CN117395198B - 一种电力通信网络拥塞报警方法及系统 - Google Patents
一种电力通信网络拥塞报警方法及系统 Download PDFInfo
- Publication number
- CN117395198B CN117395198B CN202311685202.XA CN202311685202A CN117395198B CN 117395198 B CN117395198 B CN 117395198B CN 202311685202 A CN202311685202 A CN 202311685202A CN 117395198 B CN117395198 B CN 117395198B
- Authority
- CN
- China
- Prior art keywords
- data
- node
- interested
- congestion
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000012886 linear function Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 7
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 20
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect 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
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/11—Identifying congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
-
- 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
-
- 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
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
-
- 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)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种电力通信网络拥塞报警方法及系统，所述方法包括：监测电力通信网络的原始数据，定期对最近监测到的原始数据进行预处理，并将预处理后得到的关键性能指标数据上传到服务器网络；对关键性能指标数据进行轮询访问，并将抓取到的多个感兴趣节点的性能指标数据存储到指标数据库；从指标数据库中读取得到模型输入数据，将模型输入数据输入至图神经网络模型，得到图神经网络模型输出的每一感兴趣节点的流量负载等级，以判断每一感兴趣节点是否发生拥塞；基于所有发生拥塞的感兴趣节点和报警联系方式，向用户发送报警信息。本发明能够精准监测得到电力通信网络中每个感兴趣节点的流量负载，从而完成对网络拥塞的精准报警。
Description
技术领域
本发明涉及电力通信网络领域，尤其涉及一种电力通信网络拥塞报警方法及系统。
背景技术
随着电力通信网络，尤其是5G技术的发展，电力通信网络的数字化与智能化水平得到了巨大的提升。但随着电力通信网络中流量的迅速增长，网络节点容易发生拥塞，因此流量管理正在成为电力通信网络中一个重要且具有挑战性的课题。如何更好地分析电力通信网络中的网络流量特别是分析网络拥塞，已成为执行流量工程、配置服务质量（QoS，Quality of Service）、降低电力业务的传输时延和丢包率的关键因素。
现有技术中，一般是由电力通信网络中的每个网络节点对自身进行流量负载检查来判断该网络节点是否发生拥塞，但一方面上述方案难以实现对整个网络系统的整体监控，另一方面由于在实际应用中往往并不需要对所有网络节点都进行监控，从而上述方案会造成浪费。
发明内容
为了解决上述技术问题，本发明实施例提出了一种电力通信网络拥塞报警方法及系统，能够精准监测得到电力通信网络中每个感兴趣节点的流量负载，从而进一步完成对电力通信网络整体流量负载状态的精准监测、分析与报警判断。
为了实现上述目的，本发明实施例提供了一种电力通信网络拥塞报警方法，所述方法包括：
获取用户输入的配置信息；其中，所述配置信息包括数据抓取时间间隔、感兴趣节点类型和报警联系方式；
监测电力通信网络的原始数据，定期对最近的预设时间段内监测到的所述原始数据进行预处理，并将预处理后得到的关键性能指标数据上传到服务器网络；
根据所述感兴趣节点类型和所述数据抓取时间间隔，通过所述服务器网络对所述关键性能指标数据进行轮询访问，以抓取多个感兴趣节点的性能指标数据，并将所述性能指标数据存储到指标数据库；其中，所述多个感兴趣节点为所述电力通信网络中所有满足所述感兴趣节点类型的网络节点；
