CN112994978B - 一种网络流量监测方法及装置 - Google Patents
一种网络流量监测方法及装置 Download PDFInfo
- Publication number
- CN112994978B CN112994978B CN202110211052.3A CN202110211052A CN112994978B CN 112994978 B CN112994978 B CN 112994978B CN 202110211052 A CN202110211052 A CN 202110211052A CN 112994978 B CN112994978 B CN 112994978B
- Authority
- CN
- China
- Prior art keywords
- influence
- factor
- target
- factors
- target area
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- 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
-
- 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
- H04L43/50—Testing arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例提供了一种网络流量监测方法及装置,涉及内容分发网络技术领域,该方法具体为:基于影响目标区域网络流量的各个影响因素的目标因素值以及各个影响因素的基准因素值,确定各个影响因素分别对目标区域的目标网络流量的目标影响值,实现自动分析各个影响因素对目标区域网络流量的影响情况,相较于人工分析来说,既提高了分析效率,同时降低了人力成本。其次,当各个目标影响值满足预设告警条件时,自动触发流量告警,并展示各个目标影响值,故运营人员通过展示的各个目标影响值可以快速定位使目标区域网络流量使用没有达到预期的影响因素,进而快速制定解决方案,从而提升运营管理效率,降低运营成本。
Description
技术领域
本发明实施例涉及内容分发网络技术领域,尤其涉及一种网络流量监测方法及装置。
背景技术
越来越多因特网服务提供者通过CDN(Content Delivery Network,内容分发网络)向全世界的客户机递送数字内容。在CDN行业中,在保证服务质量的基础上,如何让机房跑到预设流量值,从而使机房利用率达到最优,对企业运营成本有着关键的影响。
但实际调度中,由于各类因素的影响,机房流量使用量经常达不到预期而造成成本浪费,此时往往需要投入一定的人力进行原因分析,这种方式不仅定位问题的效率低,且人力成本高。
发明内容
本申请实施例提供了一种网络流量监测方法及装置,用于解决在流量使用没有达到预期时,人工分析原因效率低以及成本高的问题。
一方面,本申请实施提供了一种网络流量监测方法,该方法包括:
获取影响目标区域网络流量的N个影响因素的目标因素值,其中,N为大于0的整数;
基于所述N个影响因素的目标因素值和所述N个影响因素的基准因素值,确定所述N个影响因素分别对所述目标区域的目标网络流量的目标影响值;
若获得的N个目标影响值满足预设告警条件,则触发流量告警,并展示所述N个目标影响值。
一方面,本申请实施提供了一种网络流量监测装置,该装置包括:
获取模块,用于获取影响目标区域网络流量的N个影响因素的目标因素值,其中,N为大于0的整数;
处理模块,用于基于所述N个影响因素的目标因素值和所述N个影响因素的基准因素值,确定所述N个影响因素分别对所述目标区域的目标网络流量的目标影响值;
告警模块,用于若获得的N个目标影响值满足预设告警条件,则触发流量告警,并展示所述N个目标影响值。
可选地,所述获取模块具体用于:
针对所述N个影响因素中的每个影响因素,分别执行以下步骤:
针对一个影响因素,采集所述一个影响因素当前的状态信息;
基于状态信息与因素值之间的映射关系,将所述一个影响因素当前的状态信息,转化为所述一个影响因素对应的目标因素值。
可选地,所述处理模块具体用于:
基于所述N个影响因素分别与所述目标区域的目标网络流量之间的相关性,确定所述N个影响因素的替代顺序;
针对所述N个影响因素中的每个影响因素,分别执行以下步骤:
针对一个影响因素,确定所述一个影响因素在所述替代顺序中的序号M,其中,M为大于等于1的整数,且M小于或等于N;
通过流量监测模型,基于所述替代顺序中排在前M-1个的影响因素的目标因素值,以及排在后N-M+1个的影响因素的基准因素值,确定所述目标区域的第M-1替代网络流量,所述流量监测模型是通过对N个影响因素的因素值与目标区域的网络流量之间的关系进行拟合获得的;
通过所述流量监测模型,基于所述替代顺序中排在前M个的影响因素的目标因素值,以及排在后N-M个的影响因素的基准因素值,确定所述目标区域的第M替代网络流量;
根据所述第M替代网络流量与所述第M-1替代网络流量之间的波动值,确定所述一个影响因素对所述目标区域的目标网络流量的目标影响值。
可选地,所述处理模块具体用于:
获取N个影响因素的历史因素值以及目标区域的历史网络流量;
基于所述N个影响因素的历史因素值以及所述目标区域的历史网络流量,对N个影响因素的因素值与目标区域的网络流量之间的关系进行拟合,获得流量监测模型。
可选地,所述处理模块还用于:
基于所述N个影响因素的历史因素值以及所述目标区域的历史网络流量,对N个影响因素的因素值与目标区域的网络流量之间的关系进行拟合,获得流量监测模型之前,基于N个影响因素的历史因素值以及目标区域的历史网络流量,分别对N个影响因素与目标区域的网络流量进行相关性分析,获得N个影响因素分别对应的第一相关性系数;
针对所述N个影响因素中的每个影响因素,分别执行以下步骤:
针对一个影响因素,若所述一个影响因素对应的第一相关性系数绝对值小于第一预设阈值,则对所述一个影响因素的历史因素值进行误差补偿。
可选地,所述处理模块还用于:
基于所述N个影响因素分别对应的第一相关性系数,对所述N个影响因素进行排序,获得所述N个影响因素的替代顺序。
可选地,所述处理模块还用于:
对L个初始影响因素中的任意两个初始影响因素进行相关性分析,获得所述任意两个初始影响因素之间的第二相关性系数,其中,L为大于等于N的整数;
