CN114513470A - 网络流量控制方法、装置、设备及计算机可读存储介质 - Google Patents

网络流量控制方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN114513470A
CN114513470A CN202011148741.6A CN202011148741A CN114513470A CN 114513470 A CN114513470 A CN 114513470A CN 202011148741 A CN202011148741 A CN 202011148741A CN 114513470 A CN114513470 A CN 114513470A
Authority
CN
China
Prior art keywords
flow
data
flow control
historical
characteristic index
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
CN202011148741.6A
Other languages
English (en)
Other versions
CN114513470B (zh
Inventor
唐蓉
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Hebei Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Hebei 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 China Mobile Communications Group Co Ltd, China Mobile Group Hebei Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202011148741.6A priority Critical patent/CN114513470B/zh
Publication of CN114513470A publication Critical patent/CN114513470A/zh
Application granted granted Critical
Publication of CN114513470B publication Critical patent/CN114513470B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • H04L47/29—Flow control; Congestion control using a combination of thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/82—Miscellaneous aspects
    • H04L47/824—Applicable to portable or mobile terminals
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate

Landscapes

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

Abstract

本发明实施例涉及网络优化技术领域，公开了一种网络流量控制方法，该方法包括：获取话单信息，根据话单信息确定流量数据；根据流量数据的类型确定流量数据对应的流量阈值；当流量数据中的流量值超过流量阈值时，确定流量数据为超基准流量数据；将超基准流量数据的特征指标数据输入流量数据对应的决策树模型，得到目标流控决策结果，当目标流控决策结果为进行流控时，分别获取超基准流量数据对应的目标链路组的流控阈值及目标链路组中各个链路的分流量信息；将所述流控策略发送给所述目标链路组，以对所述各个链路进行流控发送。通过上述方式，本发明实施例提高了网络流量控制的精准度和效率。

Description

网络流量控制方法、装置、设备及计算机可读存储介质
技术领域
本发明实施例涉及网络通信技术领域，具体涉及一种网络流量控制方法、装置、设备及计算机可读存储介质。
背景技术
随着移动互联网的高速发展和普及，出现了具有短时间激增、流量值占比巨大等特征的不合理流量，而不合理流量容易导致网络带宽持续消耗、利润增长与互联网流量增长不匹配等问题。因此，为了实现互联网的良性长久发展，运营商需要对网络流量进行有效的监管和控制，对于不合理流量进行网络流量控制。
目前在进行网络流量控制时一般是基于流量的业务类型流量占比来定位异常流量或者基于流量的流向流量占比定位异常流量。现有的问题在于：现有技术的方案中流控策略的流控阈值是人工凭借经验制定的，这种人工处理方式的效率和精准度都较低，不能达到实时监控网络质量和实时及时发送流控策略的目的。
这样就进一步造成了在网络流量复杂多变的情况下，不能及时发现异常并阻断异常流量，由此对互联网安全和稳定造成了较大的影响。
发明内容
鉴于上述问题，本发明实施例提供了一种网络流量控制方法，用于解决现有技术中存在的网络流量控制精准度不高、效果不好的问题。
根据本发明实施例的一个方面，提供了一种网络流量控制方法，所述方法包括：
获取话单信息，根据所述话单信息确定流量数据；
根据所述流量数据的类型确定所述流量数据对应的流量阈值；
当所述流量数据中的流量值超过所述流量阈值时，确定所述流量数据为超基准流量数据，一个所述超基准流量数据中包括多个特征指标数据；
将所述超基准流量数据的特征指标数据输入所述流量数据对应的决策树模型，得到所述决策树模型输出的目标流控决策结果，所述决策树模型根据决策树模型训练样本训练得到，所述训练样本包括历史超基准流量数据和历史流控决策结果；
