CN117411818A - 一种网络路径确定方法、装置、电子设备及存储介质 - Google Patents
一种网络路径确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117411818A CN117411818A CN202210802912.5A CN202210802912A CN117411818A CN 117411818 A CN117411818 A CN 117411818A CN 202210802912 A CN202210802912 A CN 202210802912A CN 117411818 A CN117411818 A CN 117411818A
- Authority
- CN
- China
- Prior art keywords
- sample
- network
- state data
- data
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 description 19
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/70—Routing based on monitoring results
-
- 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
- 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
- H04L43/0811—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking connectivity
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开实施例提供了一种网络路径确定方法、装置、电子设备及存储介质,确定目标用户端与对应的目标资源端之间的各网络层包含的第一网元。针对每一第一网元,获取该第一网元针对目标类型的用户端的网络状态数据,作为待处理网络状态数据。目标类型表示目标用户端的类型。将待处理网络状态数据输入至目标类型对应的业务质量预测模型,得到该第一网元对应的业务质量数据,作为待处理业务质量数据。针对每一网络层,基于该网络层中第一网元对应的待处理业务质量数据,从该网络层中选择一个目标网元。将各目标网元构成的网络路径,确定为目标用户端与目标资源端之间的目标网络路径。基于此,能够提高目标用户端访问目标资源端时的网络业务的质量。
Description
技术领域
本公开涉及大数据技术领域,特别是涉及一种网络路径确定方法、装置、电子设备及存储介质。
背景技术
随着信息技术的发展,用户可以通过用户端访问资源端,以从资源端获取相应的网络资源。例如,用户通过视频类的用户端访问对应的资源端,以从资源端获取视频网络资源。进而,用户端可以播放获取到的视频网络资源,以供用户观看。
用户端与资源端之间的网络路径中各网元的网络状态,会影响网络业务的质量。例如,当网元的网络状态较差时,会导致用户端播放视频资源时出现卡顿、延迟等情况,会降低网络业务的质量。
相关技术中,当网元的网络状态较差时,用户端只能被动地适应网络。例如,当网元的网络状态较差时,用户端会降低播放的视频网络资源的分辨率,以避免出现卡顿、延迟等情况。可见,用户端以降低分辨率来避免出现卡顿、延迟等情况,然而,降低分辨率也会影响网络业务的质量,即,其在本质上并不能有效地提高网络业务的质量。
因此,亟需一种方法,以有效地提高网络业务的质量。
发明内容
本公开实施例的目的在于提供一种网络路径确定方法、装置、电子设备及存储介质,以提高目标用户端访问目标资源端时的网络业务的质量。具体技术方案如下:
第一方面,为了达到上述目的,本公开实施例提供了一种网络路径确定方法,所述方法包括:
确定目标用户端与对应的目标资源端之间的各网络层包含的网元,作为第一网元;
针对每一第一网元,获取该第一网元针对目标类型的用户端的网络状态数据,作为待处理网络状态数据;其中,所述目标类型表示所述目标用户端的类型;
将所述待处理网络状态数据输入至所述目标类型对应的业务质量预测模型,得到该第一网元对应的业务质量数据,作为待处理业务质量数据;其中,所述业务质量预测模型为基于样本网元针对所述目标类型的样本用户端的样本网络状态数据,以及所述样本网络状态数据对应的样本业务质量数据进行训练得到的;所述样本网元为所述样本用户端与对应的资源端之间的网络路径中的网元;所述样本业务质量数据表示:当所述样本网元的网络状态为所述样本网络状态数据时,所述样本用户端所提供的网络业务的质量;
针对每一网络层,基于该网络层中第一网元对应的待处理业务质量数据,从该网络层中选择一个网元,作为目标网元;
将各目标网元构成的网络路径,确定为所述目标用户端与所述目标资源端之间的目标网络路径。
在一些实施例中,所述业务质量预测模型的训练过程包括以下步骤:
获取样本网元针对所述目标类型的样本用户端的样本网络状态数据,以及所述样本网络状态数据对应的样本业务质量数据;
将所述样本网络状态数据输入至预设结构的业务质量预测模型,得到所述样本网络状态数据对应的业务质量数据,作为预测业务质量数据;
基于所述预测业务质量数据和所述样本业务质量数据,计算损失值;
基于所述损失值对所述预设结构的业务质量预测模型的模型参数进行调整,继续训练,直至所述预设结构的业务质量预测模型达到收敛。
在一些实施例中,所述获取样本网元针对所述目标类型的样本用户端的样本网络状态数据,以及所述样本网络状态数据对应的样本业务质量数据,包括:
针对每一样本时间段,获取该样本时间段内,所述样本网元针对所述目标类型的样本用户端的样本网络状态数据;
获取该样本时间段内所述样本用户端的样本业务质量数据,作为该样本时间段内,所述样本网元针对所述目标类型的样本用户端的样本网络状态数据对应的样本业务质量数据。
在一些实施例中,各样本时间段内所述样本用户端的样本业务质量数据通过以下步骤生成:
针对每一样本时间段,获取该样本时间段内各样本用户端的业务状态数据;
基于对各业务状态数据进行聚类分析,得到每一业务状态数据所表征的业务质量数据,作为第一业务质量数据;
针对目标样本时间段,将属于同一网段的两个样本用户端对应的第一业务质量数据进行互换,得到该两个样本用户端在该目标样本时间段内的样本业务质量数据。
在一些实施例中,各样本时间段内所述样本网元针对所述目标类型的样本用户端的样本网络状态数据通过以下步骤生成:
针对每一样本时间段,获取该样本时间段内,所述样本网元针对所述目标类型的样本用户端的网络状态数据,作为第一网络状态数据;
基于该样本时间段对应的第一网络状态数据,以及该样本时间段的下一个样本时间段的第一网络状态数据进行差分处理,得到该样本时间段所述样本网元针对所述目标类型的样本用户端的样本网络状态数据。
在一些实施例中,所述针对每一第一网元,获取该第一网元针对目标类型的用户端的网络状态数据,作为待处理网络状态数据,包括:
针对每一第一网元,获取该第一网元针对目标类型的多个用户端的网络状态数据;
基于获取到的各网络状态数据,得到所述待处理网络状态数据。
第二方面,为了达到上述目的,本公开实施例提供了一种网络路径确定装置,所述装置包括:
第一确定模块,用于确定目标用户端与对应的目标资源端之间的各网络层包含的网元,作为第一网元;
第一获取模块,用于针对每一第一网元,获取该第一网元针对目标类型的用户端的网络状态数据,作为待处理网络状态数据;其中,所述目标类型表示所述目标用户端的类型;
第一预测模块,用于将所述待处理网络状态数据输入至所述目标类型对应的业务质量预测模型,得到该第一网元对应的业务质量数据,作为待处理业务质量数据;其中,所述业务质量预测模型为基于样本网元针对所述目标类型的样本用户端的样本网络状态数据,以及所述样本网络状态数据对应的样本业务质量数据进行训练得到的;所述样本网元为所述样本用户端与对应的资源端之间的网络路径中的网元;所述样本业务质量数据表示:当所述样本网元的网络状态为所述样本网络状态数据时,所述样本用户端所提供的网络业务的质量;
选择模块,用于针对每一网络层,基于该网络层中第一网元对应的待处理业务质量数据,从该网络层中选择一个网元,作为目标网元;
第二确定模块,用于将各目标网元构成的网络路径,确定为所述目标用户端与所述目标资源端之间的目标网络路径。
在一些实施例中,所述装置还包括:
第二获取模块,用于获取样本网元针对所述目标类型的样本用户端的样本网络状态数据,以及所述样本网络状态数据对应的样本业务质量数据;
第二预测模块,用于将所述样本网络状态数据输入至预设结构的业务质量预测模型,得到所述样本网络状态数据对应的业务质量数据,作为预测业务质量数据;
第三确定模块,用于基于所述预测业务质量数据和所述样本业务质量数据,计算损失值;
训练模块,用于基于所述损失值对所述预设结构的业务质量预测模型的模型参数进行调整,继续训练,直至所述预设结构的业务质量预测模型达到收敛。
在一些实施例中,所述第二获取模块,具体用于针对每一样本时间段,获取该样本时间段内,所述样本网元针对所述目标类型的样本用户端的样本网络状态数据;
获取该样本时间段内所述样本用户端的样本业务质量数据,作为该样本时间段内,所述样本网元针对所述目标类型的样本用户端的样本网络状态数据对应的样本业务质量数据。
在一些实施例中,所述第二获取模块,具体用于针对每一样本时间段,获取该样本时间段内各样本用户端的业务状态数据;
基于对各业务状态数据进行聚类分析,得到每一业务状态数据所表征的业务质量数据,作为第一业务质量数据;
针对目标样本时间段,将属于同一网段的两个样本用户端对应的第一业务质量数据进行互换,得到该两个样本用户端在该目标样本时间段内的样本业务质量数据。
在一些实施例中,所述第二获取模块,具体用于针对每一样本时间段,获取该样本时间段内,所述样本网元针对所述目标类型的样本用户端的网络状态数据,作为第一网络状态数据;
基于该样本时间段对应的第一网络状态数据,以及该样本时间段的下一个样本时间段的第一网络状态数据进行差分处理,得到该样本时间段所述样本网元针对所述目标类型的样本用户端的样本网络状态数据。
在一些实施例中,所述第一获取模块,具体用于针对每一第一网元,获取该第一网元针对目标类型的多个用户端的网络状态数据;
基于获取到的各网络状态数据,得到所述待处理网络状态数据。
本公开实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的网络路径确定方法步骤。
本公开实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的网络路径确定方法步骤。
本公开实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的网络路径确定方法。
本公开实施提供的一种网络路径确定方法,确定目标用户端与对应的目标资源端之间的各网络层包含的网元,作为第一网元。针对每一第一网元,获取该第一网元针对目标类型的用户端的网络状态数据,作为待处理网络状态数据。其中,目标类型表示目标用户端的类型。将待处理网络状态数据输入至目标类型对应的业务质量预测模型,得到该第一网元对应的业务质量数据,作为待处理业务质量数据。其中,业务质量预测模型为基于样本网元针对目标类型的样本用户端的样本网络状态数据,以及样本网络状态数据对应的样本业务质量数据进行训练得到的;样本网元为样本用户端与对应的资源端之间的网络路径中的网元;样本业务质量数据表示:当样本网元的网络状态为样本网络状态数据时,样本用户端所提供的网络业务的质量。针对每一网络层,基于该网络层中第一网元对应的待处理业务质量数据,从该网络层中选择一个网元,作为目标网元。将各目标网元构成的网络路径,确定为目标用户端与目标资源端之间的目标网络路径。
基于上述处理,针对目标用户端与对应的目标资源端之间的各网络层包含的每一网元,可以基于该网元的网络状态数据,确定对应的业务质量数据(即待处理业务质量数据),而该待处理业务质量数据能够表征对应的用户端所提供的网络业务的质量。进而,基于各网元对应的待处理业务质量数据,也就能够选择出对应的网络业务的质量较好的网元,进而,将选择的各网元构成的网络路径,确定为目标用户端与目标资源端之间的目标网络路径,也就能够提高目标用户端访问目标资源端时的网络业务的质量。
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的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本公开实施例提供的一种流量传输的原理示意图;
图2为本公开实施例提供的一种网络路径确定方法的流程图;
图3为本公开实施例提供的另一种网络路径确定方法的流程图;
图4为本公开实施例提供的一种业务质量预测模型训练方法的流程图;
图5为本公开实施例提供的另一种业务质量预测模型训练方法的流程图;
图6为本公开实施例提供的一种业务质量预测模型训练方法的原理示意图;
图7为本公开实施例提供的一种网络路径确定装置的结构图;
图8为本公开实施例提供的一种电子设备的结构图。
具体实施方式
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基于本公开所获得的所有其他实施例,都属于本公开保护的范围。
用户端可以通过各网元与资源端进行通信,各网元构成用户端与资源端之间的网络路径。例如,参见图1,图1为本公开实施提供的一种网络路径的示意图。5G-CPE(5G-Customer Premise Equipment,5G-客户前置设备)为本公开实施例中的用户端。基站、承载网、UPF(User Plane Function,用户面功能)、网关设备为本公开实施例中用户端与对应的资源端之间的各网络层包含的网元。应用云为本公开实施例中的资源端。
在5G业务中,用户端的业务流依次通过基站、承载网1、5GC(5Gcore,5G核心网)的UPF、网关设备、承载网2等网元,到达应用云(即资源端)。其中,基站、承载网1、UPF、网关设备和承载网2构成用户端与资源端之间的网络路径。
相关技术中,当网络路径中网元的网络状态较差时,用户端只能被动地适应网络。例如,当网元的网络状态较差时,用户端会降低播放的视频网络资源的分辨率,以避免出现卡顿、延迟等情况。可见,用户端以降低分辨率来避免出现卡顿、延迟等情况,然而,降低分辨率也会影响网络业务的质量,即,其在本质上并不能有效地提高网络业务的质量。
为了解决上述问题,本公开实施提供了一种网络路径确定方法,如图2所示,图2为本公开实施例提供的一种网络路径确定的流程图,该方法可以包括以下步骤:
S201:确定目标用户端与对应的目标资源端之间的各网络层包含的网元,作为第一网元。
S202:针对每一第一网元,获取该第一网元针对目标类型的用户端的网络状态数据,作为待处理网络状态数据。
其中,目标类型表示目标用户端的类型。
S203:将待处理网络状态数据输入至目标类型对应的业务质量预测模型,得到该第一网元对应的业务质量数据,作为待处理业务质量数据。
其中,业务质量预测模型为基于样本网元针对目标类型的样本用户端的样本网络状态数据,以及样本网络状态数据对应的样本业务质量数据进行训练得到的;样本网元为样本用户端与对应的资源端之间的网络路径中的网元;样本业务质量数据表示:当样本网元的网络状态为样本网络状态数据时,样本用户端所提供的网络业务的质量。
S204:针对每一网络层,基于该网络层中第一网元对应的待处理业务质量数据,从该网络层中选择一个网元,作为目标网元。
S205:将各目标网元构成的网络路径,确定为目标用户端与目标资源端之间的目标网络路径。
基于本公开实施例提供的网络路径确定方法,针对目标用户端与对应的目标资源端之间的各网络层包含的每一网元,可以基于该网元的网络状态数据,确定对应的业务质量数据(即待处理业务质量数据),而该待处理业务质量数据能够表征对应的用户端所提供的网络业务的质量。进而,基于各网元对应的待处理业务质量数据,也就能够选择出对应的网络业务的质量较好的网元,进而,将选择的各网元构成的网络路径,确定为目标用户端与目标资源端之间的目标网络路径,也就能够提高目标用户端访问目标资源端时的网络业务的质量。
针对步骤S201,目标用户端可以为用户使用的任意一个应用程序(可以称为目标应用程序)所在的用户端,目标应用程序可以为视频应用程序、网页应用程序等,目标用户端可以为智能手机、平板电脑、台式电脑等。目标用户端对应的目标资源端可以为用户使用的应用程序的服务器。目标用户端与对应的目标资源端之间包含多个网络层,每一网络层包含的多个网元,该多个网元可以称为第一网元。
在用户通过目标用户端从目标资源端获取资源时,目标用户端发送资源访问请求,该资源访问请求经网络路径中的各个网元传输至目标资源端。目标资源端接收到该资源访问请求后,向目标用户端发送该资源访问请求所请求的网络资源。基于本公开实施例提供的方法,可以确定出对应的网络业务的质量较好的从目标用户端至目标资源端的目标网络路径,以提高目标用户端访问目标资源端时的网络业务的质量。
针对步骤S202,目标类型表示目标用户端的类型,目标用户端的类型表示目标应用程序的类型,例如,目标应用程序为视频应用程序,则目标用户端的目标类型为视频类型;或者,目标应用程序为网页应用程序,则目标用户端为网页类型;或者,目标应用程序为音频应用程序,则目标用户端为音频类型。
第一网元针对目标类型的用户端的网络状态数据包括:第一网元传输目标类型的用户端所请求的网络资源时的网络状态数据,网络状态数据可以包括:总端口流量、端口丢包率、错包率、用户Session(会话)带宽、源IP(Internet Protocol,互联网协议)地址、目的IP地址以及Session时间等。用户Session指用户端与资源端之间的会话。源IP地址为:用户端的地址,目的IP地址为:资源端的地址。
其中,通过5GC管理平台可在基站和UPF中提取总端口流量,端口丢包率、错包率,用户Session带宽,源IP地址、目的IP地址,Session时间等网络状态数据。通过网管平台可在承载网和网关设备上获取不同端口总流量,端口丢包率等数据。
在获取网络状态数据时,需要先通过网络拓扑的连接关系,对用户端与资源端之间的各第一网元进行连接,在一些情况下,承载网,网关设备与基站、UPF的端口可能不是一一对应的关系,则舍弃这部分网络状态数据。例如,基站的一些端口未与承载网进行连接,则可以不获取基站的这些端口的总端口流量,端口丢包率等网络状态数据。
在一些实施例中,在图2的基础上,参见图3,步骤S202可以包括以下步骤:
S2021:针对每一第一网元,获取该第一网元针对目标类型的多个用户端的网络状态数据。
S2022:基于获取到的各网络状态数据,得到待处理网络状态数据。
针对每一第一网元,电子设备可以获取在距离当前时刻最近的时间段内,该第一网元针对目标类型的多个用户端的网络状态数据。进而,电子设备可以计算该多个用户端的网络状态数据的平均值,作为待处理网络状态数据。例如,计算该第一网元针对目标类型的多个用户端的端口丢包率的平均值,并计算该第一网元针对目标类型的多个用户端的错包率的平均值,得到待处理网络状态数据。
或者,电子设备也可以计算该第一网络针对目标类型的多个用户端的网络状态数据的加权值,作为待处理网络状态数据。
针对步骤S203,业务质量预测模型可以为分类模型,不同类型的业务质量预测模型用于预测第一网元针对不同类型的业务质量数据。例如,目标类型为视频类型,则目标类型对应的业务质量预测模型用于预测第一网元针对视频类型的业务质量数据;或者,目标类型为音频类型,则目标类型对应的业务质量预测模型用于预测第一网元针对音频类型的业务质量数据。
第一网元对应的待处理业务质量数据表示:基于第一网元的待处理网络状态数据,对应的目标用户端所提供的网络业务的质量,待处理业务质量数据越大表明基于第一网元的待处理网络状态数据,对应的目标用户端所提供的网络业务的质量越好。例如,目标类型为视频类型,第一网元对应的待处理业务质量数据表示:基于第一网元的待处理网络状态数据,对应的目标用户端所提供的视频业务的质量。
电子设备将获取到的第一网元的待处理网络状态数据输入至目标类型的业务质量预测模型,可以得到第一网元对应的业务质量数据。
针对步骤S204,针对每一网络层,电子设备可以根据实际需求,基于该网络层中各第一网元各自对应的待处理业务质量数据,从该网络层中的各第一网元中选择一个网络业务的质量较好的网元,作为目标网元。例如,该网络层为基站所在的网络层,则电子设备可以从各基站中,选择一个待处理业务质量数据最大的基站,作为目标网元。
针对步骤S205,在确定出目标用户端与目标资源端之间的各目标网元后,针对每一目标网元,电子设备可以判断该目标网元与下一个目标网元之间是否进行通信连接,如果该目标网元与下一个目标网元之间未进行通信连接,电子可以从下一个目标网元所在的网络层的其他网元中,选择一个与该目标网元进行通信连接,且使得目标用户端对应的网络业务的质量较好的网元,作为该目标网元的下一个目标网元。一个目标网元的下一个目标网元为:从目标用户端至目标资源端的各网元中,该目标网元所在的网络层的下一个网络层中的目标网元。
进而,电子设备可以确定各目标网元构成的网络路径,为目标用户端与目标资源端之间的目标网络路径。
在一些实施例中,电子设备还可以基于目标类型的样本用户端的样本网络状态数据,以及样本网络状态数据对应的样本业务质量数据对预设结构的业务质量预测模型进行训练,以得到目标类型对应的业务质量预测模型。
参见图4,图4为本公开实施例提供的一种业务质量预测模型生成方法的流程图,该方法可以包括以下步骤:
S401:获取样本网元针对目标类型的样本用户端的样本网络状态数据,以及样本网络状态数据对应的样本业务质量数据。
S402:将样本网络状态数据输入至预设结构的业务质量预测模型,得到样本网络状态数据对应的业务质量数据,作为预测业务质量数据。
S403:基于预测业务质量数据和样本业务质量数据,计算损失值。
S404:基于损失值对预设结构的业务质量预测模型的模型参数进行调整,继续训练,直至预设结构的业务质量预测模型达到收敛。
样本网元针对目标类型的样本用户端的样本网络状态数据:样本网元传输目标类型的样本用户端所请求的网络资源时的网络状态数据,样本网络状态数据对应的样本业务质量数据表示:基于样本网元的样本网络状态数据,对应的样本用户端所提供的网络业务的质量。
例如,目标类型为视频类型,样本网元针对目标类型的样本用户端的样本网络状态数据可以包括:样本网元传输视频类型的样本用户端所请求的视频资源时的网络状态数据,样本网络状态数据对应的样本业务质量数据表示:基于样本网元的样本网络状态数据,对应的样本用户端所提供的视频业务的质量。
样本网络状态数据对应的样本业务质量数据可以为:技术人员基于该样本时间段内各样本用户端的业务状态数据确定的。样本用户端的业务状态数据可以参考后续实施例的相关介绍。
在一些实施例中,在图4的基础上,参见图5,步骤S401可以包括以下步骤:
S4011:针对每一样本时间段,获取该样本时间段内,样本网元针对目标类型的样本用户端的样本网络状态数据。
S4012:获取该样本时间段内样本用户端的样本业务质量数据,作为该样本时间段内,样本网元针对目标类型的样本用户端的样本网络状态数据对应的样本业务质量数据。
样本时间段的时长可以由技术人员根据需求设置,针对每一样本时间段,电子设备获取该样本时间段内,样本网元针对目标类型的样本用户端的样本网络状态数据,并获取该样本时间段内样本用户端的样本业务质量数据,作为该样本时间段内,样本网元针对目标类型的样本用户端的样本网络状态数据对应的样本业务质量数据。
示例性的,样本时间段为9:00至10:00,则电子设备获取9:00至10:00内的样本网元针对目标类型的样本用户端的样本网络状态数据,并获取9:00至10:00内样本用户端的样本业务质量数据,得到样本网元针对目标类型的样本用户端的样本网络状态数据对应的样本业务质量数据。
基于上述处理,可以获取同一样本时间段内的样本网元针对目标类型的样本用户端的样本网络状态数据,以及样本网元针对目标类型的样本用户端的样本网络状态数据对应的样本业务质量数据,进而,能够将样本网络状态数据以及样本网络状态数据对应的样本业务质量数据进行联邦学习,弥补了现有技术中只能对样本网络状态数据进行单独分析,或只能针对样本业务质量数据进行单独分析的不足,提高了感知网元的网络状态数据的变化对用户端的业务质量数据的变化的影响的精确度,成功地解决了应用服务商对应用户端的网络业务的质量的感知问题,以便于应用服务商对用户端的网络业务的质量进行优化。
在一些实施例中,步骤S4011可以包括以下步骤:
步骤1:针对每一样本时间段,获取该样本时间段内,样本网元针对目标类型的样本用户端的网络状态数据,作为第一网络状态数据。
步骤2:基于该样本时间段对应的第一网络状态数据,以及该样本时间段的下一个样本时间段的第一网络状态数据进行差分处理,得到该样本时间段样本网元针对目标类型的样本用户端的样本网络状态数据。
获取到的第一网络状态数据可以表示为如下向量:{I,T}:{A1:x0,x1,x2,……,xn,A2:x0,x1,X2,……,xn,An:x0,x1,x2,x3,……,xn}。
其中,I表示源IP地址和目的IP地址,T表示样本时间段,An表示第n个样本网元,xn表示样本网元的第n个网络状态数据。
获取样本时间段对应的第一网络状态数据,以及该样本时间段的下一个样本时间段的第一网络状态数据后,可以进行差分处理,即计算该样本时间段的下一个样本时间段的第一网络状态数据与该样本时间段对应的第一网络状态数据的差值,得到样本网络状态数据。
基于上述处理,将差分处理后的第一网络状态数据作为样本网络状态数据,可以提高样本网元的网络状态数据的安全性。
在一些实施例中,步骤S4012可以包括以下步骤:
步骤一:针对每一样本时间段,获取该样本时间段内各样本用户端的业务状态数据。
步骤二:基于对各业务状态数据进行聚类分析,得到每一业务状态数据所表征的业务质量数据,作为第一业务质量数据。
步骤三:针对目标样本时间段,将属于同一网段的两个样本用户端对应的第一业务质量数据进行互换,得到该两个样本用户端在该目标样本时间段内的样本业务质量数据。
目标类型为视频类型,则样本用户端的业务状态数据可以包括:用户在样本用户端观看视频的总时长、样本用户端的IP地址、视频播放的总流量、样本用户端重新请求视频资源的次数、播放中用户点击/切换的次数,以及样本用户端到对应的资源端(可以称为样本资源端)的交互时延等。
目标类型为游戏类型,则样本用户端的业务状态数据可以包括:用户在样本用户端登录游戏所需时间、退出游戏所需的时间、游戏中的卡断时间、卡断次数,以及样本用户端到样本资源端的交互时延等。
目标类型为网页类型,则样本用户端的业务状态数据可以包括:网页首包时间(即样本用户端发起浏览请求至接收到目标资源端响应所经历的时长)、网页首屏时间(即样本用户端第一次显示网页所消耗的时间)、网页下载速率,以及网页打开成功率等。
可以基于预设聚类算法,对各业务状态数据进行聚类分析,得到多个业务分组,每一业务分组包含多个样本用户端的业务状态数据。进而,可以由技术人员基于每一业务分组中的业务状态数据,为每一业务分组赋予相应的评分,作为该业务分组的业务质量数据。每一业务分组的业务质量数据也就是该业务分组中的业务状态数据所表征的业务质量数据(即第一业务质量数据),同一分组中的各业务状态数据对应的业务质量数据相同。预设聚类算法选择为KNN(k-Nearest Neighbor classification,k近邻聚类)算法。
示例性的,第一业务质量数据可以表示为如下向量的形式:第一个业务分组:{I,T,W1};第二个业务分组;{I,T,W2};……;第n个业务分组:{I,T,Wn}。
I表示样本用户端的IP地址和样本资源端的IP地址,T表示样本时间段、Wn表示第n个业务分组的业务质量数据,第n个业务分组的业务质量数据也就是第n个业务分组中的各业务状态数据对应的业务质量数据。
目标样本时间段可以包含全部的样本时间段,或者目标样本时间段也可以为各样本时间段中的部分样本时间段。
在目标样本时间段内,将属于同一网段的两个样本用户端对应的第一业务质量数据进行互换,得到该两个样本用户端在该目标样本时间段内的样本业务质量数据。属于同一网段的两个样本用户端可以包括:位于同一小区用户的两个样本用户端。
示例性的,针对属于同一网段的两个样本用户端,样本用户端1的第一业务质量数据表示为:{I,T1,W1},样本用户端2的第一业务质量数据表示为:{I,T,W2}。将样本用户端1的第一业务质量数据与样本用户端2的第一业务质量数据进行互换,可以得到样本用户端1的样本业务质量数据表示为:{I,T1,W2},样本用户端2的样本业务质量数据表示为:{I,T,W1}。
基于上述处理,通过将同一网段中的不同样本用户端的业务质量数据进行互换,可以保证用户数据的隐私性,提高用户数据的安全性。
电子设备可以基于交叉熵损失函数,计算表示预测业务质量数据和样本业务质量数据之间的差异性的损失值,并基于计算得到的损失值,按照梯度下降的方式对预设结构的业务质量预测模型的模型参数进行调整,直至预设结构的业务质量预测模型达到收敛。
示例性的,包含业务质量预测模型的模型参数的权重向量可以记为:W=(ωf,ω0,ω1,ω2,…,ωn),其中,ωn表示业务质量预测模型的第n个模型参数。电子设备获取包含多个样本网络状态数据的用户质量特征向量,记为:x=(xf,x0,x1,x2,…,xn),其中,xn表示第n个样本网络状态数据,xf为预设数值,xf=1。计算用户质量特征向量与权重向量的乘积,得到特征变量,记为Z=ωfxf+ω0x0+ω1x1+ω2x2+…+ωnxn。
然后,获取映射函数h(Z),并通过映射函数h(Z)将该特征变量Z映射到0至1的区间内,其中,映射函数h(Z)为:
h(Z)表示映射函数,Z表示特征变量,e表示自然常数。
将用户质量特征向量x记为:TX,令Z=WTX,基于上述公式(1)可以得到如下公式(2):
hω(x)表示以x和ω为变量的映射函数。
设y表示业务质量数据,相应的,若用户质量特征向量对应的业务质量数据为y,则用户质量特征向量针对业务质量数据y的置信度为1,若用户质量特征向量对应的业务质量数据不是y,则用户质量特征向量针对业务质量数据y的置信度为0。
hω(x)的值表示:用户质量特征向量对应的业务质量数据为y的置信度,因此,针对用户质量特征向量x,用户质量特征向量对应的业务质量数据为y的置信度可以表示为:P(y=1|X;ω)=hω(x),用户质量特征向量对应的业务质量数据不是y的置信度可以表示为:P(y=1|X;ω)=1-hω(x)。
进而,基于最大似然估计算法,构造如公式(3)所示的损失函数:
J(ω)表示以ω为变量的损失函数;m表示用户质量特征向量的数目,y(i)表示第i个用户质量特征向量的业务质量数据;hω(x(i))表示第i个用户质量特征向量的业务质量数据为y的置信度;x(i)表示第i个用户质量特征向量。
业务质量预测模型的收敛条件为:找到使得J(ω)取最小值时的ω,也就可以得到收敛时的业务质量预测模型的各模型参数。电子设备可以基于如下公式(4),对ω进行迭代更新,以确定收敛时的业务质量预测模型的各模型参数。
ωj+1表示第j+1次计算得到的业务质量预测模型的模型参数;ωj表示第j次计算得到的业务质量预测模型的模型参数;α表示预设系数;表示损失函数J(ω)关于ωj的偏导数。其中,j属于[0,k],k表示迭代次数。ωj+1可以表示业务质量预测模型的任意一个模型参数,业务质量模型的每一模型参数均可以按照上述公式(4)进行迭代更新。
参见图6,图6为本公开实施例提供的一种业务质量预测模型训练方法的原理示意图。中心服务器为本公开实施例中的电子设备,网络数据为本公开实施例中的网络状态数据,应用数据包括:本公开实施例中的业务状态数据和业务质量数据。
样本网元可以获取到样本网元的网络数据,对该网络数据进行本地训练,得到多个数据子集(即本公开实施例中的样本网络状态数据)。也就是样本网元获取样本网元的网络状态数据,并对获取到的网络状态数据进行差分处理,得到样本网络状态数据。然后,样本网元将样本网络状态数据分布上传至中心服务器,也就是样本网元将样本网络状态数据分多次上传至中心服务器,例如,样本网元可以一次上传一个样本时间段内的样本网络状态数据,样本网元也可以一次上传多个样本时间段内的样本网络状态数据,数据子集也就是每一次上传的样本网络状态数据。
样本用户端获取到目标类型的应用数据后,对该应用数据进行本地训练,也就是样本用户端获取样本时间段内样本用户端的业务状态数据,并基于对各业务状态数据进行聚类分析,得到每一业务状态数据所表征的业务质量数据,作为第一业务质量数据,然后样本用户端针对目标样本时间段,将属于同一网段的两个样本用户端对应的第一业务质量数据进行互换,得到该两个样本用户端在该目标样本时间段内的样本业务质量数据。进而,样本用户端将样本业务质量数据分布上传至中心服务器,也就是样本用户端将样本业务质量数据分多次上传至中心服务器,例如,样本用户端可以一次上传一个样本时间段内的样本业务质量数据,样本用户端也可以一次上传多个样本时间段内的业务质量数据。
中心服务器根据接收到的样本网络状态数据和样本业务质量数据进行子集模型迭代,也就是中心服务器基于每次接收到的样本网络状态数据和样本业务质量数据,对预设结构业务质量预测模型进行训练,得到训练好的业务质量预测模型。
基于上述处理,可以通过联邦训练的方法对业务质量预测模型进行训练,以弥补网络数据和应用数据单独分析存在的数据缺陷问题,从而通过现有数据获得对网络和应用质量更好的感知,通过在应用数据和网络数据中进行特征聚类和数据混淆处理,可以保护数据的隐私性。并且,通过用户会话(即用户端访问资源端的过程)将用户端与网元进行关联,可以将网络路径中的各网元与用户端的应用质量进行关联,以基于网络路径中的各网元的网络状态数据对用户端的应用质量进行优化。
与图2的方法实施例相对应,参见图7,图7为本公开实施例提供的一种网络路径确定装置的结构图,所述装置包括:
第一确定模块701,用于确定目标用户端与对应的目标资源端之间的各网络层包含的网元,作为第一网元;
第一获取模块702,用于针对每一第一网元,获取该第一网元针对目标类型的用户端的网络状态数据,作为待处理网络状态数据;其中,所述目标类型表示所述目标用户端的类型;
第一预测模块703,用于将所述待处理网络状态数据输入至所述目标类型对应的业务质量预测模型,得到该第一网元对应的业务质量数据,作为待处理业务质量数据;其中,所述业务质量预测模型为基于样本网元针对所述目标类型的样本用户端的样本网络状态数据,以及所述样本网络状态数据对应的样本业务质量数据进行训练得到的;所述样本网元为所述样本用户端与对应的资源端之间的网络路径中的网元;所述样本业务质量数据表示:当所述样本网元的网络状态为所述样本网络状态数据时,所述样本用户端所提供的网络业务的质量;
选择模块704,用于针对每一网络层,基于该网络层中第一网元对应的待处理业务质量数据,从该网络层中选择一个网元,作为目标网元;
第二确定模块705,用于将各目标网元构成的网络路径,确定为所述目标用户端与所述目标资源端之间的目标网络路径。
在一些实施例中,所述装置还包括:
第二获取模块,用于获取样本网元针对所述目标类型的样本用户端的样本网络状态数据,以及所述样本网络状态数据对应的样本业务质量数据;
第二预测模块,用于将所述样本网络状态数据输入至预设结构的业务质量预测模型,得到所述样本网络状态数据对应的业务质量数据,作为预测业务质量数据;
第三确定模块,用于基于所述预测业务质量数据和所述样本业务质量数据,计算损失值;
训练模块,用于基于所述损失值对所述预设结构的业务质量预测模型的模型参数进行调整,继续训练,直至所述预设结构的业务质量预测模型达到收敛。
在一些实施例中,所述第二获取模块,具体用于针对每一样本时间段,获取该样本时间段内,所述样本网元针对所述目标类型的样本用户端的样本网络状态数据;
获取该样本时间段内所述样本用户端的样本业务质量数据,作为该样本时间段内,所述样本网元针对所述目标类型的样本用户端的样本网络状态数据对应的样本业务质量数据。
在一些实施例中,所述第二获取模块,具体用于针对每一样本时间段,获取该样本时间段内各样本用户端的业务状态数据;
基于对各业务状态数据进行聚类分析,得到每一业务状态数据所表征的业务质量数据,作为第一业务质量数据;
针对目标样本时间段,将属于同一网段的两个样本用户端对应的第一业务质量数据进行互换,得到该两个样本用户端在该目标样本时间段内的样本业务质量数据。
在一些实施例中,所述第二获取模块,具体用于针对每一样本时间段,获取该样本时间段内,所述样本网元针对所述目标类型的样本用户端的网络状态数据,作为第一网络状态数据;
基于该样本时间段对应的第一网络状态数据,以及该样本时间段的下一个样本时间段的第一网络状态数据进行差分处理,得到该样本时间段所述样本网元针对所述目标类型的样本用户端的样本网络状态数据。
在一些实施例中,所述第一获取模块702,具体用于针对每一第一网元,获取该第一网元针对目标类型的多个用户端的网络状态数据;
基于获取到的各网络状态数据,得到所述待处理网络状态数据。
基于本公开实施例提供的网络路径确定装置,针对目标用户端与对应的目标资源端之间的各网络层包含的每一网元,可以基于该网元的网络状态数据,确定对应的业务质量数据(即待处理业务质量数据),而该待处理业务质量数据能够表征对应的用户端所提供的网络业务的质量。进而,基于各网元对应的待处理业务质量数据,也就能够选择出对应的网络业务的质量较好的网元,进而,将选择的各网元构成的网络路径,确定为目标用户端与目标资源端之间的目标网络路径,也就能够提高目标用户端访问目标资源端时的网络业务的质量。
本公开实施例还提供了一种电子设备,如图8所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信,
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现如下步骤:
确定目标用户端与对应的目标资源端之间的各网络层包含的网元,作为第一网元;
针对每一第一网元,获取该第一网元针对目标类型的用户端的网络状态数据,作为待处理网络状态数据;其中,所述目标类型表示所述目标用户端的类型;
将所述待处理网络状态数据输入至所述目标类型对应的业务质量预测模型,得到该第一网元对应的业务质量数据,作为待处理业务质量数据;其中,所述业务质量预测模型为基于样本网元针对所述目标类型的样本用户端的样本网络状态数据,以及所述样本网络状态数据对应的样本业务质量数据进行训练得到的;所述样本网元为所述样本用户端与对应的资源端之间的网络路径中的网元;所述样本业务质量数据表示:当所述样本网元的网络状态为所述样本网络状态数据时,所述样本用户端所提供的网络业务的质量;
针对每一网络层,基于该网络层中第一网元对应的待处理业务质量数据,从该网络层中选择一个网元,作为目标网元;
将各目标网元构成的网络路径,确定为所述目标用户端与所述目标资源端之间的目标网络路径。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图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。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本公开提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一网络路径确定方法的步骤。
在本公开提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一网络路径确定方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,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,对于装置、电子设备、计算机可读存储介质和计算机程序产品实施例而言,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较佳实施例,并非用于限定本公开的保护范围。凡在本公开的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本公开的保护范围内。
Claims (14)
1.一种网络路径确定方法,其特征在于,所述方法包括:
确定目标用户端与对应的目标资源端之间的各网络层包含的网元,作为第一网元;
针对每一第一网元,获取该第一网元针对目标类型的用户端的网络状态数据,作为待处理网络状态数据;其中,所述目标类型表示所述目标用户端的类型;
将所述待处理网络状态数据输入至所述目标类型对应的业务质量预测模型,得到该第一网元对应的业务质量数据,作为待处理业务质量数据;其中,所述业务质量预测模型为基于样本网元针对所述目标类型的样本用户端的样本网络状态数据,以及所述样本网络状态数据对应的样本业务质量数据进行训练得到的;所述样本网元为所述样本用户端与对应的资源端之间的网络路径中的网元;所述样本业务质量数据表示:当所述样本网元的网络状态为所述样本网络状态数据时,所述样本用户端所提供的网络业务的质量;
针对每一网络层,基于该网络层中第一网元对应的待处理业务质量数据,从该网络层中选择一个网元,作为目标网元;
将各目标网元构成的网络路径,确定为所述目标用户端与所述目标资源端之间的目标网络路径。
2.根据权利要求1所述的方法,其特征在于,所述业务质量预测模型的训练过程包括以下步骤:
获取样本网元针对所述目标类型的样本用户端的样本网络状态数据,以及所述样本网络状态数据对应的样本业务质量数据;
将所述样本网络状态数据输入至预设结构的业务质量预测模型,得到所述样本网络状态数据对应的业务质量数据,作为预测业务质量数据;
基于所述预测业务质量数据和所述样本业务质量数据,计算损失值;
基于所述损失值对所述预设结构的业务质量预测模型的模型参数进行调整,继续训练,直至所述预设结构的业务质量预测模型达到收敛。
3.根据权利要求2所述的方法,其特征在于,所述获取样本网元针对所述目标类型的样本用户端的样本网络状态数据,以及所述样本网络状态数据对应的样本业务质量数据,包括:
针对每一样本时间段,获取该样本时间段内,所述样本网元针对所述目标类型的样本用户端的样本网络状态数据;
获取该样本时间段内所述样本用户端的样本业务质量数据,作为该样本时间段内,所述样本网元针对所述目标类型的样本用户端的样本网络状态数据对应的样本业务质量数据。
4.根据权利要求3所述的方法,其特征在于,各样本时间段内所述样本用户端的样本业务质量数据通过以下步骤生成:
针对每一样本时间段,获取该样本时间段内各样本用户端的业务状态数据;
基于对各业务状态数据进行聚类分析,得到每一业务状态数据所表征的业务质量数据,作为第一业务质量数据;
针对目标样本时间段,将属于同一网段的两个样本用户端对应的第一业务质量数据进行互换,得到该两个样本用户端在该目标样本时间段内的样本业务质量数据。
5.根据权利要求3所述的方法,其特征在于,各样本时间段内所述样本网元针对所述目标类型的样本用户端的样本网络状态数据通过以下步骤生成:
针对每一样本时间段,获取该样本时间段内,所述样本网元针对所述目标类型的样本用户端的网络状态数据,作为第一网络状态数据;
基于该样本时间段对应的第一网络状态数据,以及该样本时间段的下一个样本时间段的第一网络状态数据进行差分处理,得到该样本时间段所述样本网元针对所述目标类型的样本用户端的样本网络状态数据。
6.根据权利要求1所述的方法,其特征在于,所述针对每一第一网元,获取该第一网元针对目标类型的用户端的网络状态数据,作为待处理网络状态数据,包括:
针对每一第一网元,获取该第一网元针对目标类型的多个用户端的网络状态数据;
基于获取到的各网络状态数据,得到所述待处理网络状态数据。
7.一种网络路径确定装置,其特征在于,所述装置包括:
第一确定模块,用于确定目标用户端与对应的目标资源端之间的各网络层包含的网元,作为第一网元;
第一获取模块,用于针对每一第一网元,获取该第一网元针对目标类型的用户端的网络状态数据,作为待处理网络状态数据;其中,所述目标类型表示所述目标用户端的类型;
第一预测模块,用于将所述待处理网络状态数据输入至所述目标类型对应的业务质量预测模型,得到该第一网元对应的业务质量数据,作为待处理业务质量数据;其中,所述业务质量预测模型为基于样本网元针对所述目标类型的样本用户端的样本网络状态数据,以及所述样本网络状态数据对应的样本业务质量数据进行训练得到的;所述样本网元为所述样本用户端与对应的资源端之间的网络路径中的网元;所述样本业务质量数据表示:当所述样本网元的网络状态为所述样本网络状态数据时,所述样本用户端所提供的网络业务的质量;
选择模块,用于针对每一网络层,基于该网络层中第一网元对应的待处理业务质量数据,从该网络层中选择一个网元,作为目标网元;
第二确定模块,用于将各目标网元构成的网络路径,确定为所述目标用户端与所述目标资源端之间的目标网络路径。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取样本网元针对所述目标类型的样本用户端的样本网络状态数据,以及所述样本网络状态数据对应的样本业务质量数据;
第二预测模块,用于将所述样本网络状态数据输入至预设结构的业务质量预测模型,得到所述样本网络状态数据对应的业务质量数据,作为预测业务质量数据;
第三确定模块,用于基于所述预测业务质量数据和所述样本业务质量数据,计算损失值;
训练模块,用于基于所述损失值对所述预设结构的业务质量预测模型的模型参数进行调整,继续训练,直至所述预设结构的业务质量预测模型达到收敛。
9.根据权利要求8所述的装置,其特征在于,所述第二获取模块,具体用于针对每一样本时间段,获取该样本时间段内,所述样本网元针对所述目标类型的样本用户端的样本网络状态数据;
获取该样本时间段内所述样本用户端的样本业务质量数据,作为该样本时间段内,所述样本网元针对所述目标类型的样本用户端的样本网络状态数据对应的样本业务质量数据。
10.根据权利要求9所述的装置,其特征在于,所述第二获取模块,具体用于针对每一样本时间段,获取该样本时间段内各样本用户端的业务状态数据;
基于对各业务状态数据进行聚类分析,得到每一业务状态数据所表征的业务质量数据,作为第一业务质量数据;
针对目标样本时间段,将属于同一网段的两个样本用户端对应的第一业务质量数据进行互换,得到该两个样本用户端在该目标样本时间段内的样本业务质量数据。
11.根据权利要求9所述的装置,其特征在于,所述第二获取模块,具体用于针对每一样本时间段,获取该样本时间段内,所述样本网元针对所述目标类型的样本用户端的网络状态数据,作为第一网络状态数据;
基于该样本时间段对应的第一网络状态数据,以及该样本时间段的下一个样本时间段的第一网络状态数据进行差分处理,得到该样本时间段所述样本网元针对所述目标类型的样本用户端的样本网络状态数据。
12.根据权利要求7所述的装置,其特征在于,所述第一获取模块,具体用于针对每一第一网元,获取该第一网元针对目标类型的多个用户端的网络状态数据;
基于获取到的各网络状态数据,得到所述待处理网络状态数据。
13.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
14.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210802912.5A CN117411818A (zh) | 2022-07-07 | 2022-07-07 | 一种网络路径确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210802912.5A CN117411818A (zh) | 2022-07-07 | 2022-07-07 | 一种网络路径确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117411818A true CN117411818A (zh) | 2024-01-16 |
Family
ID=89489528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210802912.5A Pending CN117411818A (zh) | 2022-07-07 | 2022-07-07 | 一种网络路径确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117411818A (zh) |
-
2022
- 2022-07-07 CN CN202210802912.5A patent/CN117411818A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10091675B2 (en) | System and method for estimating an effective bandwidth | |
US10715638B2 (en) | Method and system for server assignment using predicted network metrics | |
CN108429701B (zh) | 网络加速*** | |
EP3437308B1 (en) | Sensor data search platform | |
WO2019184640A1 (zh) | 一种指标确定方法及其相关设备 | |
WO2021169294A1 (zh) | 更新应用识别模型的方法、装置及存储介质 | |
US20190141193A1 (en) | METHOD, SYSTEM, AND NON-TRANSITORY COMPUTER READABLE MEDIUM FOR SELECTING OPTIMAL NETWORK PATH FOR MEDIA TRANSMISSION IN VoIP | |
CN115134368B (zh) | 一种负载均衡方法、装置、设备以及存储介质 | |
US20220366280A1 (en) | Generating confidence scores for machine learning model predictions | |
WO2021086651A1 (en) | Network path redirection | |
US10924593B2 (en) | Virtualization with distributed adaptive message brokering | |
CN117411818A (zh) | 一种网络路径确定方法、装置、电子设备及存储介质 | |
WO2023051455A1 (zh) | 一种信任模型的训练方法及装置 | |
US20160234279A1 (en) | Site-based server selection | |
CN114448838B (zh) | ***可靠度评估方法 | |
CN111814051B (zh) | 一种资源类型确定方法及装置 | |
CN113676341B (zh) | 一种质差评估方法及相关设备 | |
US10805439B2 (en) | Communicating data messages utilizing a proprietary network | |
Orlov et al. | Approach to estimation of performance measures for SIP server model with batch arrivals | |
CN117076131B (zh) | 一种任务分配方法、装置、电子设备及存储介质 | |
CN114257994B (zh) | 一种d2d网络鲁棒功率控制方法、***、设备及终端 | |
CN111917657B (zh) | 一种流量传输策略的确定方法及装置 | |
US11973695B2 (en) | Information processing apparatus and information processing method | |
US12052144B2 (en) | Prediction of a performance indicator | |
CN117858031B (zh) | 一种低延时无线对讲和tws无缝切换***、方法及介质 |
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 |