网络抖动分析方法、网络抖动分析装置及计算机存储介质

技术领域

本申请涉及网络抖动优化技术领域，特别是涉及一种网络抖动分析方法、网络抖动分析装置以及计算机存储介质。

背景技术

随着物联网技术的日益成熟，人们对网络质量要求逐渐提高。其中，在实时类业务场景下，抖动是一个至关重要的QoS指标，故亟需解决网络抖动检测和优化的难题。而影响网络抖动的因素有很多，传统的方法通过实时监测网络状态，判断是否存在网络抖动的情况，无法通过关联多种特征信息，挖掘更多网络抖动背后的规律。与此同时，无法通过对网络抖动进行预测，提前干预网络问题，达到优化的目的。

发明内容

为解决上述技术问题，本申请提出了一种网络抖动分析方法、网络抖动分析装置以及计算机存储介质。

为解决上述技术问题，本申请提出了一种网络抖动分析方法，所述网络抖动分析方法包括：

采集数据中心网络的业务流量信息、网络带宽信息以及网络拓扑信息；

利用图神经网络模型提取所述业务流量信息的网络服务特征，所述网络带宽信息的网络流量特征，所述网络拓扑信息的网络链路特征；

利用所述网络服务特征、所述网络流量特征以及所述网络链路特征提取网络链路与网络流量之间的第一依赖关系，提取网络链路与网络服务之间的第二依赖关系；

利用所述第一依赖关系和所述第二依赖关系分析不同网络拓扑条件下的网络抖动估计值。

其中，所述利用所述第一依赖关系和所述第二依赖关系分析不同网络拓扑条件下的网络抖动估计值之后，所述网络抖动分析方法还包括：

对所述不同网络拓扑条件下的网络抖动估计值分别计算方差，获取每一网络拓扑条件下的网络抖动偏离程度；

将所述网络抖动偏离程度最低的网络拓扑条件作为最优网络拓扑条件输出。

其中，所述将所述网络抖动偏离程度最低的网络拓扑条件作为最优网络拓扑条件输出之后，所述网络抖动分析方法还包括：

获取所述数据中心网络的当前网络拓扑结构；

判断所述当前网络拓扑结构是否与所述最优网络拓扑条件的网络拓扑结构相同；

若否，按照所述最优网络拓扑条件的网络拓扑结构切换所述数据中心网络的网络拓扑结构。

其中，所述图神经网络模型包括输入层、网络服务消息处理层、网络流量消息处理层、网络链路消息处理层以及输出层。

其中，所述网络抖动分析方法还包括：

利用所述网络服务消息处理层从所述网络服务特征提取网络服务与网络链路之间的第三依赖关系；

利用所述第三依赖关系对所述业务流量信息进行更新。

其中，所述业务流量信息包括业务场景、业务服务类型、业务时间，和/或业务客户端数量。

其中，所述网络抖动分析方法还包括：

利用所述网络流量消息处理层从所述网络流量特征提取网络流量与网络链路之间的第四依赖关系；

利用所述第四依赖关系对所述网络带宽信息进行更新。

为解决上述技术问题，本申请还提出一种网络抖动分析装置，所述网络抖动分析装置包括存储器以及与所述存储器耦接的处理器；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如上述的网络抖动分析方法。

为解决上述技术问题，本申请还提出一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被计算机执行时，用以实现上述的网络抖动分析方法。

与现有技术相比，本申请的有益效果是：网络抖动分析装置采集数据中心网络的业务流量信息、网络带宽信息以及网络拓扑信息；利用图神经网络模型提取所述业务流量信息的网络服务特征，所述网络带宽信息的网络流量特征，所述网络拓扑信息的网络链路特征；利用所述网络服务特征、所述网络流量特征以及所述网络链路特征提取网络链路与网络流量之间的第一依赖关系，提取网络链路与网络服务之间的第二依赖关系；利用所述第一依赖关系和所述第二依赖关系分析不同网络拓扑条件下的网络抖动估计值。通过上述网络抖动分析方法，使用了深度学习的方法学习了网络的多种特征信息，能够通过网络的流量数据对之后的网络抖动情况进行预测，提高网络监控效果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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。

其中：

图1是本申请提供的网络抖动分析方法一实施例的流程示意图；

图2是本申请提供的网络抖动分析方法的整体流程示意图；

图3是本申请提供的网络抖动分析方法另一实施例的流程示意图；

图4是本申请提供的网络抖动分析装置一实施例的结构示意图；

图5是本申请提供的网络抖动分析装置另一实施例的结构示意图；

图6是本申请提供的计算机存储介质一实施例的结构示意图。

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，所描述的实施例仅是本申请的一部分实施例，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。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

具体请参阅图1和图2，图1是本申请提供的网络抖动分析方法一实施例的流程示意图，图2是本申请提供的网络抖动分析方法的整体流程示意图。

本申请的网络抖动分析方法应用于网络抖动分析装置，其中，本申请的网络抖动分析装置可以为服务器，也可以为终端设备，还可以为由服务器和终端设备相互配合的系统。相应地，网络抖动分析装置包括的各个部分，例如各个单元、子单元、模块、子模块可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。

进一步地，上述服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，例如用来提供分布式服务器的软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。

如图1所示，其具体步骤如下：

步骤S11：采集数据中心网络的业务流量信息、网络带宽信息以及网络拓扑信息。

在本申请实施例中，网络抖动分析装置对数据中心网络的用户业务流量信息、网络带宽信息、网络拓扑信息等特征信息进行采集或生成，通过文本格式存储样本数据及网络抖动信息的标签数据。其中，网络抖动信息的标签数据用于训练图神经网络模型，即对图神经网络模型进行有监督学习过程，需要使用网络抖动信息的标签数据配合完成训练，在有监督的条件下完成对图神经网络模型训练。

在一种具体的实施方式中，图神经网络的损失函数采用平均绝对误差(MeanAbsolute Error)损失函数，采用后向传播算法并引入权值衰减的方法对网络中的权重值进行更新。

具体地，样本及标签数据的数据集可以采用开源网络流量建模工具并基于开源的典型数据中心网络拓扑结构生成。

需要说明的是，在本申请实施例只列举了业务流量信息、网络带宽信息以及网络拓扑信息这三种网络特征信息，实际上，本申请提供的网络抖动分析方法还可以对其他类型的网络特征信息进行分析，在此不一一列举。

其中，用户业务流量信息包括但不限于：业务场景、业务服务类型、业务时间，业务客户端数量等。例如，业务场景为直播场景、车联网场景均需要配置不同的业务流量服务；

网络带宽信息即数据中心网络的网络数据量以及网络传输速率等。网络拓扑信息即数据中心网络中传输介质互连各种设备的物理布局，具体的网络拓扑类型包括但不限于：星型结构、环型结构、总线型结构、混合拓扑结构、分布式结构、树型结构、网状拓扑结构。

步骤S12：利用图神经网络模型提取业务流量信息的网络服务特征，网络带宽信息的网络流量特征，网络拓扑信息的网络链路特征。

在本申请实施例中，网络抖动分析装置预先构建图神经网络模型，其中，本申请提供的图神经网络模型是一种由长短期记忆网络(LSTM，Long Short-Term Memory)和反向传播神经网络混合构成的五级级联神经网络模型。

具体地，本申请的图神经网络框架由长短期记忆网络和反向传播神经网络构成，并将长短期记忆网络作为所述图神经网络框架中的消息处理层。消息处理层可细分为消息转换、消息更新和消息读出三个阶段。所述图神经网络框架中的反向传播神经网络由输入层、隐藏层和输出层结构实现，并把消息传递层与反向传播神经网络的隐藏层相结合，并在反向传播神经网络的输入层和消息传递层的连接，消息传递层和反向传播神经网络的输出层的连接中引入了残差连接(skip connection)。

本申请提供的图神经网络模型的网络模型具体级联结构依次包括：输入层、网络服务消息处理层、网络流量消息处理层、网络链路消息处理层以及输出层。

网络抖动分析装置利用图神经网络模型的输入层对数据中心网络的各种特征信息进行重构和提取抽象特征，为LSTM神经单元，即后续的处理层和输出层提供输入数据。

步骤S13：利用网络服务特征、网络流量特征以及网络链路特征提取网络链路与网络流量之间的第一依赖关系，提取网络链路与网络服务之间的第二依赖关系。

在本申请实施例中，网络抖动分析装置利用图神经网络模型的网络链路消息处理层对数据中心网络中的链路信息进行状态感知。具体地，网络链路消息处理层以数据中心网络的网络服务特征、网络流量特征以及网络链路特征为输入，然后经由隐藏层中的LSTM神经单元抓取网络链路与网络流量之间的第一依赖关系和网络链路与网络服务之间的第二依赖关系。

本申请提供的图神经网络模型中的消息处理层包含更新图状态的过程。该过程主要涉及的转换函数可以将数据中心网络的用户业务流量信息、网络带宽信息、网络拓扑等特征信息转换为图网络中的节点特征和邻边特征，并由更新函数对图网络中的节点特征和邻边特征进行迭代更新，最后再由输出函数处理更新后的状态和特征，产生输出。

具体地，网络抖动分析装置将网络服务特征、网络流量特征以及网络链路特征作为图结构数据中的节点，将上述依赖关系作为节点之间的边。进一步地，网络抖动分析装置还可以对网络节点中的链路信息节点进行计算与更新。

在其他实施方式中，网络抖动分析装置利用图神经网络模型的网络服务消息处理层对数据中心网络中的网络服务信息进行状态感知。具体地，网络服务消息处理层以数据中心网络的网络服务特征为输入，然后经由隐藏层中的LSTM神经单元抓取网络服务及网络链路之间的第三依赖关系。进一步地，网络抖动分析装置还可以对网络节点中的服务信息节点进行计算与更新。

在其他实施方式中，网络抖动分析装置利用图神经网络模型的网络流量消息处理层对数据中心网络中的网络流量信息进行状态感知。具体地，网络流量消息处理层以数据中心网络的网络流量特征为输入，然后经由隐藏层中的LSTM神经单元抓取网络流量及网络链路之间的第四依赖关系。进一步地，网络抖动分析装置还可以对网络节点中的流量信息节点进行计算与更新。

步骤S14：利用第一依赖关系和第二依赖关系分析不同网络拓扑条件下的网络抖动估计值。

在本申请实施例中，网络抖动分析装置利用输出层分析图网络中的节点特征和邻边特征，获得LSTM神经单元的输出结果，即把消息处理层作为反向传播神经网络中隐藏层，对其输出的隐藏变量进行重构和还原回初始输入维度，利用隐藏层的隐藏结构读取还原网络的抖动信息，得到最终结果，即不同预设网络拓扑条件下的网络抖动估计值。

进一步地，网络抖动分析装置还可以针对不同预设网络拓扑条件下的网络抖动估计值进行优化，具体请继续参阅图3，图3是本申请提供的网络抖动分析方法另一实施例的流程示意图。

如图3所示，其具体步骤如下：

步骤S15：对不同网络拓扑条件下的网络抖动估计值分别计算方差，获取每一网络拓扑条件下的网络抖动偏离程度。

步骤S16：将网络抖动偏离程度最低的网络拓扑条件作为最优网络拓扑条件输出。

在本申请实施例中，网络抖动分析装置对上述步骤S14输出的不同预设网络拓扑条件下的网络抖动估计值进行方差计算对比，再取方差最小的一组网络拓扑信息作为输出结果。

步骤S17：获取数据中心网络的当前网络拓扑结构。

步骤S18：判断当前网络拓扑结构是否与最优网络拓扑条件的网络拓扑结构相同。

在本申请实施例中，网络抖动分析装置将步骤S16输出的最优网络拓扑条件的网络拓扑结构与当前数据中心网络的网络拓扑结构进行比较，若不同，则进入步骤S19；若相同，则保持当前网络拓扑结构。

步骤S19：按照最优网络拓扑条件的网络拓扑结构切换数据中心网络的网络拓扑结构。

在本申请实施例中，网络抖动分析装置将数据中心网络的网络拓扑结构切换为最优网络拓扑结构，能够有效降低网络抖动。

在本申请实施例中，网络抖动分析装置采集数据中心网络的业务流量信息、网络带宽信息以及网络拓扑信息；利用图神经网络模型提取所述业务流量信息的网络服务特征，所述网络带宽信息的网络流量特征，所述网络拓扑信息的网络链路特征；利用所述网络服务特征、所述网络流量特征以及所述网络链路特征提取网络链路与网络流量之间的第一依赖关系，提取网络链路与网络服务之间的第二依赖关系；利用所述第一依赖关系和所述第二依赖关系分析不同网络拓扑条件下的网络抖动估计值。通过上述网络抖动分析方法，使用了深度学习的方法学习了网络的多种特征信息，能够通过网络的流量数据对之后的网络抖动情况进行预测，并基于该预测结果进一步的对网络抖动进行优化，提高网络监控效果。

本申请使用了深度学习的方法学习了网络的多种特征信息，并在对网络抖动进行感知的基础上能够进一步的对网络抖动进行预测，且本方法不单纯的依赖相邻媒体数据包对网络情况进行感知，在网络流量信息复杂多变的情况下能够精准的提前预知网络抖动的情况。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

为实现上述网络抖动分析方法，本申请还提出了一种网络抖动分析装置，具体请参阅图4，图4是本申请提供的网络抖动分析装置一实施例的结构示意图。

本实施例的网络抖动分析装置300包括：采集模块31、提取模块32以及分析模块33。

其中，所述采集模块31，用于采集数据中心网络的业务流量信息、网络带宽信息以及网络拓扑信息。

所述提取模块32，用于利用图神经网络模型提取所述业务流量信息的网络服务特征，所述网络带宽信息的网络流量特征，所述网络拓扑信息的网络链路特征；利用所述网络服务特征、所述网络流量特征以及所述网络链路特征提取网络链路与网络流量之间的第一依赖关系，提取网络链路与网络服务之间的第二依赖关系。

所述分析模块33，用于利用所述第一依赖关系和所述第二依赖关系分析不同网络拓扑条件下的网络抖动估计值。

为实现上述网络抖动分析方法，本申请还提出了另一种网络抖动分析装置，具体请参阅图5，图5是本申请提供的网络抖动分析装置另一实施例的结构示意图。

本实施例的网络抖动分析装置400包括处理器41、存储器42、输入输出设备43以及总线44。

该处理器41、存储器42、输入输出设备43分别与总线44相连，该存储器42中存储有程序数据，处理器41用于执行程序数据以实现上述实施例所述的网络抖动分析方法。

在本申请实施例中，处理器41还可以称为CPU(Central Processing Unit，中央处理单元)。处理器41可能是一种集成电路芯片，具有信号的处理能力。处理器41还可以是通用处理器、数字信号处理器(DSP，Digital Signal Process)、专用集成电路(ASIC，Application Specific Integrated Circuit)、现场可编程门阵列(FPGA，FieldProgrammable Gate Array)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器41也可以是任何常规的处理器等。

本申请还提供一种计算机存储介质，请继续参阅图6，图6是本申请提供的计算机存储介质一实施例的结构示意图，该计算机存储介质600中存储有计算机程序61，该计算机程序61在被处理器执行时，用以实现上述实施例的网络抖动分析方法。

本申请的实施例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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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，该计算机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(processor)执行本申请各个实施方式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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、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实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。