CN116938770A - 拥塞检测方法、装置、计算机设备及其存储介质 - Google Patents
拥塞检测方法、装置、计算机设备及其存储介质 Download PDFInfo
- Publication number
- CN116938770A CN116938770A CN202311012350.5A CN202311012350A CN116938770A CN 116938770 A CN116938770 A CN 116938770A CN 202311012350 A CN202311012350 A CN 202311012350A CN 116938770 A CN116938770 A CN 116938770A
- Authority
- CN
- China
- Prior art keywords
- detection
- sample
- vector
- congestion
- detected
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 611
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 567
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 31
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 29
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 7
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 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
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method 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
- 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
- H04L43/0882—Utilisation of link capacity
-
- 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
- H04L47/11—Identifying congestion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种拥塞检测方法、装置、计算机设备及其存储介质,涉及人工智能技术领域。所述方法包括:根据待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建待检测节点对应的检测特征向量;根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果;其中,拥塞样本向量是对检测样本向量进行聚类得到,检测样本向量根据各样本节点在至少两个连续采样时刻下的检测参数值构建;检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种。本申请有效提高了待检测节点拥塞状态的检测效率,降低获取拥塞样本向量的人工成本与时间成本。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种拥塞检测方法、装置、计算机设备及其存储介质。
背景技术
随着智能制造业的不断发展,网络智能制造业端的边云协同场景也愈加普及,其中,在智能制造和生产的过程中,大量设备会产生实时数据和计算任务,终端需要将任务分配至不同节点,以使得各节点根据实时数据执行计算任务。
现有技术中,为保证计算任务的顺利执行,需要判断各节点是否拥塞,从而实现根据节点的拥塞情况对计算任务进行合理分配,但是,现有技术在判断节点是否拥塞时效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高检测拥塞效率的拥塞检测方法、装置、计算机设备及其存储介质。
第一方面,本申请提供了一种拥塞检测方法。该方法包括:
根据待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建待检测节点对应的检测特征向量;
根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果;
其中,拥塞样本向量是对检测样本向量进行聚类得到,检测样本向量根据各样本节点在至少两个连续采样时刻下的检测参数值构建;检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种。
在其中一个实施例中,根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果,包括:
确定检测特征向量与检测参数的各分类簇之间的第一距离集,以及检测特征向量与检测参数对应的拥塞样本向量之间的第二距离集;
根据第一距离集和第二距离集,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。
在其中一个实施例中,根据第一距离和第二距离,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果,包括:
根据第一距离集中的最小距离与第二距离集中的最小距离之间的大小关系,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。
在其中一个实施例中,根据第一距离集中的最小距离与第二距离集中的最小距离之间的大小关系,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果,包括:
若第一距离集中的最小距离小于第二距离集中的最小距离,则确定待检测节点的拥塞检测结果为拥塞。
在其中一个实施例中,拥塞样本向量的确定过程,包括:
通过两两检测样本向量之间的向量距离,对各检测样本向量进行聚类处理,并根据聚类处理结果,从各检测样本向量中,确定拥塞样本向量。
在其中一个实施例中,通过两两检测样本向量之间的向量距离,对各检测样本向量进行聚类处理,并根据聚类处理结果,从各检测样本向量中,确定拥塞样本向量,包括:
将各检测样本向量作为未访问样本集合,并根据每一检测样本向量与除该检测样本向量之外的其他各检测样本向量之间的向量距离,确定每一检测样本向量是否属于第一集合;
从检测样本向量中选取第一核心对象向量,并将第一核心对象向量存入第二集合,以及从未访问样本集合中删除;
确定第一核心对象向量在检测参数下的目标簇,并将第一核心对象向量添加至目标簇的子分类集合中;其中,目标簇为检测参数的一个分类簇;
通过目标簇的子分类集合对第一集合进行更新,从第二集合中选取第二核心对象向量,并根据第二核心对象向量、第一集合和未访问样本集合,对目标簇的子分类集合、未访问样本集合和第二集合进行更新;
若更新后的第二集合为空集,则确定更新后的第一集合是否为空集;
若第一集合不为空集,则返回执行从检测样本向量中选取第一核心对象向量的操作,若第一集合为空集,则将各检测样本向量中,不属于检测参数的各分类簇的子分类集合的检测样本向量作为拥塞样本向量。
在其中一个实施例中,方法还包括:
若更新后的第二集合不为空集,则返回执行通过目标簇的子分类集合对第一集合进行更新的操作。
在其中一个实施例中,通过目标簇的子分类集合对第一集合进行更新,包括:
对第一集合和目标簇的子分类集合进行差值运算,得到更新后的第一集合。
在其中一个实施例中,根据第二核心对象向量、第一集合和未访问样本集合,对目标簇的子分类集合、未访问样本集合和第二集合进行更新,包括:
确定第二核心对象向量的邻域样本集合,其中,第二核心对象向量的邻域样本集合是由与第二核心对象向量的向量距离小于距离阈值的检测样本向量组成;
