CN114207634A - 使用基于容量的供给关于企业体系架构的动态生成 - Google Patents

使用基于容量的供给关于企业体系架构的动态生成 Download PDF

Info

Publication number
CN114207634A
CN114207634A CN202080049440.XA CN202080049440A CN114207634A CN 114207634 A CN114207634 A CN 114207634A CN 202080049440 A CN202080049440 A CN 202080049440A CN 114207634 A CN114207634 A CN 114207634A
Authority
CN
China
Prior art keywords
enterprise
network
networks
health score
enterprise network
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
Application number
CN202080049440.XA
Other languages
English (en)
Inventor
A·C·阿姆罗德
S·普雷拉
G·武卡因克
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.)
Extreme Networks Inc
Original Assignee
Extreme Networks Inc
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 Extreme Networks Inc filed Critical Extreme Networks Inc
Publication of CN114207634A publication Critical patent/CN114207634A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • 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
    • H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
    • H04L41/5054—Automatic deployment of services triggered by the service manager, e.g. service implementation by automatic configuration of network components
    • 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
    • H04L41/5003—Managing SLA; Interaction between SLA and QoS
    • H04L41/5019—Ensuring fulfilment of SLA
    • H04L41/5025—Ensuring fulfilment of SLA by proactively reacting to service quality change, e.g. by reconfiguration after service quality degradation or upgrade
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本公开涉及用于为企业网络生成企业体系架构的系统和方法。作为一个示例，一种方法可以包括：从多个企业网络接收历史信息，该历史信息包括关于企业网络中的每个企业网络的企业体系架构的信息；分析来自多个企业网络的历史信息以生成多个企业网络中的每个企业网络的网络健康分数；基于历史信息和多个企业网络中的每个企业网络的网络健康分数使用多个机器学习算法训练机器学习模型；以及使用机器学习模型为第一企业网络生成企业体系架构，第一企业网络是新企业网络或多个企业网络中的现有企业网络。

