WO2016180127A1 - 一种网络性能的评估方法及系统 - Google Patents

一种网络性能的评估方法及系统 Download PDF

Info

Publication number
WO2016180127A1
WO2016180127A1 PCT/CN2016/078898 CN2016078898W WO2016180127A1 WO 2016180127 A1 WO2016180127 A1 WO 2016180127A1 CN 2016078898 W CN2016078898 W CN 2016078898W WO 2016180127 A1 WO2016180127 A1 WO 2016180127A1
Authority
WO
WIPO (PCT)
Prior art keywords
network performance
performance indicator
indicator parameter
value
evaluation
Prior art date
Application number
PCT/CN2016/078898
Other languages
English (en)
French (fr)
Inventor
黄志忠
Original Assignee
中兴通讯股份有限公司
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 中兴通讯股份有限公司 filed Critical 中兴通讯股份有限公司
Publication of WO2016180127A1 publication Critical patent/WO2016180127A1/zh

Links

Images

Classifications

    • 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
    • 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

Definitions

  • the present invention relates to the field of communications, and in particular, to a method and system for evaluating network performance.
  • the server's Network Performance is one of the key metrics that affect server performance.
  • the evaluation of the network performance of the server is mainly based on obtaining the data on the tester and performing some subjective quantitative analysis to judge the performance of the network performance as the evaluation result of the network performance; therefore, this method Lack of objective analysis can not truly reflect the actual ability of network performance.
  • the embodiment of the invention provides a method and a system for evaluating network performance, which avoids subjectivity in network performance evaluation in the prior art, realizes objective evaluation of server network performance, and provides more accurate and reliable design for server design. in accordance with.
  • a method for evaluating network performance including:
  • the corresponding network performance index parameters are evaluated.
  • the method further includes:
  • the sample values are classified and recorded according to a predefined indicator category.
  • the step of calculating the weight value of the corresponding network performance indicator parameter according to the sampled value of the network performance indicator parameter includes:
  • the weight value corresponding to each network performance indicator parameter is calculated according to the relationship between the predefined weight and the information gain.
  • the method further includes:
  • the weight value of the network performance indicator parameter of the same indicator category is calculated according to the preset calculation rule and the calculated weight value corresponding to each network performance indicator parameter.
  • the step of creating a rating matrix of the network performance indicator parameter according to the obtained user evaluation value of each network performance indicator parameter and the calculated weight value includes:
  • a rating matrix for the network performance indicator parameters is created based on the set of reviews and the calculated weight values.
  • a network performance evaluation system including:
  • the calculation module is configured to calculate a weight value corresponding to the network performance indicator parameter according to the sampled value of the network performance indicator parameter obtained;
  • Creating a module configured to create a rating matrix of network performance indicator parameters according to the obtained user evaluation value of each network performance indicator parameter and the calculated weight value;
  • the first evaluation module is configured to normalize the rating matrix, and evaluate the corresponding network performance indicator parameters according to the normalized processing matrix;
  • the second evaluation module is configured to evaluate the corresponding network performance indicator parameters according to the rating matrix and the maximum membership degree principle.
  • the network performance evaluation system further includes:
  • Obtaining a module configured to obtain a sampling value of a network performance indicator parameter according to a preset sampling rule
  • the recording module is configured to classify the sampled values according to a predefined indicator category.
  • the calculation module includes:
  • the first calculating unit is configured to calculate an information entropy corresponding to each network performance indicator parameter according to the information entropy calculation formula and the sampling value of the network performance index parameter;
  • a second calculating unit configured to calculate a formula according to the expected value and obtain a sampling value of the network performance indicator parameter, and calculate an expected value corresponding to each network performance indicator parameter;
  • a third calculating unit configured to calculate an information gain corresponding to each network performance indicator parameter according to the calculated information entropy and the expected value
  • the fourth calculating unit is configured to calculate a weight value corresponding to each network performance indicator parameter according to a relationship between the predefined weight and the information gain.
  • the calculation module further includes:
  • the fifth calculating unit is configured to calculate a weight value of the network performance indicator parameter of the same indicator category according to the preset calculation rule and the calculated weight value corresponding to each network performance indicator parameter.
  • the creation module includes:
  • the obtaining unit is set to obtain a user evaluation value of each network performance indicator parameter
  • mapping unit configured to map user evaluation values to a predetermined set of comments
  • the embodiment of the invention calculates the corresponding weight value by sampling the data, performs objective analysis on the network performance, and combines the calculated weight value with the corresponding user evaluation value to construct a rating matrix, subjective analysis of the network performance, and qualitative use. And quantitative methods, get reasonable evaluation results, provide a more realistic and reliable reference for the design of the server.
  • FIG. 1 is a schematic flowchart 1 of a method for evaluating network performance according to an embodiment of the present invention
  • FIG. 2 is a schematic flowchart 2 of a method for evaluating network performance according to an embodiment of the present invention
  • FIG. 3 is a block diagram 1 showing a network performance evaluation system according to an embodiment of the present invention.
  • FIG. 4 is a block diagram 2 showing a network performance evaluation system according to an embodiment of the present invention.
  • an embodiment of the present invention provides a method for evaluating network performance, which specifically includes the following steps:
  • Step S11 Calculate the weight value of the corresponding network performance indicator parameter according to the sampled value of the network performance indicator parameter.
  • the network data of the server is sampled in real time, and the corresponding performance index parameters are extracted. Based on the passive measurement technology, the corresponding weights are calculated according to the sample probability, thereby obtaining an objective evaluation value of the network performance.
  • Step S12 Create a rating matrix of the network performance indicator parameter according to the obtained user evaluation value of each network performance indicator parameter and the calculated weight value.
  • the user or domain expert makes a reasonable evaluation of the corresponding performance, and combines the evaluation value with the objective weight value calculated above to create a rating matrix to achieve a combination of subjective and objective evaluation of network performance.
  • Step S13 normalizing the rating matrix, and evaluating the corresponding network performance indicator parameters according to the normalized processing matrix; or, according to the rating matrix and the maximum membership degree, the corresponding network performance index parameters to evaluate.
  • the rating matrix is normalized, and the corresponding network performance index parameters are evaluated according to the normalized processing matrix.
  • the corresponding evaluation result is read from the rating matrix, thereby realizing the evaluation of the corresponding network performance index parameters.
  • the method further includes:
  • Step S21 Acquire a sample value of the network performance indicator parameter according to a preset sampling rule.
  • Step S22 classify and record the sampled values according to a predefined indicator category.
  • the index X1, the index X2, the index X3 are one of network performance index parameters such as device throughput, port throughput, frame error packet loss rate, and the like.
  • the steps of calculating the weight value of the corresponding network performance indicator parameter according to the sampled value of the network performance indicator parameter are:
  • Step S23 Calculate information entropy corresponding to each network performance indicator parameter.
  • A be the sample data set of network performance
  • A1 is the selected network performance set
  • A2 is the unselected network performance set
  • p1 denote the probability of the sample data set A1
  • p2 denote the probability of the sample data set A2, namely:
  • the information entropy obtained by network performance is:
  • step S24 Calculate the information entropy corresponding to each network performance indicator parameter according to the above formula. After calculating the information entropy, step S24 is performed: calculating an expected value corresponding to each network performance indicator parameter.
  • the expected value corresponding to each network performance indicator parameter mi is calculated according to the following formula:
  • the expected information of the network performance attribute mi is processed as follows, by the McLaughlin formula:
  • step S25 is performed to calculate the information gain corresponding to each network performance indicator parameter.
  • the information gain can indicate the degree of influence of different evaluation attributes on the service selection result; the information gain corresponding to each network performance indicator parameter mi is defined as:
  • step S26 is performed to calculate the weight value corresponding to each network performance indicator parameter.
  • the weight ⁇ i of each network performance indicator parameter can be calculated as:
  • ⁇ ( ⁇ 1 , ⁇ 2 , ..., ⁇ n ), which represents the weight of each network performance indicator parameter.
  • the network performance indicator parameters of the server are divided into the levels shown in Table 1, for example, the throughput is the first-level indicator, and the device throughput and port throughput are the secondary indicators. Assume that each level 1 indicator and corresponding level indicator are shown in Table 3:
  • ⁇ 1 (0.2542, 0.3125, 0.2458, 0.1875)
  • the steps of creating a rating matrix of the network performance indicator parameter include:
  • Step S27 Acquire a user evaluation value of each network performance indicator parameter.
  • server network performance is raised by forming questionnaires, etc., so that users can also participate in performance evaluation, so that the final evaluation is more reasonable and effective.
  • server network performance is user-oriented, third-party organizations can be introduced to enable dynamic evaluation of server network performance. By entrusting third-party organizations to accept various network services published by the server network service provider, the application and call of the service consumer, as well as real-time update and monitoring of various parameters of the monitoring center are realized. The service consumer requests various services of the service provider through service binding and negotiation, and then issues the service to a third-party organization to dynamically update the data.
  • Step S28 Mapping the user evaluation value to a preset comment set.
  • the comment set mentioned here is a set composed of various judgment results that the judge can make on the judgment object.
  • Step S29 Create a rating matrix of the network performance indicator parameters according to the comment set and the calculated weight value.
  • the rating matrix constructed based on only the comment set and the previously calculated weight value is as follows:
  • the weighting value is combined with the user participation evaluation to construct a rating matrix. Similar to the above weight calculation, constructing the rating matrix also includes constructing a secondary rating matrix and a first-level rating matrix. Among them, the number of evaluation users of the corresponding level can be used, divided by the total number of people participating in the evaluation, as the evaluation value of the user for a certain performance index.
  • the evaluation result of the second-level indicator is:
  • ⁇ i is the relative weight of each factor in the secondary factor set Ui
  • ⁇ is the fuzzy operator
  • M( ⁇ ,+) weighted average model
  • the comprehensive evaluation of the first-level indicators is used to evaluate the n factors of U, and the ranking matrix composed of Ui constitutes the first-level indicators:
  • S is also the evaluation matrix of the first-level fuzzy comprehensive evaluation.
  • R ⁇ .
  • the evaluation result of the membership principle is “medium”.
  • the method for evaluating network performance breaks the subjectivity in the traditional evaluation, and makes the evaluation more objective and effective; by subdividing the network performance of the server and performing clear layering processing thereof, it can be more Accurately describe the true state of server network performance.
  • using the data collected by sampling to calculate the corresponding weight value objectively analyze the network performance, and combine the calculated weight value with the corresponding user evaluation value to construct a rating matrix, subjective analysis of network performance, using qualitative and quantitative The way to get a reasonable evaluation result provides a more realistic and reliable reference for the design of the server.
  • a network performance evaluation system is further provided. As shown in FIG. 3 and FIG. 4, the network performance evaluation system specifically includes:
  • the calculating module 31 is configured to calculate a weight value corresponding to the network performance indicator parameter according to the sampled value of the network performance indicator parameter obtained;
  • the creating module 32 is configured to create a rating matrix of the network performance indicator parameter according to the obtained user evaluation value of each network performance indicator parameter and the calculated weight value;
  • a first evaluation module 33 configured to normalize the rating matrix
  • the second evaluation module 34 is configured to evaluate the corresponding network performance indicator parameters according to the normalized processing rating matrix and the maximum membership degree principle.
  • the network performance evaluation system further includes:
  • Obtaining a module configured to obtain a sampling value of a network performance indicator parameter according to a preset sampling rule
  • the recording module is configured to classify the sampled values according to a predefined indicator category.
  • the calculation module 31 includes:
  • the first calculating unit is configured to calculate an information entropy corresponding to each network performance indicator parameter according to the information entropy calculation formula and the sampling value of the network performance index parameter;
  • a second calculating unit configured to calculate a formula according to the expected value and obtain a sampling value of the network performance indicator parameter, and calculate an expected value corresponding to each network performance indicator parameter;
  • a third calculating unit configured to calculate an information gain corresponding to each network performance indicator parameter according to the calculated information entropy and the expected value
  • the fourth calculating unit is configured to calculate a weight value corresponding to each network performance indicator parameter according to a relationship between the predefined weight and the information gain.
  • the calculation module 31 further includes:
  • the fifth calculating unit is configured to calculate a weight value of the network performance indicator parameter of the same indicator category according to the preset calculation rule and the calculated weight value corresponding to each network performance indicator parameter.
  • the creating module 32 includes:
  • the obtaining unit is set to obtain a user evaluation value of each network performance indicator parameter
  • mapping unit configured to map user evaluation values to a predetermined set of comments
  • system is a system corresponding to the foregoing method for evaluating network performance. All the implementation manners in the foregoing method embodiments are applicable to the embodiment of the system, and the same technical effects can be achieved.
  • the foregoing embodiments of the present invention can be applied to the field of voice translation technology, calculate corresponding weight values by sampling data, objectively analyze network performance, and combine the calculated weight values with corresponding user evaluation values to construct a rating.
  • Matrix subjective analysis of network performance, using qualitative and quantitative methods, to obtain reasonable evaluation results, to provide a more realistic and reliable reference basis for server design, to avoid the subjectivity of network performance evaluation in the prior art, to achieve Objective evaluation of server network performance provides a more accurate and reliable basis for server design.

Abstract

本发明公开了一种网络性能的评估方法及系统，其方法包括：根据获取到网络性能指标参数的抽样值，计算对应网络性能指标参数的权重值；根据获取到的各个网络性能指标参数的用户评价值以及计算得到的权重值，创建网络性能指标参数的评级矩阵；对评级矩阵进行归一化处理，并依此对对应网络性能指标参数的进行评估；本发明通过抽样采集的数据计算相应的权重值，对网络性能进行客观分析，并将计算得到的权重值与对应的用户评价值相结合构建评级矩阵，对网络性能进行主观分析，采用定性和定量的方式，得到合理的评价结果，为服务器的设计提供更加真实可靠的参考依据。

Description

一种网络性能的评估方法及系统 技术领域
本发明涉及通信领域，尤其涉及一种网络性能的评估方法及系统。
背景技术
服务器的网络性能(Network Performance)是影响服务器性能的关键指标之一。目前，针对服务器的网络性能的评判，主要是通过获取测试仪上的数据，人为的进行一些主观的定量分析，以此判断网络性能的优劣，作为网络性能的评估结果；因此，这种方式缺乏客观的分析，不能真实的反应网络性能的实际能力。
发明内容
本发明实施例提供了一种网络性能的评估方法及系统，避免了现有技术中对网络性能评价中的主观性，实现对服务器网络性能客观的评价，为服务器的设计提供更加准确、可靠的依据。
依据本发明实施例的一个方面，提供了一种网络性能的评估方法，包括：
根据获取到网络性能指标参数的抽样值，计算对应网络性能指标参数的权重值；
根据获取到的各个网络性能指标参数的用户评价值以及计算得到的权重值，创建网络性能指标参数的评级矩阵；
对评级矩阵进行归一化处理，，并根据归一化处理后的评级矩阵对对应网络性能指标参数的进行评估；或者，
根据评级矩阵和最大隶属度原则，对对应网络性能指标参数的进行评估。
其中，在根据获取到网络性能指标参数的抽样值，计算对应网络性能指标参数的权重值的步骤之前，还包括：
根据预设采样规则，获取网络性能指标参数的抽样值；
将抽样值按照预先定义的指标类别进行分类记录。
其中，根据获取到网络性能指标参数的抽样值，计算对应网络性能指标参数的权重值的步骤包括：
根据信息熵计算公式和获取到网络性能指标参数的抽样值，计算各个网络性能指标参数对应的信息熵；
根据期望值计算公式和获取到网络性能指标参数的抽样值，计算各个网络性能指标参数对应的期望值；
根据计算出的信息熵和期望值，计算各个网络性能指标参数对应的信息增益；
根据预先定义的权重与信息增益之间的关系，计算各个网络性能指标参数对应的权重值。
其中，计算各个网络性能指标参数对应的权重值的步骤之后，还包括：
根据预设计算规则和计算出的各个网络性能指标参数对应的权重值，计算同一指标类别的网络性能指标参数的权重值。
其中，根据获取到的各个网络性能指标参数的用户评价值以及计算得到的权重值，创建网络性能指标参数的评级矩阵的步骤包括：
获取各个网络性能指标参数的用户评价值；
将用户评价值映射至预先设定的评语集中；
根据评语集以及计算得到的权重值，创建网络性能指标参数的评级矩阵。
依据本发明实施例的另一个方面，还提供了一种网络性能的评估系统，包括：
计算模块，设置为根据获取到网络性能指标参数的抽样值，计算对应网络性能指标参数的权重值；
创建模块，设置为根据获取到的各个网络性能指标参数的用户评价值以及计算得到的权重值，创建网络性能指标参数的评级矩阵；
第一评估模块，设置为对评级矩阵进行归一化处理，，并根据归一化处理后的评级矩阵对对应网络性能指标参数的进行评估；或者，
第二评估模块，设置为根据评级矩阵和最大隶属度原则，对对应网络性能指标参数的进行评估。
其中，该网络性能的评估系统还包括：
获取模块，设置为根据预设采样规则，获取网络性能指标参数的抽样值；
记录模块，设置为将抽样值按照预先定义的指标类别进行分类记录。
其中，计算模块包括：
第一计算单元，设置为根据信息熵计算公式和获取到网络性能指标参数的抽样值，计算各个网络性能指标参数对应的信息熵；
第二计算单元，设置为根据期望值计算公式和获取到网络性能指标参数的抽样值，计算各个网络性能指标参数对应的期望值；
第三计算单元，设置为根据计算出的信息熵和期望值，计算各个网络性能指标参数对应的信息增益；
第四计算单元，设置为根据预先定义的权重与信息增益之间的关系，计算各个网络性能指标参数对应的权重值。
其中，计算模块还包括：
第五计算单元，设置为根据预设计算规则和计算出的各个网络性能指标参数对应的权重值，计算同一指标类别的网络性能指标参数的权重值。
其中，创建模块包括：
获取单元，设置为获取各个网络性能指标参数的用户评价值；
映射单元，设置为将用户评价值映射至预先设定的评语集中；
创建单元，设置为根据评语集以及计算得到的权重值，创建网络性能指标参数的评级矩阵。
本发明实施例的实施例的有益效果是：
本发明实施例通过抽样采集的数据计算相应的权重值，对网络性能进行客观分析，并将计算得到的权重值与对应的用户评价值相结合构建评级矩阵，对网络性能进行主观分析，采用定性和定量的方式，得到合理的评价结果，为服务器的设计提供更加真实可靠的参考依据。
附图说明
图1表示本发明实施例的网络性能的评估方法的流程示意图一；
图2表示本发明实施例的网络性能的评估方法的流程示意图二；
图3表示本发明实施例的网络性能的评估系统的模块示意图一；
图4表示本发明实施例的网络性能的评估系统的模块示意图二。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了实现网络性能评估的准确性，如图1所示，本发明的实施例提供了一种网络性能的评估方法，具体包括以下步骤：
步骤S11：根据获取到网络性能指标参数的抽样值，计算对应网络性能指标参数的权重值。
通过对服务器的网络数据进行实时采样，提取相应的性能指标参数，基于被动测量技术，根据样本概率计算相应的权重，从而得到网络性能的客观评价值。
步骤S12：根据获取到的各个网络性能指标参数的用户评价值以及计算得到的权重值，创建网络性能指标参数的评级矩阵。
通过用户或领域专家对相应的性能进行合理的评判，并将评判的评价值与上述计算得到的客观权重值相结合，创建评级矩阵，实现对网络性能的主观与客观相结合的评价。
步骤S13：对评级矩阵进行归一化处理，并根据归一化处理后的评级矩阵对对应网络性能指标参数的进行评估；或者，根据评级矩阵和最大隶属度原则，对对应网络性能指标参数的进行评估。
为降低计算算法的复杂度，对评级矩阵进行归一化处理，并根据归一化处理后的评级矩阵对对应网络性能指标参数的进行评估。
或者，根据最大隶属度原则，从评级矩阵中读取对应的评价结果，从而实现对对应网络性能指标参数的评估。
下面将结合具体运算算法对本发明的实施例作进一步的详细说明。如图2所示，在计算对应网络性能指标参数的权重值的步骤之前，还包括：
步骤S21：根据预设采样规则，获取网络性能指标参数的抽样值。
通过测试仪或者网络测量手段等方式，对服务器网络性能进行监测采样。
步骤S22：将抽样值按照预先定义的指标类别进行分类记录。
由于在判定服务器网络性能的过程中，存在大量的模糊性因素，因此为更加科学、准确、有效、客观的反应各种评估信息，减少各种因素对网络性能的影响，将服务器的网络性能指标参数进行分类(分解为若干层次和因素)，并根据分类结果，构造如表1所示的服务器网络性能指标评语集。
表1
Figure PCTCN2016078898-appb-000001
Figure PCTCN2016078898-appb-000002
基于被动测量的方法，针对服务器的网络性能指标参数进行大量地抽样统计，对原始数据进行采集，某项性能指标参数采集的样本个数统计形如下表：
表2
Figure PCTCN2016078898-appb-000003
其中，指标X1、指标X2...指标X3分别为设备吞吐量、端口吞吐量…帧错误丢包率等网络性能指标参数中的一种。在如表2所示的抽样模型中，将一个样本数据表示为一个二元组：S＝<Data，d>，Data表示某个候选网络性能实例中的一个抽样值，并规定项d取值为d＝<d1，d2>，其中d1＝True和d2＝false分别表示用户是否选取了这个候选网络性能实例。
在记录各个网络性能指标参数的抽样值后，如图2所示，根据获取到网络性能指标参数的抽样值，计算对应网络性能指标参数的权重值的步骤包括：
步骤S23：计算各个网络性能指标参数对应的信息熵。
由于信息增益能够表示不同评价属性对服务选取结果的影响程度，为便于确定节点的权重，采用基于信息熵的样本统计方法，以此在本模型中计算网络性能属性的权重数。
设A为网络性能的样本数据全集，A1是被选取的网络性能集合，A2是未被选取的网络性能集合，A1∈A，A2∈A。设p1表示样本数据集A1的概率，p2表示样本数据集A2的概 率，即：
Figure PCTCN2016078898-appb-000004
参照离散信源信息熵的定义，由网络性能选取得到的信息熵为：
INFO(A1,A2）＝-p1log2(p1)-p2log2(p2)；公式一
依据上式计算各个网络性能指标参数对应的信息熵。在计算信息熵后，执行步骤S24：计算各个网络性能指标参数对应的期望值。
其中，假设子集A1的样本个数为n，子集A2的样本个数为p，全集A的样本个数为t。样本子集为{A1，A2，...，Ak，...，An}，其中Ak(1≤k≤t)包含A中的样本，Ak1为子集Ai中d＝d1的样本集合，Ak2为子集Ai中d＝d2的样本集合，且ni和pi分别表示样本子集Ai中d＝d1和d＝d2的样本个数。那么各个网络性能指标参数mi对应的期望值依据下式计算：
Figure PCTCN2016078898-appb-000005
将公式一代入公式二可得：
Figure PCTCN2016078898-appb-000006
由公式二和公式三则有：
Figure PCTCN2016078898-appb-000007
为简化计算对数的复杂度，提高计算的效率，在此将网络性能属性mi的期望信息做如下处理,由麦克劳林公式：
Figure PCTCN2016078898-appb-000008
其中，
Figure PCTCN2016078898-appb-000009
其中，((0<θ<1)。
当x→0时，有：
Figure PCTCN2016078898-appb-000010
又因为
Figure PCTCN2016078898-appb-000011
则通过公式六可得：
Figure PCTCN2016078898-appb-000012
Figure PCTCN2016078898-appb-000013
因此，将公式七和公式八代入公式四可得：
Figure PCTCN2016078898-appb-000014
同理，将公式七和公式八代入公式三可得：
Figure PCTCN2016078898-appb-000015
再计算各个网络性能指标参数的权值和期望值后，执行步骤S25：计算各个网络性能指标参数对应的信息增益
由于信息增益能够表示不同评价属性对服务选取结果的影响程度；各个网络性能指标参数mi对应的信息增益定义为：
Gain(mi)＝INFO(A1，A2)-E(mi)；公式十一。
在计算出各个网络性能指标参数mi对应的信息增益后，执行步骤S26：计算各个网络性能指标参数对应的权重值。
根据预先定义的权重与信息增益之间的关系，以及公式九、公式十和公式十一可以计算出每个网络性能指标参数的权重ωi为：
Figure PCTCN2016078898-appb-000016
由此得到一个权重集合：ω＝(ω1，ω2，...，ωn)，表示各个网络性能指标参数的权重。
为了减少各种因素对网络性能的影响，将服务器的网络性能指标参数划分为如表1所示的级别，例如吞吐量为一级指标，设备吞吐量、端口吞吐量为二级指标。假设各个一级指标和相应的二级指标如表3所示：
表3
Figure PCTCN2016078898-appb-000017
假设通过上述公式，计算得到的各个二级指标U1，U2，U3，U4的权重分别如下：
ω1＝(0.2542，0.3125，0.2458，0.1875)
ω2＝(0.3833，0.2958，0.3275)
ω3＝(0.5250，0.4750)
ω4＝(0.5500，0.4500)
在计算各个网络性能指标参数对应的权重值的步骤之后，根据预设计算规则和计算出的各个网络性能指标参数对应的权重值，计算同一指标类别的网络性能指标参数的权重值。即根据上述公式和计算出的二级指标的权重值，计算一级指标的权重值。假设一级指标A、B、C、D通过权重计算方法，计算得到的权重为：ω＝(0.2333，0.2750，0.2333，0.2583)。
如图2所示，根据获取到的各个网络性能指标参数的用户评价值以及计算得到的权重值，创建网络性能指标参数的评级矩阵的步骤包括：
步骤S27：获取各个网络性能指标参数的用户评价值。
为避免测试工具和测量手段力所不及的因素，通过形成问卷等方式对服务器网络性能提出问题，让用户也参与性能的评价，使最终的评估更加合理、有效。由于服务器网络性能是面向用户的，为实现服务器网络性能的动态评估，可引入第三方机构。通过委托第三方机构接受服务器网络服务提供方发布的各种网络服务，以此实现服务消费者的申请和调用，以及针对监控中心各个参数的实时更新和监控。而服务消费者通过服务绑定和协商请求服务提供方的各种服务，进而将服务发布给第三方机构，进行数据的动态更新。
步骤S28：将用户评价值映射至预先设定的评语集中。
这里所说的评语集是以评判者对评判对象可能做出的各种评判结果为元素而组成的集合。W＝{w1，w2，w3，…}为评语组成的集合，评语由高到低递减，例如W＝{优，良，中，差}。
步骤S29：根据评语集以及计算得到的权重值，创建网络性能指标参数的评级矩阵。
假设在不考虑用户评价值时，仅依据评语集以及之前计算得到的权重值，构建的评级矩阵如下：
Figure PCTCN2016078898-appb-000018
为进一步准确地对网络性能进行评估，采用权重值与通过用户参与评价相结合的方式构建评级矩阵，与上述权重计算相似，构建评级矩阵也包括构建二级评级矩阵和一级评级矩阵。其中，可以利用在相应等级的用户的评价人数，除以参与评价的总人数，作为用户对某项性能指标的评价值。
其中，二级评级矩阵中的每一个Uij对路由器转发性能分别进行单因素评判，得出模糊评判结果Y＝(yij1，yij2，…，yijs)，在此依据二级指标中所有因素的评判结果，构造出二级因素集对应的评判矩阵Yi：
Figure PCTCN2016078898-appb-000019
其中，i＝1，2，…，n；j＝1，2，…，m；k＝1，2，…，s；yijk表示第i个指标集中的第j个指标属于第k个评语等级的隶属度。
然后利用模糊变换，得到二级指标的评判结果为：
Si＝ωiοYi＝(si1，si2，…，sis)；i＝1，2，…，n
其中，ωi为二级因素集Ui中各因素的相对权重，“ο”为模糊算子，文章采用改进的模型M(·,+)(加权平均模型)进行评估，即对每个Ui中的Uik有：
Figure PCTCN2016078898-appb-000020
其中ωij表示一级指标i对应的二级评价指标j的权值，且满足Σωij＝1。
对应的：S1＝(0.0875，0.1304，0.6575，0.0992)
S1的计算过程如下：
现已知ω1＝(0.2542，0.3125，0.2458，0.1875)，
Figure PCTCN2016078898-appb-000021
Figure PCTCN2016078898-appb-000022
采用相同方式，可计算得到：S1＝(0.0875，0.1304，0.6575，0.0992)；S2＝(0.5241，0.1717，0.1630，0.1477)；S3＝(0.1525，0.2475，0.1525，0.4475)；S4＝(0.0900，0.1550，0.3000，0.4550)
其中，通过在二级模糊综合评判的基础之上，进行一级指标综合评判针对U的n个因素均作以上评估，则由Ui构成一级指标的评级矩阵为：
Figure PCTCN2016078898-appb-000023
S同时也是一级模糊综合评判的评判矩阵。
则由公式(16)可以得到如下结果：
其中，一级指标的评级矩阵计算如下：R＝ωοS＝{r1，r2，…}，其中S表示所得的一级评判矩阵。
Figure PCTCN2016078898-appb-000025
则将二级指标评级矩阵代入，可得：
Figure PCTCN2016078898-appb-000026
其中，上述计算实际上就是一个()1×4的矩阵乘以()4×4的矩阵，其中“ο”模糊算子表示矩阵相乘。
其中，如图1所示，在得到网络性能指标参数的评级矩阵后，需要对其进行归一化处理，即：
R＝(r1，r2，...rs}，令
Figure PCTCN2016078898-appb-000027
即：r′1＝0.2234×(0.2234+0.1754+0.3113+0.2857)；
r′2＝0.1754×(0.2234+0.1754+0.3113+0.2857)；
r′3＝0.3113×(0.2234+0.1754+0.3113+0.2857)；
r′4＝0.2857×(0.2234+0.1754+0.3113+0.2857)；
其中，由于R′＝{r′1，r′2，...r′s}，选择R'集合中元素最大的值所对应的评语集{优、良、中、差}为中，故通过模糊评判的结果为“中”，此时服务器网络性能评价等级为“优”、“良”、“中”、“差”的比重分别为r′1，r′2，r′3，r′4，由此可知性能等级比重，评判出该服务器网络性能的等级为Re sukt'集合中最大的一个值所对应的评价等级，即为“中”等。
或者根据最大隶属度原则对各个网络性能指标进行评估，若a1＝max(aj)，其中j＝1，2，…，n，则选a1作为评判结果。对结果R＝ω。S＝{r1，r2，…}＝(0.2234，0.1754，0.3113，0.2857)，由于其中R集合中最大的值为0.3113，对应的评语集{优、良、中、差}为中，故通过最大隶属度原则的评价结果为“中”。
综上，本发明实施例提供的网络性能的评估方法，突破了传统评价中的主观性，使评价更加客观、有效；通过细分服务器网络性能，并对其进行清晰的分层处理，能够更加准确的描述服务器网络性能的真实状况。此外，利用抽样采集的数据计算相应的权重值，对网络性能进行客观分析，并将计算得到的权重值与对应的用户评价值相结合构建评级矩阵，对网络性能进行主观分析，采用定性和定量的方式，得到合理的评价结果，为服务器的设计提供更加真实可靠的参考依据。
依据本发明实施例的另一个方面，还提供了一种网络性能的评估系统，如图3和图4所示，该网络性能的评估系统具体包括：
计算模块31，设置为根据获取到网络性能指标参数的抽样值，计算对应网络性能指标参数的权重值；
创建模块32，设置为根据获取到的各个网络性能指标参数的用户评价值以及计算得到的权重值，创建网络性能指标参数的评级矩阵；
第一评估模块33，设置为对评级矩阵进行归一化处理；或者，
第二评估模块34，设置为根据归一化处理后的评级矩阵和最大隶属度原则，对对应网络性能指标参数的进行评估。
其中，该网络性能的评估系统还包括：
获取模块，设置为根据预设采样规则，获取网络性能指标参数的抽样值；
记录模块，设置为将抽样值按照预先定义的指标类别进行分类记录。
其中，计算模块31包括：
第一计算单元，设置为根据信息熵计算公式和获取到网络性能指标参数的抽样值，计算各个网络性能指标参数对应的信息熵；
第二计算单元，设置为根据期望值计算公式和获取到网络性能指标参数的抽样值，计算各个网络性能指标参数对应的期望值；
第三计算单元，设置为根据计算出的信息熵和期望值，计算各个网络性能指标参数对应的信息增益；
第四计算单元，设置为根据预先定义的权重与信息增益之间的关系，计算各个网络性能指标参数对应的权重值。
其中，计算模块31还包括：
第五计算单元，设置为根据预设计算规则和计算出的各个网络性能指标参数对应的权重值，计算同一指标类别的网络性能指标参数的权重值。
其中，创建模块32包括：
获取单元，设置为获取各个网络性能指标参数的用户评价值；
映射单元，设置为将用户评价值映射至预先设定的评语集中；
创建单元，设置为根据评语集以及计算得到的权重值，创建网络性能指标参数的评级矩阵。
需要说明的是，该系统是与上述网络性能的评估方法对应的系统，上述方法实施例中所有实现方式均适用于该系统的实施例中，也能达到相同的技术效果。
以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。
工业实用性
上述的本发明实施例，可以应用于语音翻译技术领域，通过抽样采集的数据计算相应的权重值，对网络性能进行客观分析，并将计算得到的权重值与对应的用户评价值相结合构建评级矩阵，对网络性能进行主观分析，采用定性和定量的方式，得到合理的评价结果，为服务器的设计提供更加真实可靠的参考依据，避免了现有技术中对网络性能评价中的主观性，实现对服务器网络性能客观的评价，为服务器的设计提供更加准确、可靠的依据。

Claims (10)

  1. 一种网络性能的评估方法，包括：
    根据获取到网络性能指标参数的抽样值，计算对应网络性能指标参数的权重值；
    根据获取到的各个网络性能指标参数的用户评价值以及计算得到的权重值，创建网络性能指标参数的评级矩阵；
    对所述评级矩阵进行归一化处理，并根据归一化处理后的评级矩阵对对应网络性能指标参数的进行评估；或者，
    根据评级矩阵和最大隶属度原则，对对应网络性能指标参数的进行评估。
  2. 根据权利要求1所述的网络性能的评估方法，其中，在根据获取到网络性能指标参数的抽样值，计算对应网络性能指标参数的权重值的步骤之前，还包括：
    根据预设采样规则，获取网络性能指标参数的抽样值；
    将所述抽样值按照预先定义的指标类别进行分类记录。
  3. 根据权利要求2所述的网络性能的评估方法，其中，根据获取到网络性能指标参数的抽样值，计算对应网络性能指标参数的权重值的步骤包括：
    根据信息熵计算公式和获取到网络性能指标参数的抽样值，计算各个网络性能指标参数对应的信息熵；
    根据期望值计算公式和获取到网络性能指标参数的抽样值，计算各个网络性能指标参数对应的期望值；
    根据计算出的所述信息熵和所述期望值，计算各个网络性能指标参数对应的信息增益；
    根据预先定义的权重与信息增益之间的关系，计算各个网络性能指标参数对应的权重值。
  4. 根据权利要求3所述的网络性能的评估方法，其中，计算各个网络性能指标参数对应的权重值的步骤之后，还包括：
    根据预设计算规则和计算出的各个网络性能指标参数对应的权重值，计算同一指标类别的网络性能指标参数的权重值。
  5. 根据权利要求4所述的网络性能的评估方法，其中，根据获取到的各个网络性能指标参数的用户评价值以及计算得到的权重值，创建网络性能指标参数的评级矩阵的步骤包括：
    获取各个网络性能指标参数的用户评价值；
    将所述用户评价值映射至预先设定的评语集中；
    根据所述评语集以及计算得到的权重值，创建网络性能指标参数的评级矩阵。
  6. 一种网络性能的评估系统，包括：
    计算模块，设置为根据获取到网络性能指标参数的抽样值，计算对应网络性能指标参数的权重值；
    创建模块，设置为根据获取到的各个网络性能指标参数的用户评价值以及计算得到的权重值，创建网络性能指标参数的评级矩阵；
    第一评估模块，设置为对所述评级矩阵进行归一化处理，并根据归一化处理后的评级矩阵对对应网络性能指标参数的进行评估；或者，
    第二评估模块，设置为根据评级矩阵和最大隶属度原则，对对应网络性能指标参数的进行评估。
  7. 根据权利要求6所述的网络性能的评估系统，其中，还包括：
    获取模块，设置为根据预设采样规则，获取网络性能指标参数的抽样值；
    记录模块，设置为将所述抽样值按照预先定义的指标类别进行分类记录。
  8. 根据权利要求7所述的网络性能的评估系统，其中，所述计算模块包括：
    第一计算单元，设置为根据信息熵计算公式和获取到网络性能指标参数的抽样值，计算各个网络性能指标参数对应的信息熵；
    第二计算单元，设置为根据期望值计算公式和获取到网络性能指标参数的抽样值，计算各个网络性能指标参数对应的期望值；
    第三计算单元，设置为根据计算出的所述信息熵和所述期望值，计算各个网络性能指标参数对应的信息增益；
    第四计算单元，设置为根据预先定义的权重与信息增益之间的关系，计算各个网络性能指标参数对应的权重值。
  9. 根据权利要求8所述的网络性能的评估系统，其中，所述计算模块还包括：
    第五计算单元，设置为根据预设计算规则和计算出的各个网络性能指标参数对应的权重值，计算同一指标类别的网络性能指标参数的权重值。
  10. 根据权利要求9所述的网络性能的评估系统，其中，所述创建模块包括：
    获取单元，设置为获取各个网络性能指标参数的用户评价值；
    映射单元，设置为将所述用户评价值映射至预先设定的评语集中；
    创建单元，设置为根据所述评语集以及计算得到的权重值，创建网络性能指标参数 的评级矩阵。
PCT/CN2016/078898 2015-09-16 2016-04-08 一种网络性能的评估方法及系统 WO2016180127A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510590868.6 2015-09-16
CN201510590868.6A CN106549813A (zh) 2015-09-16 2015-09-16 一种网络性能的评估方法及系统

Publications (1)

Publication Number Publication Date
WO2016180127A1 true WO2016180127A1 (zh) 2016-11-17

Family

ID=57248788

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/078898 WO2016180127A1 (zh) 2015-09-16 2016-04-08 一种网络性能的评估方法及系统

Country Status (2)

Country Link
CN (1) CN106549813A (zh)
WO (1) WO2016180127A1 (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886226A (zh) * 2017-10-30 2018-04-06 国家电网公司 一种配电网成熟度评价方法及装置
CN108647913A (zh) * 2018-06-29 2018-10-12 北京矿务局综合地质工程公司 一种数据分析深基坑施工失误方法
CN109240912A (zh) * 2018-08-14 2019-01-18 平安普惠企业管理有限公司 一种基于大数据分析的网页应用的性能评估方法及终端
CN109670202A (zh) * 2018-11-15 2019-04-23 中国人民解放军空军工程大学 一种基于云模型的仿真可信度评估方法
CN110932908A (zh) * 2019-12-04 2020-03-27 国网河南省电力公司许昌供电公司 一种选择网络切片接入的方法、装置及系统
CN111091267A (zh) * 2019-11-13 2020-05-01 鞍钢集团矿业有限公司 一种基于因素空间的尾矿坝稳定性综合评价方法
CN111105136A (zh) * 2019-11-12 2020-05-05 西安航天动力测控技术研究所 一种基于归一化样本的灰色层次评估方法
CN111176711A (zh) * 2019-12-19 2020-05-19 北京体育大学 一种提醒应用系统维护的方法及系统
CN111598457A (zh) * 2020-05-18 2020-08-28 全球能源互联网研究院有限公司 一种电力无线网络质量的确定方法及装置
CN111898839A (zh) * 2019-05-05 2020-11-06 中国农业大学 电力用户的重要程度分类方法及装置
CN111913852A (zh) * 2020-08-11 2020-11-10 中国工商银行股份有限公司 存储系统的健康管理方法和装置
CN112016940A (zh) * 2019-05-29 2020-12-01 中国移动通信集团福建有限公司 模型建立方法及设备、网络满意度评估方法及设备
CN112434820A (zh) * 2019-08-22 2021-03-02 中车唐山机车车辆有限公司 动车组主断路器状态评估的方法及装置
CN112465145A (zh) * 2020-12-02 2021-03-09 西北工业大学 一种基于逻辑推理与模糊综合的无人集群智能定性评价方法
US10951635B2 (en) 2018-09-20 2021-03-16 Cisco Technology, Inc. System and method to estimate network disruption index
CN112737666A (zh) * 2020-12-28 2021-04-30 南京凯瑞得信息科技有限公司 一种基于一致性模型的卫星通信系统的可靠性衡量方法
CN113256083A (zh) * 2021-05-08 2021-08-13 国网安徽省电力有限公司经济技术研究院 一种输电线路选址选线模型的评价方法
CN113256041A (zh) * 2020-02-11 2021-08-13 中国农业大学 一种用于计算农村微能网能效的方法及系统
CN113610360A (zh) * 2021-07-20 2021-11-05 天津(滨海)人工智能军民融合创新中心 基于战略价值的gso频轨资源效能评估方法
CN113743811A (zh) * 2021-09-10 2021-12-03 上海卫星工程研究所 采用系数加权计算的综合效能评估方法和系统
CN114500294A (zh) * 2022-01-14 2022-05-13 国网河北省电力有限公司保定供电分公司 一种通信网络的安全评估方法及其系统
CN114567886A (zh) * 2020-11-27 2022-05-31 中国移动通信集团湖南有限公司 网络规划方法、装置、设备和计算机存储介质
CN114629802A (zh) * 2021-11-04 2022-06-14 国网浙江省电力有限公司湖州供电公司 一种基于业务感知的电力通信骨干网络质量评估方法
CN114745293A (zh) * 2022-03-30 2022-07-12 深圳市国电科技通信有限公司 网络通信质量评估方法、装置、电子设备及存储介质
CN114745294A (zh) * 2022-03-30 2022-07-12 深圳市国电科技通信有限公司 网络多节点通信质量评估方法、装置及电子设备
CN115277116A (zh) * 2022-07-06 2022-11-01 中能电力科技开发有限公司 网络隔离的方法、装置、存储介质及电子设备
CN116170354A (zh) * 2023-02-28 2023-05-26 重庆长安汽车股份有限公司 网络性能测试方法、装置、设备及介质
CN116612852A (zh) * 2023-07-20 2023-08-18 青岛美迪康数字工程有限公司 一种实现药物推荐的方法、装置和计算机设备
CN116909901A (zh) * 2023-07-19 2023-10-20 浙江大学 基于富样本径向投影可信聚类的软件性能可视评价方法
CN117035887A (zh) * 2023-10-08 2023-11-10 中质国优测评技术(北京)有限公司 一种汽车用户满意度测评方法与系统
CN117114491A (zh) * 2023-09-06 2023-11-24 青岛民航凯亚系统集成有限公司 一种基于熵值法的机场信息系统运维能力评价方法及系统
CN117834475A (zh) * 2024-03-06 2024-04-05 中国西安卫星测控中心 一种高速业务网络传输质量监测评估方法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107634866A (zh) * 2017-10-27 2018-01-26 朱秋华 一种配电网通信系统性能评估方法和装置
CN108322327A (zh) * 2017-11-28 2018-07-24 中国电子科技集团公司电子科学研究院 一种天地一体化信息网络性能的评估方法及装置
CN109710552B (zh) * 2018-12-29 2021-01-15 深圳市联影医疗数据服务有限公司 总线传输质量评估方法、系统和计算机存储介质
CN109902441B (zh) * 2019-03-27 2022-07-22 中国第一汽车股份有限公司 一种基于kano模型原理的车辆性能指标权重分配系统及方法
CN110427577B (zh) * 2019-06-26 2022-04-19 五八有限公司 内容的影响评估方法、装置、电子设备和存储介质
CN110879723B (zh) * 2019-11-29 2021-05-14 中国科学院电子学研究所 基于Pareto最优集的软件服务价值的客观评测方法及装置
CN110995839B (zh) * 2019-12-03 2022-09-20 北京搜狐新媒体信息技术有限公司 广告系统性能的分析方法、装置和计算机存储介质
CN111861227A (zh) * 2020-07-23 2020-10-30 中国平安财产保险股份有限公司 基于隶属度分析的用户推荐方法、装置、电子设备及介质
CN113347247A (zh) * 2021-05-31 2021-09-03 国网山东省电力公司青岛供电公司 云边协同配电物联网业务差异化分流配置方法及系统
CN113595775A (zh) * 2021-07-19 2021-11-02 中国联合网络通信集团有限公司 服务等级协议映射方法、电子设备、及存储介质
CN116739440B (zh) * 2023-08-16 2023-11-17 亚信科技（中国）有限公司 自智网络的评价方法、装置、电子设备及存储介质
CN117076258A (zh) * 2023-10-15 2023-11-17 江苏全天软件有限公司 一种基于互联网云端的远程监控方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007003205A1 (en) * 2005-06-30 2007-01-11 Telecom Italia S.P.A. Method and system for selecting radiation diagrams of antennas for mobile-radio communication networks
CN101572623A (zh) * 2009-04-30 2009-11-04 上海大学 基于主客观组合评价的网络性能综合评价方法
CN103310102A (zh) * 2013-06-07 2013-09-18 沈阳机床(集团)有限责任公司 一种基于熵权和隶属度理论的机床综合性能评价方法
CN104301969A (zh) * 2014-08-07 2015-01-21 重庆大学 一种异构多认知无线网络共存环境中的网络选择方法
CN104765968A (zh) * 2015-04-21 2015-07-08 合肥工业大学 一种无人机系统健康状态测评装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007003205A1 (en) * 2005-06-30 2007-01-11 Telecom Italia S.P.A. Method and system for selecting radiation diagrams of antennas for mobile-radio communication networks
CN101572623A (zh) * 2009-04-30 2009-11-04 上海大学 基于主客观组合评价的网络性能综合评价方法
CN103310102A (zh) * 2013-06-07 2013-09-18 沈阳机床(集团)有限责任公司 一种基于熵权和隶属度理论的机床综合性能评价方法
CN104301969A (zh) * 2014-08-07 2015-01-21 重庆大学 一种异构多认知无线网络共存环境中的网络选择方法
CN104765968A (zh) * 2015-04-21 2015-07-08 合肥工业大学 一种无人机系统健康状态测评装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LUO, YUNQIAN ET AL.: "Network Performance Comprehensive Evaluation Model Based on Cloud Model and Entropy Weight", JOURNAL OF CHONGQING UNIVERSITY OF POSTS AND TELECOMMUNICATIONS( NATURAL SCIENCE EDITION, vol. 21, no. 6, 31 December 2009 (2009-12-31) *

Cited By (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886226A (zh) * 2017-10-30 2018-04-06 国家电网公司 一种配电网成熟度评价方法及装置
CN108647913A (zh) * 2018-06-29 2018-10-12 北京矿务局综合地质工程公司 一种数据分析深基坑施工失误方法
CN109240912A (zh) * 2018-08-14 2019-01-18 平安普惠企业管理有限公司 一种基于大数据分析的网页应用的性能评估方法及终端
CN109240912B (zh) * 2018-08-14 2024-02-23 深圳市兴海物联科技有限公司 一种基于大数据分析的网页应用的性能评估方法及终端
US11637843B2 (en) 2018-09-20 2023-04-25 Cisco Technology, Inc. System and method to estimate network disruption index
US10951635B2 (en) 2018-09-20 2021-03-16 Cisco Technology, Inc. System and method to estimate network disruption index
CN109670202A (zh) * 2018-11-15 2019-04-23 中国人民解放军空军工程大学 一种基于云模型的仿真可信度评估方法
CN111898839B (zh) * 2019-05-05 2023-12-15 中国农业大学 电力用户的重要程度分类方法及装置
CN111898839A (zh) * 2019-05-05 2020-11-06 中国农业大学 电力用户的重要程度分类方法及装置
CN112016940A (zh) * 2019-05-29 2020-12-01 中国移动通信集团福建有限公司 模型建立方法及设备、网络满意度评估方法及设备
CN112434820A (zh) * 2019-08-22 2021-03-02 中车唐山机车车辆有限公司 动车组主断路器状态评估的方法及装置
CN111105136A (zh) * 2019-11-12 2020-05-05 西安航天动力测控技术研究所 一种基于归一化样本的灰色层次评估方法
CN111091267A (zh) * 2019-11-13 2020-05-01 鞍钢集团矿业有限公司 一种基于因素空间的尾矿坝稳定性综合评价方法
CN110932908B (zh) * 2019-12-04 2022-08-30 国网河南省电力公司许昌供电公司 一种选择网络切片接入的方法、装置及系统
CN110932908A (zh) * 2019-12-04 2020-03-27 国网河南省电力公司许昌供电公司 一种选择网络切片接入的方法、装置及系统
CN111176711A (zh) * 2019-12-19 2020-05-19 北京体育大学 一种提醒应用系统维护的方法及系统
CN113256041A (zh) * 2020-02-11 2021-08-13 中国农业大学 一种用于计算农村微能网能效的方法及系统
CN111598457A (zh) * 2020-05-18 2020-08-28 全球能源互联网研究院有限公司 一种电力无线网络质量的确定方法及装置
CN111598457B (zh) * 2020-05-18 2023-06-30 全球能源互联网研究院有限公司 一种电力无线网络质量的确定方法及装置
CN111913852A (zh) * 2020-08-11 2020-11-10 中国工商银行股份有限公司 存储系统的健康管理方法和装置
CN111913852B (zh) * 2020-08-11 2023-08-22 中国工商银行股份有限公司 存储系统的健康管理方法和装置
CN114567886A (zh) * 2020-11-27 2022-05-31 中国移动通信集团湖南有限公司 网络规划方法、装置、设备和计算机存储介质
CN114567886B (zh) * 2020-11-27 2023-09-01 中国移动通信集团湖南有限公司 网络规划方法、装置、设备和计算机存储介质
CN112465145B (zh) * 2020-12-02 2024-04-05 西北工业大学 一种基于逻辑推理与模糊综合的无人集群智能定性评价方法
CN112465145A (zh) * 2020-12-02 2021-03-09 西北工业大学 一种基于逻辑推理与模糊综合的无人集群智能定性评价方法
CN112737666A (zh) * 2020-12-28 2021-04-30 南京凯瑞得信息科技有限公司 一种基于一致性模型的卫星通信系统的可靠性衡量方法
CN113256083A (zh) * 2021-05-08 2021-08-13 国网安徽省电力有限公司经济技术研究院 一种输电线路选址选线模型的评价方法
CN113610360A (zh) * 2021-07-20 2021-11-05 天津(滨海)人工智能军民融合创新中心 基于战略价值的gso频轨资源效能评估方法
CN113610360B (zh) * 2021-07-20 2023-09-15 天津(滨海)人工智能军民融合创新中心 基于战略价值的gso频轨资源效能评估方法
CN113743811A (zh) * 2021-09-10 2021-12-03 上海卫星工程研究所 采用系数加权计算的综合效能评估方法和系统
CN114629802A (zh) * 2021-11-04 2022-06-14 国网浙江省电力有限公司湖州供电公司 一种基于业务感知的电力通信骨干网络质量评估方法
CN114629802B (zh) * 2021-11-04 2023-12-08 国网浙江省电力有限公司湖州供电公司 一种基于业务感知的电力通信骨干网络质量评估方法
CN114500294A (zh) * 2022-01-14 2022-05-13 国网河北省电力有限公司保定供电分公司 一种通信网络的安全评估方法及其系统
CN114745294A (zh) * 2022-03-30 2022-07-12 深圳市国电科技通信有限公司 网络多节点通信质量评估方法、装置及电子设备
CN114745293B (zh) * 2022-03-30 2023-11-17 深圳市国电科技通信有限公司 网络通信质量评估方法、装置、电子设备及存储介质
CN114745293A (zh) * 2022-03-30 2022-07-12 深圳市国电科技通信有限公司 网络通信质量评估方法、装置、电子设备及存储介质
CN114745294B (zh) * 2022-03-30 2023-12-05 深圳市国电科技通信有限公司 网络多节点通信质量评估方法、装置及电子设备
CN115277116B (zh) * 2022-07-06 2024-02-02 中能电力科技开发有限公司 网络隔离的方法、装置、存储介质及电子设备
CN115277116A (zh) * 2022-07-06 2022-11-01 中能电力科技开发有限公司 网络隔离的方法、装置、存储介质及电子设备
CN116170354A (zh) * 2023-02-28 2023-05-26 重庆长安汽车股份有限公司 网络性能测试方法、装置、设备及介质
CN116909901A (zh) * 2023-07-19 2023-10-20 浙江大学 基于富样本径向投影可信聚类的软件性能可视评价方法
CN116909901B (zh) * 2023-07-19 2024-04-05 浙江大学 基于富样本径向投影可信聚类的软件性能可视评价方法
CN116612852A (zh) * 2023-07-20 2023-08-18 青岛美迪康数字工程有限公司 一种实现药物推荐的方法、装置和计算机设备
CN116612852B (zh) * 2023-07-20 2023-10-31 青岛美迪康数字工程有限公司 一种实现药物推荐的方法、装置和计算机设备
CN117114491A (zh) * 2023-09-06 2023-11-24 青岛民航凯亚系统集成有限公司 一种基于熵值法的机场信息系统运维能力评价方法及系统
CN117035887A (zh) * 2023-10-08 2023-11-10 中质国优测评技术(北京)有限公司 一种汽车用户满意度测评方法与系统
CN117035887B (zh) * 2023-10-08 2023-12-26 中质国优测评技术(北京)有限公司 一种汽车用户满意度测评方法与系统
CN117834475A (zh) * 2024-03-06 2024-04-05 中国西安卫星测控中心 一种高速业务网络传输质量监测评估方法
CN117834475B (zh) * 2024-03-06 2024-04-30 中国西安卫星测控中心 一种高速业务网络传输质量监测评估方法

Also Published As

Publication number Publication date
CN106549813A (zh) 2017-03-29

Similar Documents

Publication Publication Date Title
WO2016180127A1 (zh) 一种网络性能的评估方法及系统
Adebayo et al. Determinants of environmental degradation in Thailand: empirical evidence from ARDL and wavelet coherence approaches
Zhong et al. A cyber security data triage operation retrieval system
IL246744A (en) Systems and methods for determining connectivity within a company by means of analyzing social curve data
WO2021179544A1 (zh) 样本分类方法、装置、计算机设备及存储介质
CN110022531B (zh) 一种本地化差分隐私城市垃圾数据报告和隐私计算方法
US11769099B2 (en) Apparatuses, computer-implemented methods, and computer program products for improved monitored building environment monitoring and scoring
CN104484359B (zh) 一种基于社交图谱的舆情分析方法及装置
WO2016188498A1 (zh) 一种无线网络吞吐量的评估方法及装置
CN110162445A (zh) 基于主机日志及性能指标的主机健康评价方法及装置
CN111754241A (zh) 一种用户行为感知方法、装置、设备及介质
CN112434933A (zh) 一种公众社交平台的媒体影响力定量评估方法
Wang et al. YATA: Yet Another Proposal for Traffic Analysis and Anomaly Detection.
Juarez et al. “You Can’t Fix What You Can’t Measure”: Privately Measuring Demographic Performance Disparities in Federated Learning
Tang et al. Parsing the effect of the internet on regime support in China
Dong Application of Big Data Mining Technology in Blockchain Computing
CN106713322A (zh) 一种面向网络设备信息安全评估的模糊度量方法
WO2024001102A1 (zh) 一种通信行业家庭圈智能识别的方法、装置及设备
Li et al. Cyber performance situation awareness on fuzzy correlation analysis
CN106789411B (zh) 一种机房内活跃ip数据的采集方法和装置
Namayanja et al. Discovery of persistent threat structures through temporal and geo-spatial characterization in evolving networks
Lu et al. Comparison and analysis of flow features at the packet level for traffic classification
Li et al. Iot devices identification based on machine learning
Mavzer et al. Trust and quality computation for cyber threat intelligence sharing platforms
CN104079627B (zh) 发送展示信息的方法和装置

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: 16791977

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16791977

Country of ref document: EP

Kind code of ref document: A1