CN113676341A - 一种质差评估方法及相关设备 - Google Patents

一种质差评估方法及相关设备 Download PDF

Info

Publication number
CN113676341A
CN113676341A CN202010414492.4A CN202010414492A CN113676341A CN 113676341 A CN113676341 A CN 113676341A CN 202010414492 A CN202010414492 A CN 202010414492A CN 113676341 A CN113676341 A CN 113676341A
Authority
CN
China
Prior art keywords
data streams
type
quality difference
data stream
data
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
Application number
CN202010414492.4A
Other languages
English (en)
Other versions
CN113676341B (zh
Inventor
田家明
杨庆平
王春桃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202010414492.4A priority Critical patent/CN113676341B/zh
Priority to EP21173794.5A priority patent/EP3910881B1/en
Priority to US17/320,497 priority patent/US11489904B2/en
Publication of CN113676341A publication Critical patent/CN113676341A/zh
Application granted granted Critical
Publication of CN113676341B publication Critical patent/CN113676341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/80—Responding to QoS
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • 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
    • 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
    • H04L43/0882—Utilisation of link capacity
    • 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
    • H04L43/0888—Throughput
    • 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
    • H04L43/0894—Packet rate
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
    • H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
    • H04L47/2483—Traffic characterised by specific attributes, e.g. priority or QoS involving identification of individual flows
    • 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
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5061—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the interaction between service providers and their network customers, e.g. customer relationship management
    • H04L41/5067—Customer-centric QoS measurements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请实施例提供一种质差评估方法及相关设备，所述方法包括：获取m条数据流，其中，所述m条数据流为所述网络设备传输的数据流；对所述m条数据流进行筛选，将所述m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流；对所述第一类型对应的数据流进行特征提取，得到第一类型对应的已知特征向量；使用所述第一类型对应的已知特征向量对未训练好的第一质差评估模型进行训练，得到训练好的第一质差评估模型；使用所述训练好的第一质差评估模型对第一类型对应的n条数据流进行质差评估，得到第一质差评估结果。该方法能够对属于同一应用类型的一类应用进行质差评估，而不是局限于对某个具体的应用进行质差评估，通用性高。

Description

一种质差评估方法及相关设备
技术领域
本申请涉及互联网应用技术领域，尤其涉及一种质差评估方法及相关设备。
背景技术
随着互联网技术的快速发展，各种终端应用层出不穷。为了保证应用的体验质量(quality of experience，QoE)，网络运营商需要对应用流量进行管理，例如，对应用的QoE进行检测、对应用的体验类问题进行故障定位定界，以及对网络资源进行调度以保障关键应用的服务等级等。因此，对网络中的应用流量进行管理，已成为网络运营商关注的重要问题之一。其中，对应用进行质差评估分析是网络运营商对应用流量进行管理的关键一环。
但是，现有的质差评估方法存在着通用性低的问题。
发明内容
本申请提供了一种质差评估方法及相关设备，能够对属于同一应用类型的一类应用进行质差评估，而不是局限于对某个具体的应用进行质差评估，通用性高。
第一方面，本申请提供了一种质差评估方法，应用于网络设备，所述方法包括：
获取m条数据流，其中，所述m条数据流为所述网络设备传输的数据流，m为大于1的自然数；
对所述m条数据流进行筛选，将所述m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流，其中，p为大于0的自然数；
对所述第一类型对应的数据流进行特征提取，得到第一类型对应的已知特征向量；
使用所述第一类型对应的已知特征向量对未训练好的第一质差评估模型进行训练，得到训练好的第一质差评估模型；
使用所述训练好的第一质差评估模型对第一类型对应的n条数据流进行质差评估，得到第一质差评估结果，其中，所述n条数据流为所述网络设备传输的所述m条数据流之后的数据流，n为大于0的自然数。
在一些可能的实施例中，所述使用所述训练好的第一质差评估模型对n条数据流进行质差评估，包括：
对所述n条数据流进行特征提取，得到第一类型对应的待评估特征向量；
将所述第一类型对应的待评估特征向量输入所述训练好的第一质差评估模型进行质差评估，得到第一质差评估结果。
在一些可能的实施例中，所述m条数据流为所述网络设备在t个时间段传输的数据流M1、M2、…、Mt，t为大于1的自然数，在对所述m条数据流进行筛选，将所述m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流之前，所述方法还包括：
获取所述t个时间段对应t个带宽利用率U1、U2、…、Ut、t个平均吞吐量W1、W2、…、Wt和所述t个平均吞吐量W1、W2、…、Wt对应的百分位数；
所述对所述m条数据流进行筛选，将所述m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流，包括：
对所述m条数据流进行识别，确定所述m条数据流所属的一个或者多个应用类型；
从所述m条数据流中对应筛选出目标应用类型对应的数据流M1'、M2'、…、Mt'，所述目标应用类型为所述m条数据流所属的一个或者多个应用类型中的任意一个应用类型；
在带宽利用率Ui大于第一预设阈值的情况下，确定所述t个平均吞吐量W1、W2、…、Wt中排序大于第一预设百分位数的平均吞吐量对应的时间段为目标时间段，将所述目标应用类型对应的数据流M1'、M2'、…、Mt'中与所述目标时间段对应的数据流作为第一类型对应的数据流Mi”，其中，i为自然数，1≤i≤t；
在所述带宽利用率Ui小于或者等于所述第一预设阈值且大于第二预设阈值的情况下，确定所述t个平均吞吐量W1、W2、…、Wt中排序大于第二预设百分位数的平均吞吐量对应的时间段为所述目标时间段，将所述目标应用类型对应的数据流M1'、M2'、…、Mt'中与所述目标时间段对应的数据流作为第一类型对应的数据流Mi”；
在所述带宽利用率Ui小于或者等于所述第二预设阈值的情况下，确定所述t个平均吞吐量W1、W2、…、Wt中排序大于第三预设百分位数的平均吞吐量对应的时间段为所述目标时间段，将所述目标应用类型对应的数据流M1'、M2'、…、Mt'中与所述目标时间段对应的数据流作为第一类型对应的数据流Mi”；
其中，0<所述第二预设阈值<所述第一预设阈值，0<第一预设百分位数<第二预设百分位数<第三预设百分位数<100。
在一些可能的实施例中，在对所述m条数据流进行筛选之后，所述方法还包括：
将所述m条数据流中满足第二预设条件的q条数据流确定为第二类型对应的数据流，其中，所述q条数据流中的数据流与所述p条数据流中的数据流均不同，q为大于0的自然数，p+q≤m；
对所述第二类型对应的数据流进行特征提取，得到第二类型对应的已知特征向量；
使用所述第二类型对应的已知特征向量对未训练好的第二质差评估模型进行训练，得到训练好的第二质差评估模型；
使用所述训练好的第二质差评估模型对第二类型对应的w条数据流进行质差评估，得到第二质差评估结果，其中，所述w条数据流为所述网络设备传输的所述m条数据流之后的数据流，w为大于0的自然数。
在一些可能的实施例中，所述网络设备中包括至少一个未训练好的质差评估模型，所述至少一个未训练好的质差评估模型中的每个未训练好的质差评估模型对应一种应用类型，所述未训练好的第一质差评估模型为所述至少一个未训练好的质差评估模型中的任意一个，所述未训练好的第一质差评估模型对应于所述目标应用类型。
上述方案中，网络设备能够使用训练好的第一质差评估模型对网络设备传输的第一类型(即目标应用类型)对应的n条数据流进行质差评估，得到第一质差评估结果，而不是局限于对某个具体的应用进行质差评估，解决了现有质差评估方法中只能对某个具体的应用进行质差评估，无法对属于同一应用类型的一类应用进行质差评估的问题，通用性高。另外，还可以看出，训练好的第一质差评估模型是使用从m条数据流中筛选出的第一类型对应的数据流对未训练好的第一质差评估模型进行训练得到的，使用筛选出的数据流训练得到的训练好的第一质差评估模型可以更好地对网络设备传输的第一类型对应的n条数据流进行质差评估，得到的第一质差评估结果能够更好地帮助网络运营商进行服务资源的调度。
第二方面，本申请提供了一种质差评估装置，应用于网络设备，其特征在于，所述装置包括：
获取模块，用于获取m条数据流，其中，所述m条数据流为所述网络设备传输的数据流，m为大于1的自然数；
筛选模块，用于对所述m条数据流进行筛选，将所述m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流，其中，p为大于0的自然数；
特征提取模块，用于对所述第一类型对应的数据流进行特征提取，得到第一类型对应的已知特征向量；
模型训练模块，用于使用所述第一类型对应的已知特征向量对未训练好的第一质差评估模型进行训练，得到训练好的第一质差评估模型；
质差评估模块，使用所述训练好的第一质差评估模型对第一类型对应的n条数据流进行质差评估，得到第一质差评估结果，其中，所述n条数据流为所述网络设备传输的所述m条数据流之后的数据流，n为大于0的自然数。
在一些可能的实施例中，所述质差评估模块具体用于：
对所述n条数据流进行特征提取，得到第一类型对应的待评估特征向量；
将所述第一类型对应的待评估特征向量输入所述训练好的第一质差评估模型进行质差评估，得到第一质差评估结果。
在一些可能的实施例中，所述m条数据流为所述网络设备在t个时间段传输的数据流M1、M2、…、Mt，t为大于1的自然数，在对所述m条数据流进行筛选，将所述m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流之前，所述获取模块，还用于：
获取所述t个时间段对应t个带宽利用率U1、U2、…、Ut、t个平均吞吐量W1、W2、…、Wt和所述t个平均吞吐量W1、W2、…、Wt对应的百分位数；
所述筛选模块，具体用于：
对所述m条数据流进行识别，确定所述m条数据流所属的一个或者多个应用类型；
从所述m条数据流中对应筛选出目标应用类型对应的数据流M1'、M2'、…、Mt'，所述目标应用类型为所述m条数据流所属的一个或者多个应用类型中的任意一个应用类型；
在带宽利用率Ui大于第一预设阈值的情况下，确定所述t个平均吞吐量W1、W2、…、Wt中排序大于第一预设百分位数的平均吞吐量对应的时间段为目标时间段，将所述目标应用类型对应的数据流M1'、M2'、…、Mt'中与所述目标时间段对应的数据流作为第一类型对应的数据流Mi”，其中，i为自然数，1≤i≤t；
在所述带宽利用率Ui小于或者等于所述第一预设阈值且大于第二预设阈值的情况下，确定所述t个平均吞吐量W1、W2、…、Wt中排序大于第二预设百分位数的平均吞吐量对应的时间段为所述目标时间段，将所述目标应用类型对应的数据流M1'、M2'、…、Mt'中与所述目标时间段对应的数据流作为第一类型对应的数据流Mi”；
在所述带宽利用率Ui小于或者等于所述第二预设阈值的情况下，确定所述t个平均吞吐量W1、W2、…、Wt中排序大于第三预设百分位数的平均吞吐量对应的时间段为所述目标时间段，将所述目标应用类型对应的数据流M1'、M2'、…、Mt'中与所述目标时间段对应的数据流作为第一类型对应的数据流Mi”；
其中，0<所述第二预设阈值<所述第一预设阈值，0<第一预设百分位数<第二预设百分位数<第三预设百分位数<100。
在一些可能的实施例中，所述筛选模块，还用于将所述m条数据流中满足第二预设条件的q条数据流确定为第二类型对应的数据流，其中，所述q条数据流中的数据流与所述p条数据流中的数据流均不同，q为大于0的自然数，p+q≤m；
所述特征提取模块，还用于对所述第二类型对应的数据流进行特征提取，得到第二类型对应的已知特征向量；
所述模型训练模块，还用于使用所述第二类型对应的已知特征向量对未训练好的第二质差评估模型进行训练，得到训练好的第二质差评估模型；
所述质差评估模块，还用于使用所述训练好的第二质差评估模型对第二类型对应的w条数据流进行质差评估，得到第二质差评估结果，其中，所述w条数据流为所述网络设备传输的所述m条数据流之后的数据流，w为大于0的自然数。
在一些可能的实施例中，所述网络设备中包括至少一个未训练好的质差评估模型，所述至少一个未训练好的质差评估模型中的每个未训练好的质差评估模型对应一种应用类型，所述未训练好的第一质差评估模型为所述至少一个未训练好的质差评估模型中的任意一个，所述未训练好的第一质差评估模型对应于所述目标应用类型。
第三方面，本申请提供了一种网络设备，所述网络设备包括：处理器、通信接口以及存储器；所述存储器用于存储指令，所述处理器用于执行所述指令，所述通信接口用于接收或者发送数据；其中，所述处理器执行所述指令时执行如上述第一方面或者第一方面的任意具体实现方式中所描述方法。
第四方面，本申请提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面或者第一方面的任意具体实现方式中所描述方法。
第五方面，本申请提供了一种计算机程序产品，当所述计算机程序产品被计算机读取并执行时，实现如上述第一方面或者第一方面的任意具体实现方式中所描述方法。
附图说明
以下对本申请实施例用到的附图进行介绍。
图1是本申请实施例提供的一种质差评估方法的流程示意图；
图2是本申请实施例涉及的使用大量已知特征向量对未训练好的k-均值聚类模型对进行训练得到训练好的k-均值聚类模型的流程示意图；
图3是本申请实施例涉及的使用大量已知特征向量对未训练好的k-均值聚类模型进行训练得到k个类以及k个目标聚类中心的示意图；
图4是本申请实施例涉及的对待评估特征向量x进行质差评估得到的第一质差评估结果的示意图；
图5是本申请实施例提供的一种质差评估装置的结构示意图；
图6是本申请实施例提供的一种网络设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
随着互联网技术的快速发展，各种终端应用层出不穷。为了保证应用的QoE，网络运营商需要对应用流量进行管理，例如，对应用的QoE进行检测、对应用的体验类问题进行故障定位定界，以及对网络资源进行配置以保障关键应用的服务等级等。因此，对网络中的应用流量进行管理，已成为网络运营商关注的重要问题之一。其中，对应用进行质差评估分析是网络运营商对应用流量进行管理的关键一环。
目前，现有的应用质差评估方法大多是采集某一具体应用的信息(如网络层信息、用户设备信息等)对算法进行训练，得到专用于该具体应用的评估模型，然后使用该训练好的专用模型对应用进行质差评估。但是上述方法仅适用于对单个应用进行质差评估，存在通用性差的问题。
为了解决上述问题，本申请实施例提供一种质差评估方法，该方法可以应用于路由器或者交换机等网络设备，如图1所示，该方法包括：
S101、获取m条数据流。
其中，m条数据流为网络设备传输的数据流，m为大于1的自然数。
在本申请具体的实施例中，网络设备可以从自身所传输的数据流中获取到m条数据流，该m条数据流可以为网络设备在t(t为大于1的自然数)个时间段(t个时间段可以为连续的时间段也可以为不连续的时间段)内传输的数据流M1、M2、…、Mt，上述m条数据流还可以为网络设备在预设时间(例如凌晨2:00-凌晨3:00之间的时间)内传输的数据流M，此处不作具体限定。
S102、对m条数据流进行筛选，将m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流，其中，p为大于0自然数。
在本申请具体的实施例中，网络设备对m条数据流进行筛选，将m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流的具体过程可以包括：
第一步、对m条数据流进行识别，确定m条数据流所属的一个或者多个应用类型。
在本申请具体的实施例中，网络设备可以对m条数据流中的每条数据流进行识别，确定每条数据流所承载的应用的类型，从而确定m条数据流所属的一个或者多个应用类型。
举例来讲，假设网络设备正在传输的数据流有数据流1、数据流2和数据流3，其中数据流1为视频播放类型的应用1发送的数据流，数据流2为视频播放类型的应用2发送的数据流，数据流3为游戏类型的应用3发送的数据流，那么网络设备在传输数据流1、数据流2和数据流3时，可以根据数据流1的相关信息(如五元组信息)识别出应用1为视频播放类型的应用，根据数据流2的相关信息识别出应用2为视频播放类型的应用，根据数据流3的相关信息识别出应用3为游戏类型的应用，在识别出应用1、应用2和应用3的类型后，网络设备可以确定数据流1、数据流2和数据流3所属的应用类型为视频应用类型和游戏应用类型。
具体地，网络设备可以使用深度包检测(deep packet inspection，DPI)技术对每条数据流包括的五元组信息(包括网际互联协议(internet protocol，IP)地址、源端口号、目标IP地址、目标端口号、传输层协议)或者原始数据信息(应用所发出的视频、音频或者文字等信息)等进行识别，从而确定每条数据流所承载的应用类型。
举例来讲，假设网络设备使用DPI识别出数据流1中包括端口号80，端口号80对应的应用层协议为超文本传输协议(hyper text transfer protocol，HTTP)，则根据端口号80可以确定数据流1所承载的应用的应用层协议为超文本传输协议，通常，使用超文本传输协议的应用为网页类应用，因此，可以确定数据流1所承载的应用的类型为网页应用类型。又例如，假设网络设备使用DPI识别出的数据流2中包括端口号25，端口号25对应的应用层协议为简单电子邮件协议(simple mail transfer protocol，STMP)，通常，使用简单电子邮件协议的应用为邮件类应用，因此，可以确定数据流2所承载的应用的类型为邮件应用类型。
需要说明的是，上述使用DPI技术对一条数据流中包括的端口号进行识别，确定该数据流所承载的应用的类型，仅仅是作为一种示例。在实际应用中，还可以对该数据流中包括的其他信息(例如传输层协议或者原始数据信息等)进行识别，确定该数据流所承载的应用的类型，此处不作具体限定。
在实际应用中，还可以使用卷积神经网络(convolutional neural networks，CNN)或者支持向量机(support vector machine，SVM)等对一条数据流进行识别，确定该数据流所承载的应用的类型，从而确定m条数据流所属的一个或者多个应用类型，此处不作具体限定。
第二步、从m条数据流中筛选出目标应用类型对应的数据流。
其中，目标应用类型为上述m条数据流所属的一个或者多个应用类型中的任意一个应用类型。
继续以第一步中所举的网络设备正在传输的数据流有数据流1、数据流2和数据流3的例子为例，在网络设备确定数据流1、数据流2和数据流3所属的应用类型为视频应用类型和游戏应用类型之后，目标应用类型可以为视频应用类型或者游戏应用类型。若是目标应用类型为视频应用类型，则目标应用类型对应的数据流为数据流1和数据流2；若是目标应用类型为游戏应用类型，则目标应用类型对应的数据流为数据流3。
由S101可知，m条数据流可以为网络设备在t个时间段内传输的数据流M1、M2、…、Mt，也可以为网络设备在预设时间内传输的数据流M。可以理解，在m条数据流为网络设备在t个时间段内传输的数据流M1、M2、…、Mt的情况下，从m条数据流中筛选出的目标应用类型对应的数据流为网络设备在t个时间段内传输的与目标应用类型相关的数据流M1'、M2'、…、Mt'；在m条数据流为网络设备在预设时间内传输的数据流M的情况下，从m条数据流中筛选出的目标应用类型对应的数据流为网络设备在预设时间内传输的与目标应用类型相关的数据流M'。
第三步、从目标应用类型对应的数据流中筛选出p条数据流作为第一类型对应的数据流。
可以理解，第一类型对应的数据流是从目标应用类型对应的数据流中筛选出的p条数据流，那么第一类型对应的数据流也与目标应用类型对应。
由第二步可知，目标应用类型对应的数据流可以为网络设备在t个时间段内传输的与目标应用类型相关的数据流M1'、M2'、…、Mt'，也可以为网络设备在预设时间内传输的与目标应用类型相关的数据流M'。
在目标应用类型对应的数据流为M1'、M2'、…、Mt'时，在从目标应用类型对应的数据流M1'、M2'、…、Mt'中筛选出第一类型对应的数据流之前，需要先获取t个时间段对应的t个带宽利用率U1、U2、…、Ut、t个平均吞吐量W1、W2、…、Wt和t个平均吞吐量W1、W2、…、Wt对应的百分位数，然后根据t个带宽利用率U1、U2、…、Ut、t个平均吞吐量W1、W2、…、Wt和t个平均吞吐量W1、W2、…、Wt对应的百分位数，从目标应用类型对应的数据流M1'、M2'、…、Mt'中筛选出t个第一类型对应的数据流M11”、M12”、…、M1t”。
以确定第一类型对应的数据流M1i”(i为自然数，1≤i≤t)为例：
在带宽利用率Ui大于第一预设阈值的情况下，确定t个平均吞吐量W1、W2、…、Wt中排序大于第一预设百分位数的平均吞吐量对应的时间段为目标时间段，将目标应用类型对应的数据流M1'、M2'、…、Mt'中与目标时间段对应的数据流作为第一类型对应的数据流M1i”；
在带宽利用率Ui小于或者等于第一预设阈值且大于第二预设阈值的情况下，确定t个平均吞吐量W1、W2、…、Wt中排序大于第二预设百分位数的平均吞吐量对应的时间段为目标时间段，将目标应用类型对应的数据流M1'、M2'、…、Mt'中与目标时间段对应的数据流作为第一类型对应的数据流M1i”；
在带宽利用率Ui小于或者等于第二预设阈值的情况下，确定t个平均吞吐量W1、W2、…、Wt中排序大于第三预设百分位数的平均吞吐量对应的时间段为目标时间段，将目标应用类型对应的数据流M1'、M2'、…、Mt'中与目标时间段对应的数据流作为第一类型对应的数据流M1i”；
其中，0<第二预设阈值<第一预设阈值，0<第一预设百分位数<第二预设百分位数<第三预设百分位数<100。
在实际应用中，第一预设阈值、第二预设阈值、第一预设百分位数、第二预设百分位数、第三预设百分位数的大小可以根据实际的网络使用情况进行确定，本申请不作具体限定。例如，第一预设阈值可以为网络拥塞状态和网络正常状态的临界值，第二预设阈值可以为网络正常状态和网络空闲状态的临界值。
为了更清楚地理解本申请实施例，下面以一个具体的例子进行解释说明。
假设目标应用类型对应的数据流为M1'、M2'、…、M10'、第一预设阈值为0.7、第二预设阈值为0.2，第一预设百分位数为70，第二预设百分位数为80、第三预设百分位数为90、带宽利用率U1为0.8、带宽利用率U2为0.6、带宽利用率U3为0.2，10个平均吞吐量W1、W2、…、W10的值依次为20、30、23、25、18、17、16、35、37、12。
将上述10个平均吞吐量从小到大排序，其排序为W10、W7、W6、W5、W1、W3、W4、W2、W8、W9，则处于第10百分位数的平均吞吐量为W10、处于第20百分位数的平均吞吐量为W7…处于第100百分位数的平均吞吐量为W9。其中，百分位数，是统计学术语，如果将一组数据从小到大排序，并计算相应的累计百分位，则某一百分位所对应数据的值就称为这一百分位的百分位数。如，处于80百分位数位置的值称为第80百分位数。
带宽利用率U1为0.8，带宽利用率U1大于第一预设阈值0.7，则确定10个平均吞吐量中排序大于第70百分位数的平均吞吐量(包括W2、W8和W9)对应的时间段(包括第2个时间段、第8个时间段和第9个时间段)为目标时间段，将10个时间段的数据流信息M1'、M2'、…、M10'中与目标时间段对应的数据流信息(包括M2'、M8'和M9')作为第一类型对应的数据流M11”。
带宽利用率U2为0.6，带宽利用率U2小于第一预设阈值0.7且大于第二预设阈值0.2，则确定10个平均吞吐量中排序大于第80百分位数的平均吞吐量(包括W8和W9)对应的时间段(包括第8个时间段和第9个时间段)为目标时间段，将10个时间段的数据流信息M1'、M2'、…、M10'中与目标时间段对应的数据流信息(包括M8'和M9')作为第一类型对应的数据流M12”。
带宽利用率U3为0.2，带宽利用率U3等于第二预设阈值0.2，则确定10个平均吞吐量中排序大于第90百分位数的平均吞吐量(W9)对应的时间段(第9个时间段)为目标时间段，将10个时间段的数据流信息M1'、M2'、…、M10'中与目标时间段对应的数据流信息(M9')作为第一类型对应的数据流M13”。
为了简便起见，上面只陈述了第一类型对应的数据流M1i”的获取过程，实际上，第一类型对应的数据流M11”、M12”、…、M1t”的获取过程与第一类型对应的数据流流M1i”的获取过程相类似，此处不再展开赘述。
在目标应用类型对应的数据流为网络设备在预设时间内传输的与目标应用类型相关的数据流M'时，可以理解，在不同时间，网络设备传输数据流的性能(如带宽利用率)通常不同，网络设备传输的数据流的特征通常也不同，其中，数据流的特征包括五元组信息、数据流中包括的多个报文中每个报文的重传数、每个报文的上传和下行速度、报文与报文之间的时延以及报文与报文之间的抖动等。
例如，在凌晨2:00-早上7:00之间，大多用户都在睡觉，网络设备通常处于空闲状态，网络设备的带宽利用率较小、网络设备所需传输的数据流较少、报文与报文之间的时延较小、报文与报文之间的抖动较小、报文的重传数较小、报文的上行和下行速度较快等等。可以理解为，在网络设备处于空闲状态时，网络设备传输的数据流的质量高。又例如，在早上7:00-9:00之间，大多用户都在上网，网络设备通常处于拥塞状态，网络设备的带宽利用率较大、网络设备所需传输的数据流较多、报文与报文之间的时延较大、报文与报文之间的抖动较大、报文的重传数较大、报文的上行和下行速度较慢等等。可以理解为，在网络设备处于拥塞状态时，网络设备传输的数据流的质量低。
在目标应用类型对应的数据流为网络设备在预设时间内传输的与目标应用类型相关的数据流M'时，从目标应用类型对应的数据流M'中筛选出的第一类型对应的数据流M1”可以为目标应用类型对应的数据流M'中的最先传输的p条数据流或者最后传输的p条数据流等，此处不作具体限定。
举例来讲，假设目标应用类型对应的数据流为网络设备在早上6:00-8:00内传输的与目标应用类型相关的数据流M'，包括数据流1、数据流2、…、数据流10000，其中，数据流1、数据流2、…、数据流3000是网络设备在早上6:00-7:00之间传输的，数据流3001、数据流3002、…、数据流3003是网络设备在早上7:00-8:00之间传输的，则从目标应用类型对应的数据流M'中筛选出的第一类型对应的数据流M1”可以为目标应用类型对应的数据流M'中的最先传输的1000条数据流或者最后传输的1000条数据流等。可以理解，在第一类型对应的数据流M1”为目标应用类型对应的数据流M'中的最先传输的1000条数据流的情况下，第一类型对应的数据流M1”的质量高；在第一类型对应的数据流M1”为目标应用类型对应的数据流M'中的最后传输的1000条数据流的情况下，第一类型对应的数据流M1”的质量低。
在本申请具体的实施例中，还可以对m条数据流进行筛选，将m条数据流中满足第二预设条件的q条数据流确定为第二类型对应的数据流，其中，q条数据流中的数据流与p条数据流中的数据流均不同，q为大于0的自然数，p+q≤m。
在本申请具体的实施例中，对m条数据流进行筛选，将m条数据流中满足第一预设条件的p条数据流确定为第二类型对应的数据流的具体过程可以包括：
第一步、对m条数据流进行识别，确定m条数据流所属的一个或者多个应用类型。
第二步、从m条数据流中筛选出目标应用类型对应的数据流。
第三步、从目标应用类型对应的数据流中筛选出q条数据流作为第二类型对应的数据流。
可以理解，第二类型对应的数据流是从目标应用类型对应的数据流中筛选出的q条数据流，那么第二类型对应的数据流也与目标应用类型对应。
在目标应用类型对应的数据流为M1'、M2'、…、Mt'时，可以根据t个带宽利用率U1、U2、…、Ut、t个平均吞吐量W1、W2、…、Wt和t个平均吞吐量W1、W2、…、Wt对应的百分位数，从目标应用类型对应的数据流为M1'、M2'、…、Mt'中筛选出t个第二类型对应的数据流M21”、M22”、…、M2t”。
以确定第二类型对应的数据流M2i”为例：
在带宽利用率Ui大于第一预设阈值的情况下，确定t个平均吞吐量W1、W2、…、Wt中排序小于第四预设百分位数的平均吞吐量对应的时间段为第一目标时间段，将目标应用类型对应的数据流M1'、M2'、…、Mt'中与第一目标时间段对应的数据流作为第二类型对应的数据流M2i”；
在带宽利用率Ui小于或者等于第一预设阈值且大于第二预设阈值的情况下，确定t个平均吞吐量W1、W2、…、Wt中排序小于第五预设百分位数的平均吞吐量对应的时间段为第一目标时间段，将目标应用类型对应的数据流M1'、M2'、…、Mt'中与第一目标时间段对应的数据流作为第二类型对应的数据流M2i”；
在带宽利用率Ui小于或者等于第二预设阈值的情况下，确定t个平均吞吐量W1、W2、…、Wt中排序小于第六预设百分位数的平均吞吐量对应的时间段为第一目标时间段，将目标应用类型对应的数据流M1'、M2'、…、Mt'中与第一目标时间段对应的数据流作为第二类型对应的数据流M2i”；
其中，0<第二预设阈值<第一预设阈值，0<第六预设百分位数<第五预设百分位数<第四预设百分位数<第一百分位数。
在实际应用中，第四预设百分位数、第五预设百分位数、第六预设百分位数的大小可以根据实际的网络使用情况进行确定，本申请不作具体限定。
为了简便起见，上面只陈述了第二类型对应的数据流M2i”的获取过程，实际上，第二类型对应的数据流M21”、M22”、…、M2t”的获取过程与第二类型对应的数据流M2i”的获取过程相类似，此处不再展开赘述。
可以看出，第一类型对应的数据流M1i”为t个平均吞吐量W1、W2、…、Wt中排序较高的平均吞吐量对应的时间段内，网络设备所传输的与目标应用类型相关的数据流，平均吞吐量较高的时间段内网络设备所传输的数据流通常具有如下特征：报文与报文之间的时延较小、报文与报文之间的抖动较小、报文的重传数较小、报文的上行和下行速度较快等等。可以理解为，第一类型对应的数据流M1i”的质量较高。
第二类型对应的数据流M2i”为t个平均吞吐量W1、W2、…、Wt中排序较低的平均吞吐量对应的时间段内，网络设备所传输的与目标应用类型相关的数据流，平均吞吐量较低的时间段内网络设备所传输的数据流通常具有如下特征：报文与报文之间的时延较大、报文与报文之间的抖动较大、报文的重传数较大、报文的上行和下行速度较慢等等。可以理解为，第二类型对应的数据流M2i”的质量较低。
在目标应用类型对应的数据流为M'时，在从目标应用类型对应的数据流M'中筛选出的第一类型对应的数据流M1”之后，可以将目标应用类型对应的数据流M'中剩余的数据流中的部分或者全部数据流作为第二类型对应的数据流M2”。
举例来讲，假设网络设备获取的目标应用类型对应的数据流M'为凌晨6:00-8:00之间的数据流，包括数据流1、数据流2、…、数据流10000，若是确定网络设备最先传输的数据流1-数据流1000这1000条数据流为第一类型对应的数据流M1”，那么可以将网络设备后面传输的数据流1001-数据流2001之间的1000条数据流或者数据流9000-数据流10000之间的1000条数据流确定为第二类型对应的数据流M2”。
S103、对第一类型对应的数据流进行特征提取，得到第一类型对应的已知特征向量。
由上述实施例可知，第一类型对应的数据流为p条。
在本申请具体的实施例中，第一类型对应的已知特征向量V中包括的特征数据包括但不限于如下数据：p条数据流的总报文数、总报文长度、最大报文长度、最小报文长度、平均报文长度、最大报文间距、最小报文间距、平均报文间距、报文间距标准差、报文间距百分位数、最大时延、最小时延、平均时延、时延百分位数、时延标准差等特征数据。
具体地，网络设备可以根据第一类型对应的p条数据流中的每条数据流包括中包括的多个报文的序号、多个报文的确认号、多个报文的发送时间戳、多个报文的接收时间戳和多个报文的大小等信息，计算得到每条数据流的总报文数、总报文长度、最大报文长度、最小报文长度、平均报文长度、最大报文间距、最小报文间距、平均报文间距、报文间距标准差、报文间距百分位数、最大时延、最小时延、平均时延、时延百分位数、时延标准差等特征数据。
例如，通过某条数据流中包括的多个报文中每个报文的接收时间戳和发送时间戳，可以计算出每个报文的时延，在计算得到该数据流中包括的多个报文的时延后，可以根据多个报文的时延得出最大时延、最小时延、平均、时延百分位数、时延标准差等，还可以将多个报文的时延之和除以多个报文的数量，得到平均时延。又例如，通过多个报文的序号，可以计算出总报文数。
在计算得到p条数据流中的每条数据流的特征数据后，再计算得到p条数据流的总报文数、总报文长度、最大报文长度、最小报文长度、平均报文长度、最大报文间距、最小报文间距、平均报文间距、报文间距标准差、报文间距百分位数、最大时延、最小时延、平均时延、时延百分位数、时延标准差等特征数据。
应理解，第一类型对应的已知特征向量V中包括的特征数据并不限于上述所列举的p条数据流的总报文数、总报文长度等特征数据，第一类型对应的已知特征向量V中还可以包括其他或者更多特征数据，此处不作具体限定。
在实际应用中，在得到一个或者多个特征数据后，还可以对一个或者多个特征数据进行规范化操作(如无量纲化)等，此处不作具体限定。
在本申请具体的实施例中，还可以对第二类型对应的q条数据流进行特征提取，得到第二类型对应的已知特征向量。对第二类型对应的q条数据流进行特征提取得到第二类型对应的特征向量的过程，与对第一类型对应的p条数据流进行特征提取得到第一类型对应的特征向量V的过程相类似，此处不再展开赘述。
S104、使用第一类型对应的已知特征向量对未训练好的第一质差评估模型进行训练，得到训练好的第一质差评估模型。
需要说明的是，为了提高训练好的第一质差评估模型的精确度，通常需要获取第一类型对应的大量已知特征向量V1、V2、…、Vt对未训练好的第一质差评估模型进行训练。
在具体实现中，第一质差评估模型包括但不限于k-均值聚类、主成分分析、多元高斯分布、一类支持向量机、鲁棒协方差估计、孤立森林等学习模型。
可以理解，在第一质差评估模型为不同的学习模型时，使用大量第一类型对应的已知特征向量对不同的未训练好的第一质差评估模型进行训练，具体的训练过程和得到的训练好的第一质差评估模型会存在差异。
这里，以未训练好的第一质差评估模型为未训练好的k-均值聚类模型为例对训练过程进行介绍。
如图2所示，该过程可以包括如下步骤：
S1041、随机选取第一类型对应的大量已知特征向量V1、V2、…、Vt中的k个已知特征向量作为初始聚类中心C1'、C2'、…、Ck'。
其中，k的大小通常与想把数据分成几类的类数相同，此处不作具体限定，其中，k为自然数，k≥1。例如，若是想把第一类型对应的大量已知特征向量V1、V2、…、Vt分为三类，则k为3。
S1042、分别计算第一类型对应的大量已知特征向量V1、V2、…、Vt中的每个特征向量到k个初始聚类中心C1'、C2'、…、Ck'的距离，找到距离每个特征向量最近的初始聚类中心，将每个特征向量归属到其距离最近的初始聚类中心对应的类。
在实际应用中，每个特征向量到k个初始聚类中心的距离可以取欧氏距离或者曼哈顿距离等，此处不作具体限定。
以计算已知特征向量Vi相对聚类中心Ch'的距离为例：
计算待评估特征向量Vi相对聚类中心Ch'的欧式距离d(Vi,Ch')的公式为：
Figure BDA0002494543300000111
计算待评估特征向量x相对聚类中心Ch'的曼哈顿距离d(Vi,Ch')'的公式为：
Figure BDA0002494543300000112
其中，n表示已知特征向量Vi的维数，h为自然数，1≤h≤k。
S1043、在第一类型对应的大量已知特征向量V1、V2、…、Vt中的每个特征向量都归属到对应的类之后，第一类型对应的大量已知特征向量V1、V2、…、Vt就被分为了k个类，重新计算k个类中每个类的质心，将最新得到的每个类的质心定为每个类的新的聚类中心C1”、C2”、…、Ck”。
S1044、反复迭代S1042和S1043步骤，直到达到终止条件，得到训练好的k-均值聚类模型。
其中，终止条件可以为最大迭代次数、最小化平方误差、簇中心点变化率等，此处不作具体限定。
在达到终止条件时，第一类型对应的大量已知特征向量V1、V2、…、Vt还被分为了不再变化的k个类，k个类中的每个类均对应一个目标聚类中心(不再变化的聚类中心)，这里，以C1、C2、…、Ck对应表示k个目标聚类中心。
以k为3为例，如图3所示，第一类型对应的大量已知特征向量V1、V2、…、Vt最终被分成了3个类，第一类的目标聚类中心为C1，第二类的目标聚类中心为C2，第三类的目标聚类中心为C3。
在本申请具体的实施例中，网络设备中包括至少一个未训练好的质差评估模型，至少一个未训练好的质差评估模型中的每个未训练好的质差评估模型对应一个或者多种应用类型，未训练好的第一质差评估模型为至少一个未训练好的质差评估模型中的任意一个，未训练好的第一质差评估模型对应于目标应用类型。
例如，网络设备中包括未训练好的质差评估模型A、未训练好的质差评估模型B和未训练好的质差评估模型C，其中，未训练好的质差评估模型A对应应用类型1和应用类型2，未训练好的质差评估模型B对应应用类型3和应用类型4，未训练好的质差评估模型C对应应用类型5。若是目标应用类型为应用类型2，则在对第一类型对应的大量已知特征向量进行训练时，可以选取应用类型2对应的未训练好的质差评估模型A为未训练好的第一质差评估模型，若是目标应用类型为应用类型4，则在对第一类型对应的大量已知特征向量进行训练时，可以选取未训练好的质差评估模型B为未训练好的第一质差评估模型。
在实际应用中，网络设备中包括的至少一种未训练好的质差评估模型，包括但不限于未训练好的k-均值聚类模型、未训练好的主成分分析模型、未训练好的多元高斯分布模型、未训练好的一类支持向量机模型、未训练好的鲁棒协方差估计模型、未训练好的孤立森林模型等，此处不作具体限定。
在本申请具体的实施例中，还可以使用第二类型对应的已知特征向量对未训练好的第二质差评估模型进行训练，得到训练好的第二质差评估模型。使用第二类型对应的已知特征向量对未训练好的第二质差评估模型进行训练，得到训练好的第二质差评估模型的过程与使用第一类型对应的已知特征向量对未训练好的第一质差评估模型进行训练，得到训练好的第一质差评估模型的过程相类似，此处不再展开赘述。
在实际应用中，得到训练好的第一质差评估模型、第二质差评估模型后，可以将训练好的第一质差评估模型、第二质差评估模型部署到线上进行应用。训练好的第一质差评估模型、第二质差评估模型部署到线上应用后，可按预设时间间隔(如半个月、1个月等)定期对训练好的第一质差评估模型、第二质差评估模型的精度进行验证，如果训练好的第一质差评估模型、第二质差评估模型的精度下降较多，模型退化严重，可以重新采集数据对训练好的第一质差评估模型、第二质差评估模型进行训练，进一步优化模型参数，以提高模型的精确度，确保质差评估的准确性。
S105、使用训练好的第一质差评估模型对n条数据流进行质差评估，得到第一质差评估结果。
其中，上述n条数据流为网络设备传输的m条数据流之后的数据流，n条数据流均与第一类型对应，n为大于0的自然数。
在本申请具体的实施例中，使用训练好的第一质差评估模型对n条数据流进行质差评估，得到第一质差评估结果的具体过程可以包括：
S1051、对n条数据流进行特征提取，得到第一类型对应的待评估特征向量。
在本申请具体的实施例中，第一类型对应的待评估特征向量x中包括的特征数据包括但不限于如下数据：n条数据流的总报文数、总报文长度、最大报文长度、最小报文长度、平均报文长度、最大报文间距、最小报文间距、平均报文间距、报文间距标准差、报文间距百分位数、最大时延、最小时延、平均时延、时延百分位数、时延标准差等特征数据。
应理解，第一类型对应的待评估特征向量x中包括的特征数据并不限于上述所列举的n条数据流的总报文数、总报文长度等特征数据，第一类型对应的待评估特征向量x中还可以包括其他或者更多特征数据，此处不作具体限定。
S1052、将第一类型对应的待评估特征向量输入训练好的第一质差评估模型进行质差评估，得到第一质差评估结果。
在本申请具体的实施例中，训练好的第一质差评估模型反映了第一类型对应的待评估特征向量和第一质差评估结果之间的映射关系。训练好的第一质差评估模型可以表示为：
y＝estimate(x)
其中，y为第一质差评估结果，x为第一类型对应的待评估特征向量，estimate()为第一质差评估结果与第一类型对应的待评估特征向量x的映射关系。estimate()可以是使用第一类型对应的大量已知特征向量对未训练好的第一质差评估模型进行训练得到的。
由上述实施例可知，未训练好的第一质差评估模型包括但不限于未训练好的k-均值聚类模型、未训练好的主成分分析模型、未训练好的多元高斯分布模型、未训练好的一类支持向量机模型、未训练好的鲁棒协方差估计模型、未训练好的孤立森林模型等学习模型。
可以理解，在第一质差评估模型为不同的学习模型时，使用第一类型对应的已知特征向量对不同的未训练好的第一质差评估模型进行训练，得到的训练好的第一质差评估模型也不同，若是将第一类型对应的待评估特征向量输入不同的训练好的第一质差评估模型进行质差评估，质差评估的过程和所得到的质差评估结果会存在差异。
这里，以训练好的第一质差评估模型是训练好的k-均值聚类模型为例，对质差评估过程和第一质差评估结果进行介绍。
将待评估特征向量x输入训练好的k-均值聚类模型，k-均值聚类模型会计算待评估特征向量x相对k个目标聚类中心C1、C2、…、Ck的距离d(x,C1)、d(x,C2)、…、d(x,Ck)，找到距离待评估特征向量x最近的目标聚类中心，然后将待评估特征向量x归属到其距离最近的目标聚类中心对应的类。这里，k个目标聚类中心C1、C2、…、Ck是在使用第一类型对应的已知特征向量对未训练好的k-均值聚类模型进行训练的过程中得到的，具体可以参考图2以及相关描述。
其中，训练好的k-均值聚类模型计算待评估特征向量x相对k个目标聚类中心C1、C2、…、Ck的距离d(x,C1)、d(x,C2)、…、d(x,Ck)可以取欧氏距离或者曼哈顿距离等，此处不作具体限定。
以k为3为例，如图4所示，将待评估特征向量x输入训练好的k-均值聚类模型进行质差评估，得到的质差评估结果中包括待评估特征向量x相对3个目标聚类中心C1、C2、C3的欧式距离d(x,C1)、d(x,C2)、…、d(x,Ck)，待评估特征向量x距离目标聚类中心C3的距离最近，训练好的k-均值聚类模型会将待评估特征向量x归属到第三类。
在本申请具体的实施例中，还可以使用训练好的第二质差评估模型对第二类型对应的w条数据流进行质差评估，得到第二质差评估结果。其中，w条数据流为网络设备传输的m条数据流之后的数据流，w为大于0的自然数。
使用训练好的第二质差评估模型对w条数据流进行质差评估，得到第二质差评估结果的过程与使用训练好的第一质差评估模型对w条数据流进行质差评估，得到第一质差评估结果的过程相类似，此处不再展开赘述。
网络设备在得到第一质差评估结果、第二质差评估结果后，可以将第一质差评估结果、第二质差评估结果发送给调度器，调度器可以根据第一质差评估结果、第二质差评估结果有针对性地对目标应用类型的应用进行服务资源的调度，例如，给目标应用类型的应用分配更多或者更少的带宽。用户还可以对质差评估结果进行深入分析，确定目标应用类型的应用存在的问题，如目标应用类型的应用造成用户体验质量差的原因、造成用户体验质量差的故障的严重程度、或者造成用户体验质量差的故障的位置等等。
由上述实施例可以看出，本申请实施例提供的质差评估方法能够使用训练好的第一质差评估模型对网络设备传输的第一类型(即目标应用类型)对应的n条数据流进行质差评估，得到第一质差评估结果，而不是局限于对某个具体的应用进行质差评估，解决了现有质差评估方法中只能对某个具体的应用进行质差评估，无法对属于同一类型的一类应用进行质差评估的问题，通用性高。另外，还可以看出，训练好的第一质差评估模型是使用从m条数据流中筛选出的第一类型对应的数据流对未训练好的第一质差评估模型进行训练得到的，使用筛选出的数据流训练得到的训练好的第一质差评估模型可以更好地对网络设备传输的第一类型对应的n条数据流进行质差评估，得到的第一质差评估结果能够更好地帮助网络运营商进行服务资源的调度。
上文详细阐述了本申请实施例的一种质差评估方法，基于相同的发明构思，下面继续提供本申请实施例的一种质差评估装置，本申请提供的质差评估装置可以应用于路由器或者交换机等网络设备，此处不作具体限定。
参见图5，图5是本申请实施例提供的一种质差评估装置100的结构示意图，该质差评估装置100至少包括：获取模块110、筛选模块120、特征提取模块130、模型训练模块140、质差评估模块150。
获取模块110，用于获取m条数据流，其中，m条数据流为网络设备传输的数据流，m为大于1的自然数。
筛选模块120，用于对m条数据流进行筛选，将m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流，其中，p为大于0的自然数。
特征提取模块130，用于对第一类型对应的数据流进行特征提取，得到第一类型对应的已知特征向量。
模型训练模块140，用于使用第一类型对应的已知特征向量对未训练好的第一质差评估模型进行训练，得到训练好的第一质差评估模型。
质差评估模块150，使用训练好的第一质差评估模型对第一类型对应的n条数据流进行质差评估，得到第一质差评估结果，其中，n条数据流为网络设备传输的m条数据流之后的数据流，n为大于0的自然数。
在本申请具体的实施例中，质差评估模块150，具体用于：
对n条数据流进行特征提取，得到第一类型对应的待评估特征向量；将第一类型对应的待评估特征向量输入训练好的第一质差评估模型进行质差评估，得到第一质差评估结果。
在本申请具体的实施例中，m条数据流为网络设备在t个时间段传输的数据流M1、M2、…、Mt，t为大于1的自然数，在对m条数据流进行筛选，将m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流之前，获取模块110，还用于：获取t个时间段对应t个带宽利用率U1、U2、…、Ut、t个平均吞吐量W1、W2、…、Wt和t个平均吞吐量W1、W2、…、Wt对应的百分位数。
筛选模块120，具体用于：
对m条数据流进行识别，确定m条数据流所属的一个或者多个应用类型；从m条数据流中对应筛选出目标应用类型对应的数据流M1'、M2'、…、Mt'，目标应用类型为m条数据流所属的一个或者多个应用类型中的任意一个应用类型；
在带宽利用率Ui大于第一预设阈值的情况下，确定t个平均吞吐量W1、W2、…、Wt中排序大于第一预设百分位数的平均吞吐量对应的时间段为目标时间段，将目标应用类型对应的数据流M1'、M2'、…、Mt'中与目标时间段对应的数据流作为第一类型对应的数据流Mi”，其中，i为自然数，1≤i≤t；
在带宽利用率Ui小于或者等于第一预设阈值且大于第二预设阈值的情况下，确定t个平均吞吐量W1、W2、…、Wt中排序大于第二预设百分位数的平均吞吐量对应的时间段为目标时间段，将目标应用类型对应的数据流M1'、M2'、…、Mt'中与目标时间段对应的数据流作为第一类型对应的数据流Mi”；
在带宽利用率Ui小于或者等于第二预设阈值的情况下，确定t个平均吞吐量W1、W2、…、Wt中排序大于第三预设百分位数的平均吞吐量对应的时间段为目标时间段，将目标应用类型对应的数据流M1'、M2'、…、Mt'中与目标时间段对应的数据流作为第一类型对应的数据流Mi”；其中，0<第二预设阈值<第一预设阈值，0<第一预设百分位数<第二预设百分位数<第三预设百分位数<100。
在本申请具体的实施例中，筛选模块120，还用于将m条数据流中满足第二预设条件的q条数据流确定为第二类型对应的数据流，其中，q条数据流中的数据流与p条数据流中的数据流均不同，q为大于0的自然数，p+q≤m。
特征提取模块130，还用于对第二类型对应的数据流进行特征提取，得到第二类型对应的已知特征向量。
模型训练模块140，还用于使用第二类型对应的已知特征向量对未训练好的第二质差评估模型进行训练，得到训练好的第二质差评估模型。
质差评估模块150，还用于使用训练好的第二质差评估模型对第二类型对应的w条数据流进行质差评估，得到第二质差评估结果，其中，w条数据流为网络设备传输的m条数据流之后的数据流，w为大于0的自然数。
在本申请具体的实施例中，网络设备中包括至少一个未训练好的质差评估模型，至少一个未训练好的质差评估模型中的每个未训练好的质差评估模型对应一种应用类型，未训练好的第一质差评估模型为至少一个未训练好的质差评估模型中的任意一个，未训练好的第一质差评估模型对应于目标应用类型。
具体地，上述质差评估装置100执行各种操作的具体实现可参照上述方法实施例中相关内容中的描述，为了说明书的简洁，这里不再赘述。
应当理解，质差评估装置100仅为本申请实施例提供的一个例子，并且，质差评估装置100可具有比图5示出的部件更多或更少的部件，可以组合两个或更多个部件，或者可具有部件的不同配置实现。
本申请实施例还提供一种网络设备，参见图6，图6是本申请实施例提供的一种网络设备200的结构示意图，该网络设备200包括：处理器210、通信接口230以及存储器220，其中，处理器210、通信接口230和存储器220通过总线240进行耦合。其中，
处理器210可以包括一个或者多个通用处理器，其中，通用处理器可以是能够处理电子指令的任何类型的设备，包括CPU、微处理器、微控制器、主处理器、控制器以及专用集成电路(application specific integrated circuit，ASIC)等等。处理器210读取存储器220中存储的程序代码，与通信接口230配合执行本申请上述实施例中由质差评估装置100执行的方法的部分或者全部步骤。
通信接口230可以为有线接口(例如以太网接口)或无线接口(例如蜂窝网络接口或使用无线局域网接口)，用于与其他计算节点或装置进行通信。当通信接口230为有线接口时，通信接口230可以采用传输控制协议/网际协议(transmission control protocol/internet protocol，TCP/IP)之上的协议族，例如，远程函数调用(remote function call，RFC)协议、简单对象访问协议(simple object access protocol，SOAP)协议、简单网络管理协议(simple network management protocol，SNMP)协议、公共对象请求代理体系结构(common object request broker architecture，CORBA)协议以及分布式协议等等。
存储器220可以存储有程序代码以及程序数据。其中，程序代码包括：获取模块110的代码、筛选模块120和特征提取模块130的代码等，程序数据包括：m个报文、第一类型对应的报文、第一类型对应的已知特征向量、第一类型对应的待评估特征向量等等。在实际应用中，存储器220可以包括易失性存储器(volatile memory)，例如随机存取存储器(randomaccess memory，RAM)；存储器也可以包括非易失性存储器(non-volatile memory)，例如只读存储器(read-only memory，ROM)、快闪存储器(flash memory)、硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)存储器还可以包括上述种类的存储器的组合。
总线240可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。总线240可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
应当理解，网络设备200仅为本申请实施例提供的一个例子，并且，网络设备200可具有比图6示出的部件更多或更少的部件，可以组合两个或更多个部件，或者可具有部件的不同配置实现。
本申请实施例还提供一种计算机存储介质，计算机存储介质中存储有指令，当其在处理器上运行时，可以实现上述方法实施例中的方法步骤，计算机存储介质的处理器在执行上述方法步骤的具体实现可参照上述方法实施例的具体操作，在此不再赘述。
本申请实施例还提供一种计算机程序产品，当计算机程序产品被计算机读取并执行时，以实现上述方法实施例中记载的质差评估方法的部分或者全部步骤。
在上述实施例中，可以全部或部分地通过软件、硬件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如数字通用光盘(digital video disc，DVD))、或者半导体介质(例如SSD等。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并或删减；本申请实施例装置中的模块可以根据实际需要进行划分、合并或删减。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (12)

1.一种质差评估方法，应用于网络设备，其特征在于，所述方法包括：
获取m条数据流，其中，所述m条数据流为所述网络设备传输的数据流，m为大于1的自然数；
对所述m条数据流进行筛选，将所述m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流，其中，p为大于0的自然数；
对所述第一类型对应的数据流进行特征提取，得到第一类型对应的已知特征向量；
使用所述第一类型对应的已知特征向量对未训练好的第一质差评估模型进行训练，得到训练好的第一质差评估模型；
使用所述训练好的第一质差评估模型对第一类型对应的n条数据流进行质差评估，得到第一质差评估结果，其中，所述n条数据流为所述网络设备传输的所述m条数据流之后的数据流，n为大于0的自然数。
2.根据权利要求1所述的方法，其特征在于，所述使用所述训练好的第一质差评估模型对n条数据流进行质差评估，包括：
对所述n条数据流进行特征提取，得到第一类型对应的待评估特征向量；
将所述第一类型对应的待评估特征向量输入所述训练好的第一质差评估模型进行质差评估，得到第一质差评估结果。
3.根据权利要求1或2任一项所述的方法，其特征在于，所述m条数据流为所述网络设备在t个时间段传输的数据流M1、M2、…、Mt，t为大于1的自然数，在对所述m条数据流进行筛选，将所述m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流之前，所述方法还包括：
获取所述t个时间段对应t个带宽利用率U1、U2、…、Ut、t个平均吞吐量W1、W2、…、Wt和所述t个平均吞吐量W1、W2、…、Wt对应的百分位数；
所述对所述m条数据流进行筛选，将所述m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流，包括：
对所述m条数据流进行识别，确定所述m条数据流所属的一个或者多个应用类型；
从所述m条数据流中对应筛选出目标应用类型对应的数据流M1'、M2'、…、Mt'，所述目标应用类型为所述m条数据流所属的一个或者多个应用类型中的任意一个应用类型；
在带宽利用率Ui大于第一预设阈值的情况下，确定所述t个平均吞吐量W1、W2、…、Wt中排序大于第一预设百分位数的平均吞吐量对应的时间段为目标时间段，将所述目标应用类型对应的数据流M1'、M2'、…、Mt'中与所述目标时间段对应的数据流作为第一类型对应的数据流Mi”，其中，i为自然数，1≤i≤t；
在所述带宽利用率Ui小于或者等于所述第一预设阈值且大于第二预设阈值的情况下，确定所述t个平均吞吐量W1、W2、…、Wt中排序大于第二预设百分位数的平均吞吐量对应的时间段为所述目标时间段，将所述目标应用类型对应的数据流M1'、M2'、…、Mt'中与所述目标时间段对应的数据流作为第一类型对应的数据流Mi”；
在所述带宽利用率Ui小于或者等于所述第二预设阈值的情况下，确定所述t个平均吞吐量W1、W2、…、Wt中排序大于第三预设百分位数的平均吞吐量对应的时间段为所述目标时间段，将所述目标应用类型对应的数据流M1'、M2'、…、Mt'中与所述目标时间段对应的数据流作为第一类型对应的数据流Mi”；
其中，0<所述第二预设阈值<所述第一预设阈值，0<第一预设百分位数<第二预设百分位数<第三预设百分位数<100。
4.根据权利要求1至3任一项所述的方法，其特征在于，在对所述m条数据流进行筛选之后，所述方法还包括：
将所述m条数据流中满足第二预设条件的q条数据流确定为第二类型对应的数据流，其中，所述q条数据流中的数据流与所述p条数据流中的数据流均不同，q为大于0的自然数，p+q≤m；
对所述第二类型对应的数据流进行特征提取，得到第二类型对应的已知特征向量；
使用所述第二类型对应的已知特征向量对未训练好的第二质差评估模型进行训练，得到训练好的第二质差评估模型；
使用所述训练好的第二质差评估模型对第二类型对应的w条数据流进行质差评估，得到第二质差评估结果，其中，所述w条数据流为所述网络设备传输的所述m条数据流之后的数据流，w为大于0的自然数。
5.根据权利要求2至4任一项所述的方法，其特征在于，所述网络设备中包括至少一个未训练好的质差评估模型，所述至少一个未训练好的质差评估模型中的每个未训练好的质差评估模型对应一种应用类型，所述未训练好的第一质差评估模型为所述至少一个未训练好的质差评估模型中的任意一个，所述未训练好的第一质差评估模型对应于所述目标应用类型。
6.一种质差评估装置，应用于网络设备，其特征在于，所述装置包括：
获取模块，用于获取m条数据流，其中，所述m条数据流为所述网络设备传输的数据流，m为大于1的自然数；
筛选模块，用于对所述m条数据流进行筛选，将所述m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流，其中，p为大于0的自然数；
特征提取模块，用于对所述第一类型对应的数据流进行特征提取，得到第一类型对应的已知特征向量；
模型训练模块，用于使用所述第一类型对应的已知特征向量对未训练好的第一质差评估模型进行训练，得到训练好的第一质差评估模型；
质差评估模块，使用所述训练好的第一质差评估模型对第一类型对应的n条数据流进行质差评估，得到第一质差评估结果，其中，所述n条数据流为所述网络设备传输的所述m条数据流之后的数据流，n为大于0的自然数。
7.根据权利要求6所述的装置，其特征在于，所述质差评估模块具体用于：
对所述n条数据流进行特征提取，得到第一类型对应的待评估特征向量；
将所述第一类型对应的待评估特征向量输入所述训练好的第一质差评估模型进行质差评估，得到第一质差评估结果。
8.根据权利要求6或7任一项所述的装置，其特征在于，所述m条数据流为所述网络设备在t个时间段传输的数据流M1、M2、…、Mt，t为大于1的自然数，在对所述m条数据流进行筛选，将所述m条数据流中满足第一预设条件的p条数据流确定为第一类型对应的数据流之前，所述获取模块，还用于：
获取所述t个时间段对应t个带宽利用率U1、U2、…、Ut、t个平均吞吐量W1、W2、…、Wt和所述t个平均吞吐量W1、W2、…、Wt对应的百分位数；
所述筛选模块，具体用于：
对所述m条数据流进行识别，确定所述m条数据流所属的一个或者多个应用类型；
从所述m条数据流中对应筛选出目标应用类型对应的数据流M1'、M2'、…、Mt'，所述目标应用类型为所述m条数据流所属的一个或者多个应用类型中的任意一个应用类型；
在带宽利用率Ui大于第一预设阈值的情况下，确定所述t个平均吞吐量W1、W2、…、Wt中排序大于第一预设百分位数的平均吞吐量对应的时间段为目标时间段，将所述目标应用类型对应的数据流M1'、M2'、…、Mt'中与所述目标时间段对应的数据流作为第一类型对应的数据流Mi”，其中，i为自然数，1≤i≤t；
在所述带宽利用率Ui小于或者等于所述第一预设阈值且大于第二预设阈值的情况下，确定所述t个平均吞吐量W1、W2、…、Wt中排序大于第二预设百分位数的平均吞吐量对应的时间段为所述目标时间段，将所述目标应用类型对应的数据流M1'、M2'、…、Mt'中与所述目标时间段对应的数据流作为第一类型对应的数据流Mi”；
在所述带宽利用率Ui小于或者等于所述第二预设阈值的情况下，确定所述t个平均吞吐量W1、W2、…、Wt中排序大于第三预设百分位数的平均吞吐量对应的时间段为所述目标时间段，将所述目标应用类型对应的数据流M1'、M2'、…、Mt'中与所述目标时间段对应的数据流作为第一类型对应的数据流Mi”；
其中，0<所述第二预设阈值<所述第一预设阈值，0<第一预设百分位数<第二预设百分位数<第三预设百分位数<100。
9.根据权利要求6至8任一项所述的装置，其特征在于，所述筛选模块，还用于将所述m条数据流中满足第二预设条件的q条数据流确定为第二类型对应的数据流，其中，所述q条数据流中的数据流与所述p条数据流中的数据流均不同，q为大于0的自然数，p+q≤m；
所述特征提取模块，还用于对所述第二类型对应的数据流进行特征提取，得到第二类型对应的已知特征向量；
所述模型训练模块，还用于使用所述第二类型对应的已知特征向量对未训练好的第二质差评估模型进行训练，得到训练好的第二质差评估模型；
所述质差评估模块，还用于使用所述训练好的第二质差评估模型对第二类型对应的w条数据流进行质差评估，得到第二质差评估结果，其中，所述w条数据流为所述网络设备传输的所述m条数据流之后的数据流，w为大于0的自然数。
10.根据权利要求7至9任一项所述的装置，其特征在于，所述网络设备中包括至少一个未训练好的质差评估模型，所述至少一个未训练好的质差评估模型中的每个未训练好的质差评估模型对应一种应用类型，所述未训练好的第一质差评估模型为所述至少一个未训练好的质差评估模型中的任意一个，所述未训练好的第一质差评估模型对应于所述目标应用类型。
11.一种网络设备，其特征在于，所述网络设备包括：处理器、通信接口以及存储器；所述存储器用于存储指令，所述处理器用于执行所述指令，所述通信接口用于接收或者发送数据；其中，所述处理器执行所述指令时执行如权利要求1至5任一权利要求所述的方法。
12.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一权利要求所述的方法。
CN202010414492.4A 2020-05-15 2020-05-15 一种质差评估方法及相关设备 Active CN113676341B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010414492.4A CN113676341B (zh) 2020-05-15 2020-05-15 一种质差评估方法及相关设备
EP21173794.5A EP3910881B1 (en) 2020-05-15 2021-05-13 Qoe assessment method and related device
US17/320,497 US11489904B2 (en) 2020-05-15 2021-05-14 Poor-QoE assessment method and related device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010414492.4A CN113676341B (zh) 2020-05-15 2020-05-15 一种质差评估方法及相关设备

Publications (2)

Publication Number Publication Date
CN113676341A true CN113676341A (zh) 2021-11-19
CN113676341B CN113676341B (zh) 2022-10-04

Family

ID=75936696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010414492.4A Active CN113676341B (zh) 2020-05-15 2020-05-15 一种质差评估方法及相关设备

Country Status (3)

Country Link
US (1) US11489904B2 (zh)
EP (1) EP3910881B1 (zh)
CN (1) CN113676341B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115065606A (zh) * 2022-05-31 2022-09-16 中移（杭州）信息技术有限公司 家宽质差分析方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107105224A (zh) * 2017-03-24 2017-08-29 深圳信息职业技术学院 一种视频体验质量评估的方法、装置与系统
CN107733705A (zh) * 2017-10-10 2018-02-23 锐捷网络股份有限公司 一种用户体验质量评估模型建立方法及设备
US20190222491A1 (en) * 2016-11-10 2019-07-18 Ciena Corporation Adaptive systems and methods enhancing service Quality of Experience
CN110362772A (zh) * 2019-06-11 2019-10-22 北京邮电大学 基于深度神经网络的实时网页质量评估方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110093902A1 (en) * 2009-10-16 2011-04-21 At&T Intellectual Property I, L.P. System and Method to Process a Data Stream Having Different Content Types
EP2469795B1 (en) * 2010-02-25 2013-04-17 Ntt Docomo, Inc. Method and apparatus for rate shaping
US10832168B2 (en) * 2017-01-10 2020-11-10 Crowdstrike, Inc. Computational modeling and classification of data streams
US10609206B1 (en) * 2017-07-15 2020-03-31 Sprint Communications Company L.P. Auto-repairing mobile communication device data streaming architecture
EP3439308A1 (en) * 2017-07-31 2019-02-06 Zhilabs S.L. Determination of qoe in encrypted video streams using supervised learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190222491A1 (en) * 2016-11-10 2019-07-18 Ciena Corporation Adaptive systems and methods enhancing service Quality of Experience
CN107105224A (zh) * 2017-03-24 2017-08-29 深圳信息职业技术学院 一种视频体验质量评估的方法、装置与系统
CN107733705A (zh) * 2017-10-10 2018-02-23 锐捷网络股份有限公司 一种用户体验质量评估模型建立方法及设备
CN110362772A (zh) * 2019-06-11 2019-10-22 北京邮电大学 基于深度神经网络的实时网页质量评估方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WU-HSIAO HSU: "Web-Based_QoE_Measurement_Framework", 《2013 INTERNATIONAL CONFERENCE ON SIGNAL-IMAGE TECHNOLOGY & INTERNET-BASED SYSTEMS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115065606A (zh) * 2022-05-31 2022-09-16 中移（杭州）信息技术有限公司 家宽质差分析方法、装置、设备及存储介质
CN115065606B (zh) * 2022-05-31 2023-10-27 中移（杭州）信息技术有限公司 家宽质差分析方法、装置、设备及存储介质

Also Published As

Publication number Publication date
EP3910881A1 (en) 2021-11-17
US20210360050A1 (en) 2021-11-18
EP3910881B1 (en) 2023-07-26
CN113676341B (zh) 2022-10-04
US11489904B2 (en) 2022-11-01

Similar Documents

Publication Publication Date Title
US11057287B2 (en) Systems and methods for setting a rate limit for a computing device
EP4082174B1 (en) System and method for estimation of quality of experience (qoe) for video streaming
JP7184125B2 (ja) トラヒック分析装置、方法及びプログラム
WO2018054342A1 (zh) 一种网络数据流分类的方法及系统
US20130148513A1 (en) Creating packet traffic clustering models for profiling packet flows
CN110505101B (zh) 一种网络切片编排方法及装置
US20110078291A1 (en) Distributed performance monitoring in soft real-time distributed systems
US11606448B2 (en) Efficient capture and streaming of data packets
WO2014090075A1 (en) System and method for estimating an effective bandwidth
CN116545936B (zh) 拥塞控制方法、系统、装置、通信设备及存储介质
CN110622480B (zh) 移动视频流的流量画像系统、设备和方法
CN103227756B (zh) 在线协议优化方法和装置
WO2019179473A1 (en) Methods and devices for chunk based iot service inspection
Tsvetkov et al. Model of Restoration of the Communication Network Using the Technology of Software Defined Networks
CN113676341B (zh) 一种质差评估方法及相关设备
CN113992544A (zh) 端口流量分配的优化方法、装置
CN106603426A (zh) 报文丢弃方法及装置
Hagos et al. Classification of delay-based TCP algorithms from passive traffic measurements
TWI718778B (zh) 聯網裝置及其流量預估方法
CN112714037A (zh) 一种线上服务质量的保障性能评估方法、装置及设备
Chandrasekhar et al. Experience-centric mobile video scheduling through machine learning
JP2016116026A (ja) 通信識別方法および装置
Gudibanda et al. Fast detection of elephant flows with Dirichlet-categorical inference
CN115396319B (zh) 数据流分片方法、装置、设备及存储介质
WO2024174908A1 (zh) 码率控制方法、装置、媒体服务器、终端设备及存储介质

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