CN113162780B - 实时网络拥塞分析方法、装置、计算机设备和存储介质 - Google Patents
实时网络拥塞分析方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113162780B CN113162780B CN202010073682.4A CN202010073682A CN113162780B CN 113162780 B CN113162780 B CN 113162780B CN 202010073682 A CN202010073682 A CN 202010073682A CN 113162780 B CN113162780 B CN 113162780B
- Authority
- CN
- China
- Prior art keywords
- network congestion
- congestion analysis
- network
- index data
- unlimited
- 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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种实时网络拥塞分析方法、装置、计算机设备和存储介质。该实时网络拥塞分析方法包括:获取不限量用户指标数据,将所述不限量用户指标数据输入到预训练好的网络拥塞分析系统中;通过所述网络拥塞分析系统输出网络拥塞分析结果,其中,所述网络拥塞分析结果为所述不限量用户指标数据,在经过所述网络拥塞分析系统的网络参数映射后得到。采用该实时网络拥塞分析方法能够实现实时的网络拥塞分析,能够为用户提供有益的决策。
Description
【技术领域】
本发明涉及网络优化领域,尤其涉及一种实时网络拥塞分析方法、装置、计算机设备和存储介质。
【背景技术】
大型活动、节假日等人员聚集的时候,网络部门主要通过事前计划和调配资源等手段来进行网络资源的支撑。该手段实现的前提是事前了解未来人群的具体活动,当无法获取人群短时聚集的预兆和计划时,在特定场景下,随着不限量(流量)用户数的增长,部分小区无线资源利用率升高,RRC(Radio Resource Control,RRC,无线资源控制)拥塞,传输拥塞等高负荷将影响移动通信的业务承载能力,同时也会引起掉话、用户无法接入、数据连接交换缓慢等后果。
针对以上不限量用户快速聚集引起的潮汐效应,现有技术方案是在大数据平台上部署基于分布式文件存储系统的计算集群,以输出超忙小区以及其他的性能告警提示,给出资源调配和分流建议,然而,现有基于分布式文件存储系统的计算集群对数据集进行批量处理时需要读写硬盘,速度较慢,而且只能处理离线数据,在面对时效性高和数据量大的4G/5G信令的时候,该计算集群难以实现迭代和交互计算,指标时延较大,无法快速响应短时不限量用户聚集引起的网络质量问题,无法完成实时的网络拥塞分析。
【发明内容】
有鉴于此,本发明实施例提供了一种实时网络拥塞分析方法、装置、计算机设备和存储介质,用以解决目前不限量用户快速聚集引起的潮汐效应时,无法完成实时的网络拥塞分析的问题。
第一方面,本发明实施例提供了一种实时网络拥塞分析方法,包括:
获取不限量用户指标数据,将所述不限量用户指标数据输入到预训练好的网络拥塞分析系统中;
通过所述网络拥塞分析系统输出网络拥塞分析结果,其中,所述网络拥塞分析结果为所述不限量用户指标数据,在经过所述网络拥塞分析系统的网络参数映射后得到;
其中,所述网络拥塞分析系统的训练步骤包括:
获取小区中不限量用户的网管指标数据、信令数据和目标结果数据;
根据所述网管指标数据、信令数据得到历史不限量用户指标数据;
根据所述历史不限量用户指标数据和所述目标结果数据得到训练样本;
将所述训练样本输入到原始模型中训练,其中所述原始模型采用GAP神经网络的网络结构;
根据所述原始模型训练输出的正向输出值,采用反向传播算法更新所述原始模型的网络参数;
