CN114760215A - 一种计算机网络数据传输性能监测方法及系统 - Google Patents
一种计算机网络数据传输性能监测方法及系统 Download PDFInfo
- Publication number
- CN114760215A CN114760215A CN202210242611.1A CN202210242611A CN114760215A CN 114760215 A CN114760215 A CN 114760215A CN 202210242611 A CN202210242611 A CN 202210242611A CN 114760215 A CN114760215 A CN 114760215A
- Authority
- CN
- China
- Prior art keywords
- transmission
- fault
- data
- monitoring
- item
- 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
Links
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- 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
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/069—Management of faults, events, alarms or notifications using logs of notifications; Post-processing of notifications
-
- 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
Abstract
本发明公开了一种计算机网络数据传输性能监测方法及系统,包括以下步骤:步骤S1、在网络数据传输日志中提取出多个传输故障日志项,并依次分析出每个传输故障日志项中导致传输故障的故障数据特征,以及量化每个传输故障日志项中传输故障的故障程度;步骤S2、基于故障数据特征和故障程度利用BP神经网络训练出识别计算机网络数据传输性能的故障识别模型。本发明通过构建故障识别模型对计算机网络数据传输性能进行实时故障监测,并基于所述实时监测结果分频调控故障监测频率以及改善传输性能,以实现对计算机网络数据传输性能故障处以及非故障处进行分频监测和改善来达到在稳定数据传输性能的同时合理分配监测资源。
Description
技术领域
本发明涉及网络数据传输技术领域,具体涉及一种计算机网络数据传输性能监测方法及系统。
背景技术
网络传输是指用一系列的线路(光纤,双绞线等)经过电路的调整变化依据网络传输协议来进行通信的过程。其中网络传输需要介质,也就是网络中发送方与接收方之间的物理通路,它对网络的数据通信具有一定的影响。常用的传输介质有:双绞线、同轴电缆、光纤、无线传输媒介。网络协议即网络中(包括互联网)传递、管理信息的一些规范,在网络传输中最重要的是在数据传输中进行实时监测,以确保网络传输稳定持续。
目前,行业内的数据传输结果检查无法实现应用程序的自动检查,只能依靠各项目组运维人员手工检查,给运维人员带来巨大的工作量。同时,由于手工检查的不及时行无法及时发现数据传输过程中的问题,无法确保问题数据得到及时补救,造成用户使用系统时时常出现数据问题。
发明内容
本发明的目的在于提供一种计算机网络数据传输性能监测方法及系统,以解决现有技术中无法实现应用程序的自动检查,只能依靠各项目组运维人员手工检查,以及由于手工检查的不及时行无法及时发现数据传输过程中的问题,无法确保问题数据得到及时补救的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种计算机网络数据传输性能监测方法,包括以下步骤:
步骤S1、在网络数据传输日志中提取出多个传输故障日志项,并依次分析出每个传输故障日志项中导致传输故障的故障数据特征,以及量化每个传输故障日志项中传输故障的故障程度;
步骤S2、基于故障数据特征和故障程度利用BP神经网络训练出识别计算机网络数据传输性能的故障识别模型;
步骤S3、基于所述故障识别模型对计算机网络数据传输性能进行实时故障监测,并基于所述实时监测结果分频调控故障监测频率以及改善传输性能,以实现对计算机网络数据传输性能故障处以及非故障处进行分频监测和改善来达到在稳定数据传输性能的同时合理分配监测资源。
作为本发明的一种优选方案,所述依次分析出每个传输故障日志项中导致传输故障的故障数据特征,包括:
在每个传输故障日志项中提取出传输故障发生时正在进行数据传输的传输数据项,并对所有传输数据项进行数据传输量、传输距离、传输效率、编码格式、传输协议、传输硬件的多特征统计得到多个数据特征项;
