CN115037642A - 一种识别流量瓶颈的方法和装置 - Google Patents
一种识别流量瓶颈的方法和装置 Download PDFInfo
- Publication number
- CN115037642A CN115037642A CN202210326524.4A CN202210326524A CN115037642A CN 115037642 A CN115037642 A CN 115037642A CN 202210326524 A CN202210326524 A CN 202210326524A CN 115037642 A CN115037642 A CN 115037642A
- Authority
- CN
- China
- Prior art keywords
- traffic
- network object
- network
- flow
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 58
- 230000015654 memory Effects 0.000 claims description 16
- 230000000737 periodic effect Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 101150012579 ADSL gene Proteins 0.000 description 1
- 102100020775 Adenylosuccinate lyase Human genes 0.000 description 1
- 108700040193 Adenylosuccinate lyases Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing 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
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- 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
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种识别流量瓶颈的方法和装置,方法包括:获取网络对象的流量数据,筛选出不满足流量预测条件的网络对象;对所述不满足流量预测条件的网络对象进行流量预测;通过所述流量预测的结果,识别所述不满足流量预测条件的网络对象的流量瓶颈。本发明通过科学的建立不满足预测条件的网络对象和满足预测条件的网络对象之间的关系,利用满足预测条件的网络对象的流量数据及其预测池,对不满足预测条件的网络对象的流量数据进行相识度计算和拟合,实现对不满足预测条件的网络对象的流量预测,进而识别出不满足预测条件的网络对象的流程瓶颈,预测周期长,瓶颈识别准确率高,为后期网络的智能运维及其带宽的调整奠定了基础。
Description
技术领域
本发明涉及分组网络智能运维技术领域,特别是涉及一种识别流量瓶颈的方法和装置。
背景技术
随着通信技术的发展,网络规模呈现出迅速增长的趋势,运营商网络拓扑结构以及业务类型的复杂度也日渐升高,为了更加高效地利用网络资源,需要不断加强网络对象的预测力度和运维力度,以满足日益增加的需求,具体的,网络资源的调整,是根据网络对象的流量数据的采集、分析、预测、处理这一过程循环进行的,通过预测的结果,来识别网络的瓶颈,进而指导网络资源的调整,流量数据预测作为其中一个环节,流量数据预测的准确性,才能使整个网络资源调整工作有的放矢,不仅如此,流量数据预测还可以帮助检测网络中的攻击,越早检测出这些问题,就可以获得越可靠的网络服务,如何更好的理解并且正确预测网络的行为成为信息技术发展中至关重要的一环。
关于网络对象流量数据的预测,当前也引入了一些AI技术来识别网络对象的流量数据预测,通过建立数据训练模型来对流量数据进行预测,在现有的训练模型中,对单个网络对象训练得到的训练模型只针对当前网络对象有较高准确率,而无法泛化预测其他网络对象,当网络对象较多时,对每个网络对象进行训练,效率低、成本高,而多个网络对象一起训练时,得到的训练模型又无法保证准确率,难以实现真正预测流量瓶颈,传统的统计分析算法,例如,ARIMA(Autoregressive Integrated Moving Average model,差分整合移动平均自回归模型),对短周期预测较为有效,对长周期预测效果不理想;另外,受到多种因素影响,网络拓扑结构中的网络对象时刻处于动态的过程中,网络对象的宏观流量行为往往复杂多变,例如,有新增的,或者运行异常的,流量数据中既含有多种周期类波动,又会有非线性升、降趋势,还受到不确定的随机因素的干扰,经常存在网络对象训练数据缺失导致无法有效训练的问题,使得训练模型出现较大误差,这是因为,这些模型都是基于一定样本量数据的基础上建立的,一旦可用的样本量数据不足,这部分网络对象的流量数据不会被纳入训练范围,也谈不上对这部分网络对象进行流量预测,更谈不上去识别这部分网络对象的流量瓶颈,可以很客观的说,无论是新增的、运行异常的、还是其他原因导致样本数量不足的这部分网络对象,反而更值得关注,更需要对其进行流量预测和流量瓶颈识别。
鉴于此,克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。
发明内容
面对运营商网络拓扑结构中日益纷繁复杂的网络对象,特别是针对样本流量数据不足的网络对象,本发明提供的一种识别流量瓶颈的方法,为样本流量数据不足的网络对象的流量瓶颈识别提供了一种可行的解决方案。
本发明首要解决的技术问题是:如何在样本流量数据不足的情况下,实现不满足流量预测条件的网络对象的流量预测,进而实现不满足流量预测条件的网络对象的流量瓶颈识别的问题。
本发明进一步要解决的技术问题是:在实现不满足流量预测条件的网络对象的流量瓶颈识别的问题过程中,突破传统的对单个网络对象训练得到的训练模型只针对该网络对象有较高准确率,而无法泛化预测其他网络对象的问题。
本发明进一步要解决的技术问题是:在实现不满足流量预测条件的网络对象的流量瓶颈识别的问题过程中,克服传统的流量预测对长周期预测效果不理想的问题。
为了解决上述技术问题:
第一方面,本发明提供了一种识别流量瓶颈的方法,方法包括:
获取网络对象的流量数据,筛选出不满足流量预测条件的网络对象;
对所述不满足流量预测条件的网络对象进行流量预测;
通过所述流量预测的结果,识别所述不满足流量预测条件的网络对象的流量瓶颈。
优选的,所述获取网络对象的流量数据,筛选出不满足流量预测条件的网络对象,具体包括:
获取所述网络对象的历史流量数据;
利用所述网络对象的历史流量数据的流量指标,将网络对象划分为不满足流量预测条件的网络对象和满足流量预测条件的网络对象。
优选的,所述将网络对象划分为不满足流量预测条件的网络对象和满足流量预测条件的网络对象,具体包括:
获取网络对象的历史流量数据的时间序列片段;
将所述时间序列片段与预设的时间序列长度进行比对;其中,时间序列片段未超过预设的时间序列长度的为不满足流量预测条件的网络对象,时间序列片段超过预设的时间序列长度的为满足流量预测条件的网络对象。
优选的,在所述获取网络对象的流量数据,筛选出不满足流量预测条件的网络对象之后,以及所述对不满足流量预测条件的网络对象进行流量预测之前,还包括:
对所述不满足流量预测条件的网络对象的流量数据进行预处理;其中,所述对不满足流量预测条件的网络对象的流量数据进行预处理,具体包括:
对所述不满足流量预测条件的网络对象的历史流量数据进行相似度计算,筛选出历史流量数据最相似的满足流量预测条件的网络对象;
将所述不满足流量预测条件的网络对象的历史流量数据与所述最相似的满足流量预测条件的网络对象的历史流量数据进行拟合。
优选的,所述对所述不满足流量预测条件的网络对象进行流量预测,具体包括:
对所述满足流量预测条件的网络对象的历史流量数据进行训练,得到训练模型;
利用所述训练模型对所述满足流量预测条件的网络对象的流量数据进行预测,将预测得到的流量数据存储为预测池;
根据所述预测池和所述拟合的结果,对所述不满足流量预测条件的网络对象进行流量预测。
优选的,所述对满足流量预测条件的网络对象的历史流量数据进行训练,得到训练模型,具体包括:
对满足流量预测条件的网络对象的历史流量数据进行流数据清洗,得到可供训练用的流量数据;
对所述可供训练用的流量数据,使用LSTM训练得到训练模型。
优选的,所述通过流量预测的结果,识别所述不满足流量预测条件的网络对象的流量瓶颈,具体包括:
预设所述网络对象的流量阈值;
将所述不满足流量预测条件的网络对象的流量预测的结果与所述预设的网络对象的流量阈值进行比对;其中,将所述流量预测的结果超过预设的网络对象流量阈值的识别为流量瓶颈。
优选的,在所述通过流量预测的结果,识别所述不满足流量预测条件的网络对象的流量瓶颈之后,还包括:
调整所述识别的有流量瓶颈的网络对象的网络带宽;其中,所述调整识别的有流量瓶颈的网络对象的网络带宽,具体包括:
预设一个或多个周期性的时间节点;
根据所述预设的周期性时间节点,上报所述识别的有流量瓶颈的网络对象;
根据上报的结果,调整所述识别的有流量瓶颈的网络对象的网络带宽。
优选的,所述流量指标包括:平均流量速率、发送端平均流量速率、接收端平均流量速率、发送端忙时带宽利用率、接受端忙时带宽利用率、带宽利用率忙时均值中的一种或多种。
第二方面,本发明提供了一种识别流量瓶颈的装置,装置包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令用于被所述处理器执行第一方面所述的识别流量瓶颈的方法。
第三方面,本发明还提供了一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令;
其中,所述计算机可执行指令被一个或多个处理器执行,用于执行第一方面所述的识别流量瓶颈的方法。
本发明所构思的以上技术方案与现有技术相比,具有如下有益效果:
本发明通过科学的建立不满足预测条件的网络对象和满足预测条件的网络对象之间的关系,利用满足预测条件的网络对象的流量数据及其预测池,对不满足预测条件的网络对象的流量数据进行相识度计算和拟合,实现对不满足预测条件的网络对象的流量预测,进而识别出不满足预测条件的网络对象的流程瓶颈,预测周期长,瓶颈识别准确率高,为后期网络的智能运维及其带宽的调整奠定了基础。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述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他的附图。
图1是本发明实施例1提供的一种识别流量瓶颈的方法流程图;
图2是本发明实施例1提供的一种识别流量瓶颈的方法流程图;
图3是本发明实施例1提供的一种识别流量瓶颈的方法流程图;
图4是本发明实施例1提供的一种识别流量瓶颈的方法流程图;
图5是本发明实施例1提供的一种识别流量瓶颈的方法流程图;
图6是本发明实施例1提供的一种使用LSTM得到训练模型的原理图;
图7是本发明实施例1提供的一种识别流量瓶颈的方法应用流程图;
图8是本发明实施例1提供的一种识别流量瓶颈的方法流程图;
图9是本发明实施例2提供的一种识别流量瓶颈的方法流程图;
图10是本发明实施例2提供的一种识别流量瓶颈的方法流程图;
图11是本发明实施例3提供的一种识别流量瓶颈的方法流程图;
图12是本发明实施例3提供的一种识别流量瓶颈的方法流程图;
图13是本发明实施例4提供的一种识别流量瓶颈的装置示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作,因此不应当理解为对本发明的限制。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
为了解决在样本流量数据不足的情况下,实现不满足流量预测条件的网络对象的流量预测,进而实现不满足流量预测条件的网络对象的流量瓶颈识别的问题,本实施例1提供了一种识别流量瓶颈的方法,如图1所示,方法包括:
步骤S11,获取网络对象的流量数据,筛选出不满足流量预测条件的网络对象。
在本实施例中,所述网络对象,泛指网络拓扑结构中,各种网络设备或终端及其用于传输网络流量的各类端口,而所述端口,一是指物理意义上的端口,比如,ADSL Modem、集线器、交换机、路由器用于连接其他网络设备的接口,如RJ-45端口、SC端口等等,二是指逻辑意义上的端口,一般是指TCP/IP协议中的端口,端口号的范围从0到65535,比如用于浏览网页服务的80端口,用于FTP服务的21端口等等,考虑网络拓扑结构的复杂性,结合实际的情况,通常会优先获取核心端口的流量数据,因为核心端口的流量数据更具有代表性;所述获取网络对象的流量数据,其获取方式,可以在网管系统中预设一定的获取条件,例如,时间上的或者空间上的,通过网管系统自动获取,也可以根据网管人员的运维经验和业务知识,通过人工获取,进一步的,其获取方式,也可以单独获取或者批量获取;所述筛选方式,可以用网管系统筛选,也可以用人工筛选;所述不满足流量预测条件的网络对象,则指上述筛过程中,因其样本流量数据存在缺陷的网络对象。
为了实现对网络对象的流量数据进行获取,进而筛选出不满足流量预测条件的网络对象,在本实施例中,做为其中一种实现方式,如图2所示,所述获取网络对象的流量数据,筛选出不满足流量预测条件的网络对象,具体包括:
步骤S111,获取所述网络对象的历史流量数据。
所述历史流量数据,是指所述网络对象在过去一定时期内运行的流量数据,通过对所述网络对象在过去一定时期内的流量数据的研究和分析,查找其中的一些规律,可以为所述网络对象未来的流量数据预测提供参考价值。
步骤S112,利用所述网络对象的历史流量数据的流量指标,将网络对象划分为不满足流量预测条件的网络对象和满足流量预测条件的网络对象。
所述流量指标,也称为表征流量数据的KPI指标,这种KPI指标,分别从不同的维度对所述网络对象的流量指标提供评价的依据,在本实施例中,做为其中可选的一种或多种方式,所述流量指标包括:平均流量速率、发送端平均流量速率、接收端平均流量速率、发送端忙时带宽利用率、接受端忙时带宽利用率、带宽利用率忙时均值中的一种或多种。
为了实现将网络对象划分为不满足流量预测条件的网络对象和满足流量预测条件的网络对象,做为其中一种实现方式,如图3所示,所述将网络对象划分为不满足流量预测条件的网络对象和满足流量预测条件的网络对象,具体包括:
步骤S1121,获取网络对象的历史流量数据的时间序列片段。
所述时间序列,也称动态数列,是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列,时间序列中的时间可以是年度、季度、月度或其他任何时间形式,例如,周、天或小时等等;在本实施例中,根据上述表征流量数据的KPI指标,将其发生的历史流量数据的时间先后顺序予以记录,即形成所述的网络对象的历史流量数据的时间序列;所述时间序列片段,指代所述时间序列中的任意一部分的或全部的长度,例如,假设所述时间序列为1日到10日共10个单位,则1日到3日共3个单位是其中一个时间序列片段,1日到5日共5个单位是其中一个时间序列片段,5日到10日共5个单位是其中一个时间序列片段,1日到10日共10个单位是其中一个时间序列片段等等。
步骤S1122,将所述时间序列片段与预设的时间序列长度进行比对;其中,时间序列片段未超过预设的时间序列长度的为不满足流量预测条件的网络对象,时间序列片段超过预设的时间序列长度的为满足流量预测条件的网络对象。
所述预设的时间序列长度,是指在网管系统中预先设置的时间序列长度;具体的,如上所述,假设在网管系统中预先设置的时间序列长度为5个单位,则1日到3日共3个单位这个时间序列片段则会被网管系统认定为不满足流量预测条件的网络对象,相应地,1日到5日共5个单位这个时间序列片段、5日到10日共5个单位这一个时间序列片段以及1日到10日共10个单位这几个时间序列片段则会被网管系统认定为满足流量预测条件的网络对象。
步骤S12,对所述不满足流量预测条件的网络对象进行流量预测。
为了实现对所述不满足流量预测条件的网络对象进行流量预测,如图4所示,所述对所述不满足流量预测条件的网络对象进行流量预测,具体包括:
步骤S121,对所述满足流量预测条件的网络对象的历史流量数据进行训练,得到训练模型。
所述训练模型,是基于一定样本流量数据的基础上建立的,在对样本流量数据进行训练后,得到可供流量预测的训练模型,训练模型的准确性和可靠性,取决于样本流量数据的质量,为了提升训练模型的准确性和可靠性,通常需要对样本流量数据进行一些适当的处理,在本实施例中,做为其中一种实现方式,如图5所示,所述对满足流量预测条件的网络对象的历史流量数据进行训练,得到训练模型,具体包括:
步骤S1211,对满足流量预测条件的网络对象的历史流量数据进行流数据清洗,得到可供训练用的流量数据。
所述数据清洗,是对数据进行重新审查和校验的过程,包括纠正数据中可识别的错误,检查数据一致性,处理无效值和缺失值等。
步骤S1212,对所述可供训练用的流量数据,使用LSTM训练得到训练模型。
所述LSTM(Long Short-Term Memory,长短期记忆网络)是一种时间循环神经网络,解决一般的RNN(Recurrent Neural Network,循环神经网络)存在的长期依赖问题,是深度学习的算法之一,相对于传统RNN和ARIMA算法得到的训练模型,在本实施例中,通过使用LSTM训练得到训练模型,可以实现时间序列中时间周期长的流量数据的预测。
步骤S122,利用所述训练模型对所述满足流量预测条件的网络对象的流量数据进行预测,将预测得到的流量数据存储为预测池。
所述对满足流量预测条件的网络对象的流量数据进行预测,是通过上述训练得到的训练模型来实现的,可以用待预测的网络对象一定时间段的流量数据预测未来一定时间段的流量数据;所述预测池,则是用于存储上述为实现流量预测为目而收集的流量数据。
步骤S123,根据所述预测池和所述拟合的结果,对所述不满足流量预测条件的网络对象进行流量预测。
所述数据拟合,是把现有数据透过数学方法来代入一条数式的方式,将若干离散的数据,得到一个连续的函数(或曲线)的过程,在本实施例中,通过所述预测池和所述拟合的结果,为不满足流量预测条件的网络对象进行流量预测提供了一种实现方式。
步骤S13,通过所述流量预测的结果,识别所述不满足流量预测条件的网络对象的流量瓶颈。
为了识别所述不满足流量预测条件的网络对象的流量瓶颈,做为其中一种实现方式,如图8所示,所述通过流量预测的结果,识别所述不满足流量预测条件的网络对象的流量瓶颈,具体包括:
步骤S131,预设所述网络对象的流量阈值。
所述预设流量阈值,是指在网管系统中预先设置的流量临界值,包括最低值、最高值或者中间值中的一个或者多个,在本实施例中,通过预设的流量阈值的最高值,为所述网络对象的流量瓶颈识别提供依据。
步骤S132,将所述不满足流量预测条件的网络对象的流量预测的结果与所述预设的网络对象的流量阈值进行比对;其中,将所述流量预测的结果超过预设的网络对象流量阈值的识别为流量瓶颈。
具体的,假设预设所述网络对象的流量阈值为0.7,若所述流量预测的结果超过所述预设的网络对象流量阈值0.7,则将该网络对象识别为有流量瓶颈,与此同时,若所述流量预测的结果没超过所述预设的网络对象流量阈值0.7,则将该网络对象识别为没有流量瓶颈。
本实施例1提供的一种识别流量瓶颈的方法,通过建立不满足预测条件的网络对象和满足预测条件的网络对象之间的关系,利用满足预测条件的网络对象的流量数据及其预测池,对不满足预测条件的网络对象的流量数据进行相识度计算和拟合,实现对不满足预测条件的网络对象的流量预测,进而识别出不满足预测条件的网络对象的流程瓶颈,预测周期长,瓶颈识别准确率高,为后期网络的智能运维及其带宽的调整奠定了基础。
为了使得本实施例1中的方案更加便于理解,以下内容将以具体应用过程为例进行举例说明,其中,所使用的样本量数据为上述平均流量速率、发送端平均流量速率、接收端平均流量速率、发送端忙时带宽利用率、接受端忙时带宽利用率、带宽利用率忙时均值中的带宽利用率忙时均值为例进行说明的。
通过网管系统,批量获取网络对象的历史半年的带宽利用率忙时均值,假定该网络拓扑结构中网络对象包括核心端口A、B、C、D、E、F和G,获取的每个核心端口从1月1日到6月30日的带宽利用率忙时均值,如下表1所示:
表1
假设此时,通过网管系统预设的网络对象的历史流量数据的时间序列片段长度为180天,如表1所示,A、B、C、D和E的历史流量数据的时间序列片段满足预设的180天的要求,则A、B、C、D和E为满足流量预测条件的网络对象,与此同时,F和G从4月2日才有流量数据,F和G的历史流量数据的时间序列片段不满足预设的180天的要求,则F和G为不满足流量预测条件的网络对象,通过上述过程,即实现了满足流量预测条件的网络对象和不满足流量预测条件的网络对象的划分;如表1所示,D和E的带宽利用率忙时均值相对平稳,但在D中,出现了一个空值“null”,但在E中,出现了一个异常值“1.4”,为了提升训练模型的准确性和可靠性,需要对D和E的样本数据进行一些适当的处理,例如,采取数据清洗的方式,同时,采取平滑预测的方式,例如,令平滑指数k=3,或者临近均值计算的方式,通过计算得到“null”为0.45,“1.4”为0.34,经过数据清洗后,D和E的历史流量数据,如表2所示。
表2
对满足流量预测条件的网络对象A、B、C、D和E的历史流量数据进行训练,得到训练模型,为了能实现更长周期的流量预测,进一步的,在本实施例中,使用LSTM训练得到训练模型,如图6所示,为使用LSTM训练得到训练模型的过程,输入为一定时间段t内的x1...xn的时间序列矩阵,每一层的输出y由上一层的隐层向量与输入共同计算得到,W和b分别为计算过程中的权重矩阵和偏置项参数,使用LSTM训练过程即为更新W和b的参数的过程,其中,x1...xn分别指代满足流量预测条件的不同的网络对象,例如,上述的网络对象A、B、C、D和E等,做为其中的一种训练模型的实现方式,如表3所示,是其中通过3个月的流量数据来预测1个月的流量数据所建立的训练模型示意图:
表3
通过迭代多次,例如,迭代3次,即可实现网络对象A、B、C、D和E未来3个月的流量预测,迭代12次,即可实现网络对象A、B、C、D和E未来12个月的流量预测,并将预测得到的流量数据存储为预测池。
假设迭代12次后,预测池中,网络对象A、B、C、D和E未来12个月的流量预测数据,如表4所示:
表4
为了实现F和G的流量预测,进一步的,将F和G的历史流量数据与A、B、C、D和E的历史流量数据进行相似度计算,从A、B、C、D或E中挑选出与F和G最相似的来拟合曲线,结合预测池,得出F和G的未来流量预测数据。
如表5所示,假设通过拟合计算出F的历史流量数据Df与C的历史流量数据Dc相似度最高,这里通过多项式拟合计算出Df=f(Dc)的关系,则可以直接从C的预测池数据来得到F未来12个月的流量预测数据,同理,如表6所示,假设G的历史流量数据与B的历史流量数据相似度最高,通过多项式拟合计算出Dg=f(Db)的关系,进一步假设通过拟合计算获得Dg=f(Db)=0.5*Db的线性关系。(此处,仅通过举例方便来假设他们是0.5倍的函数关系,至于实际情况,则需要通过拟合计算得到Dg和Db具体的函数关系),则可以直接从B的预测池数据来得到G未来12个月的流量预测数据。
表5
表6
如表7所示,假设F和G经相似度计算和拟合后,根据预测池中网络对象A、B、C、D和E未来12个月的流量预测数据得出的F和G的流量预测数据。
表7
假设通过网管系统中预设的网络对象的流量阈值为0.7,根据设定的频率周期,当发现网络对象的流量预测的结果超过了设定的流量阈值时,如表8所示,C和F的流量预测的结果超过了设定的流量阈值0.7,则识别C和F有流量瓶颈,进一步的,将C和F上报到网管系统,网管系统根据上报的结果,可以对C和F的网络带宽进行调整。
表8
如图7所示,是上述的识别流量瓶颈的方法具体应用流程图。
需要说明的是,网络拓扑结构时刻处于动态变化过程中,实际网络在运行时,各个网络对象流量数据经常出现变化,会比上述举例的情况复杂得多,但基于上述方法,通过建立不满足流量预测条件的网络对象(例如F和G)与满足流量预测条件的网络对象(例如A、B、C、D和E)的关系,根据预测池,均可以实现不满足流量预测条件的网络对象的流量预测,进而识别出不满足流量预测条件的网络对象的流量瓶颈。
进一步的,实际网络在运行时,随着络拓扑结构的动态变化,通过周期性更新训练模型和预测池,进而来更新各个网络对象的流量预测数据,比如每个月1日重新批量获取网络对象的历史半年的带宽利用率忙时均值,可能下一次满足流量预测条件的不再是A、B、C、D、E、F和G,待测网络对象也可能除了F和G还添加了新的网络对象H、I和J,重复上述过程,同样能对网络对象H、I和J进行流量预测,进而识别网络对象H、I和J的流量瓶颈。
实施例2:
为了进一步提升所述不满足流量预测条件的网络对象的流量预测的准确性,在实施例1的基础上,本实施例2提供了一种识别流量瓶颈的方法,如图9所示,方法包括:
步骤S21,获取网络对象的流量数据,筛选出不满足流量预测条件的网络对象。
同实施例1中的步骤S11,此处不再重复赘述。
步骤S22,对所述不满足流量预测条件的网络对象的流量数据进行预处理。
其中,所述对不满足流量预测条件的网络对象的流量数据进行预处理,做为其中一种实现方式,如图10所示,具体包括:
步骤S221,对所述不满足流量预测条件的网络对象的历史流量数据进行相似度计算,筛选出历史流量数据最相似的满足流量预测条件的网络对象。
在本实施例中,所述相似度,是指比较不满足流量预测条件的网络对象的历史流量数据和满足流量预测条件的网络对象的历史流量数据的相似性;所述相似度计算,是指通过计算不满足流量预测条件的网络对象的历史流量数据和满足流量预测条件的网络对象的历史流量数据的特征之间的距离,如果距离小,那么相似度大,如果距离大,那么相似度小;所述最相似的网络对象,则是指经过上述计算得出的与不满足流量预测条件的网络对象的历史流量数据和满足流量预测条件的网络对象的历史流量数据的距离最小的满足流量预测条件的网络对象。
步骤S222,将所述不满足流量预测条件的网络对象的历史流量数据与所述最相似的满足流量预测条件的网络对象的历史流量数据进行拟合。
所述数据拟合方式,同实施例1中的步骤S123,此处不再重复赘述。
步骤S23,对所述不满足流量预测条件的网络对象进行流量预测。
同实施例1中的步骤S12,此处不再重复赘述。
步骤S24,通过所述流量预测的结果,识别所述不满足流量预测条件的网络对象的流量瓶颈。
同实施例1中的步骤S13,此处不再重复赘述。
本实施例2提供的一种识别流量瓶颈的方法,在所述获取网络对象的流量数据,筛选出不满足流量预测条件的网络对象之后,以及所述通过流量预测的结果,识别所述不满足流量预测条件的网络对象的流量瓶颈之前,通过对所述不满足流量预测条件的网络对象的流量数据进行预处理,进一步提升所述不满足流量预测条件的网络对象的流量预测的准确性,为网络运维提供了可靠的指引。
实施例3:
为了实现对实施例1和实施例2识别的有流量瓶颈的网络对象进行处理,调整所述识别的有流量瓶颈的网络对象的网络带宽,在实施例1和实施例2的基础上,本实施例2提供了一种识别流量瓶颈的方法,如图11所示,方法包括:
步骤S31,获取网络对象的流量数据,筛选出不满足流量预测条件的网络对象。
同实施例1中的步骤S11和实施例2中的步骤S21,此处不再重复赘述。
步骤S32,对所述不满足流量预测条件的网络对象的流量数据进行预处理。
同实施例2中的步骤S22,此处不再重复赘述。
步骤S33,对所述不满足流量预测条件的网络对象进行流量预测。
同实施例1中的步骤S12和实施例2中的步骤S23,此处不再重复赘述。
步骤S34,通过所述流量预测的结果,识别所述不满足流量预测条件的网络对象的流量瓶颈。
同实施例1中的步骤S13和实施例2中的步骤S24,此处不再重复赘述。
步骤S35,调整所述识别的有流量瓶颈的网络对象的网络带宽。
其中,所述调整识别的有流量瓶颈的网络对象的网络带宽,做为其中一种实现方式,如图12所示,具体包括:
步骤S351,预设一个或多个周期性的时间节点。
所述周期性的时间节点,是指在某一时间序列中特定的某一时刻的时间节点,例如,每月的第一天,每周的星期一,或者每天的14点等,结合网络对象的监控频率,通过网络系统,可以预设一个或多个周期性的时间节点,通过周期性的时间节点,可以使得所述网络对象的流量数据具有更高的可比性。
步骤S352,根据所述预设的周期性时间节点,上报所述识别的有流量瓶颈的网络对象。
所述上报,即指下游数据传递到上游数据的过程。
步骤S353,根据上报的结果,调整所述识别的有流量瓶颈的网络对象的网络带宽。
所述网络带宽,即指在单位时间内能传输的数据量,网络带宽在一定程度上,决定着网络的对象流量数据的上限。
本实施例3提供的一种识别流量瓶颈的方法,实现了对实施例1和实施例2识别的有流量瓶颈的网络对象的进一步的处理,在所述通过流量预测的结果,识别所述不满足流量预测条件的网络对象的流量瓶颈之后,通过调整所述识别的有流量瓶颈的网络对象的网络带宽,优化了网络资源的利用。
实施例4:
本实施例4提供一种识别流量瓶颈的装置,装置包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令用于被所述处理器执行权利要求1-9任一所述的识别流量瓶颈的方法。
如图13所示,是本实施例4提供的一种识别流量瓶颈的装置示意图,所述一种识别流量瓶颈的装置包括一个或多个处理器41以及存储器42。其中,图13中以一个处理器41为例。
处理器41和存储器42可以通过总线或者其他方式连接,图13中以通过总线连接为例。
存储器42作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序和非易失性计算机可执行程序,如实施例1-实施例3中的识别流量瓶颈的方法。处理器41通过运行存储在存储器42中的非易失性软件程序和指令,从而执行识别流量瓶颈的方法。
存储器42可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器42可选包括相对于处理器41远程设置的存储器,这些远程存储器可以通过网络连接至处理器41。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器42中,当被所述一个或者多个处理器41执行时,执行上述实施例1中的识别流量瓶颈的方法,例如,执行以上描述的如图1-图12所示的各个步骤。
值得说明的是,上述装置和系统内的模块、单元之间的信息交互、执行过程等内容,由于与本发明的处理方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再重复赘述。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种识别流量瓶颈的方法,其特征在于,包括:
获取网络对象的流量数据,筛选出不满足流量预测条件的网络对象;
对所述不满足流量预测条件的网络对象进行流量预测;
通过所述流量预测的结果,识别所述不满足流量预测条件的网络对象的流量瓶颈。
2.根据权利要求1所述的识别流量瓶颈的方法,其特征在于,所述获取网络对象的流量数据,筛选出不满足流量预测条件的网络对象,具体包括:
获取所述网络对象的历史流量数据;
利用所述网络对象的历史流量数据的流量指标,将网络对象划分为不满足流量预测条件的网络对象和满足流量预测条件的网络对象。
3.根据权利要求2所述的识别流量瓶颈的方法,其特征在于,所述将网络对象划分为不满足流量预测条件的网络对象和满足流量预测条件的网络对象,具体包括:
获取网络对象的历史流量数据的时间序列片段;
将所述时间序列片段与预设的时间序列长度进行比对;其中,时间序列片段未超过预设的时间序列长度的为不满足流量预测条件的网络对象,时间序列片段超过预设的时间序列长度的为满足流量预测条件的网络对象。
4.根据权利要求1-3任一所述的识别流量瓶颈的方法,其特征在于,在所述获取网络对象的流量数据,筛选出不满足流量预测条件的网络对象之后,以及所述通过流量预测的结果,识别所述不满足流量预测条件的网络对象的流量瓶颈之前,还包括:
对所述不满足流量预测条件的网络对象的流量数据进行预处理;其中,所述对不满足流量预测条件的网络对象的流量数据进行预处理,具体包括:
对所述不满足流量预测条件的网络对象的历史流量数据进行相似度计算,筛选出历史流量数据最相似的满足流量预测条件的网络对象;
将所述不满足流量预测条件的网络对象的历史流量数据与所述最相似的满足流量预测条件的网络对象的历史流量数据进行拟合。
5.根据权利要求4所述的识别流量瓶颈的方法,其特征在于,所述对所述不满足流量预测条件的网络对象进行流量预测,具体包括:
对所述满足流量预测条件的网络对象的历史流量数据进行训练,得到训练模型;
利用所述训练模型对所述满足流量预测条件的网络对象的流量数据进行预测,将预测得到的流量数据存储为预测池;
根据所述预测池和所述拟合的结果,对所述不满足流量预测条件的网络对象进行流量预测。
6.根据权利要求5所述的识别流量瓶颈的方法,其特征在于,所述对满足流量预测条件的网络对象的历史流量数据进行训练,得到训练模型,具体包括:
对满足流量预测条件的网络对象的历史流量数据进行流数据清洗,得到可供训练用的流量数据;
对所述可供训练用的流量数据,使用LSTM训练得到训练模型。
7.根据权利要求1所述的识别流量瓶颈的方法,其特征在于,所述通过流量预测的结果,识别所述不满足流量预测条件的网络对象的流量瓶颈,具体包括:
预设所述网络对象的流量阈值;
将所述不满足流量预测条件的网络对象的流量预测的结果与所述预设的网络对象的流量阈值进行比对;其中,将所述流量预测的结果超过预设的网络对象流量阈值的识别为流量瓶颈。
8.根据权利要求1或7所述的识别流量瓶颈的方法,其特征在于,在所述通过流量预测的结果,识别所述不满足流量预测条件的网络对象的流量瓶颈之后,还包括:
调整所述识别的有流量瓶颈的网络对象的网络带宽;其中,所述调整识别的有流量瓶颈的网络对象的网络带宽,具体包括:
预设一个或多个周期性的时间节点;
根据所述预设的周期性时间节点,上报所述识别的有流量瓶颈的网络对象;
根据上报的结果,调整所述识别的有流量瓶颈的网络对象的网络带宽。
9.根据权利要求2所述的识别流量瓶颈的方法,其特征在于,所述流量指标包括:平均流量速率、发送端平均流量速率、接收端平均流量速率、发送端忙时带宽利用率、接受端忙时带宽利用率、带宽利用率忙时均值中的一种或多种。
10.一种识别流量瓶颈的装置,其特征在于,装置包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令用于被所述处理器执行权利要求1-9任一所述的识别流量瓶颈的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210326524.4A CN115037642B (zh) | 2022-03-30 | 2022-03-30 | 一种识别流量瓶颈的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210326524.4A CN115037642B (zh) | 2022-03-30 | 2022-03-30 | 一种识别流量瓶颈的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115037642A true CN115037642A (zh) | 2022-09-09 |
CN115037642B CN115037642B (zh) | 2023-11-21 |
Family
ID=83120004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210326524.4A Active CN115037642B (zh) | 2022-03-30 | 2022-03-30 | 一种识别流量瓶颈的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115037642B (zh) |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1528524A2 (de) * | 2003-10-30 | 2005-05-04 | DaimlerChrysler AG | Verfahren zur gangliniengestützen Verkehrsprognose |
CN103987056A (zh) * | 2014-05-30 | 2014-08-13 | 南京华苏科技有限公司 | 基于大数据统计模型的无线网络话务量预测方法 |
CN105592487A (zh) * | 2014-10-22 | 2016-05-18 | 中兴通讯股份有限公司 | 一种lte网络业务流量评估方法及装置 |
US20160314064A1 (en) * | 2015-04-21 | 2016-10-27 | Cloudy Days Inc. Dba Nouvola | Systems and methods to identify and classify performance bottlenecks in cloud based applications |
US20170041182A1 (en) * | 2015-08-06 | 2017-02-09 | Drivescale, Inc. | Method and System for Balancing Storage Data Traffic in Converged Networks |
CN106452970A (zh) * | 2016-11-03 | 2017-02-22 | 合肥微梦软件技术有限公司 | 一种面向网络流量监控的分析系统 |
CN108055147A (zh) * | 2017-12-07 | 2018-05-18 | 国家电网公司 | 通信数据网络业务性能分析方法 |
WO2019001722A1 (en) * | 2017-06-29 | 2019-01-03 | Huawei Technologies Co., Ltd. | SYSTEMS AND METHOD FOR PREDICTING FLOWS IN A NETWORK |
CN109905255A (zh) * | 2017-12-07 | 2019-06-18 | 上海仪电(集团)有限公司中央研究院 | 一种基于时序统计分段的云计算网络流量预测方法及装置 |
CN110336709A (zh) * | 2019-05-29 | 2019-10-15 | 中国石油大学(华东) | 一种基于排队网络的MPTCP Incast性能评价模型 |
CN110839184A (zh) * | 2019-10-15 | 2020-02-25 | 北京邮电大学 | 基于流量预测的移动前传光网络带宽调整方法及装置 |
CN111030869A (zh) * | 2019-12-20 | 2020-04-17 | 锐捷网络股份有限公司 | 一种网络流量的预测方法及预测装置 |
WO2020098016A1 (zh) * | 2018-11-14 | 2020-05-22 | 网宿科技股份有限公司 | 一种网络流量预测方法、装置及电子设备 |
CN111884854A (zh) * | 2020-07-29 | 2020-11-03 | 中国人民解放军空军工程大学 | 基于多模式混合预测的虚拟网络流量迁移方法 |
CN112235160A (zh) * | 2020-10-14 | 2021-01-15 | 福建奇点时空数字科技有限公司 | 一种基于协议数据深层检测的流量识别方法 |
CN112751781A (zh) * | 2019-10-31 | 2021-05-04 | 阿里巴巴集团控股有限公司 | 流量数据的处理方法、装置、设备及计算机存储介质 |
CN112771816A (zh) * | 2018-09-19 | 2021-05-07 | 华为技术有限公司 | 一种预测网络速率的方法及预测装置 |
CN112769972A (zh) * | 2020-12-22 | 2021-05-07 | 赛尔网络有限公司 | IPv6网络的流量分析方法、装置、电子设备和存储介质 |
CN112887148A (zh) * | 2021-01-29 | 2021-06-01 | 烽火通信科技股份有限公司 | 一种网络流量仿真和预测的方法和装置 |
CN113194037A (zh) * | 2021-03-31 | 2021-07-30 | 新华三大数据技术有限公司 | 一种流量调度方法及装置 |
CN113240182A (zh) * | 2021-05-19 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
WO2021212752A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 基于设备指标数据的异常检测方法、装置、设备及存储介质 |
CN113691411A (zh) * | 2020-05-19 | 2021-11-23 | 北京观成科技有限公司 | 一种加密流量识别方法和装置、电子设备 |
CN113746696A (zh) * | 2021-08-02 | 2021-12-03 | 中移(杭州)信息技术有限公司 | 网络流量预测方法、设备、存储介质及装置 |
CN114006826A (zh) * | 2022-01-04 | 2022-02-01 | 南京信息工程大学 | 一种融合流量特征的网络流量预测方法 |
-
2022
- 2022-03-30 CN CN202210326524.4A patent/CN115037642B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1528524A2 (de) * | 2003-10-30 | 2005-05-04 | DaimlerChrysler AG | Verfahren zur gangliniengestützen Verkehrsprognose |
CN103987056A (zh) * | 2014-05-30 | 2014-08-13 | 南京华苏科技有限公司 | 基于大数据统计模型的无线网络话务量预测方法 |
CN105592487A (zh) * | 2014-10-22 | 2016-05-18 | 中兴通讯股份有限公司 | 一种lte网络业务流量评估方法及装置 |
US20160314064A1 (en) * | 2015-04-21 | 2016-10-27 | Cloudy Days Inc. Dba Nouvola | Systems and methods to identify and classify performance bottlenecks in cloud based applications |
US20170041182A1 (en) * | 2015-08-06 | 2017-02-09 | Drivescale, Inc. | Method and System for Balancing Storage Data Traffic in Converged Networks |
CN106452970A (zh) * | 2016-11-03 | 2017-02-22 | 合肥微梦软件技术有限公司 | 一种面向网络流量监控的分析系统 |
WO2019001722A1 (en) * | 2017-06-29 | 2019-01-03 | Huawei Technologies Co., Ltd. | SYSTEMS AND METHOD FOR PREDICTING FLOWS IN A NETWORK |
CN108055147A (zh) * | 2017-12-07 | 2018-05-18 | 国家电网公司 | 通信数据网络业务性能分析方法 |
CN109905255A (zh) * | 2017-12-07 | 2019-06-18 | 上海仪电(集团)有限公司中央研究院 | 一种基于时序统计分段的云计算网络流量预测方法及装置 |
CN112771816A (zh) * | 2018-09-19 | 2021-05-07 | 华为技术有限公司 | 一种预测网络速率的方法及预测装置 |
WO2020098016A1 (zh) * | 2018-11-14 | 2020-05-22 | 网宿科技股份有限公司 | 一种网络流量预测方法、装置及电子设备 |
CN110336709A (zh) * | 2019-05-29 | 2019-10-15 | 中国石油大学(华东) | 一种基于排队网络的MPTCP Incast性能评价模型 |
CN110839184A (zh) * | 2019-10-15 | 2020-02-25 | 北京邮电大学 | 基于流量预测的移动前传光网络带宽调整方法及装置 |
CN112751781A (zh) * | 2019-10-31 | 2021-05-04 | 阿里巴巴集团控股有限公司 | 流量数据的处理方法、装置、设备及计算机存储介质 |
CN111030869A (zh) * | 2019-12-20 | 2020-04-17 | 锐捷网络股份有限公司 | 一种网络流量的预测方法及预测装置 |
WO2021212752A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 基于设备指标数据的异常检测方法、装置、设备及存储介质 |
CN113691411A (zh) * | 2020-05-19 | 2021-11-23 | 北京观成科技有限公司 | 一种加密流量识别方法和装置、电子设备 |
CN111884854A (zh) * | 2020-07-29 | 2020-11-03 | 中国人民解放军空军工程大学 | 基于多模式混合预测的虚拟网络流量迁移方法 |
CN112235160A (zh) * | 2020-10-14 | 2021-01-15 | 福建奇点时空数字科技有限公司 | 一种基于协议数据深层检测的流量识别方法 |
CN112769972A (zh) * | 2020-12-22 | 2021-05-07 | 赛尔网络有限公司 | IPv6网络的流量分析方法、装置、电子设备和存储介质 |
CN112887148A (zh) * | 2021-01-29 | 2021-06-01 | 烽火通信科技股份有限公司 | 一种网络流量仿真和预测的方法和装置 |
CN113194037A (zh) * | 2021-03-31 | 2021-07-30 | 新华三大数据技术有限公司 | 一种流量调度方法及装置 |
CN113240182A (zh) * | 2021-05-19 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
CN113746696A (zh) * | 2021-08-02 | 2021-12-03 | 中移(杭州)信息技术有限公司 | 网络流量预测方法、设备、存储介质及装置 |
CN114006826A (zh) * | 2022-01-04 | 2022-02-01 | 南京信息工程大学 | 一种融合流量特征的网络流量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115037642B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109343995A (zh) | 基于多源异构数据融合、机器学习及客服机器人的智能运维分析系统 | |
EP3843445A1 (en) | Abnormality detection method and apparatus, terminal, and storage medium | |
CN114630352B (zh) | 一种接入设备的故障监测方法和装置 | |
Lazaris et al. | An LSTM framework for modeling network traffic | |
CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
Krishnaswamy et al. | Data-driven learning to predict wan network traffic | |
CN105721194A (zh) | 移动网故障隐患智能定位系统 | |
Wang et al. | Dealing with alarms in optical networks using an intelligent system | |
CN112183906B (zh) | 一种基于多模型组合模型的机房环境预测方法及系统 | |
CN108123834A (zh) | 基于大数据平台的日志分析系统 | |
JP2023504103A (ja) | モデル更新システム、モデル更新方法及び関連装置 | |
CN117041019A (zh) | 内容分发网络cdn的日志分析方法、装置及存储介质 | |
Nougnanke et al. | Low-overhead near-real-time flow statistics collection in SDN | |
TWI662809B (zh) | 影像串流服務的障礙定位系統及維運方法 | |
CN115297016B (zh) | 一种基于深度学习的电力网络活跃度评价和预测方法 | |
CN115037642A (zh) | 一种识别流量瓶颈的方法和装置 | |
CN117216702A (zh) | 变电设备参数处理方法、装置及电子设备 | |
CN111740856B (zh) | 基于异常检测算法的网络通信设备告警采集异常预警方法 | |
CN114978930A (zh) | 一种基于SRv6的智能网络及设备故障预测方法及系统 | |
CN111327494B (zh) | 一种多域sdn网络流量态势评估方法及系统 | |
Djukic et al. | Reducing the cost of network traffic monitoring with AI | |
Khudoyarova et al. | Using Machine Learning to Analyze Network Traffic Anomalies | |
CN117878925B (zh) | 一种智能电网的输电数据控制方法及系统 | |
WO2024124975A1 (zh) | 网络质量评估方法、装置、设备、存储介质及程序产品 | |
US20240171486A1 (en) | Leveraging temporal-based datapoints for predicting network events |
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 |