CN112954765A - 一种基于网络状态监控的动态算子选路方法 - Google Patents
一种基于网络状态监控的动态算子选路方法 Download PDFInfo
- Publication number
- CN112954765A CN112954765A CN202110207003.2A CN202110207003A CN112954765A CN 112954765 A CN112954765 A CN 112954765A CN 202110207003 A CN202110207003 A CN 202110207003A CN 112954765 A CN112954765 A CN 112954765A
- Authority
- CN
- China
- Prior art keywords
- data
- delay
- path
- node
- determining
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000001133 acceleration Effects 0.000 claims abstract description 57
- 238000005259 measurement Methods 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 50
- 238000001514 detection method Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 23
- 230000007246 mechanism Effects 0.000 claims description 22
- 230000000737 periodic effect Effects 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000008278 dynamic mechanism Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/026—Route selection considering the moving speed of individual devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种基于网络状态监控的动态算子选路方法,包括:获取用户当前网络的加速路径,并对所述加速路径进行链路测速,确定每条加速路径的路径节点状态;所述路径节点状态包括路径的平均延迟、延迟标准差和掉包率;在预设时间窗口内,周期性对本地网络节点进行监控,确定本地网络节点的监控信息;所述监控信息包括网络类型、信号平均强度,本地网络节点到目标节点的延迟平均值;根据所述监控信息,对所述路径节点状态进行调整,确定调整路径;剔除所述调整路径的毛刺,重新计算所述加速路径的路径节点状态,并对所述重新计算的路径节点状态进行加权计算和排序,针对不同的加速路径,确定最优线路;设定时间间隔,重复步骤上述步骤。
Description
技术领域
本发明涉及网络监控、动态算子选路技术领域,特别涉及一种基于网络状态监控的动态算子选路方法。
背景技术
目前,随着手机游戏的日益普及,用户对于手游加速器的高稳定性和低延迟有着越来越高的要求,而手游加速过程本身对于手机网络具有较强的依赖性,网络的波动情况也随之影响着手游加速的效果,进而影响游戏体验。
发明内容
本发明提供一种基于网络状态监控的动态算子选路方法,用以解决上述背景技术的情况。
一种基于网络状态监控的动态算子选路方法,其特征在于,包括以下步骤:
步骤1:获取用户当前网络的加速路径,并对所述加速路径进行链路测速,确定每条加速路径的路径节点状态;
所述路径节点状态包括路径的平均延迟、延迟标准差和掉包率;
步骤2:在预设时间窗口内,周期性对本地网络节点进行监控,确定本地网络节点的监控信息;其中,
所述监控信息包括网络类型、信号平均强度,本地网络节点到目标节点的延迟平均值;
步骤3:根据所述监控信息,对所述路径节点状态进行调整,确定调整路径;
步骤4:剔除所述调整路径的毛刺,重新计算所述加速路径的路径节点状态,并对所述重新计算的路径节点状态进行加权计算和排序,针对不同的加速路径,确定最优线路;
步骤5:设定时间间隔,重复步骤1、2、3、4。
优选的,在步骤1之前,还包括:
在不同的加速路径加速开始时,从预设的记忆单元读取本地网络节点的窗口存储数据,并根据所述窗口存储数据,确定初始窗口信息;其中,
所述窗口存储数据包括历史节点线路最优解和每条加速路径的历史路径节点状态;
所述初始窗口信息包括本地网络节点打开的初始时间、初始信号强度、初始延迟;
获取本地网络节点的初始时间,同时,读取当前窗口内的本地网络节点的实时时间;
计算所述初始时间和实时时间的差值,并判断所述差值是否超过预设时间阈值;其中,
当所述差值未超过预设时间阈值时,继续在本地网络节点进行节点测速;
当所述差值超过预设时间阈值时,清空所述记忆单元中的本地网络节点的历史窗口存储数据,重新对本地网络节点的加速路径进行链路测速。
优选的,所述步骤1,还包括:
步骤100:根据预设的时间范围,确定对应的时间窗口,并对所述时间窗口内的本地网络节点进行采样探测,确定采样数据;其中,
所述采样数据包括本地网络节点向目标节点的收发延迟值、本地网络节点的网络类型和信号强度;
步骤101:记录所述时间窗口内对应的采样数据,并将所述时间窗口外的采样数据丢弃;其中,
所述时间窗口随着时间推移而滑动,用于探测对应时间内的目标节点的网络质量;
步骤103:根据所述采样数据,统计不同的加速路径的路径数据;其中,
所述路径数据包括本地网络节点向目标网络节点路径加速时的收发延迟平均值、收发延迟中值、收发延迟标准差和节点算子的掉包率;
步骤104:根据所述路径数据,确定并记录不同路径的路径节点状态。
优选的,所述周期性对本地网络节点进行监控,确定本地网络节点的监控信息,包括以下步骤:
步骤201:基于预设的定时器,设置时间周期,并根据所述时间周期,确定时间分段范围;
步骤202:根据所述时间分段范围,确定在时间分段范围内的定时时间时长;
步骤203:根据所述定时时间时长,按照周期采集本地网络节点的监控信息。
优选的,所述步骤3,包括:
步骤300:周期性获取本地监控信息,并根据所述本地监控信息,生成对应的周期监控数据;
步骤301:提取所述周期监控数据和对应的定期时间范围的关系,并根据所述周期监控数据和对应的定期时间范围,生成一一对应的映射关系;
步骤302:根据所述映射关系,经过大数据计算,获取本地监控信息的调整数据;
步骤303:根据所述调整数据,对所述加速路径的路径节点状态进行调整,确定调整路径。
优选的,所述步骤4,包括:
步骤400:获取本地网络节点的路径状态,并确定延迟标准差;
步骤401:根据所述延迟标准差,确定延迟点,并根据所述延迟点,确定延迟数据;其中,
所述延迟数据代表大于预设倍数的延迟点;
步骤402:当本地网络节点的延迟标准差低于预设的延迟阈值,调高所述延迟标准差的权重值,并缩小所述延迟数据的剔除占比范围,确定缩小结果;
步骤403:当本地网络节点的延迟标准差高于设定阈值,降低所述延迟标准差的权重值,并利用线性放大所述延迟数据的剔除占比的范围,确定放大结果;
步骤404:根据所述缩小结果和放大结果,剔除所述延迟数据,对所述重新计算的路径节点状态进行加权计算和排序,确定计算结果;其中,
所述加权计算用于根据本地网络的延迟均值和标准差,对不同的网络节点测速的平均延迟、标准差、掉包率进行加权运算,获取运算结果;
所述排序用于根据所述运算结果,进行排序,并根据预设的选优范围,确定选优范围内的优选线路;
步骤405:根据所述计算结果,确定最优选择线路。
优选的,所述步骤405,包括:
步骤S1:实时采集计算结果;
步骤S2:基于大数据处理系统,曲线拟合所述探测采样数据点,并确定对应的校准数据;
步骤S3:传输所述探测采样数据点至状态预演机制,训练预演网络路径,生成网络质量预测初始数据;
步骤S4:根据所述校准数据,校准所述网络质量预测数据,并生成确定量化的网络质量预测数据;
步骤S5:根据所述网络质量预测数据,确定所述目标节点的最优加速路径。
优选的,所述步骤S3,包括:
步骤S301:获取所述状态预演机制中的历史探测采样数据,并对比实时探测采样数据和历史探测采样数据,确定高斯误差函数:
步骤S302:传输所述探测采样数据到状态预演机制,进行状态预演,确定状态预演变换函数D(r(x)):
其中,D(r(x))代表状态预演变换函数,r(x)代表采集的探测采样数据,代表预演训练函数,代表和预演机制呈倍数关系的预演调整倍数数据,代表预演训练函数对探测采样数据训练后所产生的高斯误差,代表预演训练数据标准正太分布后的累计分布函数;
步骤303:根据状态预演变换函数D(r(x)),针对不同路景观进行计算,确定计算结果;
步骤304:根据所述计算结果,演绎所述目标节点的生成网络质量预测初始数据。
优选的,所述方法还包括:
在所述加速路径测速完成后,基于大数据中心,获取不同类型的目标网络节点,并根据所述目标网络节点,确定所述目标网络节点的监控信息;其中,
所述目标网络节点监控信息包括目标网络节点的网络类型、网络节点的平均信号强度,网络节点的平均延迟;
结合大数据运算系统,对不同类型的网络节点的监控信息进行初始值进行比较,并生成延迟判优窗口;其中,
所述延迟判优窗口是用于对不同类型的网络节点的延迟进行比较,并选择较优的网络节点。
优选的,所述结合大数据运算系统,对不同类型的网络节点的监控信息进行初始值进行比较,并生成延迟判优窗口,包括:
基于大数据中心,获取所述网络节点的网络节点链路数据,并根据所述网络节点链路数据,获取网络节点延迟标准差;
根据所述延迟标准差,确定调整数据,并根据所述调整数据,调整延迟判优窗口;其中,
当信号平均值小于预设的信号阈值时,缩小节点测速的延迟判优窗口;
当信号平均值大于预设的信号阈值时,放大节点测速的延迟判优窗口。
本发明的有益效果在于:本发明提出一种基于网络状态监控的动态算子选路方法,利用游戏本身对于网络延迟、标准差及掉包率等不同维度网络质量数据的敏感度,对本地网络质量进行趋势预测,根据不同的预测状态对选路策略中各网络质量数据相关算子进行动态调整,使得在网络状态复杂多变情况下,将手游加速收益保持最大化,为广大用户提供抗干扰能力强,更加稳定、优质的手游加速服务。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于网络质量预测的动态算子选路方法流程图;
图2为本发明实施例中一种基于网络质量预测的动态算子选路方法的结构流程图;
图3为本发明实施例中一种基于网络质量预测的动态算子选路方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
如附图1所示,本技术方案提供了一种基于网络状态监控的动态算子选路方法,包括以下步骤:
步骤1:获取用户当前网络的加速路径,并对所述加速路径进行链路测速,确定每条加速路径的路径节点状态;
所述路径节点状态包括路径的平均延迟、延迟标准差和掉包率;
步骤2:在预设时间窗口内,周期性对本地网络节点进行监控,确定本地网络节点的监控信息;其中,
所述监控信息包括网络类型、信号平均强度,本地网络节点到目标节点的延迟平均值;
步骤3:根据所述监控信息,对所述路径节点状态进行调整,确定调整路径;
步骤4:剔除所述调整路径的毛刺,重新计算所述加速路径的路径节点状态,并对所述重新计算的路径节点状态进行加权计算和排序,针对不同的加速路径,确定最优线路;
步骤5:设定时间间隔,重复步骤1、2、3、4。
上述技术方案的工作原理和有益效果在于:
本发明包括节点测速模块、网络状态监控模块、运算系统、记忆模块和选择器,通过这些模块从而对手游进行加速,在加速前,本方法首先需要初始化,加速开始时,从记忆单元读取节点测速数据,如果超过允许的时间阈值,则清空记忆单元中的节点测速数据,重新进行节点测速,说明用户需要操作的时间已经超过时间范围,所以不必要进行加速运行操作,接着通过节点测速模块,在允许的时间窗口内,对用户节点进行网络质量的采样探测,记录该窗口内的收发延迟,并计算统计量:均值、中值、标准差、掉包率等,同时时间窗口随着时间推移而滑动,窗口以外的数据进行丢弃处理,以保证网络探测的效率和有效性;接着,通过网络状态预测模块初始化过程,同时利用前向预测法进行网络状态趋势的预测,结合定期网络探测(获取并记录网络类型、信号强度及向指定目标发起的延迟)的结果,对预测趋势进行校准,最后根据曲线规律来量化之后一段时间阈值内的网络质量数据;接着节点测速完成后,利用运算系统,结合网络状态监控结果,对节点测速的平均延迟、延迟标准差、掉包率进行算子的调整,获取用户当前使用的网络节点的最优线路,从而构成了一个稳定、优质、抗干扰能力强的动态算子路由加速系统,在网络复杂多变的情况下,可最大化的保证加速过程的高稳定、低延迟特性,为用户带来随时随地的优质体验。
实施例2:
本技术方案提供了一种实施例,在步骤1之前,还包括:
在不同的加速路径加速开始时,从预设的记忆单元读取本地网络节点的窗口存储数据,并根据所述窗口存储数据,确定初始窗口信息;其中,
所述窗口存储数据包括历史节点线路最优解和每条加速路径的历史路径节点状态;
所述初始窗口信息包括本地网络节点打开的初始时间、初始信号强度、初始延迟;
获取本地网络节点的初始时间,同时,读取当前窗口内的本地网络节点的实时时间;
计算所述初始时间和实时时间的差值,并判断所述差值是否超过预设时间阈值;其中,
当所述差值未超过预设时间阈值时,继续在本地网络节点进行节点测速;
当所述差值超过预设时间阈值时,清空所述记忆单元中的本地网络节点的历史窗口存储数据,重新对本地网络节点的加速路径进行链路测速。
上述技术方案的工作原理在于:
本发明在针对不同的路径加速之前,需要对时间窗口进行查看,对用户窗口请求需求的时间进行获取,查看是否有必要进行加速操作,若如果超过允许的时间阈值,则清空记忆模块中的节点测速数据,重新进行节点测速;当确定是当前时间窗口的内容数据后,先要对窗口内容进行初始化,通过记忆模块读取历史窗口数据,确定历史节点的测速结果,根据时间阈值和用户请求时间窗口的时长进行判断,所述历史节点测速数据是否需要初始化,并确定判断结果;其中,当所述判断结果为否,即所述节点测速数据未超过预设的时间阈值时,继续在当前节点进行节点测速,并存储至记忆单元;当所述判断结果为所述节点测速数据超过预设的时间阈值,清空记忆模块中的节点测速数据,重新进行节点测速。
上述技术方案的有益效果在于:
本发明通过在加速之前,就对路径进行判断,用户请求的网络探测是否超过允许的时间范围,避免不必要的路径计算,提高加速节点的效率,将时间窗口外的数据进行丢弃,保证网络探测的效率和有效性。
实施例3:
本技术方案提供了一种实施例,所述步骤1,还包括:
步骤100:根据预设的时间范围,确定对应的时间窗口,并对所述时间窗口内的本地网络节点进行采样探测,确定采样数据;其中,
所述采样数据包括本地网络节点向目标节点的收发延迟值、本地网络节点的网络类型和信号强度;
步骤101:记录所述时间窗口内对应的采样数据,并将所述时间窗口外的采样数据丢弃;其中,
所述时间窗口随着时间推移而滑动,用于探测对应时间内的目标节点的网络质量;
步骤103:根据所述采样数据,统计不同的加速路径的路径数据;其中,
所述路径数据包括本地网络节点向目标网络节点路径加速时的收发延迟平均值、收发延迟中值、收发延迟标准差和节点算子的掉包率;
步骤104:根据所述路径数据,确定并记录不同路径的路径节点状态。
上述技术方案的工作原理在于:
本发明的时间窗口随着时间推移而滑动,窗口以外的数据进行丢弃处理,“链路测速,获取不同网络节点链路的链路数据”用于对网络质量和网络速度进行探查,通过在允许的时间窗口内,进行节点网络质量的采样探测,记录该窗口内的收发延迟,计算统计量,均值、中值、标准差、掉包率等,对网络进行测速探测,用于对节点测速的平均延迟、延迟标准差、掉包率进行算子的调整过程提供原始数据,从而可以获取较优质量的网络线路。
上述技术方案的有益效果在于:
本发明提供了针对不同链路,进行网路探测,并将探测的结果输入最近时间阈值内的真实网络质量数据,预测出之后一段时间内网络状态的趋势,从而为用户提供了一种灵活的、稳定的最优网路选择的算法。
实施例4:
本技术方案提供了一种实施例,所述周期性对本地网络节点进行监控,确定本地网络节点的监控信息,包括以下步骤:
步骤201:基于预设的定时器,设置时间周期,并根据所述时间周期,确定时间分段范围;
步骤202:根据所述时间分段范围,确定在时间分段范围内的定时时间时长;
步骤203:根据所述定时时间时长,按照周期采集本地网络节点的监控信息。
上述技术方案的工作原理在于:
本发明通过周期性的获取监控信息,大数据中心可以处理周期性的数据,并从周期性的数据中心获取规律,获取规律数据之后再根据例如拓扑算法、最优路径选择算法等路径选择的算法,确定路径择优动态机制,构建状态预演机制,其中,周期性获取信息需要定时器,用来设定时间分段范围,并确定定期时间范围,在定期时间范围内采集监控信息。
上述技术方案的有益效果在于:
本发明通过对历史数据的获取,并进行归纳拟合,从中提取规律,并构建状态预演机制,预演所述网络的未来趋势,周期性的获取监控数据,保证数据的实时性和可靠性。
实施例5:
本技术方案提供了一种实施例,所述步骤3,包括:
步骤300:周期性获取本地监控信息,并根据所述本地监控信息,生成对应的周期监控数据;
步骤301:提取所述周期监控数据和对应的定期时间范围的关系,并根据所述周期监控数据和对应的定期时间范围,生成一一对应的映射关系;
步骤302:根据所述映射关系,经过大数据计算,获取本地监控信息的调整数据;
步骤303:根据所述调整数据,对所述加速路径的路径节点状态进行调整,确定调整路径。
以上技术方案的工作原理在于:
本发明在初始化过程中,同时利用前向预测法进行网络状态趋势的预测,结合定期网络探测(获取网络类型、信号强度及向指定目标发起的延迟,并进行记录)的结果,对预测趋势进行校准,最后根据曲线规律来量化之后一段时间阈值内的网络质量数据;前向预测法:即根据设定的预测模型,输入最近时间阈值内的真实网络质量数据,预测出之后一段时间内网络状态的趋势,再结合实际探测采样点对预测结果进行曲线拟合及校准,输出量化的网络质量预测数据,从而获取最佳线路从而对手游进行加速。
以上技术方案的有益效果在于:
本发明通过预测并计算网络节点的数量值,确定最优的网络线路,通过网络趋势的验证,保证网络的可靠性和稳态,提供用户优质的体验。
实施例6:
本技术方案提供了一种实施例,所述步骤4,包括:
步骤400:获取本地网络节点的路径状态,并确定延迟标准差;
步骤401:根据所述延迟标准差,确定延迟点,并根据所述延迟点,确定延迟数据;其中,
所述延迟数据代表大于预设倍数的延迟点;
步骤402:当本地网络节点的延迟标准差低于预设的延迟阈值,调高所述延迟标准差的权重值,并缩小所述延迟数据的剔除占比范围,确定缩小结果;
步骤403:当本地网络节点的延迟标准差高于设定阈值,降低所述延迟标准差的权重值,并利用线性放大所述延迟数据的剔除占比的范围,确定放大结果;
步骤404:根据所述缩小结果和放大结果,剔除所述延迟数据,对所述重新计算的路径节点状态进行加权计算和排序,确定计算结果;其中,
所述加权计算用于根据本地网络的延迟均值和标准差,对不同的网络节点测速的平均延迟、标准差、掉包率进行加权运算,获取运算结果;
所述排序用于根据所述运算结果,进行排序,并根据预设的选优范围,确定选优范围内的优选线路;
步骤405:根据所述计算结果,确定最优选择线路。
以上技术方案的工作原理和有益效果在于:
本发明传输所述链路数据到状态预演机制,进行状态预演,确定状态预演变换函数D(r(x)),可以训练链路函数,并通过获取所述状态预演机制中的历史链路数据,并对比获取目标节点的链路数据和历史链路数据,确定高斯误差函数D(r(x)),根据状态预演变换函数D(r(x)),针对不同链路进行计算,确定计算结果,根据所述计算结果,确定所述目标节点的最优加速路径,通过对误差的计算,获取更加精确定训练预演数据,从而保证网络的精准率,可靠性。
实施例7:
本技术方案提供了一种实施例,所述步骤405,包括:
步骤S1:实时采集计算结果;
步骤S2:基于大数据处理系统,曲线拟合所述探测采样数据点,并确定对应的校准数据;
步骤S3:传输所述探测采样数据点至状态预演机制,训练预演网络路径,生成网络质量预测初始数据;
步骤S4:根据所述校准数据,校准所述网络质量预测数据,并生成确定量化的网络质量预测数据;
步骤S5:根据所述网络质量预测数据,确定所述目标节点的最优加速路径。
上述技术方案的工作原理在于:
本发明的监控信息包括网路的平均延迟、延迟标准差、掉包率等,通过进行算子的调整所述网络节点的测速结果,从而演化生成预演训练的数据,对于历史测速结果,监控到的这些信息来说,生成预演训练数据,即训练实时监控到的数据,并预演未来网络的状态趋势,根据周期监控数据和对应的定期时间范围对应的映射关系,通过预演训练数据和时间分段范围,构建状态预演机制,状态预演机制即用来对获取到的数据进行预演,并通过预演后的结果,获取网络未来的趋势。
上述技术方案的有益效果在于:
本发明通过对网络未来趋势的预演,对历史数据的获取,并进行归纳拟合,从中提取规律,并构建状态预演机制,预演所述网络的未来趋势,从而保证选择的节点网络的稳定性和健壮性。
实施例8:
本技术方案提供了一种实施例,所述步骤S3,包括:
步骤S301:获取所述状态预演机制中的历史探测采样数据,并对比实时探测采样数据和历史探测采样数据,确定高斯误差函数:
步骤S302:传输所述探测采样数据到状态预演机制,进行状态预演,确定状态预演变换函数D(r(x)):
其中,D(r(x))代表状态预演变换函数,r(x)代表采集的探测采样数据,代表预演训练函数,代表和预演机制呈倍数关系的预演调整倍数数据,代表预演训练函数对探测采样数据训练后所产生的高斯误差,代表预演训练数据标准正太分布后的累计分布函数;
步骤303:根据状态预演变换函数D(r(x)),针对不同路景观进行计算,确定计算结果;
步骤304:根据所述计算结果,演绎所述目标节点的生成网络质量预测初始数据。
以上技术方案的工作原理在于:
本发明在对网络节点测速完成后,结合网络状态监控结果,对节点测速的平均延迟、延迟标准差、掉包率进行算子的调整,同时结合大数据运算结果,对不同类型的网络进行延迟判优窗口、标准差及掉包率阈值的初始值选取,包括网络类型、平均信号强度、指定目标的延迟均值等,同时结合网络监控结果中,信号强度及平均值来调整对节点测速延迟的判优窗口,平均值低于一定程度,节点测速延迟判优窗口调小,否则,延迟判优窗口范围放大,主要用于对此线路的延迟度进行判优,若判优结果不理想,便把此窗口调小,从而进行剔除和淘汰。
以上技术方案的有益效果在于:
本发明提供的延迟判优方法,保证了一种稳定、优质、抗干扰能力强的动态算子路由加速系统。
实施例9:
本技术方案提供了一种实施例,所述方法还包括:
在所述加速路径测速完成后,基于大数据中心,获取不同类型的目标网络节点,并根据所述目标网络节点,确定所述目标网络节点的监控信息;其中,
所述目标网络节点监控信息包括目标网络节点的网络类型、网络节点的平均信号强度,网络节点的平均延迟;
结合大数据运算系统,对不同类型的网络节点的监控信息进行初始值进行比较,并生成延迟判优窗口;其中,
所述延迟判优窗口是用于对不同类型的网络节点的延迟进行比较,并选择较优的网络节点。
以上技术方案的工作原理在于:
本发明在对网络节点测速完成后,结合网络状态监控结果,对节点测速的平均延迟、延迟标准差、掉包率进行算子的调整,同时对不同类型的网络进行初始值选取,包括网络类型、平均信号强度、指定目标的延迟均值等,同时结合网络监控结果中,信号强度及平均值来调整对节点测速延迟的判优窗口,平均值低于一定程度,节点测速延迟判优窗口调小,否则,延迟判优窗口范围放大,主要用于对此线路的延迟度进行判优,若判优结果不理想,便把此窗口调小,从而进行剔除和淘汰,从而为大于一定延迟点的延迟数据提供原始值。
以上技术方案的有益效果在于:
本发明通过对延迟判优窗口的计算,在网络复杂多变的情况下,可最大化的保证加速过程的高稳定、低延迟特性,为用户带来随时随地的优质体验。
实施例10:
本技术方案提供了一种实施例,所述结合大数据运算系统,对不同类型的网络节点的监控信息进行初始值进行比较,并生成延迟判优窗口,包括:
基于大数据中心,获取所述网络节点的网络节点链路数据,并根据所述网络节点链路数据,获取网络节点延迟标准差;
根据所述延迟标准差,确定调整数据,并根据所述调整数据,调整延迟判优窗口;其中,
当信号平均值小于预设的信号阈值时,缩小节点测速的延迟判优窗口;
当信号平均值大于预设的信号阈值时,放大节点测速的延迟判优窗口。
上述技术方案的工作原理和有益效果在于:
本发明通过剔除测速结果中的毛刺,重新计算各节点测速的延迟均值及标准差,并对各节点测速的平均延迟、标准差、掉包率进行加权运算,对果进行排序,根据指定选优范围输出优先度设为n的线路,并输出与记忆模块中指定时间窗口的历史数据(优选线路),在优先度设为n的线路中,进行最优线路的选取,输出最优解,致此,得出最优加速线路,基于此线路进行手游加速,并将此次结果更新到记忆单元中,并在指定时间间隔,重复步骤根据信号强度及平均值来调整对节点测速延迟的判优窗口以后的步骤,依此循环,便构成了一个稳定、优质、抗干扰能力强的动态算子路由加速系统,在网络复杂多变的情况下,可最大化的保证加速过程的高稳定、低延迟特性,为用户带来随时随地的优质体验,将手游加速收益保持最大化,为广大用户提供抗干扰能力强,更加稳定、优质的手游加速服务。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于网络状态监控的动态算子选路方法,其特征在于,包括以下步骤:
步骤1:获取用户当前网络的加速路径,并对所述加速路径进行链路测速,确定每条加速路径的路径节点状态;
所述路径节点状态包括路径的平均延迟、延迟标准差和掉包率;
步骤2:在预设时间窗口内,周期性对本地网络节点进行监控,确定本地网络节点的监控信息;其中,
所述监控信息包括网络类型、信号平均强度,本地网络节点到目标节点的延迟平均值;
步骤3:根据所述监控信息,对所述路径节点状态进行调整,确定调整路径;
步骤4:剔除所述调整路径的毛刺,重新计算所述加速路径的路径节点状态,并对所述重新计算的路径节点状态进行加权计算和排序,针对不同的加速路径,确定最优线路;
步骤5:设定时间间隔,重复步骤1~4,进行加速线路的动态选择。
2.如权利要求1所述的一种基于网络状态监控的动态算子选路方法,在步骤1之前,还包括:
在不同的加速路径加速开始时,从预设的记忆单元读取本地网络节点的窗口存储数据,并根据所述窗口存储数据,确定初始窗口信息;其中,
所述窗口存储数据包括历史节点线路最优解和每条加速路径的历史路径节点状态;
所述初始窗口信息包括本地网络节点打开的初始时间、初始信号强度、初始延迟;
获取本地网络节点的初始时间,同时,读取当前窗口内的本地网络节点的实时时间;
计算所述初始时间和实时时间的差值,并判断所述差值是否超过预设时间阈值;其中,
当所述差值未超过预设时间阈值时,继续在本地网络节点进行节点测速;
当所述差值超过预设时间阈值时,清空所述记忆单元中的本地网络节点的历史窗口存储数据,重新对本地网络节点的加速路径进行链路测速。
3.如权利要求1所述的一种基于网络状态监控的动态算子选路方法,其特征在于,所述步骤1,还包括:
步骤100:根据预设的时间范围,确定对应的时间窗口,并对所述时间窗口内的本地网络节点进行采样探测,确定采样数据;其中,
所述采样数据包括本地网络节点向目标节点的收发延迟值、本地网络节点的网络类型和信号强度;
步骤101:记录所述时间窗口内对应的采样数据,并将所述时间窗口外的采样数据丢弃;其中,
所述时间窗口表示在对应时间内的运行窗口界面,用于探测对应的时间内目标节点的网络质量;
步骤103:根据所述采样数据,统计不同的加速路径的路径数据;其中,
所述路径数据包括本地网络节点向目标网络节点路径加速时的收发延迟平均值、收发延迟中值、收发延迟标准差和节点算子的掉包率;
步骤104:根据所述路径数据,确定并记录不同路径的路径节点状态。
4.如权利要求1所述的一种基于网络状态监控的动态算子选路方法,其特征在于,所述周期性对本地网络节点进行监控,确定本地网络节点的监控信息,包括以下步骤:
步骤201:基于预设的定时器,设置时间周期,并根据所述时间周期,确定时间分段范围;其中,
所述时间分段范围用于按照预设的时间断点均等分段对应的时间;
步骤202:根据所述时间分段范围,确定在时间分段范围内的定时时间时长;
步骤203:根据所述定时时间时长,按照周期采集本地网络节点的监控信息。
5.如权利要求1所述的一种基于网络状态监控的动态算子选路方法,其特征在于,所述步骤3,包括:
步骤300:周期性获取本地监控信息,并根据所述本地监控信息,生成对应的周期监控数据;
步骤301:提取所述周期监控数据和对应的定期时间范围的关系,并根据所述周期监控数据和对应的定期时间范围,生成一一对应的映射关系;
步骤302:根据所述映射关系,经过大数据计算,获取本地监控信息的调整数据;
步骤303:根据所述调整数据,对所述加速路径的路径节点状态进行调整,确定调整路径。
6.如权利要求1所述的一种基于网络状态监控的动态算子选路方法,其特征在于,所述步骤4,包括:
步骤400:获取本地网络节点的路径状态,并确定延迟标准差;
步骤401:根据所述延迟标准差,确定延迟点,并根据所述延迟点,确定延迟数据;其中,
所述延迟数据代表大于预设倍数的延迟点;
步骤402:当本地网络节点的延迟标准差低于预设的延迟阈值,调高所述延迟标准差的权重值,并缩小所述延迟数据的剔除占比范围,确定缩小结果;
步骤403:当本地网络节点的延迟标准差高于设定阈值,降低所述延迟标准差的权重值,并利用线性放大所述延迟数据的剔除占比的范围,确定放大结果;
步骤404:根据所述缩小结果和放大结果,剔除所述延迟数据,对所述重新计算的路径节点状态进行加权计算和排序,确定计算结果;其中,