对多个数据特征项进行主成分分析得到多个数据特征项的特征贡献率,并将特征贡献率高于贡献预设值的数据特征项作为故障数据特征。
作为本发明的一种优选方案,所述量化每个传输故障日志项中传输故障的故障程度,包括:
将传输数据项的经济损失进行归一化处理量化为传输数据项的故障度权重,所述故障度权重的计算公式为:
式中,Wj,i表征为第j个传输故障日志项中第i个传输数据项的故障度权重,Cj,i表征为第j个传输故障日志项中第i个传输数据项的单位数据长度经济损失,m表征为传输数据项的总个数,i为计量常数;
计算每个传输故障日志项中所述传输数据项的传输故障数据量在传输数据项的传输数据总量中的占比作为每个传输数据项的故障程度,并对每个传输数据项利用故障度权重进行加权求和得到每个传输故障日志项的故障程度以作为所述传输故障日志项的故障程度,所述传输故障日志项的故障程度的计算公式为:
式中,Pj表征为第j个传输故障日志项的故障程度,nj,i表征为第j个传输故障日志项中第i个传输数据项的传输故障数据量,Nj,i表征为第j个传输故障日志项中第i个传输数据项的传输数据总量,j为计量常数。
作为本发明的一种优选方案,所述基于故障数据特征和故障程度利用BP 神经网络训练出识别计算机网络数据传输性能的故障识别模型,包括:
将每个传输故障日志项的传输数据项基于故障数据特征转化为故障特征数据序列,并将故障特征数据序列作为BP神经网络的训练输入项,以及将传输故障日志项的故障程度作为BP神经网络的训练输出项;
利用BP神经网络对多个传输故障日志项以及与传输故障日志项相同数量的传输非故障日志项的训练输入项和训练输出项进行模型训练得到所述故障识别模型,所述故障识别模型的模型表达式为:
P=BP(data);
式中,P为故障程度标识符,data为故障特征数据序列标识符,BP为BP 神经网络标识符。
作为本发明的一种优选方案,所述基于所述故障识别模型对计算机网络数据传输性能进行实时故障监测,包括:
分别获取计算机网络的当前传输时刻的传输数据项,并将所述当前传输时刻的传输数据项基于故障数据特征转化为当前传输时刻的故障特征数据序列;
将当前传输时刻的故障特征数据序列分别输入至故障识别模型得到当前传输时刻的故障程度。
作为本发明的一种优选方案,所述基于所述实时监测结果分频调控故障监测频率以及改善传输性能,包括:
步骤1、以上一传输时刻与当前传输时刻的时差倒数作为故障监测频率的基础值f0;
步骤2、将当前传输时刻的故障程度与故障阈值比较,其中,
若当前传输时刻的故障程度超过故障阈值,则将故障监测频率更新为: fnow=f0*(1+Pnow),并对当前传输时刻的计算机网络数据传输性能进行改善;
若当前传输时刻的故障程度未超过故障阈值,则将故障监测频率更新为: fnow=f0,并维持当前传输时刻的计算机网络数据传输性能;
式中,fnow表征为当前传输时刻后续的故障检测频率,f0表征为故障监测频率的基础值,Pnow表征为当前传输时刻的故障程度;
步骤3、从当前传输时刻处以故障监测频率fnow进行故障监测获取下一传输时刻的传输数据项,以及计算出下一传输时刻的故障程度,并将当前传输时刻、下一传输时刻分别递进为上一传输时刻、当前传输时刻,转至步骤1,循环执行步骤1到步骤3实现对计算机网络数据传输性能的实时监测和实时改善。
作为本发明的一种优选方案,所述计算机网络数据传输性能的改善处理至少包括增加传输带宽、增加吞吐量、增加中继缓存、更改传输协议、更改编码格式、提升传输硬件中的至少一种。
作为本发明的一种优选方案,所述传输数据项在进行故障程度计算前进行了归一化处理。
作为本发明的一种优选方案,所述传输非故障日志项按传输故障日志项进行处理得到非传输故障日志项的故障数据特征和故障程度分别作为训练输入项和训练输出项。
作为本发明的一种优选方案,本发明提供了一种根据所述的计算机网络数据传输性能监测方法的监测系统,包括:
日志分析模块,用于在网络数据传输日志中提取出多个传输故障日志项,并依次分析出每个传输故障日志项中导致传输故障的故障数据特征,以及量化每个传输故障日志项中传输故障的故障程度;
模型构建模块,用于基于故障数据特征和故障程度利用BP神经网络训练出识别计算机网络数据传输性能的故障识别模型;
实时监测模块,用于基于所述故障识别模型对计算机网络数据传输性能进行实时故障监测,并基于所述实时监测结果分频调控故障监测频率以及改善传输性能,以实现对计算机网络数据传输性能故障处以及非故障处进行分频监测和改善来达到在稳定数据传输性能的同时合理分配监测资源。
本发明与现有技术相比较具有如下有益效果:
本发明通过构建故障识别模型对计算机网络数据传输性能进行实时故障监测,并基于所述实时监测结果分频调控故障监测频率以及改善传输性能,以实现对计算机网络数据传输性能故障处以及非故障处进行分频监测和改善来达到在稳定数据传输性能的同时合理分配监测资源。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的计算机网络数据传输性能监测方法流程图;
图2为本发明实施例提供的监测系统结构框图。
图中的标号分别表示如下:
1-日志分析模块;2-模型构建模块;3-实时监测模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供了一种计算机网络数据传输性能监测方法,包括以下步骤:
步骤S1、在网络数据传输日志中提取出多个传输故障日志项,并依次分析出每个传输故障日志项中导致传输故障的故障数据特征,以及量化每个传输故障日志项中传输故障的故障程度;
依次分析出每个传输故障日志项中导致传输故障的故障数据特征,包括:
在每个传输故障日志项中提取出传输故障发生时正在进行数据传输的传输数据项,并对所有传输数据项进行数据传输量、传输距离、传输效率、编码格式、传输协议、传输硬件的多特征统计得到多个数据特征项,在实际使用时可根据使用者的需要进行增删;
对多个数据特征项进行主成分分析得到多个数据特征项的特征贡献率,并将特征贡献率高于贡献预设值的数据特征项作为故障数据特征,特征贡献率越高,则表明在传输故障发生时该特征的影响程度最大,比如数据传输量经过计算为故障数据特征,则大概率是因为数据传输量过大导致的传输故障,因此,此时需要进行增加信道带宽等方法进行传输性能改善。
量化每个传输故障日志项中传输故障的故障程度,包括:
将传输数据项的经济损失进行归一化处理量化为传输数据项的故障度权重,故障度权重的计算公式为:
式中,Wj,i表征为第j个传输故障日志项中第i个传输数据项的故障度权重,Cj,i表征为第j个传输故障日志项中第i个传输数据项的单位数据长度经济损失,m表征为传输数据项的总个数,i为计量常数;
计算每个传输故障日志项中传输数据项的传输故障数据量在传输数据项的传输数据总量中的占比作为每个传输数据项的故障程度,并对每个传输数据项利用故障度权重进行加权求和得到每个传输故障日志项的故障程度以作为传输故障日志项的故障程度,传输故障日志项的故障程度的计算公式为:
式中,Pj表征为第j个传输故障日志项的故障程度,nj,i表征为第j个传输故障日志项中第i个传输数据项的传输故障数据量,Nj,i表征为第j个传输故障日志项中第i个传输数据项的传输数据总量,j为计量常数。
经济损失越大的传输数据项,则为传输数据项赋予更高的故障度权重,赋予了故障度权重后能够对传输数据项的故障程度与经济损失进行关联,凸显处经济损失大的传输数据项的影响力,能够更客观的展示出传输故障日志项的故障程度,贴近现实含义。
步骤S2、基于故障数据特征和故障程度利用BP神经网络训练出识别计算机网络数据传输性能的故障识别模型;
基于故障数据特征和故障程度利用BP神经网络训练出识别计算机网络数据传输性能的故障识别模型,包括:
将每个传输故障日志项的传输数据项基于故障数据特征转化为故障特征数据序列,并将故障特征数据序列作为BP神经网络的训练输入项,以及将传输故障日志项的故障程度作为BP神经网络的训练输出项;
利用BP神经网络对多个传输故障日志项以及与传输故障日志项相同数量的传输非故障日志项的训练输入项和训练输出项进行模型训练得到故障识别模型,故障识别模型的模型表达式为:
P=BP(data);
式中,P为故障程度标识符,data为故障特征数据序列标识符,BP为BP 神经网络标识符。
传输非故障日志项按传输故障日志项进行处理得到非传输故障日志项的故障数据特征和故障程度分别作为训练输入项和训练输出项。
选取与传输故障日志项数量相同的非传输故障日志项与传输故障日志进行均匀混合作为BP神经网络的训练样本,其中将非传输故障日志项按传输故障日志项进行处理得到非传输故障日志项的故障数据特征和故障程度,保证训练样本的正负均衡性,避免仅使用传输故障日志项造成模型过拟合,识别精度低的问题。
步骤S3、基于故障识别模型对计算机网络数据传输性能进行实时故障监测,并基于实时监测结果分频调控故障监测频率以及改善传输性能,以实现对计算机网络数据传输性能故障处以及非故障处进行分频监测和改善来达到在稳定数据传输性能的同时合理分配监测资源,即对计算机网络数据传输性能故障处进行高频监测和改善处理,以及对计算机网络数据传输性能非故障处进行低频监测和改善处理,符合现实需求,并且识别计算机网络数据传输性能故障处且故障程度越高,监测频率也提升至越高,以使得计算机网络数据传输性能故障处获得高度关注,能够更为及时的进行改善处理,降低故障损失,而在识别计算机网络数据传输性能非故障处,监测频率维持在基础值上,以使得计算机网络数据传输性能非故障处获得基础关注,非故障处传输性能稳定,无需密切关注,因此监测频率维持在基础值上避免过于高频的关注造成数据监测和改善处理的操作冗余,也能避免监测资源的不合理占用。
基于故障识别模型对计算机网络数据传输性能进行实时故障监测,包括:
分别获取计算机网络的当前传输时刻的传输数据项,并将当前传输时刻的传输数据项基于故障数据特征转化为当前传输时刻的故障特征数据序列;
将当前传输时刻的故障特征数据序列分别输入至故障识别模型得到当前传输时刻的故障程度。
基于实时监测结果分频调控故障监测频率以及改善传输性能,包括:
步骤1、以上一传输时刻与当前传输时刻的时差倒数作为故障监测频率的基础值f0;
步骤2、将当前传输时刻的故障程度与故障阈值比较,其中,
若当前传输时刻的故障程度超过故障阈值,则将故障监测频率更新为: fnow=f0*(1+Pnow),并对当前传输时刻的计算机网络数据传输性能进行改善;
若当前传输时刻的故障程度未超过故障阈值,则将故障监测频率更新为: fnow=f0,并维持当前传输时刻的计算机网络数据传输性能;
式中,fnow表征为当前传输时刻后续的故障检测频率,f0表征为故障监测频率的基础值,Pnow表征为当前传输时刻的故障程度;
步骤3、从当前传输时刻处以故障监测频率fnow进行故障监测获取下一传输时刻的传输数据项,以及计算出下一传输时刻的故障程度,并将当前传输时刻、下一传输时刻分别递进为上一传输时刻、当前传输时刻,转至步骤1,循环执行步骤1到步骤3实现对计算机网络数据传输性能的实时监测和实时改善。
计算机网络数据传输性能的改善处理至少包括增加传输带宽、增加吞吐量、增加中继缓存、更改传输协议、更改编码格式、提升传输硬件中的至少一种。
传输数据项在进行故障程度计算前进行了归一化处理。
如图2所示,基于上述计算机网络数据传输性能监测方法,本发明提供了一种监测系统,包括:
日志分析模块1,用于在网络数据传输日志中提取出多个传输故障日志项,并依次分析出每个传输故障日志项中导致传输故障的故障数据特征,以及量化每个传输故障日志项中传输故障的故障程度;
模型构建模块2,用于基于故障数据特征和故障程度利用BP神经网络训练出识别计算机网络数据传输性能的故障识别模型;
实时监测模块3,用于基于故障识别模型对计算机网络数据传输性能进行实时故障监测,并基于实时监测结果分频调控故障监测频率以及改善传输性能,以实现对计算机网络数据传输性能故障处以及非故障处进行分频监测和改善来达到在稳定数据传输性能的同时合理分配监测资源。
本发明通过构建故障识别模型对计算机网络数据传输性能进行实时故障监测,并基于实时监测结果分频调控故障监测频率以及改善传输性能,以实现对计算机网络数据传输性能故障处以及非故障处进行分频监测和改善来达到在稳定数据传输性能的同时合理分配监测资源。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种计算机网络数据传输性能监测方法,其特征在于,包括以下步骤:
步骤S1、在网络数据传输日志中提取出多个传输故障日志项,并依次分析出每个传输故障日志项中导致传输故障的故障数据特征,以及量化每个传输故障日志项中传输故障的故障程度;
步骤S2、基于故障数据特征和故障程度利用BP神经网络训练出识别计算机网络数据传输性能的故障识别模型;
步骤S3、基于所述故障识别模型对计算机网络数据传输性能进行实时故障监测,并基于所述实时监测结果分频调控故障监测频率以及改善传输性能,以实现对计算机网络数据传输性能故障处以及非故障处进行分频监测和改善来达到在稳定数据传输性能的同时合理分配监测资源。
2.根据权利要求1所述的一种计算机网络数据传输性能监测方法,其特征在于:所述依次分析出每个传输故障日志项中导致传输故障的故障数据特征,包括:
在每个传输故障日志项中提取出传输故障发生时正在进行数据传输的传输数据项,并对所有传输数据项进行数据传输量、传输距离、传输效率、编码格式、传输协议、传输硬件的多特征统计得到多个数据特征项;
对多个数据特征项进行主成分分析得到多个数据特征项的特征贡献率,并将特征贡献率高于贡献预设值的数据特征项作为故障数据特征。
3.根据权利要求2所述的一种计算机网络数据传输性能监测方法,其特征在于:所述量化每个传输故障日志项中传输故障的故障程度,包括:
将传输数据项的经济损失进行归一化处理量化为传输数据项的故障度权重,所述故障度权重的计算公式为:
式中,Wj,i表征为第j个传输故障日志项中第i个传输数据项的故障度权重,Cj,i表征为第j个传输故障日志项中第i个传输数据项的单位数据长度经济损失,m表征为传输数据项的总个数,i为计量常数;
计算每个传输故障日志项中所述传输数据项的传输故障数据量在传输数据项的传输数据总量中的占比作为每个传输数据项的故障程度,并对每个传输数据项利用故障度权重进行加权求和得到每个传输故障日志项的故障程度以作为所述传输故障日志项的故障程度,所述传输故障日志项的故障程度的计算公式为:
式中,Pj表征为第j个传输故障日志项的故障程度,nj,i表征为第j个传输故障日志项中第i个传输数据项的传输故障数据量,Nj,i表征为第j个传输故障日志项中第i个传输数据项的传输数据总量,j为计量常数。
4.根据权利要求3所述的一种计算机网络数据传输性能监测方法,其特征在于:所述基于故障数据特征和故障程度利用BP神经网络训练出识别计算机网络数据传输性能的故障识别模型,包括:
将每个传输故障日志项的传输数据项基于故障数据特征转化为故障特征数据序列,并将故障特征数据序列作为BP神经网络的训练输入项,以及将传输故障日志项的故障程度作为BP神经网络的训练输出项;
利用BP神经网络对多个传输故障日志项以及与传输故障日志项相同数量的传输非故障日志项的训练输入项和训练输出项进行模型训练得到所述故障识别模型,所述故障识别模型的模型表达式为:
P=BP(data);
式中,P为故障程度标识符,data为故障特征数据序列标识符,BP为BP神经网络标识符。
5.根据权利要求4所述的一种计算机网络数据传输性能监测方法,其特征在于:所述基于所述故障识别模型对计算机网络数据传输性能进行实时故障监测,包括:
分别获取计算机网络的当前传输时刻的传输数据项,并将所述当前传输时刻的传输数据项基于故障数据特征转化为当前传输时刻的故障特征数据序列;
将当前传输时刻的故障特征数据序列分别输入至故障识别模型得到当前传输时刻的故障程度。
6.根据权利要求5所述的一种计算机网络数据传输性能监测方法,其特征在于:所述基于所述实时监测结果分频调控故障监测频率以及改善传输性能,包括:
步骤1、以上一传输时刻与当前传输时刻的时差倒数作为故障监测频率的基础值f0;
步骤2、将当前传输时刻的故障程度与故障阈值比较,其中,
若当前传输时刻的故障程度超过故障阈值,则将故障监测频率更新为:fnow=f0*(1+Pnow),并对当前传输时刻的计算机网络数据传输性能进行改善;
若当前传输时刻的故障程度未超过故障阈值,则将故障监测频率更新为:fnow=f0,并维持当前传输时刻的计算机网络数据传输性能;
式中,fnow表征为当前传输时刻后续的故障检测频率,f0表征为故障监测频率的基础值,Pnow表征为当前传输时刻的故障程度;
步骤3、从当前传输时刻处以故障监测频率fnow进行故障监测获取下一传输时刻的传输数据项,以及计算出下一传输时刻的故障程度,并将当前传输时刻、下一传输时刻分别递进为上一传输时刻、当前传输时刻,转至步骤1,循环执行步骤1到步骤3实现对计算机网络数据传输性能的实时监测和实时改善。
7.根据权利要求6所述的一种计算机网络数据传输性能监测方法,其特征在于,所述计算机网络数据传输性能的改善处理至少包括增加传输带宽、增加吞吐量、增加中继缓存、更改传输协议、更改编码格式、提升传输硬件中的至少一种。
8.根据权利要求7所述的一种计算机网络数据传输性能监测方法,其特征在于,所述传输数据项在进行故障程度计算前进行了归一化处理。
9.根据权利要求4所述的一种计算机网络数据传输性能监测方法,其特征在于,所述传输非故障日志项按传输故障日志项进行处理得到非传输故障日志项的故障数据特征和故障程度分别作为训练输入项和训练输出项。
10.一种根据权利要求1-9任一项所述的计算机网络数据传输性能监测方法的监测系统,其特征在于,包括:
日志分析模块(1),用于在网络数据传输日志中提取出多个传输故障日志项,并依次分析出每个传输故障日志项中导致传输故障的故障数据特征,以及量化每个传输故障日志项中传输故障的故障程度;
模型构建模块(2),用于基于故障数据特征和故障程度利用BP神经网络训练出识别计算机网络数据传输性能的故障识别模型;
实时监测模块(3),用于基于所述故障识别模型对计算机网络数据传输性能进行实时故障监测,并基于所述实时监测结果分频调控故障监测频率以及改善传输性能,以实现对计算机网络数据传输性能故障处以及非故障处进行分频监测和改善来达到在稳定数据传输性能的同时合理分配监测资源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210242611.1A CN114760215B (zh) | 2022-03-11 | 2022-03-11 | 一种计算机网络数据传输性能监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210242611.1A CN114760215B (zh) | 2022-03-11 | 2022-03-11 | 一种计算机网络数据传输性能监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114760215A true CN114760215A (zh) | 2022-07-15 |
CN114760215B CN114760215B (zh) | 2023-02-10 |
Family
ID=82327258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210242611.1A Active CN114760215B (zh) | 2022-03-11 | 2022-03-11 | 一种计算机网络数据传输性能监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114760215B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116032997A (zh) * | 2022-12-29 | 2023-04-28 | 南京先进计算产业发展有限公司 | 一种高性能计算环境中的两个子网之间的互连方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
US20150065121A1 (en) * | 2013-08-30 | 2015-03-05 | International Business Machines Corporation | Adaptive monitoring for cellular networks |
US20150269120A1 (en) * | 2014-03-20 | 2015-09-24 | Kabushiki Kaisha Toshiba | Model parameter calculation device, model parameter calculating method and non-transitory computer readable medium |
WO2017177018A1 (en) * | 2016-04-06 | 2017-10-12 | Nec Laboratories America, Inc | A mobile phone with system failure prediction using long short-term memory neural networks |
CN107332712A (zh) * | 2017-08-02 | 2017-11-07 | 山西大学 | 网络性能动态评价、监测和优化系统 |
CN107634857A (zh) * | 2017-09-22 | 2018-01-26 | 安徽师范大学 | 基于svm的故障检测模型构建及评估方法 |
CN108011731A (zh) * | 2016-11-01 | 2018-05-08 | 湖南中车时代电动汽车股份有限公司 | 电机控制系统的故障信息采集和传输方法 |
CN111552609A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 一种异常状态检测方法、系统、存储介质、程序、服务器 |
US20200366547A1 (en) * | 2019-05-13 | 2020-11-19 | Fujitsu Limited | Network analyzer and network analyzing method |
CN112016815A (zh) * | 2020-08-10 | 2020-12-01 | 南京华盾电力信息安全测评有限公司 | 一种基于神经网络的用户侧综合能效评价方法 |
-
2022
- 2022-03-11 CN CN202210242611.1A patent/CN114760215B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150065121A1 (en) * | 2013-08-30 | 2015-03-05 | International Business Machines Corporation | Adaptive monitoring for cellular networks |
US20150269120A1 (en) * | 2014-03-20 | 2015-09-24 | Kabushiki Kaisha Toshiba | Model parameter calculation device, model parameter calculating method and non-transitory computer readable medium |
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
WO2017177018A1 (en) * | 2016-04-06 | 2017-10-12 | Nec Laboratories America, Inc | A mobile phone with system failure prediction using long short-term memory neural networks |
CN108011731A (zh) * | 2016-11-01 | 2018-05-08 | 湖南中车时代电动汽车股份有限公司 | 电机控制系统的故障信息采集和传输方法 |
CN107332712A (zh) * | 2017-08-02 | 2017-11-07 | 山西大学 | 网络性能动态评价、监测和优化系统 |
CN107634857A (zh) * | 2017-09-22 | 2018-01-26 | 安徽师范大学 | 基于svm的故障检测模型构建及评估方法 |
US20200366547A1 (en) * | 2019-05-13 | 2020-11-19 | Fujitsu Limited | Network analyzer and network analyzing method |
CN111552609A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 一种异常状态检测方法、系统、存储介质、程序、服务器 |
CN112016815A (zh) * | 2020-08-10 | 2020-12-01 | 南京华盾电力信息安全测评有限公司 | 一种基于神经网络的用户侧综合能效评价方法 |
Non-Patent Citations (3)
Title |
---|
刘建刚等: "一类新的基于神经网络预测的变周期网络控制系统采样方案", 《佳木斯大学学报(自然科学版)》 * |
李酉戌: "基于卷积神经网络的网络故障诊断模型", 《软件导刊》 * |
赵明等: "基于深度学习的网络故障诊断", 《计算机与网络》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116032997A (zh) * | 2022-12-29 | 2023-04-28 | 南京先进计算产业发展有限公司 | 一种高性能计算环境中的两个子网之间的互连方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114760215B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109831386B (zh) | 一种sdn下基于机器学习的最优路径选择算法 | |
US20210027170A1 (en) | Training method and apparatus for service quality evaluation models | |
US20230079768A1 (en) | Methods and internet of things (iot) systems for processing abnormality of smart gas pipeline network | |
CN111292020B (zh) | 一种基于随机森林的电网实时运行风险评估方法及系统 | |
AU2017404119A1 (en) | Random forest model training method, electronic apparatus and storage medium | |
CN109981744B (zh) | 数据的分发方法、装置、存储介质及电子设备 | |
CN114760215B (zh) | 一种计算机网络数据传输性能监测方法及系统 | |
CN114137916A (zh) | 基于数据分析的电路板生产用监督管控系统 | |
CN114513470A (zh) | 网络流量控制方法、装置、设备及计算机可读存储介质 | |
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 | |
CN110059938B (zh) | 一种基于关联规则驱动的配电网规划方法 | |
WO2023051318A1 (zh) | 模型训练方法、无线资源调度方法及其装置及电子设备 | |
CN110855474A (zh) | Kqi数据的网络特征提取方法、装置、设备及存储介质 | |
CN115473734A (zh) | 基于单分类和联邦学习的远程代码执行攻击检测方法 | |
CN115981192A (zh) | 基于工业网络协同控制与预判方法 | |
CN113163173B (zh) | 一种基于大数据的视频数据采集处理和传输的方法 | |
CN114710761A (zh) | 一种基于无线远传技术的网络设备监测系统 | |
CN110989518B (zh) | 一种集成制造现场的控制方法和控制系统 | |
CN109359825B (zh) | 银行数字化运营产品价值分析方法 | |
CN114501026B (zh) | 视频编码方法、装置、设备及存储介质 | |
CN116708175B (zh) | 一种远程信息系统运维优化调度方法 | |
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 | |
CN114039868B (zh) | 一种增值业务管理方法和装置 | |
CN116016711A (zh) | 通信网络调度系统及方法及系统 |
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 |