CN102185731B - 网络健康度测试方法及*** - Google Patents
网络健康度测试方法及*** Download PDFInfo
- Publication number
- CN102185731B CN102185731B CN201110042486.1A CN201110042486A CN102185731B CN 102185731 B CN102185731 B CN 102185731B CN 201110042486 A CN201110042486 A CN 201110042486A CN 102185731 B CN102185731 B CN 102185731B
- Authority
- CN
- China
- Prior art keywords
- health degree
- network
- characteristic
- maximum entropy
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种网络健康度测试方法及***，其中方法包括：收集网络的多个特征值；为所述特征值的特征组合分别设定预置健康度；基于最大熵原理计算每个所述特征组合的最大熵值；将最大的最大熵值对应的特征组合的预置健康度作为所述网络的健康度。本发明通过收集以往的网络状态，运用最大熵原理，针对当前网络运行特征得出目前网络整理运行状态，最终以健康度的形式展现出来，实现了对网络健康度的评估，克服了人为评估的主观性和不准确性，解决复杂网络情况下人工难以评判的难题。
Description
技术领域
本发明涉及一种网络健康度测试方法及***，属于网络技术领域。
背景技术
网络健康度评估是用于对网络的健康程度进行评估的技术。例如，流量健康度评估的问题可简单描述为：已知当前时刻前的一组网络状态数据，则当前的网络状态可由已知的这组数据得到，再由网络状态评估出当前的网络健康度。研究表明，现有80％的网络状态都是可评估的，这说明了网络健康度具有高可预测性。
对简单网络的健康度可以通过人工评判来完成，但随着网络复杂度的增加，人工评判的难度会成指数级增加，最终导致人工评判难以真实地反应现时的网络状态，从而得不出准确的网络健康度。
近几年随着人工智能学说的发展，已开始把人工智能应用于网络状态评估中来，以期解决人工评判的不足和缺点。现有的网络状态的评估可以分为线性预测和非线性预测。其中，自回归移动平均模型(AutoregressiveIntegrated Moving Average Model，简称：ARIMA)作为线性测试方法的代表得到了广泛应用。ARIMA的理论前提是网络状态具有线性宽平稳过程特征。ARIMA的理论提出并验证了网络状态具有多构性，自相似性，突然继发性，提出并论证了网络状态在不同的时间频率尺度上具有自相似性和多尺度特征。但是，现有ARIMA模型预测的精度低，无法准确地描述出网络的全部特征。
非线性预测主要是以小波分析和神经网络为代表。但是基于小波模型的预测方法实时性较差。基于神经网络的预测方法，其缺点是收敛速度太慢，并且容易陷入局部次最优。
发明内容
本发明提供一种网络健康度测试方法及***，用以解决复杂网络情况下人工难以评判的难题。
本发明一方面提供一种网络健康度测试方法，其中包括：
收集网络的多个特征值；
为所述特征值的特征组合分别设定预置健康度；
基于最大熵原理计算每个所述特征组合的最大熵值；
将最大的最大熵值对应的特征组合的预置健康度作为所述网络的健康度。
本发明另一方面提供一种网络健康度测试***，其中包括：
收集子***，用于收集网络的多个特征值，并为所述特征值的特征组合分别设定预置健康度；
训练子***，用于基于最大熵原理计算每个所述特征组合的最大熵值；
评估子***，用于将最大的最大熵值对应的特征组合的预置健康度作为所述网络的健康度。
本发明通过收集以往的网络状态，运用最大熵原理，针对当前网络运行特征得出目前网络整理运行状态，最终以健康度的形式展现出来，实现了对网络健康度的评估，克服了人为评估的主观性和不准确性，解决复杂网络情况下人工难以评判的难题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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附图。
图1为本发明所述网络健康度测试方法实施例的流程图；
图2为图1所示方法中步骤130的具体步骤流程图；
图3为本发明所述网络健康度测试***实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明所述网络健康度测试方法实施例的流程图，如图所示，该方法包括：
步骤110，收集网络的多个特征值。
其中，特征值是所述网络中通用的特征的经验数据。本步骤中所述的特征值是指所述网络在已经过去的一段时间内上述特征的历史经验数据。例如，根据现有的网络特点，可以整理出如表1所示的五类共计29个特征。
表1
此处需要说明的是：表1所列特征仅用作举例，实际上也可以根据不同的网络情况增加或者减少需要进行评估的特征。在表1中，括号内的数字表示相应特征的特征编号。
步骤120，为所述特征值的特征组合分别设定预置健康度。
例如，假设有多个特征值分别为：“sunny”、“rain”、“happy”、“sad”和“humid”，根据经验可以设定其中三个特征值的不同特征组合可以具有不用的预置健康度如下：
Outdoor sunny sad humid
Outdoor rain sad humid
Indoor rain happy humid
Indoor sunny sad humid
其中，“Outdoor”和“Indoor”表示两种预置健康度。
类似地，对表1所示特征的特征值也可以进行相应设置。例如，一个特征组合及其预置健康度可以表示如下：
100 1:1 2:1 3:1 4:1 5:0.5 6:2 7:1 8:1 9:7 10:1 11:1 12:10 13:1 14:115:1 16:1 17:1 18:1 19:1 20:10 21:1 22:1 23:7 24:1 25:1 26:3 27:1 28:129:1，其中，“:”前面的数字对应表1中的特征编号，“:”后面的数字为该特征的值，“100”表示为该特征组合预设的预置健康度。
步骤130，基于最大熵原理计算每个所述特征组合的最大熵值。
其中，最大熵原理是指从全部相容的分布中挑选这样的分布，它能够在某些约束条件下，通常是给定的某些随机变量的平均值的条件下，使信息熵达到极大值。这是因为信息熵取得极大值时对应的一组概率分布出现的概率占绝对优势。例如：经计算后得到如下结果：
Outdoor sunny sad humid 1.0
Outdoor rain sad humid 0.2
Indoor rain happy humid 1.0
Indoor sunny sad humid 0.1
其中，“0.1”、“1.0”和“0.2”分别表示相应特征组合的最大熵值。训练材料(例如：“Outdoor rain sad humid”)与相应的最大熵值(例如：1.0)相结合可以称为特征模型。
具体地，可以根据公式一：
计算得到最大熵值pλ(y|x)，其中，表示归一化因子，λi表示第i种组合时的平滑参数；fi(x，yi)表示特征x和yi同时出现的情况下的概率值；pλ(y|x)表示i种fi(x，yi)组合的最大概率值，即最大熵值。例如，在上例中：
在训练材料“Outdoor sunny sad humid”中，i＝2，x＝“humid”，y1＝“sunny”，y2＝“sad”；
在训练材料“Outdoor rain sad humid”中，i＝2，x＝“humid”，y1＝“rain”，y2＝“sad”；
在训练材料“Indoor rain happy humid”中，i＝2，x＝“humid”，y1＝“rain”，y2＝“happy”；
在训练材料“Indoor sunny sad humid”中，i＝2，x＝“humid”，y1＝“sunny”，y2＝“sad”。
所述平滑参数λi可以采用如下迭代算法实现：
一种是通用迭代算法(Generalized Iterative Scaling，简称：GIS)：GIS每次迭代的时间都很长，需要迭代很多次才能收敛，而且不太稳定，即使在64位计算机上都会出现溢出。因此，在实际中应用较少。
另一种是改进迭代算法(Improved Iterative Scaling，简称：IIS)：IIS可以使得最大熵模型的训练时间缩短一到两个数量级。IIS算法的内容本专利不做具体论述。
步骤140，将最大的最大熵值对应的特征组合的预置健康度作为所述网络的健康度。
由于最大熵值越大，就认为越接近真实网络情况，所以可以用来评估健康度。例如在上例中，由于特征组合“sunny sad humid”的最大熵值为1.0，因此将该特征组合对应的预置健康度“Outdoor”选作为网络的健康度，即认为实际情况就是可以满足去Outdoor的条件；由于特征组合“rain happyhumid”的最大熵值为1.0，因此将该特征组合对应的预置健康度“Indoor”也选作为网络的健康度，即认为实际情况就是可以满足去Indoor的条件。如果存在多个相同的最大熵值，则认为这些特征组合的可信度是一样的。
具体地，该健康度可以以百分制的形式给出网络的健康度得分，并把这一得分反馈给特征值收集***。另外，由于健康度的评分越高越表明网络越健康，因此，如果健康度大于预设的阈值(此阈值为经验值)时，还可以将评估得到该健康度对应的特征值加入到所述特征组合中，使得当根据更新后的特征组合再次基于最大熵原理进行训练时得到的网络特征模型更加准确，从而提高健康度的可信度，使健康度的评估过程具有自适应的特点。
本实施例所述方法通过收集以往的网络状态，运用最大熵原理，针对当前网络运行特征得出目前网络整理运行状态，最终以健康度的形式展现出来，实现了对网络健康度的评估，克服了人为评估的主观性和不准确性，解决复杂网络情况下人工难以评判的难题。另外，与现有技术相比还具有如下优势：
1、在训练得到特征模型时，利用网络的通用特征，无偏见地对待各种特征的不确定性，因此无需考虑不同特征之间的相互依赖关系，从而能够得到网络当前总的运行状态；
2、支持各种网络拓扑，包括二层网络，三层网络，有限网络和无线网络，因此应用范围较广；
3、由于本发明实施例所采用的迭代算法具有较快的收敛速度，因此评估速度也较快，操作简单，管理方便。
以下说明上述步骤130中平滑参数具体迭代过程，如图2所示，包括如下步骤：
步骤131，假设所述公式一在第零次迭代时的初始模型中各个特征等概率出现；
步骤132，用第N次迭代得到的特征模型估算所述网络的各个特征的估计值作为特征值；
其中N为自然数；特征值是特征在当前网络状态下的值，例如：在网络状态良好的情况下，特征“汇聚设备主机CPU”的特征值为0.1，当网络状态不好的情况下；特征“汇聚设备主机CPU”的特征值为0.9。
步骤133，将第N+1次迭代得到的各个特征的估计值与第N次迭代得到的相应特征的特征值进行比较；
步骤134，当一特征的估计值大于相应的所述特征值时，减小所述特征模型中与该特征对应的平滑参数；
步骤135，当一特征的估计值小于相应的所述特征值时，增大所述特征模型中与该特征对应的平滑参数；
步骤136，当所述特征模型中的所有平滑参数均满足最大熵收敛条件时，结束迭代，得到所述网络的特征模型。
图3为本发明所述网络健康度测试***实施例的结构示意图，用于实现上述方法，如图所示，该网络健康度测试***10至少包括：收集子***11、训练子***12和评估子***13，其工作原理如下：
先由收集子***11收集网络的多个特征值，并为所述特征值的特征组合分别设定预置健康度，其中，特征值的具体举例可参见表1；然后由训练子***12基于最大熵原理计算每个所述特征组合的最大熵值，具体可以采用上述公式实现；然后，由评估子***13将最大的最大熵值对应的特征组合的预置健康度作为所述网络的健康度。
本实施例所述***通过收集以往的网络状态，运用最大熵原理，针对当前网络运行特征得出目前网络整理运行状态，最终以健康度的形式展现出来，实现了对网络健康度的评估，克服了人为评估的主观性和不准确性，解决复杂网络情况下人工难以评判的难题。
另外，由于健康度的评分越高越表明网络越健康，因此，如图3所示，该网络健康度测试***还可以进一步包括：自适应子***14。当评估子***评估得到的所述健康度大于预设的阈值时，由自适应子***14将该健康度对应的特征值加入到所述特征组合中，使得当训练子***12根据更新后的特征组合再次基于最大熵原理进行训练时得到的网络特征模型更加准确，从而提高健康度的可信度，使健康度的评估过程具有自适应的特点。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种网络健康度测试方法，其特征在于，包括：
收集网络的多个特征的特征值；
为所述特征值的特征组合分别设定预置健康度；
基于最大熵原理计算每个所述特征组合的最大熵值；
将最大的最大熵值对应的特征组合的预置健康度作为所述网络的健康度。
2.根据权利要求1所述的方法，其特征在于，基于最大熵原理计算每个所述特征组合的最大熵值包括：根据公式
计算得到最大熵值pλ(y|x)，其中，
表示归一化因子，λi表示第i种组合时的平滑参数；fi(x,yi)表示特征x和yi同时出现的情况下的特征值。
3.根据权利要求1所述的方法，其特征在于，所述将最大的最大熵值对应的特征组合的预置健康度作为所述网络的健康度之后还包括：当所述健康度大于预设的阈值时，将该健康度对应的特征值加入到所述特征组合中。
4.一种网络健康度测试***，其特征在于：
收集子***，用于收集网络的多个特征的特征值，并为所述特征值的特征组合分别设定预置健康度；
训练子***，用于基于最大熵原理计算每个所述特征组合的最大熵值；
评估子***，用于将最大的最大熵值对应的特征组合的预置健康度作为所述网络的健康度。
5.根据权利要求4所述的***，其特征在于，所述***还包括：自适应子***，用于当评估子***评估得到的所述健康度大于预设的阈值时，将该健康度对应的特征值加入到所述特征组合中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110042486.1A CN102185731B (zh) | 2011-02-22 | 2011-02-22 | 网络健康度测试方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110042486.1A CN102185731B (zh) | 2011-02-22 | 2011-02-22 | 网络健康度测试方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102185731A CN102185731A (zh) | 2011-09-14 |
| CN102185731B true CN102185731B (zh) | 2014-04-02 |
Family
ID=44571802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110042486.1A Active CN102185731B (zh) | 2011-02-22 | 2011-02-22 | 网络健康度测试方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102185731B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103067513A (zh) * | 2012-12-31 | 2013-04-24 | 上海汇纳网络信息科技有限公司 | 一种基于Android的多网络连接***及其连接方法 |
| CN103152218B (zh) * | 2013-01-30 | 2016-12-28 | 北京奇虎科技有限公司 | 计算机网络状态检测和修复方法和装置 |
| CN104468200B (zh) * | 2014-11-25 | 2018-06-15 | 中国人民解放军国防科学技术大学 | 数据中心网络设备健康度的自适应评价方法 |
| CN106571882A (zh) * | 2016-09-06 | 2017-04-19 | 北京航空航天大学 | 一种超外差接收机性能退化评估与预测方法及*** |
| CN108768710B (zh) * | 2018-05-18 | 2021-12-24 | 国家电网公司信息通信分公司 | 一种光传输网络健康的动态权重评估方法、模型及装置 |
| CN113596590B (zh) * | 2020-04-30 | 2022-08-26 | 聚好看科技股份有限公司 | 显示设备及播放控制方法 |
| CN118212693A (zh) | 2019-08-18 | 2024-06-18 | 聚好看科技股份有限公司 | 显示设备及界面显示方法 |
| CN111404595B (zh) * | 2020-03-20 | 2021-04-06 | 西安电子科技大学 | 一种天基网络通信卫星健康度评估方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101729315A (zh) * | 2009-12-24 | 2010-06-09 | 北京邮电大学 | 一种基于小波包分解和模糊神经网络的网络流量预测方法及装置 |
-
2011
- 2011-02-22 CN CN201110042486.1A patent/CN102185731B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101729315A (zh) * | 2009-12-24 | 2010-06-09 | 北京邮电大学 | 一种基于小波包分解和模糊神经网络的网络流量预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于最大熵原理的网络流量预测综合模型;林天峰;《微电子学与计算机》;20061231;第23卷(第8期);147-149 * |
| 林天峰.基于最大熵原理的网络流量预测综合模型.《微电子学与计算机》.2006,第23卷(第8期),147-149. |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102185731A (zh) | 2011-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102185731B (zh) | 网络健康度测试方法及*** | |
| EP3822880A1 (en) | Load prediction method and apparatus based on neural network | |
| CN103338461B (zh) | 基于业务量预测的网络规划方法及装置 | |
| CN103092699A (zh) | 一种云计算资源预分配实现方法 | |
| WO2021129086A1 (zh) | 流量预测方法、装置以及存储介质 | |
| CN106294000A (zh) | 使用数据分配优化来改进备份性能 | |
| CN104182474A (zh) | 一种预流失用户的识别方法 | |
| CN108389631A (zh) | 水痘发病预警方法、服务器及计算机可读存储介质 | |
| CN116805198A (zh) | 基于强化学习与预测分析的电网规划动态的方法及*** | |
| CN112329997A (zh) | 电力需求负荷预测方法及***、电子设备和存储介质 | |
| CN111754032B (zh) | 海绵设施布局优化方法、装置、计算机设备和存储介质 | |
| CN106980874B (zh) | 一种面向配网大数据的多时态维度数据融合方法 | |
| CN109741177A (zh) | 用户信用的评估方法、装置及智能终端 | |
| CN110519816A (zh) | 一种无线漫游控制方法、装置、存储介质及终端设备 | |
| CN103345660A (zh) | 一种基于猫群算法优化支持向量机参数的冷负荷预测方法 | |
| CN104517020A (zh) | 用于因果效应分析的特征提取方法和装置 | |
| CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN107886160A (zh) | 一种bp神经网络区间需水预测方法 | |
| CN109379747B (zh) | 无线网络多控制器部署和资源分配方法和装置 | |
| CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
| CN114648156A (zh) | 一种基于卷积神经网络的时间序列负荷预测方法 | |
| CN117252436B (zh) | 一种土地利用变化生态风险分区的方法和*** | |
| CN111898097B (zh) | 结合概率密度和保证率的生态流量确定方法 | |
| CN113393051A (zh) | 基于深度迁移学习的配电网投资决策方法 | |
| CN103955743A (zh) | 一种超高压水射流清除道路标线效果预测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |