CN115134246A - 网络性能指标监控方法、装置、设备和存储介质 - Google Patents
网络性能指标监控方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN115134246A CN115134246A CN202110302748.7A CN202110302748A CN115134246A CN 115134246 A CN115134246 A CN 115134246A CN 202110302748 A CN202110302748 A CN 202110302748A CN 115134246 A CN115134246 A CN 115134246A
- Authority
- CN
- China
- Prior art keywords
- index data
- time
- data
- historical
- category
- 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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- 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
- H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
- H04L41/0622—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time based on time
-
- 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
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
本说明书一个实施例提供了一种网络性能指标监控方法、装置、设备和存储介质，其中方法包括：获取物联网中待监控的网络性能指标的当前指标数据和网络性能指标的多个历史指标数据，以及，构建物联网的网络拓扑结构；根据多个历史指标数据的采集时间，确定多个历史指标数据的时间类别，根据各个时间类别中的历史指标数据，确定各个时间类别对应的基础阈值；在各个时间类别对应的基础阈值中选取目标基础阈值；根据网络拓扑结构，确定阈值系数，根据目标基础阈值和阈值系数，确定监控阈值，对当前指标数据进行监控。通过本实施例，能够解决根据人工经验的方式设置静态不变的监控阈值，阈值准确性较差，降低了指标监控的准确性的问题。
Description
技术领域
本文件涉及移动通信领域，尤其涉及一种网络性能指标监控方法、装置、设备和存储介质。
背景技术
随着科技的发展，越来越多的智能设备接入物联网，接入物联网的设备可以称为物联网设备。为了保证物联网的稳定运行，需要对物联网中的网络性能指标进行监控。传统的监控方法主要是通过人工经验的方式设置一个静态不变的监控阈值，当采集到的指标数据与该监控阈值差距较大时，确定采集到的指标数据为异常数据，进行数据告警。然而，根据人工经验的方式设置静态不变的监控阈值，往往具有很大误差，阈值准确性较差，降低了指标监控的准确性。
发明内容
本说明书一个实施例的目的是提供一种网络性能指标监控方法、装置、设备和存储介质，以解决根据人工经验的方式设置静态不变的监控阈值，阈值准确性较差，降低了指标监控的准确性的问题。
为解决上述技术问题，本说明书一个实施例是这样实现的：
第一方面，本说明书一个实施例提供了一种基于物联网的网络性能指标监控方法，包括：
获取物联网中待监控的网络性能指标的当前指标数据和所述网络性能指标的多个历史指标数据，以及，根据所述物联网中的物联网设备之间的通信关系和/或业务关系，构建所述物联网的网络拓扑结构；
根据所述多个历史指标数据的采集时间，确定所述多个历史指标数据在每种预设时间维度下的时间类别，根据各个所述时间类别中的所述历史指标数据，确定各个所述时间类别对应的基础阈值；
在所述多个历史指标数据中确定与所述当前指标数据相关联的目标历史指标数据，根据所述当前指标数据的采集时间和所述目标历史指标数据的采集时间，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值；
根据所述物联网的网络拓扑结构，确定所述当前指标数据对应的阈值系数，根据所述目标基础阈值和所述阈值系数，确定所述当前指标数据对应的监控阈值，根据所述监控阈值，对所述当前指标数据进行监控。
第二方面，本说明书一个实施例提供了一种基于物联网的网络性能指标监控装置，包括：
数据获取单元，用于获取物联网中待监控的网络性能指标的当前指标数据和所述网络性能指标的多个历史指标数据，以及，根据所述物联网中的物联网设备之间的通信关系和/或业务关系，构建所述物联网的网络拓扑结构；
第一阈值确定单元，用于根据所述多个历史指标数据的采集时间，确定所述多个历史指标数据在每种预设时间维度下的时间类别，根据各个所述时间类别中的所述历史指标数据，确定各个所述时间类别对应的基础阈值；
第二阈值确定单元，用于在所述多个历史指标数据中确定与所述当前指标数据相关联的目标历史指标数据，根据所述当前指标数据的采集时间和所述目标历史指标数据的采集时间，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值；
指标监控单元，用于根据所述物联网的网络拓扑结构，确定所述当前指标数据对应的阈值系数，根据所述目标基础阈值和所述阈值系数，确定所述当前指标数据对应的监控阈值，根据所述监控阈值，对所述当前指标数据进行监控。
第三方面，本说明书一个实施例提供了一种基于物联网的网络性能指标监控设备，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述计算机可执行指令在上述处理器上运行时，能够实现上述第一方面所述的方法的步骤。
第四方面，本说明书一个实施例提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令在被处理器执行时，能够实现上述第一方面所述的方法的步骤。
本说明书一实施例中，首先获取物联网中待监控的网络性能指标的当前指标数据和网络性能指标的历史指标数据，以及，构建物联网的网络拓扑结构；其次，根据历史指标数据的采集时间，确定历史指标数据在每种预设时间维度下的时间类别，根据各个时间类别中的历史指标数据，确定各个时间类别对应的基础阈值；然后，在各个时间类别对应的基础阈值中选取当前指标数据对应的目标基础阈值；最后，根据物联网的网络拓扑结构，确定当前指标数据对应的阈值系数，根据目标基础阈值和阈值系数，确定当前指标数据对应的监控阈值，根据监控阈值，对当前指标数据进行监控。通过本实施例，能够结合历史指标数据和物联网的网络拓扑结构，为当前指标数据确定监控阈值，确定得到的监控阈值准确度高，从而提高了指标监控的准确性，解决了根据人工经验的方式设置静态不变的监控阈值，阈值准确性较差，降低指标监控的准确性的问题。
附图说明
为了更清楚地说明本说明书一个或多个实施例中的技术方案，下面将对实施例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本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书一实施例提供的基于物联网的网络性能指标监控方法的流程示意图；
图2为本说明书一实施例提供的物联网的网络拓扑结构的示意图；
图3为本说明书一实施例提供的基于物联网的网络性能指标监控装置的结构示意图；
图4为本说明书一实施例提供的基于物联网的网络性能指标监控设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个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说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，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，都应当属于本文件的保护范围。
图1为本说明书一实施例提供的基于物联网的网络性能指标监控方法的流程示意图，如图1所示，该流程包括：
步骤S102，获取物联网中待监控的网络性能指标的当前指标数据和网络性能指标的多个历史指标数据，以及，根据物联网中的物联网设备之间的通信关系和/或业务关系，构建物联网的网络拓扑结构；
步骤S104，根据多个历史指标数据的采集时间，确定多个历史指标数据在每种预设时间维度下的时间类别，根据各个时间类别中的历史指标数据，确定各个时间类别对应的基础阈值；
步骤S106，在多个历史指标数据中确定与当前指标数据相关联的目标历史指标数据，根据当前指标数据的采集时间和目标历史指标数据的采集时间，在各个时间类别对应的基础阈值中选取当前指标数据对应的目标基础阈值；
步骤S108，根据物联网的网络拓扑结构，确定当前指标数据对应的阈值系数，根据目标基础阈值和阈值系数，确定当前指标数据对应的监控阈值，根据监控阈值，对当前指标数据进行监控。
本说明书一实施例中，首先获取物联网中待监控的网络性能指标的当前指标数据和网络性能指标的历史指标数据，以及，构建物联网的网络拓扑结构；其次，根据历史指标数据的采集时间，确定历史指标数据在每种预设时间维度下的时间类别，根据各个时间类别中的历史指标数据，确定各个时间类别对应的基础阈值；然后，在各个时间类别对应的基础阈值中选取当前指标数据对应的目标基础阈值；最后，根据物联网的网络拓扑结构，确定当前指标数据对应的阈值系数，根据目标基础阈值和阈值系数，确定当前指标数据对应的监控阈值，根据监控阈值，对当前指标数据进行监控。通过本实施例，能够结合历史指标数据和物联网的网络拓扑结构，为当前指标数据确定监控阈值，确定得到的监控阈值准确度高，从而提高了指标监控的准确性，解决了根据人工经验的方式设置静态不变的监控阈值，阈值准确性较差，降低指标监控的准确性的问题。
步骤S102中，获取物联网中待监控的网络性能指标的当前指标数据。具体地，物联网中存在多个网络性能指标，如掉话率、拥塞率、位置更新成功率等。本步骤中，获取待监控的网络性能指标的当前指标数据，比如，待监控的网络性能指标为掉话率，获取掉话率的当前指标数据，当前指标数据可以举例为掉话率为5％。步骤S102中，还获取待监控的网络性能指标的多个历史指标数据。比如，待监控的网络性能指标为掉话率，获取过去一年的掉话率的历史指标数据。
步骤S102中，还根据物联网中的物联网设备之间的通信关系和/或业务关系，构建物联网的网络拓扑结构。构建好的网络拓扑结构中，每个节点表示一台物联网设备。
在一种情况下，根据物联网中的物联网设备之间的通信关系，构建物联网的网络拓扑结构。具体地，将每台物联网设备表示为网络拓扑结构中的一个节点，若两台物联网设备之间存在通信关系，则在相应的两个节点之间建立一条连线。上述的通信关系可以是基于有线连接的数据通信关系，也可以是基于无线连接的数据通信关系。比如天猫精灵通过无线和路由器连接，则天猫精灵对应的节点与路由器对应的节点之间存在一条线。
在另一种情况下，根据物联网中的物联网设备之间的业务关系，构建物联网的网络拓扑结构。具体地，将每台物联网设备表示为网络拓扑结构中的一个节点，若两台物联网设备之间存在业务关系，则在相应的两个节点之间建立一条连线。上述的业务关系可以是业务上的上下游关系。比如，天猫精灵与手机之间没有通信关系，但是天猫精灵可以通过路由器获取手机的输入信号，进而播放该信号，实现通过天猫精灵播放手机听筒中的声音，这种情况下天猫精灵与手机之间存在业务关系，天猫精灵对应的节点与电话对应的节点之间存在一条线。
在又一种情况下，根据物联网中的物联网设备之间的通信关系和业务关系，构建物联网的网络拓扑结构。具体地，将每台物联网设备表示为网络拓扑结构中的一个节点，若两台物联网设备之间存在通信关系，则在相应的两个节点之间建立一条连线，若两台物联网设备之间存在业务关系，则在相应的两个节点之间建立一条连线。这种情况相当于将上面的两种网络拓扑结构进行结合，在同一个网络拓扑结构中既体现通信关系也体现业务关系。
图2为本说明书一实施例提供的物联网的网络拓扑结构的示意图，如图2所示，根据物联网中的物联网设备之间的通信关系和业务关系，构建物联网的网络拓扑结构，节点T、T1、T2、C1均表示物联网设备，其中，T和T1之间、T和T2之间、T1和C1之间、T2和C1之间存在通信关系，T1和T2之间存在业务关系。
本说明书实施例中，能够根据物联网中的物联网设备之间的通信关系和/或业务关系，准确构建物联网的网络拓扑结构。
上述步骤S104中，根据上述的多个历史指标数据的采集时间，确定上述的多个历史指标数据在每种预设时间维度下的时间类别。
具体地，历史指标数据的采集时间可以举例为年-月-日，比如，某历史指标数据的采集时间为2020年3月5日。本实施例中预设有多种时间维度，每种时间维度下分为多个时间类别，时间维度可以包括四种，周、月、季度、季节，周维度下分为52个类别，分别对应一年的52周，月维度下分为12个类别，分别对应一年的12个月，季度维度下分为4个类别，分别对应一年的4个季度，季节维度下分为4个类别，分别对应一年的4个季节。具体时间维度与时间类别的设置关系可以参考下表1。
表1
本步骤中，根据每个历史指标数据的采集时间，确定每个历史指标数据在每种时间维度下的时间类别。以一个历史指标数据为例，某个历史指标数据的采集时间为2020年3月5日，则在周维度下对应的时间类别为第10周，在月维度下对应的时间类别为第3个月，在季度维度下对应的时间类别为第一个季度，在季节维度下对应的时间类别为春季。本步骤中，针对每个历史指标数据，均确定其在周、月、季度、季节下的时间类别。
接着，根据各个时间类别中的历史指标数据，确定各个时间类别对应的基础阈值，这里包括，根据采集时间位于每周的历史指标数据，确定每周的基础阈值，根据采集时间位于每月的历史指标数据，确定每月的基础阈值，根据采集时间位于每季度的历史指标数据，确定每季度的基础阈值，根据采集时间位于每季节的历史指标数据，确定每季节的基础阈值。
本实施例中，根据各个时间类别中的历史指标数据，确定各个时间类别对应的基础阈值，包括：
(a1)在每个时间类别中，根据该时间类别中的各个历史指标数据的平均值和标准差，计算该时间类别中的每个历史指标数据的概率；
(a2)在每个时间类别中，对该时间类别中的各个历史指标数据进行聚类，针对每个历史指标数据，确定该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，根据该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，确定该历史指标数据的类属性值；
(a3)在每个时间类别中，根据每个历史指标数据的概率和类属性值，确定每个时间类别对应的基础阈值。
本实施例中，每个时间类别(每周、每月、每季度、每季节)均对应一个基础阈值，每个时间类别对应的基础阈值的计算方法相同，为便于描述，下面以春季为例介绍春季对应的基础阈值的计算方法。
首先，在动作(a1)中，针对春季这一时间类别，计算采集时间位于春季的各个历史指标数据的平均值和标准差，根据该平均值和标准差，计算采集时间位于春季的每个历史指标数据的概率。
具体地，以历史指标数据x为例，x的采集时间位于春季，则x的概率为：
其中，μ为采集时间位于春季的各个历史指标数据的均值，σ为采集时间位于春季的各个历史指标数据的标准差。
然后，在动作(a2)中，针对春季这一时间类别，对采集时间位于春季的各个历史指标数据进行聚类。这里可以采用k-means等聚类方法进行聚类。在聚类之后，针对每个历史指标数据，确定该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度。比如，针对采集时间位于春季的每个历史指标数据，确定该历史指标数据在聚类得到的所属类中密度和该所属类的平均距离。
其中，针对每个历史指标数据，确定该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，具体包括：
(a21)针对每个历史指标数据，根据该历史指标数据所属类中所有数据与类中心数据之间的距离之和，以及，该历史指标数据所属类中的数据总数量，确定该历史指标数据所属类的平均距离；
(a22)针对每个历史指标数据，在该历史指标数据所属类中确定该历史指标数据对应的统计数据，根据该历史指标数据对应的所有统计数据与该历史指标数据之间的距离之和，以及，所有统计数据的总数量，确定该历史指标数据在所属类中的密度；
其中，在该历史指标数据所属类中，该历史指标数据对应的统计数据与该历史指标数据之间的距离小于该历史指标数据所属类的平均距离，并且，也小于该历史指标数据对应的统计数据与类中心数据之间的距离。
以针对采集时间位于春季的历史指标数据x，确定该历史指标数据x在聚类得到的所属类中密度和该所属类的平均距离为例，上述动作(a21)和(a22)具体为：
x所属类的平均距离
等于，x所在类中所有数据与类中心点数据之间的欧式距离之和除以x所在类中数据总数量。
x在所属类中的密度G(x)等于，x对应的所有统计数据与x的欧式距离之和除以统计数据总数量。
其中，针对x所在类中的任一非x数据，若该数据与x之间的欧式距离小于
并且，该数据与x之间的欧式距离小于该数据与类中心数据之间的欧式距离，则将该数据作为x对应的统计数据，并记录该数据与x的距离。
动作(a2)中，还根据该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，确定该历史指标数据的类属性值。比如，针对采集时间位于春季的历史指标数据x，在确定
和G(x)等等之后，根据
和G(x)，确定x在所属类中的类属性值A(x)。
本步骤中类属性值反映了x所在类中位置的密度，若该值越大，说明密度越高，该数据更具有代表性。若该值越小，说明密度越低，该数据可能是所在类的边缘数据，特征不明显，代表性越低。
在计算每个历史指标数据的概率和类属性值之后，动作(a3)中，在每个时间类别中，根据每个历史指标数据的概率和类属性值，确定每个时间类别对应的基础阈值。
针对春季这一时间类别为例，计算每个历史指标数据x的概率P(x)和类属性值A(x)之后，将∑xP(x)*A(x))/N作为春季这一时间类别对应的基础阈值，其中，N为春季所包含的历史指标数据的总数量。
通过本实施例，能够为每周、每月、每季度、每季节分别确定对应的基础阈值，从而便于后续计算监控阈值。
步骤S106中，在多个历史指标数据中确定与当前指标数据相关联的目标历史指标数据。根据当前指标数据的采集时间和目标历史指标数据的采集时间，在各个时间类别对应的基础阈值中选取当前指标数据对应的目标基础阈值。
其中，在多个历史指标数据中确定与当前指标数据相关联的目标历史指标数据，包括：对当前指标数据和多个历史指标数据进行聚类，将与当前指标数据聚为一类的各个历史指标数据，确定为与当前指标数据相关联的各个目标历史指标数据。
比如，以待监控的网络性能指标为掉话率为例，获取过去一年的掉话率的指标数据，将当前的掉话率和过去一年的掉话率输入至聚类模型进行聚类，将与当前的掉话率聚为一类的历史掉话率，作为与当前的掉话率相关联的各个历史掉话率。其中，聚类模型可以是k-means模型，或其他分类模型，这里不做限定。聚类原理可以是基于当前指标数据与每个历史指标数据之间的距离大小进行聚类，距离可以为数据之间的差值。
根据当前指标数据的采集时间和目标历史指标数据的采集时间，在各个时间类别对应的基础阈值中选取当前指标数据对应的目标基础阈值，具体包括：
(b1)根据当前指标数据的采集时间，确定当前指标数据在每种预设时间维度下的第一时间类别，根据各个目标历史指标数据的采集时间，确定各个目标历史指标数据在每种预设时间维度下的第二时间类别；
(b2)根据各个目标历史指标数据在每种预设时间维度下的第二时间类别，统计每种预设时间维度下每个第二时间类别对应的目标历史指标数据的数量；
(b3)针对每种预设时间维度，根据该预设时间维度下的每个第二时间类别所对应的目标历史指标数据的数量，确定在该预设时间维度下的目标第二时间类别；
(b4)根据各个第一时间类别和各个目标第二时间类别之间的重合情况，在各个时间类别对应的基础阈值中选取当前指标数据对应的目标基础阈值。
动作(b1)中，根据当前指标数据的采集时间，确定当前指标数据在每种预设时间维度下的第一时间类别。比如，当前指标数据的采集时间为2020年7月6日，则其对应的第一时间类别包括28周、7月、3季度、夏季。根据各个目标历史指标数据的采集时间，确定各个目标历史指标数据在每种预设时间维度下的第二时间类别，比如，某个目标历史指标数据的采集时间也为2020年7月6日，则其对应的第二时间类别也包括28周、7月、3季度、夏季。
动作(b2)中，根据各个目标历史指标数据在每种预设时间维度下的第二时间类别，统计每种预设时间维度下每个第二时间类别对应的目标历史指标数据的数量。具体地，比如一共有100个目标历史指标数据，通过动作(b1)确定了每个目标历史指标数据对应的第二时间类别，包括具体的周、具体的月份、具体的季度和具体的季节，本动作中，根据这100个目标历史指标数据的第二时间类别，统计每个第二时间类别对应的目标历史指标数据的数量。
统计结果可以举例为，第28周对应的目标历史指标数据的数量为10个，第30周对应的目标历史指标数据的数量为40个，第50周对应的目标历史指标数据的数量为50个，可以看出，这100个数据中，10个分布于第28周，40个分布于第30周，50个分布于第50周。
统计结果还可以举例为，春季对应的目标历史指标数据的数量为10个，夏季对应的目标历史指标数据的数量为40个，冬季对应的目标历史指标数据的数量为50个，可以看出，这100个数据中，10个分布于春季，40个分布于夏季，50个分布于冬季。
动作(b3)中，针对每种预设时间维度，根据该预设时间维度下的每个第二时间类别所对应的所述目标历史指标数据的数量，确定在该预设时间维度下的目标第二时间类别。在每种预设时间维度下，将对应的目标历史指标数据的数量最多的第二时间类别，确定为该预设时间维度下的目标第二时间类别。
比如，第28周对应的目标历史指标数据的数量为10个，第30周对应的目标历史指标数据的数量为40个，第50周对应的目标历史指标数据的数量为50个，则周维度下，目标第二类别包括第50周。
又如，春季对应的目标历史指标数据的数量为10个，夏季对应的目标历史指标数据的数量为40个，冬季对应的目标历史指标数据的数量为50个，则季节维度下，目标第二时间类别包括冬季。
通过动作(b2)和动作(b3)，能够根据每种预设时间维度下每个第二时间类别对应的目标历史指标数据的数量，确定周维度下唯一一个具体的周，确定月份维度下唯一一个具体的月份，确定季度维度下唯一一个具体的季度，以及，确定季节维度下唯一一个具体季节，这些唯一一个具体的周、唯一一个具体的月份、唯一一个具体的季度、唯一一个具体季节均为目标第二时间类别。
动作(b4)中，根据各个第一时间类别和各个目标第二时间类别之间的重合情况，在各个时间类别对应的基础阈值中选取当前指标数据对应的目标基础阈值。该动作具体包括：
(b41)若各个第一时间类别和各个目标第二时间类别均不重合，则在各个时间类别对应的基础阈值中，确定各个第一时间类别分别对应的基础阈值的取值，将取值最大的基础阈值作为当前指标数据对应的目标基础阈值；
(b42)若各个第一时间类别和各个目标第二时间类别之间，存在唯一一个重合时间类别，则在各个时间类别对应的基础阈值中，选取该唯一一个重合时间类别对应的基础阈值作为当前指标数据对应的目标基础阈值；
(b43)若各个第一时间类别和各个目标第二时间类别之间，存在多个重合时间类别，则根据各个重合时间类别所属的时间维度，在各个重合时间类别中确定目标类别，在各个时间类别对应的基础阈值中，选取目标类别对应的基础阈值作为当前指标数据对应的目标基础阈值。
动作(b41)中，假设各个第一时间类别包括28周、7月、3季度、夏季，各个第二目标时间类别包括30周、12月、4季度、冬季，则各个第一时间类别和各个目标第二时间类别均不重合。这种情况下，在各个时间类别对应的基础阈值中，确定28周对应的基础阈值的取值，确定7月对应的基础鱼子的取值，确定3季度对应的基础阈值的取值，确定夏季对应的基础阈值的取值，然后，将这个四个取值中，取值最大的基于阈值作为当前指标数据对应的目标基础阈值。
动作(b42)中，假设各个第一时间类别包括28周、7月、3季度、夏季，各个第二目标时间类别包括30周、9月、3季度、秋季，则各个第一时间类别和各个目标第二时间类别之间，存在唯一一个重合时间类别3季度。在这种情况下，在各个时间类别对应的基础阈值中，选取3季度对应的基础阈值作为当前指标数据对应的目标基础阈值。
动作(b43)中，根据各个重合时间类别所属的时间维度，在各个重合时间类别中确定目标类别，可以是，分析每个时间维度所表示的时间范围的长短，将所表示的时间范围最长的时间维度下的重合时间类别，作为目标类别。
假设各个第一时间类别包括28周、9月、3季度、夏季，各个第二目标时间类别包括30周、9月、3季度、秋季，则各个第一时间类别和各个目标第二时间类别之间，存在两个重合时间类别9月和3季度，则根据各个重合时间类别所属的时间维度，确定所表示的时间范围最长的时间维度下的重合时间类别为目标类别，比如，确定3季度为目标类别。继而，在各个时间类别对应的基础阈值中，选取目标类别对应的基础阈值作为当前指标数据对应的目标基础阈值。
通过本实施例，能够在每周、每月、每季度、每季节的基础阈值中为当前指标数据选取目标基础阈值，从而便于后续计算监控阈值。
步骤S108，根据物联网的网络拓扑结构，确定当前指标数据对应的阈值系数，根据目标基础阈值和阈值系数，确定当前指标数据对应的监控阈值，根据监控阈值，对当前指标数据进行监控。
根据物联网的网络拓扑结构，确定当前指标数据对应的阈值系数，具体包括：
(c1)在物联网的网络拓扑结构中，确定每个物联网设备的设备类型，设备类型包括数据采集型设备和数据传输型设备；
(c2)针对每个数据采集型设备，根据数据采集型设备在网络拓扑结构中的节点的度和节点的深度，以及该网络拓扑结构中的节点的总数量，确定该数据采集型设备的风险系数；
(c3)针对每个数据传输型设备，根据数据传输型设备在网络拓扑结构中的节点的度和节点的转发度，以及该网络拓扑结构中的节点的总数量，确定该数据传输型设备的风险系数；
(c4)在物联网的网络拓扑结构中，根据每个数据采集型设备的风险系数和每个数据传输型设备的风险系数，确定当前指标数据对应的阈值系数。
动作(c1)中，在物联网的网络拓扑结构中，确定每个物联网设备的设备类型，设备类型包括数据采集型设备和数据传输型设备。数据采集型设备包括但不限于可穿戴设备、热水器、窗帘等最底层的产生原始数据的终端。数据传输型设备包括但不限于交换机、网关等对数据进行存储、转发、处理的上层设备。
动作(c2)中，对于数据采集型设备，其主要作用是原始数据的采集，如果此种设备被攻击，会直接影响后续的数据处理及分析结果。对于数据采集型设备，其风险系数等于，该设备在网络拓扑结构中对应的节点的度*该节点的深度/总节点数。其中，节点的度等于网络拓扑结构中，该节点所在的线的数量。节点的深度等于网络拓扑结构中，以该节点为端点的最长线上节点的数量。总节点数为网络拓扑结构中的总节点数。
动作(c3)中，对于数据传输型设备，其主要风险在于传输，且其数据更多为处理后的，更具有价值的数据，因此，其风险系数交采集类型的风险系数更高。数据传输型设备的风险数据等于，该设备在网络拓扑结构中对应的节点的度*该节点的转发度/总节点数。其中，节点的度等于网络拓扑结构中，该节点所在的线的数量。节点的转发度等于该节点所在的各目标线条中，最短线上的节点的数量加上该节点所在的线的数量，其中，节点所在的目标线条指的是，节点所在的且一个端点是数据传输型设备对应的节点的线条。总节点数为网络拓扑结构中的总节点数。
动作(c4)中，根据每个数据采集型设备的风险系数和每个数据传输型设备的风险系数，确定当前指标数据对应的阈值系数，阈值系数等于，所有数据传输型设备的风险系数的平均值加上所有数据采集型设备的风险系数的平均值。
步骤S108中，还根据目标基础阈值和阈值系数，确定当前指标数据对应的监控阈值。当前指标数据对应的监控阈值可以等于目标基础阈值与阈值系数的乘积。根据监控阈值，对当前指标数据进行监控，比如，将监控阈值与当前指标数据进行比较，如当前指标数据大于监控阈值，则进行预警。
综上，通过本实施例中的基于物联网的网络性能指标监控方法，不需要人工设定监控阈值，能够结合历史指标数据和物联网的网络拓扑结构，为当前指标数据确定监控阈值，确定得到的监控阈值准确度高，更加贴合真实场景，从而提高了指标监控的准确性，解决了根据人工经验的方式设置静态不变的监控阈值，阈值准确性较差，降低指标监控的准确性的问题。
图3为本说明书一实施例提供的基于物联网的网络性能指标监控装置的结构示意图，如图3所示，该装置包括：
数据获取单元31，用于获取物联网中待监控的网络性能指标的当前指标数据和所述网络性能指标的多个历史指标数据，以及，根据所述物联网中的物联网设备之间的通信关系和/或业务关系，构建所述物联网的网络拓扑结构；
第一阈值确定单元32，用于根据所述多个历史指标数据的采集时间，确定所述多个历史指标数据在每种预设时间维度下的时间类别，根据各个所述时间类别中的所述历史指标数据，确定各个所述时间类别对应的基础阈值；
第二阈值确定单元33，用于在所述多个历史指标数据中确定与所述当前指标数据相关联的目标历史指标数据，根据所述当前指标数据的采集时间和所述目标历史指标数据的采集时间，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值；
指标监控单元34，用于根据所述物联网的网络拓扑结构，确定所述当前指标数据对应的阈值系数，根据所述目标基础阈值和所述阈值系数，确定所述当前指标数据对应的监控阈值，根据所述监控阈值，对所述当前指标数据进行监控。
可选地，第一阈值确定单元32具体用于：
在每个所述时间类别中，根据该时间类别中的各个所述历史指标数据的平均值和标准差，计算该时间类别中的每个所述历史指标数据的概率；
在每个所述时间类别中，对该时间类别中的各个所述历史指标数据进行聚类，针对每个所述历史指标数据，确定该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，根据该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，确定该历史指标数据的类属性值；
在每个所述时间类别中，根据每个所述历史指标数据的概率和类属性值，确定每个所述时间类别对应的基础阈值。
可选地，第一阈值确定单元32还具体用于：
针对每个所述历史指标数据，根据该历史指标数据所属类中所有数据与类中心数据之间的距离之和，以及，该历史指标数据所属类中的数据总数量，确定该历史指标数据所属类的平均距离；
针对每个所述历史指标数据，在该历史指标数据所属类中确定该历史指标数据对应的统计数据，根据该历史指标数据对应的所有统计数据与该历史指标数据之间的距离之和，以及，所有统计数据的总数量，确定该历史指标数据在所属类中的密度；
其中，在该历史指标数据所属类中，该历史指标数据对应的统计数据与该历史指标数据之间的距离小于该历史指标数据所属类的平均距离，并且，也小于该历史指标数据对应的统计数据与类中心数据之间的距离。
可选地，第二阈值确定单元33具体用于：
对所述当前指标数据和所述多个历史指标数据进行聚类；
将与所述当前指标数据聚为一类的各个历史指标数据，确定为与所述当前指标数据相关联的各个目标历史指标数据。
可选地，第二阈值确定单元33具体用于：
根据所述当前指标数据的采集时间，确定所述当前指标数据在每种预设时间维度下的第一时间类别，根据各个所述目标历史指标数据的采集时间，确定各个所述目标历史指标数据在每种预设时间维度下的第二时间类别；
根据各个所述目标历史指标数据在每种预设时间维度下的第二时间类别，统计每种预设时间维度下每个第二时间类别对应的所述目标历史指标数据的数量；
针对每种预设时间维度，根据该预设时间维度下的每个第二时间类别所对应的所述目标历史指标数据的数量，确定在该预设时间维度下的目标第二时间类别；
根据各个第一时间类别和各个目标第二时间类别之间的重合情况，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值。
可选地，第二阈值确定单元33还具体用于：
若各个第一时间类别和各个目标第二时间类别均不重合，则在各个所述时间类别对应的基础阈值中，确定各个第一时间类别分别对应的基础阈值的取值，将取值最大的基础阈值作为所述当前指标数据对应的目标基础阈值；
若各个第一时间类别和各个目标第二时间类别之间，存在唯一一个重合时间类别，则在各个所述时间类别对应的基础阈值中，选取所述唯一一个重合时间类别对应的基础阈值作为所述当前指标数据对应的目标基础阈值；
若各个第一时间类别和各个目标第二时间类别之间，存在多个重合时间类别，则根据各个重合时间类别所属的时间维度，在各个重合时间类别中确定目标类别，在各个所述时间类别对应的基础阈值中，选取所述目标类别对应的基础阈值作为所述当前指标数据对应的目标基础阈值。
可选地，指标监控单元34具体用于：
在所述物联网的网络拓扑结构中，确定每个物联网设备的设备类型，所述设备类型包括数据采集型设备和数据传输型设备；
针对每个所述数据采集型设备，根据所述数据采集型设备在所述网络拓扑结构中的节点的度和节点的深度，以及该网络拓扑结构中的节点的总数量，确定该数据采集型设备的风险系数；
针对每个所述数据传输型设备，根据所述数据传输型设备在所述网络拓扑结构中的节点的度和节点的转发度，以及该网络拓扑结构中的节点的总数量，确定该数据传输型设备的风险系数；
在所述物联网的网络拓扑结构中，根据每个所述数据采集型设备的风险系数和每个所述数据传输型设备的风险系数，确定所述当前指标数据对应的阈值系数。
本说明书一实施例中，首先获取物联网中待监控的网络性能指标的当前指标数据和网络性能指标的历史指标数据，以及，构建物联网的网络拓扑结构；其次，根据历史指标数据的采集时间，确定历史指标数据在每种预设时间维度下的时间类别，根据各个时间类别中的历史指标数据，确定各个时间类别对应的基础阈值；然后，在各个时间类别对应的基础阈值中选取当前指标数据对应的目标基础阈值；最后，根据物联网的网络拓扑结构，确定当前指标数据对应的阈值系数，根据目标基础阈值和阈值系数，确定当前指标数据对应的监控阈值，根据监控阈值，对当前指标数据进行监控。通过本实施例，能够结合历史指标数据和物联网的网络拓扑结构，为当前指标数据确定监控阈值，确定得到的监控阈值准确度高，从而提高了指标监控的准确性，解决了根据人工经验的方式设置静态不变的监控阈值，阈值准确性较差，降低指标监控的准确性的问题。
本说明书一实施例提供的基于物联网的网络性能指标监控装置能够实现前述基于物联网的网络性能指标监控方法实施例中的各个过程，并达到相同的功能和效果，这里不再重复。
进一步地，本说明书一个实施例还提供了一种基于物联网的网络性能指标监控设备，图4为本说明书一实施例提供的基于物联网的网络性能指标监控设备的结构示意图，如图4所示，该设备包括：存储器601、处理器602、总线603和通信接口604。存储器601、处理器602和通信接口604通过总线603进行通信，通信接口604可以包括输入输出接口，输入输出接口包括但不限于键盘、鼠标、显示器、麦克风、扩音器等。
图4中，所述存储器601上存储有可在所述处理器602上运行的计算机可执行指令，所述计算机可执行指令在所述处理器602上运行时实现以下流程：
获取物联网中待监控的网络性能指标的当前指标数据和所述网络性能指标的多个历史指标数据，以及，根据所述物联网中的物联网设备之间的通信关系和/或业务关系，构建所述物联网的网络拓扑结构；
根据所述多个历史指标数据的采集时间，确定所述多个历史指标数据在每种预设时间维度下的时间类别，根据各个所述时间类别中的所述历史指标数据，确定各个所述时间类别对应的基础阈值；
在所述多个历史指标数据中确定与所述当前指标数据相关联的目标历史指标数据，根据所述当前指标数据的采集时间和所述目标历史指标数据的采集时间，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值；
根据所述物联网的网络拓扑结构，确定所述当前指标数据对应的阈值系数，根据所述目标基础阈值和所述阈值系数，确定所述当前指标数据对应的监控阈值，根据所述监控阈值，对所述当前指标数据进行监控。
可选地，所述计算机可执行指令被所述处理器执行时，根据各个所述时间类别中的所述历史指标数据，确定各个所述时间类别对应的基础阈值，包括：
在每个所述时间类别中，根据该时间类别中的各个所述历史指标数据的平均值和标准差，计算该时间类别中的每个所述历史指标数据的概率；
在每个所述时间类别中，对该时间类别中的各个所述历史指标数据进行聚类，针对每个所述历史指标数据，确定该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，根据该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，确定该历史指标数据的类属性值；
在每个所述时间类别中，根据每个所述历史指标数据的概率和类属性值，确定每个所述时间类别对应的基础阈值。
可选地，所述计算机可执行指令被所述处理器执行时，针对每个所述历史指标数据，确定该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，包括：
针对每个所述历史指标数据，根据该历史指标数据所属类中所有数据与类中心数据之间的距离之和，以及，该历史指标数据所属类中的数据总数量，确定该历史指标数据所属类的平均距离；
针对每个所述历史指标数据，在该历史指标数据所属类中确定该历史指标数据对应的统计数据，根据该历史指标数据对应的所有统计数据与该历史指标数据之间的距离之和，以及，所有统计数据的总数量，确定该历史指标数据在所属类中的密度；
其中，在该历史指标数据所属类中，该历史指标数据对应的统计数据与该历史指标数据之间的距离小于该历史指标数据所属类的平均距离，并且，也小于该历史指标数据对应的统计数据与类中心数据之间的距离。
可选地，所述计算机可执行指令被所述处理器执行时，在所述多个历史指标数据中确定与所述当前指标数据相关联的目标历史指标数据，包括：
对所述当前指标数据和所述多个历史指标数据进行聚类；
将与所述当前指标数据聚为一类的各个历史指标数据，确定为与所述当前指标数据相关联的各个目标历史指标数据。
可选地，所述计算机可执行指令被所述处理器执行时，根据所述当前指标数据的采集时间和所述目标历史指标数据的采集时间，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值，包括：
根据所述当前指标数据的采集时间，确定所述当前指标数据在每种预设时间维度下的第一时间类别，根据各个所述目标历史指标数据的采集时间，确定各个所述目标历史指标数据在每种预设时间维度下的第二时间类别；
根据各个所述目标历史指标数据在每种预设时间维度下的第二时间类别，统计每种预设时间维度下每个第二时间类别对应的所述目标历史指标数据的数量；
针对每种预设时间维度，根据该预设时间维度下的每个第二时间类别所对应的所述目标历史指标数据的数量，确定在该预设时间维度下的目标第二时间类别；
根据各个第一时间类别和各个目标第二时间类别之间的重合情况，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值。
可选地，所述计算机可执行指令被所述处理器执行时，根据各个第一时间类别和各个目标第二时间类别之间的重合情况，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值，包括：
若各个第一时间类别和各个目标第二时间类别均不重合，则在各个所述时间类别对应的基础阈值中，确定各个第一时间类别分别对应的基础阈值的取值，将取值最大的基础阈值作为所述当前指标数据对应的目标基础阈值；
若各个第一时间类别和各个目标第二时间类别之间，存在唯一一个重合时间类别，则在各个所述时间类别对应的基础阈值中，选取所述唯一一个重合时间类别对应的基础阈值作为所述当前指标数据对应的目标基础阈值；
若各个第一时间类别和各个目标第二时间类别之间，存在多个重合时间类别，则根据各个重合时间类别所属的时间维度，在各个重合时间类别中确定目标类别，在各个所述时间类别对应的基础阈值中，选取所述目标类别对应的基础阈值作为所述当前指标数据对应的目标基础阈值。
可选地，所述计算机可执行指令被所述处理器执行时，根据所述物联网的网络拓扑结构，确定所述当前指标数据对应的阈值系数，包括：
在所述物联网的网络拓扑结构中，确定每个物联网设备的设备类型，所述设备类型包括数据采集型设备和数据传输型设备；
针对每个所述数据采集型设备，根据所述数据采集型设备在所述网络拓扑结构中的节点的度和节点的深度，以及该网络拓扑结构中的节点的总数量，确定该数据采集型设备的风险系数；
针对每个所述数据传输型设备，根据所述数据传输型设备在所述网络拓扑结构中的节点的度和节点的转发度，以及该网络拓扑结构中的节点的总数量，确定该数据传输型设备的风险系数；
在所述物联网的网络拓扑结构中，根据每个所述数据采集型设备的风险系数和每个所述数据传输型设备的风险系数，确定所述当前指标数据对应的阈值系数。
本说明书一实施例中，首先获取物联网中待监控的网络性能指标的当前指标数据和网络性能指标的历史指标数据，以及，构建物联网的网络拓扑结构；其次，根据历史指标数据的采集时间，确定历史指标数据在每种预设时间维度下的时间类别，根据各个时间类别中的历史指标数据，确定各个时间类别对应的基础阈值；然后，在各个时间类别对应的基础阈值中选取当前指标数据对应的目标基础阈值；最后，根据物联网的网络拓扑结构，确定当前指标数据对应的阈值系数，根据目标基础阈值和阈值系数，确定当前指标数据对应的监控阈值，根据监控阈值，对当前指标数据进行监控。通过本实施例，能够结合历史指标数据和物联网的网络拓扑结构，为当前指标数据确定监控阈值，确定得到的监控阈值准确度高，从而提高了指标监控的准确性，解决了根据人工经验的方式设置静态不变的监控阈值，阈值准确性较差，降低指标监控的准确性的问题。
本说明书一实施例提供的基于物联网的网络性能指标监控设备能够实现前述基于物联网的网络性能指标监控方法实施例中的各个过程，并达到相同的功能和效果，这里不再重复。
进一步地，本说明书另一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：
获取物联网中待监控的网络性能指标的当前指标数据和所述网络性能指标的多个历史指标数据，以及，根据所述物联网中的物联网设备之间的通信关系和/或业务关系，构建所述物联网的网络拓扑结构；
根据所述多个历史指标数据的采集时间，确定所述多个历史指标数据在每种预设时间维度下的时间类别，根据各个所述时间类别中的所述历史指标数据，确定各个所述时间类别对应的基础阈值；
在所述多个历史指标数据中确定与所述当前指标数据相关联的目标历史指标数据，根据所述当前指标数据的采集时间和所述目标历史指标数据的采集时间，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值；
根据所述物联网的网络拓扑结构，确定所述当前指标数据对应的阈值系数，根据所述目标基础阈值和所述阈值系数，确定所述当前指标数据对应的监控阈值，根据所述监控阈值，对所述当前指标数据进行监控。
可选地，所述计算机可执行指令被处理器执行时，根据各个所述时间类别中的所述历史指标数据，确定各个所述时间类别对应的基础阈值，包括：
在每个所述时间类别中，根据该时间类别中的各个所述历史指标数据的平均值和标准差，计算该时间类别中的每个所述历史指标数据的概率；
在每个所述时间类别中，对该时间类别中的各个所述历史指标数据进行聚类，针对每个所述历史指标数据，确定该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，根据该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，确定该历史指标数据的类属性值；
在每个所述时间类别中，根据每个所述历史指标数据的概率和类属性值，确定每个所述时间类别对应的基础阈值。
可选地，所述计算机可执行指令被处理器执行时，针对每个所述历史指标数据，确定该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，包括：
针对每个所述历史指标数据，根据该历史指标数据所属类中所有数据与类中心数据之间的距离之和，以及，该历史指标数据所属类中的数据总数量，确定该历史指标数据所属类的平均距离；
针对每个所述历史指标数据，在该历史指标数据所属类中确定该历史指标数据对应的统计数据，根据该历史指标数据对应的所有统计数据与该历史指标数据之间的距离之和，以及，所有统计数据的总数量，确定该历史指标数据在所属类中的密度；
其中，在该历史指标数据所属类中，该历史指标数据对应的统计数据与该历史指标数据之间的距离小于该历史指标数据所属类的平均距离，并且，也小于该历史指标数据对应的统计数据与类中心数据之间的距离。
可选地，所述计算机可执行指令被处理器执行时，在所述多个历史指标数据中确定与所述当前指标数据相关联的目标历史指标数据，包括：
对所述当前指标数据和所述多个历史指标数据进行聚类；
将与所述当前指标数据聚为一类的各个历史指标数据，确定为与所述当前指标数据相关联的各个目标历史指标数据。
可选地，所述计算机可执行指令被处理器执行时，根据所述当前指标数据的采集时间和所述目标历史指标数据的采集时间，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值，包括：
根据所述当前指标数据的采集时间，确定所述当前指标数据在每种预设时间维度下的第一时间类别，根据各个所述目标历史指标数据的采集时间，确定各个所述目标历史指标数据在每种预设时间维度下的第二时间类别；
根据各个所述目标历史指标数据在每种预设时间维度下的第二时间类别，统计每种预设时间维度下每个第二时间类别对应的所述目标历史指标数据的数量；
针对每种预设时间维度，根据该预设时间维度下的每个第二时间类别所对应的所述目标历史指标数据的数量，确定在该预设时间维度下的目标第二时间类别；
根据各个第一时间类别和各个目标第二时间类别之间的重合情况，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值。
可选地，所述计算机可执行指令被处理器执行时，根据各个第一时间类别和各个目标第二时间类别之间的重合情况，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值，包括：
若各个第一时间类别和各个目标第二时间类别均不重合，则在各个所述时间类别对应的基础阈值中，确定各个第一时间类别分别对应的基础阈值的取值，将取值最大的基础阈值作为所述当前指标数据对应的目标基础阈值；
若各个第一时间类别和各个目标第二时间类别之间，存在唯一一个重合时间类别，则在各个所述时间类别对应的基础阈值中，选取所述唯一一个重合时间类别对应的基础阈值作为所述当前指标数据对应的目标基础阈值；
若各个第一时间类别和各个目标第二时间类别之间，存在多个重合时间类别，则根据各个重合时间类别所属的时间维度，在各个重合时间类别中确定目标类别，在各个所述时间类别对应的基础阈值中，选取所述目标类别对应的基础阈值作为所述当前指标数据对应的目标基础阈值。
可选地，所述计算机可执行指令被处理器执行时，根据所述物联网的网络拓扑结构，确定所述当前指标数据对应的阈值系数，包括：
在所述物联网的网络拓扑结构中，确定每个物联网设备的设备类型，所述设备类型包括数据采集型设备和数据传输型设备；
针对每个所述数据采集型设备，根据所述数据采集型设备在所述网络拓扑结构中的节点的度和节点的深度，以及该网络拓扑结构中的节点的总数量，确定该数据采集型设备的风险系数；
针对每个所述数据传输型设备，根据所述数据传输型设备在所述网络拓扑结构中的节点的度和节点的转发度，以及该网络拓扑结构中的节点的总数量，确定该数据传输型设备的风险系数；
在所述物联网的网络拓扑结构中，根据每个所述数据采集型设备的风险系数和每个所述数据传输型设备的风险系数，确定所述当前指标数据对应的阈值系数。
本说明书一实施例中，首先获取物联网中待监控的网络性能指标的当前指标数据和网络性能指标的历史指标数据，以及，构建物联网的网络拓扑结构；其次，根据历史指标数据的采集时间，确定历史指标数据在每种预设时间维度下的时间类别，根据各个时间类别中的历史指标数据，确定各个时间类别对应的基础阈值；然后，在各个时间类别对应的基础阈值中选取当前指标数据对应的目标基础阈值；最后，根据物联网的网络拓扑结构，确定当前指标数据对应的阈值系数，根据目标基础阈值和阈值系数，确定当前指标数据对应的监控阈值，根据监控阈值，对当前指标数据进行监控。通过本实施例，能够结合历史指标数据和物联网的网络拓扑结构，为当前指标数据确定监控阈值，确定得到的监控阈值准确度高，从而提高了指标监控的准确性，解决了根据人工经验的方式设置静态不变的监控阈值，阈值准确性较差，降低指标监控的准确性的问题。
本说明书一实施例提供的存储介质能够实现前述基于物联网的网络性能指标监控方法实施例中的各个过程，并达到相同的功能和效果，这里不再重复。
其中，所述的计算机可读存储介质包括只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本权利要求范围之内。
Claims (10)
1.一种基于物联网的网络性能指标监控方法，其特征在于，包括：
获取物联网中待监控的网络性能指标的当前指标数据和所述网络性能指标的多个历史指标数据，以及，根据所述物联网中的物联网设备之间的通信关系和/或业务关系，构建所述物联网的网络拓扑结构；
根据所述多个历史指标数据的采集时间，确定所述多个历史指标数据在每种预设时间维度下的时间类别，根据各个所述时间类别中的所述历史指标数据，确定各个所述时间类别对应的基础阈值；
在所述多个历史指标数据中确定与所述当前指标数据相关联的目标历史指标数据，根据所述当前指标数据的采集时间和所述目标历史指标数据的采集时间，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值；
根据所述物联网的网络拓扑结构，确定所述当前指标数据对应的阈值系数，根据所述目标基础阈值和所述阈值系数，确定所述当前指标数据对应的监控阈值，根据所述监控阈值，对所述当前指标数据进行监控。
2.根据权利要求1所述的方法，其特征在于，根据各个所述时间类别中的所述历史指标数据，确定各个所述时间类别对应的基础阈值，包括：
在每个所述时间类别中，根据该时间类别中的各个所述历史指标数据的平均值和标准差，计算该时间类别中的每个所述历史指标数据的概率；
在每个所述时间类别中，对该时间类别中的各个所述历史指标数据进行聚类，针对每个所述历史指标数据，确定该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，根据该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，确定该历史指标数据的类属性值；
在每个所述时间类别中，根据每个所述历史指标数据的概率和类属性值，确定每个所述时间类别对应的基础阈值。
3.根据权利要求2所述的方法，其特征在于，针对每个所述历史指标数据，确定该历史指标数据所属类的平均距离和该历史指标数据在所属类中的密度，包括：
针对每个所述历史指标数据，根据该历史指标数据所属类中所有数据与类中心数据之间的距离之和，以及，该历史指标数据所属类中的数据总数量，确定该历史指标数据所属类的平均距离；
针对每个所述历史指标数据，在该历史指标数据所属类中确定该历史指标数据对应的统计数据，根据该历史指标数据对应的所有统计数据与该历史指标数据之间的距离之和，以及，所有统计数据的总数量，确定该历史指标数据在所属类中的密度；
其中，在该历史指标数据所属类中，该历史指标数据对应的统计数据与该历史指标数据之间的距离小于该历史指标数据所属类的平均距离，并且，也小于该历史指标数据对应的统计数据与类中心数据之间的距离。
4.根据权利要求1所述的方法，其特征在于，在所述多个历史指标数据中确定与所述当前指标数据相关联的目标历史指标数据，包括：
对所述当前指标数据和所述多个历史指标数据进行聚类；
将与所述当前指标数据聚为一类的各个历史指标数据，确定为与所述当前指标数据相关联的各个目标历史指标数据。
5.根据权利要求1所述的方法，其特征在于，根据所述当前指标数据的采集时间和所述目标历史指标数据的采集时间，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值，包括：
根据所述当前指标数据的采集时间，确定所述当前指标数据在每种预设时间维度下的第一时间类别，根据各个所述目标历史指标数据的采集时间，确定各个所述目标历史指标数据在每种预设时间维度下的第二时间类别；
根据各个所述目标历史指标数据在每种预设时间维度下的第二时间类别，统计每种预设时间维度下每个第二时间类别对应的所述目标历史指标数据的数量；
针对每种预设时间维度，根据该预设时间维度下的每个第二时间类别所对应的所述目标历史指标数据的数量，确定在该预设时间维度下的目标第二时间类别；
根据各个第一时间类别和各个目标第二时间类别之间的重合情况，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值。
6.根据权利要求5所述的方法，其特征在于，根据各个第一时间类别和各个目标第二时间类别之间的重合情况，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值，包括：
若各个第一时间类别和各个目标第二时间类别均不重合，则在各个所述时间类别对应的基础阈值中，确定各个第一时间类别分别对应的基础阈值的取值，将取值最大的基础阈值作为所述当前指标数据对应的目标基础阈值；
若各个第一时间类别和各个目标第二时间类别之间，存在唯一一个重合时间类别，则在各个所述时间类别对应的基础阈值中，选取所述唯一一个重合时间类别对应的基础阈值作为所述当前指标数据对应的目标基础阈值；
若各个第一时间类别和各个目标第二时间类别之间，存在多个重合时间类别，则根据各个重合时间类别所属的时间维度，在各个重合时间类别中确定目标类别，在各个所述时间类别对应的基础阈值中，选取所述目标类别对应的基础阈值作为所述当前指标数据对应的目标基础阈值。
7.根据权利要求1所述的方法，其特征在于，根据所述物联网的网络拓扑结构，确定所述当前指标数据对应的阈值系数，包括：
在所述物联网的网络拓扑结构中，确定每个物联网设备的设备类型，所述设备类型包括数据采集型设备和数据传输型设备；
针对每个所述数据采集型设备，根据所述数据采集型设备在所述网络拓扑结构中的节点的度和节点的深度，以及该网络拓扑结构中的节点的总数量，确定该数据采集型设备的风险系数；
针对每个所述数据传输型设备，根据所述数据传输型设备在所述网络拓扑结构中的节点的度和节点的转发度，以及该网络拓扑结构中的节点的总数量，确定该数据传输型设备的风险系数；
在所述物联网的网络拓扑结构中，根据每个所述数据采集型设备的风险系数和每个所述数据传输型设备的风险系数，确定所述当前指标数据对应的阈值系数。
8.一种基于物联网的网络性能指标监控装置，其特征在于，包括：
数据获取单元，用于获取物联网中待监控的网络性能指标的当前指标数据和所述网络性能指标的多个历史指标数据，以及，根据所述物联网中的物联网设备之间的通信关系和/或业务关系，构建所述物联网的网络拓扑结构；
第一阈值确定单元，用于根据所述多个历史指标数据的采集时间，确定所述多个历史指标数据在每种预设时间维度下的时间类别，根据各个所述时间类别中的所述历史指标数据，确定各个所述时间类别对应的基础阈值；
第二阈值确定单元，用于在所述多个历史指标数据中确定与所述当前指标数据相关联的目标历史指标数据，根据所述当前指标数据的采集时间和所述目标历史指标数据的采集时间，在各个所述时间类别对应的基础阈值中选取所述当前指标数据对应的目标基础阈值；
指标监控单元，用于根据所述物联网的网络拓扑结构，确定所述当前指标数据对应的阈值系数，根据所述目标基础阈值和所述阈值系数，确定所述当前指标数据对应的监控阈值，根据所述监控阈值，对所述当前指标数据进行监控。
9.一种基于物联网的网络性能指标监控设备，其特征在于，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述计算机可执行指令在上述处理器上运行时，能够实现上述权利要求1-7任一项所述的方法的步骤。
10.一种计算机可读存储介质，该计算机可读存储介质中存储有计算机可执行指令，其特征在于，所述计算机可执行指令在被处理器执行时，能够实现上述权利要求1-7任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110302748.7A CN115134246B (zh) | 2021-03-22 | 2021-03-22 | 网络性能指标监控方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110302748.7A CN115134246B (zh) | 2021-03-22 | 2021-03-22 | 网络性能指标监控方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115134246A true CN115134246A (zh) | 2022-09-30 |
| CN115134246B CN115134246B (zh) | 2023-07-21 |
Family
ID=83374932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110302748.7A Active CN115134246B (zh) | 2021-03-22 | 2021-03-22 | 网络性能指标监控方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115134246B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106209432A (zh) * | 2016-06-30 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 基于动态阈值的网络设备亚健康预警方法及装置 |
| CN107871190A (zh) * | 2016-09-23 | 2018-04-03 | 阿里巴巴集团控股有限公司 | 一种业务指标监控方法及装置 |
| US20190044824A1 (en) * | 2017-08-01 | 2019-02-07 | Juniper Networks, Inc. | Using machine learning to monitor link quality and predict link faults |
| CN110784355A (zh) * | 2019-10-30 | 2020-02-11 | 网宿科技股份有限公司 | 一种故障识别方法及装置 |
| CN111106969A (zh) * | 2019-12-31 | 2020-05-05 | 青岛海尔科技有限公司 | 物联网平台的自动化评估方法及系统、存储介质 |
| CN111177101A (zh) * | 2019-12-18 | 2020-05-19 | 广西电网有限责任公司电力科学研究院 | 一种基于大数据架构的配电网多维可视化平台 |
| CN111367747A (zh) * | 2018-12-25 | 2020-07-03 | 中国移动通信集团浙江有限公司 | 基于时间标注的指标异动检测预警的装置 |
| CN111475680A (zh) * | 2020-03-27 | 2020-07-31 | 深圳壹账通智能科技有限公司 | 检测异常高密子图的方法、装置、设备及存储介质 |
| CN111679949A (zh) * | 2020-04-23 | 2020-09-18 | 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及相关设备 |
| CN111818548A (zh) * | 2019-04-11 | 2020-10-23 | 中国移动通信集团天津有限公司 | 一种数据的处理方法、装置及设备 |
| CN112433919A (zh) * | 2020-11-25 | 2021-03-02 | 深圳前海微众银行股份有限公司 | 一种信息告警方法、设备及存储介质 |
-
2021
- 2021-03-22 CN CN202110302748.7A patent/CN115134246B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106209432A (zh) * | 2016-06-30 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 基于动态阈值的网络设备亚健康预警方法及装置 |
| CN107871190A (zh) * | 2016-09-23 | 2018-04-03 | 阿里巴巴集团控股有限公司 | 一种业务指标监控方法及装置 |
| US20190044824A1 (en) * | 2017-08-01 | 2019-02-07 | Juniper Networks, Inc. | Using machine learning to monitor link quality and predict link faults |
| CN111367747A (zh) * | 2018-12-25 | 2020-07-03 | 中国移动通信集团浙江有限公司 | 基于时间标注的指标异动检测预警的装置 |
| CN111818548A (zh) * | 2019-04-11 | 2020-10-23 | 中国移动通信集团天津有限公司 | 一种数据的处理方法、装置及设备 |
| CN110784355A (zh) * | 2019-10-30 | 2020-02-11 | 网宿科技股份有限公司 | 一种故障识别方法及装置 |
| CN111177101A (zh) * | 2019-12-18 | 2020-05-19 | 广西电网有限责任公司电力科学研究院 | 一种基于大数据架构的配电网多维可视化平台 |
| CN111106969A (zh) * | 2019-12-31 | 2020-05-05 | 青岛海尔科技有限公司 | 物联网平台的自动化评估方法及系统、存储介质 |
| CN111475680A (zh) * | 2020-03-27 | 2020-07-31 | 深圳壹账通智能科技有限公司 | 检测异常高密子图的方法、装置、设备及存储介质 |
| CN111679949A (zh) * | 2020-04-23 | 2020-09-18 | 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及相关设备 |
| CN112433919A (zh) * | 2020-11-25 | 2021-03-02 | 深圳前海微众银行股份有限公司 | 一种信息告警方法、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 闫腾腾: "基于不确定性推理算法的云计算环境下故障检测方法研究", 中国优秀硕士学位论文全文数据库 * |
| 陈琳;南洋;: "一种面向大规模系统域网络性能管理系统", 计算机工程与科学 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115134246B (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109413175B (zh) | 一种信息处理方法、装置及电子设备 | |
| CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
| CN109995611B (zh) | 流量分类模型建立及流量分类方法、装置、设备和服务器 | |
| CN112491900B (zh) | 异常节点识别方法、装置、设备及介质 | |
| CN113204716A (zh) | 可疑洗钱用户交易关系确定方法及装置 | |
| CN104158682A (zh) | 一种基于贡献度的同步数字体系sdh故障定位方法 | |
| CN111756560A (zh) | 一种数据处理方法、装置及存储介质 | |
| CN113283824A (zh) | 智慧园区数据综合管理方法及系统 | |
| CN114662602A (zh) | 一种离群点检测方法、装置、电子设备及存储介质 | |
| CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
| CN117786656B (zh) | 一种api识别方法、装置、电子设备及存储介质 | |
| CN113240259B (zh) | 规则策略组的生成方法、系统及电子设备 | |
| CN114186420A (zh) | 一种配电网台区拓扑校验方法、装置、设备和介质 | |
| CN113572721B (zh) | 一种异常访问检测方法、装置、电子设备及存储介质 | |
| CN115134246B (zh) | 网络性能指标监控方法、装置、设备和存储介质 | |
| CN111222774B (zh) | 企业数据分析方法、装置及服务器 | |
| CN117131460A (zh) | 一种电信欺诈账户识别模型训练方法、装置、设备及介质 | |
| CN110175113A (zh) | 业务场景确定方法和装置 | |
| CN113392130B (zh) | 数据处理方法、装置及设备 | |
| CN112612784B (zh) | 河水流域计算单元自动划分方法、装置和计算机设备 | |
| CN111695829B (zh) | 一种指标波动周期计算方法、装置、存储介质及电子设备 | |
| CN109769216B (zh) | 一种基于手机信号在复杂环境中将用户分群的方法及装置 | |
| WO2022156743A1 (zh) | 特征构建方法和装置、模型训练方法和装置、设备、介质 | |
| CN113836907B (zh) | 文本聚类图片识别方法、装置和系统 | |
| CN114299043B (zh) | 点云质量评估方法、装置、电子设备和存储介质 |
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 |