CN117544998B - 一种基于人工智能的无线网速智能化评估系统 - Google Patents
一种基于人工智能的无线网速智能化评估系统 Download PDFInfo
- Publication number
- CN117544998B CN117544998B CN202410035851.3A CN202410035851A CN117544998B CN 117544998 B CN117544998 B CN 117544998B CN 202410035851 A CN202410035851 A CN 202410035851A CN 117544998 B CN117544998 B CN 117544998B
- Authority
- CN
- China
- Prior art keywords
- value
- wireless network
- analysis
- network equipment
- network speed
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 49
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 235
- 238000003745 diagnosis Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000005856 abnormality Effects 0.000 claims abstract description 20
- 238000004806 packaging method and process Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 95
- 238000001514 detection method Methods 0.000 claims description 90
- 238000013210 evaluation model Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000000428 dust Substances 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
- G06N3/08—Learning methods
-
- 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
- H04L43/0894—Packet rate
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无线网速监管技术领域，具体是一种基于人工智能的无线网速智能化评估系统，包括服务器、数据采集打包模块、AI处理评估模块、无线网速检析模块、网络设备诊断模块和网络监管端；本发明通过数据采集打包模块实时采集无线网络的数据流量信息并生成网速待析包，AI处理评估模块基于网速待析包对无线网速进行评估分析以识别无线网络所存在的异常，无线网速检析模块对单位时间内所接收的异常信息进行分析，能够自动、快速、准确地评估无线网速，提高了无线网络管理的效率和精度，且在生成检析不合格信号时通过网络设备诊断模块对无线网络设备进行诊断分析，有效保证后续的无线网速表现效果，显著减小网络监管人员的管理难度。
Description
技术领域
本发明涉及无线网速监管技术领域，具体是一种基于人工智能的无线网速智能化评估系统。
背景技术
无线网络是指无需布线就能实现各种通信设备互联的网络，无线网络技术涵盖的范围很广，既包括允许用户建立远距离无线连接的全球语音和数据网络，也包括为近距离无线连接进行优化的红外线及射频技术，无线网络普遍和电信网络结合在一起，不需要电缆即可在节点之间相互链接；
随着无线网络的普及，网速评估问题逐渐受到关注，传统的网速评估方法主要依赖于人工测试，效率低下且易受人为因素的影响，不能自动、快速、准确地评估无线网速表现状况，且在判断无线网速表现状况较差时不能对无线网络设备进行全面检测并判断其性能状况，不利于提高无线网络管理的效率和精度，加大了网络监管人员的管理难度；
针对上述的技术缺陷，现提出一种解决方案。
发明内容
本发明的目的在于提供一种基于人工智能的无线网速智能化评估系统，解决了现有技术不能自动、快速、准确地评估无线网速表现状况，且在判断无线网速表现状况较差时不能对无线网络设备进行全面检测并判断其性能状况，不利于提高无线网络管理的效率和精度，管理难度大，智能化程度低的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于人工智能的无线网速智能化评估系统，包括服务器、数据采集打包模块、AI处理评估模块、无线网速检析模块、网络设备诊断模块和网络监管端；数据采集打包模块通过与无线网络设备的接口进行数据交互，实时采集无线网络的数据流量信息，并对所采集的数据流量信息进行打包以生成网速待析包，且将网速待析包经服务器发送至AI处理评估模块；
AI处理评估模块用于生成无线网速评估模型，将网速待析包输入至无线网速评估模型中，无线网速评估模型基于网速待析包对无线网速进行评估分析以识别无线网络所存在的异常，且将所识别出的异常信息经服务器发送至无线网速检析模块和网络监管端；
无线网速检析模块对单位时间内所接收的异常信息进行分析，通过分析以生成检析不合格信号或检析合格信号，且将检析不合格信号经服务器发送至网络设备诊断模块和网络监管端；网络设备诊断模块接收到检析不合格信号时对无线网络设备进行诊断分析，通过分析生成网络设备预警信号或网络设备优化信号，且将网络设备预警信号或网络设备优化信号经服务器发送至网络监管端。
进一步的，无线网速评估模型的生成过程如下：
深度学习模型构建：根据无线网络的特点和评估需求，AI处理模块选定相匹配的深度学习算法和模型结构，并据此构建无线网速评估模型；
模型训练：对无线网速评估模型进行训练，无线网速评估模型在训练过程中从历史数据中提取有用的特征和模式，以最小化预测误差为目标进行优化；
模型验证与调优：在模型训练完成后，使用验证集对无线网速评估模型进行验证，评估其在未见过的数据上的性能，并根据验证结果对无线网速评估模型进行调优，提高无线网速评估模型的泛化能力。
进一步的，无线网速检析模块的具体分析过程包括：
获取到单位时间内AI处理评估模块发送的所有异常信息，将异常信息的生成时刻标记为捕异时刻，将相邻两组捕异时刻之间的间隔时长标记为捕异间隔时析值；将单位时间内的所有捕异间隔时长进行求和计算并取均值以得到捕异时检值，将单位时间内未超过预设捕异时析阈值的捕异间隔时析值的数量标记为捕异时析数检值，将捕异时检值和捕异时析数检值与预设捕异时检阈值和预设捕异时析数检阈值分别进行数值比较，若捕异时检值未超过预设捕异时检阈值或捕异时析数检值超过预设捕异时析数检阈值，则生成检析不合格信号；
若捕异时检值超过预设捕异时检阈值且捕异时析数检值未超过预设捕异时析数检阈值，则对单位时间内发生的所有异常状况进行分类，将单位时间内对应无线网速异常类型的异常发生次数标记为异类频析值；将异类频析值与相应无线网速异常类型的预设异类频析阈值进行数值比较，若异类频析值超过预设异类频析阈值，则将对应无线网速异常类型标记为高发类型；
获取到单位时间内所存在的无线网速异常类型的数量并将其标记为无线网速异频值，将单位时间内高发类型的数量与无线网速异频值进行比值计算得到高发异常频析值；将无线网速异频值和高发异常频析值进行数值计算得到无线网速异常表现值，将无线网速异常表现值与预设无线网速异常表现阈值进行数值比较，若无线网速异常表现值超过预设无线网速异常表现阈值，则生成检析不合格信号。
进一步的，若无线网速异常表现值未超过预设无线网速异常表现阈值，则事先设定每组无线网速异常类型分别对应一组异常影响值，将对应无线网速类型的异类频析值与相应的异常影响值相乘以得到异常类况值；将单位时间内的所有异常类况值进行求和计算得到无线网速检析值，将无线网速检析值与预设无线网速检析阈值进行数值比较，若无线网速检析值超过预设无线网速检析阈值，则生成检析不合格信号；若无线网速检析值未超过预设无线网速检析阈值，则生成检析合格信号。
进一步的，网络设备诊断模块的具体运行过程包括：
采集到无线网络设备的生产日期，将生产日期距离当前日期的间隔时长标记为生产时析值，并采集到无线网络设备进行历史阶段的使用总时长，且通过网络设备运测分析获取到运检时析值；以及采集到无线网络设备在历史阶段发生故障的次数并将其标记为故障检测值，并在无线网络设备中设定若干个检测点，将任意两组检测点之间的实际距离值与相应初始距离值的偏差值标记为位距检测值，将所有位距检测值进行均值计算得到形变位移评析值；
将生产时析值、使用总时长、运检时析值、故障检测值和形变位移评析值进行数值计算得到网络设备初诊值；将网络设备初诊值与预设网络设备初诊阈值进行数值比较，若网络设备初诊值超过预设网络设备初诊阈值，则生成网络设备预警信号。
进一步的，网络设备运测分析的具体分析过程如下：
采集到无线网络设备中若干个位置处的实时温度，将若干个位置处的实时温度进行均值计算得到网络设备温析值，将网络设备温析值与预设适宜网络设备温析值范围的中值进行差值计算并取绝对值以得到网络设备温表值；且采集到无线网络设备所处环境的环境湿度，将环境湿度与预设适宜环境湿度范围的中值进行差值计算并取绝对值以得到网络设备环湿值；
以及获取到无线网络设备所处环境的灰尘浓度和电磁干扰强度，并采集到无线网络设备的振动频率和振动幅度，将振动频率和振动幅度进行求和计算得到网络设备振表值；将网络设备温表值、网络设备环湿值、灰尘浓度、电磁干扰强度和网络设备振表值进行数值计算得到网络设备运析值，将网络设备运析值与预设网络设备运析阈值进行数值比较，若网络设备运析值超过预设网络设备运析阈值，则判断无线网络设备处于运行易损状态；获取到历史阶段无线网络设备处于运行易损状态的总时长，并将其标记为运检时析值。
进一步的，若网络设备初诊值未超过预设网络设备初诊阈值，则获取到无线网络设备的信号实际覆盖面积相较于初始覆盖面积的下降值并将其标记为无线覆盖检测值，且将距离无线网络设备不同距离处的信号强度数据进行均值计算得到网络设备信强值；
并对无线网络设备进行性能测试以获取到传输速率值、吞吐量数据、丢包率数据和延迟数据，将网络设备初诊值、无线覆盖检测值、网络设备信强值、传输速率值、吞吐量数据、丢包率数据和延迟数据进行数值计算得到网络设备诊析值；将网络设备诊析值与预设网络设备诊析阈值进行数值比较，若网络设备诊析值超过预设网络设备诊析阈值，则生成网络设备预警信号；若网络设备诊析值未超过预设网络设备诊析阈值，则生成网络设备优化信号。
进一步的，服务器与模型监管决策模块通信连接，模型监管决策模块用于设定决策周期，采集到AI处理评估模块接收网速待析包的时刻和生成相应分析结果的时刻并将其分别标记为待析时刻和结果时刻，将结果时刻与待析时刻之间的间隔时长标记为处析时长；将决策周期内的所有处析时长进行均值计算得到处析时况值，将决策周期内超过预设处析时长阈值的处析时长的数量占比值标记为低效处检值；
采集到决策周期内对网速评估模型进行优化的次数并将其标记为优化频检值，将对网速评估模型进行优化的时刻标记为模型优化时刻，将相邻两组模型优化时刻之间的间隔时长标记为优化间隔时析值；将优化间隔时析值与预设优化间隔时析阈值进行数值比较，若优化间隔时析值超过预设优化间隔时析阈值，则将对应优化间隔时析值标记为高影响间隔时析值，将决策周期内高影响间隔时析值的数量标记为优化影响分析值；
将处析时况值、低效处检值、优化频检值和优化影响分析值进行数值计算得到模型监管决策值，将模型监管决策值与预设模型监管决策阈值进行数值比较，若模型监管决策值超过预设模型监管决策阈值，则生成模型监管不合格信号；若模型监管决策值未超过预设模型监管决策阈值，则生成模型监管合格信号；且将模型监管不合格信号经服务器发送至网络监管端。
与现有技术相比，本发明的有益效果是：
1、本发明中，通过数据采集打包模块实时采集无线网络的数据流量信息，对所采集的数据流量信息进行打包以生成网速待析包，AI处理评估模块将网速待析包输入至无线网速评估模型中，无线网速评估模型基于网速待析包对无线网速进行评估分析以识别无线网络所存在的异常，能够自动、快速、准确地评估无线网速，提高了无线网络管理的效率和精度，有助于网络监管人员及时有效的完成网络优化工作；
2、本发明中，通过无线网速检析模块对单位时间内所接收的异常信息进行分析，在生成检析不合格信号时通过网络设备诊断模块对无线网络设备进行诊断分析，通过分析生成网络设备预警信号或网络设备优化信号，在生成网络设备预警信号时对无线网络设备进行更换，在生成网络设备优化信号时对无线网络设备进行检修和相应参数优化，有效保证后续的无线网速表现效果，智能化程度高，显著减小网络监管人员的管理难度。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；
图1为本发明中实施例一的系统框图；
图2为本发明中实施例二的系统框图；
图3为本发明中实施例三的系统框图。
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做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。
实施例一：如图1所示，本发明提出的一种基于人工智能的无线网速智能化评估系统，包括服务器、数据采集打包模块、AI处理评估模块、无线网速检析模块和网络监管端，且服务器与数据采集打包模块、AI处理评估模块、无线网速检析模块以及网络监管端均通信连接；数据采集打包模块通过与无线网络设备的接口进行数据交互，实时采集无线网络的数据流量信息（包括但不限于上传速度、下载速度等），并对所采集的数据流量信息进行打包以生成网速待析包，且将网速待析包经服务器发送至AI处理评估模块；
AI处理评估模块用于生成无线网速评估模型，将网速待析包输入至无线网速评估模型中，无线网速评估模型基于网速待析包对无线网速进行评估分析以识别无线网络所存在的异常，且将所识别出的异常信息经服务器发送至无线网速检析模块和网络监管端，能够自动、快速、准确地评估无线网速，提高了无线网络管理的效率和精度，且有助于网络监管人员及时有效的完成网络优化工作；其中，无线网速评估模型的生成过程如下：
深度学习模型构建：根据无线网络的特点和评估需求，AI处理模块选定相匹配的深度学习算法和模型结构，并据此构建无线网速评估模型；例如，可以使用循环神经网络（RNN）或长短期记忆网络（LSTM）来处理时间序列数据，捕捉网络流量的动态变化；也可以使用卷积神经网络（CNN）来处理图像化的网络拓扑结构数据；
模型训练：对无线网速评估模型进行训练，无线网速评估模型在训练过程中从历史数据中提取有用的特征和模式，以最小化预测误差为目标进行优化；比如通常使用梯度下降等优化算法来调整模型的参数，使得模型在训练集上的性能逐渐提升；模型验证与调优：在模型训练完成后，使用验证集对无线网速评估模型进行验证，评估其在未见过的数据上的性能，并根据验证结果对无线网速评估模型进行调优，如调整超参数、增加网络深度等，以提高模型的泛化能力。
无线网速检析模块对单位时间内所接收的异常信息进行分析，通过分析以生成检析不合格信号或检析合格信号，且将检析不合格信号经服务器发送至网络监管端，网络监管端接收到检析不合格信号时发出相应预警，网络监管人员接收到相应预警后及时进行原因调查，并根据需要作出相应的优化处理措施，以对无线网络状况进行调控，有利于保证无线网速表现状况；无线网速检析模块的具体分析过程如下：
获取到单位时间内AI处理评估模块发送的所有异常信息，将异常信息的生成时刻标记为捕异时刻，将相邻两组捕异时刻之间的间隔时长标记为捕异间隔时析值；将单位时间内的所有捕异间隔时长进行求和计算并取均值以得到捕异时检值，将单位时间内未超过预设捕异时析阈值的捕异间隔时析值的数量标记为捕异时析数检值，将捕异时检值和捕异时析数检值与预设捕异时检阈值和预设捕异时析数检阈值分别进行数值比较，若捕异时检值未超过预设捕异时检阈值或捕异时析数检值超过预设捕异时析数检阈值，表明单位时间内的无线网速表现状况较差，则生成检析不合格信号；
若捕异时检值超过预设捕异时检阈值且捕异时析数检值未超过预设捕异时析数检阈值，则对单位时间内发生的所有异常状况进行分类，将单位时间内对应无线网速异常类型的异常发生次数标记为异类频析值；将异类频析值与相应无线网速异常类型的预设异类频析阈值进行数值比较，若异类频析值超过预设异类频析阈值，表明对应无线网速异常类型的发生频率较高，则将对应无线网速异常类型标记为高发类型；
获取到单位时间内所存在的无线网速异常类型的数量并将其标记为无线网速异频值，将单位时间内高发类型的数量与无线网速异频值进行比值计算得到高发异常频析值；通过公式将无线网速异频值TY和高发异常频析值TG进行数值计算得到无线网速异常表现值TK，其中，hy2＞hy1＞0；并且，无线网速异常表现值TK的数值越大，则表明单位时间内的无线网速表现状况越差；将无线网速异常表现值TK与预设无线网速异常表现阈值进行数值比较，若无线网速异常表现值TK超过预设无线网速异常表现阈值，表明单位时间内的无线网速表现状况较差，则生成检析不合格信号。
进一步而言，若无线网速异常表现值未超过预设无线网速异常表现阈值，则事先设定每组无线网速异常类型分别对应一组异常影响值，需要说明的是，异常影响值的取值均大于零；将对应无线网速类型的异类频析值与相应的异常影响值相乘以得到异常类况值，将单位时间内的所有异常类况值进行求和计算得到无线网速检析值，其中，无线网速检析值的数值越大，则表明单位时间内的无线网速表现状况越差；
将无线网速检析值与预设无线网速检析阈值进行数值比较，若无线网速检析值超过预设无线网速检析阈值，表明单位时间内的无线网速表现状况较差，则生成检析不合格信号；若无线网速检析值未超过预设无线网速检析阈值，表明单位时间内的无线网速表现状况较好，则生成检析合格信号。
实施例二：如图2所示，本实施例与实施例1的区别在于，服务器与网络设备诊断模块通信连接，无线网速检析模块将检析不合格信号经服务器发送至网络设备诊断模块，网络设备诊断模块接收到检析不合格信号时对无线网络设备进行诊断分析，通过分析生成网络设备预警信号或网络设备优化信号，且将网络设备预警信号或网络设备优化信号经服务器发送至网络监管端，在接收到网络设备预警信号时及时对无线网络设备进行更换，在接收到网络设备优化信号时及时对无线网络设备进行检修和相应参数优化，从而保证后续的无线网速表现效果；网络设备诊断模块的具体运行过程如下：
采集到无线网络设备的生产日期，将生产日期距离当前日期的间隔时长标记为生产时析值，并采集到无线网络设备进行历史阶段的使用总时长，以及采集到无线网络设备在历史阶段发生故障的次数并将其标记为故障检测值，并在无线网络设备中设定若干个检测点，将任意两组检测点之间的实际距离值与相应初始距离值的偏差值标记为位距检测值，将所有位距检测值进行均值计算得到形变位移评析值；其中，形变位移评析值的数值越大，表明无线网络设备的形变和相应部件的位移越严重，自身状况越差；
且通过网络设备运测分析获取到运检时析值，具体为：采集到无线网络设备中若干个位置处的实时温度，将若干个位置处的实时温度进行均值计算得到网络设备温析值，将网络设备温析值与预设适宜网络设备温析值范围的中值进行差值计算并取绝对值以得到网络设备温表值；且采集到无线网络设备所处环境的环境湿度，将环境湿度与预设适宜环境湿度范围的中值进行差值计算并取绝对值以得到网络设备环湿值；其中，网络设备温表值和网络设备环湿值的数值越大，对无线网络设备带来的损害越大；
以及获取到无线网络设备所处环境的灰尘浓度和电磁干扰强度，并采集到无线网络设备的振动频率和振动幅度，将振动频率和振动幅度进行求和计算得到网络设备振表值；其中，灰尘浓度、电磁干扰强度和网络设备振表值的数值越大，则对无线网络设备带来的损害越大；
通过公式将网络设备温表值WS、网络设备环湿值WD、灰尘浓度WG、电磁干扰强度WY和网络设备振表值WP进行数值计算得到网络设备运析值WF，其中，c1、c2、c3、c4、c5为预设比例系数，c1、c2、c3、c4、c5的取值均大于零；并且，网络设备运析值WF的数值越大，表明对应时刻无线网络设备的运行状况越差；
将网络设备运析值WF与预设网络设备运析阈值进行数值比较，若网络设备运析值WF超过预设网络设备运析阈值，表明对应时刻无线网络设备的运行状况较差，则判断无线网络设备处于运行易损状态；获取到历史阶段无线网络设备处于运行易损状态的总时长，并将其标记为运检时析值QY；
通过公式将生产时析值QF、使用总时长QS、运检时析值QY、故障检测值QG和形变位移评析值QW进行数值计算得到网络设备初诊值QK；其中，e1、e2、e3、e4、e5为预设比例系数，e5＞e4＞e3＞e2＞e1＞0；并且，网络设备初诊值QK的数值越大，则表明无线网络设备的设备状况越差；将网络设备初诊值QK与预设网络设备初诊阈值进行数值比较，若网络设备初诊值QK超过预设网络设备初诊阈值，表明综合而言无线网络设备的设备状况较差，则生成网络设备预警信号。
进一步而言，若网络设备初诊值QK未超过预设网络设备初诊阈值，则获取到无线网络设备的信号实际覆盖面积相较于初始覆盖面积的下降值并将其标记为无线覆盖检测值，且将距离无线网络设备不同距离处的信号强度数据进行均值计算得到网络设备信强值；其中，无线覆盖检测值的数值越小且网络设备信强值的数值越大时，则表明无线网络设备的性能越好；并对无线网络设备进行性能测试以获取到传输速率值、吞吐量数据、丢包率数据和延迟数据；
其中，传输速率值是指无线网络设备在特定时间段内能够传输的最大数据量，吞吐量数据是指无线网络设备在一段时间内成功传输的数据总量，丢包率数据是指数据传输过程中丢失的数据包与总数据包的比例，延迟数据是指无线网络设备在网络中的响应时长大小的数据量值；需要说明的是，传输速率值、吞吐量数据的数值越大且丢包率数据和延迟数据的数值越小时，则表明无线网络设备的性能状况越好；
通过公式将网络设备初诊值QK、无线覆盖检测值HK、网络设备信强值HP、传输速率值HS、吞吐量数据HF、丢包率数据HY和延迟数据HR进行数值计算得到网络设备诊析值HX；其中，b1、b2、b3、b4、b5、b6、b7为预设比例系数，且b1、b2、b3、b4、b5、b6、b7的取值均大于零；并且，网络设备诊析值HX的数值越大，则表明无线网络设备的性能状况综合而言越差；
