CN113422690A - 一种业务质量劣化预测方法及系统 - Google Patents
一种业务质量劣化预测方法及系统 Download PDFInfo
- Publication number
- CN113422690A CN113422690A CN202010136747.5A CN202010136747A CN113422690A CN 113422690 A CN113422690 A CN 113422690A CN 202010136747 A CN202010136747 A CN 202010136747A CN 113422690 A CN113422690 A CN 113422690A
- Authority
- CN
- China
- Prior art keywords
- degradation
- risk
- value
- service
- prediction model
- 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
- 230000015556 catabolic process Effects 0.000 title claims abstract description 182
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 182
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 claims description 73
- 238000009499 grossing Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 abstract description 14
- 238000004891 communication Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 32
- 238000005070 sampling Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 8
- 230000006866 deterioration Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G06Q50/40—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
Abstract
本发明公开了一种业务质量劣化预测方法及系统,涉及通信技术领域。业务质量劣化预测方法包括:对业务质量劣化的原因进行分类,并为每类原因创建预测模型,预测模型包括与该类原因相关的关键性能指标、关键性能指标的门限值、以及劣化风险阈值;基于每个预测模型,获取目标设备的关键性能指标的时间数列,并预测劣化风险,其中,目标设备为待预测业务经过的网络设备。本发明针对业务质量劣化的不同原因,快速预测业务质量劣化风险,有效提升网络运维管理质量。
Description
技术领域
本发明涉及通信技术领域,具体是涉及一种业务质量劣化预测方法及系统。
背景技术
随着网络设备的中央处理器(Central Processing Unit,CPU)处理能力提升、交换芯片包处理流程可定制、软件定义网络(Software DefinedNetworking,SDN)软件定义网络的逐渐应用、以及5G更大规模数据网络建设,业务类型和数据量不断增加。为了保证网络与业务的安全、有效运行,需要实时收集网络设备的相关性能指标,例如接口带宽占用情况、缓存情况和丢包情况等,并进行进一步的分析和处理,以监控网络流量和网络业务的健康状态、业务服务的质量以及是否存在性能的瓶颈点,从而提升网络运维管理质量,而现有的方法难以满足要求。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种业务质量劣化预测方法及系统,针对业务质量劣化的不同原因,快速预测业务质量劣化风险,有效提升网络运维管理质量。
本发明提供一种.一种业务质量劣化预测方法,其包括:
对业务质量劣化的原因进行分类,并为每类原因创建预测模型,预测模型包括与该类原因相关的关键性能指标、关键性能指标的门限值、以及劣化风险阈值;
基于每个预测模型,获取目标设备的关键性能指标的时间数列,并预测劣化风险,其中,目标设备为待预测业务经过的网络设备。
在上述技术方案的基础上,所述预测模型包括以下至少一个:网络物理链路质量预测模型、网络设备转发性能预测模型、以及应用层资源和处理性能预测模型。
在上述技术方案的基础上,对每个所述关键性能指标的时间数列进行时间序列处理,得到预测值;
根据预测值与所述门限值的差值以及所述劣化风险阈值,判断所述目标设备是否具有劣化风险。
在上述技术方案的基础上,对于每个所述目标设备,对所述预测值超出所述门限值的差值进行归一化以及加权求和处理,得到第一劣化预测值,其中,加权求和处理的权重系数为所述关键性能指标的预设风险系数;
当第一劣化预测值达到或超过所述劣化风险阈值时,判定所述目标设备具有劣化风险。
在上述技术方案的基础上,所述方法还包括:
所述预测模型还包括预设的劣化风险级别及对应的区间;
当所述目标设备具有劣化风险时,将所述关键性能指标的相关系数作为所述加权求和处理的权重系数,计算得到第二劣化预测值;
根据第二劣化预测值所属的区间,判定劣化风险级别。
本发明还提供一种业务质量劣化预测系统,其包括:
创建模块,其用于对业务质量劣化的原因进行分类,并为每类原因创建预测模型,预测模型包括与该类原因相关的关键性能指标、关键性能指标的门限值、以及劣化风险阈值;
处理模块,其用于基于每个预测模型,获取目标设备的关键性能指标的时间数列,并预测劣化风险,其中,目标设备为待预测业务经过的网络设备。
在上述技术方案的基础上,所述预测模型包括以下至少一个:网络物理链路质量预测模型、网络设备转发性能预测模型、以及应用层资源和处理性能预测模型。
在上述技术方案的基础上,所述处理模块用于对每个所述关键性能指标的时间数列进行时间序列处理,得到预测值;根据预测值与所述门限值的差值以及所述劣化风险阈值,判断所述目标设备是否具有劣化风险。
在上述技术方案的基础上,所述处理模块用于对于每个所述目标设备,对所述预测值超出所述门限值的差值进行归一化以及加权求和处理,得到第一劣化预测值,其中,加权求和处理的权重系数为所述关键性能指标的预设风险系数;还用于当第一劣化预测值达到或超过所述劣化风险阈值时,判定所述目标设备具有劣化风险。
在上述技术方案的基础上,所述预测模型还包括预设的劣化风险级别及对应的区间;
所述处理模块还用于当所述目标设备具有劣化风险时,将所述关键性能指标的相关系数作为所述加权求和处理的权重系数,计算得到第二劣化预测值;以及根据第二劣化预测值所属的区间,判定劣化风险级别。
与现有技术相比,本发明实施例的业务质量劣化预测方法,其包括:对业务质量劣化的原因进行分类,并为每类原因创建预测模型,预测模型包括与该类原因相关的关键性能指标、关键性能指标的门限值、以及劣化风险阈值;基于每个预测模型,获取目标设备的关键性能指标的时间数列,并预测劣化风险,其中,目标设备为待预测业务经过的网络设备。针对业务质量劣化的不同原因,快速预测业务质量劣化风险,有效提升网络运维管理质量。
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是本发明实施例业务质量劣化预测方法流程图;
图2是本发明实施例利用指数平滑法进行时间序列处理的逻辑运算的数据流向图;
图3是本发明实施例按照三类劣化风险原因的业务质量劣化预测方法流程图;
图4是本发明实施例业务质量劣化预测系统示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细描述。
参见图1所示,本发明实施例提供一种业务质量劣化预测方法,其包括:
S110对业务质量劣化的原因进行分类,并为每类原因创建预测模型,预测模型包括与该类原因相关的关键性能指标、关键性能指标的门限值、以及劣化风险阈值。
S120基于每个预测模型,获取目标设备的关键性能指标的时间数列,并预测劣化风险,其中,目标设备为待预测业务经过的网络设备。
待预测业务通常经过多个网络设备,可以采用多种流量采集技术(例如Telementry和netflow)对网络设备的关键性能指标进行多次采样,得到时间数列。某业务流经的网络设备的实时关键性能指标包括:节点设备的带宽利用率、CPU利用率、接口缓存队列Buffer占用率、采样点时间截、丢包率、以及某个特征应用的传输控制协议(Transmission Control Protocol,TCP)特性指标等。
依据网络技术领域的经验,业务质量劣化的原因与关键性能指标之间存在关联关系,例如业务质量劣化,肯定会有某个或某些关键特性指标表现出不正常或超标,因此,利用相关联的所有关键特性指标的联合运算结果,可以提升预测某种网络劣化原因的概率的准确性。
本发明实施例通过对业务质量劣化的原因进行分类,并为每类原因分别创建一预测模型,在预测业务质量劣化风险的同时,直接给出业务质量劣化原因以及导致业务质量劣化的网络设备,从而指导运维人员针对性地解除风险,有效提升网络运维管理质量。在实际应用时,可以针对不同的网络和实际的业务情况,灵活地调整与业务质量劣化的原因相关的关键性能指标,从而建立针对具体网络和业务的预测模型,从采集到的海量数据中,快速定性网络风险。
对于网络设备组成的网络而言,业务质量劣化的主要原因主要为三大类:物理链路传送质量衰退、业务持续增长导致设备转发性能不足、以及针对具体应用的资源不足等。
作为一个可选的实施方式,预测模型包括以下至少一个:网络物理链路质量预测模型、网络设备转发性能预测模型、以及应用层资源和处理性能预测模型。
具体的,在实际应用中,可以根据不同网络的业务质量劣化的具体原因,将更多的关键性能指标再进行细分,灵活地建立预测模型。
例如,在网络物理链路质量预测模型中,与网络物理链路质量劣化原因相关的关键性能指标包括端口误码率、光功率和电信号指标,其中,电信号指标包括电压和电压抖动等。端口误码率、光功率和电信号指标均为强相关指标,可以根据历史数据确定各关键性能指标的相关系数。
在网络设备转发性能预测模型中,与网络设备转发性能劣化原因相关的关键性能指标包括内部丢包率、缓存队列占用率、接口带宽利用率、包转发时延和CPU利用率,其中,内部丢包率、缓存队列占用率和接口带宽利用率均为强相关指标,包转发时延和CPU利用率均为弱相关指标。
在应用层资源和处理性能预测模型中,与应用层资源和处理性能劣化原因相关的关键性能指标包括往返时延(round-trip time,RTT)偏离率比、抖动偏离率、TCP滑动窗为0捕获率、TCP重传捕获率、接口带宽利用率和丢包率,其中,往返时延偏离率比、抖动偏离率、TCP滑动窗为0捕获率和TCP重传捕获率均为强相关指标,接口带宽利用率和丢包率均为弱相关指标。
针对以上三种网络服务质量劣化的原因,会有不同的网络设备的关键性能指标出现不正常或超标的情况,而相关联的关键性能指标组合后,将更确定的预测出某种网络信号或服务质量劣化的原因。
作为一个可选的实施方式,本发明实施例业务质量劣化预测方法包括:
S220对每个关键性能指标的时间数列进行时间序列处理,得到预测值。
S230根据预测值与门限值的差值以及劣化风险阈值,判断目标设备是否具有劣化风险。
在步骤S220中,时间序列处理包括移动平均、加权移动平均、指数平滑、趋势指数平滑等。
具体的,一个关键性能指标(例如缓存队列Buffer占用率)的时间数列为在第0至第t时刻的一组采样数据:b0,bi,......,bt-1,bt,0≤i≤t,在指数平滑法中,定义第t时刻之后的关键性能指标的预测值为:
Bt=αbt+(1-α)Bt-1,0≤α≤1, (1)
公式(1)表示用于参与预测的第t时刻的关键性能指标的预测值Bt取值模型,它表示Bt的值由第t时刻的实际采样值bt的α加权,与前一个采样时刻(t-1时刻)的预测值Bt-1与(1-α)加权后的两项共同组成。从数学算法上看,如果α取极值1,则Bt=bt,就成为直接采用采样值进行后续的劣化评估。
从公式可看到Bt的取值越接近于第t时刻的采样值,其系数越大,对Bt的值的贡献越大,越趋近于关键性能指标的趋势情况。而对于α,其取值越大,加权预测校正的Bt的取值权越重,就越接近第t时刻的采样值。对于α的取值跟据采样情况进行设置和调整,α取值偏大,则跟上采样的实际值变化的趋势快,但对于个体采样值的抖动抑制不足。
优选的,考虑到网络系统运行环境的采样频率非常高,采样样本累积数据较大,本发明实施例采用的α取值算法是跟据采样点的算术平均值At-1与bt的相关性这两个条件共同确定,使预测值更侧重于平滑不平稳的抖动,而非快速反映关键性能指标变化的趋势,并确保α随着采样数据的变化而自动调整。
利用指数平滑法进行时间序列处理,其中,平滑系数α为:
其中,bt为时间序列在第t时刻的实际值,At为时间序列在第t时刻的平均值,At-1为第t-1时刻的平均值,bi为第i时刻的实际值。
图2所示为以上利用指数平滑法进行时间序列处理的逻辑运算的数据流向图。图2表示用逻辑运算器件来进行Bt运算的过程,整个过程由输入、加、乘、除和时延保持等运算逻辑组成,其中,一个采样周期τ的数据保持,即将输出推延并保持一个采样周期后,作为输入进行递归运算。实际上在不同的系统中Bt的计算,可以有不同的实现方式,纯软件的计算就是写软件代码逻辑。可以用图2的现场可编程逻辑门阵列(Field ProgrammableGateArray,FPGA)等可编程逻辑器运算,运算速度更快。
本发明实施例采用α作为平滑系数的原因是因为瞬时的采样值是离散的,带有突发的不确定性,需要将前述的预测值Bt-1与第t时刻的实际采样值bt两项进行加权后,得到新的预测值Bt,从而平滑离散数据的突发性误差,由多个历史采样数据共同参与评估,呈现出其真实的预测趋势。与移动平均预处理方法相比,本发明实施例体现了用于后期劣化预测的第t时刻,关键性能指标的实际值参与Bt与其时间相近的采样数据在数值上关联度更大的特点,同时,也避免了直接将瞬时采样值bt用于后期预测的方案带来的离散突发性误差。
优选的,步骤S230包括:
对于每个目标设备,对预测值超出门限值的差值进行归一化以及加权求和处理,得到第一劣化预测值,其中,加权求和处理的权重系数为关键性能指标的预设风险系数。
当第一劣化预测值达到或超过劣化风险阈值时,判定目标设备具有劣化风险。
进一步的,预测模型还包括预设的劣化风险级别及对应的区间。
步骤S230之后,本发明实施例业务质量劣化预测方法还包括:
S240当目标设备具有劣化风险时,将关键性能指标的相关系数作为加权求和处理的权重系数,计算得到第二劣化预测值。
根据第二劣化预测值所属的区间,判定劣化风险级别。
下面以应用层资源和处理性能预测模型为例,说明通过关键性能指标建立预测模型,以预测网络质量劣化原因的应用。
表一例举一种基于TCP的流媒体应用,其中关键性能指标以及对应的应用层资源和处理性能预测模型,利用该表分析该条业务其是否存上层(应用层)资源不足或性能是否存在劣化。
表一:基于TCP的流媒体应用的应用层资源和处理性能预测模型
注1:n的取值通常不超过两个采样点时间间隔内,该业务可能发送的TCP确认(Acknowledgement,ACK)包的数量。
注2:m的取值通常不超过两个采样点时间间隔内,该业务可能发送的TCP包的数量。
注3:目前,独立网络只能采集到经过网络设备内部处理引发的丢包。
首先,判定目标设备是否具有劣化风险。
TCP业务经过N个目标设备,每个目标设备具有表一所示的6个关键性能指标。
分别获取每个目标设备的6个关键性能指标的时间数列,对每个关键性能指标的时间数列分别进行指数平滑处理,得到预测值。根据表一,对每个关键性能指标的预测值进行归一化处理。
将N个目标设备的预测值组成业务应用层服务质量劣化关联矩阵A,A矩阵为N×6的矩阵:
其中,d1、s1、w1、r1、c1、l1分别为第1个目标设备的6个关键性能指标的预测值的归一化处理结果。
将表一中各关键性能指标的门限值组成矩阵B,B矩阵为N×6的矩阵:
根据A和B矩阵得到C矩阵,在矩阵C中,当ajk-bjk≤0时,元素cjk=0。当ajk-bjk>0时,元素cjk=ajk-bjk。1≤j≤N,1≤k≤6,其中,ajk为矩阵A的元素,bjk为矩阵B的元素,cjk为矩阵C的元素。
将表一中各关键性能指标的预设风险阈值组成矩阵D,D矩阵为6×1的矩阵:
其中,δ1、δ2、δ3、δ4、δ5和δ6分别为表一中关键性能指标的d、s、w、r、c和l的预设风险阈值,根据具体网络和业务情况确定。
e1,e2,……,eN分别为N个目标设备的第一劣化预测值。
如果ej>0,则在第j个目标设备上,至少有一个关键性能指标超过设定的门限值。仅检测个别关键性能指标超标,还不能确定就存在该类原因的劣化风险或明确劣化风险的大小,后续还需要进一步进行计算劣化风险级别。
其次,判定劣化风险级别。
以下加权矩阵M的元素为关键性能指标的相关系数:
γ1,γ2,……,γN分别为N个目标设备的第二劣化预测值。
具体的,劣化风险级别可以划分为三个等级:提示级、风险1级和风险2级。在实际应用中,针对不同的网络和工程,可以对业务质量的劣化风险级别进一步细化。
本发明实施例采用针对业务质量劣化的原因与采集的关键性能指标的分类预测模型以及简易矩阵运算方式,可以在海量的各类关键性能指标的采集数据中,快速定性网络风险,包括风险原因及发生的位置,从指导运维人员针对性解除风险,优化网络。
本发明实施例采用劣化风险级别与第二劣化预测值的映射关系,可以迅速给出劣化风险级别和性质的简报,该简报包含针对某条业务流的承载及处理节点上,是否存在业务质量劣化的风险。
图3是本发明实施例按照三类劣化风险原因的业务质量劣化预测方法流程图,三个预测模型并行处理,经过不同的预测模型和加权指数矩阵运算后,分别就各目标设备的第一劣化预测值与劣化风险阈值进行比较,从而给出不同的目标设备可能存在的劣化风险预测。第二劣化预测值可以跟据实际需要定义为不同的劣化风险级别,标记出劣化风险的概率及程度。
网络物理链路质量预测模型:
S320a根据网络物理链路质量预测模型,计算风险系数矩阵E1。
S330a判断是否存在E1j>0,若是,进入步骤S340a;若否,结束。
S340a计算劣化风险特性矩阵R1。
S350a预测网络物理链路质量劣化风险级别。
网络设备转发性能预测模型
S320b根据网络设备转发性能预测模型,计算风险系数矩阵E2。
S330b判断是否存在E2j>0,若是,进入步骤S340b;若否,结束。
S340b计算劣化风险特性矩阵R2。
S350b预测网络设备转发性能劣化风险级别。
应用层资源和处理性能预测模型:
S320c根据应用层资源和处理性能预测模型,计算风险系数矩阵E3。
S330c判断是否存在E3j>0,若是,进入步骤S340c;若否,结束。
S340c计算劣化风险特性矩阵R3。
S350c预测应用层资源和处理性能劣化风险级别。
针对各网络设备收集的关键性能指标的实时数据,本发明实施例利用预测模型快速映射网络设备潜在劣化风险类型的建模算法,将各类采集的关键性能指标进行分组映射为不同的预测模型,并通过一个简明的矩阵运算框架,可以供网络设备本地或者远程控制器端对大量的采集数据进行分类运算,从而快速定性劣化风险,并指导运维人员针对性解除风险,优化网络运维。
本发明实施例可以结合流量检测采集技术(例如:Telemetry技术),对采集的网络设备的关键性能指标进行分析和处理,从而可以高效地对网络上基于业务流的大量数据信息进行处理和运算,自动生成基于业务流的劣化风险报告。本发明实施例可以在业务流的端点设备上实现,提供运维人员一份简明的业务劣化风险报告(可包含业务经过的某个具体节点设备的性能劣化,具体连接的业务链路传送质量劣化及业务服务器潜在的性能劣化等)。同时,也可以应用在服务器上实现(例如SDN服务器),对大量流量检测数据进行分析简报。
Telemetry的主要技术思路是通过带内业务数据包携带途经被监测的网络设备的相关特性参数,如被监测的网络设备的接口带宽占用情况、缓存情况和丢包情况等,主动推送给SDN服务器,SDN服务器完成各种信息收集后,进行进一步的分析和处理,就网络业务的健康状况,业务服务的质量及是否存在性能的瓶颈点给出分析和报告,这些报告即为SDN服务器所辖网络的各类业务进行的可视化呈现内容,从而辅助提升网络运维质量。
参见图4所示,本发明实施例还提供一种业务质量劣化预测系统,用于实现前述实施例的业务质量劣化预测方法,业务质量劣化预测系统包括创建模块和处理模块。
创建模块用于对业务质量劣化的原因进行分类,并为每类原因创建预测模型,预测模型包括与该类原因相关的关键性能指标、关键性能指标的门限值、以及劣化风险阈值。
处理模块用于基于每个预测模型,获取目标设备的关键性能指标的时间数列,并预测劣化风险,其中,目标设备为待预测业务经过的网络设备。
作为一个可选的实施方式,预测模型包括以下至少一个:网络物理链路质量预测模型、网络设备转发性能预测模型、以及应用层资源和处理性能预测模型。
作为一个可选的实施方式,处理模块用于对每个关键性能指标的时间数列进行时间序列处理,得到预测值;根据预测值与门限值的差值以及劣化风险阈值,判断目标设备是否具有劣化风险。
优选的,处理模块用于对于每个目标设备,对预测值超出门限值的差值进行归一化以及加权求和处理,得到第一劣化预测值,其中,加权求和处理的权重系数为关键性能指标的预设风险系数;还用于当第一劣化预测值达到或超过劣化风险阈值时,判定目标设备具有劣化风险。
优选的,预测模型还包括预设的劣化风险级别及对应的区间;处理模块还用于当目标设备具有劣化风险时,将关键性能指标的相关系数作为加权求和处理的权重系数,计算得到第二劣化预测值;以及根据第二劣化预测值所属的区间,判定劣化风险级别。
本发明实施例可以直观定位网络承载业务质量劣化风险和原因,可以解决TCP/IP网络因为无业务质量感知的天然缺陷的运维困难问题,是网络质量感知系统在数据分析处理上的一种实现方案,当IP网络故障,特别是当故障不明显时,即在业务质量劣化初期,就可给出劣化风险评估,从而给网络运维管理预警,提前优化网络,消除重大的故障隐患。
本发明实施例也可以是软件定义网络技术及网络可视化技术在实际系统的实现方案,也可结合未来5G网络的运维管理,符合未来主流网络技术发展方向。
本发明实施例方法简明,运行效率高,占用资源少,代价小,可获得性强,可以作为大量采集数据的预分析系统的一部分,并且在网络设备侧就可以快速给出劣化风险报告。
本发明不局限于上述实施方式,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,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (12)
1.一种业务质量劣化预测方法,其特征在于,其包括:
对业务质量劣化的原因进行分类,并为每类原因创建预测模型,预测模型包括与该类原因相关的关键性能指标、关键性能指标的门限值、以及劣化风险阈值;
基于每个预测模型,获取目标设备的关键性能指标的时间数列,并预测劣化风险,其中,目标设备为待预测业务经过的网络设备。
2.如权利要求1所述的业务质量劣化预测方法,其特征在于:
所述预测模型包括以下至少一个:网络物理链路质量预测模型、网络设备转发性能预测模型、以及应用层资源和处理性能预测模型。
3.如权利要求1所述的业务质量劣化预测方法,其特征在于:
对每个所述关键性能指标的时间数列进行时间序列处理,得到预测值;
根据预测值与所述门限值的差值以及所述劣化风险阈值,判断所述目标设备是否具有劣化风险。
5.如权利要求3所述的业务质量劣化预测方法,其特征在于:
对于每个所述目标设备,对所述预测值超出所述门限值的差值进行归一化以及加权求和处理,得到第一劣化预测值,其中,加权求和处理的权重系数为所述关键性能指标的预设风险系数;
当第一劣化预测值达到或超过所述劣化风险阈值时,判定所述目标设备具有劣化风险。
6.如权利要求5所述的业务质量劣化预测方法,其特征在于,所述方法还包括:
所述预测模型还包括预设的劣化风险级别及对应的区间;
当所述目标设备具有劣化风险时,将所述关键性能指标的相关系数作为所述加权求和处理的权重系数,计算得到第二劣化预测值;
根据第二劣化预测值所属的区间,判定劣化风险级别。
7.一种业务质量劣化预测系统,其特征在于,其包括:
创建模块,其用于对业务质量劣化的原因进行分类,并为每类原因创建预测模型,预测模型包括与该类原因相关的关键性能指标、关键性能指标的门限值、以及劣化风险阈值;
处理模块,其用于基于每个预测模型,获取目标设备的关键性能指标的时间数列,并预测劣化风险,其中,目标设备为待预测业务经过的网络设备。
8.如权利要求7所述的业务质量劣化预测系统,其特征在于:
所述预测模型包括以下至少一个:网络物理链路质量预测模型、网络设备转发性能预测模型、以及应用层资源和处理性能预测模型。
9.如权利要求7所述的业务质量劣化预测系统,其特征在于:
所述处理模块用于对每个所述关键性能指标的时间数列进行时间序列处理,得到预测值;根据预测值与所述门限值的差值以及所述劣化风险阈值,判断所述目标设备是否具有劣化风险。
11.如权利要求9所述的业务质量劣化预测系统,其特征在于:
所述处理模块用于对于每个所述目标设备,对所述预测值超出所述门限值的差值进行归一化以及加权求和处理,得到第一劣化预测值,其中,加权求和处理的权重系数为所述关键性能指标的预设风险系数;还用于当第一劣化预测值达到或超过所述劣化风险阈值时,判定所述目标设备具有劣化风险。
12.如权利要求11所述的业务质量劣化预测系统,其特征在于:
所述预测模型还包括预设的劣化风险级别及对应的区间;
所述处理模块还用于当所述目标设备具有劣化风险时,将所述关键性能指标的相关系数作为所述加权求和处理的权重系数,计算得到第二劣化预测值;以及根据第二劣化预测值所属的区间,判定劣化风险级别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010136747.5A CN113422690A (zh) | 2020-03-02 | 2020-03-02 | 一种业务质量劣化预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010136747.5A CN113422690A (zh) | 2020-03-02 | 2020-03-02 | 一种业务质量劣化预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113422690A true CN113422690A (zh) | 2021-09-21 |
Family
ID=77711609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010136747.5A Pending CN113422690A (zh) | 2020-03-02 | 2020-03-02 | 一种业务质量劣化预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113422690A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114285746A (zh) * | 2021-12-13 | 2022-04-05 | 中国电信股份有限公司 | SRv6-TE业务的链路调优方法、装置、电子设备和可读介质 |
CN115062804A (zh) * | 2022-06-29 | 2022-09-16 | 无锡物联网创新中心有限公司 | 一种纺织设备的维护方法及相关装置 |
CN116112203A (zh) * | 2022-11-16 | 2023-05-12 | 广东一码通信科技有限公司 | 基于风险模型的网络通信风险预测方法及装置 |
CN116701127A (zh) * | 2023-08-09 | 2023-09-05 | 睿至科技集团有限公司 | 一种基于大数据的应用性能监控方法及平台 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102164051A (zh) * | 2011-05-18 | 2011-08-24 | 西安交通大学 | 面向业务的故障检测与定位方法 |
CN102546220A (zh) * | 2010-12-31 | 2012-07-04 | 中国移动通信集团福建有限公司 | 一种基于业务特征的关键质量指标构成方法 |
CN104539556A (zh) * | 2014-12-29 | 2015-04-22 | 南京邮电大学 | 在异构网络环境下为用户提供满意服务质量的方法 |
US20150304191A1 (en) * | 2012-07-04 | 2015-10-22 | Telefonakbieboiaget L M Ericsson (publ) | Method and apparatus for automatically determining causes of service quality degradation |
US20160162346A1 (en) * | 2014-12-08 | 2016-06-09 | Alcatel-Lucent Usa, Inc. | Root cause analysis for service degradation in computer networks |
CN105721184A (zh) * | 2014-12-03 | 2016-06-29 | 中国移动通信集团山东有限公司 | 一种网络链路质量的监控方法及装置 |
CN106612198A (zh) * | 2015-10-26 | 2017-05-03 | 中国移动通信集团公司 | 一种业务质量测试指标的测试方法及装置 |
CN107786997A (zh) * | 2016-08-25 | 2018-03-09 | 刘俊声 | 一种将kpi映射到kqi的通用处理方法及系统 |
CN109039775A (zh) * | 2018-09-12 | 2018-12-18 | 网宿科技股份有限公司 | 业务质量监控方法、装置及系统 |
US20190121687A1 (en) * | 2017-02-07 | 2019-04-25 | Hitachi, Ltd. | Apparatus and method for monitoring computer system |
CN110365503A (zh) * | 2018-03-26 | 2019-10-22 | 华为技术有限公司 | 一种指标确定方法及其相关设备 |
CN110555546A (zh) * | 2019-07-31 | 2019-12-10 | 烽火通信科技股份有限公司 | 一种光性能劣化趋势预测的更新方法及系统 |
CN110635952A (zh) * | 2019-10-14 | 2019-12-31 | 中兴通讯股份有限公司 | 通信系统的故障根因分析方法、系统和计算机存储介质 |
CN110690982A (zh) * | 2018-07-05 | 2020-01-14 | 北京亿阳信通科技有限公司 | 一种电信网络管理性能数据关联分析方法及系统 |
-
2020
- 2020-03-02 CN CN202010136747.5A patent/CN113422690A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102546220A (zh) * | 2010-12-31 | 2012-07-04 | 中国移动通信集团福建有限公司 | 一种基于业务特征的关键质量指标构成方法 |
CN102164051A (zh) * | 2011-05-18 | 2011-08-24 | 西安交通大学 | 面向业务的故障检测与定位方法 |
US20150304191A1 (en) * | 2012-07-04 | 2015-10-22 | Telefonakbieboiaget L M Ericsson (publ) | Method and apparatus for automatically determining causes of service quality degradation |
CN105721184A (zh) * | 2014-12-03 | 2016-06-29 | 中国移动通信集团山东有限公司 | 一种网络链路质量的监控方法及装置 |
US20160162346A1 (en) * | 2014-12-08 | 2016-06-09 | Alcatel-Lucent Usa, Inc. | Root cause analysis for service degradation in computer networks |
CN104539556A (zh) * | 2014-12-29 | 2015-04-22 | 南京邮电大学 | 在异构网络环境下为用户提供满意服务质量的方法 |
CN106612198A (zh) * | 2015-10-26 | 2017-05-03 | 中国移动通信集团公司 | 一种业务质量测试指标的测试方法及装置 |
CN107786997A (zh) * | 2016-08-25 | 2018-03-09 | 刘俊声 | 一种将kpi映射到kqi的通用处理方法及系统 |
US20190121687A1 (en) * | 2017-02-07 | 2019-04-25 | Hitachi, Ltd. | Apparatus and method for monitoring computer system |
CN110365503A (zh) * | 2018-03-26 | 2019-10-22 | 华为技术有限公司 | 一种指标确定方法及其相关设备 |
CN110690982A (zh) * | 2018-07-05 | 2020-01-14 | 北京亿阳信通科技有限公司 | 一种电信网络管理性能数据关联分析方法及系统 |
CN109039775A (zh) * | 2018-09-12 | 2018-12-18 | 网宿科技股份有限公司 | 业务质量监控方法、装置及系统 |
CN110555546A (zh) * | 2019-07-31 | 2019-12-10 | 烽火通信科技股份有限公司 | 一种光性能劣化趋势预测的更新方法及系统 |
