CN117319246A - 一种基于多源数据的水利网流量监测系统 - Google Patents
一种基于多源数据的水利网流量监测系统 Download PDFInfo
- Publication number
- CN117319246A CN117319246A CN202311242545.9A CN202311242545A CN117319246A CN 117319246 A CN117319246 A CN 117319246A CN 202311242545 A CN202311242545 A CN 202311242545A CN 117319246 A CN117319246 A CN 117319246A
- Authority
- CN
- China
- Prior art keywords
- access
- flow
- water conservancy
- data
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 110
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 230000005856 abnormality Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
-
- 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
- H04L43/50—Testing arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于多源数据的水利网流量监测系统,涉及网络流量监测技术领域,包括规则制定模块、异常分析模块、消耗监测模块和消耗分析模块;所述规则制定模块用于根据水利网中用户、业务、关键链路和互联网访问的具体环境制定流量抽样的标准,使流量采集模块对网络流量数据进行抽样采集;所述异常分析模块用于提取网络流量数据的流量特征数据作为异常流量检测模型的输入数据,得到检测结果;检测结果用于指示网络流量数据是否存在异常,有效提升异常流量的检测与防护能力;所述消耗分析模块用于根据水利网平台的流量消耗数据分析得到访问高峰期与访问低谷期,以此对服务器节点进行扩容或借调,提高网络服务灵活性,达到资源利用最大化。
Description
技术领域
本发明涉及网络流量监测技术领域,具体是一种基于多源数据的水利网流量监测系统。
背景技术
随着“水利网”的提出,人们逐步认识到只有借助于信息技术、计算机技术、网络技术才能实现水利水电行业的管理现代化,达到知识经济时代发展的要求。“水利网”能够为水利水电行业构造一个统一的、立体的、开放式的信息系统,为水利水电部门的决策提供信息支持;
但是水利网平台由于成本的原因不可能保证充足的带宽和资源的冗余,随着互联网行业的快速发展,致使移动终端数量迅速增长,这就导致水利网平台的负荷逐渐增加以及信息泄露的情况越来越严重;当访问高峰期时,水利网平台的流量过大,会导致水利网平台网络性能不足,使用超过上限的负载会导致网络慢、流量浪费以及卡顿等情况的发生;同时网络攻击手段也变得更加隐蔽和高级,网络安全面临更加严峻的挑战,对网络安全监测提出了更高的要求;基于以上不足,本发明提出一种基于多源数据的水利网流量监测系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于多源数据的水利网流量监测系统。
为实现上述目的,根据本发明的第一方面的实施例提出一种基于多源数据的水利网流量监测系统,包括规则制定模块、异常分析模块、消耗监测模块、消耗分析模块和访问分配模块;
所述规则制定模块用于根据水利网中用户、业务、关键链路和互联网访问的具体环境制定流量抽样的标准,使流量采集模块按照流量比例方式、访问路径或时间方式对网络流量数据进行抽样采集;
所述流量采集模块用于按照抽样采集规则对流经水利网的网络流量数据进行采集,并将采集的网络流量数据传递给异常分析模块;所述网络流量数据是指电子设备访问水利网时实际运行所产生的流经水利网平台的数据;
所述异常分析模块用于提取网络流量数据的流量特征数据作为异常流量检测模型的输入数据,将流量特征数据输入异常流量检测模型中,得到检测结果;所述检测结果用于指示网络流量数据是否存在异常;
所述消耗监测模块用于每隔预设时长监测统计水利网平台的流量消耗数据;所述流量消耗数据是指水利网平台所传输的网络流量数据的大小;
所述消耗分析模块用于根据水利网平台的流量消耗数据分析得到访问高峰期与访问低谷期;
当水利网平台处于访问高峰期,则生成服务器节点扩容信号至监测中心,以提示管理员为水利网平台分配更多的服务器节点;
当水利网平台处于访问低谷期,则生成服务器节点借调信号至监测中心,以提示管理员将水利网平台的服务器节点借调一部分至其他平台;
当水利网平台处于访问高峰期,所述访问分配模块用于控制多个客户端中的目标客户端正常访问水利网平台,以实现对水利网平台的流量调度;所述目标客户端为访问价值指数FY大于预设价值阈值的客户端。
进一步地,所述消耗分析模块的具体分析步骤为:
S1:根据每隔预设时长监测到的流量消耗数据,从而确定多个时间子区间;将每个时间子区间表示为[Ti,Ti+1],i=1,…,n;Ti+1-Ti=预设时长;
S2:取X1个连续的时间子区间,并统计每个时间子区间内的流量消耗数据为LZm;m=1,…,X1;其中X1为预设值;统计对应时间子区间内水利网平台的服务器节点数量为Ym;其中LZm与Ym一一对应;
利用公式LFm=γ×(LZm×g1)/(Ym×g2)计算得到水利网平台的流量负载系数LFm,其中g1、g2均为预设系数因子;γ为预设均衡系数;
S3:将流量负载系数LFm与预设负载阈值相比较;所述预设负载阈值包括F1、F2;F1、F2均为预设值,且F1<F2;
若不存在流量负载系数LFm<F1且至少有一个流量负载系数LFm≥F2时,则表明水利网平台流量负载重,将对应时间子区间标记为访问高峰期;
若不存在流量负载系数LFm≥F2且至少有一个流量负载系数LFm<F1时,则表明水利网平台流量负载轻,将对应时间子区间标记为访问低谷期;
S4:根据水利网平台在多个连续时间子区间的访问状态,从而确定多个时间区间,得到更新后的访问高峰期和访问低谷期;其中在同一时间区间内水利网平台的访问状态相同,且不同时间区间内的访问状态一定是不同的;所述访问状态包括访问高峰期和访问低谷期。
进一步地,所述访问分配模块的具体工作步骤包括:
获取正在访问水利网平台的多个客户端,所述客户端携带有访问权限级别信息;将访问权限级别信息标记为FW1;
采集连续预设天数内每个客户端的访问规律,计算得到客户端的访问系数CY;所述访问规律包括访问时段以及每个访问时段的流量消耗数据;
将访问权限级别信息、访问系数进行归一化处理并取其数值,利用公式FY=FW1×g5+CY×g6计算得到所述客户端的访问价值指数FY,其中g5、g6均为预设系数因子。
进一步地,其中,访问系数CY的具体计算方法为:
统计所述客户端的访问次数为C1,将每个访问时段的流量消耗数据进行累加得到流量总消耗CZ1;以所述客户端其中一个访问开始时刻作为中心,将访问开始时刻时间差在预设值内的其他客户端标记为联动客户端;
将联动客户端的数量标记为L1;若L1大于预设数量阈值,则将此次访问标记为联动访问;统计联动访问的次数占比为Zb;
利用公式CY=f×Zb×(C1×g3+CZ1×g4)计算得到客户端的访问系数CY,其中g3、g4均为预设系数因子;f为预设补偿系数。
进一步地,所述访问分配模块还用于向目标客户端以外的客户端返回“403拒绝提供服务”的显示;其中,403表示资源不可用,禁止访问。
进一步地,所述异常流量检测模型基于Attention机制的Bi-LSTM模型建立,并使用训练数据集训练得到;所述训练数据集包括正常流量数据样本和异常流量数据样本。
进一步地,其中,根据输入变量的个数指定长短期记忆神经网络Bi-LSTM输入节点的个数,设定适合的隐藏层节点个数,以及代表网络流量数据异常的输出节点个数。
与现有技术相比,本发明的有益效果是:
1、本发明中规则制定模块用于根据水利网中用户、业务、关键链路和互联网访问的具体环境制定流量抽样的标准,使流量采集模块按照流量比例方式、访问路径或时间方式对网络流量数据进行抽样采集;所述异常分析模块用于提取网络流量数据的流量特征数据作为异常流量检测模型的输入数据;将流量特征数据输入异常流量检测模型中,得到检测结果;所述异常流量检测模型基于Attention机制的Bi-LSTM模型建立,并使用训练数据集训练得到;本发明针对水利网中用户、业务、关键链路和互联网访问等多个维度的网络流量数据进行分析,对访问路径与网络流量数据进行精细化管理,提升异常流量的检测与防护能力;
2、本发明中所述消耗监测模块用于每隔预设时长监测统计水利网平台的流量消耗数据;所述消耗分析模块用于根据水利网平台的流量消耗数据分析得到访问高峰期与访问低谷期;当水利网平台处于访问高峰期,则生成服务器节点扩容信号至监测中心,以提示管理员为水利网平台分配更多的服务器节点;以提高网络性能,同时对客户端进行访问控制;当水利网平台处于访问低谷期,则生成服务器节点借调信号至监测中心,以提示管理员将水利网平台的服务器节点借调一部分至其他平台,以提高网络服务灵活性,达到资源利用最大化;
3、本发明中当水利网平台处于访问高峰期,访问分配模块用于控制多个客户端中的目标客户端正常访问水利网平台,以实现对水利网平台的流量调度;所述目标客户端为多个客户端中在对应的访问高峰期时间段的访问价值指数FY大于预设价值阈值的客户端;避免在访问高峰期时间段,非必要的客户端访问造成水利网平台的负荷过重,提高网络服务灵活性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,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。
图1为本发明一种基于多源数据的水利网流量监测系统的系统框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,一种基于多源数据的水利网流量监测系统,包括消耗监测模块、消耗分析模块、监测中心、访问分配模块、规则制定模块、流量采集模块以及异常分析模块;
消耗监测模块用于每隔预设时长监测统计水利网平台的流量消耗数据;流量消耗数据是指水利网平台所传输的网络流量数据的大小;网络流量数据是指电子设备访问水利网时实际运行所产生的流经水利网平台的数据;
消耗分析模块用于根据水利网平台的流量消耗数据分析得到访问高峰期与访问低谷期;具体分析步骤为:
S1:根据每隔预设时长监测到的流量消耗数据,从而确定多个时间子区间;将每个时间子区间表示为[Ti,Ti+1],i=1,…,n;Ti+1-Ti=预设时长;
S2:取X1个连续的时间子区间,并统计每个时间子区间内的流量消耗数据为LZm;m=1,…,X1;其中X1为预设值;统计对应时间子区间内水利网平台的服务器节点数量为Ym;其中LZm与Ym一一对应;
利用公式LFm=γ×(LZm×g1)/(Ym×g2)计算得到水利网平台的流量负载系数LFm,其中g1、g2均为预设系数因子;γ为预设均衡系数;
S3:将流量负载系数LFm与预设负载阈值相比较;预设负载阈值包括F1、F2;F1、F2均为预设值,且F1<F2;
若不存在流量负载系数LFm<F1且至少有一个流量负载系数LFm≥F2时,则表明水利网平台流量负载重,将对应X1个连续的时间子区间标记为访问高峰期;
若不存在流量负载系数LFm≥F2且至少有一个流量负载系数LFm<F1时,则表明水利网平台流量负载轻,将对应X1个连续的时间子区间标记为访问低谷期;
S4:根据水利网平台在多个连续时间子区间的访问状态,从而确定多个时间区间,得到更新后的访问高峰期和访问低谷期;其中在同一时间区间内水利网平台的访问状态相同,且不同时间区间内的访问状态一定是不同的;访问状态包括访问高峰期和访问低谷期;
当水利网平台处于访问高峰期,则生成服务器节点扩容信号至监测中心,以提示管理员为水利网平台分配更多的服务器节点,以提高网络性能,同时对客户端进行访问控制;
当水利网平台处于访问低谷期,则生成服务器节点借调信号至监测中心,以提示管理员将水利网平台的服务器节点借调一部分至其他平台,以提高网络服务灵活性,达到资源利用最大化;
当水利网平台处于访问高峰期,访问分配模块用于控制多个客户端中的目标客户端正常访问水利网平台,以实现对水利网平台的流量调度;目标客户端为多个客户端中在对应的访问高峰期时间段的访问价值指数FY大于预设价值阈值的客户端;具体工作步骤包括:
获取正在访问水利网平台的多个客户端,客户端携带有访问权限级别信息;将访问权限级别信息标记为FW1;
采集连续预设天数内每个客户端的访问规律;访问规律包括访问时段以及每个访问时段的流量消耗数据;访问时段包括访问开始时刻和访问结束时刻;统计客户端的访问次数为C1,将每个访问时段的流量消耗数据进行累加得到流量总消耗CZ1;
以客户端其中一个访问开始时刻作为中心,将访问开始时刻时间差在预设值内的其他客户端标记为联动客户端;将联动客户端的数量标记为L1;若L1大于预设数量阈值,则将此次访问标记为联动访问;
统计联动访问的次数占比为Zb,利用公式CY=f×Zb×(C1×g3+CZ1×g4)计算得到客户端的访问系数CY,其中g3、g4均为预设系数因子;f为预设补偿系数;
将访问权限级别信息、访问系数进行归一化处理并取其数值,利用公式FY=FW1×g5+CY×g6计算得到客户端的访问价值指数FY,其中g5、g6均为预设系数因子;
在本实施例中,访问分配模块还用于向目标客户端以外的客户端返回“403拒绝提供服务”的显示;其中,403表示资源不可用,禁止访问;
规则制定模块用于根据水利网中用户、业务、关键链路和互联网访问的具体环境制定流量抽样的标准,使流量采集模块按照流量比例方式、访问路径或时间方式对网络流量数据进行抽样采集;
流量采集模块用于按照抽样采集规则对流经水利网的网络流量数据进行采集,并将采集的网络流量数据传递给异常分析模块;
异常分析模块用于提取网络流量数据的流量特征数据作为异常流量检测模型的输入数据;将流量特征数据输入异常流量检测模型中,得到检测结果;检测结果用于指示网络流量数据是否存在异常;
在本实施例中,异常流量检测模型基于Attention机制的Bi-LSTM模型建立,并使用训练数据集训练得到;训练数据集包括正常流量数据样本和异常流量数据样本;其中,根据输入变量的个数指定长短期记忆神经网络Bi-LSTM输入节点的个数,设定适合的隐藏层节点个数,以及代表网络流量数据异常的输出节点个数;本发明针对水利网中用户、业务、关键链路和互联网访问等多个维度的网络流量数据进行分析,对访问路径与网络流量数据进行精细化管理,提升异常流量的检测与防护能力。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理:
一种基于多源数据的水利网流量监测系统,在工作时,消耗监测模块用于每隔预设时长监测统计水利网平台的流量消耗数据;消耗分析模块用于根据水利网平台的流量消耗数据分析得到访问高峰期与访问低谷期,取X1个连续的时间子区间,并统计每个时间子区间内的流量消耗数据为LZm;若不存在流量负载系数LFm<F1且至少有一个流量负载系数LFm≥F2时,则将对应X1个连续的时间子区间标记为访问高峰期,提示管理员为水利网平台分配更多的服务器节点,以提高网络性能,同时对客户端进行访问控制;若不存在流量负载系数LFm≥F2且至少有一个流量负载系数LFm<F1时,则将对应X1个连续的时间子区间标记为访问低谷期,提示管理员将水利网平台的服务器节点借调一部分至其他平台,以提高网络服务灵活性,达到资源利用最大化;
当水利网平台处于访问高峰期,访问分配模块用于控制多个客户端中的目标客户端正常访问水利网平台,以实现对水利网平台的流量调度;目标客户端为多个客户端中在对应的访问高峰期时间段的访问价值指数FY大于预设价值阈值的客户端;避免在访问高峰期时间段,非必要的客户端访问造成水利网平台的负荷过重,提高网络服务灵活性;
规则制定模块用于根据水利网中用户、业务、关键链路和互联网访问的具体环境制定流量抽样的标准,使流量采集模块按照流量比例方式、访问路径或时间方式对网络流量数据进行抽样采集;异常分析模块用于提取网络流量数据的流量特征数据作为异常流量检测模型的输入数据;将流量特征数据输入异常流量检测模型中,得到检测结果;异常流量检测模型基于Attention机制的Bi-LSTM模型建立,并使用训练数据集训练得到;本发明针对水利网中用户、业务、关键链路和互联网访问等多个维度的网络流量数据进行分析,对访问路径与网络流量数据进行精细化管理,提升异常流量的检测与防护能力。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”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发明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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种基于多源数据的水利网流量监测系统,其特征在于,包括规则制定模块、异常分析模块、消耗监测模块、消耗分析模块和访问分配模块;
所述规则制定模块用于根据水利网中用户、业务、关键链路和互联网访问的具体环境制定流量抽样的标准,使流量采集模块按照流量比例方式、访问路径或时间方式对网络流量数据进行抽样采集;
所述流量采集模块用于按照抽样采集规则对流经水利网的网络流量数据进行采集,并将采集的网络流量数据传递给异常分析模块;所述网络流量数据是指电子设备访问水利网时实际运行所产生的流经水利网平台的数据;
所述异常分析模块用于提取网络流量数据的流量特征数据作为异常流量检测模型的输入数据,将流量特征数据输入异常流量检测模型中,得到检测结果;所述检测结果用于指示网络流量数据是否存在异常;
所述消耗监测模块用于每隔预设时长监测统计水利网平台的流量消耗数据;所述流量消耗数据是指水利网平台所传输的网络流量数据的大小;
所述消耗分析模块用于根据水利网平台的流量消耗数据分析得到访问高峰期与访问低谷期;当水利网平台处于访问高峰期,则生成服务器节点扩容信号至监测中心,以提示管理员为水利网平台分配更多的服务器节点;
当水利网平台处于访问低谷期,则生成服务器节点借调信号至监测中心,以提示管理员将水利网平台的服务器节点借调一部分至其他平台;
当水利网平台处于访问高峰期,所述访问分配模块用于控制多个客户端中的目标客户端正常访问水利网平台,以实现对水利网平台的流量调度;所述目标客户端为访问价值指数FY大于预设价值阈值的客户端。
2.根据权利要求1所述的一种基于多源数据的水利网流量监测系统,其特征在于,所述消耗分析模块的具体分析步骤为:
S1:根据每隔预设时长监测到的流量消耗数据,从而确定多个时间子区间;将每个时间子区间表示为[Ti,Ti+1],i=1,…,n;Ti+1-Ti=预设时长;
S2:取X1个连续的时间子区间,并统计每个时间子区间内的流量消耗数据为LZm;m=1,…,X1;其中X1为预设值;统计对应时间子区间内水利网平台的服务器节点数量为Ym;其中LZm与Ym一一对应;
利用公式LFm=γ×(LZm×g1)/(Ym×g2)计算得到水利网平台的流量负载系数LFm,其中g1、g2均为预设系数因子;γ为预设均衡系数;
S3:将流量负载系数LFm与预设负载阈值相比较;所述预设负载阈值包括F1、F2;F1、F2均为预设值,且F1<F2;
若不存在流量负载系数LFm<F1且至少有一个流量负载系数LFm≥F2时,则表明水利网平台流量负载重,将对应时间子区间标记为访问高峰期;
若不存在流量负载系数LFm≥F2且至少有一个流量负载系数LFm<F1时,则表明水利网平台流量负载轻,将对应时间子区间标记为访问低谷期;
S4:根据水利网平台在多个连续时间子区间的访问状态,从而确定多个时间区间,得到更新后的访问高峰期和访问低谷期;其中在同一时间区间内水利网平台的访问状态相同,且不同时间区间内的访问状态一定是不同的;所述访问状态包括访问高峰期和访问低谷期。
3.根据权利要求1所述的一种基于多源数据的水利网流量监测系统,其特征在于,所述访问分配模块的具体工作步骤包括:
获取正在访问水利网平台的多个客户端,所述客户端携带有访问权限级别信息;将访问权限级别信息标记为FW1;
采集连续预设天数内每个客户端的访问规律,计算得到客户端的访问系数CY;所述访问规律包括访问时段以及每个访问时段的流量消耗数据;
将访问权限级别信息、访问系数进行归一化处理并取其数值,利用公式FY=FW1×g5+CY×g6计算得到所述客户端的访问价值指数FY,其中g5、g6均为预设系数因子。
4.根据权利要求2所述的一种基于多源数据的水利网流量监测系统,其特征在于,其中,访问系数CY的具体计算方法为:
统计所述客户端的访问次数为C1,将每个访问时段的流量消耗数据进行累加得到流量总消耗CZ1;以所述客户端其中一个访问开始时刻作为中心,将访问开始时刻时间差在预设值内的其他客户端标记为联动客户端;
将联动客户端的数量标记为L1;若L1大于预设数量阈值,则将此次访问标记为联动访问;统计联动访问的次数占比为Zb;
利用公式CY=f×Zb×(C1×g3+CZ1×g4)计算得到客户端的访问系数CY,其中g3、g4均为预设系数因子;f为预设补偿系数。
5.根据权利要求1所述的一种基于多源数据的水利网流量监测系统,其特征在于,所述访问分配模块还用于向目标客户端以外的客户端返回“403拒绝提供服务”的显示;其中,403表示资源不可用,禁止访问。
6.根据权利要求1所述的一种基于多源数据的水利网流量监测系统,其特征在于,所述异常流量检测模型基于Attention机制的Bi-LSTM模型建立,并使用训练数据集训练得到;所述训练数据集包括正常流量数据样本和异常流量数据样本。
7.根据权利要求6所述的一种基于多源数据的水利网流量监测系统,其特征在于,其中,根据输入变量的个数指定长短期记忆神经网络Bi-LSTM输入节点的个数,设定适合的隐藏层节点个数,以及代表网络流量数据异常的输出节点个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311242545.9A CN117319246A (zh) | 2023-09-25 | 2023-09-25 | 一种基于多源数据的水利网流量监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311242545.9A CN117319246A (zh) | 2023-09-25 | 2023-09-25 | 一种基于多源数据的水利网流量监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117319246A true CN117319246A (zh) | 2023-12-29 |
Family
ID=89287794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311242545.9A Pending CN117319246A (zh) | 2023-09-25 | 2023-09-25 | 一种基于多源数据的水利网流量监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117319246A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102801792A (zh) * | 2012-07-26 | 2012-11-28 | 华南理工大学 | 基于统计预测的云cdn资源自动部署方法 |
CN104333568A (zh) * | 2014-07-22 | 2015-02-04 | 江苏惠居乐信息科技有限公司 | 基于cdn和负载均衡技术的家居电商云系统及实现方法 |
CN106302778A (zh) * | 2016-08-25 | 2017-01-04 | 广东亿迅科技有限公司 | 一种分布式流程引擎系统 |
CN106878092A (zh) * | 2017-03-28 | 2017-06-20 | 上海以弈信息技术有限公司 | 一种多源异构数据融合的网络运维实时监控与分析呈现平台 |
CN112134811A (zh) * | 2020-09-30 | 2020-12-25 | 安徽极玩云科技有限公司 | 一种cdn云平台流量调度方法 |
CN112291104A (zh) * | 2020-12-30 | 2021-01-29 | 望海康信(北京)科技股份公司 | 微服务自动伸缩系统、方法及相应设备和存储介质 |
CN112511387A (zh) * | 2020-12-15 | 2021-03-16 | 北京京航计算通讯研究所 | 基于多源信息分析的网络攻击监测系统 |
CN112653588A (zh) * | 2020-07-10 | 2021-04-13 | 深圳市唯特视科技有限公司 | 自适应网络流量采集方法、系统、电子设备及存储介质 |
CN112750284A (zh) * | 2020-12-24 | 2021-05-04 | 浙江大学 | 一种基于独立计量分区的管网漏损监测系统 |
CN114413970A (zh) * | 2022-02-24 | 2022-04-29 | 北京京能能源技术研究有限责任公司 | 一种多源数据融合的供水管线巡检系统和方法 |
CN115348074A (zh) * | 2022-08-12 | 2022-11-15 | 北京航空航天大学 | 深度时空混合的云数据中心网络流量实时检测方法 |
CN115865483A (zh) * | 2022-11-30 | 2023-03-28 | 四川启睿克科技有限公司 | 一种基于机器学习的异常行为分析方法和装置 |
CN116668198A (zh) * | 2023-07-31 | 2023-08-29 | 南京争锋信息科技有限公司 | 基于深度学习的流量回放测试方法、装置、设备及介质 |
-
2023
- 2023-09-25 CN CN202311242545.9A patent/CN117319246A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102801792A (zh) * | 2012-07-26 | 2012-11-28 | 华南理工大学 | 基于统计预测的云cdn资源自动部署方法 |
CN104333568A (zh) * | 2014-07-22 | 2015-02-04 | 江苏惠居乐信息科技有限公司 | 基于cdn和负载均衡技术的家居电商云系统及实现方法 |
CN106302778A (zh) * | 2016-08-25 | 2017-01-04 | 广东亿迅科技有限公司 | 一种分布式流程引擎系统 |
CN106878092A (zh) * | 2017-03-28 | 2017-06-20 | 上海以弈信息技术有限公司 | 一种多源异构数据融合的网络运维实时监控与分析呈现平台 |
CN112653588A (zh) * | 2020-07-10 | 2021-04-13 | 深圳市唯特视科技有限公司 | 自适应网络流量采集方法、系统、电子设备及存储介质 |
CN112134811A (zh) * | 2020-09-30 | 2020-12-25 | 安徽极玩云科技有限公司 | 一种cdn云平台流量调度方法 |
CN112511387A (zh) * | 2020-12-15 | 2021-03-16 | 北京京航计算通讯研究所 | 基于多源信息分析的网络攻击监测系统 |
CN112750284A (zh) * | 2020-12-24 | 2021-05-04 | 浙江大学 | 一种基于独立计量分区的管网漏损监测系统 |
CN112291104A (zh) * | 2020-12-30 | 2021-01-29 | 望海康信(北京)科技股份公司 | 微服务自动伸缩系统、方法及相应设备和存储介质 |
CN114413970A (zh) * | 2022-02-24 | 2022-04-29 | 北京京能能源技术研究有限责任公司 | 一种多源数据融合的供水管线巡检系统和方法 |
CN115348074A (zh) * | 2022-08-12 | 2022-11-15 | 北京航空航天大学 | 深度时空混合的云数据中心网络流量实时检测方法 |
CN115865483A (zh) * | 2022-11-30 | 2023-03-28 | 四川启睿克科技有限公司 | 一种基于机器学习的异常行为分析方法和装置 |
CN116668198A (zh) * | 2023-07-31 | 2023-08-29 | 南京争锋信息科技有限公司 | 基于深度学习的流量回放测试方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292545B (zh) | 一种基于地震风险评估的桥梁抗震分析方法 | |
CN106101252A (zh) | 基于大数据和可信计算的信息安全风险防护系统 | |
CN108198629A (zh) | 一种传染病跨境输入传播风险自动评估系统及方法 | |
WO2020248228A1 (zh) | 一种Hadoop平台计算节点负载预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN107273273A (zh) | 一种分布式集群硬件故障预警方法及系统 | |
CN110378146B (zh) | 云服务环境下基于模糊理论的医疗大数据隐私保护方法 | |
CN110942137A (zh) | 一种基于深度学习的电网信息运维监控方法 | |
Chen et al. | Research on trend prediction and evaluation of network public opinion | |
CN112329997A (zh) | 电力需求负荷预测方法及系统、电子设备和存储介质 | |
CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
CN106650959A (zh) | 一种基于改进灰色聚类的配电网抢修能力评估方法 | |
CN102073952A (zh) | 一种水资源承载能力评价方法 | |
CN114444910A (zh) | 一种面向电力物联网的边缘网络系统健康度评估方法 | |
CN101404592A (zh) | 一种基于历史证据窗口的总体信任度决策方法 | |
CN117319246A (zh) | 一种基于多源数据的水利网流量监测系统 | |
Wang et al. | A study of situation awareness-based resource management scheme in cloud environment | |
Chen et al. | Accounting information disclosure and financial crisis beforehand warning based on the artificial neural network | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN108599147B (zh) | 基于正态指数平滑法与核密度估计的组合区间预测方法 | |
CN114186118A (zh) | 一种网络舆情话题信息处理系统、方法、存储介质、终端 | |
Shukla et al. | A comparison of methods for internet traffic sharing in computer network | |
CN108614547B (zh) | 一种基于削减因子的工业控制协议安全评估方法 | |
Zhang et al. | Research on multi-source data fusion technology under power cloud platform | |
CN102982231A (zh) | 软件可信度的定量计算方法 |
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 |