当所述目标流控决策结果为进行流控时，分别获取所述超基准流量数据对应的目标链路组的流控阈值及所述目标链路组中各个链路的分流量信息；
根据所述流控阈值、所述分流量信息分别确定所述目标链路组中的各个链路对应的流控策略；
发送将所述流控策略发送给所述目标链路组，以对所述各个链路进行流控。
在一种可选的方式中，所述方法还包括：
确定所述历史超基准流量数据的历史特征指标数据；
根据所述历史特征指标数据和所述历史流控决策结果确定各个所述历史特征指标数据的信息增益；
根据所述各个历史特征指标数据的信息增益构建所述流量数据对应的决策树模型。
在一种可选的方式中，所述方法还包括：
确定各个特征指标对应的历史特征指标数据，将所述历史特征指标数据中包含的历史特征指标值排序，得到所述历史特征指标数据对应的历史特征指标值序列；
分别将所述历史特征指标值序列中每两个相邻的历史特征指标值的平均值作为分类阈值，得到多个分类阈值；
分别根据每一个所述分类阈值将所述历史特征指标值序列划分为第一子序列和第二子序列；
确定所述第一子序列对应的第一历史流控决策结果及所述第二子序列对应的第二历史流控决策结果；
根据所述第一历史流控决策结果及所述第二历史流控决策结果分别确定每一个所述分类阈值对应的历史特征指标值的信息熵；
分别确定各个分类阈值对应的信息熵中最大的信息熵为所述特征指标对应的信息熵；
根据各个特征指标的信息熵分别计算每个特征指标的信息增益。
在一种可选的方式中，所述方法还包括：
将所述各个特征指标按信息增益的降序进行排列，得到特征指标序列；
将所述特征指标序列的首个特征指标作为所述决策树模型的根节点，依次将所述特征指标序列的剩余各个特征指标作为所述决策树模型的每一层的分节点，构造所述超基准指标对应的决策树模型，其中，所述决策树模型中的每一个节点对应的决策阈值为该节点对应的特征指标的信息熵。
在一种可选的方式中，所述方法还包括：
确定所述目标链路组在上一统计周期内在所述超基准流量数据对应的流量数据的类型下的流量值作为历史流量值；
根据所述历史流量值和所述超基准流量数据确定超标流量比；
根据所述超标流量比确定所述流控阈值。
在一种可选的方式中，所述方法还包括：
获取所述目标链路组的当前流量值，根据所述流控阈值和所述当前流量值确定所述目标链路组的目标总流量；
根据所述各个链路的流量值和流量占比确定所述各个链路的流量分配权重；
根据所述流控阈值、所述流量分配权重和所述目标总流量分别确定所述各个链路对应的流控策略。
在一种可选的方式中，所述方法还包括：
每隔预设时长获取所述目标链路组的流量数据；
根据所述目标链路组的流量数据对所述流控策略进行更新。
根据本发明实施例的另一方面，提供了一种网络流量控制装置，包括：
话单获取模块，用于获取话单信息，根据所述话单信息确定流量数据；
阈值确定模块，用于根据所述流量数据的类型确定所述流量数据对应的流量阈值；
指标确定模块，用于当所述流量数据中的流量值超过所述流量阈值时，确定所述流量数据为超基准流量数据，一个所述超基准流量数据中包括多个特征指标数据；
决策获取模块，用于将所述超基准流量数据的特征指标数据输入所述流量数据对应的决策树模型，得到所述决策树模型输出的目标流控决策结果，所述决策树模型根据决策树模型训练样本训练得到，所述训练样本包括历史超基准流量数据和历史流控决策结果；
流控信息获取模块，用于当所述目标流控决策结果为进行流控时，分别获取所述超基准流量数据对应的目标链路组的流控阈值及所述目标链路组中各个链路的分流量信息；
策略确定模块，用于根据所述流控阈值、所述分流量信息分别确定所述目标链路组中的各个链路对应的流控策略；
策略发送模块，用于发送将所述流控策略发送给所述目标链路组，以对所述各个链路进行流控。
根据本发明实施例的另一方面，提供了一种网络流量控制设备，包括：
处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述网络流量控制方法的操作。
根据本发明实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在网络流量控制设备/装置上运行时，使得网络流量控制设备执行所述网络流量控制方法的操作。
本发明实施例首先通过获取话单信息，根据话单信息确定流量数据，然后根据流量数据的类型确定流量数据对应的流量阈值。
当流量数据中的流量值超过流量阈值时，确定流量数据为超基准流量数据，其中，一个超基准流量数据中包括多个特征指标数据。
再将超基准流量数据的特征指标数据输入流量数据对应的决策树模型，得到决策树模型输出的目标流控决策结果，其中，决策树模型是根据决策树模型训练样本训练得到的，训练样本包括历史超基准流量数据和历史流控决策结果。
当目标流控决策结果为进行流控时，分别获取超基准流量数据对应的目标链路组的流控阈值及目标链路组中各个链路的分流量信息，根据流控阈值、分流量信息分别确定目标链路组中的各个链路对应的流控策略。最后将流控策略发送给目标链路组的网管单元以对各个链路进行流控。
区别现有技术中依靠人工来判断是否进行流控以及确定流控阈值所造成的流控的低效与不准确，本发明能够根据决策树模型自动输出流控决策结果，并且根据历史流量数据和各个链路的分流量数据动态确定各个链路的流控策略进行发送。由此本发明提高了对网络流量进行控制的准确性和效率。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的网络流量控制方法的流程示意图；
图2示出了本发明实施例提供的网络流量控制装置的结构示意图；
图3示出了本发明实施例提供的网络流量控制设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
图1示出了本发明网络流量控制方法实施例的流程图，该方法由计算机处理设备执行。具体的计算机处理设备可以是手机、笔记本电脑等。如图1所示，该方法包括以下步骤：
步骤110：获取话单信息，根据所述话单信息确定流量数据。
在本发明的一个实施例中，话单信息指的是用户上网记录，用户上网记录可以包括用户访问的域名信息、访问的资源服务器地址信息、用户所访问的业务类型以及用户访问操作造成的上下行流量等数据。其中的上下行流量数据就是此处需要从话单信息中提取出的流量数据。
在本发明一个可选的实施例中，话单信息可以通过网络流量深度采集探针进行采集，然后输送给统一应用服务器，再由统一应用服务器合成符合预设格式的话单信息。
步骤120：根据所述流量数据的类型确定所述流量数据对应的流量阈值。
在本发明的一个实施例中，首先，流量数据根据流量的流向、网络出口以及业务类型的不同可以分为本省流量数据、本网流量数据、国际流量数据、网间流量数据、流媒体业务流量数据以及P2P流量数据等不同数据类型。而根据不同数据类型的流量数据根据其类型的不同，对应于不同的流量阈值。流量阈值用于对当前类型的流量数据是否属于需要进行处理的超基准数据进行衡量。流量阈值的大小可以是本领域技术人员根据经验确定，也可以是根据历史流量数据和对应的流控策略进行确定。
步骤130：当所述流量数据中的流量值超过所述流量阈值时，确定所述流量数据为超基准流量数据，一个所述超基准流量数据中包括多个特征指标数据。
特征指标指的是可以表征某一个流量数据类型的流量占用特征的指标信息。举例说明，针对国际流量数据这一流量数据类型，其对应的特征指标可以包括总出口流量增量、总出口流量增量比、浏览类业务流量增量、浏览类业务流量增量比、下载类业务流量增量、下载类业务流量增量比、家宽用户流量增量、家宽用户流量增量比等。
意即，在国际流量数据超过对应的流量阈值时，很有可能是总出口流量增量过大、浏览类型业务流量增量过大或者下载类业务流量增量过大所导致的。因此需要对容易导致该数据类型下的流量数据超标的特征指标数据进行获取和分析。
步骤140：将所述超基准流量数据的特征指标数据输入所述流量数据对应的决策树模型，得到所述决策树模型输出的目标流控决策结果，所述决策树模型根据决策树模型训练样本训练得到，所述训练样本包括历史超基准流量数据和历史流控决策结果。
首先，在输入超基准流量数据的特征指标数据之前需要对决策树模型进行预先训练，在本发明的一个实施例中，决策树模型是以包括历史超基准流量数据和历史流控决策结果的训练样本训练得到的。
基于决策树模型算法的原理，训练决策树模型的目的在于找到信息增益最大的特征指标，即针对每个特征指标，在存在该特征指标的信息以及不存在的情况下，历史流控决策结果(即“流控与否”)的信息量是多少，两者的差值就是这个特征指标给最终“流控与否”的历史流控决策结果带来的信息量，即信息增益。因此，某个特征指标的信息增益＝当前所有特征指标的信息熵之和-该特征指标的信息熵。
计算信息增益可以按照如下公式：Gain(A)＝Ent(I)–Ent(A)。
其中，Gain(A)表示特征指标A的信息增益，Ent(I)表示所有特征指标的信息熵之和，Ent(A)表示特征指标A的信息熵。Gain(A)的值越大，特征指标A的信息增益越大，表示特征指标A对是否需要流控的影响程度越大。
信息熵是确定各特征指标取值的混乱复杂程度。通过对各特征指标信息熵的大小来判定该特征指标在样本数据中的取值混乱程度，信息熵越大，其指标取值混乱程度越高，意即取值范围越分散和不确定，相反信息熵越小，其取值混乱程度越低，取值越集中，该特征指标的值越容易确定。计算信息熵的公式可以如下：
Figure BDA0002740534790000071
其中，|y|为流控决策结果的分类种类，在本发明实施例中y的取值为2，即最后的流控决策结果包含流控、不流控两种。Pk为当前特征指标对应流控决策结果产生的影响概率，每一个特征指标对应的Pk取值介于0到1之间，每一种流控决策结果对应的所有特征指标的Pk之和为1。综上，对决策树模型训练的过程可以至少包括步骤1401-步骤1403：
步骤1401：确定所述历史超基准流量数据的历史特征指标数据。
举例说明，获取历史时间周期内的多条超基准流量数据，每一条超基准流量数据对应于预设的多个特征指标值。
需要说明的是，一个流量数据类型的超基准流量数据对应的特征指标是相同的，只是各个特征指标下的取值会存在差异。
步骤1402：根据所述历史特征指标数据和所述历史流控决策结果确定各个所述历史特征指标数据的信息增益。
即根据历史上每个特征指标，在存在该特征指标的信息以及不存在的情况下，历史流控决策结果(即“流控与否”)指标的信息量各是多少，两者的差值就是这个特征指标给“流控与否”指标带来的信息量，即各个所述历史特征指标数据的信息增益。
信息增益的确定过程至少包括：步骤14021：确定各个特征指标对应的历史特征指标数据，将所述历史特征指标数据中包含的历史特征指标值排序，得到所述历史特征指标数据对应的历史特征指标值序列。
可以是进行降序或者升序排列，在存在A、B、C、D四个特征指标的情况下，每个特征指标下可以存在10条历史特征指标数据，即A1到A10，将A1到A10根据A这一特征指标下特征值进行排序得到特征指标A对应的特征指标值序列。
步骤14022：分别将所述历史特征指标值序列中每两个相邻的历史特征指标值的平均值作为分类阈值，得到多个分类阈值。
需要说明的是，由于采集的数据中每个特征指标下特征值取值都是连续型变量，无法按照传统的决策树模型算法中那样直接获取特征值的分类信息。因此，在本发明实施例中对本次采集数据中第一个特征指标A的取值按照由小到大的顺序进行排序{A1，A2，A3…AZ}，任取其中两个取值上相邻的特征指标值A(p)和A(p+1)(其中0<p<Z-1)，将A(p)和A(p+1)的平均值作为一个分类阈值。
步骤14023：分别根据每一个所述分类阈值将所述历史特征指标值序列划分为第一子序列和第二子序列。
对于包含Z个域的历史特征指标值序列对应于Z-1个分类阈值，因此存在Z-1种不同的第一子序列和第二子序列的划分方式。
分类阈值熵步骤14024：确定所述第一子序列对应的第一历史流控决策结果及所述第二子序列对应的第二历史流控决策结果。
步骤14025：根据所述第一历史流控决策结果及所述第二历史流控决策结果分别确定每一个所述分类阈值对应的历史特征指标值的信息熵。
计算信息熵的公式可以如下：
Figure BDA0002740534790000091
其中，|y|为流控决策结果的分类种类，在本发明实施例中y的取值为2，即最后的流控决策结果包含流控、不流控两种。Pk为当前特征指标对应流控决策结果产生的影响概率，每一个特征指标对应的Pk取值介于0到1之间，每一种流控决策结果对应的所有特征指标的Pk之和为1。
举例说明，某历史特征指标值序列为{23、25、27、30、41}，分类阈值为26。因此当前对应的第一子序列为{23、25}，第二子序列为{27、30、41}。根据第一子序列中每一个历史特征指标值对应的历史流控决策结果和第二子序列中每一个历史特征指标值对应的历史流控决策结果按照上式计算出当前分类阈值所对应的信息熵。
步骤14026：分别确定各个分类阈值对应的信息熵中最大的信息熵为所述特征指标对应的信息熵。
针对每一个特征指标，比较不同分类阈值分类阈值的第一子序列和第二子序列分别对应的信息熵的大小。取出其中信息熵最大值En及其所对应的分类阈值。
按照上述方式对特征指标集中每个特征指标都进行此类操作，定位出各特征指标中信息熵最大的分类阈值。
针对每一个特征指标如A、B、C、D、E、F、G…K(假设存在K个特征指标，K为正整数)，分别将该特征指标对应的各个分类阈值所对应的信息熵进行排序，获取每个特征指标对应的最大信息熵分别记作Az、Bz、Cz、Dz、Ez…Kz。该特征指标在对应的决策树模型中的节点所对应的分裂值则分别为Az、Bz、Cz、Dz、Ez…Kz。
举例，特征指标A在各个分类阈值下计算出的信息熵最大为Z1，则在构建的决策树模型中，特征指标A对应的节点的分裂点Az(即信息熵比较阈值)即为Z1。
步骤14027：根据各个特征指标对应的信息熵分别计算每个特征指标对应的信息增益。
计算信息增益可以按照如下公式：Gain(A)＝Ent(I)–Ent(A)；
其中，Gain(A)表示特征指标A的信息增益，Ent(I)表示所有特征指标的信息熵之和。
步骤1403：根据所述各个历史特征指标数据的信息增益构建所述流量数据对应的决策树模型。
步骤1403还至少包括步骤14031-14032。
步骤14031：将所述各个特征指标按信息增益的降序进行排列，得到特征指标序列。
步骤14032：将所述特征指标序列的首个特征指标作为所述决策树模型的根节点，依次将所述特征指标序列的剩余各个特征指标作为所述决策树模型的每一层的分节点，构造所述超基准指标对应的决策树模型，其中，所述决策树模型中的每一个节点对应的决策阈值为该节点对应的特征指标的信息熵。
在可选的实施例中，在构造出决策树模型之后，还可以对决策树模型进行剪枝等操作，从而使得决策树模型的预测更加准确。步骤150：当所述目标流控决策结果为进行流控时，分别获取所述超基准流量数据对应的目标链路组的流控阈值及所述目标链路组中各个链路的分流量信息。
首先确定流控阈值的步骤包括：
步骤1501：确定所述目标链路组在上一统计周期内在所述超基准流量数据对应的流量数据的类型下的流量值作为历史流量值。
举例说明，在当前的超基准流量数据对应的流量数据类型为本省流量类型时，获取上一统计时间周期内本省流量的流量值。
步骤1502：根据所述历史流量值和所述超基准流量数据确定超标流量比。
具体地，在上一统计时间周期内本省流量的流量值为N1单位值，当前的超基准流量数据的流量值为N2单位值的情况下，超标流量比的计算方式为(N2-N1)/N2。
步骤1503：根据所述超标流量比确定所述流控阈值。
可选的，流控阈值的计算方式为(N2-N1)/N1-1。
举例，在流控阈值为-0.5的情况下，即指将当前超基准流量数据对应的目标链路组的该类型流量减少50％。
步骤160：根据所述流控阈值、所述分流量信息分别确定所述目标链路组中的各个链路对应的流控策略。
容易理解的是，在一个流量超标的目标链路组中存在多个子链路，而不同的子链路的业务类型、流量大小以及重要程度上可以存在差异，因此在制定了整个目标链路组的流控阈值之后，还需要根据每一个子链路的具体情况确定流控策略。
首先，所述各个链路的分流量信息包括所述各个链路的流量值、各个预设业务类型下的流量占比。
确定各个分链路的流控策略包括：步骤1601：获取所述目标链路组的当前流量值，根据所述流控阈值和所述当前流量值确定所述目标链路组的目标总流量。
根据前述步骤中对于流控阈值的说明，将流控阈值和当前流量值的乘积确定目标链路组的目标总流量。
步骤1602：根据所述各个链路的流量值和流量占比确定所述各个链路的流量分配权重。
为了达到在进行流控之后，整个目标链路组的流量不再超标的目的，可以针对流量占比达的子链路进行更大程度的网络流量控制。
步骤1603：根据所述流控阈值、所述流量分配权重和所述目标总流量分别确定所述各个链路对应的流控策略。
步骤170：发送将所述流控策略发送给所述目标链路组，以对所述各个链路进行流控。
具体的发送可以是将流控策略发送给目标链路组对应的网管单元，以使得网管单元对目标链路组进行流控。
步骤1701：每隔预设时长获取所述目标链路组的流量数据。
为了保证整个目标链路组的该数据类型下的流量数据不再超标，需要对于目标链路组下的各个子链路的流量情况实时进行监控，以此对流控策略进行动态调整，如在某个子链路的流量突然增大时，需要对其进行及时流控和对流控阈值及时进行调节，避免该子链路的流量变化导致整个目标链路组的流量数据超基准。
步骤1702：根据所述目标链路组的流量数据对所述流控策略进行更新。
如在某个子链路的流量突然增大时，对该子链路的流控阈值进行增大，对该子链路的流量分配权重减小，以达到减小该子链路的流量的目的，从而避免该子链路的流量变化导致整个目标链路组的流量数据超基准。
在本发明的另一个可选的实施例中，在根据决策树模型的输出进行当前的目标链路组的流控操作之后，将当前流控操作对应的最终流控策略和超基准流量数据作为新的训练样本数据，根据新的训练样本数据对决策树模型进行训练，由此达到自适应学习和及时更新决策树模型的目的。
图2示出了本发明网络流量控制装置实施例的结构示意图。如图2所示，该装置300包括：话单获取模块310、阈值确定模块320、指标确定模块330、决策获取模块340、流控信息获取模块350、策略确定模块360、策略发送模块370。
在一种可选的方式中，决策获取模块340还用于：
确定所述历史超基准流量数据的历史特征指标数据；
根据所述历史特征指标数据和所述历史流控决策结果确定各个所述历史特征指标数据的信息增益；
根据所述各个历史特征指标数据的信息增益构建所述流量数据对应的决策树模型。
在一种可选的方式中，决策获取模块340还用于：
确定各个特征指标对应的历史特征指标数据，将所述历史特征指标数据中包含的历史特征指标值排序，得到所述历史特征指标数据对应的历史特征指标值序列；
分别将所述历史特征指标值序列中每两个相邻的历史特征指标值的平均值作为分类阈值，得到多个分类阈值；
分别根据每一个所述分类阈值将所述历史特征指标值序列划分为第一子序列和第二子序列；
确定所述第一子序列对应的第一历史流控决策结果及所述第二子序列对应的第二历史流控决策结果；
根据所述第一历史流控决策结果及所述第二历史流控决策结果分别确定每一个所述分类阈值对应的历史特征指标值的信息熵；
分别确定各个分类阈值对应的信息熵中最大的信息熵为所述特征指标对应的信息熵；
根据各个特征指标对应的信息熵分别计算每个特征指标对应的信息增益。
在一种可选的方式中，决策获取模块340还用于：
将所述各个特征指标按信息增益的降序进行排列，得到特征指标序列；
将所述特征指标序列的首个特征指标作为所述决策树模型的根节点，依次将所述特征指标序列的剩余各个特征指标作为所述决策树模型的每一层的分节点，构造所述超基准指标对应的决策树模型，其中，所述决策树模型中的每一个节点对应的决策阈值为该节点对应的特征指标的信息熵。
在一种可选的方式中，流控信息获取模块350还用于：
确定所述目标链路组在上一统计周期内在所述超基准流量数据对应的流量数据的类型下的流量值作为历史流量值；
根据所述历史流量值和所述超基准流量数据确定超标流量比；
根据所述超标流量比确定所述流控阈值。
在一种可选的方式中，流控信息获取模块350还用于：
获取所述目标链路组的当前流量值，根据所述流控阈值和所述当前流量值确定所述目标链路组的目标总流量；
根据所述各个链路的流量值和流量占比确定所述各个链路的流量分配权重；
根据所述流控阈值、所述流量分配权重和所述目标总流量分别确定所述各个链路对应的流控策略。
在一种可选的方式中，策略发送模块370还用于：
每隔预设时长获取所述目标链路组的流量数据；
根据所述目标链路组的流量数据对所述流控策略进行更新。
本发明实施例的网络流量控制装置的具体工作过程与上述网络流量控制方法的具体流程步骤相同，此处不再赘述。
本发明实施例的网络流量控制装置根据决策树模型自动输出流控决策结果，并且根据历史流量数据和各个链路的分流量数据动态确定各个链路的流控策略进行发送。由此本发明实施例的网络流量控制装置提高了对网络流量进行控制的准确性和效率。图3示出了本发明网络流量控制设备实施例的结构示意图，本发明具体实施例并不对网络流量控制设备的具体实现做限定。
如图3所示，该网络流量控制设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述用于网络流量控制方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机可执行指令。
处理器402可以是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。网络流量控制设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可以包含高速RAM存储器，也可以还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序410具体可以被处理器402调用使网络流量控制设备执行以下操作：
获取话单信息，根据所述话单信息确定流量数据；
根据所述流量数据的类型确定所述流量数据对应的流量阈值；
当所述流量数据中的流量值超过所述流量阈值时，确定所述流量数据为超基准流量数据，一个所述超基准流量数据中包括多个特征指标数据；
将所述超基准流量数据的特征指标数据输入所述流量数据对应的决策树模型，得到所述决策树模型输出的目标流控决策结果，所述所述决策树模型根据决策树模型训练样本训练得到，所述训练样本包括历史超基准流量数据和历史流控决策结果；
当所述目标流控决策结果为进行流控时，分别获取所述超基准流量数据对应的目标链路组的流控阈值及所述目标链路组中各个链路的分流量信息；
根据所述流控阈值、所述分流量信息分别确定所述目标链路组中的各个链路对应的流控策略；
发送将所述流控策略发送给所述目标链路组，以对所述各个链路进行流控。
在一种可选的方式中，所述程序410还被处理器402调用使网络流量控制设备执行以下操作：
确定所述历史超基准流量数据的历史特征指标数据；
根据所述历史特征指标数据和所述历史流控决策结果确定各个所述历史特征指标数据的信息增益；
根据所述各个历史特征指标数据的信息增益构建所述流量数据对应的决策树模型。
在一种可选的方式中，所述程序410还被处理器402调用使网络流量控制设备执行以下操作：
确定各个特征指标对应的历史特征指标数据，将所述历史特征指标数据中包含的历史特征指标值排序，得到所述历史特征指标数据对应的历史特征指标值序列；
分别将所述历史特征指标值序列中每两个相邻的历史特征指标值的平均值作为分类阈值，得到多个分类阈值；
分别根据每一个所述分类阈值将所述历史特征指标值序列划分为第一子序列和第二子序列；
确定所述第一子序列对应的第一历史流控决策结果及所述第二子序列对应的第二历史流控决策结果；
根据所述第一历史流控决策结果及所述第二历史流控决策结果分别确定每一个所述分类阈值对应的历史特征指标值的信息熵；
分别确定各个分类阈值对应的信息熵中最大的信息熵为所述特征指标对应的信息熵；
根据各个特征指标对应的信息熵分别计算每个特征指标对应的信息增益。
在一种可选的方式中，所述程序410还被处理器402调用使网络流量控制设备执行以下操作：
将所述各个特征指标按信息增益的降序进行排列，得到特征指标序列；
将所述特征指标序列的首个特征指标作为所述决策树模型的根节点，依次将所述特征指标序列的剩余各个特征指标作为所述决策树模型的每一层的分节点，构造所述超基准指标对应的决策树模型，其中，所述决策树模型中的每一个节点对应的决策阈值为该节点对应的特征指标的信息熵。
在一种可选的方式中，所述程序410还被处理器402调用使网络流量控制设备执行以下操作：
确定所述目标链路组在上一统计周期内在所述超基准流量数据对应的流量数据的类型下的流量值作为历史流量值；
根据所述历史流量值和所述超基准流量数据确定超标流量比；
根据所述超标流量比确定所述流控阈值。
在一种可选的方式中，所述程序410还被处理器402调用使网络流量控制设备执行以下操作：
获取所述目标链路组的当前流量值，根据所述流控阈值和所述当前流量值确定所述目标链路组的目标总流量；
根据所述各个链路的流量值和流量占比确定所述各个链路的流量分配权重；
根据所述流控阈值、所述流量分配权重和所述目标总流量分别确定所述各个链路对应的流控策略。
在一种可选的方式中，所述程序410还被处理器402调用使网络流量控制设备执行以下操作：
每隔预设时长获取所述目标链路组的流量数据；
根据所述目标链路组的流量数据对所述流控策略进行更新。
本发明实施例的网络流量控制设备的具体工作过程与上述网络流量控制方法的具体流程步骤相同，此处不再赘述。
本发明实施例的网络流量控制设备根据决策树模型自动输出流控决策结果，并且根据历史流量数据和各个链路的分流量数据动态确定各个链路的流控策略进行发送。由此本发明实施例的网络流量控制设备提高了对网络流量进行控制的准确性和效率。
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一可执行指令，该可执行指令在网络流量控制设备/装置上运行时，使得所述网络流量控制设备/装置执行上述任意方法实施例中的网络流量控制方法。
本发明实施例的计算机可读存储介质的具体工作过程与上述网络流量控制方法的具体流程步骤相同，此处不再赘述。
本发明实施例的计算机可读存储介质的根据决策树模型自动输出流控决策结果，并且根据历史流量数据和各个链路的分流量数据动态确定各个链路的流控策略进行发送。由此本发明实施例的计算机可读存储介质提高了对网络流量进行控制的准确性和效率。
本发明实施例提供了一种计算机程序，所述计算机程序可被处理器调用使网络流量控制设备执行上述任意方法实施例中的网络流量控制方法。
本发明实施例提供了一种计算机程序产品，计算机程序产品包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令在计算机上运行时，使得所述计算机执行上述任意方法实施例中的网络流量控制方法。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (10)

1.一种网络流量控制方法，其特征在于，所述方法包括：
获取话单信息，根据所述话单信息确定流量数据；
根据所述流量数据的类型确定所述流量数据对应的流量阈值；
当所述流量数据中的流量值超过所述流量阈值时，确定所述流量数据为超基准流量数据，一个所述超基准流量数据中包括多个特征指标数据；
将所述超基准流量数据的特征指标数据输入所述流量数据对应的决策树模型，得到所述决策树模型输出的目标流控决策结果，所述决策树模型根据决策树模型训练样本训练得到，所述训练样本包括历史超基准流量数据和历史流控决策结果；
当所述目标流控决策结果为进行流控时，分别获取所述超基准流量数据对应的目标链路组的流控阈值及所述目标链路组中各个链路的分流量信息；
根据所述流控阈值、所述分流量信息分别确定所述目标链路组中的各个链路对应的流控策略；
将所述流控策略发送给所述目标链路组，以对所述各个链路进行流控。
2.根据权利要求1所述的方法，其特征在于，在将所述超基准流量数据的特征指标数据输入所述流量数据对应的决策树模型之前，进一步包括：
确定所述历史超基准流量数据的历史特征指标数据；
根据所述历史特征指标数据和所述历史流控决策结果确定各个所述历史特征指标数据的信息增益；
根据所述各个历史特征指标数据的信息增益构建所述流量数据对应的决策树模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述历史特征指标数据和所述历史流控决策结果确定各个所述历史特征指标数据的信息增益，进一步包括：
确定各个特征指标对应的历史特征指标数据，将所述历史特征指标数据中包含的历史特征指标值排序，得到所述历史特征指标数据对应的历史特征指标值序列；
分别将所述历史特征指标值序列中每两个相邻的历史特征指标值的平均值作为分类阈值，得到多个分类阈值；
分别根据每一个所述分类阈值将所述历史特征指标值序列划分为第一子序列和第二子序列；
确定所述第一子序列对应的第一历史流控决策结果及所述第二子序列对应的第二历史流控决策结果；
根据所述第一历史流控决策结果及所述第二历史流控决策结果分别确定每一个所述分类阈值对应的历史特征指标值的信息熵；
分别确定各个分类阈值对应的信息熵中最大的信息熵为所述特征指标对应的信息熵；根据各个特征指标对应的信息熵分别计算每个特征指标对应的信息增益。
4.根据权利要求2所述的方法，其特征在于，所述根据所述各个历史特征指标数据的信息增益构建所述流量数据对应的决策树模型，进一步包括：
将所述各个特征指标按信息增益的降序进行排列，得到特征指标序列；
将所述特征指标序列的首个特征指标作为所述决策树模型的根节点，依次将所述特征指标序列的剩余各个特征指标作为所述决策树模型的每一层的分节点，构造所述超基准指标对应的决策树模型，其中，所述决策树模型中每一个节点对应的决策阈值为该节点对应的特征指标对应的信息熵。
5.根据权利要求1所述的方法，其特征在于，所述在所述流控决策结果为进行流控的情况下，分别获取所述超基准流量数据对应的目标链路组的流控阈值，进一步包括：
确定所述目标链路组在上一统计周期内在所述超基准流量数据对应的流量数据的类型下的流量值作为历史流量值；
根据所述历史流量值和所述超基准流量数据确定超标流量比；
根据所述超标流量比确定所述流控阈值。
6.根据权利要求1所述的方法，其特征在于，所述各个链路的分流量信息包括所述各个链路的流量值、各个预设业务类型下的流量占比；
所述根据所述流控阈值、所述各个链路的分流量信息分别确定所述目标链路组中的各个链路对应的流控策略，进一步包括：
获取所述目标链路组的当前流量值，根据所述流控阈值和所述当前流量值确定所述目标链路组的目标总流量；
根据所述各个链路的流量值和流量占比确定所述各个链路的流量分配权重；
根据所述流控阈值、所述流量分配权重和所述目标总流量分别确定所述各个链路对应的流控策略。
7.根据权利要求1所述的方法，其特征在于，在将所述流控策略发送给所述目标链路组，以对所述各个链路进行流控发送之后，还进一步包括：
每隔预设时长获取所述目标链路组的流量数据；
根据所述目标链路组的流量数据对所述流控策略进行更新。
8.一种网络流量控制装置，其特征在于，所述装置包括：
话单获取模块，用于获取话单信息，根据所述话单信息确定流量数据；
阈值确定模块，用于根据所述流量数据的类型确定所述流量数据对应的流量阈值；
指标确定模块，用于当所述流量数据中的流量值超过所述流量阈值时，确定所述流量数据为超基准流量数据，一个所述超基准流量数据中包括多个特征指标数据；
决策获取模块，用于将所述超基准流量数据的特征指标数据输入所述流量数据对应的决策树模型，得到所述决策树模型输出的目标流控决策结果，所述决策树模型根据决策树模型训练样本训练得到，所述训练样本包括历史超基准流量数据和历史流控决策结果；
流控信息获取模块，用于当所述目标流控决策结果为进行流控时，分别获取所述超基准流量数据对应的目标链路组的流控阈值及所述目标链路组中各个链路的分流量信息；
策略确定模块，用于根据所述流控阈值、所述分流量信息分别确定所述目标链路组中的各个链路对应的流控策略；
策略发送模块，用于将所述流控策略发送给所述目标链路组，以对所述各个链路进行流控。
9.一种网络流量控制设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7任意一项所述的网络流量控制方法的操作。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令在网络流量控制设备/装置上运行时，使得网络流量控制设备执行如权利要求1-7任意一项所述的网络流量控制方法的操作。
CN202011148741.6A 2020-10-23 2020-10-23 网络流量控制方法、装置、设备及计算机可读存储介质 Active CN114513470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011148741.6A CN114513470B (zh) 2020-10-23 2020-10-23 网络流量控制方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011148741.6A CN114513470B (zh) 2020-10-23 2020-10-23 网络流量控制方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN114513470A true CN114513470A (zh) 2022-05-17
CN114513470B CN114513470B (zh) 2023-08-15

Family

ID=81547103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011148741.6A Active CN114513470B (zh) 2020-10-23 2020-10-23 网络流量控制方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114513470B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422442A (zh) * 2022-01-19 2022-04-29 中国工商银行股份有限公司 多维动态分组限流方法、装置、设备及存储介质
CN116074261A (zh) * 2023-02-20 2023-05-05 湖北盈隆腾辉科技有限公司 一种大数据网络通讯协调方法及系统