CN110635952A (zh) * | 2019-10-14 | 2019-12-31 | 中兴通讯股份有限公司 | 通信系统的故障根因分析方法、系统和计算机存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114285746A (zh) * | 2021-12-13 | 2022-04-05 | 中国电信股份有限公司 | SRv6-TE业务的链路调优方法、装置、电子设备和可读介质 |
CN115062804A (zh) * | 2022-06-29 | 2022-09-16 | 无锡物联网创新中心有限公司 | 一种纺织设备的维护方法及相关装置 |
CN116112203A (zh) * | 2022-11-16 | 2023-05-12 | 广东一码通信科技有限公司 | 基于风险模型的网络通信风险预测方法及装置 |
CN116112203B (zh) * | 2022-11-16 | 2023-07-28 | 广东一码通信科技有限公司 | 基于风险模型的网络通信风险预测方法及装置 |
CN116701127A (zh) * | 2023-08-09 | 2023-09-05 | 睿至科技集团有限公司 | 一种基于大数据的应用性能监控方法及平台 |
CN116701127B (zh) * | 2023-08-09 | 2023-12-19 | 睿至科技集团有限公司 | 一种基于大数据的应用性能监控方法及平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113422690A (zh) | 一种业务质量劣化预测方法及系统 | |
EP3863223A1 (en) | Method and device for training service quality evaluation model | |
WO2020215721A1 (zh) | 一种激光雷达的寿命预测方法 | |
CN114629802B (zh) | 一种基于业务感知的电力通信骨干网络质量评估方法 | |
EP3923517A1 (en) | System and method for predicting and handling short-term overflow | |
CN105141446A (zh) | 一种基于客观权重确定的网络设备健康度评估方法 | |
CN104734916A (zh) | 一种基于tcp协议的高效多级异常流量检测方法 | |
CN115038088B (zh) | 一种智能网络安全检测预警系统和方法 | |
CN109257252A (zh) | 一种判断网络拥塞状态的方法 | |
CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
US7936699B2 (en) | Estimation method, device, and program, and network measuring system | |
Taleb et al. | Hybrid machine learning classification and inference of stalling events in mobile videos | |
US20200267063A1 (en) | Sampling frequency recommendation method, apparatus and device, and storage medium | |
CN116633798A (zh) | 一种基于数据分析的物联网卡数据流量监控预警系统 | |
CN102547789B (zh) | 端到端业务质量预警方法、装置及系统 | |
CN114785617B (zh) | 一种5g网络应用层异常检测方法及系统 | |
CN115981192A (zh) | 基于工业网络协同控制与预判方法 | |
Ouyang et al. | Predictive bandwidth control for mpeg video: A wavelet approach for self-similar parameters estimation | |
KR100812946B1 (ko) | 이동 통신망에서의 서비스 품질 관리 시스템 및 방법 | |
WO2023041051A1 (zh) | 用户感知评估方法、装置、存储介质以及电子装置 | |
CN117896319A (zh) | 一种基于大数据的数据流量管控方法及系统 | |
WO2024066331A1 (zh) | 网络异常检测方法、装置、电子设备及存储介质 | |
CN110022249B (zh) | 基于反向波测技术的复杂网络环境网络延时监测方法 | |
CN117856984A (zh) | 一种自适应短波通信链路的rto设计优化方法及系统 | |
CN115550217B (zh) | 针对云网络中七层负载均衡场景的网络诊断方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210921 |