CN116614392A - 路由开销确定方法、路由开销监控方法及装置 - Google Patents
路由开销确定方法、路由开销监控方法及装置 Download PDFInfo
- Publication number
- CN116614392A CN116614392A CN202310878158.8A CN202310878158A CN116614392A CN 116614392 A CN116614392 A CN 116614392A CN 202310878158 A CN202310878158 A CN 202310878158A CN 116614392 A CN116614392 A CN 116614392A
- Authority
- CN
- China
- Prior art keywords
- office direction
- node
- office
- clustering
- sample
- 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 136
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000004138 cluster model Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000003287 optical effect Effects 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 27
- 238000004088 simulation Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012806 monitoring device Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000006467 substitution reaction Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 101100149325 Escherichia coli (strain K12) setC gene Proteins 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect 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
- H04L41/14—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
- 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
- H04L41/0876—Aspects of the degree of configuration automation
-
- 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
- H04L41/16—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
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/14—Routing performance; Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请涉及一种路由开销确定方法、路由开销监控方法及装置。所述方法包括：获取IP局向的对端IP节点的节点信息，基于节点信息，确定出IP局向对应的局向信息；采用预测模型处理局向信息和节点信息，得到IP局向的路由开销的预测值；其中，预测模型为基于多个聚类模型之间的相似度所确定出的相似度最高的聚类模型；多个聚类模型为IP网络中的样本局向经局向特征聚类得到；样本局向的对端IP节点的节点信息，与IP局向的对端IP节点的节点信息相同。提升了网络仿真的鲁棒性，还促进了网络规划的自动化进程。
Description
技术领域
本申请涉及数据通信技术领域，特别是涉及一种路由开销确定方法、路由开销监控方法及装置。
背景技术
在网络规划过程中，为了仿真BGP（Border Gateway Protocol，边界网关协议）、IGP（Interior Gateway Protocol，内部网关协议）路由策略，需要规划人员设置相应的Metric（路由开销）值。当新增IP（Internet Protocol，网际互连协议）局向时，目前采用人工比对光缆拓扑距离而得到相对合适的Metric值。然而，目前的局向Metric值确定方式，存在鲁棒性差的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高鲁棒性的路由开销确定方法、路由开销监控方法及装置。
第一方面，本申请提供了一种路由开销确定方法，方法包括：
获取IP局向的对端IP节点的节点信息，基于节点信息，确定出IP局向对应的局向信息；
采用预测模型处理局向信息和节点信息，得到IP局向的路由开销的预测值；其中，预测模型为基于多个聚类模型之间的相似度所确定出的相似度最高的聚类模型；多个聚类模型为IP网络中的样本局向经局向特征聚类得到；样本局向的对端IP节点的节点信息，与IP局向的对端IP节点的节点信息相同。
在其中一个实施例中，节点信息包括对端IP节点的节点类型信息；局向信息包括IP局向的光缆拓扑距离；
基于节点信息，确定出IP局向对应的局向信息，包括：
根据节点类型信息，获得IP局向所包含的多个光缆距离；
基于多个光缆距离，得到光缆拓扑距离。
在其中一个实施例中，节点类型信息包括核心节点、次核心节点、互连节点以及城域网节点中的至少一种；光缆拓扑距离为多个光缆距离的平均值。
在其中一个实施例中，方法还包括：
获取样本局向的局向特征；
将局向特征归一化，得到原始特征空间；
从原始特征空间中随机抽取特征，得到多个样本特征空间；
基于多个样本特征空间，采用聚类算法对每个样本特征空间进行特征聚类，得到多个聚类模型；
获取多个聚类模型之间的相似度，将相似度最高的聚类模型确定为预测模型。
在其中一个实施例中，将局向特征归一化，得到原始特征空间，包括：
利用Z-score算子将局向特征归一化，得到符合标准正态分布的原始特征空间。
在其中一个实施例中，从原始特征空间中随机抽取特征，得到多个样本特征空间，包括：
使用自举法从原始特征空间中多次随机有放回地抽取特征，获得多个样本特征空间。
在其中一个实施例中，获取多个聚类模型之间的相似度，将相似度最高的聚类模型确定为预测模型，包括：
计算多个聚类模型之间的Jaccard系数，基于Jaccard系数计算多个聚类模型之间的平均相似度；
选取出平均相似度最高的聚类模型作为预测模型。
在其中一个实施例中，基于多个样本特征空间，采用聚类算法对每个样本特征空间进行特征聚类，得到多个聚类模型，包括：
在多个样本特征空间中，采用Mean-Shift聚类算法对每个样本特征空间进行特征聚类，得到多个聚类模型。
在其中一个实施例中，在多个样本特征空间中，采用Mean-Shift聚类算法对每个样本特征空间进行特征聚类，得到多个聚类模型，包括：
在样本特征空间中随机选取数据点作为第一中心点，基于搜索半径确定出目标集合；目标集合中的数据点与第一中心点之间的距离小于搜索半径；
获取目标集合中各数据点的核密度估计值，以每个数据点为中心、且以核密度估计值为权重，得到带权重区域的重心坐标，将重心坐标作为第二中心点；
若第一中心点与第二中心点之间的距离小于迭代阈值，将第二中心点作为聚类中心；
响应于获取到至少一个聚类中心，对聚类中心为中心的数据点进行划分以得到多个聚类模型。
在其中一个实施例中，局向特征包括样本局向的路由开销和光缆距离；方法还包括：
滤除IP网络中路由开销与光缆距离无关的局向；其中，样本局向的路由开销与样本局向的光缆距离成正比。
在其中一个实施例中，IP局向包括新增IP局向；方法还包括：
基于预测值，根据新增IP局向的局向类型配置新增IP局向对应的路由开销层级，确定完成IP网络的网络状态更改。
第二方面，本申请还提供了一种路由开销监控方法，方法包括：
获取IP网络中的IP局向的预测值；预测值为采用上述的路由开销确定方法得到；
获取预测值与IP局向当前的路由开销的差值；
将差值大于监控阈值的IP局向的路由开销配置为预测值。
第三方面，本申请还提供了一种路由开销确定装置，装置包括：
信息获取模块，用于获取IP局向的对端IP节点的节点信息，基于节点信息，确定出IP局向对应的局向信息；
预测模块，用于采用预测模型处理局向信息和节点信息，得到IP局向的路由开销的预测值；其中，预测模型为基于多个聚类模型之间的相似度所确定出的相似度最高的聚类模型；多个聚类模型为IP网络中的样本局向经局向特征聚类得到；样本局向的对端IP节点的节点信息，与IP局向的对端IP节点的节点信息相同。
第四方面，本申请还提供了一种路由开销监控装置，装置包括：
预测值获取模块，用于获取IP网络中的IP局向的预测值；预测值为采用上述的路由开销确定方法得到；
差值获取模块，用于获取预测值与IP局向当前的路由开销的差值；
配置模块，用于将差值大于监控阈值的IP局向的路由开销配置为预测值。
第五方面，本申请还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的方法的步骤。
第六方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法的步骤。
第七方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
上述路由开销确定方法、路由开销监控方法及装置，在获取到IP局向的对端IP节点的节点信息的情况下，基于节点信息，确定出IP局向对应的局向信息，进而采用预测模型处理局向信息和节点信息，得到IP局向的路由开销的预测值；该预测模型为基于多个聚类模型之间的相似度所确定出的相似度最高的聚类模型；多个聚类模型为IP网络中的样本局向经局向特征聚类得到；其中，样本局向的对端IP节点的节点信息，与IP局向的对端IP节点的节点信息相同。本申请通过聚类保证预测模型的可靠性及稳定性，人工干预过程较少，不仅实现了IP网络局向的Metric自动化预测，提升了网络仿真的鲁棒性，还促进了网络规划的自动化进程。
附图说明
图1为一个实施例中路由开销确定方法的流程示意图；
图2为一个实施例中获取局向信息的流程示意图；
图3为一个实施例中预测模型获取步骤的流程示意图；
图4为一个实施例中聚类的流程示意图；
图5为一个实施例中路由开销确定方法的具体流程示意图；
图6为一个实施例中路由开销监控方法的流程示意图；
图7为一个实施例中路由开销确定装置的结构框图；
图8为一个实施例中路由开销监控装置的结构框图；
图9为一个实施例中计算机设备的内部结构图；
图10为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
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。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
可以理解的是，本申请中诸如“第一”、“第二”等术语仅用于区分类似的对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
可以理解，以下实施例中的“连接”，如果被连接的电路、模块、单元等相互之间具有电信号或数据的传递，则应理解为“电连接”、“通信连接”等。
可以理解，“至少一个”是指一个或多个，“多个”是指两个或两个以上。
在此使用时，单数形式的“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时，在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。
目前，传统的局向Metric值确定方式，存在鲁棒性差，易出错，影响路由策略的问题。传统方法采用人工比对光缆拓扑距离而得到相对合适的Metric值，而人工操作往往受环境等因素影响，易出错。同时可能出现比对空间元素遗漏的问题，令Metric设定出现较大误差，从而影响路由结果。此外，传统方法的自动化程度差，规划过程中有时面临外部需求，同时新增几百条局向，这种情况若依靠人为手工设置Metric，将非常耗时，该过程将严重阻塞网络规划的自动化进程。
进一步地，传统IP局向Metric配置流程中，在新增IP局向并获得该类局向的Metric范围的情况下，通过手动找到与新增局向光缆距离接近的现网局向，基于现网局向配置新增局向的Metric层级，完成网络状态的更改。传统方案至少存在如下问题：人工搜索鲁棒性差，存在元素遗漏的可能，影响Metric层级，从而影响路由仿真结果。传统配置过程效率低，影响IP网络仿真的自动化进程。传统方式不适用一次性新增多条IP局向的应用场景，出现问题时溯源困难，耗费大量人力。
为了便于对本申请实施例的技术方案的理解，以下给出以下相关术语的基本概念：
IP网路局向（简称IP局向）：IP局向是指IP逻辑节点间的连接。在现网中，省内有多个IP逻辑节点，例如广东的广州C、深圳C，四川的成都C和成都C2，而IP逻辑节点间的连接，就叫做IP局向，例如广州C-成都C，是IP层面上的。
Metric：Metric是指路由开销，在IGP收敛的过程中会作为权重，找到任意两节点间的最优加权路径。
