WO2015032252A1 - 网络性能的预测方法及装置 - Google Patents

网络性能的预测方法及装置 Download PDF

Info

Publication number
WO2015032252A1
WO2015032252A1 PCT/CN2014/083730 CN2014083730W WO2015032252A1 WO 2015032252 A1 WO2015032252 A1 WO 2015032252A1 CN 2014083730 W CN2014083730 W CN 2014083730W WO 2015032252 A1 WO2015032252 A1 WO 2015032252A1
Authority
WO
WIPO (PCT)
Prior art keywords
parameter data
performance parameter
link
performance
data
Prior art date
Application number
PCT/CN2014/083730
Other languages
English (en)
French (fr)
Inventor
张耀坤
Original Assignee
华为技术有限公司
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 华为技术有限公司 filed Critical 华为技术有限公司
Priority to EP14842612.5A priority Critical patent/EP3024178B1/en
Publication of WO2015032252A1 publication Critical patent/WO2015032252A1/zh
Priority to US15/061,757 priority patent/US10298464B2/en

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0695—Management of faults, events, alarms or notifications the faulty arrangement being the maintenance, administration or management system
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • 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
    • H04L43/16—Threshold monitoring
    • 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
    • H04L47/12—Avoiding congestion; Recovering from congestion
    • H04L47/127—Avoiding congestion; Recovering from congestion by using congestion prediction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5003—Managing SLA; Interaction between SLA and QoS
    • H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]

Definitions

  • the present invention claims the priority of the Chinese Patent Application entitled “Network Performance Prediction Method and Apparatus", which is filed on Sep. 6, 2013, to the Chinese Patent Office, Application No. 201310404729. The entire contents are incorporated herein by reference.
  • the present invention relates to the field of network communication technologies, and in particular, to a method and apparatus for predicting network performance.
  • a network carrying services such as wireless, financial, and electric power has high requirements on the performance of a transmission network, such as delay, jitter, and packet loss rate.
  • the data transmission delay between the base station and the base station controller generally does not exceed 10 ms. If the range is exceeded, the service will be damaged. The customer wants to immediately give an alarm and Make the appropriate protection switch.
  • the delay is taken as an example.
  • the application is only used to feedback the network real-time or time delay data, and will not be used for the current data.
  • the trend predicts future data, and it cannot analyze historical data. It does not have the functions of delay prediction, early warning, and protection switching based on predicted data.
  • the invention provides a method and a device for predicting network performance, real-time monitoring data according to network performance of a link, analyzing network performance change trends, and predicting performance parameter data of future network performance, and determining whether to perform alarm and protection switching based on the prediction.
  • a first aspect of the present invention provides a method for predicting network performance, where the method for predicting network performance includes: acquiring M performance parameter data of a link;
  • a cloud model digital feature of the network performance of the link includes: an expectation value, an entropy, and a super entropy
  • calculating, according to the M performance parameter data, a cloud model digital feature of the network performance of the link specifically: calculating a sample mean value of the M performance parameter data by using: J_f .
  • the sample mean value of the M water performance parameter data is the first performance parameter data;
  • the first-order sample absolute center distance of the M performance parameter data wherein, the first-order sample absolute center distance of the M performance parameter data is the first performance parameter data; the first-order sample absolute center distance J and Product, the entropy of the M performance parameter data, ie;
  • the calculating, according to the digital feature of the cloud model, calculating N predictions of network performance of the link Performance parameter data including: A.
  • the normal random number x with a certain degree of _y is used as a cloud drop of the network performance
  • a fourth possible implementation manner of the first aspect if there is data in the M performance parameter data that exceeds the preset upper limit value, or if The data of the N predicted performance parameter data exceeds the preset upper limit value, and the method further includes: performing active/standby link switching if the link has a backup link.
  • the present invention further provides a network performance prediction apparatus, where the network performance prediction apparatus includes: an acquisition module, a first calculation module, a second calculation module, and a processing module;
  • the obtaining module is configured to acquire M performance parameter data of the link
  • the first calculating module is configured to calculate a cloud model digital feature of the network performance of the link according to the M performance parameter data acquired by the acquiring module;
  • the second calculating module is configured to calculate N predicted performance parameter data of the network performance of the link according to the digital feature of the cloud model calculated by the first computing module;
  • the first determining module is configured to determine whether there is data exceeding the preset upper limit value in the N predicted performance parameter data calculated by the second calculating module;
  • the processing module is configured to: if the first determining module determines that there is data that exceeds a preset upper limit value in the N predicted performance parameter data, issue a predicted alarm that the link has an excessive risk, where M and N are preset positive integers.
  • the cloud model digital features of the network performance of the link calculated by the first calculating module include: an expected value, an entropy, and a super entropy
  • the second calculating module specifically includes: using the cloud model digital feature ⁇ , E n , Hj
  • the entropy ⁇ and the super entropy H e in the middle generate a normal random number propel ' with the entropy ⁇ as the expected value and the super entropy / ⁇ as the standard deviation
  • the second calculation module further includes the normal random number X for determining the degree of _y as a cloud drop of the network performance;
  • the second calculation module further includes means for repeatedly generating N cloud drops as the N predicted performance parameter data.
  • the third aspect of the second aspect is further configured to determine whether data of the M performance parameter data acquired by the acquiring module exceeds the preset upper limit value;
  • the processing module is further configured to: if the first determining module determines that data of the M performance parameter data exceeds the preset upper limit value, send an alarm that the link has exceeded the standard.
  • the processing module is further configured to perform a primary and backup link if the link has a backup link Switch.
  • FIG. 1 is a flowchart of a method for predicting network performance according to an embodiment of the present invention
  • FIG. 2 is a schematic diagram of a network performance prediction apparatus according to an embodiment of the present invention.
  • FIG. 3 is a schematic structural diagram of a device for predicting network performance according to an embodiment of the present invention.
  • the method and device for predicting network performance can be applied to various networks, and the predicted network performance can include performance parameters such as delay, jitter, and packet loss rate, and can predict performance of various types of network links. It includes a physical link with a transmission medium such as an optical fiber, a Pseudo-Wire (PW), a Label Switched Path (LSP), and a backup LSP.
  • a transmission medium such as an optical fiber, a Pseudo-Wire (PW), a Label Switched Path (LSP), and a backup LSP.
  • FIG. 1 is a flowchart of a method for predicting network performance according to an embodiment of the present invention, including:
  • the performance parameters of the link are monitored in real time, such as delay, and the performance parameter data of each time point is saved; preferably, the latest M performance parameter data of the link is obtained.
  • M is a preset positive integer, which can be set by the user according to actual usage requirements. If the primary link and the backup link are provided in the network, the performance parameter data on the primary and backup links are separately obtained.
  • the method further includes: determining whether there is data exceeding a preset upper limit value in the M performance parameter data of the link, and if it is determined that there is data exceeding a preset upper limit value, sending If the link has exceeded the alarm, the process returns to S101; otherwise, S102 is performed.
  • the preset upper limit value is specifically set according to a customer requirement.
  • the active/standby link switching may be performed, that is, the The state of the link is switched to standby, and the state of the backup link of the link is switched to be the primary.
  • Digital signature cloud model network performance of the link comprises: a desired value of the performance parameter data i, and ⁇ hyper entropy entropy H e, cloud model digital signature is typically expressed as ⁇ , E n, H.
  • calculating, by the reverse cloud generator, a cloud model digital feature of the network performance of the link including the following steps:
  • ⁇ is the sample mean of the M performance parameter data, which is the first performance parameter data; and the sample mean is the expected value 4 of the M performance parameter data, that is, .
  • the M performance parameters on the primary link and the backup link are respectively calculated by using the foregoing S1021 to S1023.
  • N is a preset positive integer, which can be set by the user according to actual usage requirements, and the value of N may be equal to M or not equal to M.
  • the N predicted performance parameter data of the network performance of the link is calculated by using the forward cloud generator according to the digital feature of the cloud model, including the following steps:
  • the normal random number X with a certain degree of determination is used as a cloud drop of the network performance.
  • N cloud drops on the primary link and the backup link are respectively calculated by using the foregoing S1031 to S1035, respectively, as the primary link and the backup link.
  • N predicted performance parameter data are provided in the network.
  • the active/standby link it is determined whether there is data exceeding the upper limit value among the N predicted performance parameter data on the primary link and the standby link respectively; if the N of the primary link The predicted performance parameter data has data exceeding the preset upper limit value, and the predicted link having the risk of exceeding the standard is issued; if the N predicted performance parameter data of the standby link is exceeded The preset upper limit data sends a predicted alarm that the standby link has an excessive risk.
  • the method may further include: leaving the primary link beyond the preset The number of data of the limit Compared with the number of data exceeding the preset upper limit value on the backup link, if the number of data of the primary link exceeding the preset upper limit value is large, the main link is If the risk is greater, the active/standby link switchover is performed; otherwise, the risk on the primary link is smaller, and the process returns to S101.
  • the network performance prediction method analyzes the network performance change trend according to the network performance of the link, and predicts the future performance parameter data, and determines whether to perform alarm and protection switching according to the prediction, which can solve the current
  • the delay in the network cannot be timely warning and the protection switching is timely.
  • the setting requirement of the handover threshold (upper limit value) can be loose. The problem that the switching threshold is difficult to determine is avoided.
  • the device includes: an obtaining module 201, a first computing module 202, and a second The calculation module 203, the first determination module 204, and the processing module 205.
  • the obtaining module 201 is configured to acquire M performance parameter data of the link.
  • the first calculating module 202 is configured to calculate, according to the M performance parameter data acquired by the obtaining module 201, a cloud model digital feature of the network performance of the link;
  • a second calculating module 203 configured to calculate, according to the digital feature of the cloud model calculated by the first calculating module 202, N predicted performance parameter data of network performance of the link;
  • the first judging module 204 is configured to determine whether there is data exceeding the preset upper limit value in the N predicted performance parameter data calculated by the second calculating module 203;
  • the processing module 205 is configured to: if the first determining module 204 determines that the data of the N predicted performance parameter data exceeds the preset upper limit value, issue a predicted alarm that the link has an excessive risk.
  • N are preset positive integers, which can be set by the user according to actual usage requirements; the value of N can be equal to M or not equal to M.
  • the obtaining module 201 can obtain the performance parameter data on the link by using an existing Ethernet network based 0AM function and mechanism, IPFPM, NQA, and the like.
  • the device monitors performance parameters of the link in real time, such as delay, and saves performance parameter data at each time point.
  • the obtaining module 201 acquires the latest M performance parameter data of the link. If the link is provided with a backup link, the acquiring module 201 may be configured to obtain M performance parameter data of the primary and backup links respectively.
  • the first determining module 204 is connected to the obtaining module 201, and configured to determine whether the M performance parameter data of the link acquired by the acquiring module 201 has data exceeding a preset upper limit value;
  • the processing module 205 is further configured to: if the first determining module 204 determines that there is data exceeding the preset upper limit value in the M performance parameter data, issue an alarm that the link has exceeded the standard, and return to obtaining Module 201; otherwise, enters first computing module 202.
  • the preset upper limit value is specifically set according to a customer requirement.
  • the processing module 205 determines that the M performance parameter data on the primary link has data exceeding the preset upper limit value, if the link has a backup link, the processing module 205.
  • the switchover of the active/standby link is performed, that is, the state of the link is switched to standby, and the state of the backup link of the link is switched to be the primary.
  • Digital signature cloud model network performance of the link comprises: a desired value of the performance parameter data i, and ⁇ hyper entropy entropy H e, cloud model digital signature is typically expressed as ⁇ , E n, H.
  • the sample mean value of the M performance parameter data is the first performance parameter data;
  • L is the first-order sample absolute center distance of the M performance parameter data
  • ⁇ is the sample mean of the M performance parameter data
  • X is the first performance parameter data
  • J is Product, the entropy of the M performance parameter data, ie L
  • the sample variance of the performance parameter data is calculated.
  • S 2 is a sample variance of the M performance parameter data, and is a sample mean value of the M performance parameter data, where ⁇ is a first performance parameter data; and a difference between the sample variance ⁇ and the ⁇ squared
  • the first calculating module 202 is configured to separately calculate M performance parameters on the primary link and the standby link.
  • the cloud model digital features of the data ⁇ , E n , H .
  • the second calculating module 203 is configured to calculate the N predicted performance parameter data of the network performance of the link by using the forward cloud generator according to the digital feature of the cloud model, including:
  • the second calculating module 203 is configured to separately calculate N cloud drops on the primary link and the standby link as N predicted performance parameter data on the primary link and the standby link.
  • the first determining module 204 is configured to determine whether the N predicted performance parameter data on the primary link and the backup link respectively exceed the preset upper limit value. data.
  • the processing module 205 is configured to issue the main chain if the first determining module 204 determines that there is data exceeding the preset upper limit value in the N predicted performance parameter data of the primary link. If the first judging module 204 determines that there is data exceeding the preset upper limit value in the N predicted performance parameter data of the backup link, the processing module 205 is configured to send a predicted alarm that the standby link has a risk of exceeding the standard.
  • the network performance predicting apparatus of the present invention may further include: a second determining module And comparing, by the number of data of the primary link that exceeds the preset upper limit value, the number of data that exceeds the preset upper limit value on the standby link. If the number of the primary links is large, indicating that the risk is greater on the primary link, the processing module 205 performs the active/standby link switching; otherwise, the risk on the primary link is smaller, and the obtaining module 201 is returned.
  • FIG. 3 is a schematic structural diagram of a device for predicting network performance according to the embodiment, for performing the method shown in FIG. 1 of the present invention; as shown in FIG. 3, the network performance predicting apparatus 300 includes a processor 301, a memory 302, and a network. Interface 303 and bus 304.
  • the memory 302 is used to store programs. Specifically, the program may include program code, and the program code includes Computer operating instructions.
  • the memory 302 may include a high speed random access memory (RAM) memory, and may also include a non-volatile memory, such as at least one disk memory.
  • a device driver may also be included in the memory 302.
  • Network interface 303 is used to communicate with other devices.
  • the processor 301 executes a program stored in the memory 302 for performing the network performance prediction method provided by the embodiment of the present invention, including:
  • the absolute center distance of the sample is the first performance parameter data; the product of the absolute center distance J of the first order sample and " ⁇ " is the entropy of the data of the M performance parameters, that is,
  • the normal random number with a certain degree of _y is used as a cloud drop of the network performance
  • the method further includes:
  • the method and device for predicting network performance provided by the present invention, according to the network performance of the link, real-time monitoring data analysis network performance change trend, predicting future performance parameter data, and determining whether to perform alarm and protection switching based on the prediction, can solve the current The delay in the network cannot be timely warning and the protection switching is timely.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种网络性能的预测方法及装置，所述方法包括：获取链路的M个性能参数数据；根据所述M个性能参数数据，计算所述链路的网络性能的云模型数字特征；根据所述云模型数字特征，计算得到所述链路的网络性能的N个预测的性能参数数据；如果所述N个预测的性能参数数据中存在超出预设上限值的数据，发出所述链路有超标风险的预测告警，其中，M、N为预设正整数。本发明的网络性能的预测方法及装置，根据链路的网络性能实时监控数据分析网络性能变化趋势，预测未来的性能参数数据，以此预测为依据判断是否进行告警和保护切换。

Description

络性能的预测方法及装置 本申请要求于 2013年 09月 06日提交中国专利局、 申请号为 201310404729. 0、 发 明名称为 "网络性能的预测方法及装置"的中国专利申请的优先权， 其全部内容通过引 用结合在本申请中。 技术领域 本发明涉及网络通信技术领域， 尤其涉及一种网络性能的预测方法及装置。 背景技术 承载无线、 金融、 电力等业务的网络， 对传输网络的性能， 例如， 时延、 抖动、 丢 包率等要求较高。 在无线移动承载网络中， 基站与基站控制器 （Radio Network Control ler, RNC) 之间的数据传送时延一般要求不超过 10ms， 如超出该范围将造成业 务损伤， 客户希望能立即给出告警并作出相应的保护切换。
目前， 对于网络性能质量 （如时延、 抖动、 丢包率等性能参数） 的监控方法， 以时 延为例， 在应用上仅用于反馈网络实时或定时时延数据， 不会针对当前数据走势对未来 的数据作出预测， 也不能针对历史数据做分析， 本身不具备时延预测、 预警的功能和依 据预测数据做保护切换的功能。
由于网络时延具备两种不确定性， 一是随机性： 单个报文在网络中转发时， 由于如 转发芯片的瞬时失效、 链路质量瞬态不稳定等因素的影响， 可能会产生大时延或小时延 存在一定的随机性； 二是模糊性： 时延大小本身是相对的， 在 "时延大"的界定上存在 模糊性。 因此， 当前的时延算法并不能全面的反应网络时延质量， 仅是网络时延的平均 值或者概率分布的期望值； 但客户的要求， 例如， "时延不准超过 10ms "是一个上限值， 即使期望值未超出上限值， 也不能保障所有的报文时延不会超过这个上限。
如果检测到链路时延超过上限值再告警或者保护切换， 实际上已经晚了， 对业务已 构成损伤， 因此， 现有的网络性能质量的监控方法无法及时地告警或进行保护切换。 发明内容
本发明提供一种网络性能的预测方法及装置， 根据链路的网络性能实时监控数据 分析网络性能变化趋势， 预测未来网络性能的性能参数数据， 以此预测为依据判断是否 进行告警和保护切换， 能够及时地告警或进行保护切换。 本发明第一方面提供了一种网络性能的预测方法，所述网络性能的预测方法包括: 获取链路的 M个性能参数数据；
根据所述 M个性能参数数据， 计算所述链路的网络性能的云模型数字特征； 根据所述云模型数字特征， 计算得到所述链路的网络性能的 N个预测的性能参数 数据；
如果所述 N个预测的性能参数数据中存在超出预设上限值的数据， 发出所述链路 有超标风险的预测告警， 其中， M、 N为预设正整数。
结合第一方面， 在第一方面的第一种可能的实施方式中， 所述链路的网络性能的 云模型数字特征包括： 期望值 、 熵 和超熵
所述根据所述 M个性能参数数据， 计算所述链路的网络性能的云模型数字特征， 具体包括： 利用 = J_f .，计算所述 M个性能参数数据的样本均值，其中， 为所述 M水 性能参数数据的样本均值， 为第 个性能参数数据； 所述样本均值 f为所述 M个性能 参数数据的期望值 ， 也即 = f ; 利用 =1|；| - ^|，计算所述 M个性能参数数据的一阶样本绝对中心距，其中， 为所述 M个性能参数数据的一阶样本绝对中心距， 为第 个性能参数数据； 所述一 阶样本绝对中心距 J与、 的乘积， 为所述 M个性能参数数据的熵 ， 也即 ;
Figure imgf000004_0001
利用 ^ = -J_ y (Xj - xf ，计算所述 M个性能参数数据的样本方差，其中， ^为
M - 1台
所述 M个性能参数数据的样本方差， ^为所述 M个性能参数数据的样本均值， Χι为第 /个性能参数数据； 所述样本方差 ^与所述 ^平方的差值的平方根， 为所述 M个性能 参数数据的超熵 He， 也即 ^ = 2 - 。 结合第一方面的第一种可能的实施方式，在第一方面的第二种可能的实施方式中， 所述根据所述云模型数字特征， 计算得到所述链路的网络性能的 N个预测的性能参数数 据， 具体包括： A、 利用所述云模型数字特征 { ， En， HJ中的熵 和超熵 ， 生成以所述熵 为期望值、 所述超熵/^为标准差的正态随机数 „ '；
B、 利用所述云模型数字特征 { ， En, HJ中的期望值 和所述正态随机数 生成以所述期望值 为期望值、 所述正态随机数 „为标准差的正态随机数 X； C、 利用； = e 2(s )2 ， 计算所述正态随机数 X属于所述网络性能的确定度
D、 将确定度为 _y的所述正态随机数 x作为所述网络性能的一个云滴；
E、 重复 A〜D， 直到产生 N个云滴， 作为所述 N个预测的性能参数数据。
结合第一方面或第一方面的第一种或第二种可能的实施方式， 在第一方面的第三 种可能的实施方式中， 在所述获取链路的 M个性能参数数据之后， 还包括：
如果所述 M个性能参数数据中存在超出所述预设上限值的数据， 则发出所述链路 已超标的告警。
结合第一方面的第三种可能的实施方式，在第一方面的第四种可能的实施方式中， 如果所述 M个性能参数数据中存在超出所述预设上限值的数据， 或者如果所述 N个预测 的性能参数数据中存在超出所述预设上限值的数据， 所述方法还包括： 若所述链路存在 备份链路， 执行主备链路切换。
第二方面， 本发明还提供了一种网络性能的预测装置， 所述网络性能的预测装置 包括： 获取模块、 第一计算模块、 第二计算模块和处理模块；
所述获取模块， 用于获取链路的 M个性能参数数据；
所述第一计算模块， 用于根据所述获取模块获取的所述 M个性能参数数据， 计算 所述链路的网络性能的云模型数字特征；
所述第二计算模块，用于根据所述第一计算模块计算得到的所述云模型数字特征， 计算得到所述链路的网络性能的 N个预测的性能参数数据；
所述第一判断模块， 用于判断所述第二计算模块计算得到的所述 N个预测的性能 参数数据中是否存在超出所述预设上限值的数据；
所述处理模块， 用于如果所述第一判断模块判定所述 N个预测的性能参数数据中 存在超出预设上限值的数据， 则发出所述链路有超标风险的预测告警， 其中， M、 N为预 设正整数。
结合第二方面， 在第二方面的第一种可能的实施方式中， 所述第一计算模块计算 得到的所述链路的网络性能的云模型数字特征包括： 期望值 、 熵 和超熵 所述第一计算模块具体包括用于利用 ^ = 1| ,.，计算所述 M个性能参数数据的 样本均值， 其中， f为所述 M个性能参数数据的样本均值， 为第 个性能参数数据； 所述样本均值 ^为所述 M个性能参数数据的期望值 ， 也即 =f； 所述第一计算模块还包括用于利用 =1|；| -^|， 计算所述 M个性能参数数据 的一阶样本绝对中心距， 其中， J为所述 M个性能参数数据的一阶样本绝对中心距， Χι 为第 个性能参数数据； 所述一阶样本绝对中心距 与 ^的乘积， 为所述 M个性能参 π 1 Μ
数数据的熵 ， 也即 £„=λ * ' *_Ly ι -Ε
2 1 ' χ 所述第一计算模块还包括用于利用 ^2=^~£^ - ) 2， 计算所述 Μ个性能参 数数据的样本方差， 其中， ^为所述 M个性能参数数据的样本方差， 为所述 M个性 能参数数据的样本均值， X,为第 个性能参数数据， 所述样本方差 ^与所述 ^平方的差 值的平方根， 为所述 M个性能参数数据的超熵 He， 也即 = 2- 。
结合第二方面的第一种可能的实施方式，在第二方面的第二种可能的实施方式中， 所述第二计算模块具体包括用于利用所述云模型数字特征 { ， En， Hj中的熵 ^和超 熵 He， 生成以所述熵 ^为期望值、 所述超熵/^为标准差的正态随机数 „ '；
所述第二计算模块还包括用于利用所述云模型数字特征 { ， En, Hj中的期望值 和所述正态随机数 生成以所述期望值 为期望值、 所述正态随机数 „ '为标准 差的正态随机数 X； 所述第二计算模块还包括用于利用 y = e 2(β)2 ， 计算所述正态随机数 X属于所述 网络性能的确定度
所述第二计算模块还包括用于将确定度为 _y的所述正态随机数 X作为所述网络性 能的一个云滴；
所述第二计算模块还包括用于重复产生 N个云滴， 作为所述 N个预测的性能参数 数据。
结合第二方面或第二方面的第一种或第二种可能的实施方式， 在第二方面的第三 种可能的实施方式中， 所述第一判断模块， 还用于判断所述获取模块获取的所述 M个性 能参数数据中是否存在超出所述预设上限值的数据；
所述处理模块， 还用于若所述第一判断模块判定所述 M个性能参数数据中存在超 出所述预设上限值的数据， 则发出所述链路已超标的告警。
结合第二方面的第三种可能的实施方式，在第二方面的第四种可能的实施方式中， 所述处理模块， 还用于若所述链路存在备份链路， 执行主备链路切换。
本发明提供的网络性能的预测方法及装置，根据链路的网络性能实时监控数据分析 网络性能变化趋势， 预测未来的性能参数数据， 以此预测为依据判断是否进行告警和保 护切换。 附图说明 图 1为本发明实施例提供的网络性能的预测方法流程图；
图 2为本发明实施例提供的网络性能的预测装置示意图；
图 3为本发明实施例提供的网络性能的预测装置结构示意图。
具体实施方式 下面通过附图和实施例， 对本发明的技术方案做进一步的详细描述。
本发明提供的网络性能的预测方法及装置， 可应用于各种网络中， 预测的网络性 能可以包括如时延、 抖动、 丢包率等性能参数， 可以预测各种类型的网络链路的性能， 包括光纤等具有传输介质的物理链路， 伪连接 （Pseudo-Wire, PW), 隧道的主标签转发 路径 ( Label Switched Path, LSP)、 备 LSP等。
图 1是本发明实施例提供的网络性能的预测方法流程图， 包括：
S101、 获取链路的 M个性能参数数据。
获取链路上的性能参数数据可采用现有方法， 例如： 基于以太网网络的操作维护 管理 （operation and maintenance , 0AM ) 功能和机制、 IP 流性能管理 （IP Flow
Performance Management, IPFPM)、 网络质量分析 (Network Qual ity Analysis, NQA) 等。 实时监控链路的性能参数， 例如时延， 保存各个时间点的性能参数数据； 优选地， 获取所述链路的最新的 M个性能参数数据。 其中， M为预设正整数， 可由用户根据实际 使用需求来设定。 若网络中设有主链路和备链路， 可选地， 分别获取主、 备链路上的性能参数数据。 可选的， 在 S101之后， 还包括： 判断所述链路的所述 M个性能参数数据中是否存 在超出预设上限值的数据， 如果判定存在超出预设上限值的数据， 则发出所述链路已超 标的告警， 返回执行 S101 ; 否则， 执行 S102。 其中， 所述预设上限值根据客户要求具 体设定。
进一步地， 若判定所述链路的所述 M个性能参数数据存在超出所述预设上限值的 数据，若所述链路存在备份链路，可以进行主备链路切换， 即所述链路的状态切换为备， 所述链路的备份链路的状态切换为主。
S102、 根据所述 M个性能参数数据， 计算所述链路的网络性能的云模型数字特征。 所述链路的网络性能的云模型数字特征包括： 所述性能参数数据的期望值 i 、 熵 ^和超熵 He， 云模型数字特征通常表示为 { ， En， H 。
具体地， 利用所述 M个性能参数数据， 通过逆向云发生器计算所述链路的网络性 能的云模型数字特征， 包括以下步骤：
S102U 利用 = J_| 计算所述 M个性能参数数据的样本均值。 其中， ^为所述 M个性能参数数据的样本均值， 为第 个性能参数数据； 所述 样本均值 ， 为所述 M个性能参数数据的期望值 4， 也即 。
51022、 利用 =±f; | - |， 计算所述 M个性能参数数据的一阶样本绝对中心 距， 其中， J为所述 M个性能参数数据的一阶样本绝对中心距， ^为所述 M个性能参 数数据的样本均值， 为第 个性能参数数据； 所述一阶样本绝对中心距 J与 的乘 积， 为所述 M个性能参数数据的熵^， 也即 £n = j^ * = j^ *丄 |。
51023、 利用 = ^_f ^ - )2， 计算所述 M个性能参数数据的样本方差， 其 中， 为所述 M个性能参数数据的样本方差， ^为所述 M个性能参数数据的样本均值， 为第 个性能参数数据，所述样本方差 ^与所述 平方的差值的平方根，为所述 M个 性能参数数据的超熵 He， 也即 He = S2 - En 2 。
可选的，通过上述 S1021〜S1023分别计算得到主链路和备链路上的 M个性能参数 数据的云模型数字特征 { ， En， He} 0
5103、 根据所述云模型数字特征， 计算得到所述链路的网络性能的 N个预测的性 能参数数据。
其中， N为预设正整数， 可由用户根据实际使用需求来设定， N的值可以等于 M， 也可以不等于 M。
具体地， 根据所述云模型数字特征， 利用正向云发生器计算得到所述链路的网络 性能的 N个预测的性能参数数据， 包括以下步骤：
S103U 利用所述云模型数字特征 { ， En， HJ中的熵 和超熵 He， 生成以所述 熵 ^为期望值、 所述超熵/ ^为标准差的正态随机数
S1032、 利用所述云模型数字特征 { ， En， HJ中的期望值 和所述正态随机数
En' , 生成以所述期望值 为期望值、 所述正态随机数 „ '为标准差的正态随机数 x。
51033、 利用； = e 2(s )2 ， 计算所述正态随机数 X属于所述网络性能的确定度 。
51034、 将确定度为 的所述正态随机数 X作为所述网络性能的一个云滴。
51035、重复 S1031〜S1034， 直到产生 N个云滴， 作为所述 N个预测的性能参数数 据。
可选的， 若网络中设有主链路和备链路， 通过上述 S1031〜S1035分别计算得到主 链路和备链路上的 N个云滴， 分别作为主链路和备链路上的 N个预测的性能参数数据。
5104、 如果所述 N个预测的性能参数数据中存在超出所述预设上限值的数据， 发 出所述链路有超标风险的预测告警。
具体地， 判断所述 N个预测的性能参数数据中是否存在超出所述预设上限值的数 据， 如果存在超出所述预设上限值的数据， 发出所述链路有超标风险的预测告警； 如果 不存在， 返回执行 S101。
对于设置有主备链路的情形， 则分别判断主链路和备链路上的 N个预测的性能参 数数据中是否存在超出上限值的数据； 如果所述主链路的所述 N个预测的性能参数数据 中存在超出所述预设上限值的数据， 发出所述主链路有超标风险的预测告警； 如果所述 备链路的所述 N个预测的性能参数数据中存在超出所述预设上限值的数据， 发出所述备 链路有超标风险的预测告警。
如果判断到主链路上的 N个预测的性能参数数据中存在超出所述预设上限值的数 据， 进一步地， 所述方法还可以包括： 将所述主链路超出所述预设上限值的数据的个数 与所述备链路上超出所述预设上限值的数据的个数相比较， 如果所述主链路超出所述预 设上限值的数据的个数较多， 说明主链路上风险更大， 则执行主备链路切换； 否则， 说 明主链路上风险更小， 返回执行 S101。
本发明实施例提供的网络性能的预测方法， 根据链路的网络性能实时监控数据分 析网络性能变化趋势， 预测未来的性能参数数据， 以此预测为依据判断是否进行告警和 保护切换， 可以解决当前网络中时延无法及时预警、 及时进行保护切换的问题。 另外， 由于可以对主链路和备链路上预测得到的性能参数数据进行比较， 选择风险较小的链 路， 因此， 本发明对于切换阈值 （上限值） 的设定要求可以较为宽松， 避免了切换阈值 难以确定的问题。
以上是对本发明所提供的网络性能的预测方法进行的详细描述， 下面对本发明提 供的网络性能的预测装置进行详细描述。
图 2是本实施例提供的网络性能的预测装置示意图， 用于实现本发明图 1所示的 方法； 如图 2所示， 所述装置包括： 获取模块 201、 第一计算模块 202、 第二计算模块 203、 第一判断模块 204和处理模块 205。
获取模块 201， 用于获取链路的 M个性能参数数据。
第一计算模块 202，用于根据获取模块 201获取的所述 M个性能参数数据，计算所 述链路的网络性能的云模型数字特征；
第二计算模块 203， 用于根据第一计算模块 202计算得到的所述云模型数字特征， 计算得到所述链路的网络性能的 N个预测的性能参数数据；
第一判断模块 204，用于判断所述第二计算模块 203计算得到的所述 N个预测的性 能参数数据中是否存在超出所述预设上限值的数据；
处理模块 205，用于若第一判断模块 204判定所述 N个预测的性能参数数据中存在 超出所述预设上限值的数据， 则发出所述链路有超标风险的预测告警。
其中， M、 N为预设正整数，可由用户根据实际使用需求来设定； N的值可以等于 M， 也可以不等于 M。
获取模块 201可采用现有的基于以太网网络 0AM功能和机制、 IPFPM、 NQA等方法 来获取链路上的性能参数数据。
所述装置实时监控链路的性能参数， 例如时延， 保存各个时间点的性能参数数据； 优选地， 获取模块 201获取所述链路的最新的 M个性能参数数据。 若所述链路设有备份 链路， 获取模块 201， 具体可以用于分别获取主、 备链路的 M个性能参数数据。 可选的， 所述第一判断模块 204与获取模块 201相连接， 用于判断获取模块 201 获取的所述链路的所述 M个性能参数数据是否存在超出预设上限值的数据； 所述处理模 块 205， 还用于如果所述第一判断模块 204判定所述 M个性能参数数据中存在超出预设 上限值的数据， 则发出所述链路已超标的告警， 并返回至获取模块 201 ; 否则， 进入第 一计算模块 202。
其中， 所述预设上限值根据客户要求具体设定。
进一步地， 若第一判断模块若判定所述主链路上的所述 M个性能参数数据存在超 出所述预设上限值的数据， 若所述链路存在备份链路， 所述处理模块 205， 还可以用于 进行主备链路切换，即所述链路的状态切换为备，所述链路的备份链路的状态切换为主。
所述链路的网络性能的云模型数字特征包括： 所述性能参数数据的期望值 i 、 熵 ^和超熵 He， 云模型数字特征通常表示为 { ， En， H 。
具体地， 第一计算模块 202， 用于根据所述 M个性能参数数据， 通过逆向云发生器 计算所述链路的网络性能的云模型数字特征， 包括： 利用 ^ = ，计算所述 M个性能参数数据的样本均值。其中， 为所述 M个 性能参数数据的样本均值， 为第 个性能参数数据； 所述样本均值 ^， 为所述 M个性 能参数数据的期望值 ， 也即 = f ; 利用 =1¾| -^|，计算所述 M个性能参数数据的一阶样本绝对中心距。其中，
L为所述 M个性能参数数据的一阶样本绝对中心距， ^为所述 M个性能参数数据的样 本均值， X,为第 个性能参数数据；所述一阶样本绝对中心距 J与 的乘积，为所述 M 个性能参数数据的熵 ， 也即 L
Figure imgf000011_0001
1
利用 ^ =_^ - ^)2，计算所述 Μ个性能参数数据的样本方差。其中， S2为 所述 M个性能参数数据的样本方差， 为所述 M个性能参数数据的样本均值， Χι为第 个性能参数数据； 所述样本方差 ^与所述^平方的差值的平方根， 为所述 M个性能 参数数据的超熵 He， 也即 ^ = 2 - 。 可选的， 第一计算模块 202用于分别计算得到主链路和备链路上的 M个性能参数 数据的云模型数字特征 { ， En， H 。
具体地， 第二计算模块 203用于根据所述云模型数字特征， 利用正向云发生器计 算得到所述链路的网络性能的 N个预测的性能参数数据， 包括：
利用所述云模型数字特征 { ， En， HJ中的熵 和超熵 He， 生成以所述熵 ^为 期望值、 所述超熵^ ^为标准差的正态随机数 利用所述云模型数字特征 { ， En， HJ中的期望值 和所述正态随机数 „'，生成 以所述期望值 为期望值、 所述正态随机数 „ '为标准差的正态随机数 X； 利用 y = e 2(^2 ， 计算所述正态随机数 X属于所述网络性能的确定度 ； 将确定度为 _y的所述正态随机数 X作为所述网络性能的一个云滴；重复产生 N个云 滴， 作为所述 N个预测的性能参数数据。
可选的， 第二计算模块 203， 用于分别计算得到主链路和备链路上的 N个云滴， 作 为主链路和备链路上的 N个预测的性能参数数据。
对于设置有主备链路的情形，所述第一判断模块 204，用于分别判断主链路和备链 路上的 N个预测的性能参数数据中是否存在超出所述预设上限值的数据。
若所述第一判断模块 204判定所述主链路的所述 N个预测的性能参数数据中存在 超出所述预设上限值的数据时，所述处理模块 205用于发出所述主链路有超标风险的预 测告舊 若所述第一判断模块 204判定所述备链路的所述 N个预测的性能参数数据中存在 超出所述预设上限值的数据时，所述处理模块 205用于发出所述备链路有超标风险的预 测告警。
如果所述第一判断模块 204判定主链路上的 N个预测的性能参数数据中存在超出 所述预设上限值的数据， 本发明的网络性能的预测装置还可以包括： 第二判断模块， 用 于将所述主链路超出所述预设上限值的数据的个数与所述备链路上超出所述预设上限 值的数据的个数相比较。 如果所述主链路的个数较多， 说明主链路上风险更大， 则处理 模块 205执行主备链路切换； 否则， 说明主链路上风险更小， 返回获取模块 201。
图 3是本实施例提供的网络性能的预测装置结构示意图， 用于执行本发明图 1所 示方法； 如图 3所示， 所述网络性能的预测装置 300包括处理器 301， 存储器 302， 网 络接口 303和总线 304。
存储器 302用于存放程序。 具体地， 程序可以包括程序代码， 所述程序代码包括 计算机操作指令。 存储器 302可能包含高速随机存取存储器 （random access memory, 简称 RAM) 存储器， 也可能还包括非易失性存储器 （non-volati le memory), 例如至少 一个磁盘存储器。 所述存储器 302中还可以包括设备驱动程序。
网络接口 303用于与其他设备通信。
处理器 301执行存储器 302中存放的程序， 用于执行本发明实施例提供的网络性 能的预测方法， 包括：
获取链路的 M个性能参数数据；
根据所述 M个性能参数数据， 计算所述链路的网络性能的云模型数字特征； 根据所述云模型数字特征， 计算得到所述链路的网络性能的 N个预测的性能参数数 据；
如果所述 N个预测的性能参数数据中存在超出预设上限值的数据， 发出所述链路有 超标风险的预测告警， 其中， M、 N为预设正整数。
其中， 所述链路的网络性能的云模型数字特征包括： 期望值 i 、 熵 和超熵 所述根据所述 M个性能参数数据， 计算所述链路的网络性能的云模型数字特征， 具 体包括： 利用 ^ =丄 ， 计算所述 M个性能参数数据的样本均值， 其中， 为所述 M水 性能参数数据的样本均值， 为第 个性能参数数据； 所述样本均值 f为所述 M个性能 参数数据的期望值 ， 也即 = f ; 利用 =1|；| - ^|， 计算所述 M个性能参数数据的一阶样本绝对中心距， 其中， J为所述 M个性能参数数据的一阶样本绝对中心距， 为第 个性能参数数据； 所述一 阶样本绝对中心距 J与」 ^的乘积， 为所述 M个性能参数数据的熵 ， 也即
E =
Figure imgf000013_0001
利用 ^ = ^_|；^ -^)2， 计算所述 M个性能参数数据的样本方差， 其中， S2 % 所述 M个性能参数数据的样本方差， ^为所述 M个性能参数数据的样本均值， 为第 个性能参数数据； 所述样本方差 ^与所述 ^平方的差值的平方根， 为所述 M个性能 参数数据的超熵 ， 也即 He
Figure imgf000014_0001
所述根据所述云模型数字特征， 计算得到所述链路的网络性能的 N个预测的性能参 数数据， 具体包括：
A、利用所述云模型数字特征 { ， En, HJ中的熵 和超熵 ，生成以所述熵 为 期望值、 所述超熵^ ^为标准差的正态随机数
B、利用所述云模型数字特征 { ， En， HJ中的期望值 和所述正态随机数 生 成以所述期望值 为期望值、 所述正态随机数 „ '为标准差的正态随机数 X；
C、 利用; = ^ 2( 2 ， 计算所述正态随机数 X属于所述网络性能的确定度 ；
D、 将确定度为 _y的所述正态随机数 作为所述网络性能的一个云滴；
E、 重复 A〜D， 直到产生 N个云滴， 作为所述 N个预测的性能参数数据。
在所述获取链路的 M个性能参数数据之后， 还包括：
判断所述 M个性能参数数据中是否存在超出所述预设上限值的数据， 如果存在， 则 发出所述链路已超标的告警。
进一步地， 如果所述 M个性能参数数据中存在超出所述预设上限值的数据， 或者 如果所述 N个预测的性能参数数据中存在超出所述预设上限值的数据， 还包括： 若所述 链路存在备份链路， 执行主备链路切换。
本发明提供的网络性能的预测方法及装置， 根据链路的网络性能实时监控数据分 析网络性能变化趋势， 预测未来的性能参数数据， 以此预测为依据判断是否进行告警和 保护切换， 可以解决当前网络中时延无法及时预警、 及时进行保护切换的问题。
专业人员应该还可以进一步意识到， 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、 计算机软件或者二者的结合来实现， 为了清楚地说 明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及 步骤。 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发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、 处理器执行的 软件模块， 或者二者的结合来实施。 软件模块可以置于随机存储器 （RAM)、 内存、 只读 存储器（R0M)、电可编程 R0M、电可擦除可编程 R0M、寄存器、硬盘、可移动磁盘、 CD-ROM, 或技术领域内所公知的任意其它形式的存储介质中。 以上所述的具体实施方式， 对本发明的目的、 技术方案和有益效果进行了进一步详 细说明， 所应理解的是， 以上所述仅为本发明的具体实施方式而已， 并不用于限定本发 明的保护范围， 凡在本发明的精神和原则之内， 所做的任何修改、 等同替换、 改进等， 均应包含在本发明的保护范围之内。

Claims

权利要求
1、 一种网络性能的预测方法， 其特征在于， 所述方法包括： 获取链路的 M个性能参数数据；
根据所述 M个性能参数数据， 计算所述链路的网络性能的云模型数字 特征；
根据所述云模型数字特征， 计算得到所述链路的网络性能的 N个预测 的性能参数数据；
如果所述 N个预测的性能参数数据中存在超出预设上限值的数据， 发 出所述链路有超标风险的预测告警， 其中， M、 N为预设正整数。
2、 根据权利要求 1所述的方法， 其特征在于， 所述链路的网络性能的 云模型数字特征包括： 期望值 、 熵 和超熵^ ;
所述根据所述 M个性能参数数据， 计算所述链路的网络性能的云模型 数字特征， 具体包括：
利用 ^ = ^|^.， 计算所述 M个性能参数数据的样本均值， 其中， 为 所述 M个性能参数数据的样本均值， 为第 z个性能参数数据； 所述样本均 值 为所述 M个性能参数数据的期望值 Ex , 也即 = ; 禾 U用 =丄 ， 计算所述 M个性能参数数据的一阶样本绝对中心 距， 其中， J为所述 M个性能参数数据的一阶样本绝对中心距， .为第 个 性能参数数据； 所述一阶样本绝对中心距 与 的乘积， 为所述 M个性能
V 2 参数数据的熵^
Figure imgf000016_0001
利用 ^ = ^_£^. - 2， 计算所述 Μ个性能参数数据的样本方差， 其 中， ^为所述 M个性能参数数据的样本方差， ^为所述 M个性能参数数据 的样本均值， 为第 z个性能参数数据； 所述样本方差 ^与所述 平方的差 值的平方根， 为所述 M个性能参数数据的超熵 ， 也即^ = ^F。
3、 根据权利要求 2所述的方法， 其特征在于， 所述根据所述云模型数 字特征， 计算得到所述链路的网络性能的 N个预测的性能参数数据， 具体 包括：
A、利用所述云模型数字特征 { ， En, HJ中的熵 和超熵^，生成以所 述熵 E„为期望值、 所述超熵 He为标准差的正态随机数 E ；
B、利用所述云模型数字特征 { ， En， HJ中的期望值 和所述正态随机 数 生成以所述期望值 为期望值、 所述正态随机数 为标准差的正态 随机数 X； C、 利用; = e 2^2 ， 计算所述正态随机数 X属于所述网络性能的确定度 y；
D、 将确定度为 _y的所述正态随机数 X作为所述网络性能的一个云滴；
E、重复 A〜D，直到产生 N个云滴，作为所述 N个预测的性能参数数据。
4、 根据权利要求 1至 3任一项所述的方法， 其特征在于， 在所述获取 链路的 M个性能参数数据之后， 还包括：
如果所述 M个性能参数数据中存在超出所述预设上限值的数据， 则发 出所述链路已超标的告警。
5、 根据权利要求 4所述的方法， 其特征在于，
如果所述 M个性能参数数据中存在超出所述预设上限值的数据， 或者 如果所述 N个预测的性能参数数据中存在超出所述预设上限值的数据， 所 述方法还包括： 若所述链路存在备份链路， 执行主备链路切换。
6、一种网络性能的预测装置， 其特征在于， 所述装置包括： 获取模块、 第一计算模块、 第二计算模块、 第一判断模块和处理模块；
所述获取模块， 用于获取链路的 M个性能参数数据；
所述第一计算模块， 用于根据所述获取模块获取的所述 M个性能参数 数据， 计算所述链路的网络性能的云模型数字特征；
所述第二计算模块， 用于根据所述第一计算模块计算得到的所述云模 型数字特征， 计算得到所述链路的网络性能的 N个预测的性能参数数据； 所述第一 2判断模块， 用于判断所述第二计算模块计算得到的所述 N个 丄 Μ
预测的性能参数数据中是否存在超出所述预设上限值的数据；
所述处理模块， 用于如果所述第一判断模块判定所述 N个预测的性能 参数数据中存在超出预设上限值的数据， 则发出所述链路有超标风险的预 测告警， 其中， M、 N为预设正整数。
7、 根据权利要求 6所述的装置， 其特征在于， 所述第一计算模块计算 得到的所述链路的网络性能的云模型数字特征包括： 期望值 、 熵 和超 熵 He ; 所述第一计算模块具体包括用于利用 ^ = ^|^.，计算所述 M个性能参 数数据的样本均值， 其中， ^为所述 M个性能参数数据的样本均值， Χι为 第 z个性能参数数据； 所述样本均值 f为所述 M个性能参数数据的期望值 Ex， 也即 = f ; 所述第一计算模块还包括用于利用 =丄 ， 计算所述 M个性能 参数数据的一阶样本绝对中心距， 其中， 为所述 M个性能参数数据的一 阶样本绝对中心距， .为第 个性能参数数据；所述一阶样本绝对中心距 与 的 乘积 ， 为 所述 M 个性 能参数数据 的 熵 ， 也 即 E, L -Ε, 所述第一计算模块还包括用于利用 ^ = . -^)2， 计算所述 Μ水 性能参数数据的样本方差， 其中， ^为所述 M个性能参数数据的样本方差， 为所述 M个性能参数数据的样本均值， 为第 z个性能参数数据， 所述样 本方差 与所述 平方的差值的平方根， 为所述 M个性能参数数据的超熵 He , 也即 He = ^S2 - 。
8、 根据权利要求 7所述的装置， 其特征在于， 所述第二计算模块具体 包括用于利用所述云模型数字特征 { ， En, HJ中的熵 和超熵^， 生成以 所述熵 E„为期望值、 所述超熵 He为标准差的正态随机数 E ；
所述第二计算模块还包括用于利用所述云模型数字特征 { ， En， HJ中 的期望值 和所述正态随机数 生成以所述期望值 为期望值、 所述正 态随机数 为标准差的正态随机数 X； 所述第二计算模块还包括用于利用 y = e 2^2 ， 计算所述正态随机数 X 属于所述网络性能的确定度 _y；
所述第二计算模块还包括用于将确定度为 _y的所述正态随机数 X作为 所述网络性能的一个云滴；
所述第二计算模块还包括用于重复产生 N个云滴， 作为所述 N个预测 的性能参数数据。
9、 根据权利要求 6至 8任一项所述的装置， 其特征在于， 所述第一判 断模块， 还用于判断所述获取模块获取的所述 M个性能参数数据中是否存 在超出所述预设上限值的数据；
所述处理模块， 还用于若所述第一判断模块判定所述 M个性能参数数 据中存在超出所述预设上限值的数据， 则发出所述链路已超标的告警。
10、 根据权利要求 9所述的装置， 其特征在于， 所述处理模块， 还用于 若所述链路存在备份链路， 执行主备链路切换。
PCT/CN2014/083730 2013-09-06 2014-08-05 网络性能的预测方法及装置 WO2015032252A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP14842612.5A EP3024178B1 (en) 2013-09-06 2014-08-05 Prediction method and device for network performance
US15/061,757 US10298464B2 (en) 2013-09-06 2016-03-04 Network performance prediction method and apparatus

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201310404729.0A CN103490948A (zh) 2013-09-06 2013-09-06 网络性能的预测方法及装置
CN201310404729.0 2013-09-06

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US15/061,757 Continuation US10298464B2 (en) 2013-09-06 2016-03-04 Network performance prediction method and apparatus

Publications (1)

Publication Number Publication Date
WO2015032252A1 true WO2015032252A1 (zh) 2015-03-12

Family

ID=49830921

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2014/083730 WO2015032252A1 (zh) 2013-09-06 2014-08-05 网络性能的预测方法及装置

Country Status (4)

Country Link
US (1) US10298464B2 (zh)
EP (1) EP3024178B1 (zh)
CN (1) CN103490948A (zh)
WO (1) WO2015032252A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014137311A1 (en) * 2013-03-04 2014-09-12 Empire Technology Development Llc Virtual instrument playing scheme
CN103490948A (zh) 2013-09-06 2014-01-01 华为技术有限公司 网络性能的预测方法及装置
EP3222000B1 (en) * 2014-11-19 2018-04-25 Telefonaktiebolaget LM Ericsson (publ) Inferring component parameters for components in a network
US10580122B2 (en) * 2015-04-14 2020-03-03 Chongqing University Of Ports And Telecommunications Method and system for image enhancement
CN108270608B (zh) * 2017-01-04 2020-04-03 中国科学院声学研究所 一种链路预测模型的建立及链路预测方法
CN106961366B (zh) * 2017-05-15 2020-03-31 重庆邮电大学 面向车联网环境的网络性能综合测试评价分析方法
US20180359172A1 (en) * 2017-06-12 2018-12-13 Juniper Networks, Inc. Network path prediction and selection using machine learning
CN109428816A (zh) * 2017-08-28 2019-03-05 中国电信股份有限公司 链路保护方法、装置及存储介质
CN109412885A (zh) * 2018-09-03 2019-03-01 北京数介科技有限公司 检测方法及装置
CN111625410B (zh) * 2019-02-27 2023-05-05 阿里巴巴集团控股有限公司 信息处理方法、设备及计算机存储介质
CN110809280B (zh) * 2019-10-21 2022-10-18 北京锦鸿希电信息技术股份有限公司 一种铁路无线网络质量的检测预警方法及装置
CN111404773B (zh) * 2020-03-10 2023-03-17 深信服科技股份有限公司 一种网络质量监测方法、装置及电子设备和存储介质
CN113822435B (zh) * 2020-06-19 2023-11-03 腾讯科技（深圳）有限公司 一种用户转化率的预测方法及相关设备
CN111836297B (zh) * 2020-06-30 2022-07-08 珠海云洲智能科技股份有限公司 通信链路参数的预测方法、装置及终端设备
CN115460482B (zh) * 2021-06-09 2024-04-09 中国联合网络通信集团有限公司 网络性能预测方法和装置
CN114311826B (zh) * 2022-03-15 2022-06-21 河北工业大学 基于数字孪生技术的纤维金属层板液压成形系统
CN115314412B (zh) * 2022-06-22 2023-09-05 北京邮电大学 一种面向运维的类型自适应的指标预测预警方法及装置
CN115810426A (zh) * 2022-12-21 2023-03-17 河南科技大学第一附属医院 用于食管鳞状细胞癌预后的工具、系统及应用

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102263655A (zh) * 2010-05-27 2011-11-30 国际商业机器公司 维护用于信息技术系统参数的时间序列模型的方法和系统
CN103178990A (zh) * 2011-12-20 2013-06-26 中国移动通信集团青海有限公司 一种网络设备性能监控方法及网络管理系统
CN103177186A (zh) * 2013-03-21 2013-06-26 国家电网公司 一种电气回路故障概率预测方法
CN103236953A (zh) * 2012-10-30 2013-08-07 吉林大学 一种基于模糊时间序列预测模型的ip承载网性能指标主动监控方法
CN103490948A (zh) * 2013-09-06 2014-01-01 华为技术有限公司 网络性能的预测方法及装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6678250B1 (en) * 1999-02-19 2004-01-13 3Com Corporation Method and system for monitoring and management of the performance of real-time networks
US6446123B1 (en) * 1999-03-31 2002-09-03 Nortel Networks Limited Tool for monitoring health of networks
FR2833125B1 (fr) * 2001-12-03 2004-02-27 Cit Alcatel Procede de determination de tendance de service
US7081823B2 (en) * 2003-10-31 2006-07-25 International Business Machines Corporation System and method of predicting future behavior of a battery of end-to-end probes to anticipate and prevent computer network performance degradation
CN100438451C (zh) * 2004-04-05 2008-11-26 北京邮电大学 基于模糊数学质量评估模型的网络瓶颈链路评判检测方法
CN101159669A (zh) * 2007-10-09 2008-04-09 华为技术有限公司 一种业务流量切换方法及装置
US9100269B2 (en) 2008-10-28 2015-08-04 Rpx Clearinghouse Llc Provisioned provider link state bridging (PLSB) with routed back-up
CN102035691A (zh) * 2009-09-28 2011-04-27 中国移动通信集团公司 网络链路质量检测的方法及装置
CN101795187A (zh) 2010-02-08 2010-08-04 杭州华三通信技术有限公司 提高中心服务器拓扑组网可靠性的方法、系统及设备
CN102546222B (zh) * 2010-12-07 2015-07-01 中国电信股份有限公司 备份系统及故障检测处理方法
JP5211146B2 (ja) * 2010-12-15 2013-06-12 アラクサラネットワークス株式会社 パケット中継装置
CN102780635B (zh) 2012-08-09 2015-09-09 华为技术有限公司 基于trill网络实现保护倒换的方法、tor交换机及系统
CN103259721B (zh) 2013-04-16 2016-08-17 杭州华三通信技术有限公司 Spbm网络中的报文转发方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102263655A (zh) * 2010-05-27 2011-11-30 国际商业机器公司 维护用于信息技术系统参数的时间序列模型的方法和系统
CN103178990A (zh) * 2011-12-20 2013-06-26 中国移动通信集团青海有限公司 一种网络设备性能监控方法及网络管理系统
CN103236953A (zh) * 2012-10-30 2013-08-07 吉林大学 一种基于模糊时间序列预测模型的ip承载网性能指标主动监控方法
CN103177186A (zh) * 2013-03-21 2013-06-26 国家电网公司 一种电气回路故障概率预测方法
CN103490948A (zh) * 2013-09-06 2014-01-01 华为技术有限公司 网络性能的预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3024178A4 *

Also Published As

Publication number Publication date
EP3024178A4 (en) 2016-09-07
CN103490948A (zh) 2014-01-01
EP3024178B1 (en) 2020-03-11
US10298464B2 (en) 2019-05-21
US20160191336A1 (en) 2016-06-30
EP3024178A1 (en) 2016-05-25

Similar Documents

Publication Publication Date Title
WO2015032252A1 (zh) 网络性能的预测方法及装置
US9843486B2 (en) System and method for SLA violation mitigation via multi-level thresholds
US8977886B2 (en) Method and apparatus for rapid disaster recovery preparation in a cloud network
WO2020149786A1 (en) Dynamic deployment of network applications having performance and reliability guarantees in large computing networks
US11574241B2 (en) Adaptive threshold selection for SD-WAN tunnel failure prediction
US10355949B2 (en) Behavioral network intelligence system and method thereof
US10868731B2 (en) Detecting seasonal congestion in SDN network fabrics using machine learning
EP3748922B1 (en) Partial reroute of traffic onto a backup tunnel using predicitve routing
WO2015103534A1 (en) Triggering reroutes using early learning machine-based prediction of failures
EP3748923B1 (en) Ensuring backup path performance for predictive routing in sd-wans
Zhang et al. Tuning the aggressive TCP behavior for highly concurrent HTTP connections in intra-datacenter
EP3758298B1 (en) Network device management method and apparatus
CN105072101A (zh) 基于入侵容忍的sdn控制器端系统和安全通信方法
Seddiqi et al. A new protection-based approach for link failure management of software-defined networks
Dorsch et al. Enabling hard service guarantees in Software-Defined Smart Grid infrastructures
US20220377005A1 (en) Safety net engine for machine learning-based network automation
US20200076927A1 (en) Virtualization with distributed adaptive message brokering
US20190372852A1 (en) Event-aware dynamic network control
Lin et al. Towards a client-centric QoS auto-scaling system
Khoa et al. Traffic-adaptive scheme for sdn control plane with containerized architecture
Huang et al. Tuning the aggressive TCP behavior for highly concurrent HTTP connections in data center
Gao et al. The diagnosis of wired network malfunctions based on big data and traffic prediction: An overview
Kim et al. WiPCon: A proxied control plane for wireless access points in software defined networks
CN114946165B (zh) 用于sd-wan隧道的遥测数据收集和分析
WO2024004104A1 (ja) 通信システムに含まれる要素の適切なスケールアウトの実行

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14842612

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2014842612

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE