将匿名网络数据提供给人工智能模型以用于近实时处理制造技术

一种设备可以从网络设备近实时地接收与网络的网络业务相关联的数据的分组，其中该分组包括与隐私有关的数据和与网络有关的数据。设备可以从分组中读取与隐私有关的数据。设备可以基于与隐私有关的数据来生成匿名数据，其中匿名数据使与隐私有关的数据模糊。设备可以在匿名数据和与隐私有关的数据之间生成映射。该设备可以对匿名数据和与网络有关的数据进行组合以生成遮蔽的分组。设备可以向服务器设备提供遮蔽的分组。该设备可以从服务器设备接收标识推荐的数据，该推荐是通过利用人工智能模型处理遮蔽的分组而被生成的。设备可以基于推荐来执行一个或多个动作。推荐来执行一个或多个动作。推荐来执行一个或多个动作。

【技术实现步骤摘要】
将匿名网络数据提供给人工智能模型以用于近实时处理

技术介绍

[0001]网络分析是捕获和分析网络业务的过程。可以执行网络分析以确定网络的一个或多个条件。例如可以执行网络分析以对网络问题进行故障排除、标识安全问题、确定与网络相关联的关键性能指标等。

技术实现思路

[0002]在一些实现中，一种方法包括：由设备并且从网络设备近实时地接收与网络的网络业务相关联的数据分组，其中该分组包括与隐私有关的数据和与网络有关的数据；由所述设备从所述分组中读取与隐私有关的数据；所述设备基于所述分组的与隐私有关的数据生成匿名数据，其中所述匿名数据使所述与隐私有关的数据模糊；所述设备生成所述匿名数据所述与隐私有关的数据之间的映射；所述设备将匿名数据和所述分组的与网络有关的数据进行组合，以生成遮蔽的分组；所述设备向服务器设备提供所述遮蔽的分组；由所述设备并从所述服务器设备接收标识推荐的数据，所述推荐是通过使用人工智能模型处理所述遮蔽的分组而生成的；由所述设备基于标识所述推荐的数据来执行一个或多个动作。
[0003]在一些实现中，一种设备包括一个或多个存储器；以及一个或多个处理器，以通信方式耦合到一个或多个存储器，以：从网络设备近实时地接收与网络的网络业务相关联的数据分组，其中该分组包括与隐私有关的数据和与网络有关的数据；从分组中读取与隐私有关的数据；基于数据分组的与隐私有关的数据来生成匿名数据；生成在匿名数据和与隐私有关的数据之间的映射；对匿名数据和分组的与网络有关的数据进行组合，以生成遮蔽的分组；将遮蔽的分组提供给服务器设备；从服务器设备接收标识推荐的数据，该推荐基于人工智能模型对遮蔽的分组的处理；以及基于匿名数据和与隐私有关的数据之间的映射，将标识推荐的数据与标识网络设备的数据进行关联；以及基于将标识推荐的数据与标识网络设备的数据相关联来执行一个或多个动作。
[0004]在一些实现中，一种存储指令的非暂时性计算机可读介质包括一个或多个指令，当由一个或多个处理器执行时，使一个或多个处理器：从网络设备近实时地接收与网络的网络业务相关联的数据分组，其中所述多个分组包括与隐私有关的数据和与网络有关的数据；从多个分组中读取与隐私有关的数据；基于多个分组的与隐私有关的数据来生成匿名数据；在匿名数据和与隐私有关的数据之间生成映射；对匿名数据和多个分组的与网络有关的数据进行组合，以生成多个遮蔽的分组；将多个遮蔽的分组提供给服务器设备；从服务器设备接收标识一个或多个推荐的数据，推荐基于人工智能模型正在处理的多个遮蔽的分组；以及基于标识一个或多个推荐的数据来执行一个或多个动作。
附图说明
[0005]图1A-1H是本文描述的示例实现的图。
[0006]图2是其中可以实现本文描述的系统和/或方法的示例环境的图。
[0007]图3和图4是图2的一个或多个设备的示例组件的图。
[0008]图5-7是与向人工智能模型提供匿名网络数据以用于近实时处理有关的示例处理的流程图。
具体实施方式
[0009]示例实现的以下具体实施方式参考附图。不同附图中的相同附图标记可以标识相同或相似的元件。