本申请实施例提供的路由开销确定方法及路由开销监控方法，适用于IP网络、数据通信领域，可以应用于IP网络局向Metric配置以及IP网络建设。进一步地，本申请实施例可以推至网络仿真、流量规划等多个方向。
在一个实施例中，如图1所示，提供了一种路由开销确定方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，获取IP局向的对端IP节点的节点信息，基于节点信息，确定出IP局向对应的局向信息。
其中，IP局向可以指新增IP局向（简称新增局向），本申请实施例能够预测新增局向的Metric值，可将Metric配置自动化，解决了传统方式存在鲁棒性差、效率低、自动化阻塞等问题。可选地，IP局向也可以指现网已有的局向，本申请实施例可以监控调整现网已有的局向Metric，进一步优化IP网络性能。
示例性地，本申请实施例可以获取IP局向的对端信息，该对端信息可以指IP局向对端节点信息。可选地，节点信息可以指对端节点属性，例如IP节点属性；进一步地，IP节点属性可以指节点类型（对端IP节点的类别信息），即本申请实施例可以获取局向对端IP节点的节点信息，例如IP节点类型信息。
在其中一个实施例中，节点信息可以包括对端IP节点的节点类型信息。
具体地，本申请实施例中可以获取IP局向的对端IP节点的IP节点类型信息，以用于获取IP局向对应的局向信息。
在其中一个实施例中，节点类型信息包括核心节点、次核心节点、互连节点以及城域网节点中的至少一种；
具体而言，本申请实施例中的对端信息是指对端的IP节点类型信息。可选地，IP节点类型信息可以包含核心节点C，次核心节点D，互联节点E、城域网节点MAN（MetropolitanArea Network）等，例如北京C-成都C这个局向就是C-C的对端信息，北京C-辽宁D就是C-D的对端信息。
在获取到对端IP节点的节点信息的情况下，可以基于节点信息，确定出IP局向对应的局向信息。示例性地，局向信息可以包括IP局向的光缆拓扑距离。示例性地，光缆拓扑距离可以指IP节点的距离，可以理解为由光缆拓扑得到的IP距离。可选地，以IP局向为新增IP局向为例，可以基于光缆拓扑得到新增IP局向的光缆拓扑距离。
本申请实施例通过节点信息确定出IP局向对应的光缆拓扑距离。本申请实施例中，IP网络的底层是光缆拓扑，而现网光缆距离是已知的，进而在确定IP局向对端信息（例如节点类型信息）后，可以基于现网光缆距离这一信息得到IP局向的拓扑距离。
步骤104，采用预测模型处理局向信息和节点信息，得到IP局向的路由开销的预测值；其中，预测模型为基于多个聚类模型之间的相似度所确定出的相似度最高的聚类模型；多个聚类模型为IP网络中的样本局向经局向特征聚类得到；样本局向的对端IP节点的节点信息，与IP局向的对端IP节点的节点信息相同。
具体地，在获取到IP局向的局向信息的情况下，可以采用预测模型处理局向信息和节点信息，以得到IP局向的路由开销的预测值Metric，实现IP网络局向的Metric自动化预测。
以IP局向为新增局向为例，可以在预测模型中输入新增局向的光缆距离和对端IP节点的节点信息，即可得到该新增局向的Metric预测结果，进而配置对应Metric层级，完成网络状态的更改。
在其中一个实施例中，IP局向包括新增IP局向；方法还包括：
基于预测值，根据新增IP局向的局向类型配置新增IP局向对应的路由开销层级（Metric层级），确定完成IP网络的网络状态更改。
具体地，局向层级可以根据局向类型确定，局向类型可以依据对端IP节点的类别信息（例如C-C，C-D，D-D以及C-E等）所确定，进而本申请实施例可以完成网络状态的更改。
示例性地，本申请实施例中局向Metric设定与光缆距离成正比，且局向层级需要根据局向类型而设定，例如C-C局向，一般设为6000、8000、9000、12000等，C-D局向设为14000、18000，而这个数值设定是与光缆距离成正比，例如成都C-北京C距离大于成都C-重庆C，进而前者Metric可以是12000、后者Metric只有8000。
进一步地，关于预测模型，本申请实施例提出可以通过聚类以及评估聚类结果之间的相似度选择出最佳的Metric预测方案；本申请实施例中，预测模型为基于多个聚类模型之间的相似度所确定出的相似度最高的聚类模型；多个聚类模型为IP网络中的样本局向经局向特征聚类得到。进一步地，该样本局向的对端IP节点的节点信息，与IP局向的对端IP节点的节点信息相同。示例性地，样本局向可以指现网IP局向。
在其中一个实施例中，局向特征包括样本局向的路由开销和光缆距离；方法还包括：
滤除IP网络中路由开销与光缆距离无关的局向；其中，样本局向的路由开销与样本局向的光缆距离成正比。
具体而言，以IP局向为新增局向为例，样本局向可以指与新增局向对端节点属性相同的全部现网局向，可选地，在获取样本局向（或获取样本局向的局向特征）之前，可以首先过滤现网中存在的一些目标局向，该目标局向受其它因素影响，Metric数值是预设定的（目标局向的路由开销与光缆距离无关），而样本局向的Metric数值与光缆距离成正比，进而保证后续Metric预测流程的准确性。
需要说明的是，目标局向的Metric数值是指定的（与距离无关），为了流量工程和QoS（Quality of Service，服务质量），例如北京C-上海C，距离很远，Metric可以设置很小（使得从北京出来的流量都走到上海），这种局向对于Metric的预测结果有影响，需要滤除。关于目标局向的过滤方式，可以采用人工。进一步地，样本局向的局向特征是在过滤后提取，进而可以匹配后续的Metric预测流程。
进一步地，可以统计与新增局向对端节点属性相同的全部现网局向特征。其中，对端节点属性可以指IP节点属性，例如节点类型，基于节点属性可以得到该局向的属性，例如C-C、C-D、C-E等。
此外，以IP局向为现网已有的局向为例，样本局向可以指现网局向（无需对现网进行目标局向的过滤），即可以收集现网全部IP局向，并输入至IP局向Metric自动化预测系统（使用预测模型）中，进而得到IP局向的全部预测结果，减少了人工干预过程，提高了网络仿真的鲁棒性，促进了网络规划的自动化进程，解决了网络规划中的自动化问题。
可选地，局向特征可以包括样本局向的路由开销和光缆距离，即局向特征可以包括Metric信息和光缆距离信息。本申请实施例通过聚类分析现网IP局向特征，在提高聚类结果的可靠性的同时，同时采用多个聚类模型之间相似度比较，选择最优预测结果，可以保证聚类结果的稳定性，解决了局向Metric预测中的多样性问题。
上述路由开销确定方法中，可以基于上述过程建立Metric预测系统，令IP局向Metric预测过程自动化。传统的IP网络性能优化需要大量的人工干预，而本申请实施例通过利用聚类以及相似度比较等方式，将聚类和相速度比较相结合，实现了IP局向Metric预测过程的自动化。不仅提高了网络仿真的鲁棒性，还能够促进网络规划的自动化进程。相比传统方案，本申请实施例具有更高的可靠性和稳定性，可以帮助网络管理员更好地优化IP网络性能，提高网络的可靠性和效率，降低网络运营成本。
在一个实施例中，节点信息包括对端IP节点的节点类型信息；局向信息包括IP局向的光缆拓扑距离；
如图2所示，基于节点信息，确定出IP局向对应的局向信息，可以包括：
步骤202，根据节点类型信息，获得IP局向所包含的多个光缆距离；
步骤204，基于多个光缆距离，得到光缆拓扑距离。
具体地，光缆距离可以指现网光缆距离。IP网络的底层是光缆拓扑，在确定IP局向对端信息（例如节点类型信息）后，可以基于已知的现网光缆距离这一信息得到IP局向的拓扑距离。例如北京C-成都C这一局向，包含多个光缆距离，基于多个光缆距离可以得到该局向的拓扑距离。
在其中一个实施例中，光缆拓扑距离为多个光缆距离的平均值。
具体而言，通过将多个光缆距离平均可以得到局向的拓扑距离。例如北京C-成都C这一局向，包含多个光缆距离，将其平均，就可以得到这一局向的拓扑距离。
在一个实施例中，如图3所示，方法还可以包括：
步骤302，获取样本局向的局向特征；
具体地，在确定出样本局向的情况下，可以获取样本局向的局向特征。示例性地，局向特征可以包括样本局向的路由开销和光缆距离。其中，路由开销可以指样本局向的Metric信息，光缆距离可以指样本局向的光缆距离信息。
步骤304，将局向特征归一化，得到原始特征空间；
具体而言，在获取到样本局向的局向特征的情况下，可以进行数据预处理（DataPreprocessing），该数据预处理可以指将局向特征归一化，以得到原始特征空间。
在其中一个实施例中，将局向特征归一化，得到原始特征空间，可以包括：
利用Z-score算子将局向特征归一化，得到符合标准正态分布的原始特征空间。
具体地，本申请实施例提出利用Z-score算子将局向特征归一化，将原始特征转换成均值为0、标准差为1的标准正态分布。
步骤306，从原始特征空间中随机抽取特征，得到多个样本特征空间；
具体而言，在获取到原始特征空间的情况下，可以从原始特征空间中随机抽取特征，进而形成多个样本特征空间。本申请实施例通过随机从样本中抽取子集进行多次聚类分析，可以提升系统的可靠性。示例性地，随机抽取可以采用相应的算法予以实现，例如自举法（Bootstrapping），本申请实施例对此并无限定。
在其中一个实施例中，从原始特征空间中随机抽取特征，得到多个样本特征空间，可以包括：
使用自举法从原始特征空间中多次随机有放回地抽取特征，获得多个样本特征空间。
具体地，本申请实施例可以通过使用自举法（Bootstrapping）从IP网络拓扑中随机抽取一定量的样本，以获得多个样本特征空间。示例性地，可以从原始特征空间中多次随机有放回地抽取部分特征，形成多个样本特征空间。
本申请实施例将随机抽取（例如Bootstrapping）与聚类（例如Mean-Shift聚类）相结合，通过从IP网络中随机抽取样本进行聚类，可以有效地避免样本量不均的问题，提高聚类结果的可靠性，进而解决了局向Metric预测中的样本不均问题。
步骤308，基于多个样本特征空间，采用聚类算法对每个样本特征空间进行特征聚类，得到多个聚类模型；
具体而言，在获得样本特征空间的情况下，在该样本特征空间中可以采用聚类算法对IP网络的特征聚类，得到多个聚类模型。其中，特征聚类可以指基于聚类算法分析现网IP局向Metric特征和光缆拓扑距离特征。示例性地，聚类算法可以指Mean-Shift（样本密度聚类）聚类算法，本申请实施例对此并无限定。
在其中一个实施例中，基于多个样本特征空间，采用聚类算法对每个样本特征空间进行特征聚类，得到多个聚类模型，包括：
在多个样本特征空间中，采用Mean-Shift聚类算法对每个样本特征空间进行特征聚类，得到多个聚类模型。
具体地，在上述样本特征空间中，利用Mean-Shift聚类算法对IP网络的特征聚类，得到多个聚类模型。示例性地，可以基于Mean-Shift聚类分析现网IP局向Metric特征和光缆拓扑距离特征。
步骤310，获取多个聚类模型之间的相似度，将相似度最高的聚类模型确定为预测模型。
具体而言，在获取到多个聚类模型的情况下，可以评估各个聚类模型之间的相似度，选择相似度较高的聚类模型作为IP网络局向Metric预测模型，保证预测结果的稳定性。
在其中一个实施例中，获取多个聚类模型之间的相似度，将相似度最高的聚类模型确定为预测模型，包括：
计算多个聚类模型之间的Jaccard系数，基于Jaccard系数计算多个聚类模型之间的平均相似度；
选取出平均相似度最高的聚类模型作为预测模型。
具体地，可以利用Jaccard算子比对多个模型相似度，选择最优预测模型，保证预测结果的稳定性。其中，可以基于Jaccard系数计算多个聚类模型之间的平均相似度，进而选取出平均相似度最高的聚类模型作为预测模型。
其中，以模型i对应的数据点集合C i ，模型j对应的数据点集合C j 为例，可以采用如下式子计算任意两个聚类模型i和j之间的Jaccard系数J ij ：
进一步地，对于每个聚类模型M i ，可以计算M i 与其他聚类模型的平均相似度，
其中n为样本特征空间总数，具体过程可以参阅以下式子：
可以选择平均相似度最高的聚类模型作为IP网络局向的Metric预测模型。
以上，本申请实施例引入Jaccard系数比较多个聚类模型，并根据Jaccard系数的大小选择相似度最高的聚类结果作为IP网络的局向Metric配置，保证了聚类结果的稳定性，进而解决了局向Metric预测中的多样性问题。
在一个实施例中，如图4所示，在多个样本特征空间中，采用Mean-Shift聚类算法对每个样本特征空间进行特征聚类，得到多个聚类模型，包括：
步骤402，在样本特征空间中随机选取数据点作为第一中心点，基于搜索半径确定出目标集合；目标集合中的数据点与第一中心点之间的距离小于搜索半径；
步骤404，获取目标集合中各数据点的核密度估计值，以每个数据点为中心、且以核密度估计值为权重，得到带权重区域的重心坐标，将重心坐标作为第二中心点；
步骤406，若第一中心点与第二中心点之间的距离小于迭代阈值，将第二中心点作为聚类中心；
步骤408，响应于获取到至少一个聚类中心，对聚类中心为中心的数据点进行划分以得到多个聚类模型。
具体地，以采用自举抽样（Bootstrapping）为例，可以从原始特征空间中随机有放回地抽取部分特征，构建n个样本特征空间。随机选取数据点作为中心点P（第一中心点），设置搜索半径r。以该点为中心，r为半径，计算所有数据点到该中心点（第一中心点）的距离，并将距离小于r的数据点划分到一个集合C（目标集合）内。
计算集合内的所有数据点的核密度估计值。对于集合内的所有数据点，计算其核密度估计值f(x)，即根据距离计算权重，并将权重求和，参阅以下式子：
其中，x i 是样本中的第i个点，K(.)是高斯核函数，h是带宽参数（交叉验证求得），d是特征空间的维度，n是样本特征空间总数。以每个数据点为中心，以核密度估计值为权重，计算该带权重心区域的重心坐标，作为新的中心点P’（第二中心点）。
以第一中心点为上一个中心点、第二中心点为当前中心点为例，如果当前中心点和上一个中心点之间的距离小于一个预先设定的阈值，则停止迭代，否则继续迭代。对于每个聚类中心，将以该聚类中心为中心的所有数据点划分为一类，最终形成若干个聚类模型。
上述路由开销确定方法，基于Bootstrap-MS-Jaccard建立聚类模型（其中，MS表示Mean-Shift），预测新增局向的Metric值，可将Metric配置自动化，解决了传统方式存在鲁棒性差、效率低、自动化阻塞等问题。其中，基于Mean-Shift聚类分析现网IP局向特征，利用Bootstrapping有效地避免样本不均的问题，提高聚类结果的可靠性；同时引入Jaccard系数比较多个聚类模型，选择最优预测结果，以保证聚类结果的稳定性。
本申请实施例基于上述过程建立Metric预测系统，令IP局向Metric预测过程自动化。通过基于Bootstrap-MS-Jaccard的IP网络局向Metric自动化预测系统，该系统采用自举法（Bootstrapping），随机从样本中抽取子集进行多次聚类分析，以提升系统的可靠性。通过将Mean-Shift聚类算法和Jaccard系数相结合，实现了IP网络局向的Metric自动化预测。Mean-Shift聚类算法基于光缆拓扑距离对IP网络中各类局向的Metric层级聚类，基于Jaccard系数评估聚类结果之间的相似度，选择最佳的Metric预测方案。
以上，相比于传统方案，本申请实施例人工干预过程较少，提升了网络仿真的鲁棒性，并且促进了网络规划的自动化进程。
为了进一步阐释本申请实施例，下面结合一个具体示例予以说明，如图5所示，以IP局向为新增IP局向为例，路由开销确定方式可以包括如下流程：
①基于光缆拓扑得到新增IP局向的光缆拓扑距离；例如，基于新增IP局向的对端信息和光缆距离，得到相对应的光缆拓扑距离。
②过滤现网中存在的目标局向，目标局向受其它因素影响，Metric数值为设定值（没有参考价值）。然后，统计与新增IP局向对端节点属性相同的全部现网局向特征，包括Metric和光缆距离。
③进行数据预处理，利用Z-score算子将局向特征归一化，将原始特征转换成均值为0、标准差为1的标准正态分布。
④通过自举抽样，从原始特征空间中多次随机有放回地抽取部分特征，形成多个样本特征空间。
⑤在上述样本特征空间中，利用Mean-Shift聚类算法对IP网络的特征聚类，得到多个聚类模型，对多个聚类模型进行Jaccard系数计算，得到模型之间的相似度，根据Jaccard系数的大小，选择相似度较高的聚类模型作为IP网络局向Metric预测模型。
⑥在预测模型中输入新增IP局向的光缆拓扑距离和对端IP节点的类别信息，即可得到该新增IP局向的Metric预测结果，配置对应Metric层级，完成网络状态的更改。
上述路由开销确定方法，基于Bootstrap-MS-Jaccard建立聚类模型，预测新增局向的Metric值，可将Metric配置自动化，解决了传统方式存在鲁棒性差、效率低、自动化阻塞等问题。其中，利用Bootstrapping和Mean-Shift聚类相结合，从IP网络中随机抽取样本进行聚类，可以有效地避免样本不均的问题，提高聚类结果的可靠性，解决了局向Metric预测中的样本不均问题。进一步地，引入Jaccard系数比较多个聚类模型，并根据Jaccard系数的大小选择相似度最高的聚类结果作为IP网络的局向Metric配置，保证了聚类结果的稳定性，解决了局向Metric预测中的多样性问题。
基于Bootstrap-MS-Jaccard的IP网络局向Metric自动化预测，通过自举抽样（Bootstrapping），随机从样本中抽取子集进行多次聚类分析，以提升系统的可靠性。通过将Mean-Shift聚类算法和Jaccard系数相结合，实现了IP网络局向的Metric自动化预测。Mean-Shift聚类算法基于光缆拓扑距离对IP网络中各类局向的Metric层级聚类，基于Jaccard系数评估聚类结果之间的相似度，选择最佳的Metric预测方案。
在一个实施例中，如图6所示，提供了一种路由开销监控方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤602，获取IP网络中的IP局向的预测值；预测值为采用上述的路由开销确定方法得到；
步骤604，获取预测值与IP局向当前的路由开销的差值；
步骤606，将差值大于监控阈值的IP局向的路由开销配置为预测值。
具体而言，IP局向指现网已有的局向，本申请实施例可以监控调整现网已有的局向Metric，进一步优化IP网络性能。需要说明的是，关于IP局向的预测值的获取方式，与上述路由开销确定方法中所记载的实现方案相似，故下面所提供的一个或多个路由开销监控方法实施例中的具体限定可以参见上文中对于路由开销确定方法的限定，在此不再赘述。
示例性地，本申请实施例可以基于上述路由开销确定方法建立的Bootstrap-MS-Jaccard自动化预测系统，监控调整现网已有的局向Metric，进一步优化IP网络性能。
可选地，可以通过监控模块收集现网全部IP局向（此过程不需要对现网进行目标局向的过滤），并输入至Bootstrap-MS-Jaccard自动化预测系统中，得到IP局向的全部预测结果；设置阈值C（监控阈值），将原Metric与预测Metric做差值，过滤出差值大于C的所有IP局向。自动调整现网局向相关参数，将上述局向Metric（即差值大于C的所有IP局向）设为预测值。
其中，鉴于特殊局向（目标局向）是人为设定的，有记录，因此关于路由开销监控方法的IP局向，可以理解为是非特殊的IP局向。
上述路由开销监控方法，基于Mean-Shift聚类分析现网IP局向Metric特征和光缆拓扑距离特征；引入Bootstrapping机制，有效地避免样本量不均的问题，提高聚类结果的可靠性；利用Jaccard算子比对多个模型相似度，选择最优预测模型，保证预测结果的稳定性。通过监控和调整进一步优化IP网络的性能，实现了IP局向Metric预测过程自动化，相比传统方法减少了人工干预过程，提高了网络仿真的鲁棒性，促进了网络规划的自动化进程，解决了网络规划中的自动化问题。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的路由开销确定方法的路由开销确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个路由开销确定装置实施例中的具体限定可以参见上文中对于路由开销确定方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种路由开销确定装置700，包括：
信息获取模块701，用于获取IP局向的对端IP节点的节点信息，基于节点信息，确定出IP局向对应的局向信息；
预测模块702，用于采用预测模型处理局向信息和节点信息，得到IP局向的路由开销的预测值；其中，预测模型为基于多个聚类模型之间的相似度所确定出的相似度最高的聚类模型；多个聚类模型为IP网络中的样本局向经局向特征聚类得到；样本局向的对端IP节点的节点信息，与IP局向的对端IP节点的节点信息相同。
在其中一个实施例中，节点信息包括对端IP节点的节点类型信息；局向信息包括IP局向的光缆拓扑距离；
信息获取模块701，用于根据节点类型信息，获得IP局向所包含的多个光缆距离；基于多个光缆距离，得到光缆拓扑距离。
在其中一个实施例中，节点类型信息包括核心节点、次核心节点、互连节点以及城域网节点中的至少一种；光缆拓扑距离为多个光缆距离的平均值。
在其中一个实施例中，路由开销确定装置700还包括：
特征获取模块，用于获取样本局向的局向特征；
预处理模块，用于将局向特征归一化，得到原始特征空间；
特征抽取模块，用于从原始特征空间中随机抽取特征，得到多个样本特征空间；
聚类模块，用于基于多个样本特征空间，采用聚类算法对每个样本特征空间进行特征聚类，得到多个聚类模型；
相似度模块，用于获取多个聚类模型之间的相似度，将相似度最高的聚类模型确定为预测模型。
在其中一个实施例中，预处理模块，用于利用Z-score算子将局向特征归一化，得到符合标准正态分布的原始特征空间。
在其中一个实施例中，特征抽取模块，用于使用自举法从原始特征空间中多次随机有放回地抽取特征，获得多个样本特征空间。
在其中一个实施例中，相似度模块，用于计算多个聚类模型之间的Jaccard系数，基于Jaccard系数计算多个聚类模型之间的平均相似度；选取出平均相似度最高的聚类模型作为预测模型。
在其中一个实施例中，聚类模块，用于在多个样本特征空间中，采用Mean-Shift聚类算法对每个样本特征空间进行特征聚类，得到多个聚类模型。
在其中一个实施例中，聚类模块，用于在样本特征空间中随机选取数据点作为第一中心点，基于搜索半径确定出目标集合；目标集合中的数据点与第一中心点之间的距离小于搜索半径；获取目标集合中各数据点的核密度估计值，以每个数据点为中心、且以核密度估计值为权重，得到带权重区域的重心坐标，将重心坐标作为第二中心点；若第一中心点与第二中心点之间的距离小于迭代阈值，将第二中心点作为聚类中心；以及响应于获取到至少一个聚类中心，对聚类中心为中心的数据点进行划分以得到多个聚类模型。
在其中一个实施例中，局向特征包括样本局向的路由开销和光缆距离；路由开销确定装置700还包括：
局向滤除模块，用于滤除IP网络中路由开销与光缆距离无关的局向；其中，样本局向的路由开销与样本局向的光缆距离成正比。
在其中一个实施例中，IP局向包括新增IP局向；路由开销确定装置700还包括：
层级配置模块，用于基于预测值，根据新增IP局向的局向类型配置新增IP局向对应的路由开销层级，确定完成IP网络的网络状态更改。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的路由开销监控方法的路由开销监控装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个路由开销监控装置实施例中的具体限定可以参见上文中对于路由开销监控方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种路由开销监控装置，包括：
预测值获取模块801，用于获取IP网络中的IP局向的预测值；预测值为采用上述的路由开销确定方法得到；
差值获取模块802，用于获取预测值与IP局向当前的路由开销的差值；
配置模块803，用于将差值大于监控阈值的IP局向的路由开销配置为预测值。
上述路由开销确定装置及路由开销监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预测模型。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种路由开销确定方法或路由开销监控方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种路由开销确定方法或路由开销监控方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9、图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述路由开销确定方法或路由开销监控方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现路由开销确定方法或路由开销监控方法。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现路由开销确定方法或路由开销监控方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random AccessMemory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (17)
1.一种路由开销确定方法，其特征在于，所述方法包括：
获取IP局向的对端IP节点的节点信息，基于所述节点信息，确定出所述IP局向对应的局向信息；
采用预测模型处理所述局向信息和所述节点信息，得到所述IP局向的路由开销的预测值；其中，所述预测模型为基于多个聚类模型之间的相似度所确定出的相似度最高的聚类模型；所述多个聚类模型为IP网络中的样本局向经局向特征聚类得到；所述样本局向的对端IP节点的节点信息，与所述IP局向的对端IP节点的节点信息相同。
2.根据权利要求1所述的方法，其特征在于，所述节点信息包括所述对端IP节点的节点类型信息；所述局向信息包括所述IP局向的光缆拓扑距离；
所述基于所述节点信息，确定出所述IP局向对应的局向信息，包括：
根据所述节点类型信息，获得所述IP局向所包含的多个光缆距离；
基于所述多个光缆距离，得到所述光缆拓扑距离。
3.根据权利要求2所述的方法，其特征在于，所述节点类型信息包括核心节点、次核心节点、互连节点以及城域网节点中的至少一种；所述光缆拓扑距离为所述多个光缆距离的平均值。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述样本局向的局向特征；
将所述局向特征归一化，得到原始特征空间；
从所述原始特征空间中随机抽取特征，得到多个样本特征空间；
基于所述多个样本特征空间，采用聚类算法对每个样本特征空间进行特征聚类，得到所述多个聚类模型；
获取所述多个聚类模型之间的相似度，将相似度最高的聚类模型确定为所述预测模型。
5.根据权利要求4所述的方法，其特征在于，所述将所述局向特征归一化，得到原始特征空间，包括：
利用Z-score算子将所述局向特征归一化，得到符合标准正态分布的所述原始特征空间。
6.根据权利要求4所述的方法，其特征在于，所述从所述原始特征空间中随机抽取特征，得到多个样本特征空间，包括：
使用自举法从所述原始特征空间中多次随机有放回地抽取特征，获得所述多个样本特征空间。
7.根据权利要求4所述的方法，其特征在于，所述获取所述多个聚类模型之间的相似度，将相似度最高的聚类模型确定为所述预测模型，包括：
计算所述多个聚类模型之间的Jaccard系数，基于所述Jaccard系数计算所述多个聚类模型之间的平均相似度；
选取出平均相似度最高的聚类模型作为所述预测模型。
8.根据权利要求4所述的方法，其特征在于，所述基于所述多个样本特征空间，采用聚类算法对每个样本特征空间进行特征聚类，得到所述多个聚类模型，包括：
在所述多个样本特征空间中，采用Mean-Shift聚类算法对每个样本特征空间进行特征聚类，得到所述多个聚类模型。
9.根据权利要求8所述的方法，其特征在于，所述在所述多个样本特征空间中，采用Mean-Shift聚类算法对每个样本特征空间进行特征聚类，得到所述多个聚类模型，包括：
在所述样本特征空间中随机选取数据点作为第一中心点，基于搜索半径确定出目标集合；所述目标集合中的数据点与所述第一中心点之间的距离小于所述搜索半径；
获取所述目标集合中各数据点的核密度估计值，以每个数据点为中心、且以所述核密度估计值为权重，得到带权重区域的重心坐标，将所述重心坐标作为第二中心点；
若所述第一中心点与所述第二中心点之间的距离小于迭代阈值，将所述第二中心点作为聚类中心；
响应于获取到至少一个所述聚类中心，对所述聚类中心为中心的数据点进行划分以得到所述多个聚类模型。
10.根据权利要求4至9任一项所述的方法，其特征在于，所述局向特征包括所述样本局向的路由开销和光缆距离；所述方法还包括：
滤除所述IP网络中路由开销与光缆距离无关的局向；其中，所述样本局向的路由开销与所述样本局向的光缆距离成正比。
11.根据权利要求1所述的方法，其特征在于，所述IP局向包括新增IP局向；所述方法还包括：
基于所述预测值，根据所述新增IP局向的局向类型配置所述新增IP局向对应的路由开销层级，确定完成所述IP网络的网络状态更改。
12.一种路由开销监控方法，其特征在于，所述方法包括：
获取IP网络中的IP局向的预测值；所述预测值为采用权利要求1至9中任一项所述的路由开销确定方法得到；
获取所述预测值与所述IP局向当前的路由开销的差值；
将所述差值大于监控阈值的所述IP局向的路由开销配置为所述预测值。
13.一种路由开销确定装置，其特征在于，所述装置包括：
信息获取模块，用于获取IP局向的对端IP节点的节点信息，基于所述节点信息，确定出所述IP局向对应的局向信息；
预测模块，用于采用预测模型处理所述局向信息和所述节点信息，得到所述IP局向的路由开销的预测值；其中，所述预测模型为基于多个聚类模型之间的相似度所确定出的相似度最高的聚类模型；所述多个聚类模型为IP网络中的样本局向经局向特征聚类得到；所述样本局向的对端IP节点的节点信息，与所述IP局向的对端IP节点的节点信息相同。
14.一种路由开销监控装置，其特征在于，所述装置包括：
预测值获取模块，用于获取IP网络中的IP局向的预测值；所述预测值为采用权利要求1至9中任一项所述的路由开销确定方法得到；
差值获取模块，用于获取所述预测值与所述IP局向当前的路由开销的差值；
配置模块，用于将所述差值大于监控阈值的所述IP局向的路由开销配置为所述预测值。
15.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述的方法的步骤。
16.一种计算机可读存储介质，其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12中任一项所述的方法的步骤。
17.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310878158.8A CN116614392B (zh) | 2023-07-18 | 2023-07-18 | 路由开销确定方法、路由开销监控方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310878158.8A CN116614392B (zh) | 2023-07-18 | 2023-07-18 | 路由开销确定方法、路由开销监控方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116614392A true CN116614392A (zh) | 2023-08-18 |
| CN116614392B CN116614392B (zh) | 2023-10-03 |
Family
ID=87675060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310878158.8A Active CN116614392B (zh) | 2023-07-18 | 2023-07-18 | 路由开销确定方法、路由开销监控方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116614392B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118469741A (zh) * | 2024-07-11 | 2024-08-09 | 中国海洋大学三亚海洋研究院 | 一种渔场重心坐标的计算方法、装置、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009070958A1 (fr) * | 2007-11-30 | 2009-06-11 | China Mobile Communications Corporation | Procédé et dispositif de détection d'échec de circuit de jonction de plan utilisateur, de détection de récupération et d'établissement de rapport de celle-ci |
| CN101820651A (zh) * | 2009-02-27 | 2010-09-01 | 华为技术有限公司 | 通信路径选择方法、网络交换设备、承载设备和通信系统 |
| CN105024844A (zh) * | 2014-04-30 | 2015-11-04 | 中国电信股份有限公司 | 一种计算跨域路由的方法、服务器以及系统 |
