网络状态预测方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种网络状态预测方法，涉及通信技术领域，用于解决现有网络预测结果不准确的问题，该方法包括以下步骤：接收数据包，并匹配发送所述数据包的链路；解析所述数据包，提取数据包的特征信息作为样本，所述特征信息为网络参数；根据样本组成数据集，利用数据集对集成学习模型进行训练；根据训练结果生成对应链路的网络状态预测模型；根据所述预测模型匹配发包策略。本发明专利技术还公开了一种网络状态预测装置、电子设备和计算机存储介质。本发明专利技术通过集成学习的方法训练得到网络状态预测模型，进而使预测模型更准确。

Network state prediction methods, devices, equipment and media

The invention discloses a network state prediction method, which relates to the field of communication technology, and is used to solve the problem of inaccurate prediction results of the existing network. The method comprises the following steps: receiving a data packet and matching the link to send the data packet; analyzing the data packet, extracting the feature information of the data packet as a sample, and the feature information as a network parameter; according to the sample composition Data set, which is used to train the integrated learning model; generate the network state prediction model of the corresponding link according to the training results; match the contracting strategy according to the prediction model. The invention also discloses a network state prediction device, an electronic device and a computer storage medium. The invention obtains the network state prediction model through the integrated learning method training, thereby making the prediction model more accurate.

【技术实现步骤摘要】
网络状态预测方法、装置、设备及介质
本专利技术涉及通信
，尤其涉及一种网络状态预测方法、装置、设备及介质。
技术介绍
起初，基于TCP/IP的网络传输协议组是为固定网络和网络互连而设计，在移动互联网快速发展的环境下，未来的5G将会面临AR/VR、超高清视频、物联网、车联网等各种应用，加之网络安全的紧迫性越发凸显，TCP/IP协议组难以适应未来，随着数据量、网络中传送分组的数目增加，很容易出现网络拥塞的问题，成为了制约5G应用场景落地的瓶颈。TCP传输协议通常采用接收确认的方法来保证网络数据包的可靠传输，即：如果收到数据包，则发送ACK信号(确认字符)给发送端以确认收到包，如果发送端未收到ACK信号，则重发包。即使是优化较好的BBR协议，也需要确认网络环境变差以后才作出相应的对策。现有的优化方法通常采用被动补偿功能，即当确认网络传输参数(如延时、丢包、带宽等)变差到一定程度后，才进行补偿。因此，出现了根据预测网络状态进行主动补偿的方法，预测模型通常采用单一函数进行丢包或者延时的判断，对于复杂的网络情况，预测模型不准确，且需要大量数据完成预测模型的建立，无法快速建立预测模型。
技术实现思路
为了克服现有技术的不足，本专利技术的目的之一在于提供一种网络状态预测方法，其通过集成学习的方法建立每一个网络参数的预测模型，利用各网络参数的预测结果综合评估网络状况，进而得到较准确的预测模型。本专利技术的目的之一采用以下技术方案实现：一种网络状态预测方法，包括以下步骤：接收数据包，并匹配发送所述数据包的链路；解析所述数据包，提取数据包的特征信息作为样本，所述特征信息为网络参数；根据样本组成数据集，利用数据集对集成学习模型进行训练；根据训练结果生成对应链路的网络状态预测模型；根据所述预测模型匹配发包策略。进一步地，所述的网络参数包括丢包、网络延时及带宽，每一个所述网络参数对应一个预测模型。进一步地，根据IP和端口匹配所述数据包对应的链路。进一步地，根据样本组成数据集，利用数据集对集成学习模型进行训练；包括以下步骤：将数据集划分为训练集及验证集；对所述的训练集输入至集成学习模型进行集成学习训练，得到初始模型；根据所述初始预测模型，输入所述验证集进行验证：当验证准确率大于或等于预设阈值时，则所述初始模型即为预测模型；当验证准确率小于预设阈值时，增加数据集继续进行集成学习训练，直至验证准确率大于或等于预设阈值。进一步地，利用所述的训练集对集成学习模型进行训练，得到训练结果，还包括以下步骤：将所述训练集划分为预设数量的训练子集；对训练子集进行训练，根据基尼指数最小化准则生成预设数量的CART决策树，每一个CART决策树作为一个基分类器；对每个基分类器的预测结果进行投票，得到集成分类器，所述集成分类器为训练结果。进一步地，根据训练结果生成对应链路的网络状态预测模型，所述预测模型为每一个所述网络参数的预测模型之后，还包括以下步骤：根据链路定时存储接收的数据包；根据所述的数据包进行集成学习训练；根据训练结果更新所述的预测模型。进一步地，根据所述预测模型匹配发包策略，包括以下步骤：解析链路当前数据包的网络参数并匹配预测模型，得到网络参数的预测结果；根据所述的预测结果匹配发包策略：当网络参数高于或等于预设值时，采取补偿发包策略；当网络参数低于预设值时，正常发送数据包。本专利技术的目的之二在于提供一种网络状态预测装置，其通过集成学习的方法建立网络参数的预测模型，利用各网络参数的预测结果综合评估网络状况，进而得到较准确的预测模型。本专利技术的目的之二采用以下技术方案实现：一种网络状态预测装置，其包括：数据获取模块，用于接收数据包，并匹配发送所述数据包的链路；特征提取模块，用于解析所述数据包，提取数据包的特征信息作为样本，所述特征信息为网络参数；模型构建模块，用于根据样本组成数据集，使用集成学习法对数据集进行训练；并根据训练结果生成对应链路的网络状态预测模型；发送模块，用于根据所述预测模型匹配发包策略。本专利技术的目的之三在于提供执行专利技术目的之一的电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时实现上述的网络状态预测方法。本专利技术的目的之四在于提供存储专利技术目的之一的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的网络状态预测方法。相比现有技术，本专利技术的有益效果在于：本专利技术通过集成学习的方法得到网络状态的预测模型，预测结果准确，集成学习算法无需大量的训练数据，训练速度快。附图说明图1是实施例一的网络状态预测方法的流程图；图2是实施例一的集成学习训练的流程图；图3是实施例一的发包过程的流程图；图4是实施例二的CART树训练方法的流程图；图5是实施例三的预测模型更新方法的流程图；图6是实施例四的网络状态预测装置的结构框图；图7是实施例五的电子设备的结构框图。具体实施方式以下将结合附图，对本专利技术进行更为详细的描述，需要说明的是，以下参照附图对本专利技术进行的描述仅是示意性的，而非限制性的。各个不同实施例之间可以进行相互组合，以构成未在以下描述中示出的其他实施例。实施例一实施例一提供了一种网络状态预测方法，旨在通过对数据包进行数据采集，并进行训练，进而得到与链路相对应的网络状态预测模型，通过这种方式，能够预测到网络即将拥塞，并作出相应的发包策略。集成学习法属于机器学习的一种，其通过将几种机器学习算法组合成一个预测模型的元算法，以达到减小方差、偏差或改进预测的效果，且在各个规模的数据集上都有很好的策略，数据集大时，可以通过划分成多个小训练集，学习多个模型进行组合；数据集小时，可以利用Bootstrap(自助法)的方法进行抽样，得到多个训练集，分别训练多个模型再进行组合。根据上述原理，根据特征信息(网络参数)得到训练集，通过训练集进行集成学习训练，从而得到网络状态的预测模型，发包时，根据预测情况采取相应的发包策略。请参照图1所示，一种网络状态预测方法，包括以下步骤：S110、接收数据包，并匹配发送所述数据包的链路；通常，根据IP和端口匹配所述数据包对应的链路，由于发包通常是由服务端发送给客户端，所以只要匹配客户端的端口和IP就可以使得客户端与接收到的数据包相对应。S120、解析所述数据包，提取数据包的特征信息作为样本，所述特征信息为网络参数；具体地，网络参数包括但不限于丢包、网络延时及带宽，根据需求可以增加收集的网络参数，例如发包速率，发包大小等与网络传输相关的网络参数。S130、根据样本组成数据集，利用数据集对集成学习模型进行训练；训练时，每一个网络参数训练的数据集是相同的，只是输出的预测结果不同，例如同一数据集训练后得到延时预测结果、丢包预测结果及有效带宽预测结果。请参照图2所示，集成学习训练过程通常包括以下步骤：S1301、将数据集划分为训练集及验证集；优选地，当数据集较大时，根据预设比例进行训练集和验证集的划分，例如以8：2的比例划分训练集和验证集；数据集较小时，通过Bootstrap(自助法)的方法进行抽样，即在原样本中有放回的抽样，重复抽样n次，n为预设次数(预设训练集数量)，由于Bootstrap方法总有未被抽到的数据，因此，将未被抽到的数据作为验证集；数据集大小的判本文档来自技高网...

