CN118075190A - 面向实时边缘计算的路由控制系统 - Google Patents
面向实时边缘计算的路由控制系统 Download PDFInfo
- Publication number
- CN118075190A CN118075190A CN202410210357.6A CN202410210357A CN118075190A CN 118075190 A CN118075190 A CN 118075190A CN 202410210357 A CN202410210357 A CN 202410210357A CN 118075190 A CN118075190 A CN 118075190A
- Authority
- CN
- China
- Prior art keywords
- network
- path
- data
- real
- time
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 94
- 238000012216 screening Methods 0.000 claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000013500 data storage Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 19
- 238000007667 floating Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 15
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000000034 method Methods 0.000 description 13
- 230000004044 response Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了面向实时边缘计算的路由控制系统,涉及路由控制系统技术领域,包括网络监测模块、数据存储模块、路由决策模块、网络编程模块、安全防护模块,网络监测模块实时监测网络状态和需求,并收集数据传输路径的各种指标参数,路由决策模块在数据传输过程中根据实时网络状态和需求,综合分析各种指标参数,将不符合网络需求的路径筛除后,动态选择最佳路径来传输数据,从而提高数据传输效率以及稳定性,并且在实时边缘计算环境中。本发明通过安全防护模块制定和实施安全策略,当分析网络存在异常时,及时中断数据传输,避免数据泄密,保障数据的安全传输。
Description
技术领域
本发明涉及路由控制系统技术领域,具体涉及面向实时边缘计算的路由控制系统。
背景技术
路由控制系统是计算机网络中的重要组成部分,用于管理和控制数据包在网络中的传输路径,它通过决策和配置网络设备之间的通信路径,确保数据包能够有效地从源节点传输到目标节点;
在传统的网络架构中,路由控制系统通常由专用的路由器和交换机组成,路由器是网络中的关键设备,负责根据网络拓扑和路由策略,决定数据包的传输路径,交换机则用于在局域网内部转发数据包,提供高速的数据交换功能。
现有技术存在以下不足:
现有的控制系统通常是从终端设备传输到云服务中心进行处理和存储,然而,随着物联网设备和传感器数量的增加,以及对实时数据处理的需求不断提升,将数据传输到远程云端进行处理可能会引入延迟、带宽瓶颈和隐私安全问题,并且,控制系统无法依据实时监测网络状态和需求,动态选择最佳路径来传输数据,导致数据的传输效率低,且传输稳定性差。
发明内容
本发明的目的是提供面向实时边缘计算的路由控制系统,以解决背景技术中不足。
为了实现上述目的,本发明提供如下技术方案:面向实时边缘计算的路由控制系统,包括网络监测模块、数据存储模块、路由决策模块、网络编程模块、安全防护模块;
网络监测模块:实时监测网络状态和需求,收集数据传输路径的各种指标参数;
数据存储模块:在网络监测模块位置部署计算资源和服务,实现网络状态和需求、指标参数的本地处理和存储;
路由决策模块:在数据传输过程中根据实时网络状态和需求,综合分析各种指标参数,将不符合网络需求的路径筛除后,动态选择最佳路径来传输数据;
网络编程模块:将路由决策转化为实际的网络编程配置,并向网络设备下发路由表或配置指令;
安全防护模块:在实时边缘计算环境中,制定和实施安全策略,当分析网络存在异常时,及时中断数据传输。
在一个优选的实施方式中,所述网络监测模块收集数据传输路径的各种指标参数,指标参数包括路径长度、路径节点负载离散程度以及路径网络浮动指数。
在一个优选的实施方式中,所述路由决策模块将路径长度、路径节点负载离散程度以及路径网络浮动指数去除量纲后,综合计算得到筛选指数sxz,计算表达式为:
式中,fdw为路径网络浮动指数,fzs为路径节点负载离散程度,为路径长度,α、β、γ分别为路径网络浮动指数、路径节点负载离散程度、路径长度的比例系数,且α、β、γ均大于0。
在一个优选的实施方式中,所述路径长度中,i为路径节点编号库,且i={1、2、3、...、n},n为大于0的正整数,w(jdi)表示第i个节点之间的距离之和。
在一个优选的实施方式中,所述路径节点负载离散程度的计算表达式为:
式中,式中j={1、2、3、...、m},m表示数据点的数量,m为正整数,xj表示第j个节点的负载值,Mean表示所有节点的平均负载值。
在一个优选的实施方式中,所述路径网络浮动指数fdw的计算表达式为:
式中,dkw为带宽利用率,ycw为网络延迟率,dbw为数据丢包率。
在一个优选的实施方式中,所述带宽利用率计算表达式为:dkw=sjc/lr;式中,sjc为实际传输的数据量,lr为链路容量;
所述网络延迟率计算表达式为:ycw=(t2-t1)/T;t1表示数据从源节点发送出去的时间戳,t2表示源节点收到目标节点的确认的时间戳,T表示数据从源节点发送到目标节点的时间;
所述数据丢包率计算表达式为:dbw=(sjf-sjb)/sjf;式中,sjf为发送的数据包数,sjb为接收的数据包数。
在一个优选的实施方式中,获取所述筛选指数sxz后,将筛选指数与筛除阈值进行对比,若路径的筛选指数小于筛除阈值,则将该路径筛除,若路径的筛选指数大于等于筛除阈值,则该路径作为预选数据传输路径。
在上述技术方案中,本发明提供的技术效果和优点:
1、本发明通过网络监测模块实时监测网络状态和需求,并收集数据传输路径的各种指标参数,路由决策模块在数据传输过程中根据实时网络状态和需求,综合分析各种指标参数,将不符合网络需求的路径筛除后,动态选择最佳路径来传输数据,从而提高数据传输效率以及稳定性,并且在实时边缘计算环境中,通过安全防护模块制定和实施安全策略,当分析网络存在异常时,及时中断数据传输,避免数据泄密,保障数据的安全传输;
2、本发明通过路由决策模块将路径长度、路径节点负载离散程度以及路径网络浮动指数去除量纲后,综合计算得到筛选指数,不仅有效提高对数据的处理效率,而且分析更为全面,并且,将筛选指数与筛除阈值进行对比,若路径的筛选指数小于筛除阈值,则将该路径筛除,若路径的筛选指数大于等于筛除阈值,则该路径作为预选数据传输路径,路由决策模块定时获取每条路径的筛选指数,依据筛选指数与筛除阈值的对比结果能够提前预测路径是否将会出现异常,从而能够在路径异常前更换其它路径,保证数据的稳定传输。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的系统模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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他实施例,都属于本发明保护的范围。
实施例1:请参阅图1所示,本实施例所述面向实时边缘计算的路由控制系统,包括网络监测模块、数据存储模块、路由决策模块、网络编程模块、安全防护模块;
网络监测模块:用于实时监测网络状态和需求,收集数据传输路径的各种指标参数,并将网络状态和需求、指标参数传输给数据存储模块,网络监测模块可以利用网络流量分析、传感器数据或其他监测机制来获取实时网络状态;
网络监测模块实时监测网络状态和需求包括以下步骤:
A、数据采集:网络监测模块通过监控网络设备和传输链路,定期或持续地采集与网络状态和需求相关的数据,这些数据可以包括带宽利用率、延迟、数据丢包率、流量统计、设备状态等信息;
B、数据处理和分析:采集到的数据经过处理和分析,以提取有用的信息和指标,常见的处理和分析方法包括数据过滤、数据聚合、统计分析、时序分析、机器学习等技术,以识别网络状态的变化和需求的趋势;
C、状态监测:基于处理和分析得到的数据,网络监测模块实时监测网络、的状态,例如,检测网络中的拥塞情况、链路故障、设备性能异常等,并生成相应的告警或警报;
D、需求识别:通过分析数据和监测网络状态,网络监测模块还可以识别和预测网络的需求变化,例如,根据流量模式和趋势分析,识别出网络流量的高峰期和低谷期,以及对特定服务或应用的带宽需求。
数据存储模块:通过在离数据源更近的位置部署计算资源和服务,如边缘节点、网关或局域网中的服务器,实现网络状态和需求、指标参数的本地处理和存储,这样可以将数据处理推向网络边缘,减少数据传输距离和延迟,提高应用的响应速度和性能,存储后的数据发送至路由决策模块;
通过在离数据源更近的位置部署计算资源和服务,如边缘节点、网关或局域网中的服务器,实现网络状态和需求、指标参数的本地处理和存储包括以下步骤:
A、确定部署位置:根据网络拓扑和需求分析,确定在离数据源更近的位置部署计算资源和服务,这可以是边缘节点、网关或局域网中的服务器等位置;
B、部署计算资源:在所选的部署位置配置和部署计算资源,例如边缘节点或服务器,这些计算资源可以包括处理器、存储设备、内存等,用于本地处理和存储网络状态和需求相关的数据;
C、数据采集与传输:设置数据采集机制,将网络状态和需求相关的数据从数据源传输到部署的计算资源,这可以通过网络监测设备、传感器、数据接口等方式进行数据采集,并通过网络传输将数据发送到部署位置;
D、本地处理和存储:在部署的计算资源上进行本地数据处理和存储,这包括对采集到的数据进行分析、计算、统计等操作,以提取有用的指标参数和信息,处理后的数据可以存储在本地存储设备中,用于后续的分析、决策和报告生成;
E、实时更新和反馈:定期或实时地更新本地处理的结果,并根据需要将结果反馈给网络管理系统或相关应用,这可以通过网络通信机制实现,将处理后的数据发送到中心服务器或其他节点进行进一步处理或展示。
路由决策模块:在数据传输过程中根据实时网络状态和需求,综合分析各种指标参数,将不符合网络需求的路径筛除后,动态选择最佳路径来传输数据,从而提高数据传输效率以及稳定性,路由决策发送至网络编程模块;
网络编程模块:这个模块负责将路由决策转化为实际的网络编程配置,它与网络设备进行通信,例如路由器、交换机或边缘节点,并向其下发路由表或配置指令,网络编程模块确保路由策略的实施和网络设备的正确配置,以便数据能够按照路由决策模块指定的路径进行传输;
网络编程模块将路由决策转化为实际的网络编程配置,它与网络设备进行通信,并向其下发路由表或配置指令包括以下步骤:
A、路由决策转化:根据路由决策算法和策略,将确定的路由路径转化为相应的网络编程配置,这包括确定路由表、下一跳信息、路径权重、路由器间的协议等内容,以实现特定的数据包转发规则;
B、与网络设备建立连接:网络编程模块与网络设备建立通信连接,以便向其发送配置指令和路由表更新,这可以通过各种网络协议和通信机制实现,如SSH、Telnet、SNMP等;
C、路由表下发:根据计算得到的路由表或配置指令,网络编程模块向网络设备发送路由表下发命令,这将告知网络设备如何转发数据包,包括目的地址的匹配规则、下一跳的选择和转发接口的配置;
D、配置指令下发:除了路由表的下发,网络编程模块还可以向网络设备发送其他配置指令,以修改设备的工作参数和行为,这可以包括接口配置、路由器优先级调整、流量控制策略等;
E、配置确认和同步:网络编程模块接收网络设备的配置响应,确认配置是否成功下发,并进行必要的同步操作,这可以包括检查设备返回的响应消息、确认路由表的正确性、确保网络设备按预期进行转发;
F、异常处理和错误恢复:在配置下发过程中,可能会遇到网络设备不可达、配置错误等异常情况,网络编程模块需要对这些异常进行处理和错误恢复,例如重新连接设备、重新下发配置指令等。
安全防护模块:在实时边缘计算环境中,安全性和隐私保护非常重要,这个模块负责制定和实施相关的安全策略,它确保数据在传输过程中得到保护,并防止未经授权的访问和恶意攻击,当分析网络存在异常时,及时中断数据传输;
在实时边缘计算环境中,制定和实施安全策略,当分析网络存在异常时,安全防护模块及时中断数据传输包括以下步骤:
A、安全策略制定:制定针对实时边缘计算环境的安全策略,包括网络安全政策、访问控制策略、数据加密策略等,这些策略旨在保护网络免受恶意攻击、数据泄露或未授权访问的风险,
B、安全监测与分析:实施安全监测和分析机制,监测网络流量、设备状态和行为,以便及时检测到潜在的安全威胁或异常情况,可以使用入侵检测系统(IDS)、入侵防御系统(IPS)等工具来实时监测和分析网络流量,
C、异常检测与识别:通过监测和分析,识别网络中的异常情况,如异常流量模式、不寻常的网络行为、恶意软件活动等,可以使用机器学习、行为分析等技术来帮助识别异常,
D、安全告警与响应:一旦发现异常,安全防护模块应及时生成安全告警,通知相关人员或系统管理员,告警内容应包括异常的性质、位置、可能的威胁等信息,同时,根据安全策略中定义的响应措施,采取适当的行动来应对威胁,
E、数据传输中断:当安全防护模块确定数据传输存在异常或威胁时,应及时中断相关的数据传输,这可以通过配置网络设备、防火墙或安全网关来实现,阻止恶意流量或不安全的数据包进一步传输,
、安全事件处理与恢复:在中断数据传输后,进行安全事件的处理和恢复工作,这包括对受影响的系统或设备进行检查、修复漏洞、清除恶意软件、重新配置网络等,以确保网络恢复到安全状态。
本申请通过网络监测模块实时监测网络状态和需求,并收集数据传输路径的各种指标参数,路由决策模块在数据传输过程中根据实时网络状态和需求,综合分析各种指标参数,将不符合网络需求的路径筛除后,动态选择最佳路径来传输数据,从而提高数据传输效率以及稳定性,并且在实时边缘计算环境中,通过安全防护模块制定和实施安全策略,当分析网络存在异常时,及时中断数据传输,避免数据泄密,保障数据的安全传输。
实施例2:网络监测模块:用于实时监测网络状态和需求,收集数据传输路径的各种指标参数,并将网络状态和需求、指标参数传输给数据存储模块,网络监测模块可以利用网络流量分析、传感器数据或其他监测机制来获取实时网络状态;
路由决策模块在数据传输过程中根据实时网络状态和需求,综合分析各种指标参数,将不符合网络需求的路径筛除后,动态选择最佳路径来传输数据,从而提高数据传输效率以及稳定性;
网络监测模块收集数据传输路径的各种指标参数,指标参数包括路径长度、路径节点负载离散程度以及路径网络浮动指数;
路由决策模块在数据传输过程中根据实时网络状态和需求,综合分析各种指标参数,将不符合网络需求的路径筛除后,动态选择最佳路径来传输数据包括以下步骤:
路由决策模块将路径长度、路径节点负载离散程度以及路径网络浮动指数去除量纲后,综合计算得到筛选指数sxz,计算表达式为:
式中,fdw为路径网络浮动指数,fzs为路径节点负载离散程度,为路径长度,α、β、γ分别为路径网络浮动指数、路径节点负载离散程度、路径长度的比例系数,且α、β、γ均大于0。
获取筛选指数sxz后,将筛选指数与筛除阈值进行对比,若路径的筛选指数小于筛除阈值,则将该路径筛除,若路径的筛选指数大于等于筛除阈值,则该路径作为预选数据传输路径;
当路由决策模块分析所有路径,并将不符合网络需求的路径筛除后,将预选数据传输路径依据筛选指数由大到小进行排序,生成路径排序表,路由决策模块定时更新路径排序表,并动态选择路径排序表正序中的路径来传输数据。
本申请通过路由决策模块将路径长度、路径节点负载离散程度以及路径网络浮动指数去除量纲后,综合计算得到筛选指数,不仅有效提高对数据的处理效率,而且分析更为全面,并且,将筛选指数与筛除阈值进行对比,若路径的筛选指数小于筛除阈值,则将该路径筛除,若路径的筛选指数大于等于筛除阈值,则该路径作为预选数据传输路径,路由决策模块定时获取每条路径的筛选指数,依据筛选指数与筛除阈值的对比结果能够提前预测路径是否将会出现异常,从而能够在路径异常前更换其它路径,保证数据的稳定传输。
路径长度中,i为路径节点编号库,且i={1、2、3、...、n},n为大于0的正整数,w(jdi)表示第i个节点之间的距离之和。
为了更好的说明上述计算公式,我们举例如下:
假设有如下所示的路径:
jd1--(2)--jd2--(3)--jd3--(4)--jd4;
jd1、jd2、jd3、jd4为路径中的四个节点,在上述路径中,jd1的初始距离为1,jd1与jd2之间的距离为2,jd2与jd3之间的距离为3,jd3与jd4之间的距离为4,则路径{jd1->jd2->jd3->jd4}的长度计算公式为:
因此,路径{jd1->jd2->jd3->jd4}的长度为10,传输数据路径的路径长度越大,则在数据传输过程中可能会存在以下问题:
1)延迟增加:较长的路径长度可能导致数据传输的延迟增加,数据需要经过更多的中间节点或链路,导致传输时间延长;
2)带宽消耗:长路径可能需要经过更多的网络设备或链路,这可能导致带宽消耗更大,数据传输需要在这些设备和链路上竞争带宽资源,可能导致传输速率降低;
3)数据丢失风险:传输过程中,数据经过的节点和链路越多,数据丢失的风险可能会增加,每个节点或链路都有一定的概率发生错误或丢失数据,而长路径上的风险累积可能会增加数据丢失的概率;
4)网络拥塞风险:长路径可能增加了网络拥塞的风险,数据经过的节点和链路越多,越容易遇到网络拥塞情况,从而导致数据传输的性能下降或甚至失败。
路径节点负载离散程度fzs的计算逻辑为:
设有统一时间路径所有节点上的负载数据集合为{x1,x2,...,xm},其中xj表示第j个节点的负载值;
计算所有节点的平均负载值Mean,计算表达式为:
Mean=(x1+x2+...+xm)/m;
计算方差Variance,计算表达式为:Variance=(xj-Mean)2;
路径节点负载离散程度的计算表达式为:
式中,式中j={1、2、3、...、m},m表示数据点的数量,m为正整数,xj表示第j个节点的负载值,Mean表示所有节点的平均负载值。
路径节点负载离散程度越大,则表示数据传输路径存在以下问题:
1)不稳定负载分布:较大的负载离散程度意味着节点的负载在不同时间段或路径上分布不均匀,节点的负载可能在某些时间段或路径上非常高,而在其他时间段或路径上相对较低;
2)资源利用率波动:较大的负载离散程度表示节点在不同时间段或路径上的资源利用率存在较大的波动,节点可能会经历负载高峰和低谷,导致资源利用率的波动;
3)不确定性:较大的负载离散程度意味着节点的负载变化不可预测或不稳定,这可能增加了网络管理和资源调度的复杂性,因为节点的负载难以准确预测;
4)高风险区域:路径节点负载的较大离散程度可能意味着节点存在潜在的风险区域,负载波动可能导致资源过载、性能下降、服务质量降低或甚至系统故障。
路径网络浮动指数fdw的计算表达式为:
式中,dkw为带宽利用率,ycw为网络延迟率,dbw为数据丢包率。
带宽利用率可以通过计算实际传输的数据量与链路容量之间的比例来获得,计算表达式为:dkw=sjc/lr;式中,sjc为实际传输的数据量,lr为链路容量;
数据传输路径的带宽利用率越大,一般表示网络传输资源得到了有效利用,并且网络吞吐量较高,具有以下好处:
1)高效利用带宽资源:较大的带宽利用率意味着数据传输路径上的带宽资源得到了更充分的利用,更多的数据能够在单位时间内通过网络进行传输,提高了网络的传输效率和吞吐量;
2)较低的闲置带宽:带宽利用率越大,表示较少的带宽资源处于闲置状态,网络的传输资源被充分利用,避免了带宽资源的浪费,提高了网络的资源利用效率;
3)快速数据传输:较大的带宽利用率意味着数据能够以较高的速度进行传输,数据在传输路径上的延迟较低,响应时间较短,从而提供更快速的数据传输体验;
4)提高网络性能:高带宽利用率通常与更好的网络性能相关,网络中的数据能够更快地到达目的地,减少了传输延迟和拥塞情况,提高了网络的整体性能和响应能力。
网络延迟率可以通过测量数据从源节点到目标节点的传输时间来计算,计算表达式为:ycw=(t2-t1)/T;t1表示数据从源节点发送出去的时间戳,t2表示源节点收到目标节点的确认(ACK)的时间戳,T表示数据从源节点发送到目标节点的时间;
数据传输路径的网络延迟率越大,一般表示网络传输存在较高的延迟,会导致以下问题:
1)延迟较高:较大的网络延迟率意味着数据在传输路径上经历的延迟时间较长,数据从源节点到目标节点的往返时间较长,导致传输速度变慢;
2)数据响应较慢:较大的网络延迟率意味着数据传输的响应时间较长,数据从源节点发送到目标节点的时间增加,导致数据传输的响应时间变长;
3)传输效率降低:较大的网络延迟率会影响数据传输的效率和吞吐量,数据传输速度较慢,导致单位时间内能够传输的数据量减少,降低了网络的传输效率;
4)可靠性受影响:较大的网络延迟率可能导致数据传输的不稳定性和不可靠性,高延迟率可能增加数据传输中的数据丢包率,影响数据的完整性和可靠性。
数据丢包率可以通过计算发送的数据包与接收的数据包之间的差异来获得,计算表达式为:dbw=(sjf-sjb)/sjf;式中,sjf为发送的数据包数,sjb为接收的数据包数;
数据传输路径的数据丢包率越大,一般表示数据传输的可靠性较低,丢失的数据包数量较多,可能导致以下问题:
1)数据传输不可靠:较大的数据丢包率表示在数据传输过程中,传输路径上的数据包丢失的比例较高,丢失的数据包无法到达目标节点,导致数据传输的不完整或不可靠;
2)数据完整性受损:数据丢包率的增加意味着更多的数据包在传输过程中丢失,丢失的数据包可能包含关键的信息或数据片段,导致数据的完整性受损;
3)传输效率下降:较大的数据丢包率会导致数据传输效率的下降,因为丢失的数据包需要进行重传或通过其他方式补偿,增加了传输时间和网络负载;
4)实时性受影响:在实时应用中,较大的数据丢包率会对实时性能产生负面影响,实时数据(如语音、视频)的丢失会导致声音中断、画面卡顿等问题,降低了实时应用的质量和用户体验。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种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:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的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-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、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,所述单元的划分,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。
所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。
所述功能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,包括若干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所述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,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.面向实时边缘计算的路由控制系统,其特征在于:包括网络监测模块、数据存储模块、路由决策模块、网络编程模块、安全防护模块;
网络监测模块:实时监测网络状态和需求,收集数据传输路径的各种指标参数;
数据存储模块:在网络监测模块位置部署计算资源和服务,实现网络状态和需求、指标参数的本地处理和存储;
路由决策模块:在数据传输过程中根据实时网络状态和需求,综合分析各种指标参数,将不符合网络需求的路径筛除后,动态选择最佳路径来传输数据;
网络编程模块:将路由决策转化为实际的网络编程配置,并向网络设备下发路由表或配置指令;
安全防护模块:在实时边缘计算环境中,制定和实施安全策略,当分析网络存在异常时,及时中断数据传输。
2.根据权利要求1所述的面向实时边缘计算的路由控制系统,其特征在于:所述网络监测模块收集数据传输路径的各种指标参数,指标参数包括路径长度、路径节点负载离散程度以及路径网络浮动指数。
3.根据权利要求2所述的面向实时边缘计算的路由控制系统,其特征在于:所述路由决策模块将路径长度、路径节点负载离散程度以及路径网络浮动指数去除量纲后,综合计算得到筛选指数sxz,计算表达式为:
式中,fdw为路径网络浮动指数,fzs为路径节点负载离散程度,为路径长度,α、β、γ分别为路径网络浮动指数、路径节点负载离散程度、路径长度的比例系数,且α、β、γ均大于0。
4.根据权利要求3所述的面向实时边缘计算的路由控制系统,其特征在于:所述路径长度中,i为路径节点编号库,且i={1、2、3、...、n},n为大于0的正整数,w(jdi)表示第i个节点之间的距离之和。
5.根据权利要求4所述的面向实时边缘计算的路由控制系统,其特征在于:所述路径节点负载离散程度的计算表达式为:
式中,式中j={1、2、3、...、m},m表示数据点的数量,m为正整数,xj表示第j个节点的负载值,Mean表示所有节点的平均负载值。
6.根据权利要求5所述的面向实时边缘计算的路由控制系统,其特征在于:所述路径网络浮动指数fdw的计算表达式为:
式中,dkw为带宽利用率,ycw为网络延迟率,dbw为数据丢包率。
7.根据权利要求6所述的面向实时边缘计算的路由控制系统,其特征在于:所述带宽利用率计算表达式为:dkw=sjc/lr;式中,sjc为实际传输的数据量,lr为链路容量;
所述网络延迟率计算表达式为:ycw=(t2-t1)/T;t1表示数据从源节点发送出去的时间戳,t2表示源节点收到目标节点的确认的时间戳,T表示数据从源节点发送到目标节点的时间;
所述数据丢包率计算表达式为:dbw=(sjf-sjb)/sjf;式中,sjf为发送的数据包数,sjb为接收的数据包数。
8.根据权利要求7所述的面向实时边缘计算的路由控制系统,其特征在于:获取所述筛选指数sxz后,将筛选指数与筛除阈值进行对比,若路径的筛选指数小于筛除阈值,则将该路径筛除,若路径的筛选指数大于等于筛除阈值,则该路径作为预选数据传输路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410210357.6A CN118075190A (zh) | 2024-02-26 | 2024-02-26 | 面向实时边缘计算的路由控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410210357.6A CN118075190A (zh) | 2024-02-26 | 2024-02-26 | 面向实时边缘计算的路由控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118075190A true CN118075190A (zh) | 2024-05-24 |
Family
ID=91098459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410210357.6A Pending CN118075190A (zh) | 2024-02-26 | 2024-02-26 | 面向实时边缘计算的路由控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118075190A (zh) |
-
2024
- 2024-02-26 CN CN202410210357.6A patent/CN118075190A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11805143B2 (en) | Method and system for confident anomaly detection in computer network traffic | |
US11140187B2 (en) | Learning internal ranges from network traffic data to augment anomaly detection systems | |
EP3304822B1 (en) | Method and apparatus for grouping features into classes with selected class boundaries for use in anomaly detection | |
US10637886B2 (en) | Software defined network capable of detecting DDoS attacks and switch included in the same | |
EP3223458B1 (en) | Mechanisms to prevent anomaly detectors from learning anomalous patterns | |
US10862910B2 (en) | Predicting and mitigating layer-2 anomalies and instabilities | |
US10581901B2 (en) | Increased granularity and anomaly correlation using multi-layer distributed analytics in the network | |
US20170279685A1 (en) | Adjusting anomaly detection operations based on network resources | |
EP1505768B1 (en) | Method for efficient reactive monitoring | |
US7607170B2 (en) | Stateful attack protection | |
EP2375637A1 (en) | Network routing adaptation based on failure prediction | |
US10552763B2 (en) | Constraint-aware resource synchronization across hyper-distributed learning systems | |
US7903657B2 (en) | Method for classifying applications and detecting network abnormality by statistical information of packets and apparatus therefor | |
EP3138008B1 (en) | Method and system for confident anomaly detection in computer network traffic | |
KR20150105436A (ko) | 향상된 스트리밍 방법과 네트워크 메타데이터를 처리하기 위한 시스템 | |
CN107547228B (zh) | 一种基于大数据的安全运维管理平台的实现架构 | |
US9015828B2 (en) | Method and system for autonomous control and protection of computer systems | |
Chinnaraju et al. | Grey Hole Attack Detection and Prevention Methods in Wireless Sensor Networks. | |
Beitollahi et al. | A cooperative mechanism to defense against distributed denial of service attacks | |
WO2019235403A1 (ja) | 感染拡大攻撃検知システム及び方法、並びに、プログラム | |
CN118075190A (zh) | 面向实时边缘计算的路由控制系统 | |
JP2008079138A (ja) | 通信監視システム、フロー収集装置、解析マネージャ装置及びプログラム | |
Sinha et al. | Distributed Denial of Service Attack Detection and Prevention in Local Area Network | |
JP2006050442A (ja) | トラヒック監視方法及びシステム | |
Wabi et al. | DDOS attack detection in SDN: Method of attacks, detection techniques, challenges and research gaps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |