CN116996403B - 应用ai模型的网络流量诊断方法及系统 - Google Patents
应用ai模型的网络流量诊断方法及系统 Download PDFInfo
- Publication number
- CN116996403B CN116996403B CN202311246578.0A CN202311246578A CN116996403B CN 116996403 B CN116996403 B CN 116996403B CN 202311246578 A CN202311246578 A CN 202311246578A CN 116996403 B CN116996403 B CN 116996403B
- Authority
- CN
- China
- Prior art keywords
- traffic
- flow
- diagnosis
- diagnostic
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 428
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 89
- 238000012806 monitoring device Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000005065 mining Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 11
- 238000002405 diagnostic procedure Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000012634 fragment Substances 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供的应用AI模型的网络流量诊断方法及系统，涉及人工智能技术领域。在本发明中，依据示例性数据对候选流量诊断神经网络进行网络更新操作，以形成候选流量诊断神经网络对应的目标流量诊断神经网络；集到目标网络系统对应的待诊断网络流量数据，待诊断网络流量数据包括多个待诊断流量成员，多个待诊断流量成员对应于目标网络系统包括的多个目标网络监控设备；通过目标流量诊断神经网络，将待诊断网络流量数据进行流量诊断操作，以输出目标网络系统对应的目标流量诊断结果，目标成员流量诊断结果用于反映对应的待诊断流量成员的流量状态信息。基于上述内容，可以在一定程度上提高网络流量诊断的可靠度。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种应用AI模型的网络流量诊断方法及系统。
背景技术
在网络流量的诊断中，一般会先采集到设备或系统的网络流量数据，然后，可以通过相关的人员进行经验性的诊断，如此，可以得到相应的网络流量诊断结果，用于反映设备或系统的流量状态信息。但是，如此处理，会出现网络流量诊断的可靠度相对不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种应用AI模型的网络流量诊断方法及系统，以在一定程度上提高网络流量诊断的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种应用AI模型的网络流量诊断方法，包括：
依据示例性数据对候选流量诊断神经网络进行网络更新操作，以形成所述候选流量诊断神经网络对应的目标流量诊断神经网络；
采集到目标网络系统对应的待诊断网络流量数据，所述待诊断网络流量数据包括多个待诊断流量成员，所述多个待诊断流量成员对应于所述目标网络系统包括的多个目标网络监控设备；
通过所述目标流量诊断神经网络，将所述待诊断网络流量数据进行流量诊断操作，以输出所述目标网络系统对应的目标流量诊断结果，所述目标流量诊断结果包括多个目标成员流量诊断结果，所述目标成员流量诊断结果用于反映对应的待诊断流量成员的流量状态信息。
在一些优选的实施例中，在上述应用AI模型的网络流量诊断方法中，所述依据示例性数据对候选流量诊断神经网络进行网络更新操作，以形成所述候选流量诊断神经网络对应的目标流量诊断神经网络的步骤，包括：
提取到初始示例性数据，所述初始示例性数据包括多个示例性网络流量数据和每一个示例性网络流量数据的标准流量诊断结果，每一个示例性网络流量数据包括多个流量诊断成员，所述标准流量诊断结果包括每一个流量诊断成员的标准成员流量诊断结果，所述标准成员流量诊断结果用于反映对应的流量诊断成员的流量状态信息，一个示例性网络流量数据包括的多个流量诊断成员属于一个网络系统中的多个网络监控设备；
轮询所述初始示例性数据包括的多个流量诊断成员中每一个流量诊断成员的多个标准成员流量诊断结果，以及，依据每一个流量诊断成员的示例性数据隐藏比例和每一个所述流量诊断成员的多个标准成员流量诊断结果中每一个标准成员流量诊断结果的标识信息，从所述多个标准成员流量诊断结果中，分析出第一成员流量诊断结果，每一个流量诊断成员的第一成员流量诊断结果中第一类标识信息的标准成员流量诊断结果的数量和第二类标识信息的标准成员流量诊断结果的数量之间的比例属于目标参数范围，所述第一类标识信息的标准成员流量诊断结果用于反映对应的流量诊断成员不具有异常的流量状态信息，所述第二类标识信息的标准成员流量诊断结果用于反映对应的流量诊断成员具有异常的流量状态信息；
依据每一个流量诊断成员的第一成员流量诊断结果、每一个第一成员流量诊断结果对应的标准流量诊断结果和所述多个示例性网络流量数据，分析出优化示例性数据，所述优化示例性数据包括所述多个示例性网络流量数据和每一个示例性网络流量数据的典型流量诊断结果，所述典型流量诊断结果包括对应所述示例性网络流量数据的标准流量诊断结果中的第一成员流量诊断结果；
依据所述优化示例性数据，将候选流量诊断神经网络进行网络更新操作，以形成对应的目标流量诊断神经网络。
在一些优选的实施例中，在上述应用AI模型的网络流量诊断方法中，所述轮询所述初始示例性数据包括的多个流量诊断成员中每一个流量诊断成员的多个标准成员流量诊断结果，以及，依据每一个流量诊断成员的示例性数据隐藏比例和每一个所述流量诊断成员的多个标准成员流量诊断结果中每一个标准成员流量诊断结果的标识信息，从所述多个标准成员流量诊断结果中，分析出第一成员流量诊断结果的步骤，包括：
轮询所述初始示例性数据包括的多个流量诊断成员中每一个流量诊断成员的多个标准成员流量诊断结果；
在任意一个标准成员流量诊断结果的标识信息为所述第一类标识信息的时候，依据每一个所述流量诊断成员的示例性数据隐藏比例，分析出所述任意一个标准成员流量诊断结果对应的诊断结果选中概率参数，以及，若所述诊断结果选中概率参数大于零，则对所述任意一个标准成员流量诊断结果进行标记，以标记为第一成员流量诊断结果；
在任意一个标准成员流量诊断结果的标识信息为所述第二类标识信息的时候，将所述任意一个标准成员流量诊断结果进行标记，以标记为第一成员流量诊断结果。
在一些优选的实施例中，在上述应用AI模型的网络流量诊断方法中，所述在任意一个标准成员流量诊断结果的标识信息为所述第一类标识信息的时候，依据每一个所述流量诊断成员的示例性数据隐藏比例，分析出所述任意一个标准成员流量诊断结果对应的诊断结果选中概率参数，以及，若所述诊断结果选中概率参数大于零，则对所述任意一个标准成员流量诊断结果进行标记，以标记为第一成员流量诊断结果的步骤，包括：