【技术保护点】
1.一种网络状态预测方法，其特征在于，包括以下步骤：接收数据包，并匹配发送所述数据包的链路；解析所述数据包，提取数据包的特征信息作为样本，所述特征信息为网络参数；根据样本组成数据集，利用数据集对集成学习模型进行训练；根据训练结果生成对应链路的网络状态预测模型；根据所述预测模型匹配发包策略。

【技术特征摘要】
1.一种网络状态预测方法，其特征在于，包括以下步骤：接收数据包，并匹配发送所述数据包的链路；解析所述数据包，提取数据包的特征信息作为样本，所述特征信息为网络参数；根据样本组成数据集，利用数据集对集成学习模型进行训练；根据训练结果生成对应链路的网络状态预测模型；根据所述预测模型匹配发包策略。2.如权利要求1所述的网络状态预测方法，其特征在于，所述的网络参数包括丢包、网络延时及带宽，每一个所述网络参数对应一个预测模型。3.如权利要求1所述的网络状态预测方法，其特征在于，根据IP和端口匹配所述数据包对应的链路。4.如权利要求1-3任一项所述的网络状态预测方法，其特征在于，根据样本组成数据集，使用集成学习法对数据集进行训练；包括以下步骤：将数据集划分为训练集及验证集；对所述的训练集输入至集成学习模型进行集成学习训练，得到初始模型；根据所述初始预测模型，输入所述验证集进行验证：当验证准确率大于或等于预设阈值时，则所述初始模型即为预测模型；当验证准确率小于预设阈值时，增加数据集继续进行集成学习训练，直至验证准确率大于或等于预设阈值。5.如权利要求4所述的网络状态预测方法，其特征在于，对所述的训练集进行集成学习训练，得到训练结果，还包括以下步骤：将所述训练集划分为预设数量的训练子集；对训练子集进行训练，根据基尼指数最小化准则生成预设数量的CART决策树，每一个CART决策树作为一个基分类器；对每个基分类器的预测结果进行投票...

【专利技术属性】
技术研发人员：苑志超，崔文韬，铁智慧，刘奎，
申请(专利权)人：灵长智能科技杭州有限公司，
类型：发明
国别省市：浙江,33