当达到预设训练步数或其他模型训练停止的条件时,所述原始模型的更新结束,得到所述网络拥塞分析系统。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述不限量用户指标数据包括不限量用户数量、不限量用户流量、页面响应平均时长、页面响应成功率、页面显示成功率、页面浏览平均速率、视频播放平均卡顿次数、视频播放成功率、视频下载平均速率和视频播放等待时长。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述目标结果数据包括数据传输的RRC数、PRB利用率、小区总流量和小区性能告警数量。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述GAP神经网络引入自适应交叉和变异概率,用于优化所述原始模型的训练过程。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述通过所述网络拥塞分析系统输出网络拥塞分析结果,包括:
根据用户输入的不限量用户指标数据类型选择指令,确定目标用户指标数据类型;
根据用户输入的待分析输出结果类型指令,确定待分析输出结果类型;
根据所述指标数据类型和待分析输出结果类型,得到目标分析结果。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述通过所述网络拥塞分析系统输出网络拥塞分析结果,还包括:
获取用户输入的地图小区分析指令;
根据所述地图小区分析指令,采用泰森多边形渲染地图上的小区,其中,所述地图上的小区用于查看小区基本信息和网络拥塞分析结果。
第二方面,本发明实施例提供了一种实时网络拥塞分析装置,包括:
第一处理模块,用于获取不限量用户指标数据,将所述不限量用户指标数据输入到预训练好的网络拥塞分析系统中;
第二处理模块,用于通过所述网络拥塞分析系统输出网络拥塞分析结果,其中,所述网络拥塞分析结果为所述不限量用户指标数据,在经过所述网络拥塞分析系统的网络参数映射后得到;
其中,所述网络拥塞分析装置还包括:
第三处理模块,用于获取小区中不限量用户的网管指标数据、信令数据和目标结果数据;
第四处理模块,用于根据所述网管指标数据、信令数据得到历史不限量用户指标数据;
第五处理模块,用于根据所述历史不限量用户指标数据和所述目标结果数据得到训练样本;
第六处理模块,用于将所述训练样本输入到原始模型中训练,其中所述原始模型采用GAP神经网络的网络结构;
第七处理模块,用于根据所述原始模型训练输出的正向输出值,采用反向传播算法更新所述原始模型的网络参数;
第八处理模块,用于当达到预设训练步数或其他模型训练停止的条件时,所述原始模型的更新结束,得到所述网络拥塞分析系统。
第三方面,一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实时网络拥塞分析方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,包括:计算机程序,所述计算机程序被处理器执行时实现上述实时网络拥塞分析方法的步骤。
在本发明实施例中,通过将不限量用户指标数据输入到网络拥塞分析系统中,实时地通过网络拥塞分析系统输出网络拥塞分析结果,其中,该网络拥塞分析系统是预先采用网管指标数据、信令数据和目标结果数据等数据组合成训练样本,并通过样本进行深度学习得到的;该网络拥塞分析系统在训练完成前采用GAP(Genetic Algorithmpropagation)神经网络作为基础的网络结构,并根据输入的训练样本更新GAP神经网络的网络参数,最终得到网络拥塞分析系统,该网络拥塞分析系统利用GAP遗传算法优化BP(back propagation)网络的神经网络能够较好地学习不限量用户指标数据与目标结果数据之间的深层联系,能够根据输入的不限量用户指标数据实时给出网络拥塞分析结果,实现实时的网络拥塞分析。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中提供的一种实时网络拥塞分析方法的流程图;
图2是本发明实施例中提供的一种改进型遗传优化GAP神经网络的网络执行逻辑示意图;
图3是本发明实施例中提供的一种网络拥塞分析结果的一示意图;
图4是本发明实施例中提供的又一种网络拥塞分析结果的一示意图;
图5是本发明实施例中提供的一种实时网络拥塞分析装置的原理框图;
图6是本发明实施例中提供的一种计算机设备的示意图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的相同的字段,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,且存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等,但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一预设范围也可以被称为第二预设范围,类似地,第二预设范围也可以被称为第一预设范围。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
