CN116132330A - 网络检测方法、网络检测模型训练方法及装置 - Google Patents
网络检测方法、网络检测模型训练方法及装置 Download PDFInfo
- Publication number
- CN116132330A CN116132330A CN202210817220.8A CN202210817220A CN116132330A CN 116132330 A CN116132330 A CN 116132330A CN 202210817220 A CN202210817220 A CN 202210817220A CN 116132330 A CN116132330 A CN 116132330A
- Authority
- CN
- China
- Prior art keywords
- network
- link
- sample
- abnormal
- network link
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 223
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 15
- 239000000523 sample Substances 0.000 description 169
- 238000010586 diagram Methods 0.000 description 23
- 238000012544 monitoring process Methods 0.000 description 21
- 238000012423 maintenance Methods 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 11
- 238000011835 investigation Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 206010063385 Intellectualisation Diseases 0.000 description 5
- 101710176296 Switch 2 Proteins 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
-
- 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
- H04L43/0823—Errors, e.g. transmission errors
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开实施例公开了一种网络检测方法、网络检测模型训练方法及装置。所述网络检测方法包括:获取网络拓扑结构中包括的网络链路的链路信息,所述链路信息包括网络链路上的设备的指标信息;将链路信息输入至预先训练的网络检测模型中进行网络状况检测,得到网络状况检测结果;所述网络状况检测结果包括以下至少一项:所述网络链路是否异常的检测结果、所述网络链路上的设备是否异常的检测结果。本技术方案能够提高网络检测的效率和准确度。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种网络检测方法、网络检测模型训练方法及装置。
背景技术
相关技术中,通常是通过监测应用或宿主机的网络指标来检测网络质量,如APM(Application Performance Management,应用性能监控工具)监控服务,通过汇聚业务***各处理环节的实时数据,分析业务***各事务处理的交易路径和处理时间,从而实现对应用的全链路性能监测。但是,这种监控方式往往仅涉及宿主机的网络指标,例如对宿主机进行流量、带宽和数据包数量的监控,即,仅能对网络指标进行采集、整理以及可视化展示。在网络发生故障时,仅能从应用层面定位到服务之间的网络异常,而难以准确定位故障原因及发生故障的网络链路。若要定位故障原因及发生故障的网络链路,则还需结合其他监控设备或者结合人力,比如,为每条网络链路均配置一台监测设备,以监测每条网络链路的网络指标;或者,在网络收发出现问题时,通过人力来排查发生故障的网络链路。显然,这两种故障定位方式不仅效率低、且准确度低。
发明内容
本公开实施例的目的是提供一种网络检测方法、网络检测模型训练方法及装置,提高网络检测的效率以及精确度。
为解决上述技术问题,本公开实施例是这样实现的:
一方面,本公开实施例提供一种网络检测方法,包括:
获取网络拓扑结构中包括的网络链路的链路信息,所述链路信息包括所述网络链路上的设备的指标信息;
将所述链路信息输入至预先训练的网络检测模型中进行网络状况检测,得到网络状况检测结果;其中,所述网络状况检测结果包括以下至少一项:所述网络链路是否异常的检测结果、所述网络链路上的设备是否异常的检测结果。
采用本公开实施例的技术方案,通过将网络拓扑结构中包括的网络链路的链路信息输入至预先训练的网络检测模型中,利用网络检测模型对网络链路进行网络状况检测,得到网络状况检测结果,包括网络链路是否异常的检测结果和/或网络链路上的设备是否异常的检测结果。可见,本技术方案提供了应用层以下的链路监控及设备监控机制,能够在网络出现异常时,准确定位到发生异常的网络链路和/或网络链路上发生异常的设备,从而准确检测出整个网络链路上可能潜在的异常情况,为网络异常排查和网络维护提供有力的数据支撑。进一步地,相较于现有技术中需要依赖人力来检测异常网络的方案而言,本技术方案能够自动化地定位到发生异常的网络链路和/或网络链路上发生异常的设备,无需用户参与,因此避免了人力因素可能带来的定位不准确情况,提升了网络异常定位的准确度。并且,通过预先训练网络检测模型,并通过网络检测模型来实现网络异常定位,使得网络异常定位的效率大大提升,节省了网络异常定位时间。
另一方面,本公开实施例提供一种网络检测模型训练方法,包括:
获取多个网络拓扑结构中的样本网络链路的样本链路信息,以及所述样本网络链路的标签信息;其中,所述样本网络链路包括:网络状况正常的样本网络链路和网络状况异常的样本网络链路;所述样本链路信息包括所述样本网络链路上的设备的指标信息;所述标签信息用于表征以下至少一项:所述样本网络链路是否异常、所述样本网络链路上的设备是否异常;
将所述样本网络链路信息输入待训练的网络检测模型中,得到所述样本网络链路对应的分类结果,所述分类结果包括以下至少一项:所述样本网络链路是否异常、所述样本网络链路上的设备是否异常;
根据所述样本网络链路的分类结果以及所述标签信息,对所述待训练的网络检测模型的模型参数进行调整。
采用本公开实施例的技术方案,通过将多个网络拓扑结构中包括的样本网络链路的样本链路信息(包括网络状况正常的样本网络链路和网络状况异常的样本网络链路)输入至待训练的网络检测模型中,得到样本网络链路对应的分类结果(包括样本网络链路是否异常和/或样本网络链路上的设备是否异常),进而根据分类结果以及样本网络链路的标签信息,对待训练的网络检测模型的模型参数进行调整。可见,本技术方案通过预先训练网络检测模型,使得网络检测模型能够用于网络异常定位。从而利用网络检测模型来实现网络异常定位时,能够准确定位到发生异常的网络链路和/或网络链路上发生异常的设备,从而准确检测出整个网络链路上可能潜在的异常情况,为网络异常排查和网络维护提供有力的数据支撑。进一步地,相较于现有技术中需要依赖人力来检测异常网络的方案而言,本技术方案能够自动化地定位到发生异常的网络链路和/或网络链路上发生异常的设备,无需用户参与,因此避免了人力因素可能带来的定位不准确情况,提升了网络异常定位的准确度。此外,基于网络检测模型的智能化和自动化,使得网络异常定位的效率大大提升,节省了网络异常定位时间。
再一方面,本公开实施例提供一种网络检测装置,包括:
第一获取模块,用于获取网络拓扑结构中包括的网络链路对应的链路信息,所述链路信息包括所述网络链路上的设备的指标信息;
检测模块,用于将所述链路信息输入至预先训练的网络检测模型中进行网络状况检测,得到网络状况检测结果;其中,所述网络状况检测结果包括以下至少一项:所述网络链路是否异常的检测结果、所述网络链路上的设备是否异常的检测结果。
再一方面,本公开实施例提供一种网络检测模型训练装置,包括:
第二获取模块,用于获取多个网络拓扑结构中包括的样本网络链路的样本链路信息,以及所述样本网络链路的标签信息;其中,所述样本网络链路包括:网络状况正常的样本网络链路和网络状况异常的样本网络链路;所述样本链路信息包括所述样本网络链路上的设备的指标信息;所述标签信息用于表征以下至少一项:所述样本网络链路是否异常、所述样本网络链路上的设备是否异常;
分类模块,用于将所述样本链路信息输入待训练的网络检测模型中,得到所述样本网络链路对应的分类结果,所述分类结果包括以下至少一项:所述样本网络链路是否异常、所述样本网络链路上的设备是否异常;
模型训练模块,用于根据所述样本网络链路的分类结果以及所述标签信息,对所述网络检测模型的模型参数进行调整。
再一方面,本公开实施例提供一种电子设备,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现上述的网络检测方法,或者,所述处理器用于从所述存储器调用并执行所述计算机程序以实现上述的网络检测模型训练方法。
再一方面,本公开实施例提供一种存储介质,用于存储计算机程序,所述计算机程序能够被处理器执行以实现上述的网络检测方法,或者,所述计算机程序能够被处理器执行以实现上述的网络检测模型训练方法。
附图说明
为了更清楚地说明本公开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公开中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是根据本公开一实施例的一种网络检测方法的示意性流程图;
图2是根据本公开一实施例的一种网络检测方法的示意性原理图;
图3是根据本公开一实施例的一种网络拓扑结构的示意性结构图;
图4是根据本公开一实施例的一种网络检测模型的示意性原理图;
图5是根据本公开一实施例的一种网络状况检测结果的示意性输出界面图;
图6是根据本公开一实施例的一种网络检测模型训练方法的示意性流程图;
图7是根据本公开一实施例的一种网络检测模型训练过程的示意性原理图;
图8是根据本公开一实施例的一种网络检测装置的示意性框图;
图9是根据本公开一实施例的一种网络检测模型训练装置的示意性框图;
图10是根据本公开一实施例的一种电子设备的示意性框图。
具体实施方式
本公开实施例提供一种网络检测方法、网络检测模型训练方法及装置,提高网络检测的效率以及精确度。
为了使本技术领域的人员更好地理解本公开中的技术方案,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本公开保护的范围。
在网络状况检测方面,现有技术中,通常是通过监测应用或宿主机的网络指标来检测网络质量,这种监控方式往往仅涉及宿主机的网络指标,例如对宿主机进行流量、带宽和数据包数量的监控,即,仅能对网络指标进行采集、整理以及可视化展示。在网络发生故障时,也仅能从应用层面定位到服务之间的网络异常,而难以准确定位故障原因及发生故障的网络链路。本公开实施例提供的网络检测方法,通过获取网络拓扑结构中包括的网络链路的链路信息,包括网络链路上设备的指标信息,并将网络链路信息输入至预先训练的网络检测模型中,利用网络检测模型对网络链路的网络状况进行检测,从而得到网络状况检测结果,包括网络链路是否异常的检测结果和/或网络链路上的设备是否异常的检测结果,因此完善了应用层以下的链路监控及设备监控机制,能够在网络出现异常时,准确定位到发生异常的网络链路和/或网络链路上发生异常的设备,从而准确检测出整个网络链路上可能潜在的异常情况,为网络异常排查和网络维护提供有力的数据支撑。此外,若网络链路出现异常,即使是轻微的时延,蔓延到实际的应用服务需要一定时间,也仍然会造成应用服务的滞后,给客户端造成不同程度的影响。因此,本公开实施例通过预先训练网络检测模型,并通过网络检测模型来实现网络异常定位,不仅能够定位到发生异常的网络链路,还能够定位到发生异常的设备,从而在网络出现异常的情况下及时排查出问题和原因,大大提升了网络异常定位的效率,节省了网络异常定位时间。
本公开实施例提供的网络检测方法可由网络检测设备执行,或者由安装于网络检测设备中的软件执行,具体地,网络检测设备可以是终端设备或者服务端设备。
图1是根据本公开一实施例的一种网络检测方法的示意性流程图,如图1所示,该方法包括:
S102,获取网络拓扑结构中包括的网络链路的链路信息,链路信息包括网络链路上的设备的指标信息。
可选地,链路信息除包括网络链路上的设备的指标信息外,还可包括网络链路的链路相关信息。链路相关信息可包括网络链路上包括的设备数量、设备信息、设备位置信息、链路标识信息(如链路名称)和链路流向,其中,设备信息可包括设备标识信息(如设备名称)、设备MAC地址(硬件地址、物理地址或链路地址)、设备类型等中的至少一项。
在获取链路相关信息时,首先获取网络拓扑结构,网络拓扑结构中包括一条或多条网络链路。其次,对网络拓扑结构进行解析,即可得到每条网络链路对应的链路相关信息。
在获取设备的指标信息时,可选地,设备本身具有采集自身指标信息的能力,因此,设备可向网络检测设备上报各自采集到的指标信息。可选地,可在设备上安装指标采集探针,指标采集探针与网络检测设备连接,指标采集探针具有采集设备的指标信息的能力,从而将采集到的指标信息传输至网络检测设备。
S104,将网络链路信息输入至预先训练的网络检测模型中进行网络状况检测,得到网络状况检测结果;其中,网络状况检测结果包括以下至少一项:网络链路是否异常的检测结果、网络链路上的设备是否异常的检测结果。
本实施例中,网络检测模型对网络状况检测结果的输出方式不受限定。可选地,网络检测模型可输出以下至少一项信息:发生异常的网络链路的链路标识信息、发生异常的设备的标识信息、发生异常的网络链路的链路状况分值、发生异常的设备的性能分值。其中,链路状况分值用于表征网络链路的链路状况好坏,分值越高,网络链路的链路状况就越好。设备的性能分值用于表征设备性能好坏,分值越高,设备的性能就越好。链路状况分值和设备性能分值的计算方式将在下述实施例中详细说明,此处不作赘述。
