[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113556253A - 预测交换机端口实时流量的方法、系统、设备和存储介质 - Google Patents

预测交换机端口实时流量的方法、系统、设备和存储介质 Download PDF

Info

Publication number
CN113556253A
CN113556253A CN202110873538.3A CN202110873538A CN113556253A CN 113556253 A CN113556253 A CN 113556253A CN 202110873538 A CN202110873538 A CN 202110873538A CN 113556253 A CN113556253 A CN 113556253A
Authority
CN
China
Prior art keywords
period
index parameters
current
flow
port
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.)
Granted
Application number
CN202110873538.3A
Other languages
English (en)
Other versions
CN113556253B (zh
Inventor
赵相如
贾伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inspur Jinan data Technology Co ltd
Original Assignee
Inspur Jinan data Technology Co ltd
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 Inspur Jinan data Technology Co ltd filed Critical Inspur Jinan data Technology Co ltd
Priority to CN202110873538.3A priority Critical patent/CN113556253B/zh
Publication of CN113556253A publication Critical patent/CN113556253A/zh
Application granted granted Critical
Publication of CN113556253B publication Critical patent/CN113556253B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning 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
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • 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
    • H04L43/0823—Errors, e.g. transmission errors
    • H04L43/0829—Packet loss
    • 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
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • 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
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H04L43/0888—Throughput
    • 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
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H04L43/0894—Packet rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供了一种预测交换机端口实时流量的方法、系统、设备和存储介质，方法包括：周期性获取交换机网络端口的指标参数，并将获取到的所述指标参数记录到数据库中；基于当前周期的指标参数在所述数据库中进行匹配以得到相似的历史周期；以及根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量。本发明通过神经网络算法计算并精确预测出当前时刻的网络传输流量，增加了隐藏层中卷积、激活和池化层训练方法，并通过多并发的方式同时从性能、网络延迟等方面对数据进行分析和判断，提升网络拓扑的精确化；在运算模型的建立过程中利用快速矩阵乘法运算和激活函数的导数做训练，反复迭代后提高了精确度。

Description

预测交换机端口实时流量的方法、系统、设备和存储介质
技术领域
本领域涉及交换机领域，更具体地，特别是指一种预测交换机端口实时流量的方法、系统、设备和存储介质。
背景技术
交换机类型分为TOR(TOP OF RACK，顶式)和EOR(END OF RACK，底式)，在网络拓扑中，交换机可以通过不同的类型来自动生成端口之间的链路，其中端口实时流量可以根据端口接收字节数、端口发送字节数、端口接收单播包数、端口发送单播包数、端口发送丢包数、端口接收丢包数，端口网络发送速率、端口网络接收速率等指标来通过神经网络算法综合计算得出。目前我们通过snmp协议去请求这些性能数据本身会有延迟，再加上性能数据的采集本身也有请求周期，目前服务器管理软件周期为5分钟，只能利用过去五分钟的网络端口数据来计算实时流量，由于获取的数据并不是此刻即时的流量，这样必然会导致偏差。
发明内容
有鉴于此，本发明实施例的目的在于提出一种预测交换机端口实时流量的方法、系统、计算机设备及计算机可读存储介质，本发明通过神经网络算法计算并精确出即时网络传输流量，相比于zabbix算法增加了隐藏层中卷积、激活和池化层训练方法，并通过多并发的方式同时从性能、网络延迟等方面对数据进行分析和判断，提升网络拓扑的精确化，能够快速响应网络拓扑中网口和电口的动态变化，在运算模型的建立过程中利用numty中快速矩阵乘法运算和激活函数sigmoid的导数做训练，反复迭代后提高了精确度。
基于上述目的，本发明实施例的一方面提供了一种预测交换机端口实时流量的方法，包括如下步骤：周期性获取交换机网络端口的指标参数，并将获取到的所述指标参数记录到数据库中；基于当前周期的指标参数在所述数据库中进行匹配以得到相似的历史周期；以及根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量。
在一些实施方式中，所述将当前周期的所述指标参数去所述数据库中进行匹配以得到相似的历史周期包括：将当前周期的第一指标参数与每个历史周期的第二指标参数进行比对，根据比对结果计算相似度，并将相似度高于阈值的历史周期记为所述当前周期的相似的历史周期。
在一些实施方式中，所述根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量包括：计算每个所述相似的历史周期后多个周期的指标参数的第一平均值；以及计算所有所述第一平均值的第二平均值以作为所述当前周期的下一时刻的流量。
在一些实施方式中，所述根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量包括：对相似的每一历史周期的指标参数的长度、顺序和词干类型利用多并发方式和搜索模型算法进行处理，并通过快速矩阵乘法运算和激活函数的导数迭代运算处理后的指标参数以得到单一历史周期的预测量；以及计算所述单一历史周期的预测量的平均值以得到所述当前周期的下一时刻的流量。
本发明实施例的另一方面，提供了一种预测交换机端口实时流量的系统，包括：采集模块，配置用于周期性获取交换机网络端口的指标参数，并将获取到的所述指标参数记录到数据库中；匹配模块，配置用于基于当前周期的指标参数在所述数据库中进行匹配以得到相似的历史周期；以及计算模块，配置用于根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量。
在一些实施方式中，所述匹配模块配置用于：将当前周期的第一指标参数与每个历史周期的第二指标参数进行比对，根据比对结果计算相似度，并将相似度高于阈值的历史周期记为所述当前周期的相似的历史周期。
在一些实施方式中，所述计算模块配置用于：计算每个所述相似的历史周期后多个周期的指标参数的第一平均值；以及计算所有所述第一平均值的第二平均值以作为所述当前周期的下一时刻的流量。
在一些实施方式中，所述计算模块配置用于：对相似的每一历史周期的指标参数的长度、顺序和词干类型利用多并发方式和搜索模型算法进行处理，并通过快速矩阵乘法运算和激活函数的导数迭代运算处理后的指标参数以得到单一历史周期的预测量；以及计算所述单一历史周期的预测量的平均值以得到所述当前周期的下一时刻的流量。
本发明实施例的又一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现如上方法的步骤。
本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
本发明具有以下有益技术效果：通过神经网络算法计算并精确出即时网络传输流量，相比于zabbix算法增加了隐藏层中卷积、激活和池化层训练方法，并通过多并发的方式同时从性能、网络延迟等方面对数据进行分析和判断，提升网络拓扑的精确化，能够快速响应网络拓扑中网口和电口的动态变化，在运算模型的建立过程中利用numty中快速矩阵乘法运算和激活函数sigmoid的导数做训练，反复迭代后提高了精确度。
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的前提下，还可以根据这些附图获得其他的实施例。
图1为本发明提供的预测交换机端口实时流量的方法的实施例的示意图；
图2为本发明提供的预测交换机端口实时流量的系统的实施例的示意图；
图3为本发明提供的预测交换机端口实时流量的计算机设备的实施例的硬件结构示意图；
图4为本发明提供的预测交换机端口实时流量的计算机存储介质的实施例的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
本发明实施例的第一个方面，提出了一种预测交换机端口实时流量的方法的实施例。图1示出的是本发明提供的预测交换机端口实时流量的方法的实施例的示意图。如图1所示，本发明实施例包括如下步骤：
S1、周期性获取交换机网络端口的指标参数，并将获取到的所述指标参数记录到数据库中；
S2、基于当前周期的指标参数在所述数据库中进行匹配以得到相似的历史周期；以及
S3、根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量。
本发明实施例主要能够在网络拓扑图中精确预测交换机网络端口的实时流量。本发明针对神经网络训练过程，设计了一套能够预测即时宽口流量信息的方法，以及一些可以减少计算量的优化技巧，首先交换机需要配置lldp协议，同时通过snmp协议去获取交换机网络端口的性能数据(端口接收字节数、端口发送字节数、端口接收单播包数、端口发送单播包数、端口发送丢包数、端口接收丢包数，端口网络发送速率、端口网络接收速率)，然后通过神经网络算法计算并精确出即时网络传输流量，相比于zabbix算法增加了隐藏层中卷积、激活和池化层训练方法，并通过多并发的方式同时从性能、网络延迟等方面对数据进行分析和判断，提升网络拓扑的精确化。能够快速响应网络拓扑中，网口、电口的动态变化。在运算模型的过程中利用numty中快速矩阵乘法运算和激活函数sigmoid的导数做训练，反复迭代后将精确度达到最高。
Zabbix是一个基于WEB(网页)界面提供分布式系统监视和网络监视的功能的企业级的开源方案，它能够通过snmp(Simple Network Management Protocol，简单网络管理协议)协议和带内agent(代理)来获取交换机端口网络的发送和接收速率，从而计算一个时间段内的平均接收和发出的包数，来求得平均流量。但是，由于snmp网络的原因，请求及返回会有一个时间段，并且目前snmp为5分钟请求一次，只能求得过去五分钟内平均实时流量，无法精确到此刻。朴素贝叶斯法(Navie Bayes)是一种基于贝叶斯定理、运用特征条件、独立假设并根据先验概率来预测结果的方法。对于特定的训练数据集，首先基于特征条件独立学习输入、输出的联合概率分布；然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。
本发明实施例通过神经网络算法来训练模型和数据，将所有网络端口的性能数据作为词干封装在文件中，以需要运算的网络端口性能指标作输入数据转换程词袋模型，然后把数据进行处理后保存在集合中，通过模型计算出实时的端口流量。
周期性获取交换机网络端口的指标参数，并将获取到的所述指标参数记录到数据库中。通过snmpwalk执行周期性的数据采集，将端口接收字节数、端口发送字节数、端口接收单播包数、端口发送单播包数、端口发送丢包数、端口接收丢包数，端口网络发送速率和端口网络接收速率指标采集并保存在集合中。
基于当前周期的指标参数在所述数据库中进行匹配以得到相似的历史周期。将每个周期采集到的参数处理后，保存在模型文件。把结果转换成词袋模型，由“0”和“1”组成，数字1表示该指标参数与对比的历史周期中的指标参数相等，数字0表示该指标参数与对比的历史周期中的指标参数不相等。将后续往数据文件保存的数据，做归类判断将所有指标和实时流量关联起来，最后将所有匹配结果在训练模型中保存。
在一些实施方式中，所述基于当前周期的所述指标参数在所述数据库中进行匹配以得到相似的历史周期包括：将当前周期的第一指标参数与每个历史周期的第二指标参数进行比对，根据比对结果计算相似度，并将相似度高于阈值的历史周期记为所述当前周期的相似的历史周期。例如，当前周期的第一指标参数与某个历史周期的第二指标参数比对的结果为00101111001，由于相同的指标参数有6个，对比的指标参数的总数是11个，则相似度为6/11。如果阈值为90％，则相似度小于阈值，该历史周期不为当前周期的相似历史周期。如果当前周期的第一指标参数与某个历史周期的第二指标参数比对的结果为11111101111，则相似度为10/11，大于阈值90％，则该历史周期为当前周期的相似历史周期。
根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量。可以基于交换机网络端口指标参数通过训练模型运算得到下个周期网络速率和流量。
在一些实施方式中，所述根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量包括：计算每个所述相似的历史周期后多个周期的指标参数的第一平均值；以及计算所有所述第一平均值的第二平均值以作为所述当前周期的下一时刻的流量。例如，一共有三个历史周期A、B和C为当前周期的相似历史周期，则计算A的后续周期A1、A2和A3的第一平均值a，B的后续周期B1、B2和B3的第一平均值b，C的后续周期C1、C2和C3的第一平均值c，并计算a、b和c的平均值作为当前周期得到下一时刻的流量。
在一些实施方式中，所述根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量包括：对相似的每一历史周期的指标参数的长度、顺序和词干类型利用多并发方式和搜索模型算法进行处理，并通过快速矩阵乘法运算和激活函数的导数迭代运算处理后的指标参数以得到单一历史周期的预测量；以及计算所述单一历史周期的预测量的平均值以得到所述当前周期的下一时刻的流量。
输入层将需要训练的参数转换为词袋模型，在隐藏层中通过性能指标的长度、顺序、词干类型等条件利用多并发方式和搜索模型算法将输入分取的参数与词干做处理，将所有处理结果保存。获取训练模型输出的网络流量。通过使用numty中快速矩阵乘法运算和激活函数sigmoid的导数迭代衡量，利用多组数据反复迭代此过程，将精确度提到最高。
本发明实施例通过神经网络算法计算并精确出即时网络传输流量，相比于zabbix算法增加了隐藏层中卷积、激活和池化层训练方法，并通过多并发的方式同时从性能、网络延迟等方面对数据进行分析和判断，提升网络拓扑的精确化，能够快速响应网络拓扑中网口和电口的动态变化，在运算模型的建立过程中利用numty中快速矩阵乘法运算和激活函数sigmoid的导数做训练，反复迭代后提高了精确度。
需要特别指出的是，上述预测交换机端口实时流量的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于预测交换机端口实时流量的方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。
基于上述目的，本发明实施例的第二个方面，提出了一种预测交换机端口实时流量的系统。如图2所示，系统200包括如下模块：采集模块，配置用于周期性获取交换机网络端口的指标参数，并将获取到的所述指标参数记录到数据库中；匹配模块，配置用于基于当前周期的指标参数在所述数据库中进行匹配以得到相似的历史周期；以及计算模块，配置用于根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量。
在一些实施方式中，所述匹配模块配置用于：将当前周期的第一指标参数与每个历史周期的第二指标参数进行比对，根据比对结果计算相似度，并将相似度高于阈值的历史周期记为所述当前周期的相似的历史周期。
在一些实施方式中，所述计算模块配置用于：计算每个所述相似的历史周期后多个周期的指标参数的第一平均值；以及计算所有所述第一平均值的第二平均值以作为所述当前周期的下一时刻的流量。
在一些实施方式中，所述计算模块配置用于：对相似的每一历史周期的指标参数的长度、顺序和词干类型利用多并发方式和搜索模型算法进行处理，并通过快速矩阵乘法运算和激活函数的导数迭代运算处理后的指标参数以得到单一历史周期的预测量；以及计算所述单一历史周期的预测量的平均值以得到所述当前周期的下一时刻的流量。
本发明实施例通过神经网络算法计算并精确出即时网络传输流量，相比于zabbix算法增加了隐藏层中卷积、激活和池化层训练方法，并通过多并发的方式同时从性能、网络延迟等方面对数据进行分析和判断，提升网络拓扑的精确化，能够快速响应网络拓扑中网口和电口的动态变化，在运算模型的建立过程中利用numty中快速矩阵乘法运算和激活函数sigmoid的导数做训练，反复迭代后提高了精确度。
基于上述目的，本发明实施例的第三个方面，提出了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：S1、周期性获取交换机网络端口的指标参数，并将获取到的所述指标参数记录到数据库中；S2、基于当前周期的指标参数在所述数据库中进行匹配以得到相似的历史周期；以及S3、根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量。
在一些实施方式中，所述将当前周期的所述指标参数去所述数据库中进行匹配以得到相似的历史周期包括：将当前周期的第一指标参数与每个历史周期的第二指标参数进行比对，根据比对结果计算相似度，并将相似度高于阈值的历史周期记为所述当前周期的相似的历史周期。
在一些实施方式中，所述根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量包括：计算每个所述相似的历史周期后多个周期的指标参数的第一平均值；以及计算所有所述第一平均值的第二平均值以作为所述当前周期的下一时刻的流量。
在一些实施方式中，所述根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量包括：对相似的每一历史周期的指标参数的长度、顺序和词干类型利用多并发方式和搜索模型算法进行处理，并通过快速矩阵乘法运算和激活函数的导数迭代运算处理后的指标参数以得到单一历史周期的预测量；以及计算所述单一历史周期的预测量的平均值以得到所述当前周期的下一时刻的流量。
本发明实施例通过神经网络算法计算并精确出即时网络传输流量，相比于zabbix算法增加了隐藏层中卷积、激活和池化层训练方法，并通过多并发的方式同时从性能、网络延迟等方面对数据进行分析和判断，提升网络拓扑的精确化，能够快速响应网络拓扑中网口和电口的动态变化，在运算模型的建立过程中利用numty中快速矩阵乘法运算和激活函数sigmoid的导数做训练，反复迭代后提高了精确度。
如图3所示，为本发明提供的上述预测交换机端口实时流量的计算机设备的一个实施例的硬件结构示意图。
以如图3所示的装置为例，在该装置中包括一个处理器301以及一个存储器302。
处理器301和存储器302可以通过总线或者其他方式连接，图3中以通过总线连接为例。
存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的预测交换机端口实时流量的方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的预测交换机端口实时流量的方法。
存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据预测交换机端口实时流量的方法的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个预测交换机端口实时流量的方法对应的计算机指令303存储在存储器302中，当被处理器301执行时，执行上述任意方法实施例中的预测交换机端口实时流量的方法。
执行上述预测交换机端口实时流量的方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行如上预测交换机端口实时流量的方法的计算机程序。
如图4所示，为本发明提供的上述预测交换机端口实时流量的计算机存储介质的一个实施例的示意图。以如图4所示的计算机存储介质为例，计算机可读存储介质401存储有被处理器执行时执行如上方法的计算机程序402。
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，预测交换机端口实时流量的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (10)

1.一种预测交换机端口实时流量的方法，其特征在于，包括如下步骤：
周期性获取交换机网络端口的指标参数，并将获取到的所述指标参数记录到数据库中；
基于当前周期的指标参数在所述数据库中进行匹配以得到相似的历史周期；以及
根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量。
2.根据权利要求1所述的方法，其特征在于，所述基于当前周期的所述指标参数在所述数据库中进行匹配以得到相似的历史周期包括：
将当前周期的第一指标参数与每个历史周期的第二指标参数进行比对，根据比对结果计算相似度，并将相似度高于阈值的历史周期记为所述当前周期的相似的历史周期。
3.根据权利要求1所述的方法，其特征在于，所述根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量包括：
计算每个所述相似的历史周期后多个周期的指标参数的第一平均值；以及
计算所有所述第一平均值的第二平均值以作为所述当前周期的下一时刻的流量。
4.根据权利要求1所述的方法，其特征在于，所述根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量包括：
对相似的每一历史周期的指标参数的长度、顺序和词干类型利用多并发方式和搜索模型算法进行处理，并通过快速矩阵乘法运算和激活函数的导数迭代运算处理后的指标参数以得到单一历史周期的预测量；以及
计算所述单一历史周期的预测量的平均值以得到所述当前周期的下一时刻的流量。
5.一种预测交换机端口实时流量的系统，其特征在于，包括：
采集模块，配置用于周期性获取交换机网络端口的指标参数，并将获取到的所述指标参数记录到数据库中；
匹配模块，配置用于基于当前周期的指标参数在所述数据库中进行匹配以得到相似的历史周期；以及
计算模块，配置用于根据所述相似的历史周期后多个周期的指标参数确定所述当前周期的下一时刻的流量。
6.根据权利要求5所述的系统，其特征在于，所述匹配模块配置用于：
将当前周期的第一指标参数与每个历史周期的第二指标参数进行比对，根据比对结果计算相似度，并将相似度高于阈值的历史周期记为所述当前周期的相似的历史周期。
7.根据权利要求5所述的系统，其特征在于，所述计算模块配置用于：
计算每个所述相似的历史周期后多个周期的指标参数的第一平均值；以及
计算所有所述第一平均值的第二平均值以作为所述当前周期的下一时刻的流量。
8.根据权利要求5所述的系统，其特征在于，所述计算模块配置用于：
对相似的每一历史周期的指标参数的长度、顺序和词干类型利用多并发方式和搜索模型算法进行处理，并通过快速矩阵乘法运算和激活函数的导数迭代运算处理后的指标参数以得到单一历史周期的预测量；以及
计算所述单一历史周期的预测量的平均值以得到所述当前周期的下一时刻的流量。
9.一种计算机设备，其特征在于，包括：
至少一个处理器；以及
存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现权利要求1-4任意一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。
CN202110873538.3A 2021-07-30 2021-07-30 预测交换机端口实时流量的方法、系统、设备和存储介质 Active CN113556253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110873538.3A CN113556253B (zh) 2021-07-30 2021-07-30 预测交换机端口实时流量的方法、系统、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110873538.3A CN113556253B (zh) 2021-07-30 2021-07-30 预测交换机端口实时流量的方法、系统、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113556253A true CN113556253A (zh) 2021-10-26
CN113556253B CN113556253B (zh) 2023-05-26

Family

ID=78133389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110873538.3A Active CN113556253B (zh) 2021-07-30 2021-07-30 预测交换机端口实时流量的方法、系统、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113556253B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330145A (zh) * 2022-03-01 2022-04-12 北京蚂蚁云金融信息服务有限公司 基于概率图模型对序列进行分析的方法及装置
CN116074209A (zh) * 2023-02-20 2023-05-05 中移动信息技术有限公司 数据预测方法、装置、设备及计算机存储介质
CN116915517A (zh) * 2023-09-14 2023-10-20 厦门快快网络科技有限公司 一种云服务资源风险安全管理方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564790A (zh) * 2018-06-12 2018-09-21 国交空间信息技术（北京）有限公司 一种基于交通流时空相似性的城市短时交通流预测方法
CN108629979A (zh) * 2018-06-12 2018-10-09 浙江工业大学 一种基于历史和周边路口数据的拥堵预测算法
CN110009429A (zh) * 2019-04-10 2019-07-12 金瓜子科技发展（北京）有限公司 一种预测流量数据的方法、装置和计算机设备
CN110839040A (zh) * 2019-11-20 2020-02-25 北京天融信网络安全技术有限公司 一种流量的监控方法、模型的训练方法、装置及存储介质
CN110851782A (zh) * 2019-11-12 2020-02-28 南京邮电大学 一种基于轻量级时空深度学习模型的网络流量预测方法
CN111130839A (zh) * 2019-11-04 2020-05-08 清华大学 一种流量需求矩阵预测方法及其系统
CN111191836A (zh) * 2019-12-27 2020-05-22 东软集团股份有限公司 一种井漏预测方法、装置及设备
CN111756646A (zh) * 2020-07-08 2020-10-09 腾讯科技（深圳）有限公司 网络传输控制方法、装置、计算机设备及存储介质
CN111835536A (zh) * 2019-04-16 2020-10-27 杭州海康威视数字技术股份有限公司 一种流量预测方法和装置
CN111984503A (zh) * 2020-08-17 2020-11-24 网宿科技股份有限公司 一种监控指标数据异常数据识别的方法及装置
CN112187512A (zh) * 2020-08-28 2021-01-05 中盈优创资讯科技有限公司 一种基于流量监控的端口自动扩容方法、装置和设备
CN112489426A (zh) * 2020-11-26 2021-03-12 同济大学 一种基于图卷积神经网络的城市交通流量时空预测方案
CN113098888A (zh) * 2021-04-15 2021-07-09 恒安嘉新（北京）科技股份公司 异常行为预测方法、装置、设备及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629979A (zh) * 2018-06-12 2018-10-09 浙江工业大学 一种基于历史和周边路口数据的拥堵预测算法
CN108564790A (zh) * 2018-06-12 2018-09-21 国交空间信息技术（北京）有限公司 一种基于交通流时空相似性的城市短时交通流预测方法
CN110009429A (zh) * 2019-04-10 2019-07-12 金瓜子科技发展（北京）有限公司 一种预测流量数据的方法、装置和计算机设备
CN111835536A (zh) * 2019-04-16 2020-10-27 杭州海康威视数字技术股份有限公司 一种流量预测方法和装置
CN111130839A (zh) * 2019-11-04 2020-05-08 清华大学 一种流量需求矩阵预测方法及其系统
CN110851782A (zh) * 2019-11-12 2020-02-28 南京邮电大学 一种基于轻量级时空深度学习模型的网络流量预测方法
CN110839040A (zh) * 2019-11-20 2020-02-25 北京天融信网络安全技术有限公司 一种流量的监控方法、模型的训练方法、装置及存储介质
CN111191836A (zh) * 2019-12-27 2020-05-22 东软集团股份有限公司 一种井漏预测方法、装置及设备
CN111756646A (zh) * 2020-07-08 2020-10-09 腾讯科技（深圳）有限公司 网络传输控制方法、装置、计算机设备及存储介质
CN111984503A (zh) * 2020-08-17 2020-11-24 网宿科技股份有限公司 一种监控指标数据异常数据识别的方法及装置
CN112187512A (zh) * 2020-08-28 2021-01-05 中盈优创资讯科技有限公司 一种基于流量监控的端口自动扩容方法、装置和设备
CN112489426A (zh) * 2020-11-26 2021-03-12 同济大学 一种基于图卷积神经网络的城市交通流量时空预测方案
CN113098888A (zh) * 2021-04-15 2021-07-09 恒安嘉新（北京）科技股份公司 异常行为预测方法、装置、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330145A (zh) * 2022-03-01 2022-04-12 北京蚂蚁云金融信息服务有限公司 基于概率图模型对序列进行分析的方法及装置
CN114330145B (zh) * 2022-03-01 2022-07-12 北京蚂蚁云金融信息服务有限公司 基于概率图模型对序列进行分析的方法及装置
CN116074209A (zh) * 2023-02-20 2023-05-05 中移动信息技术有限公司 数据预测方法、装置、设备及计算机存储介质
CN116915517A (zh) * 2023-09-14 2023-10-20 厦门快快网络科技有限公司 一种云服务资源风险安全管理方法
CN116915517B (zh) * 2023-09-14 2023-11-24 厦门快快网络科技有限公司 一种云服务资源风险安全管理方法

Also Published As

Publication number Publication date
CN113556253B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN113556253A (zh) 预测交换机端口实时流量的方法、系统、设备和存储介质
Tayeh et al. A distributed real-time data prediction and adaptive sensing approach for wireless sensor networks
CN110351118B (zh) 根因告警决策网络构建方法、装置和存储介质
CN108696453B (zh) 轻量级的电力通信网sdn业务流感知方法及系统
CN111552246B (zh) 应用于智慧园区的设备生产线调度方法及云计算服务器
CN115412947B (zh) 一种基于数字孪生与ai算法的故障仿真方法和系统
CN113489619B (zh) 一种基于时间序列分析的网络拓扑推断方法及装置
CN110224427B (zh) 一种基于微电网能量控制策略的信息物理系统建模方法
CN109618301B (zh) 无线传感器网络的数据处理方法、可读存储介质和终端
CN112214261B (zh) 一种面向边缘智能的三层结构dnn计算卸载方法
CN113285831A (zh) 网络行为知识智能学习方法、装置、计算机设备及存储介质
Liu et al. An effective dynamic programming offloading algorithm in mobile cloud computing system
Kandukuri et al. Energy-efficient data aggregation techniques for exploiting spatio-temporal correlations in wireless sensor networks
WO2021047665A1 (zh) 终端之间连接状态的预测方法、装置和分析设备
Ponmalar et al. Machine Learning Based Network Traffic Predictive Analysis
CN114916033B (zh) 一种数据传输方法、系统、电子设备和存储介质
CN109218131B (zh) 网络监控方法、装置、计算机设备和存储介质
CN108668265B (zh) 基于循环神经网络预测移动用户间相遇概率的方法
Zebin et al. Research on intelligent perception model of sdn network delay
CN116545871A (zh) 一种多模态网络流量预测方法、装置、介质
CN110086654B (zh) 软件定义数据中心下基于可靠性的主备控制器部署方法
CN115878900A (zh) 基于人工智能的用户在线意图分析方法及大数据电商平台
CN111369052B (zh) 简化路网ksp优化算法
CN112925831A (zh) 基于云计算服务的大数据挖掘方法及大数据挖掘服务系统
Elsayed et al. On the Impact of Network Delays on Time-to-Live Caching

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
GR01 Patent grant