将网络设备诊析值与预设网络设备诊析阈值进行数值比较，若网络设备诊析值超过预设网络设备诊析阈值，表明无线网络设备的性能状况综合而言较差，需要及时将其报废并更换新的无线网络设备，则生成网络设备预警信号；若网络设备诊析值未超过预设网络设备诊析阈值，表明无线网络设备的性能状况综合而言较好，则生成网络设备优化信号。
实施例三：如图3所示，本实施例与实施例1、实施例2的区别在于，服务器与模型监管决策模块通信连接，模型监管决策模块用于设定决策周期，优选的，决策周期为三十天；采集到AI处理评估模块接收网速待析包的时刻和生成相应分析结果的时刻并将其分别标记为待析时刻和结果时刻，将结果时刻与待析时刻之间的间隔时长标记为处析时长；其中，处析时长的数值越大，表明对应评估分析过程的分析效率越差；将决策周期内的所有处析时长进行均值计算得到处析时况值，将处析时长与预设处析时长阈值进行数值比较，将决策周期内超过预设处析时长阈值的处析时长的数量占比值标记为低效处检值；
采集到决策周期内对网速评估模型进行优化的次数并将其标记为优化频检值，将对网速评估模型进行优化的时刻标记为模型优化时刻，将相邻两组模型优化时刻之间的间隔时长标记为优化间隔时析值；将优化间隔时析值与预设优化间隔时析阈值进行数值比较，若优化间隔时析值超过预设优化间隔时析阈值，则将对应优化间隔时析值标记为高影响间隔时析值，将决策周期内高影响间隔时析值的数量标记为优化影响分析值；
通过公式将处析时况值YP、低效处检值YG、优化频检值YR和优化影响分析值YF进行数值计算得到模型监管决策值YK，其中，a1、a2、a3、a4为预设比例系数，a1、a2、a3、a4的取值均为正数；并且，模型监管决策值YK的数值越大，表明决策周期内针对AI处理评估模块的优化监管表现越差；
将模型监管决策值YK与预设模型监管决策阈值进行数值比较，若模型监管决策值YK超过预设模型监管决策阈值，表明决策周期内针对AI处理评估模块的优化监管表现较差，则生成模型监管不合格信号；若模型监管决策值YK未超过预设模型监管决策阈值，表明决策周期内针对AI处理评估模块的优化监管表现较好，则生成模型监管合格信号；且将模型监管不合格信号经服务器发送至网络监管端，网络监管端接收到模型监管不合格信号时发出相应预警，网络管理人员接收到相应预警时对后续的模型监管规划方案进行调整，加强后续针对AI处理评估模块的优化监管，以保证AI处理评估模块的处理效率和处理效果。
本发明的工作原理：使用时，通过数据采集打包模块实时采集无线网络的数据流量信息，对所采集的数据流量信息进行打包以生成网速待析包，AI处理评估模块将网速待析包输入至无线网速评估模型中，无线网速评估模型基于网速待析包对无线网速进行评估分析以识别无线网络所存在的异常，能够自动、快速、准确地评估无线网速，提高了无线网络管理的效率和精度，有助于网络监管人员及时有效的完成网络优化工作；且通过无线网速检析模块对单位时间内所接收的异常信息进行分析，通过分析以生成检析不合格信号或检析合格信号，在生成检析不合格信号时通过网络设备诊断模块对无线网络设备进行诊断分析，通过分析生成网络设备预警信号或网络设备优化信号，在生成网络设备预警信号时对无线网络设备进行更换，在生成网络设备优化信号时对无线网络设备进行检修和相应参数优化，有效保证后续的无线网速表现效果，智能化程度高，显著减小网络监管人员的管理难度。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。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 (6)
1.一种基于人工智能的无线网速智能化评估系统，其特征在于，包括服务器、数据采集打包模块、AI处理评估模块、无线网速检析模块、网络设备诊断模块和网络监管端；数据采集打包模块通过与无线网络设备的接口进行数据交互，实时采集无线网络的数据流量信息，并对所采集的数据流量信息进行打包以生成网速待析包，且将网速待析包经服务器发送至AI处理评估模块；
AI处理评估模块用于生成无线网速评估模型，将网速待析包输入至无线网速评估模型中，无线网速评估模型基于网速待析包对无线网速进行评估分析以识别无线网络所存在的异常，且将所识别出的异常信息经服务器发送至无线网速检析模块和网络监管端；
无线网速检析模块对单位时间内所接收的异常信息进行分析，通过分析以生成检析不合格信号或检析合格信号，且将检析不合格信号经服务器发送至网络设备诊断模块和网络监管端；网络设备诊断模块接收到检析不合格信号时对无线网络设备进行诊断分析，通过分析生成网络设备预警信号或网络设备优化信号，且将网络设备预警信号或网络设备优化信号经服务器发送至网络监管端；
无线网速检析模块的具体分析过程包括：
获取到单位时间内AI处理评估模块发送的所有异常信息，将异常信息的生成时刻标记为捕异时刻，将相邻两组捕异时刻之间的间隔时长标记为捕异间隔时析值；将单位时间内的所有捕异间隔时长进行求和计算并取均值以得到捕异时检值，将单位时间内未超过预设捕异时析阈值的捕异间隔时析值的数量标记为捕异时析数检值，将捕异时检值和捕异时析数检值与预设捕异时检阈值和预设捕异时析数检阈值分别进行数值比较，若捕异时检值未超过预设捕异时检阈值或捕异时析数检值超过预设捕异时析数检阈值，则生成检析不合格信号；
若捕异时检值超过预设捕异时检阈值且捕异时析数检值未超过预设捕异时析数检阈值，则对单位时间内发生的所有异常状况进行分类，将单位时间内对应无线网速异常类型的异常发生次数标记为异类频析值；将异类频析值与相应无线网速异常类型的预设异类频析阈值进行数值比较，若异类频析值超过预设异类频析阈值，则将对应无线网速异常类型标记为高发类型；
获取到单位时间内所存在的无线网速异常类型的数量并将其标记为无线网速异频值，将单位时间内高发类型的数量与无线网速异频值进行比值计算得到高发异常频析值；将无线网速异频值和高发异常频析值进行数值计算得到无线网速异常表现值，若无线网速异常表现值超过预设无线网速异常表现阈值，则生成检析不合格信号；
若无线网速异常表现值未超过预设无线网速异常表现阈值，则事先设定每组无线网速异常类型分别对应一组异常影响值，将对应无线网速类型的异类频析值与相应的异常影响值相乘以得到异常类况值；将单位时间内的所有异常类况值进行求和计算得到无线网速检析值，若无线网速检析值超过预设无线网速检析阈值，则生成检析不合格信号；若无线网速检析值未超过预设无线网速检析阈值，则生成检析合格信号。
2.根据权利要求1所述的一种基于人工智能的无线网速智能化评估系统，其特征在于，无线网速评估模型的生成过程如下：
深度学习模型构建：根据无线网络的特点和评估需求，AI处理模块选定相匹配的深度学习算法和模型结构，并据此构建无线网速评估模型；
模型训练：对无线网速评估模型进行训练，无线网速评估模型在训练过程中从历史数据中提取有用的特征和模式，以最小化预测误差为目标进行优化；
模型验证与调优：在模型训练完成后，使用验证集对无线网速评估模型进行验证，评估其在未见过的数据上的性能，并根据验证结果对无线网速评估模型进行调优，提高无线网速评估模型的泛化能力。
3.根据权利要求1所述的一种基于人工智能的无线网速智能化评估系统，其特征在于，网络设备诊断模块的具体运行过程包括：
采集到无线网络设备的生产日期，将生产日期距离当前日期的间隔时长标记为生产时析值，并采集到无线网络设备进行历史阶段的使用总时长，且通过网络设备运测分析获取到运检时析值；以及采集到无线网络设备在历史阶段发生故障的次数并将其标记为故障检测值，并在无线网络设备中设定若干个检测点，将任意两组检测点之间的实际距离值与相应初始距离值的偏差值标记为位距检测值，将所有位距检测值进行均值计算得到形变位移评析值；
将生产时析值、使用总时长、运检时析值、故障检测值和形变位移评析值进行数值计算得到网络设备初诊值；若网络设备初诊值超过预设网络设备初诊阈值，则生成网络设备预警信号。
4.根据权利要求3所述的一种基于人工智能的无线网速智能化评估系统，其特征在于，网络设备运测分析的具体分析过程如下：
采集到无线网络设备中若干个位置处的实时温度，将若干个位置处的实时温度进行均值计算得到网络设备温析值，将网络设备温析值与预设适宜网络设备温析值范围的中值进行差值计算并取绝对值以得到网络设备温表值；且采集到无线网络设备所处环境的环境湿度，将环境湿度与预设适宜环境湿度范围的中值进行差值计算并取绝对值以得到网络设备环湿值；
以及获取到无线网络设备所处环境的灰尘浓度和电磁干扰强度，并采集到无线网络设备的振动频率和振动幅度，将振动频率和振动幅度进行求和计算得到网络设备振表值；将网络设备温表值、网络设备环湿值、灰尘浓度、电磁干扰强度和网络设备振表值进行数值计算得到网络设备运析值，若网络设备运析值超过预设网络设备运析阈值，则判断无线网络设备处于运行易损状态；获取到历史阶段无线网络设备处于运行易损状态的总时长，并将其标记为运检时析值。
5.根据权利要求3所述的一种基于人工智能的无线网速智能化评估系统，其特征在于，若网络设备初诊值未超过预设网络设备初诊阈值，则获取到无线网络设备的信号实际覆盖面积相较于初始覆盖面积的下降值并将其标记为无线覆盖检测值，且将距离无线网络设备不同距离处的信号强度数据进行均值计算得到网络设备信强值；
并对无线网络设备进行性能测试以获取到传输速率值、吞吐量数据、丢包率数据和延迟数据，将网络设备初诊值、无线覆盖检测值、网络设备信强值、传输速率值、吞吐量数据、丢包率数据和延迟数据进行数值计算得到网络设备诊析值；若网络设备诊析值超过预设网络设备诊析阈值，则生成网络设备预警信号；若网络设备诊析值未超过预设网络设备诊析阈值，则生成网络设备优化信号。
6.根据权利要求1所述的一种基于人工智能的无线网速智能化评估系统，其特征在于，服务器与模型监管决策模块通信连接，模型监管决策模块用于设定决策周期，采集到AI处理评估模块接收网速待析包的时刻和生成相应分析结果的时刻并将其分别标记为待析时刻和结果时刻，将结果时刻与待析时刻之间的间隔时长标记为处析时长；将决策周期内的所有处析时长进行均值计算得到处析时况值，将决策周期内超过预设处析时长阈值的处析时长的数量占比值标记为低效处检值；
采集到决策周期内对网速评估模型进行优化的次数并将其标记为优化频检值，将对网速评估模型进行优化的时刻标记为模型优化时刻，将相邻两组模型优化时刻之间的间隔时长标记为优化间隔时析值；将优化间隔时析值与预设优化间隔时析阈值进行数值比较，若优化间隔时析值超过预设优化间隔时析阈值，则将对应优化间隔时析值标记为高影响间隔时析值，将决策周期内高影响间隔时析值的数量标记为优化影响分析值；
将处析时况值、低效处检值、优化频检值和优化影响分析值进行数值计算得到模型监管决策值，若模型监管决策值超过预设模型监管决策阈值，则生成模型监管不合格信号；若模型监管决策值未超过预设模型监管决策阈值，则生成模型监管合格信号；且将模型监管不合格信号经服务器发送至网络监管端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410035851.3A CN117544998B (zh) | 2024-01-10 | 2024-01-10 | 一种基于人工智能的无线网速智能化评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410035851.3A CN117544998B (zh) | 2024-01-10 | 2024-01-10 | 一种基于人工智能的无线网速智能化评估系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117544998A CN117544998A (zh) | 2024-02-09 |
| CN117544998B true CN117544998B (zh) | 2024-03-29 |
Family
ID=89782707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410035851.3A Active CN117544998B (zh) | 2024-01-10 | 2024-01-10 | 一种基于人工智能的无线网速智能化评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117544998B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787667B (zh) * | 2024-02-26 | 2024-05-17 | 济南高品伟业信息科技有限公司 | 一种基于多源数据的能源状况监控管理系统 |
| CN118138316B (zh) * | 2024-03-12 | 2024-09-13 | 山东九州信泰信息科技股份有限公司 | 一种基于网络安全服务的数据处理方法及系统 |
| CN118101331B (zh) * | 2024-04-22 | 2024-07-12 | 山东鼎夏智能科技有限公司 | 一种计算机网络安全监测系统及方法 |
| CN118473961B (zh) * | 2024-07-09 | 2024-10-18 | 四川航天职业技术学院(四川航天高级技工学校) | 基于人工智能算法的网络设备管理方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005037293A (ja) * | 2003-07-17 | 2005-02-10 | Hitachi Building Systems Co Ltd | 異常診断方法 |
| WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
| JP2017010341A (ja) * | 2015-06-24 | 2017-01-12 | 株式会社催合 | 事故情報管理システムおよび車両用制御装置 |
| CN114726802A (zh) * | 2022-03-31 | 2022-07-08 | 山东省计算中心（国家超级计算济南中心） | 一种基于不同数据维度的网络流量识别方法及装置 |
| CN115686899A (zh) * | 2022-10-12 | 2023-02-03 | 深圳市华曦达科技股份有限公司 | 一种终端异常捕获分析方法和装置 |
| CN116601575A (zh) * | 2020-11-10 | 2023-08-15 | 环球晶圆股份有限公司 | 使用阶层式预测及复合阈值增强机器学习的系统及方法 |
| CN116781560A (zh) * | 2023-06-16 | 2023-09-19 | 安徽诺达佳智能制造科技有限公司 | 基于人工智能的工控机远程智能控制系统 |
| CN117336055A (zh) * | 2023-10-08 | 2024-01-02 | 深圳市马博士网络科技有限公司 | 一种网络异常行为检测方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11310259B2 (en) * | 2019-10-25 | 2022-04-19 | Bank Of America Corporation | Cybersecurity architectural network based on artificial intelligence |
-
2024
- 2024-01-10 CN CN202410035851.3A patent/CN117544998B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005037293A (ja) * | 2003-07-17 | 2005-02-10 | Hitachi Building Systems Co Ltd | 異常診断方法 |
| WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
| JP2017010341A (ja) * | 2015-06-24 | 2017-01-12 | 株式会社催合 | 事故情報管理システムおよび車両用制御装置 |
| CN116601575A (zh) * | 2020-11-10 | 2023-08-15 | 环球晶圆股份有限公司 | 使用阶层式预测及复合阈值增强机器学习的系统及方法 |
| CN114726802A (zh) * | 2022-03-31 | 2022-07-08 | 山东省计算中心（国家超级计算济南中心） | 一种基于不同数据维度的网络流量识别方法及装置 |
| CN115686899A (zh) * | 2022-10-12 | 2023-02-03 | 深圳市华曦达科技股份有限公司 | 一种终端异常捕获分析方法和装置 |
| CN116781560A (zh) * | 2023-06-16 | 2023-09-19 | 安徽诺达佳智能制造科技有限公司 | 基于人工智能的工控机远程智能控制系统 |
| CN117336055A (zh) * | 2023-10-08 | 2024-01-02 | 深圳市马博士网络科技有限公司 | 一种网络异常行为检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 一种基于主机实时流量的安全评估方法;姚婷婷;郑庆华;管晓宏;陈秀真;;西安交通大学学报;20060420(04);全文 * |
| 基于异常数据模式的系统运行评估技术研究;杨军;代宇涵;王阳;胡松涛;;电子测量技术;20200808(15);全文 * |
| 无线局域网测试及评估模型的研究;陈静;王美芳;司纪峰;;计算机应用研究;20060910(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117544998A (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117544998B (zh) | 一种基于人工智能的无线网速智能化评估系统 | |
| CN108375476B (zh) | 一种水电机组健康评估方法 | |
| CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
| CN113112635B (zh) | 一种智能设备用常规巡检系统 | |
| CN111125895B (zh) | 一种风力发电机整机服役功率特性在线评估方法 | |
| CN110469496B (zh) | 一种水泵智能预警方法及系统 | |
| CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
| CN116800199A (zh) | 一种分布式光伏运行电能质量监测与分析方法 | |
| US20230118175A1 (en) | Event analysis in an electric power system | |
| CN117548911A (zh) | 一种基于人工智能的连接器焊接智能监管系统 | |
| CN116032692A (zh) | 一种智能物联网关以及基于智能物联网关的物联网系统 | |
| CN117784668A (zh) | 一种基于数据分析的面粉产线加工安全智能监管系统 | |
| CN117348557B (zh) | 一种自动化控制系统及控制方法 | |
| CN118167563A (zh) | 基于scada的风机控制参数异常检测方法及系统 | |
| CN117200060B (zh) | 基于新能源电厂的智能巡检方法及系统 | |
| CN116300969B (zh) | 一种移动机器人的路径跟踪方法 | |
| CN117176466A (zh) | 一种信息通信技术安全监测系统及其监测方法 | |
| CN111623905A (zh) | 风电机组轴承温度预警方法及装置 | |
| CN115640980A (zh) | 基于目标控制的电网工程造价动态管理系统 | |
| CN101464224B (zh) | 气压沉箱设备性能检测系统 | |
| CN111950853B (zh) | 一种基于信息物理双侧数据的电力运行状态白名单生成方法 | |
| CN111064783A (zh) | 一种数据采集装置及方法 | |
| CN111476383A (zh) | 一种泵站机组状态检修动态决策方法 | |
| CN118367682B (zh) | 一种电气设备智能状态识别调控方法及系统 | |
| CN118427534B (zh) | 一种基于物联网的建造大型设备故障预警系统 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240528 Address after: 202, Building 1, China Europe Science and Technology Innovation Park, No. 67, Taihong Road, High tech Zone, Qingdao, Shandong 266000 Patentee after: Qingdao Luobin Communication Co.,Ltd. Country or region after: China Patentee after: CHONGQING LUOBIN INFORMATION TECHNOLOGY CO.,LTD. Address before: 202, Building 1, China Europe Science and Technology Innovation Park, No. 67, Taihong Road, High tech Zone, Qingdao, Shandong 266000 Patentee before: Qingdao Luobin Communication Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |