CN116506307B - 全链路的网络延时情况分析系统 - Google Patents
全链路的网络延时情况分析系统 Download PDFInfo
- Publication number
- CN116506307B CN116506307B CN202310738143.1A CN202310738143A CN116506307B CN 116506307 B CN116506307 B CN 116506307B CN 202310738143 A CN202310738143 A CN 202310738143A CN 116506307 B CN116506307 B CN 116506307B
- Authority
- CN
- China
- Prior art keywords
- delay
- wolf
- link
- network
- full
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 241000282461 Canis lupus Species 0.000 claims description 90
- 238000005070 sampling Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 23
- 241000282421 Canidae Species 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012804 iterative process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 2
- 241000544061 Cuculus canorus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—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
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及通信技术领域,尤其为全链路的网络延时情况分析系统,包括:链路监控模块:用于监控全链路并搭建全链路模型;数据采集模块:用于搭建的全链路模型基于信息获取算法采集全链路数据;延时分析模块:用于对全链路进行网络延时情况分析;延时告警模块:用于根据网络延时情况分析结果进行延时告警。本发明通过神经网络对全链路网络延时进行预测,解决了网络传输延时过长的问题。且使用戳技术对延时进行记录和预测,减少了平均误差,也在一定程度上提高了拟合率。且通过LMS算法对进行预测,提高了系统负载率。通过灰狼‑布谷鸟算法进行寻优,在迭代过程中对种群位置进行扰动更新,可有效增加种群多样性,平衡算法的全局与局部搜索能力。
Description
技术领域
本发明涉及通信技术领域,尤其是全链路的网络延时情况分析系统。
背景技术
链路可以分为业务链路和调用链路,调用链路主要指从请求发起方到结果返回所途径各种服务/中间件产生的路径,可以理解为单系统下的某一功能模块。而业务链路则是多个业务关联的场景组合产生的链路调用集合,例如淘宝添加购物车->提交订单->支付这个场景,所以全链路必然包含多个业务关联场景涉及的调用链路。
全链路的网络控制中,控制环路中的信息是通过普通系统网络传输的,可传输信息的普通系统复杂且不易设计,导致信息传输慢、传输过程较为复杂。传统的全链路延时控制过程不能对系统的时间延迟进行准确预测,导致其存在拟合率低、网络传输延时过长和负载率低的问题。
发明内容
本发明的目的是通过提出全链路的网络延时情况分析系统,以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下:
提供全链路的网络延时情况分析系统,包括:
链路监控模块:用于监控全链路并搭建全链路模型;
数据采集模块:用于搭建的全链路模型基于信息获取算法采集全链路数据;
延时分析模块:用于对全链路进行网络延时情况分析;
延时告警模块:用于根据网络延时情况分析结果进行延时告警。
作为本发明的一种优选技术方案:所述链路监控模块搭建全链路并划分第一节点、第二节点及第三节点。
作为本发明的一种优选技术方案:所述数据采集模块在预设时间内按照信息获取算法获取全链路数据X,具体如下:
其中,λ表示第一系数,f表示单位时间内的数据采集特征值,Γ表示数据传输均值,μ表示第二系数,v表示数据第一条件,M表示数据第二条件,Mmax表示单位时间内的数据传输最大值,H表示信息存储量均值。
作为本发明的一种优选技术方案:所述延时分析模块设定采样周期,预设时间段,提取预设时间段内的全链路数据并设定时间标签。
作为本发明的一种优选技术方案:所述延时分析模块基于延时分析算法分别对各节点提取的全链路数据进行延时分析;所述延时分析算法基于线性神经网络对全链路的各节点提取的全链路数据进行延时分析,并基于灰狼-布谷鸟算法对各节点及各节点内的全链路数据权重进行寻优。
作为本发明的一种优选技术方案:所述延时分析算法中,提取预设时间段内第j个节点的三个采样周期实际测量的网络延时值,j=1,2,3,分别为第一网络延时值τk-1,第二网络延时值τk-2,第三网络延时值τk-3,并将三个网络延时值输入至线性神经网络;
预测目前采样周期的网络延时值τk,并将延时预测值记为具体如下:
其中,b为阈值,ω1、ω2、ω3分别为τk-1、τk-2、τk-3对应的权重;
通过LMS算法训练线性神经网络,线性神经网络的输入p(k)为:
p(k)=[τk-1,τk-2,τk-3]T
其中,T代表转置,训练误差方差如下:
其中,e(k)表示训练误差,k表示第k个采样周期,则为线性神经网络的实际输出;得到训练误差的方差梯度如下:
其中,i=1,2,3,ωi(k)表示第k个采样周期的ω1、ω2、ω3,b(k)为第k个采样周期的阈值,为第三系数;上述线性神经网络的输出即为当前节点的网络延时预测值。
作为本发明的一种优选技术方案:所述灰狼-布谷鸟算法中,设定训练误差方差为适应度函数,当训练误差方差最小时为适应度函数最优值,将α狼、β狼、γ狼的最优位置分别对应所述延时分析算法中的最优权重,通过寻优获取α狼、β狼、γ狼的适应度函数最优值,α狼、β狼、γ狼对应的位置即为第一网络延时值τk-1,第二网络延时值τk-2,第三网络延时值τk-3对应的权重。
作为本发明的一种优选技术方案:所述灰狼-布谷鸟算法具体如下:
捕食过程中灰狼搜寻猎物的行为如下所示:
D=|2r1Xp(t)-X(t)|
X(t+1)=Xp(t)-(2ar2-a)D
其中,D为猎物的距离,Xp(t)为第次算法迭代时猎物的位置,X(t)、X(t+1)分别为第t次算法迭代、第t+1次算法迭代时灰狼的位置,t为算法迭代次数;r1、r2为(0,1)间的随机向量,a为收敛因子;
其中,T为最大迭代次数;
发现猎物位置时,β狼和γ狼在α狼的带领下逐渐包围猎物,对于每一只狼,根据下式计算其位置更新方向:
Dα=|C1Xα-W|
Dβ=|C2Xβ-W|
Dγ=|C3Xγ-W|
X1=Xα-A1Dα
X2=Xβ-A2Dβ
X3=Xγ-A3Dγ
其中,Dα、Dβ、Dγ与其他个体间的距离;C1、C2、C3为随机变量,Xα、Xβ、Xγ分别为α狼、β狼、γ狼的当前位置,W为位置向量,X1、X2、X3分别为a狼、β狼和γ狼前进的补偿及方向,A1、A2、A3为系数向量;
根据下式综合判断灰狼个体向猎物的移动方向:
其中,Xg(t+1)为包围猎物过程中第t+1次算法迭代时灰狼个体更新的位置;
当猎物停止移动时,灰狼袭击猎物;通过莱维飞行进行灰狼袭击过程中灰狼个体的位置更新:
其中,Xh(t)、Xh(t+1)分别为第h个灰狼个体的当前位置、更新后位置;λ为个体位置的随机数;为点对点乘积;L(δ)为列维分布函数,δ为步长控制变量,n为灰狼个体数。
作为本发明的一种优选技术方案:所述延时分析模块中,当进行全链路的网络延时分析时,通过延时分析算法对全链路中的第一节点、第二节点及第三节点再次进行延时分析,并基于灰狼-布谷鸟算法对各节点的权重进行寻优,最终输出获得全链路的网络延时预测值。
作为本发明的一种优选技术方案:所述延时告警模块分别设定各节点的延时告警阈值,当节点的延时预测值超出延时告警值时,将告警信息上传至全链路。
本发明提供的全链路的网络延时情况分析系统,与现有技术相比,其有益效果有:
本发明通过神经网络对全链路网络延时进行预测,解决了网络传输延时过长的问题。且神经网络的计算比较简单,减少了计算时间。且使用戳技术对延时进行记录和预测,减少了平均误差,也在一定程度上提高了拟合率。且通过LMS算法对进行预测,提高了系统负载率。通过灰狼-布谷鸟算法进行寻优,在迭代过程中对种群位置进行扰动更新,可有效增加种群多样性,平衡算法的全局与局部搜索能力。
附图说明
图1为本发明优选实施例的系统框图;
图中各个标记的意义为:100、链路监控模块;200、数据采集模块;300、延时分析模块;400、延时告警模块。
具体实施方式
需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,本发明优选实施例提供了全链路的网络延时情况分析系统,包括:
链路监控模块100:用于监控全链路并搭建全链路模型;
数据采集模块200:用于搭建的全链路模型基于信息获取算法采集全链路数据;
延时分析模块300:用于对全链路进行网络延时情况分析;
延时告警模块400:用于根据网络延时情况分析结果进行延时告警。
所述链路监控模块100搭建全链路并划分第一节点、第二节点及第三节点。
所述数据采集模块200在预设时间内按照信息获取算法获取全链路数据X,具体如下:
其中,λ表示第一系数,f表示单位时间内的数据采集特征值,Γ表示数据传输均值,μ表示第二系数,v表示数据第一条件,M表示数据第二条件,Mmax表示单位时间内的数据传输最大值,H表示信息存储量均值。
所述延时分析模块300设定采样周期,预设时间段,提取预设时间段内的全链路数据并设定时间标签。
所述延时分析模块300基于延时分析算法分别对各节点提取的全链路数据进行延时分析;所述延时分析算法基于线性神经网络对全链路的各节点提取的全链路数据进行延时分析,并基于灰狼-布谷鸟算法对各节点及各节点内的全链路数据权重进行寻优。
所述延时分析算法中,提取预设时间段内第j(j=1,2,3)个节点的三个采样周期实际测量的网络延时值,分别为第一网络延时值τk-1,第二网络延时值τk-2,第三网络延时值τk-3,并将三个网络延时值输入至线性神经网络;
预测目前采样周期的网络延时值τk,并将延时预测值记为具体如下:
其中,b为阈值,ω1、ω2、ω3分别为τk-1、τk-2、τk-3对应的权重;
通过LMS算法训练线性神经网络,线性神经网络的输入p(k)为:
p(k)=[τk-1,τk-2,τk-3]T
其中,T代表转置,训练误差方差如下:
其中,e(k)表示训练误差,k表示第k个采样周期,则为线性神经网络的实际输出;得到训练误差的方差梯度如下:
其中,i=1,2,3,ωi(k)表示第k个采样周期的ω1、ω2、ω3,b(k)为第l个采样周期的阈值,为第三系数;上述线性神经网络的输出即为当前节点的网络延时预测值。
所述灰狼-布谷鸟算法中,设定训练误差方差为适应度函数,当训练误差方差最小时为适应度函数最优值,将α狼、β狼、γ狼的最优位置分别对应所述延时分析算法中的最优权重,通过寻优获取α狼、β狼、γ狼的适应度函数最优值,α狼、β狼、γ狼对应的位置即为第一网络延时值τk-1,第二网络延时值τk-2,第三网络延时值τk-3对应的权重。
所述灰狼-布谷鸟算法具体如下:
捕食过程中灰狼搜寻猎物的行为如下所示:
D=|2r1Xp(t)-X(t)|
X(t+1)=Xp(t)-(2ar2-a)D
其中,D为猎物的距离,Xp(t)为第次算法迭代时猎物的位置,X(t)、X(t+1)分别为第t次算法迭代、第t+1次算法迭代时灰狼的位置,t为算法迭代次数;r1、r2为(0,1)间的随机向量,a为收敛因子;
其中,T为最大迭代次数;
发现猎物位置时,β狼和γ狼在α狼的带领下逐渐包围猎物,对于每一只狼,根据下式计算其位置更新方向:
Dα=|C1Xα-W|
Dβ=|C2Xβ-W|
Dγ=|C3Xγ-W|
X1=Xα-A1Dα
X2=Xβ-A2Dβ
X3=Xγ-A3Dγ
其中,Dα、Dβ、Dγ与其他个体间的距离;C1、C2、C3为随机变量,Xα、Xβ、Xγ分别为α狼、β狼、γ狼的当前位置,W为位置向量,X1、X2、X3分别为α狼、β狼和γ狼前进的补偿及方向,A1、A2、A3为系数向量;
根据下式综合判断灰狼个体向猎物的移动方向:
其中,Xg(t+1)为包围猎物过程中第t+1次算法迭代时灰狼个体更新的位置;
当猎物停止移动时,灰狼袭击猎物;通过莱维飞行进行灰狼袭击过程中灰狼个体的位置更新:
其中,Xh(t)、Xh(t+1)分别为第h个灰狼个体的当前位置、更新后位置;λ为个体位置的随机数;为点对点乘积;L(δ)为列维分布函数,δ为步长控制变量,n为灰狼个体数。
所述延时分析模块300中,当进行全链路的网络延时分析时,通过延时分析算法对全链路中的第一节点、第二节点及第三节点再次进行延时分析,并基于灰狼-布谷鸟算法对各节点的权重进行寻优,最终输出获得全链路的网络延时预测值。
所述延时告警模块400分别设定各节点的延时告警阈值,当节点的延时预测值超出延时告警值时,将告警信息上传至全链路。
本实施例中,链路监控模块100监控全链路并搭建全链路传输网络。数据采集模块200根据搭建的全链路传输网络将网络中的节点划分为发送节点对应的第一节点,传输节点对应的第二节点和接收节点对应的第三节点。数据采集模块200还根据如下的信息获取算法获取全链路传输网络中的数据X:
其中,λ表示定向收集系数,f表示单位时间内的数据采集特征值,Γ表示数据传输均值,μ表示时间序列系数,v表示数据的动态量化条件,M表示数据库自助机的额定资源量存储条件,Mmax表示单位时间内的资源数据传输最大值,H表示与数据库相关的资源信息存储量均值。
其中,为了保证获取到的数据X的质量,本实施例采用梯度下降来优化λ,使用遗传算法来优化μ,具体步骤如下:
设MSE为我们的损失函数,即Xreal,i,其中Xpred是预测值,Xreal是真实值,n是数据的数量。目标是找到最优的λ使得MSE最小。
计算损失函数关于λ的梯度:
更新λ:
其中,α是学习率。
计算种群中每一个μ的适应度:
根据适应度计算选择概率:
交叉:
变异:
μnew=μnew+∈
其中,∈是一个小的随机数,Fitness是适应度函数,population为种群,种群是指所有的μ值的集合。
通过梯度下降方法优化λ,可以使数据采集特征值在整个链路数据获取过程中更有效。λ的优化可以帮助我们在保持数据的质量的同时,减少不必要的数据传输,进而节省带宽,提高数据传输效率。此外,优化后的λ还可以使我们的算法更加稳健,因为它在梯度下降过程中会不断适应数据的变化。
μ的优化能够帮助我们更好地把握数据的动态量化条件。使用遗传算法优化μ的好处在于,它是一种全局优化方法,能够在大范围内寻找最优解,避免了因初始值选择不佳而陷入局部最优的问题。另外,遗传算法的交叉和变异操作引入了多样性,能够有效防止算法过早收敛,增加了搜索空间。
延时分析模块300设定各节点内采样全链路数据的采样周期,并根据设定的采样周期提取预设时间段内的第一节点的第4、5、6三个采样周期实际测量的网络延时值,分别为τ6、τ5、τ4并将三个网络延时值输入至线性神经网络,输出第7个采样周期的网络延时预测值;
预测目前采样周期的网络延时值τk,并将延时预测值记为具体如下:
其中,b为阈值,ω1、ω2、∈3分别为τ6、τ5、τ4对应的权重;
通过LMS算法训练线性神经网络,线性神经网络的输入p(k)为网络延时值对应的延时向量:
p(k)=[τ6,τ5,τ4]T
其中,T代表转置,训练误差方差如下:
其中,e(k)表示训练误差,k表示第k个采样周期,则为线性神经网络的实际输出;得到训练误差的方差梯度如下:
其中,i=1,2,3,ωi(7)表示第7个采样周期的ω1、ω2、ω3,b(7)为第7个采样周期的阈值,为学习率;上述线性神经网络的输出即为当前节点的网络延时预测值。
通过神经网络对全链路网络延时进行预测,解决了网络传输延时过长的问题。且神经网络的计算比较简单,减少了计算时间。且使用戳技术对延时进行记录和预测,减少了平均误差,也在一定程度上提高了拟合率。且通过LMS算法对进行预测,提高了系统负载率。
再通过灰狼-布谷鸟算法对权重ω1、ω2、ω3进行寻优:
捕食过程中灰狼搜寻猎物的行为如下所示:
D=|2r1Xp(t)-X(t)|
X(t+1)=Xp(t)-(2ar2-a)D
其中,D为猎物的距离,Xp(t)为第次算法迭代时猎物的位置,X(t)、X(t+1)分别为第t次算法迭代、第t+1次算法迭代时灰狼的位置,t为算法迭代次数;r1、r2为(0,1)间的随机向量,a为收敛因子;
其中,T为最大迭代次数;
发现猎物位置时,β狼和γ狼在α狼的带领下逐渐包围猎物,对于每一只狼,根据下式计算其位置更新方向:
Dα=|C1Xα-W|
Dβ=|C2Xβ-W|
Dγ=|C3Xγ-W|
X1=Xα-A1Dα
X2=Xβ-A2Dβ
X3=Xγ-A3Dγ
其中,Dα、Dβ、Dγ与其他个体间的距离;C1、C2、C3为随机变量,Xα、Xβ、Xγ分别为α狼、β狼、γ狼的当前位置,W为位置向量,X1、X2、X3分别为α狼、β狼和γ狼前进的补偿及方向,A1、A2、A3为系数向量;
根据下式综合判断灰狼个体向猎物的移动方向:
其中,Xg(t+1)为包围猎物过程中第t+1次算法迭代时灰狼个体更新的位置;
当猎物停止移动时,灰狼袭击猎物;通过莱维飞行进行灰狼袭击过程中灰狼个体的位置更新:
其中,Xh(t)、Xh(t+1)分别为第h个灰狼个体的当前位置、更新后位置;λ为个体位置的随机数;为点对点乘积;L(δ)为列维分布函数,δ为步长控制变量,n为灰狼个体数。
以此获取最优权重ω01、ω02、ω03,计算输出第一节点的网络延时预测值:
灰狼优化算法对于实际工程优化时常见的复杂约束及搜索未知空间适应性较强,但是面临高维度问题时,容易陷入局部最优。而布谷鸟算法结合莱维飞行特征进行优化,具有较好的全局搜索性能,通过灰狼-布谷鸟算法进行寻优,在迭代过程中对种群位置进行扰动更新,可有效增加种群多样性,平衡算法的全局与局部搜索能力。同时,采用非线性策略来控制灰狼优化算法中的收敛因子,可很好地平衡算法的全局和局部搜索能力。
当对于全链路的网络延时进行分析时,可同样基于上述算法,按照对应的采样周期采样网络延时值,并通过灰狼-布谷鸟算法对三个节点的权重进行寻优,最终输出全链路的网络延时预测值,或是分别计算各节点的网络延时预测值并进行求和以获取全链路的网络延时预测值,但分别计算并求和的计算过程比较繁琐,故可通过前者计算,节省计算时间。
延时告警模块400根据预设的延时告警阈值进行延时告警,并及时将告警信息上传至全链路传输至下一节点,下一节点可提前应对。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.全链路的网络延时情况分析系统,其特征在于:包括:
链路监控模块(100):用于监控全链路并搭建全链路模型;
数据采集模块(200):用于搭建的全链路模型基于信息获取算法采集全链路数据;
延时分析模块(300):用于对全链路进行网络延时情况分析;
延时告警模块(400):用于根据网络延时情况分析结果进行延时告警;
所述延时分析模块(300)设定采样周期,预设时间段,提取预设时间段内的全链路数据并设定时间标签;
所述延时分析模块(300)基于延时分析算法分别对各节点提取的全链路数据进行延时分析;所述延时分析算法基于线性神经网络对全链路的各节点提取的全链路数据进行延时分析,并基于灰狼-布谷鸟算法对各节点及各节点内的全链路数据权重进行寻优;
所述延时分析算法中,提取预设时间段内第j个节点的三个采样周期实际测量的网络延时值,j=1,2,3,分别为第一网络延时值τk-1,第二网络延时值τk-2,第三网络延时值τk-3,并将三个网络延时值输入至线性神经网络;
预测目前采样周期的网络延时值τk,并将延时预测值记为具体如下:
其中,b为阈值,ω1、ω2、ω3分别为τk-1、τk-2、τk-3对应的权重;
通过LMS算法训练线性神经网络,线性神经网络的输入p(k)为:
p(k)=[τk-1,τk-2,τk-3]T
其中,T代表转置,训练误差方差如下:
其中,e(k)表示训练误差,k表示第k个采样周期,则为线性神经网络的实际输出;得到训练误差的方差梯度如下:
其中,i=1,2,3,ωi(k)表示第k个采样周期的ω1、ω2、ω3,b(k)为第k个采样周期的阈值,为第三系数;上述线性神经网络的输出即为当前节点的网络延时预测值。
2.根据权利要求1所述的全链路的网络延时情况分析系统,其特征在于:所述链路监控模块(100)搭建全链路并划分第一节点、第二节点及第三节点。
3.根据权利要求1所述的全链路的网络延时情况分析系统,其特征在于:所述数据采集模块(200)在预设时间内按照信息获取算法获取全链路数据X,具体如下:
其中,λ表示第一系数,f表示单位时间内的数据采集特征值,Γ表示数据传输均值,μ表示第二系数,v表示数据第一条件,M表示数据第二条件,Mmax表示单位时间内的数据传输最大值,H表示信息存储量均值。
4.根据权利要求1所述的全链路的网络延时情况分析系统,其特征在于:所述灰狼-布谷鸟算法中,设定训练误差方差为适应度函数,当训练误差方差最小时为适应度函数最优值,将α狼、β狼、γ狼的最优位置分别对应所述延时分析算法中的最优权重,通过寻优获取α狼、β狼、γ狼的适应度函数最优值,α狼、β狼、γ狼对应的位置即为第一网络延时值τk-1,第二网络延时值τk-2,第三网络延时值τk-3对应的权重。
5.根据权利要求4所述的全链路的网络延时情况分析系统,其特征在于:所述灰狼-布谷鸟算法具体如下:
捕食过程中灰狼搜寻猎物的行为如下所示:
D=|2r1Xp(t)-X(t)|
X(t+1)=Xp(t)-(2ar2-a)D
其中,D为猎物的距离,Xp(t)为第次算法迭代时猎物的位置,X(t)、X(t+1)分别为第t次算法迭代、第t+1次算法迭代时灰狼的位置,t为算法迭代次数;r1、r2为(0,1)间的随机向量,a为收敛因子;
其中,T为最大迭代次数;
发现猎物位置时,β狼和γ狼在α狼的带领下逐渐包围猎物,对于每一只狼,根据下式计算其位置更新方向:
Dα=|C1Xα-W|
Dβ=|C2Xβ-W|
Dγ=|C3Xγ-W|
X1=Xα-A1Dα
X2=Xβ-A2Dβ
X3=Xγ-A3Dγ
其中,Dα、Dβ、Dγ与其他个体间的距离;C1、C2、C3为随机变量,Xα、Xβ、Xγ分别为α狼、β狼、γ狼的当前位置,W为位置向量,X1、X2、X3分别为α狼、β狼和γ狼前进的补偿及方向,A1、A2、A3为系数向量;
根据下式综合判断灰狼个体向猎物的移动方向:
其中,Xg(t+1)为包围猎物过程中第t+1次算法迭代时灰狼个体更新的位置;
当猎物停止移动时,灰狼袭击猎物;通过莱维飞行进行灰狼袭击过程中灰狼个体的位置更新:
其中,Xh(t)、Xh(t+1)分别为第h个灰狼个体的当前位置、更新后位置;λ为个体位置的随机数;为点对点乘积;L(δ)为列维分布函数,δ为步长控制变量,n为灰狼个体数。
6.根据权利要求5所述的全链路的网络延时情况分析系统,其特征在于:所述延时分析模块(300)中,当进行全链路的网络延时分析时,通过延时分析算法对全链路中的第一节点、第二节点及第三节点再次进行延时分析,并基于灰狼-布谷鸟算法对各节点的权重进行寻优,最终输出获得全链路的网络延时预测值。
7.根据权利要求1所述的全链路的网络延时情况分析系统,其特征在于:所述延时告警模块(400)分别设定各节点的延时告警阈值,当节点的延时预测值超出延时告警值时,将告警信息上传至全链路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310738143.1A CN116506307B (zh) | 2023-06-21 | 2023-06-21 | 全链路的网络延时情况分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310738143.1A CN116506307B (zh) | 2023-06-21 | 2023-06-21 | 全链路的网络延时情况分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116506307A CN116506307A (zh) | 2023-07-28 |
CN116506307B true CN116506307B (zh) | 2023-09-12 |
Family
ID=87323323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310738143.1A Active CN116506307B (zh) | 2023-06-21 | 2023-06-21 | 全链路的网络延时情况分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116506307B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992779B (zh) * | 2023-09-22 | 2024-01-05 | 北京国科恒通数字能源技术有限公司 | 基于数字孪生模型的光伏储能系统仿真方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694390A (zh) * | 2018-05-15 | 2018-10-23 | 南京邮电大学 | 一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法 |
CN111083733A (zh) * | 2020-02-10 | 2020-04-28 | 安徽理工大学 | 一种无线传感器网络拥塞控制方法及系统 |
CN111314235A (zh) * | 2020-02-19 | 2020-06-19 | 广东技术师范大学 | 一种基于虚拟网络功能资源需求预测的网络延时优化方法 |
CN111709524A (zh) * | 2020-07-03 | 2020-09-25 | 江苏科技大学 | 一种基于改进gwo算法的rbf神经网络优化方法 |
WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
CN112581263A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 |
WO2021155671A1 (zh) * | 2020-08-24 | 2021-08-12 | 平安科技(深圳)有限公司 | 高延时网络环境鲁棒的联邦学习训练方法、装置、计算机设备及存储介质 |
CN113822363A (zh) * | 2021-09-27 | 2021-12-21 | 上海师范大学 | 一种基于二次有理核函数的卷积神经网络时延估计方法 |
CN114861879A (zh) * | 2022-05-05 | 2022-08-05 | 哈尔滨理工大学 | 一种基于天牛须算法优化Elman神经网络电主轴热误差建模方法 |
CN116091233A (zh) * | 2023-03-22 | 2023-05-09 | 大有期货有限公司 | 一种实时报价场外期权业务电子化管理系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11727812B2 (en) * | 2017-07-27 | 2023-08-15 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
CN109839824A (zh) * | 2019-01-24 | 2019-06-04 | 青岛理工大学 | 一种基于预测控制的网络控制系统时延补偿方法 |
-
2023
- 2023-06-21 CN CN202310738143.1A patent/CN116506307B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694390A (zh) * | 2018-05-15 | 2018-10-23 | 南京邮电大学 | 一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法 |
WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111083733A (zh) * | 2020-02-10 | 2020-04-28 | 安徽理工大学 | 一种无线传感器网络拥塞控制方法及系统 |
CN111314235A (zh) * | 2020-02-19 | 2020-06-19 | 广东技术师范大学 | 一种基于虚拟网络功能资源需求预测的网络延时优化方法 |
CN111709524A (zh) * | 2020-07-03 | 2020-09-25 | 江苏科技大学 | 一种基于改进gwo算法的rbf神经网络优化方法 |
WO2021155671A1 (zh) * | 2020-08-24 | 2021-08-12 | 平安科技(深圳)有限公司 | 高延时网络环境鲁棒的联邦学习训练方法、装置、计算机设备及存储介质 |
CN112581263A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 |
CN113822363A (zh) * | 2021-09-27 | 2021-12-21 | 上海师范大学 | 一种基于二次有理核函数的卷积神经网络时延估计方法 |
CN114861879A (zh) * | 2022-05-05 | 2022-08-05 | 哈尔滨理工大学 | 一种基于天牛须算法优化Elman神经网络电主轴热误差建模方法 |
CN116091233A (zh) * | 2023-03-22 | 2023-05-09 | 大有期货有限公司 | 一种实时报价场外期权业务电子化管理系统 |
Non-Patent Citations (1)
Title |
---|
融合杜鹃搜索的灰狼优化算法在网络入侵检测特征选择中的应用;徐慧;付迎春;刘翔;方策;苏军;;工程科学与技术(05);第1-3页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116506307A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113905391B (zh) | 集成学习网络流量预测方法、系统、设备、终端、介质 | |
CN116506307B (zh) | 全链路的网络延时情况分析系统 | |
CN110851782A (zh) | 一种基于轻量级时空深度学习模型的网络流量预测方法 | |
Kim et al. | Dynamic clustering in federated learning | |
CN113938488A (zh) | 一种基于动静态加权轮询的负载均衡方法 | |
CN112836822B (zh) | 基于宽度学习的联邦学习策略优化方法和装置 | |
Do et al. | Prediction of data traffic in telecom networks based on deep neural networks | |
CN116346837A (zh) | 一种基于深度强化学习的物联网边缘协同缓存方法 | |
CN114885388A (zh) | 联合rss预测的多业务类型自适应切换判决方法 | |
Gao et al. | A deep learning framework with spatial-temporal attention mechanism for cellular traffic prediction | |
CN113676357A (zh) | 面向电力物联网中边缘数据处理的决策方法及其应用 | |
CN116455820A (zh) | 基于拥塞规避的多传输路径调整系统及方法 | |
CN115866626B (zh) | 一种基于nsga-ⅱ和模拟退火的边缘环境下服务部署方法 | |
CN112562312A (zh) | 一种基于融合特征的GraphSAGE交通路网数据预测的方法 | |
CN113486577B (zh) | 一种基于混合分布估计算法的地理大数据传输方法 | |
Roh et al. | Deep Learning-based Wireless Signal Classification in the IoT Environment. | |
CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 | |
CN115022195A (zh) | 一种用于IPv6网络的流量动态测量方法 | |
CN114449536A (zh) | 一种基于深度强化学习的5g超密集网络多用户接入选择方法 | |
CN115437858A (zh) | 边缘节点异常定位方法、装置、设备及计算机程序产品 | |
CN114386602B (zh) | 一种面向多路服务器负载数据的htm预测分析方法 | |
Omondi et al. | Variational autoencoder-enhanced deep neural network-based detection for MIMO systems | |
CN115118648B (zh) | 一种vanet网络自适应路由协议选择方法、计算机程序产品 | |
CN117635218B (zh) | 基于六度分离理论和图注意网络的商圈流量预测方法 | |
CN114500561B (zh) | 电力物联网网络资源分配决策方法、系统、设备及介质 |
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 |