CN115460482A - 网络性能预测方法和装置 - Google Patents
网络性能预测方法和装置 Download PDFInfo
- Publication number
- CN115460482A CN115460482A CN202110644826.1A CN202110644826A CN115460482A CN 115460482 A CN115460482 A CN 115460482A CN 202110644826 A CN202110644826 A CN 202110644826A CN 115460482 A CN115460482 A CN 115460482A
- Authority
- CN
- China
- Prior art keywords
- network
- network performance
- target
- prediction
- index
- 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 46
- 230000005540 biological transmission Effects 0.000 claims abstract description 102
- 238000012549 training Methods 0.000 claims description 48
- 230000009467 reduction Effects 0.000 claims description 46
- 238000007477 logistic regression Methods 0.000 claims description 41
- 238000004891 communication Methods 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 35
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 abstract description 22
- 230000003287 optical effect Effects 0.000 description 63
- 239000013307 optical fiber Substances 0.000 description 30
- 230000006870 function Effects 0.000 description 23
- 238000012937 correction Methods 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 11
- 241000566145 Otus Species 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
-
- 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
- H04L41/12—Discovery or management of network topologies
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0079—Operation or maintenance aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0079—Operation or maintenance aspects
- H04Q2011/0083—Testing; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例提供一种网络性能预测方法和装置,能够预测传输网的网络性能,以便于运维人员及时维护传输网,提高用户体验。该方法包括:网络性能预测装置采集目标传输网络的网络拓扑信息和多个第一网络性能参数;第一网络性能参数用于指示目标传输网络的实时网络性能;网络性能预测装置根据网络拓扑信息和多个第一网络性能参数确定目标链路的目标网络性能参数;网络性能预测装置根据目标网络性能参数和预测模型确定目标链路的第一指标;第一指标用于指示目标链路的网络质量。本申请用于网络质量预测。
Description
技术领域
本申请涉及通信领域,尤其涉及一种网络性能预测方法和装置。
背景技术
随着通信网络的发展,传输网的规模也不断扩大。而随着传输网运行时间的增加,传输网内涉及的网络设备由于材料磨损、环境变化造成的设备变形、腐蚀和老化等原因,使得这些网络设备的性能也逐渐降低,进而影响传输网的网络性能。
对于传输网的网络性能监控,一方面,可以通过监控传输网涉及的通信设备的网络运行状态来确定传输网的网络性能,但是由于传输网涉及的通信设备规模越来越大,因此运维人员也越来越难以通过该方法确定传输网的网络性能;另一方面,运维人员可以通过网管***采集传输网的性能参数,并根据这些性能参数与性能阈值的关系确定传输网的网络性能,虽然这种方法可以确定传输网当前的网络性能,但无法对传输网未来的网络性能进行预测,无法使得运维人员及时维护传输网,以提高用户的使用体验。
发明内容
本申请的实施例提供一种网络性能预测方法和装置,能够预测传输网的网络性能,以便于运维人员及时维护传输网,提高用户体验。
为达到上述目的,本申请的实施例采用如下技术方案:
第一方面,提供一种网络性能预测方法,包括:网络性能预测装置采集目标传输网络的网络拓扑信息和多个第一网络性能参数;第一网络性能参数用于指示目标传输网络的实时网络性能;网络性能预测装置根据网络拓扑信息和多个第一网络性能参数确定目标链路的目标网络性能参数;网络性能预测装置根据目标网络性能参数和预测模型确定目标链路的第一指标;第一指标用于指示目标链路的网络质量。
结合第一方面,一些可能的实现方式中,预测模型包括栈式降噪自编码器和逻辑回归模型;网络性能预测装置根据目标网络性能参数和预测模型确定目标链路的第一指标包括:
网络性能预测装置根据目标网络性能参数和栈式降噪自编码器确定第一输入特征值;网络性能预测装置根据第一输入特征值和逻辑回归模型确定第一指标。
结合第一方面,一些可能的实现方式中,栈式降噪自编码器包括目标噪声、第一权重矩阵、第一偏置向量、第二权重矩阵和第二偏置向量;方法还包括:
网络性能预测装置采集训练数据集;训练数据集包括目标传输网络对应的网络拓扑信息和多个第二网络性能参数,以及多个第二网络性能参数对应的标签值;
网络性能预测装置向第二网络性能参数加入目标噪声,以确定第三网络性能参数;