图1示出本实施例中实时网络拥塞分析方法的一流程图。该实时网络拥塞分析方法可应用在实时网络拥塞分析系统上,在不限量用户快速聚集引起的潮汐效应,以进行网络拥塞分析时,可采用该实时网络拥塞分析系统实现。该服务器资产管理系统具体可应用在计算机设备上,其中,该计算机设备是可与用户进行人机交互的设备,包括但不限于电脑、智能手机和平板等设备。如图1所示,该实时网络拥塞分析方法包括如下步骤:
S10:获取不限量用户指标数据,将不限量用户指标数据输入到预训练好的网络拥塞分析系统中。
进一步地,不限量用户指标数据包括不限量用户数量、不限量用户流量、页面响应平均时长、页面响应成功率、页面显示成功率、页面浏览平均速率、视频播放平均卡顿次数、视频播放成功率、视频下载平均速率和视频播放等待时长。
可以理解地,随着不限流量套餐的出现,越来越多人使用不限流量套餐。在该背景下,当不限量用户快速聚集引起潮汐效应,将给部分LTE(Long Term Evolution,长期演进)小区造成无线资源利用率升高,RRC拥塞,传输拥塞等高负荷将影响移动通信的业务承载能力,同时也会引起掉话、用户无法接入、数据连接交换缓慢等后果。
在一实施例中,将根据采集的不限量用户指标数据,把不限量用户指标数据输入到预训练好的网络拥塞分析系统中,以根据该网络拥塞分析系统实时的输出网络拥塞分析结果。可以理解地,传统的采用大数据平台上部署基于分布式文件存储系统的计算集群,该计算集群对数据集进行批量处理时需要读写硬盘,速度较慢,无法完成实时的网络拥塞分析,而本实施例中,采用预先训练的网络拥塞分析系统,可根据接收(如每隔一小时采集一次)的不限量用户指标数据,实时地输出网络拥塞分析结果,为用户提供解决网络拥塞问题提供有帮助的决策。
S20:通过网络拥塞分析系统输出网络拥塞分析结果,其中,网络拥塞分析结果为不限量用户指标数据,在经过网络拥塞分析系统的网络参数映射后得到。
可以理解地,网络拥塞分析系统实际上可以理解为一个数据的映射器,该网络拥塞分析系统包括多数的网络参数,这些网络参数表征的是不限量用户指标数据与目标结果数据之间的深层联系,将根据输入的不限量用户指标数据输出相应的映射结果,如在获取不限量用户数量、页面浏览速率后,可较准确地输出如小区PRB(Physical resourceblock,物理资源块)利用率等的数据。
其中,网络拥塞分析系统的训练步骤包括:
S30:获取小区中不限量用户的网管指标数据、信令数据和目标结果数据。
进一步地,目标结果数据包括数据传输的RRC数、PRB利用率、小区总流量和小区性能告警数量。
其中,网管指标数据为与衡量LTE小区网络指标相关的数据。
可以理解地,不限量用户指标数据可以通过网管指标数据、信令数据得到,因此,在训练网络拥塞分析系统之前,需要先大量地收集这些数据,以作为模型训练的数据基础。网管指标数据、信令数据和目标结果数据是已存在的历史记录,可根据这些数据学习如不限量用户数量、不限量用户流量、页面响应平均时长、页面响应成功率、页面显示成功率、页面浏览平均速率、视频播放平均卡顿次数、视频播放成功率、视频下载平均速率和视频播放等待时长的不限量用户指标数据,与如数据传输的RRC数、PRB利用率、小区总流量和小区性能告警数量的目标结果数据之间的深层映射关系,以使网络拥塞分析系统在接收不限量用户指标数据便可输出相应的网络拥塞分析结果。
S40:根据网管指标数据、信令数据得到历史不限量用户指标数据。
可以理解地,历史不限量用户指标数据可根据指标的计算方式,利用网管指标数据和信令数据得到。
S50:根据历史不限量用户指标数据和目标结果数据得到训练样本。
其中,在训练网络拥塞分析系统时,可以以各场景下的LTE小区是否超忙为例进行研究。可对LTE小区归纳出LTE小区为超忙小区和LTE小区不是超忙小区,其中,超忙小区判断指标分别为数据传输的RRC数、PRB利用率、小区总流量和小区性能告警数量。分别为用符号Y1~Y4表示,也即为网络拥塞分析系统模型训练时的输出。
当LTE小区出现如上述超忙小区的情况时,不限量用户数量和流量会有相应的变化,LTE小区内的不限量用户变化情况可归纳为10种,用符号X1~X10表示,即为网络拥塞分析系统模型训练时的输入。X1~X10分别表示:不限量用户数量、不限量用户流量、页面响应平均时长、页面响应成功率、页面显示成功率、页面浏览平均速率、视频播放平均卡顿次数、视频播放成功率、视频下载平均速率和视频播放等待时长(均为不限量用户指标)。
可以理解地,构建训练样本是基于以上考虑进行构建的。该构建的训练样本能够较全面地反映LTE小区出现如超忙小区情况时的影响因素和影响结果,能够通过训练让网络拥塞分析系统学习输入与输出之间的深层关系,以使网络拥塞分析系统在接收不限量用户指标数据,可以快速准确地输出网络拥塞分析结果。
S60:将训练样本输入到原始模型中训练,其中原始模型采用GAP神经网络的网络结构。
遗传算法(Genetic Algorithm,GA)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。
由于遗传算法的整体搜索策略和优化搜索方法在计算时不依赖于梯度信息或其它辅助知识,而只需要影响搜索方向的目标函数和相应的适应度函数,所以遗传算法提供了一种求解复杂系统问题的通用框架,它不依赖于问题的具体领域,对问题的种类有很强的鲁棒性,在本实施例中遗传算法主要用于函数优化。
可以理解地,函数优化是遗传算法的经典应用领域,也是遗传算法进行性能评价的常用算例。对于一些非线性、多模型、多目标的函数优化问题,用其它优化方法较难求解,而遗传算法可以方便的得到较好的结果。在本实施例中,LTE小区工作状态与不限量用户指标数据有一定的内在联系,但又不是一一对应的,属于非线性关系。鉴于此,本发明实施例采用的基于遗传算法的GAP神经网络,能够较好地学习不限量用户指标数据与网络拥塞分析系统输出之间的深层映射关系,使得得到的输出更加准确。
进一步地,GAP神经网络引入自适应交叉和变异概率,用于优化原始模型的训练过程。
GAP神经网络是一种基于遗传算法,并采用BP算法进行模型训练的网络。传统的BP神经网络存在学习速度慢、抗干扰能力弱以及容易陷入局部最小值等问题,而传统的遗传算法存在算法早熟以及局部寻优能力弱等问题;鉴于此,本实施例中提出一种通过改进常规遗传算法的染色体结构和遗传算子,通过引入自适应交叉和变异概率来对BP神经网络结构参数进行优化,得到改进型遗传优化GAP神经网络。
具体地,改进型遗传优化GAP神经网络如图2所示,其中,Pc表示交叉因子的概率,Pm表示变异因子的概率。
S70:根据原始模型训练输出的正向输出值,采用反向传播算法更新原始模型的网络参数。
其中,BP(back propagation)是一种按照误差逆向传播算法(BP算法)训练的多层前馈神经网络。其数据训练是前向传播的,而误差是反向传播的。在本实施例中,在更新原始模型时,可采用该反向传播算法完成网络参数的更新,可以理解地,由于GAP神经网络中遗传算法的部分引入了自适应交叉和变异概率,可在反向传播算法更新网络参数时,提高网络的学习速率、收敛速度和收敛精度。
S80:当达到预设训练步数或其他模型训练停止的条件时,原始模型的更新结束,得到网络拥塞分析系统。
可以理解地,在达到训练步数时,或者网络更新的梯度不再下降等模型训练停止的条件时,模型的网络参数更新也就完成了,此时,由原始模型转为网络拥塞分析系统。
进一步地,在步骤S20中,通过网络拥塞分析系统输出网络拥塞分析结果,包括:
S211:根据用户输入的不限量用户指标数据类型选择指令,确定目标用户指标数据类型。
S212:根据用户输入的待分析输出结果类型指令,确定待分析输出结果类型。
S213:根据指标数据类型和待分析输出结果类型,得到目标分析结果。
可以理解地,网络分析系统主要是输出如数据传输的RRC数、PRB利用率、小区总流量和小区性能告警数量等的数据,通过该输出的数据,可以进一步地输出拥塞分析结果,在一实施例中,该拥塞分析结果具体可以是针对部分的指标数据类型以及部分的待分析输出结果所得到的网络拥塞分析结果。例如,指标数据类型具体为不限量用户数和不限量用户页面浏览平均速率,待分析输出结果类型具体为LTE小区PRB利用率,或者,指标数据类型具体为不限量用户数和不限量用户视频下载平均速率,待分析输出结果类型具体为LTE小区总流量,通过部分的指标数据类型以及部分的待分析输出结果得出具有针对性的网络拥塞分析结果。
具体地,如图3所示,横坐标为不限量用户数,左纵坐标为LTE小区PRB利用率,右纵坐标为不限量用户页面浏览平均速率。
GAP神经网络输入项为X1(不限量用户数),X6(不限量用户页面浏览平均速率),GAP神经网络输出项为Y2(LTE小区PRB利用率)。
从图中可以得出,该小区性能下降临界值为X1=35,X6=1.3Mbps,Y2=36%
具体地,如图4所示,横坐标为不限量用户数,左纵坐标为LTE小区总流量,右纵坐标为不限量用户视频下载平均速率
GAP神经网络输入项X1(不限量用户数),X9(不限量用户视频下载平均速率),GAP神经网络输出项Y3(LTE小区总流量)
从图中可以得出,该小区性能下降临界值为X1=36,X9=1.3Mbps,Y2=5000000M。
进一步地,在步骤S20中,通过网络拥塞分析系统输出网络拥塞分析结果,还包括:
S221:获取用户输入的地图小区分析指令。
S222:根据地图小区分析指令,采用泰森多边形渲染地图上的小区,其中,地图上的小区用于查看小区基本信息和网络拥塞分析结果。
可以理解地,网络拥塞分析结果可以采用LTE小区地图的方式进行展示,用户可以根据泰森多边形渲染地图上的小区,直观地看到各LTE小区的差别,并通过点击等操作,在地图上的小区用于查看小区基本信息和网络拥塞分析结果,其中,该网络拥塞分析结果具体可以包括数据传输的RRC数、PRB利用率、小区总流量和小区性能告警数量等数据信息。
在本发明实施例中,通过将不限量用户指标数据输入到网络拥塞分析系统中,实时地通过网络拥塞分析系统输出网络拥塞分析结果,其中,该网络拥塞分析系统是预先采用网管指标数据、信令数据和目标结果数据等数据组合成训练样本,并通过样本进行深度学习得到的;该网络拥塞分析系统在训练完成前采用GAP神经网络作为基础的网络结构,并根据输入的训练样本更新GAP神经网络的网络参数,最终得到网络拥塞分析系统,该网络拥塞分析系统利用GAP遗传算法优化BP网络的神经网络能够较好地学习不限量用户指标数据与目标结果数据之间的深层联系,能够根据输入的不限量用户指标数据实时给出网络拥塞分析结果,实现实时的网络拥塞分析。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
基于实施例中所提供的实时网络拥塞分析方法,本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。
图5示出与实施例中实时网络拥塞分析方法一一对应的实时网络拥塞分析装置的原理框图。如图5所示,该实时网络拥塞分析装置包括第一处理模块10、第二处理模块20、第三处理模块30、第四处理模块40、第五处理模块50、第六处理模块60、第七处理模块70、第八处理模块80。其中,第一处理模块10、第二处理模块20、第三处理模块30、第四处理模块40、第五处理模块50、第六处理模块60、第七处理模块70、第八处理模块80的实现功能与实施例中实时网络拥塞分析方法对应的步骤一一对应,为避免赘述,本实施例不一一详述。
第一处理模块10,用于获取不限量用户指标数据,将不限量用户指标数据输入到预训练好的网络拥塞分析系统中。
第二处理模块20,用于通过网络拥塞分析系统输出网络拥塞分析结果,其中,网络拥塞分析结果为不限量用户指标数据,在经过网络拥塞分析系统的网络参数映射后得到。
其中,网络拥塞分析装置还包括:
第三处理模块30,用于获取小区中不限量用户的网管指标数据、信令数据和目标结果数据。
第四处理模块40,用于根据网管指标数据、信令数据得到历史不限量用户指标数据。
第五处理模块50,用于根据历史不限量用户指标数据和目标结果数据得到训练样本。
第六处理模块60,用于将训练样本输入到原始模型中训练,其中原始模型采用GAP神经网络的网络结构。
第七处理模块70,用于根据原始模型训练输出的正向输出值,采用反向传播算法更新原始模型的网络参数。
第八处理模块80,用于当达到预设训练步数或其他模型训练停止的条件时,原始模型的更新结束,得到网络拥塞分析系统。
可选地,不限量用户指标数据包括不限量用户数量、不限量用户流量、页面响应平均时长、页面响应成功率、页面显示成功率、页面浏览平均速率、视频播放平均卡顿次数、视频播放成功率、视频下载平均速率和视频播放等待时长。
可选地,目标结果数据包括数据传输的RRC数、PRB利用率、小区总流量和小区性能告警数量。
可选地,GAP神经网络引入自适应交叉和变异概率,用于优化原始模型的训练过程。
可选地,第二处理模块20,具体用于:
根据用户输入的不限量用户指标数据类型选择指令,确定目标用户指标数据类型。
根据用户输入的待分析输出结果类型指令,确定待分析输出结果类型。
根据指标数据类型和待分析输出结果类型,得到目标分析结果。
可选地,第二处理模块20,还具体用于:
获取用户输入的地图小区分析指令;
根据地图小区分析指令,采用泰森多边形渲染地图上的小区,其中,地图上的小区用于查看小区基本信息和网络拥塞分析结果。
在本发明实施例中,通过将不限量用户指标数据输入到网络拥塞分析系统中,实时地通过网络拥塞分析系统输出网络拥塞分析结果,其中,该网络拥塞分析系统是预先采用网管指标数据、信令数据和目标结果数据等数据组合成训练样本,并通过样本进行深度学习得到的;该网络拥塞分析系统在训练完成前采用GAP神经网络作为基础的网络结构,并根据输入的训练样本更新GAP神经网络的网络参数,最终得到网络拥塞分析系统,该网络拥塞分析系统利用GAP遗传算法优化BP网络的神经网络能够较好地学习不限量用户指标数据与目标结果数据之间的深层联系,能够根据输入的不限量用户指标数据实时给出网络拥塞分析结果,实现实时的网络拥塞分析。
本实施例提供一计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现实施例中实时网络拥塞分析方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器执行时实现实施例中实时网络拥塞分析装置中各模块/单元的功能,为避免重复,此处不一一赘述。
图6是本发明一实施例提供的计算机设备的示意图。如图6所示,该实施例的计算机设备90包括:处理器91、存储器92以及存储在存储器92中并可在处理器91上运行的计算机程序93,该计算机程序93被处理器91执行时实现实施例中的实时网络拥塞分析方法,为避免重复,此处不一一赘述。或者,该计算机程序93被处理器91执行时实现实施例中实时网络拥塞分析装置中各模型/单元的功能,为避免重复,此处不一一赘述。
计算机设备90可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备90可包括,但不仅限于,处理器91、存储器92。本领域技术人员可以理解,图6仅仅是计算机设备90的示例,并不构成对计算机设备90的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器91可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器92可以是计算机设备90的内部存储单元,例如计算机设备90的硬盘或内存。存储器92也可以是计算机设备90的外部存储设备,例如计算机设备90上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器92还可以既包括计算机设备90的内部存储单元也包括外部存储设备。存储器92用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器92还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (6)
1.一种实时网络拥塞分析方法,其特征在于,所述方法包括:
获取不限量用户指标数据,将所述不限量用户指标数据输入到预训练好的网络拥塞分析系统中,所述不限量用户指标数据包括不限量用户数量、不限量用户流量、页面响应平均时长、页面响应成功率、页面显示成功率、页面浏览平均速率、视频播放平均卡顿次数、视频播放成功率、视频下载平均速率和视频播放等待时长;
通过所述网络拥塞分析系统输出网络拥塞分析结果,其中,所述网络拥塞分析结果为所述不限量用户指标数据,在经过所述网络拥塞分析系统的网络参数映射后得到;
其中,所述网络拥塞分析系统的训练步骤包括:
获取小区中不限量用户的网管指标数据、信令数据和目标结果数据,所述目标结果数据包括数据传输的RRC数、PRB利用率、小区总流量和小区性能告警数量;
根据所述网管指标数据、信令数据得到历史不限量用户指标数据;
根据所述历史不限量用户指标数据和所述目标结果数据得到训练样本;
将所述训练样本输入到原始模型中训练,其中所述原始模型采用GAP神经网络的网络结构,所述GAP神经网络引入自适应交叉和变异概率,用于优化所述原始模型的训练过程;
根据所述原始模型训练输出的正向输出值,采用反向传播算法更新所述原始模型的网络参数;
当达到预设训练步数或其他模型训练停止的条件时,所述原始模型的更新结束,得到所述网络拥塞分析系统。
2.根据权利要求1所述的方法,其特征在于,所述通过所述网络拥塞分析系统输出网络拥塞分析结果,包括:
根据用户输入的不限量用户指标数据类型选择指令,确定目标用户指标数据类型;
根据用户输入的待分析输出结果类型指令,确定待分析输出结果类型;
根据所述指标数据类型和待分析输出结果类型,得到目标分析结果。
3.根据权利要求1所述的方法,其特征在于,所述通过所述网络拥塞分析系统输出网络拥塞分析结果,还包括:
获取用户输入的地图小区分析指令;
根据所述地图小区分析指令,采用泰森多边形渲染地图上的小区,其中,所述地图上的小区用于查看小区基本信息和网络拥塞分析结果。
4.一种实时网络拥塞分析装置,其特征在于,所述装置包括:
第一处理模块,用于获取不限量用户指标数据,将所述不限量用户指标数据输入到预训练好的网络拥塞分析系统中,所述不限量用户指标数据包括不限量用户数量、不限量用户流量、页面响应平均时长、页面响应成功率、页面显示成功率、页面浏览平均速率、视频播放平均卡顿次数、视频播放成功率、视频下载平均速率和视频播放等待时长;
第二处理模块,用于通过所述网络拥塞分析系统输出网络拥塞分析结果,其中,所述网络拥塞分析结果为所述不限量用户指标数据,在经过所述网络拥塞分析系统的网络参数映射后得到;
其中,所述网络拥塞分析装置还包括:
第三处理模块,用于获取小区中不限量用户的网管指标数据、信令数据和目标结果数据,所述目标结果数据包括数据传输的RRC数、PRB利用率、小区总流量和小区性能告警数量;
第四处理模块,用于根据所述网管指标数据、信令数据得到历史不限量用户指标数据;
第五处理模块,用于根据所述历史不限量用户指标数据和所述目标结果数据得到训练样本;
第六处理模块,用于将所述训练样本输入到原始模型中训练,其中所述原始模型采用GAP神经网络的网络结构,所述GAP神经网络引入自适应交叉和变异概率,用于优化所述原始模型的训练过程;
第七处理模块,用于根据所述原始模型训练输出的正向输出值,采用反向传播算法更新所述原始模型的网络参数;
第八处理模块,用于当达到预设训练步数或其他模型训练停止的条件时,所述原始模型的更新结束,得到所述网络拥塞分析系统。
5.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至3任一项所述实时网络拥塞分析方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述实时网络拥塞分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010073682.4A CN113162780B (zh) | 2020-01-22 | 2020-01-22 | 实时网络拥塞分析方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010073682.4A CN113162780B (zh) | 2020-01-22 | 2020-01-22 | 实时网络拥塞分析方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113162780A CN113162780A (zh) | 2021-07-23 |
CN113162780B true CN113162780B (zh) | 2023-04-25 |
Family
ID=76881953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010073682.4A Active CN113162780B (zh) | 2020-01-22 | 2020-01-22 | 实时网络拥塞分析方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113162780B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108848520A (zh) * | 2018-05-28 | 2018-11-20 | 西安交通大学 | 一种基于流量预测与基站状态的基站休眠方法 |
CN109302719A (zh) * | 2018-11-05 | 2019-02-01 | 北京市天元网络技术股份有限公司 | 一种lte小区容量预测分析方法及装置 |
CN109640340A (zh) * | 2018-12-25 | 2019-04-16 | 中国联合网络通信集团有限公司 | 基站数据处理方法、装置、设备及计算机可读存储介质 |
CN109803222A (zh) * | 2018-12-13 | 2019-05-24 | 北京市天元网络技术股份有限公司 | 无线小区性能指标预测方法及装置 |
CN110662245A (zh) * | 2018-06-28 | 2020-01-07 | 中国移动通信集团山东有限公司 | 基于深度学习的基站负荷预警方法及装置 |
-
2020