将所述L个初始影响因素中,满足第二相关系数大于第二预设阈值的任意两个初始影响因素合并,获得N个影响因素。
可选地,所述告警模块具体用于:
对获得的N个目标影响值求和,获得总影响值;
若所述总影响值大于预设的影响阈值,则触发流量告警。
可选地,所述告警模块具体用于:
将所述N个目标影响值,按照从大到小的顺序进行排序,获得所述N个目标影响值的影响排序结果;
基于所述影响排序结果,展示所述N个目标影响值。
一方面,本申请实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述网络流量监测方法的步骤。
一方面,本申请实施例提供了一种计算机可读存储介质,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行上述网络流量监测方法的步骤。
本申请实施例中,基于影响目标区域网络流量的各个影响因素的目标因素值以及各个影响因素的基准因素值,确定各个影响因素分别对目标区域的目标网络流量的目标影响值,实现自动分析各个影响因素对目标区域网络流量的影响情况,相较于人工分析来说,既提高了分析效率,同时降低了人力成本。其次,当各个目标影响值满足预设告警条件时,自动触发流量告警,并展示各个目标影响值,故运营人员通过展示的各个目标影响值可以快速定位使目标区域网络流量使用没有达到预期的影响因素,进而快速制定解决方案,从而提升运营管理效率,降低运营成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种系统架构的示意图;
图2为本申请实施例提供的一种网络流量监测方法的流程示意图;
图3为本申请实施例提供的一种定位影响因素的影响值的流程示意图;
图4为本申请实施例提供的一种网络流量监测装置的流程示意图;
图5为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,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。
为了方便理解,下面对本发明实施例中涉及的名词进行解释。
CDN(Content Delivery Network,内容分发网络):构建在现有网络基础之上的智能虚拟网络,依靠部署在各地的边缘服务器,通过中心平台的负载均衡、内容分发、调度等功能模块,使用户就近获取所需内容,降低网络拥塞,提高用户访问响应速度和命中率。
互联网数据中心(Internet Data Center,简称IDC)是指一种拥有完善的设备(包括高速互联网接入带宽、高性能局域网络、安全可靠的机房环境等)、专业化的管理、完善的应用的服务平台。在这个平台基础上,IDC服务商为客户提供互联网基础平台服务(服务器托管、虚拟主机、邮件缓存、虚拟邮件等)以及各种增值服务(场地的租用服务、域名系统服务、负载均衡系统、数据库系统、数据备份服务等)。
参考图1,其为本申请实施例适用的一种系统架构图,该系统架构至少包括边缘资源设备101、调度系统102、网络流量监测设备103。
边缘资源设备101为用户接入点,是面向最终用户的内容提供设备,可缓存静态Web内容和流媒体内容,实现内容的边缘传播和存储,以便用户的就近访问。边缘资源设备101可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。一个区域内可以包括一个或多个边缘资源设备101,其中,区域可以是机房、楼层、城市等。
调度系统102用于均衡多个边缘资源设备101的负载,将用户终端的用户请求调度到适当的边缘资源设备101上,实现负载平衡及访问控制。调度系统102可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。边缘资源设备101以及调度系统102可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
网络流量监测设备103用于监测特定区域的网络流量,评估特定区域的网络流量使用能否达到预期,在没有达到预期时,自动评估没有达到预期的原因。网络流量监测设备103可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。网络流量监测设备103与边缘资源设备101、调度系统102可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
具体地,以特定区域为机房举例来说,网络流量监测设备103获取影响机房网络流量的N个影响因素的目标因素值,其中,N为大于0的整数,影响因素至少包括机房使用状态,机房内的边缘资源设备的故障情况、机房网络状态、机房内的边缘资源设备类型、客户网络流量、边缘资源设备的可用客户群体范围等。然后基于N个影响因素的目标因素值和N个影响因素的基准因素值,确定N个影响因素分别对机房的当前网络流量的目标影响值。若获得的N个目标影响值满足预设告警条件,则触发流量告警,并展示N个目标影响值。运维人员通过展示的N个目标影响值可以快速定位使机房网络流量使用没有达到预期的影响因素,进而快速制定解决方案,从而提升运营管理效率,降低运营成本。
基于图1所示的系统架构图,本申请实施例提供了一种网络流量监测方法的流程,如图2所示,该方法的流程由计算机设备执行,计算机设备可以是图1所示的网络流量监测设备,包括以下步骤:
步骤S201,获取影响目标区域网络流量的N个影响因素的目标因素值。
具体地,N为大于0的整数,目标区域可以是机房、楼层、整栋楼、城市等,影响因素可以是使用状态、设备故障情况、网络状态、设备类型、客户网络流量、可用客户群体范围等。以目标区域为IDC机房举例来说,影响IDC机房网络流量的影响因素包括机房使用状态、机房内设备的故障情况、机房网络状态、机房内设备的设备类型、客户网络流量、可用客户群体范围等。
影响因素的因素值为影响因素的状态所对应的目标区域的网络流量。在当前监测周期,影响因素的目标因素值指的是影响因素在当前监测周期的状态所对应目标区域的网络流量。
步骤S202,基于N个影响因素的目标因素值和N个影响因素的基准因素值,确定N个影响因素分别对目标区域的目标网络流量的目标影响值。
具体地,各个影响因素的基准因素值为目标区域的目标网络流量达到预期时,各个影响因素对应的因素值。目标区域的目标网络流量表示目标区域在当前监测周期的总网络流量。