CN117167366A (zh) * 2023-11-02 2023-12-05 启东丰汇润滑设备有限公司 一种液压分配器的自动化流量控制方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364467A (zh) * 2018-02-12 2018-08-03 北京工业大学 一种基于改进型决策树算法的路况信息预测方法
CN108632269A (zh) * 2018-05-02 2018-10-09 南京邮电大学 基于c4.5决策树算法的分布式拒绝服务攻击检测方法
CN110474799A (zh) * 2019-07-31 2019-11-19 中国联合网络通信集团有限公司 故障定位方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364467A (zh) * 2018-02-12 2018-08-03 北京工业大学 一种基于改进型决策树算法的路况信息预测方法
CN108632269A (zh) * 2018-05-02 2018-10-09 南京邮电大学 基于c4.5决策树算法的分布式拒绝服务攻击检测方法
CN110474799A (zh) * 2019-07-31 2019-11-19 中国联合网络通信集团有限公司 故障定位方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZEYU QUAN等: "Real-Time Flow Control System Based on Siemens PLC", 《2019 IEEE INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION (ICMA)》 *
仇春光,刘玉树: "自动生成决策树的通用算法模板", 北京理工大学学报, no. 03 *
冶晓隆;兰巨龙;郭通;: "基于主成分分析禁忌搜索和决策树分类的异常流量检测方法", 计算机应用, no. 10 *
黄英持;郑婷婷;: "移动用户信用评估模型研究", 移动通信, no. 11 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422442A (zh) * 2022-01-19 2022-04-29 中国工商银行股份有限公司 多维动态分组限流方法、装置、设备及存储介质
CN114422442B (zh) * 2022-01-19 2023-10-20 中国工商银行股份有限公司 多维动态分组限流方法、装置、设备及存储介质
CN116074261A (zh) * 2023-02-20 2023-05-05 湖北盈隆腾辉科技有限公司 一种大数据网络通讯协调方法及系统
CN117167366A (zh) * 2023-11-02 2023-12-05 启东丰汇润滑设备有限公司 一种液压分配器的自动化流量控制方法及系统
CN117167366B (zh) * 2023-11-02 2023-12-29 启东丰汇润滑设备有限公司 一种液压分配器的自动化流量控制方法及系统

Also Published As

Publication number Publication date
CN114513470B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN114513470B (zh) 网络流量控制方法、装置、设备及计算机可读存储介质
CN110135603B (zh) 一种基于改进熵权法的电力网络告警空间特征分析方法
CN110083507B (zh) 关键性能指标分类方法及装置
CN112087334A (zh) 告警根因分析方法、电子设备和存储介质
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
TW202001611A (zh) 多元流動網路之可靠度計算方法及其系統
CN117768338A (zh) 一种基于梯度提升树的网络流量矩阵预测方法
CN107357714B (zh) 一种基于监控平台的故障分析方法和装置
CN116866950A (zh) 一种基于深度学习的无线网络资源优化系统及方法
CN115473688B (zh) 面向软件定义网络的异常检测方法、装置及设备
CN111352820A (zh) 一种高性能应用运行状态预测和监控方法、设备和装置
CN112788063B (zh) 基于RF-GMM的SDN中LDoS攻击检测方法
CN112637904B (zh) 负载均衡方法、装置及计算设备
CN109446020B (zh) 云存储系统的动态评估方法以及装置
CN106888237B (zh) 一种数据调度方法及系统
CN118101344B (zh) 一种针对5g消息的传输安全识别系统、方法及介质
CN113179218B (zh) 模型训练方法、网络拥塞控制方法、装置及相关产品
CN112766633B (zh) 基于流量平衡的电力无线异构网络管理方法及装置
CN117369954B (zh) 一种面向大数据构建的风险处理框架的jvm优化方法和装置
CN109327329B (zh) 数据模型更新方法及装置
WO2024124975A1 (zh) 网络质量评估方法、装置、设备、存储介质及程序产品
CN118647092A (zh) 一种配电通信网络综合管理方法及系统
CN116455987A (zh) 一种针对bit级未知协议字段的自适应识别方法
CN117785625A (zh) 服务器性能预测方法、装置、设备及存储介质
CN118368195A (zh) 一种基于大数据的机房网络性能优化系统

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