所述加权计算用于根据本地网络的延迟均值和标准差,对不同的网络节点测速的平均延迟、标准差、掉包率进行加权运算,获取运算结果;
所述排序用于根据所述运算结果,进行排序,并根据预设的选优范围,确定选优范围内的优选线路;
步骤405:根据所述计算结果,确定最优选择线路。
7.如权利要求6所述的一种基于网络状态监控的动态算子选路方法,其特征在于,所述步骤405,包括:
步骤S1:实时采集计算结果;
步骤S2:基于大数据处理系统,曲线拟合所述探测采样数据点,并确定对应的校准数据;
步骤S3:传输所述探测采样数据点至状态预演机制,训练预演网络路径,生成网络质量预测初始数据;
步骤S4:根据所述校准数据,校准所述网络质量预测数据,并生成确定量化的网络质量预测数据;
步骤S5:根据所述网络质量预测数据,确定所述目标节点的最优加速路径。
8.如权利要求7所述的一种基于网络状态监控的动态算子选路方法,其特征在于,所述步骤S3,包括:
步骤S301:获取所述状态预演机制中的历史探测采样数据,并对比实时探测采样数据和历史探测采样数据,确定高斯误差函数:
步骤S302:传输所述探测采样数据到状态预演机制,进行状态预演,确定状态预演变换函数D(r(x)):
其中,D(r(x))代表状态预演变换函数,r(x)代表采集的探测采样数据,代表预演训练函数,代表和预演机制呈倍数关系的预演调整倍数数据,代表预演训练函数对探测采样数据训练后所产生的高斯误差,代表预演训练数据标准正太分布后的累计分布函数;
步骤303:根据状态预演变换函数D(r(x)),针对不同路景观进行计算,确定计算结果;
步骤304:根据所述计算结果,演绎所述目标节点的生成网络质量预测初始数据。
9.一种基于网络状态监控的动态算子选路方法,其特征在于,所述方法还包括:
在所述加速路径测速完成后,基于大数据中心,获取不同类型的目标网络节点,并根据所述目标网络节点,确定所述目标网络节点的监控信息;其中,
所述目标网络节点监控信息包括目标网络节点的网络类型、网络节点的平均信号强度,网络节点的平均延迟;
结合大数据运算系统,对不同类型的网络节点的监控信息进行初始值进行比较,并生成延迟判优窗口;其中,
所述延迟判优窗口是用于对不同类型的网络节点的延迟进行比较,并选择较优的网络节点。
10.如权利要求9所述的一种基于网络状态监控的动态算子选路方法,其特征在于,所述结合大数据运算系统,对不同类型的网络节点的监控信息进行初始值进行比较,并生成延迟判优窗口,包括:
基于大数据中心,获取所述网络节点的网络节点链路数据,并根据所述网络节点链路数据,获取网络节点延迟标准差;
根据所述延迟标准差,确定调整数据,并根据所述调整数据,调整延迟判优窗口;其中,
当信号平均值小于预设的信号阈值时,缩小节点测速的延迟判优窗口;
当信号平均值大于预设的信号阈值时,放大节点测速的延迟判优窗口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110207003.2A CN112954765B (zh) | 2021-02-24 | 2021-02-24 | 一种基于网络状态监控的动态算子选路方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110207003.2A CN112954765B (zh) | 2021-02-24 | 2021-02-24 | 一种基于网络状态监控的动态算子选路方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112954765A true CN112954765A (zh) | 2021-06-11 |
CN112954765B CN112954765B (zh) | 2022-12-09 |
Family
ID=76245980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110207003.2A Active CN112954765B (zh) | 2021-02-24 | 2021-02-24 | 一种基于网络状态监控的动态算子选路方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112954765B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115242627A (zh) * | 2022-09-20 | 2022-10-25 | 北京智芯微电子科技有限公司 | Tsn网络的配置方法、系统及存储介质 |
CN117459188A (zh) * | 2023-12-25 | 2024-01-26 | 吉林省吉能电力通信有限公司 | 基于北斗通信技术的电力北斗通信系统及通信方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012112900A1 (en) * | 2011-02-17 | 2012-08-23 | Nike International Ltd. | Selecting and correlating physical activity data with image date |
JP2013180131A (ja) * | 2012-03-02 | 2013-09-12 | Daiichi Shokai Co Ltd | 遊技機 |
EP2978182A1 (en) * | 2014-07-25 | 2016-01-27 | Dejero Labs Inc. | Multipath data streaming over multiple wireless networks |
CN106656800A (zh) * | 2017-02-21 | 2017-05-10 | 网宿科技股份有限公司 | 一种路径选取方法及系统、网络加速节点及网络加速系统 |
CN106992904A (zh) * | 2017-05-19 | 2017-07-28 | 湖南省起航嘉泰网络科技有限公司 | 基于动态综合权重的网络设备健康度评估方法 |
CN107104897A (zh) * | 2017-06-19 | 2017-08-29 | 四川速宝网络科技有限公司 | 基于路径的数据传输方法及系统 |
CN107846719A (zh) * | 2017-12-15 | 2018-03-27 | 华中科技大学 | 一种基于改进鲸鱼群算法的无线传感器网络路由方法 |
CN108886479A (zh) * | 2018-02-12 | 2018-11-23 | 深圳前海达闼云端智能科技有限公司 | 网络质量评估方法、装置、网络检测设备及可读存储介质 |
WO2019037394A1 (zh) * | 2017-08-22 | 2019-02-28 | 华为技术有限公司 | 基于时延传输路径控制方法、网络控制器和系统 |
US10236031B1 (en) * | 2016-04-05 | 2019-03-19 | Digimarc Corporation | Timeline reconstruction using dynamic path estimation from detections in audio-video signals |
WO2019061169A1 (zh) * | 2017-09-28 | 2019-04-04 | 深圳前海达闼云端智能科技有限公司 | 一种基于混合资源的路由选路方法、装置和服务器 |
CN109587000A (zh) * | 2018-11-14 | 2019-04-05 | 上海交通大学 | 基于群智网络测量数据的高延迟异常检测方法及系统 |
CN110309136A (zh) * | 2019-07-10 | 2019-10-08 | 山东大学 | 一种数据库异常事件缺失数据填充方法及系统 |
CN111163006A (zh) * | 2019-12-25 | 2020-05-15 | 四川速宝网络科技有限公司 | 一种基于波形评判的多路优选网游加速方法 |
WO2020134868A1 (zh) * | 2018-12-25 | 2020-07-02 | 华为技术有限公司 | 一种连接建立方法及终端设备 |
CN111431772A (zh) * | 2020-04-28 | 2020-07-17 | 上海众链科技有限公司 | 网络延迟测量方法、系统、可读存储介质及终端设备 |
US20200241487A1 (en) * | 2019-01-24 | 2020-07-30 | Qingdao university of technology | Networked control system time-delay compensation method based on predictive control |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
-
2021
- 2021-02-24 CN CN202110207003.2A patent/CN112954765B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012112900A1 (en) * | 2011-02-17 | 2012-08-23 | Nike International Ltd. | Selecting and correlating physical activity data with image date |
JP2013180131A (ja) * | 2012-03-02 | 2013-09-12 | Daiichi Shokai Co Ltd | 遊技機 |
EP2978182A1 (en) * | 2014-07-25 | 2016-01-27 | Dejero Labs Inc. | Multipath data streaming over multiple wireless networks |
US10236031B1 (en) * | 2016-04-05 | 2019-03-19 | Digimarc Corporation | Timeline reconstruction using dynamic path estimation from detections in audio-video signals |
CN106656800A (zh) * | 2017-02-21 | 2017-05-10 | 网宿科技股份有限公司 | 一种路径选取方法及系统、网络加速节点及网络加速系统 |
CN106992904A (zh) * | 2017-05-19 | 2017-07-28 | 湖南省起航嘉泰网络科技有限公司 | 基于动态综合权重的网络设备健康度评估方法 |
CN107104897A (zh) * | 2017-06-19 | 2017-08-29 | 四川速宝网络科技有限公司 | 基于路径的数据传输方法及系统 |
WO2019037394A1 (zh) * | 2017-08-22 | 2019-02-28 | 华为技术有限公司 | 基于时延传输路径控制方法、网络控制器和系统 |
WO2019061169A1 (zh) * | 2017-09-28 | 2019-04-04 | 深圳前海达闼云端智能科技有限公司 | 一种基于混合资源的路由选路方法、装置和服务器 |
CN107846719A (zh) * | 2017-12-15 | 2018-03-27 | 华中科技大学 | 一种基于改进鲸鱼群算法的无线传感器网络路由方法 |
CN108886479A (zh) * | 2018-02-12 | 2018-11-23 | 深圳前海达闼云端智能科技有限公司 | 网络质量评估方法、装置、网络检测设备及可读存储介质 |
CN109587000A (zh) * | 2018-11-14 | 2019-04-05 | 上海交通大学 | 基于群智网络测量数据的高延迟异常检测方法及系统 |
WO2020134868A1 (zh) * | 2018-12-25 | 2020-07-02 | 华为技术有限公司 | 一种连接建立方法及终端设备 |
US20200241487A1 (en) * | 2019-01-24 | 2020-07-30 | Qingdao university of technology | Networked control system time-delay compensation method based on predictive control |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
CN110309136A (zh) * | 2019-07-10 | 2019-10-08 | 山东大学 | 一种数据库异常事件缺失数据填充方法及系统 |
CN111163006A (zh) * | 2019-12-25 | 2020-05-15 | 四川速宝网络科技有限公司 | 一种基于波形评判的多路优选网游加速方法 |
CN111431772A (zh) * | 2020-04-28 | 2020-07-17 | 上海众链科技有限公司 | 网络延迟测量方法、系统、可读存储介质及终端设备 |
Non-Patent Citations (3)
Title |
---|
U. M. GIDADO, H. CHIROMA, N. ALJOJO, S. ABUBAKAR, S. I. POPOOLA: "A Survey on Deep Learning for Steering Angle Prediction in Autonomous Vehicles", 《IN IEEE ACCESS》 * |
吴沐阳: "网络运维质量评估模型构建及其关键技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
孙蔚,夏利: "基于效用的无线异构接入网络选择机制", 《计算机应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115242627A (zh) * | 2022-09-20 | 2022-10-25 | 北京智芯微电子科技有限公司 | Tsn网络的配置方法、系统及存储介质 |
CN115242627B (zh) * | 2022-09-20 | 2023-01-24 | 北京智芯微电子科技有限公司 | Tsn网络的配置方法、系统及存储介质 |
CN117459188A (zh) * | 2023-12-25 | 2024-01-26 | 吉林省吉能电力通信有限公司 | 基于北斗通信技术的电力北斗通信系统及通信方法 |
CN117459188B (zh) * | 2023-12-25 | 2024-04-05 | 吉林省吉能电力通信有限公司 | 基于北斗通信技术的电力北斗通信系统及通信方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112954765B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112954765B (zh) | 一种基于网络状态监控的动态算子选路方法 | |
WO2009118602A2 (en) | Available bandwidth estimation in a packet-switched communication network | |
CN110879981A (zh) | 人脸关键点质量评估方法、装置、计算机设备及存储介质 | |
CN111277870A (zh) | 带宽预测方法、装置、服务器及存储介质 | |
CN108491480B (zh) | 谣言检测方法及设备 | |
CN109831802B (zh) | 基于支持向量机的预测数据包接收可能性的方法 | |
CN116804668A (zh) | 一种食盐碘含量检测数据标识方法及系统 | |
CN114866489A (zh) | 拥塞控制方法和装置及拥塞控制模型的训练方法和装置 | |
CN112566170B (zh) | 网络质量评估方法、装置、服务器及存储介质 | |
CN116938683B (zh) | 一种基于网络安全异常检测的网络路径分析系统及方法 | |
JPH09256338A (ja) | 河川水位予測装置 | |
CN114726892B (zh) | 基于人工智能大数据的边缘数据收集方法 | |
CN108877210B (zh) | 一种实时路况数据生产方法及车载终端 | |
JP2000057483A (ja) | 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体 | |
CN112434808B (zh) | 全栈式的前向型神经网络深度学习系统安全分析与检测方法 | |
CN114297384A (zh) | 评论文本分析方法、模型训练方法、装置、设备及介质 | |
CN113986700A (zh) | 数据采集频率的优化方法、系统、装置及存储介质 | |
CN114969756B (zh) | 一种通过历史数据插值检验的可信参与者选取方法 | |
CN113177074A (zh) | 一种提升环境自适应性的光学性能监测系统及方法 | |
CN115168016B (zh) | 任务调度方法及相关装置、芯片、器件和介质 | |
CN116268545B (zh) | 一种烟支重量检测的诊断方法及校准方法 | |
CN113452574B (zh) | 一种基于显式路径的多链路状态检测方法 | |
CN117975745B (zh) | 一种基于车联网的智慧交通监控系统 | |
CN112634946B (zh) | 一种语音质量分类预测方法、计算机设备及存储介质 | |
CN114095364B (zh) | 网络拥塞控制方法及装置 |
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 |