CN117692260B - 基于数据分析的网络异常行为识别方法 - Google Patents
基于数据分析的网络异常行为识别方法 Download PDFInfo
- Publication number
- CN117692260B CN117692260B CN202410155265.2A CN202410155265A CN117692260B CN 117692260 B CN117692260 B CN 117692260B CN 202410155265 A CN202410155265 A CN 202410155265A CN 117692260 B CN117692260 B CN 117692260B
- Authority
- CN
- China
- Prior art keywords
- network
- transmission
- value
- data
- monitoring period
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007405 data analysis Methods 0.000 title claims abstract description 17
- 206010000117 Abnormal behaviour Diseases 0.000 title claims description 32
- 230000005540 biological transmission Effects 0.000 claims abstract description 197
- 238000012544 monitoring process Methods 0.000 claims abstract description 125
- 230000002159 abnormal effect Effects 0.000 claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims description 68
- 238000013433 optimization analysis Methods 0.000 claims description 16
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于网络异常监测领域,涉及数据分析技术,用于解决现有技术中的网络异常行为识别方法无法根据数据传输参数对异常行为特征进行分析的问题,具体是基于数据分析的网络异常行为识别方法,对网络传输节点的流量进行监测分析:生成监测周期,将监测周期分割为若干个监测时段,获取监测时段内网络传输节点的流量数据LL、流差数据LC以及瞬时数据SS并进行数值计算得到网络传输节点在监测时段内的传输系数CS;通过传输系数CS对监测时段内的数据传输流量是否满足要求进行判定;本发明可以对网络传输节点的流量进行监测分析,根据传输系数对传输流量的异常状态进行监控,从而在流量异常时及时预警。
Description
技术领域
本发明属于网络异常监测领域,涉及数据分析技术,具体是基于数据分析的网络异常行为识别方法。
背景技术
网络异常是指在使用互联网时出现的各种问题,包括网络延迟、断网、网速慢等,这些问题会影响我们的网络体验,甚至影响到我们的工作和生活;网络拥堵是指网络中的流量过大,导致网络传输速度变慢或者出现断网的情况,网络拥堵的原因可能是某个网络节点的带宽不足。
现有技术中的网络异常行为识别方法一般只能够通过流量监测进行网络异常监控,而在流量异常时无法根据数据传输参数对异常行为特征进行分析,进而无法根据异常行为特征对网络传输状态进行针对性的优化。
针对上述技术问题,本申请提出一种解决方案。
发明内容
本发明的目的在于提供基于数据分析的网络异常行为识别方法,用于解决现有技术中的网络异常行为识别方法无法根据数据传输参数对异常行为特征进行分析的问题;
本发明需要解决的技术问题为:如何提供一种可以根据数据传输参数对异常行为特征进行分析的基于数据分析的网络异常行为识别方法。
本发明的目的可以通过以下技术方案实现:
基于数据分析的网络异常行为识别方法,包括以下步骤:
步骤S1:对网络传输节点的流量进行监测分析:生成监测周期,将监测周期分割为若干个监测时段,获取监测时段内网络传输节点的流量数据LL、流差数据LC以及瞬时数据SS;通过对流量数据LL、流差数据LC以及瞬时数据SS进行数值计算得到网络传输节点在监测时段内的传输系数CS;通过传输系数CS对监测时段内的数据传输流量是否满足要求进行判定;
步骤S2:对网络传输节点的网络异常行为进行识别分析:获取网络传输节点在异常时段内的数据包发送量与数据包接收量,将数据包接收量与数据包发送量的数量比值标记为收发比,通过收发比对网络传输节点在异常时段内的异常行为进行标记;
步骤S3:对网络传输状态进行优化分析:在监测周期的结束时刻获取网络管理地区的标记值BJ以及拥堵表现值YB,通过对标记值BJ与拥堵表现值YB进行数值计算得到监测周期的优化系数YH,通过优化系数YH对监测周期是否具有优化必要性进行判定。
作为本发明的一种优选实施方式,在步骤一中,流量数据LL为网络传输节点在监测时段内的传输数据流量总值,流差数据LC的获取过程包括:将网络传输节点在监测时段内进行数据传输的瞬时流量最大值与瞬时流量最小值分别标记为流高值与流低值,将流高值与流低值的差值标记为流差数据LC;瞬时数据SS的获取过程包括:将流高值与流低值的传输时刻分别标记为流高时间点与流低时间点,将流高时间点与流低时间点差值的绝对值标记为瞬时数据SS。
作为本发明的一种优选实施方式,对监测时段内的数据传输流量是否满足要求进行判定的具体过程包括:将传输系数CS与预设的传输阈值CSmax进行比较:若传输系数CS小于传输阈值CSmax,则判定网络传输节点在监测时段内的数据传输流量满足要求,并在下一监测时段的结束时刻再次执行步骤S1;若传输系数CS大于等于传输阈值CSmax,则判定网络传输节点在监测时段内的数据传输流量不满足要求,将对应监测时段标记为异常时段,并执行步骤S2。
作为本发明的一种优选实施方式,对网络传输节点在异常时段内的异常行为进行标记的具体过程包括:将收发比与预设的收发阈值进行比较:若收发比小于收发阈值,则判定网络传输节点在异常时段内受到网络攻击,生成安全维护信号并将安全维护信号发送至管理人员的手机终端;若收发比大于等于收发阈值,则判定网络传输节点在异常时段内出现网络拥堵,将异常时段内出现网络拥堵的网络传输节点的数量标记为异常时段的拥堵值,将拥堵值与网络传输节点的数量比值标记为异常时段的拥堵系数,将拥堵系数与预设的拥堵阈值进行比较:若拥堵系数小于拥堵阈值,则判定异常时段内的网络数据整体传输状态满足要求;若拥堵系数大于等于拥堵阈值,则判定异常时段内的网络数据整体传输状态不满足要求,将对应异常时段标记为拥堵时段。
作为本发明的一种优选实施方式,标记值BJ为监测周期内异常时段被标记为拥堵时段的次数,拥堵表现值YB为监测时段内所有异常时段的拥堵值的平均值。
作为本发明的一种优选实施方式,对监测周期是否具有优化必要性进行判定的具体过程包括:将监测周期的优化系数YH与预设的优化阈值YHmax进行比较:若优化系数YH小于优化阈值YHmax,则判定监测周期不具有优化必要性,继续对下一监测周期的网络传输节点进行流量监测;若优化系数YH大于等于优化阈值YHmax,则判定监测周期具有优化必要性,对监测周期进行优化分析。
作为本发明的一种优选实施方式,对监测周期进行优化分析的具体过程包括:获取网络传输节点的覆盖区域,对网络传输节点在监测周期内所有监测时段的传输系数CS进行求和取平均值得到传输表现值,将网络传输节点按照覆盖区域的面积值由大到小的顺序进行排列得到覆盖序列,将网络传输节点按照传输表现值由大到小的顺序进行排列得到传输序列,将网络传输节点在覆盖序列中的序号与传输序列中的序号的差值的绝对值标记为网络传输节点的更新值,对所有网络传输节点的更新值进行求和取平均值得到更新系数,通过更新系数将监测周期的优化措施标记为设备更新或布局优化。
作为本发明的一种优选实施方式,对监测周期的优化措施进行标记的具体过程包括:将更新系数与预设的更新阈值进行比较:若更新系数小于更新阈值,则将监测周期的优化措施标记为布局优化,生成布局优化信号并将布局优化信号发送至管理人员的手机终端;若更新系数大于等于更新阈值,则将监测周期的优化措施标记为设备更新,将传输序列中排序靠前的L1个网络传输节点标记为更新节点,生成设备更新信号并将设备更新信号与更新节点发送至管理人员的手机终端。
本发明具备下述有益效果:
1、通过流量监测模块可以对网络传输节点的流量进行监测分析,以周期性监测的方式对网络传输节点在监测时段内的数据传输参数进行采集与分析得到传输系数,根据传输系数对传输流量的异常状态进行监控,从而在流量异常时及时预警;
2、通过行为识别模块可以对网络传输节点的网络异常行为进行识别分析,对网络传输节点在异常时段内的数据包收发比进行计算,然后根据收发比对网络传输节点受到网络攻击的概率进行评估,从而对网络传输节点的异常行为进行标记;
3、通过优化分析模块可以对网络传输状态进行优化分析,在监测周期的结束时刻对拥堵时段的标记参数进行统计与分析得到优化系数,根据优化系数对监测周期的优化必要性进行评估,在需要进行优化分析时对监测周期的优化决策进行标记,提高网络数据传输的优化效率。
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为本发明实施例一的方法流程图;
图2为本发明实施例一的优化分析过程流程图;
图3为本发明实施例二的系统框图。
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作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。
实施例一
如图1所示,基于数据分析的网络异常行为识别方法,包括以下步骤:
步骤S1:对网络传输节点的流量进行监测分析:生成监测周期,将监测周期分割为若干个监测时段,获取监测时段内网络传输节点的流量数据LL、流差数据LC以及瞬时数据SS,流量数据LL为网络传输节点在监测时段内的传输数据流量总值,流差数据LC的获取过程包括:将网络传输节点在监测时段内进行数据传输的瞬时流量最大值与瞬时流量最小值分别标记为流高值与流低值,将流高值与流低值的差值标记为流差数据LC;瞬时数据SS的获取过程包括:将流高值与流低值的传输时刻分别标记为流高时间点与流低时间点,将流高时间点与流低时间点差值的绝对值标记为瞬时数据SS;通过公式得到网络传输节点在监测时段内的传输系数CS,其中α1、α2以及α3均为比例系数,且α1>α2>α3>1;将传输系数CS与预设的传输阈值CSmax进行比较:若传输系数CS小于传输阈值CSmax,则判定网络传输节点在监测时段内的数据传输流量满足要求,并在下一监测时段的结束时刻再次执行步骤S1;若传输系数CS大于等于传输阈值CSmax,则判定网络传输节点在监测时段内的数据传输流量不满足要求,将对应监测时段标记为异常时段,并执行步骤S2;
步骤S2:对网络传输节点的网络异常行为进行识别分析:获取网络传输节点在异常时段内的数据包发送量与数据包接收量,将数据包接收量与数据包发送量的数量比值标记为收发比,将收发比与预设的收发阈值进行比较:若收发比小于收发阈值,则判定网络传输节点在异常时段内受到网络攻击,生成安全维护信号并将安全维护信号发送至管理人员的手机终端;若收发比大于等于收发阈值,则判定网络传输节点在异常时段内出现网络拥堵,将异常时段内出现网络拥堵的网络传输节点的数量标记为异常时段的拥堵值,将拥堵值与网络传输节点的数量比值标记为异常时段的拥堵系数,将拥堵系数与预设的拥堵阈值进行比较:若拥堵系数小于拥堵阈值,则判定异常时段内的网络数据整体传输状态满足要求;若拥堵系数大于等于拥堵阈值,则判定异常时段内的网络数据整体传输状态不满足要求,将对应异常时段标记为拥堵时段;
步骤S3:对网络传输状态进行优化分析。
如图2所示,优化分析的具体过程,包括以下步骤:
步骤S31:在监测周期的结束时刻获取网络管理地区的标记值BJ以及拥堵表现值YB,标记值BJ为监测周期内异常时段被标记为拥堵时段的次数,拥堵表现值YB为监测时段内所有异常时段的拥堵值的平均值,通过公式得到监测周期的优化系数YH,其中β1与β2均为比例系数,且β1>β2>1;
步骤S32:将监测周期的优化系数YH与预设的优化阈值YHmax进行比较:若优化系数YH小于优化阈值YHmax,则判定监测周期不具有优化必要性,继续对下一监测周期的网络传输节点进行流量监测;若优化系数YH大于等于优化阈值YHmax,则判定监测周期具有优化必要性,对监测周期进行优化分析;
步骤S33:对监测周期进行优化分析:获取网络传输节点的覆盖区域,对网络传输节点在监测周期内所有监测时段的传输系数CS进行求和取平均值得到传输表现值,将网络传输节点按照覆盖区域的面积值由大到小的顺序进行排列得到覆盖序列,将网络传输节点按照传输表现值由大到小的顺序进行排列得到传输序列,将网络传输节点在覆盖序列中的序号与传输序列中的序号的差值的绝对值标记为网络传输节点的更新值,对所有网络传输节点的更新值进行求和取平均值得到更新系数;
步骤S34:将更新系数与预设的更新阈值进行比较:若更新系数小于更新阈值,则将监测周期的优化措施标记为布局优化,生成布局优化信号并将布局优化信号发送至管理人员的手机终端;若更新系数大于等于更新阈值,则将监测周期的优化措施标记为设备更新,将传输序列中排序靠前的L1个网络传输节点标记为更新节点,生成设备更新信号并将设备更新信号与更新节点发送至管理人员的手机终端。
实施例二
如图3所示,基于数据分析的网络异常行为识别系统,包括服务器,服务器通信连接有流量监测模块、行为识别模块、优化分析模块以及存储模块。
流量监测模块用于对网络管理地区内所有网络传输节点的流量进行周期性监测分析;以周期性监测的方式对网络传输节点在监测时段内的数据传输参数进行采集与分析得到传输系数,根据传输系数对传输流量的异常状态进行监控,从而在流量异常时及时预警。
行为识别模块用于对异常时段内的网络传输节点的网络异常行为进行识别分析;对网络传输节点在异常时段内的数据包收发比进行计算,然后根据收发比对网络传输节点受到网络攻击的概率进行评估,从而对网络传输节点的异常行为进行标记;
优化分析模块用于在监测周期的结束时刻对网络传输状态进行优化分析;在监测周期的结束时刻对拥堵时段的标记参数进行统计与分析得到优化系数,根据优化系数对监测周期的优化必要性进行评估,在需要进行优化分析时对监测周期的优化决策进行标记,提高网络数据传输的优化效率;
存储模块用于对传输阈值CSmax、监测时段的传输系数CS、拥堵阈值、优化阈值YHmax以及更新阈值等数值进行存储。
基于数据分析的网络异常行为识别方法,工作时,生成监测周期,将监测周期分割为若干个监测时段,获取监测时段内网络传输节点的流量数据LL、流差数据LC以及瞬时数据SS;通过对流量数据LL、流差数据LC以及瞬时数据SS进行数值计算得到网络传输节点在监测时段内的传输系数CS;通过传输系数CS对监测时段内的数据传输流量是否满足要求进行判定;获取网络传输节点在异常时段内的数据包发送量与数据包接收量,将数据包接收量与数据包发送量的数量比值标记为收发比,通过收发比对网络传输节点在异常时段内的异常行为进行标记;在监测周期的结束时刻获取网络管理地区的标记值BJ以及拥堵表现值YB,通过对标记值BJ与拥堵表现值YB进行数值计算得到监测周期的优化系数YH,通过优化系数YH对监测周期是否具有优化必要性进行判定。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式,公式中的系数是由本领域技术人员根据实际情况进行设置;如:公式;由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的传输系数;将设定的传输系数和采集的样本数据代入公式,任意三个公式构成三元一次方程组,将计算得到的系数进行筛选并取均值,得到α1、α2以及α3的取值分别为3.52、2.83和2.12;
系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的传输系数;只要不影响参数与量化后数值的比例关系即可,如传输系数与流量数据的数值成正比。
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 (5)
1.基于数据分析的网络异常行为识别方法,其特征在于,包括以下步骤:
步骤S1:对网络传输节点的流量进行监测分析:生成监测周期,将监测周期分割为若干个监测时段,获取监测时段内网络传输节点的流量数据LL、流差数据LC以及瞬时数据SS;通过对流量数据LL、流差数据LC以及瞬时数据SS进行数值计算得到网络传输节点在监测时段内的传输系数CS;通过传输系数CS对监测时段内的数据传输流量是否满足要求进行判定;
步骤S2:对网络传输节点的网络异常行为进行识别分析:获取网络传输节点在异常时段内的数据包发送量与数据包接收量,将数据包接收量与数据包发送量的数量比值标记为收发比,通过收发比对网络传输节点在异常时段内的异常行为进行标记;
步骤S3:对网络传输状态进行优化分析:在监测周期的结束时刻获取网络管理地区的标记值BJ以及拥堵表现值YB,通过对标记值BJ与拥堵表现值YB进行数值计算得到监测周期的优化系数YH,通过优化系数YH对监测周期是否具有优化必要性进行判定;
流量数据LL为网络传输节点在监测时段内的传输数据流量总值,流差数据LC的获取过程包括:将网络传输节点在监测时段内进行数据传输的瞬时流量最大值与瞬时流量最小值分别标记为流高值与流低值,将流高值与流低值的差值标记为流差数据LC;瞬时数据SS的获取过程包括:将流高值与流低值的传输时刻分别标记为流高时间点与流低时间点,将流高时间点与流低时间点差值的绝对值标记为瞬时数据SS;
对监测时段内的数据传输流量是否满足要求进行判定的具体过程包括:将传输系数CS与预设的传输阈值CSmax进行比较:若传输系数CS小于传输阈值CSmax,则判定网络传输节点在监测时段内的数据传输流量满足要求,并在下一监测时段的结束时刻再次执行步骤S1;若传输系数CS大于等于传输阈值CSmax,则判定网络传输节点在监测时段内的数据传输流量不满足要求,将对应监测时段标记为异常时段,并执行步骤S2;
对网络传输节点在异常时段内的异常行为进行标记的具体过程包括:将收发比与预设的收发阈值进行比较:若收发比小于收发阈值,则判定网络传输节点在异常时段内受到网络攻击,生成安全维护信号并将安全维护信号发送至管理人员的手机终端;若收发比大于等于收发阈值,则判定网络传输节点在异常时段内出现网络拥堵,将异常时段内出现网络拥堵的网络传输节点的数量标记为异常时段的拥堵值,将拥堵值与网络传输节点的数量比值标记为异常时段的拥堵系数,将拥堵系数与预设的拥堵阈值进行比较:若拥堵系数小于拥堵阈值,则判定异常时段内的网络数据整体传输状态满足要求;若拥堵系数大于等于拥堵阈值,则判定异常时段内的网络数据整体传输状态不满足要求,将对应异常时段标记为拥堵时段。
2.根据权利要求1所述的基于数据分析的网络异常行为识别方法,其特征在于,标记值BJ为监测周期内异常时段被标记为拥堵时段的次数,拥堵表现值YB为监测时段内所有异常时段的拥堵值的平均值。
3.根据权利要求2所述的基于数据分析的网络异常行为识别方法,其特征在于,对监测周期是否具有优化必要性进行判定的具体过程包括:将监测周期的优化系数YH与预设的优化阈值YHmax进行比较:若优化系数YH小于优化阈值YHmax,则判定监测周期不具有优化必要性,继续对下一监测周期的网络传输节点进行流量监测;若优化系数YH大于等于优化阈值YHmax,则判定监测周期具有优化必要性,对监测周期进行优化分析。
4.根据权利要求3所述的基于数据分析的网络异常行为识别方法,其特征在于,对监测周期进行优化分析的具体过程包括:获取网络传输节点的覆盖区域,对网络传输节点在监测周期内所有监测时段的传输系数CS进行求和取平均值得到传输表现值,将网络传输节点按照覆盖区域的面积值由大到小的顺序进行排列得到覆盖序列,将网络传输节点按照传输表现值由大到小的顺序进行排列得到传输序列,将网络传输节点在覆盖序列中的序号与传输序列中的序号的差值的绝对值标记为网络传输节点的更新值,对所有网络传输节点的更新值进行求和取平均值得到更新系数,通过更新系数将监测周期的优化措施标记为设备更新或布局优化。
5.根据权利要求4所述的基于数据分析的网络异常行为识别方法,其特征在于,对监测周期的优化措施进行标记的具体过程包括:将更新系数与预设的更新阈值进行比较:若更新系数小于更新阈值,则将监测周期的优化措施标记为布局优化,生成布局优化信号并将布局优化信号发送至管理人员的手机终端;若更新系数大于等于更新阈值,则将监测周期的优化措施标记为设备更新,将传输序列中排序靠前的L1个网络传输节点标记为更新节点,生成设备更新信号并将设备更新信号与更新节点发送至管理人员的手机终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410155265.2A CN117692260B (zh) | 2024-02-04 | 2024-02-04 | 基于数据分析的网络异常行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410155265.2A CN117692260B (zh) | 2024-02-04 | 2024-02-04 | 基于数据分析的网络异常行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117692260A CN117692260A (zh) | 2024-03-12 |
CN117692260B true CN117692260B (zh) | 2024-04-12 |
Family
ID=90135770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410155265.2A Active CN117692260B (zh) | 2024-02-04 | 2024-02-04 | 基于数据分析的网络异常行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117692260B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109382A (zh) * | 2018-02-05 | 2018-06-01 | 青岛大学 | 一种基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 |
CN108320506A (zh) * | 2018-02-05 | 2018-07-24 | 青岛大学 | 一种基于复合网络的拥堵时段的发现方法 |
CN116244081A (zh) * | 2023-03-10 | 2023-06-09 | 苏州亿铸智能科技有限公司 | 一种多核存算一体加速器网络拓扑结构控制系统 |
CN116366497A (zh) * | 2023-03-22 | 2023-06-30 | 齐犇科技集团有限公司 | 基于大数据的物联网卡时序异常检测系统 |
-
2024
- 2024-02-04 CN CN202410155265.2A patent/CN117692260B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109382A (zh) * | 2018-02-05 | 2018-06-01 | 青岛大学 | 一种基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 |
CN108320506A (zh) * | 2018-02-05 | 2018-07-24 | 青岛大学 | 一种基于复合网络的拥堵时段的发现方法 |
CN116244081A (zh) * | 2023-03-10 | 2023-06-09 | 苏州亿铸智能科技有限公司 | 一种多核存算一体加速器网络拓扑结构控制系统 |
CN116366497A (zh) * | 2023-03-22 | 2023-06-30 | 齐犇科技集团有限公司 | 基于大数据的物联网卡时序异常检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117692260A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11265081B2 (en) | Method, apparatus and device for predicting fault of optical module | |
CN114826989A (zh) | 基于大数据的通信设备运行监测预测系统 | |
CN114630352B (zh) | 一种接入设备的故障监测方法和装置 | |
CN110460454B (zh) | 基于深度学习的网络设备端口故障智能预测方法 | |
CN115473319B (zh) | 一种基于超级电容器的储能方法 | |
CN116628774A (zh) | 一种基于云计算的数据存储完整性监管系统 | |
CN116185757A (zh) | 机房能耗智能监测系统 | |
CN114244751B (zh) | 无线传感器网络异常检测方法和系统 | |
CN117156484B (zh) | 一种基于5g技术的通信基站能耗分析系统和方法 | |
CN117238388B (zh) | 一种基于数据分析的复合电镀用电镀液监管系统 | |
CN117692260B (zh) | 基于数据分析的网络异常行为识别方法 | |
CN116541241B (zh) | 基于大数据的术后便携式可穿戴设备运行效率分析系统 | |
CN110647086B (zh) | 一种基于运行大数据分析的智能运维监控系统 | |
CN117169652A (zh) | 一种基于人工智能的配电网故障检测定位系统 | |
CN115981192A (zh) | 基于工业网络协同控制与预判方法 | |
CN113727092B (zh) | 基于决策树的视频监控质量巡检方法及装置 | |
CN115877100A (zh) | 基于机器学习预测限幅器损伤效应的方法 | |
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 | |
CN114338441A (zh) | 一种基于业务流量智能识别业务链路的分析方法 | |
CN117879978A (zh) | 一种用于网关路由器的入侵检测系统 | |
CN116633770B (zh) | 一种适用于局域网设备运行的自动配置运行监管系统 | |
CN111740856A (zh) | 基于异常检测算法的网络通信设备告警采集异常预警方法 | |
CN117573494B (zh) | 一种基于人工智能的软件运行数据后台存储管理系统 | |
CN117404072B (zh) | 一种基于人工智能的钻场管理系统 | |
CN116736781B (zh) | 一种工业自动化控制设备安全状态监测方法及装置 |
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 |