CN118101498B - 基于大数据的网络流量预测方法、设备、系统及存储介质 - Google Patents
基于大数据的网络流量预测方法、设备、系统及存储介质 Download PDFInfo
- Publication number
- CN118101498B CN118101498B CN202410529139.9A CN202410529139A CN118101498B CN 118101498 B CN118101498 B CN 118101498B CN 202410529139 A CN202410529139 A CN 202410529139A CN 118101498 B CN118101498 B CN 118101498B
- Authority
- CN
- China
- Prior art keywords
- network
- data
- text
- flow
- related data
- 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 38
- 230000008859 change Effects 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000000903 blocking effect Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 206010033799 Paralysis Diseases 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
- 239000000126 substance Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000002537 cosmetic Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及网络运维技术领域,提供一种基于大数据的网络流量预测方法、设备、系统及存储介质,方法包括:对网络文本历史数据分类划分关联性,将得到的相关数据与网络流量波动历史数据基于神经网络进行关联分析,建立关联模型,通过关联模型对获取到的实时网络文本数据进行分析,预测未来服务器会承受的网络流量,与网络流量限制值进行比较,监测服务器网络安全,在网络流量可能增加时及时调整,避免出现服务器拥堵卡顿,影响服务器访客体验或引起经济损失。
Description
技术领域
本发明涉及网络运维技术领域,尤其涉及一种基于大数据的网络流量预测方法、设备、系统及存储介质。
背景技术
网络流量指网络中数据的传输量,用于衡量网络的使用情况和负载,其影响到网络的性能、可用性和安全性;对于企业用户来说其服务器的流量承载有限,若突然出现过大的网络流量波动,未提前优化配置准备,会导致服务器响应卡顿甚至瘫痪,影响用户体验带来经济损失,若能提前预测网络流量波动能提早做出准备和相应措施,则可以有效避免出现服务器拥堵卡顿、影响服务器访客体验或引起经济损失的问题。
发明内容
本发明提供了一种基于大数据的网络流量预测方法、设备、系统及存储介质,用于解决现有技术中网络流量波动预测的问题。
本发明第一方面提供了一种基于大数据的网络流量预测方法,包括:
获取网络文本历史数据,根据行业品类对网络文本历史数据进行分类,并分别存入不同行业数据库中;获取当前用户的行业特征,识别对应的行业数据库;
获取当前用户服务器的网络流量波动历史数据;将当前用户对应的行业数据库内容进行相关性划分,识别第一直接相关数据和第一间接相关数据,并获取对应的文本相关数据变化情况;将文本相关数据变化情况与网络流量波动历史数据进行关联,建立文本数据与网络波动的关联模型;
获取当前用户服务器的网络流量限制值;每间隔预设时间长度则获取网络文本当前数据,将网络文本当前数据划分为第二直接相关数据和第二间接相关数据后代入文本数据与网络波动的关联模型中,得到网络流量预测值,当网络流量预测值超过网络流量限制值时,发出警报。
可选的,所述得到网络流量预测值之后,还包括:
获取当前用户服务器的网络流量检测值,判断预设时间范围内的各网络流量预测值与网络流量检测值的差值是否超过流量差值阈值,若是则发出警报。
可选的,所述建立文本数据与网络波动的关联模型之后,还包括:
识别文本相关数据与历史流量波动数据的对应关系,并计算平均滞后时间,将平均滞后时间作为预设时间长度。
本申请第二方面提供了一种基于大数据的网络流量预测系统,包括:
数据库构建模块,用于获取网络文本历史数据,根据行业品类对网络文本历史数据进行分类,并分别存入不同行业数据库中;获取当前用户的行业特征,识别对应的行业数据库;
关联模型建立模块,用于获取当前用户服务器的网络流量波动历史数据;将当前用户对应的行业数据库内容进行相关性划分,识别第一直接相关数据和第一间接相关数据,并获取对应的文本相关数据变化情况;将文本相关数据变化情况与网络流量波动历史数据进行关联,建立文本数据与网络波动的关联模型;
预测警报模块,用于获取当前用户服务器的网络流量限制值;每间隔预设时间长度则获取网络文本当前数据,将网络文本当前数据划分为第二直接相关数据和第二间接相关数据后代入文本数据与网络波动的关联模型中,得到网络流量预测值,当网络流量预测值超过网络流量限制值时,发出警报。
可选的,所述预测警报模块中,得到网络流量预测值之后,还包括:
获取当前用户服务器的网络流量检测值,判断预设时间范围内的各网络流量预测值与网络流量检测值的差值是否超过流量差值阈值,若是则发出警报。
可选的,所述关联模型建立模块中,建立文本数据与网络波动的关联模型之后,还包括:
识别文本相关数据与历史流量波动数据的对应关系,并计算平均滞后时间,将平均滞后时间作为预设时间长度。
本申请第三方面提供了一种基于大数据的网络流量预测方法设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行本发明第一方面任一项所述的一种基于大数据的网络流量预测方法。
本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行本发明第一方面任一项所述的一种基于大数据的网络流量预测方法。
从以上技术方案可以看出,本发明具有以下优点:通过对网络文本历史数据分类划分关联性,将得到的相关数据与网络流量波动历史数据基于神经网络进行关联分析,建立关联模型,通过关联模型对获取到的实时网络文本数据进行分析,预测未来服务器会承受的网络流量,与网络流量限制值进行比较,监测服务器网络安全,在网络流量可能增加时及时调整,避免出现服务器拥堵卡顿、影响服务器访客体验或引起经济损失的问题。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为一种基于大数据的网络流量预测方法的流程图;
图2为一种基于大数据的网络流量预测系统结构图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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、完整的描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
本发明提供了一种基于大数据的网络流量预测方法,用于解决现有技术中网络流量波动预测的问题。
请参阅图1,图1为本发明实施例提供的一种基于大数据的网络流量预测方法的第一个流程图。
S100,获取网络文本历史数据,根据行业品类对网络文本历史数据进行分类,并分别存入不同行业数据库中;获取当前用户的行业特征,识别对应的行业数据库;
需要说明的是,可采用爬虫等方法从互联网公开的内容数据中爬取海量的网络文本历史数据,该数据的时间跨度可以为近几个月或一年,网络文本历史数据的获取渠道可以为各社交平台上;获取得到的网络文本历史数据中包揽了各行业各类目的信息,可通过社交平台中自带的分类或是数据中的关键词来进行分类,将大量数据分类后分别存入对应的行业数据库中,符合多行业的信息数据可以重复存储于多个行业数据库中,例如某品牌同时经营日化美妆以及服饰用品,则对应的网络文本数据可以同时存入日化美妆行业数据库和服饰用品行业数据库中,具体可采用GNN神经网络模型进行文本分类;
当前用户即为有网络流量预测需求的用户,可根据用户的公司企业名称或是主营业务产品的名称来获取对应的行业特征,进而识别当前用户对应的行业数据库;例如公司企业名称中为美妆公司,则可直接对应到日化美妆行业,而若是涵盖行业较宽泛的互联网公司,则可根据其主营的业务类别进行识别,判断对应的具体行业;不同的当前用户可根据其自身具体的预测需求来针对性的获取行业特征,来匹配更准确的行业数据库。
S200,获取当前用户服务器的网络流量波动历史数据;将当前用户对应的行业数据库内容进行相关性划分,识别第一直接相关数据和第一间接相关数据,并获取对应的文本相关数据变化情况;将文本相关数据变化情况与网络流量波动历史数据进行关联,建立文本数据与网络波动的关联模型;
需要说明的是,用户的服务器网络管理任务中会对网络流量进行测量,对一段时间内的网络流量进行记录,该时间可以与网络文本历史数据的时间跨度一致,记录网络流量的波动变化情况;网络流量分析工具可采用Wireshark、NetFlow、sFlow等,它们可以捕获和分析网络上的数据包,提供关于网络流量的详细信息,或是采用带宽监控工具也可以实时监控网络带宽使用情况,帮助分析网络流量,路由器和交换机通常也会具有内置的流量统计功能,根据服务器的规模、复杂度以及特定的需求来选择合适的网络流量测量方法和工具,在多数情况下,可能会结合使用多种方法和工具来全面了解网络流量的波动数据;用户服务器在平日的闲时或是峰时也会有一定的网络流量,因此可基于平日的网络流量计算平日平均流量,在高于平日平均流量时可设视为出现波动,将连续高于平日平均流量的一段波动时间识别为波动时段,该段波动的平均流量值以及流量最高值分别作为波动平均幅度和波动最大幅度;
当前用户对应的行业数据库中的网络文本历史数据会反映互联网上相关的热度情况,有与当前用户的企业品牌名称一致的文本内容可视为第一直接相关数据,而同行业数据库中的其他数据即视为第一间接相关数据;第一直接相关数据能直观的反映当前用户的热度,第一直接相关数据的增加同样的当前用户的服务器访问量也会增加,最终导致网络流量波动;而第一间接相关数据反映的是行业热度,是当前用户的大环境情况,并不会直接增加当前用户的服务器访问量,但会带来一定程度的热度,即并非直接相关的数据量也会因为是同行业的关系引导访问当前用户的服务器;本实施例中在社交平台上每有一个账号的一次发言中的文本被分类入行业数据库后,可视为增加了单位量的相关数据,或是视频内容标题相关,文章文案相关,发言可以具体为一次评论或是一次文章发布,都可视为增加一次的相关数据,具体可根据实际获取的网络文本历史数据的渠道来确定,文本数据在录入行业数据库中时会记录其发出的时间,各相关数据中还会有该文本的浏览量,数据变化情况即为各个时刻的第一直接相关数据和第一间接相关数据的数据量,以及在相关数据发出时刻后的一段预设时间内的浏览量,其中,此处数据量指的是相关文本的数量,每次发言或每次评论中有用户相关内容,即视为一个数据量;
互联网的热度引起的用户服务器访问量变化有一定的滞后性,在获取网络流量波动历史数据和文本相关数据变化情况后,可采用卷积神经网络、bp神经网络或支持向量机来探索两数据之间的关联关系,判断历史网络流量的哪次波动与哪次相关数据量的增加有关,以及关联量的比例关系;可参考模型,S为网络流量,/>和分别为不同数据渠道或平台的第一直接相关数据,/>和/>分别为不同数据渠道或平台的第一间接相关数据量,a、b、c、d分别为各数据对应的关联量比例系数,/>和/>分别为不同平台的流量转化系数,该比例系数可考虑直接关联和间接关联的数据性质,用户发文字数和浏览量,流量转化系数可考虑到不同平台的用户量和引流效果,都可适应性的修正比例系数,本实施例可根据多个平台的数据进行模型建立,但平台数量越多需要处理的数据越多,建立模型的效率越低;在基于神经网络建立关联模型时,因存在滞后性需要考虑两数据在时间上的关联影响,但在建立起文本数据与网络波动的关联模型后,仅需考虑数据量的情况,且网络流量的峰值情况对应的相关数据是前一段时间内的文本数据量的累积总和,利用文本数据与网络波动的关联模型能基于一段时间的网络文本数据来预测后续会给用户服务器带来的访问量,对应的网络流量大小。
S300,获取当前用户服务器的网络流量限制值;每间隔预设时间长度则获取网络文本当前数据,将网络文本当前数据划分为第二直接相关数据和第二间接相关数据后代入文本数据与网络波动的关联模型中,得到网络流量预测值,当网络流量预测值超过网络流量限制值时,发出警报。
需要说明的是,大型服务器的实际机房带宽可能在100G上下,但通过采用双联路设计可实现动态流量分担,实现总出口带宽T级别,本实施例中当前用户服务器的网络流量限制值可采用总出口带宽值;
前述步骤S200中建立的文本数据与网络波动的关联模型中构建好了各种关联量比例系数,每间隔预设时间长度可获取多个平台的网络文本当前数据,该数据的时间跨度可与预设时间长度一致,并以文本分类神经网络模型分为第二直接相关数据和第二间接相关数据,将数据量代入关联模型后,可以得到服务器会承受的网络流量预测值,若网络流量预测值大于网络流量限制值,说明当前互联网上当前用户的热度可能会引起服务器的海量访问,当前的网络流量限制值下的服务器网络架构或流量控制策略无法负担,可能出现服务器响应卡顿或瘫痪的情况,影响用户体验甚至带来经济损失,发出警报后会通知网络管理员对服务器提前进行优化配置,例如优化内存、磁盘、网络等资源,进行带宽扩容或是采用临时的维护手段,来渡过网络流量峰值;
间隔获取网络文本当前数据的预设时间可根据文本数据与网络波动的关联模型中,分析的网络热度与访问量变化的滞后变化时间来确定;每个间隔获取的一段时间内的网络文本数据中蕴含的信息有限,可进一步计算连续几次获取数据的数据量平均值,若平均值存在持续上升的趋势或是保持在一个较高值时,可结合多次获取的网络文本当前数据进行分析,通过更多的数据和更长的时间跨度来进行更精准的预测。
随着网络文本当前数据的不断获取进行预测判断,网络文本当前数据也会作为训练集进一步的对文本数据与网络波动的关联模型进行修正,对各个比例系数进行实时更新,提高后续预测的精准度。
本实施例中,通过对网络文本历史数据分类划分关联性,将得到的相关数据与网络流量波动历史数据基于神经网络进行关联分析,建立关联模型,通过关联模型对获取到的实时网络文本数据进行分析,预测未来服务器会承受的网络流量,与网络流量限制值进行比较,监测服务器网络安全,在网络流量可能增加时及时调整,避免出现服务器拥堵卡顿,影响服务器访客体验或引起经济损失。
以上为本申请提供的一种基于大数据的网络流量预测方法的第一个实施例的详细说明,下面为本申请提供的一种基于大数据的网络流量预测方法的第二个实施例的详细说明。
本实施例中,进一步的提供了一种基于大数据的网络流量预测方法,前述步骤S300中,所述得到网络流量预测值之后,还包括:获取当前用户服务器的网络流量检测值,判断预设时间范围内的各网络流量预测值与网络流量检测值的差值是否超过流量差值阈值,若是则发出警报;当前的网络流量检测值即为实时以流量分析检测记录的实际值,若预测得到的网络流量预测值与实际的网络流量检测值差异过大,则可能存在ddos攻击,即并非是正常的访问服务器网络流量增加,而是为了引起当前用户服务器瘫痪而恶意制造的大量访问;预设时间范围可以为预设时间长度之前的若干个预设时间长度的时间段内获取的网络流量预测值,即预设时间长度为a小时,当前时刻为t的情况下,t时刻之前的a小时至na小时内获取的多个网络流量预测值与网络流量检测值分别计算差值,与流量差值阈值进行比较,该流量差值阈值可根据网络流量波动历史数据中闲时和峰时的网络流量变化幅度来设置。
进一步的,前述步骤S200中,建立文本数据与网络波动的关联模型之后,还包括:识别文本相关数据与历史流量波动数据的对应关系,并计算平均滞后时间,将平均滞后时间作为预设时间长度;需要说明的是,在基于神经网络分析文本相关数据与历史流量波动数据直接的关联关系,建立模型时,会同时识别出哪次文本相关数据的增加引起的对应的网络流量波动,两数据之间存在的时间差值能被计算出来,将多个时间差值取平均值后能得到平均滞后时间,该时间即为文本相关数据波动后,热度在互联网中发酵,最终引起服务器的访问流量增加需经过的平均滞后时间。
以上为本申请提供的第一方面的一种基于大数据的网络流量预测方法的详细说明,下面为本申请第二方面提供的一种基于大数据的网络流量预测系统的实施例的详细说明。
请参阅图2,图2为一种基于大数据的网络流量预测系统结构图。本实施例提供了一种基于大数据的网络流量预测系统,包括:
数据库构建模块10,用于获取网络文本历史数据,根据行业品类对网络文本历史数据进行分类,并分别存入不同行业数据库中;获取当前用户的行业特征,识别对应的行业数据库;
关联模型建立模块20,用于获取当前用户服务器的网络流量波动历史数据;将当前用户对应的行业数据库内容进行相关性划分,识别第一直接相关数据和第一间接相关数据,并获取对应的文本相关数据变化情况;将文本相关数据变化情况与网络流量波动历史数据进行关联,建立文本数据与网络波动的关联模型;
预测警报模块30,用于获取当前用户服务器的网络流量限制值;每间隔预设时间长度则获取网络文本当前数据,将网络文本当前数据划分为第二直接相关数据和第二间接相关数据后代入文本数据与网络波动的关联模型中,得到网络流量预测值,当网络流量预测值超过网络流量限制值时,发出警报。
进一步的,所述预测警报模块30中,得到网络流量预测值之后,还包括:
获取当前用户服务器的网络流量检测值,判断预设时间范围内的各网络流量预测值与网络流量检测值的差值是否超过流量差值阈值,若是则发出警报。
进一步的,所述关联模型建立模块20中,建立文本数据与网络波动的关联模型之后,还包括:
识别文本相关数据与历史流量波动数据的对应关系,并计算平均滞后时间,将平均滞后时间作为预设时间长度。
本申请第三方面还提供了一种基于大数据的网络流量预测方法设备,包括处理器以及存储器:其中存储器用于存储程序代码,并将程序代码传输给处理器;处理器用于根据程序代码中的指令执行上述一种基于大数据的网络流量预测方法。
本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述一种基于大数据的网络流量预测方法。
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,上述描述的装置和设备的具体工作过程,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,在本发明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。
所述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,本发明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)执行本发明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(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于大数据的网络流量预测方法,其特征在于包括:
获取网络文本历史数据,根据行业品类对网络文本历史数据进行分类,并分别存入不同行业数据库中;获取当前用户的行业特征,识别对应的行业数据库;
获取当前用户服务器的网络流量波动历史数据;将当前用户对应的行业数据库内容进行相关性划分,识别第一直接相关数据和第一间接相关数据,并获取对应的文本相关数据变化情况;将文本相关数据变化情况与网络流量波动历史数据进行关联,建立文本数据与网络波动的关联模型,文本数据与网络波动的关联模型具体为:
;
其中,S为网络流量,和/>分别为不同数据渠道或平台的第一直接相关数据,/>和/>分别为不同数据渠道或平台的第一间接相关数据量,a、b、c、d分别为各数据对应的关联量比例系数,/>和/>分别为不同平台的流量转化系数;
获取当前用户服务器的网络流量限制值;每间隔预设时间长度则获取网络文本当前数据,将网络文本当前数据划分为第二直接相关数据和第二间接相关数据后代入文本数据与网络波动的关联模型中,得到网络流量预测值,当网络流量预测值超过网络流量限制值时,发出警报。
2.根据权利要求1所述的一种基于大数据的网络流量预测方法,其特征在于,所述得到网络流量预测值之后,所述方法还包括:
获取当前用户服务器的网络流量检测值,判断预设时间范围内的各网络流量预测值与网络流量检测值的差值是否超过流量差值阈值,若是则发出警报。
3.根据权利要求1所述的一种基于大数据的网络流量预测方法,其特征在于,所述建立文本数据与网络波动的关联模型之后,所述方法还包括:
识别文本相关数据与历史流量波动数据的对应关系,并计算平均滞后时间,将平均滞后时间作为预设时间长度。
4.一种基于大数据的网络流量预测系统,其特征在于,包括:
数据库构建模块,用于获取网络文本历史数据,根据行业品类对网络文本历史数据进行分类,并分别存入不同行业数据库中;获取当前用户的行业特征,识别对应的行业数据库;
关联模型建立模块,用于获取当前用户服务器的网络流量波动历史数据;将当前用户对应的行业数据库内容进行相关性划分,识别第一直接相关数据和第一间接相关数据,并获取对应的文本相关数据变化情况;将文本相关数据变化情况与网络流量波动历史数据进行关联,建立文本数据与网络波动的关联模型,文本数据与网络波动的关联模型具体为:
;
其中,S为网络流量,和/>分别为不同数据渠道或平台的第一直接相关数据,/>和/>分别为不同数据渠道或平台的第一间接相关数据量,a、b、c、d分别为各数据对应的关联量比例系数,/>和/>分别为不同平台的流量转化系数;
预测警报模块,用于获取当前用户服务器的网络流量限制值;每间隔预设时间长度则获取网络文本当前数据,将网络文本当前数据划分为第二直接相关数据和第二间接相关数据后代入文本数据与网络波动的关联模型中,得到网络流量预测值,当网络流量预测值超过网络流量限制值时,发出警报。
5.根据权利要求4所述的一种基于大数据的网络流量预测系统,其特征在于,所述预测警报模块中,得到网络流量预测值之后,还包括:
获取当前用户服务器的网络流量检测值,判断预设时间范围内的各网络流量预测值与网络流量检测值的差值是否超过流量差值阈值,若是则发出警报。
6.根据权利要求4所述的一种基于大数据的网络流量预测系统,其特征在于,所述关联模型建立模块中,建立文本数据与网络波动的关联模型之后,还包括:
识别文本相关数据与历史流量波动数据的对应关系,并计算平均滞后时间,将平均滞后时间作为预设时间长度。
7.一种基于大数据的网络流量预测设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-3任一项所述的一种基于大数据的网络流量预测方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-3任一项所述的一种基于大数据的网络流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410529139.9A CN118101498B (zh) | 2024-04-29 | 2024-04-29 | 基于大数据的网络流量预测方法、设备、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410529139.9A CN118101498B (zh) | 2024-04-29 | 2024-04-29 | 基于大数据的网络流量预测方法、设备、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118101498A CN118101498A (zh) | 2024-05-28 |
CN118101498B true CN118101498B (zh) | 2024-06-25 |
Family
ID=91153575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410529139.9A Active CN118101498B (zh) | 2024-04-29 | 2024-04-29 | 基于大数据的网络流量预测方法、设备、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118101498B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170692A (zh) * | 2016-12-07 | 2018-06-15 | 腾讯科技(深圳)有限公司 | 一种热点事件信息处理方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113315670B (zh) * | 2021-07-28 | 2021-10-01 | 深圳市华球通网络有限公司 | 网络流量分析方法、装置及存储介质 |
CN117082118A (zh) * | 2023-04-23 | 2023-11-17 | 深圳市广联计算有限公司 | 基于数据推导及端口预测的网络连接方法 |
-
2024
- 2024-04-29 CN CN202410529139.9A patent/CN118101498B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170692A (zh) * | 2016-12-07 | 2018-06-15 | 腾讯科技(深圳)有限公司 | 一种热点事件信息处理方法和装置 |
Non-Patent Citations (1)
Title |
---|
面向大规模网络流量数据的实时汇聚查询关键技术研究;郭庆;朱一凡;谢莹莹;张榆;陈小兵;;小型微型计算机系统;20200529(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN118101498A (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106789885B (zh) | 一种大数据环境下用户异常行为检测分析方法 | |
CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
CN111212038B (zh) | 基于大数据人工智能的开放数据api网关系统 | |
CN111614690B (zh) | 一种异常行为检测方法及装置 | |
US8463899B2 (en) | System, method and computer program product for optimized root cause analysis | |
Naghoosi et al. | Estimation of alarm chattering | |
CN110083507B (zh) | 关键性能指标分类方法及装置 | |
WO2007144504B1 (fr) | Procédé et système de traitement de données de sécurité d'un réseau informatique | |
CN115086089B (zh) | 一种用于网络安全评估预测的方法及系统 | |
JP2002268922A (ja) | Wwwサイトの性能監視装置 | |
CN110460608B (zh) | 一种包含关联分析的态势感知方法和系统 | |
KR20200053387A (ko) | 인공지능 기반 고객이탈관리 자동화 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 | |
CN116070249B (zh) | 资产数据智能监控管理系统及方法 | |
CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
CN112398700A (zh) | 一种服务降级方法及装置、存储介质、计算机设备 | |
CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
CN115037559A (zh) | 一种基于流量的数据安全监测系统、电子设备及存储介质 | |
CN118101498B (zh) | 基于大数据的网络流量预测方法、设备、系统及存储介质 | |
CN117768469A (zh) | 一种基于大数据的云服务管理方法及系统 | |
CN113612625A (zh) | 一种网络故障定位方法及装置 | |
CN116566696A (zh) | 一种基于云计算的安全性评估系统及方法 | |
CN116614418A (zh) | 一种基于云计算平台的服务器保护方法 | |
JP4777941B2 (ja) | 需要予測方法および装置 | |
CN116542013A (zh) | 一种电力边缘计算芯片可靠性评估方法、系统及存储介质 | |
JP2002099448A (ja) | 性能監視装置、及びその方法 |
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 |