CN110024340A - 经由使用预测在可见性网络中进行近似均匀负载平衡 - Google Patents

经由使用预测在可见性网络中进行近似均匀负载平衡 Download PDF

Info

Publication number
CN110024340A
CN110024340A CN201780074393.2A CN201780074393A CN110024340A CN 110024340 A CN110024340 A CN 110024340A CN 201780074393 A CN201780074393 A CN 201780074393A CN 110024340 A CN110024340 A CN 110024340A
Authority
CN
China
Prior art keywords
user
grouping
agency
grade point
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
Application number
CN201780074393.2A
Other languages
English (en)
Other versions
CN110024340B (zh
Inventor
J·P·韦达姆
D·赫格德
A·纳雷什
S·达斯古普塔
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.)
Extreme Networks Inc
Original Assignee
Extreme Networks Inc
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 Extreme Networks Inc filed Critical Extreme Networks Inc
Publication of CN110024340A publication Critical patent/CN110024340A/zh
Application granted granted Critical
Publication of CN110024340B publication Critical patent/CN110024340B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0215—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices
    • 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
    • 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
    • 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
    • G06N3/08—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
    • H04L41/147—Network analysis or design for predicting network behaviour
    • 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/12—Avoiding congestion; Recovering from congestion
    • H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/19—Flow control; Congestion control at layers above the network layer
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/83—Admission control; Resource allocation based on usage prediction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/14—Session management
    • H04L67/141—Setup of application sessions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/18—Communication route or path selection, e.g. power-based or shortest path routing based on predicted events

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Computer And Data Communications (AREA)

Abstract

提供了用于基于使用预测在可见性网络中执行近似均匀负载平衡的技术。根据一个实施例，可见性网络的分组代理可以接收从核心网络复制的控制分组，其中该控制分组包括用户或设备标识符以及针对由用户/设备标识符识别的用户创建用户会话的请求。分组代理还可以基于用户/设备标识符和一个或多个其它参数来确定用户会话的等级值，其中该等级值指示用户可能在用户会话期间在核心网络中生成的网络流量的量。然后，分组代理可以基于等级值为用户会话选择出口端口，并通过所选择的出口端口转发用户对于会话的后续控制和数据流量。

Description

经由使用预测在可见性网络中进行近似均匀负载平衡
对相关申请的交叉引用
本申请要求于2016年10月25日提交的标题为“SYSTEM AND METHOD FOR NEAR-UNIFORM LOAD BALANCING OF PACKETS IN PASSIVE VISIBILITY NETWORK USING USAGEPREDICTION SYSTEM”的印度临时申请201641036572的权益的优先权。该申请的全部内容出于所有目的通过引用全文并入本文。
背景技术
在计算机联网领域，可见性(visibility)网络(也被称为“可见性架构(fabric)”)是有助于监测和分析流经另一个“核心”网络(例如，生产网络)的流量的网络类型。部署可见性网络的原因各不相同，可能包括网络管理和优化、商业情报/报告、合规性验证、服务保证、安全监测等。
图1描绘了根据实施例的示例可见性网络100。如图所示，可见性网络100包括部署在核心网络104内的多个接头(tap)102。接头102被配置为复制在核心网络104中的网络元件之间交换的控制和数据流量并将复制的流量转发到分组代理(packet broker)106(注意的是，除了接头102之外或代替接头102，核心网络104中的一个或多个路由器或交换机可以被委以任务以使用它们各自的SPAN或镜像功能将数据/控制流量复制并转发到分组代理106)。分组代理106可以对复制的流量执行各种分组处理功能，诸如移除协议报头、基于配置的规则对分组进行过滤/分类等。然后，分组代理106可以将处理后的流量转发到一个或多个分析探测器/工具108，该一个或多个分析探测器/工具108可以根据可见性网络100的商业目标/目的对流量进行各种计算和分析(例如，计算关键性能指标(KPI)、检测流量异常、生成报告等)。
分组代理106通常被委以任务执行的一个分组处理功能是跨分组代理的出口端口并且因此跨分析探测器/工具108对从核心网络104复制的流量进行负载平衡(loadbalancing)。在当前分组代理实现中，通过在从核心网络104接收到的指示新用户会话的开始的初始控制分组中提取用户或设备标识符并且计算与[用户/设备标识符]对[出口端口的总数]取模(modulo)对应的散列函数来实现该负载平衡。该计算的结果是出口端口标识符(ID)，分组代理106通过将其存储在会话的状态机中与用户会话相关联。然后，分组代理106将针对该用户会话接收到的所有未来控制和数据流量转发到由计算出的出口端口ID识别的出口端口(并且因此转发到特定分析探测器/工具108)。
虽然上面描述的常规负载平衡方案在以使得每个探测器/工具108接收相对均匀数量的用户会话的流量的方式跨分析探测器/工具108分发复制流量时是有效的，但在许多情况下，在核心网络104中生成的网络流量的量将在用户之间显著不同。例如，假设核心网络104是移动3G或LTE网络。在这种场景中，将他/她的移动设备用作3G/LTE网络104中的移动热点的用户将比仅仅进行语音呼叫的用户消耗显著更多的网络带宽(并且因此产生更多的网络流量)。这意味着一些探测器/工具可能比其它探测器/工具接收到显著更多的复制流量(取决于分配给该探测器/工具的特定用户会话)，这非期望地导致跨探测器/工具108的非均匀的处理负载。
发明内容
提供了用于基于使用预测在可见性网络中执行近似均匀(near-uniform)负载平衡的技术。根据一个实施例，可见性网络的分组代理可以接收从核心网络复制的控制分组，其中控制分组包括用户或设备标识符以及针对由用户/设备标识符识别的用户创建用户会话的请求。分组代理还可以基于用户/设备标识符和一个或多个其它参数来确定用户会话的等级(rank)值，其中等级值指示用户可能在用户会话期间在核心网络中生成的网络流量的量。然后，分组代理可以基于等级值为用户会话选择出口端口，并且通过所选择的出口端口转发对于用户会话的后续控制和数据流量。
以下具体实施方式和附图提供了对特定实施例的性质和优点的更好理解。
附图说明
图1描绘了示例可见性网络。
图2描绘了根据实施例的实现本公开的基于使用预测的负载平衡技术的可见性网络。
图3描绘了常规的负载平衡工作流程。
图4描绘了根据实施例的基于使用预测的负载平衡工作流程。
图5是根据实施例的使用预测***(UPS)的示意图。
图6描绘了根据实施例的可以由UPS实现的基于神经网络的预测器。
图7描绘了根据实施例的用于经由聚类(clustering)确定新用户的UPS输入参数的工作流程。
图8描绘了根据实施例的示例网络设备。
图9描绘了根据实施例的示例计算机***。
具体实施方式
在以下描述中，出于解释的目的，阐述了许多示例和细节以便提供对各种实施例的理解。但是，对于本领域技术人员显而易见的是，某些实施例可以在没有这些细节中的一些的情况下来实践，或者可以利用其修改或等同物来实践。
1.概述
本公开提供了可以由可见性网络的分组代理实现的用于跨分析探测器/工具对复制流量进行负载平衡，使得由每个探测器/工具接收到的流量的量(而不是简单地分配给每个探测器/工具的用户会话的数量)近似均匀的技术。
在较高的层次上，这是经由使用预测***(UPS)实现的，该使用预测***结合了基于神经网络的预测模型。利用该模型，UPS可以针对给定的用户会话准确地预测用户可能在用户会话期间生成的流量的量(或者换句话说，可能由用户消耗的网络带宽的量)。UPS可以使用该预测来生成用户会话的等级值，使得较高等级值指示用户将可能在用户会话期间生成较多的流量并且较低等级值指示用户将可能在用户会话期间生成较少的流量(反之亦然)。然后，分组代理可以基于生成的等级值来计算散列，以便将用户会话分配给给定的出口端口并且因此分配给给定的分析探测器/工具。
下面进一步详细描述本公开的前述和其它方面。
2.可见性网络和高层(High-Level)设计
图2描绘了根据实施例的实现本公开的基于使用预测的负载平衡技术的可见性网络200。如图所示，可见性网络200包括多个接头202，这些接头被部署在核心网络204中并且被配置为将在网络204中交换的流量复制到分组代理206。在图2中，核心网络204是移动LTE网络，该移动LTE网络包括特定于这种类型网络的网络元件，诸如eNodeB 210、移动性管理实体(MME)212、服务网关(SGW)214、以及连接到诸如互联网的外部分组数据网络的分组数据网络网关(PGW)216。另外，在该特定示例中，接头202被配置为复制和转发在核心网络204的某些接口上交换的GTP-C和GTP-U流量。但是，应该认识到的是，核心网络204可以是本领域已知的任何其它类型的计算机网络，诸如移动3G网络、企业局域网(LAN)或广域网(WAN)等。
在经由接头202接收复制的流量时，分组代理206可以对流量执行各种类型的分组处理功能(如由可见性网络200的运营商所配置/分配的)，并且可以将处理后的流量转发到一个或多个分析探测器/工具208用于分析。在一个实施例中，分组代理206可以仅用硬件来实现，诸如以网络交换机或路由器的形式，其依赖于基于ASIC或基于FPGA的分组处理器以基于被编程到驻留在分组处理器和/或设备的线卡上的硬件存储器表(例如，CAM表)中的规则来执行其所分配的分组处理功能。在另一个实施例中，分组代理206可以仅用例如在一个或多个通用物理或虚拟计算机***上运行的软件来实现。在又一个实施例中，分组代理206可以使用硬件和软件的组合来实现，诸如使用如在共同拥有的标题为“Software-basedPacket Broker”的美国专利申请15/205,889中所描述的基于硬件的基本分组代理和基于软件的“会话导向器”聚类的组合来实现，该申请的全部内容出于所有目的通过引用全文并入本文。
如背景技术部分所述，由现有分组代理执行的通用功能是跨其出口端口(并且因此跨分析探测器/工具)对复制流量进行负载平衡，使得每个探测器/工具被分配相对均匀数量的用户会话。这种常规负载平衡处理的工作流程300在图3中示出。从流程图300的方框302开始，分组代理接收用于为特定用户创建新会话的复制控制分组(例如，在LTE核心网络的情况下的GTP-C“创建会话请求”分组)。
在方框304处，分组代理从控制分组中提取用户或设备标识符。例如，用户/设备标识符可以是国际移动订户身份(IMSI)、移动站国际订户目录号(MSISDN)或国际移动设备身份(IMEI)。
在方框306处，分组代理将用户/设备标识符作为输入传递到散列函数，该散列函数计算标识符值对分组代理的出口端口的总数取模。这产生用户会话的出口端口标识符。
最后，在方框308处，分组代理将与该用户会话有关的所有后续控制和数据流量转发到在方框306处识别出的出口端口(并且因此转发到与该出口端口连接的特定分析探测器/工具)。
常规的负载平衡工作流程300的主要问题在于其唯一的负载平衡标准是用户/设备标识符。当每个用户生成大致相同量的流量时，这通常工作地很好；但是在实践中，由每个用户生成的流量的量将基于各种因素(例如，所使用的设备的类型、用户行为等)而显著不同。因此，某些探测器/工具可能比其它探测器/工具接收显著更多的流量(即使分配给每个探测器/工具的用户会话的数量大致相同)，这可能导致过载探测器/工具的性能问题以及欠载探测器/工具的低利用率。
为了解决这个问题和其它类似问题，根据某些实施例，图2的分组代理206被增强以包括新颖的使用预测***(UPS)218。一般而言，UPS 218可以使用机器学习(即，基于神经网络的)算法来预测将由给定用户生成的流量的量(即，将由用户消耗的网络带宽的量)，并且可以以分配给用户的会话的等级值的形式量化该量。这种预测可以基于不同输入参数的数量，其中输入参数诸如关于由该用户在先前会话中生成的流量的量的历史数据、关于用户的订阅计划的信息(在网络是移动LTE网络或用户支付费用来访问的其它类型的网络的情况下)、关于用户的移动模式的信息、关于一天中的当前时间和日历的信息、为该用户先前分配的等级值等。分组代理206然后可以在接收到新会话请求时使用该等级值，以便将用户会话分配给特定出口端口(并且因此分配给分析探测器/工具208)。
该高层处理在图4中示出为工作流程400。工作流程400的前两个方框(402和404)与图3的工作流程300基本相同；特别地，分组代理206接收用于为特定用户创建新会话的传入控制分组(例如，在LTE网络的情况下的GTP-C分组)，并且提取与要创建的用户会话相关联的用户或设备标识符。
但是，在方框406处，分组代理206可以调用UPS 218，提供上面提到的参数中的一个或多个参数作为输入。在没有在分组代理206上专门维持输入参数的情况下，分组代理206可以从单独的设备/***(例如，外部计费***)查询参数。
作为响应，UPS 218可以计算并输出指示在会话期间将可能由用户生成的流量的量的等级值(方框408)。在一组实施例中，较高的等级值指示用户将可能在会话期间生成较高量的流量，而较低的等级值指示用户将可能在会话期间生成较少量的流量。
在方框410处，分组代理206可以使用等级值作为散列函数的输入，该散列函数计算等级值对分组代理的出口端口的总数取模。该散列函数的结果值是出口端口标识符，该出口端口标识符识别新用户会话将被分配的出口端口并且因此识别分析探测器/工具208。
最后，在方框412处，分组代理206可以将与该用户会话有关的所有后续控制和数据流量转发到在方框410处确定的出口端口。
利用图4中示出和以上描述的高层方案，分组代理206可以确保每个分析探测器/工具208接收相对等量的流量(就例如每秒的分组或比特而言)。这与图3中所示的常规负载平衡方案形成对照，图3中所示的常规负载平衡方案仅基于用户/设备标识符进行负载平衡，并且因此可以导致向每个分析探测器/工具208发送不同量的流量(取决于由每个用户/用户会话生成的流量的量)。因此，图4的方案从流量吞吐量的角度允许跨分析探测器/工具208进行更均匀的负载平衡，这进而允许最佳地利用探测器/工具208。关于UPS 218的实现的附加细节在下面的各部分中提供。
应该认识到的是，图1-图4是说明性的并且不旨在限制本公开的实施例。例如，虽然UPS 218被示出为图2中的分组代理206的组成部分，但是在一些实施例中，UPS 218可以在与分组代理206通信地耦合的单独***上实现，单独***诸如单独的计算机服务器或网络设备(例如，交换机或路由器)。另外，虽然工作流程300和400被示出为不同的工作流程，但是在一些实施例中，分组代理206可以实现允许其根据图3中的常规工作流程或图4中示出的基于使用预测的工作流程来执行负载平衡的用户可配置交换机。本领域普通技术人员将认识到其它变型、修改和替代方案。
3.UPS体系架构
3.1输入和输出
图5是图示根据实施例的UPS 218的输入和输出的简化框图500。如图所示，UPS218接收与新/当前用户会话相关联的用户或设备标识符(例如，IMSI、MSISDN、IMEI等)502。此外，UPS 218可以接收许多其它输入参数，包括：(1)与用户/设备标识符502有关的时间序列使用信息504(例如，由用户在先前会话中生成的数据/流量的容量)；(2)与用户/设备标识符502有关的计费相关的信息506(例如，计费周期、每月使用配额、支付和充值(top-up)信息等)；(3)日历信息508(例如，假期、体育赛事、政治活动、宗教活动等)；(4)与用户/设备标识符502相关联的用户或设备的当前位置510；以及(5)分配给用户/设备标识符502的针对先前会话的先前等级值512。对于源自外面的分组代理206的输入参数(例如，可以来自单独的计费***的计费信息506)，UPS 218可以暴露应用编程接口(API)，诸如REST API，该API使得外部***能够向UPS 218提供参数。
使用图5中所示的各种输入参数，UPS 218确定并输出标量等级值514，该标量等级值514指示与用户/设备标识符502相关联的用户可能为当前会话生成的网络流量的量。在特定实施例中，等级值514的范围可以从零到一，其中较低的值指示用户可能生成较低量的流量，并且较高的值指示用户可能生成较高量的流量。然后可以将等级值514提供给分组代理206以便确定用户会话的出口端口，如关于图4所讨论的。此外，等级值514可以被保存到由UPS 218维护的数据存储库516，并且可以用作UPS 218的输入(即，输入512)以用于将来的与用户/用户标识符502相关联的(一个或多个)用户会话。
3.2内部实现
在各种实施例中，UPS 218可以利用基于神经网络的预测器来预测每个用户的作为输入(经由用户/设备标识符502)被提供给***的等级值。图6描绘了根据实施例的这种基于神经网络的预测器(600)的示意图。如图所示，预测器600包括两个神经网络级(stage)：“自动编码器”级602和“深度神经网络”级604。UPS 218可以针对由***处理的每个用户/设备标识符创建和维护预测器600的一个实例。
自动编码器级602可以接收相对于图5讨论的各种输入参数502-512。在特定实施例中，自动编码器级602可以要求用户/设备标识符502以及时间序列使用信息504作为输入(以例如由用户在先前会话期间生成的流量的容量、由用户在过去n个会话中生成的平均流量、或一些其它类似的使用度量的形式)。在该实施例中，剩余输入参数504-512取决于它们对于当前用户的可用性可以是可选的。在其它实施例中，输入参数502-512的其它一些置换(permutation)可以被认为是必需的。
然后，自动编码器级602可以经由一个或多个隐藏层来处理输入参数，以便减少实际可能影响用户的使用的变量的数量，并且可以将其处理的结果传递到深度神经网络级604。
深度神经网络级604可以接收自动编码器级602的输出并且经由一个或多个隐藏层处理该输出(在一个实施例中，可以存在恰好两个隐藏层)。最后，基于该处理，深度神经网络级604可以输出针对由用户/设备标识符502识别出的用户的等级值。
3.2.1训练自动编码器级
一般而言，自动编码器级602的目的是学习用户的输入信息的压缩表示，使得该压缩表示可以被传递到深度神经网络级604。可以训练自动编码器级602，使得如果输入参数之间存在相关性，则级602将能够发现这些相关性。
在一组实施例中，自动编码器级602的训练可以如下进行：
·将输入层配置为具有n-维，其中每个维度对应于特定输入参数(例如，时间序列使用信息、计费信息、日历信息、位置信息、先前等级值等)
·配置输出层，使得输出层与输入层具有相同数量或更少数量的维度
·配置网络的约束，诸如隐藏神经元的数量及其激活函数，以便得出输入信息的最佳压缩表示
·使用反向传播来训练网络，其中输出向量被设置为等于输入向量
自动编码器级602可以利用与最近用户会话有关的信息使用上述处理来定期地进行重新训练。该周期可以是例如每周一次、每月一次或用户可配置的。
3.2.2训练深度神经网络级
一般而言，深度神经网络级604的目的是基于经由自动编码器级602接收和压缩的各种输入参数来预测由用户/设备标识符502识别的用户的等级值。在一组实施例中，深度神经网络级604的训练可以如下进行：
·对于给定用户U的给定会话，创建训练数据集，其中输入是由自动编码器级602输出的向量表示，并且目标输出是基于由U使用的用于会话的数据而手动分配的等级值。
·使用反向传播来训练网络，从而调整网络的权重参数，使得发出目标输出等级值(给定输入向量)。
像自动编码器级602一样，可以定期地重新训练深度神经网络级604。在一组实施例中，在某些用户会话结束时，可以记录用户所消耗的实际带宽，并且可以基于该使用来计算等级值。然后可以将计算出的等级值与由深度神经网络级604输出的预测的等级值进行比较。如果计算出的等级值和预测的等级值之间的差值超过预定阈值，则可以为该特定用户触发深度神经网络级602的重新训练。
3.3经由聚类处理新用户
在一些情况下，UPS 218将需要为“新”用户(即，由用户或设备标识符识别出的UPS218以前未遇到过的用户)生成等级值。对于这样的新用户，UPS 218将不具有UPS 218可以用作其等级值确定的一部分的历史使用信息或先前等级值。
为了解决该问题，在某些实施例中，除了其基于神经网络的预测器之外，UPS 218还可以实现聚类子***。该聚类子***可以采用关于由UPS 218观察到的用户的一般人口的信息(例如，使用、设备类型、IMSI、位置、一天中的时间等)作为输入，并且可以基于该信息将用户分类到多个聚类中。聚类子***可以为此目的使用各种已知的聚类算法，诸如K-均值(K-means)聚类。然后，当需要为新的、先前已知的用户生成等级值时，UPS 218可以调用聚类子***以确定用户最接近匹配的(即，应该被分类到其中的)聚类。基于该确定，UPS218可以检索最接近匹配的聚类的平均使用和等级值信息，并使用这些平均值作为到用户的基于神经网络的预测器实例的输入。因此，即使UPS 218可能没有新用户的历史使用和等级值数据，UPS 218也可以基于用户最紧密对齐的聚类来近似这些值应该是多少。
图7描绘了图示了根据实施例的前述聚类机制的工作流程700。从方框702开始，UPS 218可以确定在工作流程404的方框404处提取的用户/设备标识是否是已知标识符(即，UPS 218之前已经处理的标识符)。如果是，则UPS 218可以为用户实例化适当的神经网络输入参数并根据图4的剩余步骤为用户生成等级值(方框704和706)。
但是，如果UPS 218在方框702处确定用户/设备标识符是新的，则UPS 218可以调用聚类子***以确定由用户/设备标识符识别的用户所属的聚类(基于用于创建聚类的各种参数，诸如设备类型、位置、一天中的时间等)，并且可以从确定的聚类中检索平均使用和等级值数据(方框708和710)。然后，UPS 218可以至少部分地基于在方框710处从聚类导出的数据来为用户实例化神经网络输入参数并生成用户的等级值(方框712和706)。
应当注意的是，创建/更新聚类的处理可以在周期的基础上进行重复，诸如每天或每4-6小时，以确保它们准确地反映核心网络中的用户人口。
4.示例网络设备
图8描绘了其中可以实现本公开的某些实施例的示例网络设备(例如，交换机和/或路由器)800。例如，在一组实施例中，网络设备800可以用于(全部或者部分地)实现图2的分组代理206。
如图所示，网络设备800包括管理模块802、交换架构模块804和多个I/O模块806(1)-806(N)。管理模块802包括用于管理/控制设备的操作的一个或多个管理CPU 808。每个管理CPU 808可以是在存储在相关联存储器(未示出)中的软件的控制下操作的通用处理器，诸如PowerPC、Intel、AMD或基于ARM的处理器。
交换架构模块804和I/O模块806(1)-806(N)共同表示网络设备800的数据或转发平面。交换架构模块804被配置为互连网络设备800的各种其它模块。每个I/O模块806(1)-806(N)可以包括由网络设备800用来发送和接收数据分组的一个或多个输入/输出端口810(1)-810(N)。每个I/O模块806(1)-806(N)也可以包括分组处理器812(1)-812(N)。分组处理器812(1)-812(N)是可以关于如何处理传入或传出数据分组做出线速决定的硬件处理组件(例如，FPGA或ASIC)。
应该认识到的是，网络设备800是说明性的，并且具有比网络设备800更多或更少组件的许多其它配置是可能的。
5.示例计算机***
图9描绘了其中可以实现本公开的某些实施例的示例计算机***900。例如，在一组实施例中，计算机***900可以用于(全部或者部分地)实现图2的分组代理206。
如图9所示，计算机***900包括经由总线子***904与多个***设备进行通信的一个或多个处理器902。这些***设备包括存储子***906(包括存储器子***908和文件存储子***910)、用户接口输入设备912、用户接口输出设备914和网络接口子***916。
总线子***904可以提供用于使计算机***900的各种组件和子***按预期彼此进行通信的机制。虽然总线子***904被示意性地示为单条总线，但是总线子***的替代实施例可以使用多条总线。
网络接口子***916可以用作用于在计算机***900与其它计算设备或网络之间传送数据的接口。网络接口子***916的实施例可以包括有线(例如，同轴、双绞线或光纤以太网)和/或无线(例如，Wi-Fi、蜂窝、蓝牙等)接口。
用户接口输入设备912可以包括键盘、指向设备(例如，鼠标、轨迹球、触摸板等)、扫描仪、条形码扫描仪、并入到显示器中的触摸屏、音频输入设备(例如，语音识别***、麦克风等)和其它类型的输入设备。通常，术语“输入设备”的使用旨在包括用于将信息输入到计算机***900中的所有可能类型的设备和机制。
用户接口输出设备914可以包括显示子***、打印机、传真机或诸如音频输出设备的非可视显示器等。显示子***可以是阴极射线管(CRT)、诸如液晶显示器(LCD)的平板设备、或投影设备。通常，术语“输出设备”的使用旨在包括用于从计算机***900输出信息的所有可能类型的设备和机制。
存储子***906包括存储器子***908和文件/盘存储子***910。子***908和910表示可以存储提供本文所描述的各种实施例的功能的程序代码和/或数据的非瞬态计算机可读存储介质。
存储器子***908包括多个存储器，包括用于在程序执行期间存储指令和数据的主随机存取存储器(RAM)918和其中存储固定指令的只读存储器(ROM)920。文件存储子***910可以为程序和数据文件提供持久(即，非易失性)存储，并且可以包括磁性或固态硬盘驱动器、光学驱动器以及相关联的可移除介质(例如，CD-ROM、DVD、蓝光盘等)、基于可移除闪存的驱动器或卡、和/或本领域中已知的其它类型的存储介质。
应该认识到的是，计算机***900是说明性的，并且具有比计算机***900更多或更少组件的许多其它配置是可能的。
以上描述示出了本发明的各种实施例以及可以如何实现本发明的各方面的示例。以上示例和实施例不应被视为仅有的实施例，并且被呈现以示出如由以下权利要求所限定的本发明的灵活性和优点。例如，虽然已经关于特定的处理流程和步骤描述了某些实施例，但是对于本领域技术人员来说显而易见的是，本发明的范围不严格限于所描述的流程和步骤。被描述为顺序的步骤可以被并行执行，步骤的顺序可以改变，并且步骤可以被修改、组合、添加或省略。作为另一个示例，虽然已经使用硬件和软件的特定组合描述了某些实施例，但应该认识到的是，硬件和软件的其它组合是可能的，并且被描述为用软件实现的具体操作也可以用硬件实现，反之亦然。
因此，说明书和附图应被视为说明性而非限制性的意义。其它布置、实施例、实现和等同物对于本领域技术人员来说将是显而易见的，并且可以在不脱离所附权利要求中阐述的本发明的精神和范围的情况下被采用。

Claims (20)

1.一种方法，包括：
由可见性网络中的分组代理接收从核心网络复制的控制分组，所述控制分组包括用户或设备标识符以及针对由所述用户或设备标识符识别的用户创建用户会话的请求；
由所述分组代理基于所述用户或设备标识符以及一个或多个其它参数来确定所述用户会话的等级值，所述等级值指示所述用户能够在所述用户会话期间在所述核心网络中生成的网络流量的量；
由所述分组代理基于所述等级值为所述用户会话选择所述分组代理的出口端口；以及
由所述分组代理通过所选择的出口端口转发对于所述用户会话的后续控制和数据流量。
2.如权利要求1所述的方法，其中所述核心网络是移动网络，并且其中所述用户或设备标识符是国际移动订户身份(IMSI)或国际移动设备身份(IMEI)。
3.如权利要求1所述的方法，其中所述一个或多个其它参数包括所述用户的历史网络使用信息。
4.如权利要求1所述的方法，其中所述一个或多个其它参数包括由所述分组代理针对所述用户的先前用户会话确定的先前等级值。
5.如权利要求1所述的方法，其中所述一个或多个其它参数包括所述用户的计费信息、日历信息或所述用户的当前位置。
6.如权利要求1所述的方法，其中从所述分组代理外部的另一个***或设备接收所述一个或多个参数中的至少一个。
7.如权利要求1所述的方法，其中确定所述等级值包括：
提供所述用户或设备标识符以及一个或多个其它参数作为到基于神经网络的预测器的输入。
8.如权利要求7所述的方法，其中所述分组代理针对由所述分组代理接收到的每个用户或设备标识符维护所述基于神经网络的预测器的一个实例。
9.如权利要求7所述的方法，其中所述基于神经网络的预测器包括第一级和第二级，
其中，第一级被配置为向第二级提供所述用户或设备标识符和所述一个或多个其它参数的压缩表示，以及
其中，第二级被配置为基于所述压缩表示来预测所述用户会话的所述等级值。
10.如权利要求9所述的方法，其中通过以下操作针对给定用户训练第二级：
提供包括与所述给定用户相关联的输入参数的向量作为到第二级的输入；
设置为所述向量手动分配的等级值作为第二级的目标输出；以及
调整第二级中的一个或多个网络权重，使得生成所述手动分配的等级值。
11.如权利要求1所述的方法，其中选择所述出口端口包括：
计算散列函数，所述散列函数将所述等级值作为输入，并且生成与所述等级值对所述分组代理的出口端口的总数取模对应的输出值。
12.如权利要求1所述的方法，还包括：
将所述核心网络的用户分类到多个聚类中。
13.如权利要求12所述的方法，其中所述方法还包括：在确定所述等级值之前：
确定所述用户是否是新用户；以及
如果所述用户是新用户，则：
识别所述多个聚类中所述用户所属的聚类；
检索识别出的聚类中的用户的平均网络使用值和平均等级值；以及
至少部分地基于平均使用值和平均等级值来确定所述用户会话的所述等级值。
14.如权利要求1所述的方法，其中所述等级值的较高值指示所述用户将能够在所述用户会话期间在所述核心网络中生成较多的网络流量，并且其中所述等级值的较低值指示所述用户将能够在所述用户会话期间在所述核心网络中生成较少的网络流量。
15.一种非瞬态计算机可读存储介质，具有存储在其上的由可见性网络中的分组代理执行的程序代码，所述程序代码使所述分组代理：
接收从核心网络复制的控制分组，所述控制分组包括用户或设备标识符以及针对由所述用户或设备标识符识别的用户创建用户会话的请求；
基于所述用户或设备标识符以及一个或多个其它参数来确定所述用户会话的等级值，所述等级值指示用户能够在所述用户会话期间在所述核心网络中生成的网络流量的量；
基于所述等级值为所述用户会话选择所述分组代理的出口端口；以及
通过所选择的出口端口转发对于所述用户会话的后续控制和数据流量。
16.如权利要求15所述的非瞬态计算机可读存储介质，其中使所述分组代理确定所述等级值的程序代码包括使所述分组代理执行以下操作的程序代码：
提供所述用户或设备标识符以及一个或多个其它参数作为到基于神经网络的预测器的输入。
17.如权利要求15所述的非瞬态计算机可读存储介质，其中使所述分组代理选择所述出口端口的程序代码包括使所述分组代理执行以下操作的程序代码：
计算散列函数，所述散列函数将所述等级值作为输入，并且生成与所述等级值对所述分组代理的出口端口的总数取模对应的输出值。
18.一种分组代理，包括：
处理器；以及
非瞬态计算机可读介质，具有存储在其上的程序代码，所述程序代码当由所述处理器执行时，使得所述处理器：
接收从核心网络复制的控制分组，所述控制分组包括用户或设备标识符以及针对由所述用户或设备标识符识别的用户创建用户会话的请求；
基于所述用户或设备标识符以及一个或多个其它参数来确定所述用户会话的等级值，所述等级值指示所述用户能够在所述用户会话期间在所述核心网络中生成的网络流量的量；
基于所述等级值为所述用户会话选择所述分组代理的出口端口；以及
通过所选择的出口端口转发对于所述用户会话的后续控制和数据流量。
19.如权利要求18所述的分组代理，其中使所述处理器确定所述等级值的程序代码包括使所述处理器执行以下操作的程序代码：
提供所述用户或设备标识符以及一个或多个其它参数作为到基于神经网络的预测器的输入。
20.如权利要求18所述的分组代理，其中使所述处理器选择所述出口端口的程序代码包括使所述处理器执行以下操作的程序代码：
计算散列函数，所述散列函数将所述等级值作为输入，并且生成与所述等级值对所述分组代理的出口端口的总数取模对应的输出值。
CN201780074393.2A 2016-10-25 2017-10-19 经由使用预测在可见性网络中进行近似均匀负载平衡 Active CN110024340B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
IN201641036572 2016-10-25
IN201641036572 2016-10-25
PCT/US2017/057435 WO2018080898A1 (en) 2016-10-25 2017-10-19 Near-uniform load balancing in a visibility network via usage prediction

Publications (2)

Publication Number Publication Date
CN110024340A true CN110024340A (zh) 2019-07-16
CN110024340B CN110024340B (zh) 2021-10-15

Family

ID=62023955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780074393.2A Active CN110024340B (zh) 2016-10-25 2017-10-19 经由使用预测在可见性网络中进行近似均匀负载平衡

Country Status (4)

Country Link
US (1) US10887786B2 (zh)
EP (1) EP3533186B1 (zh)
CN (1) CN110024340B (zh)
WO (1) WO2018080898A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112653570A (zh) * 2019-10-11 2021-04-13 瞻博网络公司 采用机器学习以预测和动态调整静态配置参数
US11132109B2 (en) 2019-05-08 2021-09-28 EXFO Solutions SAS Timeline visualization and investigation systems and methods for time lasting events

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018080898A1 (en) * 2016-10-25 2018-05-03 Extreme Networks, Inc. Near-uniform load balancing in a visibility network via usage prediction
WO2018142704A1 (ja) * 2017-02-02 2018-08-09 日本電信電話株式会社 特徴量生成装置、特徴量生成方法及びプログラム
JP6858798B2 (ja) * 2017-02-02 2021-04-14 日本電信電話株式会社 特徴量生成装置、特徴量生成方法及びプログラム
CN108809864B (zh) * 2018-06-15 2020-09-01 中国电子科技集团公司第四十一研究所 一种基于fpga的多线卡高密度tap交换机
US20200084142A1 (en) * 2018-09-12 2020-03-12 Ca, Inc. Predictive routing in multi-network scenarios
US11334546B2 (en) * 2019-05-31 2022-05-17 Cisco Technology, Inc. Selecting interfaces for device-group identifiers
US11210275B2 (en) * 2020-05-13 2021-12-28 Sap Se Synthetic workload generation for workload classification
US11949570B2 (en) * 2021-07-30 2024-04-02 Keysight Technologies, Inc. Methods, systems, and computer readable media for utilizing machine learning to automatically configure filters at a network packet broker
US11848766B2 (en) * 2021-10-30 2023-12-19 Hewlett Packard Enterprise Development Lp Session detection and inference
US11916748B2 (en) * 2022-07-06 2024-02-27 Verizon Patent And Licensing Inc. Computerized method and system for network usage analysis and forecasting
KR20240073634A (ko) * 2022-11-18 2024-05-27 고려대학교 산학협력단 프로그래밍 가능한 네트워크 가상화에서의 제어 트래픽 시계열 예측 기반의 제어 채널 고립 방법 및 장치

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080016214A1 (en) * 2006-07-14 2008-01-17 Galluzzo Joseph D Method and system for dynamically changing user session behavior based on user and/or group classification in response to application server demand
CN102984080A (zh) * 2012-12-31 2013-03-20 无锡城市云计算中心有限公司 一种用于云计算***的负载均衡方法
WO2013049675A1 (en) * 2011-09-30 2013-04-04 Gigamon Llc Systems and methods for implementing a traffic visibility network
US20130215748A1 (en) * 2012-02-21 2013-08-22 Tektronix, Inc. Intelligent and Scalable Network Monitoring Utilizing a Hierarchy of Devices
GB2499936A (en) * 2010-07-26 2013-09-04 Seven Networks Inc Prediction of activity session for mobile network use optimization and user experience enhancement
CN103685014A (zh) * 2013-11-29 2014-03-26 武汉日电光通信工业有限公司 利用时间序列预测模型增强路由计算可靠性的***及方法
US20140101305A1 (en) * 2012-10-09 2014-04-10 Bruce A. Kelley, Jr. System And Method For Real-Time Load Balancing Of Network Packets
US20150172958A1 (en) * 2013-12-13 2015-06-18 Cable Television Laboratories, Inc. Predictive load balancing
WO2015114420A1 (en) * 2014-02-02 2015-08-06 Telefonaktiebolaget L M Ericsson (Publ) Session and service control for wireless devices using common subscriber information
CN104936232A (zh) * 2015-07-08 2015-09-23 重庆邮电大学 5g网络中基于用户标签的分流方法和***
EP2930891A1 (en) * 2014-04-10 2015-10-14 Level 3 Communications, LLC Network path selection using bandwidth prediction
CN105577729A (zh) * 2014-10-17 2016-05-11 中兴通讯股份有限公司 负载均衡的方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8850429B2 (en) * 2010-10-05 2014-09-30 Citrix Systems, Inc. Load balancing in multi-server virtual workplace environments
US9866478B2 (en) * 2015-03-23 2018-01-09 Extreme Networks, Inc. Techniques for user-defined tagging of traffic in a network visibility system
CN107710684B (zh) * 2015-03-27 2021-04-06 比格斯维琪网络公司 构建超大规模监测结构的***和方法
US10243813B2 (en) * 2016-02-12 2019-03-26 Extreme Networks, Inc. Software-based packet broker
WO2018080898A1 (en) * 2016-10-25 2018-05-03 Extreme Networks, Inc. Near-uniform load balancing in a visibility network via usage prediction

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080016214A1 (en) * 2006-07-14 2008-01-17 Galluzzo Joseph D Method and system for dynamically changing user session behavior based on user and/or group classification in response to application server demand
GB2499936A (en) * 2010-07-26 2013-09-04 Seven Networks Inc Prediction of activity session for mobile network use optimization and user experience enhancement
WO2013049675A1 (en) * 2011-09-30 2013-04-04 Gigamon Llc Systems and methods for implementing a traffic visibility network
US20130215748A1 (en) * 2012-02-21 2013-08-22 Tektronix, Inc. Intelligent and Scalable Network Monitoring Utilizing a Hierarchy of Devices
US20140101305A1 (en) * 2012-10-09 2014-04-10 Bruce A. Kelley, Jr. System And Method For Real-Time Load Balancing Of Network Packets
CN102984080A (zh) * 2012-12-31 2013-03-20 无锡城市云计算中心有限公司 一种用于云计算***的负载均衡方法
CN103685014A (zh) * 2013-11-29 2014-03-26 武汉日电光通信工业有限公司 利用时间序列预测模型增强路由计算可靠性的***及方法
US20150172958A1 (en) * 2013-12-13 2015-06-18 Cable Television Laboratories, Inc. Predictive load balancing
WO2015114420A1 (en) * 2014-02-02 2015-08-06 Telefonaktiebolaget L M Ericsson (Publ) Session and service control for wireless devices using common subscriber information
EP2930891A1 (en) * 2014-04-10 2015-10-14 Level 3 Communications, LLC Network path selection using bandwidth prediction
CN105577729A (zh) * 2014-10-17 2016-05-11 中兴通讯股份有限公司 负载均衡的方法及装置
CN104936232A (zh) * 2015-07-08 2015-09-23 重庆邮电大学 5g网络中基于用户标签的分流方法和***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QILIAN LIANG: ""Ad hoc wireless network traffic-self-similarity and forecasting"", 《IEEE COMMUNICATIONS LETTERS 》 *
沙毅，等: ""基于流量预测的Ad Hoc网络负载均衡协议"", 《东北大学学报(自然科学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11132109B2 (en) 2019-05-08 2021-09-28 EXFO Solutions SAS Timeline visualization and investigation systems and methods for time lasting events
CN112653570A (zh) * 2019-10-11 2021-04-13 瞻博网络公司 采用机器学习以预测和动态调整静态配置参数
CN112653570B (zh) * 2019-10-11 2023-12-22 瞻博网络公司 采用机器学习以预测和动态调整静态配置参数

Also Published As

Publication number Publication date
CN110024340B (zh) 2021-10-15
EP3533186A1 (en) 2019-09-04
US10887786B2 (en) 2021-01-05
WO2018080898A1 (en) 2018-05-03
US20190297520A1 (en) 2019-09-26
EP3533186A4 (en) 2020-06-03
EP3533186B1 (en) 2024-06-12

Similar Documents

Publication Publication Date Title
CN110024340A (zh) 经由使用预测在可见性网络中进行近似均匀负载平衡
Pei et al. Optimal VNF placement via deep reinforcement learning in SDN/NFV-enabled networks
Haghi Kashani et al. Quality of service‐aware approaches in fog computing
JP4175190B2 (ja) 業務サービス管理システムおよびサービスプロバイダの評価方法
CN103997725B (zh) 用于抽象和编排网络环境中的移动数据网络的***和方法
EP2932693B1 (en) Exchange of server status and client information through headers for request management and load balancing
US10033659B2 (en) Reputation-based mediation of virtual control planes
CN104160659B (zh) 用于通信网络的管理和操作的方法和装置
Gupta et al. COLAP: A predictive framework for service function chain placement in a multi-cloud environment
CN107767080A (zh) 一种银行网点服务资源调度方法及装置
JP6062034B2 (ja) 処理制御システム、処理制御方法、および処理制御プログラム
US9882773B2 (en) Virtual resource provider with virtual control planes
US9553774B2 (en) Cost tracking for virtual control planes
Manikandan et al. LGSA: Hybrid task scheduling in multi objective functionality in cloud computing environment
US20230300074A1 (en) Optimal Control of Network Traffic Visibility Resources and Distributed Traffic Processing Resource Control System
CN109189548A (zh) 资源调度方法、装置、计算机设备及计算机可读存储介质
CN101686170B (zh) 基于多出口用户路由的分级传输品质保障***
US11558263B2 (en) Network device association with network management system
CN110335032A (zh) 业务处理方法及装置
Huang et al. An enhanced genetic algorithm for web service location-allocation
Jiang et al. An innovative self-adaptive configuration optimization system in cloud computing
Jiang Optimised auto-scaling for cloud-based web service
Li et al. Optimal device management service selection in Internet-of-Things
WO2021192268A1 (ja) リソース管理装置、リソース管理方法、および、リソース管理プログラム
Gohar et al. An online cost minimization of the slice broker based on deep reinforcement learning

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