- 2020-01-22 CN CN202010073682.4A patent/CN113162780B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108848520A (zh) * | 2018-05-28 | 2018-11-20 | 西安交通大学 | 一种基于流量预测与基站状态的基站休眠方法 |
CN110662245A (zh) * | 2018-06-28 | 2020-01-07 | 中国移动通信集团山东有限公司 | 基于深度学习的基站负荷预警方法及装置 |
CN109302719A (zh) * | 2018-11-05 | 2019-02-01 | 北京市天元网络技术股份有限公司 | 一种lte小区容量预测分析方法及装置 |
CN109803222A (zh) * | 2018-12-13 | 2019-05-24 | 北京市天元网络技术股份有限公司 | 无线小区性能指标预测方法及装置 |
CN109640340A (zh) * | 2018-12-25 | 2019-04-16 | 中国联合网络通信集团有限公司 | 基站数据处理方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113162780A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200364389A1 (en) | Generating integrated circuit floorplans using neural networks | |
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
CN111125519B (zh) | 用户行为预测方法、装置、电子设备以及存储介质 | |
CN113821332B (zh) | 自动机器学习系统效能调优方法、装置、设备及介质 | |
CN111582341B (zh) | 用户异常操作预测方法及装置 | |
CN112329997A (zh) | 电力需求负荷预测方法及系统、电子设备和存储介质 | |
CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
CN111445065A (zh) | 用于数据中心制冷群控的能耗优化方法及系统 | |
Yang et al. | Prediction of equipment performance index based on improved chaotic lion swarm optimization–LSTM | |
CN116433050B (zh) | 应用于农业大数据管理系统的异常报警方法及系统 | |
CN113162780B (zh) | 实时网络拥塞分析方法、装置、计算机设备和存储介质 | |
CN112700099A (zh) | 基于强化学习和运筹学的资源调度规划方法 | |
CN112231299A (zh) | 一种特征库动态调整的方法和装置 | |
CN115587616A (zh) | 网络模型训练方法、装置、存储介质及计算机设备 | |
CN108256694A (zh) | 基于重复遗传算法的模糊时间序列预测系统、方法及装置 | |
Liu et al. | Towards dynamic reconfiguration of composite services via failure estimation of general and domain quality of services | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN113723593B (zh) | 一种基于神经网络的切负荷预测方法及系统 | |
CN116541252B (zh) | 一种机房故障日志数据处理方法及装置 | |
CN117950865A (zh) | 面向元宇宙的数字资源调配方法、系统、设备及存储介质 | |
CN117979089A (zh) | 直播视频处理方法、装置、设备及介质 | |
CN113568704A (zh) | 一种基于三次精英孵化算法的容器云任务调度优化方法 | |
CN117472511A (zh) | 容器资源监控方法、装置、计算机设备和存储介质 | |
CN116562377A (zh) | 因子挖掘方法、装置、设备、存储介质和程序产品 |
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 |