CN114900859B - 一种easymesh网络管理方法及装置 - Google Patents
一种easymesh网络管理方法及装置 Download PDFInfo
- Publication number
- CN114900859B CN114900859B CN202210808955.4A CN202210808955A CN114900859B CN 114900859 B CN114900859 B CN 114900859B CN 202210808955 A CN202210808955 A CN 202210808955A CN 114900859 B CN114900859 B CN 114900859B
- Authority
- CN
- China
- Prior art keywords
- network
- data set
- topology data
- network topology
- data model
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0289—Congestion control
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0908—Management thereof based on time, e.g. for a critical period only
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
- H04W28/20—Negotiating bandwidth
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- 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
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本申请公开提供了一种easymesh网络管理方法及装置,其中,该方法包括:获取网络拓扑数据集;对所述网络拓扑数据集进行预处理;基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型;根据训练得到的网络数据模型,控制easymesh网络中每个终端的连接状态和业务流Qos,解决了现有技术中,在有限的宽带下,出现各个终端设备之间的资源竞争及冲突,出现WiFi信道拥挤问题;在某一时间,有些路由器处于空闲状态,有些路由器处于高并发状态,导致资源使用不均匀的问题。
Description
技术领域
本发明涉及智能策略技术领域,具体涉及一种easymesh网络管理方法及装置。
背景技术
近年来,随着人民生活水平不断提高,人们对网络的带宽,时延和稳定性的要求越来越高,为了满足更好的体验,easymesh应用变得越来越广泛,在家庭中通过多个路由器的组网,达到无线信号的各个角落全覆盖,但是同样随着IOT的兴起,目前每家每户的wifi终端设备数量在不断增加就会出现如下问题:1、在有限的宽带下,会出现各个终端设备之间的资源竞争及冲突,出现WiFi信道拥挤问题;2、在某一时间,有些路由器处于空闲状态,有些路由器处于高并发状态,导致资源使用不均匀。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中,在有限的宽带下,出现各个终端设备之间的资源竞争及冲突,出现WiFi信道拥挤问题;在某一时间,有些路由器处于空闲状态,有些路由器处于高并发状态,导致资源使用不均匀的问题,从而提供一种easymesh网络管理方法及装置。
为解决上述技术问题,本发明公开实施例至少提供一种easymesh网络管理方法及装置。
第一方面,本发明公开实施例提供了一种easymesh网络管理方法,包括:
获取网络拓扑数据集;
对所述网络拓扑数据集进行预处理;
基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型;
根据训练得到的网络数据模型,控制easymesh网络中每个终端的连接状态和业务流Qos。
可选地,所述获取网络拓扑数据集,包括:
获取网络数据业务关联的IP地址、通信协议头、流量值、上传速率和下载速率。
可选地,所述对所述网络拓扑数据集进行预处理,包括:
按照日期及时间对所述网络拓扑数据集进行预处理,所述日期包括:星期一到星期日,所述时间为每30分钟。
可选地,所述基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型包括:
将所述预处理后的网络拓扑数据集输入所述神经网络,由所述神经网络进行特征提取,并输出所提取特征的特征向量;
根据所输出的特征向量计算网络损失;
根据所述网络损失更新所述神经网络的权重;
重复上述步骤,直至网络损失收敛至低于预设值,从而得到网络数据模型。
可选地,所述根据训练得到的网络数据模型,控制easymesh网络中每个终端的连接状态和业务流Qos包括:
通过检测所述网络数据模型计算出的触发条件,如果满足触发条件,则发送远程控制指令到easymesh网络中每个终端,通过easymesh网络控制easymesh网络中每个终端的发射功率、频道、天线发出的空间流和业务流Qos。
第二方面,本发明公开实施例还提供一种easymesh网络管理装置,包括:
获取模块,用于获取网络拓扑数据集;
预处理模块,用于对所述网络拓扑数据集进行预处理;
训练模块,用于基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型;
控制模块,用于根据训练得到的网络数据模型,控制easymesh网络中每个终端的连接状态和业务流Qos。
第三方面,本发明公开实施例还提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
第四方面,本发明公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
本发明的实施例提供的技术方案可以具有以下有益效果:
获取网络拓扑数据集;对所述网络拓扑数据集进行预处理;基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型;根据训练得到的网络数据模型,控制所述easymesh网络中每个终端的连接状态和业务流Qos,本发明在easymesh的协议策略上,加入AI智能策略,辅助管理整个网络拓扑,统计不同设备在不同时间段使用的流量情况以及所连接的路由器设备,根据数据进行训练,形成智能策略,再根据智能策略决定设备在什么时间段应该连接到哪个路由器,并分配多大的带宽,从而使整个网络结构更加合理,用户办公娱乐更加流畅。
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和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体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,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1示出了本发明公开实施例所提供的一种easymesh网络管理方法的流程图;
图2示出了本发明公开实施例所提供的一种easymesh网络管理装置的结构示意图;
图3示出了本发明公开实施例所提供的另一种easymesh网络管理方法的流程图;
图4示出了本发明公开实施例所提供的一种计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
实施例1
如图1所示,本发明公开实施例所提供的一种easymesh网络管理方法,该方法包括:
S11:获取网络拓扑数据集;
S12:对所述网络拓扑数据集进行预处理;
S13:基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型;
S14:根据训练得到的网络数据模型,控制easymesh网络中每个终端的连接状态和业务流Qos。
在具体实践中,所述获取网络拓扑数据集,包括:
获取网络数据业务关联的IP地址、通信协议头、流量值、上传速率和下载速率。
在具体实践中,所述对所述网络拓扑数据集进行预处理,包括:
按照日期及时间对所述网络拓扑数据集进行预处理,所述日期包括:星期一到星期日,所述时间为每30分钟。
在具体实践中,所述基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型包括:
将所述预处理后的网络拓扑数据集输入所述神经网络,由所述神经网络进行特征提取,并输出所提取特征的特征向量;
根据所输出的特征向量计算网络损失;
根据所述网络损失更新所述神经网络的权重;
重复上述步骤,直至网络损失收敛至低于预设值,从而得到网络数据模型。
在具体实践中,所述根据训练得到的网络数据模型,控制easymesh网络中每个终端的连接状态和业务流Qos包括:
通过检测所述网络数据模型计算出的触发条件,如果满足触发条件,则发送远程控制指令到easymesh网络中每个终端,通过easymesh网络控制easymesh网络中每个终端的发射功率、频道、天线发出的空间流和业务流Qos。
可以理解的是,本实施例提供的技术方案,获取网络拓扑数据集;对所述网络拓扑数据集进行预处理;基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型;根据训练得到的网络数据模型,控制easymesh网络中每个终端的连接状态和业务流Qos,本发明在easymesh的协议策略上,加入AI智能策略,辅助管理整个网络拓扑,统计不同设备在不同时间段使用的流量情况以及所连接的路由器设备,根据数据进行训练,形成智能策略,再根据智能策略决定设备在什么时间段应该连接到哪个路由器,并分配多大的带宽,从而使整个网络结构更加合理,用户办公娱乐更加流畅。
实施例2
如图2所示,本发明实施例还提供一种easymesh网络管理装置,包括:
获取模块21,用于获取网络拓扑数据集;
预处理模块22,用于对所述网络拓扑数据集进行预处理;
训练模块23,用于基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型;
控制模块24,用于根据训练得到的网络数据模型,控制easymesh网络中每个终端的连接状态和业务流Qos。
可以理解的是,本实施例提供的技术方案,获取网络拓扑数据集;对所述网络拓扑数据集进行预处理;基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型;根据训练得到的网络数据模型,控制easymesh网络中每个终端的连接状态和业务流Qos,本发明在easymesh的协议策略上,加入AI智能策略,辅助管理整个网络拓扑,统计不同设备在不同时间段使用的流量情况以及所连接的路由器设备,根据数据进行训练,形成智能策略,再根据智能策略决定设备在什么时间段应该连接到哪个路由器,并分配多大的带宽,从而使整个网络结构更加合理,用户办公娱乐更加流畅。
实施例3
如图3所示,本发明实施例还提供一种easymesh网络管理方法,包括:
S31:路由器设备进行组网,路由器数量为2个以上;
S32:家庭终端设备开始连接路由器,接入到网络中,所述家庭终端设备包括:手机、平板、笔记本、音箱、电视机和空调;
S33:根据easymesh的协议策略,通过扫描wifi信道干扰情况、信号连接强度和当前路由器连接的家庭终端数量生成漫游策略,使家庭终端开始漫游,连接到不同的路由器上;
S34:启动数据收集模块,实时收集每个路由器上连接的家庭终端设备以及家庭终端设备使用的流量;
S35:启动数据处理模块,将所述数据收集模块收集的数据导入神经网络,进行数据训练,得到网络数据模型;
S36:根据训练得到的网络数据模型,使用WiFi指令控制所述easymesh网络中每个终端的连接状态,使每个终端都能达到最佳状态和业务流Qos。
在具体实践中,所述获取网络拓扑数据集,包括:
获取网络数据业务关联的IP地址、通信协议头、流量值、上传速率和下载速率。
在具体实践中,获取跟时间关联的分类目标函数,用于区分用户家庭的上网空闲时段和繁忙时段、找出热点业务,热点业务类型用于用户画像分类、拥堵判断,应用分类后的用户策略去调度上级网关的无线热点的相关无线参数。
在具体实践中,所述对所述网络拓扑数据集进行预处理,包括:
按照日期及时间对所述网络拓扑数据集进行预处理,所述日期包括:星期一到星期日,所述时间为每30分钟。
在具体实践中,所述基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型包括:
将所述预处理后的网络拓扑数据集输入所述神经网络,由所述神经网络进行特征提取,并输出所提取特征的特征向量;
根据所输出的特征向量计算网络损失;
根据所述网络损失更新所述神经网络的权重;
重复上述步骤,直至网络损失收敛至低于预设值,从而得到网络数据模型。
在具体实践中,在输出层使用softmax作为损失函数,用于评估网络数据模型的精确度以及通过网络数据模型分类找出最优解的参数范围。
在具体实践中,获取初始模型和预训练数据集,所述预训练数据集作为测试集,输入所述初始模型,加速训练。
在具体实践中,所述根据训练得到的网络数据模型,控制easymesh网络中每个终端的连接状态和业务流Qos包括:
通过检测所述网络数据模型计算出的触发条件,如果满足触发条件,则发送远程控制指令到easymesh网络中每个终端,通过easymesh网络控制easymesh网络中每个终端的发射功率、频道、天线发出的空间流和业务流Qos。
在具体实践中,通过建模评估跟网络数据模型中最优指标范围的差异,缩短前期动态训练更新网络数据模型的步骤。
在具体实践中,上网业务关联的识别分类包括:无线信号质量的监控和数据业务层面的监控网络的稳定特征;特征向量数据的训练,用于帮助无线信号质量提升和上网业务的数据分类加速支持,选取决策森林算法生成分类标签,对应网络问题类型和特征向量关联,最后结合有损失的主向量选择策略简化控制过程。
在具体实践中,对所有业务流使用K-means算法进行聚类,将单个业务流量总数和平均总流量之比,作为目标函数,找出峰值时间、峰值业务、带宽需求,保证带宽和峰值冗余,使用EM算法迭代优化,取大于该高需求业务的距离阈值的数量最多的业务类型作为整个簇的类型,保留20%的带宽冗余,此类型业务的点到簇中心的距离取正值,求和作为目标函 数,再次用EM算法迭代优化,得到调整后的kd个簇作为初始模型,完成初始模型的训练和建立,所述业务流为网络中的数据流,所述一条数据流为一段时间内连续的从相同源节点到相同目的节点,同时具有相同特征的数据包,所述具有相同特征的数据包为使用同一种协议的数据包;
将初始模型安装在终端路由器中或者接入网的网关中,作为初始的分类器;
当数据流量到达交换机时,将数据流的数据包和交换机中的转发流flow表进行匹配每个项目entry,如果匹配成功则按转发数据流flow表中设计的指令进行操作,否则将数据流的数据包封装后上传至控制器中;
控制器收到数据包后将数据包放入分类器中进行分类,得到该数据包所属数据流的业务类型后,将此类型业务映射到对应的QoS需求上,最终识别出此数据流的QoS需求,存储后作为信息提供给下一步的路由;
同时,根据此数据包的特征和业务流的类别在线对分类模型进行调整,进一步提高分类器的准确度。
可以理解的是,本实施例提供的技术方案,获取网络拓扑数据集;对所述网络拓扑数据集进行预处理;基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型;根据训练得到的网络数据模型,控制easymesh网络中每个终端的连接状态和业务流Qos,本发明在easymesh的协议策略上,加入AI智能策略,辅助管理整个网络拓扑,统计不同设备在不同时间段使用的流量情况以及所连接的路由器设备,根据数据进行训练,形成智能策略,再根据智能策略决定设备在什么时间段应该连接到哪个路由器,并分配多大的带宽,从而使整个网络结构更加合理,用户办公娱乐更加流畅。
实施例4
本发明实施例还提供了一种计算机设备,包括存储器1和处理器2,如图4所示,所述存储器1存储有计算机程序,所述处理器2执行所述计算机程序时实现上述任一项所述的方法。
其中,存储器1至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器1在一些实施例中可以是easymesh网络管理系统的内部存储单元,例如硬盘。存储器1在另一些实施例中也可以是easymesh网络管理系统的外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,存储器1还可以既包括easymesh网络管理的内部存储单元也包括外部存储设备。存储器1不仅可以用于存储安装于easymesh网络管理的应用软件及各类数据,例如easymesh网络管理程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器2在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器1中存储的程序代码或处理数据,例如执行easymesh网络管理程序等。
可以理解的是,本实施例提供的技术方案,获取网络拓扑数据集;对所述网络拓扑数据集进行预处理;基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型;根据训练得到的网络数据模型,控制easymesh网络中每个终端的连接状态和业务流Qos,本发明在easymesh的协议策略上,加入AI智能策略,辅助管理整个网络拓扑,统计不同设备在不同时间段使用的流量情况以及所连接的路由器设备,根据数据进行训练,形成智能策略,再根据智能策略决定设备在什么时间段应该连接到哪个路由器,并分配多大的带宽,从而使整个网络结构更加合理,用户办公娱乐更加流畅。
本发明公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的方法的步骤。其中,该存储介质可以是易失性或非易失的计算机可读取存储介质。
本发明公开实施例所提供的easymesh网络管理方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行上述方法实施例中所述的方法的步骤,具体可参见上述方法实施例,在此不再赘述。
本发明公开实施例还提供一种计算机程序,该计算机程序被处理器执行时实现前述实施例的任意一种方法。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software DevelopmentKit,SDK)等等。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (1)
1.一种easymesh网络管理方法,其特征在于,包括:
获取网络拓扑数据集;
对所述网络拓扑数据集进行预处理;
基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型;
根据训练得到的网络数据模型,控制easymesh网络中每个终端的连接状态和业务流Qos;
所述获取网络拓扑数据集,包括:
获取网络数据业务关联的IP地址、通信协议头、流量值、上传速率和下载速率;
所述对所述网络拓扑数据集进行预处理,包括:
按照日期及时间对所述网络拓扑数据集进行预处理,所述日期包括:星期一到星期日,所述时间为每30分钟;
所述基于所述预处理后的网络拓扑数据集对神经网络进行训练,得到网络数据模型包括:
将所述预处理后的网络拓扑数据集输入所述神经网络,由所述神经网络进行特征提取,并输出所提取特征的特征向量;
根据所输出的特征向量计算网络损失;
根据所述网络损失更新所述神经网络的权重;
重复上述步骤,直至网络损失收敛至低于预设值,从而得到网络数据模型;
所述根据训练得到的网络数据模型,控制easymesh网络中每个终端的连接状态和业务流Qos包括:
通过检测所述网络数据模型计算出的触发条件,如果满足触发条件,则发送远程控制指令到easymesh网络中每个终端,通过easymesh网络控制easymesh网络中每个终端的发射功率、频道、天线发出的空间流和业务流Qos。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210808955.4A CN114900859B (zh) | 2022-07-11 | 2022-07-11 | 一种easymesh网络管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210808955.4A CN114900859B (zh) | 2022-07-11 | 2022-07-11 | 一种easymesh网络管理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114900859A CN114900859A (zh) | 2022-08-12 |
CN114900859B true CN114900859B (zh) | 2022-09-20 |
Family
ID=82729943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210808955.4A Active CN114900859B (zh) | 2022-07-11 | 2022-07-11 | 一种easymesh网络管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114900859B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108809839A (zh) * | 2018-07-17 | 2018-11-13 | 湖南理工学院 | 无线Mesh骨干网络流量控制方法与装置 |
CN110519816A (zh) * | 2019-08-22 | 2019-11-29 | 普联技术有限公司 | 一种无线漫游控制方法、装置、存储介质及终端设备 |
US10652782B1 (en) * | 2019-06-28 | 2020-05-12 | Nokia Technologies Oy | Latency reduction based on packet error prediction |
US10952120B1 (en) * | 2019-10-02 | 2021-03-16 | Sabanci Universitesi | Online learning based smart steering system for wireless mesh networks |
CN112654028A (zh) * | 2020-12-15 | 2021-04-13 | 烽火通信科技股份有限公司 | 一种基于Easymesh协议的组网管理方法和系统 |
CN112953924A (zh) * | 2021-02-04 | 2021-06-11 | 西安电子科技大学 | 网络异常流量检测方法、系统、存储介质、终端及应用 |
CN113365283A (zh) * | 2020-11-16 | 2021-09-07 | 南京航空航天大学 | 一种基于流量预测的无人机自组网信道接入控制方法 |
CN114422453A (zh) * | 2021-11-30 | 2022-04-29 | 北京交通大学 | 一种在线规划时间敏感流的方法、装置及存储介质 |
CN114466369A (zh) * | 2021-12-20 | 2022-05-10 | 中兴通讯股份有限公司 | 网络资源处理方法、存储介质及电子装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10845463B2 (en) * | 2015-07-17 | 2020-11-24 | Origin Wireless, Inc. | Method, apparatus, and system for wireless object scanning |
CA3016195C (en) * | 2016-03-18 | 2020-05-05 | Plume Design, Inc. | Optimization of distributed wi-fi networks |
EP3941106B1 (en) * | 2016-03-18 | 2023-05-03 | Plume Design, Inc. | Cloud-based control of a wi-fi network |
US10554482B2 (en) * | 2016-03-18 | 2020-02-04 | Plume Design, Inc. | Optimization of distributed Wi-Fi networks estimation and learning |
US11290953B2 (en) * | 2019-02-13 | 2022-03-29 | Arris Enterprises Llc | Utilizing BSS transition management (BTM) steering primer messages to determine whether wireless devices support BTM steering |
CN113133024B (zh) * | 2019-12-31 | 2022-09-02 | 北京华为数字技术有限公司 | 一种网络资源的配置方法及装置 |
US20220007382A1 (en) * | 2020-10-07 | 2022-01-06 | Intel Corporation | Model-assisted deep reinforcement learning based scheduling in wireless networks |
CN114363921A (zh) * | 2020-10-13 | 2022-04-15 | 维沃移动通信有限公司 | Ai网络参数的配置方法和设备 |
-
2022
- 2022-07-11 CN CN202210808955.4A patent/CN114900859B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108809839A (zh) * | 2018-07-17 | 2018-11-13 | 湖南理工学院 | 无线Mesh骨干网络流量控制方法与装置 |
US10652782B1 (en) * | 2019-06-28 | 2020-05-12 | Nokia Technologies Oy | Latency reduction based on packet error prediction |
CN110519816A (zh) * | 2019-08-22 | 2019-11-29 | 普联技术有限公司 | 一种无线漫游控制方法、装置、存储介质及终端设备 |
US10952120B1 (en) * | 2019-10-02 | 2021-03-16 | Sabanci Universitesi | Online learning based smart steering system for wireless mesh networks |
CN113365283A (zh) * | 2020-11-16 | 2021-09-07 | 南京航空航天大学 | 一种基于流量预测的无人机自组网信道接入控制方法 |
CN112654028A (zh) * | 2020-12-15 | 2021-04-13 | 烽火通信科技股份有限公司 | 一种基于Easymesh协议的组网管理方法和系统 |
CN112953924A (zh) * | 2021-02-04 | 2021-06-11 | 西安电子科技大学 | 网络异常流量检测方法、系统、存储介质、终端及应用 |
CN114422453A (zh) * | 2021-11-30 | 2022-04-29 | 北京交通大学 | 一种在线规划时间敏感流的方法、装置及存储介质 |
CN114466369A (zh) * | 2021-12-20 | 2022-05-10 | 中兴通讯股份有限公司 | 网络资源处理方法、存储介质及电子装置 |
Non-Patent Citations (4)
Title |
---|
An Overview of Machine Learning Approaches in Wireless Mesh Networks;S. Karunaratne等;《IEEE Communications Magazine》;20190430;全文 * |
Attention to Wi-Fi Diversity: Resource Management in WLANs With Heterogeneous APs;J. Saldana等;《IEEE Access》;20210105;全文 * |
Wi-Fi6之后的Wi-Fi技术趋势;成刚等;《电子技术应用》;20200406(第04期);全文 * |
基于双向强化学习与动态码率调节的无线mesh网络协议;陈永建等;《计算机应用研究》(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114900859A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10554482B2 (en) | Optimization of distributed Wi-Fi networks estimation and learning | |
CN103988543B (zh) | 无线局域网中的控制设备、网络系统及业务处理方法 | |
US20170163540A1 (en) | Systems and methods for generating a virtual network topology for m2m communications | |
EP2983410B1 (en) | Providing communication path information in hybrid networks | |
US7978698B2 (en) | Terminal for performing multiple access transmission suitable to a transmission path having varied characteristics | |
US11929911B2 (en) | Shaping outgoing traffic of network packets in a network management system | |
Jia et al. | A BUS‐aided RSU access scheme based on SDN and evolutionary game in the Internet of Vehicle | |
CN103781158A (zh) | 无线网络接入方法及接入装置 | |
Di Dio et al. | Exploiting state information to support QoS in software-defined WSNs | |
WO2015042773A1 (zh) | 一种接入点配置方法和控制器 | |
CN110167100A (zh) | 一种物联网中中继节点的选择方法 | |
CN111343666A (zh) | 基于lte网络的拥塞调整方法、装置、设备和介质 | |
CN101977446A (zh) | 在无线网络中提供服务质量保证的方法及系统 | |
WO2012151921A1 (zh) | 多接口终端的业务传输方法及装置 | |
CN109802868B (zh) | 一种基于云计算的移动应用实时识别方法 | |
CN114900859B (zh) | 一种easymesh网络管理方法及装置 | |
CN106851685B (zh) | 一种控制移动终端带宽的方法及系统 | |
CN109120549A (zh) | 一种无线sdn下优先级驱动的切换优化方法 | |
CN101977389B (zh) | Wifi网络用户模型的建立方法及网络设备 | |
CN116582493A (zh) | 数据中心网络链路的选取方法、装置、电子设备 | |
KR20210016802A (ko) | 소프트웨어 정의 네트워킹 환경에서 서버-클라이언트 기반의 네트워크 서비스를 위한 플로우 테이블을 최적화하는 방법 및 이를 위한 sdn 스위치 | |
CN112433480B (zh) | 智能家居系统及其控制方法以及设备 | |
CN111480364A (zh) | 接入控制方法、装置和可读存储介质 | |
CN100477597C (zh) | WiMAX网络中实现策略决定和资源预留的方法 | |
CN109819432A (zh) | 一种开启设备发现功能的方法、服务器及终端设备 |
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 |