采用本公开实施例的技术方案,通过将网络拓扑结构中包括的网络链路的链路信息输入至预先训练的网络检测模型中,利用网络检测模型对网络链路进行网络状况检测,得到网络状况检测结果,包括网络链路是否异常的检测结果和/或网络链路上的设备是否异常的检测结果。可见,本技术方案提供了应用层以下的链路监控及设备监控机制,能够在网络出现异常时,准确定位到发生异常的网络链路和/或网络链路上发生异常的设备,从而准确检测出整个网络链路上可能潜在的异常情况,为网络异常排查和网络维护提供有力的数据支撑。进一步地,相较于现有技术中需要依赖人力来检测异常网络的方案而言,本技术方案能够自动化地定位到发生异常的网络链路和/或网络链路上发生异常的设备,无需用户参与,因此避免了人力因素可能带来的定位不准确情况,提升了网络异常定位的准确度。并且,通过预先训练网络检测模型,并通过网络检测模型来实现网络异常定位,使得网络异常定位的效率大大提升,节省了网络异常定位时间。
图2是根据本公开一实施例的一种网络检测方法的示意性原理图。由图2可看出,获取到网络链路的链路信息后,仅需将链路信息输入预先训练的网络检测模型,即可得到网络状况检测结果,从而及时检测出整个网络链路上可能潜在的异常情况。下面详细说明本公开实施例提供的一种网络检测方法,首先介绍网络拓扑结构及其对应的网络链路信息。
图3是根据本公开一实施例的一种网络拓扑结构的示意性结构图。如图3所示,网络拓扑结构中包括机房A和机房B,机房A中包括设备router1、router2、router3、switch1、switch2和gateway1,机房B中包括设备router4、router5、router6、switch3、switch4和gateway2,其中,router1、router2、router3、router4、router5和router6为路由器,switch1、switch2、switch3和switch4为交换机,gateway1和gateway2为网关。通过解析该网路拓扑结构,可得到如下表1所示的链路相关信息,其中包括各个设备的设备名称、设备位置信息、设备MAC地址和设备类型。
表1
设备名称 | 设备位置信息 | 设备MAC地址 | 设备类型 |
router1 | A机房-3柜1排 | aa-bb-xx-xx-23-12 | 路由器 |
router2 | A机房-3柜2排 | aa-bb-xx-xx-23-11 | 路由器 |
router3 | A机房-3柜3排 | aa-bb-xx-xx-23-13 | 路由器 |
switch1 | A机房-2柜1排 | aa-bb-xx-xx-24-12 | 交换机 |
switch2 | A机房-1柜1排 | aa-bb-xx-xx-25-11 | 交换机 |
gateway1 | A机房-1柜2排 | aa-bb-xx-xx-26-11 | 网关 |
router4 | B机房-2柜1排 | cc-bb-xx-xx-26-13 | 路由器 |
router5 | B机房-2柜2排 | cc-bb-xx-xx-26-12 | 路由器 |
router6 | B机房-2柜4排 | cc-bb-xx-xx-26-15 | 路由器 |
switch3 | B机房-1柜2排 | cc-bb-xx-xx-27-13 | 交换机 |
switch4 | B机房-1柜1排 | cc-bb-xx-xx-27-12 | 交换机 |
gateway2 | B机房-3柜1排 | cc-bb-xx-xx-36-12 | 网关 |
由表1可看出,通过解析网络拓扑结果,可获知从根节点的网关到叶子节点的路由器的链路相关信息,从而解析出多条单向的网络链路,下表2示意性地列举出部分网络链路的链路相关信息,包括链路名称、网络链路中的设备数量和链路流向。
表2
需要说明的是,图3仅是示意性地示出一种网络拓扑结构,在实际应用中,网络拓扑结构中能够包括的网络链路数量可以是一条或多条,每条网络链路上包括的设备也可以是一个或多个,本公开实施例对网络拓扑结构中的网络链路和设备的数量均不作限定。
在一个实施例中,如图4所示,网络检测模型包括设备评分层、网络链路评分层和分类层,基于此,将网络链路信息输入至预先训练的网络检测模型中,对网络链路进行网络状况检测时,可通过网络检测模型的各个层具体执行为以下动作。
网络检测模型的设备评分层,用于根据网络链路上的设备的指标信息,计算网络链路上的设备的性能分值。
其中,在计算设备的性能分值时,可首先确定设备的每个指标信息对应的第一权重,设备的指标信息可包括网络抖动、网络丢包、网络时延和网络带宽中的至少一项信息。其次,根据设备的指标信息以及每个指标信息对应的第一权重,确定设备的性能分值。
可选地,设备的性能分值的计算方式可表示为以下公式(1):
其中,score(device)表示设备的性能分值,weightk表示第k个指标信息对应的第一权重,metrick表示第k个指标信息(或设备指标值),n表示设备的指标信息的数量。
由于不同设备在网络链路中承担的角色不同,因此对于不同类型的设备而言,其核心指标也有所不同。例如,路由器对应的核心指标为网络抖动和网络丢包,交换机对应的核心指标为网络带宽、网络时延和网络丢包,网关对应的核心指标为网络时延和网络抖动。对于不同类型的设备而言,同一指标信息对应的第一权重可相同或不同,如下表3所示。
表3
需要说明的是,表3所列举的权重值仅是示意性地举例,在实际应用中,可根据不同的设备类型对各个第一权重值进行有针对性的、灵活的定义和设置。
网络检测模型的网络链路评分层,用于根据网络链路上的设备的性能分值,计算网络链路的链路状况分值。
其中,在计算链路状况分值时,可首先确定网络链路上的每个设备对应的第二权重,进而根据每个设备对应的第二权重以及每个设备的性能分值,确定网络链路的链路状况分值。设备对应的第二权重用于表示对应设备在网络链路上的重要程度。
可选地,链路状况分值的计算方式可表示为以下公式(2):
其中,Score(link)表示链路状况分值,weight(devicei)表示网络链路上的第i个设备对应的第二权重,score(devicei)表示第i个设备的性能分值,m为网络链路上包括的设备数量。可选地,若根据公式(2)计算出的链路状况分值不是整数,则可以对计算出的分值进行取整处理,如向上取整或者向下取整。
可选地,可根据设备对应的设备类型,确定网络链路上的设备对应的第二权重。设备对应的设备类型不同,则设备对应的第二权重也有所不同,如表4所示。
表4
设备类型 | 第二权重 |
路由器 | 0.6 |
交换机 | 0.7 |
网关 | 0.9 |
网络检测模型的分类层,用于根据网络链路对应的链路状况分值,确定网络链路是否异常;和/或,根据网络链路上的设备的性能分值,确定网络链路上的设备是否异常。
其中,若网络链路的链路状况分值小于第一预设阈值,则确定网络链路异常。若网络链路的链路状况分值大于或等于第一预设阈值,则确定网络链路正常。
沿用上表2所示的网络链路,各个网络链路的链路状况分值如下表5所示。假设第一预设阈值为8,则表5中所示的网络链路Link8为网络状况异常的网络链路。
表5
在一个实施例中,网络检测模型的分类层在确定出发生异常的网络链路(以下简称为异常网络链路)之后,还可根据异常网络链路上的每个设备的性能分值,确定异常网络链路上的设备是否异常。具体地,若异常网络链路上的设备的性能分值小于第二预设阈值,则确定设备异常。若异常网络链路上的设备的性能分值大于或等于第二预设阈值,则确定设备正常。
可见,本实施例提供的技术方案在网络出现异常时,不仅能够准确定位到发生异常的网络链路,还能够定位到异常网络链路上发生异常的设备,从而在网络出现异常的情况下及时排查出问题和原因,大大提升了网络异常定位的效率,节省了网络异常定位时间。
在一个实施例中,链路信息还包括网络链路上的设备的位置信息。在确定设备异常之后,可确定异常设备的位置信息,从而将异常设备的位置信息提供至前端,以使前端维护人员根据异常设备的位置信息准确定位到异常设备,从而对异常设备进行维修,快速解决网络异常问题。
在一个实施例中,若异常网络链路包括多条,则网络检测模型的分类层还可按照每条异常网络链路的链路状况分值,对多条异常网络链路的链路信息进行排序,并按照排序结果输出多条异常网络链路的链路信息。
在一个实施例中,在检测到存在异常网络链路时,可发出预警信息,预警信息用于标识网络拓扑结构中存在异常网络链路。预警信息可包括异常网络链路的链路标识信息(如链路名称)、异常网络链路上的异常设备的标识信息(如设备名称)、异常设备的位置信息等中的至少一项。
本实施例中,可将网络状况检测结果输出在显示屏上,并发出预警信息,预警信息可通过文字和/或语音的形式输出,比如在显示窗口中输出“网络链路Link8出现异常!”,同时发出响铃。
图5是根据本公开一实施例的一种网络状况检测结果的示意性输出界面图,如图5所示,检测结果显示窗口中用于显示网络状况检测结果,显示内容可包括:异常网络链路、链路流向、异常设备以及异常设备位置(即异常设备的位置信息)。预警窗口用于显示预警信息。检测结果显示窗口和预警窗口可以显示在同一界面上,或者,预警窗口以弹窗的形式显示于检测结果上方。
由图5可看出,采用本实施例提供的网络检测方法,前端维护人员可以直观地查看到异常网络链路的链路相关信息,从而根据异常设备位置准确定位到异常设备,进而对异常设备进行维修,快速解决网络异常问题。
图6是根据本公开一实施例的一种网络检测模型训练方法的示意性流程图,如图6所示,该方法包括:
S602,获取多个网络拓扑结构中包括的样本网络链路的样本链路信息,以及样本网络链路的标签信息;其中,样本网络链路包括:网络状况正常的样本网络链路和网络状况异常的样本网络链路;样本链路信息包括样本网络链路上的设备的指标信息;标签信息用于表征以下至少一项:样本网络链路是否异常、样本网络链路上的设备是否异常。
可选地,样本链路信息除包括设备的指标信息外,还可包括样本网络链路的链路相关信息。链路相关信息可包括样本网络链路中包括的设备数量、设备信息、设备位置信息、链路标识信息(如链路名称)和链路流向,其中,设备信息可包括设备标识信息(如设备名称)、设备MAC地址、设备类型等中的至少一项。
在获取链路相关信息时,首先获取网络拓扑结构,网络拓扑结构中包括一条或多条样本网络链路。其次,对网络拓扑结构进行解析,即可得到样本网络链路对应的链路相关信息。
在获取设备的指标信息时,可选地,设备本身具有采集自身指标信息的能力,因此,每个设备可上报各自采集到的指标信息。可选地,可在设备上安装指标采集探针,指标采集探针具有采集设备的指标信息的能力,从而上报采集到的指标信息。
S604,将样本链路信息输入待训练的网络检测模型中,得到样本网络链路对应的分类结果,分类结果包括以下至少一项:样本网络链路是否异常、样本网络链路上的设备是否异常。
如何利用待训练的网络检测模型对样本网络链路进行分类,将在下述实施例中详细说明,此处暂不赘述。
S606,根据样本网络链路的分类结果以及标签信息,对待训练的网络检测模型的模型参数进行调整。
本实施例中,通过对待训练的网络检测模型的模型参数进行多次调整,以实现对待训练的网络检测模型进行迭代训练,从而得到训练后的网络检测模型。
采用本公开实施例的技术方案,通过将多个网络拓扑结构中包括的样本网络链路的样本链路信息(包括网络状况正常的样本网络链路和网络状况异常的样本网络链路)输入至待训练的网络检测模型中,得到样本网络链路对应的分类结果(包括样本网络链路是否异常和/或样本网络链路上的设备是否异常),进而根据分类结果以及样本网络链路的标签信息,对网络检测模型的模型参数进行调整。可见,本技术方案通过预先训练网络检测模型,使得网络检测模型能够用于网络异常定位。从而利用网络检测模型来实现网络异常定位时,能够准确定位到发生异常的网络链路和/或网络链路上发生异常的设备,从而准确检测出整个网络链路上可能潜在的异常情况,为网络异常排查和网络维护提供有力的数据支撑。进一步地,相较于现有技术中需要依赖人力来检测异常网络的方案而言,本技术方案能够自动化地定位到发生异常的网络链路和/或网络链路上发生异常的设备,无需用户参与,因此避免了人力因素可能带来的定位不准确情况,提升了网络异常定位的准确度。此外,基于网络检测模型的智能化和自动化,使得网络异常定位的效率大大提升,节省了网络异常定位时间。
在一个实施例中,网络检测模型的模型参数包括以下至少一种:
(1)设备的各指标信息对应的第一权重,设备的指标信息可包括网络抖动、网络丢包、网络时延和网络带宽中的至少一项信息。
(2)网络链路上的每个设备对应的第二权重,设备对应的第二权重用于表示对应设备在网络链路上的重要程度。
(3)异常网络链路对应的与链路状况分值相关的第一预设阈值。
(4)异常设备对应的与设备的性能分值相关的第二预设阈值。
在一个实施例中,待训练的网络检测模型包括:设备评分层、网络链路评分层和分类层。基于此,将样本链路信息输入待训练的网络检测模型中,以得到样本网络链路对应的分类结果时,可通过待训练的网络检测模型的各个层具体执行为以下动作。
待训练的网络检测模型的设备评分层,用于根据样本网络链路上的设备的指标信息,计算样本网络链路上的设备的性能分值。
其中,在计算设备的性能分值时,可首先确定设备的指标信息对应的第一权重,设备的指标信息可包括网络抖动、网络丢包、网络时延和网络带宽中的至少一项信息。其次,根据设备的指标信息以及每个指标信息对应的第一权重,确定设备的性能分值。设备的性能分值的计算方式可表示为以上公式(1),由于公式(1)已在上述实施例中进行详细说明,因此此处不再赘述。
待训练的网络检测模型的网络链路评分层,用于根据样本网络链路上的设备的性能分值,计算样本网络链路的链路状况分值。
其中,在计算链路状况分值时,可首先确定样本网络链路上的每个设备对应的第二权重,进而根据每个设备对应的第二权重以及每个设备的性能分值,确定样本网络链路的链路状况分值。链路状况分值的计算方式可表示为以上公式(2),由于公式(2)已在上述实施例中进行详细说明,因此此处不再赘述。
待训练的网络检测模型的分类层,用于根据样本网络链路的链路状况分值,确定样本网络链路是否异常;和/或,根据样本网络链路上的设备的性能分值,确定样本网络链路上的设备是否异常。
其中,利用待训练的网络检测模型的分类层确定样本网络链路是否异常和/或设备是否异常的具体过程,与上述实施例中利用网络检测模型确定待检测的网络链路是否异常和/或设备是否异常的过程类似,此处不再重复。
在一个实施例中,若样本网络链路的分类结果不满足预设分类条件,则根据分类结果调整待训练的网络检测模型的模型参数,并将样本链路信息重新输入调整参数后的网络检测模型中对样本网络链路进行分类;若分类结果满足预设分类条件,则停止迭代,得到训练后的网络检测模型。
其中,预设分类条件可包括以下至少一项:分类结果的准确率大于或等于预设准确率阈值、迭代次数达到预设次数阈值。预设准确率阈值可根据对网络检测模型的精确度要求来设定。预设准确率阈值越高,则网络检测模型的精确度越高。
图7是根据本公开一实施例的一种网络检测模型训练方法的示意性原理图。在图7中,通过将样本链路信息输入至待训练的网络检测模型中,利用待训练的网络检测模型的各个层对样本链路信息进行处理,得到样本网络链路的分类结果。若分类结果满足预设分类条件,则停止迭代,得到训练后的网络检测模型;若分类结果不满足预设分类条件,则调整待训练的网络检测模型的模型参数,并基于调整模型参数之后的网络检测模型,再次对样本网络链路进行分类,最终得到训练后的网络检测模型。
综上,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
以上为本公开实施例提供的网络检测方法及网络检测模型训练方法。基于同样的思路,本公开实施例还提供一种网络检测装置及网络检测模型训练装置。
图8是根据本公开一实施例的一种网络检测装置的示意性框图,如图8所示,该装置包括:
第一获取模块81,用于获取网络拓扑结构中包括的网络链路的链路信息,所述链路信息包括所述网络链路上的设备的指标信息;
检测模块82,用于将所述链路信息输入至预先训练的网络检测模型中进行网络状况检测,得到网络状况检测结果;其中,所述网络状况检测结果包括以下至少一项:所述网络链路是否异常的检测结果、所述网络链路上的设备是否异常的检测结果。
在一个实施例中,所述网络检测模型包括:设备评分层、网络链路评分层和分类层;
所述设备评分层,用于根据所述网络链路上的设备的指标信息,计算所述网络链路上的设备的性能分值;
所述网络链路评分层,用于根据所述网络链路上的设备的性能分值,计算所述网络链路的链路状况分值;
所述分类层,用于根据所述网络链路的链路状况分值,确定所述网络链路是否异常;和/或,根据所述网络链路上的设备的性能分值,确定所述网络链路上的设备是否异常。
在一个实施例中,所述检测模块82包括:
第一确定单元,用于确定所述设备的每个指标信息对应的第一权重,所述指标信息包括网络抖动、网络丢包、网络时延和网络带宽中的至少一项信息;
第二确定单元,用于根据所述设备的指标信息以及每个指标信息对应的所述第一权重,确定所述设备的性能分值。
在一个实施例中,所述检测模块82包括:
第三确定单元,用于确定所述网络链路上的每个设备对应的第二权重,所述第二权重用于表示对应设备在所述网络链路上的重要程度;
第四确定单元,用于根据每个设备对应的所述第二权重以及每个设备的所述性能分值,确定所述网络链路的链路状况分值。
在一个实施例中,所述第三确定单元还用于:
根据所述设备对应的设备类型,确定所述设备对应的第二权重。
在一个实施例中,若异常网络链路包括多条,则所述分类层还用于按照每条异常网络链路的链路状况分值,对多条异常网络链路的链路信息进行排序,并按照排序结果输出所述多条异常网络链路的链路信息。
本领域的技术人员应可理解,上述网络检测装置能够用来实现前文所述的网络检测方法,其中的细节描述应与前文方法部分描述类似,为避免繁琐,此处不另赘述。
采用本公开实施例的装置,通过获取网络拓扑结构中包括的网络链路的链路信息输入至预先训练的网络检测模型中,利用网络检测模型对网络链路进行网络状况检测,得到网络状况检测结果,包括网络链路是否异常的检测结果和/或网络链路上的设备是否异常的检测结果。可见,该装置提供了应用层以下的链路监控及设备监控机制,能够在网络出现异常时,准确定位到发生异常的网络链路和/或网络链路上发生异常的设备,从而准确检测出整个网络链路上可能潜在的异常情况,为网络异常排查和网络维护提供有力的数据支撑。进一步地,相较于现有技术中需要依赖人力来检测异常网络的方案而言,本技术方案能够自动化地定位到发生异常的网络链路和/或网络链路上发生异常的设备,无需用户参与,因此避免了人力因素可能带来的定位不准确情况,提升了网络异常定位的准确度。并且,通过预先训练网络检测模型,并通过网络检测模型来实现网络异常定位,使得网络异常定位的效率大大提升,节省了网络异常定位时间。
图9是根据本公开另一实施例的一种网络检测装置的示意性框图,如图9所示,该装置包括:
第二获取模块91,用于获取多个网络拓扑结构中的样本网络链路的样本链路信息,以及所述样本网络链路的标签信息;其中,所述样本网络链路包括:网络状况正常的样本网络链路和网络状况异常的样本网络链路;所述样本链路信息包括所述样本网络链路上的设备的指标信息;所述标签信息用于表征以下至少一项:所述样本网络链路是否异常、所述样本网络链路上的设备是否异常;
分类模块92,用于将所述样本链路信息输入待训练的网络检测模型中,得到所述样本网络链路对应的分类结果,所述分类结果包括以下至少一项:所述样本网络链路是否异常、所述样本网络链路上的设备是否异常;
模型训练模块93,用于根据所述样本网络链路的分类结果以及所述标签信息,对所述网络检测模型的模型参数进行调整。
在一个实施例中,所述待训练的网络检测模型包括:设备评分层、网络链路评分层和分类层;
所述设备评分层,用于根据所述样本网络链路上的设备的指标信息,计算所述样本网络链路上的设备的性能分值;
所述网络链路评分层,用于根据所述样本网络链路上的设备的性能分值,计算所述样本网络链路的链路状况分值;
所述分类层,用于根据所述样本网络链路的链路状况分值,确定所述样本网络链路是否异常;和/或,根据所述样本网络链路上的设备的性能分值,确定所述样本网络链路上的设备是否异常。
采用本公开实施例的装置,通过获取多个网络拓扑结构中包括的样本网络链路的样本链路信息(包括网络状况正常的样本网络链路和网络状况异常的样本网络链路)输入至待训练的网络检测模型中,得到样本网络链路对应的分类结果(包括样本网络链路是否异常和/或样本网络链路上的设备是否异常),进而根据分类结果以及样本网络链路的标签信息,对网络检测模型的模型参数进行调整。可见,该装置通过预先训练网络检测模型,使得网络检测模型能够用于网络异常定位。从而利用网络检测模型来实现网络异常定位时,能够准确定位到发生异常的网络链路和/或网络链路上发生异常的设备,从而准确检测出整个网络链路上可能潜在的异常情况,为网络异常排查和网络维护提供有力的数据支撑。进一步地,相较于现有技术中需要依赖人力来检测异常网络的方案而言,本技术方案能够自动化地定位到发生异常的网络链路和/或网络链路上发生异常的设备,无需用户参与,因此避免了人力因素可能带来的定位不准确情况,提升了网络异常定位的准确度。此外,基于网络检测模型的智能化和自动化,使得网络异常定位的效率大大提升,节省了网络异常定位时间。
本领域的技术人员应可理解,上述网络检测模型训练装置能够用来实现前文所述的网络检测模型训练方法,其中的细节描述应与前文方法部分描述类似,为避免繁琐,此处不另赘述。
基于同样的思路,本公开实施例还提供一种电子设备,如图10所示。电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器1001和存储器1002,存储器1002中可以存储有一个或一个以上存储应用程序或数据。其中,存储器1002可以是短暂存储或持久存储。存储在存储器1002的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对电子设备中的一系列计算机可执行指令。更进一步地,处理器1001可以设置为与存储器1002通信,在电子设备上执行存储器1002中的一系列计算机可执行指令。电子设备还可以包括一个或一个以上电源1003,一个或一个以上有线或无线网络接口1004,一个或一个以上输入输出接口1005,一个或一个以上键盘1006。
具体在本实施例中,电子设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对电子设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取网络拓扑结构中包括的网络链路的链路信息,所述链路信息包括所述网络链路上的设备的指标信息;
将所述链路信息输入至预先训练的网络检测模型中进行网络状况检测,得到网络状况检测结果;其中,所述网络状况检测结果包括以下至少一项:所述网络链路是否异常的检测结果、所述网络链路上的设备是否异常的检测结果。
采用本公开实施例的技术方案,通过将网络拓扑结构中包括的网络链路的链路信息输入至预先训练的网络检测模型中,利用网络检测模型对网络链路进行网络状况进行检测,得到网络状况检测结果,包括网络链路是否异常的检测结果和/或网络链路上的设备是否异常的检测结果。可见,本技术方案提供了应用层以下的链路监控及设备监控机制,能够在网络出现异常时,准确定位到发生异常的网络链路和/或网络链路上发生异常的设备,从而准确检测出整个网络链路上可能潜在的异常情况,为网络异常排查和网络维护提供有力的数据支撑。进一步地,相较于现有技术中需要依赖人力来检测异常网络的方案而言,本技术方案能够自动化地定位到发生异常的网络链路和/或网络链路上发生异常的设备,无需用户参与,因此避免了人力因素可能带来的定位不准确情况,提升了网络异常定位的准确度。并且,通过预先训练网络检测模型,并通过网络检测模型来实现网络异常定位,使得网络异常定位的效率大大提升,节省了网络异常定位时间。
具体在另一实施例中,电子设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对电子设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取多个网络拓扑结构中的样本网络链路的样本链路信息,以及所述样本网络链路的标签信息;其中,所述样本网络链路包括:网络状况正常的样本网络链路和网络状况异常的样本网络链路;所述样本链路信息包括所述样本网络链路上的设备的指标信息;所述标签信息用于表征以下至少一项:所述样本网络链路是否异常、所述样本网络链路上的设备是否异常;
将所述样本网络链路信息输入待训练的网络检测模型中,得到所述样本网络链路对应的分类结果,所述分类结果包括以下至少一项:所述样本网络链路是否异常、所述样本网络链路上的设备是否异常;
根据所述样本网络链路的分类结果以及所述标签信息,对所述待训练的网络检测模型的模型参数进行调整。
采用本公开实施例的技术方案,通过将多个网络拓扑结构中包括的样本网络链路的样本链路信息(包括网络状况正常的样本网络链路和网络状况异常的样本网络链路)输入至待训练的网络检测模型中,得到样本网络链路对应的分类结果(包括样本网络链路是否异常和/或样本网络链路上的设备是否异常),进而根据分类结果以及样本网络链路的标签信息,对网络检测模型的模型参数进行调整。可见,本技术方案通过预先训练网络检测模型,使得网络检测模型能够用于网络异常定位。从而利用网络检测模型来实现网络异常定位时,能够准确定位到发生异常的网络链路和/或网络链路上发生异常的设备,从而准确检测出整个网络链路上可能潜在的异常情况,为网络异常排查和网络维护提供有力的数据支撑。进一步地,相较于现有技术中需要依赖人力来检测异常网络的方案而言,本技术方案能够自动化地定位到发生异常的网络链路和/或网络链路上发生异常的设备,无需用户参与,因此避免了人力因素可能带来的定位不准确情况,提升了网络异常定位的准确度。此外,基于网络检测模型的智能化和自动化,使得网络异常定位的效率大大提升,节省了网络异常定位时间。
本公开实施例还提出了一种存储介质,该存储介质存储一个或多个计算机程序,该一个或多个计算机程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行上述网络检测方法实施例的各个过程,并具体用于执行:
获取网络拓扑结构中包括的网络链路的链路信息,所述链路信息包括所述网络链路上的设备的指标信息;
将所述链路信息输入至预先训练的网络检测模型中进行网络状况检测,得到网络状况检测结果;其中,所述网络状况检测结果包括以下至少一项:所述网络链路是否异常的检测结果、所述网络链路上的设备是否异常的检测结果。
采用本公开实施例的技术方案,通过将网络拓扑结构中包括的网络链路的链路信息输入至预先训练的网络检测模型中,利用网络检测模型对网络链路进行网络状况检测,得到网络状况检测结果,包括网络链路是否异常的检测结果和/或网络链路上的设备是否异常的检测结果。可见,本技术方案提供了应用层以下的链路监控及设备监控机制,能够在网络出现异常时,准确定位到发生异常的网络链路和/或网络链路上发生异常的设备,从而准确检测出整个网络链路上可能潜在的异常情况,为网络异常排查和网络维护提供有力的数据支撑。进一步地,相较于现有技术中需要依赖人力来检测异常网络的方案而言,本技术方案能够自动化地定位到发生异常的网络链路和/或网络链路上发生异常的设备,无需用户参与,因此避免了人力因素可能带来的定位不准确情况,提升了网络异常定位的准确度。并且,通过预先训练网络检测模型,并通过网络检测模型来实现网络异常定位,使得网络异常定位的效率大大提升,节省了网络异常定位时间。
本公开实施例还提出了一种存储介质,该存储介质存储一个或多个计算机程序,该一个或多个计算机程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行上述网络检测模型训练方法实施例的各个过程,并具体用于执行:
获取多个网络拓扑结构中的样本网络链路的样本链路信息,以及所述样本网络链路的标签信息;其中,所述样本网络链路包括:网络状况正常的样本网络链路和网络状况异常的样本网络链路;所述样本链路信息包括所述样本网络链路上的设备的指标信息;所述标签信息用于表征以下至少一项:所述样本网络链路是否网络状况异常、所述样本网络链路上的设备是否异常;
将所述样本网络链路信息输入待训练的网络检测模型中,得到所述样本网络链路对应的分类结果,所述分类结果包括以下至少一项:所述样本网络链路是否异常、所述样本网络链路上的设备是否异常;
根据所述样本网络链路的分类结果以及所述标签信息,对所述网络检测模型的模型参数进行调整。
采用本公开实施例的技术方案,通过将多个网络拓扑结构中包括的样本网络链路的样本链路信息(包括网络状况正常的样本网络链路和网络状况异常的样本网络链路)输入至待训练的网络检测模型中,得到样本网络链路对应的分类结果(包括样本网络链路是否异常和/或样本网络链路上的设备是否异常),进而根据分类结果以及样本网络链路的标签信息,对待训练的网络检测模型的模型参数进行调整。可见,本技术方案通过预先训练网络检测模型,使得网络检测模型能够用于网络异常定位。从而利用网络检测模型来实现网络异常定位时,能够准确定位到发生异常的网络链路和/或网络链路上发生异常的设备,从而准确检测出整个网络链路上可能潜在的异常情况,为网络异常排查和网络维护提供有力的数据支撑。进一步地,相较于现有技术中需要依赖人力来检测异常网络的方案而言,本技术方案能够自动化地定位到发生异常的网络链路和/或网络链路上发生异常的设备,无需用户参与,因此避免了人力因素可能带来的定位不准确情况,提升了网络异常定位的准确度。此外,基于网络检测模型的智能化和自动化,使得网络异常定位的效率大大提升,节省了网络异常定位时间。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本公开时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本公开的实施例可提供为方法、***、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本公开可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本公开,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本公开的实施例而已,并不用于限制本公开。对于本领域技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本公开的权利要求范围之内。
Claims (12)
1.一种网络检测方法,其特征在于,包括:
获取网络拓扑结构中包括的网络链路的链路信息,所述链路信息包括所述网络链路上的设备的指标信息;
将所述链路信息输入至预先训练的网络检测模型中进行网络状况检测,得到网络状况检测结果;其中,所述网络状况检测结果包括以下至少一项:所述网络链路是否异常的检测结果、所述网络链路上的设备是否异常的检测结果。
2.根据权利要求1所述的方法,其特征在于,所述网络检测模型包括:设备评分层、网络链路评分层和分类层;
所述设备评分层,用于根据所述网络链路上的设备的指标信息,计算所述网络链路上的设备的性能分值;
所述网络链路评分层,用于根据所述网络链路上的设备的性能分值,计算所述网络链路的链路状况分值;
所述分类层,用于根据所述网络链路的链路状况分值,确定所述网络链路是否异常;和/或,根据所述网络链路上的设备的性能分值,确定所述网络链路上的设备是否异常。
3.根据权利要求2所述的方法,其特征在于,所述根据所述网络链路上的设备的指标信息,计算所述网络链路上的设备的性能分值,包括:
确定所述设备的每个指标信息对应的第一权重,所述指标信息包括网络抖动、网络丢包、网络时延和网络带宽中的至少一项信息;
根据所述设备的指标信息以及每个指标信息对应的所述第一权重,确定所述设备的性能分值。
4.根据权利要求2所述的方法,其特征在于,所述根据所述网络链路上的设备的性能分值,计算所述网络链路的链路状况分值,包括:
确定所述网络链路上的每个设备对应的第二权重,所述第二权重用于表示对应设备在所述网络链路上的重要程度;
根据每个设备对应的所述第二权重以及每个设备的所述性能分值,确定所述网络链路的链路状况分值。
5.根据权利要求4所述的方法,其特征在于,针对所述网络链路上的每个设备,设备对应的第二权重的确定方式有:
根据所述设备对应的设备类型,确定所述设备对应的第二权重。
6.根据权利要求2所述的方法,其特征在于,若异常网络链路包括多条,则所述分类层还用于按照每条异常网络链路的链路状况分值,对多条异常网络链路的链路信息进行排序,并按照排序结果输出所述多条异常网络链路的链路信息。
7.一种网络检测模型训练方法,其特征在于,包括:
获取多个网络拓扑结构中包括的样本网络链路的样本链路信息,以及所述样本网络链路的标签信息;其中,所述样本网络链路包括:网络状况正常的样本网络链路和网络状况异常的样本网络链路;所述样本链路信息包括所述样本网络链路上的设备的指标信息;所述标签信息用于表征以下至少一项:所述样本网络链路是否异常、所述样本网络链路上的设备是否异常;
将所述样本链路信息输入待训练的网络检测模型中,得到所述样本网络链路对应的分类结果,所述分类结果包括以下至少一项:所述样本网络链路是否异常、所述样本网络链路上的设备是否异常;
根据所述样本网络链路的分类结果以及所述标签信息,对所述待训练的网络检测模型的模型参数进行调整。
8.根据权利要求7所述的方法,其特征在于,所述待训练的网络检测模型包括:设备评分层、网络链路评分层和分类层;
所述设备评分层,用于根据所述样本网络链路上的设备的指标信息,计算所述样本网络链路上的设备的性能分值;
所述网络链路评分层,用于根据所述样本网络链路上的设备的性能分值,计算所述样本网络链路的链路状况分值;
所述分类层,用于根据所述样本网络链路的链路状况分值,确定所述样本网络链路是否异常;和/或,根据所述样本网络链路上的设备的性能分值,确定所述样本网络链路上的设备是否异常。
9.一种网络检测装置,其特征在于,包括:
第一获取模块,用于获取网络拓扑结构中包括的网络链路的链路信息,所述链路信息包括所述网络链路上的设备的指标信息;
检测模块,用于将所述链路信息输入至预先训练的网络检测模型中进行网络状况检测,得到网络状况检测结果;其中,所述网络状况检测结果包括以下至少一项:所述网络链路是否异常的检测结果、所述网络链路上的设备是否异常的检测结果。
10.一种网络检测模型训练装置,其特征在于,包括:
第二获取模块,用于获取多个网络拓扑结构中包括的样本网络链路的样本链路信息,以及所述样本网络链路的标签信息;其中,所述样本网络链路包括:网络状况正常的样本网络链路和网络状况异常的样本网络链路;所述样本链路信息包括所述样本网络链路上的设备的指标信息;所述标签信息用于表征以下至少一项:所述样本网络链路是否异常、所述样本网络链路上的设备是否异常;
分类模块,用于将所述样本链路信息输入待训练的网络检测模型中,得到所述样本网络链路对应的分类结果,所述分类结果包括以下至少一项:所述样本网络链路是否异常、所述样本网络链路上的设备是否异常;
模型训练模块,用于根据所述样本网络链路的分类结果以及所述标签信息,对所述网络检测模型的模型参数进行调整。
11.一种电子设备,其特征在于,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现如权利要求1-6任一项所述的网络检测方法,或者,所述处理器用于从所述存储器调用并执行所述计算机程序以实现如权利要求7-8任一项所述的网络检测模型训练方法。
12.一种存储介质,其特征在于,所述存储介质用于存储计算机程序,所述计算机程序能够被处理器执行以实现如权利要求1-6任一项所述的网络检测方法,或者,所述计算机程序能够被处理器执行以实现如权利要求7-8任一项所述的网络检测模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817220.8A CN116132330A (zh) | 2022-07-12 | 2022-07-12 | 网络检测方法、网络检测模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817220.8A CN116132330A (zh) | 2022-07-12 | 2022-07-12 | 网络检测方法、网络检测模型训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116132330A true CN116132330A (zh) | 2023-05-16 |
Family
ID=86303217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210817220.8A Pending CN116132330A (zh) | 2022-07-12 | 2022-07-12 | 网络检测方法、网络检测模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116132330A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117880055A (zh) * | 2024-03-12 | 2024-04-12 | 灵长智能科技(杭州)有限公司 | 基于传输层指标的网络故障诊断方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180248905A1 (en) * | 2017-02-24 | 2018-08-30 | Ciena Corporation | Systems and methods to detect abnormal behavior in networks |
CN112637132A (zh) * | 2020-12-01 | 2021-04-09 | 北京邮电大学 | 一种网络异常检测方法、装置、电子设备和存储介质 |
CN114205245A (zh) * | 2020-09-17 | 2022-03-18 | 华为技术服务有限公司 | 异常链路检测方法、装置及存储介质 |
-
2022
- 2022-07-12 CN CN202210817220.8A patent/CN116132330A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180248905A1 (en) * | 2017-02-24 | 2018-08-30 | Ciena Corporation | Systems and methods to detect abnormal behavior in networks |
CN114205245A (zh) * | 2020-09-17 | 2022-03-18 | 华为技术服务有限公司 | 异常链路检测方法、装置及存储介质 |
CN112637132A (zh) * | 2020-12-01 | 2021-04-09 | 北京邮电大学 | 一种网络异常检测方法、装置、电子设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117880055A (zh) * | 2024-03-12 | 2024-04-12 | 灵长智能科技(杭州)有限公司 | 基于传输层指标的网络故障诊断方法、装置、设备及介质 |
CN117880055B (zh) * | 2024-03-12 | 2024-05-31 | 灵长智能科技(杭州)有限公司 | 基于传输层指标的网络故障诊断方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108322347B (zh) | 数据检测方法、装置、检测服务器及存储介质 | |
CN113328872B (zh) | 故障修复方法、装置和存储介质 | |
CN106941423B (zh) | 故障原因定位方法及装置 | |
AU2017235914B2 (en) | Improving performance of communication network based on end to end performance observation and evaluation | |
KR20210019564A (ko) | 운영 유지 시스템 및 방법 | |
US10361923B2 (en) | Method and device for discovering network topology | |
CN107124289B (zh) | 网络日志时间对齐方法、装置及主机 | |
CN109327347A (zh) | 使用机器学习来监测链路质量并且预测链路故障 | |
KR20180120558A (ko) | 딥러닝 기반 통신망 장비의 장애 예측 시스템 및 방법 | |
CN105721184A (zh) | 一种网络链路质量的监控方法及装置 | |
CN105373460A (zh) | 监控消息的告警方法和*** | |
CN105917625A (zh) | 使用附加数据的检测到的网络异常的分类 | |
CN104252401A (zh) | 一种基于权重的设备状态判断方法及其*** | |
CN115022908B (zh) | 一种核心网与基站传输网络异常预测及定位的方法 | |
CN107332765A (zh) | 用于维修路由器故障的方法和装置 | |
CN115550139B (zh) | 故障根因定位方法、装置、***、电子设备及存储介质 | |
CN107104838A (zh) | 一种信息处理方法、服务器及终端 | |
CN116132330A (zh) | 网络检测方法、网络检测模型训练方法及装置 | |
CN105207797A (zh) | 故障定位方法和装置 | |
CN109525455B (zh) | 一种水文实时监测网络状态综合评估方法 | |
CN105207835A (zh) | 一种无线局域网的网元工作状态的判定方法及装置 | |
CN110609761B (zh) | 确定故障源的方法、装置、存储介质和电子设备 | |
CN107590008A (zh) | 一种通过加权熵判断分布式集群可靠度的方法和*** | |
CN111475643A (zh) | 数据中心交换机异常日志的处理方法、装置及存储介质 | |
CN110995525A (zh) | 一种基于维护矩阵的路由器检测方法 |
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 |