网络性能预测装置根据第三网络性能参数、第一权重矩阵、第一偏置向量、第二权重矩阵和第二偏置向量确定第二输入特征值;
网络性能预测装置根据第二输入特征值和逻辑回归模型确定第二指标;
若第二指标与标签值的差值大于或等于设定值,则网络性能预测装置根据反向传播算法更新逻辑回归模型的参数,使第二指标与标签值的差值小于设定值,以确定所预测模型。
结合第一方面,一些可能的实现方式中,目标链路至少包括第一网络设备、第二网络设备和第三网络设备;网络性能预测装置根据目标网络性能参数和预测模型确定目标链路的第一指标之后,还包括:
若第一指标超出目标阈值,则网络性能预测装置确定目标链路网络异常;网络性能预测装置根据第一指标和预设规则确定异常网络设备;异常网络设备为第一网络设备、第二网络设备或第三网络设备中的任一网络设备。
第二方面,提供一种网络性能预测装置,包括:采集模块,用于采集目标传输网络的网络拓扑信息和多个第一网络性能参数;第一网络性能参数用于指示目标传输网络的实时网络性能;处理模块,用于根据采集模块采集的网络拓扑信息和多个第一网络性能参数确定目标链路的目标网络性能参数;预测模块,用于根据处理模块确定的目标网络性能参数和预测模型确定目标链路的第一指标;第一指标用于指示目标链路的网络质量。
结合第二方面,一些可能的实现方式中,预测模型包括栈式降噪自编码器和逻辑回归模型;预测模块,具体用于:
根据目标网络性能参数和栈式降噪自编码器确定第一输入特征值;根据第一输入特征值和逻辑回归模型确定第一指标。
结合第二方面,一些可能的实现方式中,栈式降噪自编码器包括目标噪声、第一权重矩阵、第一偏置向量、第二权重矩阵和第二偏置向量;网络性能预测装置还包括训练模块;
采集模块,还用于采集训练数据集;训练数据集包括目标传输网络对应的网络拓扑信息和多个第二网络性能参数,以及多个第二网络性能参数对应的标签值;
训练模块,用于向第二网络性能参数加入目标噪声,以确定第三网络性能参数;
训练模块,还用于根据第三网络性能参数、第一权重矩阵、第一偏置向量、第二权重矩阵和第二偏置向量确定第二输入特征值;
训练模块,还用于根据第二输入特征值和逻辑回归模型确定第二指标;
若第二指标与标签值的差值大于或等于设定值,则训练模块根据反向传播算法更新逻辑回归模型的参数,使第二指标与标签值的差值小于设定值,以确定所预测模型。
结合第二方面,一些可能的实现方式中,目标链路至少包括第一网络设备、第二网络设备和第三网络设备;网络性能预测装置还包括预警模块;
预警模块,用于在第一指标超出目标阈值时,确定目标链路网络异常;
预警模块,还用于根据第一指标和预设规则确定异常网络设备;异常网络设备为第一网络设备、第二网络设备或第三网络设备中的任一网络设备。
第三方面,提供一种网络性能预测装置,包括存储器、处理器、总线和通信接口;存储器用于存储计算机执行指令,处理器与存储器通过总线连接;当网络性能预测装置运行时,处理器执行存储器存储的计算机执行指令,以使网络性能预测装置执行如第一方面提供的网络性能预测方法。
第四方面,提供一种计算机可读存储介质,计算机可读存储介质包括计算机执行指令,当计算机执行指令在计算机上运行时,使得计算机执行如第一方面提供的网络性能预测方法。
本申请实施例提供的网络性能预测方法,包括:网络性能预测装置采集目标传输网络的网络拓扑信息和多个第一网络性能参数;第一网络性能参数用于指示目标传输网络的实时网络性能;网络性能预测装置根据网络拓扑信息和多个第一网络性能参数确定目标链路的目标网络性能参数;网络性能预测装置根据目标网络性能参数和预测模型确定目标链路的第一指标;第一指标用于指示目标传输网络的网络质量。本申请实施例中,网络性能预测装置能够根据传输网络的实时性能数据,依靠预测模型确定该传输网络中各个通信链路的性能指标;由于在通信网络中,各个通信链路在正常运行时,其对应的性能指标通常具有一定的波动范围,因此本申请实施例在通过预测模型确定各个通信链路的性能指标后,即可以确定这些通信链路的网络质量,以为运维人员提供运维支持,及时对相应的故障、异常链路进行优化,从而提高用户的使用体验。
附图说明
为了更清楚地说明本申请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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请实施例提供的一种WDM传输网络***的架构示意图;
图2为本申请实施例提供的一种网络性能预测方法的流程示意图之一;
图3为本申请实施例提供的又一种WDM传输网络***的架构示意图;
图4为本申请实施例提供的一种预测模型的结构示意图之一;
图5为本申请实施例提供的一种网络性能预测方法的流程示意图之二;
图6为本申请实施例提供的一种网络性能预测方法的流程示意图之三;
图7为本申请实施例提供的一种预测模型的结构示意图之二;
图8为本申请实施例提供的一种网络性能预测方法的流程示意图之四;
图9为本申请实施例提供的一种预测模型的结构示意图之三;
图10为本申请实施例提供的一种网络性能预测装置的结构示意图之一;
图11为本申请实施例提供的一种网络性能预测装置的结构示意图之二;
图12为本申请实施例提供的一种网络性能预测装置的结构示意图之三;
图13为本申请实施例提供的又一种网络性能预测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分,本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。
对于传输网络的运维,传统运维方式通常依靠人工被动维护、事后处理的方式,运维人员每天需要监控大量的网络告警信息,依靠监控指标结合自身经验对传输网络的故障进行排查,这种方式不仅耗费大量的时间成本,还浪费了的大量的人力成本;且这种运维方式故障恢复时间较长,极易因运维人员的经验不足等问题导致操作失误等情况,进而影响网络性能,使得用户使用体验极差。
随着通信技术的发展,传输网络的网络性能评价指标与网络性能参数之间联系的研究也越来越明晰,网管***根据网络性能参数与相应的算法公式即可以确定对应的网络性能评价指标,进而判断传输网络的网络质量。例如,目前通信网络中的传输网络通常为光传输网络,以提高网络传输速率。光传输网络包括波分复用(wavelength divisionmultiplexing,WDM)传输网络,以实现在单个光纤链路中传输多个网络信号。对于WDM传输网络,通常可以将其对应的纠前误码率或光信噪比(optical signal noise ratio,OSNR)作为网络性能评价指标,以确定对应WDM传输网络的网络质量。但是实际中,由于纠前误码率和OSNR与WDM传输网络中的多项性能参数相关(如光功率、光纤链路的色散及非线性效应等),因此很难根据相关算法准确量化WDM传输网络的纠前误码率或OSNR,进而判断WDM传输网络的网络质量。
而随着人工智能的发展,基于机器学习和深度学习的运维方式越来越多的被用于通信网络的研究。通过对运维数据的分析、学习,依靠人工智能网络即可以实现对通信网络的监控、告警等功能,从而及时对相关网络进行维护,提高用户的使用体验。
本申请实施例提供的网络性能预测方法应用于WDM传输网络***,如图1所示,WDM传输网络***包括发送端光终端复用器(optical terminal multiplexer,OTM)、至少一个光放大器(optical amplifier,OA)和接收端OTM。
其中,发送端OTM可以包括至少一个光转换单元(optical transform unit,OTU)和合波器(optical multiplexer,OM)。这里的OTU可以将电信号转换为光信号,且不同的OTU可以传输不同频率的光信号,如图1所示的λ1、λ2、λ3、…、λ80;OM可以将多个不同标称波长的光信号合称为一束光波,并输入光纤中进行传输。
OA用于对光纤链路间的光纤信号进行放大,发送端OTM和接收端OTM之间可以包括至少一个OA,以避免光信号在传输过程中的损耗导致接收端OTM无法接收相应的光信号。
与发送端OTM相对应的,接收端OTM可以包括至少一个OTU和分波器(opticaldemultiplexer,OD)。这里的OD可以将光纤传输的光波分解为多个具有标称波长的光信号,并将这些光信号传输给相应的OTU;OTU可以将光信号转换为电信号,且不同的OTU可以接收不同频率的光信号。
需要说明的是,发送端OTM与接收端OTM内的OTU数量相同。例如,若发送端OTM包括5个OTU,则相应的接收端OTM也包括5个OTU;若发送端OTM包括10个OTU,则相应的接收端OTM也包括10个OTU。
进一步的,发送端OTM与接收端OTM内的OTU相对应。例如,发送端OTM包括第一OTU-1、第一OTU-2和第一OTU-3,接收端OTM包括第二OTU-1、第二OTU-2和第二OTU-3,则这里第一OTU-1可以和第二OTU-1对应,第一OTU-2可以和第二OTU-2对应,第一OTU-3可以和第二OTU-3对应。这里第一OTU和第二OTU对应是指,第二OTU可以接收对应第一OTU发送的光信号。
一些可能的实现方式中,如图1所示,发送端OTM和接收端OTM之间可以包括主用线路和备用线路,以提供一种WDM传输网络***的容错机制。
依据上述的WDM传输网络***,本申请实施例提供一种网络性能预测方法,如图2所示,包括:
S101、网络性能预测装置采集目标传输网络的网络拓扑信息和多个第一网络性能参数。
其中,第一网络性能参数用于指示目标传输网络的实时网络性能。
具体地,这里的目标传输网络可以为上述的WDM传输网络***。一些可能的实现方式中,如图3所示,WDM传输网络***还可以包括网络管理***(network managementsystem,NMS),NMS内存储有该WDM传输网络的网络拓扑信息;同时,NMS可以监控WDM传输网络中各个网络设备的运行状态信息。
网络性能预测装置可以通过NMS采集WDM传输网络***的网络拓扑信息和WDM传输网络***内各个网络设备的运行状态信息。这里的运行状态信息可以为各个网络设备对应的功率信息,也可以为其他状态信息,这里不做限定。
示例性的,若WDM传输网络***的发送端OTM包括第一OTU-1、第一OTU-2和第一OTU-3,接收端OTM包括第二OTU-1、第二OTU-2和第二OTU-3,且发送端OTM和接收端OTM之间包括第一OA,则上述的第一网络性能参数可以是第一OTU-1、第一OTU-2和第一OTU-3对应的输出光功率,第二OTU-1、第二OTU-2和第二OTU-3对应的输入光功率,以及第一OA的输出光功率。
当然,上述示例仅为一条光纤链路内相应第一网络性能参数的采集,在WDM传输网络***还包括其他光纤链路时,网络性能预测装置还可以通过NMS采集这些光纤链路对应发送端OTM内OTU的输出光功率,接收端OTM内OTU的输入光功率,以及对应OA的输出光功率。
S102、网络性能预测装置根据网络拓扑信息和多个第一网络性能参数确定目标链路的目标网络性能参数。
具体地,由于WDM传输网络***可以包括多条光纤链路,且同一条光纤链路可以传输多个不同频率的光信号,因此这里网络性能预测装置可以根据WDM传输网络***对应的网络拓扑信息将第一网络性能参数进行分组,以将这些第一网络性能参数对应至相应的光纤链路,以及相应的OTU设备。
示例性的,在WDM传输网络***的发送端OTM包括第一OTU-1、第一OTU-2和第一OTU-3,接收端OTM包括第二OTU-1、第二OTU-2和第二OTU-3,且发送端OTM和接收端OTM之间包括第一OA时,若网络性能预测装置通过NMS采集的第一网络性能参数包括第一输出功率、第二输出功率、第三输出功率、第四输出功率、第一输入功率、第二输入功率和第三输入功率,由于网络性能预测装置采集第一网络性能参数时,网络性能预测装置还可以采集这些第一网络性能参数对应的端口信息。如网络性能预测装置可以确定第一输出功率与第一OTU-1对应,第二输出功率与第一OTU-2对应,第二输出功率与第一OTU-3对应,第三输出功率与第一OA对应,第一输入功率与第二OTU-1对应,第二输入功率与第二OTU-2对应,第三输入功率与第三OTU-3对应。
进一步的,结合WDM传输网络***的网络拓扑信息,可以确定第一OTU-1和第二OTU-1对应,第一OTU-2和第二OTU-2对应,第一OTU-3和第二OTU-3对应。
此时,网络性能预测装置即可以将第一输出功率、第四输出功率和第一输入功率分为一组,将第二输出功率、第四输出功率和第二输入功率分为一组,将第三输出功率、第四输出功率和第三输入功率分为一组。
当然,在WDM传输网络***包括其他光纤链路时,网络性能预测装置还可以将这些光纤链路对应的第一网络性能参数进行分组。
需要说明的是,上述的目标网络性能参数可以为目标链路对应的第一网络性能参数,若目标链路为WDM传输网络***中的第一光纤链路,则目标网络性能参数即为网络性能预测装置确定的该第一光纤链路对应的第一网络性能参数。
S103、网络性能预测装置根据目标网络性能参数和预测模型确定目标链路的第一指标。
其中,第一指标用于指示目标链路的网络质量。
具体地,这里的预测模型为预先训练好的逻辑回归模型,网络性能预测装置在确定目标链路对应的目标网络性能参数之后,即可以将其作为预测模型的输入特征值以预测目标链路的第一指标。
上述的第一指标可以是传输网络的网络性能评价指标,如第一指标可以为纠前误码率或光信噪比(optical signal noise ratio,OSNR),这里的纠前误码率和光信噪比均可以指示传输网络的网络质量。如第一指标为纠前误码率时,纠前误码率越大,则目标链路的网络质量越差;第一指标为光信噪比时,光信噪比越大,则目标链路的网络质量越差。
网络性能预测装置可以分别将步骤S102中分组的目标网络性能参数作为预测模型的输入特征值,从而分别确定这些目标网络性能参数对应目标链路的第一指标。
示例性的,若WDM传输网络***包括第一光纤链路和第二光纤链路,则这里的目标链路可以为第一光纤链路或第二光纤链路,目标网络性能参数则可以为第一光纤链路对应的第一网络性能参数,或第二光纤链路对应的第二网络性能参数。此时,将目标网络性能参数作为预测模型的输入特征值,预测模型输出的第一指标则可以指示第一光纤链路或第二光纤链路的网络质量。
一些实施例中,如图4所示,预测模型可以包括栈式降噪自编码器和逻辑回归模型,这里栈式降噪自编码器用于对目标网络性能参数进行特征提取,以实现对目标网络性能参数的降维,同时提高目标网络性能参数的鲁棒性;逻辑回归模型则用于根据栈式降噪自编码器的输出参数预测目标链路对应的第一指标。如图5所示,步骤S103可以包括:
S1031、网络性能预测装置根据目标网络性能参数和栈式降噪自编码器确定第一输入特征值。
S1032、网络性能预测装置根据第一输入特征值和逻辑回归模型确定第一指标。
具体地,如下表1所示,目标网络性能参数包括发送端OTM中OTU的输出光功率,接收端OTM中OTU的输入光功率,以及发送端OTM和接收端OTM之间OA的输出光功率,这里发送端OTM中的OTU与接收端OTM中的OTU相对应。
表1
s | o<sub>1</sub> | o<sub>2</sub> | … | o<sub>n</sub> | e |
… | … | … | … | … | … |
… | … | … | … | … | … |
其中,s为发送端OTM中OTU的输出光功率,o1、o2、…、on为发送端OTM和接收端OTM之间OA的输出光功率,e为接收端OTM中OTU的输入光功率。
进一步的,这里可以将s、o1、o2、…、on和e作为栈式降噪自编码器的输入特征值,栈式降噪自编码器对该输入特征值进行数据降维、重构以确定第一输入特征值,该第一输入特征值即用于对相应目标链路的网络性能进行预测。
在栈式降噪自编码器确定第一输入特征值后,即可以将该第一输入特征值输入逻辑回归模型,逻辑回归模型的输出即为第一指标。
一些实施例中,目标链路至少包括第一网络设备、第二网络设备和第三网络设备;如图6所示,步骤S1032之后,还包括:
S104、若第一指标超出目标阈值,则网络性能预测装置确定目标链路网络异常。
具体地,由于第一指标可以为纠前误码率或光信噪比等网络性能评价指标,如在第一指标为纠前误码率时,网络性能预测装置可以设置目标阈值。当纠前误码率在目标阈值内时,对应目标链路正常,网络质量能够满足用户需求;在纠前误码率超出目标阈值时,对应目标链路故障。
同样的,在第一指标为光信噪比时,网络性能预测装置也可以为其设置目标阈值,并根据光信噪比与目标阈值的关系判断对应目标链路的网络是否异常。
示例性的,在第一指标为纠前误码率,目标阈值为5%时,若步骤S103确定目标链路对应的纠前误码率为2%,则此时可以确定目标链路正常;若步骤S103确定目标链路对应的纠前误码率为6%,则可以确定目标链路异常。
需要说明的是,第一指标还可以是纠前误码率或光信噪比外的其他网络性能评价指标,且网络性能预测装置可以为这些不同的指标设置不同的目标阈值,进而判断目标链路是否正常。
当然,由于纠前误码率与光信噪比与光功率之间具有相关关系,因此本申请实施例可以根据光功率预测相应的纠前误码率或光信噪比。因此,本领域的技术人员还可以使用预测模型根据其他网络状态运行信息与网络性能评价指标之间的关联关系预测相应网络的网络质量,对此本申请实施例不做限定。
S105、网络性能预测装置根据第一指标和预设规则确定异常网络设备。
其中,异常网络设备为第一网络设备、第二网络设备或第三网络设备中的任一网络设备。
具体地,第一网络设备可以为WDM传输网络***中发送端OTM内的OTU,第二网络设备可以为WDM传输网络***中的OA,第三网络设备可以为WDM传输网络***中接收端OTM内的OTU。
这里的预设规则可以为本领域技术人员根据经验确定的,如预设规则可以包括:
当第一指标在第一阈值范围时,异常网络设备可以为第一网络设备;当第一指标在第二阈值范围时,异常网络设备可以为第二网络设备;当第一指标在第三阈值范围时,异常网络设备可以为第三网络设备。
需要注意的是,这里的第一阈值、第二阈值和第三阈值均位于目标阈值内。当然,上述的预设规则仅为示例性的,本领域的技术人员还可以根据需要进行设置,这里不做限定。
本申请实施例中,网络性能预测装置能够根据传输网络的实时性能数据,依靠预测模型确定该传输网络中各个通信链路的性能指标;由于在通信网络中,各个通信链路在正常运行时,其对应的性能指标通常具有一定的波动范围,因此本申请实施例在通过预测模型确定各个通信链路的性能指标后,即可以确定这些通信链路的网络质量,以为运维人员提供运维支持,及时对相应的故障、异常链路进行优化,从而提高用户的使用体验。
一些实施例中,参照图7所示,栈式降噪自编码器包括输入层和隐藏层,其中输入层用于向目标网络性能参数添加噪声,隐藏层则用于对添加噪声后的目标网络性能参数进行重构以确定第一输入特征值,即栈式降噪自编码器包括目标噪声、第一权重矩阵、第一偏置向量、第二权重矩阵和第二偏置向量;其中,目标噪声为输入层参数,第一权重矩阵、第一偏置向量、第二权重矩阵和第二偏置向量为隐藏层参数。如图8所示,在步骤S101之前,网络性能预测装置还需要对预测模型进行训练,以对传输网络的网络质量进行预测,预测模型的训练包括:
S201、网络性能预测装置采集训练数据集。
其中,训练数据集包括目标传输网络对应的网络拓扑信息和多个第二网络性能参数,以及多个第二网络性能参数对应的标签值。
具体地,这里的第二网络性能参数与上述的第一网络性能参数相同,均包括发送端OTM中OTU的输出光功率,接收端OTM中OTU的输入光功率,以及发送端OTM和接收端OTM之间OA的输出光功率。
由于WDM传输网络***可以包括多条光纤链路,因此这里在训练预测模型时,需要采集这些光纤链路上对应OTU的输出光功率或输入光功率,以及OA的输出光功率,因此这里的训练数据集可以包括这些光纤链路上对应OTU的输出光功率或输入光功率,以及OA的输出光功率。
当然,训练数据集还包括第二网络性能参数对应的标签值,这里的标签值即指相应光纤链路对应的网络性能评价指标,如纠前误码率或光信噪比。
如下表2所示,训练数据集包括发送端OTM中OTU的输出光功率,发送端OTM和接收端OTM之间OA的输出光功率,接收端OTM中OTU的输入光功率,以及相应的纠前误码率或光信噪比。
表2
s | o<sub>1</sub> | o<sub>2</sub> | … | o<sub>n</sub> | e | Err |
… | … | … | … | … | … | … |
… | … | … | … | … | … | … |
其中,Err为第二网络性能参数对应的标签值,n为发送端OTM和接收端OTM之间OA的数量。
进一步的,网络性能预测装置在采集训练数据集后,还需要对训练数据集中的参数信息进行过滤、分组,这里的过滤是指将训练数据集中明显异常的参数信息滤除,如训练数据集中的光功率一般为a-b,若某一OTU或OA对应的光功率为c,且c超出a-b的范围,则可以确定该OTU或OA对应的光功率异常,此时可以将该OTU或OA对应同组的第二网络性能参数滤除。
这里对训练数据集中的参数信息进行分组可以参照步骤S102,将同一光纤链路对应的参数信息划入同一组。
需要说明的是,这里训练数据集内的参数为WDM传输网络***的历史网络性能参数。当然,这里网络性能预测装置在采集训练数据集时,还可以采集测试数据集,以对训练完成的预测模型进行测试。
S202、网络性能预测装置向第二网络性能参数加入目标噪声,以确定第三网络性能参数。
具体地,参照图7所示,第二网络性能参数x输入栈式降噪自编码器的输入层,由输入层向其添加目标噪声以确定第三网络性能参数x’。这里目标噪声可以为掩蔽噪声,当然,这仅为示例性的,本领域的技术人员还可以根据需要设置其他噪声,本申请实施例不做限定
示例性的,第二网络性能参数x=(s,o1,o2,…,on,Err),通过栈式降噪自编码器的输入层向其添加目标噪声后,得到的第三网络性能参数x’=(s’,o1’,o2’,…,on’,Err’)。
这里网络性能预测装置通过预测模型的输入层为第二网络性能参数添加目标噪声,以防止训练过程中的过拟合,增强栈式降噪自编码器的鲁棒性。
S203、网络性能预测装置根据第三网络性能参数、第一权重矩阵、第一偏置向量、第二权重矩阵和第二偏置向量确定第二输入特征值。
具体地,本步骤中网络性能预测模型可以通过预测模型的隐藏层对第三网络性能参数x’进行重构,其中隐藏层对第三网络性能参数x’的重构包括编码过程和解码过程,编码过程把带有噪声的第三网络性能参数x’作为输入,然后进行编码获得第三网络性能参数x’的编码向量y;解码过程对编码特征进行解码重构,从而获得重构后的第二输入特征值y’。具体过程参照下列公式:
y=f(x’)=σ(w1x’+b1);
y’=g(y)=σ(w2y+b2)。
其中,w1为第一权重矩阵,b1为第一偏置向量,w1为第二权重矩阵,b2为第二偏置向量;f和g为非线性转换函数,如sigmoid函数、tanh函数或relu函数等。
需要说明的是,预测模型训练时,栈式降噪自编码器内隐藏层的第一权重矩阵、第一偏置向量、第二权重矩阵和第二偏置向量的初始值可以由本领域的技术人员根据需要设置,或随机设置,具体可参照本领域惯用的技术手段,对此本申请实施例不做限定。
为使得栈式降噪自编码器输出的第二输入特征值与第二网络性能参数更为接近,更能表示WDM传输网络***的网络性能,这些可以通过损失函数对栈式降噪自编码器进行评估,损失函数越小,则栈式降噪自编码器的鲁棒性越好。损失函数具体如下:
L(y’,x)=||y’-z||2。
这里的L即为栈式降噪自编码器的损失函数。
进一步的,为提升栈式降噪自编码器的鲁棒性,网络性能预测装置可以使用梯度下降算法对损失函数进行优化,从而得到最优化的第一权重矩阵、第一偏置向量、第二权重矩阵和第二偏置向量,使得栈式降噪自编码器的特征提取得到最优。
上述栈式降噪自编码器对应损失函数、梯度下降算法的运算可以参照本领域惯用的技术手段,这里不再赘述。当然,本领域的技术人员也可以使用其他损失函数及优化算法优化栈式降噪自编码器,对此本申请实施例不做限定。
需要注意的是,上述栈式降噪自编码器训练时,网络性能预测装置可以依次将训练数据集中分组完成的第二网络性能参数输入栈式降噪自编码器,从而通过相应的损失函数和梯度下降算法对栈式降噪自编码器的参数进行调整,以完成栈式降噪自编码器的训练。这里栈式降噪自编码器训练时,若损失函数小于第一设定值或训练次数达到第二设定值,则可以停止对栈式降噪自编码器的训练。
S204、网络性能预测装置根据第二输入特征值和逻辑回归模型确定第二指标。
S205、若第二指标与标签值的差值大于或等于设定值,则网络性能预测装置根据反向传播算法更新逻辑回归模型的参数,使第二指标与标签值的差值小于设定值,以确定所预测模型。
具体地,栈式降噪自编码器确定第二输入特征值后,即可以将其输入逻辑回归模型,由逻辑回归模型输出第二指标。进一步的,逻辑回归模型输出的第二指标可以根据下列公式确定:
其中,z为第二指标,xi为第二输入特征值中的向量,wi为xi对应的权重矩阵,b为逻辑回归模型的偏置向量。
示例性的,若xi=(a1,a2,a3,…,an),则这里的权重矩阵可以为wi=(w3,w4,w5,…,wn+2),其中a1与w3对应,a2与w4对应,…,an与wn+2对应。
与上述栈式降噪自编码器中的权重矩阵和偏置向量相同的,这里本领域的技术人员也可以随机为wi和b赋予初始值。
如图9所示,预测模型还包括输出层及标签值,以便于根据输出层输出的第二指标与标签值对预测模型中的逻辑回归模型进行调整。
逻辑回归模型在确定第二指标后,即可以将第二指标与步骤S201中采集的对应标签值进行比较,若两者的差值大于或等于设定值,则网络性能预测装置可以根据反向传播算法,将该误差值传输至栈式降噪自编码器,以对逻辑回归模型的参数进行更新,如对wi和b的更新;在两者的差值小于设定值时,即可以停止对逻辑回归模型的训练。当然,也可以在逻辑回归模型的训练次数达到第三设定值时,即停止对逻辑回归模型的训练。
需要说明的是,逻辑回归模型根据反向传播算法更新其对应权重矩阵和偏置向量的更新可以参照本领域惯用的技术手段,这里不再赘述。
本实施例根据传输网络的历史网络性能参数,依靠逻辑回归模型得到预测模型,以根据网络性能参数预测对应的网络性能评价指标,由于预测模型避免了使用相关公式来确定网络性能评价指标,从而能够避免光纤链路内色散等因素的影响,因此能够提高对传输网络的网络性能评价指标的预测准确性,从而为运维人员的网络优化提供支持,以方便其及时对传输网络进行维护。
本申请实施例提供的网络性能预测方法,包括:网络性能预测装置采集目标传输网络的网络拓扑信息和多个第一网络性能参数;第一网络性能参数用于指示目标传输网络的实时网络性能;网络性能预测装置根据网络拓扑信息和多个第一网络性能参数确定目标链路的目标网络性能参数;网络性能预测装置根据目标网络性能参数和预测模型确定目标链路的第一指标;第一指标用于指示目标传输网络的网络质量。本申请实施例中,网络性能预测装置能够根据传输网络的实时性能数据,依靠预测模型确定该传输网络中各个通信链路的性能指标;由于在通信网络中,各个通信链路在正常运行时,其对应的性能指标通常具有一定的波动范围,因此本申请实施例在通过预测模型确定各个通信链路的性能指标后,即可以确定这些通信链路的网络质量,以为运维人员提供运维支持,及时对相应的故障、异常链路进行优化,从而提高用户的使用体验。
如图10所示,本发明实施例提供一种网络性能预测装置30,包括:
采集模块301,用于采集目标传输网络的网络拓扑信息和多个第一网络性能参数;第一网络性能参数用于指示目标传输网络的实时网络性能。
处理模块302,用于根据采集模块301采集的网络拓扑信息和多个第一网络性能参数确定目标链路的目标网络性能参数。
预测模块303,用于根据处理模块302确定的目标网络性能参数和预测模型确定目标链路的第一指标;第一指标用于指示目标链路的网络质量。
一些实施例中,预测模型包括栈式降噪自编码器和逻辑回归模型,即预测模块303包括栈式降噪自编码器3031和逻辑回归模型3032;预测模块303,具体用于:
根据目标网络性能参数和栈式降噪自编码器确定第一输入特征值;根据第一输入特征值和逻辑回归模型确定第一指标。
一些实施例中,栈式降噪自编码器包括目标噪声、第一权重矩阵、第一偏置向量、第二权重矩阵和第二偏置向量;如图11所示,网络性能预测装置30还包括训练模块304。
采集模块301,还用于采集训练数据集;训练数据集包括目标传输网络对应的网络拓扑信息和多个第二网络性能参数,以及多个第二网络性能参数对应的标签值。
训练模块304,用于向第二网络性能参数加入目标噪声,以确定第三网络性能参数。
训练模块304,还用于根据第三网络性能参数、第一权重矩阵、第一偏置向量、第二权重矩阵和第二偏置向量确定第二输入特征值。
训练模块304,还用于根据第二输入特征值和逻辑回归模型确定第二指标;若第二指标与标签值的差值大于或等于设定值,则训练模块根据反向传播算法更新逻辑回归模型的参数,使第二指标与标签值的差值小于设定值,以确定所预测模型。
一些实施例中,目标链路至少包括第一网络设备、第二网络设备和第三网络设备;如图12所示,网络性能预测装置30还包括预警模块305。
预警模块305,用于在第一指标超出目标阈值时,确定目标链路网络异常。
预警模块305,还用于根据第一指标和预设规则确定异常网络设备;异常网络设备为第一网络设备、第二网络设备或第三网络设备中的任一网络设备。
本申请实施例提供的网络性能预测装置,包括:采集模块,用于采集目标传输网络的网络拓扑信息和多个第一网络性能参数;第一网络性能参数用于指示目标传输网络的实时网络性能;处理模块,用于根据采集模块采集的网络拓扑信息和多个第一网络性能参数确定目标链路的目标网络性能参数;预测模块,用于根据处理模块确定的目标网络性能参数和预测模型确定目标链路的第一指标;第一指标用于指示目标链路的网络质量。本申请实施例中,网络性能预测装置能够根据传输网络的实时性能数据,依靠预测模型确定该传输网络中各个通信链路的性能指标;由于在通信网络中,各个通信链路在正常运行时,其对应的性能指标通常具有一定的波动范围,因此本申请实施例在通过预测模型确定各个通信链路的性能指标后,即可以确定这些通信链路的网络质量,以为运维人员提供运维支持,及时对相应的故障、异常链路进行优化,从而提高用户的使用体验。
如图13所示,本申请实施例还提供另一种网络性能预测装置,包括存储器41、处理器42、总线43和通信接口44;存储器41用于存储计算机执行指令,处理器42与存储器41通过总线43连接;当网络性能预测装置运行时,处理器42执行存储器41存储的计算机执行指令,以使网络性能预测装置执行如上述实施例提供的网络性能预测方法。
在具体的实现中,作为一种实施例,处理器42(42-1和42-2)可以包括一个或多个CPU,例如图13中所示的CPU0和CPU1。且作为一种实施例,网络性能预测装置可以包括多个处理器42,例如图13中所示的处理器42-1和处理器42-2。这些处理器42中的每一个CPU可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器42可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器41可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器41可以是独立存在,通过总线43与处理器42相连接。存储器41也可以和处理器42集成在一起。
在具体的实现中,存储器41,用于存储本申请中的数据和执行本申请的软件程序对应的计算机执行指令。处理器42可以通过运行或执行存储在存储器41内的软件程序,以及调用存储在存储器41内的数据,网络性能预测装置的各种功能。
通信接口44,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如控制***、无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。通信接口44可以包括接收单元实现接收功能,以及发送单元实现发送功能。
总线43,可以是工业标准体系结构(industry standard architecture,ISA)总线、外部设备互连(peripheral component interconnect,PCI)总线或扩展工业标准体系结构(extended industry standard architecture,EISA)总线等。该总线43可以分为地址总线、数据总线、控制总线等。为便于表示,图13中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质包括计算机执行指令,当计算机执行指令在计算机上运行时,使得计算机执行如上述实施例提供的网络性能预测方法。
本申请实施例还提供一种计算机程序,该计算机程序可直接加载到存储器中,并含有软件代码,该计算机程序经由计算机载入并执行后能够实现上述实施例提供的网络性能预测方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本申请所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种网络性能预测方法,其特征在于,包括:
网络性能预测装置采集目标传输网络的网络拓扑信息和多个第一网络性能参数;所述第一网络性能参数用于指示所述目标传输网络的实时网络性能;
所述网络性能预测装置根据所述网络拓扑信息和所述多个第一网络性能参数确定目标链路的目标网络性能参数;
所述网络性能预测装置根据所述目标网络性能参数和预测模型确定所述目标链路的第一指标;所述第一指标用于指示所述目标链路的网络质量。
2.根据权利要求1所述的网络性能预测方法,其特征在于,所述预测模型包括栈式降噪自编码器和逻辑回归模型;所述网络性能预测装置根据所述目标网络性能参数和预测模型确定所述目标链路的第一指标包括:
所述网络性能预测装置根据所述目标网络性能参数和所述栈式降噪自编码器确定第一输入特征值;
所述网络性能预测装置根据所述第一输入特征值和所述逻辑回归模型确定所述第一指标。
3.根据权利要求2所述的网络性能预测方法,其特征在于,所述栈式降噪自编码器包括目标噪声、第一权重矩阵、第一偏置向量、第二权重矩阵和第二偏置向量;所述方法还包括:
所述网络性能预测装置采集训练数据集;所述训练数据集包括所述目标传输网络对应的所述网络拓扑信息和多个第二网络性能参数,以及所述多个第二网络性能参数对应的标签值;
所述网络性能预测装置向所述第二网络性能参数加入所述目标噪声,以确定第三网络性能参数;
所述网络性能预测装置根据所述第三网络性能参数、所述第一权重矩阵、所述第一偏置向量、所述第二权重矩阵和所述第二偏置向量确定第二输入特征值;
所述网络性能预测装置根据所述第二输入特征值和所述逻辑回归模型确定第二指标;
若所述第二指标与所述标签值的差值大于或等于设定值,则所述网络性能预测装置根据反向传播算法更新所述逻辑回归模型的参数,使所述第二指标与所述标签值的差值小于所述设定值,以确定所预测模型。
4.根据权利要求3所述的网络性能预测方法,其特征在于,所述目标链路至少包括第一网络设备、第二网络设备和第三网络设备;所述网络性能预测装置根据所述目标网络性能参数和预测模型确定所述目标链路的第一指标之后,还包括:
若所述第一指标超出目标阈值,则所述网络性能预测装置确定所述目标链路网络异常;
所述网络性能预测装置根据所述第一指标和预设规则确定异常网络设备;所述异常网络设备为所述第一网络设备、所述第二网络设备或所述第三网络设备中的任一网络设备。
5.一种网络性能预测装置,其特征在于,包括:
采集模块,用于采集目标传输网络的网络拓扑信息和多个第一网络性能参数;所述第一网络性能参数用于指示所述目标传输网络的实时网络性能;
处理模块,用于根据所述采集模块采集的所述网络拓扑信息和所述多个第一网络性能参数确定目标链路的目标网络性能参数;
预测模块,用于根据所述处理模块确定的所述目标网络性能参数和预测模型确定所述目标链路的第一指标;所述第一指标用于指示所述目标链路的网络质量。
6.根据权利要求5所述的网络性能预测装置,其特征在于,所述预测模型包括栈式降噪自编码器和逻辑回归模型;所述预测模块,具体用于:
根据所述目标网络性能参数和所述栈式降噪自编码器确定第一输入特征值;
根据所述第一输入特征值和所述逻辑回归模型确定所述第一指标。
7.根据权利要求6所述的网络性能预测装置,其特征在于,所述栈式降噪自编码器包括目标噪声、第一权重矩阵、第一偏置向量、第二权重矩阵和第二偏置向量;所述网络性能预测装置还包括训练模块;
所述采集模块,还用于采集训练数据集;所述训练数据集包括所述目标传输网络对应的所述网络拓扑信息和多个第二网络性能参数,以及所述多个第二网络性能参数对应的标签值;
所述训练模块,用于向所述第二网络性能参数加入所述目标噪声,以确定第三网络性能参数;
所述训练模块,还用于根据所述第三网络性能参数、所述第一权重矩阵、所述第一偏置向量、所述第二权重矩阵和所述第二偏置向量确定第二输入特征值;
所述训练模块,还用于根据所述第二输入特征值和所述逻辑回归模型确定第二指标;
若所述第二指标与所述标签值的差值大于或等于设定值,则所述训练模块根据反向传播算法更新所述逻辑回归模型的参数,使所述第二指标与所述标签值的差值小于所述设定值,以确定所预测模型。
8.根据权利要求7所述的网络性能预测装置,其特征在于,所述目标链路至少包括第一网络设备、第二网络设备和第三网络设备;所述网络性能预测装置还包括预警模块;
所述预警模块,用于在所述第一指标超出目标阈值时,确定所述目标链路网络异常;
所述预警模块,还用于根据所述第一指标和预设规则确定异常网络设备;所述异常网络设备为所述第一网络设备、所述第二网络设备或所述第三网络设备中的任一网络设备。
9.一种网络性能预测装置,其特征在于,包括存储器、处理器、总线和通信接口;所述存储器用于存储计算机执行指令,所述处理器与所述存储器通过所述总线连接;当所述网络性能预测装置运行时,所述处理器执行所述存储器存储的所述计算机执行指令,以使所述网络性能预测装置执行如权利要求1-4任一项所述的网络性能预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机执行指令,当所述计算机执行指令在计算机上运行时,使得所述计算机执行如权利要求1-4任一项所述的网络性能预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110644826.1A CN115460482B (zh) | 2021-06-09 | 2021-06-09 | 网络性能预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110644826.1A CN115460482B (zh) | 2021-06-09 | 2021-06-09 | 网络性能预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115460482A true CN115460482A (zh) | 2022-12-09 |
CN115460482B CN115460482B (zh) | 2024-04-09 |
Family
ID=84294868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110644826.1A Active CN115460482B (zh) | 2021-06-09 | 2021-06-09 | 网络性能预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115460482B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160191336A1 (en) * | 2013-09-06 | 2016-06-30 | Huawei Technologies Co., Ltd. | Network performance prediction method and apparatus |
US20190319868A1 (en) * | 2019-06-25 | 2019-10-17 | Intel Corporation | Link performance prediction technologies |
CN112491635A (zh) * | 2019-08-20 | 2021-03-12 | 中兴通讯股份有限公司 | 一种链路质量检测的方法、***、实现设备及存储介质 |
-
2021
- 2021-06-09 CN CN202110644826.1A patent/CN115460482B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160191336A1 (en) * | 2013-09-06 | 2016-06-30 | Huawei Technologies Co., Ltd. | Network performance prediction method and apparatus |
US20190319868A1 (en) * | 2019-06-25 | 2019-10-17 | Intel Corporation | Link performance prediction technologies |
CN112491635A (zh) * | 2019-08-20 | 2021-03-12 | 中兴通讯股份有限公司 | 一种链路质量检测的方法、***、实现设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
李露;于忠义;李福昌;: "基于SDAE与CART联合智能算法的通信网络用户满意度分析方法", 信息通信技术, no. 02, 15 April 2020 (2020-04-15) * |
谢奕希;陈鸿昶;黄瑞阳;吴翼腾;: "一种基于改进Logistic模型的链路预测指标融合方法", 信息工程大学学报, no. 06, 15 December 2017 (2017-12-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN115460482B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11792217B2 (en) | Systems and methods to detect abnormal behavior in networks | |
KR102487453B1 (ko) | Odn의 논리 토폴로지 정보를 획득하기 위한 방법 및 장치, 디바이스, 및 저장 매체 | |
WO2013189110A1 (zh) | 一种电力通信故障预警分析方法及*** | |
US11704597B2 (en) | Techniques to generate network simulation scenarios | |
Wang et al. | A review of machine learning-based failure management in optical networks | |
CN103199919A (zh) | 一种多参数感知的高精度网络故障筛选定位***及方法 | |
CN110543500A (zh) | 一种基于大数据的输变电设备健康评估平台 | |
CN112637006A (zh) | 一种电力通信网关键节点及影响域分析方法 | |
JP2022526847A (ja) | 高速ビット誤り率(ber)統計値に基づく光学性能監視 | |
Wang et al. | Suspect fault screen assisted graph aggregation network for intra-/inter-node failure localization in ROADM-based optical networks | |
CN117692940B (zh) | 一种基于微波链路的微波***性能检测方法 | |
CN115460482A (zh) | 网络性能预测方法和装置 | |
CN114186750A (zh) | 面向智能电网电力业务分级需求的路由规划方法及装置 | |
US10784979B2 (en) | System and method of providing dark section free transport networks | |
CN113111473B (zh) | 传输***功率谱的优化方法、装置及电子设备 | |
Zhang et al. | Deep neural network-based soft-failure detection and failure aware routing and spectrum allocation for elastic optic networks | |
US20210013963A1 (en) | State estimating device and communication system | |
Silva et al. | Bringing disaggregated telemetry and ML to the transceiver for autonomic signal adaptation | |
Zhang et al. | Adaptive alarm prediction in optical network based on model generalization in cross-layer AI | |
US11569909B2 (en) | Prediction of device properties | |
CN113554288A (zh) | 一种通用数据质量评估方法及装置 | |
CN112650644A (zh) | 一种基于prometheus的监控方法及*** | |
WO2024071845A1 (ko) | 의료용 인공지능 모델의 구축 방법, 프로그램 및 장치 | |
CN117938253A (zh) | 光路传输质量估计方法、装置、电子设备及存储介质 | |
WO2024019500A1 (ko) | 심전도 세그먼트를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 |
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 |