基于概率参数确定规则，按照所述示例性数据隐藏比例具有的限制，确定所述任意一个标准成员流量诊断结果对应的诊断结果初始概率参数；
确定出诊断结果选中概率参数的限制参考系数；
确定出所述诊断结果选中概率参数的限制参考系数和所述诊断结果初始概率参数之间的求差计算结果，并将所述求差计算结果标记为所述任意一个标准成员流量诊断结果对应的诊断结果选中概率参数；
若所述诊断结果选中概率参数大于零，则对所述任意一个标准成员流量诊断结果进行标记，以标记为第一成员流量诊断结果。
在一些优选的实施例中，在上述应用AI模型的网络流量诊断方法中，在所述轮询所述初始示例性数据包括的多个流量诊断成员中每一个流量诊断成员的多个标准成员流量诊断结果，以及，依据每一个流量诊断成员的示例性数据隐藏比例和每一个所述流量诊断成员的多个标准成员流量诊断结果中每一个标准成员流量诊断结果的标识信息，从所述多个标准成员流量诊断结果中，分析出第一成员流量诊断结果的步骤以前，所述依据示例性数据对候选流量诊断神经网络进行网络更新操作，以形成所述候选流量诊断神经网络对应的目标流量诊断神经网络的步骤还包括：
依据示例性数据均衡系数，分析出所述多个流量诊断成员中每一个流量诊断成员的示例性数据隐藏比例；
其中，任意一个流量诊断成员的示例性数据隐藏比例的分析过程包括：
确定出所述任意一个流量诊断成员的多个标准成员流量诊断结果中每一个标准成员流量诊断结果的标识信息；
从所述任意一个流量诊断成员的多个标准成员流量诊断结果中，统计出第一类标识信息对应的标准成员流量诊断结果的数量，并统计出第二类标识信息对应的标准成员流量诊断结果的数量；
基于所述示例性数据均衡系数、所述第一类标识信息对应的标准成员流量诊断结果的数量和第二类标识信息对应的标准成员流量诊断结果的数量，分析出所述任意一个流量诊断成员的示例性数据隐藏比例。
在一些优选的实施例中，在上述应用AI模型的网络流量诊断方法中，所述基于所述示例性数据均衡系数、所述第一类标识信息对应的标准成员流量诊断结果的数量和第二类标识信息对应的标准成员流量诊断结果的数量，分析出所述任意一个流量诊断成员的示例性数据隐藏比例的步骤，包括：
计算出所述第二类标识信息对应的标准成员流量诊断结果的数量和所述第一类标识信息对应的标准成员流量诊断结果的数量之间具有的比例系数；
对计算出的比例系数和所述示例性数据均衡系数进行融合计算操作，以输出对应的融合计算参数；
确定出示例性数据隐藏比例的限制参考系数，以及，对所述限制参考系数和所述融合计算参数进行求差计算操作，以形成对应的待定第一隐藏比例；
确定出待定第二隐藏比例，以及，对所述待定第一隐藏比例和所述待定第二隐藏比例中具有最大值一个的待定隐藏比例进行标记，以标记为所述任意一个流量诊断成员的示例性数据隐藏比例。
在一些优选的实施例中，在上述应用AI模型的网络流量诊断方法中，所述依据每一个流量诊断成员的第一成员流量诊断结果、每一个第一成员流量诊断结果对应的标准流量诊断结果和所述多个示例性网络流量数据，分析出优化示例性数据的步骤，包括：
依据每一个第一成员流量诊断结果对应的标准流量诊断结果，从所述多个流量诊断成员的第一成员流量诊断结果中，分析出对应于任意一个标准流量诊断结果的第一成员流量诊断结果；
形成所述任意一个标准流量诊断结果对应的示例性网络流量数据的典型流量诊断结果，所述典型流量诊断结果包括分析出的第一成员流量诊断结果；
依据所述多个示例性网络流量数据和每一个示例性网络流量数据对应形成的典型流量诊断结果，组合形成对应的优化示例性数据。
在一些优选的实施例中，在上述应用AI模型的网络流量诊断方法中，确定出所述初始示例性数据中每一个示例性网络流量数据的标准流量诊断结果的过程，包括：
确定出每一个所述示例性网络流量数据的实际流量诊断结果，所述实际流量诊断结果包括至少一个流量诊断成员的标准成员流量诊断结果；
在所述实际流量诊断结果中的标准成员流量诊断结果的数量小于每一个所述示例性网络流量数据中流量诊断成员的数量的情况下，将所述实际流量诊断结果进行标准成员流量诊断结果的扩展操作，以形成每一个所述示例性网络流量数据的标准流量诊断结果；
在所述实际流量诊断结果中的标准成员流量诊断结果的数量和每一个所述示例性网络流量数据中流量诊断成员的数量一样的情况，对所述实际流量诊断结果进行标记，以标记为每一个所述示例性网络流量数据的标准流量诊断结果。
在一些优选的实施例中，在上述应用AI模型的网络流量诊断方法中，所述依据所述优化示例性数据，将候选流量诊断神经网络进行网络更新操作，以形成对应的目标流量诊断神经网络的步骤，包括：
提取到所述优化示例性数据中每一个示例性网络流量数据和每一个所述示例性网络流量数据的典型流量诊断结果；
通过候选流量诊断神经网络，将每一个所述示例性网络流量数据进行流量诊断操作，以输出每一个所述示例性网络流量数据的估计流量诊断结果，所述估计流量诊断结果包括至少一个流量诊断成员的估计成员流量诊断结果，一个所述估计成员流量诊断结果对应于每一个所述示例性网络流量数据的典型流量诊断结果中的一个第一成员流量诊断结果；
依据每一个所述示例性网络流量数据的典型流量诊断结果中包括的每一个第一成员流量诊断结果和每一个所述第一成员流量诊断结果对应的估计成员流量诊断结果，将所述候选流量诊断神经网络进行网络更新操作，以形成对应的目标流量诊断神经网络；
并且，所述通过所述目标流量诊断神经网络，将所述待诊断网络流量数据进行流量诊断操作，以输出所述目标网络系统对应的目标流量诊断结果的步骤，包括：
将所述待诊断网络流量数据进行关键信息挖掘操作，以形成所述多个待诊断流量成员对应的流量关键信息描述向量，所述关键信息挖掘操作包括所述多个待诊断流量成员中各待诊断流量成员对应的网络流量数据之间的关联挖掘操作；
通过所述目标流量诊断神经网络，依据每一个待诊断流量成员对应的流量关键信息描述向量进行流量诊断操作，以输出每一个所述待诊断流量成员对应的目标成员流量诊断结果；
将每一个所述待诊断流量成员对应的目标成员流量诊断结果进行结果合并操作，以形成所述待诊断网络流量数据对应的目标流量诊断结果。
本发明实施例还提供一种应用AI模型的网络流量诊断系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的应用AI模型的网络流量诊断方法。
本发明实施例提供的应用AI模型的网络流量诊断方法及系统，可以先依据示例性数据对候选流量诊断神经网络进行网络更新操作，以形成候选流量诊断神经网络对应的目标流量诊断神经网络；集到目标网络系统对应的待诊断网络流量数据，待诊断网络流量数据包括多个待诊断流量成员，多个待诊断流量成员对应于目标网络系统包括的多个目标网络监控设备；通过目标流量诊断神经网络，将待诊断网络流量数据进行流量诊断操作，以输出目标网络系统对应的目标流量诊断结果，目标成员流量诊断结果用于反映对应的待诊断流量成员的流量状态信息。基于前述的内容，由于会先进行网络更新操作，使得形成的目标流量诊断神经网络的分析能力更佳（如学习到的输入和输出之间的映射关系更可靠），因此，可以在一定程度上提高网络流量诊断的可靠度，从而改善现有技术中的不足。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的应用AI模型的网络流量诊断系统的结构框图。
图2为本发明实施例提供的应用AI模型的网络流量诊断方法包括的各步骤的流程示意图。
图3为本发明实施例提供的应用AI模型的网络流量诊断装置包括的各模块的示意图。
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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种应用AI模型的网络流量诊断系统。其中，所述应用AI模型的网络流量诊断系统可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的应用AI模型的网络流量诊断方法。
可以选择的是，在一种可以替代的实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（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。
可以选择的是，在一种可以替代的实施方式中，所述应用AI模型的网络流量诊断系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种应用AI模型的网络流量诊断方法，可应用于上述应用AI模型的网络流量诊断系统。其中，所述应用AI模型的网络流量诊断方法有关的流程所定义的方法步骤，可以由所述应用AI模型的网络流量诊断系统实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，依据示例性数据对候选流量诊断神经网络进行网络更新操作，以形成所述候选流量诊断神经网络对应的目标流量诊断神经网络。
在本发明实施例中，所述应用AI模型的网络流量诊断系统可以依据示例性数据对候选流量诊断神经网络进行网络更新操作，以形成所述候选流量诊断神经网络对应的目标流量诊断神经网络。所述候选流量诊断神经网络可以是初始搭建的神经网络，也可以是在历史上经过网络更新的神经网络。网络更新操作可以用于学习到输入数据和输出数据之间的映射关系。
步骤S120，采集到目标网络系统对应的待诊断网络流量数据。
在本发明实施例中，所述应用AI模型的网络流量诊断系统可以采集到目标网络系统对应的待诊断网络流量数据。所述待诊断网络流量数据包括多个待诊断流量成员，所述多个待诊断流量成员对应于所述目标网络系统包括的多个目标网络监控设备，即一个目标网络监控设备可以是一个服务器，对应于一个待诊断流量成员。所述待诊断网络流量数据中可以包括每一个目标网络监控设备的网络流量数据，网络流量数据可以用于记录所述目标网络监控设备的设备流量，如XX时间的数据访问量是BB、数据访问地址包括NN、数据访问对象包括GG等内容，具体不受限制。
步骤S130，通过所述目标流量诊断神经网络，将所述待诊断网络流量数据进行流量诊断操作，以输出所述目标网络系统对应的目标流量诊断结果。
在本发明实施例中，所述应用AI模型的网络流量诊断系统可以通过所述目标流量诊断神经网络，将所述待诊断网络流量数据进行流量诊断操作，以输出所述目标网络系统对应的目标流量诊断结果。所述目标流量诊断结果包括多个目标成员流量诊断结果，所述目标成员流量诊断结果用于反映对应的待诊断流量成员的流量状态信息，如具体的正常状态的描述内容或异常状态的描述内容。由于在网络更新的过程中，所述目标流量诊断神经网络已经学习到了待诊断网络流量数据和目标流量诊断结果之间的映射关系，因此，可以基于该映射关系，对该待诊断网络流量数据进行映射操作，以得到对应的目标流量诊断结果。
基于前述的内容，如上述的步骤S110-步骤S130，由于会先进行网络更新操作，使得形成的目标流量诊断神经网络的分析能力更佳（如学习到的输入和输出之间的映射关系更可靠），因此，可以在一定程度上提高网络流量诊断的可靠度，从而改善现有技术中的不足。
可以选择的是，在一种可以替代的实施方式中，上述实施内容中的步骤S110，即所述依据示例性数据对候选流量诊断神经网络进行网络更新操作，以形成所述候选流量诊断神经网络对应的目标流量诊断神经网络的步骤，可以包括以下所述的详细内容：
提取到初始示例性数据，所述初始示例性数据包括多个示例性网络流量数据和每一个示例性网络流量数据的标准流量诊断结果，每一个示例性网络流量数据包括多个流量诊断成员，所述标准流量诊断结果包括每一个流量诊断成员的标准成员流量诊断结果，所述标准成员流量诊断结果用于反映对应的流量诊断成员的流量状态信息，一个示例性网络流量数据包括的多个流量诊断成员属于一个网络系统中的多个网络监控设备；
轮询所述初始示例性数据包括的多个流量诊断成员中每一个流量诊断成员的多个标准成员流量诊断结果，以及，依据每一个流量诊断成员的示例性数据隐藏比例和每一个所述流量诊断成员的多个标准成员流量诊断结果中每一个标准成员流量诊断结果的标识信息，从所述多个标准成员流量诊断结果中，分析出第一成员流量诊断结果，每一个流量诊断成员的第一成员流量诊断结果中第一类标识信息的标准成员流量诊断结果的数量和第二类标识信息的标准成员流量诊断结果的数量之间的比例属于目标参数范围，所述第一类标识信息的标准成员流量诊断结果用于反映对应的流量诊断成员不具有异常的流量状态信息，即对不具有异常的流量状态进行具体的描述，其中，具体的描述可以通过文本实现，所述第二类标识信息的标准成员流量诊断结果用于反映对应的流量诊断成员具有异常的流量状态信息，即对具有异常的流量状态进行具体的描述；
依据每一个流量诊断成员的第一成员流量诊断结果、每一个第一成员流量诊断结果对应的标准流量诊断结果和所述多个示例性网络流量数据，分析出优化示例性数据，所述优化示例性数据包括所述多个示例性网络流量数据和每一个示例性网络流量数据的典型流量诊断结果，所述典型流量诊断结果包括对应所述示例性网络流量数据的标准流量诊断结果中的第一成员流量诊断结果；
依据所述优化示例性数据，将候选流量诊断神经网络进行网络更新操作，以形成对应的目标流量诊断神经网络，也就是说，可以依据所述优化示例性数据，对候选流量诊断神经网络的网络参数进行更新。
可以选择的是，在一种可以替代的实施方式中，确定出所述初始示例性数据中每一个示例性网络流量数据的标准流量诊断结果的过程，可以包括以下所述的详细内容：
确定出每一个所述示例性网络流量数据的实际流量诊断结果，所述实际流量诊断结果包括至少一个流量诊断成员的标准成员流量诊断结果；
在所述实际流量诊断结果中的标准成员流量诊断结果的数量小于每一个所述示例性网络流量数据中流量诊断成员的数量的情况下，将所述实际流量诊断结果进行标准成员流量诊断结果的扩展操作，以形成每一个所述示例性网络流量数据的标准流量诊断结果，也就是说，在所述示例性网络流量数据中的部分流量诊断成员不具有标准成员流量诊断结果的情况下，可以对该部分流量诊断成员的标准成员流量诊断结果进行扩展，使得示例性网络流量数据中的每一个流量诊断成员具有标准成员流量诊断结果；
在所述实际流量诊断结果中的标准成员流量诊断结果的数量和每一个所述示例性网络流量数据中流量诊断成员的数量一样的情况，对所述实际流量诊断结果进行标记，以标记为每一个所述示例性网络流量数据的标准流量诊断结果，即在所述示例性网络流量数据中的全部流量诊断成员都具有标准成员流量诊断结果的情况下，可以直接将所述实际流量诊断结果，作为所述示例性网络流量数据的标准流量诊断结果。
