CN113722195B - 基于ahp层级分析法的局域网运行评估***及方法 - Google Patents
基于ahp层级分析法的局域网运行评估***及方法 Download PDFInfo
- Publication number
- CN113722195B CN113722195B CN202110908929.4A CN202110908929A CN113722195B CN 113722195 B CN113722195 B CN 113722195B CN 202110908929 A CN202110908929 A CN 202110908929A CN 113722195 B CN113722195 B CN 113722195B
- Authority
- CN
- China
- Prior art keywords
- local area
- area network
- module
- evaluation
- weight
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000010276 construction Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013210 evaluation model Methods 0.000 claims abstract description 13
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 6
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000010485 coping Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 230000003862 health status Effects 0.000 description 9
- 230000036541 health Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 230000008676 import Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007306 functionalization reaction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007475 c-index Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000035605 chemotaxis Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了基于AHP层级分析法的局域网运行评估***和方法,所述***包括:信息采集模块、信息分析模块、层次构建模块、数据处理模块、模型训练模块以及评价预测模块,所述信息采集模块用于获取局域网运行历史信息,信息分析模块用于分析局域网运行历史信息,层次构建模块用于将分析的局域网运行历史信息构建成设定要求的层次结构模型,数据处理模块用于判断矩阵的构建、合成以及权重赋值的计算,所述模型训练模块用于根据局域网运行历史信息生成训练集,并根据训练集对配置的评价模型进行训练,生成模型参数,输出训练模型,所述评价预测模块用于根据训练模型,生成待评价的局域网运行状态,并进行输出。
Description
技术领域
本发明属于局域网运行状态评价技术领域,尤其涉及局域网运行状态评价模型构建方法、评价的***及方法。
背景技术
局域网作为现***公以及生活生产等的重要工具,其是否正常运行,直接关系到我们的诸多利益。然而实际生活工作中,一般都是等局域网出现问题时,才会进行对应的检测等,而这个时候,突然的网络异常,会导致我们的工作生活突然中断,文件传输丢失等问题,十分不便。
现有技术中,目前缺乏对于局域网运行状态的评价方法和模型等,进而无法实现很好的预测等,导致无法及时进行对应的跟进。
发明内容
本发明的目的在于提供基于AHP层级分析法的局域网运行评估***及方法,通过模型的构建,便于根据关键指标以及权重等,分析出运行中的局域网状态,为后期的进一步监控做好准备。
为了实现上述技术效果,本发明通过以下技术方案予以实现。
基于AHP层级分析法的局域网运行评估***,包括:
信息采集模块、信息分析模块、层次构建模块、数据处理模块、模型训练模块以及评价预测模块,所述信息采集模块用于获取局域网运行历史信息,信息分析模块用于分析局域网运行历史信息,层次构建模块用于将分析的局域网运行历史信息构建成设定要求的层次结构模型,数据处理模块用于判断矩阵的构建、合成以及权重赋值的计算,所述模型训练模块用于根据局域网运行历史信息生成训练集,并根据训练集对配置的评价模型进行训练,生成模型参数,输出训练模型,所述评价预测模块用于根据训练模型,生成待评价的局域网运行状态,并进行输出。