Description

使用基于容量的供给关于企业体系架构的动态生成
以下申请通过引用整体并入本文：于2019年6月6日提交的标题为“Capacity-Based Service Provisioning”的美国临时申请62/858,303。
背景技术
企业联网是指网络的物理、虚拟和/或逻辑设计，以及各种软件、硬件和协议如何协同工作以传输数据。企业网络可以包括例如路由器、交换机、接入点和不同的站点。用于设计企业体系架构的设计协议可以利用基于企业网络类型的企业网络蓝图。这些蓝图本质上是静态的，并且因此可能会随着体系架构设计的改进或技术的进步而过时。
附图说明
附图并入本文并构成说明书的一部分。
图1描绘了根据本公开各方面的基于容量的服务供给系统(capacity-basedservice provisioning system)的示例的图。
图2描绘了根据本公开各方面的示例企业网络。
图3描绘了根据本公开各方面的示例机器学习模型。
图4描绘了根据本公开各方面的用于基于容量的服务供给的方法的示例的流程图。
图5描绘了根据本公开各方面的企业网络资源分析引擎的示例的图。
图6描绘了根据本公开各方面的用于企业网络资源分析的方法的流程图。
图7描绘了根据本公开各方面的企业网络比较引擎的图。
图8描绘了根据本公开各方面的用于企业网络比较的方法的流程图。
图9描绘了根据本公开各方面的企业网络需求预测引擎的图。
图10描绘了根据本公开各方面的用于网络需求预测的方法的流程图。
图11描绘了根据本公开各方面的用于生成企业体系架构的方法的流程图。
图12是根据本公开各方面的用于实现各种实施例的示例计算机系统。
在附图中，相同的附图标记通常指示相同或相似的元件。此外，一般而言，参考标号最左边的(一个或多个)数字标识了该参考标号第一次出现的图。
具体实施方式
应该认识到的是，具体实施方式部分，而不是摘要部分，旨在用于解释权利要求。发明内容和摘要部分可以阐述(一个或多个)发明人所设想的一个或多个但不是所有的示例实施例，因此，并不旨在以任何方式限制所附权利要求。
本文描述的引擎可以被实现为基于云的引擎。例如，基于云的引擎可以是可以使用基于云的计算系统运行应用和/或功能的引擎。应用和/或功能的全部或部分可以分布在多个计算设备上，并且不必仅限于一个计算设备。在一些实施例中，基于云的引擎可以执行终端用户通过web浏览器或容器应用访问的功能和/或模块，而无需将功能和/或模块本地安装在终端用户的计算设备上。
在一些实施例中，数据存储库可以包括具有任何适用的数据组织，包括表、逗号分隔值(CSV)文件、数据库(例如，SQL)或其它适用的已知组织格式的储存库。数据存储库可以被实现为例如实施在通用或专用机器上的物理计算机可读介质、固件、硬件、其组合、或可应用的已知设备或系统中的软件。与数据存储库相关联的组件，诸如数据库接口，可以被认为是数据存储库的一部分、某个其它系统组件的一部分或其组合。
数据存储库可以包括数据结构。在一些实施例中，数据结构可以与在计算机中存储和组织数据的特定方式相关联，使得它可以在给定的上下文中被高效地使用。数据结构可以基于计算机在其存储器中的任何位置获取和存储数据的能力。因此，一些数据结构可以基于使用算术运算计算数据项的地址；而其它数据结构可以基于在结构本身内存储数据项的地址。许多数据结构使用这两种原理。数据结构的实现可能需要编写一组创建和操纵该结构的实例的过程。本文描述的数据存储库可以是与基于云的计算系统和引擎兼容的基于云的数据存储库。
图1描绘了基于容量的服务供给系统的示例的图100。图100包括企业网络104-1至104-n(统称为多个企业网络104)、服务器120和网络125。环境100的设备可以包括图12中所示的计算机系统1200，下面更详细地讨论。以图1中所示的设备和网络的数量和布置作为示例。例如，多个企业网络104可以包括数千个企业网络，使得本文描述的处理在计算上是复杂的并且不能由人类合理地大规模执行。即，在连续的基础上分析数千个企业网络的企业体系架构并随着从此类分析中学到的信息的演变为其它企业网络提供更新的推荐实际上是人类无法执行的。实际上，与图1中所示的设备和/或网络相比，可能存在附加的设备和/或网络、更少的设备和/或网络、不同的设备和/或网络、或不同布置的设备和/或网络。此外，图1中所示的两个或更多个设备可以在单个设备内实现，或者图1中所示的单个设备可以被实现为多个分布式设备。附加地或备选地，环境100的一组设备(例如，一个或多个设备)可以执行被描述为由环境100的另一组设备执行的一个或多个功能。
服务器120可以包括能够经由网络125与多个企业网络104通信的服务器设备(例如，主机服务器、web服务器、应用服务器等)、数据中心设备或类似设备。服务器120可以包括机器学习模型130。
在一些实施例中，机器学习模型130可以使用有监督的机器学习算法、无监督的机器学习算法或两者的组合来训练，以对多个企业网络104中的每一个进行分类。例如，机器学习模型130可以使用基于密度的聚类技术(诸如但不限于K均值聚类算法或支持向量聚类算法)来训练以聚类多个企业网络104中的每一个。作为一个示例，基于密度的聚类技术可以基于每个不同类型的企业网络(例如，学术机构、公司等)的每个接入点的客户端设备的数量来聚类多个企业网络104。
基于聚类企业网络，可以训练机器学习模型130以将聚类企业网络与不同的企业体系架构相关联。例如，机器学习模型130可以使用关联算法来训练，诸如但不限于apriori算法、eclat算法或频繁模式增长(FP-增长)算法，以确定不同类别的企业与其各自的企业体系架构之间的相关性。
在一些实施例中，可以使用序列建模算法进一步训练机器学习模型130。例如，机器学习模型130可以使用序列生成算法使用从多个企业网络104收集的数据来训练。在一些实施例中，从多个企业网络104收集的数据可以用作训练数据集以使得机器学习模型130能够生成与训练数据的企业体系架构类似的企业体系架构。
在一些实施例中，可以使用统计推断算法进一步训练机器学习模型130。例如，可以使用从多个企业网络104收集的数据来训练机器学习模型130，以使得机器学习模型130能够基于对多个企业网络104的统计分析来生成企业体系架构。以每个接入点的设备数量作为示例，可以训练机器学习模型130来分析每个接入点的设备数量，然后基于类似企业网络的每个接入点的平均设备数量推荐每个接入点的提供最佳性能的设备数量。继续该示例，机器学习模型130还可以基于每个接入点的设备数量的平均数量的标准偏差来生成推荐。
在一些实施例中，可以使用集体推断算法进一步训练机器学习模型130。例如，机器学习模型130可以使用集体推断算法进行训练，以便对多个企业网络104的企业体系架构进行统计分析，并基于它们各自的体系架构同时对多个企业网络104进行分类和标记。
网络125可以包括一个或多个有线和/或无线网络。例如，网络125可以包括蜂窝网络(例如，长期演进(LTE)网络、码分多址(CDMA)网络、3G网络、4G网络、5G网络、另一种类型的下一代网络等)、公共陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网络(例如，公共交换电话网络(PSTN))、专用网络、自组织网络、内联网、互联网、基于光纤的网络、和/或云计算网络等，和/或这些或其它类型网络的组合。
参考图2，多个企业网络104中的每一个可以包括服务参数数据存储库208、网络设备210-1至210-n(统称为网络设备210)、分别耦合到网络设备210的站点212-1至212-n(统称为站点212)和基于容量的服务客户端引擎214。
在一些实施例中，站点212可以是客户端设备，诸如连接到网络125的有线或无线设备。在一些实施例中，站点212可以是例如移动电话(例如，智能电话、无线电话等)、手持计算机、游戏设备、可穿戴通信设备(例如，智能手表、一副智能眼镜等)、台式计算机、膝上型计算机、平板计算机或类似类型的设备。例如，在一些实施例中，站点212可以是无线设备，诸如包括无线网络接口的瘦客户端设备或超瘦客户端设备，无线设备可以通过无线网络接口通过无线通信信道无线地接收数据。无线网络接口可以用于通过网络125将无线设备生成的数据发送到远程或本地系统、服务器、引擎或数据存储库。站点212可以被称为在企业网络104的无线网络“上”，但可能不是企业网络104的财产。例如，站点212可以是通过企业网络104的访客或其它网络访问服务的私有设备，或者企业网络104拥有的位于无线网络上的IoT设备。
网络设备210可以是例如路由器、交换机、接入点、网关，包括无线网关、中继器或其任何组合，如本领域普通技术人员应当理解的。
基于容量的服务客户端引擎214可以是这样的引擎，其使得多个企业网络104中的每一个的用户或人工代理能够向服务器120提供关于企业网络104的信息并且从服务器120接收对企业体系架构的推荐。在一些实施例中，服务参数数据存储库208可以被实现为可以由多于一方更新的共享数据库，企业以外的一方可以访问经由企业的专用网络内的镜像端口的流量或在企业以外的一方可以访问的介质上传入或传出专用网络的流量。
在一些实施例中，多个企业网络104中的每一个可以将与企业体系架构相关的信息存储在图2的服务参数数据存储库208中。服务参数数据存储库208可以包括企业的网络服务参数。例如，服务参数208可以包括软件和网络许可、绿色网络资源消耗参数和特定于企业的网络接入策略，这只是仅举几类参数。在一些实施例中，服务参数数据存储库208还包括与服务的利用率相关联的消耗参数。该信息可以是特定于实现和/或配置的，并且可以包括与逻辑和物理数据资产以及对应的数据管理资源和企业的技术体系架构相关的信息。信息可以包括其它信息，诸如商业信息，诸如预算目标、绿色倡议(green initiative)等。例如，绿色倡议可以包括但不限于：当没有连接到接入设备的客户端设备时通过关闭接入设备的组件(例如，无线电收发装置)来降低接入设备的功耗、以较低的频率操作接入设备的组件、降低接入设备的传输功率、降低接入设备的网络端口的速度和/或将客户端设备移动到相邻的接入设备并将接入设备置于睡眠模式。信息还可以包括来自政府数据库、商业数据库、新闻来源、社交媒体等的第三方分析。信息还可以包括通过监视网络流量和性能、能源性能、设备利用率、数据中心性能、资源部署性能、电源管理性能、网络安全性能、本地化的人类活动等获得的数据。
在一些实施例中，网络流量和性能信息可以包括例如在企业体系架构上操作的设备的带宽、吞吐量、延迟、抖动和错误率。网络流量和性能信息还可以包括诸如每个接入点的设备数量和接入点的对应服务质量之类的信息。在一些实施例中，能量性能可以包括产品寿命、数据中心设计、资源部署、电源管理、材料回收、云计算、边缘计算、远程办公。在一些实施例中，数据中心性能信息可以包括信息技术(IT)系统参数、环境条件、空气管理、冷却系统参数、电气系统参数等。在一些实施例中，资源部署性能信息可以包括算法效率、资源分配、虚拟化、终端服务器等。在一些实施例中，电源管理性能信息可以包括操作系统支持、供电、存储、视频卡使用、显示特性等。在一些实施例中，网络安全性能信息可以包括防火墙、电子邮件安全性、防病毒/反恶意软件、网络分段、访问控制、应用安全性、行为分析、数据丢失预防、入侵预防、移动设备安全性、虚拟专用网络(VPN)安全性、web安全性、无线安全性等。
如图3中所示，服务器120可以包括企业网络数据存储库316，并且机器学习模型130可以包括企业网络资源分析引擎318、企业网络比较引擎320、企业网络需求预测引擎322、服务容量推荐引擎324和基于容量的服务服务器引擎326。
企业网络数据库316可以存储与多个企业网络104中的每一个的真实世界资源相关的信息。该信息可以是特定于实现和/或配置的，但出于说明的目的，可以包括许可、网络能力、绿色倡议等的知识。在一些实施例中，企业网络数据存储库316可以存储从多个企业网络104中的每一个的服务参数数据存储库208接收的信息。在一些实施例中，企业网络数据库316还可以存储来自政府数据库、商业数据库、新闻来源、社交媒体等的第三方分析的数据。也可以从监视网络流量、设备利用率、本地化的人类活动等中获得数据。
在一些实施例中，企业网络资源分析引擎318可以分析在企业网络数据库316中表示的多个企业网络104中的每一个的资源。企业网络资源分析引擎318可以将通过分析多个企业网络104中的每一个而获得的分析存储在企业网络数据存储库316中。在一些实施例中，企业网络资源分析引擎318可以使用关于企业网络104的信息来为多个企业网络104中的每一个生成健康分数。作为一个示例，企业网络资源分析引擎318可以基于多个企业网络104中的每一个的网络性能来确定健康分数。
在一些实施例中，企业网络比较引擎320可以是使用企业网络数据存储库316中的信息将企业网络104之一的企业网络参数与企业网络104中的另一个的企业网络参数进行比较的引擎。在一些实施例中，企业网络比较引擎320可以将企业网络104之一与其它类似企业进行比较，诸如按业务部门、企业类型，例如教育机构、办公楼、企业园区、公共购物中心、公园、员工数量、收入等。为了生成与具有相似简档的企业的企业体系架构紧密匹配的企业体系架构，该比较可能是有用的。
在一些实施例中，企业网络需求预测引擎322可以基于可用资源、资源利用率数据和分析以及商业计划来确定适合企业需要和目标的资源利用计划。这可以包括减少未充分利用的许可的容量的数量、关闭未充分利用的设备或将其置于睡眠模式、通过未充分利用的网络设备引导流量路径、根据地点中的人类活动控制照明或HVAC、准备对看似有故障的设备的服务订单，重新配置设备以匹配明显的需求，这只是列举几种可能性。这还可以包括基于多个企业网络104中的每一个的个体需求基于高峰时段和非高峰时段来预测需求。以教育机构作为一个示例，在例如暑假和寒假期间(例如非高峰时段)对网络资源的需求可能会减少，而在上课期间(例如高峰时段)对网络资源的需求可能会激增。这可以使用建模流水线来实现，该建模流水线可以基于一种或多种技术的组合，诸如模式挖掘技术、递归特征消除技术、和/或梯度提升技术等。模式挖掘技术可以是例如序列模式挖掘技术(例如，使用等价类(SPADE)的序列模式发现技术、频繁闭合序列模式挖掘技术、和/或最大序列模式垂直挖掘(VMSP)技术等)。在还有的实施例中，建模流水线可以基于一种或多种数据挖掘技术，诸如跟踪模式、分类、关联或聚类。
在一些实施例中，服务容量推荐引擎324关于现有企业网络(例如，多个企业网络104)的资源利用率创建推荐，或者在开发新的企业网络时创建推荐。这些推荐可能强调降低成本、能源效率、基础设施建设和灾难恢复准备。应该理解的是，这些仅仅是示例，并且根据本公开的方面进一步设想了其它推荐。
在一些实施例中，基于容量的服务推荐服务器引擎326可以充当基于容量的服务客户端引擎314的客户端的服务器。来自多个企业网络104的通信可以表征为通过基于容量的服务服务器引擎126，包括流量、流量分析、能源消耗等，这些可以用适当配置的设备和可以从企业网络104的相关代理提供的资源参数、绿色倡议目标、安全目标等自动检测。假定此类数据存储在企业网络数据存储库316中。
图11是用于生成企业体系架构的示例方法1100的流程图。在一些实施例中，关于图11描述的一个或多个处理可以由关于图1-3讨论的设备之一执行。
在1102处，方法1100可以包括在服务器，例如图1的服务器102处接收来自多个企业网络，例如图1的多个企业网络104的历史信息。在一些实施例中，历史信息可以包括关于企业网络中的每个企业网络的体系架构的信息。例如，历史信息可以包括来自各个数据存储库208的关于多个企业网络中的每个企业网络的信息。
在1104处，该方法可以包括由服务器120分析来自多个企业网络的历史信息以生成多个企业网络中的每个企业网络的网络健康分数。例如，服务器120可以被配置为计算多个企业104中的每一个的企业体系架构的健康分数。这可以通过企业网络资源分析引擎318来实现，如图3中所示。企业网络资源分析引擎318可以分析企业网络104中的每一个的资源并且将从这些分析获得的分析存储在企业网络数据存储库316中。在一些实施例中，企业网络资源分析引擎318可以使用关于多个企业网络104的信息来确定企业网络104中的每一个的健康分数。
在一些实施例中，健康分数可以例如基于从零(0)到一百(100)的尺度，其中较高的健康分数指示企业网络104的企业体系架构的更好性能。在一些实施例中，为多个企业网络104中的每一个生成网络健康分数可以包括基于多个子网络健康分数为多个企业网络中的每个企业网络生成总体网络健康分数。例如，多个子组件可以包括但不限于：设备分数、安全分数、服务分数(例如，域名系统(DNS)/动态主机配置协议(DHCP))、应用服务分数、Wi-Fi分数、网络服务分数(例如，到外部网络的往返时间)和/或客户端分数。本领域普通技术人员应该理解的是，这些仅仅是子组件的示例，并且可以使用更多或更少的子组件来确定总体网络健康分数。在一些实施例中，健康分数可以是多个子组件的平均值。在一些实施例中，当确定健康分数时，多个子组件可以被赋予不同的权重。在一些实施例中，基于企业的优先级，分配给任何给定子组件的权重可以从一种类型的企业到另一种类型的企业而不同。例如，一些企业可能会强调为用户提供尽可能最好的无线连接，使得Wi-Fi分数可能比任何其它子组件赋予更高的权重。
在1106处，方法1100还可以包括使用多个机器学习算法基于历史信息和多个企业网络中的每个企业网络的网络健康分数来训练机器学习模型，例如图1的机器学习模型130。在一些实施例中，机器学习模型130可以使用有监督的机器学习算法、无监督的机器学习算法或两者的组合来训练，以对多个企业网络104中的每一个进行分类，从而将聚类企业网络与不同的企业体系架构相关联、生成与训练数据的企业体系架构类似的企业体系架构、基于对多个企业网络104的统计分析生成企业体系架构、关于多个企业网络104的企业体系架构进行统计分析，和/或基于多个企业网络104各自的体系架构同时分类和标记多个企业网络104，如本文所讨论的。
在1108处，该方法还可以包括使用机器学习模型130生成第一企业网络的企业体系架构。在一些实施例中，第一企业网络可以是新企业网络或多个企业网络104中的现有企业网络。在一些实施例中，为第一企业网络生成企业体系架构可以包括使用机器学习模型130识别与第一企业网络具有相同类别的多个企业网络130中的企业网络的子集、将第一企业网络与企业网络的子集进行比较，以识别至少一个企业网络，其中比较是基于用于生成第一企业网络的企业体系架构的一个或多个参数，以及基于识别出的至少一个企业网络的企业体系架构来生成第一企业网络的企业体系架构。