步骤S203,若获得的N个目标影响值满足预设告警条件,则触发流量告警,并展示N个目标影响值。
本申请实施例中,基于影响目标区域网络流量的各个影响因素的目标因素值以及各个影响因素的基准因素值,确定各个影响因素分别对目标区域的目标网络流量的目标影响值,实现自动分析各个影响因素对目标区域网络流量的影响情况,相较于人工分析来说,既提高了分析效率,同时降低了人力成本。其次,当各个目标影响值满足预设告警条件时,自动触发流量告警,并展示各个目标影响值,故运营人员通过展示的各个目标影响值可以快速定位使目标区域网络流量使用没有达到预期的影响因素,进而快速制定解决方案,从而提升运营管理效率,降低运营成本,另外也有利于企业进行事前计划、事中控制以及事后监督分析,促进企业进行目标管理,提升企业运营管理水平。
可选地,由于在数据收集过程中,各个影响因素之间由于数据性质、单位等不同,无法直接用线性方程综合在一起,故需要结合各个影响因素的业务定义,基于归一化原则先对各个影响因素的数据进行数据标准化处理,获得各个影响因素的因素值。
具体地,在上述步骤S201中,针对N个影响因素中的每个影响因素,分别执行以下步骤:针对一个影响因素,采集一个影响因素当前的状态信息,然后基于状态信息与因素值之间的映射关系,将一个影响因素当前的状态信息,转化为一个影响因素对应的目标因素值。
具体实施中,预先建立影响因素的状态信息与影响因素的因素值之间的映射关系,影响因素的状态信息为影响因素对应的具体取值,影响因素的因素值为影响因素的状态所对应的目标区域的网络流量,不同的影响因素所对应的映射关系不同。
比如,设定机房使用状态为x1,对应机房的网络流量为f(x1),其中,机房使用状态正常时,x1=1;机房使用状态异常时,x1=0。又比如,设定机房内设备的故障情况为x2,对应机房的网络流量为f(x2),其中,机房内设备的故障情况指的是设备故障能力,设备故障能力为一个具体的数值,比如机房设备故障了30G。
在获取影响因素当前的状态信息后,基于影响因素的状态信息与影响因素的因素值之间的映射关系,可以获得影响因素对应的目标因素值。比如,设定机房内设备的故障情况的具体取值与机房的网络流量之间的映射关系如以下公式(1)所示:
f(x2)=100-x2.......................(1)
其中,x2为机房内设备的故障情况的具体取值,f(x2)为机房的网络流量。
若机房内设备的故障情况为故障了30G,即x2=30G,则可以获得机房内设备的故障情况对应的目标因素值为70G。
本申请实施例中,通过对影响因素的状态信息进行标准化处理,将影响因素的状态信息转化为目标数据格式的因素值,便于后续对不同性质的影响因素进行分析。同时,通过分析不同性质的影响因素对目标区域网络流量的影响,能及时发现导致网络流量使用不到位的原因,提高原因定位的准确性和效率。
可选地,在上述步骤S202中,基于N个影响因素的目标因素值和N个影响因素的基准因素值,确定N个影响因素分别对目标区域的目标网络流量的目标影响值时,针对每个影响因素,可以将该影响因素的目标因素值与该影响因素的基准因素值之间的差值,作为该影响因素对目标区域的目标网络流量的目标影响值;也可以引入流量监测模型,综合多个影响因素的目标因素值和基准因素值,确定该影响因素对目标区域的目标网络流量的目标影响值。
下面具体介绍采用流量监测模型,确定N个影响因素分别对目标区域的目标网络流量的目标影响值的过程,如图3所示,具体包括以下步骤:
步骤S301,基于N个影响因素分别与目标区域的目标网络流量之间的相关性,确定N个影响因素的替代顺序。
具体地,先获取N个影响因素的历史因素值以及目标区域的历史网络流量。然后基于N个影响因素的历史因素值以及目标区域的历史网络流量,分别对N个影响因素与目标区域的网络流量进行相关性分析,获得N个影响因素分别对应的第一相关性系数。之后再基于N个影响因素分别对应的第一相关性系数,对N个影响因素进行排序,获得N个影响因素的替代顺序。
具体实施中,相关性分析可以是Pearson(皮尔逊)线性相关性分析,也可以是非线性相关分析。当第一相关性系数中存在负数时,对第一相关系数取绝对值后再进行排序,获得N个影响因素的替代顺序。在进行排序时,可以按照第一相关系数从大到小的顺序进行排序,也可以按照第一相关系数从小到大的顺序进行排序,本申请不做具体限定。
基于各个影响因素与目标区域的网络流量之间的相关系数,对各个影响因素进行排序,获得替代顺序,为后续逐个确定各个影响因素对目标区域网络流量的影响程度提供了基准参考,从而保证了各个影响因素的影响程度之间的可比性,进而实现自动定位使目标区域网络流量使用没有达到预期的影响因素。
步骤S302,针对一个影响因素,确定一个影响因素在替代顺序中的序号M。
具体地,M为大于等于1的整数,且M小于或等于N。
步骤S303,通过流量监测模型,基于替代顺序中排在前M-1个的影响因素的目标因素值,以及排在后N-M+1个的影响因素的基准因素值,确定目标区域的第M-1替代网络流量。
具体地,流量监测模型是通过对N个影响因素的因素值与目标区域的网络流量之间的关系进行拟合获得的。
在训练流量监测模型时,先获取N个影响因素的历史因素值以及目标区域的历史网络流量,然后基于N个影响因素的历史因素值以及目标区域的历史网络流量,对N个影响因素的因素值与目标区域的网络流量之间的关系进行拟合,获得流量监测模型。流量监测模型可以线性模型,也可以是非线性模型。
步骤S304,通过流量监测模型,基于替代顺序中排在前M个的影响因素的目标因素值,以及排在后N-M个的影响因素的基准因素值,确定目标区域的第M替代网络流量。
步骤S305,根据第M替代网络流量与第M-1替代网络流量之间的波动值,确定一个影响因素对目标区域的目标网络流量的目标影响值。
具体地,波动值可以是第M替代网络流量与第M-1替代网络流量的差值,也可以是第M替代网络流量与第M-1替代网络流量的差值的绝对值。需要说明的是,步骤S302和步骤S305是以确定替代顺序中的第M个影响因素的目标影响值为例进行介绍的,针对N个影响因素中的其他每个影响因素,均需执行上述步骤S302和步骤S305,获得对应的目标影响值,此处不再展开说明。
示例性地,分别对影响机房网络流量的N个影响因素与机房的网络流量进行Pearson线性相关性分析,获得N个影响因素分别对应的第一相关性系数。按照第一相关性系数从大到小的顺序,对影响机房网络流量的N个影响因素进行排序,获得N个影响因素的替代顺序为:
影响因素x1、影响因素x2、影响因素x3、...、影响因素xN
设定流量监测模型为线性模型,具体可表示为以下公式(2):
Y=A+B1f(x1)+B2f(x2)+B3f(x3)+...+Bnf(xN).......................(2)
其中,Y表示机房的网络流量,f(xi)表示影响因素xi的因素值,1≤i≤N,在公式(2)中,按照替代顺序排列N个影响因素的因素值。
设定N个影响因素的基准因素值分别为f(x1)o、f(x2)o、f(x3)o、...、f(xN)o,机房的基准网络流量为Yo。N个影响因素的目标因素值为f(x1)s、f(x2)s、f(x3)s、...、f(xN)s,机房的目标网络流量为Ys。
基于N个的影响因素的基准因素值,确定机房的第0替代网络流量,即机房的基准网络流量,具体如以下公式(3)所示:
Y0=A+B1f(x1)o+B2f(x2)o+B3f(x3)o+...+Bnf(xn)o.........(3)
其中,Y0表示机房的基准网络流量。
第一次替换,即当M=1时,基于排在前1个的影响因素的目标因素值,以及排在后N-1个的影响因素的基准因素值,确定机房的第1替代网络流量,具体如以下公式(4)所示:
Y1=A+B1f(x1)s+B2f(x2)o+B3f(x3)o+...+Bnf(xn)o.........(4)
其中,Y1表示机房的第1替代网络流量。
第二次替换,即当M=2时,基于排在前2个的影响因素的目标因素值,以及排在后N-2个的影响因素的基准因素值,确定机房的第2替代网络流量,具体如以下公式(5)所示:
Y2=A+B1f(x1)s+B2f(x2)s+B3f(x3)o+...+Bnf(xn)o.........(5)
其中,Y2表示机房的第2替代网络流量。
第三次替换,即当M=3时,基于排在前3个的影响因素的目标因素值,以及排在后N-3个的影响因素的基准因素值,确定机房的第3替代网络流量,具体如以下公式(6)所示:
Y3=A+B1f(x1)s+B2f(x2)s+B3f(x3)s+...+Bnf(xn)o.........(6)
其中,Y3表示机房的第3替代网络流量。
依次类推,直到进行第N次替换,即当M=N时,基于排在前N个的影响因素的目标因素值,确定机房的第N替代网络流量,即机房的目标网络流量,具体如以下公式(7)所示:
Ys=A+B1f(x1)s+B2f(x2)s+B3f(x3)s+...+Bnf(xn)s.........(7)
其中,Ys表示机房的目标网络流量。
针对替代顺序中的第1个影响因素,即影响因素x1,采用上述公式(4)减去公式(3)即可获得影响因素x1对机房的目标网络流量的目标影响值Δx1=Y1-Y0。
针对替代顺序中的第2个影响因素,即影响因素x2,采用上述公式(5)减去公式(4)即可获得影响因素x2对机房的目标网络流量的目标影响值Δx2=Y2-Y1。
针对替代顺序中的第3个影响因素,即影响因素x3,采用上述公式(6)减去公式(5)即可获得影响因素x3对机房的目标网络流量的目标影响值Δx3=Y3-Y2。
依次类推,直到获得影响因素xN对机房的目标网络流量的目标影响值ΔxN=YN-YN-1。
本申请实施例中,通过对N个影响因素的因素值与目标区域的网络流量之间的关系进行拟合获得流量监测模型,然后基于流量监测模型自动确定各个影响因素对网络流量的影响程度,相较于人工分析来说,既提高了分析效率,同时降低了人力成本。
可选地,在确定影响网络流量的影响因素时,可以先对以往的人工分析经验进行总结,罗列可能影响网络流量的初始影响因素。当有些初始影响因素之间显著相关时,说明这些影响因素属于同一类影响因素,故可以将这些影响因素合并,这样可以大大减少后续影响因素分析的计算量。鉴于此,本申请实施中对L个初始影响因素中的任意两个初始影响因素进行相关性分析,获得任意两个初始影响因素之间的第二相关性系数,其中,L为大于等于N的整数。然后将L个初始影响因素中,满足第二相关系数大于第二预设阈值的任意两个初始影响因素合并,获得N个影响因素。
具体地,相关性分析可以是Pearson(皮尔逊)线性相关性分析,也可以是非线性相关分析。当第二相关系数大于第二预设阈值时,说明初始影响因素之间显著相关,可能属于同一类影响因素,故将显著相关的初始影响因素合并为一类,直至不存在显著相关的初始影响因素。
本申请实施例中,在获得可能对目标区域网络流量有影响的初始影响因素之后,先对各个初始影响因素之间进行相关性分析,将显著相关的初始影响因素合并,获得后续分析流量告警原因的影响因素,这样能减少需要分析处理的影响因素的数量,从而减少了告警原因分析的计算量,提高了告警原因分析效率。
可选地,在上述步骤S302中,基于影响因素的历史因素值以及目标区域的历史网络流量,对影响因素与目标区域的网络流量进行相关性分析之后,若影响因素对应的第一相关性系数小于一定值时,说明影响因素的历史因素值与目标区域的网络流量之间不存在相关关系,此时,若仍旧以该影响因素的历史因素值作为训练样本训练流量监测模型时,将影响流量监测模型的性能。然而,通过分析发现,有些影响因素实际上与目标区域的网络流量之间是存在相关性的,但是受其他影响因素的历史因素值的影响,导致对应的第一相关系数小于一定值。若直接删除第一相关系数小于一定值的影响因素,则会缺失一部分对目标区域的网络流量有影响的影响因素,从而在网络流量使用没有达到预期时,不能准确定位原因。鉴于此,本申请实施例中针对N个影响因素中的每个影响因素,分别执行以下步骤:
针对一个影响因素,若一个影响因素对应的第一相关性系数绝对值小于第一预设阈值,则对一个影响因素的历史因素值进行误差补偿。
具体实施中,根据业务定义以及影响因素值对应的第一相关性系数,建立误差补偿模型,如以下公式(8)所示:
S(xi)=±(a+bxi).......................(8)
其中,xi为影响因素的状态信息,S(xi)为补偿后的影响因素的因素值,a、b为常数。
对第一相关性系数绝对值小于第一预设阈值的影响因素的历史因素值进行误差补偿后,基于补偿后的影响因素的历史因素值、没有补偿的影响因素的历史因素值以及目标区域的历史网络流量,对N个影响因素的因素值与目标区域的网络流量之间的关系进行拟合,获得流量监测模型。
示例性地,分别对影响机房网络流量的N个影响因素与机房的网络流量进行Pearson线性相关性分析,获得N个影响因素分别对应的第一相关性系数。按照第一相关性系数从大到小的顺序,对N个影响因素进行排序,获得N个影响因素的替代顺序为:
影响因素x1、影响因素x2、影响因素x3、...、影响因素xk、...、影响因素xN
其中,影响因素xk、...、影响因素xN对应的第一相关系数绝对值小于第一预设阈值,采用误差补偿模型对影响因素xk、...、影响因素xN的历史因素值进行误差补偿,获得补偿后的历史因素值。
基于没有补偿的影响因素的历史因素值、补偿后的影响因素的历史因素值以及机房的历史网络流量,对N个影响因素的因素值与机房的网络流量之间的关系进行拟合,获得流量监测模型,具体可表示为以下公式(9):
Y=A+B1f(x1)+B2f(x2)+...+Bk-1f(xk-1)+S(xk)+...+S(xN)......(9)
其中,Y表示机房的网络流量,f(xi)表示影响因素xi的因素值,1≤i≤k-1,S(xj)为补偿后的影响因素xj的因素值,k≤j≤N,在公式(9)中,按照替代顺序排列N个影响因素的因素值。
设定N个影响因素的基准因素值分别为f(x1)o、f(x2)o、f(x3)o、...、f(x3)o、S(xk)o、...、S(xN)o,机房的基准网络流量为Yo。N个影响因素的目标因素值为f(x1)s、f(x2)s、f(x3)s、...、f(x3)s、S(xk)s、...、S(xN)s,机房的目标网络流量为Ys。
基于N个的影响因素的基准因素值,确定机房的第0替代网络流量,即机房的基准网络流量,具体如以下公式(10)所示:
Y0=A+B1f(x1)o+B2f(x2)o+...+Bk-1f(xk-1)o+S(xk)o+...+S(xN)o.........(10)
其中,Y0表示机房的基准网络流量。
第一次替换,即当M=1时,基于排在前1个的影响因素的目标因素值,以及排在后N-1个的影响因素的基准因素值,确定机房的第1替代网络流量,具体如以下公式(11)所示:
Y1=A+B1f(x1)s+B2f(x2)o+...+Bk-1f(xk-1)o+S(xk)o+...+S(xN)o.........(11)
其中,Y1表示机房的第1替代网络流量。
第二次替换,即当M=2时,基于排在前2个的影响因素的目标因素值,以及排在后N-2个的影响因素的基准因素值,确定机房的第2替代网络流量,具体如以下公式(12)所示:
Y2=A+B1f(x1)s+B2f(x2)s+...+Bk-1f(xk-1)o+S(xk)o+...+S(xN)o.........(12)
其中,Y2表示机房的第2替代网络流量。
第k次替换,即当M=k时,基于排在前k个的影响因素的目标因素值,以及排在后N-k个的影响因素的基准因素值,确定机房的第k替代网络流量,具体如以下公式(13)所示:
Yk=A+B1f(x1)s+B2f(x2)s+...+Bk-1f(xk-1)s+S(xk)s+...+S(xN)o.........(13)
其中,Yk表示机房的第k替代网络流量。
依次类推,直到进行第N次替换,即当M=N时,基于排在前N个的影响因素的目标因素值,确定机房的第N替代网络流量,即机房的目标网络流量,具体如以下公式(14)所示:
Ys=A+B1f(x1)s+B2f(x2)s+...+Bk-1f(xk-1)s+S(xk)s+...+S(xN)s.........(14)
其中,Ys表示机房的目标网络流量。
针对替代顺序中的第1个影响因素,即影响因素x1,采用上述公式(11)减去公式(10)即可获得影响因素x1对机房的目标网络流量的目标影响值Δx1=Y1-Y0。
针对替代顺序中的第2个影响因素,即影响因素x2,采用上述公式(12)减去公式(11)即可获得影响因素x2对机房的目标网络流量的目标影响值Δx2=Y2-Y1。
依次类推,直到获得影响因素xN对机房的目标网络流量的目标影响值ΔxN=YN-YN-1。
本申请实施例中,对第一相关性系数绝对值小于第一预设阈值的影响因素的历史因素值进行误差补偿后,使得影响因素的历史因素值与目标区域的网络流量之间的相关性更高,故基于补偿后的影响因素的历史因素值训练流量监测模型时,可以提高流量监测模型的性能,进而提高定位影响因素的影响程度的准确性。
另外,当流量监测模型为线性模型时,为了采用线性方程将各个影响因素的因素值综合在一起,需要保证各个影响因素的因素值服从正态分布。鉴于此,本申请实施例中除了对影响因素与目标区域的网络流量进行相关性分析之外,同时判断影响因素的历史因素值是否满足正态分布,若影响因素的历史因素值不满足正态分布,则直接去除。基于保留的各个影响因素的历史因素值训练流量监测模型,以获得线性的流量监测模型。
可选地,在上述步骤S203中,对获得的N个目标影响值求和,获得总影响值,若总影响值大于预设的影响阈值,则触发流量告警。
具体实施中,总影响值表示目标区域的目标网络流量与目标区域的基准网络流量之间的波动值。举例来说,总影响值Δy=Δx1+Δx2+Δx3...+ΔxN,其中,Δxi表示影响因素xi对机房的目标网络流量的目标影响值,1≤i≤N。
总影响值大于预设的影响阈值,说明目标区域的网络流量偏离预期较大,故触发流量告警,实现自动监测目标区域的网络流量使用情况,并在网络流量使用情况偏离预期较大时自动告警,以便运营人员及时响应并对告警进行处理,提高运营效率,降低人力成本。
可选地,除了触发流量告警之外,同时将N个目标影响值,按照从大到小的顺序进行排序,获得N个目标影响值的影响排序结果,然后基于影响排序结果,展示N个目标影响值。
具体地,当影响因素的目标影响值越大时,该影响因素越有可能是导致当前监测周期内网络流量使用不到位的主要原因,也是后续制定解决方案的关键。因此,可以按照目标影响值对N个影响因素进行排序,并按照目标影响值从大到小的顺序展示N个影响因素,故运营人员通过展示的各个目标影响值可以快速定位使目标区域网络流量使用没有达到预期的主要影响因素,进而快速制定解决方案,从而提升运营管理效率,降低运营成本。
基于相同的技术构思,本申请实施例提供了一种网络流量监测装置,如图4所示,该装置400包括:
获取模块401,用于获取影响目标区域网络流量的N个影响因素的目标因素值,其中,N为大于0的整数;
处理模块402,用于基于所述N个影响因素的目标因素值和所述N个影响因素的基准因素值,确定所述N个影响因素分别对所述目标区域的目标网络流量的目标影响值;
告警模块403,用于若获得的N个目标影响值满足预设告警条件,则触发流量告警,并展示所述N个目标影响值。
可选地,所述获取模块401具体用于:
针对所述N个影响因素中的每个影响因素,分别执行以下步骤:
针对一个影响因素,采集所述一个影响因素当前的状态信息;
基于状态信息与因素值之间的映射关系,将所述一个影响因素当前的状态信息,转化为所述一个影响因素对应的目标因素值。
可选地,所述处理模块402具体用于:
基于所述N个影响因素分别与所述目标区域的目标网络流量之间的相关性,确定所述N个影响因素的替代顺序;
针对所述N个影响因素中的每个影响因素,分别执行以下步骤:
针对一个影响因素,确定所述一个影响因素在所述替代顺序中的序号M,其中,M为大于等于1的整数,且M小于或等于N;
通过流量监测模型,基于所述替代顺序中排在前M-1个的影响因素的目标因素值,以及排在后N-M+1个的影响因素的基准因素值,确定所述目标区域的第M-1替代网络流量,所述流量监测模型是通过对N个影响因素的因素值与目标区域的网络流量之间的关系进行拟合获得的;
通过所述流量监测模型,基于所述替代顺序中排在前M个的影响因素的目标因素值,以及排在后N-M个的影响因素的基准因素值,确定所述目标区域的第M替代网络流量;
根据所述第M替代网络流量与所述第M-1替代网络流量之间的波动值,确定所述一个影响因素对所述目标区域的目标网络流量的目标影响值。可选地,所述处理模块402具体用于:
获取N个影响因素的历史因素值以及目标区域的历史网络流量;
基于所述N个影响因素的历史因素值以及所述目标区域的历史网络流量,对N个影响因素的因素值与目标区域的网络流量之间的关系进行拟合,获得流量监测模型。
可选地,所述处理模块402还用于:
基于所述N个影响因素的历史因素值以及所述目标区域的历史网络流量,对N个影响因素的因素值与目标区域的网络流量之间的关系进行拟合,获得流量监测模型之前,基于N个影响因素的历史因素值以及目标区域的历史网络流量,分别对N个影响因素与目标区域的网络流量进行相关性分析,获得N个影响因素分别对应的第一相关性系数;
针对所述N个影响因素中的每个影响因素,分别执行以下步骤:
针对一个影响因素,若所述一个影响因素对应的第一相关性系数绝对值小于第一预设阈值,则对所述一个影响因素的历史因素值进行误差补偿。
可选地,所述处理模块402还用于:
基于所述N个影响因素分别对应的第一相关性系数,对所述N个影响因素进行排序,获得所述N个影响因素的替代顺序。
可选地,所述处理模块402还用于:
对L个初始影响因素中的任意两个初始影响因素进行相关性分析,获得所述任意两个初始影响因素之间的第二相关性系数,其中,L为大于等于N的整数;
将所述L个初始影响因素中,满足第二相关系数大于第二预设阈值的任意两个初始影响因素合并,获得N个影响因素。
可选地,所述告警模块403具体用于:
对获得的N个目标影响值求和,获得总影响值;
若所述总影响值大于预设的影响阈值,则触发流量告警。
可选地,所述告警模块403具体用于:
将所述N个目标影响值,按照从大到小的顺序进行排序,获得所述N个目标影响值的影响排序结果;
基于所述影响排序结果,展示所述N个目标影响值。
基于相同的技术构思,本申请实施例提供了一种计算机设备,如图5所示,包括至少一个处理器501,以及与至少一个处理器连接的存储器502,本申请实施例中不限定处理器501与存储器502之间的具体连接介质,图5中处理器501和存储器502之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中,存储器502存储有可被至少一个处理器501执行的指令,至少一个处理器501通过执行存储器502存储的指令,可以执行上述网络流量监测方法中所包括的步骤。
其中,处理器501是计算机设备的控制中心,可以利用各种接口和线路连接计算机设备的各个部分,通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据,从而进行网络流量监测。可选的,处理器501可包括一个或多个处理单元,处理器501可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器501中。在一些实施例中,处理器501和存储器502可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器501可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
基于同一发明构思,本申请实施例提供了一种计算机可读存储介质,其存储有可由计算机设备执行的计算机程序,当程序在计算机设备上运行时,使得计算机设备执行上述网络流量监测方法的步骤。
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、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、CD-ROM、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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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)
1.一种网络流量监测方法,其特征在于,包括:
获取影响目标区域网络流量的N个影响因素的目标因素值,其中,N为大于1的整数;
基于所述N个影响因素的目标因素值和所述N个影响因素的基准因素值,确定所述N个影响因素分别对所述目标区域的目标网络流量的目标影响值,所述影响因素的目标因素值指所述影响因素在当前监测周期的状态所对应的目标区域的网络流量,所述影响因素的基准因素值为目标区域的目标网络流量达到预期时,所述影响因素的状态所对应的目标区域的网络流量;
若获得的N个目标影响值满足预设告警条件,则触发流量告警,并展示所述N个目标影响值。
2.如权利要求1所述的方法,其特征在于,所述获取影响目标区域网络流量的N个影响因素的目标因素值,包括:
针对所述N个影响因素中的每个影响因素,分别执行以下步骤:
针对一个影响因素,采集所述一个影响因素当前的状态信息;
基于状态信息与因素值之间的映射关系,将所述一个影响因素当前的状态信息,转化为所述一个影响因素对应的目标因素值。
3.如权利要求1所述的方法,其特征在于,所述基于所述N个影响因素的目标因素值和所述N个影响因素的基准因素值,确定所述N个影响因素分别对所述目标区域的目标网络流量的目标影响值,包括:
