CN115529232A - 汇聚分流设备的管控方法、装置及存储介质 - Google Patents
汇聚分流设备的管控方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115529232A CN115529232A CN202110638820.3A CN202110638820A CN115529232A CN 115529232 A CN115529232 A CN 115529232A CN 202110638820 A CN202110638820 A CN 202110638820A CN 115529232 A CN115529232 A CN 115529232A
- Authority
- CN
- China
- Prior art keywords
- network element
- convergence
- association rule
- characteristic data
- element identification
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000002776 aggregation Effects 0.000 claims description 46
- 238000004220 aggregation Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 abstract description 15
- 230000008859 change Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 44
- 238000010586 diagram Methods 0.000 description 8
- 230000001360 synchronised effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0889—Techniques to speed-up the configuration process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种汇聚分流设备的管控方法、装置及存储介质。该管控方法包括：获取汇聚分流设备上报的流量时序特征数据，该流量时序特征数据用于反映汇聚分流设备连接的各网元基于设定时间粒度的统计特征；基于流量时序特征数据和预先训练的网元识别模型确定汇聚分流设备上存在变化的网元识别结果；基于网元识别结果更新汇聚分流设备的配置参数。本申请实施例可以自动确定汇聚分流设备上存在变化的网元识别结果，并基于该网元识别结果更新汇聚分流设备的配置参数，可以有效地降低汇聚分流设备运行维护过程中对人工维护和专业经验的依赖性，提升运行维护效率。
Description
技术领域
本申请涉及汇聚分流领域，尤其涉及一种汇聚分流设备的管控方法、装置及存储介质。
背景技术
随着网络数据的海量扩展及业务多元化的应用场景的涌现，网络安全及网络管理要求的越来越高，往往需要在网络中设置汇聚分流设备进行业务分类等管理，例如，在IDC(Internet Data Center，互联网数据中心)的出口区域或者其他位置部署汇聚分流设备，可以通过旁路部署等方式接入现网原始流量，该汇聚分流设备可以集流量过滤、同源同宿、负载均衡等功能于一体，为后端业务系统提供高效、安全的数据。
相关技术中，网络中运行着大量的汇聚分流设备，但是没有统一的管控系统对这些设备进行集中管理和运维，导致现有网络中存在很多数据业务痛点，比如无法对端口等状态信息进行监控；且网络配置更新时，需要运维人员通过手工方式到现场进行操作，导致维护效率低下，此外，由于设备规模的不断增加，手动配置变得非常复杂，亦会增加出错的概率。
发明内容
有鉴于此，本申请实施例提供了一种汇聚分流设备的管控方法、装置及存储介质，旨在有效提高汇聚分流设备的管控效率，降低维护成本。
本申请实施例的技术方案是这样实现的：
本申请实施例提供了一种汇聚分流设备的管控方法，包括：
获取汇聚分流设备上报的流量时序特征数据，所述流量时序特征数据用于反映所述汇聚分流设备连接的各网元基于设定时间粒度的统计特征；
基于所述流量时序特征数据和预先训练的网元识别模型确定所述汇聚分流设备上存在变化的网元识别结果；
基于所述网元识别结果更新所述汇聚分流设备的配置参数。
上述方案中，所述流量时序特征数据包括以下至少之一：源IP(互联网协议)地址、源端口、目的IP地址、目的端口及流量大小；所述基于所述流量时序特征数据和预先训练的网元识别模型确定所述汇聚分流设备上存在变化的网元识别结果，包括：
基于上一历史时段的流量时序特征数据和所述网元识别模型确定所述汇聚分流设备上一历史时段的网元及各网元的网元类型；
基于当前的流量时序特征数据和所述网元识别模型确定所述汇聚分流设备当前的网元及各网元的网元类型；
基于所述汇聚分流设备上一历史时段的网元及各网元的网元类型和所述汇聚分流设备当前的网元及各网元的网元类型确定所述汇聚分流设备上存在变化的网元识别结果。
上述方案中，所述基于所述网元识别结果更新所述汇聚分流设备的配置参数，包括：
基于所述网元识别结果和预先训练的各网元类型的关联规则模板确定所述汇聚分流设备待更新的关联规则；
基于所述待更新的关联规则更新所述汇聚分流设备的配置参数。
上述方案中，所述方法还包括：
基于所述汇聚分流设备历史上报的流量时序特征数据和预先设定的规则库构建样本集；
