据流和第三数据流的选取路径;
S4、根据路由信息计算网络中每个网络节点间的选取路径,并依据每个网络节点间的最大调整基数,在所述选取路径的基础上,获取各网络节点间的所有可用路径,统计各个节点数据流的变化,预估将来的网络状况,提前调整路由策略;
S5、对所获取的可用路径所对应的传输层数据组和应用层数据组进行统计分析,获取统计分析结果,包括:不同地点在不同时间段内的用户数、丢包率、延时、访问内容类型及网络类型,同时分析一定时间段内相同的数据包负载出现的频次,若超过设定的阀值即生成指针并将指针与实际数据包的对应关系记录字典;
S6、所述获取网络中各个网络节点间的所有可选路径之后,同时可以对链路带宽利用率阈值和数据流优先级阈值进行设定;
S7、依据第一网络节点的网络在第一时间段内的用户数、丢包率、延时、访问内容类型以及网络类型确定广域网传输优化算法,然后依据所述第一传输优化算法在第一时间段内对所述第一网络节点的网络进行优化。
优选的,步骤S2中所述传输层数据组包括:源地址、目的地址、数据包中所携带的数据的字节数、丢包数;所述应用层数据组包括:访问时间、地点、访问内容类型、所使用网络的类型。
优选的,所述第一类数据流、第二类数据流和第三数据流等数据流,可以按照数据流的优先级由高到低的顺序进行路径选择,对于每一条数据流,按照所述数据流对应的可选路径的顺序查找并选取第一条满足所述数据流带宽需求的路径,并更新路径选择后影响的所有可选路径的可用带宽。
优选的,所述第一类数据流、第二类数据流和第三数据流等数据流的获取方法包括接收广域网中预设的网络节点范围中的业务报文。
优选的,所述业务报文进行带宽分析,确定用于表征需要对所述广域网进行优化的必要性的第一结果;以及根据所述业务报文进行数据传输量优化预判和数据传输协议优化预判,获得所述广域网的优化预判结果。
优选的,所述业务报文设置在检测安全业务板卡上,所述业务报文上报独立CPU的端口的状态,安全业务板卡上独立CPU设置定时器,定期检测安全业务板卡上业务报文上报独立CPU的端口的状态,如果检测到安全业务板卡上业务报文上报独立CPU的端口的状态满足一定条件,那么表示发生异常。
优选的,所述网络节点范围可以利用网络设备利用预设规则转换为数值范围;其中,所述规则可以包括将IPv4地址作为32位无符号整型的二进制数值转换为十进制数值。
优选的,所述网络节点预设包括初始网络节点获取模块,与信息获取模块相连,用于根据获取的子网掩码、MAC地址和预设算法获取与MAC地址相对应的初始网络节点;判断模块,与初始网络节点获取模块和路由器中的网络节点池相连,用于判断初始网络节点在网络节点池中是否可用。
优选的,所述广域网中设定的用户端分别设置有用户网络连接端口和业务信息读取单元,其中用户端的应用的网络连接端口连接路由器,将路由器接入用户网络,业务信息读取单元获取用户策略和应用需求数据,并将数据发送至计算中心。
优选的,所述网络节点服务器通过采集到的IP和端口判断请求的类型,所述节点中转请求使用特定配置的IP和端口,在最优路径中,节点服务器间进行数据传输时,根据网络情况采用TCP或UDP协议。
本发明的技术效果和优点:本发明的目的是提供一种基于人工智能的广域网优化方法,获取网络中各网络节点间的所有可选路径,并保存所述可选路径至可选路径数据库;依据数据流的优先级将所述数据流分为第一类数据流和第二类数据流等,只需为数据流从可选路径数据库中选取路径,而不需要重新计算路径,极大的提高网络的响应速度。
附图说明
图1为本发明一种基于人工智能的广域网优化方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。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。
一种基于人工智能的广域网优化方法,包括如下步骤:
S1、在广域网中预设的网络节点,获取网络中各网络节点间的所有可选路径,抓取网络中传输时每个网络节点间的每一个数据包;
S2、对抓取到的各个数据包进行分析,得到传输层数据和应用层数据,并依据所述传输层数据和应用层数据的数据流的优先级将其分为不同类别的数据流,包括第一类数据流、第二类数据流和第三数据流;
S3、针对S2中的数据流分别数据,在数据库中依次匹配出第一类数据流、第二类数据流和第三数据流的选取路径;
S4、根据路由信息计算网络中每个网络节点间的选取路径,并依据每个网络节点间的最大调整基数,在所述选取路径的基础上,获取各网络节点间的所有可用路径,统计各个节点数据流的变化,预估将来的网络状况,提前调整路由策略;
S5、对所获取的可用路径所对应的传输层数据组和应用层数据组进行统计分析,获取统计分析结果,包括:不同地点在不同时间段内的用户数、丢包率、延时、访问内容类型及网络类型,同时分析一定时间段内相同的数据包负载出现的频次,若超过设定的阀值即生成指针并将指针与实际数据包的对应关系记录字典;
S6、所述获取网络中各个网络节点间的所有可选路径之后,同时可以对链路带宽利用率阈值和数据流优先级阈值进行设定;
S7、依据第一网络节点的网络在第一时间段内的用户数、丢包率、延时、访问内容类型以及网络类型确定广域网传输优化算法,然后依据所述第一传输优化算法在第一时间段内对所述第一网络节点的网络进行优化。
具体的,步骤S2中所述传输层数据组包括:源地址、目的地址、数据包中所携带的数据的字节数、丢包数;所述应用层数据组包括:访问时间、地点、访问内容类型、所使用网络的类型。
具体的,所述第一类数据流、第二类数据流和第三数据流等数据流,可以按照数据流的优先级由高到低的顺序进行路径选择,对于每一条数据流,按照所述数据流对应的可选路径的顺序查找并选取第一条满足所述数据流带宽需求的路径,并更新路径选择后影响的所有可选路径的可用带宽。
具体的,所述第一类数据流、第二类数据流和第三数据流等数据流的获取方法包括接收广域网中预设的网络节点范围中的业务报文。
具体的,所述业务报文进行带宽分析,确定用于表征需要对所述广域网进行优化的必要性的第一结果;以及根据所述业务报文进行数据传输量优化预判和数据传输协议优化预判,获得所述广域网的优化预判结果。
具体的,所述业务报文设置在检测安全业务板卡上,所述业务报文上报独立CPU的端口的状态,安全业务板卡上独立CPU设置定时器,定期检测安全业务板卡上业务报文上报独立CPU的端口的状态,如果检测到安全业务板卡上业务报文上报独立CPU的端口的状态满足一定条件,那么表示发生异常。
具体的,所述网络节点范围可以利用网络设备利用预设规则转换为数值范围;其中,所述规则可以包括将IPv4地址作为32位无符号整型的二进制数值转换为十进制数值。
具体的,所述网络节点预设包括初始网络节点获取模块,与信息获取模块相连,用于根据获取的子网掩码、MAC地址和预设算法获取与MAC地址相对应的初始网络节点;判断模块,与初始网络节点获取模块和路由器中的网络节点池相连,用于判断初始网络节点在网络节点池中是否可用。
具体的,所述广域网中设定的用户端分别设置有用户网络连接端口和业务信息读取单元,其中用户端的应用的网络连接端口连接路由器,将路由器接入用户网络,业务信息读取单元获取用户策略和应用需求数据,并将数据发送至计算中心。
具体的,所述网络节点服务器通过采集到的IP和端口判断请求的类型,所述节点中转请求使用特定配置的IP和端口,在最优路径中,节点服务器间进行数据传输时,根据网络情况采用TCP或UDP协议。
综上所述:本发明的目的是一种基于人工智能的广域网优化方法,获取网络中各网络节点间的所有可选路径,并保存所述可选路径至可选路径数据库;依据数据流的优先级将所述数据流分为第一类数据流和第二类数据流等,只需为数据流从可选路径数据库中选取路径,而不需要重新计算路径,极大的提高网络的响应速度。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行同替换,凡在本发明的精神和原则之内,所作的任何修改、同替换、改进,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的广域网优化方法,其特征在于:包括如下步骤:
S1、在广域网中预设的网络节点,获取网络中各网络节点间的所有可选路径,抓取网络中传输时每个网络节点间的每一个数据包;
S2、对抓取到的各个数据包进行分析,得到传输层数据和应用层数据,并依据所述传输层数据和应用层数据的数据流的优先级将其分为不同类别的数据流,包括第一类数据流、第二类数据流和第三数据流;
S3、针对S2中的数据流分别数据,在数据库中依次匹配出第一类数据流、第二类数据流和第三数据流的选取路径;
S4、根据路由信息计算网络中每个网络节点间的选取路径,并依据每个网络节点间的最大调整基数,在所述选取路径的基础上,获取各网络节点间的所有可用路径,统计各个网络节点数据流的变化,预估将来的网络状况,提前调整路由策略;
S5、对所获取的可用路径所对应的传输层数据组和应用层数据组进行统计分析,获取统计分析结果,包括:不同地点在不同时间段内的用户数、丢包率、延时、访问内容类型及网络类型,同时分析一定时间段内相同的数据包负载出现的频次,若超过设定的阀值即生成指针并将指针与实际数据包的对应关系记录字典;
S6、所述获取网络中各个网络节点间的所有可选路径之后,同时可以对链路带宽利用率阈值和数据流优先级阈值进行设定;
S7、依据第一网络节点的网络在第一时间段内的用户数、丢包率、延时、访问内容类型以及网络类型确定广域网传输优化算法,然后依据所述第一传输优化算法在第一时间段内对所述第一网络节点的网络进行优化。
2.根据权利要求1所述的一种基于人工智能的广域网优化方法,其特征在于:步骤S2中所述传输层数据组包括:源地址、目的地址、数据包中所携带的数据的字节数、丢包数;所述应用层数据组包括:访问时间、地点、访问内容类型、所使用网络的类型。
3.根据权利要求1所述的一种基于人工智能的广域网优化方法,其特征在于:所述第一类数据流、第二类数据流和第三数据流等数据流,可以按照数据流的优先级由高到低的顺序进行路径选择,对于每一条数据流,按照所述数据流对应的可选路径的顺序查找并选取第一条满足所述数据流带宽需求的路径,并更新路径选择后影响的所有可选路径的可用带宽。
4.根据权利要求1所述的一种基于人工智能的广域网优化方法,其特征在于:所述第一类数据流、第二类数据流和第三数据流等数据流的获取方法包括接收广域网中预设的网络节点范围中的业务报文。
5.根据权利要求1所述的一种基于人工智能的广域网优化方法,其特征在于:所述业务报文进行带宽分析,确定用于表征需要对所述广域网进行优化的必要性的第一结果;以及根据所述业务报文进行数据传输量优化预判和数据传输协议优化预判,获得所述广域网的优化预判结果。
6.根据权利要求1所述的一种基于人工智能的广域网优化方法,其特征在于:所述业务报文设置在检测安全业务板卡上,所述业务报文上报独立CPU的端口的状态,安全业务板卡上独立CPU设置定时器,定期检测安全业务板卡上业务报文上报独立CPU的端口的状态,如果检测到安全业务板卡上业务报文上报独立CPU的端口的状态满足一定条件,那么表示发生异常。
7.根据权利要求1所述的一种基于人工智能的广域网优化方法,其特征在于:所述网络节点范围可以利用网络设备利用预设规则转换为数值范围;其中,所述规则可以包括将IPv4地址作为32位无符号整型的二进制数值转换为十进制数值。
8.根据权利要求1所述的一种基于人工智能的广域网优化方法,其特征在于:所述网络节点预设包括初始网络节点获取模块,与信息获取模块相连,用于根据获取的子网掩码、MAC地址和预设算法获取与MAC地址相对应的初始网络节点;判断模块,与初始网络节点获取模块和路由器中的网络节点池相连,用于判断初始网络节点在网络节点池中是否可用。
9.根据权利要求1所述的一种基于人工智能的广域网优化方法,其特征在于:所述广域网中设定的用户端分别设置有用户网络连接端口和业务信息读取单元,其中用户端的应用的网络连接端口连接路由器,将路由器接入用户网络,业务信息读取单元获取用户策略和应用需求数据,并将数据发送至计算中心。
10.根据权利要求1所述的一种基于人工智能的广域网优化方法,其特征在于:所述网络节点服务器通过采集到的IP和端口判断请求的类型,所述节点中转请求使用特定配置的IP和端口,在最优路径中,节点服务器间进行数据传输时,根据网络情况采用TCP或UDP协议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110194890.4A CN112822107A (zh) | 2021-02-21 | 2021-02-21 | 一种基于人工智能的广域网优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110194890.4A CN112822107A (zh) | 2021-02-21 | 2021-02-21 | 一种基于人工智能的广域网优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112822107A true CN112822107A (zh) | 2021-05-18 |
Family
ID=75864515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110194890.4A Pending CN112822107A (zh) | 2021-02-21 | 2021-02-21 | 一种基于人工智能的广域网优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112822107A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116669019A (zh) * | 2023-07-28 | 2023-08-29 | 江苏飞梭智行设备有限公司 | 一种无人驾驶车辆轨道通信加密方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130205002A1 (en) * | 2012-02-02 | 2013-08-08 | Cisco Technology, Inc. | Wide area network optimization |
CN104506355A (zh) * | 2014-12-23 | 2015-04-08 | 国家电网公司 | 广域网传输优化方法及优化平台 |
CN105207951A (zh) * | 2014-06-05 | 2015-12-30 | 北京邮电大学 | 一种广域网流量优化控制方法及装置 |
CN107995037A (zh) * | 2017-12-04 | 2018-05-04 | 锐捷网络股份有限公司 | 一种广域网优化的预判方法和装置 |
CN109828945A (zh) * | 2019-02-20 | 2019-05-31 | 杭州迪普科技股份有限公司 | 一种业务报文处理方法及系统 |
CN111740867A (zh) * | 2020-07-03 | 2020-10-02 | 北京深空智联科技有限公司 | 一种广域网业务流量自动优化调度选路的方法 |
-
2021
- 2021-02-21 CN CN202110194890.4A patent/CN112822107A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130205002A1 (en) * | 2012-02-02 | 2013-08-08 | Cisco Technology, Inc. | Wide area network optimization |
CN105207951A (zh) * | 2014-06-05 | 2015-12-30 | 北京邮电大学 | 一种广域网流量优化控制方法及装置 |
CN104506355A (zh) * | 2014-12-23 | 2015-04-08 | 国家电网公司 | 广域网传输优化方法及优化平台 |
CN107995037A (zh) * | 2017-12-04 | 2018-05-04 | 锐捷网络股份有限公司 | 一种广域网优化的预判方法和装置 |
CN109828945A (zh) * | 2019-02-20 | 2019-05-31 | 杭州迪普科技股份有限公司 | 一种业务报文处理方法及系统 |
CN111740867A (zh) * | 2020-07-03 | 2020-10-02 | 北京深空智联科技有限公司 | 一种广域网业务流量自动优化调度选路的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116669019A (zh) * | 2023-07-28 | 2023-08-29 | 江苏飞梭智行设备有限公司 | 一种无人驾驶车辆轨道通信加密方法 |
CN116669019B (zh) * | 2023-07-28 | 2023-10-27 | 江苏飞梭智行设备有限公司 | 一种无人驾驶车辆轨道通信加密方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7610330B1 (en) | Multi-dimensional computation distribution in a packet processing device having multiple processing architecture | |
EP1063818B1 (en) | System for multi-layer provisioning in computer networks | |
US6546420B1 (en) | Aggregating information about network message flows | |
US6084855A (en) | Method and apparatus for providing fair traffic scheduling among aggregated internet protocol flows | |
US7266079B2 (en) | Dynamic network load balancing over heterogeneous link speed | |
US8761182B2 (en) | Targeted flow sampling | |
CN104320358A (zh) | 一种电力通信网中的QoS业务控制方法 | |
CN106972985B (zh) | 加速dpi设备数据处理与转发的方法和dpi设备 | |
EP3637705B1 (en) | Data flow processing method and device | |
JP2006506845A (ja) | ルータにおけるパケットに対し論理リンクを選択する方法 | |
CN113992544B (zh) | 端口流量分配的优化方法、装置 | |
CN112822107A (zh) | 一种基于人工智能的广域网优化方法 | |
WO2002051077A1 (en) | A method and system for distinguishing higher layer protocols of the internet traffic | |
CN112422434A (zh) | Ipfix消息处理方法及其应用、asic芯片 | |
KR20220029142A (ko) | Sdn 컨트롤러 서버 및 이의 sdn 기반 네트워크 트래픽 사용량 분석 방법 | |
CN113422699B (zh) | 数据流处理方法、装置、计算机可读存储介质及电子设备 | |
CN115412482B (zh) | 算力路由方法、装置、电子设备和存储介质 | |
CN116723154A (zh) | 一种基于负载均衡的路由分发方法及系统 | |
Akem et al. | Encrypted Traffic Classification at Line Rate in Programmable Switches with Machine Learning | |
Oztoprak et al. | A hybrid asymmetric traffic classifier for deep packet inspection systems with route asymmetry | |
Yakymchuk et al. | Monitoring of link-level congestion in telecommunication systems using information criteria | |
Choi et al. | Rate-based internet accounting system using application-aware traffic measurement | |
US20230224251A1 (en) | Communication equipment and adaptive quality of service setting method thereof | |
Rodrigues et al. | Performance analysis of a LAN/WAN bridging architecture | |
US20230394373A1 (en) | Method, apparatus, and system for determining collection period, device, and storage medium |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210518 |