对第二核心对象向量的邻域样本集合和未访问样本集合进行并集处理,得到第一并集;
对目标簇的子分类集合与第一交集进行并集处理,得到更新后的目标簇的子分类集合;
通过未访问样本集合与第一交集进行差值运算,得到更新后的未访问样本集合;
对第一交集与第一集合进行交集处理,得到第二交集;并通过将第二集合与第二交集的并集与核心对象子样本进行差值运算,得到更新后的第二集合。
在其中一个实施例中,根据每一检测样本向量与除该检测样本向量之外的其他各检测样本向量之间的向量距离,确定每一检测样本向量是否属于第一集合,包括:
针对每一检测样本向量,确定除该检测样本向量之外的其他各检测样本向量中,与该检测样本向量之间的向量距离小于距离阈值的其他各检测样本向量的数量;
若数量大于样本数量阈值,则确定该检测样本向量属于第一集合。
第二方面,本申请还提供了一种拥塞检测装置。该装置包括:
构建模型,用于根据待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建待检测节点对应的检测特征向量;
检测模型,用于根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果;其中,拥塞样本向量是对检测样本向量进行聚类得到,检测样本向量根据各样本节点在至少两个连续采样时刻下的检测参数值构建;检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种。
第三方面,本申请还提供了一种计算机设备。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以下步骤:
根据待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建待检测节点对应的检测特征向量;
根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果;
其中,拥塞样本向量是对检测样本向量进行聚类得到,检测样本向量根据各样本节点在至少两个连续采样时刻下的检测参数值构建;检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种。
第四方面,本申请还提供了一种计算机可读存储介质。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以下步骤:
根据待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建待检测节点对应的检测特征向量;
根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果;
其中,拥塞样本向量是对检测样本向量进行聚类得到,检测样本向量根据各样本节点在至少两个连续采样时刻下的检测参数值构建;检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种。
第五方面,本申请还提供了一种计算机程序产品。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以下步骤:
根据待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建待检测节点对应的检测特征向量;
根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果;
其中,拥塞样本向量是对检测样本向量进行聚类得到,检测样本向量根据各样本节点在至少两个连续采样时刻下的检测参数值构建;检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种。
上述拥塞检测方法、装置、计算机设备及其存储介质,通过待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建检测特征向量,进而,根据检测特征向量和拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。由于上述过程中的检测特征向量并不是根据某一时刻的多种检测参数构成的,而是根据在至少两个连续检测时刻下的同一检测参数构成,因此,本申请在根据检测特征向量和拥塞样本向量,对待检测节点进行拥塞检测时,考虑了待检测节点参数/计算任务产生的时间相关性,实现了根据拥塞状态与时间、网络参数的相关性,对待检测节点进行拥塞检测;并且,本申请的检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种,因此,本申请检测参数在选取的过程中具有显著普适性,使得本申请可根据实际情况的参数可信度、参数获取成本、参数检测效率等方面综合选取检测参数;进一步的,本申请在获取拥塞样本向量的故此衡中,无需采集多种检测参数,仅需要采集至少两个连续采样时刻下的检测参数,即可确定拥塞样本向量,因此,本申请在确定拥塞样本向量的过程中,相比起现有技术中通过大量人工进行样本选取与样本标记的过程中,提高了拥塞样本向量的获取效率,有效提高了待检测节点拥塞状态的检测效率,降低获取拥塞样本向量的人工成本与时间成本。
附图说明
图1为本申请实施例提供的一种拥塞检测方法的应用环境图;
图2为本申请实施例提供的一种拥塞检测方法的流程图;
图3为本申请实施例提供的一种确定拥塞检测结果的步骤流程图;
图4为本申请实施例提供的一种对目标簇的子分类集合、未访问样本集合和第二集合进行更新的步骤流程图;
图5为本申请实施例提供的另一种拥塞检测方法的流程图;
图6为本申请实施例提供的网络智能制造业端的边云协同场景示意图;
图7为本申请实施例提供的第一种拥塞检测装置的结构框图;
图8为本申请实施例提供的第二种拥塞检测装置的结构框图;
图9为本申请实施例提供的第三种拥塞检测装置的结构框图;
图10为本申请实施例提供的第四种拥塞检测装置的结构框图;
图11为本申请实施例提供的第五种拥塞检测装置的结构框图;
图12为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。
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。在本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
基于上述情况,本申请实施例提供的拥塞检测方法,可以应用于如图1所示的应用环境中。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1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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拥塞检测方法的获取数据。该计算机设备的网络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拥塞检测方法。
本申请公开了一种拥塞检测方法、装置、计算机设备及其存储介质,本申请的计算机设备通过待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建检测特征向量,进而,根据检测特征向量和检测参数对应的拥塞样本向量,确定待检测节点的拥塞检测结果。
在一个实施例中,如图2所示,图2为本申请实施例提供的一种拥塞检测方法的流程图,提供了一种拥塞检测方法,图1中的计算机设备执行的拥塞检测方法可以包括以下步骤:
步骤201,根据待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建待检测节点对应的检测特征向量。
其中,检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种。