基于关联规则学习方法对所述样本集进行训练，确定各网元类型的关联规则模板。
上述方案中，所述基于关联规则学习方法对所述样本集进行训练，确定各网元类型的关联规则模板，包括：
根据置信度、支持度及提升度中的至少一种，对所述样本集基于关联规则学习方法进行训练，确定各网元类型的关联规则模板。
上述方案中，所述根据置信度、支持度及提升度中的至少一种，对所述样本集基于关联规则学习方法进行训练，确定各网元类型的关联规则模板，包括：
根据置信度、支持度及提升度中的至少一种，基于关联规则学习方法对所述样本集进行关联规则训练，得到频繁项集；
对所述频繁项集基于组合生成新的样本集，并基于关联规则学习方法对所述新的样本集进行关联规则训练，得到新的频繁项集；直至训练终止，得到最新的频繁项集，并将所述最新的频繁项集作为所述网元类型的关联规则模板。
上述方案中，所述基于所述待更新的关联规则更新所述汇聚分流设备的配置参数，包括以下至少之一：
基于新增网元的关联规则发送第一配置信息给所述汇聚分流设备；
基于删除网元的关联规则发送第二配置信息给所述汇聚分流设备；
其中，所述第一配置信息用于所述汇聚分流设备添加所述新增网元的关联规则；所述第二配置信息用于所述汇聚分流设备删减所述删除网元的关联规则。
上述方案中，所述方法还包括：
对所述汇聚分流设备历史上报的流量时序特征数据进行样本训练，得到所述网元识别模型。
本申请实施例还提供了一种汇聚分流设备的管控装置，包括：
获取模块，用于获取汇聚分流设备上报的流量时序特征数据，所述流量时序特征数据用于反映所述汇聚分流设备连接的各网元基于设定时间粒度的统计特征；
网元识别模块，用于基于所述流量时序特征数据和预先训练的网元识别模型确定所述汇聚分流设备上存在变化的网元识别结果；
配置更新模块，用于基于所述网元识别结果更新所述汇聚分流设备的配置参数。
本申请实施例又提供了一种汇聚分流设备的管控平台，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本申请实施例所述方法的步骤。
本申请实施例还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本申请实施例所述方法的步骤。
本申请实施例提供的技术方案，获取汇聚分流设备上报的流量时序特征数据，该流量时序特征数据用于反映汇聚分流设备连接的各网元基于设定时间粒度的统计特征；基于流量时序特征数据和预先训练的网元识别模型确定汇聚分流设备上存在变化的网元识别结果；基于网元识别结果更新汇聚分流设备的配置参数。本申请实施例可以自动确定汇聚分流设备上存在变化的网元识别结果，并基于该网元识别结果更新汇聚分流设备的配置参数，可以有效地降低汇聚分流设备运行维护过程中对人工维护和专业经验的依赖性，提升运行维护效率。
附图说明
图1为本申请实施例管控平台应用的网络架构的结构示意图；
图2为本申请实施例汇聚分流设备的管控方法的流程示意图；
图3为一应用示例中汇聚分流设备的流量时序特征分布示意图；
图4为一应用示例中新增网元的流量时序特征分布示意图；
图5为一应用示例中基于关联规则学习的原理示意图；
图6为一应用示例管控平台的管控方法的原理示意图；
图7为本申请实施例管控装置的结构示意图；
图8为本申请实施例管控平台的结构示意图。
具体实施方式
下面结合附图及实施例对本申请再作进一步详细的描述。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
相关技术中，汇聚分流设备由于没有统一的管控系统进行集中管理和运维，导致现有网络中存在很多数据业务痛点，比如无法对端口等状态信息进行监控；且网络配置更新时，需要运维人员通过手工方式到现场进行操作，导致维护效率低下。例如，由于人工手动下发数据配置规则时，往往不能准确的分析数据、规则之间的关联或限制，由于无法识别这些数据中的核心特征，导致整体的维护效率低下。此外，由于设备规模的不断增加，手动配置变得非常复杂，亦会增加出错的概率。
基于此，本申请各种实施例中，提出了一种对汇聚分流设备集中管控的管控系统(又称为管控平台)。图1示出了该管控平台应用的网络架构的结构示意图，如图1所示，该网络架构包括：汇聚分流设备、智能管控平台、网元1、网元2，汇聚分流设备可以实时采集网元1、网元2的流量数据，且汇聚分流设备可以经标准管控接口连接智能管控平台，以将采集的流量数据传递给智能管控平台。
可以理解的是，实际应用中，汇聚分流设备连接的网元设备可以不限于网元1、网元2。智能管控平台连接的汇聚分流设备可以为一台以上，且不同厂家的汇聚分流设备可以经标准管控接口连接智能管控平台，从而打破不同厂家的汇聚分流设备的管控壁垒。
本申请实施例提供了一种汇聚分流设备的管控方法，该管控方法应用于上述的智能管控平台，如图2所示，该管控方法包括：
步骤201，获取汇聚分流设备上报的流量时序特征数据，所述流量时序特征数据用于反映所述汇聚分流设备连接的各网元基于设定时间粒度的统计特征。
可以理解的是，汇聚分流设备可以将网络中多个接口的原始流量数据实时进行汇聚、分析、统计等操作。示例性地，汇聚分流设备的各接口采集的流量数据为Flow-Level(流级别)流量数据。Flow-Level流量数据主要关注流(flow)的特征及其到达过程。该Flow-Level流量数据的外层IP(互联网协议)可以为：源IP地址、源端口、目的IP地址、目的端口、应用协议组成的五元组。
这里，汇聚分流设备可以将其连接的各网元的流量数据基于设定时间粒度生成流量时序特征数据。该设定时间粒度可以为每小时、每天、每周等，本领域技术人员可以根据需求进行合理设定，本申请对此不做限定。
可以理解的是，不同的网元发送的数据报文携带的源IP、端口号、目的IP、目的端口号等信息是不相同的，可以通过提取外层IP中的源IP信息进行分类，针对不同IP对应的数据报文进行统计，得到相应的流量时序特征数据。例如，假定时间粒度为每小时，对不同IP网元上报的数据流进行汇总统计分析，每当匹配到相同IP的网元时，上报该数据流信息进行一次计数统计，若在一小时内该网元数据流匹配成功H次，则基于流量大小H次生成该网元的流量时序特征数据，即统计特征可以为网元的数据流上报次数。
在一些实施例中，汇聚分流设备可以将采集的各网元的流量数据基于过滤规则进行过滤处理，基于过滤后的流量数据统计生成流量时序特征数据。例如，考虑到上行数据是用户主动行为产生的，是分析及后续应用的重点，下行数据是响应用户行为发送的数据，分析意义不大，汇聚分流设备可以基于路由规则，将各端口的下行数据过滤掉，保留各端口的上行数据。
步骤202，基于所述流量时序特征数据和预先训练的网元识别模型确定所述汇聚分流设备上存在变化的网元识别结果。
示例性地，该流量时序特征数据包括以下至少之一：源IP地址、源端口、目的IP地址、目的端口及流量大小；所述基于所述流量时序特征数据和预先训练的网元识别模型确定所述汇聚分流设备上存在变化的网元识别结果，包括：
基于上一历史时段的流量时序特征数据和所述网元识别模型确定所述汇聚分流设备上一历史时段的网元及各网元的网元类型；
基于当前的流量时序特征数据和所述网元识别模型确定所述汇聚分流设备当前的网元及各网元的网元类型；
基于所述汇聚分流设备上一历史时段的网元及各网元的网元类型和所述汇聚分流设备当前的网元及各网元的网元类型确定所述汇聚分流设备上存在变化的网元识别结果。
举例来说，设定时间粒度为每小时，智能管控平台可以基于汇聚分流设备上一小时上报的流量时序特征数据确定上一小时的网元及各网元的类型，智能管控平台还可以基于汇聚分流设备当前上报的流量时序特征数据确定当前的网元及网元类型，从而可以确定出汇聚分流设备上新增和/或删减的网元及其网元类型。
实际应用中，可以对汇聚分流设备历史上报的流量时序特征数据进行样本训练，得到所述网元识别模型。
可以理解的是，基于机器学习算法，例如，支持向量机(Support Vector Machine，SVM)、决策树(Decision Tree)、朴素贝叶斯分类(Naive Bayesian classification)、k-近邻算法(K-Nearest Neighbor，KNN)等对设定时间粒度的历史的流量时序特征数据进行监督学习训练，得到网元识别模型，该网元识别模型可以对汇聚分流设备上报的流量时序特征数据进行网元识别。
示例性地，汇聚分流设备上报的流量时序特征数据如表1所示。
表1数据特征集
| 端口标识 | 源IP地址 | 目的地址 | Traffic | …… |
| 1001 | 192.168.10.1 | 192.168.10.3 | 5000 | …… |
| 2001 | 192.168.11.1 | 192.168.11.6 | 10000 | …… |
| 3001 | 192.168.31.1 | 192.168.31.3 | 3000 | …… |
| ...… | ...… | ...… | ...… | ...… |
其中，端口标识可以为源端口的标识，Traffic为流量大小。
示例性地，可以基于网元识别模型确定的特征数据对应的网元类型，为特征数据添加网元类型的标签。基于历史的流量时序特征数据建立的带有网元类型的样本数据集如表2所示。
表2标签特征集
| 端口标识 | 源IP地址 | 目的地址 | Traffic | 网元类型 |
| 1001 | 192.168.10.1 | 192.168.10.3 | 5000 | AMF |
| 2001 | 192.168.11.1 | 192.168.11.6 | 10000 | SMF |
| 3001 | 192.168.31.1 | 192.168.31.3 | 3000 | AUSF |
| …… | ...… | ...… | ...… | ...… |
可以理解的是，网元类型包括但不限于：AMF(Access and Mobility ManagementFunction，接入及移动性管理功能)网元、SMF(Session Management Function，会话管理功能)网元、AUSF(Authentication Server Function，鉴权服务功能)网元、UDM(UnifiedData Management，统一数据管理功能)网元等。
示例性地，网元识别结果可以为存在变化的网元及各网元的网元类型，例如，汇聚分流设备上新增网元及对应的网元类型和/或删减网元及对应的网元类型等。
步骤203，基于所述网元识别结果更新所述汇聚分流设备的配置参数。
示例性地，智能管控平台可以基于网元识别结果，更新汇聚设备上存在变化的网元对应的配置参数。具体地，可以基于存在变化的网元的网元类型配对对应的配置参数。
本申请实施例中，智能管控平台可以自动确定汇聚分流设备上存在变化的网元识别结果，并基于该网元识别结果更新汇聚分流设备的配置参数，可以有效地降低汇聚分流设备运行维护过程中对人工维护和专业经验的依赖性，提升运行维护效率。
示例性地，智能管控平台可以基于汇聚分流设备上报的流量时序特征数据，统计汇聚分流设备上各网元的流量数据。例如，汇聚分流设备上存在多个网元的不同流量数据的统计信息，比如，统计网元1的数据流累计上报为a1(即网元1的流量大小为a1)、网元2的数据流累计上报为a2(即网元2的流量大小为a2)、网元3的数据流累计上报为a3((即网元3的流量大小为a3)，则智能管控平台可以将同一时间段内的a1+a2+a3进行累加，从而得到该汇聚分流设备对应的总流量大小，得到该汇聚分流设备的整体的流量时序特征数据。
一应用示例中，汇聚分流设备的流量时序特征分布如图3所示，基于该流量时序特征分布可以确定存在差异的流量时序特征数据，其中，横坐标代表时间，纵坐标代表流量大小。例如，以网元扩容为例，智能管控平台确定的新增网元的流量时序特征分布如图4所示，其中，横坐标代表时间，纵坐标代表流量大小。
在一些实施例中，所述基于所述网元识别结果更新所述汇聚分流设备的配置参数，包括：
基于所述网元识别结果和预先训练的各网元类型的关联规则模板确定所述汇聚分流设备待更新的关联规则；
基于所述待更新的关联规则更新所述汇聚分流设备的配置参数。
示例性地，可以根据存在变化的网元的网元类型和预先训练的各网元类型的关联规则模板，确定存在变化的网元对应的关联规则模板，进而确定存在变化的网元的关联规则，并基于该关联规则更新汇聚分流设备的配置参数。
这里，关联规则(Association Rules)是反映一个事物与其他事物之间的相互依存性和关联性，是数据挖掘的一个重要技术，用于从大量数据中挖掘出有价值的数据项之间的相关关系。各网元类型的关联规则模板是指各网元类型的关联规则的集合。
实际应用中，需要预先训练各网元类型的关联规则模板，具体包括：
基于所述汇聚分流设备历史上报的流量时序特征数据和预先设定的规则库构建样本集；
基于关联规则学习方法对所述样本集进行训练，确定各网元类型的关联规则模板。
示例性地，关联规则学习方法可以为Apriori、FP-Growth、PrefixSpan、SPADE、AprioriAll、Apriori-Some等，本申请对此不做限定。
示例性地，所述基于关联规则学习方法对所述样本集进行训练，确定各网元类型的关联规则模板，包括：
根据置信度、支持度及提升度中的至少一种，对所述样本集基于关联规则学习方法进行训练，确定各网元类型的关联规则模板。
这里，置信度是指一个数据出现后，另一个数据出现的概率，或者说数据的条件概率。支持度是指几个关联的数据在数据集中出现的次数占总数据集的比重。提升度是指表示含有Y的条件下，同时含有X的概率，与X总体发生的概率之比。
示例性地，所述根据置信度、支持度及提升度中的至少一种，对所述样本集基于关联规则学习方法进行训练，确定各网元类型的关联规则模板，包括：
根据置信度、支持度及提升度中的至少一种，基于关联规则学习方法对所述样本集进行关联规则训练，得到频繁项集；
对所述频繁项集基于组合生成新的样本集，并基于关联规则学习方法对所述新的样本集进行关联规则训练，得到新的频繁项集；直至训练终止，得到最新的频繁项集，并将最新的频繁项集作为所述网元类型的关联规则模板。
可以理解的是，可以基于置信度、支持度及提升度中的至少一种来训练得到频繁项集。
需要说明的是，汇聚分流设备的预设设定的规则库可以为该汇聚分流设备的历史规则信息。可选地，可以基于需求人工对该规则库进行动态配置，本申请对此不做限定。
可以理解的是，汇聚分流设备的规则信息可以为多个规则项，规则项构成的集合称为“项集”，比如{规则1}、{规则2}都是1项集，{规则1，规则2}是2项集，依此类推，{规则1，规则2，规则3，…，规则m}组成m项集。关联规则是寻找在同一个事件中出现的不同规则项的相关性，并学习到某种规律性，如表3示例，示例出各关联规则模板中的规则相关性。
表3规则相关性
| 编号 | 规则1 | 规则2 | 规则3 | 规则4 |
| T1 | 1 | 0 | 1 | 1 |
| T2 | 1 | 1 | 1 | 0 |
| T3 | 1 | 1 | 0 | 1 |
| T4 | 0 | 1 | 1 | 1 |
| T5 | 1 | 1 | 0 | 0 |
| T6 | 0 | 1 | 0 | 1 |
| T7 | 0 | 0 | 1 | 1 |
| T8 | 1 | 0 | 0 | 1 |
| T9 | 1 | 1 | 1 | 1 |
其中，编号为基于规则构建的关联规则模板编号。
示例性地，关联规则模板和网元类型的对应关系如表4所示。
表4关联规则模板和网元类型的对应关系
| 编号 | 规则1 | 规则2 | 规则3 | 规则4 | 网元类型(X) |
| T1 | 1 | 0 | 1 | 1 | SMF |
| T2 | 1 | 1 | 1 | 0 | AMF |
| T3 | 1 | 1 | 0 | 1 | AUSF |
| T4 | 0 | 1 | 1 | 1 | UDM |
| T5 | 1 | 1 | 0 | 0 | AMF |
| T6 | 0 | 1 | 0 | 1 | AUSF |
示例性地，如表4所示，SMF的关联规则模板为模板T1，模板T1的关联规则包括：规则1、规则3及规则4；AMF的关联规则模板为模板T2和T5，模板T2的关联规则包括：规则1、规则2及规则3，模板T5的关联规则包括：规则1及规则2；AUSF的关联规则模板为模板T3和T6，模板T3的关联规则包括：规则1、规则2及规则4，模板T6的关联规则包括：规则2及规则4；UDM的关联规则模板为模板T4，模板T4的关联规则包括：规则2、规则3及规则4。
示例性地，规则和某个网元的关联可以称为样本集中的一个样本，每个网元可由多个规则进行关联，一个项集或规则既在所有网元中出现的频率可以认为是支持度的含义。规则m＝＝>X表示规则集m对网元X的支持度。
示例性地，如图5所示，在一应用示例中，选取汇聚分流设备的预设规则库中的1000条规则，定义不同规则的集合，由规则的集合生成样本集M1，基于关联规则学习方法由M1通过支持度过滤进行样本训练，生成频繁项集L1。将L1的数据项进行拼接得到M2，M2中是由部分或全部的规则项和M1组合成的。从M2开始，通过支持度过生成L2，相同动作一直持续到数据集都进行了关联规则训练为止，根据以上发现各网元类型的关联规则模板。
可以理解的是，基于关联规则学习的结果，可以得到各网元类型的关联规则模板，将网元类型和关联规则模板组合在一起，提高了数据的利用率。此外，基于关联规则学习记录各流量数据之间的潜在关系，可以对不同的规则具有良好的适应性。智能管控平台可以基于关联规则学习获取网元类型的关联规则模板，从而对各网元类型的网元设备进行对应的关联规则的组合下发。
示例性地，所述基于所述关联规则更新所述汇聚分流设备的配置参数，包括以下至少之一：
基于新增网元的关联规则发送第一配置信息给所述汇聚分流设备；
基于删除网元的关联规则发送第二配置信息给所述汇聚分流设备；
其中，所述第一配置信息用于所述汇聚分流设备添加所述新增网元的关联规则；所述第二配置信息用于所述汇聚分流设备删减所述删除网元的关联规则。
下面结合应用实施例对本申请再作进一步详细的描述。
如图6所示，本应用示例中，智能管控平台获取汇聚分流设备上报的流量时序特征数据，并将流量时序特征数据导入网元识别模型，识别出该汇聚分流设备上存在变化的网元识别结果，例如，增加和/或删减的网元及各网元的网元类型；接着，将该网元识别结果作为自动配置规则的关联条件，基于关联规则学习方法预先训练确定的各网元类型的关联规则模板，即提取出网元类型与规则之间的关联关系，基于该关联规则更新汇聚分流设备的配置参数。
为了实现本申请实施例的方法，本申请实施例还提供一种汇聚分流设备的管控装置，该汇聚分流设备的管控装置与上述汇聚分流设备的管控方法对应，上述汇聚分流设备的管控方法实施例中的各步骤也完全适用于本汇聚分流设备的管控装置实施例。
如图7所示，该管控装置包括：获取模块701、网元识别模块702及配置更新模块703，获取模块701用于获取汇聚分流设备上报的流量时序特征数据，所述流量时序特征数据用于反映所述汇聚分流设备连接的各网元基于设定时间粒度的统计特征；网元识别模块702用于基于所述流量时序特征数据和预先训练的网元识别模型确定所述汇聚分流设备上存在变化的网元识别结果；配置更新模块703用于基于所述网元识别结果更新所述汇聚分流设备的配置参数。
在一些实施例中，所述流量时序特征数据包括以下至少之一：源IP地址、源端口、目的IP地址、目的端口及流量大小；网元识别模块702具体用于：
基于上一历史时段的流量时序特征数据和所述网元识别模型确定所述汇聚分流设备上一历史时段的网元及各网元的网元类型；
基于当前的流量时序特征数据和所述网元识别模型确定所述汇聚分流设备当前的网元及各网元的网元类型；
基于所述汇聚分流设备上一历史时段的网元及各网元的网元类型和所述汇聚分流设备当前的网元及各网元的网元类型确定所述汇聚分流设备上存在变化的网元识别结果。
在一些实施例中，配置更新模块703具体用于：
基于所述网元识别结果和预先训练的各网元类型的关联规则模板确定所述汇聚分流设备待更新的关联规则；
基于所述待更新的关联规则更新所述汇聚分流设备的配置参数。
在一些实施例中，配置更新模块703还用于：
基于所述汇聚分流设备历史上报的流量时序特征数据和预先设定的规则库构建样本集；
基于关联规则学习方法对所述样本集进行训练，确定各网元类型的关联规则模板。
在一些实施例中，配置更新模块703基于关联规则学习方法对所述样本集进行训练，确定各网元类型的关联规则模板，包括：
根据置信度、支持度及提升度中的至少一种，对所述样本集基于关联规则学习方法进行训练，确定各网元类型的关联规则模板。
在一些实施例中，配置更新模块703根据置信度、支持度及提升度中的至少一种，对所述样本集基于关联规则学习方法进行训练，确定各网元类型的关联规则模板，包括：
根据置信度、支持度及提升度中的至少一种，基于关联规则学习方法对所述样本集进行关联规则训练，得到频繁项集；
对所述频繁项集基于组合生成新的样本集，并基于关联规则学习方法对所述新的样本集进行关联规则训练，得到新的频繁项集；直至训练终止，得到最新的频繁项集，并将所述最新的频繁项集作为所述网元类型的关联规则模板。
在一些实施例中，配置更新模块703基于所述关联规则更新所述汇聚分流设备的配置参数，包括以下至少之一：
基于新增网元的关联规则发送第一配置信息给所述汇聚分流设备；
基于删除网元的关联规则发送第二配置信息给所述汇聚分流设备；
其中，所述第一配置信息用于所述汇聚分流设备添加所述新增网元的关联规则；所述第二配置信息用于所述汇聚分流设备删减所述删除网元的关联规则。
在一些实施例中，该管控装置还包括：
训练模块704，用于对所述汇聚分流设备历史上报的流量时序特征数据进行样本训练，得到所述网元识别模型。
实际应用时，获取模块701、网元识别模块702、配置更新模块703及训练模块704，可以由管控装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
需要说明的是：上述实施例提供的汇聚分流设备的管控装置在进行汇聚分流设备的管控时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的汇聚分流设备的管控装置与汇聚分流设备的管控方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
基于上述程序模块的硬件实现，且为了实现本申请实施例的方法，本申请实施例还提供一种管控平台(即前述的智能管控平台)。图8仅仅示出了该管控平台的示例性结构而非全部结构，根据需要可以实施图8示出的部分结构或全部结构。
如图8所示，本申请实施例提供的管控平台800包括：至少一个处理器801、存储器802、用户接口803和至少一个网络接口804。管控平台800中的各个组件通过总线系统805耦合在一起。可以理解，总线系统805用于实现这些组件之间的连接通信。总线系统805除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为总线系统805。
其中，用户接口803可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
本申请实施例中的存储器802用于存储各种类型的数据以支持管控平台的操作。这些数据的示例包括：用于在管控平台上操作的任何计算机程序。
本申请实施例揭示的汇聚分流设备的管控方法可以应用于处理器801中，或者由处理器801实现。处理器801可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，汇聚分流设备的管控方法的各步骤可以通过处理器801中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器801可以是通用处理器、数字信号处理器(DSP，DigitalSignal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器801可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器802，处理器801读取存储器802中的信息，结合其硬件完成本申请实施例提供的汇聚分流设备的管控方法的步骤。
在示例性实施例中，管控平台可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程逻辑门阵列(FPGA，Field Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。
可以理解，存储器802可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本申请实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在示例性实施例中，本申请实施例还提供了一种存储介质，即计算机存储介质，具体可以是计算机可读存储介质，例如包括存储计算机程序的存储器802，上述计算机程序可由管控平台的处理器801执行，以完成本申请实施例方法所述的步骤。计算机可读存储介质可以是ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
另外，本申请实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请披露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种汇聚分流设备的管控方法，其特征在于，包括：
获取汇聚分流设备上报的流量时序特征数据，所述流量时序特征数据用于反映所述汇聚分流设备连接的各网元基于设定时间粒度的统计特征；
基于所述流量时序特征数据和预先训练的网元识别模型确定所述汇聚分流设备上存在变化的网元识别结果；
基于所述网元识别结果更新所述汇聚分流设备的配置参数。
2.根据权利要求1所述的方法，其特征在于，所述流量时序特征数据包括以下至少之一：源IP地址、源端口、目的IP地址、目的端口及流量大小；所述基于所述流量时序特征数据和预先训练的网元识别模型确定所述汇聚分流设备上存在变化的网元识别结果，包括：
基于上一历史时段的流量时序特征数据和所述网元识别模型确定所述汇聚分流设备上一历史时段的网元及各网元的网元类型；
基于当前的流量时序特征数据和所述网元识别模型确定所述汇聚分流设备当前的网元及各网元的网元类型；
基于所述汇聚分流设备上一历史时段的网元及各网元的网元类型和所述汇聚分流设备当前的网元及各网元的网元类型确定所述汇聚分流设备上存在变化的网元识别结果。
3.根据权利要求1所述的方法，其特征在于，所述基于所述网元识别结果更新所述汇聚分流设备的配置参数，包括：
基于所述网元识别结果和预先训练的各网元类型的关联规则模板确定所述汇聚分流设备待更新的关联规则；
基于所述待更新的关联规则更新所述汇聚分流设备的配置参数。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
基于所述汇聚分流设备历史上报的流量时序特征数据和预先设定的规则库构建样本集；
基于关联规则学习方法对所述样本集进行训练，确定各网元类型的关联规则模板。
5.根据权利要求4所述的方法，其特征在于，所述基于关联规则学习方法对所述样本集进行训练，确定各网元类型的关联规则模板，包括：
根据置信度、支持度及提升度中的至少一种，对所述样本集基于关联规则学习方法进行训练，确定各网元类型的关联规则模板。
6.根据权利要求5所述的方法，其特征在于，所述根据置信度、支持度及提升度中的至少一种，对所述样本集基于关联规则学习方法进行训练，确定各网元类型的关联规则模板，包括：
根据置信度、支持度及提升度中的至少一种，基于关联规则学习方法对所述样本集进行关联规则训练，得到频繁项集；
对所述频繁项集基于组合生成新的样本集，并基于关联规则学习方法对所述新的样本集进行关联规则训练，得到新的频繁项集；直至训练终止，得到最新的频繁项集，并将所述最新的频繁项集作为所述网元类型的关联规则模板。
7.根据权利要求3所述的方法，其特征在于，所述基于所述待更新的关联规则更新所述汇聚分流设备的配置参数，包括以下至少之一：
基于新增网元的关联规则发送第一配置信息给所述汇聚分流设备；
基于删除网元的关联规则发送第二配置信息给所述汇聚分流设备；
其中，所述第一配置信息用于所述汇聚分流设备添加所述新增网元的关联规则；所述第二配置信息用于所述汇聚分流设备删减所述删除网元的关联规则。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述汇聚分流设备历史上报的流量时序特征数据进行样本训练，得到所述网元识别模型。
9.一种汇聚分流设备的管控装置，其特征在于，包括：
获取模块，用于获取汇聚分流设备上报的流量时序特征数据，所述流量时序特征数据用于反映所述汇聚分流设备连接的各网元基于设定时间粒度的统计特征；
网元识别模块，用于基于所述流量时序特征数据和预先训练的网元识别模型确定所述汇聚分流设备上存在变化的网元识别结果；
配置更新模块，用于基于所述网元识别结果更新所述汇聚分流设备的配置参数。
10.一种汇聚分流设备的管控平台，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，
所述处理器，用于运行计算机程序时，执行权利要求1至8任一项所述方法的步骤。
11.一种存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110638820.3A CN115529232A (zh) | 2021-06-08 | 2021-06-08 | 汇聚分流设备的管控方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110638820.3A CN115529232A (zh) | 2021-06-08 | 2021-06-08 | 汇聚分流设备的管控方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115529232A true CN115529232A (zh) | 2022-12-27 |
Family
ID=84693829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110638820.3A Pending CN115529232A (zh) | 2021-06-08 | 2021-06-08 | 汇聚分流设备的管控方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115529232A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116668380A (zh) * | 2023-07-28 | 2023-08-29 | 北京中科网芯科技有限公司 | 汇聚分流器设备的报文处理方法及装置 |
| CN116996527A (zh) * | 2023-09-25 | 2023-11-03 | 北京中科网芯科技有限公司 | 一种汇聚分流器数据同步的方法及存储介质 |
| CN117014382A (zh) * | 2023-10-07 | 2023-11-07 | 北京中科网芯科技有限公司 | 基于汇聚分流设备的数据流处理系统及其方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495851A (zh) * | 2011-11-17 | 2012-06-13 | 百度在线网络技术（北京）有限公司 | 时序数据的存储和查询方法、系统及装置 |
| CN108737177A (zh) * | 2018-05-21 | 2018-11-02 | 中国联合网络通信有限公司重庆市分公司 | 一种移动互联网实时流数据采集及分析的实现方法 |
| CN110831029A (zh) * | 2018-08-13 | 2020-02-21 | 华为技术有限公司 | 一种模型的优化方法和分析网元 |
| CN112861894A (zh) * | 2019-11-27 | 2021-05-28 | 华为技术有限公司 | 一种数据流分类方法、装置及系统 |
-
2021
- 2021-06-08 CN CN202110638820.3A patent/CN115529232A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495851A (zh) * | 2011-11-17 | 2012-06-13 | 百度在线网络技术（北京）有限公司 | 时序数据的存储和查询方法、系统及装置 |
| CN108737177A (zh) * | 2018-05-21 | 2018-11-02 | 中国联合网络通信有限公司重庆市分公司 | 一种移动互联网实时流数据采集及分析的实现方法 |
| CN110831029A (zh) * | 2018-08-13 | 2020-02-21 | 华为技术有限公司 | 一种模型的优化方法和分析网元 |
| CN112861894A (zh) * | 2019-11-27 | 2021-05-28 | 华为技术有限公司 | 一种数据流分类方法、装置及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 王雪荣;王素彬;: "5G时代汇聚分流技术及其设备的演进变化", 广东通信技术, no. 05, 15 May 2020 (2020-05-15), pages 39 - 42 * |
| 郭庆;朱一凡;谢莹莹;张榆;陈小兵;: "面向大规模网络流量数据的实时汇聚查询关键技术研究", 小型微型计算机系统, no. 06, 29 May 2020 (2020-05-29), pages 196 - 202 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116668380A (zh) * | 2023-07-28 | 2023-08-29 | 北京中科网芯科技有限公司 | 汇聚分流器设备的报文处理方法及装置 |
| CN116668380B (zh) * | 2023-07-28 | 2023-10-03 | 北京中科网芯科技有限公司 | 汇聚分流器设备的报文处理方法及装置 |
| CN116996527A (zh) * | 2023-09-25 | 2023-11-03 | 北京中科网芯科技有限公司 | 一种汇聚分流器数据同步的方法及存储介质 |
| CN116996527B (zh) * | 2023-09-25 | 2023-12-12 | 北京中科网芯科技有限公司 | 一种汇聚分流器数据同步的方法及存储介质 |
| CN117014382A (zh) * | 2023-10-07 | 2023-11-07 | 北京中科网芯科技有限公司 | 基于汇聚分流设备的数据流处理系统及其方法 |
| CN117014382B (zh) * | 2023-10-07 | 2023-12-29 | 北京中科网芯科技有限公司 | 基于汇聚分流设备的数据流处理系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115529232A (zh) | 汇聚分流设备的管控方法、装置及存储介质 | |
| CN111767143B (zh) | 交易数据处理方法、装置、设备及系统 | |
| CN110515912A (zh) | 日志处理方法、装置、计算机装置及计算机可读存储介质 | |
| CN109948641A (zh) | 异常群体识别方法及装置 | |
| CA2239679A1 (en) | A method and apparatus for forecasting future values of a time series | |
| US11422831B2 (en) | Application cleaning method, storage medium and electronic device | |
| CN109118615A (zh) | 一种智能楼宇管理方法、服务器、介质及系统 | |
| CN111382334B (zh) | 一种数据处理方法、装置、计算机以及可读存储介质 | |
| CN113485792B (zh) | 一种kubernetes集群内Pod调度方法、终端设备及存储介质 | |
| WO2020140624A1 (zh) | 从日志中提取数据的方法和相关设备 | |
| CN111160793A (zh) | 一种服务网点自助设备数量的配置方法、装置及设备 | |
| CN111782672B (zh) | 多领域数据管理方法及相关装置 | |
| CN105550361B (zh) | 日志处理方法及装置和问答信息处理方法及装置 | |
| CN108710644A (zh) | 一种关于政务大数据处理方法 | |
| EP3446261A1 (en) | Predicting timely completion of a work order | |
| CN113688490A (zh) | 网络共建共享处理方法、装置、设备及存储介质 | |
| CN114157679A (zh) | 基于云原生分布式应用监控方法、装置、设备及介质 | |
| CN111585798A (zh) | 一种网络资源参数配置方法、装置和计算机可读存储介质 | |
| CN112711582A (zh) | 一种数据源清洗集成化主数据管理平台 | |
| CN113448747B (zh) | 数据传输方法、装置、计算机设备和存储介质 | |
| CN114116908A (zh) | 一种数据管理方法、装置及电子设备 | |
| EP0883067A1 (en) | A method and apparatus for determining how many input values of a time series of data are required for forecasting a future value of the time series | |
| Mijumbi et al. | MAYOR: machine learning and analytics for automated operations and recovery | |
| CN109040990B (zh) | 信息采集方法、装置、计算机设备及存储介质 | |
| CN111522802A (zh) | 一种通信分级管理系统 |
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 |