CN117135037A - 网络流量性能异常界定方法及装置 - Google Patents
网络流量性能异常界定方法及装置 Download PDFInfo
- Publication number
- CN117135037A CN117135037A CN202210536096.8A CN202210536096A CN117135037A CN 117135037 A CN117135037 A CN 117135037A CN 202210536096 A CN202210536096 A CN 202210536096A CN 117135037 A CN117135037 A CN 117135037A
- Authority
- CN
- China
- Prior art keywords
- performance
- performance index
- network
- abnormal
- dynamic
- 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 91
- 230000005856 abnormality Effects 0.000 title abstract description 25
- 238000005192 partition Methods 0.000 claims abstract description 168
- 230000002159 abnormal effect Effects 0.000 claims abstract description 109
- 238000011156 evaluation Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 36
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 abstract description 16
- 238000000638 solvent extraction Methods 0.000 abstract description 12
- 238000005457 optimization Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000011835 investigation Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009747 swallowing Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开提出一种网络流量性能异常界定方法,包括:获取网络节点的性能指标数据和动态分区拓扑,所述性能指标数据包括性能指标聚类结果和动态分区信息;根据所述性能指标聚类结果和动态分区信息确定异常网络节点。本公开根据实时的网络性能数据,对网络节点进行基于网络性能信息的动态分区,并依据动态分区结果进行网络节点的异常定界,定界的过程中根据网络动态特征进行效率优化,最后给出造成网络性能异常的网络节点集合,达到更加精准的网络异常定界的效果。
Description
技术领域
本公开涉及网络技术领域,尤其涉及一种网络流量性能异常界定方法及装置。
背景技术
在对大型IT系统的网络进行运行维护的过程中,网络设备的各项性能指标是网络异常检测和定界的重要依据。当运维监控系统中检测到关键网络性能指标发生异常后,需要找出导致该异常的根因网络节点。如何在海量的网络设备中准确地找到与网络性能指标异常相关的网络设备(即异常定界)是该运维场景的关键所在。
现有的网络性能异常定界主要分为包括以下两种方法:基于网络链路的排查和基于固定分区的定界排查。基于网络链路的排查法,需要列出所有可能导致网络流量异常的网络链路,对每一条链路逐设备排查正常与否;基于固定分区的定界排查法,需要根据网络的物理拓扑划分为多个层次的网络设备区块(如根据“省-城市”的地理区域分界),并统计的到该区块内的平均网络性能情况,使用根因定位算法找到和网络流量异常有关联的区块,最后在区块内进行设备排查
发明人在执行上述方法时,发现现有技术中至少存在如下的问题:基于网络链路的排查的方法,由于网络中存在着成千上万的链接链路,逐个按链路排查会消耗大量的计算资源以及计算时间,导致不能及时地完成异常定位并进行相应的止损操作。基于固定分区的定界排查的方法,虽然采用了固定的网络区块划分,但实际的异常网络设备范围会与区块之间会存在差异性,如实际范围只是指定区块范围的子集,或者实际范围跨了多个区块等。最终导致定界得到的区块范围并不准确,降低了故障排查的效率。
发明内容
本公开提出一种网络流量性能异常界定方法,包括:
获取网络节点的性能指标数据和动态分区拓扑,所述性能指标数据包括性能指标聚类结果和动态分区信息;
根据所述性能指标聚类结果和动态分区信息确定异常网络节点。
可选的,所述根据所述性能指标聚类结果和动态分区信息确定异常网络节点包括:
基于评估函数对所述性能指标的不同性能指标及其组合进行分析确定异常网络节点;以及根据动态分区信息和所述动态分区拓扑确定异常网络节点。
可选的,所述基于评估函数对所述性能指标的不同性能指标及其组合进行分析确定异常网络节点包括:
基于评估函数对所述性能指标的不同性能指标及其组合进行分析,得到性能指标与异常性能指标之间关联度的关联值,所述评估函数根据性能指标字段取值组合下的性能指标聚类结果和异常性能指标确定;
选取预定阈值范围内关联值最大的性能指标,作为与所述异常性能指标具有关联性的目标性能指标;
根据所述目标性能指标确定与所述异常性能指标对应的目标网络节点。
可选的,所述基于评估函数对所述性能指标的不同性能指标及其组合进行分析,得到性能指标与异常性能指标之间关联度的关联值包括:
从所述不同性能指标中选取进行异常评估的目标性能指标,所述目标性能指标为网络节点中与所述异常性能指标对应性能指标,至少为一个性能指标;
获取评估函数、异常性能性能指标在异常时间段内的异常性能值以及目标性能指标的聚类结果在所述异常时间段内的聚合性能值;
将所述聚合性能值和所述异常性能值带入所述评估函数进行计算,得到目标性能指标与异常性能指标之间关联度的关联值。
可选的,当所述目标性能指标包括动态分区时,所述根据动态分区信息和所述动态分区拓扑确定异常网络节点包括:
获取所述关联值最高的第一动态分区信息;
遍历所述动态分区拓扑,查找与第一动态分区拓扑相邻动态分区中的所述关联值最高的分区,直到剩下相邻动态分区的所述关联值低于某一个阈值;
从剩余未遍历的动态分区中查找下一个所述关联值最高的第二动态分区,遍历所述动态分区拓扑,查找与第一动态分区拓扑相邻动态分区中的所述关联值最高的分区,直到剩下相邻动态分区的所述关联值低于某一个阈值,直到所有动态分区全部遍历完成。
可选的,在获取网络节点的性能指标和动态分区拓扑之前,该方法还包括:
获取网络性能异常时间段内各网络节点的实际性能指标数据,所述实际性能指标数据包括所述网络节点的拓扑信息和性能指标;
根据所述拓扑信息构建实际网络拓扑结构;
根据不同网络节点的实际性能指标随时间变化的曲线的形态相似性对网络节点进行时序特征聚类操作,得到对应性能指标的性能指标聚类结果,并将所述性能指标聚类结果作为所述网络节点的补充性能指标添加在所述网络节点的中间性能指标数据中;
根据所述网络拓扑结构和所述中间性能指标数据,基于图聚类算法对所述网络节点进行聚类,得到所述网络节点的动态分区信息和所述动态分区之间关系的动态拓扑;
将所述网络节点的动态分区信息作为所述网络节点的补充性能指标添加在所述中间性能指标数据中,得到所述网络节点的性能指标数据。
可选的,所述根据不同网络节点的实际性能指标随时间变化的曲线的形态相似性对网络节点进行时序特征聚类操作,得到对应性能指标的性能指标聚类结果包括:
针对不同网络节点的每个实际性能指标随时间变化的曲线的形态相似性对网络节点进行时序特征聚类操作,得到对应性能指标的性能指标聚类结果。
根据本公开的第二方面,提供一种网络流量性能异常界定装置,包括:
网络性能异常界定模块,用于获取网络节点的性能指标数据和动态分区拓扑,所述性能指标数据包括性能指标聚类结果和动态分区信息,并根据所述性能指标聚类结果和动态分区信息确定异常网络节点。
根据本公开的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行前述第一方面或第二面的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行前述第一方面或第二方面的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如前述第一方面或第二方面的方法。
根据本公开的实施例,获取网络节点的性能指标数据和动态分区拓扑,所述性能指标数据包括性能指标聚类结果和动态分区信息;根据所述性能指标聚类结果和动态分区信息确定异常网络节点。本方案根据实时的网络性能数据,对网络节点进行基于网络性能信息的动态分区,并依据动态分区结果进行网络节点的异常定界,定界的过程中根据网络动态特征进行效率优化,最后给出造成网络性能异常的网络节点集合,达到更加精准的网络异常定界的效果。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为现有技术中异常网络设备范围会与区块之间会存在差异性的框架示意图;
图2为本公开实施例提供的一种网络流量性能异常界定方法的整体流程示意图;
图3为本公开实施例提供的一种网络流量性能异常界定方法的整体流程示意图;
图4为本公开实施例提供的一种基于评估函数对所述性能指标的不同性能指标及其组合进行分析确定异常网络节点方法的流程示意图;
图5为本公开实施例提供的一种根据所述目标性能指标确定与所述异常性能指标对应的目标网络节点的搜索优化示意图;
图6为本公开实施例提供的一种构建动态分区方法的流程示意图;
图7为本公开实施例提供的一种时序特征聚类方法的示意图;
图8为本公开实施例提供的一种网络节点性能数据中包含性能指标聚类结果的网络节点性能数据结构示意图;
图9为本公开实施例提供的一种动态分区聚类的动态分区拓扑结构示意图;
图10为本公开实施例提供的一种动态分区聚类以及网络节点性能数据中包含性能指标聚类结果和动态分区信息的网络节点性能数据结构示意图;
图11为本公开实施例提供的一种网络流量性能异常界定装置的结构示意图;
图12为本公开实施例提供的一种网络流量性能异常界定装置的结构示意图;
图13为本公开实施例提供的一种电子设备示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的网络流量性能异常界定方法及装置。
在对大型IT系统的网络进行运行维护的过程中,网络设备的各项性能指标是网络异常检测和定界的重要依据。当运维监控系统中检测到关键网络性能指标发生异常后,需要找出导致该异常的根因网络节点。如何在海量的网络设备中准确地找到与网络性能指标异常相关的网络设备(即异常定界)是该运维场景的关键所在。
现有的网络流量性能异常定界主要分为包括以下两种方法:基于网络链路的排查和基于固定分区的定界排查。基于网络链路的排查法,需要列出所有可能导致网络流量异常的网络链路,对每一条链路逐设备排查正常与否;基于固定分区的定界排查法,需要根据网络的物理拓扑划分为多个层次的网络设备区块(如根据“省-城市”的地理区域分界),并统计的到该区块内的平均网络性能情况,使用根因定位算法找到和网络流量异常有关联的区块,最后在区块内进行设备排查
基于网络链路的排查的方法,由于网络中存在着成千上万的链接链路,逐个按链路排查会消耗大量的计算资源以及计算时间,导致不能及时地完成异常定位并进行相应的止损操作。基于固定分区的定界排查的方法,虽然采用了固定的网络区块划分,但实际的异常网络设备范围会与区块之间会存在差异性,如图1所示,如实际范围只是指定区块范围的子集,或者实际范围跨了多个区块等。最终导致定界得到的区块范围并不准确,降低了故障排查的效率。
为了提高网络流量性能异常的快速界定,本公开的实施例提供一种网络流量性能异常界定方法,该方法根据实时的网络性能数据,对网络节点进行基于网络性能信息的动态分区,并依据动态分区结果进行网络节点的异常定界,定界的过程中根据网络动态特征进行效率优化,最后给出造成网络流量性能异常的网络节点集合,达到更加精准的网络异常定界的效果。
本公开的实施例,该方案的整体流程如图2所示,网络节点性能监控系统对网络性能进行实时检测,在监控系统检测到网络性能异常后,执行以下的步骤:
1、进行网络节点动态实时数据收集,得到网络节点性能数据。根据网络节点性能数据进行步骤2、3。
2、拓扑模块进行网络拓扑图构建,得到网络节点拓扑图。
3、时序特征聚类模块进行网络节点时序特征聚类,得到网络节点性能数据,该数据带时序特征聚类信息。
4、动态分区构建模块,基于网络节点拓扑图和网络节点性能数据进行网络动态分区构建,得到网络节点性能数据和动态分区拓扑,该网络节点性能数据带动态分区信息。
5、网络性能异常界定模块进行网络性能异常定界,得到网络性能异常界定结果。
上面是整体方案的概述,下面将结合具体实施方式进行具体方案的介绍。
本公开的一个实施例提供一种网络流量性能异常界定方法,如图3所示,该方法为上述网络性能异常界定模块的具体方法,包括:
101、获取网络节点的性能指标数据和动态分区拓扑,所述性能指标数据包括性能指标聚类结果和动态分区信息。
本实施例中,性能指标聚类结果和动态分区信息是传统网络节点性能指标数据的补充项,本实施例将根据补充了性能指标聚类结果和动态分区信息的网络节点性能指标,以及动态分区拓扑进行网络性能异常定界。
102、根据所述性能指标聚类结果和动态分区信息确定异常网络节点。
其中,网络流量性能异常定界方法将根据网络节点性能不同的字段组合进行聚合分析,寻找跟异常指标关联性最高的字段和字段取值(如某一个动态分区内某一性能指标聚类)。
根据本公开的实施例,获取网络节点的性能指标数据和动态分区拓扑,所述性能指标数据包括性能指标聚类结果和动态分区信息;根据所述性能指标聚类结果和动态分区信息确定异常网络节点。本方案根据实时的网络性能数据,对网络节点进行基于网络性能信息的动态分区,并依据动态分区结果进行网络节点的异常定界,定界的过程中根据网络动态特征进行效率优化,最后给出造成网络性能异常的网络节点集合,达到更加精准的网络异常定界的效果。
可选的,本公开的实施例在所述根据所述性能指标聚类结果和动态分区信息确定异常网络节点时,除了采用现有的网络性能节点异常界定方法进行界定外,本公开实施例的网络流量性能异常界定方法还包括以下两项的优化:具体可以采用但不局限于以下的方法实现,该方法包括:
基于评估函数对所述性能指标的不同性能指标及其组合进行分析确定异常网络节点;以及根据动态分区信息和所述动态分区拓扑确定异常网络节点。
进一步的,在基于评估函数对所述性能指标的不同性能指标及其组合进行分析确定异常网络节点时可以采用但不局限于一下的方法实现,如图4所示,该方法包括:
201、基于评估函数对所述性能指标的不同性能指标及其组合进行分析,得到性能指标与异常性能指标之间关联度的关联值,所述评估函数根据所述性能指标字段取值组合下的性能指标聚类结果和异常性能指标确定。
其中,在网络流量性能异常定界方法中,分析网络性能指标数据的某个性能指标(即某字段)F是否与网络性能异常有关,存在对应的评估函数,该评估函数根据字段F在取值为f下网络节点性能指标聚合记过和异常性能指标(即目标异常指标)之间的关联度决定。
其中,在基于评估函数对所述性能指标的不同性能指标及其组合进行分析,得到性能指标与异常性能指标之间关联度的关联值时,可以采用但不局限于以下的方法实现,该方法包括:
1、从所述不同性能指标中选取进行异常评估的目标性能指标,所述目标性能指标为网络节点中与所述异常性能指标对应性能指标,至少为一个性能指标。
可选的实施例,比如网络节点性能指标F在取值为f的所有性能指标。
2、获取评估函数、异常性能性能指标在异常时间段内的异常性能值以及目标性能指标的聚类结果在所述异常时间段内的聚合性能值。
3、将所述聚合性能值和所述异常性能值带入所述评估函数进行计算,得到目标性能指标与异常性能指标之间关联度的关联值。
可选的实施例,将所述聚合性能值和所述异常性能值带入以下的评估函数RE进行计算。计算公式如下:
上述公式中,K表示分析时间段内性能指标数据的时间戳数量,TSf表示把所有字段F取值为f的网络节点性能指标(这里取的性能指标需和异常的性能指标一致)在分析时间段内随时间变化的曲线的聚合统计结果(如吞吐量聚合成总吞吐量)。TSfk,TSAk表示第k个时间戳下TSf,TSA的实际取值。
202、选取预定阈值范围内关联值最大的性能指标,作为与所述异常性能指标具有关联性的目标性能指标。
在进行关联性性能指标选取的过程中,设定预定的阈值,若符合该阈值的进行选择,不符合阈值的不进行选择。
203、根据所述目标性能指标确定与所述异常性能指标对应的目标网络节点。
本公开的实施例中,由于每个目标性能指标都在网络节点的性能指标数据中记载,故根据所述目标性能指标便可以查找到与所述异常性能指标对应的目标网络节点。
进一步的,本公开的实施例,当所述目标性能指标包括动态分区时,在网络流量性能异常定界方法查找动态分区字段时,该方法将利用的动态分区拓扑进行搜索优化,具体的如图5所示,为根据动态分区信息和所述动态分区拓扑确定异常网络节点包括:
1、获取所述关联值最高的第一动态分区信息;
2、遍历所述动态分区拓扑,查找与第一动态分区拓扑相邻动态分区中的所述关联值最高的分区,直到剩下相邻动态分区的所述关联值低于某一个阈值;
3、从剩余未遍历的动态分区中查找下一个所述关联值最高的第二动态分区,遍历所述动态分区拓扑,查找与第一动态分区拓扑相邻动态分区中的所述关联值最高的分区,直到剩下相邻动态分区的所述关联值低于某一个阈值,直到所有动态分区全部遍历完成。
如图5所示,本公开的实施例,在对动态分区进行遍历时,先确定最高关联值为A,查找与A拓扑相邻动态分区中的所述关联值最高的分区,直到剩下相邻动态分区的所述关联值低于某一个阈值,该阈值设置为0.4;本实施例中,确定B与A相邻,并且阈值高于0.4;之后再遍历与B拓扑相邻动态分区中的所述关联值最高的分区,经过遍历,确定与B相邻并且阈值高于0.4的为C,D,之后分别遍历C,D对应的邻区,但是C,D对应的邻区没有符合条件的动态小区,结束基于A的遍历。之后对剩余的没有遍历的动态小区进行遍历,具体选择出没有遍历的小区中E为关联值最高的动态小区,故基于E进行与基于A相同的遍历查找,最终查到符合条件的小区F。
进一步的,本公开的实施例,该网络流量性能异常界定的方法,要基于动态分区以及性能指标聚类结果进行,下面将结合实施例具体阐述如何构建动态分区以及进行性能指标的聚类。针对网络性能异常界定模块来说,其需要获取网络节点的性能指标和动态分区拓扑;其获取即为获取动态分区构建模块构建的网络节点的性能指标和动态分区拓扑。具体的如图6和图2所示,该方法包括:
301、获取网络性能异常时间段内各网络节点的实际性能指标数据,所述实际性能指标数据包括所述网络节点的拓扑信息和性能指标。
其中,本公开的实施例中,在网络性能监控系统检测到网络性能异常后,网络监控工具将首先获取异常时间段内网络节点的实时性性能指标数据(即实时性能数据)实时性能数据,该实时性能指标数据将包括如下性能指标信息(即字段信息):
a)网络节点id:网络节点的标识符;
b)时间戳:异常时间段内的某一个时间点;
c)性能取值:该时间点下的网络节点性能指标的具体取值,一个网络节点在某一时间点可能有多个性能指标,如吞入量、平均传输时间等;
d)其他字段:其它用于描述网络指标的字段,如网络节点所述的固定分区id等;
其中,拓扑信息:与该网络节点直接相连的其他网络节点。
302、根据所述拓扑信息构建实际网络拓扑结构。
本公开的实施例中,可以根据实时的网络节点性能数据中记录的拓扑信息,拓扑构建模块将构建出由节点和边的图结构,其中节点为网络节点,边为网络节点之间的链接。
303、根据不同网络节点的实际性能指标随时间变化的曲线的形态相似性对网络节点进行时序特征聚类操作,得到对应性能指标的性能指标聚类结果,并将所述性能指标聚类结果作为所述网络节点的补充性能指标添加在所述网络节点的中间性能指标数据中。
本公开的实施例中,可选的,所述在根据不同网络节点的实际性能指标随时间变化的曲线的形态相似性对网络节点进行时序特征聚类操作,得到对应性能指标的性能指标聚类结果时,可以采用但不局限于以下的方法实现,该方法包括:针对不同网络节点的每个实际性能指标随时间变化的曲线的形态相似性对网络节点进行时序特征聚类操作,得到对应性能指标的性能指标聚类结果。
比如,针对网络节点的实时性能数据,时序特征聚类模块会根据不同网络节点的性能指标(如吞入量,平均传输时间等)随时间变化的曲线的形态相似性对节点进行聚类操作,如7图所示。在聚类的时候可以采用但不局限于时序指标聚类算法,针对时序指标聚类算法本实施例在此不再赘述。
本公开的实施例里,时序特征聚类结果将作为补充字段添加至网络节点性能数据中。如图8所示,如果网络节点存在多个性能指标字段,则会按不同指标进行多次聚类,每个聚类结果单独作为一个字段进行记录。
304、根据所述网络拓扑结构和所述中间性能指标数据,基于图聚类算法对所述网络节点进行聚类,得到所述网络节点的动态分区信息和所述动态分区之间关系的动态拓扑。
其中,本公开的实施例,动态分区构建模块将基于网络拓扑结构,并结合实时的网络节点性能数据进行网络的动态分区构建。动态分区将采用现有的图聚类算法进行网络节点进行聚类,聚类结果即为网络动态分区结果,并补充至网络节点性能数据中。如图9和图10所示,
在使用图聚类算法进行网络节点聚类的过程中,需要判断两个网络节点u,v之间以及单个网络节点u和一个节点聚类C间的相似度。现有的图聚类算法根据图拓扑结构计算得到上述相似度s(u,v)、s(u,C)。在计算网络动态分区的过程中,上述相似度会根据性能指标聚类结果进行调整,得到调整后的相似度s′(u,v)、s′(u,C)。
上述两式中,N代表网络节点性能指标的数量;xui表示网络节点u在第i个性能指标的聚类id;xui·xvi表示u,v在第i个性能指标聚类id是否相同,相同为1,不同为0;|XCi|表示聚类C内i个性能指标的聚类数量;C+u表示聚类C加上节点u的节点集合;μ为人工设置的调整系数。调整后的相似度会替代原先的相似度用于图聚类中。
根据聚类结果,动态分区构建模块将记录动态分区之间的拓扑关系如图10,并将拓扑信息记录至运维数据库中,如图9所示。
305、将所述网络节点的动态分区信息作为所述网络节点的补充性能指标添加在所述中间性能指标数据中,得到所述网络节点的性能指标数据。
其中,本公开实施例的性能指标数据如图9所示。
根据本公开的实施例,获取网络节点的性能指标数据和动态分区拓扑,所述性能指标数据包括性能指标聚类结果和动态分区信息;根据所述性能指标聚类结果和动态分区信息确定异常网络节点。本方案根据实时的网络性能数据,对网络节点进行基于网络性能信息的动态分区,并依据动态分区结果进行网络节点的异常定界,定界的过程中根据网络动态特征进行效率优化,最后给出造成网络性能异常的网络节点集合,达到更加精准的网络异常定界的效果。
与上述图3对应的网络流量性能异常界定方法相对应,本公开还提出一种网络流量性能异常界定装置。图11为本公开实施例提供的一种网络流量性能异常界定装置400的结构示意图。如图11所示,包括:
网络性能异常界定模块401,用于获取网络节点的性能指标数据和动态分区拓扑,所述性能指标数据包括性能指标聚类结果和动态分区信息;并根据所述性能指标聚类结果和动态分区信息确定异常网络节点。
在一些实施例中,网络性能异常界定模块401根据所述性能指标聚类结果和动态分区信息确定异常网络节点包括:
基于评估函数对所述性能指标的不同性能指标及其组合进行分析确定异常网络节点;以及根据动态分区信息和所述动态分区拓扑确定异常网络节点。
在一些实施例中,所述基于评估函数对所述性能指标的不同性能指标及其组合进行分析确定异常网络节点包括:
基于评估函数对所述性能指标的不同性能指标及其组合进行分析,得到性能指标与异常性能指标之间关联度的关联值,所述评估函数根据性能指标字段取值组合下的所述性能指标聚类结果和异常性能指标确定;
选取预定阈值范围内关联值最大的性能指标,作为与所述异常性能指标具有关联性的目标性能指标;
根据所述目标性能指标确定与所述异常性能指标对应的目标网络节点。
在一些实施例中,所述基于评估函数对所述性能指标的不同性能指标及其组合进行分析,得到性能指标与异常性能指标之间关联度的关联值包括:
从所述不同性能指标中选取进行异常评估的目标性能指标,所述目标性能指标为网络节点中与所述异常性能指标对应性能指标,至少为一个性能指标;
获取评估函数、异常性能性能指标在异常时间段内的异常性能值以及目标性能指标的聚类结果在所述异常时间段内的聚合性能值;
将所述聚合性能值和所述异常性能值带入所述评估函数进行计算,得到目标性能指标与异常性能指标之间关联度的关联值。
在一些实施例中,当所述目标性能指标包括动态分区时,所述根据动态分区信息和所述动态分区拓扑确定异常网络节点包括:
获取所述关联值最高的第一动态分区信息;
遍历所述动态分区拓扑,查找与第一动态分区拓扑相邻动态分区中的所述关联值最高的分区,直到剩下相邻动态分区的所述关联值低于某一个阈值;
从剩余未遍历的动态分区中查找下一个所述关联值最高的第二动态分区,遍历所述动态分区拓扑,查找与第一动态分区拓扑相邻动态分区中的所述关联值最高的分区,直到剩下相邻动态分区的所述关联值低于某一个阈值,直到所有动态分区全部遍历完成。
在一些实施例中,该网络流量性能异常界定装置如图12所示,该包括:
网络节点性能数据获取模块402,用于获取网络性能异常时间段内各网络节点的实际性能指标数据,所述实际性能指标数据包括所述网络节点的拓扑信息和性能指标;
拓扑结构构建模块403,用于根据所述拓扑信息构建实际网络拓扑结构;
时序特征聚类模块404,用于根据不同网络节点的实际性能指标随时间变化的曲线的形态相似性对网络节点进行时序特征聚类操作,得到对应性能指标的性能指标聚类结果,并将所述性能指标聚类结果作为所述网络节点的补充性能指标添加在所述网络节点的中间性能指标数据中;
动态分区构建模块405,用于根据所述网络拓扑结构和所述中间性能指标数据,基于图聚类算法对所述网络节点进行聚类,得到所述网络节点的动态分区信息和所述动态分区之间关系的动态拓扑;将所述网络节点的动态分区信息作为所述网络节点的补充性能指标添加在所述中间性能指标数据中,得到所述网络节点的性能指标数据。
在一些实施例中,所述根据不同网络节点的实际性能指标随时间变化的曲线的形态相似性对网络节点进行时序特征聚类操作,得到对应性能指标的性能指标聚类结果包括:
针对不同网络节点的每个实际性能指标随时间变化的曲线的形态相似性对网络节点进行时序特征聚类操作,得到对应性能指标的性能指标聚类结果。
需要说明的是,由于本公开的装置实施例与上述的方法实施例相对应,前述对方法实施例的解释说明,也适用于本实施例的装置,原理相同,对于装置实施例中未披露的细节可参照上述的方法实施例,本公开中不再进行赘述。
根据本公开的实施例,获取网络节点的性能指标数据和动态分区拓扑,所述性能指标数据包括性能指标聚类结果和动态分区信息;根据所述性能指标聚类结果和动态分区信息确定异常网络节点。本方案根据实时的网络性能数据,对网络节点进行基于网络性能信息的动态分区,并依据动态分区结果进行网络节点的异常定界,定界的过程中根据网络动态特征进行效率优化,最后给出造成网络性能异常的网络节点集合,达到更加精准的网络异常定界的效果。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图13示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图13所示,设备500包括计算单元501,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)502中的计算机程序或者从存储单元508加载到RAM(Random AccessMemory,随机访问/存取存储器)503中的计算机程序,来执行各种适当的动作和处理。在RAM503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM503通过总线504彼此相连。I/O(Input/Output,输入/输出)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如用于管理安全座椅的方法。例如,在一些实施例中,用于管理安全座椅的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行前述用于管理安全座椅的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
应当理解,本公开中使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换该词语。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
其中,在本公开实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,在本公开实施例的描述中,“多个”是指两个或多于两个。
本公开中使用的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
本公开中使用了流程图用来说明根据本公开的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作,可以使用所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
以上描述仅为本公开的实施例以及对所运用技术原理的说明,并不用于限制本公开。对于本领域技术人员来说,本公开可以有各种更改和变化。本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种网络流量性能异常界定方法,其特征在于,包括:
获取网络节点的性能指标数据和动态分区拓扑,所述性能指标数据包括性能指标聚类结果和动态分区信息;
根据所述性能指标聚类结果和动态分区信息确定异常网络节点。
2.根据权利要求1所述的方法,其特征在于,所述根据所述性能指标聚类结果和动态分区信息确定异常网络节点包括:
基于评估函数对所述性能指标的不同性能指标及其组合进行分析确定异常网络节点;以及根据动态分区信息和所述动态分区拓扑确定异常网络节点。
3.根据权利要求2所述的方法,其特征在于,所述基于评估函数对所述性能指标的不同性能指标及其组合进行分析确定异常网络节点包括:
基于评估函数对所述性能指标的不同性能指标及其组合进行分析,得到性能指标与异常性能指标之间关联度的关联值,所述评估函数根据性能指标的字段取值组合下的所述性能指标聚类结果和异常性能指标确定;
选取预定阈值范围内关联值最大的性能指标,作为与所述异常性能指标具有关联性的目标性能指标;
根据所述目标性能指标确定与所述异常性能指标对应的目标网络节点。
4.根据权利要求3所述的方法,其特征在于,所述基于评估函数对所述性能指标的不同性能指标及其组合进行分析,得到性能指标与异常性能指标之间关联度的关联值包括:
从所述不同性能指标中选取进行异常评估的目标性能指标,所述目标性能指标为网络节点中与所述异常性能指标对应性能指标,至少为一个性能指标;
获取评估函数、异常性能性能指标在异常时间段内的异常性能值以及目标性能指标的聚类结果在所述异常时间段内的聚合性能值;
将所述聚合性能值和所述异常性能值带入所述评估函数进行计算,得到目标性能指标与异常性能指标之间关联度的关联值。
5.根据权利要求4所述的方法,其特征在于,当所述目标性能指标包括动态分区时,所述根据动态分区信息和所述动态分区拓扑确定异常网络节点包括:
获取所述关联值最高的第一动态分区信息;
遍历所述动态分区拓扑,查找与第一动态分区拓扑相邻动态分区中的所述关联值最高的分区,直到剩下相邻动态分区的所述关联值低于某一个阈值;
从剩余未遍历的动态分区中查找下一个所述关联值最高的第二动态分区,遍历所述动态分区拓扑,查找与第一动态分区拓扑相邻动态分区中的所述关联值最高的分区,直到剩下相邻动态分区的所述关联值低于某一个阈值,直到所有动态分区全部遍历完成。
6.根据权利要求1-5中任一项所述的方法,其特征在于,在获取网络节点的性能指标和动态分区拓扑之前,该方法还包括:
获取网络性能异常时间段内各网络节点的实际性能指标数据,所述实际性能指标数据包括所述网络节点的拓扑信息和性能指标;
根据所述拓扑信息构建实际网络拓扑结构;
根据不同网络节点的实际性能指标随时间变化的曲线的形态相似性对网络节点进行时序特征聚类操作,得到对应性能指标的性能指标聚类结果,并将所述性能指标聚类结果作为所述网络节点的补充性能指标添加在所述网络节点的中间性能指标数据中;
根据所述网络拓扑结构和所述中间性能指标数据,基于图聚类算法对所述网络节点进行聚类,得到所述网络节点的动态分区信息和所述动态分区之间关系的动态拓扑;
将所述网络节点的动态分区信息作为所述网络节点的补充性能指标添加在所述中间性能指标数据中,得到所述网络节点的性能指标数据。
7.根据权利要求6所述的方法,其特征在于,所述根据不同网络节点的实际性能指标随时间变化的曲线的形态相似性对网络节点进行时序特征聚类操作,得到对应性能指标的性能指标聚类结果包括:
针对不同网络节点的每个实际性能指标随时间变化的曲线的形态相似性对网络节点进行时序特征聚类操作,得到对应性能指标的性能指标聚类结果。
8.一种网络流量性能异常界定装置,其特征在于,包括:
网络性能异常界定模块,用于获取网络节点的性能指标数据和动态分区拓扑,所述性能指标数据包括性能指标聚类结果和动态分区信息,并根据所述性能指标聚类结果和动态分区信息确定异常网络节点。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210536096.8A CN117135037A (zh) | 2022-05-17 | 2022-05-17 | 网络流量性能异常界定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210536096.8A CN117135037A (zh) | 2022-05-17 | 2022-05-17 | 网络流量性能异常界定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117135037A true CN117135037A (zh) | 2023-11-28 |
Family
ID=88851327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210536096.8A Pending CN117135037A (zh) | 2022-05-17 | 2022-05-17 | 网络流量性能异常界定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117135037A (zh) |
-
2022
- 2022-05-17 CN CN202210536096.8A patent/CN117135037A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10229129B2 (en) | Method and apparatus for managing time series database | |
CN110147387B (zh) | 一种根因分析方法、装置、设备及存储介质 | |
CN114465874B (zh) | 故障预测方法、装置、电子设备与存储介质 | |
CN110825769A (zh) | 一种数据指标异常的查询方法和系统 | |
CN106776288B (zh) | 一种基于Hadoop的分布式系统的健康度量方法 | |
WO2023071761A1 (zh) | 一种异常定位方法及装置 | |
CN117078048B (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
Zhang et al. | Identifying node importance by combining betweenness centrality and katz centrality | |
CN114598539B (zh) | 根因定位方法、装置、存储介质及电子设备 | |
CN111541559A (zh) | 一种基于因果规则的故障定位方法 | |
CN113542017A (zh) | 基于网络拓扑和多指标的一种网络故障定位方法 | |
CN116049146A (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
CN111709668A (zh) | 基于数据挖掘技术的电网设备参数风险识别方法及装置 | |
CN115514627A (zh) | 一种故障根因定位方法、装置、电子设备及可读存储介质 | |
CN117135037A (zh) | 网络流量性能异常界定方法及装置 | |
CN115509784A (zh) | 数据库实例的故障检测方法和装置 | |
CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
CN114896418A (zh) | 知识图谱构建方法、装置、电子设备及存储介质 | |
CN113297307B (zh) | 数据库请求识别、异常检测方法、装置、设备及介质 | |
US11665096B2 (en) | Entity relationship estimation apparatus, entity relationship estimation method, and recording medium | |
CN115081794B (zh) | 云网络变更影响范围评估方法及系统 | |
CN112884167B (zh) | 一种基于机器学习的多指标异常检测方法及其应用系统 | |
LYU et al. | Alarm-Based Root Cause Analysis Based on Weighted Fault Propagation Topology for Distributed Information Network | |
CN113726564B (zh) | 服务器节点重要度分析方法 | |
Zhang et al. | RiskRoot: Multi-Dimensional Root Causes Location Model Based on Risk Score and Iterative Search |
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 |