CN117938768A - 网络流量控制方法、装置、电子设备及存储介质 - Google Patents
网络流量控制方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117938768A CN117938768A CN202410061798.4A CN202410061798A CN117938768A CN 117938768 A CN117938768 A CN 117938768A CN 202410061798 A CN202410061798 A CN 202410061798A CN 117938768 A CN117938768 A CN 117938768A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- performance
- target
- initial
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims description 35
- 238000013524 data verification Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000000670 limiting effect Effects 0.000 claims description 20
- 230000010354 integration Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 abstract description 15
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/25—Flow control; Congestion control with rate being modified by the source upon detecting a change of network conditions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例提供了一种网络流量控制方法、装置、电子设备及存储介质,属于网络流量控制技术领域。该方法包括:对网络设备进行数据采集,得到初始网络数据;对初始网络数据进行数据规范化处理,得到目标网络数据;基于目标网络数据进行网络端口性能预测,得到目标网络性能数据;基于目标网络性能数据对网络设备进行流量控制。本申请实施例能够全面、准确的对网络数据进行分析,统计网络端口的性能数据,以实现快速、准确地对网络进行优化,提高网络运维效率,提高网络的可用性和性能。
Description
技术领域
本申请涉及网络流量控制技术领域,尤其涉及一种网络流量控制方法、装置、电子设备及存储介质。
背景技术
在企业运营过程中存在大量需要使用网络资源的服务,由于网络设备的处理能力和互联网端口的带宽有限,同时使用网络资源可能会导致部分服务无法正常使用,影响企业运营,因此需要对网络流量进行控制。
目前,主要使用网络设备提供的网络监控工具进行网络运维,以实现对网络流量的控制。然而,在实际的应用场景中,网络设备来自多个设备提供商,且种类繁多,难以全面地对网络流量进行监控和控制,导致网络运维效率较低,无法及时应对突发的网络问题。因此,如何提高网络运维效率,成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种网络流量控制方法、装置、电子设备及存储介质,旨在提高网络运维效率。
为实现上述目的,本申请实施例的第一方面提出了一种网络流量控制方法,所述方法包括:
对网络设备进行数据采集,得到初始网络数据;
对所述初始网络数据进行数据规范化处理,得到目标网络数据;
基于所述目标网络数据进行网络端口性能预测,得到目标网络性能数据;
基于所述目标网络性能数据对所述网络设备进行流量控制。
在一些实施例,所述基于所述目标网络数据进行网络端口性能预测,得到目标网络性能数据,包括:
基于所述目标网络数据进行网络端口性能参数提取,得到初始网络端口性能数据;
基于所述目标网络数据和所述初始网络端口性能数据进行链路性能计算,得到目标链路性能数据;
基于预设的性能预测模型对所述初始网络端口性能数据进行带宽预测,得到端口可用带宽预测数据;
基于所述目标链路性能数据和所述端口可用带宽预测数据计算所述网络设备的性能指标,得到所述目标网络性能数据。
在一些实施例,所述基于所述目标网络数据和所述初始网络端口性能数据进行链路性能计算,得到目标链路性能数据,包括:
基于所述目标网络数据进行链路流量统计,得到网络链路流量数据;
基于所述网络链路流量数据进行链路权重计算,得到目标链路权重数据;
基于所述目标链路权重数据和所述初始网络端口性能数据进行性能指标计算,得到所述目标链路性能数据。
在一些实施例,所述对所述初始网络数据进行数据规范化处理,得到目标网络数据,包括:
对所述初始网络数据进行数据规约处理,得到第一网络数据;
对所述第一网络数据进行数据集成处理,得到第二网络数据;
对所述第二网络数据进行数据单位规范化,得到第三网络数据;
对所述第三网络数据进行数据校验处理,得到第四网络数据;
对所述第四网络数据进行数据聚类,得到所述目标网络数据。
在一些实施例,所述对所述第四网络数据进行数据聚类,得到所述目标网络数据,包括:
按照预设划分依据对所述第四网络数据进行数据拆分,得到网络分类数据;
对所述第四网络数据进行设备数据提取,得到设备通信数据;
将所述网络分类数据和所述设备通信数据进行数据整合,得到所述目标网络数据。
在一些实施例,所述对所述第三网络数据进行数据校验处理,得到第四网络数据,包括:
对所述第三网络数据进行数据验证,得到数据验证结果;
若数据验证结果表征所述第三网络数据存在数据错误,则对所述第三网络数据进行数据纠偏,得到所述第四网络数据。
在一些实施例,所述基于所述目标网络性能数据对所述网络设备进行流量控制,包括:
基于所述目标网络性能数据对所述网络设备进行限流规则配置,得到设备流量阈值数据;
基于所述设备流量阈值数据对所述网络设备的网络流量进行限制。
为实现上述目的,本申请实施例的第二方面提出了一种网络流量控制装置,所述装置包括:
数据采集模块,用于对网络设备进行数据采集,得到初始网络数据;
规范化处理模块,用于对所述初始网络数据进行数据规范化处理,得到目标网络数据;
网络端口性能预测模块,用于基于所述目标网络数据进行网络端口性能预测,得到目标网络性能数据;
流量控制模块,用于基于所述目标网络性能数据对所述网络设备进行流量控制。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本申请提出的网络流量控制方法、装置、电子设备及存储介质,其通过对网络设备进行数据采集,得到初始网络数据;对初始网络数据进行数据规范化处理,得到目标网络数据;基于目标网络数据进行网络端口性能预测,得到目标网络性能数据;基于目标网络性能数据对网络设备进行流量控制。能够全面、准确的对网络数据进行分析,统计网络端口的性能数据,以实现快速、准确地对网络进行优化,提高网络运维效率,提高网络的可用性和性能。
附图说明
图1是本申请实施例提供的网络流量控制方法的流程图;
图2是图1中的步骤S102的流程图;
图3是图2中的步骤S204的流程图;
图4是图2中的步骤S205的流程图;
图5是图1中的步骤S103的流程图;
图6是图5中的步骤S502的流程图;
图7是图1中的步骤S104的流程图;
图8是本申请实施例提供的网络流量控制装置的结构示意图;
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
网络流量控制,网络流量控制是一种利用软件或硬件方式来实现对电脑网络流量的控制,网络流量控制的主要目的是把数据流量在网络中分布均衡、控制流量分配,以保证后续网络设备能够有效地运行高质量服务。
在企业运营过程中,存在大量业务需要使用网络资源,通过网络设备,如交换器、路由器和防火墙将各种服务连接起来,共同提供业务能力。然而,由于网络设备的处理能力和互联网端口的带宽有限,在多个服务同时使用网络资源时,可能会导致部分服务无法正常使用,影响企业运营,因此需要对网络流量进行监控和管理,以确保各个服务均能够正常使用而不会因为某个服务占用了所有带宽而影响其他服务。
目前,主要使用网络设备提供的网络监控工具和方法进行网络运维,以实现对网络流量的控制。然而,在实际的应用场景中,网络设备来自多个设备提供商,且种类繁多,难以全面地对网络流量进行监控和控制,导致问题的诊断和解决变得困难和耗时,进而导致网络运维效率较低,无法及时应对突发的网络问题。因此,如何提高网络运维效率,成为了亟待解决的技术问题。
基于此,本申请实施例提供了一种网络流量控制方法、装置、电子设备及存储介质,旨在提高网络运维效率。
本申请实施例提供的网络流量控制方法、装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的网络流量控制方法。
本申请实施例提供的网络流量控制方法,涉及网络流量控制技术领域。本申请实施例提供的网络流量控制方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现网络流量控制方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的网络流量控制方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S104。
步骤S101,对网络设备进行数据采集,得到初始网络数据;
步骤S102,对初始网络数据进行数据规范化处理,得到目标网络数据;
步骤S103,基于目标网络数据进行网络端口性能预测,得到目标网络性能数据;
步骤S104,基于目标网络性能数据对网络设备进行流量控制。
本申请实施例所示意的步骤S101至步骤S104,通过对网络设备进行数据采集,得到初始网络数据;对初始网络数据进行数据规范化处理,得到目标网络数据;基于目标网络数据进行网络端口性能预测,得到目标网络性能数据;基于目标网络性能数据对网络设备进行流量控制。能够全面、准确的对网络数据进行分析,统计网络端口的性能数据,以实现快速、准确地对网络进行优化,提高网络运维效率,提高网络的可用性和性能。
通过收集服务的流量数据和网络设备的配置信息,动态生成每个服务的特征,在当某个服务发生异常时,能够快速、及时地采取相应的措施,以防止其他服务受到影响,能够帮助企业解决网络资源有限的问题,提高网络的可用性和性能。
通过收集服务的流量数据和网络设备的配置信息,动态生成每个服务的特征,在当某个服务发生异常时,能够快速、及时地采取相应的措施,以防止其他服务受到影响,能够帮助企业解决网络资源有限的问题,提高网络的可用性和性能。
在一些实施例的步骤S101中,数据采集可以通过以下的一种或多种方式进行采集:
第一采集方式,通过探针的方式对服务器上的数据进行采集。具体地,使用EBPF技术在内核态插桩,可以高效地获取服务器上的全部流量信息。
第二采集方式,通过集中式采集方法,一方面使用SNMP协议获取网络设备的端口流量信息,另一方面通过SSH执行命令获取Arp表、Mac表、路由表、防火墙策略表、邻居关系等信息。
第三采集方式,通过例如sFlow、SNMP Trap等网络协议来获取网络设备的网络相关信息,例如网络设备性能指标、事件通知等数据。
通过上述一种或多种的采集方式进行数据采集,可以全面、完整的获取服务器和网络设备的数据,具体地,需要根据实际使用场景选择相应的采集方式进行采集,也可以通过除上述采集方式之外的其他方式,不限于此。
需要说明的是,初始网络数据为包含了来自不同设备、不同协议的网络数据,因此需要对初始网络数据进行数据规范化处理,从而便于后续的分析和网络流量控制。
请参阅图2,在一些实施例中,步骤S102可以包括但不限于包括步骤S201至步骤S205:
步骤S201,对初始网络数据进行数据规约处理,得到第一网络数据;
步骤S202,对第一网络数据进行数据集成处理,得到第二网络数据;
步骤S203,对第二网络数据进行数据单位规范化,得到第三网络数据;
步骤S204,对第三网络数据进行数据校验处理,得到第四网络数据;
步骤S205,对第四网络数据进行数据聚类,得到目标网络数据。
本申请实施例所示意的步骤S201至步骤S205,通过对初始网络数据进行数据规约处理、数据集成处理、数据单位规范化、数据校验处理和数据聚类,得到目标网络数据,从而保证分析数据的准确性和可靠性。
需要说明的是,在数据采集过程中,数据来源多样化,涵盖不同的协议,因此需要采用网络协议对应的方法对初始网络数据进行读取。
在一些实施例中,在步骤S201之前,该网络流量控制方法还包括:
对初始网络数据进行网络协议解析,得到目标网络协议;
基于目标网络协议对初始网络数据进行解析。
在一些实施例的步骤S201中,将初始网络数据中冗余、重复、不必要的数据进行数据规约,例如删除操作、合并操作,以减少数据的冗余度和复杂度。例如,在一个事件周期内,可能对同一数据进行了多次采集,将这些数据合并;当网络拥堵的时候,服务端会进行数据包的重传,占用网络带宽资源,因此在数据处理过程中可以将重传的数据包删除,以减少数据的重复度。
在一些实施例的步骤S202中,不同厂商的设备、不同协议的数据可能存在着格式和表示方式的差异,通过把来自不同数据源或不同格式的数据合并到一个或多个数据结构中,实现数据集成,能够将这些数据整合到统一的格式中,方便后续的分析和应用。例如,不同厂商、设备类型返回ARP数据的格式存在差异,需要通过关键字段提取、整合,进行数据集成处理。
在一些实施例的步骤S203中,不同协议使用不同的单位来表示数据,如流量可能有字节、千字节、兆字节等不同的单位表示。通过值范围规范化,可以将数据单位统一化,将所有的数据包的流量以kbps表示,将带宽以Mbps表示,将使用率以百分比表示,能够降低数据分析的难度和复杂度,提高数据的可比性和可解释性。
请参阅图3,在一些实施例中,步骤S204可以包括但不限于包括步骤S301至步骤S302:
步骤S301,对第三网络数据进行数据验证,得到数据验证结果;
步骤S302,若数据验证结果表征第三网络数据存在数据错误,则对第三网络数据进行数据纠偏,得到第四网络数据。
本申请实施例所示意的步骤S301至步骤S302,通过对第三网络数据进行数据验证,得到数据验证结果,如果数据验证结果表征第三网络数据存在数据错误,则对第三网络数据进行数据纠偏,得到第四网络数据,从而确保分析数据的准确性和可靠性。
在一些实施例的步骤S301中,通过第一采集方式、第二采集方式和第三采集方式对网络设备进行数据采集,因此,初始网络数据中包括多个来源的数据集,不同数据源之间可能存在一些差异和缺失,通过对多个来源的数据集进行交叉验证,即多个来源的数据集进行比较,可以将这些数据来源的数据集的优势进行整合,得到更全面和准确的数据。
另外,还能够利用交叉验证以发现第三网络数据可能存在的错误或偏差,并进行相应的修正,从而实现数据纠偏。
需要说明的是,第三网络数据可能存在的错误或偏差包括但不限于数据值偏差较大(过高或过低),数据量异于平均值等,不限于此。
在一些实施例中,可以通过网络运维人员进行数据纠偏处理,例如重新对网络设备进行数据采集,或者选择正确的数据来源的数据集作为第四网络数据。
在一些实施例的步骤S301之后,该网络流量控制方法还包括:
若数据验证结果表征第三网络数据不存在数据错误,则将第三网络数据作为第四网络数据。
请参阅图4,在一些实施例中,步骤S205可以包括但不限于包括步骤S401至步骤S403:
步骤S401,按照预设划分依据对第四网络数据进行数据拆分,得到网络分类数据;
步骤S402,对第四网络数据进行设备数据提取,得到设备通信数据;
步骤S403,将网络分类数据和设备通信数据进行数据整合,得到目标网络数据。
本申请实施例所示意的步骤S401至步骤S403,通过按照预设划分依据对第四网络数据进行数据拆分,得到网络分类数据;对第四网络数据进行设备数据提取,得到设备通信数据;将网络分类数据和设备通信数据进行数据整合,得到目标网络数据,有助于提高后续数据分析的效率、准确性和可靠性,进而更好地管理和优化网络性能。
在一些实施例中,预设划分依据是根据源通信地址(IP地址)和目的通信地址进行组合形成的划分依据,即通信链路。
在一些实施例的步骤S401中,通过识别和提取第四网络数据中的通信地址信息,然后根据源通信地址和目的通信地址进行组合,得到通信地址组合,根据通信地址组合将第四网络数据进行分类,网络分类数据。
需要说明的是,设备通信数据包括但不限于网络设备配置中的MAC地址和ARP表,不限于此。
在一些实施例的步骤S403中,将网络设备配置中的MAC地址、ARP表和网络分类数据进行整合,得到目标网络数据,其中,该目标网络数据为进行数据拆分、聚合后得到的数据。
在一个实施例中,一台网络设备的MAC地址为f025.7297.88c0,在一个链路上在多台网络设备上存在ARP记录表,需要对这些数据进行聚合分析,最终找到这台网络设备的上联交换器的ARP记录,其他网络设备的记录去掉,从而得到一条网络记录。然后对所述网络设备进行同样的操作,得到多条网络记录,最终,将这些网络记录存储在一个统一的网络设备信息库中,得到目标网络数据,便于开展后续的数据分析工作,提高网络分析的效率、准确性和可靠性,进而更好地管理和优化网络性能。
请参阅图5,在一些实施例中,步骤S103还可以包括但不限于包括步骤S501至步骤S502:
步骤S501,基于目标网络数据进行网络端口性能参数提取,得到初始网络端口性能数据;
步骤S502,基于目标网络数据和初始网络端口性能数据进行链路性能计算,得到目标链路性能数据;
步骤S503,基于预设的性能预测模型对初始网络端口性能数据进行带宽预测,得到端口可用带宽预测数据;
步骤S504,基于目标链路性能数据和端口可用带宽预测数据计算网络设备的性能指标,得到目标网络性能数据。
本申请实施例所示意的步骤S501至步骤S504,通过基于目标网络数据进行网络端口性能参数提取,得到初始网络端口性能数据;基于目标网络数据和初始网络端口性能数据进行链路性能计算,得到目标链路性能数据;基于预设的性能预测模型对初始网络端口性能数据进行带宽预测,得到端口可用带宽预测数据;基于目标链路性能数据和端口可用带宽预测数据计算网络设备的性能指标,得到目标网络性能数据,能够快速进行指标计算,实现动态预测网络设备的性能,便于进行网络流量管理。
另外,通过性能预测模型对网络设备的性能进行实时预测,不仅考虑了目标链路性能数据,还结合了端口的初始网络端口性能数据,如带宽利用率和延迟,可以更全面地评估每个端口的状态和性能水平,准确估计每个端口的端口可用带宽预测数据,为带宽分配、网络流量控制提供更为准确和智能的依据,提高带宽资源的利用效率。
在一些实施例的步骤S501中,网络端口性能参数由网络设备的硬件性能决定,具体地,初始网络端口性能数据可以包括但不限于:线速(网络设备的端口上每秒钟传输的二进制数个数,即网卡速率),包转发率(每秒钟内所转发的数据包的个数)、转发带宽、带宽利用率和延迟等,不限于此。
请参阅图6,在一些实施例,步骤S502包括但不限于包括步骤S601至步骤S603:
步骤S601,基于目标网络数据进行链路流量统计,得到网络链路流量数据;
步骤S602,基于网络链路流量数据进行链路权重计算,得到目标链路权重数据;
步骤S603,基于目标链路权重数据和初始网络端口性能数据进行性能指标计算,得到目标链路性能数据。
本申请实施例所示意的步骤S601至步骤S603,通过基于目标网络数据进行链路流量统计,得到网络链路流量数据;基于网络链路流量数据进行链路权重计算,得到目标链路权重数据;基于目标链路权重数据和初始网络端口性能数据进行性能指标计算,得到目标链路性能数据。能够快速计算每一条链路的性能指标,便于后续根据性能指标进行网络流量管理。
在一些实施例的步骤S601之后,该网络流量控制方法还包括根据网络链路流量数据生成网络拓扑图。通过可视化网络链路情况,生成网络拓扑图,可以让网络运维人员直观的观察当前的网络情况,快速定位网络问题,进而能够针对性的对网络流量进行控制、管理,提高网络运维效率,增加网络的可用性和性能。
在一些实施例的步骤S601中,网络链路流量数据为源通信地址到目的通信地址的所有理论流量。
在一些实施例的步骤S602中,基于网络链路流量数据进行链路权重计算,得到目标链路权重数据,具体过程如下:
其中,表示每条链路在端口所占权重,Fi表示网络链路流量数据,
通过计算所有网络链路流量数据在端口所占权重,得到目标链路权重数据;
最后,基于目标链路权重数据进行性能指标计算,得到目标链路性能数据,具体过程如下:
其中,WMi表示目标链路权重数据,是的集合,Ii表示初始网络端口性能数据。
在一些实施例的步骤S503中,预设的性能预测模型为预训练好的机器学习模型,通过预设的性能预测模型对初始网络端口性能数据进行端口可用带宽预测,得到端口可用带宽预测数据。
需要说明的是,机器学习模型可以为梯度提升树、随机森林、支持向量回归等,不限于此。
在一些实施例的步骤S503之前,该网络流量控制方法还包括预先训练机器学习模型,得到性能预测模型,具体的训练过程可以包括但不限于包括如下步骤:
获取初始历史网络数据;
对初始历史网络数据进行数据规范化处理,得到目标历史网络数据;
将目标历史网络数据划分为训练数据集和测试数据集;
基于训练数据集对预设的初始机器学习模型进行模型训练,得到原始机器学习模型;
基于测试数据集对原始机器学习模型进行模型评估,得到模型评估结果;
基于模型评估结果对原始机器学习模型进行模型优化,得到性能预测模型。
在一些实施例的步骤S504中,基于目标链路性能数据和端口可用带宽预测数据计算网络设备的性能指标,得到目标网络性能数据,具体过程如下:
其中,L为目标网络性能数据,表征一个服务的可使用带宽的预测区间;为端口可用带宽预测数据;k为置信因子;n表示所属目标网络数据的样本总数;Xi表示当前数据为第i个样本;U表示目标网络数据的均值;s表示性能预测模型的预测步数;P为网络设备端口提供服务的性能指标;B为网络设备端口的实际带宽上限;H为网络设备端口提供服务的优先级权重;Ii表示初始网络端口性能数据;WMi表示目标链路权重数据。
需要说明的是,在计算目标网络性能数据时,考了了不同任务的优先级,根据业务需求和流量类型确定优先级较高的端口和流量,为其分配更多的带宽资源,能够可以确保关键业务的稳定性和性能,并优化整体网络性能。
在一些步骤的S104中,对所述网络设备进行流量控制可以通过在Linux服务器上配置限流规则,可以对服务的访问量进行控制和调节,从而实现限流策略的效果;也可以通过在网络设备上进行设置,例如WAF、防火墙、交换机和路由器等,这些设备通常具备限流和流量控制的功能,在网络边缘处进行流量的监控和管理,可以针对特定的IP地址、端口等进行限制,保护企业网络的稳定和安全。
请参阅图7,在一些实施例中,步骤S104可以包括但不限于包括步骤S701至步骤S702:
步骤S701,基于目标网络性能数据对网络设备进行限流规则配置,得到设备流量阈值数据;
步骤S702,基于设备流量阈值数据对网络设备的网络流量进行限制。
本申请实施例所示意的步骤S701至步骤S702,通过基于目标网络性能数据对网络设备进行限流规则配置,得到设备流量阈值数据;基于设备流量阈值数据对网络设备的网络流量进行限制,通过实时、动态调整的限流策略能够更灵活地适应不同网络负载和变化,提高系统的自适应性和鲁棒性。
在一些实施例的步骤S701中,基于目标网络性能数据并结合不同厂商的网络设备的协议和算法进行限流规则配置,得到设备流量阈值数据。
在一些实施例的步骤S702中,对网络设备的网络流量进行限制是对网络设备的网络流量超过该设备流量阈值数据时,将网络设备的网络流量限制到一个预设值,该预设值可以是设备流量阈值数据,也可以是低于设备流量阈值数据的一个数值,但能够确保服务能够正常运行,以平衡整体网络带宽分配。
例如,例如存在一个业务需要上传一个大小为2T的文件,但是网络设备端口的可用带宽只有100MB,那么为了执行该业务就会占用所有的可用带宽,影响其他业务,因此,可以通过将该业务的可使用带宽限制在10MB,既能确保该业务能够正常运行,也不会影响其他业务的正常使用。
需要说明的是,设备流量阈值数据不是固定的,而是会根据网络实际情况进行动态调整的,以端口带宽利用率为例,只有当某个端口的带宽利用率超过设备流量阈值数据时才进行限流操作,以平衡整体带宽分配,从而能够更灵活地适应不同网络负载和变化,提高系统的自适应性和鲁棒性。
通过限流规则的配置,可以对网络流量进行限制和控制,防止突发的高流量对网络带宽和服务器资源造成过载,有助于优化网络资源的分配和利用,减少带宽的占用和拥堵现象,优化服务器的性能,提高服务的可用性和稳定性,提高网络的吞吐量和响应速度,给用户提供更好的使用体验。
另外,通过限流规则的配置,可以针对关键业务或重要应用进行优先级和限制,确保它们能够获得足够的带宽和资源,保证服务的稳定性和可靠性。
在一个实施例中,该网络流量控制方法可以划分为模型训练过程和网络流量阈值计算及限流过程;
具体地,模型训练过程可以包括但不限于如下步骤:
获取初始历史网络数据;
对初始历史网络数据进行数据规范化处理,得到目标历史网络数据;
将目标历史网络数据划分为训练数据集和测试数据集;
基于训练数据集对预设的初始机器学习模型进行模型训练,得到原始机器学习模型;
基于测试数据集对原始机器学习模型进行模型评估,得到模型评估结果;
基于模型评估结果对原始机器学习模型进行模型优化,得到性能预测模型。
具体地,网络流量阈值计算及限流过程可以包括但不限于如下步骤:
对网络设备进行数据采集,得到初始网络数据;
对初始网络数据进行数据规约处理,得到第一网络数据;
对第一网络数据进行数据集成处理,得到第二网络数据;
对第二网络数据进行数据单位规范化,得到第三网络数据;
对第三网络数据进行数据验证,得到数据验证结果;
若数据验证结果表征第三网络数据存在数据错误,则对第三网络数据进行数据纠偏,得到第四网络数据;
按照预设划分依据对第四网络数据进行数据拆分,得到网络分类数据;
对第四网络数据进行设备数据提取,得到设备通信数据;
将网络分类数据和设备通信数据进行数据整合,得到目标网络数据;
基于目标网络数据进行网络端口性能参数提取,得到初始网络端口性能数据;
基于目标网络数据进行链路流量统计,得到网络链路流量数据;
根据网络链路流量数据生成网络拓扑图;
基于网络链路流量数据进行链路权重计算,得到目标链路权重数据;
基于目标链路权重数据和初始网络端口性能数据进行性能指标计算,得到目标链路性能数据;
基于预设的性能预测模型对初始网络端口性能数据进行带宽预测,得到端口可用带宽预测数据;
基于目标链路性能数据和端口可用带宽预测数据计算网络设备的性能指标,得到目标网络性能数据;
基于目标网络性能数据对网络设备进行限流规则配置,得到设备流量阈值数据;
基于设备流量阈值数据对网络设备的网络流量进行限制。
本申请实施例通过收集、分析和可视化服务的流量数据和网络设备的配置信息,生成网络拓扑图,可以让网络运维人员直观的观察当前的网络情况,当某个服务发生异常时,可以快速定位网络问题并采取相应的措施,以防止其他服务受到影响,提高网络运维效率,增加网络的可用性和性能。
另外,通过使用机器学习模型对网络设备的性能进行实时预测,不仅考虑了目标链路性能数据,还结合了端口的初始网络端口性能数据,如带宽利用率和延迟,可以更全面地评估每个端口的状态和性能水平,准确估计每个端口的端口可用带宽预测数据,进而能够针对性的对网络流量进行控制、管理,为带宽分配、网络流量控制提供更为准确和智能的依据,提高带宽资源的利用效率。
在一个实施例中,本申请实施例还提供一种网络流量控制系统,可以实现上述网络流量控制方法,该系统包括:
Web交互界面,用于接收网络运维人员的操作指令,以及显示网络拓扑图;其中,操作指令包括数据查看指令和流量控制指令;
数据采集引擎,用于根据数据查看指令对网络设备进行数据采集,得到初始网络数据;
对初始网络数据进行数据规约处理,得到第一网络数据;
对第一网络数据进行数据集成处理,得到第二网络数据;
对第二网络数据进行数据单位规范化,得到第三网络数据;
对第三网络数据进行数据验证,得到数据验证结果;
若数据验证结果表征第三网络数据存在数据错误,则对第三网络数据进行数据纠偏,得到第四网络数据;若数据验证结果表征第三网络数据不存在数据错误,则将第三网络数据作为第四网络数据;
按照预设划分依据对第四网络数据进行数据拆分,得到网络分类数据;
对第四网络数据进行设备数据提取,得到设备通信数据;
将网络分类数据和设备通信数据进行数据整合,得到目标网络数据。
数据分析引擎,用于基于目标网络数据进行网络端口性能参数提取,得到初始网络端口性能数据;
基于目标网络数据进行链路流量统计,得到网络链路流量数据;
基于网络链路流量数据进行链路权重计算,得到目标链路权重数据;
基于目标链路权重数据和初始网络端口性能数据进行性能指标计算,得到目标链路性能数据;
基于预设的性能预测模型对初始网络端口性能数据进行带宽预测,得到端口可用带宽预测数据;
基于目标链路性能数据和端口可用带宽预测数据计算网络设备的性能指标,得到目标网络性能数据;
数据存储引擎,用于存储第四网络数据和目标网络性能数据;
控制执行引擎,用于根据流量控制指令和目标网络性能数据对网络设备进行限流规则配置,得到设备流量阈值数据;
基于设备流量阈值数据对网络设备的网络流量进行限制;
将网络流量控制记录存储至数据存储引擎。
需要说明的是,网络运维人员还可以通过Web交互界面直接查询数据存储引擎的数据,无需再次通过数据采集引擎进行采集网络数据,提高网络运维的效率。
请参阅图8,本申请实施例还提供一种网络流量控制装置,可以实现上述网络流量控制方法,该装置包括:
数据采集模块801,用于对网络设备进行数据采集,得到初始网络数据;
规范化处理模块802,用于对初始网络数据进行数据规范化处理,得到目标网络数据;
网络端口性能预测模块803,用于基于目标网络数据进行网络端口性能预测,得到目标网络性能数据;
流量控制模块804,用于基于目标网络性能数据对网络设备进行流量控制。
在一些实施例的规范化处理模块802中,该规范化处理模块802包括:
数据规约处理单元,用于对初始网络数据进行数据规约处理,得到第一网络数据;
数据集成处理单元,用于对第一网络数据进行数据集成处理,得到第二网络数据;
单位规范化单元,用于对第二网络数据进行数据单位规范化,得到第三网络数据;
数据校验单元,用于对第三网络数据进行数据校验处理,得到第四网络数据;
数据聚类单元,用于对第四网络数据进行数据聚类,得到目标网络数据。
在一些实施例的数据校验单元中,该数据校验单元包括:
数据验证子单元,用于对第三网络数据进行数据验证,得到数据验证结果;
数据纠偏子单元,用于若数据验证结果表征第三网络数据存在数据错误,则对第三网络数据进行数据纠偏,得到第四网络数据。
在一些实施例的数据聚类单元中,该数据聚类单元包括:
数据拆分子单元,用于按照预设划分依据对第四网络数据进行数据拆分,得到网络分类数据;
数据提取子单元,用于对第四网络数据进行设备数据提取,得到设备通信数据;
数据整合子单元,用于将网络分类数据和设备通信数据进行数据整合,得到目标网络数据。
在一些实施例的网络端口性能预测模块803中,该网络端口性能预测模块803包括:
性能参数提取单元,用于基于目标网络数据进行网络端口性能参数提取,得到初始网络端口性能数据;
链路性能计算单元,用于基于目标网络数据和初始网络端口性能数据进行链路性能计算,得到目标链路性能数据;
带宽预测单元,用于基于预设的性能预测模型对初始网络端口性能数据进行带宽预测,得到端口可用带宽预测数据;
性能指标计算单元,用于基于目标链路性能数据和端口可用带宽预测数据计算网络设备的性能指标,得到目标网络性能数据。
在一些实施例的链路性能计算单元中,该链路性能计算单元包括:
链路流量统计子单元,用于基于目标网络数据进行链路流量统计,得到网络链路流量数据;
链路权重计算子单元,用于基于网络链路流量数据进行链路权重计算,得到目标链路权重数据;
性能指标计算子单元,用于基于目标链路权重数据和初始网络端口性能数据进行性能指标计算,得到目标链路性能数据。
在一些实施例的流量控制模块804中,该流量控制模块804包括:
限流规则配置单元,用于基于目标网络性能数据对网络设备进行限流规则配置,得到设备流量阈值数据;
流量限制单元,用于基于设备流量阈值数据对网络设备的网络流量进行限制。
该网络流量控制装置的具体实施方式与上述网络流量控制方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述网络流量控制方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9,图9示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器901,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器902,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器902可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器902中,并由处理器901来调用执行本申请实施例的网络流量控制方法;
输入/输出接口903,用于实现信息输入及输出;
通信接口904,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线905,在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息;
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述网络流量控制方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的网络流量控制方法、装置、电子设备及存储介质,其通过对网络设备进行数据采集,得到初始网络数据;对初始网络数据进行数据规范化处理,得到目标网络数据;基于目标网络数据进行网络端口性能预测,得到目标网络性能数据;基于目标网络性能数据对网络设备进行流量控制。能够全面、准确的对网络数据进行分析,统计网络端口的性能数据,以实现快速、准确地对网络进行优化,提高网络运维效率,提高网络的可用性和性能。
通过收集服务的流量数据和网络设备的配置信息,动态生成每个服务的特征,在当某个服务发生异常时,能够快速、及时地采取相应的措施,以防止其他服务受到影响,能够帮助企业解决网络资源有限的问题,提高网络的可用性和性能。
另外,还能够通过可视化网络链路情况,生成网络拓扑图,可以让网络运维人员直观的观察当前的网络情况,快速定位网络问题,进而能够针对性的对网络流量进行控制、管理,提高网络运维效率,增加网络的可用性和性能。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种网络流量控制方法,其特征在于,所述方法包括:
对网络设备进行数据采集,得到初始网络数据;
对所述初始网络数据进行数据规范化处理,得到目标网络数据;
基于所述目标网络数据进行网络端口性能预测,得到目标网络性能数据;
基于所述目标网络性能数据对所述网络设备进行流量控制。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标网络数据进行网络端口性能预测,得到目标网络性能数据,包括:
基于所述目标网络数据进行网络端口性能参数提取,得到初始网络端口性能数据;
基于所述目标网络数据和所述初始网络端口性能数据进行链路性能计算,得到目标链路性能数据;
基于预设的性能预测模型对所述初始网络端口性能数据进行带宽预测,得到端口可用带宽预测数据;
基于所述目标链路性能数据和所述端口可用带宽预测数据计算所述网络设备的性能指标,得到所述目标网络性能数据。
3.根据权利要求2所述的方法,其特征在于,所述基于所述目标网络数据和所述初始网络端口性能数据进行链路性能计算,得到目标链路性能数据,包括:
基于所述目标网络数据进行链路流量统计,得到网络链路流量数据;
基于所述网络链路流量数据进行链路权重计算,得到目标链路权重数据;
基于所述目标链路权重数据和所述初始网络端口性能数据进行性能指标计算,得到所述目标链路性能数据。
4.根据权利要求1所述的方法,其特征在于,所述对所述初始网络数据进行数据规范化处理,得到目标网络数据,包括:
对所述初始网络数据进行数据规约处理,得到第一网络数据;
对所述第一网络数据进行数据集成处理,得到第二网络数据;
对所述第二网络数据进行数据单位规范化,得到第三网络数据;
对所述第三网络数据进行数据校验处理,得到第四网络数据;
对所述第四网络数据进行数据聚类,得到所述目标网络数据。
5.根据权利要求4所述的方法,其特征在于,所述对所述第四网络数据进行数据聚类,得到所述目标网络数据,包括:
按照预设划分依据对所述第四网络数据进行数据拆分,得到网络分类数据;
对所述第四网络数据进行设备数据提取,得到设备通信数据;
将所述网络分类数据和所述设备通信数据进行数据整合,得到所述目标网络数据。
6.根据权利要求4所述的方法,其特征在于,所述对所述第三网络数据进行数据校验处理,得到第四网络数据,包括:
对所述第三网络数据进行数据验证,得到数据验证结果;
若数据验证结果表征所述第三网络数据存在数据错误,则对所述第三网络数据进行数据纠偏,得到所述第四网络数据。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述基于所述目标网络性能数据对所述网络设备进行流量控制,包括:
基于所述目标网络性能数据对所述网络设备进行限流规则配置,得到设备流量阈值数据;
基于所述设备流量阈值数据对所述网络设备的网络流量进行限制。
8.一种网络流量控制装置,其特征在于,所述装置包括:
数据采集模块,用于对网络设备进行数据采集,得到初始网络数据;
规范化处理模块,用于对所述初始网络数据进行数据规范化处理,得到目标网络数据;
网络端口性能预测模块,用于基于所述目标网络数据进行网络端口性能预测,得到目标网络性能数据;
流量控制模块,用于基于所述目标网络性能数据对所述网络设备进行流量控制。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的网络流量控制方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的网络流量控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410061798.4A CN117938768A (zh) | 2024-01-16 | 2024-01-16 | 网络流量控制方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410061798.4A CN117938768A (zh) | 2024-01-16 | 2024-01-16 | 网络流量控制方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117938768A true CN117938768A (zh) | 2024-04-26 |
Family
ID=90765854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410061798.4A Pending CN117938768A (zh) | 2024-01-16 | 2024-01-16 | 网络流量控制方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117938768A (zh) |
-
2024
- 2024-01-16 CN CN202410061798.4A patent/CN117938768A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10355949B2 (en) | Behavioral network intelligence system and method thereof | |
CN112398717B (zh) | 用于在覆盖网络中确定数据流路径的系统和方法 | |
CN105493450B (zh) | 动态检测网络中的业务异常的方法和系统 | |
EP3072260B1 (en) | Methods, systems, and computer readable media for a network function virtualization information concentrator | |
JP4774357B2 (ja) | 統計情報収集システム及び統計情報収集装置 | |
US8891368B2 (en) | Presentation of a selected port | |
Yan et al. | A survey of traffic classification in software defined networks | |
US8510445B2 (en) | System management method and system management apparatus | |
US9886445B1 (en) | Datacenter entity information system | |
US8885657B2 (en) | Automatic switch port selection | |
US20140304407A1 (en) | Visualizing Ephemeral Traffic | |
US10439901B2 (en) | Messaging queue spinning engine | |
EP3361703B1 (en) | Load balancing method, related device and system | |
US9391849B2 (en) | Back pressure remediation | |
US11068296B2 (en) | Virtualised software application performance | |
KR101480126B1 (ko) | 네트워크 기반 고성능 sap 모니터링 시스템 및 방법 | |
CN116389365B (zh) | 一种交换机数据处理方法及系统 | |
US20140337471A1 (en) | Migration assist system and migration assist method | |
CN113867885A (zh) | 用于应用程序流监控的方法、计算系统和计算机可读介质 | |
EP4142243A1 (en) | Adaptive flow monitoring | |
US9225650B2 (en) | Network system, gateway, and packet delivery method | |
EP3596884B1 (en) | Communications network performance | |
CN107147585B (zh) | 一种流量控制方法及装置 | |
CN110708209B (zh) | 虚拟机流量采集方法、装置、电子设备及存储介质 | |
US12047269B2 (en) | End-to-end flow visibility in a data network including service appliances |
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 |