本技术方案中,通过模型,构建评价***,评价***可以设置于办公场所、家庭、工厂等各个区域,形成对应区域的局域网运行状态评价***,尤其对于部分军工等企业,其整个的要求比较高,而通过评价***的构建,能够及时分析到运行状态,进行监控。
本技术方案中,每个模块根据其性能均设置对应的功能,进而使得其能够完成建立评估***需要的必要的基础元件,然后通过合成等,合成于硬件内部,以实现在硬件上的可操作化运行。
本技术方案中,通过模型的增加,进而由于具备功能化,使得整个的运算以及其他,更加方便,为后续局域网的智能运行的持续性,提供了参考数据。
作为本发明的进一步改进,还包括显示模块,所述显示模块用于显示评价预测模块输出的运行状态以及加权求和,并根据运行状态,显示出应对策略。
本技术方案中,增加的显示模块,能够直观得到运行状态,同时根据对应的运行状态和参数,给出对应的策略,为整个局域网的长期、合理以及有效利用,提供了保障。
本发明还公开了一种基于AHP层级分析法的局域网运行评估方法,包括以下步骤:
通过信息采集模块进行局域网运行历史信息的采集;
通过信息分析模块分析采集的局域网运行历史信息的运行状态,得到关键指标;
通过层次构建模块,根据关键指标,构建1大目标层、5大指标层和26大方案层的层次结构模型;
利用数据处理模块,通过AHP层次分析法,采用1-9标度对每个层次结构模型分别构建多重判断矩阵,利用几何均数方法对多重判断矩阵进行合成,利用合成的判断矩阵对层次结构模型中的关键指标进行权重赋值,形成评价体系;
通过模型训练模块以及评价预测模块,以采集的局域网运行历史信息对评价体系中的权重赋值进行训练,生成模型参数,并根据权重赋值的加权求和,评估出局域网的运行状态。
本技术方案中,通过历史信息作为关键指标,能够结合实际的运行,进行对应的指标选取,切合实际,更适合实际监测,且通过历史信息进行训练,结合实际运行状态,准确度更高。
本技术方案中,利用AHP层次分析法,具有***性强、简洁实用以及所需定量数据信息较少等特点,其能够利用较少的定量信息使决策的思维过程数学化,从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法。尤其适合于对决策结果难于直接准确计量的场合。
本技术方案中,通过训练等,配合权重赋值的加权求和,能够根据总的求和,判断出局域网的运行状态,进而便于局域网进行初步的运行评价,可以得知局域网是否正常,后面是否需要检修等。
作为本发明的进一步改进,所述5大指标层分别为主机B1、网络设备B2、中间件B3、链路B4以及数据库B5;
所述26大方案层分别为内存使用率B11、CPU使用率B12、进程信息B13、存储使用率B14、连通性B15、ping丢包率B16、ping响应时间B17、ping丢包率B21、ping响应时间B22、CPU使用率B23、进口流量B24、出口流量B25、连通性B26、连通性B31、内存泄露监测B32、线程池监控B33、超时线程/挂起线程B34、堆使用率B35、进口流量B41、出口流量B42、连通性B51、数据库数据占比B52、CPU使用率B53、内存使用率B54、数据库并发数量B55和表空间使用率B56。
本技术方案中,利用网管***对于局域网的平时监控,可以得到主机、网络设备、中间件、链路以及数据库等指标参数进行的采集和持久化存储,使得历史数据容易获取,同时,以指标层和方案层为基础,通过具体方案,使其达到指标层的指标,最终达到目标层的目标。
作为本发明的进一步改进,所述通过AHP层次分析法,采用1-9标度对每个层次构建多重判断矩阵,利用几何均数方法对多重判断矩阵进行合成,利用合成的判断矩阵对层次结构模型中的关键指标进行权重赋值,包括以下步骤:
递阶层次结构的建立:针对影响局域网运行参数的重要因素,采用预设方法,模块化的建立递阶层次结构;
多重判断矩阵的构造:通过预设方法构造多重判断矩阵;
多重判断矩阵的一致性检验:采用预设方法,对所述多重矩阵进行计算,并采用预设方法对所述多重判断矩阵进行一致性检验;
组合权重的计算:将通过一致性检验的多重判断矩阵中的主观权重,与客观权重通过几何计算,得到综合权重,形成评价***中的权重赋值。
本技术方案中,通过多重判断矩阵、一致性检验以及组合权重等,使得整个模型的整个参数以及对应的评价更切合实际,尤其是一致性的检验,能够减小主观等带来的误差。
作为本发明的进一步改进,所述递阶层次结构的建立,具体为:通过对局域网运行历史信息的全面分析,得出各个关键指标之间的内在关系以及影响,然后按目标、指标以及实施的顺序,从上至下分解为3个不同层次的结构。
本技术方案中,充分利用AHP层级分析法,分成三层,从实施、指标到最终的目的,其能够把复杂问题中的各种因素通过划分为相互联系的有序层次,使之条理化,根据对一定客观现实的主观判断结构(主要是两两比较)把专家意见和分析者的客观判断结果直接而有效地结合起来,将一层次元素两两比较的重要性进行定量描述。
作为本发明的进一步改进,,所述多重判断矩阵的构造具体为:通过预设方法,将5大指标层中的指标作为判断矩阵的元素,根据预设方法,两两指标比较,根据重要程度进行赋值,得到判断矩阵。
本技术方案中,通过两两之间的比较,使得多个指标之间进行对比,确保重要程度,建立重要程度表,按照重要程度表进行赋值,得出判断矩阵,进而多个重要指标进行对比,确保所有重要指标的重要程度都得能到计算。
作为本发明的进一步改进,所述组合权重的计算步骤中的客观权重,具体为:利用熵值法,根据关键指标的变异程度,结合信息熵计算得出各关键指标的熵权,然后通过熵权对各关键指标的权重重新修正得到的客观权重。
本技术方案中,为了避免主观意识的偏差,故增加了客观权重,而熵值法是一种客观赋值方法。在具体使用的过程中,熵权法根据各指标的变异程度,利用信息熵计算出各指标的熵权,再通过熵权对各指标的权重进行修正,从而得到较为客观的指标权重。
作为本发明的进一步改进,所述组合权重的计算步骤中的几何计算具体为:
设立主观权重与客观权重的相对重要程度分别为μ和λ,结合矩估计理论,根据公式(1),计算各指标的主观和客观权重的重要系数μi和λi为:
上式中,wi表示第i个评价维度主观权重值;ωi表示第i个评价维度客观权重值;i表示某一评价维度,总计m个评价维度。μi和λi分别表示各评价维度的主观和客观权重的重要系数。
利用已得的主观权重集合、客观权重集合以及主客观权重的相对重要系数,根据公式(2)最终可计算出综合权重为:
上式中,Cwi表示综合权重值;wi表示第i个评价维度主观权重值;ωi表示第i个评价维度客观权重值;i表示某一评价维度,总计m个评价维度;μi和λi分别表示各评价维度的主观和客观权重的重要系数。
本技术方案中,根据指标的不同,主客观权重的相对重要程度也不同,故将两者进行组合,确保主观和客观都能得到对比,实现更公平的评价。
附图说明
图1为本发明提供的局域网运行状态评价模型构建方法的流程图;
图2为本发明提供的层次结构模型的结构图;
图3为本发明提供的实施例4中的流程图;
图4为本发明提供的基于AHP层级分析法的局域网整体运行健康状态评价模型的流程图;
图5为本发明提供的基于AHP层级分析法的局域网整体运行健康状态评价模型中评价的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细的说明。
实施例1
参照附图2所示,本实施例中基于AHP层级分析法的局域网运行评估***,包括:
信息采集模块、信息分析模块、层次构建模块、数据处理模块、模型训练模块以及评价预测模块,所述信息采集模块用于获取局域网运行历史信息,信息分析模块用于分析局域网运行历史信息,层次构建模块用于将分析的局域网运行历史信息构建成设定要求的层次结构模型,数据处理模块用于判断矩阵的构建、合成以及权重赋值的计算,所述模型训练模块用于根据局域网运行历史信息生成训练集,并根据训练集对配置的评价模型进行训练,生成模型参数,输出训练模型,所述评价预测模块用于根据训练模型,生成待评价的局域网运行状态,并进行输出。
本实施例中,通过模型,构建评价***,评价***可以设置于办公场所、家庭、工厂等各个区域,形成对应区域的局域网运行状态评价***,尤其对于部分军工等企业,其整个的要求比较高,而通过评价***的构建,能够及时分析到运行状态,进行监控。
本实施例中,每个模块根据其性能均设置对应的功能,进而使得其能够完成建立评估***需要的必要的基础元件,然后通过合成等,合成于硬件内部,以实现在硬件上的可操作化运行。
本实施例中,通过模型的增加,进而由于具备功能化,使得整个的运算以及其他,更加方便,为后续局域网的智能运行的持续性,提供了参考数据。
进一步地,还包括显示模块,所述显示模块用于显示评价预测模块输出的运行状态以及加权求和,并根据运行状态,显示出应对策略。
本实施例中,增加的显示模块,能够直观得到运行状态,同时根据对应的运行状态和参数,给出对应的策略,为整个局域网的长期、合理以及有效利用,提供了保障。
实施例2
本实施例,主要介绍一种基于AHP层级分析法的局域网运行评估方法的流程。
参照附图1所示,一种基于AHP层级分析法的局域网运行评估方法,包括以下步骤:
通过信息采集模块进行局域网运行历史信息的采集;
通过信息分析模块分析采集的局域网运行历史信息的运行状态,得到关键指标;
通过层次构建模块,根据关键指标,构建1大目标层、5大指标层和26大方案层的层次结构模型;
利用数据处理模块,通过AHP层次分析法,采用1-9标度对每个层次结构模型分别构建多重判断矩阵,利用几何均数方法对多重判断矩阵进行合成,利用合成的判断矩阵对层次结构模型中的关键指标进行权重赋值,形成评价体系;
通过模型训练模块以及评价预测模块,以采集的局域网运行历史信息对评价体系中的权重赋值进行训练,生成模型参数,并根据权重赋值的加权求和,评估出局域网的运行状态。
本实施例中,通过历史信息作为关键指标,能够结合实际的运行,进行对应的指标选取,切合实际,更适合实际监测,且通过历史信息进行训练,结合实际运行状态,准确度更高。
本实施例中,利用AHP层次分析法,具有***性强、简洁实用以及所需定量数据信息较少等特点,其能够利用较少的定量信息使决策的思维过程数学化,从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法。尤其适合于对决策结果难于直接准确计量的场合。
本实施例中,通过训练等,配合权重赋值的加权求和,能够根据总的求和,判断出局域网的运行状态,进而便于局域网进行初步的运行评价,可以得知局域网是否正常,后面是否需要检修等。
实施例3
本实施例中,主要介绍层次结构模型。
参照附图2所示,实施例1中,所述5大指标层分别为主机B1、网络设备B2、中间件B3、链路B4以及数据库B5;
所述26大方案层分别为内存使用率B11、CPU使用率B12、进程信息B13、存储使用率B14、连通性B15、ping丢包率B16、ping响应时间B17、ping丢包率B21、ping响应时间B22、CPU使用率B23、进口流量B24、出口流量B25、连通性B26、连通性B31、内存泄露监测B32、线程池监控B33、超时线程/挂起线程B34、堆使用率B35、进口流量B41、出口流量B42、连通性B51、数据库数据占比B52、CPU使用率B53、内存使用率B54、数据库并发数量B55和表空间使用率B56。
本实施例中,利用网管***对于局域网的平时监控,可以得到主机、网络设备、中间件、链路以及数据库等指标参数进行的采集和持久化存储,使得历史数据容易获取,同时,以指标层和方案层为基础,通过具体方案,使其达到指标层的指标,最终达到目标层的目标。
实施例4
本实施例中,主要介绍多重判断矩阵的构成。
进一步地,所述通过AHP层次分析法,采用1-9标度对每个层次构建多重判断矩阵,利用几何均数方法对多重判断矩阵进行合成,利用合成的判断矩阵对层次结构模型中的关键指标进行权重赋值,包括以下步骤:
递阶层次结构的建立:针对影响局域网运行参数的重要因素,采用预设方法,模块化的建立递阶层次结构;
多重判断矩阵的构造:通过预设方法构造多重判断矩阵;
多重判断矩阵的一致性检验:采用预设方法,对所述多重矩阵进行计算,并采用预设方法对所述多重判断矩阵进行一致性检验;
组合权重的计算:将通过一致性检验的多重判断矩阵中的主观权重,与客观权重通过几何计算,得到综合权重,形成评价***中的权重赋值。
本实施例中,通过多重判断矩阵、一致性检验以及组合权重等,使得整个模型的整个参数以及对应的评价更切合实际,尤其是一致性的检验,能够减小主观等带来的误差。
具体地,所述递阶层次机构的建立,具体为:通过对局域网运行历史信息的全面分析,得出各个关键指标之间的内在关系以及影响,然后按目标、指标以及实施的顺序,从上至下分解为3个不同层次的结构。
本实施例中,充分利用AHP层级分析法,分成三层,从实施、指标到最终的目的,其能够把复杂问题中的各种因素通过划分为相互联系的有序层次,使之条理化,根据对一定客观现实的主观判断结构(主要是两两比较)把专家意见和分析者的客观判断结果直接而有效地结合起来,将一层次元素两两比较的重要性进行定量描述。
进一步地,所述多重判断矩阵的构造具体为:通过预设方法,将5大指标层中的指标作为判断矩阵的元素,根据预设方法,两两指标比较,根据重要程度进行赋值,得到判断矩阵。
本实施例中,通过两两之间的比较,使得多个指标之间进行对比,确保重要程度,建立重要程度表,按照重要程度表进行赋值,得出判断矩阵,进而多个重要指标进行对比,确保所有重要指标的重要程度都得能到计算。
更进一步地,所述组合权重的计算步骤中的客观权重,具体为:利用熵值法,根据关键指标的变异程度,结合信息熵计算得出各关键指标的熵权,然后通过熵权对各关键指标的权重重新修正得到的客观权重。
本实施例中,为了避免主观意识的偏差,故增加了客观权重,而熵值法是一种客观赋值方法。在具体使用的过程中,熵权法根据各指标的变异程度,利用信息熵计算出各指标的熵权,再通过熵权对各指标的权重进行修正,从而得到较为客观的指标权重。
具体地,所述组合权重的计算步骤中的几何计算具体为:
设立主观权重与客观权重的相对重要程度分别为μ和λ,结合矩估计理论,计算各指标的主观和客观权重的重要系数μi和λi为:
上式中,wi表示第i个评价维度主观权重值;ωi表示第i个评价维度客观权重值;i表示某一评价维度,总计m个评价维度。μi和λi分别表示各评价维度的主观和客观权重的重要系数。
利用已得的主观权重集合、客观权重集合以及主客观权重的相对重要系数,最终可计算出综合权重为:
上式中,Cwi表示综合权重值;wi表示第i个评价维度主观权重值;ωi表示第i个评价维度客观权重值;i表示某一评价维度,总计m个评价维度;μi和λi分别表示各评价维度的主观和客观权重的重要系数。
本实施例中,根据指标的不同,主客观权重的相对重要程度也不同,故将两者进行组合,确保主观和客观都能得到对比,实现更公平的评价。
实施例5
本实施例中,结合应用进行介绍。
本实施例中,以模型构建为基础,然后配合整个的应用,形成最终的评价方法。
参照附图3所示,具体包括,步骤1:***历史运行数据收集(即***历史运行数据流)。
借助综合网管***对主机(包括内存使用率、CPU使用率、进程信息、存储使用率、连通性、ping丢包率等)、网络设备(端口状态,CPU使用率,进出口流量、连通性、ping丢包率等)、中间件(连通性,堆使用率等)、链路(进出口流量等)以及数据库(连通性,表空间使用率等)等指标参数数据进行采集和持久化存储。
步骤2:运行状态特征提取。
基于采集到的数据,综合应用数理统计分析方法对个关键指标进行分析,求解各指标初始状态特征、长短期变化趋势以及阈值,从而为状态评价模型构建及指标计算提供数据支撑。具体地,即综合数据分析及探索结果,依据各指标特征提取其特征向量,包括,参数出事特征、衍生指标计算、指标区间确定以及指标同趋势化处理。
步骤3:构建局域网整体运行健康状态评价模型(即基于AHP层级分析法的局域网整体运行健康状态评价模型)。
设由n个评价指标组成的评价指标集B={B1,B2,L,Bn},生成的主观权重为w={w1,w2,L,wn},AHP算法的基本原理和计算步骤如下:
(1)建立层次结构模型
将复杂问题进行条理化、层次化,并按目标层、指标层、实施层进行划分。其中,目标层为问题的实现目标,指标层为实现目标的各类影响要素,实施层为各类指标的实现方法。
具体地,泵组运行状态评价,包括评价指标1、评价指标2....评价指标m,每个评价指标又包括n个指标对象,比如评价指标1包括指标对象11、指标对象....指标对象1n;评价指标2包括指标对象21....指标对象2n;评价指标m包括指标对象m1....指标对象mn。
参照附图4所示,包括步骤(1)至(6),形成基于AHP层级分析法的局域网整体运行健康状态评价模型的流程图。
(2)构造判断矩阵并赋值
根据层次结构的递阶模型,构造判断矩阵B=(bij)n×n。将指标层中指标作为判断矩阵的各类元素,并咨询有关专家(具体主要是指内部和外部从事网络相关研究或工作的专业人员),将两两指标进行比较,按照重要程度表进行赋值,得出判断矩阵。其中,重要程度表可见下表1所示:
表1 AHP重要程度表
(3)计算得出相关权重
根据构造判断矩阵B=(bij)n×n,计算得出各指标权重。针对判断矩阵B=(bij)n×n开展矩阵计算求取矩阵的最大特征值λmax,并由λmax求得对应的特征向量w*,进行归一化处理后得出w=[w1,w2,L,wn]T,即为各指标的权重。
(4)一致性检验
鉴于指标重要排序均为人为排序,具有一定的主观随意性,有可能出现指标权重与实际重要程度相悖的情况,因此需开展一致性检验,验证指标排序的合理性。
AHP的一致性检验主要通过一致性指标(Consistency Index,CI)、随机一致性指标(Random Index,RI)以及一致性比例(Consistency Ratio,CR)三个参数实现。
首先,计算判断矩阵一致性指标为:
式中,λmax为判断矩阵B=(bij)n×n的最大特征值,n为判断矩阵的阶数。其次,根据判断矩阵的阶数n,查询平均随机一致性指标表确定RI值,具体详见下表2所示:
表2平均随机一致性指标取值参考表
最后,计算一致性比例为:
若CR<0.1,则指标排序合理,若CR≥0.1,则指标排序不符合一致性要求,需对判断矩阵进行重新修正。
(5)权重计算
熵权法是一种客观赋值方法。在具体使用的过程中,熵权法根据各指标的变异程度,利用信息熵计算出各指标的熵权,再通过熵权对各指标的权重进行修正,从而得到较为客观的指标权重。
一般来说,若某个指标的信息熵越小,表明指标值得变异程度越大,提供的信息量越多,在综合评价中所能起到的作用也越大,权重也就越大,反之越小。
设有n个待评对象,m个评价指标,数据矩阵为D=(dij)n×m,生成的主观权重为ω={ω1,ω2,L,ωm},其中,dij表示第i个待评对象的第j个评价指标值。熵权法的基本原理和计算步骤如下:
(1)数据标准化
由于各项指标的计量单位并不统一,因此在用它们计算综合指标前,先要进行标准化处理,即把指标的绝对值转化为相对值,从而解决各项不同指标的同趋势化处理。
其中,通过对当前指标体系中各指标值的性质,可将其同趋势化处理类型分为三种,即越小越优型、区间最优型和中间最优型。不同类型指标同趋势化处理方式如下:
越小越优型:
区间最优型:
中间最优型:
上式中,M表示最大值,m表示最小值,x表示目标值,q1表示区间下限值,q2表示区间上限值。
(2)计算第j项指标下第i个样本值占该指标的比重pij
(3)计算第j项指标的熵值ej
其中,k=1/ln(n)>0,满足ej≥0。
(4)计算信息熵冗余度(差异)dj
dj=1-ej,j=1,2,L,m
(5)计算各项指标的权重ωj
(6)计算组合权重
根据指标的不同,主客观权重的相对重要程度也不同,设立主观权重与客观权重的相对重要程度分别为μ和λ,结合矩估计理论的基本思想,计算各指标的主观和客观权重的重要系数μi和λi为:
上式中,wi表示第i个评价维度主观权重值;ωi表示第i个评价维度客观权重值;i表示某一评价维度,总计m个评价维度。μi和λi分别表示各评价维度的主观和客观权重的重要系数。
利用已得的主观权重集合、客观权重集合以及主客观权重的相对重要系数,最终可计算出综合权重为:
上式中,Cwi表示综合权重值;wi表示第i个评价维度主观权重值;ωi表示第i个评价维度客观权重值;i表示某一评价维度,总计m个评价维度;μi和λi分别表示各评价维度的主观和客观权重的重要系数。
步骤4:***样本运行数据数据输入及状态评价(基于AHP层级分析法的局域网整体运行健康状态评价模型)。
针对新采集到***样本运行数据流,具体包括主机(内存使用率,CPU使用率,进程信息,存储使用率,连通性、ping丢包率等)、网络设备(端口状态,CPU使用率,进出口流量、连通性、ping丢包率等)、中间件(连通性,堆使用率等)、链路(进出口流量等)以及数据库(连通性,表空间使用率等)数据,按照评价体系由下至上进行计算和汇总,最终通过加权求和得到局域网整体运行健康状态评分。
本实施例中,评价指标一般为定量的,参照附图5所示,为基于AHP层级分析法的局域网整体运行健康状态评价模块,首先,根据其对评价结果的影响方向,可以分为以下4种类型:极大型、极小型、中间型以及区间型。其次,将周期参数初始化,具体地,级大型包括:高优指标、其值越大越好,如平稳运行天数等;而极小型包括低优指标,其值越小越好,如故障次数等;而中间型包括其值不能太大也不能太小,如液压***启泵压力;而区间型则是落在区间内最佳,离区间越远越差,比如主***液压;其次,同趋化处理,使所有指标对评价结果的作用方向一致,然后进行评分异常溯源;根据评分异常溯源以及同趋化处理结果,得出评分趋势展示,最后,得到健康状态评价。
步骤5:局域网整体运行健康状态评价结果输出。
以样例数据作为输入,通过指标过滤、特征提取、模型计算等流程,得到局域网整体运行健康状态评分,并将该结果进行反馈和存储。其中,运行健康状态评分grade取值范围为[0,1],该评分对应的等级及应对策略如下表4所示:
表4运行健康状态评价结果等级划分及应对策略
等级 | 运行状态评分grade | 应对策略 |
I(良好) | grade∈(c,1] | 定期检查 |
Ⅱ(可用) | grade∈(a,b] | 关注 |
Ⅲ(异常) | grade∈[0,a] | 立即检查 |
上表中,a、b、c将结合业务经验和数据评分结果,选择合适的区间范围,从而确定各未知参数的取值。
同时,基于各评价指标得分情况对主机、网络设备、中间件、链路及数据库运行异常进行分析和溯源。
本实施例中,具体是通过健康状态评分、评分异常溯源(包括主机异常、网络设备异常、中间件异常、链路异常和数据库异常)得到的局域网整体运行健康状态评价结果。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.基于AHP层级分析法的局域网运行评估***,其特征在于,包括:
信息采集模块、信息分析模块、层次构建模块、数据处理模块、模型训练模块以及评价预测模块,所述信息采集模块用于获取局域网运行历史信息,信息分析模块用于分析局域网运行历史信息,层次构建模块用于将分析的局域网运行历史信息构建成设定要求的层次结构模型,数据处理模块用于判断矩阵的构建、合成以及权重赋值的计算,所述模型训练模块用于根据局域网运行历史信息生成训练集,并根据训练集对配置的评价模型进行训练,生成模型参数,输出训练模型,所述评价预测模块用于根据训练模型,生成待评价的局域网运行状态,并进行输出;
包括以下步骤:
通过信息采集模块进行局域网运行历史信息的采集;
通过信息分析模块分析采集的局域网运行历史信息的运行状态,得到关键指标;
通过层次构建模块,根据关键指标,构建1大目标层、5大指标层和26大方案层的层次结构模型;
利用数据处理模块,通过AHP层次分析法,采用1-9标度对每个层次结构模型分别构建多重判断矩阵,利用几何均数方法对多重判断矩阵进行合成,利用合成的判断矩阵对层次结构模型中的关键指标进行权重赋值,形成评价体系;
通过模型训练模块以及评价预测模块,以采集的局域网运行历史信息对评价体系中的权重赋值进行训练,生成模型参数,并根据权重赋值的加权求和,评估出局域网的运行状态;
所述通过AHP层次分析法,采用1-9标度对每个层次构建多重判断矩阵,利用几何均数方法对多重判断矩阵进行合成,利用合成的判断矩阵对层次结构模型中的关键指标进行权重赋值,包括以下步骤:
递阶层次结构的建立:针对影响局域网运行参数的重要因素,采用预设方法,模块化的建立递阶层次结构;
多重判断矩阵的构造:通过预设方法构造多重判断矩阵;
多重判断矩阵的一致性检验:采用预设方法,对所述多重判断矩阵进行计算,并采用预设方法对所述多重判断矩阵进行一致性检验;
组合权重的计算:将通过一致性检验的多重判断矩阵中的主观权重,与客观权重通过几何计算,得到综合权重,形成评价***中的权重赋值;
所述组合权重的计算步骤中的客观权重,具体为:利用熵值法,根据关键指标的变异程度,结合信息熵计算得出各关键指标的熵权,然后通过熵权对各关键指标的权重重新修正得到的客观权重;
所述组合权重的计算步骤中的几何计算具体为:
设立主观权重与客观权重的相对重要程度分别为μ和λ,结合矩估计理论,根据公式(1),计算各指标的主观和客观权重的重要系数μi和λi为:
上式中,wi表示第i个评价维度主观权重值;ωi表示第i个评价维度客观权重值;i表示某一评价维度,总计m个评价维度;μi和λi分别表示各评价维度的主观和客观权重的重要系数;
利用已得的主观权重集合、客观权重集合以及主客观权重的相对重要系数,根据公式(2)最终可计算出综合权重为:
上式中,表示综合权重值;wi表示第i个评价维度主观权重值;ωi表示第i个评价维度客观权重值;i表示某一评价维度,总计m个评价维度;μi和λi分别表示各评价维度的主观和客观权重的重要系数。
2.根据权利要求1所述的基于AHP层级分析法的局域网运行评估***,其特征在于,还包括显示模块,所述显示模块用于显示评价预测模块输出的运行状态以及加权求和,并根据运行状态,显示出应对策略。
3.根据权利要求1所述的基于AHP层级分析法的局域网运行评估***,其特征在于,所述5大指标层分别为主机B1、网络设备B2、中间件B3、链路B4以及数据库B5;
所述26大方案层分别为内存使用率B11、CPU使用率B12、进程信息B13、存储使用率B14、连通性B15、ping丢包率B16、ping响应时间B17、ping丢包率B21、ping响应时间B22、CPU使用率B23、进口流量B24、出口流量B25、连通性B26、连通性B31、内存泄露监测B32、线程池监控B33、超时线程/挂起线程B34、堆使用率B35、进口流量B41、出口流量B42、连通性B51、数据库数据占比B52、CPU使用率B53、内存使用率B54、数据库并发数量B55和表空间使用率B56。
4.根据权利要求1所述的基于AHP层级分析法的局域网运行评估***,其特征在于,所述递阶层次结构的建立,具体为:通过对局域网运行历史信息的全面分析,得出各个关键指标之间的内在关系以及影响,然后按目标、指标以及实施的顺序,从上至下分解为3个不同层次的结构。
5.根据权利要求1所述的基于AHP层级分析法的局域网运行评估***,其特征在于,所述多重判断矩阵的构造具体为:通过预设方法,将5大指标层中的指标作为判断矩阵的元素,根据预设方法,两两指标比较,根据重要程度进行赋值,得到判断矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908929.4A CN113722195B (zh) | 2021-08-09 | 2021-08-09 | 基于ahp层级分析法的局域网运行评估***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908929.4A CN113722195B (zh) | 2021-08-09 | 2021-08-09 | 基于ahp层级分析法的局域网运行评估***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722195A CN113722195A (zh) | 2021-11-30 |
CN113722195B true CN113722195B (zh) | 2023-10-24 |
Family
ID=78675205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110908929.4A Active CN113722195B (zh) | 2021-08-09 | 2021-08-09 | 基于ahp层级分析法的局域网运行评估***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722195B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511596B (zh) * | 2022-09-02 | 2023-09-19 | 杭州榜置科技有限公司 | 一种辅助决策的征信验证评估管理方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902882A (zh) * | 2012-09-14 | 2013-01-30 | 安徽南瑞继远软件有限公司 | 一种信息***运行质量的评价方法 |
CN106651169A (zh) * | 2016-12-19 | 2017-05-10 | 国家电网公司 | 基于模糊综合评价的配电自动化终端状态评价方法及*** |
CN108647885A (zh) * | 2018-05-10 | 2018-10-12 | 北京科东电力控制***有限责任公司 | 基于层次分析法与熵权值法的电动汽车充电网络评价方法 |
WO2019100504A1 (zh) * | 2017-11-22 | 2019-05-31 | 北京科东电力控制***有限责任公司 | 构建基于大数据技术的电力交易指标体系的方法 |
CN112418603A (zh) * | 2020-10-15 | 2021-02-26 | 招商华软信息有限公司 | 基于设备健康指数的etc门架***状态评价方法、电子设备、存储介质 |
CN112966939A (zh) * | 2021-03-05 | 2021-06-15 | 浙江理工大学 | 一种基于组合赋权模糊综合评价的电梯安全评估方法 |
-
2021
- 2021-08-09 CN CN202110908929.4A patent/CN113722195B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902882A (zh) * | 2012-09-14 | 2013-01-30 | 安徽南瑞继远软件有限公司 | 一种信息***运行质量的评价方法 |
CN106651169A (zh) * | 2016-12-19 | 2017-05-10 | 国家电网公司 | 基于模糊综合评价的配电自动化终端状态评价方法及*** |
WO2019100504A1 (zh) * | 2017-11-22 | 2019-05-31 | 北京科东电力控制***有限责任公司 | 构建基于大数据技术的电力交易指标体系的方法 |
CN108647885A (zh) * | 2018-05-10 | 2018-10-12 | 北京科东电力控制***有限责任公司 | 基于层次分析法与熵权值法的电动汽车充电网络评价方法 |
CN112418603A (zh) * | 2020-10-15 | 2021-02-26 | 招商华软信息有限公司 | 基于设备健康指数的etc门架***状态评价方法、电子设备、存储介质 |
CN112966939A (zh) * | 2021-03-05 | 2021-06-15 | 浙江理工大学 | 一种基于组合赋权模糊综合评价的电梯安全评估方法 |
Non-Patent Citations (2)
Title |
---|
基于AHP-熵-TOPSIS对极轨气象卫星应用***健康程度评价指标体系;邢开云;贾树泽;赵现纲;冯小虎;;气象科技(第04期);全文 * |
基于主客观权重集成的训练评估方法;乔中涛;张延生;高凤岐;杨叶舟;;现代电子技术(第15期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113722195A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107146009B (zh) | 一种供水管网运行状态评估方法 | |
CN113360358B (zh) | 一种自适应计算it智能运维健康指数的方法及*** | |
CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN104933627A (zh) | 机床产品制造***的能效组合评价方法 | |
CN114118789B (zh) | 基于模糊综合评判和综合赋权的雷达发射机状态评估方法 | |
CN113627735B (zh) | 工程建设项目安全风险的预警方法及*** | |
CN106022480B (zh) | 基于d-s证据理论的机器人功能模块粒度划分评价方法 | |
CN112990627B (zh) | 电能质量评估方法 | |
CN112529320A (zh) | 空压机集群智能诊断*** | |
CN112857658B (zh) | 一种基于云平台的压力检测*** | |
CN111178725A (zh) | 一种基于层次分析法的保护设备状态预警方法 | |
CN113722195B (zh) | 基于ahp层级分析法的局域网运行评估***及方法 | |
CN111612371A (zh) | 一种基于层次分析法的智能电表质量评估方法 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测*** | |
CN113065715A (zh) | 一种综合能源***多元负荷超短期预测方法 | |
CN111612296A (zh) | 一种换流站电力设备在线监测装置量化配置方法 | |
CN114862267A (zh) | 一种输油气管道报警管理体系的评价方法及*** | |
CN111612227A (zh) | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 | |
CN110956281A (zh) | 一种基于Log分析的电力设备异常检测报警*** | |
CN117909112A (zh) | 应用程序故障自动诊断方法、装置、设备及存储介质 | |
CN117575564A (zh) | 可扩展的基础设施网络组件维修与改造决策评估方法及*** | |
CN117277435A (zh) | 一种光伏逆变器的健康评估方法、***及装置 | |
CN116823008A (zh) | 一种园区能源利用效率评估方法、***、设备和存储介质 |
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 |