即，通过聚合和分析多个企业网络104中的每个企业网络的信息并对多个企业网络104中的每一个进行分类，服务器120使用机器学习模型130可以为类似类型的企业提供推荐。例如，服务器120可以接收为新的企业网络生成企业体系架构的请求，并且服务器120可以使用机器学习模型130来识别与发出请求的企业网络的简档匹配的企业网络并检索识别出的企业网络的企业体系架构信息。例如，请求可以来自企业，诸如学校，并且服务器120使用机器学习模型130可以识别具有类似简档的其它企业网络，例如具有类似规模、位置、用户数量、连接设备数量等的其它学校。
在一些实施例中，请求可以包括对多个健康分数组件中的一个进行优先化的请求。在一些实施例中，请求还可以包括一个或多个参数。例如，一个或多个参数可以包括预算参数，例如，企业体系架构的预计预算、优先级参数，例如，对多个健康分数组件之一进行优先化的请求、地理参数，例如，企业的规模和位置，以及复杂性参数，例如，限制企业体系架构复杂性以简化实现的请求或对企业体系架构内的多个子体系架构(例如，企业内密度较低位置的第一子体系架构(诸如大学的行政大楼、学术大楼和学生宿舍)和大学的密度较高位置的第二子体系架构(诸如体育场馆和竞技场))的请求。本领域的普通技术人员应该理解的是，这些仅仅是示例参数，并且根据本公开的方面进一步设想了其它参数。作为响应，机器学习模型130可以识别对于指定的健康分数组件和/或匹配参数具有最高分数的类似企业的企业体系架构。一旦已经识别出类似的企业网络，机器学习模型130就可以基于识别出的企业网络的企业体系架构为发出请求的企业网络生成企业体系架构。
在一些实施例中，服务器120还可以被配置为从多个企业网络104中的每一个连续接收历史信息，并基于连续接收到的历史信息更新多个企业网络104中的每一个的网络健康分数。在一些实施例中，机器学习模型130可以基于连续接收到的历史信息和更新后的网络健康分数被连续训练。即，服务器120可以连续监视多个企业104中的每一个，以及企业体系架构的变化如何影响健康分数的多个子组件中的每一个和企业的整体健康分数。例如，在一些实施例中，服务器120可以监视连接到企业的接入点的站点212的数量以及这如何影响健康分数的Wi-Fi组件，以及企业的整体健康分数，例如，在哪一点处站点212的数量将接入点提供的无线连接的质量降低到低于阈值水平。因此，机器学习模型130可以连续学习不同的变化如何影响企业体系架构并且应用该知识来向类似企业提供推荐。例如，对于现有企业，机器学习模型130可以学习某些变化将如何影响企业体系架构的整体健康分数，例如提高或降低健康分数，并且机器学习模型130可以因此相应地提供推荐。在一些实施例中，对于现有企业，推荐可以基于从类似类型的其它企业以及当前企业学到的知识的组合。
在一些实施例中，服务器120还可以监视第一企业网络的性能、基于监视的性能计算第一企业网络的健康分数的变化、确定健康分数变化的原因，以及生成一个或多个用于更新第一企业网络的企业体系架构以修改健康分数变化的原因的推荐。即，在一些实施例中，服务器120可以连续监视多个企业网络104中的每一个的性能并且基于性能计算多个企业网络104中的每一个的健康分数。此外，机器学习模型130可以分析多个企业网络104中的每一个的更新后的健康分数，以便在识别出对企业体系架构的改进时提供更新的推荐。这可以实现，因为机器学习模型130连续地从对多个企业104所做的改变中学习并相应地更新它们的健康分数，使得基于机器学习模型130可用的最新信息专门为每个单独的企业网络定制推荐。
在一些实施例中，可以基于企业网络在特定时间的特定需要来动态更新推荐。例如，一些企业网络可能会经历季节性的网络需求激增，例如节日季或开学季期间的购物中心、夏天期间的游乐园，或者一些企业网络可能会经历网络需求的波动，例如，学术机构可能会在整个学年中经历网络需求的波动。为了解决这些变化，机器学习模型130可以向企业网络提供使得企业网络能够基于当时的网络需求按需改变企业体系架构的动态推荐。为了实现这一点，机器学习模型130可以关于这种波动在历史需求上进行训练，并基于预测的网络需求提供推荐，使得管理员可以及时实现任何改变。
图4描绘了用于基于容量的服务供给的方法400。在一些实施例中，关于图4描述的一个或多个处理可以由关于图1-3讨论的设备之一执行。虽然方法400的描述是针对单个企业网络104进行的，但是本领域的普通技术人员应该理解的是，可以针对多个企业网络104中的每一个执行本文关于图4描述的功能。
在402处，方法400包括根据企业网络的服务参数操作企业网络，例如，图1的多个企业网络104之一。企业网络可以包括向站点(诸如图2的站点212)提供网络服务的网络设备，诸如图2的网络设备210。服务参数可以包括本文讨论的服务参数，诸如硬件要求、软件、网络流量、外部站点、许可，以及与企业目标相关的服务参数，诸如与安全、绿色倡议、服务质量或其它倡议相关联的服务参数。这些服务参数可以存储在服务参数数据存储库中，诸如图2的服务参数数据存储库208，并且还可以包括与服务利用率相关联的容量参数和消耗参数。
在404处，方法400还可以包括将服务参数、流量、流量分析和其它特定于企业的数据提供给服务器，例如图1的服务器120。这可以使用图2的基于容量的服务客户端引擎214来实现，该引擎可以通过网络125将数据传输到服务器120。在一些实施例中，还可以通过另一种机制(诸如可以通过其分析流量的镜像端口、直接存储到共享数据库等)来供给服务参数。
在406处，方法400可以包括使用服务器120的机器学习模型130分析服务参数以获得资源消耗模型。例如，机器学习模型130使用图3的企业网络分析引擎318可以分析服务参数以基于企业104的一组给定的服务容量和消耗来确定消耗的与可用的网络资源的比率。例如，关于网络流量，可用的和消耗的网络资源可能随着时间、位置等而不同。进而，机器学习模型130执行的分析可以包括识别可用性和/或消耗的模式。这些模式可以使用例如建模流水线建模，该建模流水线可以基于一种或多种技术的组合，诸如模式挖掘技术、递归特征消除技术、和/或梯度提升技术等。模式挖掘技术可以是例如序列模式挖掘技术(例如，使用等价类(SPADE)的序列模式发现技术、频繁闭合序列模式挖掘技术、和/或最大序列模式垂直挖掘(VMSP)技术等)。在还有的实施例中，建模流水线可以基于一种或多种数据挖掘技术，诸如跟踪模式、分类、关联或聚类。建模流水线可以用于任何服务参数，诸如但不限于软件许可容量、绿色倡议目标等。
在408处，方法400还可以包括使用图3的企业网络比较引擎320将企业网络的消耗模型与其它企业网络的消耗模型进行比较。在一些实施例中，可以与在一些方面类似于企业网络的其它企业网络进行比较，诸如按类型、行业、规模、地理位置等。企业网络的一些管理员可能想知道他们的网络与类似的企业网络相比如何，并以类似的方式对其企业体系架构进行建模，以匹配服务质量、绿色倡议、安全要求(例如，多个虚拟局域网(VLAN)、认证协议，诸如802.1x或使用预共享密钥(PSK))等。
在410处，方法400还可以包括使用图3的企业网络需求预测引擎322预测企业网络的需求，诸如解决下降到阈值质量水平以下的服务、解决服务例如在季节变化期间、在执行新资源的部署时或在维护窗口期间的预期变化、解决许可的未充分利用等。在一些实施例中，预测可以包括将历史消耗模型与预测消耗模型进行比较。可以使用企业的历史消耗模型和实现类似倡议的类似企业的历史消耗模型及其对企业产生的影响的比较来生成预测消耗模型。在一些实施例中，可以使用企业的历史消耗模型和企业体系架构的新组件的已知能力(例如，具有已知规范的升级接入点)来生成预测模型。在一些实施例中，可以使用企业的历史消耗模型和企业位置的预期变化(例如，如果办公室从一个位置移动到另一个位置或从其他建筑物到园区)来生成预测模型。应该理解的是，预测可以考虑可用的粒度细节(例如，当特定用户从一个办公室移动到另一个办公室时，该特定用户对无线资源的消耗)。
在412处，方法400可以包括图3描述的服务容量推荐引擎324进行服务容量推荐。在一些实施例中，推荐可以响应于历史的、潜在随时间或位置变化的服务容量与服务消耗的比率、企业网络与其它类似企业之间的比较和/或未来需求，无论它们是与缺乏网络、经济或其它资源相关联的需求或实现企业网络目标的需求。在一些实施例中，推荐可以包括减少给定资源的容量的推荐，潜在地甚至包括服务质量下降的程度(如果它满足企业的目标，例如诸如降低成本)的推荐。
图5描绘了图3的企业网络资源分析引擎318的示例的图500。图300包括容量计算引擎502、企业分配数据存储库504、容量参数数据存储库506、网络拓扑数据存储库508、容量建模引擎510、容量模型数据存储库512、资源利用率数据存储库514、消耗计算引擎516、消耗参数数据存储库518、消耗建模引擎520和消耗模型数据存储库522。在一些实施例中，引擎502、510、516、520对应于类似于图3的企业网络资源分析引擎318的引擎，并且数据存储库504、506、508、512、514、522对应于与图3的企业网络数据存储库316类似的数据存储库。虽然图500的描述是针对单个企业网络104进行的，但是本领域的普通技术人员应该理解的是，可以针对多个企业网络104中的每一个执行本文关于图5描述的功能。
在一些实施例中，容量计算引擎502可以确定企业网络，例如企业网络104的容量。例如，在一些实施例中，容量计算引擎502可以使用企业网络104的许可信息和许可限制来确定企业网络104的许可使用。在一些实施例中，许可信息可以包括可用许可的数量和当前使用的许可的数量。许可信息可以从企业网络104本身、许可的提供者、通过第三方或从第三方数据推导获得。企业网络104的许可限制可以来自硬件、软件或自发限制，诸如包括绿色倡议、费用上限(例如，限制在年度许可上花费的金额)、安全倡议等的自发限制。
