CN104602142A - 基于神经网络学习的业务分类方法 - Google Patents
基于神经网络学习的业务分类方法 Download PDFInfo
- Publication number
- CN104602142A CN104602142A CN201510044591.7A CN201510044591A CN104602142A CN 104602142 A CN104602142 A CN 104602142A CN 201510044591 A CN201510044591 A CN 201510044591A CN 104602142 A CN104602142 A CN 104602142A
- Authority
- CN
- China
- Prior art keywords
- business
- network
- method based
- priority
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000007935 neutral effect Effects 0.000 title abstract 4
- 230000003068 static effect Effects 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 230000003287 optical effect Effects 0.000 claims description 23
- 230000001537 neural effect Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000003750 conditioning effect Effects 0.000 claims description 4
- 230000000712 assembly Effects 0.000 claims description 3
- 238000000429 assembly Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
- Small-Scale Networks (AREA)
Abstract
基于神经网络学习的业务分类方法。一种基于神经网络学习的业务分类方法,本方法包括十步,第一步启动待业务分类的IP网络组件,第二步静态配置待分类业务的优先级和带宽要求,第三步模拟用户网络访问行为,第四步记录采集到的业务数据特征信息,第五步使静态配置业务优先级和带宽要求达到一定的网络访问满意度,第六步采集以上业务数据特征信息,第七步数据采集完毕,第八步对数据进行归一化处理,第九步按时间顺序将归一化处理后的训练样例数据输入神经网络,第十步应用实际的网络过程。本发明用于基于神经网络学习的业务分类。
Description
技术领域:
本发明涉及一种基于神经网络学习的业务分类方法。
背景技术:
无源光网络PON网络通信中,根据不同业务类型,静态地将业务分为固定带宽要求业务、保证带宽要求业务、保证带宽和尽力而为要求业务、尽力而为要求业务;由于业务类型采用静态划分方法,不能根据业务场景做出实时调整导致资源利用率不高或较低的用户满意度。
传统IP网络通信中,一般依据业务的实时性、带宽等要求划分为交互类、流类、背景类、会话类四类业务,根据划分方法的不同,提供固定带宽、保证带宽、尽力而为服务。
业务的静态划分方法,很好地保证了实时性强、带宽要求固定的业务的需求;但在实际的网络运维过程中,并非所有实时性强、固定带宽要求的业务在所有的时间段内都有,而且像在无源光网络PON这种针对千家万户的接入网络,用户的应用需求及网络体验千差万别;比如,一边访问社交网站(归类为交互类),一边下载音乐、电影(归类为背景类),这种网络体验模式和单纯地下载(归类为背景类)相比,尽管模式差别不大,但是当提供差不多的网络带宽服务时,用户的体验就差很多了。这种情形下,依然采用现有的方法,势必导致资源的浪费或者用户满意度的降低。
另一方面,用户的网络业务体验又遵循着一定的模式,比如,年轻的用户可能更倾向于社交网站的访问、网络游戏的体验,而一般家庭用户可能倾向于视频业务多一些等。这样的模式特点,正好符合神经网络学习的特点,从而为实时业务优先级和带宽要求调整提供了很好的切入点。
发明内容:
本发明的目的是提供一种在IP通信网络中依据业务行为的既有特征实现实时的业务分类从而达到提升业务满意度的基于神经网络学习的业务分类方法。
上述的目的通过以下的技术方案实现:
一种基于神经网络学习的业务分类方法,本方法包括十步,第一步启动待业务分类的IP网络组件,第二步静态配置待分类业务的优先级和带宽要求,第三步模拟用户网络访问行为,第四步记录采集到的业务数据特征信息,第五步使静态配置业务优先级和带宽要求达到一定的网络访问满意度,第六步采集以上业务数据特征信息,第七步数据采集完毕,第八步对数据进行归一化处理,第九步按时间顺序将归一化处理后的训练样例数据输入神经网络,第十步应用实际的网络过程。
所述的基于神经网络学习的业务分类方法,所述的第一步启动待业务分类的IP网络组件是执行第二步~第六步进行神经网络训练样例数据采集;所述的第二步静态配置待分类业务的优先级和带宽要求是在待业务分类的IP网络组件上开启业务数据特征信息采集;所述的第三步模拟用户网络访问行为是使各种事先静态配置优先级的各类业务经过开启业务数据特征信息采集的IP网络组件。
所述的基于神经网络学***均值与方差、上行报文到达间隔平均值与方差、当前业务上行缓存大小、当前业务丢包率、当前业务网络时延。
所述的基于神经网络学习的业务分类方法,所述的第五步使静态配置业务优先级和带宽要求达到一定的网络访问满意度是对于每种上网行为,静态配置业务优先级和带宽要求达到一定的网络访问满意度,反复执行第二步、第三步、第四步,尽可能覆盖大部分用户网络访问行为;所述的第六步采集以上业务数据特征信息是通过真实无源光网络PON网络***进行;此种情形下,业务静态优先级和带宽要求通过网络管理单元下发到各光网络单元ONU,各光网络单元ONU完成业务特征信息采集,然后上报到指定的文件服务器。
所述的基于神经网络学***均值与方差、上行报文到达间隔平均值与方差、上行缓存大小、丢包率、当前业务平均响应时延,归一化之后,按时间排序;所述的第九步按时间顺序将归一化处理后的训练样例数据输入神经网络是求出业务优先级网络权重向量W,针对各光网络单元ONU分别求出各自的权重向量W。
所述的基于神经网络学***均速率的加权总和计算。
所述的基于神经网络学习的业务分类方法,所述的业务优先级及带宽要求随着各业务场景的变化实时动态调整。
所述的基于神经网络学***均值与方差、上行报文到达间隔平均值与方差、上行缓存大小、丢包率、当前业务平均响应时延。
所述的基于神经网络学习的业务分类方法,所述的业务分类是离线学习训练。
所述的基于神经网络学习的业务分类方法,所述的特征信息采集为光网络单元ONU和光线路终端OLT及所有具有相似的业务分类需求的IP网络组件。
有益效果:
1.本发明克服了现有技术中的缺点,能够根据不同的业务应用场景,实时调整业务的优先等级和带宽要求,充分利用带宽资源,较好地提升用户网络体验满意度。
2.本发明借助神经网络学习算法,有效区分接入网络中终端用户业务场景的多样性。
3.本发明采用离线方式完成神经网络学习算法训练过程,对实施业务分类的设备来说,负荷增加很少。
4.本发明除信息采集过程之外,不增加额外的流程,仍采用现有网络带宽分配机制,对业务分类进行动态调整只影响设备内部实现方式,网元间互操作影响极小。
附图说明:
附图1是本产品的业务数据特征信息表。
附图2是本产品的神经网络结构图。
具体实施方式:
实施例1:
一种基于神经网络学习的业务分类方法,本方法包括十步,第一步启动待业务分类的IP网络组件,第二步静态配置待分类业务的优先级和带宽要求,第三步模拟用户网络访问行为,第四步记录采集到的业务数据特征信息,第五步使静态配置业务优先级和带宽要求达到一定的网络访问满意度,第六步采集以上业务数据特征信息,第七步数据采集完毕,第八步对数据进行归一化处理,第九步按时间顺序将归一化处理后的训练样例数据输入神经网络,第十步应用实际的网络过程。
附图1的业务数据特征信息表时按时间顺序排列,每一行代表当前采样点下该类业务的各特征信息。
附图2的神经网络结构图是f1~fn代表训练数据输入或者实时采集到的特征信息,P和B表示输出的该业务优先级和当前总带宽要求,神经网络的另外两个输入为P和B的时间函数加权值,即P*f(delta(t))和B*f(delta(t))。
实施例2:
实施例1所述的基于神经网络学习的业务分类方法,所述的第一步启动待业务分类的IP网络组件是执行第二步~第六步进行神经网络训练样例数据采集;所述的第二步静态配置待分类业务的优先级和带宽要求是在待业务分类的IP网络组件上开启业务数据特征信息采集;所述的第三步模拟用户网络访问行为是使各种事先静态配置优先级的各类业务经过开启业务数据特征信息采集的IP网络组件。
实施例3:
实施例1所述的基于神经网络学***均值与方差、上行报文到达间隔平均值与方差、当前业务上行缓存大小、当前业务丢包率、当前业务网络时延。
实施例4:
实施例1所述的基于神经网络学习的业务分类方法,所述的第五步使静态配置业务优先级和带宽要求达到一定的网络访问满意度是对于每种上网行为,静态配置业务优先级和带宽要求达到一定的网络访问满意度,反复执行第二步、第三步、第四步,尽可能覆盖大部分用户网络访问行为;所述的第六步采集以上业务数据特征信息是通过真实无源光网络PON网络***进行;此种情形下,业务静态优先级和带宽要求通过网络管理单元下发到各光网络单元ONU,各光网络单元ONU完成业务特征信息采集,然后上报到指定的文件服务器。
实施例5:
实施例1所述的基于神经网络学***均值与方差、上行报文到达间隔平均值与方差、上行缓存大小、丢包率、当前业务平均响应时延,归一化之后,按时间排序;所述的第九步按时间顺序将归一化处理后的训练样例数据输入神经网络是求出业务优先级网络权重向量W,针对各光网络单元ONU分别求出各自的权重向量W。
实施例6:
实施例1所述的基于神经网络学***均速率的加权总和计算。
实施例7:
实施例2所述的基于神经网络学习的业务分类方法,所述的业务优先级及带宽要求随着各业务场景的变化实时动态调整。
实施例8:
实施例3所述的基于神经网络学***均值与方差、上行报文到达间隔平均值与方差、上行缓存大小、丢包率、当前业务平均响应时延。
实施例9:
实施例1所述的基于神经网络学习的业务分类方法,所述的业务分类是离线学习训练。
实施例10:
实施例3所述的基于神经网络学习的业务分类方法,所述的特征信息采集为光网络单元ONU和光线路终端OLT及所有具有相似的业务分类需求的IP网络组件。
Claims (10)
1.一种基于神经网络学习的业务分类方法,其特征是:本方法包括十步,第一步启动待业务分类的IP网络组件,第二步静态配置待分类业务的优先级和带宽要求,第三步模拟用户网络访问行为,第四步记录采集到的业务数据特征信息,第五步使静态配置业务优先级和带宽要求达到一定的网络访问满意度,第六步采集以上业务数据特征信息,第七步数据采集完毕,第八步对数据进行归一化处理,第九步按时间顺序将归一化处理后的训练样例数据输入神经网络,第十步应用实际的网络过程。
2.根据权利要求1所述的基于神经网络学习的业务分类方法,其特征是:所述的第一步启动待业务分类的IP网络组件是执行第二步~第六步进行神经网络训练样例数据采集;所述的第二步静态配置待分类业务的优先级和带宽要求是在待业务分类的IP网络组件上开启业务数据特征信息采集;所述的第三步模拟用户网络访问行为是使各种事先静态配置优先级的各类业务经过开启业务数据特征信息采集的IP网络组件。
3.根据权利要求1所述的基于神经网络学***均值与方差、上行报文到达间隔平均值与方差、当前业务上行缓存大小、当前业务丢包率、当前业务网络时延。
4.根据权利要求1所述的基于神经网络学习的业务分类方法,其特征是:所述的第五步使静态配置业务优先级和带宽要求达到一定的网络访问满意度是对于每种上网行为,静态配置业务优先级和带宽要求达到一定的网络访问满意度,反复执行第二步、第三步、第四步,尽可能覆盖大部分用户网络访问行为;所述的第六步采集以上业务数据特征信息是通过真实无源光网络PON网络***进行;此种情形下,业务静态优先级和带宽要求通过网络管理单元下发到各光网络单元ONU,各光网络单元ONU完成业务特征信息采集,然后上报到指定的文件服务器。
5.根据权利要求1所述的基于神经网络学***均值与方差、上行报文到达间隔平均值与方差、上行缓存大小、丢包率、当前业务平均响应时延,归一化之后,按时间排序;所述的第九步按时间顺序将归一化处理后的训练样例数据输入神经网络是求出业务优先级网络权重向量W,针对各光网络单元ONU分别求出各自的权重向量W。
6.根据权利要求1所述的基于神经网络学***均速率的加权总和计算。
7.根据权利要求2所述的基于神经网络学习的业务分类方法,其特征是:所述的业务优先级及带宽要求随着各业务场景的变化实时动态调整。
8.根据权利要求3所述的基于神经网络学***均值与方差、上行报文到达间隔平均值与方差、上行缓存大小、丢包率、当前业务平均响应时延。
9.根据权利要求1所述的基于神经网络学习的业务分类方法,其特征是:所述的业务分类是离线学习训练。
10.根据权利要求3所述的基于神经网络学习的业务分类方法,其特征是:所述的特征信息采集为光网络单元ONU和光线路终端OLT及所有具有相似的业务分类需求的IP网络组件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510044591.7A CN104602142B (zh) | 2015-01-29 | 2015-01-29 | 基于神经网络学习的业务分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510044591.7A CN104602142B (zh) | 2015-01-29 | 2015-01-29 | 基于神经网络学习的业务分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104602142A true CN104602142A (zh) | 2015-05-06 |
CN104602142B CN104602142B (zh) | 2018-10-26 |
Family
ID=53127575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510044591.7A Active CN104602142B (zh) | 2015-01-29 | 2015-01-29 | 基于神经网络学习的业务分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104602142B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106559281A (zh) * | 2015-09-29 | 2017-04-05 | 中国电信股份有限公司 | 生成应用特征库的方法和装置、虚拟机、及终端 |
CN107682189A (zh) * | 2017-09-29 | 2018-02-09 | 锐捷网络股份有限公司 | 一种基于神经网络识别网络需求的方法及网络设备 |
CN109743286A (zh) * | 2018-11-29 | 2019-05-10 | 武汉极意网络科技有限公司 | 一种基于图卷积神经网络的ip类型标记方法及设备 |
WO2021190281A1 (zh) * | 2020-03-27 | 2021-09-30 | 上海商汤智能科技有限公司 | 网络带宽调整方法和相关产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090099985A1 (en) * | 2007-10-11 | 2009-04-16 | Tesauro Gerald J | Method and apparatus for improved reward-based learning using adaptive distance metrics |
CN102075352A (zh) * | 2010-12-17 | 2011-05-25 | 北京邮电大学 | 一种网络用户行为预测的方法和装置 |
CN102647760A (zh) * | 2012-03-02 | 2012-08-22 | 黄东 | 一种基于多业务网络的业务资源高效管理方法 |
-
2015
- 2015-01-29 CN CN201510044591.7A patent/CN104602142B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090099985A1 (en) * | 2007-10-11 | 2009-04-16 | Tesauro Gerald J | Method and apparatus for improved reward-based learning using adaptive distance metrics |
CN102075352A (zh) * | 2010-12-17 | 2011-05-25 | 北京邮电大学 | 一种网络用户行为预测的方法和装置 |
CN102647760A (zh) * | 2012-03-02 | 2012-08-22 | 黄东 | 一种基于多业务网络的业务资源高效管理方法 |
Non-Patent Citations (1)
Title |
---|
顾亦然: "基于复杂网络理论的信息网络关键技术的研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106559281A (zh) * | 2015-09-29 | 2017-04-05 | 中国电信股份有限公司 | 生成应用特征库的方法和装置、虚拟机、及终端 |
CN107682189A (zh) * | 2017-09-29 | 2018-02-09 | 锐捷网络股份有限公司 | 一种基于神经网络识别网络需求的方法及网络设备 |
CN109743286A (zh) * | 2018-11-29 | 2019-05-10 | 武汉极意网络科技有限公司 | 一种基于图卷积神经网络的ip类型标记方法及设备 |
WO2021190281A1 (zh) * | 2020-03-27 | 2021-09-30 | 上海商汤智能科技有限公司 | 网络带宽调整方法和相关产品 |
Also Published As
Publication number | Publication date |
---|---|
CN104602142B (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110235412B (zh) | 通信网络中的自适应业务处理 | |
CN103379002B (zh) | 电信网络的自适应监测 | |
CN109831386B (zh) | 一种sdn下基于机器学习的最优路径选择算法 | |
Tang et al. | Dynamic request redirection and elastic service scaling in cloud-centric media networks | |
CN107040863B (zh) | 实时业务推荐方法及*** | |
CN109873726B (zh) | Sdn中基于深度学习的鲁棒服务质量预测与保障方法 | |
US11558769B2 (en) | Estimating apparatus, system, method, and computer-readable medium, and learning apparatus, method, and computer-readable medium | |
CN111082997B (zh) | 移动边缘计算平台中基于业务识别的网络功能编排方法 | |
CN104602142A (zh) | 基于神经网络学习的业务分类方法 | |
CN106789242B (zh) | 一种基于手机客户端软件动态特征库的识别应用智能分析方法 | |
CN101291263B (zh) | 一种内容分发网络节点的性能测试***及方法 | |
CN107786992B (zh) | 一种检测移动通信网络质量的方法和装置 | |
CN110324260B (zh) | 一种基于流量识别的网络功能虚拟化智能调度方法 | |
CN101959308A (zh) | 一种无线数据业务分类方法及装置 | |
CN105787512A (zh) | 基于新型特征选择方法的网络浏览与视频分类方法 | |
CN108901058A (zh) | 一种物联网节点接入通道优化选择方法 | |
CN109982293A (zh) | 流量产品推送方法、***、电子设备及存储介质 | |
CN107659505B (zh) | 一种sdn网络的选路方法和sdn控制器 | |
CN109144837B (zh) | 一种支持精准服务推送的用户行为模式识别方法 | |
CN106789853A (zh) | 一种转码器的动态调度方法及装置 | |
CN105337810A (zh) | 构造网络测试数据的方法及*** | |
Melo et al. | An overview of self-similar traffic: Its implications in the network design | |
Cui et al. | Network traffic prediction based on Hadoop | |
CN110442786A (zh) | 一种提示信息推送的方法、装置、设备及存储介质 | |
CN108667873B (zh) | 一种分流方法、分流装置、电子设备和可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240104 Address after: No. 1-4, No. 89 Jiangnan Road, Ludu Street, Taicang City, Suzhou City, Jiangsu Province, China Patentee after: Suzhou Gongjin Automotive Technology Co.,Ltd. Address before: 215400 Feihu North Road, Ludu Town, Taicang City, Suzhou City, Jiangsu Province Patentee before: TAICANG T&W ELECTRONICS Co.,Ltd. |
|
TR01 | Transfer of patent right |