CN116866218A - 一种网络性能检测方法及系统 - Google Patents
一种网络性能检测方法及系统 Download PDFInfo
- Publication number
- CN116866218A CN116866218A CN202311093185.0A CN202311093185A CN116866218A CN 116866218 A CN116866218 A CN 116866218A CN 202311093185 A CN202311093185 A CN 202311093185A CN 116866218 A CN116866218 A CN 116866218A
- Authority
- CN
- China
- Prior art keywords
- network
- node
- representing
- rate
- performance
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000004891 communication Methods 0.000 claims abstract description 96
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 11
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 29
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000000547 structure data Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—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
- H04L41/14—Network analysis or design
- H04L41/149—Network analysis or design for prediction of maintenance
-
- 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
- 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
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0829—Packet loss
-
- 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
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0847—Transmission error
-
- 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
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0888—Throughput
Abstract
本发明公开了一种网络性能检测方法及系统,属于数据处理技术领域,方法包括:通过图神经网络,获取通信网络拓扑结构;通过消息传递神经网络,传递通信网络拓扑结构;获取各个网络节点的掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率;计算各个网络节点的性能参数值;当网络节点的性能参数值小于第一预设值时,将网络节点确定为潜在故障节点,并输出潜在故障节点的标识符;获取各个网络节点的度数和介数;计算各个网络节点的重要性参数值;计算通信网络的整体性能值;当通信网络的整体性能值小于第二预设值时,确定通信网络存在潜在风险,发出警报;根据整体性能值序列,通过循环神经网络,预测未来通信网络的整体性能。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种网络性能检测方法及系统。
背景技术
通信网络作为现代互联网和云计算的基础,随着通信技术的不断发展,发挥着越来越重要的作用。由于通信网络连接的网络设备越来越多,网络拓扑结构也越来越复杂,并且网络中流量也越来越多样,导致准确、高效地进行网络性能检测的难度越来越大。
传统的网络性能检测方法,更多的关注于通信网络中的某个设备的网络性能,例如通过一些网速测量软件监测某台电脑的网络性能,缺少对于整个通信网络的网络性能的测量与评估。并且在监测某个设备的网络性能时也仅仅关注于丢包率、吞吐量和CPU利用率等几个常用的性能指标,难以准确、全面地评估网络性能,并且用户对于丢包率、吞吐量和CPU利用率等参数的概念往往是缺乏认识的,导致当前的网络性能评估结果的可理解性低。随着接入通信网络的网络设备越来越多,难以及时地更新网络拓扑结构,往往是基于未更新前的通信网络拓扑结构进行网络性能评估,导致网络性能评估的准确性低。
发明内容
为了解决传统的网络性能检测方法缺少对于整个通信网络的网络性能的测量与评估,仅仅关注于丢包率、吞吐量和CPU利用率等几个常用的性能指标,难以准确、全面地评估网络性能,并且用户对于丢包率、吞吐量和CPU利用率等参数的概念往往是缺乏认识的,导致当前的网络性能评估结果的可理解性低,难以及时地更新网络拓扑结构,往往是基于未更新前的通信网络拓扑结构进行网络性能评估,导致网络性能评估的准确性低的技术问题,本发明提供一种网络性能检测方法及系统。
第一方面
本发明提供了一种网络性能检测方法,包括:
S101:通过图神经网络,获取通信网络拓扑结构;
S102:通过消息传递神经网络,传递所述通信网络拓扑结构,获取通信网络中的各个网络节点;
S103:获取各个网络节点的掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率;
S104:根据各个网络节点的掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率,计算各个网络节点的性能参数值;
S105:当网络节点的性能参数值小于第一预设值时,将网络节点确定为潜在故障节点,并输出所述潜在故障节点的标识符;
S106:获取各个网络节点的度数和介数;
S107:根据各个网络节点的度数和介数,计算各个网络节点的重要性参数值;
S108:根据各个网络节点的性能参数值和重要性参数值,计算通信网络的整体性能值;
S109:当通信网络的整体性能值小于第二预设值时,确定通信网络存在潜在风险,发出警报;
S110:根据整体性能值序列,通过循环神经网络,预测未来通信网络的整体性能。
第二方面
本发明提供了一种网络性能检测系统,用于执行第一方面中的网络性能检测方法。
与现有技术相比,本发明至少具有以下有益技术效果:
(1)在本发明中,根据各个网络节点的掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率,综合计算各个网络节点的性能参数值,可以更加准确、全面地评估网络性能。
(2)在本发明中,可以计算出各个网络节点(可以理解为各个用户的电脑)的性能参数值,进而根据性能参数值找到潜在故障节点,用户无需对丢包率、吞吐量和CPU利用率等参数的复杂概念有所认识,提升网络性能评估结果的可理解性,降低用户使用网络性能评估技术的门槛,提升用户体验。
(3)在本发明中,根据通信网络中各个网络节点的性能参数值和重要性参数值,计算通信网络的整体性能值,完成对于整个通信网络的网络性能的测量与评估,更好地揭示通信网络的整体状态,而不仅仅是关注个别节点或单一性能指标。通过对整体性能值的监测和分析,可以了解通信网络的负载情况,从而有助于优化资源的分配。
(4)在本发明中,通过图神经网络和消息传递神经网络,实时更新通信网络拓扑结构,根据最新的通信网络拓扑结构进行网络性能评估,提升了网络性能评估的准确性。
(5)在本发明中,根据整体性能值序列,通过循环神经网络,预测未来通信网络的整体性能,可以根据预测结果规划网络升级、扩容等决策,从而更有针对性地优化网络性能,并且预测未来网络性能有助于合理分配网络资源,如果预测显示某一时间段网络负载将增加,管理员可以提前调整资源分配,以确保网络正常运行,避免性能瓶颈。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种网络性能检测方法的流程示意图;
图2是本发明提供的一种网络性能检测方法的结构示意图。
具体实施方式
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,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接。可以是机械连接,也可以是电连接。可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中,参考说明书附图1,示出了本发明提供的一种网络性能检测方法的流程示意图。参考说明书附图2,示出了本发明提供的一种网络性能检测方法的结构示意图。
本发明提供的一种网络性能检测方法,包括:
S101:通过图神经网络,获取通信网络拓扑结构。
其中,图神经网络(Graph Neural Network, GNN)是一类用于处理图结构数据的机器学习模型。与传统的神经网络主要处理向量或矩阵数据不同,图神经网络专门用于处理包含节点和边的图数据。
其中,网络拓扑结构是指网络中各个节点(设备、主机、路由器等)以及它们之间连接的物理或逻辑布局方式。
在一种可能的实施方式中,S101具体包括子步骤S1011至S1013:
S1011:通过图神经网络,获取各个网络节点之间的连接关系。
S1012:根据各个网络节点之间的连接关系,以各个网络节点作为图节点,以各个连接关系作为边,构建通信网络图数据。
S1013:通过GCN图嵌入模型,将通信网络图数据中的图节点和边转换为低维向量,得到通信网络拓扑结构的嵌入表示。
其中,GCN(Graph Convolutional Network,基于图卷积网络)图嵌入模型是一种用于处理图结构数据的神经网络模型,能够将图中的节点表示转换为低维向量,从而实现对图数据的降维和特征提取。
在本发明中,将网络节点和连接关系抽象成图数据,并通过GCN等图嵌入技术将其转换为低维向量,能够有效地捕捉和表示通信网络的拓扑结构。这样的表示可以更好地反映节点之间的关系和连接方式。使用图神经网络和GCN等图嵌入技术,可以高效地处理网络图数据,尤其在网络规模较大时,仍能够保持较高的计算效率。这有助于在实时或大规模网络环境下进行拓扑分析。
S102:通过消息传递神经网络,传递通信网络拓扑结构,获取通信网络中的各个网络节点。
其中,消息传递神经网络(Message Passing Neural Network,MPNN)是一类用于处理图结构数据的图神经网络模型。MPNN是图神经网络的一种重要变体,其核心思想是通过消息传递的方式对图中的节点进行特征更新和信息传递。
在一种可能的实施方式中,S102具体包括子步骤S1021至S1024:
S1021:获取与每个消息传递节点v相邻的消息传递节点i接收经过t次消息交换后的隐藏状态以及每个消息传递节点v的原始隐藏状态/>。
S1022:通过消息传递函数,将相邻的消息传递节点i经过t次消息交换后的隐藏状态以及每个消息传递节点v的原始隐藏状态/>进行组合:
其中,y表示消息传递函数,b v 、b i 表示偏置量。
S1023:根据消息传递函数,获取消息传递节点v在t+1次交换的消息,并进行传递:
其中,表示消息传递节点v第t+1次交换的消息,N(v)表示消息传递节点的总数。
其中,消息传递函数是图神经网络中的关键组件之一,用于在图结构数据中传递节点之间的信息和特征。消息传递函数的主要目的是将一个节点与其邻居节点之间的信息进行交流和传递,从而更新节点的特征表示。
S1024:更新消息传递函数,基于先前的隐藏状态和聚合消息来计算每个消息传递节点的新隐藏状态/>,重复上述过程,不断迭代,直至达到预设迭代次数。
需要说明的是,通过消息传递的方式,MPNN使得节点能够与其邻居节点进行信息交流和传递,有助于将局部信息传递到整体网络中,提供更全局的特征表示。通过迭代更新消息传递函数,MPNN能够不断地更新节点的特征表示。这种特征更新能够更好地反映节点的动态变化,从而更准确地描述节点在通信网络中的行为和状态。
在本发明中,通过图神经网络和消息传递神经网络,实时更新通信网络拓扑结构,根据最新的通信网络拓扑结构进行网络性能评估,提升了网络性能评估的准确性。
S103:获取各个网络节点的掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率。
在一种可能的实施方式中,S103具体包括子步骤S1031至S1036:
S1031:根据以下公式计算掉线率a 1:
其中,n drop 表示在当前时间点下操作异常的端口数量,n use 在当前时间点下正在使用的端口数量。
S1032:根据以下公式计算丢包率a 2:
其中,n dis 表示丢包数,n cast 表示发出的总包数。
S1033:根据以下公式计算错误包率a 3:
其中,n dis 表示错误包数,n cast 表示发出的总包数。
S1034:根据以下公式计算吞吐量a 4:
其中,O in 表示在预设时长内接收的总字节数,O out 表示在预设时长内发送的总字节数,T表示预设时长。
S1035:通过网络节点的CpuOccupy字段获取CPU利用率a 5。
S1036:根据以下公式计算端口利用率a 6:
其中,表示吞吐量,O in 表示在预设时长内接收的总字节数,O out 表示在预设时长内发送的总字节数,T表示预设时长,sp表示字节处理速度。
S104:根据各个网络节点的掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率,计算各个网络节点的性能参数值。
其中,性能参数值用于评估某个网络节点的性能。
在一种可能的实施方式中,S104具体:根据以下公式,计算网络节点的性能参数值:
其中,h表示性能参数值,a 1表示掉线率,μ 1表示掉线率的权重,a 2表示丢包率,μ 2表示丢包率的权重,a 3表示错误包率,μ 3表示错误包率的权重,a 4表示吞吐量,μ 4表示吞吐量的权重,a 5表示CPU利用率,μ 5表示CPU利用率的权重,a 6表示端口利用率,μ 6表示端口利用率的权重。
其中,掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率的权重的确定方式为:
通过对掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率六个影响因素进行两两比较,结合九级标度法,建立判别矩阵B:
其中,b ij 表示第i个影响因素相对于第j个影响因素的重要程度,b ij 的取值可通过九极标度法确定,,/>。
其中,九极标度法是一种常用于比较和评估不同选项之间相对重要性的方法,通常用于权重确定、决策分析和对选项进行排序。在一系列级别中选择一个数字,以表示对于某个准则或因素,一个选项相对于另一个选项的重要程度。九级标度法中的级别从1到9,其中1表示两个选项的相对重要性完全相等,而9表示一个选项相对于另一个选项的极端重要性。其中,1表示两个选项的相对重要性完全相等,而9表示一个选项相对于另一个选项的极端重要性。 1表示相等重要性,3表示轻微偏向重要性,5表示中等重要性,7表示 强烈偏向重要性,9表示极端重要性,2、4、6、8则表示在相邻级别之间的中间态,用于表示相对程度的介于两个级别之间的情况。
计算判别矩阵B的特征向量和特征值:
其中,λ表示判别矩阵A的特征值,p表示判别矩阵A的特征向量,I表示单位矩阵,取最大的特征值记为λ max,与最大的特征值对应的特征向量记为p max,。
对最大的特征值对应的特征向量p max进行归一化处理:
其中,归一化后的向量的各个分量/>分别代表各个影响因素的权重,可分别记为/>。
需要说明的是,通过使用九级标度法和判别矩阵来确定影响因素的权重,可以使权重确定过程更加客观、系统化和可靠,从而为性能参数值的综合计算提供更加准确和全面的评估。
在本发明中,根据各个网络节点的掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率,综合计算各个网络节点的性能参数值,可以更加准确、全面地评估网络性能。
S105:当网络节点的性能参数值小于第一预设值时,将网络节点确定为潜在故障节点,并输出潜在故障节点的标识符。
其中,本领域技术人员可以根据实际情况设置第一预设值的大小,本发明不做限定。
其中,标识符可以是指网络节点的ID,用于确定网络节点的身份。
在本发明中,通过比较网络节点的性能参数值与预设值,可以实时监测节点的性能状态。一旦节点的性能参数值低于预设值,即可快速检测到可能的故障情况,使得网络管理员可以及时采取行动来解决问题,减少故障的持续时间。进一步地,一旦节点被识别为潜在故障节点,可以迅速采取措施来修复或替换故障组件,从而减少网络的停机时间。这对于关键业务和应用来说至关重要,可以最大程度地减少业务中断。
进一步地,在本发明中,可以计算出各个网络节点(可以理解为各个用户的电脑)的性能参数值,进而根据性能参数值找到潜在故障节点,用户无需对丢包率、吞吐量和CPU利用率等参数的复杂概念有所认识,提升网络性能评估结果的可理解性,降低用户使用网络性能评估技术的门槛,提升用户体验。
S106:获取各个网络节点的度数和介数。
其中,度数是指通信网络拓扑结构中与网络节点相关联的网络链路的条数。
其中,介数是指通信网络拓扑结构中所有最短路径中经过该节点的路径的数目占最短路径总数的比重。
在一种可能的实施方式中,S106具体包括子步骤S1061和S1062:
S1061:计算各个网络节点的度数。
具体而言,可以统计通信网络拓扑结构中与网络节点相关联的网络链路的条数,以确定网络节点的度数。
S1062:计算各个网络节点的介数:
其中,C k 表示第k个网络节点的介数,σ ijk 表示通信网络拓扑结构中从网络节点i出发到网络节点j且经过网络节点k的所有最短路径的总和,σ ij 表示通信网络拓扑结构中从网络节点i出发到网络节点j的所有最短路径的总和,n表示网络节点的总数量,,,/>。
S107:根据各个网络节点的度数和介数,计算各个网络节点的重要性参数值。
其中,重要性参数值用于评估一个网络节点在通信网络中的重要性,可以理解的是,不同重要性参数值的网络节点对于整个网络性能的影响程度是不同的。通过计算网络节点的重要性参数值,可以更全面地评估一个节点在整个通信网络中的影响程度。这有助于了解不同节点对整体网络性能的贡献。
在一种可能的实施方式中,S107具体包括子步骤S1071至S1074:
S1071:根据各个网络节点的度数和介数,计算度数权重和介数权重:
其中,α d 表示度数权重,α c 表示阶数权重,δ d 表示各个网络节点的度数的均方差,δ c 表示各个网络节点的介数的均方差。
S1072:根据各个网络节点的度数、介数、度数权重和介数权重,构建贡献矩阵:
其中,E表示贡献矩阵,D k 表示第k个网络节点的度数,C k 表示第k个网络节点的介数,n表示网络节点的总数量,,ε ij 表示网络节点i与网络节点j是否相邻,若相邻,/>,若不相邻,/>,/>,/>。
S1073:根据贡献矩阵,计算相对贡献矩阵:
其中,E*表示相对贡献矩阵。
S1074:根据相对贡献矩阵,计算各个网络节点的重要性参数值:
其中,ρ i 表示第i个网络节点的重要性参数值,e ij 表示相对贡献矩阵中第i行第j列的元素值,n表示网络节点的总数量,。
在本发明中,通过计算网络节点的重要性参数值,可以更全面地评估一个节点在整个通信网络中的影响程度。这有助于了解不同节点对整体网络性能的贡献,从而优化网络管理和决策过程,提高网络性能和稳定性。
S108:根据各个网络节点的性能参数值和重要性参数值,计算通信网络的整体性能值。
在一种可能的实施方式中,S108具体包括:根据以下公式,计算通信网络的整体性能值:
其中,x表示整体性能值,ρ i 表示第i个网络节点的重要性参数值,h i 表示第i个网络节点的性能参数值,n表示网络节点的总数量,。
在本发明中,根据通信网络中各个网络节点的性能参数值和重要性参数值,计算通信网络的整体性能值,完成对于整个通信网络的网络性能的测量与评估,更好地揭示通信网络的整体状态,而不仅仅是关注个别节点或单一性能指标。通过对整体性能值的监测和分析,可以了解通信网络的负载情况,从而有助于优化资源的分配。
S109:当通信网络的整体性能值小于第二预设值时,确定通信网络存在潜在风险,发出警报。
其中,本领域技术人员可以根据实际情况设置第二预设值的大小,本发明不做限定。
可选地,可以通过发送电子邮件、短信和即时消息的形式发出警报。还可以在网络管理中心或监控控制台上设置专门的警报面板,显示出当前的警报状态。还可以通过声音或蜂鸣器等方式发出警报,可以在管理员远离电脑屏幕时也能及时察觉问题。
S110:根据整体性能值序列,通过循环神经网络,预测未来通信网络的整体性能。
其中,循环神经网络(Recurrent Neural Network,RNN)是一类特殊的神经网络,专门设计用于处理序列数据,例如时间序列、文本、音频等具有时序关系的数据。相较于传统的前馈神经网络,RNN引入了循环结构,允许信息在网络内部进行循环传递,从而捕捉序列数据的上下文信息和时序关系。
在一种可能的实施方式中,S110具体包括子步骤S1101至S1105:
S1101:构建循环神经网络,循环神经网络包括:输入层、状态层、注意力层和输出层。
S1102:在输入层,输入整体性能值序列,其中,x t 表示第t次监测时的通信网络的整体性能值,m表示监测总次数,/>。
S1103:在状态层中,计算在第t次监测时的整体性能的隐状态:
其中,h t 表示在第t次监测时的整体性能的隐状态,表示前向循环的前一状态,表示后向循环的前一状态,GRU()表示经过循环神经网络的非线性计算,u t 表示/>的权重系数,v t 表示/>的权重系数,b t 表示第t次监测时隐状态的偏置项。
S1104:在注意力层中,为每个整体性能值分配权重,并进行累加得到当前注意力层的隐状态:
其中,s表示当前注意力层的隐状态,γ t 表示第t次监测时的整体性能值的权重,h t 表示在第t次监测时的整体性能的隐状态。
S1105:在输出层,输出通信网络的整体性能的预测结果:
其中,X表示通信网络的整体性能的预测结果,u m 表示第m次监测时的前向循环的前一状态的权重系数,b m 表示第m次监测时隐状态的偏置项。
在本发明中,根据整体性能值序列,通过循环神经网络,预测未来通信网络的整体性能,可以根据预测结果规划网络升级、扩容等决策,从而更有针对性地优化网络性能,并且预测未来网络性能有助于合理分配网络资源,如果预测显示某一时间段网络负载将增加,管理员可以提前调整资源分配,以确保网络正常运行,避免性能瓶颈。
与现有技术相比,本发明至少具有以下有益技术效果:
(1)在本发明中,根据各个网络节点的掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率,综合计算各个网络节点的性能参数值,可以更加准确、全面地评估网络性能。
(2)在本发明中,可以计算出各个网络节点(可以理解为各个用户的电脑)的性能参数值,进而根据性能参数值找到潜在故障节点,用户无需对丢包率、吞吐量和CPU利用率等参数的复杂概念有所认识,提升网络性能评估结果的可理解性,降低用户使用网络性能评估技术的门槛,提升用户体验。
(3)在本发明中,根据通信网络中各个网络节点的性能参数值和重要性参数值,计算通信网络的整体性能值,完成对于整个通信网络的网络性能的测量与评估,更好地揭示通信网络的整体状态,而不仅仅是关注个别节点或单一性能指标。通过对整体性能值的监测和分析,可以了解通信网络的负载情况,从而有助于优化资源的分配。
(4)在本发明中,通过图神经网络和消息传递神经网络,实时更新通信网络拓扑结构,根据最新的通信网络拓扑结构进行网络性能评估,提升了网络性能评估的准确性。
(5)在本发明中,根据整体性能值序列,通过循环神经网络,预测未来通信网络的整体性能,可以根据预测结果规划网络升级、扩容等决策,从而更有针对性地优化网络性能,并且预测未来网络性能有助于合理分配网络资源,如果预测显示某一时间段网络负载将增加,管理员可以提前调整资源分配,以确保网络正常运行,避免性能瓶颈。
实施例2
在一个实施例中,本发明提供的一种网络性能检测系统,用于执行实施例1中的网络性能检测方法。
本发明提供的一种网络性能检测系统可以实现上述实施例1中的网络性能检测方法的步骤和效果,为避免重复,本发明不再赘述。
与现有技术相比,本发明至少具有以下有益技术效果:
(1)在本发明中,根据各个网络节点的掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率,综合计算各个网络节点的性能参数值,可以更加准确、全面地评估网络性能。
(2)在本发明中,可以计算出各个网络节点(可以理解为各个用户的电脑)的性能参数值,进而根据性能参数值找到潜在故障节点,用户无需对丢包率、吞吐量和CPU利用率等参数的复杂概念有所认识,提升网络性能评估结果的可理解性,降低用户使用网络性能评估技术的门槛,提升用户体验。
(3)在本发明中,根据通信网络中各个网络节点的性能参数值和重要性参数值,计算通信网络的整体性能值,完成对于整个通信网络的网络性能的测量与评估,更好地揭示通信网络的整体状态,而不仅仅是关注个别节点或单一性能指标。通过对整体性能值的监测和分析,可以了解通信网络的负载情况,从而有助于优化资源的分配。
(4)在本发明中,通过图神经网络和消息传递神经网络,实时更新通信网络拓扑结构,根据最新的通信网络拓扑结构进行网络性能评估,提升了网络性能评估的准确性。
(5)在本发明中,根据整体性能值序列,通过循环神经网络,预测未来通信网络的整体性能,可以根据预测结果规划网络升级、扩容等决策,从而更有针对性地优化网络性能,并且预测未来网络性能有助于合理分配网络资源,如果预测显示某一时间段网络负载将增加,管理员可以提前调整资源分配,以确保网络正常运行,避免性能瓶颈。
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。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种网络性能检测方法,其特征在于,包括:
S101:通过图神经网络,获取通信网络拓扑结构;
S102:通过消息传递神经网络,传递所述通信网络拓扑结构,获取通信网络中的各个网络节点;
S103:获取各个网络节点的掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率;
S104:根据各个网络节点的掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率,计算各个网络节点的性能参数值;
S105:当网络节点的性能参数值小于第一预设值时,将网络节点确定为潜在故障节点,并输出所述潜在故障节点的标识符;
S106:获取各个网络节点的度数和介数;
S107:根据各个网络节点的度数和介数,计算各个网络节点的重要性参数值;
S108:根据各个网络节点的性能参数值和重要性参数值,计算通信网络的整体性能值;
S109:当通信网络的整体性能值小于第二预设值时,确定通信网络存在潜在风险,发出警报;
S110:根据整体性能值序列,通过循环神经网络,预测未来通信网络的整体性能。
2.根据权利要求1所述的网络性能检测方法,其特征在于,所述S101具体包括:
S1011:通过图神经网络,获取各个网络节点之间的连接关系;
S1012:根据各个网络节点之间的连接关系,以各个网络节点作为图节点,以各个连接关系作为边,构建通信网络图数据;
S1013:通过GCN图嵌入模型,将所述通信网络图数据中的图节点和边转换为低维向量,得到通信网络拓扑结构的嵌入表示。
3.根据权利要求1所述的网络性能检测方法,其特征在于,所述S102具体包括:
S1021:获取与每个消息传递节点v相邻的消息传递节点i接收经过t次消息交换后的隐藏状态以及每个消息传递节点v的原始隐藏状态/>;
S1022:通过消息传递函数,将相邻的消息传递节点i经过t次消息交换后的隐藏状态以及每个消息传递节点v的原始隐藏状态/>进行组合:
其中,y表示消息传递函数,b v 、b i 表示偏置量;
S1023:根据所述消息传递函数,获取消息传递节点v在t+1次交换的消息,并进行传递:
其中,表示消息传递节点v第t+1次交换的消息,N(v)表示消息传递节点的总数;
S1024:更新所述消息传递函数,基于先前的隐藏状态和聚合消息来计算每个消息传递节点的新隐藏状态/>,重复上述过程,不断迭代,直至达到预设迭代次数。
4.根据权利要求1所述的网络性能检测方法,其特征在于,所述S103具体包括:
S1031:根据以下公式计算掉线率a 1:
其中,n drop 表示在当前时间点下操作异常的端口数量,n use 在当前时间点下正在使用的端口数量;
S1032:根据以下公式计算丢包率a 2:
其中,n dis 表示丢包数,n cast 表示发出的总包数;
S1033:根据以下公式计算错误包率a 3:
其中,n dis 表示错误包数,n cast 表示发出的总包数;
S1034:根据以下公式计算吞吐量a 4:
其中,O in 表示在预设时长内接收的总字节数,O out 表示在预设时长内发送的总字节数,T表示预设时长;
S1035:通过网络节点的CpuOccupy字段获取CPU利用率a 5;
S1036:根据以下公式计算端口利用率a 6:
其中,表示吞吐量,O in 表示在预设时长内接收的总字节数,O out 表示在预设时长内发送的总字节数,T表示预设时长,sp表示字节处理速度。
5.根据权利要求1所述的网络性能检测方法,其特征在于,所述S104具体:
根据以下公式,计算网络节点的性能参数值:
其中,h表示性能参数值,a 1表示掉线率,μ 1表示掉线率的权重,a 2表示丢包率,μ 2表示丢包率的权重,a 3表示错误包率,μ 3表示错误包率的权重,a 4表示吞吐量,μ 4表示吞吐量的权重,a 5表示CPU利用率,μ 5表示CPU利用率的权重,a 6表示端口利用率,μ 6表示端口利用率的权重;
其中,掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率的权重的确定方式为:
通过对掉线率、丢包率、错误包率、吞吐量、CPU利用率和端口利用率六个影响因素进行两两比较,结合九级标度法,建立判别矩阵B:
其中,b ij 表示第i个影响因素相对于第j个影响因素的重要程度,b ij 的取值可通过九极标度法确定,,/>;
计算所述判别矩阵B的特征向量和特征值:
其中,λ表示所述判别矩阵A的特征值,p表示所述判别矩阵A的特征向量,I表示单位矩阵,取最大的特征值记为λ max,与最大的特征值对应的特征向量记为p max,;
对所述最大的特征值对应的特征向量p max进行归一化处理:
其中,归一化后的向量的各个分量/>分别代表各个影响因素的权重,可分别记为/>。
6.根据权利要求1所述的网络性能检测方法,其特征在于,所述S106具体包括:
S1061:计算各个网络节点的度数,其中,度数是指所述通信网络拓扑结构中与网络节点相关联的网络链路的条数;
S1062:计算各个网络节点的介数:
其中,C k 表示第k个网络节点的介数,σ ijk 表示所述通信网络拓扑结构中从网络节点i出发到网络节点j且经过网络节点k的所有最短路径的总和,σ ij 表示所述通信网络拓扑结构中从网络节点i出发到网络节点j的所有最短路径的总和,n表示网络节点的总数量,,/>,/>。
7.根据权利要求6所述的网络性能检测方法,其特征在于,所述S107具体包括:
S1071:根据各个网络节点的度数和介数,计算度数权重和介数权重:
其中,α d 表示度数权重,α c 表示阶数权重,δ d 表示各个网络节点的度数的均方差,δ c 表示各个网络节点的介数的均方差;
S1072:根据各个网络节点的度数、介数、度数权重和介数权重,构建贡献矩阵:
其中,E表示贡献矩阵,D k 表示第k个网络节点的度数,C k 表示第k个网络节点的介数,n表示网络节点的总数量,,ε ij 表示网络节点i与网络节点j是否相邻,若相邻,,若不相邻,/>,/>,/>;
S1073:根据所述贡献矩阵,计算相对贡献矩阵:
其中,E*表示相对贡献矩阵;
S1074:根据所述相对贡献矩阵,计算各个网络节点的重要性参数值:
其中,ρ i 表示第i个网络节点的重要性参数值,e ij 表示相对贡献矩阵中第i行第j列的元素值,n表示网络节点的总数量,。
8.根据权利要求1所述的网络性能检测方法,其特征在于,所述S108具体包括:
根据以下公式,计算通信网络的整体性能值:
其中,x表示整体性能值,ρ i 表示第i个网络节点的重要性参数值,h i 表示第i个网络节点的性能参数值,n表示网络节点的总数量,。
9.根据权利要求1所述的网络性能检测方法,其特征在于,所述S110具体包括:
S1101:构建循环神经网络,所述循环神经网络包括:输入层、状态层、注意力层和输出层;
S1102:在所述输入层,输入整体性能值序列,其中,x t 表示第t次监测时的通信网络的整体性能值,m表示监测总次数,/>;
S1103:在所述状态层中,计算在第t次监测时的整体性能的隐状态:
其中,h t 表示在第t次监测时的整体性能的隐状态,表示前向循环的前一状态,/>表示后向循环的前一状态,GRU()表示经过循环神经网络的非线性计算,u t 表示/>的权重系数,v t 表示/>的权重系数,b t 表示第t次监测时隐状态的偏置项;
S1104:在所述注意力层中,为每个整体性能值分配权重,并进行累加得到当前所述注意力层的隐状态:
其中,s表示当前所述注意力层的隐状态,γ t 表示第t次监测时的整体性能值的权重,h t 表示在第t次监测时的整体性能的隐状态;
S1105:在所述输出层,输出通信网络的整体性能的预测结果:
其中,X表示通信网络的整体性能的预测结果,u m 表示第m次监测时的前向循环的前一状态的权重系数,b m 表示第m次监测时隐状态的偏置项。
10.一种网络性能检测系统,其特征在于,用于执行权利要求1至9任一项所述的网络性能检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311093185.0A CN116866218A (zh) | 2023-08-29 | 2023-08-29 | 一种网络性能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311093185.0A CN116866218A (zh) | 2023-08-29 | 2023-08-29 | 一种网络性能检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116866218A true CN116866218A (zh) | 2023-10-10 |
Family
ID=88225320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311093185.0A Withdrawn CN116866218A (zh) | 2023-08-29 | 2023-08-29 | 一种网络性能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116866218A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117675961A (zh) * | 2023-11-28 | 2024-03-08 | 江苏慧铭信息科技有限公司 | 一种通讯传输数据管理方法及系统 |
CN117834307B (zh) * | 2024-03-06 | 2024-05-10 | 深圳百沃彰世科技有限公司 | 基于通讯状态的数据传输网络数据传输防护方法及系统 |
-
2023
- 2023-08-29 CN CN202311093185.0A patent/CN116866218A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117675961A (zh) * | 2023-11-28 | 2024-03-08 | 江苏慧铭信息科技有限公司 | 一种通讯传输数据管理方法及系统 |
CN117834307B (zh) * | 2024-03-06 | 2024-05-10 | 深圳百沃彰世科技有限公司 | 基于通讯状态的数据传输网络数据传输防护方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Accurate fault location using deep neural evolution network in cloud data center interconnection | |
WO2020077682A1 (zh) | 一种服务质量评估模型的训练方法及装置 | |
CN116866218A (zh) | 一种网络性能检测方法及系统 | |
KR20230031889A (ko) | 네트워크 토폴로지에서의 이상 탐지 | |
Chen et al. | Precise error estimation for sketch-based flow measurement | |
Sun et al. | A novel membership cloud model‐based trust evaluation model for vehicular ad hoc network of T‐CPS | |
Foo et al. | A distributed approach for optimizing cascaded classifier topologies in real-time stream mining systems | |
KR20200126766A (ko) | Ict 인프라의 운용 관리 장치 및 방법 | |
CN112468324B (zh) | 基于图卷积神经网络的加密流量分类方法及装置 | |
CN117596119A (zh) | 一种基于snmp协议的设备数据采集与监控方法及系统 | |
Bhaduri et al. | A scalable local algorithm for distributed multivariate regression | |
CN115412443B (zh) | 一种基于突发检测的网络拓扑变化检测方法 | |
D'Aronco et al. | Online resource inference in network utility maximization problems | |
Guo et al. | FullSight: A feasible intelligent and collaborative framework for service function chains failure detection | |
US11558263B2 (en) | Network device association with network management system | |
TWI393016B (zh) | Calculation Method of Network Reliability and Its System | |
WO2023041992A1 (en) | Systems and methods for performing root cause analysis | |
Dwivedi et al. | GRNN-based real-time fault chain prediction | |
CN110348681B (zh) | 一种电力cps动态负荷分配方法 | |
Kilinçer et al. | Automatic fault detection with Bayes method in university campus network | |
Alawadi et al. | Risk analysis of blocked rate predictions for SDN load balancing using Monte Carlo simulation | |
Li et al. | Chernoff information of bottleneck gaussian trees | |
Modi et al. | Enhanced routing using recurrent neural networks in software defined‐data center network | |
RU2802164C1 (ru) | Способ выявления нормальных реакций узлов компьютерной сети на сетевые пакеты, относящиеся к неизвестному трафику | |
Chen et al. | Deep learning models for automated identification of scheduling policies |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231010 |
|
WW01 | Invention patent application withdrawn after publication |