[发明专利]一种识别流量瓶颈的方法和装置

说明书

本发明提供了一种识别流量瓶颈的方法和装置，方法包括：获取网络对象的流量数据，筛选出不满足流量预测条件的网络对象；对所述不满足流量预测条件的网络对象进行流量预测；通过所述流量预测的结果，识别所述不满足流量预测条件的网络对象的流量瓶颈。本发明通过科学的建立不满足预测条件的网络对象和满足预测条件的网络对象之间的关系，利用满足预测条件的网络对象的流量数据及其预测池，对不满足预测条件的网络对象的流量数据进行相识度计算和拟合，实现对不满足预测条件的网络对象的流量预测，进而识别出不满足预测条件的网络对象的流程瓶颈，预测周期长，瓶颈识别准确率高，为后期网络的智能运维及其带宽的调整奠定了基础。

技术领域

本发明涉及分组网络智能运维技术领域，特别是涉及一种识别流量瓶颈的方法和装置。

背景技术

随着通信技术的发展，网络规模呈现出迅速增长的趋势，运营商网络拓扑结构以及业务类型的复杂度也日渐升高，为了更加高效地利用网络资源，需要不断加强网络对象的预测力度和运维力度，以满足日益增加的需求，具体的，网络资源的调整，是根据网络对象的流量数据的采集、分析、预测、处理这一过程循环进行的，通过预测的结果，来识别网络的瓶颈，进而指导网络资源的调整，流量数据预测作为其中一个环节，流量数据预测的准确性，才能使整个网络资源调整工作有的放矢，不仅如此，流量数据预测还可以帮助检测网络中的攻击，越早检测出这些问题，就可以获得越可靠的网络服务，如何更好的理解并且正确预测网络的行为成为信息技术发展中至关重要的一环。

关于网络对象流量数据的预测，当前也引入了一些AI技术来识别网络对象的流量数据预测，通过建立数据训练模型来对流量数据进行预测，在现有的训练模型中，对单个网络对象训练得到的训练模型只针对当前网络对象有较高准确率，而无法泛化预测其他网络对象，当网络对象较多时，对每个网络对象进行训练，效率低、成本高，而多个网络对象一起训练时，得到的训练模型又无法保证准确率，难以实现真正预测流量瓶颈，传统的统计分析算法，例如，ARIMA(Autoregressive Integrated Moving Average model，差分整合移动平均自回归模型)，对短周期预测较为有效，对长周期预测效果不理想；另外，受到多种因素影响，网络拓扑结构中的网络对象时刻处于动态的过程中，网络对象的宏观流量行为往往复杂多变，例如，有新增的，或者运行异常的，流量数据中既含有多种周期类波动，又会有非线性升、降趋势，还受到不确定的随机因素的干扰，经常存在网络对象训练数据缺失导致无法有效训练的问题，使得训练模型出现较大误差，这是因为，这些模型都是基于一定样本量数据的基础上建立的，一旦可用的样本量数据不足，这部分网络对象的流量数据不会被纳入训练范围，也谈不上对这部分网络对象进行流量预测，更谈不上去识别这部分网络对象的流量瓶颈，可以很客观的说，无论是新增的、运行异常的、还是其他原因导致样本数量不足的这部分网络对象，反而更值得关注，更需要对其进行流量预测和流量瓶颈识别。

鉴于此，克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。

发明内容

面对运营商网络拓扑结构中日益纷繁复杂的网络对象，特别是针对样本流量数据不足的网络对象，本发明提供的一种识别流量瓶颈的方法，为样本流量数据不足的网络对象的流量瓶颈识别提供了一种可行的解决方案。

本发明首要解决的技术问题是：如何在样本流量数据不足的情况下，实现不满足流量预测条件的网络对象的流量预测，进而实现不满足流量预测条件的网络对象的流量瓶颈识别的问题。

本发明进一步要解决的技术问题是：在实现不满足流量预测条件的网络对象的流量瓶颈识别的问题过程中，突破传统的对单个网络对象训练得到的训练模型只针对该网络对象有较高准确率，而无法泛化预测其他网络对象的问题。

本发明进一步要解决的技术问题是：在实现不满足流量预测条件的网络对象的流量瓶颈识别的问题过程中，克服传统的流量预测对长周期预测效果不理想的问题。

为了解决上述技术问题：

第一方面，本发明提供了一种识别流量瓶颈的方法，方法包括：