[go: up one dir, main page]

CN118200166A - 网络质量评估方法、装置、设备、存储介质及程序产品 - Google Patents

网络质量评估方法、装置、设备、存储介质及程序产品 Download PDF

Info

Publication number
CN118200166A
CN118200166A CN202211590766.0A CN202211590766A CN118200166A CN 118200166 A CN118200166 A CN 118200166A CN 202211590766 A CN202211590766 A CN 202211590766A CN 118200166 A CN118200166 A CN 118200166A
Authority
CN
China
Prior art keywords
network quality
network
industrial
quality
target 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.)
Pending
Application number
CN202211590766.0A
Other languages
English (en)
Inventor
鲁效平
魏永强
高明亮
马正中
王超
孙琦
王迷珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cosmoplat Industrial Intelligent Research Institute Qingdao Co Ltd
Haier Cosmo IoT Technology Co Ltd
Original Assignee
Cosmoplat Industrial Intelligent Research Institute Qingdao Co Ltd
Haier Cosmo IoT Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Cosmoplat Industrial Intelligent Research Institute Qingdao Co Ltd, Haier Cosmo IoT Technology Co Ltd filed Critical Cosmoplat Industrial Intelligent Research Institute Qingdao Co Ltd
Priority to CN202211590766.0A priority Critical patent/CN118200166A/zh
Priority to PCT/CN2023/116310 priority patent/WO2024124975A1/zh
Publication of CN118200166A publication Critical patent/CN118200166A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • 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
    • H04L43/0852—Delays
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (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)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请属于通信技术领域，具体涉及一种网络质量评估方法、装置、设备、存储介质及程序产品。本申请旨在解决在进行网络质量预测时，由于采用经验阈值进行分级，导致网络质量评估不准确度的问题。本申请提供的网络质量评估方法应用于网络质量评估设备，该方法包括：采集所述工业网络的目标指标参数；基于目标指标参数以及质量评估模型，评估所述工业网络的网络质量等级；其中，所述网络质量等级为预先基于模糊C均值聚类分析算法根据业务响应成功率划分的。通过网络质量等级的柔性、自适应划分，提高了等级划分的准确度，基于质量评估模型进行网络质量评估，提高了质量评估的准确度。

Description

网络质量评估方法、装置、设备、存储介质及程序产品
技术领域
本申请属于通信技术领域，具体涉及一种网络质量评估方法、装置、设备、存储介质及程序产品。
背景技术
随着互联网技术的不断发展，企业的互联网业务越来越丰富。网络服务质量，成为互联网企业的核心竞争力。
为了提高互联网服务质量，需对网络质量进行评估。在相关技术中，大多采用经验阈值的方式，进行网络质量评估，经验阈值确定的精准度较差，无可靠数据依据，导致网络质量评估准确度较差。
因此，亟需一种高精准度的网络质量评估方法。
发明内容
为了解决现有技术中的上述问题，即为了解决现有的网络质量评估准确度较低的问题，本申请提供了一种网络质量评估方法、装置、设备、存储介质及程序产品，通过模糊聚类进行网络质量等级划分，以及基于模型进行网络质量评估，提高了网络质量等级划分以及网络质量评估的准确度
第一方面，本申请实施例提供了一种网络质量评估方法，该方法包括：
采集工业网络的目标指标参数；
基于目标指标参数以及质量评估模型，评估所述工业网络的网络质量等级；
其中，所述网络质量等级为预先基于模糊C均值聚类分析算法根据业务响应成功率划分的。
可选的，所述方法还包括：
针对工业网络的多个指标参数中各指标参数，计算所述指标参数与业务响应成功率的关联度；
基于所述关联度，从所述多个指标参数中确定目标指标参数。
可选的，计算所述指标参数与业务响应成功率的关联度，包括：
基于皮尔逊相关系数，计算所述指标参数与业务响应成功率的关联度。
可选的，所述质量评估模型为基于极度梯度提升树XGBoost算法的模型；基于所述目标指标参数以及质量评估模型，得到所述工业网络的网络质量等级，包括：
计算在预设时间段内采集的各所述目标指标参数的平均值；
将各所述目标指标参数的平均值，输入所述质量评估模型，得到所述工业网络的网络质量等级。
可选的，所述模糊C均值聚类分析算法基于Xie-Beni指数寻找初始聚类中心，所述模糊C均值聚类分析算法的目标函数为关于隶属度以及业务响应成功率与网络质量等级的欧氏距离的函数；其中，隶属度用于表征业务响应成功率属于设定的网络质量等级的程度。
可选的，所述方法还包括：
基于网络质量等级序列以及预先训练的预测模型，预测所述工业网络的未来时间的网络质量等级；其中，所述网络质量等级序列为历史时间评估的所述工业网络的网络质量等级组成的序列。
可选的，所述目标指标参数包括第一个HTTP包响应时延、TCP建立链接确认时延和最后一个HTTP包的时延中的至少一项。
第二方面，本申请实施例还提供了一种网络质量评估装置，该装置包括：
指标采集模块，用于采集工业网络的目标指标参数；
质量等级评估模块，用于基于目标指标参数，评估所述工业网络的网络质量等级；其中，所述网络质量等级为预先基于模糊C均值聚类分析算法根据业务响应成功率划分的。
可选的，所述装置还包括：
关联度计算模块，用于针对工业网络的多个指标参数中各指标参数，计算所述指标参数与业务响应成功率的关联度；
目标指标参数确定模块，用于基于所述关联度，从所述多个指标参数中确定目标指标参数。
可选的，关联度计算模块，具体用于：
针对工业网络的多个指标参数中各指标参数，基于皮尔逊相关系数，计算所述指标参数与业务响应成功率的关联度。
可选的，所述质量评估模型为基于极度梯度提升树XGBoost算法的模型；质量等级评估模块，包括：
计算在预设时间段内采集的各所述目标指标参数的平均值；将各所述目标指标参数的平均值，输入所述质量评估模型，得到所述工业网络的网络质量等级。
可选的，所述装置还包括：
质量等级预测模块，用于基于网络质量等级序列以及预先训练的预测模型，预测所述工业网络的未来时间的网络质量等级；其中，所述网络质量等级序列为历史时间评估的所述工业网络的网络质量等级组成的序列。
第三方面，本申请实施例还提供了一种网络质量评估设备，包括：存储器和至少一个处理器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如本申请第一方面对应的任意实施例提供的网络质量评估方法。
第四方面，本申请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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如本申请第一方面对应的任意实施例提供的网络质量评估方法。
第五方面，本申请实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如本申请第一方面对应的任意实施例提供的网络质量评估方法。
本领域技术人员能够理解的是，本申请实施例提供的网络质量评估方法、装置、设备、存储介质及程序产品，为了提高网络质量评估的准确度，预先基于模糊C均值聚类分析算法根据业务响应成功率划分工业网络的网络质量等级，实现网络质量的柔性模糊划分，相较于采用阈值划分的方式，准确度高，应用范围广；通过采集的工业网络的目标指标参数以及质量评估模型进行工业网络的网络质量评估，得到预估的网络质量等级，提高了网络质量等级预估的准确度。
附图说明
下面参照附图来描述本申请的网络质量评估方法、装置、设备、存储介质及程序产品的优选实施方式。此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本申请的原理。附图为：
图1为本申请实施例提供的网络质量评估方法的一种应用场景图；
图2是本申请一个实施例提供的网络质量评估方法的流程图；
图3是本申请另一个实施例提供的网络质量评估方法的流程图；
图4是本申请一个实施例提供的一种网络质量评估装置的结构示意图；
图5是本申请一个实施例提供的网络质量评估设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请的实施例，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。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
下面对本申请实施例的应用场景进行解释：
图1为本申请实施例提供的网络质量评估方法的一种应用场景图，如图1所示，企业通过工业互联网(或称为工业网络)进行数据交互，如企业服务器与用户设备(如洗衣机、冰箱、空调、电视机、电脑、手机等)之间的交互，企业对应的部署在不同地区的企业服务器或企业设备之间的交互等。图1中以3个企业服务器为例，企业服务器的数量以及部署位置可以由具体需求进行配置。
为了为用户提供优质的服务，需确保工业互联网的网络质量。在进行工业互联网网络质量评估时，通常提取工业互联网的关键性能指标(KPI，Key PerformanceIndicator)，如业务响应时间，基于关键性能指标与经验阈值的比较结果，确定网络质量等级。
然而，由于工业互联网的业务场景复杂，不同业务下，指标差异较大，无法采用同一的指标评估不同业务下的网络质量。并且，经验阈值的设置，无充足的数据基础，导致网络质量评估准确度较差。
针对上述问题，本申请实施例提供的网络质量评估方法的主要构思为：预先基于FCM(Fuzzy C-Means，模糊C均值聚类分析)算法划分网络质量等级，相较于经验阈值划分的方式，等级划分准确度较高，且应用范围广；之后基于采集的多项目标指标参数以及所设计的质量评估模型，进行工业网络模型的质量评估，输出网络质量等级，模型分类准确度较高，提高了网络质量评估的准确度。
图2是本申请一个实施例提供的网络质量评估方法的流程图，本申请实施例提供的网络质量评估方法应用于网络质量评估设备，可以为服务器、计算机或者其他具备相应数据处理能力的设备，如图2所示，该网络质量评估方法包括以下步骤：
步骤S201，采集所述工业网络的目标指标参数。
目标指标参数可以根据工业网络的业务类型确定。示例性的，业务类型可以包括大流量业务类型、实时业务类型等。
目标指标参数可以从工业网络的源数据中提取，源数据可以包括工业网络的日志数据、流数据等可观测数据。
可以按照一定周期采集工业网络的源数据，并对采集的源数据进行预处理，提取预处理后的源数据中的各项目标指标参数。
对源数据采取的预处理可以包括正则化、标准化、归一化、特征选择、随机降采样(Random Under Sampling，RUS)、随机过采样(Random Over Sampling，ROS)、合成少数类过采样技术(Synthetic Minority Over-sampling Technique，SMOTE)等预处理操作中的至少一项。
可以基于上述预处理操作的排列组合，得到多种预处理场景，通过实验，确定各预处理场景对应的正确率，选择正确率最高的预处理场景对应的预处理操作及其顺序，进行源数据的预处理。预处理场景可以包括不进行预处理场景，正则化以及特征选择场景，正则化处理以及RUS场景，特征选择以及RUS场景，标准化以及ROS场景，特征选择以及RUS场景，标准化以及SMOTE场景，特征选择以及SMOTE场景，归一化、特征选择以及RUS场景，归一化、特征选择以及ROS场景，归一化、特征选择以及SMOTE场景等多种场景。预处理场景的命名为基于预处理场景所采用的预处理操作进行命名。
在一些实施例中，对源数据进行的预处理操作依次包括：正则化处理、特征选择和SMOTE。
可选的，目标指标参数包括第一个HTTP(Hyper Text Transfer Protocol，超文本传输协议)包响应时延(First HTTP Response Time，FHRT)、TCP(Transmission ControlProtocol，传输控制协议)建立链接确认时延(TCP ACK Time，TAT)和最后一个HTTP包的时延中(Last Content Packet Time，LCPT)的至少一项。
步骤S202，基于目标指标参数以及质量评估模型，评估所述工业网络的网络质量等级。
其中，所述网络质量等级为预先基于模糊C均值聚类分析算法根据业务响应成功率划分的。
具体的，可以将所获取的各项目标指标参数或者预处理后的各项目标指标参数，输入质量评估模型，通过质量评估模型对目标指标参数进行特征处理和分析，输出对应的工业网络的网络质量等级。
模糊C均值聚类分析算法是一种柔性的模糊划分方法，将集群的每个子集视为模糊集，计算每个样本(业务响应成功率)相对于模糊集的隶属度，从而确定样本所属的簇，即网络质量等级，聚类方式精确、灵活。
可选的，所述模糊C均值聚类分析算法基于Xie-Beni指数寻找初始聚类中心，所述模糊C均值聚类分析算法的目标函数为关于隶属度以及业务响应成功率与网络质量等级的欧氏距离的函数。其中，隶属度用于表征业务响应成功率属于设定的网络质量等级的程度。
在一些实施例中，模糊C均值聚类分析算法的目标函数可以为关于隶属度的p次方以及样本距离的p次方的函数，样本距离可以采用样本(业务响应成功率)相对于网络质量等级的欧式距离表示。其中，p为模糊测度，其取值可以为2。
基于模糊C均值聚类分析算法根据业务响应成功率划分工业网络的网络质量等级的具体过程为：
第一步，获取工业网络的数据集；该数据集中包括历史时间获取的工业网络的多个业务响应成功率，示例性的，数据集DBISR可以表示为：DBISR＝{BISR1，BISR2，...，BISRm}，其中，BISRi为第i个时间点获取的业务响应成功率。
数据集中的数据可以通过传感器或者其他数据采集设备进行采集，还可以通过第三方数据源获取。
第二步，初始化模糊C均值聚类分析算法的相关参数，包括模糊测度p、簇数c、迭代次数t、收敛精度ε、最大簇数等参数cmax等。
示例性的，模糊测度p的初始值可以为2，簇数c的初始值可以为2。
第三步，循环阶段，每次循环迭代结束后c自增1，在c<cmax时，基于对数据集DBISR的减法聚类初始化聚类中心。
第四步，计算数据集DBISR中各业务响应成功率相对于聚类中心的隶属度，得到本次迭代对应的隶属度矩阵。
第t次迭代对应的隶属度矩阵U(t)可以表示为：
其中，隶属度矩阵U(t)中第i行第j列的元素uij表示数据集DBISR中第j个业务响应成功率属于第i个网络质量等级的隶属度。vj为第j个集群中心(或网络质量等级)。i为小于等于m的正整数，j为小于等于n的正整数。
在一些实施例中，隶属度的取值位于0和1之间，当隶属度为0时表示业务响应成功率不属于对应的网络质量等级，当隶属度为1时则表示业务响应成功率完全属于对应的网络质量等级。
第五步，计算当前迭代得到的隶属度矩阵与上一次迭代得到的隶属度矩阵之间的偏差，可以采用两个矩阵的欧式距离表示偏差，若该偏差大于收敛精度ε，则基于当前迭代得到的隶属度矩阵，更新数据集DBISR的集群中心。
第六步，计算有效性指标Xie_Beni的值(记为XB)，若最新得到XB大于上一次迭代得到的XB，则更新聚类结果为当前迭代次数对应的簇数、集群中心、隶属度矩阵。
迭代次数加1，进行一轮迭代，依次循环，直至迭代次数达到最大迭代次数。基于最新得到的聚类结果中的簇数、集群中心、隶属度矩阵，得到网络质量等级的划分结果。
在对用户的工业网络进行模糊分类，得到多个网络质量等级之后，基于数据集中各业务响应成功率对应的网络质量等级以及目标指标参数，训练质量评估模型，得到训练后的质量评估模型。
基于当前采集的工业网络的目标指标参数以及训练后的质量评估模型，对工业网络当前的网络质量进行评估，得到网络质量等级。
在一些实施例中，质量评估模型可以为基于XGBoost分类算法构建的模型。
在另一些实施例中，质量评估模型可以为神经网络模型，如卷积神经网络模型、递归神经网络模型等。
本申请实施例提供的网络质量评估方法，为了提高网络质量评估的准确度，预先基于模糊C均值聚类分析算法根据业务响应成功率划分工业网络的网络质量等级，实现网络质量的柔性模糊划分，相较于采用阈值划分的方式，准确度高，应用范围广；通过采集的工业网络的目标指标参数以及质量评估模型进行工业网络的网络质量评估，得到预估的网络质量等级，提高了网络质量等级预估的准确度。
图3是本申请另一个实施例提供的网络质量评估方法的流程图，本实施例是在图2所示实施例的基础上，对步骤S202的进一步细化，在步骤S201之前增加目标指标参数确定的相关步骤，以及在步骤S202之后增加网络质量等级预测的相关步骤。如图3所示，本实施例提供的网络质量评估方法包括以下步骤：
步骤S301，针对工业网络的多个指标参数中各指标参数，计算所述指标参数与业务响应成功率的关联度。
工业网络的多个指标参数可以包括：收到TCP拆链时间或者收到UDP(UserDatagram Protocol，用户数据报协议)的最后一个数据包的时间，上行流量，下行流量，TCP建链确认时延，TCP连接状态指示，第一个HTTP响应包时延，最后一个HTTP内容包的时延，最后一个HTTP内容包的ACK(Acknowledge character，确认字符)时延，下行持续时间，HTTP/WAP2.0的事务类型，HTTP/WAP事务状态，上行TCP重传报文数，上行IP包数，下行TCP重传报文数，下行IP包数等参数。还可以包括会话标识，互联网内容提供商(Internet ContentProvider，ICP)，互联网服务提供商(Internet Service Provider，ISP)，业务名称(可以包括业务大类名称和业务小类名称)，终端用户地址，用户所在地，用户类别，访问服务器地址，访问域名，流向大类，流向小类等参数。
指标参数与业务响应成功率的关联度，用于表征指标参数影响业务响应成功率的程度。关联度越高，则对业务响应成功率的影响越高。
在一些实施例中，可以基于一段时间内的指标参数的平均值，计算指标参数与业务响应成功率的关联度。
可以按照设定周期，采集工业网络在该周期内的各项指标参数，并进行取平均操作，得到各指标参数的平均值。
可选的，计算所述指标参数与业务响应成功率的关联度，包括：
基于皮尔逊(Pearson)相关系数，计算所述指标参数与业务响应成功率的关联度。
指标参数对应的皮尔逊相关系数的绝对值越大，则指标参数与业务响应成功率的关联度越高。
步骤S302，基于所述关联度，从所述多个指标参数中确定目标指标参数。
可以确定关联度较高的预设数量的指标参数为目标指标参数，预设数量可以为3、5或者其他数值。还可以确定关联度高于预设关联度的指标参数为目标指标参数，预设数量以及预设关联度的取值均可以由用户自定义配置。
步骤S303，采集所述工业网络的目标指标参数。
可以按照固定周期，进行工业网络的目标指标参数的采集，从而实现周期性网络质量评估。该固定周期可以根据工业网络的业务属性确定，业务属性可以包括业务类型、业务流量等参数。
为了提高质量评估的准确度，还需要对采集当前周期的目标指标参数进行预处理，预处理可以依次包括正则化处理、特征选择处理和SMOTE处理。
步骤S304，计算在预设时间段内采集的各所述目标指标参数的平均值。
其中，预设时间段可以为上述固定周期对应的时间段，如1小时、4小时、6小时或者其他时间段。
针对每个目标指标参数，对于预设时间段采集的该目标指标参数进行取平均处理，得到该目标指标参数的平均值。
步骤S305，将各所述目标指标参数的平均值，输入所述质量评估模型，得到所述工业网络的网络质量等级。
通过上述固定周期的合理设置，可以实现网络质量的周期性评估，且可以通过周期的灵活设置，满足各种业务的评估需求，评估方式灵活、应用范围广。以平均值为质量评估模型的输入，避免了个别值对网络质量评估的影响，提高了网络质量评估的准确性。
质量评估模型可以为基于XGBoost算法的模型，XGBoost算法是一种基于树或者线性分类器的集成算法，包括多个弱分类器，形成了具有较好分类效果或回归效果的强分类器。质量评估模型的目标函数的正则项中包含叶节点的权重和树的深度，从而有效控制模型的复杂性，防止过拟合。质量评估模型的目标函数采用二阶泰勒展开逼近，提高了评估准确度。
基于XGBoost算法构建质量评估模型，利用了XGBoost算法分类的优势，提高了质量评估的准确度。
在一些实施例中，目标指标参数包括FHRT、LCPT和TAT。将预处理后的FHRT、LCPT和TAT各自的平均值组合形成三元组{u(FHRTi)，u(LCPTi)，u(TATi)}，其中，u()为取平均函数，用于对括号内的元素进行取平均操作，FHRTi为第i个周期采集的FHRT，LCPTi为第i个周期采集的LCPT，TATi为第i个周期采集的TAT。上述三元组作为质量评估模型的输入X，从而通过质量评估模型输出对应网络质量等级Y(或者Leveli)。
质量评估模型训练过程的基本思想为，逐步向质量评估模型添加决策树，以最小化目标函数的输出值，通过所构造的多个决策树，形成一个强分类器，即质量评估模型。每个决策树的叶节点被分配的权重对应于评估的网络质量等级。每个决策树的构造基于前面的决策树进行迭代，每次构造决策树时，计算每个叶节点的增益值，选择最高增益值的叶节点进行分割。当拆分叶节点的增益值小于0或树的深度达到制定深度时，决策树将停止拆分，完成决策树结构的优化，得到最终的质量评估模型。
为了避免由于不平衡数据导致质量评估模型分类性能降低的问题，在质量评估模型训练时，在迭代过程中，需控制每棵树的权重变化的最大步长，并对每棵树的权重进行调整。
权重的最大步长用于限制迭代和循环的次数，每棵树对应的最大步长可以相同。
在一些实施例中，质量评估模型的目标函数包括损失函数和正则项，损失函数可以为Softmax函数。正则项中包含叶节点的权重和树的深度。正则项可以控制树的复杂度，避免过拟合。
在得到所评估的网络质量等级之后，还可以发送或显示该网络质量等级，还可以在该网络质量等级低于预设等级时，生成提示信息，预设等级可以由用户设置或者采用默认值。
步骤S306，基于网络质量等级序列以及预先训练的预测模型，预测所述工业网络的未来时间的网络质量等级。
其中，所述网络质量等级序列为历史时间评估的所述工业网络的网络质量等级组成的序列。
网络质量等级在短时间内具有较强的规律性，因此可以基于历史时间评估的网络质量等级组成的时间序列，进行未来时间或下一周期的网络质量等级的预测。
可以使用窗口宽度为w的滑动时间窗口构造时间序列，其中包括该滑动时间窗口对应的w个连续的基于质量评估模型评估的网络质量等级，作为预测模型的输入，基于预测模型输出下一时间(如w+1时间)对应的网络质量等级。
在一些实施例中，预测模型可以为基于XGBoost算法的模型，还可以为其他用于时间序列预测的模型，如神经网络模型。
以基于XGBoost算法构造的预测模型为例，该预测模型的表达为：fm为第m个回归树对应的函数，M为预测模型中回归树的总数，为预测模型预测的网络质量等级。
预测模型的训练过程主要为通过逐步优化目标函数来构建M个回归树，M个回归树组合为预测模型。
预测模型的目标函数可以包括度量回归树复杂性的正则项以及损失函数，该正则项包括叶子节点的分数、叶子节点数等参数，该损失函数可以为平方损失函数。
示例性的，预测模型的目标函数可以为：
其中，正则项Ω(fm)＝γT+0.5λ||ω||2，T为叶子节点数，ω表示叶子节点的分数，γ和λ为权重系数，为预测模型输出的第i个网络质量等级，Yi为对应的实际的网络质量等级。
目标函数的优化过程为：在得到初始的目标函数之后，根据二阶泰勒展开式，将损失函数的一阶导数和二阶导数替换目标函数中的损失函数，计算目标函数取最小值时，叶子节点的最优权重。基于贪婪算法，从单个叶子节点开始，迭代地将分支添加到叶子节点所在的树中，实现叶子节点的分裂，并得到分裂后的损失函数，计算损失函数的值，直至迭代至分裂后的损失函数满足预设条件如小于0或迭代次数达到最大深度值，则训练结束，得到预测模型。
在一些实施例中，还可以基于所预测的网络质量等级以及工业网络在对应时间的网络需求，生成提示信息，如网络质量等级较低，无法满足用户访问需求。
具体的，可以基于工业网络在预测的网络质量等级对应的时间段内的网络需求，确定网络质量等级的阈值，当所预测的网络质量等级低于对应的阈值时，生成提示信息。
进一步地，还可以根据所预测的网络质量等级进行资源调度，以满足工业网络的网络需求以及避免资源浪费。
在本实施例中，通过指标参数与BISR的相关度，确定用于进行网络质量评估的目标指标参数，提高了指标设置的自适应性和准确度，相较于采用默认指标的方式，具备更广地应用范围；基于目标指标参数在一段时间内的平均值进行网络质量等级评估，在减少了数据处理量的基础上，避免了由于个别值对网络质量评估准确度的影响；还提供了基于历史评估的网络质量等级组成的时间序列，进行工业网络在未来时间网络质量等级预测的策略，从而可以使得相关人员提前预知网络质量等级，以提前进行资源调度，避免由于网络质量较差，而影响用户使用体验，提高了工业网络质量控制的及时性和精准度。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图4是本申请一个实施例提供的一种网络质量评估装置的结构示意图，如图4所示，该网络质量评估装置包括：指标采集模块410和质量等级评估模块420。
其中，指标采集模块410用于采集所述工业网络的目标指标参数；质量等级评估模块420于基于目标指标参数，评估所述工业网络的网络质量等级。
可选的，所述装置还包括：
关联度计算模块，用于针对工业网络的多个指标参数中各指标参数，计算所述指标参数与业务响应成功率的关联度；
目标指标参数确定模块，用于基于所述关联度，从所述多个指标参数中确定目标指标参数。
可选的，关联度计算模块，具体用于：
针对工业网络的多个指标参数中各指标参数，基于皮尔逊相关系数，计算所述指标参数与业务响应成功率的关联度。
可选的，所述质量评估模型为基于极度梯度提升树XGBoost算法的模型；质量等级评估模块，包括：
计算在预设时间段内采集的各所述目标指标参数的平均值；将各所述目标指标参数的平均值，输入所述质量评估模型，得到所述工业网络的网络质量等级。
可选的，所述装置还包括：
质量等级预测模块430，用于基于网络质量等级序列以及预先训练的预测模型，预测所述工业网络的未来时间的网络质量等级；其中，所述网络质量等级序列为历史时间评估的所述工业网络的网络质量等级组成的序列。
本申请提供的网络质量评估装置，可执行本申请任意实施例所提供的网络质量评估方法，具备执行方法相应的功能模块和有益效果。
图5是本申请一个实施例提供的网络质量评估设备的结构示意图，如图5所示，该网络质量评估设备包括：存储器510，和至少一个处理器520。
其中，存储器510存储计算机执行指令，至少一个处理器520执行存储器510存储的计算机执行指令，使得至少一个处理器520执行如图2-图3所对应的任意实施例提供的网络质量评估方法。
其中，存储器510和处理器520通过总线530连接。
相关说明可以对应参见图2-图3的步骤所对应的相关描述和效果进行理解，此处不做过多赘述。
本申请还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行该计算机执行指令时，实现上述任意实施例提供的网络质量评估方法。
本申请还提供一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现本申请任意实施例提供的网络质量评估方法。
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，模块的划分，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，例如多个模块或组件可以结合或者可以集成到另一个系统，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，装置或模块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模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块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模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：本领域技术人员容易理解的是，本申请的保护范围显然不局限于这些具体实施方式。在不偏离本申请的原理的前提下，本领域技术人员可以对相关技术特征进行等同的更改或替换，这些更改或替换之后的技术方案都将落入本申请的保护范围之内。

Claims (11)

1.一种网络质量评估方法，其特征在于，包括：
采集工业网络的目标指标参数；
基于目标指标参数以及质量评估模型，评估所述工业网络的网络质量等级；
其中，所述网络质量等级为预先基于模糊C均值聚类分析算法根据业务响应成功率划分的。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
针对工业网络的多个指标参数中各指标参数，计算所述指标参数与业务响应成功率的关联度；
基于所述关联度，从所述多个指标参数中确定目标指标参数。
3.根据权利要求2所述的方法，其特征在于，计算所述指标参数与业务响应成功率的关联度，包括：
基于皮尔逊相关系数，计算所述指标参数与业务响应成功率的关联度。
4.根据权利要求1所述的方法，其特征在于，所述目标指标参数包括第一个HTTP包响应时延、TCP建立链接确认时延和最后一个HTTP包的时延中的至少一项。
5.根据权利要求1所述的方法，其特征在于，基于所述目标指标参数以及质量评估模型，得到所述工业网络的网络质量等级，包括：
计算在预设时间段内采集的各所述目标指标参数的平均值；
将各所述目标指标参数的平均值，输入所述质量评估模型，得到所述工业网络的网络质量等级。
6.根据权利要求1所述的方法，其特征在于，所述模糊C均值聚类分析算法基于Xie-Beni指数寻找初始聚类中心，所述模糊C均值聚类分析算法的目标函数为关于隶属度以及业务响应成功率与网络质量等级的欧氏距离的函数；
其中，隶属度用于表征业务响应成功率属于设定的网络质量等级的程度。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
基于网络质量等级序列以及预先训练的预测模型，预测所述工业网络的未来时间的网络质量等级；
其中，所述网络质量等级序列为历史时间评估的所述工业网络的网络质量等级组成的序列。
8.一种网络质量评估装置，其特征在于，包括：
指标采集模块，用于采集工业网络的目标指标参数；
质量等级评估模块，用于基于目标指标参数，评估所述工业网络的网络质量等级；
其中，所述网络质量等级为预先基于模糊C均值聚类分析算法根据业务响应成功率划分的。
9.一种网络质量评估设备，其特征在于，包括：存储器和至少一个处理器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-7任一项所述的网络质量评估方法。
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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-7任一项所述的网络质量评估方法。
11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的网络质量评估方法。
CN202211590766.0A 2022-12-12 2022-12-12 网络质量评估方法、装置、设备、存储介质及程序产品 Pending CN118200166A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211590766.0A CN118200166A (zh) 2022-12-12 2022-12-12 网络质量评估方法、装置、设备、存储介质及程序产品
PCT/CN2023/116310 WO2024124975A1 (zh) 2022-12-12 2023-08-31 网络质量评估方法、装置、设备、存储介质及程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211590766.0A CN118200166A (zh) 2022-12-12 2022-12-12 网络质量评估方法、装置、设备、存储介质及程序产品

Publications (1)

Publication Number Publication Date
CN118200166A true CN118200166A (zh) 2024-06-14

Family

ID=91411234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211590766.0A Pending CN118200166A (zh) 2022-12-12 2022-12-12 网络质量评估方法、装置、设备、存储介质及程序产品

Country Status (2)

Country Link
CN (1) CN118200166A (zh)
WO (1) WO2024124975A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118802615A (zh) * 2024-07-02 2024-10-18 中国移动通信集团山西有限公司 专网质量评估方法、装置、设备、介质及计算机程序产品

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119421177A (zh) * 2024-10-23 2025-02-11 武汉船舶通信研究所(中国船舶集团有限公司第七二二研究所) 一种通信网络资源效能评估方法及系统
CN119536812B (zh) * 2024-11-07 2025-05-27 上海大学 一种基于risc-v的二值化神经网络加速器
CN119155760B (zh) * 2024-11-14 2025-04-22 威胜集团有限公司 一种异构网络的通信链路切换方法
CN119135555B (zh) * 2024-11-15 2025-01-21 湘江实验室 一种算力网络的网络质量评价方法
CN119211971B (zh) * 2024-11-22 2025-02-14 唐人通信技术服务股份有限公司 一种基于数据分析的5g无线网络路测管理系统
CN119254627A (zh) * 2024-12-03 2025-01-03 合肥海巍光电科技有限公司 基于post-ina集成模组的智能分布式信号源自动配置方法
CN119652676B (zh) * 2025-02-17 2026-01-02 北京神州慧安科技有限公司 工业互联网的网络安全监控方法、系统、装置及存储介质
CN120676402A (zh) * 2025-07-08 2025-09-19 深圳众投互联信息技术有限公司 基于机器学习的短信发送质量监控系统及方法
CN120957136A (zh) * 2025-08-08 2025-11-14 北京众诚天麒科技有限公司 一种无线通信网络的设备接入认证方法及系统
CN120614275B (zh) * 2025-08-11 2025-10-03 中国铁塔股份有限公司江苏省分公司 网络质量分析方法、装置、存储介质及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9538401B1 (en) * 2015-12-18 2017-01-03 Verizon Patent And Licensing Inc. Cellular network cell clustering and prediction based on network traffic patterns
US10728773B2 (en) * 2018-01-26 2020-07-28 Verizon Patent And Licensing Inc. Automated intelligent self-organizing network for optimizing network performance
CN108848515B (zh) * 2018-05-31 2021-06-08 武汉虹信技术服务有限责任公司 一种基于大数据的物联网业务质量监测平台及方法
CN113645092B (zh) * 2021-07-07 2022-12-30 深圳市优克联新技术有限公司 网络质量评估方法、装置、终端设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118802615A (zh) * 2024-07-02 2024-10-18 中国移动通信集团山西有限公司 专网质量评估方法、装置、设备、介质及计算机程序产品
CN118802615B (zh) * 2024-07-02 2026-01-16 中国移动通信集团山西有限公司 专网质量评估方法、装置、设备、介质及计算机程序产品

Also Published As

Publication number Publication date
WO2024124975A1 (zh) 2024-06-20

Similar Documents

Publication Publication Date Title
CN118200166A (zh) 网络质量评估方法、装置、设备、存储介质及程序产品
CN112668128B (zh) 联邦学习系统中终端设备节点的选择方法及装置
CN113438315B (zh) 基于双网络深度强化学习的物联网信息新鲜度优化方法
CN113379536A (zh) 一种基于引力搜索算法优化递归神经网络的违约概率预测方法
EP4002213A1 (en) System and method for training recommendation policies
CN117750436B (zh) 一种移动边缘计算场景中的安全服务迁移方法及系统
CN113516163B (zh) 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质
CN109754135B (zh) 信用行为数据处理方法、装置、存储介质和计算机设备
CN112836822B (zh) 基于宽度学习的联邦学习策略优化方法和装置
CN115550181B (zh) 基于lstm和a2c的网络切片资源分配方法及系统
CN118761100A (zh) 基于终端自适应联邦学习的隐私泄露检测方法及系统
US20250005369A1 (en) Value-based action selection algorithm in reinforcement learning
CN117939536A (zh) 一种基于强化学习的联邦边缘学习动态资源管理方法、模型及计算机设备
US11962475B2 (en) Estimating properties of units using system state graph models
CN103455525A (zh) 基于用户的搜索推广行为确定推广帐号状态的方法与设备
CN116542473A (zh) 一种基于数字孪生的业务自主规划方法及装置
CN114020473A (zh) 数据传输与处理方法、装置及系统
CN118713916B (zh) 一种分布式多智能体网络渗透方法、装置及存储介质
US12518213B2 (en) Sustainable retraining for production machine learning
CN119183141B (zh) 一种基于动态梯度稀疏化联邦学习的无线流量预测方法
CN118678373B (zh) 物联网系统的模型更新方法及相关设备
CN119089274B (zh) 基于优先策略的电力系统暂态稳定评估方法及装置
CN121125593A (zh) 物联网路由决策方法、装置、设备、介质及程序产品
CN118132980A (zh) 基于机器学习的城域网流量预测方法
CN120257104A (zh) 模型训练方法、互动数据预测方法、装置、设备与产品

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