CN117560701B - 一种无线路由器的远程管理方法及系统 - Google Patents
一种无线路由器的远程管理方法及系统 Download PDFInfo
- Publication number
- CN117560701B CN117560701B CN202410048854.0A CN202410048854A CN117560701B CN 117560701 B CN117560701 B CN 117560701B CN 202410048854 A CN202410048854 A CN 202410048854A CN 117560701 B CN117560701 B CN 117560701B
- Authority
- CN
- China
- Prior art keywords
- data
- bandwidth
- generate
- router
- analysis
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 97
- 230000005540 biological transmission Effects 0.000 claims abstract description 165
- 238000004458 analytical method Methods 0.000 claims abstract description 111
- 238000005457 optimization Methods 0.000 claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000002955 isolation Methods 0.000 claims description 64
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 230000000737 periodic effect Effects 0.000 claims description 19
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 18
- 238000013433 optimization analysis Methods 0.000 claims description 18
- 238000013461 design Methods 0.000 claims description 15
- 230000001052 transient effect Effects 0.000 claims description 15
- 238000012300 Sequence Analysis Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000000547 structure data Methods 0.000 claims description 5
- 238000005206 flow analysis Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 24
- 230000003044 adaptive effect Effects 0.000 description 16
- 230000008859 change Effects 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013439 planning Methods 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- 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
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
- H04W12/121—Wireless intrusion detection systems [WIDS]; Wireless intrusion prevention systems [WIPS]
- H04W12/122—Counter-measures against attacks; Protection against rogue devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
- H04W12/126—Anti-theft arrangements, e.g. protection against subscriber identity module [SIM] cloning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
- H04W28/20—Negotiating bandwidth
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及路由器管理技术领域,尤其涉及一种无线路由器的远程管理方法及系统。该方法包括以下步骤:获取路由器运行数据;对路由器运行数据进行运行状态分析,以生成运行状态特征数据;基于运行状态特征数据对路由器运行数据进行流量模式分析,生成流量模式数据;根据流量模式数据对运行状态特征数据进行数据传输延迟分析,生成数据传输延迟数据;通过数据传输延迟数据对路由器运行数据进行带宽性能评估处理,以生成带宽性能数据;根据带宽性能数据对路由器运行数据进行负载均衡分析,以生成负载均衡数据;根据负载均衡数据对带宽性能数据进行边缘计算,以生成边缘资源优化数据。本发明实现了高效、准确的路由器管理。
Description
技术领域
本发明涉及路由器管理技术领域,尤其涉及一种无线路由器的远程管理方法及系统。
背景技术
随着无线网络技术的快速发展,无线路由器被广泛应用于各种场景,为用户提供高速、稳定的网络连接,然而,在实际应用中,管理和监控大量分布在不同地点的无线路由器变得越来越具有挑战性,传统的路由器管理方法需要物理接入到每个路由器来进行配置和监控,这种方式效率低下管理准确性较低。
发明内容
本发明为解决上述技术问题,有必要提出一种无线路由器的远程管理方法及系统,以解决至少一个上述技术问题。
为实现上述目的,本发明提供一种无线路由器的远程管理方法,包括以下步骤:
步骤S1:获取路由器运行数据;对路由器运行数据进行运行状态分析,以生成运行状态特征数据;基于运行状态特征数据对路由器运行数据进行流量模式分析,生成流量模式数据;
步骤S2:根据流量模式数据对运行状态特征数据进行数据传输延迟分析,生成数据传输延迟数据;通过数据传输延迟数据对路由器运行数据进行带宽性能评估处理,以生成带宽性能数据;
步骤S3:根据带宽性能数据对路由器运行数据进行负载均衡分析,以生成负载均衡数据;
根据负载均衡数据对带宽性能数据进行边缘计算,以生成边缘资源优化数据;
步骤S4:根据边缘资源优化数据对带宽性能数据进行动态传输路径优化分析,以生成动态传输路径;通过动态传输路径对路由器运行数据进行驱动资源负载趋势预测,以生成负载趋势预测数据;
步骤S5:通过负载趋势预测数据对带宽性能数据进行自适应带宽优化调整处理,构建自适应带宽分配策略;对运行状态特征数据进行网络安全分析,以生成网络安全数据;
步骤S6:根据网络安全数据对网络设备进行虚拟网络隔离设计,构建设备隔离虚拟网络;对自适应带宽分配策略及设备隔离虚拟网络进行智能模型膨胀卷积,以构建智能管理模型,执行路由器远程管理作业。
本发明通过分析路由器的运行状态,例如CPU使用率、内存使用率、连接数等,可以了解路由器当前的性能状态和负载情况,分析路由器的流量模式,包括流量的大小、方向、协议等信息,可以帮助了解网络中的数据流动情况,识别出异常流量或特定应用的流量模式,分析数据在路由器中的传输延迟,包括网络延迟、排队延迟、处理延迟等,可以评估数据传输的效率和速度,通过对数据传输延迟数据进行处理,可以评估路由器的带宽性能,包括带宽利用率、吞吐量、延迟等指标,以了解路由器的性能表现,分析路由器的负载情况,包括流量分布、负载均衡算法等,可以实现流量的均衡分配,提高网络的整体性能和可靠性,通过对负载均衡数据进行边缘计算,优化带宽资源的利用,提高数据处理的效率和响应速度,以满足不同应用场景的需求,根据边缘资源优化数据,优化数据传输的路径选择,使数据能够以更快速度和更低延迟进行传输,通过对动态传输路径的分析,预测路由器的资源负载趋势,包括带宽利用率、流量变化等,以提前做出资源调配和网络优化的决策,以满足未来的需求,根据负载趋势预测数据,自动调整带宽的分配策略,使得网络资源能够按需分配,提高带宽利用率和性能,通过对运行状态特征数据进行网络安全分析,识别潜在的安全威胁和异常行为,生成网络安全数据,以保护网络的安全性和数据的完整性,根据网络安全数据,设计虚拟网络隔离方案,将不同设备或用户的流量隔离开,提高网络的安全性和隐私保护,对自适应带宽分配策略、设备隔离虚拟网络等进行智能模型膨胀卷积,构建智能管理模型,实现对路由器的远程管理和自动化操作,提高管理效率和网络性能。
在本说明书中,还提供了一种无线路由器的远程管理系统,用于执行如上所述的无线路由器的远程管理方法,包括:
运行状态模块,用于获取路由器运行数据;对路由器运行数据进行运行状态分析,以生成运行状态特征数据;基于运行状态特征数据对路由器运行数据进行流量模式分析,生成流量模式数据;
带宽性能模块,用于根据流量模式数据对运行状态特征数据进行数据传输延迟分析,生成数据传输延迟数据;通过数据传输延迟数据对路由器运行数据进行带宽性能评估处理,以生成带宽性能数据;
边缘计算模块,用于根据带宽性能数据对路由器运行数据进行负载均衡分析,以生成负载均衡数据;根据负载均衡数据对带宽性能数据进行边缘计算,以生成边缘资源优化数据;
负载趋势预测模块,用于根据边缘资源优化数据对带宽性能数据进行动态传输路径优化分析,以生成动态传输路径;通过动态传输路径对路由器运行数据进行驱动资源负载趋势预测,以生成负载趋势预测数据;
带宽分配模块,用于通过负载趋势预测数据对带宽性能数据进行自适应带宽优化调整处理,构建自适应带宽分配策略;对运行状态特征数据进行网络安全分析,以生成网络安全数据;
智能管理模型模块,用于根据网络安全数据对网络设备进行虚拟网络隔离设计,构建设备隔离虚拟网络;对自适应带宽分配策略及设备隔离虚拟网络进行智能模型膨胀卷积,以构建智能管理模型,执行路由器远程管理作业。
本发明通过构建无线路由器的远程管理系统,通过获取路由器的运行数据并进行运行状态分析,生成运行状态特征数据,这有助于了解路由器的性能、状态和健康状况,提供基础数据用于后续的分析和优化,根据流量模式数据对运行状态特征数据进行数据传输延迟分析,生成数据传输延迟数据,通过数据传输延迟数据对路由器运行数据进行带宽性能评估处理,生成带宽性能数据,这有助于评估路由器的带宽性能,确定其在数据传输过程中的延迟情况,为带宽优化提供依据,根据带宽性能数据对路由器运行数据进行负载均衡分析,生成负载均衡数据,根据负载均衡数据对带宽性能数据进行边缘计算,生成边缘资源优化数据,这有助于分析路由器的负载情况,确定如何平衡负载以提高资源利用效率,并进行边缘计算优化,进一步优化网络性能,根据边缘资源优化数据对带宽性能数据进行动态传输路径优化分析,生成动态传输路径,通过动态传输路径对路由器运行数据进行驱动资源负载趋势预测,生成负载趋势预测数据,这有助于预测和识别路由器负载的趋势,提前调整资源分配和传输路径,以满足未来的负载需求,并优化网络的性能和可靠性,通过负载趋势预测数据对带宽性能数据进行自适应带宽优化调整处理,构建自适应带宽分配策略,这有助于根据实时的负载趋势和需求,动态调整带宽分配,确保资源的合理利用和满足网络性能要求,对运行状态特征数据进行网络安全分析,生成网络安全数据,这有助于检测和评估网络中的安全威胁、漏洞或异常行为,提供有效的安全预警和响应措施,保障网络的安全性和可信度,根据网络安全数据对网络设备进行虚拟网络隔离设计,构建设备隔离虚拟网络,通过对自适应带宽分配策略及设备隔离虚拟网络进行智能模型膨胀卷积,构建智能管理模型,并执行路由器远程管理作业,这有助于自动化地识别和解决网络问题,提高管理效率和网络运行的智能化水平。
附图说明
图1为本发明一种无线路由器的远程管理方法的步骤流程示意图;
图2为步骤S1的详细实施步骤流程示意图;
图3为步骤S2的详细实施步骤流程示意图;
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本申请实例提供一种无线路由器的远程管理方法及系统。所述无线路由器的远程管理方法及系统的执行主体包括但不限于搭载该系统的:机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点,所述数据处理平台包括但不限于:音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4,本发明提供一种无线路由器的远程管理方法,所述无线路由器的远程管理方法包括以下步骤:
步骤S1:获取路由器运行数据;对路由器运行数据进行运行状态分析,以生成运行状态特征数据;基于运行状态特征数据对路由器运行数据进行流量模式分析,生成流量模式数据;
步骤S2:根据流量模式数据对运行状态特征数据进行数据传输延迟分析,生成数据传输延迟数据;通过数据传输延迟数据对路由器运行数据进行带宽性能评估处理,以生成带宽性能数据;
步骤S3:根据带宽性能数据对路由器运行数据进行负载均衡分析,以生成负载均衡数据;
根据负载均衡数据对带宽性能数据进行边缘计算,以生成边缘资源优化数据;
步骤S4:根据边缘资源优化数据对带宽性能数据进行动态传输路径优化分析,以生成动态传输路径;通过动态传输路径对路由器运行数据进行驱动资源负载趋势预测,以生成负载趋势预测数据;
步骤S5:通过负载趋势预测数据对带宽性能数据进行自适应带宽优化调整处理,构建自适应带宽分配策略;对运行状态特征数据进行网络安全分析,以生成网络安全数据;
步骤S6:根据网络安全数据对网络设备进行虚拟网络隔离设计,构建设备隔离虚拟网络;对自适应带宽分配策略及设备隔离虚拟网络进行智能模型膨胀卷积,以构建智能管理模型,执行路由器远程管理作业。
本发明通过分析路由器的运行状态,例如CPU使用率、内存使用率、连接数等,可以了解路由器当前的性能状态和负载情况,分析路由器的流量模式,包括流量的大小、方向、协议等信息,可以帮助了解网络中的数据流动情况,识别出异常流量或特定应用的流量模式,分析数据在路由器中的传输延迟,包括网络延迟、排队延迟、处理延迟等,可以评估数据传输的效率和速度,通过对数据传输延迟数据进行处理,可以评估路由器的带宽性能,包括带宽利用率、吞吐量、延迟等指标,以了解路由器的性能表现,分析路由器的负载情况,包括流量分布、负载均衡算法等,可以实现流量的均衡分配,提高网络的整体性能和可靠性,通过对负载均衡数据进行边缘计算,优化带宽资源的利用,提高数据处理的效率和响应速度,以满足不同应用场景的需求,根据边缘资源优化数据,优化数据传输的路径选择,使数据能够以更快速度和更低延迟进行传输,通过对动态传输路径的分析,预测路由器的资源负载趋势,包括带宽利用率、流量变化等,以提前做出资源调配和网络优化的决策,以满足未来的需求,根据负载趋势预测数据,自动调整带宽的分配策略,使得网络资源能够按需分配,提高带宽利用率和性能,通过对运行状态特征数据进行网络安全分析,识别潜在的安全威胁和异常行为,生成网络安全数据,以保护网络的安全性和数据的完整性,根据网络安全数据,设计虚拟网络隔离方案,将不同设备或用户的流量隔离开,提高网络的安全性和隐私保护,对自适应带宽分配策略、设备隔离虚拟网络等进行智能模型膨胀卷积,构建智能管理模型,实现对路由器的远程管理和自动化操作,提高管理效率和网络性能。
本发明实施例中,参考图1所示,为本发明一种无线路由器的远程管理方法的步骤流程示意图,在本实例中,所述无线路由器的远程管理方法包括以下步骤:
步骤S1:获取路由器运行数据;对路由器运行数据进行运行状态分析,以生成运行状态特征数据;基于运行状态特征数据对路由器运行数据进行流量模式分析,生成流量模式数据;
本实施例中,收集路由器的相关运行数据,包括但不限于CPU利用率、内存利用率、网络接口流量、接口丢包率等,这些数据可以通过路由器的监控系统、SNMP协议或其他网络管理工具获取对获取的路由器运行数据进行分析,识别出关键的运行状态特征,运行状态特征可以包括CPU利用率的波动情况、内存利用率的变化趋势、网络接口流量的峰值等,基于运行状态分析的结果,将路由器运行数据转化为运行状态特征数据,运行状态特征数据是对路由器运行状态的抽象和总结,可以是一组数值、向量或其他形式的数据表示,流量模式分析旨在识别出路由器运行中的不同流量模式,例如高峰时段、低峰时段、周期性波动等,基于流量模式分析的结果,将路由器运行数据转化为流量模式数据流量模式数据描述了不同时间段内的流量情况,可以是时间序列数据、频谱分布数据等形式。
步骤S2:根据流量模式数据对运行状态特征数据进行数据传输延迟分析,生成数据传输延迟数据;通过数据传输延迟数据对路由器运行数据进行带宽性能评估处理,以生成带宽性能数据;
本实施例中,利用生成的流量模式数据和运行状态特征数据,进行数据传输延迟分析,数据传输延迟分析的目标是评估数据在路由器中传输过程中的延迟情况,包括传输时延、队列延迟、处理延迟等,通过分析数据传输延迟,可以了解路由器在不同流量模式下的性能表现,基于数据传输延迟分析的结果,将运行状态特征数据转化为数据传输延迟数据,数据传输延迟数据可以是一组数值、时间序列数据或其他形式的数据表示,反映了不同流量模式下的数据传输延迟情况,带宽性能评估处理的目标是了解路由器在不同流量模式下的带宽利用情况、传输效率等,可以计算带宽利用率、数据传输速率、丢包率等指标来评估路由器的带宽性能,基于带宽性能评估处理的结果,将路由器运行数据转化为带宽性能数据,带宽性能数据描述了路由器在不同流量模式下的带宽利用情况和传输性能,可以是数值、指标或其他形式的数据表示。
步骤S3:根据带宽性能数据对路由器运行数据进行负载均衡分析,以生成负载均衡数据;
根据负载均衡数据对带宽性能数据进行边缘计算,以生成边缘资源优化数据;
本实施例中,利用生成的带宽性能数据,对路由器的运行数据进行负载均衡分析,可以使用负载均衡算法、流量统计分析、队列分析等方法来分析带宽性能数据,了解路由器的负载状态,基于负载均衡分析的结果,将带宽性能数据转化为负载均衡数据,负载均衡数据可以是一组数值、图表、指标或其他形式的数据表示,反映了路由器各个部分的负载情况和分布,边缘计算的目标是在路由器边缘进行资源优化,提高网络性能和效率,可以使用边缘计算算法、优化模型、自动化工具等方法来对带宽性能数据进行处理和优化,以提高资源利用和性能,基于边缘计算的结果,将带宽性能数据转化为边缘资源优化数据,边缘资源优化数据描述了通过边缘计算优化后的带宽性能数据,可以是数值、指标、图表或其他形式的数据表示。
步骤S4:根据边缘资源优化数据对带宽性能数据进行动态传输路径优化分析,以生成动态传输路径;通过动态传输路径对路由器运行数据进行驱动资源负载趋势预测,以生成负载趋势预测数据;
本实施例中,利用生成的边缘资源优化数据,对带宽性能数据进行动态传输路径优化分析,动态传输路径优化分析的目标是评估网络中不同节点或路径的带宽利用情况,并优化传输路径以提高网络性能和效率,可以使用路由算法、链路负载均衡、拓扑分析等方法来分析边缘资源优化数据,找到最佳的传输路径,基于动态传输路径优化分析的结果,将带宽性能数据转化为动态传输路径,动态传输路径可以是一组路径、指示器、配置信息或其他形式的数据表示,描述了优化后的传输路径和节点之间的关系,利用生成的动态传输路径,对路由器的运行数据进行驱动资源负载趋势预测,驱动资源负载趋势预测的目标是通过动态传输路径的变化,预测路由器中各个资源的负载趋势,以便进行资源规划和优化,可以使用时间序列分析、回归模型、机器学习算法等方法来对路由器运行数据进行预测和分析,基于驱动资源负载趋势预测的结果,将路由器运行数据转化为负载趋势预测数据,反映了资源负载的变化趋势和预测结果。
步骤S5:通过负载趋势预测数据对带宽性能数据进行自适应带宽优化调整处理,构建自适应带宽分配策略;对运行状态特征数据进行网络安全分析,以生成网络安全数据;
本实施例中,利用生成的负载趋势预测数据,对带宽性能数据进行自适应带宽优化调整处理,可以使用自适应算法、动态调整策略、流量控制机制等方法来对带宽性能数据进行处理和优化,实现自适应带宽分配策略,基于自适应带宽优化调整处理的结果,构建自适应带宽分配策略,自适应带宽分配策略是一组规则、算法、配置参数或其他形式的描述,用于指导带宽分配的自适应调整,可根据负载趋势预测数据和带宽性能数据的分析结果,制定合适的自适应带宽分配策略,以实现网络的优化和性能改善,网络安全分析的目标是评估网络中的潜在安全风险、威胁和漏洞,并提供相应的安全措施和建议,可以使用入侵检测系统、日志分析工具、漏洞扫描器等方法来对运行状态特征数据进行分析,发现异常活动和潜在的安全威胁,基于网络安全分析的结果,将运行状态特征数据转化为网络安全数据,网络安全数据可以是一组安全事件记录、安全评估报告、风险指标或其他形式的数据表示,反映了网络的安全状态和相关信息。
步骤S6:根据网络安全数据对网络设备进行虚拟网络隔离设计,构建设备隔离虚拟网络;对自适应带宽分配策略及设备隔离虚拟网络进行智能模型膨胀卷积,以构建智能管理模型,执行路由器远程管理作业。
本实施例中,设备隔离虚拟网络的目标是将网络设备分隔到独立的虚拟网络中,以增强网络的安全性和隔离性,可以根据网络设备的功能、安全需求和访问控制策略,设计合适的虚拟网络拓扑和配置,确保设备之间的隔离和安全性,设备隔离虚拟网络可以使用虚拟化技术、网络隔离机制、安全策略配置等方法来实现设备的隔离和虚拟化,确保每个设备被分配到适当的虚拟网络中,并设置相应的访问规则和安全控制策略,以实现设备之间的隔离和安全通信,对自适应带宽分配策略及设备隔离虚拟网络进行智能模型膨胀卷积,智能模型膨胀卷积的目标是利用机器学习和深度学习技术,构建智能管理模型,以优化自适应带宽分配和设备隔离虚拟网络的性能,可以使用膨胀卷积神经网络、递归神经网络、强化学习等方法对自适应带宽分配策略和设备隔离虚拟网络进行建模和优化,智能管理模型可以是一组算法、模型参数、配置规则或其他形式的描述,用于执行路由器远程管理作业和优化网络性能,利用智能管理模型可以自动化执行路由器远程管理任务,如配置更新、性能监控、故障诊断等,并根据模型的学习和优化能力,提供智能化的网络管理和决策支持。
本实施例中,参考图2所述,为步骤S1的详细实施步骤流程示意图,本实施例中,所述步骤S1的详细实施步骤包括:
步骤S11:基于云存储器获取路由器运行数据;
步骤S12:对路由器运行数据进行设备连接状态分析,以生成设备连接状态数据,设备连接状态数据包括设备连接数量数据及设备连接分布数据;
步骤S13:对设备连接状态数据进行端口利用率分析,生成端口利用率数据;
步骤S14:基于端口利用率数据对路由器运行数据进行链路状态分析,以生成链路状态数据;
步骤S15:对端口利用率数据及链路状态数据进行运行状态分析,以生成运行状态特征数据;
步骤S16:基于运行状态特征数据对路由器运行数据进行流量模式分析,生成流量模式数据。
本发明通过云存储器获取路由器运行数据,可以方便地获取到存储在云端的数据,避免了传统方式下的物理连接限制和数据传输的复杂性,分析路由器运行数据中的设备连接信息,可以了解当前连接到路由器的设备数量,帮助评估网络中的设备规模和需求,通过分析设备连接状态,可以了解设备连接在路由器上的分布情况,包括连接的端口、IP地址等信息,帮助识别设备间的网络拓扑结构,通过对设备连接状态数据进行分析,可以计算每个端口的利用率,了解每个端口的负载情况,帮助评估网络中的瓶颈和资源分配情况,通过对端口利用率数据进行分析,可以推断出链路的状态,包括链路的拥塞程度、丢包率等信息,帮助评估网络中的链路质量和性能瓶颈,通过对端口利用率数据和链路状态数据进行分析,可以提取出路由器的运行状态特征,例如CPU使用率、内存使用率、链路负载等信息,帮助评估路由器的性能状态和负载情况,对运行状态特征数据进行分析,可以了解路由器中的流量模式,包括流量的大小、方向、协议等信息,帮助识别出异常流量或特定应用的流量模式,有助于网络管理和安全分析。
本实施例中,在云平台上创建或配置一个适合存储路由器运行数据的云存储器,如对象存储服务,确保配置正确的访问权限和认证凭据,以便路由器能够与云存储器进行通信和数据传输,在路由器上配置相应的数据导出功能或工具,使其能够将运行数据定期导出并发送到云存储器,运行数据可以包括日志文件、监控数据、流量数据等相关信息,从云存储器中获取路由器的运行数据,对获取的数据进行解析,提取与设备连接状态相关的信息,分析解析后的数据,统计路由器上的设备连接数量,可以根据设备的IP地址、MAC地址或其他识别标志来统计连接数量,根据设备连接的IP地址或其他标识,统计每个设备连接的分布情况,根据设备连接的IP地址或其他标识,统计每个设备连接的分布情况,利用率可以根据端口的传输速率、带宽使用情况等指标来计算,将计算得到的端口利用率数据进行整理和记录,可以将端口利用率数据按时间段、端口号或其他维度进行组织和存储,可以根据端口利用率的变化、阈值等指标来判断链路的负载情况和运行状态,将链路状态分析的结果记录为链路状态数据,可以按链路的起始端口、目标端口或其他标识进行组织和存储,根据端口利用率、链路状态、设备连接状态等多个指标来评估路由器的性能和稳定性,结合端口利用率数据和链路状态数据,对路由器的运行状态进行分析,运行状态特征数据包括平均端口利用率、链路负载平衡度、设备连接稳定性等指标,利用运行状态特征数据,对路由器的流量模式进行分析,识别常见的流量模式、流量波动、异常流量行为等,基于流量模式分析的结果,生成相应的流量模式数据。
本实施例中,步骤S16包括以下步骤:
步骤S161:基于运行状态特征数据对路由器运行数据进行流量瞬态突发检测,生成流量瞬态突发数据;
步骤S162:根据流量瞬态突发数据对路由器运行数据进行周期波动识别,以生成流量周期波动数据;
步骤S163:对流量周期波动数据进行流量偏度分析,以生成流量失衡数据;
步骤S164:根据流量失衡数据对流量瞬态突发数据进行流量峰值计算,以生成路由器流量峰值数据;
步骤S165:对流量周期波动数据、流量失衡数据及路由器流量峰值数据进行流量模式分析,生成流量模式数据。
本发明通过收集和分析流量瞬态突发数据,可以深入了解突发事件的发生原因和影响范围,识别并记录路由器中发生的流量突发事件,例如网络拥塞、异常数据传输等,这有助于及时发现和解决网络问题,提高网络的可靠性和稳定性,通过分析流量周期波动数据,确定路由器流量数据中存在的周期性波动模式,例如每天、每周或每月的流量波动,这有助于理解网络流量的周期性特征,并为网络规划、性能优化和容量规划提供指导,通过了解流量失衡数据,可以识别出流量分布不均衡的原因,并采取相应的措施来优化网络资源的分配和利用,以满足不同流量需求的平衡性,通过获取路由器流量的峰值数据,可以确定网络资源的需求峰值,以便对网络资源进行合理规划和配置,这有助于提供足够的带宽和处理能力,以满足网络流量的高峰需求,避免因资源不足而导致的性能下降或故障,通过对流量模式数据的分析,可以检测出异常的流量模式,例如异常的周期波动、严重的不均衡情况或异常高的流量峰值,这有助于及时发现和解决网络问题,并提高网络的稳定性和安全性,通过获取流量模式数据,网络管理人员可以基于对流量的全面了解,做出更准确的决策和规划,例如,调整网络带宽、优化流量分配、制定容量扩展策略等,以提高网络性能和用户体验。
本实施例中,利用运行状态特征数据,检测路由器运行数据中的流量瞬态突发情况,可以使用统计方法、阈值检测或机器学习算法来识别流量瞬态突发事件,将检测到的流量瞬态突发事件记录为流量瞬态突发数据,数据可以包括事件发生时间、持续时间、流量变化幅度等信息,使用时间序列分析方法、频谱分析或模式识别算法来检测周期性波动识别路由器运行数据中的周期性波动,将识别到的周期波动事件记录为流量周期波动数据,通过统计分析、波动幅度比较或其他方法来评估流量的失衡程度,利用流量周期波动数据,分析路由器流量的偏度情况,将流量偏度分析的结果记录为流量失衡数据,根据流量失衡程度、波动幅度或其他指标来确定流量峰值,计算流量瞬态突发事件中的流量峰值,数据可以包括事件发生时间、峰值流量大小、持续时间等信息,综合考虑流量周期波动数据、流量失衡数据和路由器流量峰值数据,进行流量模式分析,可以采用统计分析、机器学习算法或模式识别技术来识别和分类不同的流量模式,数据可以包括流量模式类型、发生时间段、持续时间、模式特征等信息。
本实施例中,参考图3所述,为步骤S2的详细实施步骤流程示意图,本实施例中,所述步骤S2的详细实施步骤包括:
步骤S21:对设备连接状态数据进行网络拓扑结构分析,以生成网络拓扑结构数据;
步骤S22:根据流量模式数据对网络拓扑结构数据进行延迟时序分析,以生成延迟时序数据;
步骤S23:根据延迟时序数据对运行状态特征数据进行数据传输延迟分析,生成数据传输延迟数据;
步骤S24:通过数据传输延迟数据对路由器运行数据进行利用率分布统计处理,生成带宽利用率分布数据;
步骤S25:根据带宽利用率分布数据对路由器运行数据进行带宽性能评估处理,以生成带宽性能数据。
本发明通过对运行状态特征数据进行分析,可以检测出路由器中的流量瞬态突发事件,即流量在短时间内迅速增加或减少的情况,生成相应的突发数据,通过对流量瞬态突发数据进行分析,可以识别出流量的周期性波动,即在一定时间范围内流量的周期性变化情况,生成相应的周期波动数据,通过对流量周期波动数据进行分析,可以计算流量的偏度,即流量分布的不均衡程度,生成相应的流量失衡数据,这有助于发现流量分布不平衡的情况,帮助进行网络流量优化和负载均衡,通过对流量失衡数据进行分析,可以识别出流量的峰值情况,即网络中的最高流量水平,生成相应的流量峰值数据,这有助于了解网络的最高负载情况和容量需求,帮助进行网络规划和性能优化,通过对流量周期波动数据、流量失衡数据和路由器流量峰值数据进行综合分析,可以识别出网络中的流量模式,包括周期性波动、流量失衡和峰值流量等信息,生成相应的流量模式数据,这有助于深入理解网络的流量特征和行为规律,帮助进行网络管理、故障排除和安全分析。
本实施例中,从网络设备或监控系统中获取设备连接状态数据,包括设备之间的连接关系、链路状态等信息,可以使用图论、网络分析算法或拓扑发现技术来构建网络拓扑结构进行网络拓扑结构分析,将分析得到的网络拓扑结构记录为网络拓扑结构数据,通过模拟、仿真或实际测量来估计网络中的数据传输延迟,进行延迟时序分析,数据可以包括延迟时间、延迟变化趋势、延迟异常情况等信息,利用延迟时序数据,对运行状态特征数据中的数据传输延迟进行分析,可以使用统计方法、时序分析或模型建立等技术来评估数据传输延迟情况,基于数据传输延迟数据,对路由器运行数据中的带宽利用率进行统计处理,可以使用频率分布、概率密度函数或直方图等方法来描述带宽利用率的分布情况,利用带宽利用率分布数据,对路由器的带宽性能进行评估处理,可以使用指标分析、模型计算或阈值判定等方法来评估路由器的带宽性能,将评估处理得到的带宽性能记录为带宽性能数据。
本实施例中,步骤251包括以下步骤:
步骤S251:根据带宽利用率分布数据利用路由器带宽利用率峰值计算公式对路由器运行数据进行带宽利用率峰值计算,以生成带宽利用率峰值;
步骤S252:基于带宽利用率峰值对带宽利用率分布数据进行畸形带宽流分析,从而获得带宽畸形流数据;
步骤S253:通过带宽畸形流数据对路由器运行数据进行带宽稳定性分析,以生成带宽稳定性数据;
步骤S254:对带宽利用率峰值、带宽畸形流数据及带宽稳定性数据进行带宽性能评估处理,以生成带宽性能数据。
本发明通过对设备连接状态数据进行分析,可以了解网络中设备之间的连接关系和拓扑结构,生成相应的网络拓扑结构数据,这有助于理解网络的物理布局、设备之间的通信路径和依赖关系,帮助进行网络规划、故障排除和性能优化,通过对流量模式数据和网络拓扑结构数据进行分析,可以计算网络中设备之间的延迟时序,有助于了解网络中的延迟状况、发现潜在的延迟问题和瓶颈,帮助进行网络性能优化和服务质量管理,通过对延迟时序数据和运行状态特征数据进行分析,可以计算数据传输的延迟情况,生成相应的数据传输延迟数据,这有助于评估数据传输的效率和性能,发现延迟问题和性能瓶颈,并提供改进和优化的依据,通过对数据传输延迟数据进行统计处理,可以计算路由器的带宽利用率分布情况,即不同时间段下带宽的使用情况,生成相应的带宽利用率分布数据,这有助于了解网络的带宽负载情况、发现带宽瓶颈和高负载时段,帮助进行带宽规划和性能优化,通过对带宽利用率分布数据进行分析,可以评估路由器的带宽性能,包括带宽的稳定性、吞吐量和响应时间等指标,了解网络的带宽状况、发现带宽性能问题和瓶颈,帮助进行性能优化和容量规划。
本实施例中,利用带宽利用率分布数据,使用路由器带宽利用率峰值计算公式计算路由器的带宽利用率峰值,带宽利用率峰值通常表示网络中的高负载情况,可以用于评估网络的性能和资源利用情况,将计算得到的带宽利用率峰值记录为带宽利用率峰值数据,基于带宽利用率峰值,对带宽利用率分布数据进行畸形带宽流分析,畸形流通常指网络中的异常流量或不正常的数据流,可以通过与峰值进行对比来识别,利用带宽畸形流数据,对路由器的带宽稳定性进行分析,可以通过畸形流的数量、持续时间、对网络性能的影响等指标来评估带宽的稳定性,将分析得到的带宽稳定性记录为带宽稳定性数据,数据可以包括稳定性指标、评估结果、时间段等信息,根据带宽利用率峰值,可以评估路由器的带宽利用率的最高水平。带宽畸形流数据提供高带宽利用率的数据流信息,可以评估路由器在处理这些数据流时的性能。而带宽稳定性数据则提供路由器处理数据时的带宽稳定性信息,可以评估路由器在处理数据时的带宽波动情况。综合考虑带宽利用率峰值、带宽畸形流和带宽稳定性数据,对它们进行带宽性能评估处理,可以使用不同的评估指标和算法来对带宽性能进行评估,例如平均带宽利用率、畸形流比例、带宽稳定性指数等,统计和分析这些数据,综合考虑它们的影响,生成带宽性能数据。
本实施例中,步骤S251中的路由器带宽利用率峰值计算公式具体为:
;
其中,为路由器带宽利用率峰值,/>为CPU利用率,/>为数据传输总流量,/>为内存容量,/>为数据包传输速率,/>为设备连接数,/>为路由器流控率,/>为设备连接丢包率,/>为错误包率,/>为路由器的服务平均速率,/>为路由器数据缓存命中率,/>为设备数据响应效率,/>为带宽计算时间范围。
本发明通过计算内存容量、数据包传输速率和设备连接数的乘积,这反映了路由器能够同时处理的数据包数量,有助于评估路由器的总体处理能力,计算路由器的处理能力相对于可用带宽的占用程度,有助于评估路由器的带宽利用率,取自然对数,可以将带宽利用率的比值转换为更易处理的线性尺度,这有助于简化计算和比较不同路由器的带宽利用率,/>计算数据包传输的速率。较高的流控率意味着路由器可以更有效地控制数据的传输,避免过载和拥塞。因此,较高的流控率可以提高带宽利用率,设备连接丢包率是指在数据传输过程中发生的数据包丢失的比例。丢包率较高表示网络传输中存在问题,如网络拥塞或不稳定的连接。丢包率的增加导致数据重传和降低传输效率,从而降低带宽利用率。因此,较低的设备连接丢包率有助于提高带宽利用率,考虑了路由器流控率、设备连接丢包率和错误包率对带宽利用率的影响。较高的流控率、较低的设备连接丢包率和错误包率可以提高带宽利用率,因为它们有助于提高数据传输的稳定性和可靠性,减少数据的重传和传输延迟,从而提高带宽利用率的效率和性能。通过/>计算路由器的服务平均速率、数据缓存命中率和设备数据响应效率与带宽计算时间范围的比值的自然对数,这反映了路由器服务速率、数据缓存效果和设备响应效率对带宽利用率的综合影响,有助于综合考虑这些因素并量化路由器的带宽利用率。
本实施例中,参考图4所述,为步骤S3的详细实施步骤流程示意图,本实施例中,所述步骤S3的详细实施步骤包括:
步骤S31:对带宽性能数据进行负载需求分析,以生成负载需求数据;
步骤S32:根据负载需求数据对路由器运行数据进行负载争用分析,以生成负载争用设备数据;
步骤S33:根据负载争用设备数据对路由器运行数据进行负载均衡分析,以生成负载均衡数据;
步骤S34:根据负载均衡数据对负载争用设备数据进行边缘节点配对,以生成边缘节点数据;
步骤S35:根据边缘节点数据利用边缘资源优化计算公式对带宽性能数据进行边缘计算,以生成边缘资源优化数据;
本发明通过对带宽性能数据进行分析,可以识别出网络中的负载需求情况,了解网络的负载模式、高负载时段和需求峰值,帮助进行带宽规划和资源调度,通过对负载需求数据进行分析,可以识别出网络中存在负载争用的设备,发现负载高峰和负载均衡问题,帮助进行流量调度和性能优化,通过对负载争用设备数据进行分析,可以评估路由器的负载均衡情况,包括设备之间的负载差异和负载分布情况,生成相应的负载均衡数据,这有助于发现负载不均衡的设备和路径,帮助进行流量调度和性能优化,通过对负载均衡数据进行分析,可以配对负载争用设备,识别出成为边缘节点的设备,生成相应的边缘节点数据,这有助于确定边缘节点的位置和角色,帮助进行负载均衡和资源优化,通过对边缘节点数据和带宽性能数据进行边缘计算,可以评估边缘资源的利用情况和效率,生成相应的边缘资源优化数据,这有助于优化边缘计算资源的分配和利用,提高网络的性能和效率,同时满足负载需求和负载均衡的要求。
本实施例中,对带宽性能数据进行分析,识别出网络中的负载需求,可以使用各种分析方法,如时间序列分析、频谱分析等,来确定负载需求的模式和趋势,将分析得到的负载需求记录为负载需求数据,数据可以包括负载需求的特征、趋势、预测结果等信息,根据负载需求数据,对路由器的运行数据进行负载争用分析,通过比较负载需求和实际运行情况,确定是否存在负载争用的设备和资源,可以使用队列理论、调度算法等方法来分析负载争用情况,将分析得到的负载争用设备记录为负载争用设备数据,根据负载争用设备数据,对路由器的运行数据进行负载均衡分析,通过调整设备的负载分配,优化资源利用,减少负载争用情况,可以使用负载均衡算法、流量调度策略等方法来进行分析和优化,根据负载均衡数据,对负载争用设备进行边缘节点配对,将具有相似负载特征的设备组合在一起,形成边缘节点,将配对得到的边缘节点记录为边缘节点数据,根据边缘节点数据,利用边缘资源优化计算公式对带宽性能数据进行边缘计算,边缘计算可以是将部分计算任务从中心服务器转移到边缘节点进行处理,以减少网络传输延迟和带宽占用,将边缘计算得到的结果记录为边缘资源优化数据。
本实施例中,步骤S35中的边缘资源优化计算公式具体为:
;
其中,为边缘节点资源指数,/>为流量负载量,/>为链路带宽,/>为边缘节点的设备处理能力值,/>为数据延迟值,/>为负载均衡效率,/>为网络抖动频数,/>为数据传输命中率,为数据重用率,/>为边缘节点访问频率,/>为节点并发连接数,/>为数据传输效率因子。
本发明通过取自然对数,可以将大范围的资源值转换为更易处理的线性尺度。这有助于简化计算和比较不同边缘节点的资源指数。计算流量负载量、链路带宽和边缘节点的设备处理能力的乘积。这反映了网络中可用的总处理能力,有助于评估边缘节点的整体资源情况。通过/>计算负载均衡效率趋向无穷大时,网络抖动频数的极限值。这有助于理解负载均衡对网络抖动的最大抑制效果,并为边缘资源优化提供参考。反映了负载均衡对网络抖动的影响程度,有助于考虑负载均衡效果对边缘资源优化的影响,计算数据延迟值、网络抖动频数极限值和数据传输命中率的乘积的平方根,反映了数据延迟、网络抖动和传输命中率对边缘资源优化的综合影响,有助于综合考虑这些因素并量化边缘节点的资源指数。通过/>计算数据重用率和边缘节点访问频率与节点并发连接数的乘积。这反映了数据重用、节点访问和并发连接对边缘资源的占用情况,有助于评估边缘节点的资源利用效率,通过/>计算边缘节点访问频率的立方根与数据传输效率因子的比值的平方根。这反映了边缘节点访问频率和数据传输效率对边缘资源指数的综合影响,有助于综合考虑这些因素并量化边缘节点的资源指数。公式考虑流量负载、链路性能、负载均衡、网络抖动、数据传输效率、数据重用、节点访问频率、并发连接等因素对边缘资源的影响。通过综合计算这些因素,可以得到一个综合的边缘节点资源指数,为边缘资源的优化和管理提供指导和决策依据。
本实施例中,步骤S4包括以下步骤:
步骤S41:对带宽性能数据进行传输链路抖动评估,以生成传输链路抖动数据;
步骤S42:根据负载均衡数据对传输链路抖动数据进行链路负载异常识别,以获取负载异常链路;
步骤S43:根据边缘资源优化数据对负载异常链路进行路由调整,以生成异常链路优化数据;
步骤S44:根据异常链路优化数据对带宽性能数据进行动态传输路径优化分析,以生成动态传输路径;
步骤S45:通过动态传输路径对路由器运行数据进行驱动资源负载趋势预测,以生成负载趋势预测数据;
本发明通过评估带宽性能数据中的传输链路抖动,可以了解网络传输链路的稳定性和可靠性,生成的传输链路抖动数据可以用于后续的链路负载异常识别和优化分析,基于负载均衡数据,对传输链路抖动数据进行分析和识别,可以发现存在负载异常的链路,这有助于定位和识别网络中出现负载过高或异常的链路,为后续的优化提供目标和依据,基于边缘资源优化数据,对负载异常链路进行路由调整,可以优化异常链路的传输路径,改善链路的负载均衡和性能,生成的异常链路优化数据提供了调整后的链路信息,为后续的动态传输路径优化分析提供基础,基于异常链路优化数据,对带宽性能数据进行动态传输路径优化分析,通过优化传输路径,可以提高数据传输的效率和可靠性,降低传输延迟和抖动,生成的动态传输路径数据可以用于后续的负载趋势预测和资源负载优化,基于动态传输路径数据,对路由器运行数据进行资源负载趋势预测,通过预测未来的负载趋势,可以合理规划和分配网络资源,避免资源瓶颈和性能下降,生成的负载趋势预测数据为网络管理提供了预警和优化的依据。
本实施例中,对带宽性能数据进行传输链路抖动评估,通过分析带宽利用的变化情况,检测传输链路上的抖动现象,可以使用时间序列分析、波动性分析等方法来评估传输链路的抖动程度,根据负载均衡数据,对传输链路抖动数据进行链路负载异常识别,通过比较链路的负载均衡状态和传输链路抖动情况,确定是否存在负载异常的链路,可以使用统计方法、异常检测算法等来进行链路负载异常识别,将识别出的负载异常链路记录下来作为负载异常链路数据,根据边缘资源优化数据,对负载异常链路进行路由调整,通过调整链路的传输路径或优化链路资源分配,减少负载异常情况,可以使用路由算法、链路调度策略等方法来进行路由调整,根据异常链路优化数据,对带宽性能数据进行动态传输路径优化分析,通过分析链路调整后的传输路径,评估路径的带宽利用情况和性能,可以使用网络流量模型、路径优化算法等方法来进行分析和优化,将分析得到的动态传输路径记录为动态传输路径数据,数据可以包括路径的标识、带宽利用情况、路径优化指标等信息,获取路由器的运行数据,包括CPU利用率、内存利用率、网络流量等信息,基于动态传输路径和路由器运行数据,进行资源负载趋势的预测,分析传输路径的带宽利用情况和路由器的资源利用情况,预测未来的负载趋势,可以使用时间序列分析、机器学习模型等方法来进行负载趋势预测,根据边缘计算任务的资源需求,评估边缘资源的可用性和适应性,分析边缘节点的处理能力、存储容量、网络带宽等资源,确定是否满足任务要求,根据边缘资源评估的结果,进行边缘资源的优化调整,可以根据任务类型和资源需求,选择合适的边缘节点进行任务分配和资源调度,将优化后的边缘资源情况记录为边缘资源优化数据,数据可以包括边缘节点的标识、任务分配情况、资源利用率等信息。
本实施例中,步骤S5包括以下步骤:
步骤S51:确定负载趋势预测数据大于或等于预设的带宽性能阈值时,则对带宽性能数据进行动态带宽重定位,以生成动态带宽优化数据;
步骤S52:确定负载趋势预测数据小于预设的带宽性能阈值时,则对带宽性能数据进行带宽资源回收处理,以生成动态带宽优化数据;
步骤S53:对动态带宽优化数据进行自适应带宽优化调整处理,构建自适应带宽分配策略;
步骤S54:对运行状态特征数据进行异常行为检测,以生成异常行为数据;
步骤S55:对异常行为数据进行网络安全分析,以生成网络安全数据。
本发明通过对负载趋势预测数据和带宽性能阈值的比较,确定负载趋势超过阈值时的情况,进行动态带宽重定位,生成相应的动态带宽优化数据,这有助于及时调整带宽分配,提供更多的带宽资源以满足高负载需求,优化网络性能和用户体验,通过对负载趋势预测数据和带宽性能阈值的比较,确定负载趋势低于阈值时的情况,进行带宽资源回收处理,生成相应的动态带宽优化数据,这有助于释放闲置的带宽资源,提高资源利用效率,节约成本,并确保在低负载时仍能满足性能需求,通过对动态带宽优化数据进行分析和处理,可以构建自适应的带宽分配策略,这有助于根据实时的负载情况和带宽需求,动态调整带宽分配,使其能够适应网络负载的变化,提高带宽利用效率和网络性能,通过对运行状态特征数据进行分析和检测,可以发现网络中的异常行为,生成相应的异常行为数据,这有助于提前发现和识别潜在的网络故障、攻击或异常操作,加强网络安全防护和风险管理,通过对异常行为数据进行分析和处理,可以进行网络安全分析,生成相应的网络安全数据,这有助于识别和评估网络中存在的安全威胁、漏洞或攻击行为,提供有效的安全预警和响应措施,保障网络的安全性和可信度。
本实施例中,设定预设的带宽性能阈值,用于判断负载趋势预测数据是否达到或超过阈值,获取带宽性能数据,包括当前的带宽利用情况、传输速率等信息,当负载趋势预测数据大于或等于预设的带宽性能阈值时,进行动态带宽重定位,通过调整传输路径、增加带宽资源等方式,优化带宽性能,以提供更好的传输服务,可以使用路由调整算法、动态带宽分配策略等方法来进行带宽重定位,将带宽重定位后的带宽性能情况记录为动态带宽优化数据,设定预设的带宽性能阈值,用于判断负载趋势预测数据是否小于阈值,获取带宽性能数据,包括当前的带宽利用情况、传输速率等信息,当负载趋势预测数据小于预设的带宽性能阈值时,进行带宽资源回收处理,通过释放或减少带宽资源的使用,以降低带宽利用率,以节省资源或应对低负载情况,可以根据实际情况进行带宽资源的回收调整,如关闭部分传输路径、调整带宽分配策略等,将带宽资源回收处理后的带宽性能情况记录为动态带宽优化数据,根据动态带宽优化数据,进行自适应带宽优化调整处理,分析带宽重定位或资源回收后的带宽性能情况,评估优化效果并进行进一步调整,根据自适应带宽优化调整的结果,构建自适应带宽分配策略,确定合适的带宽分配方案,以满足当前负载情况下的传输需求,策略可以包括优化传输路径、动态调整带宽分配比例等,收集系统或网络的运行状态特征数据,包括网络流量、传输延迟、连接数等,对运行状态特征数据进行异常行为检测,使用合适的异常检测算法,如统计方法、机器学习方法等,识别出与正常行为有显著差异的异常情况,将检测到的异常行为记录为异常行为数据,对异常行为数据进行网络安全分析,分析异常行为的原因、影响范围,识别潜在的安全威胁或攻击行为,将网络安全分析的结果记录为网络安全数据,数据可以包括异常行为的分类、安全威胁的级别、建议的安全措施等信息。
本实施例中,步骤S6包括以下步骤:
步骤S61:根据网络安全数据对网络设备进行虚拟网络隔离设计,构建设备隔离虚拟网络;
步骤S62:根据运行状态特征数据对网络设备进行设备节点提取,以生成设备节点;
步骤S63:根据网络安全数据对网络设备进行虚拟网络隔离设计,构建设备隔离虚拟网络;
步骤S64:对自适应带宽分配策略及设备隔离虚拟网络进行智能模型膨胀卷积,以构建智能管理模型,执行路由器远程管理作业。
本发明通过根据网络安全数据进行分析和设计,可以对网络设备进行虚拟网络隔离,构建设备隔离虚拟网络,这有助于将不同的设备或设备组分隔开来,防止潜在的攻击或安全漏洞在网络中的传播,提高网络的安全性和隔离性,保护网络资源和敏感数据的安全,通过对运行状态特征数据进行分析和提取,可以识别和提取出网络中的设备节点,生成相应的设备节点数据,这有助于了解网络拓扑结构,确定网络中的设备节点,并为后续的网络管理和优化提供基础数据和参考依据,通过根据网络安全数据进行分析和设计,可以对网络设备进行虚拟网络隔离,构建设备隔离虚拟网络,这有助于将不同的设备或设备组分隔开来,防止潜在的攻击或安全漏洞在网络中的传播,提高网络的安全性和隔离性,保护网络资源和敏感数据的安全,通过对自适应带宽分配策略和设备隔离虚拟网络进行智能模型膨胀卷积,可以构建智能管理模型,该模型可以利用机器学习和深度学习技术,对网络的状态、性能和安全进行综合分析和预测,提供智能化的网络管理和决策支持,执行路由器远程管理作业时,智能管理模型可以自动化地识别和解决网络问题,优化带宽分配,调整设备隔离,提高网络的运行效率和安全性。
本实施例中,分析网络安全数据,确定需要进行设备隔离的网络设备,根据安全威胁的性质、来源等因素,确定需要隔离的设备,设计虚拟网络隔离方案,将需要隔离的设备划分为独立的虚拟网络,使用虚拟化技术,如虚拟局域网(VLAN)、虚拟专用网络(VPN)等,实现设备之间的逻辑隔离,配置虚拟网络的参数,如VLAN标识、隔离策略等,确保设备间的隔离和安全性,收集网络设备的运行状态特征数据,包括设备的性能指标、连接状态等,根据运行状态特征数据,提取网络设备的设备节点,识别出网络设备的唯一标识符,并建立设备节点,将提取的设备节点记录下来,形成设备节点数据,数据可以包括设备节点的标识符、设备类型、所属网络等信息,分析网络安全数据,确定需要进行设备隔离的网络设备,根据安全威胁的性质、来源等因素,确定需要隔离的设备,设计虚拟网络隔离方案,将需要隔离的设备划分为独立的虚拟网络,使用虚拟化技术,如虚拟局域网(VLAN)、虚拟专用网络(VPN)等,实现设备之间的逻辑隔离,根据设计方案,配置网络设备,创建设备隔离虚拟网络,使用膨胀卷积算法对自适应带宽分配策略和设备隔离虚拟网络进行处理,膨胀卷积是一种卷积算法,通过在卷积过程中引入不同的膨胀率,使得卷积核能够更好地捕捉到输入数据的长程依赖关系,基于膨胀卷积处理后的数据,构建智能管理模型,智能管理模型可以是机器学习模型或深度学习模型,用于处理网络设备的管理任务,使用构建的智能管理模型执行路由器的远程管理作业,远程管理作业可以包括路由器配置、监控、故障诊断等任务。
在本实施例中,还提供一种无线路由器的远程管理系统,用于执行如上所述的无线路由器的远程管理方法,包括:
运行状态模块,用于获取路由器运行数据;对路由器运行数据进行运行状态分析,以生成运行状态特征数据;基于运行状态特征数据对路由器运行数据进行流量模式分析,生成流量模式数据;
带宽性能模块,用于根据流量模式数据对运行状态特征数据进行数据传输延迟分析,生成数据传输延迟数据;通过数据传输延迟数据对路由器运行数据进行带宽性能评估处理,以生成带宽性能数据;
边缘计算模块,用于根据带宽性能数据对路由器运行数据进行负载均衡分析,以生成负载均衡数据;根据负载均衡数据对带宽性能数据进行边缘计算,以生成边缘资源优化数据;
负载趋势预测模块,用于根据边缘资源优化数据对带宽性能数据进行动态传输路径优化分析,以生成动态传输路径;通过动态传输路径对路由器运行数据进行驱动资源负载趋势预测,以生成负载趋势预测数据;
带宽分配模块,用于通过负载趋势预测数据对带宽性能数据进行自适应带宽优化调整处理,构建自适应带宽分配策略;对运行状态特征数据进行网络安全分析,以生成网络安全数据;
智能管理模型模块,用于根据网络安全数据对网络设备进行虚拟网络隔离设计,构建设备隔离虚拟网络;对自适应带宽分配策略及设备隔离虚拟网络进行智能模型膨胀卷积,以构建智能管理模型,执行路由器远程管理作业。
本发明通过构建无线路由器的远程管理系统,通过获取路由器的运行数据并进行运行状态分析,生成运行状态特征数据,这有助于了解路由器的性能、状态和健康状况,提供基础数据用于后续的分析和优化,根据流量模式数据对运行状态特征数据进行数据传输延迟分析,生成数据传输延迟数据,通过数据传输延迟数据对路由器运行数据进行带宽性能评估处理,生成带宽性能数据,这有助于评估路由器的带宽性能,确定其在数据传输过程中的延迟情况,为带宽优化提供依据,根据带宽性能数据对路由器运行数据进行负载均衡分析,生成负载均衡数据,根据负载均衡数据对带宽性能数据进行边缘计算,生成边缘资源优化数据,这有助于分析路由器的负载情况,确定如何平衡负载以提高资源利用效率,并进行边缘计算优化,进一步优化网络性能,根据边缘资源优化数据对带宽性能数据进行动态传输路径优化分析,生成动态传输路径,通过动态传输路径对路由器运行数据进行驱动资源负载趋势预测,生成负载趋势预测数据,这有助于预测和识别路由器负载的趋势,提前调整资源分配和传输路径,以满足未来的负载需求,并优化网络的性能和可靠性,通过负载趋势预测数据对带宽性能数据进行自适应带宽优化调整处理,构建自适应带宽分配策略,这有助于根据实时的负载趋势和需求,动态调整带宽分配,确保资源的合理利用和满足网络性能要求,对运行状态特征数据进行网络安全分析,生成网络安全数据,这有助于检测和评估网络中的安全威胁、漏洞或异常行为,提供有效的安全预警和响应措施,保障网络的安全性和可信度,根据网络安全数据对网络设备进行虚拟网络隔离设计,构建设备隔离虚拟网络,通过对自适应带宽分配策略及设备隔离虚拟网络进行智能模型膨胀卷积,构建智能管理模型,并执行路由器远程管理作业,这有助于自动化地识别和解决网络问题,提高管理效率和网络运行的智能化水平。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
应当理解的是,虽然在这里使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种无线路由器的远程管理方法,其特征在于,包括以下步骤:
步骤S1:获取路由器运行数据;对路由器运行数据进行运行状态分析,以生成运行状态特征数据;基于运行状态特征数据对路由器运行数据进行流量模式分析,生成流量模式数据;
步骤S2:根据流量模式数据对运行状态特征数据进行数据传输延迟分析,生成数据传输延迟数据;通过数据传输延迟数据对路由器运行数据进行带宽性能评估处理,以生成带宽性能数据;
步骤S3:根据带宽性能数据对路由器运行数据进行负载均衡分析,以生成负载均衡数据;根据负载均衡数据对带宽性能数据进行边缘计算,以生成边缘资源优化数据;其中,步骤S3具体为:
步骤S31:对带宽性能数据进行负载需求分析,以生成负载需求数据;
步骤S32:根据负载需求数据对路由器运行数据进行负载争用分析,以生成负载争用设备数据;
步骤S33:根据负载争用设备数据对路由器运行数据进行负载均衡分析,以生成负载均衡数据;
步骤S34:根据负载均衡数据对负载争用设备数据进行边缘节点配对,以生成边缘节点数据;
步骤S35:根据边缘节点数据利用边缘资源优化计算公式对带宽性能数据进行边缘计算,以生成边缘资源优化数据;其中,步骤S35中的边缘资源优化计算公式具体为:
;
其中,为边缘节点资源指数,/>为流量负载量,/>为链路带宽,/>为边缘节点的设备处理能力值,/>为数据延迟值,/>为负载均衡效率,/>为网络抖动频数,/>为数据传输命中率,/>为数据重用率,/>为边缘节点访问频率,/>为节点并发连接数,/>为数据传输效率因子;
步骤S4:根据边缘资源优化数据对带宽性能数据进行动态传输路径优化分析,以生成动态传输路径;通过动态传输路径对路由器运行数据进行驱动资源负载趋势预测,以生成负载趋势预测数据;
步骤S5:通过负载趋势预测数据对带宽性能数据进行自适应带宽优化调整处理,构建自适应带宽分配策略;对运行状态特征数据进行网络安全分析,以生成网络安全数据;
步骤S6:根据网络安全数据对网络设备进行虚拟网络隔离设计,构建设备隔离虚拟网络;对自适应带宽分配策略及设备隔离虚拟网络进行智能模型膨胀卷积,以构建智能管理模型,执行路由器远程管理作业。
2.根据权利要求1所述的无线路由器的远程管理方法,其特征在于,步骤S1的具体步骤为:
步骤S11:基于云存储器获取路由器运行数据;
步骤S12:对路由器运行数据进行设备连接状态分析,以生成设备连接状态数据,设备连接状态数据包括设备连接数量数据及设备连接分布数据;
步骤S13:对设备连接状态数据进行端口利用率分析,生成端口利用率数据;
步骤S14:基于端口利用率数据对路由器运行数据进行链路状态分析,以生成链路状态数据;
步骤S15:对端口利用率数据及链路状态数据进行运行状态分析,以生成运行状态特征数据;
步骤S16:基于运行状态特征数据对路由器运行数据进行流量模式分析,生成流量模式数据。
3.根据权利要求2所述的无线路由器的远程管理方法,其特征在于,步骤S16的具体步骤为:
步骤S161:基于运行状态特征数据对路由器运行数据进行流量瞬态突发检测,生成流量瞬态突发数据;
步骤S162:根据流量瞬态突发数据对路由器运行数据进行周期波动识别,以生成流量周期波动数据;
步骤S163:对流量周期波动数据进行流量偏度分析,以生成流量失衡数据;
步骤S164:根据流量失衡数据对流量瞬态突发数据进行流量峰值计算,以生成路由器流量峰值数据;
步骤S165:对流量周期波动数据、流量失衡数据及路由器流量峰值数据进行流量模式分析,生成流量模式数据。
4.根据权利要求1所述的无线路由器的远程管理方法,其特征在于,步骤S2的具体步骤为:
步骤S21:对设备连接状态数据进行网络拓扑结构分析,以生成网络拓扑结构数据;
步骤S22:根据流量模式数据对网络拓扑结构数据进行延迟时序分析,以生成延迟时序数据;
步骤S23:根据延迟时序数据对运行状态特征数据进行数据传输延迟分析,生成数据传输延迟数据;
步骤S24:通过数据传输延迟数据对路由器运行数据进行利用率分布统计处理,生成带宽利用率分布数据;
步骤S25:根据带宽利用率分布数据对路由器运行数据进行带宽性能评估处理,以生成带宽性能数据。
5.根据权利要求4所述的无线路由器的远程管理方法,其特征在于,步骤S25的具体步骤为:
步骤S251:根据带宽利用率分布数据利用路由器带宽利用率峰值计算公式对路由器运行数据进行带宽利用率峰值计算,以生成带宽利用率峰值;
步骤S252:基于带宽利用率峰值对带宽利用率分布数据进行畸形带宽流分析,从而获得带宽畸形流数据;
步骤S253:通过带宽畸形流数据对路由器运行数据进行带宽稳定性分析,以生成带宽稳定性数据;
步骤S254:对带宽利用率峰值、带宽畸形流数据及带宽稳定性数据进行带宽性能评估处理,以生成带宽性能数据;其中,步骤S251中的路由器带宽利用率峰值计算公式具体为:
;
其中,为路由器带宽利用率峰值,/>为CPU利用率,/>为数据传输总流量,/>为内存容量,/>为数据包传输速率,/>为设备连接数,/>为路由器流控率,/>为设备连接丢包率,/>为错误包率,为路由器的服务平均速率,/>为路由器数据缓存命中率,/>为设备数据响应效率,/>为带宽计算时间范围。
6.根据权利要求1所述的无线路由器的远程管理方法,其特征在于,步骤S4的具体步骤为:
步骤S41:对带宽性能数据进行传输链路抖动评估,以生成传输链路抖动数据;
步骤S42:根据负载均衡数据对传输链路抖动数据进行链路负载异常识别,以获取负载异常链路;
步骤S43:根据边缘资源优化数据对负载异常链路进行路由调整,以生成异常链路优化数据;
步骤S44:根据异常链路优化数据对带宽性能数据进行动态传输路径优化分析,以生成动态传输路径;
步骤S45:通过动态传输路径对路由器运行数据进行驱动资源负载趋势预测,以生成负载趋势预测数据。
7.根据权利要求1所述的无线路由器的远程管理方法,其特征在于,步骤S5的具体步骤为:
步骤S51:确定负载趋势预测数据大于或等于预设的带宽性能阈值时,则对带宽性能数据进行动态带宽重定位,以生成动态带宽优化数据;
步骤S52:确定负载趋势预测数据小于预设的带宽性能阈值时,则对带宽性能数据进行带宽资源回收处理,以生成动态带宽优化数据;
步骤S53:对动态带宽优化数据进行自适应带宽优化调整处理,构建自适应带宽分配策略;
步骤S54:对运行状态特征数据进行异常行为检测,以生成异常行为数据;
步骤S55:对异常行为数据进行网络安全分析,以生成网络安全数据。
8.根据权利要求1所述的无线路由器的远程管理方法,其特征在于,步骤S6的具体步骤为:
步骤S61:根据网络安全数据对网络设备进行虚拟网络隔离设计,构建设备隔离虚拟网络;
步骤S62:根据运行状态特征数据对网络设备进行设备节点提取,以生成设备节点;
步骤S63:根据网络安全数据对网络设备进行虚拟网络隔离设计,构建设备隔离虚拟网络;
步骤S64:对自适应带宽分配策略及设备隔离虚拟网络进行智能模型膨胀卷积,以构建智能管理模型,执行路由器远程管理作业。
9.一种无线路由器的远程管理系统,其特征在于,用于执行如权利要求1所述的无线路由器的远程管理方法,包括:
运行状态模块,用于获取路由器运行数据;对路由器运行数据进行运行状态分析,以生成运行状态特征数据;基于运行状态特征数据对路由器运行数据进行流量模式分析,生成流量模式数据;
带宽性能模块,用于根据流量模式数据对运行状态特征数据进行数据传输延迟分析,生成数据传输延迟数据;通过数据传输延迟数据对路由器运行数据进行带宽性能评估处理,以生成带宽性能数据;
边缘计算模块,用于根据带宽性能数据对路由器运行数据进行负载均衡分析,以生成负载均衡数据;根据负载均衡数据对带宽性能数据进行边缘计算,以生成边缘资源优化数据;
负载趋势预测模块,用于根据边缘资源优化数据对带宽性能数据进行动态传输路径优化分析,以生成动态传输路径;通过动态传输路径对路由器运行数据进行驱动资源负载趋势预测,以生成负载趋势预测数据;
带宽分配模块,用于通过负载趋势预测数据对带宽性能数据进行自适应带宽优化调整处理,构建自适应带宽分配策略;对运行状态特征数据进行网络安全分析,以生成网络安全数据;
智能管理模型模块,用于根据网络安全数据对网络设备进行虚拟网络隔离设计,构建设备隔离虚拟网络;对自适应带宽分配策略及设备隔离虚拟网络进行智能模型膨胀卷积,以构建智能管理模型,执行路由器远程管理作业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410048854.0A CN117560701B (zh) | 2024-01-12 | 2024-01-12 | 一种无线路由器的远程管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410048854.0A CN117560701B (zh) | 2024-01-12 | 2024-01-12 | 一种无线路由器的远程管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117560701A CN117560701A (zh) | 2024-02-13 |
CN117560701B true CN117560701B (zh) | 2024-03-26 |
Family
ID=89821949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410048854.0A Active CN117560701B (zh) | 2024-01-12 | 2024-01-12 | 一种无线路由器的远程管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117560701B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110198339A (zh) * | 2019-04-17 | 2019-09-03 | 浙江大学 | 一种基于QoE感知的边缘计算任务调度方法 |
CN111049903A (zh) * | 2019-12-12 | 2020-04-21 | 大连理工大学 | 一种基于应用感知预测的边缘网络负载分配算法 |
CN114026834A (zh) * | 2019-04-30 | 2022-02-08 | 英特尔公司 | 边缘计算部署中的多实体资源、安全性和服务管理 |
-
2024
- 2024-01-12 CN CN202410048854.0A patent/CN117560701B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110198339A (zh) * | 2019-04-17 | 2019-09-03 | 浙江大学 | 一种基于QoE感知的边缘计算任务调度方法 |
CN114026834A (zh) * | 2019-04-30 | 2022-02-08 | 英特尔公司 | 边缘计算部署中的多实体资源、安全性和服务管理 |
CN111049903A (zh) * | 2019-12-12 | 2020-04-21 | 大连理工大学 | 一种基于应用感知预测的边缘网络负载分配算法 |
Also Published As
Publication number | Publication date |
---|---|
CN117560701A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Carvalho et al. | An ecosystem for anomaly detection and mitigation in software-defined networking | |
Da Silva et al. | ATLANTIC: A framework for anomaly traffic detection, classification, and mitigation in SDN | |
Aqdus et al. | Detection Collision Flows in SDN Based 5G Using Machine Learning Algorithms. | |
KR101519623B1 (ko) | 오탐률을 줄이기 위한 분산 서비스 거부 공격 탐지 장치 및 방법, 분산 서비스 거부 공격 탐지 및 방어 장치 | |
EP2521312B1 (en) | Creating and using multiple packet traffic profiling models to profile packet flows | |
Wang et al. | BWManager: Mitigating denial of service attacks in software-defined networks through bandwidth prediction | |
US9015828B2 (en) | Method and system for autonomous control and protection of computer systems | |
CN114513340B (zh) | 一种软件定义网络中的两级DDoS攻击检测与防御方法 | |
CN113489711B (zh) | DDoS攻击的检测方法、系统、电子设备和存储介质 | |
CN112202783A (zh) | 一种基于自适应深度学习的5g网络异常检测方法及系统 | |
CN116418603B (zh) | 一种工业互联网的安全综合管理方法及系统 | |
Khamaiseh et al. | vswitchguard: Defending openflow switches against saturation attacks | |
CN116668381A (zh) | 一种虚拟分布式网络接口控制器 | |
Fenil et al. | Towards a secure software defined network with adaptive mitigation of dDoS attacks by machine learning approaches | |
CN116723136B (zh) | 应用fcm聚类算法的网络检测数据的方法 | |
Tang et al. | FTODefender: An efficient flow table overflow attacks defending system in SDN | |
CN117560701B (zh) | 一种无线路由器的远程管理方法及系统 | |
Akanji et al. | Mitigating slow hypertext transfer protocol distributed denial of service attacks in software defined networks | |
CN117155629A (zh) | 一种基于人工智能的电力信息系统网络主动防御方法及系统 | |
Ramani et al. | SDN framework for mitigating time-based delay attack | |
TW202017337A (zh) | 骨幹網路異常流量偵測方法和系統 | |
Khalid et al. | A Survey on the Latest Intrusion Detection Datasets for Software Defined Networking Environments | |
Hemmati et al. | Entropy-based DDoS Attack Detection in SDN using Dynamic Threshold | |
Wabi et al. | DDOS attack detection in SDN: Method of attacks, detection techniques, challenges and research gaps | |
Kumar et al. | Control Plane TCP Attacks Detection and Prevention in SDN Networks using Deep Learning Model |
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 |