需要说明的是,当需要从瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中确定待检测节点对应的检测参数时,可根据工作人员的历史经验、以及拥塞检测的实际情况,分析每一参数对应的参数可信度、参数获取成本、参数检测效率等方面,进而,根参数可信度、参数获取成本、参数检测效率,从瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中确定待检测节点对应的检测参数。
其中,检测参数的参数可信度指的是根据该检测参数对待检测节点进行拥塞检测时,拥塞检测结果的准确性。
其中,检测参数的参数获取成本指的是获取该检测参数时需要消耗的人工成本和设备成本的总和。
其中,检测参数的参数检测效率指的是获取该检测参数时需要消耗的时间成本。
在本申请的一种实施例中,当需要对待检测节点进行拥塞检测,可预先根据事实拥塞检测记录,确定瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中每一参数对应的参数可信度、参数获取成本、参数检测效率,并将每一参数对应的参数可信度、参数获取成本、参数检测效率反馈至工作人员的计算机设备,以使工作人员能够根据每一参数对应的参数可信度、参数获取成本、参数检测效率,从瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中确定待检测节点对应的检测参数。
需要说明的是,当需要构建待检测特征向量时,可预先设定检测特征向量对应的向量长度Q,因此,检测特征向量即是维度为Q×1的列向量,具体的,检测特征向量可如公式(1)所示:
其中,公式(1)如下所示:
其中,t检测指的是对待检测节点进行参数检测的时间,Q指的是检测特征向量预先设定的向量长度,l指的是待检测节点对应的节点标识,其中,不同的待检测节点对应的节点标识也不相同。
进一步说明,若t检测小于向量长度Q,则确定此时为待检测节点的网络初始化时刻,此时待检测节点的网络流量较低,可不对待检测节点进行拥塞检测。
步骤202,根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。
其中,拥塞样本向量是对检测样本向量进行聚类得到,检测样本向量根据各样本节点在至少两个连续采样时刻下的检测参数值构建。
需要说明的是,当需要根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测时,可分别计算检测特征向量与检测参数的各分类簇之间的第一距离集,以及检测特征向量与检测参数对应的拥塞样本向量之间的第二距离集,进而,根据第一距离集和第二距离集,判断检测特征向量更接近检测参数的各分类簇,还是更接近检测参数对应的拥塞样本向量。
进一步说明,可通过判断第一距离集中的最小距离与第二距离集中的最小距离之间的大小关系,判断检测特征向量更接近检测参数的各分类簇,还是更接近检测参数对应的拥塞样本向量。
上述拥塞检测方法,通过待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建检测特征向量,进而,根据检测特征向量和拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。由于上述过程中的检测特征向量并不是根据某一时刻的多种检测参数构成的,而是根据在至少两个连续检测时刻下的同一检测参数构成,因此,本申请在根据检测特征向量和拥塞样本向量,对待检测节点进行拥塞检测时,考虑了待检测节点参数/计算任务产生的时间相关性,实现了根据拥塞状态与时间、网络参数的相关性,对待检测节点进行拥塞检测;并且,本申请的检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种,因此,本申请检测参数在选取的过程中具有显著普适性,使得本申请可根据实际情况的参数可信度、参数获取成本、参数检测效率等方面综合选取检测参数;进一步的,本申请在获取拥塞样本向量的故此衡中,无需采集多种检测参数,仅需要采集至少两个连续采样时刻下的检测参数,即可确定拥塞样本向量,因此,本申请在确定拥塞样本向量的过程中,相比起现有技术中通过大量人工进行样本选取与样本标记的过程中,提高了拥塞样本向量的获取效率,有效提高了待检测节点拥塞状态的检测效率,降低获取拥塞样本向量的人工成本与时间成本。
在智能制造和生产的过程中,大量设备会产生实时数据和计算任务,终端需要将任务分配至不同节点,以使得各节点根据实时数据执行计算任务。为保证计算任务的顺利执行,需要判断各节点是否拥塞,但是,现有技术在判断节点是否拥塞时效率较低。因此,为防止上述技术问题影响节点拥塞状态的判断效率,本实施例的计算机设备可通过如图3所示的方式,根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果,具体包括如下步骤:
步骤301,确定检测特征向量与检测参数的各分类簇之间的第一距离集,以及检测特征向量与检测参数对应的拥塞样本向量之间的第二距离集。
需要说明的是,检测特征向量与检测参数的各分类簇之间的第一距离集用于表示检测特征向量距离检测参数的各分类簇的远近程度;检测特征向量与检测参数对应的拥塞样本向量之间的第二距离集用于表示检测特征向量与拥塞样本向量的远近程度。
其中,当需要确定检测特征向量与检测参数的各分类簇之间的第一距离集时,可计算检测特征向量与检测参数的各分类簇之间的向量距离,该向量距离即为检测特征向量与检测参数的各分类簇之间的第一距离集。
其中,当需要确定检测特征向量与检测参数对应的拥塞样本向量之间的第二距离集时,可计算检测特征向量与拥塞样本向量之间的向量距离,该向量距离即为检测特征向量与检测参数对应的拥塞样本向量之间的第二距离集。
进一步的,拥塞样本向量的数量可以为一个也可以为多个,在此不对拥塞样本向量的数量进行限定,若拥塞样本向量的数量为一个,则第二距离集中仅包含一个向量距离,若拥塞样本向量的数量为多个,则第二距离集中仅包含多个向量距离。
步骤302,根据第一距离集和第二距离集,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。
需要说明的是,当需要确定待检测节点的拥塞检测结果时,可根据第一距离集中的最小距离与第二距离集中的最小距离之间的大小关系,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。
具体的,若第一距离集中的最小距离小于第二距离集中的最小距离,则确定待检测节点的拥塞检测结果为拥塞。若第一距离集中的最小距离大于或者等于第二距离集中的最小距离,则确定待检测节点的拥塞检测结果为不拥塞。
其中,若第一距离集中的最小距离大于或者等于第二距离集中的最小距离,则表示相比起拥塞样本向量,检测特征向量更接近检测参数的各分类簇,因此,确定待检测节点的拥塞检测结果为不拥塞。
其中,若第一距离集中的最小距离小于第二距离集中的最小距离,则表示相比起检测参数的各分类簇,检测特征向量更接近拥塞样本向量,因此,确定待检测节点的拥塞检测结果为拥塞。
在本申请的一种实施例中,可根据计算公式(2),实现根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果;其中,计算公式(2)如下所示:
其中,指的是待检测节点的拥塞检测结果,t检测指的是对待检测节点进行节点的时间,Ca指的是检测参数的各分类簇,A指的是检测参数对应的拥塞样本向量,l指的是待检测节点对应的节点标识。
具体的,若则确定待检测节点的拥塞检测结果为拥塞;若/>则确定待检测节点的拥塞检测结果为不拥塞。
上述拥塞检测方法,通过确定第一距离集和第二距离集,实现获取检测特征向量与检测参数的各分类簇之间的距离关系,以及检测特征向量与检测参数对应的拥塞样本向量之间的距离关系,进而,根据第一距离集和第二距离集,确定待检测节点的拥塞检测结果,实现了根据检测特征向量与检测参数的各分类簇之间的距离关系和检测特征向量与检测参数对应的拥塞样本向量之间的距离关系,确定待检测节点的拥塞检测结果,保证了对待检测节点进行拥塞检测的准确性。
作为一种实施例中,当需要确定拥塞样本向量时,可包括以下内容:通过两两检测样本向量之间的向量距离,对各检测样本向量进行聚类处理,并根据聚类处理结果,从各检测样本向量中,确定拥塞样本向量。
其中,当需要获取检测样本向量时,可预先设定检测样本向量对应的向量长度Q,检测样本向量与检测特征向量的向量长度Q相同,因此,检测样本向量即是维度为Q×1的列向量,具体的,检测样本向量可如公式(3)所示,
其中,公式(3)如下所示:
其中,t样本指的是对样本节点进行参数检测的时间,Q指的是检测样本向量预先设定的向量长度,l指的是样本节点对应的节点标识,其中,不同的样本节点对应的节点标识也不相同。
进一步说明,各检测样本向量可组成样本集,该样本集可如公式(4)所示:
其中,公式(4)如下所示:
其中,t样本指的是对样本节点进行参数检测的时间,X指的是各检测样本向量组成的样本集,L指的是样本节点的总数量;并且,样本集中包含的检测样本向量的总数量为T。
在本申请的一种实施例中,当需要通过两两检测样本向量之间的向量距离,对各检测样本向量进行聚类处理,并根据聚类处理结果,从各检测样本向量中,确定拥塞样本向量时,具体可包括以下内容:
首先,将各检测样本向量作为未访问样本集合,并根据每一检测样本向量与除该检测样本向量之外的其他各检测样本向量之间的向量距离,确定每一检测样本向量是否属于第一集合;
具体的,在确定每一检测样本向量是否属于第一集合之前可初始化第一集合,即为将第一集合设为空集,进而,开始确定每一检测样本向量是否属于第一集合,此时,第一集合未访问样本集合/>
其中,可通过检测样本向量与其他各检测样本向量的向量距离,确定每一检测样本向量是否属于第一集合。具体的:针对每一检测样本向量,确定除该检测样本向量之外的其他各检测样本向量中,与该检测样本向量之间的向量距离小于距离阈值的其他各检测样本向量的数量;若数量大于样本数量阈值,则确定该检测样本向量属于第一集合。
具体的,可通过计算公式(5),确定与检测样本向量的向量距离小于距离阈值的其他各检测样本向量,其中,计算公式(5)如下所示:
其中,指的是与检测样本向量的向量距离小于距离阈值的其他各检测样本向量的集合,即为检测样本向量的领域样本集,/>指的是一个检测样本向量,/>指的是除该检测样本向量之外的其他各检测样本向量,ε指的是距离阈值。
因此,可判断中包含其他各检测样本向量的数量与样本数量阈值的大小关系,确定该检测样本向量是否属于第一集合。具体的,可通过计算公式(6),若检测样本向量满足计算公式(6),则确定该检测样本向量属于第一集合;若检测样本向量不满足计算公式(6),则确定该检测样本向量不属于第一集合。
具体的,计算公式(6)如下所示:
其中,指的是与检测样本向量的向量距离小于距离阈值的其他各检测样本向量的集合,即为检测样本向量的领域样本集,/>指的是一个检测样本向量,M指的是样本数量阈值。
进一步的,在确定每一检测样本向量是否属于第一集合之后,还包括:从检测样本向量中选取第一核心对象向量,并将第一核心对象向量存入第二集合,以及从未访问样本集合中删除。
在本申请的一种实施例中,若从检测样本向量中选取第一核心对象向量为样本向量o,此时,第二集合Ωcur={样本向量o},未访问样本集合Γ=Γ-{样本向量o}。
进一步的,确定第一核心对象向量在检测参数下的目标簇,并将第一核心对象向量添加至目标簇的子分类集合中。
其中,目标簇为检测参数的一个分类簇,可理解为,目标簇指的是第一核心对象向量对应的分类簇。
在本申请的一种实施例中,若从检测样本向量中选取第一核心对象向量为样本向量o,则确定第一核心对象向量在检测参数下的目标簇Ck,将第一核心对象向量添加至目标簇的子分类集合中,其中,目标簇的子分类集合Ck={样本向量o}。
其中,k指的是检测参数下包含分类簇的数量,
进一步的,通过目标簇的子分类集合对第一集合进行更新,从第二集合中选取第二核心对象向量,并根据第二核心对象向量、第一集合和未访问样本集合,对目标簇的子分类集合、未访问样本集合和第二集合进行更新;若更新后的第二集合为空集,则确定更新后的第一集合是否为空集;若第一集合不为空集,则返回执行从检测样本向量中选取第一核心对象向量的操作,若第一集合为空集,则将各检测样本向量中,不属于检测参数的各分类簇的子分类集合的检测样本向量作为拥塞样本向量。
进一步的,若更新后的第二集合不为空集,则返回执行通过目标簇的子分类集合对第一集合进行更新的操作。
在本申请的一种实施例中,当通过目标簇的子分类集合对第一集合进行更新时,可包括以下内容:对第一集合和目标簇的子分类集合进行差值运算,得到更新后的第一集合,即为更新后的第一集合Ω=Ω-Ck。
上述拥塞检测方法,通过确定第一集合和第二集合,实现了对各检测样本向量进行聚类处理,保证了能够根据聚类处理结果,从各检测样本向量中,确定拥塞样本向量,为对待检测节点进行拥塞检测提供了判断依据。
作为一种实施例中,如图4所示,可根据第二核心对象向量、第一集合和未访问样本集合,对目标簇的子分类集合、未访问样本集合和第二集合进行更新,具体可包括以下内容:
步骤401,确定第二核心对象向量的邻域样本集合,其中,第二核心对象向量的邻域样本集合是由与第二核心对象向量的向量距离小于距离阈值的检测样本向量组成。
在本申请的一种实施例中,可通过计算公式(5)确定第二核心对象向量的邻域样本集合,具体的,若第二核心对象向量为样本向量o',则确定第二核心对象向量为Nε(o')如计算公式(7)所示,其中,计算公式(7)如下所示:
其中,Nε(o')指的是与第二核心对象向量的向量距离小于距离阈值的其他各检测样本向量的集合,即为第二核心对象向量的领域样本集,o'指的是第二核心对象向量,指的是除该第二核心对象向量之外的其他各检测样本向量,ε指的是距离阈值。
步骤402,对第二核心对象向量的邻域样本集合和未访问样本集合进行并集处理,得到第一并集。
在本申请的一种实施例中,第一并集可如计算公式(8),其中,计算公式(8)如下所示:
△=Nε(o')∩Γ (8)
其中,△指的是第一并集,Nε(o')指的是与第二核心对象向量的向量距离小于距离阈值的其他各检测样本向量的集合,即为第二核心对象向量的领域样本集,Γ指的是未访问样本集合。
步骤403,对目标簇的子分类集合与第一交集进行并集处理,得到更新后的目标簇的子分类集合。
在本申请的一种实施例中,更新后的目标簇的子分类集合可如计算公式(9),其中,计算公式(9)如下所示:
Ck=Ck∪△ (9)
其中,Ck指的是目标簇的子分类集合,△指的是第一并集。
步骤404,通过未访问样本集合与第一交集进行差值运算,得到更新后的未访问样本集合。
在本申请的一种实施例中,更新后的未访问样本集合可如计算公式(10),其中,计算公式(10)如下所示:
Γ=Γ-△ (10)
其中,Γ指的是未访问样本集合,△指的是第一并集。
步骤405,对第一交集与第一集合进行交集处理,得到第二交集;并通过将第二集合与第二交集的并集与核心对象子样本进行差值运算,得到更新后的第二集合。
在本申请的一种实施例中,更新后的第二集合可如计算公式(11),其中,计算公式(11)如下所示:
Ωcur=Ωcur∪(△∩Ω)-o' (10)
其中,Ωcur指的是第二集合,△指的是第一并集,Ω指的是第一集合,o'指的是第二核心对象向量。
上述拥塞检测方法,通过对目标簇的子分类集合、未访问样本集合和第二集合进行更新,实现了对各检测样本向量进行聚类处理,从而在各检测样本向量中,确定拥塞样本向量。
作为一种实施例中,如图5所示,当需要对待检测节点进行拥塞检测时,具体可包括以下内容:
步骤501,根据待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建待检测节点对应的检测特征向量。
步骤502,确定检测特征向量与检测参数的各分类簇之间的第一距离集,以及检测特征向量与检测参数对应的拥塞样本向量之间的第二距离集。
步骤503,根据第一距离集中的最小距离与第二距离集中的最小距离之间的大小关系,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。若第一距离集中的最小距离小于第二距离集中的最小距离,则执行步骤504;若第一距离集中的最小距离大于或者等于第二距离集中的最小距离,则执行步骤505。
步骤504,确定待检测节点的拥塞检测结果为拥塞。
步骤505,确定待检测节点的拥塞检测结果为不拥塞。
在本申请的一种实施例中,随着IIoT(Industrial Internet of Things,工业物联网)网络智能制造业端的边云协同场景也愈加普及,其中,在智能制造和生产的过程中,大量设备会产生实时数据和计算任务,由于计算机设备存算资源的限制,计算机设备需要将其计算任务卸载到边节点和中心云节点。如图6所示,假设系统中仅存在一个CCS(CableCommunication System,一种电缆通信系统),个边节点ESs(Excutive Suport System主管支持系统)和个IIoT终端设备ENs(Enterprise Network Services,企业网络服务器),则对于网络状态检测单元,其需要检测是否存在拥塞的节点为个。值得注意的是,执行拥塞检测方法的计算机设备即可部署在CCS进行监控,进而辅助全网的流量任务调度,也可以部署在EN,进而辅助后续自身任务传输的路径选择。
应该理解的是,虽然如上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拥塞检测方法的拥塞检测装置。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拥塞检测装置实施例中的具体限定可以参见上文中对于拥塞检测方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种拥塞检测装置,包括:构建模型10和检测模型20,其中:
构建模型10,用于根据待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建待检测节点对应的检测特征向量。
检测模型20,用于根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果;其中,拥塞样本向量是对检测样本向量进行聚类得到,检测样本向量根据各样本节点在至少两个连续采样时刻下的检测参数值构建;检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种。
上述拥塞检测装置,通过待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建检测特征向量,进而,根据检测特征向量和拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。由于上述过程中的检测特征向量并不是根据某一时刻的多种检测参数构成的,而是根据在至少两个连续检测时刻下的同一检测参数构成,因此,本申请在根据检测特征向量和拥塞样本向量,对待检测节点进行拥塞检测时,考虑了待检测节点参数/计算任务产生的时间相关性,实现了根据拥塞状态与时间、网络参数的相关性,对待检测节点进行拥塞检测;并且,本申请的检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种,因此,本申请检测参数在选取的过程中具有显著普适性,使得本申请可根据实际情况的参数可信度、参数获取成本、参数检测效率等方面综合选取检测参数;进一步的,本申请在获取拥塞样本向量的故此衡中,无需采集多种检测参数,仅需要采集至少两个连续采样时刻下的检测参数,即可确定拥塞样本向量,因此,本申请在确定拥塞样本向量的过程中,相比起现有技术中通过大量人工进行样本选取与样本标记的过程中,提高了拥塞样本向量的获取效率,有效提高了待检测节点拥塞状态的检测效率,降低获取拥塞样本向量的人工成本与时间成本。
在一个实施例中,如图8所示,提供了一种拥塞检测装置,该拥塞检测装置中检测模型20包括:第一确定单元21和检测单元22,其中:
第一确定单元21,用于确定检测特征向量与检测参数的各分类簇之间的第一距离集,以及检测特征向量与检测参数对应的拥塞样本向量之间的第二距离集。
检测单元22,用于根据第一距离集和第二距离集,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。
检测单元具体用于,根据第一距离集中的最小距离与第二距离集中的最小距离之间的大小关系,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。若第一距离集中的最小距离小于第二距离集中的最小距离,则确定待检测节点的拥塞检测结果为拥塞。
在一个实施例中,如图9所示,提供了一种拥塞检测装置,该拥塞检测装置还包括:聚类模块30,其中:
聚类模块30,用于通过两两检测样本向量之间的向量距离,对各检测样本向量进行聚类处理,并根据聚类处理结果,从各检测样本向量中,确定拥塞样本向量。
在一个实施例中,如图10所示,提供了一种拥塞检测装置,该拥塞检测装置中聚类模块30包括:第二确定单元31、第三确定单元32、第四确定单元33、更新单元34、第五确定单元35和第六确定单元36,其中:
第二确定单元31,用于将各检测样本向量作为未访问样本集合,并根据每一检测样本向量与除该检测样本向量之外的其他各检测样本向量之间的向量距离,确定每一检测样本向量是否属于第一集合。
第二确定单元具体用于,针对每一检测样本向量,确定除该检测样本向量之外的其他各检测样本向量中,与该检测样本向量之间的向量距离小于距离阈值的其他各检测样本向量的数量;若数量大于样本数量阈值,则确定该检测样本向量属于第一集合。
第三确定单元32,用于从检测样本向量中选取第一核心对象向量,并将第一核心对象向量存入第二集合,以及从未访问样本集合中删除。
第四确定单元33,用于确定第一核心对象向量在检测参数下的目标簇,并将第一核心对象向量添加至目标簇的子分类集合中;其中,目标簇为检测参数的一个分类簇。
更新单元34,用于通过目标簇的子分类集合对第一集合进行更新,从第二集合中选取第二核心对象向量,并根据第二核心对象向量、第一集合和未访问样本集合,对目标簇的子分类集合、未访问样本集合和第二集合进行更新。
更新单元具体用于对第一集合和目标簇的子分类集合进行差值运算,得到更新后的第一集合。
第五确定单元35,用于若更新后的第二集合为空集,则确定更新后的第一集合是否为空集。若更新后的第二集合不为空集,则返回执行通过目标簇的子分类集合对第一集合进行更新的操作。
第六确定单元36,用于若第一集合不为空集,则返回执行从检测样本向量中选取第一核心对象向量的操作,若第一集合为空集,则将各检测样本向量中,不属于检测参数的各分类簇的子分类集合的检测样本向量作为拥塞样本向量。
在一个实施例中,如图11所示,提供了一种拥塞检测装置,该拥塞检测装置中更新单元34包括,第一确定子单元341、第二确定子单元342、第一更新子单元343、第二更新子单元344和第三更新子单元345,其中:
第一确定子单元341,用于确定第二核心对象向量的邻域样本集合,其中,第二核心对象向量的邻域样本集合是由与第二核心对象向量的向量距离小于距离阈值的检测样本向量组成。
第二确定子单元342,用于对第二核心对象向量的邻域样本集合和未访问样本集合进行并集处理,得到第一并集。
第一更新子单元343,用于对目标簇的子分类集合与第一交集进行并集处理,得到更新后的目标簇的子分类集合。
第二更新子单元344,用于通过未访问样本集合与第一交集进行差值运算,得到更新后的未访问样本集合;
第三更新子单元345,用于对第一交集与第一集合进行交集处理,得到第二交集;并通过将第二集合与第二交集的并集与核心对象子样本进行差值运算,得到更新后的第二集合。
上述拥塞检测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终端,其内部结构图可以如图12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拥塞检测方法。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12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以下步骤:
根据待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建待检测节点对应的检测特征向量;
根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果;
其中,拥塞样本向量是对检测样本向量进行聚类得到,检测样本向量根据各样本节点在至少两个连续采样时刻下的检测参数值构建;检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
确定检测特征向量与检测参数的各分类簇之间的第一距离集,以及检测特征向量与检测参数对应的拥塞样本向量之间的第二距离集;
根据第一距离集和第二距离集,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据第一距离集中的最小距离与第二距离集中的最小距离之间的大小关系,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若第一距离集中的最小距离小于第二距离集中的最小距离,则确定待检测节点的拥塞检测结果为拥塞。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过两两检测样本向量之间的向量距离,对各检测样本向量进行聚类处理,并根据聚类处理结果,从各检测样本向量中,确定拥塞样本向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将各检测样本向量作为未访问样本集合,并根据每一检测样本向量与除该检测样本向量之外的其他各检测样本向量之间的向量距离,确定每一检测样本向量是否属于第一集合;
从检测样本向量中选取第一核心对象向量,并将第一核心对象向量存入第二集合,以及从未访问样本集合中删除;
确定第一核心对象向量在检测参数下的目标簇,并将第一核心对象向量添加至目标簇的子分类集合中;其中,目标簇为检测参数的一个分类簇;
通过目标簇的子分类集合对第一集合进行更新,从第二集合中选取第二核心对象向量,并根据第二核心对象向量、第一集合和未访问样本集合,对目标簇的子分类集合、未访问样本集合和第二集合进行更新;
若更新后的第二集合为空集,则确定更新后的第一集合是否为空集;
若第一集合不为空集,则返回执行从检测样本向量中选取第一核心对象向量的操作,若第一集合为空集,则将各检测样本向量中,不属于检测参数的各分类簇的子分类集合的检测样本向量作为拥塞样本向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若更新后的第二集合不为空集,则返回执行通过目标簇的子分类集合对第一集合进行更新的操作。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对第一集合和目标簇的子分类集合进行差值运算,得到更新后的第一集合。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
确定第二核心对象向量的邻域样本集合,其中,第二核心对象向量的邻域样本集合是由与第二核心对象向量的向量距离小于距离阈值的检测样本向量组成;
对第二核心对象向量的邻域样本集合和未访问样本集合进行并集处理,得到第一并集;
对目标簇的子分类集合与第一交集进行并集处理,得到更新后的目标簇的子分类集合;
通过未访问样本集合与第一交集进行差值运算,得到更新后的未访问样本集合;
对第一交集与第一集合进行交集处理,得到第二交集;并通过将第二集合与第二交集的并集与核心对象子样本进行差值运算,得到更新后的第二集合。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
针对每一检测样本向量,确定除该检测样本向量之外的其他各检测样本向量中,与该检测样本向量之间的向量距离小于距离阈值的其他各检测样本向量的数量;
若数量大于样本数量阈值,则确定该检测样本向量属于第一集合。
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以下步骤:
根据待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建待检测节点对应的检测特征向量;
根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果;
其中,拥塞样本向量是对检测样本向量进行聚类得到,检测样本向量根据各样本节点在至少两个连续采样时刻下的检测参数值构建;检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定检测特征向量与检测参数的各分类簇之间的第一距离集,以及检测特征向量与检测参数对应的拥塞样本向量之间的第二距离集;
根据第一距离集和第二距离集,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据第一距离集中的最小距离与第二距离集中的最小距离之间的大小关系,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若第一距离集中的最小距离小于第二距离集中的最小距离,则确定待检测节点的拥塞检测结果为拥塞。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过两两检测样本向量之间的向量距离,对各检测样本向量进行聚类处理,并根据聚类处理结果,从各检测样本向量中,确定拥塞样本向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各检测样本向量作为未访问样本集合,并根据每一检测样本向量与除该检测样本向量之外的其他各检测样本向量之间的向量距离,确定每一检测样本向量是否属于第一集合;
从检测样本向量中选取第一核心对象向量,并将第一核心对象向量存入第二集合,以及从未访问样本集合中删除;
确定第一核心对象向量在检测参数下的目标簇,并将第一核心对象向量添加至目标簇的子分类集合中;其中,目标簇为检测参数的一个分类簇;
通过目标簇的子分类集合对第一集合进行更新,从第二集合中选取第二核心对象向量,并根据第二核心对象向量、第一集合和未访问样本集合,对目标簇的子分类集合、未访问样本集合和第二集合进行更新;
若更新后的第二集合为空集,则确定更新后的第一集合是否为空集;
若第一集合不为空集,则返回执行从检测样本向量中选取第一核心对象向量的操作,若第一集合为空集,则将各检测样本向量中,不属于检测参数的各分类簇的子分类集合的检测样本向量作为拥塞样本向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若更新后的第二集合不为空集,则返回执行通过目标簇的子分类集合对第一集合进行更新的操作。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对第一集合和目标簇的子分类集合进行差值运算,得到更新后的第一集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定第二核心对象向量的邻域样本集合,其中,第二核心对象向量的邻域样本集合是由与第二核心对象向量的向量距离小于距离阈值的检测样本向量组成;
对第二核心对象向量的邻域样本集合和未访问样本集合进行并集处理,得到第一并集;
对目标簇的子分类集合与第一交集进行并集处理,得到更新后的目标簇的子分类集合;
通过未访问样本集合与第一交集进行差值运算,得到更新后的未访问样本集合;
对第一交集与第一集合进行交集处理,得到第二交集;并通过将第二集合与第二交集的并集与核心对象子样本进行差值运算,得到更新后的第二集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
针对每一检测样本向量,确定除该检测样本向量之外的其他各检测样本向量中,与该检测样本向量之间的向量距离小于距离阈值的其他各检测样本向量的数量;
若数量大于样本数量阈值,则确定该检测样本向量属于第一集合。
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以下步骤:
根据待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建待检测节点对应的检测特征向量;
根据检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果;
其中,拥塞样本向量是对检测样本向量进行聚类得到,检测样本向量根据各样本节点在至少两个连续采样时刻下的检测参数值构建;检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定检测特征向量与检测参数的各分类簇之间的第一距离集,以及检测特征向量与检测参数对应的拥塞样本向量之间的第二距离集;
根据第一距离集和第二距离集,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据第一距离集中的最小距离与第二距离集中的最小距离之间的大小关系,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若第一距离集中的最小距离小于第二距离集中的最小距离,则确定待检测节点的拥塞检测结果为拥塞。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过两两检测样本向量之间的向量距离,对各检测样本向量进行聚类处理,并根据聚类处理结果,从各检测样本向量中,确定拥塞样本向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各检测样本向量作为未访问样本集合,并根据每一检测样本向量与除该检测样本向量之外的其他各检测样本向量之间的向量距离,确定每一检测样本向量是否属于第一集合;
从检测样本向量中选取第一核心对象向量,并将第一核心对象向量存入第二集合,以及从未访问样本集合中删除;
确定第一核心对象向量在检测参数下的目标簇,并将第一核心对象向量添加至目标簇的子分类集合中;其中,目标簇为检测参数的一个分类簇;
通过目标簇的子分类集合对第一集合进行更新,从第二集合中选取第二核心对象向量,并根据第二核心对象向量、第一集合和未访问样本集合,对目标簇的子分类集合、未访问样本集合和第二集合进行更新;
若更新后的第二集合为空集,则确定更新后的第一集合是否为空集;
若第一集合不为空集,则返回执行从检测样本向量中选取第一核心对象向量的操作,若第一集合为空集,则将各检测样本向量中,不属于检测参数的各分类簇的子分类集合的检测样本向量作为拥塞样本向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若更新后的第二集合不为空集,则返回执行通过目标簇的子分类集合对第一集合进行更新的操作。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对第一集合和目标簇的子分类集合进行差值运算,得到更新后的第一集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定第二核心对象向量的邻域样本集合,其中,第二核心对象向量的邻域样本集合是由与第二核心对象向量的向量距离小于距离阈值的检测样本向量组成;
对第二核心对象向量的邻域样本集合和未访问样本集合进行并集处理,得到第一并集;
对目标簇的子分类集合与第一交集进行并集处理,得到更新后的目标簇的子分类集合;
通过未访问样本集合与第一交集进行差值运算,得到更新后的未访问样本集合;
对第一交集与第一集合进行交集处理,得到第二交集;并通过将第二集合与第二交集的并集与核心对象子样本进行差值运算,得到更新后的第二集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
针对每一检测样本向量,确定除该检测样本向量之外的其他各检测样本向量中,与该检测样本向量之间的向量距离小于距离阈值的其他各检测样本向量的数量;
若数量大于样本数量阈值,则确定该检测样本向量属于第一集合。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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,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 Access Memory,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 (14)
1.一种拥塞检测方法,其特征在于,所述方法包括:
根据待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建待检测节点对应的检测特征向量;
根据所述检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果;
其中,所述拥塞样本向量是对检测样本向量进行聚类得到,所述检测样本向量根据各样本节点在至少两个连续采样时刻下的检测参数值构建;所述检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种。
2.根据权利要求1所述的方法,其特征在于,所述根据所述检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果,包括:
确定所述检测特征向量与所述检测参数的各分类簇之间的第一距离集,以及所述检测特征向量与所述检测参数对应的拥塞样本向量之间的第二距离集;
根据所述第一距离集和所述第二距离集,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一距离和所述第二距离,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果,包括:
根据第一距离集中的最小距离与所述第二距离集中的最小距离之间的大小关系,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果。
4.根据权利要求3所述的方法,其特征在于,所述根据第一距离集中的最小距离与所述第二距离集中的最小距离之间的大小关系,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果,包括:
若所述第一距离集中的最小距离小于所述第二距离集中的最小距离,则确定待检测节点的拥塞检测结果为拥塞。
5.根据权利要求1-4中任意一项所述的方法,其特征在于,所述拥塞样本向量的确定过程,包括:
通过两两检测样本向量之间的向量距离,对各所述检测样本向量进行聚类处理,并根据聚类处理结果,从各所述检测样本向量中,确定拥塞样本向量。
6.根据权利要求5所述的方法,其特征在于,所述通过两两检测样本向量之间的向量距离,对各所述检测样本向量进行聚类处理,并根据聚类处理结果,从各所述检测样本向量中,确定拥塞样本向量,包括:
将各检测样本向量作为未访问样本集合,并根据每一检测样本向量与除该检测样本向量之外的其他各检测样本向量之间的向量距离,确定每一检测样本向量是否属于第一集合;
从检测样本向量中选取第一核心对象向量,并将第一核心对象向量存入第二集合,以及从所述未访问样本集合中删除;
确定所述第一核心对象向量在所述检测参数下的目标簇,并将所述第一核心对象向量添加至所述目标簇的子分类集合中;其中,所述目标簇为所述检测参数的一个分类簇;
通过所述目标簇的子分类集合对第一集合进行更新,从第二集合中选取第二核心对象向量,并根据所述第二核心对象向量、所述第一集合和所述未访问样本集合,对所述目标簇的子分类集合、未访问样本集合和第二集合进行更新;
若更新后的第二集合为空集,则确定更新后的第一集合是否为空集;
若第一集合不为空集,则返回执行从检测样本向量中选取第一核心对象向量的操作,若第一集合为空集,则将所述各检测样本向量中,不属于检测参数的各分类簇的子分类集合的检测样本向量作为拥塞样本向量。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
若更新后的第二集合不为空集,则返回执行通过所述目标簇的子分类集合对第一集合进行更新的操作。
8.根据权利要求6所述的方法,其特征在于,所述通过所述目标簇的子分类集合对第一集合进行更新,包括:
对所述第一集合和所述目标簇的子分类集合进行差值运算,得到更新后的第一集合。
9.根据权利要求6所述的方法,其特征在于,所述根据所述第二核心对象向量、所述第一集合和所述未访问样本集合,对所述目标簇的子分类集合、未访问样本集合和第二集合进行更新,包括:
确定所述第二核心对象向量的邻域样本集合,其中,第二核心对象向量的邻域样本集合是由与第二核心对象向量的向量距离小于距离阈值的检测样本向量组成;
对第二核心对象向量的邻域样本集合和未访问样本集合进行并集处理,得到第一并集;
对所述目标簇的子分类集合与所述第一交集进行并集处理,得到更新后的目标簇的子分类集合;
通过所述未访问样本集合与所述第一交集进行差值运算,得到更新后的未访问样本集合;
对所述第一交集与所述第一集合进行交集处理,得到第二交集;并通过将第二集合与第二交集的并集与核心对象子样本进行差值运算,得到更新后的第二集合。
10.根据权利要求6所述的方法,其特征在于,所述根据每一检测样本向量与除该检测样本向量之外的其他各检测样本向量之间的向量距离,确定每一检测样本向量是否属于第一集合,包括:
针对每一检测样本向量,确定除该检测样本向量之外的其他各检测样本向量中,与该检测样本向量之间的向量距离小于距离阈值的其他各检测样本向量的数量;
若所述数量大于样本数量阈值,则确定该检测样本向量属于第一集合。
11.一种拥塞检测装置,其特征在于,所述装置包括:
构建模型,用于根据待检测节点在至少两个连续检测时刻下的检测参数的参数值,构建待检测节点对应的检测特征向量;
检测模型,用于根据所述检测特征向量和检测参数对应的拥塞样本向量,对待检测节点进行拥塞检测,得到待检测节点的拥塞检测结果;其中,所述拥塞样本向量是对检测样本向量进行聚类得到,所述检测样本向量根据各样本节点在至少两个连续采样时刻下的检测参数值构建;所述检测参数包括瞬时队列尺寸、平均队列尺寸、发送速率、到达速率、链路使用率、缓存占用率中的任意一种。
12.一种计算机设备,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10中任一项所述的方法的步骤。
13.一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10中任一项所述的方法的步骤。
14.一种计算机程序产品,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10中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311012350.5A CN116938770A (zh) | 2023-08-11 | 2023-08-11 | 拥塞检测方法、装置、计算机设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311012350.5A CN116938770A (zh) | 2023-08-11 | 2023-08-11 | 拥塞检测方法、装置、计算机设备及其存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116938770A true CN116938770A (zh) | 2023-10-24 |
Family
ID=88377196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311012350.5A Pending CN116938770A (zh) | 2023-08-11 | 2023-08-11 | 拥塞检测方法、装置、计算机设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116938770A (zh) |
-
2023
- 2023-08-11 CN CN202311012350.5A patent/CN116938770A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10102227B2 (en) | Image-based faceted system and method | |
EP3648410A1 (en) | Flow measurement method, device and system | |
US9998865B2 (en) | Method for performing distributed geographic event processing and geographic event processing system | |
CN116938770A (zh) | 拥塞检测方法、装置、计算机设备及其存储介质 | |
CN115277570B (zh) | 流量分配方法、装置、计算机设备和存储介质 | |
CN107659982B (zh) | 一种无线网络接入点的分类方法及装置 | |
CN112541556A (zh) | 模型构建优化方法、设备、介质及计算机程序产品 | |
CN111865690A (zh) | 基于网络结构和时序的机会网络链路预测方法 | |
US20230300061A1 (en) | Methods, devices and systems for determining a target path | |
CN116415957A (zh) | 异常交易对象识别方法、装置、计算机设备和存储介质 | |
CN111935005A (zh) | 数据传输方法、装置、处理设备及介质 | |
CN116737373A (zh) | 负载均衡方法、装置、计算机设备、存储介质 | |
CN113411236B (zh) | 质差路由器检测方法、装置、设备及存储介质 | |
CN115730663A (zh) | 量子计算任务映射方法以及量子计算机操作系统 | |
CN106559290B (zh) | 基于社团结构的链路预测的方法和系统 | |
CN115277437B (zh) | 网络拓扑构建方法、装置、计算机设备和存储介质 | |
CN116708532B (zh) | 局域网连接方法、装置、计算机设备和可读存储介质 | |
CN117040631A (zh) | 光纤网络自动化跳纤方法、系统、计算机设备和存储介质 | |
US20220335064A1 (en) | Alert-based learning for multi-dimensional data processing | |
CN117971742A (zh) | 基于传输序列的芯片数据传输方法和装置 | |
CN111178375B (zh) | 用于生成信息的方法和装置 | |
CN116761209A (zh) | 业务数据的缓存方法、获取方法、装置、设备和介质 | |
WO2020223845A1 (zh) | 资源添加方法、管理设备及计算机存储介质 | |
CN117114278A (zh) | 网点选址方法、装置、计算机设备和存储介质 | |
CN118153954A (zh) | 对象关系的识别方法、装置和计算机设备 |
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 |