响应于模型运行指令，从所述指标数据库中读取得到模型输入数据，基于所述模型输入数据和所述配置信息，采用预先配置的图神经网络模型确定每一所述感兴趣节点的流量负载等级，以判断每一所述感兴趣节点是否发生拥塞；
当存在发生拥塞的感兴趣节点时，基于所有发生拥塞的感兴趣节点和所述报警联系方式，向用户发送报警信息。
进一步的，所述配置信息还包括节点拓扑关系邻接矩阵；其中，所述节点拓扑关系邻接矩阵用于指示所述电力通信网络中的所有网络节点的编号以及各网络节点间的连接关系；
则，所述基于所述模型输入数据和所述配置信息，采用预先配置的图神经网络模型确定每一所述感兴趣节点的流量负载等级，具体包括：
将所述节点拓扑关系邻接矩阵和所述模型输入数据输入至预先配置的图神经网络模型，得到所述图神经网络模型输出的每一所述感兴趣节点的流量负载等级。
进一步的，所述判断每一所述感兴趣节点是否发生拥塞，具体为：
将每一所述感兴趣节点的流量负载等级转换为流量负载指标，以判断每一所述感兴趣节点是否发生拥塞；其中，若所述流量负载指标超过预设的配置阈值，则判定为发生拥塞。
进一步的，所述从所述指标数据库中读取得到模型输入数据，具体包括：
从所述指标数据库中读取得到预设的当前时间段内的第一待补全数据；
根据所述第一待补全数据中的时间信息，对所述第一待补全数据进行重新排序，得到第二待补全数据；其中，所述时间信息是基于与所述第一待补全数据对应的原始数据监测到的时间生成的；
确定所述第二待补全数据的若干空值时间段；
基于所述若干空值时间段，对所述第二待补全数据进行数据清理补全，得到模型输入数据。
进一步的，所述基于所述若干空值时间段，对所述第二待补全数据进行数据清理补全，得到模型输入数据，具体包括：
获取每一所述空值时间段的前非空值和后非空值；其中，所述前非空值为在所述第二待补全数据中，与所述空值时间段的起始时间点的前一个时间点对应的数据值；所述后非空值为在所述第二待补全数据中，与所述空值时间段的终止时间点的后一个时间点对应的数据值；
针对每一所述空值时间段，基于所述前非空值和所述后非空值计算在时间上的线性函数，以所述线性函数补全这一所述空值时间段。
进一步的，所述预处理具体为：
根据所述原始数据的监测时间，对所述原始数据进行封装，以转换成预设的文件格式进行保存，得到关键性能指标数据。
进一步的，所述图神经网络模型是根据所述指标数据库中的数据进行训练得到的。
进一步的，所述配置信息还包括报警方式；
则，所述基于所有发生拥塞的感兴趣节点和所述报警联系方式，向用户发送报警信息，具体包括：
基于所有发生拥塞的感兴趣节点，生成对应的报警信息；
基于所述报警联系方式，向对应的用户通过所述报警方式发送生成的报警信息。
进一步的，所述原始数据包括：
在所述电力通信网络中的管理区节点上监测到的实时流量信息报告、主动抓取流量信息、节点身份认证信息中的至少一种；
或者，
在所述电力通信网络中的边缘设备上监测到的单个网卡的实时进出流量信息；
或者，
在所述电力通信网络中的中转节点上监测到的与所述中转节点对应的每一网卡的实时进出流量信息、每一网卡当前的排队队列长度信息中的至少一种。
本发明实施例还提供了一种电力通信网络拥塞报警系统，包括：
配置模块，用于获取用户输入的配置信息；其中，所述配置信息包括数据抓取时间间隔、感兴趣节点类型和报警联系方式；
流量采集模块，用于监测电力通信网络的原始数据，定期对最近的预设时间段内监测到的所述原始数据进行预处理，并将预处理后得到的关键性能指标数据上传到服务器网络；
流量数据储存模块，用于根据所述感兴趣节点类型和所述数据抓取时间间隔，通过所述服务器网络对所述关键性能指标数据进行轮询访问，以抓取多个感兴趣节点的性能指标数据，并将所述性能指标数据存储到指标数据库；其中，所述多个感兴趣节点为所述电力通信网络中所有满足所述感兴趣节点类型的网络节点；
流量负载输出模块，用于响应于模型运行指令，从所述指标数据库中读取得到模型输入数据，将所述模型输入数据和所述配置信息输入至预先配置的图神经网络模型，得到所述图神经网络模型输出的每一所述感兴趣节点的流量负载等级，以判断每一所述感兴趣节点是否发生拥塞；
拥塞监测模块，用于当存在发生拥塞的感兴趣节点时，基于所有发生拥塞的感兴趣节点和所述报警联系方式，向用户发送报警信息。
综上，本发明具有以下有益效果：
采用本发明实施例，通过获取用户输入的配置信息；其中，所述配置信息包括数据抓取时间间隔、感兴趣节点类型和报警联系方式；监测电力通信网络的原始数据，定期对最近的预设时间段内监测到的所述原始数据进行预处理，并将预处理后得到的关键性能指标数据上传到服务器网络； 根据所述感兴趣节点类型和所述数据抓取时间间隔，通过所述服务器网络对所述关键性能指标数据进行轮询访问，以抓取多个感兴趣节点的性能指标数据，并将所述性能指标数据存储到指标数据库；其中，所述多个感兴趣节点为所述电力通信网络中所有满足所述感兴趣节点类型的网络节点；响应于模型运行指令，从所述指标数据库中读取得到模型输入数据，基于所述模型输入数据和所述配置信息，采用预先配置的图神经网络模型确定每一所述感兴趣节点的流量负载等级，以判断每一所述感兴趣节点是否发生拥塞；当存在发生拥塞的感兴趣节点时，基于所有发生拥塞的感兴趣节点和所述报警联系方式，向用户发送报警信息，从而能够精准监测得到电力通信网络中每个感兴趣节点的流量负载，从而进一步完成对电力通信网络整体流量负载状态的精准监测、分析与报警判断。
附图说明
图1是本发明提供的一种电力通信网络拥塞报警方法的一个实施例的流程示意图；
图2是本发明提供的一种电力通信网络拥塞报警系统的一个实施例的结构示意图；
图3是本发明提供的一种电力通信网络拥塞报警系统的又一个实施例的结构示意图。
具体实施方式
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。
在本申请描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，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”、“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
在本申请的描述中，需要说明的是，除非另有定义，本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
参见图1，是本发明提供的电力通信网络拥塞报警方法的一个实施例的流程示意图，该方法包括步骤S1至S5，具体如下：
S1,获取用户输入的配置信息；其中，所述配置信息包括数据抓取时间间隔、感兴趣节点类型和报警联系方式；
S2,监测电力通信网络的原始数据，定期对最近的预设时间段内监测到的所述原始数据进行预处理，并将预处理后得到的关键性能指标数据上传到服务器网络；
S3,根据所述感兴趣节点类型和所述数据抓取时间间隔，通过所述服务器网络对所述关键性能指标数据进行轮询访问，以抓取多个感兴趣节点的性能指标数据，并将所述性能指标数据存储到指标数据库；其中，所述多个感兴趣节点为所述电力通信网络中所有满足所述感兴趣节点类型的网络节点；
S4, 响应于模型运行指令，从所述指标数据库中读取得到模型输入数据，基于所述模型输入数据和所述配置信息，采用预先配置的图神经网络模型确定每一所述感兴趣节点的流量负载等级，以判断每一所述感兴趣节点是否发生拥塞；
S5,当存在发生拥塞的感兴趣节点时，基于所有发生拥塞的感兴趣节点和所述报警联系方式，向用户发送报警信息。
示例性的，在上述步骤S2中，所述服务器网络为Nginx HTTP服务器网络。
示例性的，在上述步骤S2中，所述监测所述电力通信网络的原始数据，具体为：通过读取电力通信网络的系统proc文件的内核性能统计指标，得到所述原始数据。
示例性的，所述感兴趣节点类型包括：尚未测试的网络节点、存在故障问题的网络节点中的至少一种。
作为上述方案的改进，所述配置信息还包括节点拓扑关系邻接矩阵；其中，所述节点拓扑关系邻接矩阵用于指示所述电力通信网络中的所有网络节点的编号以及各网络节点间的连接关系；
则，所述基于所述模型输入数据和所述配置信息，采用预先配置的图神经网络模型确定每一所述感兴趣节点的流量负载等级，具体包括：
将所述节点拓扑关系邻接矩阵和所述模型输入数据输入至预先配置的图神经网络模型，得到所述图神经网络模型输出的每一所述感兴趣节点的流量负载等级。
需要说明的是，电力通信网络的拓扑信息是指各网络节点之间的连接关系，用序号对网络节点进行编号后，以节点拓扑关系邻接矩阵的方式保存和读取。并且，将监测处理后得到的模型输入数据中的各类指标按照网络节点的序号进行组合，与节点拓扑关系邻接矩阵共同传入图神经网络模型中，计算出当前的相关网络节点的流量负载等级数据。
示例性的，所述图神经网络模型包括图卷积神经网络（GCN）。
作为上述方案的改进，所述判断每一所述感兴趣节点是否发生拥塞，具体为：
将每一所述感兴趣节点的流量负载等级转换为流量负载指标，以判断每一所述感兴趣节点是否发生拥塞；其中，若所述流量负载指标超过预设的配置阈值，则判定为发生拥塞。
需要说明的是，由于图神经网络模型输出的计算结果是离散值，与真正的网络节点的流量负载之间存在线性映射关系，同时每个网络节点本身的性能不同，所以需要将流量负载等级乘以按照不同的网络节点分别规定好的映射系数，从而得到真正的节点负载率。
作为上述方案的改进，所述从所述指标数据库中读取得到模型输入数据，具体包括：
从所述指标数据库中读取得到预设的当前时间段内的第一待补全数据；
根据所述第一待补全数据中的时间信息，对所述第一待补全数据进行重新排序，得到第二待补全数据；其中，所述时间信息是基于与所述第一待补全数据对应的原始数据监测到的时间生成的；
确定所述第二待补全数据的若干空值时间段；
基于所述若干空值时间段，对所述第二待补全数据进行数据清理补全，得到模型输入数据。
作为上述方案的改进，所述基于所述若干空值时间段，对所述第二待补全数据进行数据清理补全，得到模型输入数据，具体包括：
获取每一所述空值时间段的前非空值和后非空值；其中，所述前非空值为在所述第二待补全数据中，与所述空值时间段的起始时间点的前一个时间点对应的数据值；所述后非空值为在所述第二待补全数据中，与所述空值时间段的终止时间点的后一个时间点对应的数据值；
针对每一所述空值时间段，基于所述前非空值和所述后非空值计算在时间上的线性函数，以所述线性函数补全这一所述空值时间段。
示例性的，数据清理补全过程是将获取到的第二待补全数据按照与第二待补全数据对应的原始数据的监测采集时间排序，排序后对第二待补全数据中缺失的空值采用取平均值的方式：首先获取这段空值时间段的前非空值和后非空值，随后以前非空值和后非空值作为两点式直线方程中的两点，且以时间作为横坐标轴，计算线性函数，最后按照时间点补全缺失的数据。
作为上述方案的改进，所述原始数据包括：当前CPU占用信息、实时网卡流量使用信息、内存占用信息、I/O使用信息中的至少一种。
作为上述方案的改进，所述预处理具体为：
根据所述原始数据的监测时间，对所述原始数据进行封装，以转换成预设的文件格式进行保存，得到关键性能指标数据。
示例性的，所述文件格式为JSON字符串文件格式。
作为上述方案的改进，所述图神经网络模型是根据所述指标数据库中的数据进行训练得到的。
作为上述方案的改进，所述配置信息还包括报警方式；
则，所述基于所有发生拥塞的感兴趣节点和所述报警联系方式，向用户发送报警信息，具体包括：
基于所有发生拥塞的感兴趣节点，生成对应的报警信息；
基于所述报警联系方式，向对应的用户通过所述报警方式发送生成的报警信息。
示例性的，所述报警方式包括电话、短信或即时通讯软件的提示方式。
作为上述方案的改进，在所述将每一所述感兴趣节点的流量负载等级转换为流量负载指标之后，还包括：
将每一所述感兴趣节点的流量负载指标进行可视化处理。
示例性的，可视化处理是将每一所述感兴趣节点的流量负载指标通过Grafana仪表盘表示，以折线图的方式展示当前感兴趣节点集群的：性能负载的变化状态曲线、图神经网络输出的节点负载变化曲线。应理解，本实施例能够实时掌握当前网络负载状态和负载变化趋势。
作为上述方案的改进，所述原始数据包括：
在所述电力通信网络中的管理区节点上监测到的实时流量信息报告、主动抓取流量信息、节点身份认证信息中的至少一种；
或者，
在所述电力通信网络中的边缘设备上监测到的单个网卡的实时进出流量信息；
或者，
在所述电力通信网络中的中转节点上监测到的与所述中转节点对应的每一网卡的实时进出流量信息、每一网卡当前的排队队列长度信息中的至少一种。
需要说明的是，所述单个网卡的实时进出流量信息，以及所述每一网卡的实时进出流量信息、每一网卡当前的排队队列长度信息中的至少一种，分别按预设周期提交到管理区节点的采集数据收集程序。
参见图2和/或图3，是本发明提供的电力通信网络拥塞报警系统的一个实施例的结构示意图。
本发明实施例还提供了一种电力通信网络拥塞报警系统，包括：
配置模块101，用于获取用户输入的配置信息；其中，所述配置信息包括数据抓取时间间隔、感兴趣节点类型和报警联系方式；
流量采集模块102，用于监测电力通信网络的原始数据，定期对最近的预设时间段内监测到的所述原始数据进行预处理，并将预处理后得到的关键性能指标数据上传到服务器网络；
流量数据储存模块103，用于根据所述感兴趣节点类型和所述数据抓取时间间隔，通过所述服务器网络对所述关键性能指标数据进行轮询访问，以抓取多个感兴趣节点的性能指标数据，并将所述性能指标数据存储到指标数据库；其中，所述多个感兴趣节点为所述电力通信网络中所有满足所述感兴趣节点类型的网络节点；
流量负载输出模块104，用于响应于模型运行指令，从所述指标数据库中读取得到模型输入数据，基于所述模型输入数据和所述配置信息，采用预先配置的图神经网络模型确定每一所述感兴趣节点的流量负载等级，以判断每一所述感兴趣节点是否发生拥塞；
拥塞监测模块105，用于当存在发生拥塞的感兴趣节点时，基于所有发生拥塞的感兴趣节点和所述报警联系方式，向用户发送报警信息。
示例性的，在上述流量采集模块102中，所述服务器网络为Nginx HTTP服务器网络。
示例性的，在上述流量采集模块102中，所述监测所述电力通信网络的原始数据，具体为：通过读取电力通信网络的系统proc文件的内核性能统计指标，得到所述原始数据。
示例性的，所述感兴趣节点类型包括：尚未测试的网络节点、存在故障问题的网络节点中的至少一种。
作为上述方案的改进，所述配置信息还包括节点拓扑关系邻接矩阵；其中，所述节点拓扑关系邻接矩阵用于指示所述电力通信网络中的所有网络节点的编号以及各网络节点间的连接关系；
则，所述基于所述模型输入数据和所述配置信息，采用预先配置的图神经网络模型确定每一所述感兴趣节点的流量负载等级，具体包括：
将所述节点拓扑关系邻接矩阵和所述模型输入数据输入至预先配置的图神经网络模型，得到所述图神经网络模型输出的每一所述感兴趣节点的流量负载等级。
需要说明的是，电力通信网络的拓扑信息是指各网络节点之间的连接关系，用序号对网络节点进行编号后，以节点拓扑关系邻接矩阵的方式保存和读取。并且，将监测处理后得到的模型输入数据中的各类指标按照网络节点的序号进行组合，与节点拓扑关系邻接矩阵共同传入图神经网络模型中，计算出当前的相关网络节点的流量负载等级数据。
示例性的，所述图神经网络模型包括图卷积神经网络（GCN）。
作为上述方案的改进，所述判断每一所述感兴趣节点是否发生拥塞，具体为：
将每一所述感兴趣节点的流量负载等级转换为流量负载指标，以判断每一所述感兴趣节点是否发生拥塞；其中，若所述流量负载指标超过预设的配置阈值，则判定为发生拥塞。
需要说明的是，由于图神经网络模型输出的计算结果是离散值，与真正的网络节点的流量负载之间存在线性映射关系，同时每个网络节点本身的性能不同，所以需要将流量负载等级乘以按照不同的网络节点分别规定好的映射系数，从而得到真正的节点负载率。
作为上述方案的改进，所述从所述指标数据库中读取得到模型输入数据，具体包括：
从所述指标数据库中读取得到预设的当前时间段内的第一待补全数据；
根据所述第一待补全数据中的时间信息，对所述第一待补全数据进行重新排序，得到第二待补全数据；其中，所述时间信息是基于与所述第一待补全数据对应的原始数据监测到的时间生成的；
确定所述第二待补全数据的若干空值时间段；
基于所述若干空值时间段，对所述第二待补全数据进行数据清理补全，得到模型输入数据。
作为上述方案的改进，所述基于所述若干空值时间段，对所述第二待补全数据进行数据清理补全，得到模型输入数据，具体包括：
获取每一所述空值时间段的前非空值和后非空值；其中，所述前非空值为在所述第二待补全数据中，与所述空值时间段的起始时间点的前一个时间点对应的数据值；所述后非空值为在所述第二待补全数据中，与所述空值时间段的终止时间点的后一个时间点对应的数据值；
针对每一所述空值时间段，基于所述前非空值和所述后非空值计算在时间上的线性函数，以所述线性函数补全这一所述空值时间段。
示例性的，数据清理补全过程是将获取到的第二待补全数据按照与第二待补全数据对应的原始数据的监测采集时间排序，排序后对第二待补全数据中缺失的空值采用取平均值的方式：首先获取这段空值时间段的前非空值和后非空值，随后以前非空值和后非空值作为两点式直线方程中的两点，且以时间作为横坐标轴，计算线性函数，最后按照时间点补全缺失的数据。
作为上述方案的改进，所述原始数据包括：当前CPU占用信息、实时网卡流量使用信息、内存占用信息、I/O使用信息中的至少一种。
作为上述方案的改进，所述预处理具体为：
根据所述原始数据的监测时间，对所述原始数据进行封装，以转换成预设的文件格式进行保存，得到关键性能指标数据。
示例性的，所述文件格式为JSON字符串文件格式。
作为上述方案的改进，所述图神经网络模型是根据所述指标数据库中的数据进行训练得到的。
作为上述方案的改进，所述配置信息还包括报警方式；
则，所述基于所有发生拥塞的感兴趣节点和所述报警联系方式，向用户发送报警信息，具体包括：
基于所有发生拥塞的感兴趣节点，生成对应的报警信息；
基于所述报警联系方式，向对应的用户通过所述报警方式发送生成的报警信息。
示例性的，所述报警方式包括电话、短信或即时通讯软件的提示方式。
作为上述方案的改进，在所述将每一所述感兴趣节点的流量负载等级转换为流量负载指标之后，还包括：
将每一所述感兴趣节点的流量负载指标进行可视化处理。
示例性的，可视化处理是将每一所述感兴趣节点的流量负载指标通过Grafana仪表盘表示，以折线图的方式展示当前感兴趣节点集群的：性能负载的变化状态曲线、图神经网络输出的节点负载变化曲线。应理解，本实施例能够实时掌握当前网络负载状态和负载变化趋势。
作为上述方案的改进，所述原始数据包括：
在所述电力通信网络中的管理区节点上监测到的实时流量信息报告、主动抓取流量信息、节点身份认证信息中的至少一种；
或者，
在所述电力通信网络中的边缘设备上监测到的单个网卡的实时进出流量信息；
或者，
在所述电力通信网络中的中转节点上监测到的与所述中转节点对应的每一网卡的实时进出流量信息、每一网卡当前的排队队列长度信息中的至少一种。
需要说明的是，所述单个网卡的实时进出流量信息，以及所述每一网卡的实时进出流量信息、每一网卡当前的排队队列长度信息中的至少一种，分别按预设周期提交到管理区节点的采集数据收集程序。
综上，本发明具有以下有益效果：
采用本发明实施例，通过获取用户输入的配置信息；其中，所述配置信息包括数据抓取时间间隔、感兴趣节点类型和报警联系方式；监测所述电力通信网络的原始数据，定期对最近的预设时间段内监测到的所述原始数据进行预处理，并将预处理后得到的关键性能指标数据上传到服务器网络； 根据所述感兴趣节点类型和所述数据抓取时间间隔，通过所述服务器网络对所述关键性能指标数据进行轮询访问，以抓取多个感兴趣节点的性能指标数据，并将所述性能指标数据存储到指标数据库；其中，所述多个感兴趣节点为所述电力通信网络中所有满足所述感兴趣节点类型的网络节点；响应于模型运行指令，从所述指标数据库中读取得到模型输入数据，基于所述模型输入数据和所述配置信息，采用预先配置的图神经网络模型确定每一所述感兴趣节点的流量负载等级，以判断每一所述感兴趣节点是否发生拥塞；当存在发生拥塞的感兴趣节点时，基于所有发生拥塞的感兴趣节点和所述报警联系方式，向用户发送报警信息，从而能够精准监测得到电力通信网络中每个感兴趣节点的流量负载，从而进一步完成对电力通信网络整体流量负载状态的精准监测、分析与报警判断。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种电力通信网络拥塞报警方法，其特征在于，所述方法包括：
获取用户输入的配置信息；其中，所述配置信息包括数据抓取时间间隔、感兴趣节点类型和报警联系方式；
监测电力通信网络的原始数据，定期对最近的预设时间段内监测到的所述原始数据进行预处理，并将预处理后得到的关键性能指标数据上传到服务器网络；
根据所述感兴趣节点类型和所述数据抓取时间间隔，通过所述服务器网络对所述关键性能指标数据进行轮询访问，以抓取多个感兴趣节点的性能指标数据，并将所述性能指标数据存储到指标数据库；其中，所述多个感兴趣节点为所述电力通信网络中所有满足所述感兴趣节点类型的网络节点；
响应于模型运行指令，从所述指标数据库中读取得到模型输入数据，基于所述模型输入数据和所述配置信息，采用预先配置的图神经网络模型确定每一所述感兴趣节点的流量负载等级，以判断每一所述感兴趣节点是否发生拥塞；
当存在发生拥塞的感兴趣节点时，基于所有发生拥塞的感兴趣节点和所述报警联系方式，向用户发送报警信息；
其中，所述配置信息还包括节点拓扑关系邻接矩阵；其中，所述节点拓扑关系邻接矩阵用于指示所述电力通信网络中的所有网络节点的编号以及各网络节点间的连接关系；
则，所述基于所述模型输入数据和所述配置信息，采用预先配置的图神经网络模型确定每一所述感兴趣节点的流量负载等级，具体包括：
将所述节点拓扑关系邻接矩阵和所述模型输入数据输入至预先配置的图神经网络模型，得到所述图神经网络模型输出的每一所述感兴趣节点的流量负载等级；
其中，所述判断每一所述感兴趣节点是否发生拥塞，具体为：
将每一所述感兴趣节点的流量负载等级转换为流量负载指标，以判断每一所述感兴趣节点是否发生拥塞；其中，若所述流量负载指标超过预设的配置阈值，则判定为发生拥塞；
其中，所述从所述指标数据库中读取得到模型输入数据，具体包括：
从所述指标数据库中读取得到预设的当前时间段内的第一待补全数据；
根据所述第一待补全数据中的时间信息，对所述第一待补全数据进行重新排序，得到第二待补全数据；其中，所述时间信息是基于与所述第一待补全数据对应的原始数据监测到的时间生成的；
确定所述第二待补全数据的若干空值时间段；
基于所述若干空值时间段，对所述第二待补全数据进行数据清理补全，得到模型输入数据；
其中，所述基于所述若干空值时间段，对所述第二待补全数据进行数据清理补全，得到模型输入数据，具体包括：
获取每一所述空值时间段的前非空值和后非空值；其中，所述前非空值为在所述第二待补全数据中，与所述空值时间段的起始时间点的前一个时间点对应的数据值；所述后非空值为在所述第二待补全数据中，与所述空值时间段的终止时间点的后一个时间点对应的数据值；
针对每一所述空值时间段，基于所述前非空值和所述后非空值计算在时间上的线性函数，以所述线性函数补全这一所述空值时间段。
2.如权利要求1所述的电力通信网络拥塞报警方法，其特征在于，所述预处理具体为：
根据所述原始数据的监测时间，对所述原始数据进行封装，以转换成预设的文件格式进行保存，得到关键性能指标数据。
3.如权利要求1所述的电力通信网络拥塞报警方法，其特征在于，所述图神经网络模型是根据所述指标数据库中的数据进行训练得到的。
4.如权利要求1所述的电力通信网络拥塞报警方法，其特征在于，所述配置信息还包括报警方式；
则，所述基于所有发生拥塞的感兴趣节点和所述报警联系方式，向用户发送报警信息，具体包括：
基于所有发生拥塞的感兴趣节点，生成对应的报警信息；
基于所述报警联系方式，向对应的用户通过所述报警方式发送生成的报警信息。
5.如权利要求1所述的电力通信网络拥塞报警方法，其特征在于，所述原始数据包括：
在所述电力通信网络中的管理区节点上监测到的实时流量信息报告、主动抓取流量信息、节点身份认证信息中的至少一种；
或者，
在所述电力通信网络中的边缘设备上监测到的单个网卡的实时进出流量信息；
或者，
在所述电力通信网络中的中转节点上监测到的与所述中转节点对应的每一网卡的实时进出流量信息、每一网卡当前的排队队列长度信息中的至少一种。
6.一种电力通信网络拥塞报警系统，其特征在于，包括：
配置模块，用于获取用户输入的配置信息；其中，所述配置信息包括数据抓取时间间隔、感兴趣节点类型和报警联系方式；
流量采集模块，用于监测电力通信网络的原始数据，定期对最近的预设时间段内监测到的所述原始数据进行预处理，并将预处理后得到的关键性能指标数据上传到服务器网络；
流量数据储存模块，用于根据所述感兴趣节点类型和所述数据抓取时间间隔，通过所述服务器网络对所述关键性能指标数据进行轮询访问，以抓取多个感兴趣节点的性能指标数据，并将所述性能指标数据存储到指标数据库；其中，所述多个感兴趣节点为所述电力通信网络中所有满足所述感兴趣节点类型的网络节点；
流量负载输出模块，用于响应于模型运行指令，从所述指标数据库中读取得到模型输入数据，基于所述模型输入数据和所述配置信息，采用预先配置的图神经网络模型确定每一所述感兴趣节点的流量负载等级，以判断每一所述感兴趣节点是否发生拥塞；
拥塞监测模块，用于当存在发生拥塞的感兴趣节点时，基于所有发生拥塞的感兴趣节点和所述报警联系方式，向用户发送报警信息；
其中，所述配置信息还包括节点拓扑关系邻接矩阵；其中，所述节点拓扑关系邻接矩阵用于指示所述电力通信网络中的所有网络节点的编号以及各网络节点间的连接关系；
则，所述基于所述模型输入数据和所述配置信息，采用预先配置的图神经网络模型确定每一所述感兴趣节点的流量负载等级，具体包括：
将所述节点拓扑关系邻接矩阵和所述模型输入数据输入至预先配置的图神经网络模型，得到所述图神经网络模型输出的每一所述感兴趣节点的流量负载等级；
其中，所述判断每一所述感兴趣节点是否发生拥塞，具体为：
将每一所述感兴趣节点的流量负载等级转换为流量负载指标，以判断每一所述感兴趣节点是否发生拥塞；其中，若所述流量负载指标超过预设的配置阈值，则判定为发生拥塞；
其中，所述从所述指标数据库中读取得到模型输入数据，具体包括：
从所述指标数据库中读取得到预设的当前时间段内的第一待补全数据；
根据所述第一待补全数据中的时间信息，对所述第一待补全数据进行重新排序，得到第二待补全数据；其中，所述时间信息是基于与所述第一待补全数据对应的原始数据监测到的时间生成的；
确定所述第二待补全数据的若干空值时间段；
基于所述若干空值时间段，对所述第二待补全数据进行数据清理补全，得到模型输入数据；
其中，所述基于所述若干空值时间段，对所述第二待补全数据进行数据清理补全，得到模型输入数据，具体包括：
获取每一所述空值时间段的前非空值和后非空值；其中，所述前非空值为在所述第二待补全数据中，与所述空值时间段的起始时间点的前一个时间点对应的数据值；所述后非空值为在所述第二待补全数据中，与所述空值时间段的终止时间点的后一个时间点对应的数据值；
针对每一所述空值时间段，基于所述前非空值和所述后非空值计算在时间上的线性函数，以所述线性函数补全这一所述空值时间段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311685202.XA CN117395198B (zh) | 2023-12-11 | 2023-12-11 | 一种电力通信网络拥塞报警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311685202.XA CN117395198B (zh) | 2023-12-11 | 2023-12-11 | 一种电力通信网络拥塞报警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117395198A CN117395198A (zh) | 2024-01-12 |
| CN117395198B true CN117395198B (zh) | 2024-02-20 |
Family
ID=89470626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311685202.XA Active CN117395198B (zh) | 2023-12-11 | 2023-12-11 | 一种电力通信网络拥塞报警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117395198B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102006225A (zh) * | 2010-11-19 | 2011-04-06 | 华为技术有限公司 | 网络拥塞处理方法及装置 |
| CN103647662A (zh) * | 2013-12-06 | 2014-03-19 | 北京奇虎科技有限公司 | 一种故障监测报警方法及装置 |
| CN111600752A (zh) * | 2020-05-12 | 2020-08-28 | 广东电网有限责任公司电力调度控制中心 | 一种电力通信业务可靠性优化方法及相关装置 |
| CN112052145A (zh) * | 2020-09-09 | 2020-12-08 | 中国工商银行股份有限公司 | 性能告警阈值的确定方法、装置、电子设备和介质 |
| CN114553779A (zh) * | 2019-09-16 | 2022-05-27 | 华为技术有限公司 | 网络拥塞控制方法、节点、系统及存储介质 |
| CN116149848A (zh) * | 2022-12-15 | 2023-05-23 | 中国电信股份有限公司 | 负载预测方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230370337A1 (en) * | 2022-05-11 | 2023-11-16 | Sap Se | Graph neural network based cloud traffic prediction and optimization |
-
2023
- 2023-12-11 CN CN202311685202.XA patent/CN117395198B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102006225A (zh) * | 2010-11-19 | 2011-04-06 | 华为技术有限公司 | 网络拥塞处理方法及装置 |
| CN103647662A (zh) * | 2013-12-06 | 2014-03-19 | 北京奇虎科技有限公司 | 一种故障监测报警方法及装置 |
| CN114553779A (zh) * | 2019-09-16 | 2022-05-27 | 华为技术有限公司 | 网络拥塞控制方法、节点、系统及存储介质 |
| CN111600752A (zh) * | 2020-05-12 | 2020-08-28 | 广东电网有限责任公司电力调度控制中心 | 一种电力通信业务可靠性优化方法及相关装置 |
| CN112052145A (zh) * | 2020-09-09 | 2020-12-08 | 中国工商银行股份有限公司 | 性能告警阈值的确定方法、装置、电子设备和介质 |
| CN116149848A (zh) * | 2022-12-15 | 2023-05-23 | 中国电信股份有限公司 | 负载预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 吕晓英，章寒冰.一种基于全寿命周期管理的配电网规划方案比选方法.投资理财.2016,全文. * |
| 李恬 ; 袁宇宾 ; 李波 ; .基于感知器算法的网络拥塞控制研究.计算机工程与设计.2009,(第07期),全文. * |
| 柴博 ; 周爱华 ; 裘洪彬 ; 陈睿 ; 宋岩 ; .基于图数据库的电力通信网络运行方式建模技术.电力信息与通信技术.2018,(第10期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117395198A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108427725A (zh) | 数据处理方法、装置和系统 | |
| CN108737182A (zh) | 系统异常的处理方法及系统 | |
| CN103081403A (zh) | 用于使用事件分析通信系统的操作的方法和装置 | |
| CN114511112A (zh) | 一种基于物联网的智慧运维方法、系统和可读存储介质 | |
| CN110191024A (zh) | 网络流量监控方法和装置 | |
| CN116628774A (zh) | 一种基于云计算的数据存储完整性监管系统 | |
| CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
| CN113821421B (zh) | 一种服务器性能数据采集方法、系统、装置及存储介质 | |
| CN117395198B (zh) | 一种电力通信网络拥塞报警方法及系统 | |
| CN102082677A (zh) | 一种告警信息处理方法和装置及系统 | |
| CN110647086B (zh) | 一种基于运行大数据分析的智能运维监控系统 | |
| CN116962469A (zh) | 一种智慧园区电能监测管理系统 | |
| CN105678456B (zh) | 一种电能计量装置运行状态自动评估方法及其系统 | |
| CN109687592A (zh) | 变电站信息显示控制方法、装置及电子设备 | |
| CN116155581A (zh) | 一种基于图神经网络的网络入侵检测方法与装置 | |
| CN111654413B (zh) | 一种网络流量有效测量点的选取方法、设备及存储介质 | |
| CN114171809A (zh) | 基于云平台的车载电池管理系统、方法、服务器及存储介质 | |
| CN112328463A (zh) | 一种日志监控方法及装置 | |
| WO2024066331A1 (zh) | 网络异常检测方法、装置、电子设备及存储介质 | |
| CN115001147B (zh) | 一种光伏发电数据采集方法、系统及云平台 | |
| CN113746688B (zh) | 实现异常检测模型更新的方法、装置和计算设备 | |
| CN116743618B (zh) | 厂站远动设备的数据采集分析方法、设备及介质 | |
| CN114826867B (zh) | 处理数据的方法、装置、系统及存储介质 | |
| CN116466183B (zh) | 一种基于5g的输电线故障点监测系统 | |
| WO2024066771A1 (zh) | 一种前传链路的故障根因定位方法及装置 |
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 |