其中，可以选择的是，在一种可以替代的实施方式中，所述在所述实际流量诊断结果中的标准成员流量诊断结果的数量小于每一个所述示例性网络流量数据中流量诊断成员的数量的情况下，将所述实际流量诊断结果进行标准成员流量诊断结果的扩展操作，以形成每一个所述示例性网络流量数据的标准流量诊断结果的步骤，可以包括以下所述的详细内容：
确定出所述实际流量诊断结果对应的全部流量诊断成员；
从所述多个流量诊断成员中，筛选出确定的全部流量诊断成员（即前一个步骤中确定出的流量诊断成员）之外的其它流量诊断成员，所述多个流量诊断成员是所述示例性网络流量数据中的全部的流量诊断成员；
在预先构建的成员流量诊断结果集合中，确定出每一个其它流量诊断成员的标准成员流量诊断结果，以及，对每一个所述其它流量诊断成员的标准成员流量诊断结果进行分配操作，以分配到所述实际流量诊断结果中，以形成每一个所述示例性网络流量数据的标准流量诊断结果，所述成员流量诊断结果集合可以是基于相关人员的配置操作形成。
其中，可以选择的是，在一种可以替代的实施方式中，所述实际流量诊断结果包括多个流量诊断结果片段，每一个流量诊断结果片段包括至少一个流量诊断成员的成员身份性信息，所述实际流量诊断结果中标准成员流量诊断结果的数量的统计过程，可以包括以下所述的详细内容：
确定出每一个流量诊断结果片段包括的全部成员身份性信息中每一个成员身份性信息的重要性表征参数，以及，筛选出每一个流量诊断结果片段中重要性表征参数具有最大值的第一成员身份性信息，所述重要性表征参数也可以基于预先进行的配置操作生成；
基于所述第一成员身份性信息一样的流量诊断结果片段，形成对应的标准成员流量诊断结果，以及，对形成的标准成员流量诊断结果的数量进行统计，在形成的标准成员流量诊断结果中，不一样的标准成员流量诊断结果对应的第一成员身份性信息不一样；即将第一成员身份性信息一样的各流量诊断结果片段组合在一起，形成对应的标准成员流量诊断结果。
可以选择的是，在一种可以替代的实施方式中，所述轮询所述初始示例性数据包括的多个流量诊断成员中每一个流量诊断成员的多个标准成员流量诊断结果，以及，依据每一个流量诊断成员的示例性数据隐藏比例和每一个所述流量诊断成员的多个标准成员流量诊断结果中每一个标准成员流量诊断结果的标识信息，从所述多个标准成员流量诊断结果中，分析出第一成员流量诊断结果的步骤，可以包括以下所述的详细内容：
（依次）轮询所述初始示例性数据包括的多个流量诊断成员中每一个流量诊断成员的多个标准成员流量诊断结果；
在任意一个标准成员流量诊断结果的标识信息为所述第一类标识信息的时候，依据每一个所述流量诊断成员的示例性数据隐藏比例，分析出所述任意一个标准成员流量诊断结果对应的诊断结果选中概率参数，以及，若所述诊断结果选中概率参数大于零，则对所述任意一个标准成员流量诊断结果进行标记，以标记为第一成员流量诊断结果，所述任意一个标准成员流量诊断结果可以是指当前轮询到的标准成员流量诊断结果；另外，所述诊断结果选中概率参数可以是指，将第一类标识信息的标准成员流量诊断结果作为第一成员流量诊断结果的可能性；
在任意一个标准成员流量诊断结果的标识信息为所述第二类标识信息的时候，将所述任意一个标准成员流量诊断结果进行标记，以标记为第一成员流量诊断结果。
可以选择的是，在一种可以替代的实施方式中，所述在任意一个标准成员流量诊断结果的标识信息为所述第一类标识信息的时候，依据每一个所述流量诊断成员的示例性数据隐藏比例，分析出所述任意一个标准成员流量诊断结果对应的诊断结果选中概率参数，以及，若所述诊断结果选中概率参数大于零，则对所述任意一个标准成员流量诊断结果进行标记，以标记为第一成员流量诊断结果的步骤，可以包括以下所述的详细内容：
基于概率参数确定规则，按照所述示例性数据隐藏比例具有的限制，确定所述任意一个标准成员流量诊断结果对应的诊断结果初始概率参数（可以是0到1），也就是说，可以先随机或任意的生成一个概率参数（可能性参数），但是，基于生成的概率参数最后选择出的第一成员流量诊断结果的数量占比，应当与所述示例性数据隐藏比例匹配，即将第一类标识信息的标准成员流量诊断结果作为第一成员流量诊断结果的可能性（概率参数）与所述示例性数据隐藏比例的和值等于1；
确定出诊断结果选中概率参数的限制参考系数，所述限制参考系数可以是配置形成，具体数值不受限制，如1；
确定出所述诊断结果选中概率参数的限制参考系数和所述诊断结果初始概率参数之间的求差计算结果，并将所述求差计算结果标记为所述任意一个标准成员流量诊断结果对应的诊断结果选中概率参数；
若所述诊断结果选中概率参数大于零，则对所述任意一个标准成员流量诊断结果进行标记，以标记为第一成员流量诊断结果；若所述诊断结果选中概率参数等于零，则对所述任意一个标准成员流量诊断结果进行隐藏，即不将所述任意一个标准成员流量诊断结果作为第一成员流量诊断结果。
可以选择的是，在一种可以替代的实施方式中，在所述轮询所述初始示例性数据包括的多个流量诊断成员中每一个流量诊断成员的多个标准成员流量诊断结果，以及，依据每一个流量诊断成员的示例性数据隐藏比例和每一个所述流量诊断成员的多个标准成员流量诊断结果中每一个标准成员流量诊断结果的标识信息，从所述多个标准成员流量诊断结果中，分析出第一成员流量诊断结果的步骤以前，上述实施内容中的步骤S110，即所述依据示例性数据对候选流量诊断神经网络进行网络更新操作，以形成所述候选流量诊断神经网络对应的目标流量诊断神经网络的步骤，还可以包括以下所述的详细内容：
依据示例性数据均衡系数，分析出所述多个流量诊断成员中每一个流量诊断成员的示例性数据隐藏比例，所述示例性数据均衡系数可以根据实际需求进行配置，如大于0；其中，任意一个流量诊断成员的示例性数据隐藏比例的分析过程可以包括：
确定出所述任意一个流量诊断成员的多个标准成员流量诊断结果中每一个标准成员流量诊断结果的标识信息；
从所述任意一个流量诊断成员的多个标准成员流量诊断结果中，统计出第一类标识信息对应的标准成员流量诊断结果的数量，并统计出第二类标识信息对应的标准成员流量诊断结果的数量；
基于所述示例性数据均衡系数、所述第一类标识信息对应的标准成员流量诊断结果的数量和第二类标识信息对应的标准成员流量诊断结果的数量，分析出所述任意一个流量诊断成员的示例性数据隐藏比例；也就是说，所述示例性数据均衡系数用于对优化示例性数据中每一个流量诊断成员的两类标识信息的数量进行均衡控制。
可以选择的是，在一种可以替代的实施方式中，所述基于所述示例性数据均衡系数、所述第一类标识信息对应的标准成员流量诊断结果的数量和第二类标识信息对应的标准成员流量诊断结果的数量，分析出所述任意一个流量诊断成员的示例性数据隐藏比例的步骤，可以包括以下所述的详细内容：
计算出所述第二类标识信息对应的标准成员流量诊断结果的数量和所述第一类标识信息对应的标准成员流量诊断结果的数量之间具有的比例系数，例如，前一个数量除以后一个数量；
对计算出的比例系数和所述示例性数据均衡系数进行融合计算操作，以输出对应的融合计算参数，例如，可以对计算出的比例系数和所述示例性数据均衡系数进行乘法运算，以得到对应的融合计算参数；
确定出示例性数据隐藏比例的限制参考系数，该限制参考系数如前所述，以及，对所述限制参考系数和所述融合计算参数进行求差计算操作，以形成对应的待定第一隐藏比例，例如，可以将所述限制参考系数减去所述融合计算参数，形成对应的待定第一隐藏比例；
确定出待定第二隐藏比例，以及，对所述待定第一隐藏比例和所述待定第二隐藏比例中具有最大值一个的待定隐藏比例进行标记，以标记为所述任意一个流量诊断成员的示例性数据隐藏比例，所述待定第二隐藏比例可以是根据相应的配置操作生成的，如可以为0。
可以选择的是，在一种可以替代的实施方式中，所述依据每一个流量诊断成员的第一成员流量诊断结果、每一个第一成员流量诊断结果对应的标准流量诊断结果和所述多个示例性网络流量数据，分析出优化示例性数据的步骤，可以包括以下所述的详细内容：
依据每一个第一成员流量诊断结果对应的标准流量诊断结果，从所述多个流量诊断成员的第一成员流量诊断结果中，分析出对应于任意一个标准流量诊断结果的第一成员流量诊断结果，也就是说，可以从所有的第一成员流量诊断结果中，确定出属于同一个标准流量诊断结果的第一成员流量诊断结果；
形成所述任意一个标准流量诊断结果对应的示例性网络流量数据的典型流量诊断结果，所述典型流量诊断结果包括分析出的第一成员流量诊断结果；也就是说，可以对属于同一个标准流量诊断结果的各个第一成员流量诊断结果进行组合，从而得到一个典型流量诊断结果，该典型流量诊断结果对应的示例性网络流量数据即为该标准流量诊断结果对应的示例性网络流量数据；
依据所述多个示例性网络流量数据和每一个示例性网络流量数据对应形成的典型流量诊断结果，组合形成对应的优化示例性数据。
可以选择的是，在一种可以替代的实施方式中，所述依据所述优化示例性数据，将候选流量诊断神经网络进行网络更新操作，以形成对应的目标流量诊断神经网络的步骤，可以包括以下所述的详细内容：
提取到所述优化示例性数据中每一个示例性网络流量数据和每一个所述示例性网络流量数据的典型流量诊断结果；
通过候选流量诊断神经网络，将每一个所述示例性网络流量数据进行流量诊断操作，以输出每一个所述示例性网络流量数据的估计流量诊断结果，所述估计流量诊断结果包括至少一个流量诊断成员的估计成员流量诊断结果，一个所述估计成员流量诊断结果对应于每一个所述示例性网络流量数据的典型流量诊断结果中的一个第一成员流量诊断结果；
依据每一个所述示例性网络流量数据的典型流量诊断结果中包括的每一个第一成员流量诊断结果和每一个所述第一成员流量诊断结果对应的估计成员流量诊断结果，将所述候选流量诊断神经网络进行网络更新操作，以形成对应的目标流量诊断神经网络；示例性地，可以将所述第一成员流量诊断结果和所述第一成员流量诊断结果对应的估计成员流量诊断结果进行差异性分析，以得到对应的差异性信息，然后，可以沿着降低所述差异性信息的方向，对所述候选流量诊断神经网络的网络参数进行更新，并在所述差异性信息小于预设差异性表征信息的时候，停止进行更新，以及，将当前的候选流量诊断神经网络，作为目标流量诊断神经网络。
可以选择的是，在一种可以替代的实施方式中，上述实施内容中的步骤S130，即所述通过所述目标流量诊断神经网络，将所述待诊断网络流量数据进行流量诊断操作，以输出所述目标网络系统对应的目标流量诊断结果的步骤，可以包括以下所述的详细内容：
将所述待诊断网络流量数据进行关键信息挖掘操作，以形成所述多个待诊断流量成员对应的流量关键信息描述向量，也就是说，挖掘出所述待诊断网络流量数据中的关键信息（特征），并通过向量的形式进行表示，并且，所述关键信息挖掘操作包括所述多个待诊断流量成员中各待诊断流量成员对应的网络流量数据之间的关联挖掘操作；
通过所述目标流量诊断神经网络，依据每一个待诊断流量成员对应的流量关键信息描述向量进行流量诊断操作，以输出每一个所述待诊断流量成员对应的目标成员流量诊断结果，示例性地，可以通过所述目标流量诊断神经网络包括的解码单元，对所述流量关键信息描述向量进行解码操作，以形成对应的目标成员流量诊断结果；
将每一个所述待诊断流量成员对应的目标成员流量诊断结果进行结果合并操作，以形成所述待诊断网络流量数据对应的目标流量诊断结果，例如，所述目标流量诊断结果包括每一个所述待诊断流量成员对应的目标成员流量诊断结果。
其中，可以选择的是，在一种可以替代的实施方式中，所述将所述待诊断网络流量数据进行关键信息挖掘操作，以形成所述多个待诊断流量成员对应的流量关键信息描述向量的步骤，可以包括以下所述的详细内容：
对于所述多个待诊断流量成员中的每一个待诊断流量成员，可以从所述待诊断网络流量数据中确定出该待诊断流量成员对应的局部网络流量数据，该网络流量数据用于描述该待诊断流量成员的流量；
将所述局部网络流量数据进行特征空间投射处理，以将所述局部网络流量数据投射到特征空间中进行表示，形成所述局部网络流量数据对应的待诊断流量成员的流量数据空间投射向量，例如，所述局部网络流量数据可以为文本数据，如此，所述特征空间投射处理可以是对所述局部网络流量数据中的每一个文本词汇进行嵌入处理，或者，词向量化处理；
依次或并行将所述多个待诊断流量成员中的一个待诊断流量成员作为第一待诊断流量成员，以及，将其它的待诊断流量成员作为所述第一待诊断流量成员对应的第二待诊断流量成员；
基于每一个所述第二待诊断流量成员对应的流量数据空间投射向量，对所述第一待诊断流量成员对应的流量数据空间投射向量进行关联挖掘操作，以形成所述第一待诊断流量成员对应的流量关键信息描述向量；如此，可以形成所述多个待诊断流量成员对应的流量关键信息描述向量。
其中，可以选择的是，在一种可以替代的实施方式中，所述基于每一个所述第二待诊断流量成员对应的流量数据空间投射向量，对所述第一待诊断流量成员对应的流量数据空间投射向量进行关联挖掘操作，以形成所述第一待诊断流量成员对应的流量关键信息描述向量的步骤，可以包括以下所述的详细内容：
对每一个所述第二待诊断流量成员对应的流量数据空间投射向量和所述第一待诊断流量成员对应的流量数据空间投射向量进行聚类操作，可以依据现有的任意聚类算法实现，以形成对应的多个聚类簇，以及，分别确定出每一个聚类簇对应的聚类中心向量；
将所述第一待诊断流量成员对应的流量数据空间投射向量所在的聚类簇作为中心聚类簇，以及，将所述第一待诊断流量成员对应的流量数据空间投射向量不在的聚类簇都作为非中心聚类簇；
对于每一个所述非中心聚类簇，计算该非中心聚类簇对应的聚类中心向量和所述中心聚类簇对应的聚类中心向量之间的向量距离，以及，基于所述向量距离确定出该非中心聚类簇对应的重要性代表参数，该重要性代表参数可以与该向量距离之间具有负相关的对应关系；
依据每一个非中心聚类簇对应的重要性代表参数，对所述非中心聚类簇进行排序，以形成对应的排序先后关系，如按照重要性代表参数从小到大的先后关系进行相应的排序；
对于排序先后关系中的第一个非中心聚类簇，对该非中心聚类簇包括的各流量数据空间投射向量进行均值计算，以形成该非中心聚类簇对应的均值流量数据空间投射向量，以及，基于该均值流量数据空间投射向量，对所述第一待诊断流量成员对应的流量数据空间投射向量进行聚焦特征分析操作，并将聚焦特征分析操作的结果向量进行卷积运算（如通过相应的卷积单元实现），以及，将卷积运算的结果和所述第一待诊断流量成员对应的流量数据空间投射向量进行叠加运算（在叠加运算之后，还可以进行向量参数的归一化操作），以得到该非中心聚类簇的输出向量；
对于排序先后关系中的第一个非中心聚类簇以外的每一个其它非中心聚类簇，对该其它非中心聚类簇包括的各流量数据空间投射向量进行均值计算，以形成该其它非中心聚类簇对应的均值流量数据空间投射向量，以及，基于该均值流量数据空间投射向量，对前一个非中心聚类簇的输出向量进行聚焦特征分析操作，并将聚焦特征分析操作的结果向量进行卷积运算，以及，将卷积运算的结果和前一个非中心聚类簇的输出向量进行叠加运算，以得到该非中心聚类簇的输出向量；
对所述中心聚类簇中所述第一待诊断流量成员对应的流量数据空间投射向量以外的各流量数据空间投射向量进行均值计算，以形成所述中心聚类簇对应的均值流量数据空间投射向量，以及，基于所述中心聚类簇对应的均值流量数据空间投射向量，对最后一个非中心聚类簇的输出向量进行聚焦特征分析操作，并将聚焦特征分析操作的结果向量进行卷积运算，以及，将卷积运算的结果和所述中心聚类簇中所述第一待诊断流量成员对应的流量数据空间投射向量进行叠加运算，以得到所述第一待诊断流量成员对应的流量关键信息描述向量。
结合图3，本发明实施例还提供一种应用AI模型的网络流量诊断装置，可应用于上述应用AI模型的网络流量诊断系统。其中，所述应用AI模型的网络流量诊断装置可以包括以下所述的具体内容：
候选网络更新模块，用于依据示例性数据对候选流量诊断神经网络进行网络更新操作，以形成所述候选流量诊断神经网络对应的目标流量诊断神经网络；
网络流量数据采集模块，用于采集到目标网络系统对应的待诊断网络流量数据，所述待诊断网络流量数据包括多个待诊断流量成员，所述多个待诊断流量成员对应于所述目标网络系统包括的多个目标网络监控设备；
网络流量数据诊断模块，用于通过所述目标流量诊断神经网络，将所述待诊断网络流量数据进行流量诊断操作，以输出所述目标网络系统对应的目标流量诊断结果，所述目标流量诊断结果包括多个目标成员流量诊断结果，所述目标成员流量诊断结果用于反映对应的待诊断流量成员的流量状态信息。
综上所述，本发明提供的应用AI模型的网络流量诊断方法及系统，可以先依据示例性数据对候选流量诊断神经网络进行网络更新操作，以形成候选流量诊断神经网络对应的目标流量诊断神经网络；集到目标网络系统对应的待诊断网络流量数据，待诊断网络流量数据包括多个待诊断流量成员，多个待诊断流量成员对应于目标网络系统包括的多个目标网络监控设备；通过目标流量诊断神经网络，将待诊断网络流量数据进行流量诊断操作，以输出目标网络系统对应的目标流量诊断结果，目标成员流量诊断结果用于反映对应的待诊断流量成员的流量状态信息。基于前述的内容，由于会先进行网络更新操作，使得形成的目标流量诊断神经网络的分析能力更佳（如学习到的输入和输出之间的映射关系更可靠），因此，可以在一定程度上提高网络流量诊断的可靠度，从而改善现有技术中的不足。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种应用AI模型的网络流量诊断方法，其特征在于，包括：
依据示例性数据对候选流量诊断神经网络进行网络更新操作，以形成所述候选流量诊断神经网络对应的目标流量诊断神经网络；
采集到目标网络系统对应的待诊断网络流量数据，所述待诊断网络流量数据包括多个待诊断流量成员，所述多个待诊断流量成员对应于所述目标网络系统包括的多个目标网络监控设备；
通过所述目标流量诊断神经网络，将所述待诊断网络流量数据进行流量诊断操作，以输出所述目标网络系统对应的目标流量诊断结果，所述目标流量诊断结果包括多个目标成员流量诊断结果，所述目标成员流量诊断结果用于反映对应的待诊断流量成员的流量状态信息；
所述依据示例性数据对候选流量诊断神经网络进行网络更新操作，以形成所述候选流量诊断神经网络对应的目标流量诊断神经网络的步骤，包括：
提取到初始示例性数据，所述初始示例性数据包括多个示例性网络流量数据和每一个示例性网络流量数据的标准流量诊断结果，每一个示例性网络流量数据包括多个流量诊断成员，所述标准流量诊断结果包括每一个流量诊断成员的标准成员流量诊断结果，所述标准成员流量诊断结果用于反映对应的流量诊断成员的流量状态信息，一个示例性网络流量数据包括的多个流量诊断成员属于一个网络系统中的多个网络监控设备；
轮询所述初始示例性数据包括的多个流量诊断成员中每一个流量诊断成员的多个标准成员流量诊断结果，以及，依据每一个流量诊断成员的示例性数据隐藏比例和每一个所述流量诊断成员的多个标准成员流量诊断结果中每一个标准成员流量诊断结果的标识信息，从所述多个标准成员流量诊断结果中，分析出第一成员流量诊断结果，每一个流量诊断成员的第一成员流量诊断结果中第一类标识信息的标准成员流量诊断结果的数量和第二类标识信息的标准成员流量诊断结果的数量之间的比例属于目标参数范围，所述第一类标识信息的标准成员流量诊断结果用于反映对应的流量诊断成员不具有异常的流量状态信息，所述第二类标识信息的标准成员流量诊断结果用于反映对应的流量诊断成员具有异常的流量状态信息；
依据每一个流量诊断成员的第一成员流量诊断结果、每一个第一成员流量诊断结果对应的标准流量诊断结果和所述多个示例性网络流量数据，分析出优化示例性数据，所述优化示例性数据包括所述多个示例性网络流量数据和每一个示例性网络流量数据的典型流量诊断结果，所述典型流量诊断结果包括对应所述示例性网络流量数据的标准流量诊断结果中的第一成员流量诊断结果；
依据所述优化示例性数据，将候选流量诊断神经网络进行网络更新操作，以形成对应的目标流量诊断神经网络。
2.如权利要求1所述的应用AI模型的网络流量诊断方法，其特征在于，所述轮询所述初始示例性数据包括的多个流量诊断成员中每一个流量诊断成员的多个标准成员流量诊断结果，以及，依据每一个流量诊断成员的示例性数据隐藏比例和每一个所述流量诊断成员的多个标准成员流量诊断结果中每一个标准成员流量诊断结果的标识信息，从所述多个标准成员流量诊断结果中，分析出第一成员流量诊断结果的步骤，包括：
轮询所述初始示例性数据包括的多个流量诊断成员中每一个流量诊断成员的多个标准成员流量诊断结果；
在任意一个标准成员流量诊断结果的标识信息为所述第一类标识信息的时候，依据每一个所述流量诊断成员的示例性数据隐藏比例，分析出所述任意一个标准成员流量诊断结果对应的诊断结果选中概率参数，以及，若所述诊断结果选中概率参数大于零，则对所述任意一个标准成员流量诊断结果进行标记，以标记为第一成员流量诊断结果；
在任意一个标准成员流量诊断结果的标识信息为所述第二类标识信息的时候，将所述任意一个标准成员流量诊断结果进行标记，以标记为第一成员流量诊断结果。
3.如权利要求2所述的应用AI模型的网络流量诊断方法，其特征在于，所述在任意一个标准成员流量诊断结果的标识信息为所述第一类标识信息的时候，依据每一个所述流量诊断成员的示例性数据隐藏比例，分析出所述任意一个标准成员流量诊断结果对应的诊断结果选中概率参数，以及，若所述诊断结果选中概率参数大于零，则对所述任意一个标准成员流量诊断结果进行标记，以标记为第一成员流量诊断结果的步骤，包括：
基于概率参数确定规则，按照所述示例性数据隐藏比例具有的限制，确定所述任意一个标准成员流量诊断结果对应的诊断结果初始概率参数；
确定出诊断结果选中概率参数的限制参考系数；
确定出所述诊断结果选中概率参数的限制参考系数和所述诊断结果初始概率参数之间的求差计算结果，并将所述求差计算结果标记为所述任意一个标准成员流量诊断结果对应的诊断结果选中概率参数；
若所述诊断结果选中概率参数大于零，则对所述任意一个标准成员流量诊断结果进行标记，以标记为第一成员流量诊断结果。
4.如权利要求1所述的应用AI模型的网络流量诊断方法，其特征在于，在所述轮询所述初始示例性数据包括的多个流量诊断成员中每一个流量诊断成员的多个标准成员流量诊断结果，以及，依据每一个流量诊断成员的示例性数据隐藏比例和每一个所述流量诊断成员的多个标准成员流量诊断结果中每一个标准成员流量诊断结果的标识信息，从所述多个标准成员流量诊断结果中，分析出第一成员流量诊断结果的步骤以前，所述依据示例性数据对候选流量诊断神经网络进行网络更新操作，以形成所述候选流量诊断神经网络对应的目标流量诊断神经网络的步骤还包括：
依据示例性数据均衡系数，分析出所述多个流量诊断成员中每一个流量诊断成员的示例性数据隐藏比例；
其中，任意一个流量诊断成员的示例性数据隐藏比例的分析过程包括：
确定出所述任意一个流量诊断成员的多个标准成员流量诊断结果中每一个标准成员流量诊断结果的标识信息；
从所述任意一个流量诊断成员的多个标准成员流量诊断结果中，统计出第一类标识信息对应的标准成员流量诊断结果的数量，并统计出第二类标识信息对应的标准成员流量诊断结果的数量；
基于所述示例性数据均衡系数、所述第一类标识信息对应的标准成员流量诊断结果的数量和第二类标识信息对应的标准成员流量诊断结果的数量，分析出所述任意一个流量诊断成员的示例性数据隐藏比例。
5.如权利要求4所述的应用AI模型的网络流量诊断方法，其特征在于，所述基于所述示例性数据均衡系数、所述第一类标识信息对应的标准成员流量诊断结果的数量和第二类标识信息对应的标准成员流量诊断结果的数量，分析出所述任意一个流量诊断成员的示例性数据隐藏比例的步骤，包括：
计算出所述第二类标识信息对应的标准成员流量诊断结果的数量和所述第一类标识信息对应的标准成员流量诊断结果的数量之间具有的比例系数；
对计算出的比例系数和所述示例性数据均衡系数进行融合计算操作，以输出对应的融合计算参数；
确定出示例性数据隐藏比例的限制参考系数，以及，对所述限制参考系数和所述融合计算参数进行求差计算操作，以形成对应的待定第一隐藏比例；
确定出待定第二隐藏比例，以及，对所述待定第一隐藏比例和所述待定第二隐藏比例中具有最大值一个的待定隐藏比例进行标记，以标记为所述任意一个流量诊断成员的示例性数据隐藏比例。
6.如权利要求1所述的应用AI模型的网络流量诊断方法，其特征在于，所述依据每一个流量诊断成员的第一成员流量诊断结果、每一个第一成员流量诊断结果对应的标准流量诊断结果和所述多个示例性网络流量数据，分析出优化示例性数据的步骤，包括：
依据每一个第一成员流量诊断结果对应的标准流量诊断结果，从所述多个流量诊断成员的第一成员流量诊断结果中，分析出对应于任意一个标准流量诊断结果的第一成员流量诊断结果；
形成所述任意一个标准流量诊断结果对应的示例性网络流量数据的典型流量诊断结果，所述典型流量诊断结果包括分析出的第一成员流量诊断结果；
依据所述多个示例性网络流量数据和每一个示例性网络流量数据对应形成的典型流量诊断结果，组合形成对应的优化示例性数据。
7.如权利要求1所述的应用AI模型的网络流量诊断方法，其特征在于，确定出所述初始示例性数据中每一个示例性网络流量数据的标准流量诊断结果的过程，包括：
确定出每一个所述示例性网络流量数据的实际流量诊断结果，所述实际流量诊断结果包括至少一个流量诊断成员的标准成员流量诊断结果；
在所述实际流量诊断结果中的标准成员流量诊断结果的数量小于每一个所述示例性网络流量数据中流量诊断成员的数量的情况下，将所述实际流量诊断结果进行标准成员流量诊断结果的扩展操作，以形成每一个所述示例性网络流量数据的标准流量诊断结果；
在所述实际流量诊断结果中的标准成员流量诊断结果的数量和每一个所述示例性网络流量数据中流量诊断成员的数量一样的情况，对所述实际流量诊断结果进行标记，以标记为每一个所述示例性网络流量数据的标准流量诊断结果。
8.如权利要求1所述的应用AI模型的网络流量诊断方法，其特征在于，所述依据所述优化示例性数据，将候选流量诊断神经网络进行网络更新操作，以形成对应的目标流量诊断神经网络的步骤，包括：
提取到所述优化示例性数据中每一个示例性网络流量数据和每一个所述示例性网络流量数据的典型流量诊断结果；
通过候选流量诊断神经网络，将每一个所述示例性网络流量数据进行流量诊断操作，以输出每一个所述示例性网络流量数据的估计流量诊断结果，所述估计流量诊断结果包括至少一个流量诊断成员的估计成员流量诊断结果，一个所述估计成员流量诊断结果对应于每一个所述示例性网络流量数据的典型流量诊断结果中的一个第一成员流量诊断结果；
依据每一个所述示例性网络流量数据的典型流量诊断结果中包括的每一个第一成员流量诊断结果和每一个所述第一成员流量诊断结果对应的估计成员流量诊断结果，将所述候选流量诊断神经网络进行网络更新操作，以形成对应的目标流量诊断神经网络；
并且，所述通过所述目标流量诊断神经网络，将所述待诊断网络流量数据进行流量诊断操作，以输出所述目标网络系统对应的目标流量诊断结果的步骤，包括：
将所述待诊断网络流量数据进行关键信息挖掘操作，以形成所述多个待诊断流量成员对应的流量关键信息描述向量，所述关键信息挖掘操作包括所述多个待诊断流量成员中各待诊断流量成员对应的网络流量数据之间的关联挖掘操作；
通过所述目标流量诊断神经网络，依据每一个待诊断流量成员对应的流量关键信息描述向量进行流量诊断操作，以输出每一个所述待诊断流量成员对应的目标成员流量诊断结果；
将每一个所述待诊断流量成员对应的目标成员流量诊断结果进行结果合并操作，以形成所述待诊断网络流量数据对应的目标流量诊断结果。
9.一种应用AI模型的网络流量诊断系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-8任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311246578.0A CN116996403B (zh) | 2023-09-26 | 2023-09-26 | 应用ai模型的网络流量诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311246578.0A CN116996403B (zh) | 2023-09-26 | 2023-09-26 | 应用ai模型的网络流量诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116996403A CN116996403A (zh) | 2023-11-03 |
| CN116996403B true CN116996403B (zh) | 2023-12-15 |
Family
ID=88521694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311246578.0A Active CN116996403B (zh) | 2023-09-26 | 2023-09-26 | 应用ai模型的网络流量诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116996403B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106789297A (zh) * | 2016-12-29 | 2017-05-31 | 淮海工学院 | 基于神经网络的网络流量预测系统及其流量预测方法 |
| EP3699825A2 (en) * | 2019-02-22 | 2020-08-26 | Ubotica Technologies Ltd. | Systems and methods for deploying and updating neural networks at the edge of a network |
| CN112990423A (zh) * | 2019-12-16 | 2021-06-18 | 华为技术有限公司 | 人工智能ai模型生成方法、系统及设备 |
| CN115293227A (zh) * | 2022-06-21 | 2022-11-04 | 华为技术有限公司 | 一种模型训练方法及相关设备 |
| CN115913893A (zh) * | 2022-10-14 | 2023-04-04 | 江苏未来网络集团有限公司 | 一种人工智能网络管理模块的增强训练方法及系统 |
| CN115941322A (zh) * | 2022-12-07 | 2023-04-07 | 中国平安财产保险股份有限公司 | 基于人工智能的攻击检测方法、装置、设备及存储介质 |
| CN116361567A (zh) * | 2023-06-01 | 2023-06-30 | 太仓市律点信息技术有限公司 | 应用于云办公的数据处理方法及系统 |
| CN116684330A (zh) * | 2023-06-27 | 2023-09-01 | 中国平安财产保险股份有限公司 | 基于人工智能的流量预测方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10735490B2 (en) * | 2018-06-14 | 2020-08-04 | Edgewater Networks, Inc. | Devices and systems for voice over internet protocol for identifying network traffic |
-
2023
- 2023-09-26 CN CN202311246578.0A patent/CN116996403B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106789297A (zh) * | 2016-12-29 | 2017-05-31 | 淮海工学院 | 基于神经网络的网络流量预测系统及其流量预测方法 |
| EP3699825A2 (en) * | 2019-02-22 | 2020-08-26 | Ubotica Technologies Ltd. | Systems and methods for deploying and updating neural networks at the edge of a network |
| CN112990423A (zh) * | 2019-12-16 | 2021-06-18 | 华为技术有限公司 | 人工智能ai模型生成方法、系统及设备 |
| CN115293227A (zh) * | 2022-06-21 | 2022-11-04 | 华为技术有限公司 | 一种模型训练方法及相关设备 |
| CN115913893A (zh) * | 2022-10-14 | 2023-04-04 | 江苏未来网络集团有限公司 | 一种人工智能网络管理模块的增强训练方法及系统 |
| CN115941322A (zh) * | 2022-12-07 | 2023-04-07 | 中国平安财产保险股份有限公司 | 基于人工智能的攻击检测方法、装置、设备及存储介质 |
| CN116361567A (zh) * | 2023-06-01 | 2023-06-30 | 太仓市律点信息技术有限公司 | 应用于云办公的数据处理方法及系统 |
| CN116684330A (zh) * | 2023-06-27 | 2023-09-01 | 中国平安财产保险股份有限公司 | 基于人工智能的流量预测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116996403A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115098705B (zh) | 基于知识图谱推理的网络安全事件分析方法及系统 | |
| CN115174231B (zh) | 一种基于AI Knowledge Base的网络欺诈分析方法及服务器 | |
| CN115841255B (zh) | 基于在线分析的建筑工程现场预警方法及系统 | |
| CN116126947B (zh) | 应用于企业管理系统的大数据分析方法及系统 | |
| CN116310914B (zh) | 基于人工智能的无人机监控方法及系统 | |
| CN116881718A (zh) | 一种基于大数据清洗的人工智能训练方法及系统 | |
| CN115795285A (zh) | 基于cusum型变点统计量的异常数据检测与监控方法 | |
| CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及系统 | |
| CN116109988B (zh) | 基于人工智能和无人机的异常监控方法及系统 | |
| CN117274913A (zh) | 一种基于智慧楼宇的安全保障方法及系统 | |
| CN116996403B (zh) | 应用ai模型的网络流量诊断方法及系统 | |
| CN116070149A (zh) | 基于人工智能的数据分析方法、系统及云平台 | |
| CN115906170B (zh) | 应用于存储集群的安全防护方法及ai系统 | |
| CN116910729B (zh) | 应用于多组织架构的核身处理方法及系统 | |
| CN116994609B (zh) | 应用于智能生产线的数据分析方法及系统 | |
| CN116662415B (zh) | 基于数据挖掘的智能匹配方法及系统 | |
| CN117197739B (zh) | 一种智慧楼宇的监控数据处理方法及系统 | |
| CN117315423A (zh) | 一种基于智慧楼宇的用户预警方法及系统 | |
| CN117201183A (zh) | 一种互联网设备的安全访问方法及系统 | |
| CN117041121B (zh) | 基于数据挖掘的物联网异常监测方法及系统 | |
| CN116628181B (zh) | 基于物联网的用户控制偏好感知方法及系统 | |
| CN116597971B (zh) | 基于数字孪生的医院空间优化模拟方法及系统 | |
| CN115599312B (zh) | 基于存储集群的大数据处理方法及ai系统 | |
| CN117220939A (zh) | 一种互联网设备的安全监控方法及系统 | |
| CN117422302A (zh) | 基于风控模型的信息预测方法及系统 |
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 |