CN116743672A - 基于人工智能的流量分发方法、系统、设备及存储介质 - Google Patents
基于人工智能的流量分发方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116743672A CN116743672A CN202310677791.0A CN202310677791A CN116743672A CN 116743672 A CN116743672 A CN 116743672A CN 202310677791 A CN202310677791 A CN 202310677791A CN 116743672 A CN116743672 A CN 116743672A
- Authority
- CN
- China
- Prior art keywords
- data
- flow
- neural network
- network model
- distributed
- 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 46
- 238000009826 distribution Methods 0.000 title claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2483—Traffic characterised by specific attributes, e.g. priority or QoS involving identification of individual flows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于人工智能的流量分发方法、系统、设备及存储介质，涉及人工智能技术领域，该方法包括：获取待分发流量数据；通过预训练的神经网络模型识别所述待分发流量数据的流量类型；发送流量数据鉴别结果到所述流量类型对应的服务器，其中，所述流量数据鉴别结果包括所述流量类型和对应的待分发流量数据。通过人工智能技术训练优化，取得提高流量分发的效率以及流量分发的质量的效果。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于人工智能的流量分发方法、系统、设备及存储介质。
背景技术
随着互联网的快速发展，网络应用的数量以及用户的数量不断增加，如何有效地处理流量分发成为互联网企业面临的挑战。传统的流量分发方法通常静态规则或基础算法，通常地，采用中心化的负载均衡器来进行流量分发，存在单点故障、性能瓶颈、网络延时等缺陷。为了解决这个问题，可以利用大数据和人工智能技术，对用户数据进行采集和分析，通过机器学习不断训练优化，从而提高分发效率和分发质量。
发明内容
本发明提供了一种基于人工智能的流量分发方法、系统、设备及存储介质，通过人工智能技术训练优化，提高流量分发的效率以及流量分发的质量。
第一方面，本发明提供了一种基于人工智能的流量分发方法，所述方法包括：
获取待分发流量数据；
通过预训练的神经网络模型识别所述待分发流量数据的流量类型；
发送流量数据鉴别结果到所述流量类型对应的服务器，其中，所述流量数据鉴别结果包括所述流量类型和对应的待分发流量数据。
第二方面，本发明提供了一种基于人工智能的流量分发系统，包括：
获取单元，用于获取待分发流量数据；
识别单元，用于通过预训练的神经网络模型识别所述待分发流量数据的流量类型；
发送单元，用于发送流量数据鉴别结果到所述流量类型对应的服务器。
第三方面，提供了一种计算机设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面任一项实施例所述的基于人工智能的流量分发方法的步骤。
第四方面，提供了一种计算机可读存储介质，其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如第一方面任一项实施例所述的基于人工智能的流量分发方法的步骤。
本发明实施例提供的上述技术方案与现有技术相比具有如下优点：
本发明实施例提供的该方法，针对用户流量数据训练神经网络模型，收集和处理用户流量数据，通过训练后的神经网络模型按流量数据分发的关键特征分发流量数据，一方面，帮助系统快速适应变化的网络环境，取得更高的流量数据分发效率，另一方面，可针对性地为用户分发价值高、效率高、内容精彩的流量，取得更高的流量数据分发质量。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，对于本领域普通技术人员而言，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为本发明实施例提供的一种基于人工智能的流量分发方法的流程示意图；
图2为本发明实施例提供的一种基于人工智能的流量分发方法的子流程示意图；
图3为本发明实施例提供的一种基于人工智能的流量分发方法的子流程示意图；
图4为本发明实施例提供的预训练的神经网络模型的流程示意图；
图5为本发明实施例提供的预训练的神经网络模型的子流程示意图；
图6为本发明实施例提供的一种基于人工智能的流量分发方法的流程示意图；
图7为本发明实施例提供的一种基于人工智能的流量分发系统的结构示意图；
图8为本发明实施例提供的一种计算机设备的示意性框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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。
实施例1
图1为本发明实施例提供的一种基于人工智能的流量分发方法的流程示意图。本发明实施例提出了一种基于人工智能的流量分发方法，具体地，参见图1，该基于人工智能的流量分发方法包括如下步骤S101-S103。
S101，获取待分发流量数据。
具体实施中，通过预设的数据采集组件收集需要往各服务器分发的数据，并将需要往各服务器分发的数据作为待分发流量数据。
在一实施例中，参见图2，图2为本发明实施例提供的一种基于人工智能的流量分发方法的子流程示意图。以上步骤S101包括步骤S201-S202：
S201，获取用户流量数据。
在一实施例中，参见图3，图3为本发明实施例提供的一种基于人工智能的流量分发方法的子流程示意图。以上步骤S201包括步骤S301-S302：
S301，基于预设的数据采集装置获取字节流数据。
S302，从所述字节流数据中获取用户请求数据、网络流量数据、设备数据以及应用上报数据作为用户流量数据。
具体实施中，通过预设的数据采集组件收集数据时，配合预设的规范去掉字节流数据中的无关数据，减小数据量以便于提高后续过滤数据的效率。
S202，对所述用户流量数据进行预处理，得到所述待分发流量数据，所述预处理包括数据清洗处理、数据过滤处理以及数据标准化处理。
具体实施中，预处理一方面是为了让数据可用；另一方面是为了让数据变的更适合进行后续的分析工作。收集的数据源通常存在重复或者错误，比如重复录入，小数点错误等不能直接用于计算，建模等后续操作的数据，通过过滤用户流量数据中不符合预设规范的数据，得到可用于计算、建模的数据作为待分发流量数据。可以根据不同的业务需求进行定制和扩展预处理的规范，从而满足不同场景下的流量分发需求。通常地，预处理包括数据清洗处理、数据过滤处理以及数据标准化处理。数据清洗处理指利用数理统计、数据挖掘和预定义清理规则等有关技术将“脏数据”处理掉，从数据源中检测并消除错误、不一致、不完整和重复等数据，为满足要求提供高质量的数据，即将不满足质量要求的数据处理为满足质量要求的数据。数据过滤处理指将满足质量要求的数据中根据预设的规范划分为有效数据以及无效数据，并保留有效数据作为后续处理。数据标准化处理指去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。
对所述用户流量数据进行预处理，依次处理得到满足质量要求的数据、有效数据以及去除单位限制的数据，将最终得到的数据作为待分发流量数据，待分发流量数据可用于计算、建模等操作。通过预处理将采集到的数据进一步地过滤得到准确的数据。
S102，通过预训练的神经网络模型识别所述待分发流量数据的流量类型。
具体实施中，流量类型可包括多级分类，例如：一级分类包括“美食”“运动”“汽车”等，一级分类“运动”下的二级分类包括“足球”“篮球”“乒乓球”等等。通过预训练的神经网络模型，可快速地识别所述待分发流量数据的流量类型。
在一实施例中，参见图4，图4为本发明实施例提供的预训练的神经网络模型的流程示意图。所述预训练的神经网络模型，包括步骤S401-S402：
S401，从预设的流量数据库中获取流量样本数据组成流量数据训练集，并根据所述流量样本数据的流量类型确定所述流量样本数据所对应的服务器。
S402，通过所述流量数据训练集对预构建的神经网络模型进行训练，得到所述预训练的神经网络模型。
具体实施中，流量数据库中储存有多种类别的流量样本数据，例如“美食”流量样本数据、“运动”流量样本数据、“汽车”流量样本数据等。本方案通过神经网络识别待分发流量数据的流量类型，相比于人工识别具有更高的识别率。
终端从流量数据库中获取流量样本数据组成流量数据训练集，终端根据流量样本数据的类型确定所述流量样本数据所对应的服务器。
具体操作中，终端可直接调用存储在终端中的流量数据训练集，并根据该流量数据训练集来对预构建的神经网络模型进行训练。
在一实施例中，参见图5，图5为本发明实施例提供的预训练的神经网络模型的子流程示意图。所述通过所述流量数据训练集对预构建的神经网络模型进行训练，包括步骤S501-S504：
S501，获取所述流量样本数据的待分发流量数据作为输入数据，将所述输入数据输入到所述神经网络模型中。
S502，判断所述神经网络模型的输出结果是否与所述流量样本数据的流量类型相同。
S503，若所述神经网络模型的输出结果与所述流量样本数据的流量类型不相同，跳转到所述获取所述流量样本数据的待分发流量数据作为输入数据，将所述输入数据输入到所述神经网络模型中的步骤。
S504，若所述神经网络模型的输出结果与所述流量样本数据的流量类型相同，将训练后的所述神经网络模型作为所述预训练的神经网络模型。
具体实施中，如果所述神经网络模型的输出结果与所述流量样本数据的流量类型不相同，则所述神经网络模型未达到预期的效果，需要跳转到步骤S501，如此循环迭代直到神经网络模型的输出结果与所述流量样本数据的流量类型相同为止。
S103，发送流量数据鉴别结果到所述流量类型对应的服务器，其中，所述流量数据鉴别结果包括所述待分发流量数据以及所述流量类型。
具体实施中，根据流量数据鉴别结果的流量类型，动态地分配不同用户的流量数据到不同的服务器、节点等，确保用户请求能够快速响应，同时降低服务器的负荷。
在一实施例中，参见图6，图6为本发明实施例提供的一种基于人工智能的流量分发方法的流程示意图。所述发送流量数据鉴别结果到所述流量类型对应的服务器之后，还包括步骤S104：接收所述流量数据鉴别结果的响应数据，并将所述响应数据发送给用户终端，其中，所述流量数据鉴别结果的响应数据由所述流量类型对应的服务器发送。
具体实施中，发送流量数据鉴别结果到所述流量类型对应的服务器之后，针对性地、及时地为用户分发价值高、效率高、内容精彩的流量内容，保证服务的准确性。
在一实施例中，参见图6，图6为本发明实施例提供的一种基于人工智能的流量分发方法的流程示意图。所述发送流量数据鉴别结果到所述流量类型对应的服务器之后，跳转到所述获取待分发流量数据的步骤。
具体实施中，发送流量数据鉴别结果到所述流量类型对应的服务器之后，触发重新采集相关数据更新，即跳转到步骤S101，实时监控流量分发的状态、内容的变化，保证分发高效率和高质量，能够及时发现相关问题并处理。
本发明实施例提供的上述技术方案与现有技术相比具有如下优点：
针对流量数据训练神经网络模型，收集和处理用户流量数据，通过训练后的神经网络模型按流量数据分发的关键特征分发流量数据，一方面，帮助系统快速适应变化的网络环境，取得更高的流量数据分发效率，另一方面，可针对性地为用户分发价值高、效率高、内容精彩的流量，取得更高的流量数据分发质量。
实施例2
参见图7本发明实施例还提供了一种基于人工智能的流量分发系统600，该基于人工智能的流量分发系统包括获取单元601、识别单元602以及发送单元603。
获取单元601,用于获取待分发流量数据。
在一实施例中，所述获取待分发流量数据，包括：
获取用户流量数据；
对所述用户流量数据进行预处理，得到所述待分发流量数据，所述预处理包括数据清洗处理、数据过滤处理以及数据标准化处理。
在一实施例中，所述获取用户流量数据，包括：
基于预设的数据采集装置获取字节流数据；
从所述字节流数据中获取用户请求数据、网络流量数据、设备数据以及应用上报数据作为所述用户流量数据。
识别单元602,用于通过预训练的神经网络模型识别所述待分发流量数据的流量类型。
在一实施例中，所述预训练的神经网络模型，包括：
从预设的流量数据库中获取流量样本数据组成流量数据训练集，并根据所述流量样本数据的流量类型确定所述流量样本数据所对应的服务器；
通过所述流量数据训练集对预构建的神经网络模型进行训练，得到所述预训练的神经网络模型。
在一实施例中，通过所述流量数据训练集对预构建的神经网络模型进行训练，包括：
获取所述流量样本数据的待分发流量数据作为输入数据，将所述输入数据输入到所述神经网络模型中；
判断所述神经网络模型的输出结果是否与所述流量样本数据的流量类型相同；
若所述神经网络模型的输出结果与所述流量样本数据的流量类型不相同，跳转到所述获取所述流量样本数据的待分发流量数据作为输入数据，将所述输入数据输入到所述神经网络模型中的步骤；
若所述神经网络模型的输出结果与所述流量样本数据的流量类型相同，将训练后的所述神经网络模型作为所述预训练的神经网络模型。
发送单元603,用于发送流量数据鉴别结果到所述流量类型对应的服务器，其中，所述流量数据鉴别结果包括所述流量类型和对应的待分发流量数据。
在一实施例中，所述发送流量数据鉴别结果到所述流量类型对应的服务器之后，还包括：
接收所述流量数据鉴别结果的响应数据，并将所述响应数据发送给用户终端，其中，所述流量数据鉴别结果的响应数据由所述流量类型对应的服务器发送。
在一实施例中，所述发送流量数据鉴别结果到所述流量类型对应的服务器之后，跳转到所述获取待分发流量数据的步骤。
参见图8，图8是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行一种基于人工智能的流量分发方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种基于人工智能的流量分发方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，上述结构，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500的限定，具体的计算机设备500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。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)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。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。
所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。所述计算机可读存储介质可以是非易失性，也可以是易失性。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，尚且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于人工智能的流量分发方法，其特征在于，包括：
获取待分发流量数据；
通过预训练的神经网络模型识别所述待分发流量数据的流量类型；
发送流量数据鉴别结果到所述流量类型对应的服务器，其中，所述流量数据鉴别结果包括所述流量类型和对应的待分发流量数据。
2.根据权利要求1所述的方法，其特征在于，所述获取待分发流量数据，包括：
获取用户流量数据；
对所述用户流量数据进行预处理，得到所述待分发流量数据，所述预处理包括数据清洗处理、数据过滤处理以及数据标准化处理。
3.根据权利要求2所述的方法，其特征在于，所述获取用户流量数据，包括：
基于预设的数据采集装置获取字节流数据；
从所述字节流数据中获取用户请求数据、网络流量数据、设备数据以及应用上报数据作为所述用户流量数据。
4.根据权利要求1所述的方法，其特征在于，所述预训练的神经网络模型，包括：
从预设的流量数据库中获取流量样本数据组成流量数据训练集，并根据所述流量样本数据的流量类型确定所述流量样本数据所对应的服务器；
通过所述流量数据训练集对预构建的神经网络模型进行训练，得到所述预训练的神经网络模型。
5.根据权利要求4所述的方法，其特征在于，通过所述流量数据训练集对预构建的神经网络模型进行训练，包括：
获取所述流量样本数据的待分发流量数据作为输入数据，将所述输入数据输入到所述神经网络模型中；
判断所述神经网络模型的输出结果是否与所述流量样本数据的流量类型相同；
若所述神经网络模型的输出结果与所述流量样本数据的流量类型不相同，跳转到所述获取所述流量样本数据的待分发流量数据作为输入数据，将所述输入数据输入到所述神经网络模型中的步骤；
若所述神经网络模型的输出结果与所述流量样本数据的流量类型相同，将训练后的所述神经网络模型作为所述预训练的神经网络模型。
6.根据权利要求1所述的方法，其特征在于，所述发送流量数据鉴别结果到所述流量类型对应的服务器之后，还包括：
接收所述流量数据鉴别结果的响应数据，并将所述响应数据发送给用户终端，其中，所述流量数据鉴别结果的响应数据由所述流量类型对应的服务器发送。
7.根据权利要求1所述的方法，其特征在于，所述发送流量数据鉴别结果到所述流量类型对应的服务器之后，跳转到所述获取待分发流量数据的步骤。
8.一种基于人工智能的流量分发系统，其特征在于，包括：
获取单元，用于获取用户流量数据；
过滤单元，用于从所述用户流量数据中过滤出待分发流量数据；
识别单元，用于通过预训练的神经网络模型识别所述待分发流量数据的流量类型；
发送单元，用于发送流量数据鉴别结果到所述流量类型对应的服务器。
9.一种计算机设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求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，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如权利要求1-7任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310677791.0A CN116743672A (zh) | 2023-06-08 | 2023-06-08 | 基于人工智能的流量分发方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310677791.0A CN116743672A (zh) | 2023-06-08 | 2023-06-08 | 基于人工智能的流量分发方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116743672A true CN116743672A (zh) | 2023-09-12 |
Family
ID=87903824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310677791.0A Pending CN116743672A (zh) | 2023-06-08 | 2023-06-08 | 基于人工智能的流量分发方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116743672A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111796916A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 数据分发方法、装置、存储介质及服务器 |
| CN112632258A (zh) * | 2020-12-30 | 2021-04-09 | 太平金融科技服务（上海）有限公司 | 文本数据处理方法、装置、计算机设备和存储介质 |
| CN112949739A (zh) * | 2021-03-17 | 2021-06-11 | 中国电子科技集团公司第二十九研究所 | 一种基于智能流量分类的信息传输调度方法及系统 |
| CN113507419A (zh) * | 2021-07-07 | 2021-10-15 | 工银科技有限公司 | 流量分发模型的训练方法、流量分发方法及装置 |
| CN113518042A (zh) * | 2020-12-16 | 2021-10-19 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN113762377A (zh) * | 2021-09-02 | 2021-12-07 | 北京恒安嘉新安全技术有限公司 | 网络流量识别方法、装置、设备及存储介质 |
| CN114338064A (zh) * | 2020-09-30 | 2022-04-12 | 腾讯科技（深圳）有限公司 | 识别网络流量类型的方法、装置、设备和存储介质 |
| CN115967681A (zh) * | 2022-12-23 | 2023-04-14 | 中国电子产业工程有限公司 | 一种互联网流量分类方法、装置及设备 |
-
2023
- 2023-06-08 CN CN202310677791.0A patent/CN116743672A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111796916A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 数据分发方法、装置、存储介质及服务器 |
| CN114338064A (zh) * | 2020-09-30 | 2022-04-12 | 腾讯科技（深圳）有限公司 | 识别网络流量类型的方法、装置、设备和存储介质 |
| CN113518042A (zh) * | 2020-12-16 | 2021-10-19 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN112632258A (zh) * | 2020-12-30 | 2021-04-09 | 太平金融科技服务（上海）有限公司 | 文本数据处理方法、装置、计算机设备和存储介质 |
| CN112949739A (zh) * | 2021-03-17 | 2021-06-11 | 中国电子科技集团公司第二十九研究所 | 一种基于智能流量分类的信息传输调度方法及系统 |
| CN113507419A (zh) * | 2021-07-07 | 2021-10-15 | 工银科技有限公司 | 流量分发模型的训练方法、流量分发方法及装置 |
| CN113762377A (zh) * | 2021-09-02 | 2021-12-07 | 北京恒安嘉新安全技术有限公司 | 网络流量识别方法、装置、设备及存储介质 |
| CN115967681A (zh) * | 2022-12-23 | 2023-04-14 | 中国电子产业工程有限公司 | 一种互联网流量分类方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190024B (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
| JP6587330B2 (ja) | ランダムフォレストモデルの訓練方法、電子装置及び記憶媒体 | |
| CN107888616A (zh) | 基于URI的分类模型的构建方法和Webshell攻击网站的检测方法 | |
| CN107305611B (zh) | 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置 | |
| CN110830445B (zh) | 一种异常访问对象的识别方法及设备 | |
| CN105099729B (zh) | 一种识别用户身份标识的方法和装置 | |
| CN112711705B (zh) | 舆情数据处理方法、设备及存储介质 | |
| CN110083475B (zh) | 一种异常数据的检测方法及装置 | |
| CN109257390B (zh) | Cc攻击的检测方法、装置及电子设备 | |
| WO2020143186A1 (zh) | 推荐系统训练方法、装置、计算机设备及存储介质 | |
| US20200394448A1 (en) | Methods for more effectively moderating one or more images and devices thereof | |
| WO2019052162A1 (zh) | 提高数据清洗效率的方法、装置、设备及可读存储介质 | |
| CN114817425A (zh) | 一种冷热数据分类的方法、装置、设备及可读存储介质 | |
| CN111611786B (zh) | 文本相似度的计算方法及装置 | |
| CN110196805B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
| CN110876072B (zh) | 一种批量注册用户识别方法、存储介质、电子设备及系统 | |
| CN108463813B (zh) | 一种进行数据处理的方法和装置 | |
| CN106657128B (zh) | 基于通配符掩码规则的数据包过滤方法及装置 | |
| CN111324725B (zh) | 一种话题获取方法、终端、计算机可读存储介质 | |
| CN110399464B (zh) | 一种相似新闻判别方法、系统及电子设备 | |
| CN113127693A (zh) | 一种流量数据包统计方法、装置、设备及存储介质 | |
| CN116743672A (zh) | 基于人工智能的流量分发方法、系统、设备及存储介质 | |
| CN113918577B (zh) | 数据表识别方法、装置、电子设备及存储介质 | |
| CN114339689A (zh) | 一种物联网机卡绑定池管控方法、装置及相关介质 | |
| CN109614854B (zh) | 视频数据处理方法及装置、计算机装置及可读存储介质 |
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 |