基于所述N个影响因素分别与所述目标区域的目标网络流量之间的相关性,确定所述N个影响因素的替代顺序;
针对所述N个影响因素中的每个影响因素,分别执行以下步骤:
针对一个影响因素,确定所述一个影响因素在所述替代顺序中的序号M,其中,M为大于等于1的整数,且M小于或等于N;
通过流量监测模型,基于所述替代顺序中排在前M-1个的影响因素的目标因素值,以及排在后N-M+1个的影响因素的基准因素值,确定所述目标区域的第M-1替代网络流量,所述流量监测模型是通过对N个影响因素的因素值与目标区域的网络流量之间的关系进行拟合获得的;
通过所述流量监测模型,基于所述替代顺序中排在前M个的影响因素的目标因素值,以及排在后N-M个的影响因素的基准因素值,确定所述目标区域的第M替代网络流量;
根据所述第M替代网络流量与所述第M-1替代网络流量之间的波动值,确定所述一个影响因素对所述目标区域的目标网络流量的目标影响值。
4.如权利要求3所述的方法,其特征在于,所述流量监测模型是通过对N个影响因素的因素值与目标区域的网络流量之间的关系进行拟合获得的,包括:
获取N个影响因素的历史因素值以及目标区域的历史网络流量;
基于所述N个影响因素的历史因素值以及所述目标区域的历史网络流量,对N个影响因素的因素值与目标区域的网络流量之间的关系进行拟合,获得流量监测模型。
5.如权利要求4所述的方法,其特征在于,所述基于所述N个影响因素的历史因素值以及所述目标区域的历史网络流量,对N个影响因素的因素值与目标区域的网络流量之间的关系进行拟合,获得流量监测模型之前,还包括:
基于N个影响因素的历史因素值以及目标区域的历史网络流量,分别对N个影响因素与目标区域的网络流量进行相关性分析,获得N个影响因素分别对应的第一相关性系数;
针对所述N个影响因素中的每个影响因素,分别执行以下步骤:
针对一个影响因素,若所述一个影响因素对应的第一相关性系数绝对值小于第一预设阈值,则对所述一个影响因素的历史因素值进行误差补偿。
6.如权利要求5所述的方法,其特征在于,所述基于所述N个影响因素与所述目标区域的目标网络流量之间的相关性,确定所述N个影响因素的替代顺序,包括:
基于所述N个影响因素分别对应的第一相关性系数,对所述N个影响因素进行排序,获得所述N个影响因素的替代顺序。
7.如权利要求4所述的方法,其特征在于,所述获取N个影响因素的历史因素值以及目标区域的历史网络流量之前,还包括:
对L个初始影响因素中的任意两个初始影响因素进行相关性分析,获得所述任意两个初始影响因素之间的第二相关性系数,其中,L为大于等于N的整数;
将所述L个初始影响因素中,满足第二相关系数大于第二预设阈值的任意两个初始影响因素合并,获得N个影响因素。
8.如权利要求1所述的方法,其特征在于,所述若获得的N个目标影响值满足预设告警条件,则触发流量告警,包括:
对获得的N个目标影响值求和,获得总影响值;
若所述总影响值大于预设的影响阈值,则触发流量告警。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1~8任一权利要求所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行权利要求1~8任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110211052.3A CN112994978B (zh) | 2021-02-25 | 2021-02-25 | 一种网络流量监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110211052.3A CN112994978B (zh) | 2021-02-25 | 2021-02-25 | 一种网络流量监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112994978A CN112994978A (zh) | 2021-06-18 |
CN112994978B true CN112994978B (zh) | 2023-01-24 |
Family
ID=76350540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110211052.3A Active CN112994978B (zh) | 2021-02-25 | 2021-02-25 | 一种网络流量监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112994978B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107508815A (zh) * | 2017-08-30 | 2017-12-22 | 杭州安恒信息技术有限公司 | 基于网站流量分析预警方法及装置 |
CN109768899A (zh) * | 2018-12-26 | 2019-05-17 | 北京奇安信科技有限公司 | 网站可用性监测方法、装置、设备及介质 |
CN111756706A (zh) * | 2020-06-05 | 2020-10-09 | 腾讯科技(深圳)有限公司 | 一种异常流量检测方法、装置及存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7962611B2 (en) * | 2008-03-27 | 2011-06-14 | International Business Machines Corporation | Methods, systems and computer program products for detecting flow-level network traffic anomalies via abstraction levels |
US10404556B2 (en) * | 2012-06-22 | 2019-09-03 | Microsoft Technology Licensing, Llc | Methods and computer program products for correlation analysis of network traffic in a network device |
US20140297334A1 (en) * | 2013-04-02 | 2014-10-02 | Linda F. Hibbert | System and method for macro level strategic planning |
CN108123849B (zh) * | 2017-12-20 | 2020-08-28 | 国网冀北电力有限公司信息通信分公司 | 检测网络流量的阈值的确定方法、装置、设备及存储介质 |
CN108650218B (zh) * | 2018-03-22 | 2019-10-08 | 平安科技(深圳)有限公司 | 网络流量监测方法、装置、计算机设备及存储介质 |
CN111162925B (zh) * | 2018-11-07 | 2022-06-14 | 中移(苏州)软件技术有限公司 | 网络流量预测方法、装置、电子设备及存储介质 |
CN109586954B (zh) * | 2018-11-14 | 2020-09-18 | 网宿科技股份有限公司 | 一种网络流量预测方法、装置及电子设备 |
CN110086649B (zh) * | 2019-03-19 | 2023-06-16 | 深圳壹账通智能科技有限公司 | 异常流量的检测方法、装置、计算机设备及存储介质 |
CN110995524B (zh) * | 2019-10-28 | 2022-06-14 | 北京三快在线科技有限公司 | 流量数据监控方法、装置、电子设备和计算机可读介质 |
CN111030869B (zh) * | 2019-12-20 | 2022-09-20 | 锐捷网络股份有限公司 | 一种网络流量的预测方法及预测装置 |
CN111614634B (zh) * | 2020-04-30 | 2024-01-23 | 腾讯科技(深圳)有限公司 | 流量检测方法、装置、设备及存储介质 |
CN111698209A (zh) * | 2020-05-08 | 2020-09-22 | 国网安徽省电力有限公司亳州供电公司 | 一种网络异常流量检测方法及装置 |
CN111935172B (zh) * | 2020-08-25 | 2023-09-05 | 广东一知安全科技有限公司 | 基于网络拓扑的网络异常行为检测方法、计算机装置及计算机可读存储介质 |
-
2021
- 2021-02-25 CN CN202110211052.3A patent/CN112994978B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107508815A (zh) * | 2017-08-30 | 2017-12-22 | 杭州安恒信息技术有限公司 | 基于网站流量分析预警方法及装置 |
CN109768899A (zh) * | 2018-12-26 | 2019-05-17 | 北京奇安信科技有限公司 | 网站可用性监测方法、装置、设备及介质 |
CN111756706A (zh) * | 2020-06-05 | 2020-10-09 | 腾讯科技(深圳)有限公司 | 一种异常流量检测方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112994978A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108776934B (zh) | 分布式数据计算方法、装置、计算机设备及可读存储介质 | |
US8560667B2 (en) | Analysis method and apparatus | |
US20190065738A1 (en) | Detecting anomalous entities | |
CN106815254B (zh) | 一种数据处理方法和装置 | |
CN105357061B (zh) | 一种基于大数据流处理技术的运维监控分析系统 | |
CN103761309A (zh) | 一种运营数据处理方法及系统 | |
CN112751726B (zh) | 一种数据处理方法、装置、电子设备和存储介质 | |
CN111177222A (zh) | 模型测试方法、装置及计算设备、存储介质 | |
CN108390793A (zh) | 一种分析系统稳定性的方法及装置 | |
US7617313B1 (en) | Metric transport and database load | |
CN112506619A (zh) | 作业处理方法、装置、电子设备、存储介质和程序产品 | |
CN113704018A (zh) | 应用运维数据处理方法、装置、计算机设备及存储介质 | |
CN110083518B (zh) | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 | |
CN111835536B (zh) | 一种流量预测方法和装置 | |
CN113282920B (zh) | 日志异常检测方法、装置、计算机设备和存储介质 | |
US9225608B1 (en) | Evaluating configuration changes based on aggregate activity level | |
CN112994978B (zh) | 一种网络流量监测方法及装置 | |
CN108337100B (zh) | 一种云平台监测的方法和装置 | |
CN115701890B (zh) | 调整告警规则的方法及相关设备 | |
CN112187870A (zh) | 一种带宽平滑方法及装置 | |
CN104883273A (zh) | 虚拟化服务管理平台中业务影响模型的处理方法和系统 | |
CN113342604A (zh) | 内存使用率的检测方法、装置、终端及存储介质 | |
CN111598390A (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
CN106888237A (zh) | 一种数据调度方法及系统 | |
CN112860763B (zh) | 实时流数据处理方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |