CN117828798B - 基于大数据的综合智能布线方法及系统 - Google Patents

基于大数据的综合智能布线方法及系统 Download PDF

Info

Publication number
CN117828798B
CN117828798B CN202410246540.1A CN202410246540A CN117828798B CN 117828798 B CN117828798 B CN 117828798B CN 202410246540 A CN202410246540 A CN 202410246540A CN 117828798 B CN117828798 B CN 117828798B
Authority
CN
China
Prior art keywords
network
data
wiring
algorithm
cable
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
Application number
CN202410246540.1A
Other languages
English (en)
Other versions
CN117828798A (zh
Inventor
张禄
王伯康
路华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Yiran Information Technology Co ltd
Original Assignee
Shandong Yiran Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Yiran Information Technology Co ltd filed Critical Shandong Yiran Information Technology Co ltd
Priority to CN202410246540.1A priority Critical patent/CN117828798B/zh
Publication of CN117828798A publication Critical patent/CN117828798A/zh
Application granted granted Critical
Publication of CN117828798B publication Critical patent/CN117828798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/02—Data centres
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/16—Cables, cable trees or wire harnesses

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及计算机网络布线技术领域，具体涉及基于大数据的综合智能布线方法及系统，包括以下步骤：收集网络设备的运行数据、用户行为数据及网络状态数据；利用大数据分析技术对收集的数据进行处理，识别网络使用模式和潜在需求；根据数据分析结果，利用智能算法设计最优布线方案，最优布线方案包括线缆路径、接口分配和设备布局；按照规划方案实施布线，同时监控布线过程，确保布线质量和效率；性能评估，布线完成后，评估网络性能。本发明，提高了布线的效率，还确保了布线方案能够适应未来的网络需求变化，从而延长了网络基础设施的有效使用寿命。

Description

基于大数据的综合智能布线方法及系统
技术领域
本发明涉及计算机网络布线技术领域，尤其涉及基于大数据的综合智能布线方法及系统。
背景技术
随着信息技术的飞速发展，网络系统的复杂性和规模迅速扩大，传统的网络布线方法已难以满足日益增长的网络需求。在传统布线方法中，布线决策通常依赖于经验判断和静态的设计原则，这不仅耗时耗力，而且很难适应网络需求的快速变化，导致网络性能和效率的低下。
此外，传统布线方法在设计和实施阶段缺乏对实时网络数据的充分利用，导致布线方案往往不能最优化地反映实际的网络使用模式。这种方法的局限性体现在对未来网络需求预测的不准确，以及在布线后难以进行有效调整，从而影响整个网络的性能和可扩展性。
随着大数据技术的发展，有了利用数据驱动方法来优化网络布线的可能性。通过收集和分析网络运行数据、用户行为数据以及网络状态数据，可以深入了解网络的实际使用情况，并据此设计出更加高效和适应性强的布线方案。然而，如何有效地集成和应用这些大数据技术，以及如何结合智能算法来实现网络布线的自动化和优化，仍然是当前技术领域面临的挑战。
因此，开发一种基于大数据的综合智能布线方法，不仅能够充分利用实时数据来优化布线方案，还能够通过智能算法自动调整布线结构，以适应网络需求的变化，对于提高网络布线的效率和性能具有重要意义。
发明内容
基于上述目的，本发明提供了基于大数据的综合智能布线方法及系统。
基于大数据的综合智能布线方法，包括以下步骤：
S1：数据收集，收集网络设备的运行数据、用户行为数据及网络状态数据；
S2：数据分析，利用大数据分析技术对收集的数据进行处理，识别网络使用模式和潜在需求；
S3：布线规划，根据数据分析结果，利用智能算法设计最优布线方案，最优布线方案包括线缆路径、接口分配和设备布局；
S4：执行布线：按照规划方案实施布线，同时监控布线过程，确保布线质量和效率；
S5：性能评估，布线完成后，评估网络性能，以验证布线方案的有效性，采用网络分析器和NTA性能管理软件，来评估网络延迟、带宽使用、错误率指标，并将结果与预期目标进行比较。
进一步的，所述S1具体包括：
网络设备运行数据收集：部署网络监控工具，实时捕获和记录设备的运行状态，包括带宽使用率、延迟、数据包丢失率和错误率，通过管理网络设备的内置日志功能，收集设备运行日志，分析设备性能和识别常见故障模式；
用户行为数据收集：利用网络流量分析工具，追踪和记录用户的网络活动模式，包括访问的网站、使用的应用和服务以及数据流量的峰值和谷值时间，在关键网络接入点部署传感器或软件代理，以记录用户的接入位置和移动模式；
网络状态数据收集：通过网络性能监控，定期检测和记录网络的整体健康状况，包括网络拓扑、连接稳定性和流量分布，使用协议分析器来分析网络中的数据传输和协议交互模式。
进一步的，所述S2具体包括：
数据预处理：使用数据清洗技术，包括缺失值处理、异常值检测和去除，对收集的数据进行标准化和归一化处理，以便在不同类型和来源的数据间进行有效比较和分析；
模式识别和分析：运用决策树对用户行为和网络流量数据进行模式识别，以发现用户使用习惯、高需求区域和流量峰值时段，利用时间序列分析技术，识别网络使用的趋势和周期性变化，预测未来的网络需求。
进一步的，所述决策树用于分类网络设备的运行状态，包括识别是否存在过载、潜在故障情况，计算如下：
使用信息增益IG来选择分割属性，信息增益定义为:，其中，
代表网络设备状态的数据集，包括设备性能指标：带宽使用率、延迟、数据包丢 失率；
代表影响网络状态的属性：设备类型、流量模式、时间段；
是数据集的熵，表示网络状态的不确定性；
是给定属性后的条件熵，表示在知道属性的情况下，网络状态不 确定性的减少。
进一步的，所述时间序列分析技术采用自回归综合移动平均(ARIMA)模型，用于预 测网络流量，在布线规划中考虑未来的网络需求，自回归综合移动平均(ARIMA)模型表示为，其中，
；
其中，是经过差分次后的网络流量数据，、、分别是模型的自回归项数、差 分次数、移动平均项数，和分别是自回归和移动平均参数，通过历史网络流量数据来确 定，是时刻的预测误差。
进一步的，所述S3的智能算法具体包括：
S31：算法框架建立，使用多目标优化的遗传算法来同时处理多种优化目标，包括成本最小化、效率最大化、可靠性优化，设定适应度函数，包括网络延迟最小、带宽利用率最大、设备运行成本最低；
S32：线缆路径优化，输入数据分析结果，包括高流量区域、设备间的通信模式，利用最短路径算法结合遗传算法，计算出成本效益最高的线缆布局方案，考虑物理限制和安装成本，优化线缆的长度和路径选择；
S33：接口分配策略，基于用户行为数据和设备性能数据，预测接入点的需求和流量分布，应用负载均衡算法和网络拥塞控制策略，优化接口的数量和位置分配，以满足不同区域的需求；
S34：设备布局规划，分析设备间的依赖性和通信需求，使用集群分析方法来确定最佳的设备布局，结合成本效益分析，平衡设备购置成本和运行效率，优化设备的物理位置和网络连接。
所述S31中的遗传算法具体包括：
S311，初始化：随机生成一组初始解集合（称为种群），每个解代表一个布线方案，包含线缆路径、接口分配和设备布局的决策变量；
S312，定义多个适应度函数来评估每个解的质量，定义如下：
成本函数：总布线成本；
效率函数：网络效率；
可靠性函数：网络可靠性；
其中代表一个解，即一种布线方案；
S313，选择：根据适应度函数选择优解进行繁殖，高适应度的解被选中的概率更高；
S314，交叉：随机选择父代解，按照预定概率交换其部分基因，产生新的解，即子代；
S315，变异：以预定概率修改子代解的部分基因，以增加种群的多样性；
S316，迭代：重复选择、交叉和变异过程，直到满足停止条件。
进一步的，所述S32中的线缆路径优化具体包括：
S321，初始化和染色体编码：在遗传算法中，每个染色体代表一种线缆布局方案，所述染色体编码为系列决策变量，包括线缆的起点和终点位置、类型、长度，进而随机生成初始的线缆布局方案集合，每个方案由系列决策变量表示；
S322，适应度函数结合最短路径计算：
成本函数:(线缆成本线缆长度)，其中，线缆长度通过最短路径算法 计算；
效率函数:，网络延迟部分基于最短路径算法结果获 得；
S323，每次计算适应度时，对于每个线缆路径，使用最短路径算法计算其最优路径，保证每个线缆段都以最短或最有效的方式布置；
S324，选择、交叉和变异如下：
选择：根据适应度函数选择最优布线方案进行繁殖；
交叉：选定父代方案，随机交换部分基因（即线缆路径决策），产生新的布线方案（子代）；
变异：随机改变子代中的部分基因（修改线缆路径或类型），引入新的布线方案；
迭代优化：通过多代迭代，不断选择、交叉和变异，逐渐改进线缆布局方案；
终止条件：当达到预定的迭代次数或适应度不再显著提高时，算法终止。
所述S33中的接口分配策略具体包括：
S331：预测接入点需求和流量分布，收集用户行为数据（用户在线时间、服务使用 情况）和设备性能数据（带宽利用率、响应时间），利用时间序列分析来预测接入点的需求， 预测模型表示为：，其中，是预测的需求或流量，是 特征变量，包括历史流量数据、用户行为指标，分析哪些因素（时间、地点、用户类型）对流量 有显著影响，从而进行预测；
S332：应用负载均衡和网络拥塞控制，所述负载均衡算法目标是在接入点之间均 衡分配网络流量，以优化整体性能，使用加权轮询算法，对于每个接入点，计算其负载为：，并按照最低负载选择接入点；
所述拥塞控制策略目标是减少或避免网络拥塞，采用TCP拥塞控制，通过调整窗口 大小来控制数据的发送速率，窗口大小调整公式为: ，其中，和分别是调整后和之前的窗口大小，是调整系数，拥塞指标包括丢包率 或延迟，阈值是设定的拥塞控制阈值。
所述S34中的设备布局规划具体包括：
S341：所述集群分析方法基于社区检测算法，用于识别网络中的高密度连接区域， 即设备集群，社区检测算法通过优化模块度实现，模块度的计算公式为：
，其中，表示节点和之间的边的权重， 和是节点的度，是图中所有边的权重之和，是克罗内克函数，当时值为1，否则 为0，根据集群分析的结果，将依赖度高的设备布局在物理位置相接近的位置，以减少通信 延迟和提高效率；
S342：成本效益分析，计算不同设备配置方案的总成本，包括设备购买、安装和维 护成本，评估不同布局方案对网络性能的影响，包括延迟、带宽利用率和可靠性，通过建立 一个成本效益函数来平衡成本与效率，成本效益函数表示为：，其中是成本函数，是效率函数，和是权衡因 子。
进一步的，所述最短路径算法基于迪杰斯特拉算法，具体包括：
初始化：对于网络中的每个节点，设定距离初始为无穷大，除了起始节点， 设；
算法过程：重复以下直到所有节点都被访问：
选择一个未访问的节点，其具有最小的，对于的每个邻接节点，更新为；
将迪杰斯特拉算法应用于计算线缆路径的最短路径，这将直接影响到遗传算法中的成本函数和效率函数的计算，
在成本函数中：线缆长度由迪杰斯特拉算法确定，成本函数表示为线缆的单 价乘以通过迪杰斯特拉算法计算得到的线缆长度之和；
在效率函数中：基于网络延迟与线缆长度成正比，利用迪杰斯特拉算法计算 得到的最短路径长度来估算网络延迟。
基于大数据的综合智能布线系统，用于实现上述的基于大数据的综合智能布线方法，包括以下模块：
数据收集模块：负责收集网络设备的运行数据、用户行为数据及网络状态数据，部署数据采集工具和传感器，以自动收集数据，带宽利用率、用户访问模式、设备响应时间；
数据分析模块：使用大数据分析技术对收集到的数据进行处理，识别网络使用模式和潜在需求，集成数据处理平台，如Hadoop或Spark，应用数据挖掘和预测模型，以分析和解读数据；
布线规划模块：基于数据分析结果，使用智能算法设计最优布线方案，包括线缆路径、接口分配和设备布局；
执行布线模块：根据规划方案实施布线，同时监控布线过程，确保布线质量和效率，使用自动化、手动工具配合设备管理来执行布线工作，基于监控系统实时追踪布线进度和质量；
性能评估模块：在布线完成后评估网络性能，与预期目标进行比较，以验证布线方案的有效性。
本发明的有益效果：
本发明，通过实时收集并分析网络设备运行数据、用户行为数据及网络状态数据，本方法能够提供基于当前和预测网络需求的动态布线规划。这不仅提高了布线的效率，还确保了布线方案能够适应未来的网络需求变化，从而延长了网络基础设施的有效使用寿命，运用智能算法结合最短路径算法优化线缆布局，以及应用负载均衡和拥塞控制策略优化接口分配，使得布线方案在成本、效率和可靠性方面达到最佳平衡。
本发明，通过优化线缆路径和设备布局，减少了所需线缆的长度和数量，降低了材料和安装成本，同时，通过提高网络效率和可靠性，减少了网络的维护和升级费用，从而在整个网络生命周期中实现成本节约，有效的布线和设备布局减少了能源消耗，尤其是在数据中心等高密度网络环境中，优化的布线可以显著降低冷却和电力成本。
本发明，通过精确的数据分析和智能布线规划，本方法能够确保网络在高需求区域提供足够的带宽和低延迟连接，从而提高整体网络性能。
附图说明
为了更清楚地说明本发明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，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为本发明实施例的布线方法流程示意图；
图2为本发明实施例的布线系统功能模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如图1所示，基于大数据的综合智能布线方法，包括以下步骤：
S1：数据收集，收集网络设备的运行数据、用户行为数据及网络状态数据；
S2：数据分析，利用大数据分析技术对收集的数据进行处理，识别网络使用模式和潜在需求；
S3：布线规划，根据数据分析结果，利用智能算法设计最优布线方案，最优布线方案包括线缆路径、接口分配和设备布局，此步骤考虑了网络的现有状态和预测的未来需求，确保布线方案的长期有效性；
S4：执行布线：按照规划方案实施布线，同时监控布线过程，确保布线质量和效率；
S5：性能评估，布线完成后，评估网络性能，以验证布线方案的有效性，采用网络分析器和NTA性能管理软件，来评估网络延迟、带宽使用、错误率指标，并将结果与预期目标进行比较，这一步骤利用初始数据分析和布线过程中收集的数据来评估网络性能；
根据性能评估结果和持续收集的数据，不断调整和优化布线方案。在这一步骤中，动态调整布线的数据将被用于进一步优化网络布线，形成一个持续自我完善的布线系统。
S1具体包括：
网络设备运行数据收集：部署网络监控工具，实时捕获和记录设备的运行状态，包括带宽使用率、延迟、数据包丢失率和错误率，通过管理网络设备的内置日志功能，收集设备运行日志，分析设备性能和识别常见故障模式；
用户行为数据收集：利用网络流量分析工具，追踪和记录用户的网络活动模式，包括访问的网站、使用的应用和服务以及数据流量的峰值和谷值时间，在关键网络接入点部署传感器或软件代理，以记录用户的接入位置和移动模式；
网络状态数据收集：通过网络性能监控，定期检测和记录网络的整体健康状况，包括网络拓扑、连接稳定性和流量分布，使用协议分析器来分析网络中的数据传输和协议交互模式。
以上收集步骤的目的是获取全面、深入的网络使用情况和性能数据，为后续的数据分析和布线规划提供丰富的信息基础，这些步骤将确保收集的数据具有高度的准确性和相关性，为实现最优化的布线方案提供关键支持。
S2具体包括：
数据预处理：使用数据清洗技术，包括缺失值处理、异常值检测和去除，对收集的数据进行标准化和归一化处理，以便在不同类型和来源的数据间进行有效比较和分析；
模式识别和分析：运用决策树对用户行为和网络流量数据进行模式识别，以发现用户使用习惯、高需求区域和流量峰值时段，利用时间序列分析技术，识别网络使用的趋势和周期性变化，预测未来的网络需求。
决策树用于分类网络设备的运行状态，包括识别是否存在过载、潜在故障情况，计算如下：
使用信息增益IG来选择分割属性，信息增益定义为:，其中，
代表网络设备状态的数据集，包括设备性能指标：带宽使用率、延迟、数据包丢 失率；
代表影响网络状态的属性：设备类型、流量模式、时间段；
是数据集的熵，表示网络状态的不确定性；
是给定属性后的条件熵，表示在知道属性的情况下，网络状态不 确定性的减少。
决策树在本发明中的应用：分类网络状态，确定网络是在正常运行、面临过载风险，还是存在潜在故障。
构建决策树模型：使用收集的网络设备运行数据（如带宽使用、延迟、数据包丢失率）作为特征。设定分类目标，例如“正常”、“高风险”、“故障”等状态。利用历史数据和专家知识来训练决策树模型，确定如何基于不同的特征值进行分类。
使用决策树进行实时分类：实时输入网络的当前运行数据到决策树模型，模型根据输入数据沿树进行决策，直到达到叶节点，即得到网络当前状态的分类。
分类结果的应用：根据网络状态的分类，进行相应的布线调整或预防措施。例如，如果某部分网络被分类为“高风险”，可能需要增加冗余连接或优化该区域的布线。
时间序列分析技术采用自回归综合移动平均(ARIMA)模型，用于预测网络流量，在 布线规划中考虑未来的网络需求，自回归综合移动平均(ARIMA)模型表示为，其中，
；
其中，是经过差分次后的网络流量数据，、、分别是模型的自回归项数、差 分次数、移动平均项数，和分别是自回归和移动平均参数，通过历史网络流量数据来确 定，是时刻的预测误差。
ARIMA模型在本发明中的应用：预测网络流量，以便在布线规划中考虑未来的需求。
建立ARIMA模型：收集过去一段时间的网络流量数据，作为时间序列数据。确定ARIMA模型的参数（p, d, q），可能需要通过试错方法或自动化选择工具来实现。使用这些数据训练ARIMA模型，以拟合历史流量趋势和模式。
进行网络需求预测：使用ARIMA模型对未来一段时间的网络流量进行预测。这些预测考虑了历史趋势、季节性变化等因素，提供了对未来流量模式的估计。
预测结果的应用：根据流量预测来指导布线规划。例如，如果预测显示某个区域未来流量将显著增加，那么可以在这个区域预先布设更多的网络资源，如增加线缆容量或优化节点布局。
通过将决策树用于实时网络状态分类和利用ARIMA模型预测未来网络需求，本发明可以实现更加智能和适应性强的网络布线规划。这种方法不仅提高了网络设计的效率和可靠性，还确保了网络布线能够适应未来的发展需求。
S3的智能算法具体包括：
S31：算法框架建立，使用多目标优化的遗传算法来同时处理多种优化目标，包括成本最小化、效率最大化、可靠性优化，设定适应度函数，包括网络延迟最小、带宽利用率最大、设备运行成本最低；
S32：线缆路径优化，输入数据分析结果，包括高流量区域、设备间的通信模式，利用最短路径算法结合遗传算法，计算出成本效益最高的线缆布局方案，考虑物理限制和安装成本，优化线缆的长度和路径选择；
S33：接口分配策略，基于用户行为数据和设备性能数据，预测接入点的需求和流量分布，应用负载均衡算法和网络拥塞控制策略，优化接口的数量和位置分配，以满足不同区域的需求；
S34：设备布局规划，分析设备间的依赖性和通信需求，使用集群分析方法来确定最佳的设备布局，结合成本效益分析，平衡设备购置成本和运行效率，优化设备的物理位置和网络连接；
使用模拟软件对设计的布线方案进行仿真测试，评估其性能和可靠性，根据仿真结果和实际应用反馈，调整优化算法参数，进行迭代优化，直至找到最满意的布线方案。
以上智能算法应用步骤确保了布线方案的全面性和先进性，使其能够高效地适应不断变化的网络需求和环境条件。通过这种方法，本发明能够实现网络布线的成本效益最大化和性能最优化。
使用遗传算法（Genetic Algorithm, GA）作为多目标优化算法，遗传算法是一种模拟自然选择过程的搜索算法，非常适合于处理多目标优化问题，可以用来同时优化多个目标，如成本、效率和可靠性，这些都是网络布线中的关键考量因素。
S31中的遗传算法具体包括：
S311，初始化：随机生成一组初始解集合（称为种群），每个解代表一个布线方案，包含线缆路径、接口分配和设备布局的决策变量；
S312，定义多个适应度函数来评估每个解的质量，定义如下：
成本函数：总布线成本；
效率函数：网络效率；
可靠性函数：网络可靠性；
其中代表一个解，即一种布线方案；
S313，选择：根据适应度函数选择优解进行繁殖，高适应度的解被选中的概率更高；
S314，交叉：随机选择父代解，按照预定概率交换其部分基因，产生新的解，即子代；
S315，变异：以预定概率修改子代解的部分基因，以增加种群的多样性；
S316，迭代：重复选择、交叉和变异过程，直到满足停止条件（达到预定的迭代次数或解的质量达到要求）。
在本发明中，遗传算法用来优化网络布线方案：
成本函数基于线缆的长度、类型和安装成本来计算，目标是最小化总成本。 效率函数根据网络的数据传输效率和延迟来评估，目标是最大化网络的总体效率。可 靠性函数考虑到网络的冗余设计和故障恢复能力，目标是最大化网络的可靠性。通过 不断迭代，遗传算法能够在多个目标之间找到最佳的平衡点，生成最优的网络布线方案。
S32中的线缆路径优化具体包括：
S321，初始化和染色体编码：在遗传算法中，每个染色体代表一种线缆布局方案，染色体编码为系列决策变量，包括线缆的起点和终点位置、类型、长度，进而随机生成初始的线缆布局方案集合，每个方案由系列决策变量表示；
S322，适应度函数结合最短路径计算：
成本函数：(线缆成本线缆长度)，其中，线缆长度通过最短路径算法 计算；
效率函数:，网络延迟部分基于最短路径算法结果获 得；
S323，每次计算适应度时，对于每个线缆路径，使用最短路径算法计算其最优路径，保证每个线缆段都以最短或最有效的方式布置；
S324，选择、交叉和变异如下：
选择：根据适应度函数选择最优布线方案进行繁殖；
交叉：选定父代方案，随机交换部分基因（即线缆路径决策），产生新的布线方案（子代）；
变异：随机改变子代中的部分基因（修改线缆路径或类型），引入新的布线方案；
迭代优化：通过多代迭代，不断选择、交叉和变异，逐渐改进线缆布局方案；
终止条件：当达到预定的迭代次数或适应度不再显著提高时，算法终止；
在本发明中，结合最短路径算法可以优化每条线缆的具体路径，而遗传算法则用于优化整个网络的线缆布局。例如，对于高流量区域，最短路径算法可以确保线缆以最有效的方式连接关键节点，而遗传算法则可以在更广泛的网络层面上评估和优化这些决策的总体效果。
S33中的接口分配策略具体包括：
S331：预测接入点需求和流量分布，收集用户行为数据（用户在线时间、服务使用 情况）和设备性能数据（带宽利用率、响应时间），利用时间序列分析来预测接入点的需求， 预测模型表示为：，其中，是预测的需求或流量，是 特征变量，包括历史流量数据、用户行为指标，分析哪些因素（时间、地点、用户类型）对流量 有显著影响，从而进行预测；
S332：应用负载均衡和网络拥塞控制，负载均衡算法目标是在接入点之间均衡分 配网络流量，以优化整体性能，使用加权轮询算法，对于每个接入点，计算其负载为：，并按照最低负载选择接入点；
拥塞控制策略目标是减少或避免网络拥塞，采用TCP拥塞控制，通过调整窗口大小 来控制数据的发送速率，窗口大小调整公式为:，其 中，和分别是调整后和之前的窗口大小，是调整系数，拥塞指标包括丢包率或 延迟，阈值是设定的拥塞控制阈值；
在本发明中，通过上述方法预测各接入点的需求和流量分布，然后应用负载均衡和拥塞控制策略，可以有效地优化接口的数量和位置分配：
在用户行为和设备性能数据表明某个区域在特定时间段内流量需求较高时，可以通过预测模型提前识别这种趋势，并相应地在该区域增加接口数量或优化接口配置。
当某个接入点的负载接近或超过阈值时，负载均衡算法可以将新的流量引导至负载较低的接入点，从而避免过载，通过拥塞控制策略，可以根据网络的实时拥塞状况动态调整数据传输的窗口大小，减少网络拥塞的可能性，如果某个接入点的网络延迟开始增加，表明可能出现拥塞，拥塞控制算法会减小数据传输的窗口大小，以减少该接入点的数据负载，直到网络延迟降低。
具体应用示例。
在本发明的网络布线方案中，接入点的数量和位置分配将基于对未来流量需求的预测进行优化，如果数据分析和预测显示某个区域在工作日的早高峰时段有较高的网络使用率，那么这个区域需要更多的接入点或更高容量的接口来应对流量高峰，相应地，布线方案可以提前规划在这些区域部署额外的网络资源，比如增加线缆密度或设置高性能的路由器和交换机。此外，如果在某个区域经常出现网络拥塞，负载均衡算法可以在设计阶段就考虑到这一点，通过在该区域和周边区域之间合理分配接入点，确保网络流量得到有效分散，降低拥塞风险。
S34中的设备布局规划具体包括：
S341：集群分析方法基于社区检测算法，用于识别网络中的高密度连接区域，即设 备集群，社区检测算法通过优化模块度实现，模块度的计算公式为：
，其中，表示节点和之间的边的权重， 和是节点的度，是图中所有边的权重之和，是克罗内克函数，当时值为1，否则 为0，根据集群分析的结果，将依赖度高的设备布局在物理位置相接近的位置，以减少通信 延迟和提高效率；
S342：成本效益分析，计算不同设备配置方案的总成本，包括设备购买、安装和维 护成本，评估不同布局方案对网络性能的影响，包括延迟、带宽利用率和可靠性，通过建立 一个成本效益函数来平衡成本与效率，成本效益函数表示为：，其中是成本函数，是效率函数，和是权衡因 子。
模块度与设备布局规划的关联：模块度可以帮助识别网络中哪些设备或节点 紧密相连，形成一个集群，在网络中，这些集群表明设备间有高频率的互动或依赖关系，通 过最大化模块度，我们可以确保通信密集的设备被布局在彼此接近的位置。这减少了数据 在设备间传输的路径长度，从而减少了通信延迟。
具体应用示例。
设在一个数据中心，有多台服务器、存储设备和网络设备，设备之间的通信模式可能因应用和服务的不同而有所不同，某些服务器可能频繁地与特定的存储设备交换数据。
通过应用社区检测算法并最大化模块度，可以识别出哪些服务器和存储设备之 间有高频度的交互，如果服务器A和B经常与存储设备X交换数据，而服务器C和D经常与存储 设备Y交换数据，那么我们可以将A、B和X归为一个集群，将C、D和Y归为另一个集群。
在物理布局上，我们可以将每个集群中的设备放置在相对接近的位置。这种布局方式不仅提高了数据交换的效率（因为减少了数据传输的距离），同时也有助于优化数据中心的能源效率和降低相关的运维成本。
例如，如果分析发现某些服务器主要与相同的网络交换机进行通信，将这些服务器物理上靠近这些交换机布置，可以减少需要的线缆长度和数量，降低了线缆成本，同时也减少了线缆引起的信号衰减和延迟。同样的原则也适用于存储设备和其他网络设备。
通过最大化模块度，本发明的设备布局规划不仅考虑了设备间的物理位置，也 优化了网络架构的效率，这种方法使得网络设计既考虑了成本效益，又确保了高效的数据 通信，特别是在数据中心或大规模网络环境中尤为重要。
最短路径算法基于迪杰斯特拉算法，迪杰斯特拉算法的核心是维护一个距离表，记录从起始节点到其他各节点的最短路径长度，并逐步更新这个表直到找到最短路径。具体包括：
初始化：对于网络中的每个节点，设定距离初始为无穷大，除了起始节点， 设；
算法过程：重复以下直到所有节点都被访问：
选择一个未访问的节点，其具有最小的，对于的每个邻接节点，更新为；
将迪杰斯特拉算法应用于计算线缆路径的最短路径，这将直接影响到遗传算法中的成本函数和效率函数的计算，
在成本函数中：线缆长度由迪杰斯特拉算法确定，成本函数表示为线缆的单 价乘以通过迪杰斯特拉算法计算得到的线缆长度之和；
在效率函数中：基于网络延迟与线缆长度成正比，利用迪杰斯特拉算法计算 得到的最短路径长度来估算网络延迟。
这样，遗传算法在评估和优化布线方案时，不仅考虑到了成本效益，还确保了线缆路径的高效性，即每条线缆都是沿着最短的可行路径布置。结合迪杰斯特拉算法和遗传算法，本发明可以在保证成本效益的同时，确保线缆路径的高效性。这种方法使得布线方案在满足成本和效率的最优化需求的同时，还考虑了实际的物理布局和网络拓扑结构，从而确保了整个网络布线方案的实用性和优越性。
如图2所示，基于大数据的综合智能布线系统，用于实现上述的基于大数据的综合智能布线方法，包括以下模块：
数据收集模块：负责收集网络设备的运行数据、用户行为数据及网络状态数据，部署数据采集工具和传感器，以自动收集数据，带宽利用率、用户访问模式、设备响应时间；
数据分析模块：使用大数据分析技术对收集到的数据进行处理，识别网络使用模式和潜在需求，集成数据处理平台，如Hadoop或Spark，应用数据挖掘和预测模型，以分析和解读数据；
布线规划模块：基于数据分析结果，使用智能算法设计最优布线方案，包括线缆路径、接口分配和设备布局；
执行布线模块：根据规划方案实施布线，同时监控布线过程，确保布线质量和效率，使用自动化、手动工具配合设备管理来执行布线工作，基于监控系统实时追踪布线进度和质量；
性能评估模块：在布线完成后评估网络性能，与预期目标进行比较，以验证布线方案的有效性。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于大数据的综合智能布线方法，其特征在于，包括以下步骤：
S1：数据收集，收集网络设备的运行数据、用户行为数据及网络状态数据，具体包括：
网络设备运行数据收集：部署网络监控工具，实时捕获和记录设备的运行状态，包括带宽使用率、延迟、数据包丢失率和错误率，通过管理网络设备的内置日志功能，收集设备运行日志，分析设备性能和识别常见故障模式；
用户行为数据收集：利用网络流量分析工具，追踪和记录用户的网络活动模式，包括访问的网站、使用的应用和服务以及数据流量的峰值和谷值时间，在关键网络接入点部署传感器或软件代理，以记录用户的接入位置和移动模式；
网络状态数据收集：通过网络性能监控，定期检测和记录网络的整体健康状况，包括网络拓扑、连接稳定性和流量分布，使用协议分析器来分析网络中的数据传输和协议交互模式；
S2：数据分析，利用大数据分析技术对收集的数据进行处理，识别网络使用模式和潜在需求，具体包括：
数据预处理：使用数据清洗技术，包括缺失值处理、异常值检测和去除，对收集的数据进行标准化和归一化处理，以便在不同类型和来源的数据间进行有效比较和分析；
模式识别和分析：运用决策树对用户行为和网络流量数据进行模式识别，以发现用户使用习惯、高需求区域和流量峰值时段，利用时间序列分析技术，识别网络使用的趋势和周期性变化，预测未来的网络需求；
S3：布线规划，根据数据分析结果，利用智能算法设计最优布线方案，最优布线方案包括线缆路径、接口分配和设备布局，所述智能算法具体包括：
S31：算法框架建立，使用多目标优化的遗传算法来同时处理多种优化目标，包括成本最小化、效率最大化、可靠性优化，设定适应度函数，包括网络延迟最小、带宽利用率最大、设备运行成本最低；
S32：线缆路径优化，输入数据分析结果，包括高流量区域、设备间的通信模式，利用最短路径算法结合遗传算法，计算出成本效益最高的线缆布局方案，考虑物理限制和安装成本，优化线缆的长度和路径选择；
S33：接口分配策略，基于用户行为数据和设备性能数据，预测接入点的需求和流量分布，应用负载均衡算法和网络拥塞控制策略，优化接口的数量和位置分配，以满足不同区域的需求；
S34：设备布局规划，分析设备间的依赖性和通信需求，使用集群分析方法来确定最佳的设备布局，结合成本效益分析，平衡设备购置成本和运行效率，优化设备的物理位置和网络连接；
S4：执行布线：按照规划方案实施布线，同时监控布线过程，确保布线质量和效率；
S5：性能评估，布线完成后，评估网络性能，以验证布线方案的有效性，采用网络分析器和NTA性能管理软件，来评估网络延迟、带宽使用、错误率指标，并将结果与预期目标进行比较。
2.根据权利要求1所述的基于大数据的综合智能布线方法，其特征在于，所述决策树用于分类网络设备的运行状态，包括识别是否存在过载、潜在故障情况，计算如下：
使用信息增益IG来选择分割属性，信息增益IG定义为:IG(D，A)＝H(D)-H(D∣A)，其中，
D代表网络设备状态的数据集，包括设备性能指标：带宽使用率、延迟、数据包丢失率；
A代表影响网络状态的属性：设备类型、流量模式、时间段；
H(D)是数据集D的熵，表示网络状态的不确定性；
H(D∣A)是给定属性A后D的条件熵，表示在知道属性A的情况下，网络状态不确定性的减少。
3.根据权利要求2所述的基于大数据的综合智能布线方法，其特征在于，所述时间序列分析技术采用自回归综合移动平均模型，用于预测网络流量，在布线规划中考虑未来的网络需求，自回归综合移动平均模型表示为ARIMA(p，d，q)，其中，
其中，Y′t是经过差分d次后的网络流量数据，p、d、q分别是模型的自回归项数、差分次数、移动平均项数，和θ分别是自回归和移动平均参数，通过历史网络流量数据来确定，εt是时刻t的预测误差。
4.根据权利要求3所述的基于大数据的综合智能布线方法，其特征在于，所述S31中的遗传算法具体包括：
S311，初始化：随机生成一组初始解集合，每个解代表一个布线方案，包含线缆路径、接口分配和设备布局的决策变量；
S312，定义多个适应度函数来评估每个解的质量，定义如下：
成本函数：C(x)＝总布线成本；
效率函数：E(x)＝网络效率；
可靠性函数：R(x)＝网络可靠性；
其中x代表一个解，即一种布线方案；
S313，选择：根据适应度函数选择优解进行繁殖，高适应度的解被选中的概率更高；
S314，交叉：随机选择父代解，按照预定概率交换其部分基因，产生新的解，即子代；
S315，变异：以预定概率修改子代解的部分基因，以增加种群的多样性；
S316，迭代：重复选择、交叉和变异过程，直到满足停止条件。
5.根据权利要求4所述的基于大数据的综合智能布线方法，其特征在于，所述S32中的线缆路径优化具体包括：
S321，初始化和染色体编码：在遗传算法中，每个染色体代表一种线缆布局方案，所述染色体编码为系列决策变量，包括线缆的起点和终点位置、类型、长度，进而随机生成初始的线缆布局方案集合，每个方案由系列决策变量表示；
S322，适应度函数结合最短路径计算：
成本函数:C(x)＝∑(线缆成本×线缆长度)，其中，线缆长度通过最短路径算法计算；
效率函数:网络延迟部分基于最短路径算法结果获得；
S323，每次计算适应度时，对于每个线缆路径，使用最短路径算法计算其最优路径，保证每个线缆段都以最短或最有效的方式布置；
S324，选择、交叉和变异如下：
选择：根据适应度函数选择最优布线方案进行繁殖；
交叉：选定父代方案，随机交换部分基因，产生新的布线方案；
变异：随机改变子代中的部分基因，引入新的布线方案；
迭代优化：通过多代迭代，不断选择、交叉和变异，逐渐改进线缆布局方案；
终止条件：当达到预定的迭代次数或适应度不再显著提高时，算法终止；
所述S33中的接口分配策略具体包括：
S331：预测接入点需求和流量分布，收集用户行为数据和设备性能数据，利用时间序列分析来预测接入点的需求，预测模型表示为：Y＝f(X1，X2，…Xn)，其中，Y是预测的需求或流量，X1,X2,…,Xn是特征变量，包括历史流量数据、用户行为指标，分析哪些因素对流量有显著影响，从而进行预测；
S332：应用负载均衡和网络拥塞控制，所述负载均衡算法目标是在接入点之间均衡分配网络流量，以优化整体性能，使用加权轮询算法，对于每个接入点，计算其负载为：并按照最低负载选择接入点；
所述拥塞控制策略目标是减少或避免网络拥塞，采用TCP拥塞控制，通过调整窗口大小来控制数据的发送速率，窗口大小调整公式为:其中，Wnew和Wold分别是调整后和之前的窗口大小，β是调整系数，拥塞指标包括丢包率或延迟，阈值是设定的拥塞控制阈值；
所述S34中的设备布局规划具体包括：
S341：所述集群分析方法基于社区检测算法，用于识别网络中的高密度连接区域，即设备集群，社区检测算法通过优化模块度实现，模块度Q的计算公式为：
其中，Aij表示节点i和j之间的边的权重，ki和kj是节点的度，m是图中所有边的权重之和，δ是克罗内克函数，当i＝cj时值为1，否则为0，根据集群分析的结果，将依赖度高的设备布局在物理位置相接近的位置，以减少通信延迟和提高效率；
S342：成本效益分析，计算不同设备配置方案的总成本，包括设备购买、安装和维护成本，评估不同布局方案对网络性能的影响，包括延迟、带宽利用率和可靠性，通过建立一个成本效益函数来平衡成本与效率，成本效益函数表示为：F(x)＝α·C(x)+β·E(x)，其中C(x)是成本函数，E(x)是效率函数，α和β是权衡因子。
6.根据权利要求5所述的基于大数据的综合智能布线方法，其特征在于，所述最短路径算法基于迪杰斯特拉算法，具体包括：
初始化：对于网络中的每个节点v，设定距离d(v)初始为无穷大，除了起始节点s，设d(s)＝0；
算法过程：重复以下直到所有节点都被访问：
选择一个未访问的节点u，其具有最小的d(u)，对于u的每个邻接节点v，更新d(v)为min(d(v),d(u)+边(u,v)的长度)；
将迪杰斯特拉算法应用于计算线缆路径的最短路径；
在成本函数C(x)中：线缆长度由迪杰斯特拉算法确定，成本函数表示为线缆的单价乘以通过迪杰斯特拉算法计算得到的线缆长度之和；
在效率函数E(x)中：基于网络延迟与线缆长度成正比，利用迪杰斯特拉算法计算得到的最短路径长度来估算网络延迟。
7.基于大数据的综合智能布线系统，用于实现如权利要求1-6任一项所述的基于大数据的综合智能布线方法，其特征在于，包括以下模块：
数据收集模块：负责收集网络设备的运行数据、用户行为数据及网络状态数据，部署数据采集工具和传感器，以自动收集数据，带宽利用率、用户访问模式、设备响应时间；
数据分析模块：使用大数据分析技术对收集到的数据进行处理，识别网络使用模式和潜在需求，集成数据处理平台，应用数据挖掘和预测模型，以分析和解读数据；
布线规划模块：基于数据分析结果，使用智能算法设计最优布线方案，包括线缆路径、接口分配和设备布局；
执行布线模块：根据规划方案实施布线，同时监控布线过程，确保布线质量和效率，使用自动化、手动工具配合设备管理来执行布线工作，基于监控系统实时追踪布线进度和质量；
性能评估模块：在布线完成后评估网络性能，与预期目标进行比较，以验证布线方案的有效性。
CN202410246540.1A 2024-03-05 2024-03-05 基于大数据的综合智能布线方法及系统 Active CN117828798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410246540.1A CN117828798B (zh) 2024-03-05 2024-03-05 基于大数据的综合智能布线方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410246540.1A CN117828798B (zh) 2024-03-05 2024-03-05 基于大数据的综合智能布线方法及系统

Publications (2)

Publication Number Publication Date
CN117828798A CN117828798A (zh) 2024-04-05
CN117828798B true CN117828798B (zh) 2024-05-24

Family

ID=90523104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410246540.1A Active CN117828798B (zh) 2024-03-05 2024-03-05 基于大数据的综合智能布线方法及系统

Country Status (1)

Country Link
CN (1) CN117828798B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001097137A2 (en) * 2000-06-12 2001-12-20 Wireless Facilities, Inc. System and method of planning and designing a broadband wireless network
CN113343593A (zh) * 2021-08-05 2021-09-03 佛山市陶风互联网络科技有限公司 基于神经网络的家装布线规划管理方法、系统及存储介质
CN114117701A (zh) * 2021-11-29 2022-03-01 海南志仲科技有限公司 计算机网络综合布线实施方法
CN114676862A (zh) * 2022-05-27 2022-06-28 容云家(深圳)互联网技术有限公司 一种数据中心的可视化运维管理方法及系统
CN116668227A (zh) * 2022-02-17 2023-08-29 上海望特能源科技有限公司 现场总线的布线方法
CN116823578A (zh) * 2023-07-17 2023-09-29 鲁友燕 基于大数据分析的智能城市规划系统和方法
CN117252447A (zh) * 2023-11-17 2023-12-19 山东海晟盐业有限公司 一种工业盐生产统计方法及系统
CN117459457A (zh) * 2023-10-23 2024-01-26 国网河南省电力公司信息通信分公司 一种基于分布式核心网的接入方法
CN117640335A (zh) * 2024-01-26 2024-03-01 中铁七局集团西安铁路工程有限公司 一种智能建筑综合布线的动态调整和优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7619981B2 (en) * 2004-03-15 2009-11-17 International Business Machines Corporation Apparatus, system, and method for identifying network mis-cabling

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001097137A2 (en) * 2000-06-12 2001-12-20 Wireless Facilities, Inc. System and method of planning and designing a broadband wireless network
CN113343593A (zh) * 2021-08-05 2021-09-03 佛山市陶风互联网络科技有限公司 基于神经网络的家装布线规划管理方法、系统及存储介质
CN114117701A (zh) * 2021-11-29 2022-03-01 海南志仲科技有限公司 计算机网络综合布线实施方法
CN116668227A (zh) * 2022-02-17 2023-08-29 上海望特能源科技有限公司 现场总线的布线方法
CN114676862A (zh) * 2022-05-27 2022-06-28 容云家(深圳)互联网技术有限公司 一种数据中心的可视化运维管理方法及系统
CN116823578A (zh) * 2023-07-17 2023-09-29 鲁友燕 基于大数据分析的智能城市规划系统和方法
CN117459457A (zh) * 2023-10-23 2024-01-26 国网河南省电力公司信息通信分公司 一种基于分布式核心网的接入方法
CN117252447A (zh) * 2023-11-17 2023-12-19 山东海晟盐业有限公司 一种工业盐生产统计方法及系统
CN117640335A (zh) * 2024-01-26 2024-03-01 中铁七局集团西安铁路工程有限公司 一种智能建筑综合布线的动态调整和优化方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Intelligent building integrated cabling control system based on physical isolation under big data technology;Zuo Mingwe;Results in Physics;20230721;全文 *
分析计算机网络综合布线的合理性;张伟杰;;计算机光盘软件与应用;20141015(20);全文 *
基于多级并行蚁群算法的综合布线路径规划;梁嘉伟;机电工程技术;20230720;全文 *
数据挖掘技术在高校网络运维管理中的应用研究;赵文;霍旭轮;;电脑与电信;20180710(07);全文 *
齐鲁商会大厦综合布线系统设计;韩京德;;建设科技;20071125(22);全文 *

Also Published As

Publication number Publication date
CN117828798A (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN117539726B (zh) 绿色智算中心能效优化方法及系统
CN1987922B (zh) 实际产品it系统的采用推测的在线性能建模方法和系统
CN116402002B (zh) 一种用于芯片布局问题的多目标分层强化学习方法
Rahman et al. Replica selection strategies in data grid
CN117909083B (zh) 一种分布式云容器资源调度方法及系统
Li et al. Efficient resource scaling based on load fluctuation in edge-cloud computing environment
CN117453398B (zh) 一种提高供电可靠性的算力调度的智能优化方法及系统
CN117649027B (zh) 基于智慧车站的数据处理方法及系统
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN117793115A (zh) 一种适用于数据中台服务网格的自适应负载均衡方法
Li et al. Swarm decision table and ensemble search methods in fog computing environment: Case of day-ahead prediction of building energy demands using IoT sensors
CN117692460A (zh) 一种服务器集群控制方法及系统
Sathupadi Ai-driven energy optimization in sdn-based cloud computing for balancing cost, energy efficiency, and network performance
CN117828798B (zh) 基于大数据的综合智能布线方法及系统
CN117313552A (zh) 半导体器件建模方法、系统及电子设备
CN116069143B (zh) 一种基于作业相似性判断功耗预测的节能方法及系统
Mingshi et al. Failure prediction based vnf migration mechanism for multimedia services in power grid substation monitoring
Saravanan et al. Workload prediction for enhancing power efficiency of cloud data centers using optimized self‐attention‐based progressive generative adversarial network
Huang et al. Accurate Prediction of Required Virtual Resources via Deep Reinforcement Learning
Zhan et al. A hybrid GA-TS algorithm for optimizing networked manufacturing resources configuration
CN117376973B (zh) 一种区域5g基站容量信息分析处理方法和系统
CN118411003B (zh) 多类别电力设备的负荷控制方法、系统、设备和存储介质
CN118467186B (zh) 多租户无服务器平台资源管理方法及系统
CN117439995B (zh) 信息发布方法、装置、设备及存储介质
CN118229042B (zh) 配电网ftu优化配置方法、装置、设备及存储介质

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