在一些实施例中，企业分配数据存储库504可以是指示如何在企业网络104内分配容量的数据存储库。例如，如何根据用户、组、部门、位置等分配容量。在一些实施例中，理解如何分配容量对于确定如何重新分配容量可能是有用的。在一些实施例中，容量参数数据存储库506可以存储与整个企业网络104的容量分配，例如容量(例如，软件许可、网络许可、限制等)和根据当前许可的和有限的参数对企业网络员工、办公室、用户组等的容量分配相关联的信息。
在一些实施例中，网络拓扑数据存储库508可以存储与企业网络104内的网络设备、软件资源和用户相关联的信息。容量分配可以特定于网络拓扑的特定分支(例如，在网络设备之间)、VLAN、用户等。在一些实施例中，容量建模引擎510可以使用容量参数数据存储库506和网络拓扑数据存储库508的数据结构来创建容量模型。有利的是，模型可以用于图形化地表示企业网络104内的容量和容量分配。在一些实施例中，容量模型数据存储库512可以存储与企业网络的组件相关联的信息以及与那些组件相关联的容量分配。在一些实施例中，容量模型还可以用不同的颜色、形状或大小来图示容量以表示与组件相关联或组件之间的不同容量。
在一些实施例中，资源利用率数据库514可以存储流量参数、硬件利用率、软件利用率等，并且消耗计算引擎516可以使用来自资源利用率数据库514的数据来计算资源利用率。在一些实施例中，消耗参数数据库518可以存储与整个企业网络104的资源利用率相关的信息。例如，信息可以包括软件许可的使用席位、消耗的计算机资源、网络节点之间的流量参数等。消耗参数可以具有指示资源在哪里被消耗(例如，由设备)以及何时使用资源的时空参数。在一些实施例中，消耗建模引擎520可以将来自容量模型数据存储库512的容量模型应用于来自消耗参数数据存储库518的消耗参数。因为容量模型包括网络拓扑和资源容量分配，因此消耗参数可以在与相关容量分配相关联的相关网络节点处与模型匹配。有利的是，在一些实施例中，模型可以用于以图形方式表示企业网络内的容量和容量分配，并叠加实际资源利用率。
在一些实施例中，消耗模型数据存储库522可以存储与企业网络104的组件以及与具有叠加的资源利用率的那些组件相关联的容量分配相关的信息。例如，消耗模型可以用图形表示，其中消耗与不同颜色、形状或大小相关联以表示网络资源的不同利用率。在一些实施例中，未充分利用的资源可以用绿色表示，而过度利用的资源可以用红色表示，在网络节点之间可能具有更粗的线以指示未充分利用或过度利用的程度。在一些实施例中，过滤器可以应用于模型以强调成本分配、服务质量、能源消耗或企业管理员关注的其它利用方面。
图6描绘了用于企业网络资源分析的方法的示例的方法600。虽然方法600的描述是针对单个企业网络104进行的，但是本领域的普通技术人员应该理解的是，可以针对多个企业网络104中的每个企业网络执行本文关于图6描述的功能。
在602处，方法600包括使用图5的容量计算引擎502确定企业网络，诸如图1的企业网络104的容量。可以通过分析企业网络可用的资源和对这些资源的任何限制来确定容量。容量确定的结果可以是容量参数。
在604处，方法600可以包括使用图5的容量建模引擎510使用企业网络104的网络拓扑创建容量模型。通过将容量参数映射到网络拓扑，容量模型不仅可以表示企业网络可用的容量，还可以表示该容量可用的地方(如果适用)。
在606处，方法600可以包括使用图5的消耗计算引擎516确定企业网络104的消耗参数。在一些实施例中，可以通过分析资源利用率——包括流量、计算时间、分配的软件许可席位等，来确定消耗参数。消耗计算的结果可以被称为消耗参数。
在608处，方法600可以包括使用图5的消耗建模引擎520根据容量模型和消耗参数创建消耗模型。在一些实施例中，消耗参数可以作为容量模型上的叠加来提供以创建消耗模型。消耗模型可以用于图示根据企业网络104的目标和在网络拓扑内最高效地利用了哪些资源。
图7描绘了企业网络比较引擎的示例的图700。图700包括比较参数集选择引擎702、选择参数数据存储库704、真实世界模型706-1至真实世界模型706-n(统称为真实世界模型706)、复合模型创建引擎708、复合模型数据存储库710、消耗模型数据存储库712、真实世界比较引擎714和比较模型数据存储库716。在一些实施例中，引擎702、708、714可以对应于与图3的企业网络比较引擎320类似的引擎并且数据存储库704、706、710、712、716对应于与参考图3描述的企业网络数据存储库316类似的数据存储库。虽然图700的描述是针对单个企业网络104进行的，但是本领域的普通技术人员应该理解的是，可以针对多个企业网络104中的每一个执行本文关于图7描述的功能。
比较参数集选择引擎702可以从其它企业要与之比较的企业网络104接收一个或多个企业参数。在一些实施例中，可以通过尝试匹配相同行业、相同规模、相同地理区域等的企业来自动确定企业参数。备选地，可以根据成长计划(或力量减弱)或其它原因来选择企业参数。企业参数也可以限于企业的特定方面，诸如网络设备分配或能力、软件许可成本等。
在一些实施例中，选择参数数据存储库704可以存储一组参数，用于匹配期望比较的企业网络参数。在一些实施例中，真实世界模型706可以是企业网络要与之比较的企业网络以外的企业网络的消耗模型。在一些实施例中，真实世界模型706也可以包括企业网络104的消耗模型。在一些实施例中，真实世界模型706可以类似于参考图5描述的消耗模型。有利的是，在一些实施例中，单个模型可以表示具有对单个实体可用的数据的多个企业网络，从而使数据更丰富，并且真实世界模型706可以与丰富的数据一起使用并且模型可以在以后被匿名化。
在一些实施例中，复合模型创建引擎708可以使用与选择参数数据存储库704的选择参数匹配的真实世界模型706。在一些实施例中，复合模型创建引擎708可以考虑与选择参数匹配的假设模型，作为真实世界模型706的替代或附加。在一些实施例中，复合模型可以包括真实世界模型706的平均值或一些其它统计表示，并且可以合并关于例如设备能力的知识以提供考虑两个或更多个真实世界模型706之间的差异的备选模型。
在一些实施例中，复合模型数据存储库710可以存储与真实世界模型706的复合表示(其可以被称为复合模型)相关联的信息。复合模型可以考虑匹配选择参数的可用真实世界模型706。在一些实施例中，复合模型可以类似于参考图5描述的消耗模型数据存储库522，不同之处在于它可能不表示单个企业网络。
在一些实施例中，消耗模型数据存储库712可以存储消耗模型，该消耗模型表示企业网络104的组件以及与具有叠加的资源利用率的那些组件相关联的容量分配。在一些实施例中，消耗模型可以类似于参考图5描述的消耗模型数据存储库522。
在一些实施例中，真实世界比较引擎714将消耗模型数据存储库712的消耗模型与复合模型数据存储库710的复合模型进行比较，这可以产生用于图示企业网络和类似(或所选择的)企业网络之间的差异的比较模型。比较模型数据存储库716可以存储比较模型。有利的是，企业网络的消耗模型对于企业网络的管理员来说是可辨别的，而复合模型使与企业网络正在与之进行比较的企业网络相关联的数据匿名化。
图8描绘了用于企业网络比较的方法800。虽然方法800的描述是针对单个企业网络104进行的，但是本领域的普通技术人员应该理解的是，可以针对多个企业网络104中的每一个执行本文关于图8描述的功能。
在802处，方法800可以包括使用图7的比较参数集选择引擎702选择比较参数集。在一些实施例中，比较参数集可以包括阈值、范围或可以对其进行数值(或字母数字)比较的一些其它值。比较参数集可以包括期望进行比较的企业网络的一个或多个企业参数。
在804处，方法800可以包括使用图7的复合模型创建引擎708从具有与比较参数集匹配的参数的真实世界模型创建复合模型。在一些实施例中，复合模型可以包括真实世界模型的平均值或一些其它统计表示，并且可以结合关于设备能力的知识以提供考虑两个或更多个真实世界模型之间的差异的备选模型。
在806处，方法800可以包括使用图7的真实世界比较引擎714从目标企业网络的消耗模型和复合模型创建比较模型。在一些实施例中，可以根据来自目标企业网络的管理员的请求来创建比较模型。例如，管理员可以发送创建比较模型的请求。作为另一个示例，可以代表目标企业网络创建比较模型并将其提供给接收管理员。在一些实施例中，接收管理员可以与请求管理员相同，而在其它实施例中，接收管理员可以与请求管理员不同。
图9描绘了企业网络需求预测引擎的示例的图900。图900包括比较模型数据存储库902、倡议参数数据存储库904、重构参数数据存储库906、需求集成引擎908、预期容量模型数据存储库910、资源选项数据存储库912、劳动力选项数据存储库914、实施调度引擎916，以及耦合到实施调度引擎916的实施调度数据存储库918。虽然图900的描述是针对单个企业网络104进行的，但是本领域的普通技术人员应该理解的是，可以针对多个企业网络104中的每个企业网络执行本文关于图9描述的功能。
在一些实施例中，比较模型数据存储库902存储比较模型，该比较模型表示企业网络的组件和与当适用时具有叠加的资源利用率和类似的企业利用率的那些组件相关联的容量分配。在一些实施例中，比较模型类似于参考图7描述的比较模型数据存储库716。
在一些实施例中，倡议参数数据存储库904可以根据企业网络的倡议来存储预期容量参数。在一些实施例中，预期容量参数可以包括企业网络的自我强加的限制，包括绿色倡议要求、基础设施建设、成本削减措施等。在一些实施例中，预期企业分配可以用于由类似于参考图3描述的容量计算引擎302或参考图5描述的容量计算引擎502的引擎生成预期容量参数，但针对预期容量而不是当前容量。
在一些实施例中，重构参数数据存储库906可以存储对企业网络的预期改变，诸如重新建模、在现有结构内移动部门、移动到新结构等。在一些实施例中，当适用时，重构参数可以包括新的网络拓扑，它可以与预期的容量参数一起用于生成结合新网络拓扑的预期容量模型。在一些实施例中，需求集成引擎908可以包括与参考图3描述的容量建模引擎310或图5的容量建模引擎510类似的功能，但是针对预期容量而不是当前容量。
在一些实施例中，需求集成引擎908可以使用比较模型数据存储库902、倡议参数数据存储库904和重构参数数据存储库906来生成预期容量模型。在一些实施例中，比较模型可以包括企业网络的消耗模型和类似真实世界网络的复合模型。在一些实施例中，比较模型可以是企业网络的消耗模型，该模型可以与结合对企业网络的预期变化的模型进行比较。预期容量模型可以将可以影响容量的关于对企业网络的各个方面的期望变化的信息结合在倡议参数数据存储库904中，并且将在企业网络内的特定时空坐标影响容量的关于组织或结构变化的信息结合在重构参数数据存储库906中。在一些实施例中，预期容量模型数据存储库910可以存储由需求集成引擎908生成的预期容量模型。
在一些实施例中，资源选项数据存储库912可以包括关于企业网络可用的硬件选项的数据。在一些实施例中，硬件选项可以包括市场上的或将在未来日期可用的硬件的规格。硬件选项可以包括或者可以不包括企业网络处已经可用的硬件，诸如可能根据由倡议或重构带来的变化而被淘汰的硬件，或者已入库且未使用的硬件，其中任何一个都可以在生成预期容量模型之后被视为现在可用。
在一些实施例中，劳动力选项数据库914可以包括关于与从当前模型移动到未来模型相关联的时间和成本的数据。在一些实施例中，劳动力选项可以包括在市场上提供他们的服务的技术人员、工程师和其它专业人员。在一些实施例中，劳动力选项可以包括或者可以不包括能够执行预期实施的内部人才。
在一些实施例中，实施调度引擎916可以使用存储在资源选项数据库912和劳动力选项数据库914中的数据来生成实施调度、完成成本和时间要求，以将当前容量模型转换成预期容量模型数据存储库910的预期容量模型。在一些实施例中，实施调度数据存储库918可以存储由实施调度引擎916生成的实施调度。
图10描绘了用于预测网络需求的方法1000。虽然方法1000的描述是针对单个企业网络104进行的，但是本领域的普通技术人员应该理解的是，可以针对多个企业网络104中的每一个执行本文关于图10描述的功能。
在1002处，方法1000可以包括使用图9的需求集成引擎908将倡议和重构参数集成到容量模型中。例如，企业网络104的用户可以使用包括企业网络的消耗模型和类似企业网络的复合模型的比较模型用于决策目的。
在1004处，方法1000可以包括使用图9的实施调度引擎916生成实施调度，其可以包括市场上或通过其它渠道可用的资源选项和劳动力选项。在一些实施例中，企业网络104的用户可以使用实施调度来了解与将当前企业网络配置改变为新的企业网络配置相关联的成本和时间。
可以例如使用一个或多个众所周知的计算机系统，诸如图12中所示的计算机系统1200实现各种实施例。计算机系统1200可以是能够执行本文描述的功能，诸如图4、6、8、10和11中描述的一个或多个操作的任何众所周知的计算机。
计算机系统1200包括一个或多个处理器(也称为中央处理单元或CPU)，诸如处理器1204。处理器1204连接到通信基础设施或总线1206。处理器1204可以是图形处理单元(GPU)。在一些实施例中，GPU可以作为专门被设计为处理数学密集型应用的电子电路的处理器。GPU可以具有对于并行处理大型数据块，诸如计算机图形应用、图像、视频等常见的数学密集型数据高效的并行结构。
计算机系统1200还包括(一个或多个)用户输入/输出设备1203，诸如监视器、键盘、定点设备等，其通过(一个或多个)用户输入/输出接口1202与通信基础设施1206通信。
计算机系统1200还包括主存储器或主要存储器1208，诸如随机存取存储器(RAM)。主存储器1208可以包括一级或多级高速缓存。主存储器1208在其中已存储控制逻辑(例如，计算机软件)和/或数据。
计算机系统1200还可以包括一个或多个辅助存储设备或存储器1210。辅助存储器1210可以包括例如硬盘驱动器1212和/或可移动存储设备或驱动器1214。可移动存储驱动器1214可以是软盘驱动器、磁带驱动器、紧凑盘驱动器、光学存储设备、带备份设备和/或任何其它存储设备/驱动器。
可移动存储驱动器1214可以与可移动存储单元1218交互。可移动存储单元1218可以包括其上存储有计算机软件(控制逻辑)和/或数据的计算机可用或可读存储设备。可移动存储单元1218可以是程序卡盒和卡盒接口(诸如，在视频游戏设备中发现的那些程序卡盒和卡盒接口)、可移动存储器芯片(诸如EPROM或PROM)和相关联的插座、记忆棒和USB端口、存储器卡和相关联的存储器卡插槽和/或任何其它可移动存储单元和相关联接口。可移动存储驱动器1214可以从可移动存储单元1218读取和/或向其写入。
辅助存储器1210可以包括用于允许计算机系统1200访问计算机程序和/或其它指令和/或数据的其它部件、设备、组件、工具或其它方法。这样的部件、设备、组件、工具或其它方法可以包括例如可移动存储单元1222和接口1220。可移动存储单元1222和接口1220的示例可以包括程序卡盒和卡盒接口(诸如，在视频游戏设备中发现的的那些程序卡盒和卡盒接口)、可移动存储芯片(诸如EPROM或PROM)和相关联的插座、记忆棒和USB端口、存储器卡和相关联的存储器卡插槽和/或任何其它可移动存储单元和相关联接口。
计算机系统1200还可以包括通信或网络接口1224。通信接口1224可以使计算机系统1200能够与外部设备、外部网络、外部实体等的任何组合(由附图标记1228单独和统一引用)进行通信和交互。例如，通信接口1224可以允许计算机系统1200通过通信路径1226与外部或远程设备1228通信，通信路径1226可以是有线和/或无线(或其组合)，并且可以包括LAN、WAN、互联网等的任何组合。控制逻辑和/或数据可以经由通信路径1226传输到计算机系统1200和从计算机系统1200传输。
计算机系统1200也可以是个人数字助理(PDA)、台式工作站、膝上型或笔记本计算机、上网本、平板电脑、智能电话、智能手表或其它可穿戴设备、电器、物联网的一部分和/或嵌入式系统(这只是举几个非限制性示例)或其任何组合中的任何一种。
计算机系统1200可以是客户端或服务器，通过任何交付范例访问或托管任何应用和/或数据，包括但不限于远程或分布式云计算解决方案；本地或室内软件(“室内”基于云的解决方案)；“即服务”模型(例如，内容即服务(CaaS)、数字内容即服务(DCaaS)、软件即服务(SaaS)、受管理软件即服务(MSaaS)、平台即服务(PaaS)、桌面即服务(DaaS)、框架即服务(FaaS)、后端即服务(BaaS)、移动后端即服务(MBaaS)、基础设施即服务(IaaS)等)；和/或包括上述示例或其它服务或交付范例的任何组合的混合模型。
计算机系统1200中任何适用的数据结构、文件格式和模式可以从标准中导出，标准包括但不限于JavaScript对象表示法(JSON)、可扩展标记语言(XML)、另一种标记语言(YAML)、可扩展超文本标记语言(XHTML)、无线标记语言(WML)、MessagePack、XML用户界面语言(XUL)或任何其它功能类似的表示单独或组合。备选地，专有数据结构、格式或模式可以被单独使用或与已知或开放标准组合使用。
在一些实施例中，包括具有存储在其上的控制逻辑(软件)的有形、非暂态计算机可用或可读介质的有形、非暂态装置或制品在本文中还可以称为计算机程序产品或程序存储设备。这包括但不限于计算机系统1200、主存储器1208、辅助存储器1210和可移动存储单元1218和1222，以及实施上述任何组合的有形制品。此类控制逻辑在由一个或多个数据处理设备(诸如，计算机系统1200)执行时，可以导致此类数据处理设备如本文所述那样进行操作。
上面已经在图示特定功能的实现及其关系的功能构建块的帮助下描述了本实施例的实施例。为了便于描述，本文已任意定义了这些功能构建块的边界。可以定义替代边界，只要适当地执行指定的功能及其关系即可。
基于本公开中包含的教导，(一个或多个)相关领域的技术人员将清楚如何使用除图12中所示以外的数据处理设备、计算机系统和/或计算机体系架构来制作和使用本公开的实施例。特别地，实施例可以使用与本文描述的那些不同的软件、硬件和/或操作系统实现来操作。
特定实施例的前述描述将如此充分地揭示实施例的一般性质，以至于其它人可以在不脱离本实施例的一般概念的情况下通过应用本领域技术内的知识容易地修改和/或适配这些特定实施例的各种应用，而无需过度实验。因此，基于本文呈现的教导和指导，此类适配和修改旨在处于所公开实施例的等效形式的含义和范围内。应该理解的是，本文中的措辞或术语是为了描述而非限制性目的，使得本说明书的术语或措辞将由本领域技术人员根据教导和指导来解释。
本实施例的广度和范围不应受上述示例性实施例中的任一个限制，而应仅根据以下权利要求及其等效形式来定义。

Claims (20)

1.一种方法，包括：
从多个企业网络接收历史信息，所述历史信息包括关于所述多个企业网络中的每个企业网络的企业体系架构的信息；
分析来自所述多个企业网络的历史信息以生成所述多个企业网络中的每个企业网络的网络健康分数；
基于历史信息和所述多个企业网络中的每个企业网络的网络健康分数使用多个机器学习算法训练机器学习模型；以及
使用机器学习模型为第一企业网络生成企业体系架构，所述第一企业网络是新企业网络或所述多个企业网络中的现有企业网络。
2.如权利要求1所述的方法，其中接收历史信息包括连续接收历史信息，并且其中所述方法还包括：
基于连续接收的历史信息，为所述多个企业网络中的每个企业网络更新网络健康分数；以及
基于连续接收的历史信息和更新后的网络健康分数训练机器学习模型。
3.如权利要求1所述的方法，还包括训练机器学习模型以使用基于密度的聚类技术对所述多个企业网络中的每个企业网络进行分类。
4.如权利要求3所述的方法，其中为第一企业网络生成企业体系架构包括：
使用机器学习模型从所述多个企业网络中识别与所述第一企业网络具有相同类别的企业网络的子集；
将所述第一企业网络与企业网络的子集进行比较以识别至少一个企业网络，所述比较基于用于生成所述第一企业网络的企业体系架构的一个或多个参数；以及
基于识别出的至少一个企业网络的企业体系架构生成所述第一企业网络的企业体系架构。
5.如权利要求4所述的方法，其中所述一个或多个参数包括预算参数、优先级参数、地理参数和复杂性参数。
6.如权利要求1所述的方法，还包括：
监视第一企业网络的性能；
基于监视的性能计算第一企业网络的健康分数的变化；
确定健康分数变化的原因；以及
为第一企业网络生成用于更新企业体系架构的一个或多个推荐，以修改健康分数变化的原因。
7.如权利要求1所述的方法，其中为所述多个企业网络中的每个企业网络生成网络健康分数包括基于多个子网络健康分数为所述多个企业网络中的每个企业网络生成整体网络健康分数。
8.一种设备，包括：
存储器；以及
处理器，耦合到所述存储器并且被配置为：
从多个企业网络接收历史信息，所述历史信息包括关于所述多个企业网络中的每个企业网络的企业体系架构的信息；
分析来自所述多个企业网络的历史信息以生成所述多个企业网络中的每个企业网络的网络健康分数；
基于历史信息和所述多个企业网络中的每个企业网络的网络健康分数使用多个机器学习算法训练机器学习模型；以及
使用机器学习模型为第一企业网络生成企业体系架构，所述第一企业网络是新企业网络或所述多个企业网络中的现有企业网络。
9.如权利要求8所述的设备，其中接收历史信息包括连续接收历史信息，并且其中所述处理器还被配置为：
基于连续接收的历史信息，为所述多个企业网络中的每个企业网络更新网络健康分数；以及
基于连续接收的历史信息和更新后的网络健康分数训练机器学习模型。
10.如权利要求8所述的设备，其中所述处理器还被配置为训练机器学习模型以使用基于密度的聚类技术对所述多个企业网络中的每个企业网络进行分类。
11.如权利要求10所述的设备，其中为了为第一企业网络生成企业体系架构，所述处理器还被配置为：
使用机器学习模型从所述多个企业网络中识别与所述第一企业网络具有相同类别的企业网络的子集；
将所述第一企业网络与企业网络的子集进行比较以识别至少一个企业网络，所述比较基于用于生成所述第一企业网络的企业体系架构的一个或多个参数；以及
基于识别出的至少一个企业网络的企业体系架构生成所述第一企业网络的企业体系架构。
12.如权利要求11所述的设备，其中所述一个或多个参数包括预算参数、优先级参数、地理参数和复杂性参数。
13.如权利要求8所述的设备，其中所述处理器还被配置为：
监视第一企业网络的性能；
基于监视的性能计算第一企业网络的健康分数的变化；
确定健康分数变化的原因；以及
为第一企业网络生成用于更新企业体系架构的一个或多个推荐，以修改健康分数变化的原因。
14.如权利要求8所述的设备，其中为了为所述多个企业网络中的每个企业网络生成网络健康分数，所述处理器还被配置为基于多个子网络健康分数为所述多个企业网络中的每个企业网络生成整体网络健康分数。
15.一种其上存储有指令的非暂态有形计算机可读设备，所述指令在由至少一个计算设备执行时，使所述至少一个计算设备执行包括以下的操作：
从多个企业网络接收历史信息，所述历史信息包括关于所述多个企业网络中的每个企业网络的企业体系架构的信息；
分析来自所述多个企业网络的历史信息以生成所述多个企业网络中的每个企业网络的网络健康分数；
基于历史信息和所述多个企业网络中的每个企业网络的网络健康分数使用多个机器学习算法训练机器学习模型；以及
使用机器学习模型为第一企业网络生成企业体系架构，所述第一企业网络是新企业网络或所述多个企业网络中的现有企业网络。
16.如权利要求15所述的非暂态有形计算机可读设备，其中接收历史信息包括连续接收历史信息，并且其中所述操作还包括：
基于连续接收的历史信息，为所述多个企业网络中的每个企业网络更新网络健康分数；以及
基于连续接收的历史信息和更新后的网络健康分数训练机器学习模型。
17.如权利要求15所述的非暂态有形计算机可读设备，所述操作还包括训练机器学习模型以使用基于密度的聚类技术对所述多个企业网络中的每个企业网络进行分类。
18.如权利要求17所述的非暂态有形计算机可读设备，其中为第一企业网络生成企业体系架构包括：
使用机器学习模型从所述多个企业网络中识别与所述第一企业网络具有相同类别的企业网络的子集；
将所述第一企业网络与企业网络的子集进行比较以识别至少一个企业网络，所述比较基于用于生成所述第一企业网络的企业体系架构的一个或多个参数；以及
基于识别出的至少一个企业网络的企业体系架构生成所述第一企业网络的企业体系架构。
19.如权利要求15所述的非暂态有形计算机可读设备，所述操作还包括：
监视第一企业网络的性能；
基于监视的性能计算第一企业网络的健康分数的变化；
确定健康分数变化的原因；以及
为第一企业网络生成用于更新企业体系架构的一个或多个推荐，以修改健康分数变化的原因。
20.如权利要求15所述的非暂态有形计算机可读设备，其中为所述多个企业网络中的每个企业网络生成网络健康分数包括基于多个子网络健康分数为所述多个企业网络中的每个企业网络生成整体网络健康分数。
CN202080049440.XA 2019-06-06 2020-06-08 使用基于容量的供给关于企业体系架构的动态生成 Pending CN114207634A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962858303P 2019-06-06 2019-06-06
US62/858,303 2019-06-06
PCT/US2020/036659 WO2020247934A1 (en) 2019-06-06 2020-06-08 Dynamic generation on enterprise architectures using capacity-based provisions

Publications (1)

Publication Number Publication Date
CN114207634A true CN114207634A (zh) 2022-03-18

Family

ID=73652900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080049440.XA Pending CN114207634A (zh) 2019-06-06 2020-06-08 使用基于容量的供给关于企业体系架构的动态生成

Country Status (4)

Country Link
US (1) US20220215319A1 (zh)
EP (1) EP3980947A4 (zh)
CN (1) CN114207634A (zh)
WO (1) WO2020247934A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11765129B2 (en) * 2021-01-28 2023-09-19 Okta, Inc. Automated creation of trusted network perimeter

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7783468B2 (en) * 1998-05-13 2010-08-24 Accretive Technologies, Inc. Automated system and method for service and cost architecture modeling of enterprise systems
US6831663B2 (en) * 2001-05-24 2004-12-14 Microsoft Corporation System and process for automatically explaining probabilistic predictions
WO2012088623A1 (en) * 2010-12-27 2012-07-05 Yahoo! Inc. Selecting advertisements for placement on related web pages
US20190028909A1 (en) * 2017-07-20 2019-01-24 Cisco Technology, Inc. Adaptive health status scoring for network assurance
US10812330B2 (en) * 2017-12-22 2020-10-20 T-Mobile Usa, Inc. Network equipment operation adjustment system
US10680889B2 (en) * 2018-04-02 2020-06-09 Cisco Technology, Inc. Network configuration change analysis using machine learning

Also Published As

Publication number Publication date
WO2020247934A1 (en) 2020-12-10
EP3980947A1 (en) 2022-04-13
EP3980947A4 (en) 2023-05-10
US20220215319A1 (en) 2022-07-07

Similar Documents

Publication Publication Date Title
Lähderanta et al. Edge computing server placement with capacitated location allocation
US11265369B2 (en) Methods and systems for intelligent distribution of workloads to multi-access edge compute nodes on a communication network
Fu et al. Client selection in federated learning: Principles, challenges, and opportunities
Chen et al. Spatio–temporal edge service placement: A bandit learning approach
Ghanbari et al. Resource allocation mechanisms and approaches on the Internet of Things
Sonkoly et al. Survey on placement methods in the edge and beyond
US11704123B2 (en) Automated orchestration of containers by assessing microservices
US11461593B2 (en) Federated learning of clients
Toro-Díaz et al. Reducing disparities in large-scale emergency medical service systems
US11310125B2 (en) AI-enabled adaptive TCA thresholding for SLA assurance
Pérez-Romero et al. Artificial intelligence-based 5G network capacity planning and operation
Basu et al. SoftDrone: Softwarized 5G assisted drone networks for dynamic resource sharing using machine learning techniques
Taghizadeh et al. A metaheuristic‐based data replica placement approach for data‐intensive IoT applications in the fog computing environment
Asghari et al. Server placement in mobile cloud computing: A comprehensive survey for edge computing, fog computing and cloudlet
CN114207634A (zh) 使用基于容量的供给关于企业体系架构的动态生成
Malazi et al. Distributed service placement and workload orchestration in a multi-access edge computing environment
Chi et al. Multi-criteria dynamic service migration for ultra-large-scale edge computing networks
Li et al. A load balancing algorithm for solving multi‐objective virtual network embedding
Irawan et al. Network slicing algorithms case study: virtual network embedding
US20220086686A1 (en) Multi-tenant wireless network management based on traffic monitoring
Abderrahim et al. How to use MEC and ML to improve resources allocation in SDN networks?
CN117616436A (zh) 机器学习模型的联合训练
Othman et al. Automated deployment of virtual network function in 5G network slicing using deep reinforcement learning
López-Peña et al. Case studies in application placement and infrastructure optimisation
Basu et al. Deepcare: Deep learning-based smart healthcare framework using 5g assisted network slicing

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