[0010]人工智能模型(例如机器学习模型、深度学习机器学习模型等)可以用于处理网络数据以在网络上执行网络分析。人工智能模型的有效性或准确性、以及因此网络分析的有效性或准确性，都取决于用于训练人工智能模型的数据的质量和数量。最优地，用于训练人工智能模型的数据包括通过网络传输的实际网络数据。在某些情况下，网络设备可以包括用于捕获网络数据的分组捕获工具。然而，分组捕获工具的使用可能要求网络设备利用附加的计算资源(例如处理资源、存储器资源、通信资源等)来实现和/或利用分组捕获工具，并且可能导致网络设备对网络数据的处理的延迟。
[0011]替代地，可以获得汇总的网络数据以用于训练人工智能模型。但是，汇总的数据可以仅包括经由网络传输的网络数据的子集和/或仅包括在网络数据的子集中的数据的摘要或一部分。因此，利用汇总的网络数据来训练人工智能模型可能不如使用网络数据来训练人工智能模型有效。这样，由人工智能模型执行的网络分析可能是不准确和/或不完整的。不正确和/或不完整的网络分析可能导致有关要作出的网络和/或网络设备的不准确和/或不完整的结论，从而浪费了用于基于不准确和/或不完整的结论而实现动作的计算资源。
[0012]此外，网络数据可以包括标识IP地址、端口和/或其他敏感信息的信息(例如在实时网络数据的数据部分中包括的个人标识信息)。因此，可能存在与利用网络数据来训练机器学习模型有关的隐私问题。例如可能需要网络运营商确保以安全的方式存储网络数据，网络分析的结果不包括任意敏感信息等。因此，可以利用计算资源来解决与利用网络数据来训练人工智能模型有关的隐私问题。
[0013]本文描述的一些实现涉及一种本地监视服务器设备，其使网络数据能够被用于训练人工智能模型以基于执行网络分析来生成推荐并解决与利用网络数据来训练人工智能模型相关的隐私问题。例如本地监视服务器设备可以从网络设备接收与通过网络传输的网络业务相关联的数据分组。网络设备可以与处理数据分组并行地将数据分组(例如数据分组的副本)提供给本地监视服务器设备。以这种方式，可以获得网络数据以训练人工智能模型来执行网络分析和/或基于网络分析来生成推荐，而不会影响网络的性能和/或网络设备的性能。
[0014]本地监视服务器设备可以遮蔽数据分组中包括的任意与隐私有关的数据。这样，本地监视服务器设备可以解决与使用数据分组来训练机器学习模型有关的任意隐私问题。此外，遮蔽与隐私有关的数据可以节省计算资源，否则该计算资源将被用于解决隐私问题。
[0015]本地监视服务器设备可以向服务器设备提供包括遮蔽数据的数据分组，该服务器设备使用该数据分组来训练人工智能模型以执行网络分析并基于网络分析来生成推荐。以此方式，本地监视服务器设备可以使网络数据能够被用来训练人工智能模型，从而相对于利用汇总的数据来训练的人工智能模型，增加了与人工智能模型相关联的准确性。
[0016]图1A-1H是本文所述的一个或多个示例实现100的图。如图1A-1H所示，示例100包
括与中央服务器设备和本地监视服务器设备相关联的网络管理系统。网络管理系统可以包括一个或多个设备，该一个或多个设备被配置为标识、配置、监视、更新、故障排除等与网络管理系统相关联的网络中包括的网络设备。
[0017]中央服务器设备可以包括一个或多个设备，该一个或多个设备被配置为训练和/或利用人工智能模型来处理遮蔽的分组以执行网络分析和/或基于网络分析来生成推荐，如以下更详细地所述。本地监视服务器设备可以包括一个或多个设备，该一个或多个设备被配置为基于从多个网络设备接收的数据分组来生成遮蔽的分组，如下面更详细地描述的。
[0018]如图1A所示，并且通过附图标记105，本地监视服务器设备近实时地从多个网络设备接收与网络的网络业务相关联的多个数据分组。在一些实现中，多个数据分组包括数据分组，该数据分组是多个网络设备中的网络设备接收的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：由设备从网络设备近实时地接收与网络的网络业务相关联的数据的分组，其中所述分组包括与隐私有关的数据和与网络有关的数据；由所述设备从所述分组中读取所述与隐私有关的数据；由所述设备基于所述分组的所述与隐私有关的数据来生成匿名数据，其中所述匿名数据使所述与隐私有关的数据模糊；由所述设备生成所述匿名数据和所述与隐私有关的数据之间的映射；由所述设备将所述匿名数据和所述分组的所述与网络有关的数据进行组合，以生成遮蔽的分组；由所述设备向服务器设备提供所述遮蔽的分组；由所述设备从所述服务器设备接收标识推荐的数据，所述推荐是通过利用人工智能模型处理所述遮蔽的分组而被生成的；以及由所述设备基于标识所述推荐的所述数据来执行一个或多个动作。2.根据权利要求1所述的方法，其中执行所述一个或多个动作包括：基于所述匿名数据与所述与隐私有关的数据之间的所述映射，将标识所述推荐的所述数据与标识所述网络设备的数据进行关联；以及基于将标识所述推荐的所述数据与标识所述网络设备的所述数据进行关联，来使所述推荐针对所述网络设备或所述网络而被实现。3.根据权利要求1所述的方法，其中执行所述一个或多个动作包括：基于所述匿名数据和所述与隐私有关的数据之间的所述映射，将标识所述推荐的所述数据与标识所述网络设备的数据进行关联；以及基于将标识所述推荐的所述数据与标识所述网络设备的所述数据进行关联，向与所述网络设备相关联的网络管理系统提供标识所述推荐的所述数据，以允许所述网络管理系统实现针对所述网络设备或所述网络的所述推荐。4.根据权利要求1所述的方法，其中标识所述推荐的所述数据包括所述遮蔽的分组的所述匿名数据。5.根据权利要求1所述的方法，其中所述与隐私有关的数据包括标识以下中的一项或多项的数据：与所述网络设备相关联的接口名称，与所述网络设备相关联的标识符，与所述网络设备相关联的网络地址，与所述网络设备相关联的源端口，或者与所述网络设备相关联的目的地端口。6.根据权利要求1所述的方法，其中所述与网络有关的数据包括标识以下中的一项或多项的数据：与所述网络设备相关联的处理器使用，所述网络设备的温度，与所述网络设备相关联的存储器使用，与所述网络设备相关联的错误，
与所述网络设备相关联的队列使用，或者与所述网络设备相关联的虚拟接口使用。7.根据权利要求1所述的方法，其中所述设备与所述网络设备处理所述分组以向所述分组的目的地转发的同时接收所述分组。8.一种设备，包括：一个或多个存储器；以及一个或多个处理器，被通信地耦合到所述一个或多个存储器，以：从网络设备近实时地接收与网络的网络业务相关联的数据的分组，其中所述分组包括与隐私有关的数据和与网络有关的数据；从所述分组中读取所述与隐私有关的数据；基于所述分组的所述与隐私有关的数据来生成匿名数据；生成在所述匿名数据和所述与隐私有关的数据之间的映射；对所述匿名数据和所述分组的所述与网络有关的数据进行组合，以生成遮蔽的分组；向服务器设备提供所述遮蔽的分组；从所述服务器设备接收标识推荐的数据，所述推荐基于由人工智能模型对所述遮蔽的分组的处理；基于所述匿名数据和所述与隐私有关的数据之间的所述映射，将标识所述推荐的所述数据与标识所述网络设备的数据进行关联；以及基于将标识所述推荐的所述数据与标识所述网络设备的数据进行关联来执行一个或多个动作。9.根据权利要求8所述的设备，其中所述网络设备与数据中心相关联，并且所述分组包括与所述数据中心相关联的数据。10.根据权利要求8所述的设备，其中所述推荐与以下中的一项或多项相关联：减少与所述网络设备相关联的处理器使用，降低所述网络设备的温度，减少与所述...

【专利技术属性】
技术研发人员：P，
申请(专利权)人：瞻博网络公司，
类型：发明
国别省市：