CN107094093A - 网络***中的网络设备周期性的性能指标数据预测方法 - Google Patents
网络***中的网络设备周期性的性能指标数据预测方法 Download PDFInfo
- Publication number
- CN107094093A CN107094093A CN201710238211.2A CN201710238211A CN107094093A CN 107094093 A CN107094093 A CN 107094093A CN 201710238211 A CN201710238211 A CN 201710238211A CN 107094093 A CN107094093 A CN 107094093A
- Authority
- CN
- China
- Prior art keywords
- value
- data
- performance
- performance indications
- prediction
- 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.)
- Withdrawn
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
-
- 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
- H04L41/02—Standardisation; Integration
- H04L41/0213—Standardised network management protocols, e.g. simple network management protocol [SNMP]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Computer And Data Communications (AREA)
Abstract
一种网络***中的网络设备周期性的性能指标数据预测方法,是以网络管理***已经采集到的网络设备周期性历史指标数据的数值作为基础,再利用三次指数平滑法,预测或估算该网络设备对应的未来性能指标数据及其未来变化,以供网络管理人员根据预测的网络设备性能指标数据来设计更加合理、优选的网络管控维护策略,提前做好应对各种突发情况的准备,保证网络服务的质量。本发明方法操作步骤简单、算法便捷容易,还能实现自动计算三次指数平滑法的三个系数α、β和γ的最佳数值;且预测结果非常接近实测数值,符合性能指标数据变化特征。因此,本发明具有很好的推广应用前景。
Description
技术领域
本发明涉及一种网络***中的网络设备周期性的性能指标数据预测方法, 属于网络***管理与控制的技术领域。
背景技术
网络管理***是一个软硬件结合、并以软件为主的分布式网络应用***, 其目的是更好地管理网络,使网络维持高效、正常的运行。现在的网络管理系 统都是使用简单网络管理协议SNMP(Simple Network Management Protocol) 来管理并监控网络设备,网络管理***通过周期性地调用SNMP采集各种网络 设备的性能数据,例如:获取交换机的出流量和入流量参数指标、服务器的磁 盘使用率指标和IP地址的历史用户数指标、无线控制器的用户数指标等各种网 络设备的多种指标数据。通过这些性能指标数据信息,就可以获知各种网络设 备的性能数据在以往时段内的变化情况。一般来说,这些性能数据会呈现随着日、周、月和年等周期性和季节性的发展变化,也就是相应的性能指标数据会 随着不同的周期发生对应的、呈现整体的递增或递减的变化。
为了能够更好地及时应对未来网络设备的性能指标数据变化可能造成的影 响,需要一种预测方法来预测网络设备的性能指标数值,以供相应调整网络管 理策略,维持良好的网络服务质量。
现在的网络管理***普遍都没有预测各种网络设备性能数据的功能,而且, 现有的一些预测算法通常也只是单单针对设定网络设备的进出流量数据提出 的,并不适用于预测这些网络设备的其他性能指标数据。通常,设备的进出流 量参数数值只会在一天周期内发生有规律性的变化,而用户数这种性能指标数 值,必须在更长的时间周期内才会呈现出规律性的变化,磁盘使用率的指标数 据更是和使用时间保持正比变化。因此,需要设计一种网络***中的各种网络 设备性能数据的新的预测方法,该预测方法不仅能够预测设备流量,还能实现 对网络设备中的磁盘使用率与IP地址的历史用户数、无线控制器的用户数等多 种性能指标数据数值的预测。
发明内容
有鉴于此,本发明的目的是提供一种网络***中的网络设备周期性的性能 指标数据预测方法,该方法是以网络管理***已经采集到的网络设备周期性历 史指标数据的数值作为基础,预测网络设备性能指标数据的未来变化。以供网 络管理人员根据预测的网络设备性能指标数据来设计更加合理、优选的网络管 控维护策略,提前做好应对各种突发情况的准备,保证网络服务的质量。
为了达到上述目的,本发明提供了一种网络***中的网络设备周期性的性 能指标数据预测方法,其特征在于:所述方法是利用网络设备已经采集的周期 性历史性能指标数据和三次指数平滑法,预测或估算该网络设备对应的未来性 能指标数据;包括下列操作步骤:
步骤1,使用网络管理***调用简单网络管理协议SNMP(Simple NetworkManagement Protocol)采集网络设备的性能指标数据,得到至少包括两个周期 的该网络设备原始性能指标数据序列X1,X2,…,Xi,…,Xk,…,Xn;式中,X是采集 的性能指标数据,自然数下标i和k分别是网络设备性能指标数据的采集序号 及其在每个周期内的采集次数,i的取值范围是区间〔1,n〕,且k>1,n≥2k;
步骤2,当i>n-2k时,利用能够体现时间序列数值发展态势的稳定性或 规律性的三次指数平滑法中的预测公式:xi+h=(Si+hti)Pi+h-k;先计算得到网络 设备在第i次采集的性能指标数据的平稳性值、趋势性值和季节性值,然后预 测经过h个采集间隔时长后的性能指标数据预测值xi+h;式中:
Si是从第1次至第i次采集的网络设备性能指标数据的平稳性值,即平均值, 其计算公式是:当1≤i≤k时,Si=Xi;当i>k时,
ti是根据采集的网络设备性能指标中相邻两个数据值之差得到的该性能指 标数值的当前递增或递减的趋势性值,其计算公式是:当i=1时,ti=X2-X1; 当i≥2时,ti=β(Si-Si-1)+(1-β)ti-1;
pi是根据从首次至第i次的网络设备性能指标数据计算的该性能指标数据 在该时段整体递增或递减的季节性趋势值,其计算公式是:当1≤i≤k时,Pi=1; 当i>k时,
上述公式中,三个系数α、β、γ分别为决定各自对应的平稳性、趋势性和 季节性的性能指标数据预测值的自变量,也是用于自动计算符合当前性能指标 数据特征的最佳数据值的预测算法中的关键因子,用于协调性能指标数据的近 期历史数值对预测数据值的影响程度,其取值范围均为区间(0,1),且数值越 接近1,性能指标的近期历史数值对预测数据值的影响越大,反之越小;Si、ti和Pi分别为在第i次采集网络设备性能指标数据后,计算得到的对应平稳性值、 趋势性值和季节性值;h为预测的采集间隔时长,采集间隔时长h为1时,xi+h为下一次采集的性能指标数据预测值;为尽早预测性能指标数据的未来变化,以供网络管理员有充裕时间应对性能指标数据变化的影响,设置h=k,则xi+h是 网络设备在下个周期的性能指标数据预测值;Pi-k和Pi+h-k分别是与Pi和Pi+h对 应的前一个周期性能指标数据序列中的Xi-k和Xi+h-k的季节性值;
步骤3,执行预测算法的准备操作:从采集到的性能指标数据中,选择第 一个周期的性能指标数据作为性能指标数据季节性值P1,P2,…,Pk和平稳性值 S1,S2,…,Sk的初始值:
设置P1=P2=…=Pk=1,即该性能指标数据在每个设定时段的整体递增或递 减的季节性趋势值都为1,表示预测的性能指标数据没有递增或递减的趋势, 其预测值是随着采集的实测数据值的变化而改变;
设置S1=X1,S2=X2,S3=X3,...,Sk=Xk,即前k个性能指标数据的平稳性值等 于对应的前k个采集的历史性能指标数据的实测数值;
然后根据两个公式:当i=1时,t1=X2-X1和当i≥2时,ti=β(Si-Si-1)+(1-β)ti-1,分别计算得到性能指标数据的当前递增或递减的趋势性值t1和t2,t3,…,tk;
步骤4,基于设置的各个性能指标数据平稳性值、趋势性值和季节性值的 初始值,计算得到符合采集到的性能指标数据变化特征的三个自变量系数α、 β和γ的数值:利用除了最后一个周期的性能指标数据,分别调用不同系数值 的α、β和γ,预测采集到的性能指标数据序列中的最后一个周期的性能指标 数据预测值;再将该预测值与对应的最后一个周期的实测性能指标数据进行对 比,以相似度最高的预测值所调用的三个系数α、β和γ作为所选择的自变量;
步骤5,根据选择的α、β和γ三个系数值和采集的性能指标数据、计算 对应的平稳性值,趋势性值和季节性值;再利用三次指数平滑法中的预测公式: xi+h=(Si+hti)Pi+h-k计算网络设备的性能指标数据预测值。
本发明网络***中的网络设备周期性的性能指标数据预测方法的创新特点 是:本发明预测方法是在网络管理***中新增的预测功能,不会降低或影响现 有的网络服务质量。而且,本发明预测方法不需要增加额外的硬件,只需对网 络管理***进行相应更改,就能够增加与使用该预测方法;而且,本发明在网 络管理***上进行的修改是对网络用户透明的,不会对现有用户的正常操作行 为造成任何干扰。本发明方法的预测功能齐全,不仅能够用来预测流量,还可 以完成网络管理***中采集的磁盘的使用率、IP地址历史用户数、无线控制器 的用户数等其他性能指标数据的预测。也就是能够预测多种性能指标数据,具 有广泛的适用性。而且,本发明预测方法的操作步骤简单、算法便捷容易,还 能够实现自动计算三次指数平滑法的三个系数α、β和γ的最佳数值的操作, 完全不需要用户手动计算;并且,对于多种网络设备的不同特征的网络性能指 标数据,都能够计算出最佳的三个自变量系数值,从而使得预测的性能指标数 据非常接近实际的测量数值,非常符合性能指标数据的变化特征。本发明方法 另一重要特点是:在计算得到期望的预测数值结果后,本发明方法预测的性能 指标数据结果可以由网络管理***自动绘制成折线图形式打印输出,极大地方 便了网络管理员的观测。能够更形象、直观地将数据变化呈现给网络管理员。因此,本发明具有很好的推广应用前景。
附图说明
图1是本发明网络***中的网络设备周期性的性能指标数据预测方法的操 作步骤流程图。
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,下面结合附图和实施例对 本发明方法作进一步的详细描述。
本发明网络***中的网络设备周期性的性能指标数据预测方法是利用网络 设备已经采集的周期性历史性能指标数据和三次指数平滑法,预测或估算该网 络设备对应的未来性能指标数据。
众所周知,指数平滑法ES(Exponential Smoothing)是布朗(Robert G..Brown)提出的,布朗认为时间序列的态势具有稳定性或规律性,所以时间 序列可被合理地顺势推延。他认为最近的过去态势,在某种程度上会持续到未 来,所以将较大的权数放在最近的资料,即由过去的数据规律可以预测未来的 数据走势。因此,指数平滑法是生产预测中常用的一种方法,也用于中短期经 济发展趋势的预测,它是所有预测方法中现在使用得最多的一种。
指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法, 它是通过计算指数平滑值,配合一定的时间序列预测模型对现象的未来进行预 测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的 加权平均。指数平滑法分为一次指数平滑法、二次指数平滑法和三次指数平滑 法。其中,一次指数平滑法适用于没有周期性和季节性的数据序列,二次指数 平滑法适用于有周期性但没有季节性的数据序列,而三次指数平滑法适用于周 期性和季节性的数据序列。在网络管理***的应用环境中,由于网络设备采集 的性能指标数据往往具有周期性、或周期性和季节性变化的特性,又因为当季 节性的性能指标数据的数值呈现不增不减时,三次指数平滑法也可用于仅有周 期性、没有季节性变化的数据序列,刚好符合网络设备采集的指标数据特征, 所以本发明采用三次指数平滑法来预测。
参见图1,介绍本发明网络***中的网络设备周期性的性能指标数据预测 方法的下列具体操作步骤:
步骤1,使用网络管理***调用简单网络管理协议SNMP采集网络设备的 性能指标数据,得到至少包括两个周期的该网络设备原始性能指标数据序列 X1,X2,…,Xi,…,Xk,…,Xn;式中,X是采集的性能指标数据,自然数下标i和k 分别是网络设备性能指标数据的采集序号及其在每个周期内的采集次数,i的取 值范围是区间〔1,n〕,且k>1,n≥2k。
步骤2,当i>n-2k时,利用能够体现时间序列数值发展态势的稳定性或 规律性的三次指数平滑法中的预测公式:xi+h=(Si+hti)Pi+h-k;先计算得到网络 设备在第i次采集的性能指标数据的平稳性值、趋势性值和季节性值,然后预 测经过h个采集间隔时长后的性能指标数据预测值xi+h;式中:
Si是从第1次至第i次采集的网络设备性能指标数据的平稳性值,即平均值, 其计算公式是:当1≤i≤k时,Si=Xi;当i>k时,
ti是根据采集的网络设备性能指标中相邻两个数据值之差得到的该性能指 标数值的当前递增或递减的趋势性值,其计算公式是:当i=1时,ti=X2-X1; 当i≥2时,ti=β(Si-Si-1)+(1-β)ti-1;
pi是根据从首次至第i次的网络设备性能指标数据计算的该性能指标数据 在该时段整体递增或递减的季节性趋势值,其计算公式是:当1≤i≤k时,Pi=1; 当i>k时,
上述公式中,三个系数α、β、γ分别为决定各自对应的平稳性、趋势性和 季节性的性能指标数据预测值的自变量,也是用于自动计算符合当前性能指标 数据特征的最佳数据值的预测算法中的关键因子,用于协调性能指标数据的近 期历史数值对预测数据值的影响程度,其取值范围均为区间(0,1),且数值越 接近1,性能指标的近期历史数值对预测数据值的影响越大,反之越小;Si、ti和Pi分别为在第i次采集网络设备性能指标数据后,计算得到的对应平稳性值、 趋势性值和季节性值;h为预测的采集间隔时长,采集间隔时长h为1时,xi+h为下一次采集的性能指标数据预测值;为尽早预测性能指标数据的未来变化,以供网络管理员有充裕时间应对性能指标数据变化的影响,设置h=k,则xi+h是 网络设备在下个周期的性能指标数据预测值;Pi-k和Pi+h-k分别是与Pi和Pi+h对 应的前一个周期性能指标数据序列中的Xi-k和Xi+h-k的季节性值。
步骤3,执行预测算法的准备操作:从采集到的性能指标数据中,选择第 一个周期的性能指标数据作为性能指标数据季节性值P1,P2,…,Pk和平稳性值 S1,S2,…,Sk的初始值:
设置P1=P2=…=Pk=1,即该性能指标数据在每个设定时段的整体递增或递 减的季节性趋势值都为1,表示预测的性能指标数据没有递增或递减的趋势, 其预测值是随着采集的实测数据值的变化而改变;
设置S1=X1,S2=X2,S3=X3,...,Sk=Xk,即前k个性能指标数据的平稳性值等 于对应的前k个采集的历史性能指标数据的实测数值;
然后根据两个公式:当i=1时,t1=X2-X1和当i≥2时,ti=β(Si-Si-1)+(1-β)ti-1,分别计算得到性能指标数据的当前递增或递减的趋势性值t1和t2,t3,…,tk;
步骤4,基于设置的各个性能指标数据平稳性值、趋势性值和季节性值的 初始值,计算得到符合采集到的性能指标数据变化特征的三个自变量系数α、 β和γ的数值:利用除了最后一个周期的性能指标数据,分别调用不同系数值 的α、β和γ,预测采集到的性能指标数据序列中的最后一个周期的性能指标 数据预测值;再将该预测值与对应的最后一个周期的实测性能指标数据进行对 比,以相似度最高的预测值所调用的三个系数α、β和γ作为所选择的自变量。
该步骤4中,计算三个自变量系数α、β和γ数值的方法是个关键操作, 包括下列具体操作步骤:
(4a)首先根据用户要求,设置三个预测系数α、β和γ最佳值的计算精度 为1×10·-a,其中,a为精确到小数点后的位数,a>0。
再设置当前预测计算精度为1×10·-b,且当前预测计算的三个系数的精度、 精确到小数点后的位数b的初始值为1,a≥b>0,此时的三个系数最佳值分别 为α1,β1和γ1,且α1=β1=γ1=0;同时设置用于预测计算的三个参数α,β和 γ的初始值均为0.1。
(4b)根据采集的网络设备性能指标数据和三个系数α、β和γ的当前取 值,利用三次指数平滑法:先计算对应的性能指标数据的平稳性,趋势性和季 节性值,然后使用预测公式计算该性能指标数据最后一个周期的预测数值。
(4c)将系数γ的值在前一步骤的数值基础上增加1×10-b后,若b=1,则 判断γ<1是否成立;或者若b>1,则判断γ<γ1+1×10-b+1是否成立;若否,则执行 后续步骤(4d);若是,则根据采集的网络设备性能指标数据和三个系数α、 β和γ的当前取值,利用三次指数平滑法的预测公式计算该性能指标数据最后 一个周期的预测数值,然后返回执行步骤(4c)。
(4d)将系数β的值在前一步骤的数值基础上增加1×10-b,γ取初始值后, 若b=1,判断β<1是否成立;或者若b>1,判断β<β1+1×10-b+1是否成立;若否, 则执行步骤(4e);若是,则根据采集的网络设备性能指标数据和三个系数α、 β和γ的当前取值,利用三次指数平滑法的预测公式计算该性能指标数据最后 一个周期的预测数值,然后,返回执行步骤(4c)。
(4e)将系数α的值在前一步骤的数值基础上增加1×10-b,β和γ都取初始 值后,若b=1,判断α<1是否成立;或者若b>1,判断α<α1+1×10-b+1是否成立; 若否,则执行步骤(4f);若是,则根据采集的网络设备性能指标数据和三个 系数α、β和γ的当前取值,利用三次指数平滑法的预测公式计算该性能指标 数据最后一个周期的预测数值,然后,返回执行步骤(4c)。
(4f)此时,已经完成对三个系数α、β和γ分别在各自取值区间内,以1×10-b为跨度的性能指标数据的全部预测值的数值计算操作;再将全部计算结果,即 所有的预测值分别与其对应采集的最后一个周期的实测性能指标数据进行误差 计算,从中选择误差值最小的预测值所调用的α、β和γ三个系数为最佳自变量 系数组合,并重新设置为α1、β1和γ1。
(4g)判断b=a是否成立,若是,则已经得到满足用户精度要求的三个系 数α、β和γ的最佳值,结束全部操作流程;若否,则设置b的数值加1,再分 别设置三个系数α的初始值为α1-9×10-b,β的初始值为β1-9×10-b,γ的初始值 为γ1-9×10-b;然后,返回执行(4b)至(4g)的操作步骤。
步骤5,根据选择的α、β和γ三个系数值和采集的性能指标数据、计算 对应的平稳性值,趋势性值和季节性值;再利用三次指数平滑法中的预测公式: xi+h=(Si+hti)Pi+h-k计算网络设备的性能指标数据预测值。
本发明已经就行了实施试验,在北京邮电大学校园网的网络维护管理过程 中,申请人部署了一套按照本发明方法能够预测多项网络设备的多种性能指标 数据的网络管理***进行实验性的实施。该网络管理***服务器对北京邮电大 学校园网络的网络设备的多项性能指标进行了采集和记录,然后根据这些流量 数据,输入到了多种预测模型中,测量得到了多个网络设备的不同性能指标的 实测数据,与预测的时间内的对应数据进行对比,结果符合预测趋势。
总之,实施例的试验是成功的,实现了发明目的。
Claims (2)
1.一种网络***中的网络设备周期性的性能指标数据预测方法,其特征在于:所述方法是利用网络设备已经采集的周期性历史性能指标数据和三次指数平滑法,预测或估算该网络设备对应的未来性能指标数据;包括下列操作步骤:
步骤1,使用网络管理***调用简单网络管理协议SNMP(Simple Network ManagementProtocol)采集网络设备的性能指标数据,得到至少包括两个周期的该网络设备原始性能指标数据序列X1,X2,…,Xi,…,Xk,…,Xn;式中,X是采集的性能指标数据,自然数下标i和k分别是网络设备性能指标数据的采集序号及其在每个周期内的采集次数,i的取值范围是区间〔1,n〕,且k>1,n≥2k;
步骤2,当i>n-2k时,利用能够体现时间序列数值发展态势的稳定性或规律性的三次指数平滑法中的预测公式:xi+h=(Si+hti)Pi+h-k;先计算得到网络设备在第i次采集的性能指标数据的平稳性值、趋势性值和季节性值,然后预测经过h个采集间隔时长后的性能指标数据预测值xi+h;式中:
Si是从第1次至第i次采集的网络设备性能指标数据的平稳性值,即平均值,其计算公式是:当1≤i≤k时,Si=Xi;当i>k时,
ti是根据采集的网络设备性能指标中相邻两个数据值之差得到的该性能指标数值的当前递增或递减的趋势性值,其计算公式是:当i=1时,ti=X2-X1;当i≥2时,ti=β(Si-Si-1)+(1-β)ti-1;
pi是根据从首次至第i次的网络设备性能指标数据计算的该性能指标数据在该时段整体递增或递减的季节性趋势值,其计算公式是:当1≤i≤k时,Pi=1;当i>k时,
上述公式中,三个系数α、β、γ分别为决定各自对应的平稳性、趋势性和季节性的性能指标数据预测值的自变量,也是用于自动计算符合当前性能指标数据特征的最佳数据值的预测算法中的关键因子,用于协调性能指标数据的近期历史数值对预测数据值的影响程度,其取值范围均为区间(0,1),且数值越接近1,性能指标的近期历史数值对预测数据值的影响越大,反之越小;Si、ti和Pi分别为在第i次采集网络设备性能指标数据后,计算得到的对应平稳性值、趋势性值和季节性值;h为预测的采集间隔时长,采集间隔时长h为1时,xi+h为下一次采集的性能指标数据预测值;为尽早预测性能指标数据的未来变化,以供网络管理员有充裕时间应对性能指标数据变化的影响,设置h=k,则xi+h是网络设备在下个周期的性能指标数据预测值;Pi-k和Pi+h-k分别是与Pi和Pi+h对应的前一个周期性能指标数据序列中的Xi-k和Xi+h-k的季节性值;
步骤3,执行预测算法的准备操作:从采集到的性能指标数据中,选择第一个周期的性能指标数据作为性能指标数据季节性值P1,P2,…,Pk和平稳性值S1,S2,…,Sk的初始值:
设置P1=P2=…=Pk=1,即该性能指标数据在每个设定时段的整体递增或递减的季节性趋势值都为1,表示预测的性能指标数据没有递增或递减的趋势,其预测值是随着采集的实测数据值的变化而改变;
设置S1=X1,S2=X2,S3=X3,...,Sk=Xk,即前k个性能指标数据的平稳性值等于对应的前k个采集的历史性能指标数据的实测数值;
然后根据两个公式:当i=1时,t1=X2-X1和当i≥2时,ti=β(Si-Si-1)+(1-β)ti-1,分别计算得到性能指标数据的当前递增或递减的趋势性值t1和t2,t3,…,tk;
步骤4,基于设置的各个性能指标数据平稳性值、趋势性值和季节性值的初始值,计算得到符合采集到的性能指标数据变化特征的三个自变量系数α、β和γ的数值:利用除了最后一个周期的性能指标数据,分别调用不同系数值的α、β和γ,预测采集到的性能指标数据序列中的最后一个周期的性能指标数据预测值;再将该预测值与对应的最后一个周期的实测性能指标数据进行对比,以相似度最高的预测值所调用的三个系数α、β和γ作为所选择的自变量;
步骤5,根据选择的α、β和γ三个系数值和采集的性能指标数据、计算对应的平稳性值,趋势性值和季节性值;再利用三次指数平滑法中的预测公式:xi+h=(Si+hti)Pi+h-k计算网络设备的性能指标数据预测值。
2.根据权利要求1所述的性能指标数据预测方法,其特征在于:所述步骤4中,计算三个自变量系数α、β和γ数值的方法包括下列操作步骤:
(4a)首先根据用户要求,设置三个预测系数α、β和γ最佳值的计算精度为1×10·-a,其中,a为精确到小数点后的位数,a>0;
再设置当前预测计算精度为1×10·-b,且当前预测计算的三个系数的精度、精确到小数点后的位数b的初始值为1,a≥b>0,此时的三个系数最佳值分别为α1,β1和γ1,且α1=β1=γ1=0;同时设置用于预测计算的三个参数α,β和γ的初始值均为0.1;
(4b)根据采集的网络设备性能指标数据和三个系数α、β和γ的当前取值,利用三次指数平滑法:先计算对应的性能指标数据的平稳性,趋势性和季节性值,然后使用预测公式计算该性能指标数据最后一个周期的预测数值;
(4c)将系数γ的值在前一步骤的数值基础上增加1×10-b后,若b=1,则判断γ<1是否成立;或者若b>1,则判断γ<γ1+1×10-b+1是否成立;若否,则执行后续步骤(4d);若是,则根据采集的网络设备性能指标数据和三个系数α、β和γ的当前取值,利用三次指数平滑法的预测公式计算该性能指标数据最后一个周期的预测数值,然后返回执行步骤(4c);
(4d)将系数β的值在前一步骤的数值基础上增加1×10-b,γ取初始值后,若b=1,判断β<1是否成立;或者若b>1,判断β<β1+1×10-b+1是否成立;若否,则执行步骤(4e);若是,则根据采集的网络设备性能指标数据和三个系数α、β和γ的当前取值,利用三次指数平滑法的预测公式计算该性能指标数据最后一个周期的预测数值,然后,返回执行步骤(4c);
(4e)将系数α的值在前一步骤的数值基础上增加1×10-b,β和γ都取初始值后,若b=1,判断α<1是否成立;或者若b>1,判断α<α1+1×10-b+1是否成立;若否,则执行步骤(4f);若是,则根据采集的网络设备性能指标数据和三个系数α、β和γ的当前取值,利用三次指数平滑法的预测公式计算该性能指标数据最后一个周期的预测数值,然后,返回执行步骤(4c);
(4f)此时,已经完成对三个系数α、β和γ分别在各自取值区间内,以1×10-b为跨度的性能指标数据的全部预测值的数值计算操作;再将全部计算结果,即所有的预测值分别与其对应采集的最后一个周期的实测性能指标数据进行误差计算,从中选择误差值最小的预测值所调用的α、β和γ三个系数为最佳自变量系数组合,并重新设置为α1、β1和γ1;
(4g)判断b=a是否成立,若是,则已经得到满足用户精度要求的三个系数α、β和γ的最佳值,结束全部操作流程;若否,则设置b的数值加1,再分别设置三个系数α的初始值为α1-9×10-b,β的初始值为β1-9×10-b,γ的初始值为γ1-9×10-b;然后,返回执行(4b)至(4g)的操作步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710238211.2A CN107094093A (zh) | 2017-04-13 | 2017-04-13 | 网络***中的网络设备周期性的性能指标数据预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710238211.2A CN107094093A (zh) | 2017-04-13 | 2017-04-13 | 网络***中的网络设备周期性的性能指标数据预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107094093A true CN107094093A (zh) | 2017-08-25 |
Family
ID=59638572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710238211.2A Withdrawn CN107094093A (zh) | 2017-04-13 | 2017-04-13 | 网络***中的网络设备周期性的性能指标数据预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107094093A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458423A (zh) * | 2019-07-23 | 2019-11-15 | 南京国睿信维软件有限公司 | 基于bom跟踪的产品寿终预算方法 |
CN111654405A (zh) * | 2020-06-29 | 2020-09-11 | 平安银行股份有限公司 | 通信链路的故障节点方法、装置、设备及存储介质 |
CN112105048A (zh) * | 2020-07-27 | 2020-12-18 | 北京邮电大学 | 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法 |
CN113114520A (zh) * | 2020-01-10 | 2021-07-13 | 华为技术有限公司 | 一种传输数据的方法和终端 |
CN113569903A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 数控机床刀具磨损预测方法、***、设备、介质、终端 |
CN114424133A (zh) * | 2019-09-23 | 2022-04-29 | 西门子股份公司 | 过程数据和次级警报的扩展趋势显示 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268651A (zh) * | 2014-09-28 | 2015-01-07 | 江南大学 | 基于小波多尺度三次指数平滑模型的季节性能耗数据预测方法 |
CN105721410A (zh) * | 2014-12-05 | 2016-06-29 | 北京奇虎科技有限公司 | 获取网络安全状况的方法与装置 |
-
2017
- 2017-04-13 CN CN201710238211.2A patent/CN107094093A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268651A (zh) * | 2014-09-28 | 2015-01-07 | 江南大学 | 基于小波多尺度三次指数平滑模型的季节性能耗数据预测方法 |
CN105721410A (zh) * | 2014-12-05 | 2016-06-29 | 北京奇虎科技有限公司 | 获取网络安全状况的方法与装置 |
Non-Patent Citations (3)
Title |
---|
佚名: ""时间序列挖掘-预测算法-三次指数平滑法(Holt-Winters)"", 《HTTPS://WWW.CNBLOGS.COM/KEMASWILL/ARCHIVE/2013/04/01/2993583.HTML》 * |
李颖: ""时间序列指数平滑算法的改进研究"", 《万方学位论文库》 * |
王继龙: ""计算机网络性能管理技术发展综述"", 《计算机科学》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458423A (zh) * | 2019-07-23 | 2019-11-15 | 南京国睿信维软件有限公司 | 基于bom跟踪的产品寿终预算方法 |
CN114424133A (zh) * | 2019-09-23 | 2022-04-29 | 西门子股份公司 | 过程数据和次级警报的扩展趋势显示 |
CN113114520A (zh) * | 2020-01-10 | 2021-07-13 | 华为技术有限公司 | 一种传输数据的方法和终端 |
CN111654405A (zh) * | 2020-06-29 | 2020-09-11 | 平安银行股份有限公司 | 通信链路的故障节点方法、装置、设备及存储介质 |
CN111654405B (zh) * | 2020-06-29 | 2024-04-02 | 平安银行股份有限公司 | 通信链路的故障节点方法、装置、设备及存储介质 |
CN112105048A (zh) * | 2020-07-27 | 2020-12-18 | 北京邮电大学 | 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法 |
CN113569903A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 数控机床刀具磨损预测方法、***、设备、介质、终端 |
CN113569903B (zh) * | 2021-06-09 | 2024-04-09 | 西安电子科技大学 | 数控机床刀具磨损预测方法、***、设备、介质、终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107094093A (zh) | 网络***中的网络设备周期性的性能指标数据预测方法 | |
Jilani et al. | A refined fuzzy time series model for stock market forecasting | |
CN103354924B (zh) | 用于监视性能指标的方法和*** | |
JP6254712B2 (ja) | 特徴情報の変化を予測するための方法及び装置 | |
BR112021007847A2 (pt) | método de monitoramento de integridade de uma rede de comunicação, método realizado pelo um ou mais computadores, sistema, e uma ou mais mídias de leitura por computador | |
CN109088742B (zh) | 一种业务预测方法及网元设备、计算机可读存储介质 | |
CN101764893B (zh) | 基于数据中间层的通信话务波动监控方法 | |
CN109873712A (zh) | 一种网络流量预测方法及装置 | |
CN107066365A (zh) | 一种***异常的监测方法及装置 | |
CN107608862A (zh) | 监控告警方法、监控告警装置及计算机可读存储介质 | |
CN106951990A (zh) | 电力负荷智能预测方法及装置 | |
CN109272169A (zh) | 交通流量预测方法、装置、计算机设备及存储介质 | |
CN108898533A (zh) | 人口流动数据的获取方法、装置及计算机可读存储介质 | |
CN109102155A (zh) | 一种超短期节点边际电价概率预测方法及*** | |
CN107277844A (zh) | 一种基于时间序列的电信网络高负荷小区预警方法 | |
CN106600042A (zh) | 一种手机用户上网时段预测方法 | |
CN114786190A (zh) | 一种流量的预测方法、装置及存储介质 | |
CN109816157A (zh) | 项目计划优化方法、装置、计算机设备和存储介质 | |
CN108345857A (zh) | 一种基于深度学习的区域人群密度预测方法及装置 | |
CN108667877A (zh) | 确定推荐信息的方法及装置、计算机设备及存储介质 | |
CN117252349B (zh) | 基于水质水量双控的城市河流智能调控方法 | |
CN108173686A (zh) | 一种基于arima和小波变换的云数据中心请求流预测方法 | |
JP2022502795A (ja) | オンライン確率逆方向最適化システム、オンライン確率逆方向最適化方法およびオンライン確率逆方向最適化プログラム | |
CN109408620A (zh) | 一种网络舆论趋势预测的方法、装置、设备及存储介质 | |
CN109862576A (zh) | 呼叫放弃率预测方法及*** |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20170825 |