一种网络抖动优化方法和系统技术方案

本发明专利技术公开了一种网络抖动优化方法和系统，涉及网络优化领域。该方法包括：对数据平面中实时应用数据的网络拓扑数据、设备参数数据、路由策略数据和网络流量数据进行组合搭配，将搭配后的实时应用数据输入训练后的预设模型进行网络抖动预测，获得网络抖动数值，根据所述网络抖动数值，执行预设优化算法调整所述数据平面的配置参数，获得优化网络抖动后的实时应用数据，通过预设机器模型对网络抖动进行预测不占用带宽、能够实时得到抖动数据、并且预测准确度高，从而能够更好的对网络抖动进行优化。行优化。行优化。

【技术实现步骤摘要】
一种网络抖动优化方法和系统


[0001]本专利技术涉及网络优化领域，尤其涉及一种网络抖动优化方法和系统。

技术介绍

[0002]网络抖动在实时应用中往往要求严格，比如网络语音电话和网络视频等等。工业互联网不断崛起的大环境下，实时性要求高的应用必不可少，对网络抖动进行优化也势在必行。SDN是一种新型网络架构，它的控制平面和数据平面解耦合，底层网络设施和应用程序分离。控制平面有很强的计算能力，为机器学习模型提供了计算条件，更有利于实时的网络抖动的预测和网络抖动的优化。并且SDN控制器的一项关键职责是优化网络服务质量，这和网络抖动优化的最终目标相一致，因此我们尝试把SDN作为系统架构。SDN具有很强的实用性，谷歌已经部署了一个连接其全球数据中心的SDN，事实证明， SDN帮助谷歌公司提高了运营效率、显著降低了成本。近些年硬件水平的不断提高，机器学习得到了极大的发展，在预测和优化等领域得到了越来越广泛的应用。使用机器学习对网络抖动进行预测的优点有以下几点。首先，机器学习模型运算速度快；其次，机器学习模型具有很强的信息综合能力，可以充分逼近任意复杂的非线性关系。
[0003]在网络抖动预测方面，传统的网络抖动预测往往是使用数学模型或者使用探测数据包。使用数学模型的方式要么过于复杂无法在预测系统中实现，要么过于简单无法对于抖动进行高精度的预测。使用探测数据包的方法，需要占用大量的带宽，而且无法实时的得出数据。
[0004]在网络抖动优化方面，传统的方法主要是在接收方设置缓冲区。要么设置固定的缓冲区，要么设置管理员可控的动态缓冲区，这两种方法都可以在一定程度上降低网络抖动带来的影响。但是这种方法有一定的弊端，不够智能，无法面对极端的突发的情况。

技术实现思路

[0005]本专利技术所要解决的技术问题是针对现有技术的不足，提供一种网络抖动优化方法和系统。
[0006]本专利技术解决上述技术问题的技术方案如下：
[0007]一种网络抖动优化方法，包括：
[0008]S1，对数据平面中实时应用数据的网络拓扑数据、设备参数数据、路由策略数据和网络流量数据进行组合搭配；
[0009]S2，将搭配后的实时应用数据输入训练后的预设模型进行网络抖动预测，获得网络抖动数值；
[0010]S3，根据所述网络抖动数值，执行预设优化算法调整所述数据平面的配置参数，获得优化网络抖动后的实时应用数据。
[0011]本专利技术的有益效果是：本方案将搭配后的实时应用数据输入训练后的预设模型进行网络抖动预测，获得网络抖动数值，根据所述网络抖动数值，执行预设优化算法调整所述
数据平面的配置参数，获得优化网络抖动后的实时应用数据，通过预设机器模型对网络抖动进行预测不占用带宽、能够实时得到抖动数据、并且预测准确度高，从而能够更好的对网络抖动进行优化。
[0012]通过本方案网络抖动预测包容性强、能够处理更加极端的网络抖动；实时性强、对于突发情况能够及时处理；具有智能化特性、能够自动的识别并处理网络抖动；
[0013]解决实时性数据传输过程中网络抖动过大的问题，提高网络服务质量。
[0014]进一步地，还包括：当网络抖动数值不满足预设要求时，重新获取实时应用数据，继续执行S1
‑
S2的步骤，直至所述网络抖动数值满足预设要求，则继续执行S3步骤。
[0015]进一步地，还包括：
[0016]收集数据平面的多类数据；
[0017]根据所述多类数据生成网络抖动数据和网络延迟数据；
[0018]并获取所述网络抖动数据和所述网络延迟数据对应的网络流量数据、网络拓扑数据、设备参数数据、路由策略数据；
[0019]通过所述网络抖动数据、所述网络延迟数据、所述网络流量数据、所述网络拓扑数据、所述设备参数数据和所述路由策略数据对预设模型进行训练，获得训练后的预设模型。
[0020]进一步地，还包括：对所述预设模型进行精度测试，判断所述训练后的预设模型是否满足精度需求，得到第一判断结果；
[0021]所述将搭配后的实时应用数据输入训练后的预设模型进行网络抖动预测，具体包括：
[0022]当所述第一判断结果为是时，将搭配后的实时应用数据输入训练后的预设模型进行网络抖动预测。
[0023]进一步地，所述多类数据包括：网络流量数据、网络拓扑数据、设备参数数据、路由策略数据、网络抖动数据和网络延迟数据。
[0024]本专利技术解决上述技术问题的另一种技术方案如下：
[0025]一种网络抖动优化系统，包括：数据组合搭配模块、抖动预测模块和优化模块；
[0026]所述数据组合搭配模块用于对数据平面中实时应用数据的网络拓扑数据、设备参数数据、路由策略数据和网络流量数据进行组合搭配；
[0027]所述抖动预测模块用于将搭配后的实时应用数据输入训练后的预设模型进行网络抖动预测，获得网络抖动数值；
[0028]所述优化模块用于根据所述网络抖动数值，执行预设优化算法调整所述数据平面的配置参数，获得优化网络抖动后的实时应用数据。
[0029]本专利技术的有益效果是：本方案将搭配后的实时应用数据输入训练后的预设模型进行网络抖动预测，获得网络抖动数值，根据所述网络抖动数值，执行预设优化算法调整所述数据平面的配置参数，获得优化网络抖动后的实时应用数据，通过预设机器模型对网络抖动进行预测不占用带宽、能够实时得到抖动数据、并且预测准确度高，从而能够更好的对网络抖动进行优化。
[0030]通过本方案网络抖动预测包容性强、能够处理更加极端的网络抖动；实时性强、对于突发情况能够及时处理；具有智能化特性、能够自动的识别并处理网络抖动；
[0031]解决实时性数据传输过程中网络抖动过大的问题，提高网络服务质量。
[0032]进一步地，还包括：循环预测模块，用于当网络抖动数值不满足预设要求时，重新获取实时应用数据，继续执行组合搭配和网络抖动预测的步骤，直至所述网络抖动数值满足预设要求，则继续执行优化网络抖动步骤。
[0033]进一步地，还包括：模型训练模块，用于收集数据平面的多类数据；
[0034]根据所述多类数据生成网络抖动数据和网络延迟数据；
[0035]并获取所述网络抖动数据和所述网络延迟数据对应的网络流量数据、网络拓扑数据、设备参数数据、路由策略数据；
[0036]通过所述网络抖动数据、所述网络延迟数据、所述网络流量数据、所述网络拓扑数据、所述设备参数数据和所述路由策略数据对预设模型进行训练，获得训练后的预设模型。
[0037]进一步地，还包括：精度测试模块，用于对所述预设模型进行精度测试，判断所述训练后的预设模型是否满足精度需求，得到第一判断结果；
[0038]所述抖动预测模块具体用于当所述第一判断结果为是时，将搭配后的实时应用数据输入训练后的预设模型进行网络抖动预测。
[0039]进一步地，所述多类数据包括：网络流量数据、网络拓扑数据、设备参数数据、路由策本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络抖动优化方法，其特征在于，包括：S1，对数据平面中实时应用数据的网络拓扑数据、设备参数数据、路由策略数据和网络流量数据进行组合搭配；S2，将搭配后的实时应用数据输入训练后的预设模型进行网络抖动预测，获得网络抖动数值；S3，根据所述网络抖动数值，执行预设优化算法调整所述数据平面的配置参数，获得优化网络抖动后的实时应用数据。2.根据权利要求1所述的一种网络抖动优化方法，其特征在于，还包括：当网络抖动数值不满足预设要求时，重新获取实时应用数据，继续执行S1
‑
S2的步骤，直至所述网络抖动数值满足预设要求，则继续执行S3步骤。3.根据权利要求1所述的一种网络抖动优化方法，其特征在于，还包括：收集数据平面的多类数据；根据所述多类数据生成网络抖动数据和网络延迟数据；并获取所述网络抖动数据和所述网络延迟数据对应的网络流量数据、网络拓扑数据、设备参数数据、路由策略数据；通过所述网络抖动数据、所述网络延迟数据、所述网络流量数据、所述网络拓扑数据、所述设备参数数据和所述路由策略数据对预设模型进行训练，获得训练后的预设模型。4.根据权利要求3所述的一种网络抖动优化方法，其特征在于，还包括：对所述预设模型进行精度测试，判断所述训练后的预设模型是否满足精度需求，得到第一判断结果；所述将搭配后的实时应用数据输入训练后的预设模型进行网络抖动预测，具体包括：当所述第一判断结果为是时，将搭配后的实时应用数据输入训练后的预设模型进行网络抖动预测。5.根据权利要求3所述的一种网络抖动优化方法，其特征在于，所述多类数据包括：网络流量数据、网络拓扑数据、设备参数数据、路由策略数据、网络抖动数据和网络延迟数据。6.一种网络抖动优化系统，其特征在于，包括：数据组合搭...

【专利技术属性】
技术研发人员：徐浩，刘辉，万现斌，张新常，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：