CN114726758B - 工业网络异常确定方法、装置、计算机设备及存储介质 - Google Patents
工业网络异常确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114726758B CN114726758B CN202210615983.4A CN202210615983A CN114726758B CN 114726758 B CN114726758 B CN 114726758B CN 202210615983 A CN202210615983 A CN 202210615983A CN 114726758 B CN114726758 B CN 114726758B
- Authority
- CN
- China
- Prior art keywords
- time period
- network
- determining
- acquisition
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 238000012360 testing method Methods 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000012544 monitoring process Methods 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0829—Packet loss
-
- 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
- H04L43/0852—Delays
-
- 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
- H04L43/0852—Delays
- H04L43/087—Jitter
-
- 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
- H04L43/16—Threshold monitoring
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及互联网技术领域,尤其涉及一种工业网络异常确定方法、装置、计算机设备及存储介质,包括确定目标设备的多个采集时段;确定每一采集时段对应的丢包率;将每一采集时段对应的丢包率与丢包阈值进行比较,将丢包率大于丢包阈值的采集时段确定为异常时段;确定剩余时段集合;确定剩余时段集合对应的总时延值集合,根据总时延值集合,确定G;根据G与波动阈值,确定剩余时段集合对应的网络异常情况。本申请可以通过丢包阈值对异常时段进行快速筛选,同时,在经过丢包阈值筛选后剩余时段集合中需要进行计算的数据量减少,由此,可以进一步提高对网络异常情况的确定速度。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种工业网络异常确定方法、装置、计算机设备及存储介质。
背景技术
随着近年来互联网的持续提速,当前社会的信息化发展越来越快,对于互联网的网络性能要求也变得越来越高。因此,对互联网的网络性能进行精确监控就显得尤为重要。
相关技术,通常将预设周期内的多个网络性能参数,来计算该预设周期内的网络性能抖动值,以实现对该预设周期内的网络性能进行监控。但是,该计算方法的数据处理量较大,计算效率较低。
发明内容
有鉴于此,本发明提供一种工业网络异常确定方法、装置、计算机设备及可读存储介质,至少部分解决现有技术中存在的问题。
根据本公开实施例的第一方面,提供一种工业网络异常确定方法,包括:
确定目标设备的多个采集时段T1、T2、T3……Tn,每一采集时段的起始时间不同,采集时段对应的时间均属于监测周期;
确定每一采集时段对应的丢包率;
依次将每一采集时段对应的丢包率与丢包阈值进行比较,将对应丢包率大于丢包阈值的采集时段确定为异常时段;
确定剩余时段集合,剩余时段集合为监测周期中的所有采集时段去除异常时段后剩余的采集时段组成的集合;
确定剩余时段集合对应的总时延值集合C={C1、C2、C3……Ck},其中,C为剩余时段集合对应的总时延值集合,Ck为在剩余时段集合内目标设备接收到第k个时延测试数据包时的时延值,k的取值小于或等于剩余时段集合对应的时延测试数据包的总数量;
根据剩余时段集合对应的总时延值集合,确定剩余时段集合对应的总平均值;
根据总平均值及剩余时段集合中每一采集时段对应的子时延值集合的时延值,确定剩余时段集合中每一采集时段对应的网络波动值G,G的计算公式如下:
其中,G为剩余时段集合中每一采集时段对应的网络波动值;Ag为在剩余时段集合中的采集时段对应的子时延值集合An={A1、A2、A3……Ah}中的第g个时延值;h为采集时段对应的子时延值集合An中时延值的总数;Bg为总平均值;
根据剩余时段集合中每一采集时段对应的网络波动值与波动阈值,确定剩余时段集合中对应的采集时段的网络异常情况。
作为本申请一种可能的实现方式,根据剩余时段集合中每一采集时段对应的网络波动值与波动阈值,确定剩余时段集合中对应的采集时段的网络异常情况,包括:
在采集时段对应的网络波动值大于波动阈值时,确定采集时段对应的网络异常。
作为本申请一种可能的实现方式,在将对应丢包率大于丢包阈值的采集时段确定为异常时段之前,方法还包括:
获取目标设备每一采集时段对应的多个历史丢包率;
根据每一采集时段对应的多个历史丢包率,确定每一采集时段对应的丢包阈值。
作为本申请一种可能的实现方式,确定目标设备的多个采集时段,包括:
获取目标设备在第一历史时段内网络流量数据,第一历史时段包括至少一个监测周期;
根据网络流量数据,确定目标设备对应的网络流量图,网络流量图的横轴用于表示时间,网络流量图的纵轴用于表示不同时间对应的访问流量的大小;
根据网络流量图,确定网络繁忙时段;
根据网络繁忙时段,确定目标设备的多个采集时段。
作为本申请一种可能的实现方式,根据网络流量图,确定网络繁忙时段,包括:
确定时间滑窗、滑动方向及滑动步长,控制时间滑窗根据滑动方向和滑动步长在横轴上进行滑动;
在每次滑动后,确定时间滑窗当前对应的时间段与网络流量图中的流量变化曲线所围合成的面积;
获取面积阈值;
当时间滑窗当前对应的时间段与网络流量图中的流量变化曲线所围合成的面积大于面积阈值时,时间滑窗当前对应的时间段为网络繁忙时段;
且当确定时间滑窗当前对应的时间段为网络繁忙时段后,时间滑窗下一次滑动的起点为网络繁忙时段的终点。
作为本申请一种可能的实现方式,确定时间滑窗,包括:
在网络流量图中,确定出流量阈值在横轴上所对应的划分时间t1、t2、t3……tn;
依次获取每两个相邻的划分时间之间的划分时段与网络流量图中的流量变化曲线所围合成的繁忙面积Sf1、Sf2、Sf3……Sf(n-1);
时间滑窗对应的时段长度N满足如下公式:
N=Y×(tn-tn-1)/Sf(n-1);
其中,N为时间滑窗对应的时段长度,Y为设定参数,tn为流量阈值在横轴上所对应的第n个划分时间;Sf(n-1)为第n个划分时间与第n-1个划分时间之间的划分时段与网络流量图中的流量变化曲线所围合成的繁忙面积。
作为本申请一种可能的实现方式,第一历史时段包括多个监测周期;
根据网络流量数据,确定目标设备对应的网络流量图,包括:
分别根据每一监测周期对应的网络流量数据,确定同一时间点对应的多个历史访问流量;
根据多个历史访问流量的平均值,确定网络流量图中对应时间点的访问流量。
根据本公开实施例的第二方面,提供一种工业网络异常确定装置,包括:
第一确定模块,用于确定目标设备的多个采集时段T1、T2、T3……Tn,每一采集时段的起始时间不同,采集时段对应的时间均属于监测周期;
第二确定模块,用于确定每一采集时段对应的丢包率;
第三确定模块,用于依次将每一采集时段对应的丢包率与丢包阈值进行比较,将对应丢包率大于丢包阈值的采集时段确定为异常时段;
第四确定模块,用于确定剩余时段集合,剩余时段集合为监测周期中的所有采集时段去除异常时段后剩余的采集时段组成的集合;
第五确定模块,用于确定剩余时段集合对应的总时延值集合C={C1、C2、C3……Ck},其中,Cn为剩余时段集合对应的总时延值集合,Ck为在剩余时段集合内目标设备接收到第k个时延测试数据包时的时延值,k的取值小于或等于剩余时段集合对应的时延测试数据包的总数量;
第六确定模块,用于根据剩余时段集合对应的总时延值集合,确定剩余时段集合对应的总平均值;
第七确定模块,用于根据总平均值及剩余时段集合中每一采集时段对应的子时延值集合的时延值,确定剩余时段集合中每一采集时段对应的网络波动值G,G的计算公式如下:
其中,G为剩余时段集合中每一采集时段对应的网络波动值;Ag为在剩余时段集合中的采集时段对应的子时延值集合An={A1、A2、A3……Ah}中的第g个时延值;h为采集时段对应的子时延值集合An中时延值的总数;Bg为总平均值;
第八确定模块,用于根据剩余时段集合中每一采集时段对应的网络波动值与波动阈值,确定剩余时段集合中对应的采集时段的网络异常情况。
根据本公开实施例的第三方面,提供一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上的工业网络异常确定方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上的工业网络异常确定方法。
本公开的实施例提供的技术方案可以包括以下有益效果:
本申请首先通过丢包阈值对目标设备的多个采集时段进行快速筛选,以快速确定出出现网络异常的时段,然后,再对剩余时段集合中每一采集时段进行对应的网络波动值的计算,然后,再判断剩余时段集合中每一采集时段的网络异常情况。由此,可以通过丢包阈值对异常时段进行快速筛选,同时,在经过丢包阈值筛选后剩余时段集合中的采集时段数量减少,所以需要进行计算的数据量减少,由此,可以进一步提高对网络异常情况的确定速度。
另外,由于在网络波动值计算前,加入了通过丢包阈值对目标设备的多个采集时段进行筛选的步骤,由此,由于减少了异常时段中的数据的干扰,可以保证后续在进行网络波动值计算时,得出的结果更加精准,更加符合对应的采集时段的网络异常情况。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明一实施例中一种工业网络异常确定方法的流程示意图;
图2为本发明一实施例中一种工业网络异常确定装置的结构示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合;并且,基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
根据本公开实施例的第一方面,如图1所示,提供一种工业网络异常确定方法,包括:
步骤S10:确定目标设备的多个采集时段T1、T2、T3……Tn,每一采集时段的起始时间不同,采集时段对应的时间均属于监测周期。
具体的,以一个检测周期为一天举例说明,确定的多个采集时段可以是以固定间隔进行选取的时段,如每隔30分钟选取一个采集时段,每个采集时段对应的时间长度为30分钟,由此一天可以选取24个采集时段,也即n=24。
当然对于采集时段的选取间隔以及采集时段的时间长度也可以根据其他设定规则进行确定。
步骤S20:确定每一采集时段对应的丢包率。
具体的,每一采集时段中可以随机设置多个测试时间点,在对应的测试时间段向目标设备发送对应的指令,具体可以通过一个能够在对应的测试时间点产生ICMP(Internet Control MessaGe Protocol)数据包并向目标设备及时发送该ICMP数据包的发包器,发送的ICMP数据包时可以包括多个子ICMP数据包,由此在目标设备接收到对应的子ICMP数据包后,可以统计出该测试时间点对应的子ICMP数据包的丢包率,也即子丢包率,然后再计算对应的采集时段内所有的测试时间点对应的所有的子丢包率的平均数,将该平均数作为对应的采集时段的丢包率。
另外,通过ICMP数据包可以得出由发包器发出该ICMP数据包到目标设备接收到对应的ICMP数据包之间的时间差,该时间差即为对应的测试时间点的时延值。
步骤S30:依次将每一采集时段对应的丢包率与丢包阈值进行比较,将对应丢包率大于丢包阈值的采集时段确定为异常时段。
具体的,丢包阈值可以根据使用的网络的具体情况进行确定,在此不再赘述。通过本步骤可以快速的将采集时段中的存在明显异常时段筛选出来,也即快速确定出哪些采集时段为网络异常的时段。由于,不用经过更为复杂的计算,由此可以提高确定网络异常抖动的速度。
步骤S40:确定剩余时段集合,剩余时段集合为监测周期中的所有采集时段去除异常时段后剩余的采集时段组成的集合。
具体的,以采集时段T1、T2、T3……Tn中的Tn-2、Tn-1和Tn三个采集时段为异常时段为例进行说明。则,剩余时段集合中的采集时段具体为T1、T2、T3……Tn-3。
步骤S50:确定剩余时段集合对应的总时延值集合C={C1、C2、C3……Ck},其中,C为剩余时段集合对应的总时延值集合,Ck为在剩余时段集合内目标设备接收到第k个时延测试数据包时的时延值,k的取值小于或等于剩余时段集合对应的时延测试数据包的总数量。
具体的,以剩余时段集合中的采集时段具体为T1、T2、T3……Tn-3为例,对应的总时延值集合C={C1、C2、C3……Ck},其中,总时延值集合中的时延值为T1、T2、T3……Tn-3对应的所有的采集时段中的时延值。
当然,剩余时段集合中的采集时段也可以为中的剩余的采集时段中的一部分,如剩余的采集时段具体为T1、T2、T3……Tn-3,剩余时段集合中的采集时段可以仅选取其中的T1、T2和T3。
步骤S60:根据剩余时段集合对应的总时延值集合,确定剩余时段集合对应的总平均值;
步骤S70:根据总平均值及剩余时段集合中每一采集时段对应的子时延值集合的时延值,确定剩余时段集合中每一采集时段对应的网络波动值G,G的计算公式如下:
其中,G为剩余时段集合中每一采集时段对应的网络波动值;Ag为在剩余时段集合中的采集时段对应的子时延值集合An={A1、A2、A3……Ah}中的第g个时延值;h为采集时段对应的子时延值集合An中时延值的总数;Bg为总平均值,Bg为一个常数也即总平均值为B;
以剩余时段集合中的采集时段为T1、T2和T3,以其中的采集时段T1进行示例说明,T1对应的子时延值集合为AT1={A1、A2、A3……Ah},剩余时段集合对应的总平均值为B,将总平均值B赋值给每一个Bg,也即Bg是一个固定的常数B,然后按照上述网络波动值G的计算公式,可以确定出T1对应的G值。
步骤S80:根据剩余时段集合中每一采集时段对应的网络波动值与波动阈值,确定剩余时段集合中对应的采集时段的网络异常情况。
由此,通过每一采集时段的时延值与剩余时段集合对应的总平均值的相似度大小,来判定采集时段对应的的网络异常情况的准确度更高,计算速度也更快,可以提高计算效率。
作为本申请一种可能的实施例,在步骤S50:确定剩余时段集合对应的总时延值集合之后,还包括:
步骤S61:根据剩余时段集合对应的总时延值集合,确定剩余时段集合中每一采集时段对应的网络波动值G,G的计算公式如下:
其中,G为剩余时段集合中每一采集时段对应的网络波动值。Ci为在剩余时段集合
内目标设备接收到第k个时延测试数据包时的时延值。k为剩余时段集合对应的总时延值集
合C中时延值的总数,为剩余时段集合中所有时延值的平均值;。
步骤S71:根据剩余时段集合中每一采集时段对应的网络波动值与波动阈值,确定剩余时段集合对应的网络异常情况。
作为本申请一种可能的实施例,在步骤S61:确定剩余时段集合中每一采集时段对应的网络波动值G之前,还包括:
步骤S601:获取剩余时段集合中每一采集时段对应的历史网络数据,历史网络数据包括历史流量数据及历史数据包大小数据;
具体为,可以获取前一天或几天的历史网络数据,该网络数据中包含有剩余时段集合中每一采集时段对应的历史流量数据及历史数据包大小数据。
步骤S602:根据历史流量数据,确定流量权值;
根据每一采集时段对应的历史流量数据的为其配置对应的流量权值,具体为流量数据越大则对应配置的流量权值越大,具体的历史流量数据与对应的流量权值大小的匹配关系可以根据实际网络情况进行定义。如以对某一网络的访问量为例,访问量为0-100,则对应的流量权值为0.1,访问量为100-200,则对应的流量权值为0.2,访问量为200-300,则对应的流量权值为0.3等。
步骤S603:根据历史数据包大小数据,确定数据包大小权值;
根据每一采集时段对应的历史数据包大小数据为其配置对应的数据包大小权值,具体为数据包大小越大则对应配置的数据包大小权值越大,数据包大小通过对应的采集时段内目标设备接收到的所有数据包的大小的平均值进行表示,具体的历史数据包大小数据与对应的数据包大小权值的匹配关系可以根据实际网络情况进行定义。如以某一采集时段为例,采集时段内的数据包大小为0-10kb,则对应的数据包大小权值为0.1,采集时段内的数据包大小为10-30kb,则对应的数据包大小权值为0.2,采集时段内的数据包大小为30-60kb,则对应的数据包大小权值为0.3等。
步骤S604:根据剩余时段集合中每一采集时段对应的流量权值及对应数据包大小权值,确定剩余时段集合中每一采集时段对应的计算权值。
具体的,采集时段对应的计算权值可以为对应的流量权值及对应数据包大小权值的和。计算权值Z,满足如下公式:
Z=L+R
其中,Z为采集时段对应的计算权值;L为该采集时段对应的流量权值;R为该采集时段对应的数据包大小权值。
在步骤S604:确定剩余时段集合中每一采集时段对应的计算权值后,步骤S60:根据剩余时段集合对应的总时延值集合,确定剩余时段集合中每一采集时段对应的网络波动值G,包括:
步骤S605:根据剩余时段集合对应的总时延值集合及对应的计算权值,确定剩余时段集合中每一采集时段对应的网络波动值G,G的计算公式如下:
其中,G为剩余时段集合中每一采集时段对应的网络波动值。Ci为在剩余时段集合
内目标设备接收到第k个时延测试数据包时的时延值。k为剩余时段集合对应的总时延值集
合C中时延值的总数, 为剩余时段集合中所有时延值的加权平均值。
通过流量权值及对应数据包大小权值,来确定剩余时段集合中每一采集时段对应的计算权值。可以加入流量以及数据包大小等影响因素对时延平均值的影响,由此可以使计算出的剩余时段集合中每一采集时段对应的网络波动值更加准确。
作为本申请一种可能的实施例,步骤S80:根据剩余时段集合中每一采集时段对应的网络波动值与波动阈值,确定剩余时段集合中对应的采集时段的网络异常情况,包括:
在采集时段对应的网络波动值大于波动阈值时,确定采集时段对应的网络异常。
具体的,波动阈值可以根据具体的网络情况进行确定,在此不再赘述,当网络波动值大于波动阈值时,认为采集时段对应的网络异常。
作为本申请一种可能的实施例,在步骤S30:将对应丢包率大于丢包阈值的采集时段确定为异常时段之前,方法还包括:
步骤S301:获取目标设备每一采集时段对应的多个历史丢包率。
如,获取目标设备在当前时间前一周或者前一个月的历史丢包率。
步骤S302:根据每一采集时段对应的多个历史丢包率,确定每一采集时段对应的丢包阈值。
具体的,检测周期以一天为例,获取目标设备在当前时间前一周的历史丢包率,则,每一采集时段就会有7个对应历史丢包率,然后,计算这7个历史丢包率的平均值或者众数或者中位数作为该采集时段对应的丢包阈值。
由此通过获取多个历史丢包率的平均值或者众数或者中位数,来确定对应的丢包阈值,可以使得丢包阈值更加准确,提高后续计算的精度。
作为本申请一种可能的实施例,步骤S10:确定目标设备的多个采集时段,包括:
步骤S101:获取目标设备在第一历史时段内网络流量数据,第一历史时段包括至少一个监测周期。
步骤S102:根据网络流量数据,确定目标设备对应的网络流量图,网络流量图的横轴用于表示时间,网络流量图的纵轴用于表示不同时间对应的访问流量的大小。
步骤S103:根据网络流量图,确定网络繁忙时段。
步骤S104:根据网络繁忙时段,确定目标设备的多个采集时段。
由于在一些使用场景中,每一个监测周期同一时段对应的网络的使用情况基本相同,所以,可以通过第一历史时段中的网络使用情况,来判断未来的网络使用情况。在本实施例中,可以通过根据第一历史时段的网络流量数据确定出来网络流量图,来大体预测未来的监测周期的网络使用情况,由此可以通过网络流量图来确定出网络繁忙时段,通常在网络繁忙时段,使用者对网络稳定性的要求更高,所以在实际使用中需要对网络繁忙时段重点进行网络异常情况的监控。由此,可以使我们在进行采集时段的选择中更有侧重点,也即可以在网络繁忙时段布置更多的采集时段,来提高网络波动值的计算准确度。
作为本申请一种可能的实施例,步骤S103:根据网络流量图,确定网络繁忙时段,包括:
步骤S1031:确定时间滑窗、滑动方向及滑动步长,控制时间滑窗根据滑动方向和滑动步长在横轴上进行滑动。
步骤S1032:在每次滑动后,确定时间滑窗当前对应的时间段与网络流量图中的流量变化曲线所围合成的面积。
步骤S1033:获取面积阈值。
步骤S1034:当时间滑窗当前对应的时间段与网络流量图中的流量变化曲线所围合成的面积大于面积阈值时,时间滑窗当前对应的时间段为网络繁忙时段。
步骤S1035:且当确定时间滑窗当前对应的时间段为网络繁忙时段后,时间滑窗下一次滑动的起点为网络繁忙时段的终点。
具体的,固定长度的时间滑窗对应的时间段与网络流量图中的流量变化曲线所围合成的面积,可以表征对应的时间段内的总访问量,通过总访问量的大小可以更加准确的来判断网络在该时间段是否繁忙。
作为本申请一种可能的实施例,步骤S1031:确定时间滑窗,包括:
步骤S10311:在网络流量图中,确定出流量阈值在横轴上所对应的划分时间t1、t2、t3……tn。
步骤S10312:依次获取每两个相邻的划分时间之间的划分时段与网络流量图中的流量变化曲线所围合成的繁忙面积Sf1、Sf2、Sf3……Sf(n-1)。
步骤S10313:时间滑窗对应的时段长度N满足如下公式:
N=Y×(tn-tn-1)/Sf(n-1);
其中,N为时间滑窗对应的时段长度,Y为设定参数,tn为流量阈值在横轴上所对应的第n个划分时间。Sf(n-1)为第n个划分时间与第n-1个划分时间之间的划分时段与网络流量图中的流量变化曲线所围合成的繁忙面积。
具体的,通过上述对时间滑窗的时段长度N计算公式可知,时段长度N与对应时段的平均访问量成反比,也即平均访问量越高则对应的时间滑窗的长度越小,由此,在平均访问量较高的时间段内会对应更多数量的时间滑窗,相应的在平均访问量较低的时间段内会对应更少数量的时间滑窗。由此,可以保证在网络繁忙的时段会选择到更多的采集时段,而在网络空闲的时段则会选择更少的采集时段。由于,在一个监控周期中,网络繁忙时段的网络更加容易出现异常抖动,所以需要更多的关注,而网络空闲时段的网络更加稳定,且网络使用频率更低,所以可以降低关注度,本实施例中提供的采集时段选择方法更加符合上述要求,由此使得选择出来的采集时段可以更加准确定的反应监测周期内的网络情况,由此使得,对应的网络波动值的结果更加符合实际结果。
为了能够更加准确的在网络繁忙的时段会选择到更多的采集时段,而在网络空闲的时段则会选择更少的采集时段,需要对步骤S1033:获取面积阈值,进行调整,以保证网络繁忙的时段以及网络空闲的时段对应的面积阈值不同。
具体步骤如下:
步骤S10331:根据面积阈值,确定动态面积阈值;
动态面积阈值W,满足如下公式:
其中,W为动态面积阈值,W1为面积阈值,tn为流量阈值在横轴上所对应的第n个划分时间。Sf(n-1)为第n个划分时间与第n-1个划分时间之间的划分时段与网络流量图中的流量变化曲线所围合成的繁忙面积。
由上述公式可知,面积阈值为一个常数,由此,动态面积阈值同样与对应时段的平均访问量成反比。由于,在网络繁忙时段的时间滑窗的长度减小,所以时间滑窗当前对应的时间段与网络流量图中的流量变化曲线所围合成的面积也会同样的减小,同理,由于在网络空闲时段的时间滑窗的长度增加,所以时间滑窗当前对应的时间段与网络流量图中的流量变化曲线所围合成的面积也会相应的增大。如果,在该情况下还使用一样的面积阈值进行筛选,必然会将一部分属于繁忙时段的面积排除,反而将属于空闲时段的面积选中,由此会导致最终确定出来的网络繁忙时段误差较大。本实施例中引入的动态面积阈值可以在繁忙时段相应的减小在空闲时段相应的增加,由此,在以动态面积阈值进行筛选时,可以保证筛选出来的繁忙时段的误差较小。
作为本申请一种可能的实施例,第一历史时段包括多个监测周期。
步骤S102:根据网络流量数据,确定目标设备对应的网络流量图,包括:
步骤S1021:分别根据每一监测周期对应的网络流量数据,确定同一时间点对应的多个历史访问流量。
步骤S1022:根据多个历史访问流量的平均值,确定网络流量图中对应时间点的访问流量。
通过多个历史访问流量的平均值,来作为网络流量图中对应时间点的访问流量会更加准确,更加符合实际的网络使用情况,防止由于选取的数据为一个异常数据时,造成确定的对应时间点的访问流量不准确的问题。
作为本申请一种可能的实施例,在步骤S40:确定剩余时段集合之后,方法还包括:
步骤S42:获取剩余时段集合中的每一采集时段对应的子时延值集合An={Pn1、Pn2、Pn3……Pnm},其中,An为采集时段Tn对应的子时延值集合,Pnj为在采集时段Tn内目标设备接收第j个时延测试数据包时的时延值,n的取值为1到n,n为剩余时段集合中采集时段的总数量,j的取值小于测试数据包组中时延测试数据包的总数量。
步骤S43:根据每一采集时段对应的子时延值集合,确定每一采集时段对应的网络波动值G1,G1的计算公式如下:
其中,G1为剩余时段集合中每一采集时段对应的网络波动值。Pni为在采集时段Tn
内目标设备接收第i个时延测试数据包时的时延值。m为采集时段对应的子时延值集合An中
时延值的总数, 为剩余时段集合中每一采集时段中所有时延值的平均值;。
步骤S44:根据剩余时段集合中每一采集时段对应的网络波动值和波动阈值,确定每一采集时段对应的网络异常情况。
具体的,通过将剩余时段集合中的每一采集时段对应的网络波动值和波动阈值进行比较,可以确定出每一个采集时段网络的抖动情况。
作为本申请一种可能的实施例,在步骤S43:确定每一采集时段对应的网络波动值G1,之前,还包括:
步骤S431:获取每一采集时段对应的历史网络数据,历史网络数据包括历史流量数据及历史数据包大小数据;
具体为,可以获取前一天或几天的历史网络数据,该网络数据中包含有每一采集时段中各个测试时间点对应的历史流量数据及历史数据包大小数据。
步骤S432:根据历史流量数据,确定流量权值;
根据每一采集时段中对应测试时间点也即时延测试数据包的发送时间点的历史流量数据的为其配置对应的流量权值,具体为流量数据越大则对应配置的流量权值越大,具体的历史流量数据与对应的流量权值大小的匹配关系可以根据实际网络情况进行定义。如以某一测试时间点对目标设备的访问量为例,访问量为0-100,则对应的流量权值为0.1,访问量为100-200,则对应的流量权值为0.2,访问量为200-300,则对应的流量权值为0.3等。
步骤S433:根据历史数据包大小数据,确定数据包大小权值;
根据每一采集时段中各个测试时间点对应的历史数据包大小数据为其配置对应的数据包大小权值,具体为,数据包大小越大则对应配置的数据包大小权值越大,数据包大小通过对应的测试时间点目标设备接收到的所有数据包的大小的平均值进行表示,具体的历史数据包大小数据与对应的数据包大小权值的匹配关系可以根据实际网络情况进行定义。如以某一测试时间点目标设备接收到的所有数据包的大小为例,测试时间点内的数据包大小为0-10kb,则对应的数据包大小权值为0.1,测试时间点内的数据包大小为10-30kb,则对应的数据包大小权值为0.2,测试时间点内的数据包大小为30-70kb,则对应的数据包大小权值为0.3等。
步骤S434:根据每一采集时段内各测试时间点对应的流量权值及对应数据包大小权值,确定对应的每一测试时间点对应的计算权值。
具体的,测试时间点对应的计算权值可以为对应的流量权值及对应数据包大小权值的和。计算权值Z,满足如下公式:
Z=L+R
其中,Z为测试时间点对应的计算权值;L为该测试时间点对应的流量权值;R为该测试时间点对应的数据包大小权值。
在步骤S434:确定对应的每一测试时间点对应的计算权值后,步骤S43:根据每一采集时段对应的子时延值集合,确定每一采集时段对应的网络波动值G1,包括:
步骤S435:根据每一测试时间点对应的子时延值集合及对应的计算权值,确定采集时段对应的网络波动值G1,G1的计算公式如下:
通过流量权值及对应数据包大小权值,来确定每一采集时段内各个测试时间点对应的计算权值。可以加入流量以及数据包大小等影响因素对时延平均值的影响,由此可以使计算出的采集时段对应的网络波动值更加准确。
根据本公开实施例的第二方面,如图2所示,提供一种工业网络异常确定装置,包括:
第一确定模块,用于确定目标设备的多个采集时段T1、T2、T3……Tn,每一采集时段的起始时间不同,采集时段对应的时间均属于监测周期。
第二确定模块,用于确定每一采集时段对应的丢包率。
第三确定模块,用于依次将每一采集时段对应的丢包率与丢包阈值进行比较,将对应丢包率大于丢包阈值的采集时段确定为异常时段。
第四确定模块,用于确定剩余时段集合,剩余时段集合为监测周期中的所有采集时段去除异常时段后剩余的采集时段组成的集合。
第五确定模块,用于确定剩余时段集合对应的总时延值集合C={C1、C2、C3……Ck},其中,Cn为剩余时段集合对应的总时延值集合,Ck为在剩余时段集合内目标设备接收到第k个时延测试数据包时的时延值,k的取值小于或等于剩余时段集合对应的时延测试数据包的总数量;
第六确定模块,用于根据剩余时段集合对应的总时延值集合,确定剩余时段集合对应的总平均值;
第七确定模块,用于根据总平均值及剩余时段集合中每一采集时段对应的子时延值集合的时延值,确定剩余时段集合中每一采集时段对应的网络波动值G,G的计算公式如下:
其中,G为剩余时段集合中每一采集时段对应的网络波动值;Ag为在剩余时段集合中的采集时段对应的子时延值集合An={A1、A2、A3……Ah}中的第g个时延值;h为采集时段对应的子时延值集合An中时延值的总数;Bg为总平均值;
第八确定模块,用于根据剩余时段集合中每一采集时段对应的网络波动值与波动阈值,确定剩余时段集合中对应的采集时段的网络异常情况。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
根据本发明的这种实施方式的电子设备。电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于:上述至少一个处理器、上述至少一个储存器、连接不同系统组件(包括储存器和处理器)的总线。
其中,储存器存储有程序代码,程序代码可以被处理器执行,使得处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
储存器可以包括易失性储存器形式的可读介质,例如随机存取储存器(RAM)和/或高速缓存储存器,还可以进一步包括只读储存器(ROM)。
储存器还可以包括具有一组(至少一个)程序模块的程序/实用工具,这样的程序模块包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线可以为表示几类总线结构中的一种或多种,包括储存器总线或者储存器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
电子设备也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备交互的设备通信,和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且,电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器通过总线与电子设备的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种工业网络异常确定方法,其特征在于,包括:
确定目标设备的多个采集时段T1、T2、T3……Tn,每一所述采集时段的起始时间不同,所述采集时段对应的时间均属于监测周期;
确定每一所述采集时段对应的丢包率;
依次将每一所述采集时段对应的所述丢包率与丢包阈值进行比较,将对应丢包率大于所述丢包阈值的采集时段确定为异常时段;
确定剩余时段集合,所述剩余时段集合为所述监测周期中的所有采集时段去除所述异常时段后剩余的采集时段组成的集合;
确定所述剩余时段集合对应的总时延值集合C={C1、C2、C3……Ck},其中,C为所述剩余时段集合对应的总时延值集合,Ck为在所述剩余时段集合内所述目标设备接收到第k个时延测试数据包时的时延值,k的取值小于或等于所述剩余时段集合对应的所述时延测试数据包的总数量;
根据所述剩余时段集合对应的总时延值集合,确定所述剩余时段集合对应的总平均值;
根据所述总平均值及所述剩余时段集合中每一所述采集时段对应的子时延值集合的时延值,确定所述剩余时段集合中每一所述采集时段对应的网络波动值G,G的计算公式如下:
其中,G为所述剩余时段集合中每一所述采集时段对应的网络波动值;Ag为在剩余时段集合中的采集时段对应的子时延值集合An={A1、A2、A3……Ah}中的第g个时延值;h为采集时段对应的子时延值集合An中时延值的总数;Bg为所述总平均值;
根据所述剩余时段集合中每一所述采集时段对应的网络波动值与波动阈值,确定所述剩余时段集合中对应的所述采集时段的网络异常情况。
2.根据权利要求1所述的工业网络异常确定方法,其特征在于,所述根据所述剩余时段集合中每一所述采集时段对应的网络波动值与波动阈值,确定所述剩余时段集合中对应的所述采集时段的网络异常情况,包括:
在所述采集时段对应的网络波动值大于所述波动阈值时,确定所述采集时段对应的网络异常。
3.根据权利要求1所述的工业网络异常确定方法,其特征在于,在所述将对应丢包率大于所述丢包阈值的采集时段确定为异常时段之前,所述方法还包括:
获取所述目标设备每一所述采集时段对应的多个历史丢包率;
根据每一所述采集时段对应的多个所述历史丢包率,确定每一所述采集时段对应的所述丢包阈值。
4.根据权利要求1所述的工业网络异常确定方法,其特征在于,所述确定目标设备的多个采集时段,包括:
获取目标设备在第一历史时段内网络流量数据,所述第一历史时段包括至少一个监测周期;
根据所述网络流量数据,确定所述目标设备对应的网络流量图,所述网络流量图的横轴用于表示时间,所述网络流量图的纵轴用于表示不同时间对应的访问流量的大小;
根据所述网络流量图,确定网络繁忙时段;
根据所述网络繁忙时段,确定所述目标设备的多个所述采集时段。
5.根据权利要求4所述的工业网络异常确定方法,其特征在于,所述根据所述网络流量图,确定网络繁忙时段,包括:
确定时间滑窗、滑动方向及滑动步长,控制所述时间滑窗根据所述滑动方向和所述滑动步长在所述横轴上进行滑动;
在每次所述滑动后,确定所述时间滑窗当前对应的时间段与所述网络流量图中的流量变化曲线所围合成的面积;
获取面积阈值;
当所述时间滑窗当前对应的时间段与所述网络流量图中的流量变化曲线所围合成的面积大于所述面积阈值时,所述时间滑窗当前对应的时间段为网络繁忙时段;
且当确定所述时间滑窗当前对应的所述时间段为网络繁忙时段后,所述时间滑窗下一次滑动的起点为所述网络繁忙时段的终点。
6.根据权利要求5所述的工业网络异常确定方法,其特征在于,所述确定时间滑窗,包括:
在所述网络流量图中,确定出流量阈值在所述横轴上所对应的划分时间t1、t2、t3……tn;
依次获取每两个相邻的所述划分时间之间的划分时段与所述网络流量图中的流量变化曲线所围合成的繁忙面积Sf1、Sf2、Sf3……Sf(n-1);
所述时间滑窗对应的时段长度N满足如下公式:
N=Y×(tn-tn-1)/Sf(n-1);
7.根据权利要求4所述的工业网络异常确定方法,其特征在于,所述第一历史时段包括多个所述监测周期;
所述根据所述网络流量数据,确定所述目标设备对应的网络流量图,包括:
分别根据每一所述监测周期对应的所述网络流量数据,确定同一时间点对应的多个历史访问流量;
根据多个所述历史访问流量的平均值,确定所述网络流量图中对应时间点的所述访问流量。
8.一种工业网络异常确定装置,其特征在于,包括:
第一确定模块,用于确定目标设备的多个采集时段T1、T2、T3……Tn,每一所述采集时段的起始时间不同,所述采集时段对应的时间均属于监测周期;
第二确定模块,用于确定每一所述采集时段对应的丢包率;
第三确定模块,用于依次将每一所述采集时段对应的所述丢包率与丢包阈值进行比较,将对应丢包率大于所述丢包阈值的采集时段确定为异常时段;
第四确定模块,用于确定剩余时段集合,所述剩余时段集合为所述监测周期中的所有采集时段去除所述异常时段后剩余的采集时段组成的集合;
第五确定模块,用于确定所述剩余时段集合对应的总时延值集合C={C1、C2、C3……Ck},其中,C为所述剩余时段集合对应的总时延值集合,Ck为在所述剩余时段集合内所述目标设备接收到第k个时延测试数据包时的时延值,k的取值小于或等于所述剩余时段集合对应的所述时延测试数据包的总数量;
第六确定模块,用于根据所述剩余时段集合对应的总时延值集合,确定所述剩余时段集合对应的总平均值;
第七确定模块,用于根据所述总平均值及所述剩余时段集合中每一所述采集时段对应的子时延值集合的时延值,确定所述剩余时段集合中每一所述采集时段对应的网络波动值G,G的计算公式如下:
其中,G为所述剩余时段集合中每一所述采集时段对应的网络波动值;Ag为在剩余时段集合中的采集时段对应的子时延值集合An={A1、A2、A3……Ah}中的第g个时延值;h为采集时段对应的子时延值集合An中时延值的总数;Bg为所述总平均值;
第八确定模块,用于根据所述剩余时段集合中每一所述采集时段对应的网络波动值与波动阈值,确定所述剩余时段集合中对应的所述采集时段的网络异常情况。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的工业网络异常确定方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的工业网络异常确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210615983.4A CN114726758B (zh) | 2022-06-01 | 2022-06-01 | 工业网络异常确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210615983.4A CN114726758B (zh) | 2022-06-01 | 2022-06-01 | 工业网络异常确定方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114726758A CN114726758A (zh) | 2022-07-08 |
CN114726758B true CN114726758B (zh) | 2022-11-04 |
Family
ID=82232524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210615983.4A Active CN114726758B (zh) | 2022-06-01 | 2022-06-01 | 工业网络异常确定方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114726758B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115001853B (zh) * | 2022-07-18 | 2022-11-04 | 山东云天安全技术有限公司 | 一种异常数据的识别方法、装置、存储介质及计算机设备 |
CN116781389B (zh) * | 2023-07-18 | 2023-12-22 | 山东溯源安全科技有限公司 | 一种异常数据列表的确定方法、电子设备及存储介质 |
CN116866047A (zh) * | 2023-07-18 | 2023-10-10 | 山东溯源安全科技有限公司 | 工业设备网络中恶意设备的确定方法、介质及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111935172A (zh) * | 2020-08-25 | 2020-11-13 | 珠海市一知安全科技有限公司 | 基于网络拓扑的网络异常行为检测方法、计算机装置及计算机可读存储介质 |
CN113271322A (zh) * | 2021-07-20 | 2021-08-17 | 北京明略软件系统有限公司 | 异常流量的检测方法和装置、电子设备和存储介质 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104811344B (zh) * | 2014-01-23 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 网络动态业务监控方法及装置 |
US9973397B2 (en) * | 2014-07-23 | 2018-05-15 | Guavus, Inc. | Diagnosis of network anomalies using customer probes |
CN105451260B (zh) * | 2014-08-12 | 2019-12-20 | 优视科技有限公司 | 网络请求方法、网络波动性衡量方法及装置 |
CN104320297B (zh) * | 2014-10-15 | 2018-03-06 | 中冶长天国际工程有限责任公司 | 一种网络异常检测及网络通信控制的方法和装置 |
CN106411647A (zh) * | 2016-10-13 | 2017-02-15 | 腾讯科技(深圳)有限公司 | 一种通信质量检测方法及检测服务器 |
CN107204894B (zh) * | 2017-05-18 | 2020-07-07 | 华为技术有限公司 | 网络业务质量的监控方法及装置 |
CN109039821A (zh) * | 2018-08-21 | 2018-12-18 | 平安科技(深圳)有限公司 | 网络流量监控方法、装置、计算机设备及存储介质 |
CN108833214B (zh) * | 2018-08-29 | 2020-09-08 | 杭州安恒信息技术股份有限公司 | 一种工控网络检测的方法、装置和系统 |
CN111327449A (zh) * | 2018-12-17 | 2020-06-23 | 中国移动通信集团北京有限公司 | 一种网络异常的确定方法、装置、设备及介质 |
CN109743339B (zh) * | 2019-03-22 | 2020-06-02 | 中国南方电网有限责任公司 | 电力厂站的网络安全监测方法和装置、计算机设备 |
CN110224885B (zh) * | 2019-05-31 | 2021-09-17 | 东软集团股份有限公司 | 设备监控的告警方法、装置、存储介质及电子设备 |
CN117376088A (zh) * | 2019-07-18 | 2024-01-09 | 华为技术有限公司 | 网络异常根因定位方法、装置及系统、计算机存储介质 |
CN112087350B (zh) * | 2020-09-17 | 2022-03-18 | 中国工商银行股份有限公司 | 网络接入线路的流量监控方法、装置、系统和介质 |
CN112821992B (zh) * | 2021-01-08 | 2024-02-06 | 百果园技术(新加坡)有限公司 | 数据传输方法、装置、电子设备和存储介质 |
-
2022
- 2022-06-01 CN CN202210615983.4A patent/CN114726758B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111935172A (zh) * | 2020-08-25 | 2020-11-13 | 珠海市一知安全科技有限公司 | 基于网络拓扑的网络异常行为检测方法、计算机装置及计算机可读存储介质 |
CN113271322A (zh) * | 2021-07-20 | 2021-08-17 | 北京明略软件系统有限公司 | 异常流量的检测方法和装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114726758A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114726758B (zh) | 工业网络异常确定方法、装置、计算机设备及存储介质 | |
US10817803B2 (en) | Data driven methods and systems for what if analysis | |
US10565516B2 (en) | Updating prediction model | |
US10558545B2 (en) | Multiple modeling paradigm for predictive analytics | |
CN109697522B (zh) | 一种数据预测的方法和装置 | |
US10797971B2 (en) | Diagnostic framework in computing systems | |
CN108509325B (zh) | 系统超时时间的动态确定方法与装置 | |
US8660022B2 (en) | Adaptive remote decision making under quality of information requirements | |
CN109274309A (zh) | 马达控制方法、装置、电子设备及存储介质 | |
CN113672467A (zh) | 运维预警方法及装置、电子设备、存储介质 | |
CN115269108A (zh) | 一种数据处理方法、装置及设备 | |
CN114928574B (zh) | 信息发送方法、装置、电子设备和计算机可读介质 | |
CN114500339A (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
CN116680146A (zh) | 一种保障应用软件安全可靠运行的方法和装置 | |
US10169132B2 (en) | Predicting a likelihood of a critical storage problem | |
US11423326B2 (en) | Using machine-learning methods to facilitate experimental evaluation of modifications to a computational environment within a distributed system | |
CN115022207B (zh) | 网络稳定性确定方法、装置、计算机设备及可读存储介质 | |
CN117370065A (zh) | 一种异常任务确定方法、电子设备及存储介质 | |
US11295224B1 (en) | Metrics prediction using dynamic confidence coefficients | |
US20230095807A1 (en) | Method, electronic device, and computer program product for managing storage device | |
CN115480948A (zh) | 硬盘故障预测方法及相关设备 | |
CN115022206B (zh) | 网络稳定性确定方法、装置、计算机设备及可读存储介质 | |
CN114358581A (zh) | 性能指标的异常阈值确定方法和装置、设备、存储介质 | |
CN115061722B (zh) | 用于为应用的新版本配置资源的方法、设备和介质 | |
JP2023164272A (ja) | ソフトウェア開発を評価するためのシステム及び方法 |
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 |