一种网络流量管控方法、装置、设备及存储介质

技术领域

本申请涉及网络管控技术领域，尤其涉及一种网络流量管控方法、装置、设备及存储介质。

背景技术

随着互联网的快速发展和普及，网络流量的增长速度也越来越快，为了保证网络的稳定性、安全性和高效性，需要对网络流量进行管控。

目前，现有的网络流量管控通过用户依靠工作经验编写各种拦截策略，采用策略匹配的方式筛选出不符合规定的信息，实现动态管控。

然而，现有的网络流量管控技术存在人工成本高，策略匹配效率低、准确率低的问题。

发明内容

本申请提供一种网络流量管控方法、装置、设备及存储介质，用以解决现有的流量管控技术成本高、效率低的问题。

第一方面，本申请提供一种网络流量管控方法，包括：

获取rego语法规则要求信息、以及目标网络设备的流量需求信息和当前流量数据，其中，rego语法规则要求信息包括rego语法规则的信息、与rego语法规则对应的适应场景的信息、以及rego语法规则在适应场景的样例信息；

根据rego语法规则要求信息，对预设的生成式预训练模型的输出文本规则进行训练，得到目标生成式预训练模型；

将流量需求信息和当前流量属性数据输入至目标生成式预训练模型，得到输出结果，其中，输出结果为满足流量需求信息的rego语法文本信息；

根据输出结果，对目标网络设备进行流量管控；

获取流量管控后目标网络设备的目标流量数据；

若目标流量数据与输出结果未匹配，则将目标流量数据作为当前流量数据，并重新执行将流量需求信息和当前流量属性数据作为目标生成式预训练模型的输入项，得到目标生成式预训练模型的输出结果的步骤，直至获取流量管控后目标网络设备的目标流量数据与输出结果匹配。

在本申请中，在获取rego语法规则要求信息、以及目标网络设备的流量需求信息和当前流量数据之前，方法还包括：

获取意图信息，其中，意图信息表征目标网络设备对流量进行管控的要求信息；

确定意图信息的信息类型；

根据意图信息的信息类型，对意图信息进行文本转换处理，得到表征流量需求信息的文本信息。

在本申请中，在获取rego语法规则要求信息、以及目标网络设备的流量需求信息和当前流量数据之前，方法还包括：

获取rego语法规则信息；

响应于用户针对rego语法规则信息的配置操作，得到与rego语法规则对应的适应场景的信息、以及rego语法规则在适应场景的样例信息；

根据rego语法规则信息、rego语法规则对应的适应场景的信息、以及rego语法规则在适应场景的样例信息，得到rego语法规则要求信息；

将rego语法规则要求信息存储至数据库中，以执行获取rego语法规则要求信息、以及目标网络设备的流量需求信息和当前流量数据的步骤。

在本申请中，根据rego语法规则要求信息，对预设的生成式预训练模型的输出文本规则进行训练，得到目标生成式预训练模型，包括：

读取rego语法规则要求信息；

根据rego语法规则要求信息的读取顺序，将rego语法规则要求信息依次输入至预设的生成式预训练模型，以使预设的生成式预训练模型进行输出文本规则训练，得到目标生成式预训练模型。

在本申请中，在根据rego语法规则要求信息的读取顺序，将rego语法规则要求信息依次输入至预设的生成式预训练模型，以使预设的生成式预训练模型进行输出文本规则训练之后，得到目标生成式预训练模型之前，方法还包括：

获取预设的生成式预训练模型的识别标识和与识别标识对应的会话信息，其中，识别标识表征生成式预训练模型的训练信息，训练信息表征rego语法规则要求信息中已进行训练使用的要求信息；

根据识别标识，确定生成式预训练模型的训练进程；

若训练进程未结束，则根据会话信息和目标rego语法规则要求信息，对生成式预训练模型进行训练，以得到目标生成式预训练模型，其中，目标rego语法规则要求信息为rego语法规则要求信息中未进行训练使用的要求信息。

在本申请中，根据输出结果，对目标网络设备进行流量管控，包括：

读取输出结果中的文本信息；

根据文本信息，确定对应的策略文件；

通过策略规则引擎，将策略文件引入目标网络设备，以使目标网络设备执行策略文件中的策略。

在本申请中，在根据输出结果，对目标网络设备进行流量管控之后，获取流量管控后目标网络设备的目标流量数据之前，包括：

监听目标网络设备的实时流量数据；

在系统的显示单元中显示实时流量数据。

第二方面，本申请提供一种网络流量管控装置，包括：

获取模块，用于获取rego语法规则要求信息、以及目标网络设备的流量需求信息和当前流量数据，其中，rego语法规则要求信息包括rego语法规则的信息、与rego语法规则对应的适应场景的信息、以及rego语法规则在适应场景的样例信息；

训练模块，用于根据rego语法规则要求信息，对预设的生成式预训练模型的输出文本规则进行训练，得到目标生成式预训练模型；

得到模块，用于将流量需求信息和当前流量属性数据输入至目标生成式预训练模型，得到输出结果，其中，输出结果为满足流量需求信息的rego语法文本信息；

执行模块，用于根据输出结果，对目标网络设备进行流量管控；

监控模块，用于获取流量管控后目标网络设备的目标流量数据；

匹配模块，用于若目标流量数据与输出结果未匹配，则将目标流量数据作为当前流量数据，并重新执行将流量需求信息和当前流量属性数据作为目标生成式预训练模型的输入项，得到目标生成式预训练模型的输出结果的步骤，直至获取流量管控后目标网络设备的目标流量数据与输出结果匹配。

第三方面，本申请提供一种电子设备，包括：处理器，以及与处理器通信连接的存储器；

存储器存储计算机执行指令；

处理器执行存储器存储的计算机执行指令，以实现如权利要求网络流量管控方法中任一项的方法。

第四方面，本申请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，计算机执行指令被处理器执行时用于实现本申请的网络流量管控方法。

本申请提供的一种网络流量管控方法、装置、设备及存储介质，根据rego语法规则信息，预设对应的适应场景的信息和样例信息，得到rego语法规则要求信息，将rego语法规则要求信息，存储至数据库中，并输入预设的生成式预训练模型进行输出文本的训练，得到目标生成式预训练模型；获取意图信息，并根据意图信息的信息类型，对意图信息进行文本转换处理，得到流量需求信息，并保留此次的会话信息；再将流量需求信息与当前流量属性数据输入目标生成式预训练模型，得到输出结果，根据输出结果，对目标网络设备进行流量管控，查看获取流量管控后的目标网络设备的目标流量数据，若目标流量数据不满足输出结果中的策略，则将目标流量数据作为当前流量属性数据，输入目标生成式预训练模型中，再次进行训练，直至目标流量数据满足输出结果中的策略。利用机器学习能力自动生成网络策略文件，并不断优化网络策略文件，降低了开发成本，提高的策略匹配的效率和准确率，实现了网络流量动态管控、实时生效的效果。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请实施例提供的网络流量管控方法的流程示意图；

图2为本申请实施例提供的另一种网络流量管控方法的流程示意图；

图3为本申请实施例提供的网络流量管控装置的结构示意图；

图4为本申请实施例提供的电子设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

现有技术中，网络流量管控主要依靠用户依靠工作经验编写各种拦截策略，采用策略匹配的方式筛选出不符合规定的信息，实现网络流量的动态管控。这种网络流量的管控方式，需要用户具备一定的技术，且人工编写策略较为繁琐，策略匹配效率低，不能及时对突发情况做出反应。

为了解决上述问题，本申请提出一种网络流量管控方法，根据rego语法规则信息，预设对应的适应场景的信息和样例信息，得到rego语法规则要求信息，将rego语法规则要求信息，存储至数据库中，并输入预设的生成式预训练模型进行输出文本的训练，得到目标生成式预训练模型；获取意图信息，并根据意图信息的信息类型，对意图信息进行文本转换处理，得到流量需求信息，并保留此次的会话信息；再将流量需求信息与当前流量属性数据输入目标生成式预训练模型，得到输出结果，根据输出结果，对目标网络设备进行流量管控，查看获取流量管控后的目标网络设备的目标流量数据，若目标流量数据不满足输出结果中的策略，则将目标流量数据作为当前流量属性数据，输入目标生成式预训练模型中，再次进行训练，直至目标流量数据满足输出结果中的策略。本申请提出的网络流量管控方法，降低了开发成本，实现了网络流量的实时管控，使管控策略更高效、精准。

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。

本申请实施例提供的确定方法的执行主体可以是系统。其中，系统可以为网络流量管控系统。本实施例对执行主体的实现方式不做特别限制，只要该执行主体能够获取rego语法规则要求信息、以及目标网络设备的流量需求信息和当前流量数据，其中，rego语法规则要求信息包括rego语法规则的信息、与rego语法规则对应的适应场景的信息、以及rego语法规则在适应场景的样例信息；根据rego语法规则要求信息，对预设的生成式预训练模型的输出文本规则进行训练，得到目标生成式预训练模型；将流量需求信息和当前流量属性数据输入至目标生成式预训练模型，得到输出结果，其中，输出结果为满足流量需求信息的rego语法文本信息；根据输出结果，对目标网络设备进行流量管控；获取流量管控后目标网络设备的目标流量数据；若目标流量数据与输出结果未匹配，则将目标流量数据作为当前流量数据，并重新执行将流量需求信息和当前流量属性数据作为目标生成式预训练模型的输入项，得到目标生成式预训练模型的输出结果的步骤，直至获取流量管控后目标网络设备的目标流量数据与输出结果匹配即可。

其中，rego是一种声明性的、基于规则的语言，用于定义策略和规则，具有声明性、模块化、安全、可扩展的特点。可以定义访问控制策略、数据验证规则和其他类型的策略。

图1为本申请实施例提供的网络流量管控方法的流程示意图。该方法的执行主体可以是网络流量管控系统，本实施例此处不做特别限制，如图1所示，该方法可以包括：

S101、获取rego语法规则要求信息、以及目标网络设备的流量需求信息和当前流量数据，其中，rego语法规则要求信息包括rego语法规则的信息、与rego语法规则对应的适应场景的信息、以及rego语法规则在适应场景的样例信息。

其中，rego语法规则要求信息可以指描述rego语法以及相关信息的数据，包括rego的官方文档、rego示例、rego介绍。例如，描述rego语法的官方文档中，当OPA(OpenPolicy Agent，开放策略代理)评估策略时，将查询中提供的数据绑定到全局变量input时，可以使用.(点运算符)在输入中引用数据。例如，编写的rego示例为从internet(因特网)可访问的服务器不能暴露不安全的http(Hypertext Transfer Protocol，超文本协议)协议，策略需要识别某些违反规则的服务器，此时，定义一条规则voilation，规则voilation生成一组违反条件的服务器，包括策略触发条件、生成服务器的id。例如，官方文档中，对于rego的介绍为OPA中的策略是以rego这种DSL(Domain Specific Language)来表示的，rego受到Datalog(declarative programming language，声明式编程语言)的启发，并且拓展了Datalog对于结构化文档模型的支持，方便以JSON的方式对数据进行处理，rego允许策略制定者可以专注于返回内容的查询而不是如何执行查询，允许使用规则(if-then)封装和重用逻辑，其中，规则可以是完整的或者部分的。

流量需求信息可以指基于对用户的需求所得到的信息，在本申请实施例中，目标网络设备的流量需求信息可以为控制当前网速、拦截不符合用户定义规范的流量、禁止或允许来自指定网站的流量访问。

当前流量数据可以指当前时间内利用网络流量监控设置获取到的网络流量信息。在本申请实施例中，当前流量数据包括源IP地址、目标IP地址、源端口号、协议类型、数据包大小、时间戳、数据包序号、数据包标志、数据标负载。其中，源IP地址为发送数据的设备IP地址，目标IP地址为接收数据的设备的地址，源端口号为发送数据的应用程序的端口号，协议类型为数据传输使用的协议，例如：TCP、UDP，时间戳为数据包发送或接收的时间，数据包序号为数据包在传输过程中的顺序编号，数据包标志为用于标识数据包的特定属性或状态，数据包负载为实际传输的数据内容。