| CN114222345A (zh) * | 2021-11-26 | 2022-03-22 | 网络通信与安全紫金山实验室 | 路由路径计算方法、装置、电子设备及存储介质 |
| US20230007564A1 (en) * | 2021-06-30 | 2023-01-05 | Qualcomm Incorporated | Adaptive transmission and transmission path selection based on predicted channel state |
-
2023
- 2023-07-18 CN CN202310878158.8A patent/CN116614392B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009070958A1 (fr) * | 2007-11-30 | 2009-06-11 | China Mobile Communications Corporation | Procédé et dispositif de détection d'échec de circuit de jonction de plan utilisateur, de détection de récupération et d'établissement de rapport de celle-ci |
| CN101820651A (zh) * | 2009-02-27 | 2010-09-01 | 华为技术有限公司 | 通信路径选择方法、网络交换设备、承载设备和通信系统 |
| CN105024844A (zh) * | 2014-04-30 | 2015-11-04 | 中国电信股份有限公司 | 一种计算跨域路由的方法、服务器以及系统 |
| US20230007564A1 (en) * | 2021-06-30 | 2023-01-05 | Qualcomm Incorporated | Adaptive transmission and transmission path selection based on predicted channel state |
| CN114222345A (zh) * | 2021-11-26 | 2022-03-22 | 网络通信与安全紫金山实验室 | 路由路径计算方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 吕守向: "5G 网络移动接入技术研究", 白城师范学院学报 * |
| 邹博文，嵩天，李天龙，杨雅婷: "面向命名数据网络的轻量级路由协议", 计算机科学与探索 * |
| 陈迅等: "运营商云网协同组网架构演进探讨", 广东通信技术 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118469741A (zh) * | 2024-07-11 | 2024-08-09 | 中国海洋大学三亚海洋研究院 | 一种渔场重心坐标的计算方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116614392B (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2019201268B2 (en) | Segmentation of an image based on color and color differences | |
| CN116614392B (zh) | 路由开销确定方法、路由开销监控方法及装置 | |
| CN112910710B (zh) | 网络流量时空预测方法、装置、计算机设备和存储介质 | |
| CN108882172B (zh) | 一种基于hmm模型的室内移动轨迹数据的预测方法 | |
| CN111292377B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN112541546A (zh) | 一种基于多场景模型的光伏电站典型场景生成方法 | |
| CN110298687B (zh) | 一种区域吸引力评估方法及设备 | |
| WO2015180340A1 (zh) | 一种数据挖掘方法及装置 | |
| CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
| CN113568954A (zh) | 网络流量预测数据预处理阶段的参数最优化方法及系统 | |
| CN114584406A (zh) | 一种联邦学习的工业大数据隐私保护系统及方法 | |
| CN113220748B (zh) | 一种构建配电网设备负荷热力图及数据分析的方法和系统 | |
| CN109218184B (zh) | 基于端口和结构信息的路由器归属as识别方法 | |
| CN113191432B (zh) | 基于离群因子的虚拟机集群的异常检测方法、设备及介质 | |
| CN116415957A (zh) | 异常交易对象识别方法、装置、计算机设备和存储介质 | |
| Giannakopoulos et al. | A decision tree based approach towards adaptive modeling of big data applications | |
| CN109245948A (zh) | 安全感知的虚拟网络映射方法及其装置 | |
| CN115730663A (zh) | 量子计算任务映射方法以及量子计算机操作系统 | |
| CN114329231A (zh) | 对象特征处理方法、装置、电子设备及存储介质 | |
| Belcastro et al. | Evaluation of large scale roi mining applications in edge computing environments | |
| CN115705511A (zh) | 取件区域的确定方法、装置、设备及存储介质 | |
| CN114997274B (zh) | 一种基于两阶段聚类的用水模式构建方法 | |
| CN117151934B (zh) | 一种配电网不停电作业项目多维聚类分析方法及装置 | |
| CN118310556B (zh) | 一种行车轨迹确定方法、计算机设备和程序产品 | |
| CN112486615B (zh) | 基于拓扑路径的决策流执行方法、装置、设备及存储介质 |
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 |