S102、根据rego语法规则要求信息，对预设的生成式预训练模型的输出文本规则进行训练，得到目标生成式预训练模型。

其中，生成式预训练模型(Generation Pre-trained Model，GPT)可以指一种基于深度学习的自然语言处理模型，通过在大规模文本数据上进行无监督的预训练，学习语言的统计规律和语义表示，然后在特定任务上进行有监督的微调，以自然语言处理任务。其中，GPT多层的Transformer神经网络，能够对输入的文本进行编码和解码，在预训练阶段，GPT模型通过自回归的方式，根据前面的文本预测下一个词的概率分布，从而学习到语言的概率模型，在微调阶段，GPT通过在特定任务上进行有监督的训练，调整模型参数，使其适应具体的任务要求。在本申请实施例中，所使用的生成式预训练模型为ChatGPT，通过将rego语法规则要求信息输入ChatGPT，经过训练得到目标生成式预训练模型。

S103、将流量需求信息和当前流量属性数据输入至目标生成式预训练模型，得到输出结果，其中，输出结果为满足流量需求信息的rego语法文本信息。

其中，在本申请实施例中，第一示范例为：

用户的需求为提高当前网速，则流量需求信息可以为当前网络流量提升阈值为5％，当前流量属性数据为当前流量大小为100M；

将流量需求信息和当前流量属性数据输入经过训练的ChatGPT中，输出一个策略文件，其中，策略文件的内容为增加当前流量的5％，则输出的结果为将当前流量大小提升至105M。

其中，在本申请实施例中，第二示范例为：

流量需求信息为拦截大于100M的网络流量，当前流量属性数据为110M，将流量需求信息和当前流量属性数据输入经过训练的ChatGPT中，输出一个策略文件，其中，策略文件的内容为比对当前流量属性数据和预设的网络流量数值，则输出的结果为拦截当前的网络流量。

其中，在本申请实施例中，第三示范例为：

用户的需求为禁止来自设备1的流量访问系统，流量需求信息为记录设备1的IP地址，当前流量属性数据为源IP地址来自设备2，将流量需求信息和当前流量属性数据输入经过训练的ChatGPT中，输出一个策略文件，其中，策略文件的内容为比对流量属性数据的源IP地址与设备1的IP地址，则输出结果为两者IP地址不一致，允许当前网络流量访问目标网络设备。

S104、根据输出结果，对目标网络设备进行流量管控。

其中，对目标网络设备进行流量管控可以指拦截当前网络流量、允许当前网络流量访问目标网络设备、提升网络流量大小、降低网络流量大小。

S105、获取流量管控后目标网络设备的目标流量数据；

S106、若目标流量数据与输出结果未匹配，则将目标流量数据作为当前流量数据，并重新执行将流量需求信息和当前流量属性数据作为目标生成式预训练模型的输入项，得到目标生成式预训练模型的输出结果的步骤，直至获取流量管控后目标网络设备的目标流量数据与输出结果匹配。

其中，在本申请实施例中，在获取rego语法规则要求信息、以及目标网络设备的流量需求信息和当前流量数据之前，方法还包括：

获取rego语法规则信息；

响应于用户针对rego语法规则信息的配置操作，得到与rego语法规则对应的适应场景的信息、以及rego语法规则在适应场景的样例信息；

根据rego语法规则信息、rego语法规则对应的适应场景的信息、以及rego语法规则在适应场景的样例信息，得到rego语法规则要求信息；

将rego语法规则要求信息存储至数据库中，以执行获取rego语法规则要求信息、以及目标网络设备的流量需求信息和当前流量数据的步骤。

其中，在本申请实施例中，根据rego语法规则要求信息，对预设的生成式预训练模型的输出文本规则进行训练，得到目标生成式预训练模型，包括：

读取rego语法规则要求信息；

根据rego语法规则要求信息的读取顺序，将rego语法规则要求信息依次输入至预设的生成式预训练模型，以使预设的生成式预训练模型进行输出文本规则训练，得到目标生成式预训练模型。

其中，在本申请实施例中，在根据rego语法规则要求信息的读取顺序，将rego语法规则要求信息依次输入至预设的生成式预训练模型，以使预设的生成式预训练模型进行输出文本规则训练之后，得到目标生成式预训练模型之前，方法还包括：

获取预设的生成式预训练模型的识别标识和与识别标识对应的会话信息，其中，识别标识表征生成式预训练模型的训练信息，训练信息表征rego语法规则要求信息中已进行训练使用的要求信息；

根据识别标识，确定生成式预训练模型的训练进程；

若训练进程未结束，则根据会话信息和目标rego语法规则要求信息，对生成式预训练模型进行训练，以得到目标生成式预训练模型，其中，目标rego语法规则要求信息为rego语法规则要求信息中未进行训练使用的要求信息。

其中，在本申请实施例中，在获取rego语法规则要求信息、以及目标网络设备的流量需求信息和当前流量数据之前，方法还包括：

获取意图信息，其中，意图信息表征目标网络设备对流量进行管控的要求信息；

确定意图信息的信息类型。

其中，意图信息的信息类型可以指视频、音频、图片、文本信息。

根据意图信息的信息类型，对意图信息进行文本转换处理，得到表征流量需求信息的文本信息。

其中，在本申请实施例中，根据输出结果，对目标网络设备进行流量管控，包括：

读取输出结果中的文本信息；

根据文本信息，确定对应的策略文件；

通过策略规则引擎，将策略文件引入目标网络设备，以使目标网络设备执行策略文件中的策略。

其中，策略规则引擎可以指可以组织自动化决策过程，并根据预定义的规则和条件来执行相应的操作的工具。策略规则引擎包括规则编辑器、规则引擎、规则存储库及存储管理规则、决策引擎。策略规则引擎可以根据需求自动化决策过程，以应对不同的业务场景，具有灵活性和可拓展性，且能实时决策，提高策略的时效性。在本申请实施例中，所采用的策略规则引擎为OPA(Open Policy Agent，开放策略代理)，OPA是一个通用的、与领域无关的策略执行工具，策略的查询和决定不遵循特定的格式，具有较高的灵活性。

其中，在本申请实施例中，在根据输出结果，对目标网络设备进行流量管控之后，获取流量管控后目标网络设备的目标流量数据之前，包括：

监听目标网络设备的实时流量数据。

其中，监听目标网络设备的实时流量数据可以指利用Granafa软件，对目标网络设备进行监听的流程。Granafa是一款使用Go语言开发的、可以做数据监控和数据统计、带有告警功能的开源数据可视化工具，具有可视化、报警、通知、动态仪表盘、混合数据源、注释、过滤器的特点。

在系统的显示单元中显示实时流量数据。

本申请实施例提供一种网络流量管控方法，根据rego语法规则信息，预设对应的适应场景的信息和样例信息，得到rego语法规则要求信息，将rego语法规则要求信息，存储至数据库中，并输入预设的生成式预训练模型进行输出文本的训练，得到目标生成式预训练模型；获取意图信息，并根据意图信息的信息类型，对意图信息进行文本转换处理，得到流量需求信息，并保留此次的会话信息；再将流量需求信息与当前流量属性数据输入目标生成式预训练模型，得到输出结果，根据输出结果，对目标网络设备进行流量管控，查看获取流量管控后的目标网络设备的目标流量数据，若目标流量数据不满足输出结果中的策略，则将目标流量数据作为当前流量属性数据，输入目标生成式预训练模型中，再次进行训练，直至目标流量数据满足输出结果中的策略。利用机器学习能力自动生成网络策略文件，并不断优化网络策略文件，降低了开发成本，提高的策略匹配的效率和准确率，实现了网络流量动态管控、实时生效的效果。

图2为本申请实施例提供的另一种网络流量管控方法的流程示意图，如图2所示，该网络流量管控方法包括：

S201、通过自然语言的方式，收集用户网络意图信息，并将意图转化为文字格式。

其中，通过自然语言的方式，收集用户网络意图信息，并将意图转化为文字格式可以指采集用户意图的步骤，在本申请实施例中，开发移动端界面或web界面，采用语音或文字的方式接收用户意图，通过图灵技术，将语音识别为文字。

S202、根据预设的周期，收集网络环境当前状态信息，比对网络环境当前状态信息与用户意图，得到比对结果；

S203、根据比对结果，进行机器学习，生成最优策略文件。

其中，根据比对结果，进行机器学习，生成最优策略文件可以指通过ChatGPT进行Rego网络策略语法训练，使ChatGPT掌握多种网络环境的Rego策略语法，训练成功后，将用户意图与当前网络流量作为参数输入模型中，得到最新的Rego网络策略文件。

S204、将策略文件注入到对应的网络路径，进行网络流量拦截；

S205、将实时网络动态通过可视化界面进行展示。

图3为本申请实施例提供的网络流量管控装置的结构示意图。如图3所示，该网络流量管控装置30包括：获取模块301、训练模块302、得到模块303、执行模块304、监控模块305、匹配模块306。其中：

获取模块301，用于获取rego语法规则要求信息、以及目标网络设备的流量需求信息和当前流量数据，其中，rego语法规则要求信息包括rego语法规则的信息、与rego语法规则对应的适应场景的信息、以及rego语法规则在适应场景的样例信息；

训练模块302，用于根据rego语法规则要求信息，对预设的生成式预训练模型的输出文本规则进行训练，得到目标生成式预训练模型；

得到模块303，用于将流量需求信息和当前流量属性数据输入至目标生成式预训练模型，得到输出结果，其中，输出结果为满足流量需求信息的rego语法文本信息；

执行模块304，用于根据输出结果，对目标网络设备进行流量管控；

监控模块305，用于获取流量管控后目标网络设备的目标流量数据；

匹配模块306，用于若目标流量数据与输出结果未匹配，则将目标流量数据作为当前流量数据，并重新执行将流量需求信息和当前流量属性数据作为目标生成式预训练模型的输入项，得到目标生成式预训练模型的输出结果的步骤，直至获取流量管控后目标网络设备的目标流量数据与输出结果匹配。

在本申请实施例中，获取模块301还可以具体用于：

获取意图信息，其中，意图信息表征目标网络设备对流量进行管控的要求信息；

确定意图信息的信息类型；

根据意图信息的信息类型，对意图信息进行文本转换处理，得到表征流量需求信息的文本信息。

在本申请实施例中，获取模块301还可以具体用于：

获取rego语法规则信息；

响应于用户针对rego语法规则信息的配置操作，得到与rego语法规则对应的适应场景的信息、以及rego语法规则在适应场景的样例信息；

根据rego语法规则信息、rego语法规则对应的适应场景的信息、以及rego语法规则在适应场景的样例信息，得到rego语法规则要求信息；

将rego语法规则要求信息存储至数据库中，以执行获取rego语法规则要求信息、以及目标网络设备的流量需求信息和当前流量数据的步骤。

在本申请实施例中，训练模块302还可以具体用于：

读取rego语法规则要求信息；

根据rego语法规则要求信息的读取顺序，将rego语法规则要求信息依次输入至预设的生成式预训练模型，以使预设的生成式预训练模型进行输出文本规则训练，得到目标生成式预训练模型。

在本申请实施例中，训练模块302还可以具体用于：

获取预设的生成式预训练模型的识别标识和与识别标识对应的会话信息，其中，识别标识表征生成式预训练模型的训练信息，训练信息表征rego语法规则要求信息中已进行训练使用的要求信息；

根据识别标识，确定生成式预训练模型的训练进程；

若训练进程未结束，则根据会话信息和目标rego语法规则要求信息，对生成式预训练模型进行训练，以得到目标生成式预训练模型，其中，目标rego语法规则要求信息为rego语法规则要求信息中未进行训练使用的要求信息。

在本申请实施例中，得到模块303还可以具体用于：

读取输出结果中的文本信息；

根据文本信息，确定对应的策略文件；

通过策略规则引擎，将策略文件引入目标网络设备，以使目标网络设备执行策略文件中的策略。

在本申请实施例中，监控模块还可以具体用于：

监听目标网络设备的实时流量数据；

在系统的显示单元中显示实时流量数据。图4为本申请实施例提供的电子设备的结构示意图，如图4所示，该电子设备40包括：

该电子设备40可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、通信部件403等部件。其中，处理器401、存储器402以及通信部件403通过总线404连接。

在具体实现过程中，至少一个处理器401执行存储器402存储的计算机执行指令，使得至少一个处理器401执行如上的网络流量管控方法。

处理器401的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

在上述的图4所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器可能包含高速存储器(Random Access Memory，RAM)，也可能还包括非易失性存储器(Non-volatile Memory，NVM)，例如至少一个磁盘存储器。

总线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，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

在一些实施例中，还提出一种计算机程序产品，包括计算机程序或指令，该计算机程序或指令被处理器执行时实现上述任一种网络流量管控方法中的步骤。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种网络流量管控方法中的步骤。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。

由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种网络流量管控方法中的步骤，因此，可以实现本申请实施例所提供的任一种网络流量管控方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。