网络健康度测试方法及系统技术方案

技术编号:6504807 阅读:775 留言:0更新日期:2017-05-06 21:21
本发明专利技术提供一种网络健康度测试方法及系统,其中方法包括:收集网络的多个特征值;为所述特征值的特征组合分别设定预置健康度;基于最大熵原理计算每个所述特征组合的最大熵值;将最大的最大熵值对应的特征组合的预置健康度作为所述网络的健康度。本发明专利技术通过收集以往的网络状态,运用最大熵原理,针对当前网络运行特征得出目前网络整理运行状态,最终以健康度的形式展现出来,实现了对网络健康度的评估,克服了人为评估的主观性和不准确性,解决复杂网络情况下人工难以评判的难题。

【技术实现步骤摘要】

本专利技术涉及一种网络健康度测试方法及系统,属于网络

技术介绍
网络健康度评估是用于对网络的健康程度进行评估的技术。例如,流量健康度评估的问题可简单描述为:已知当前时刻前的一组网络状态数据,则当前的网络状态可由已知的这组数据得到,再由网络状态评估出当前的网络健康度。研究表明,现有80%的网络状态都是可评估的,这说明了网络健康度具有高可预测性。对简单网络的健康度可以通过人工评判来完成,但随着网络复杂度的增加,人工评判的难度会成指数级增加,最终导致人工评判难以真实地反应现时的网络状态,从而得不出准确的网络健康度。近几年随着人工智能学说的发展,已开始把人工智能应用于网络状态评估中来,以期解决人工评判的不足和缺点。现有的网络状态的评估可以分为线性预测和非线性预测。其中,自回归移动平均模型(AutoregressiveIntegrated Moving Average Model,简称:ARIMA)作为线性测试方法的代表得到了广泛应用。ARIMA的理论前提是网络状态具有线性宽平稳过程特征。ARIMA的理论提出并验证了网络状态具有多构性,自相似性,突然继发性,提出并论证了网络状态在不同的时间频率尺度上具有自相似性和多尺度特征。但是,现有ARIMA模型预测的精度低,无法准确地描述出网络的全部特征。非线性预测主要是以小波分析和神经网络为代表。但是基于小波模型的预测方法实时性较差。基于神经网络的预测方法,其缺点是收敛速度太慢,并且容易陷入局部次最优。
技术实现思路
本专利技术提供一种网络健康度测试方法及系统,用以解决复杂网络情况下人工难以评判的难题。本专利技术一方面提供一种网络健康度测试方法,其中包括:收集网络的多个特征值;为所述特征值的特征组合分别设定预置健康度;基于最大熵原理计算每个所述特征组合的最大熵值;将最大的最大熵值对应的特征组合的预置健康度作为所述网络的健康度。本专利技术另一方面提供一种网络健康度测试系统,其中包括:收集子系统,用于收集网络的多个特征值,并为所述特征值的特征组合分别设定预置健康度;训练子系统,用于基于最大熵原理计算每个所述特征组合的最大熵值;评估子系统,用于将最大的最大熵值对应的特征组合的预置健康度作为所述网络的健康度。-->本专利技术通过收集以往的网络状态,运用最大熵原理,针对当前网络运行特征得出目前网络整理运行状态,最终以健康度的形式展现出来,实现了对网络健康度的评估,克服了人为评估的主观性和不准确性,解决复杂网络情况下人工难以评判的难题。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本专利技术的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。图1为本专利技术所述网络健康度测试方法实施例的流程图;图2为图1所示方法中步骤130的具体步骤流程图;图3为本专利技术所述网络健康度测试系统实施例的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚,下面将结合本专利技术实施例中的附图,对本专利技术实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本专利技术一部分实施例,而不是全部的实施例。基于本专利技术中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本专利技术保护的范围。图1为本专利技术所述网络健康度测试方法实施例的流程图,如图所示,该方法包括:步骤110,收集网络的多个特征值。其中,特征值是所述网络中通用的特征的经验数据。本步骤中所述的特征值是指所述网络在已经过去的一段时间内上述特征的历史经验数据。例如,根据现有的网络特点,可以整理出如表1所示的五类共计29个特征。表1-->此处需要说明的是:表1所列特征仅用作举例,实际上也可以根据不同的网络情况增加或者减少需要进行评估的特征。在表1中,括号内的数字表示相应特征的特征编号。步骤120,为所述特征值的特征组合分别设定预置健康度。例如,假设有多个特征值分别为:“sunny”、“rain”、“happy”、“sad”和“humid”,根据经验可以设定其中三个特征值的不同特征组合可以具有不用的预置健康度如下:Outdoor sunny sad humidOutdoor rain sad humid...Indoor rain happy humidIndoor sunny sad humid...其中,“Outdoor”和“Indoor”表示两种预置健康度。类似地,对表1所示特征的特征值也可以进行相应设置。例如,一个特征组合及其预置健康度可以表示如下:100 1:1 2:1 3:1 4:1 5:0.5 6:2 7:1 8:1 9:7 10:1 11:1 12:10 13:1 14:115:1 16:1 17:1 18:1 19:1 20:10 21:1 22:1 23:7 24:1 25:1 26:3 27:1 28:129:1,其中,“:”前面的数字对应表1中的特征编号,“:”后面的数字为该特征的值,“100”表示为该特征组合预设的预置健康度。步骤130,基于最大熵原理计算每个所述特征组合的最大熵值。其中,最大熵原理是指从全部相容的分布中挑选这样的分布,它能够在某些约束条件下,通常是给定的某些随机变量的平均值的条件下,使信息熵达到极大值。这是因为信息熵取得极大值时对应的一组概率分布出现的概率占绝对优势。例如:经计算后得到如下结果:Outdoor sunny sad humid 1.0Outdoor rain sad humid 0.2...Indoor rain happy humid 1.0Indoor sunny sad humid 0.1...其中,“0.1”、“1.0”和“0.2”分别表示相应特征组合的最大熵值。训练材料(例如:“Outdoor rain sad humid”)与相应的最大熵值(例如:1.0)相结合可以称为特征模型。-->具体地,可以根据公式一:计算得到最大熵值pλ(y|x),其中,表示归一化因子,λi表示第i种组合时的平滑参数;fi(x,yi)表示特征x和yi同时出现的情况下的概率值;pλ(y|x)表示i种fi(x,yi)组合的最大概率值,即最大熵值。例如,在上例中:在训练材料“Outdoor sunny sad humid”中,i=2,x=“humid”,y1=“sunny”,y2=“sad”;在训练材料“Outdoor rain sad humid”中,i=2,x=“humid”,y1=“rain”,y2=“sad”;在训练材料“Indoor rain happy humid”中,i=2,x=“humid”,y1=“rain”,y2=“happy”;在训练材料“Indoor sunny sad humid”中,i=2,x=“humid”,y1=“sunny”,y2=“sad”。所述平滑参数λi可以采用如下迭代算法实现:一种是通用迭代算法(Generalized Iterative Scaling,简称:GIS):GIS每次迭代的时间都很长,需要迭代很多次才能收敛,而且不太稳定,即使在64位计算机上都会出现溢出。因此,在实际中应用较本文档来自技高网...

【技术保护点】
1.一种网络健康度测试方法,其特征在于,包括:收集网络的多个特征值;为所述特征值的特征组合分别设定预置健康度;基于最大熵原理计算每个所述特征组合的最大熵值;将最大的最大熵值对应的特征组合的预置健康度作为所述网络的健康度。

【技术特征摘要】
1.一种网络健康度测试方法,其特征在于,包括:收集网络的多个特征值;为所述特征值的特征组合分别设定预置健康度;基于最大熵原理计算每个所述特征组合的最大熵值;将最大的最大熵值对应的特征组合的预置健康度作为所述网络的健康度。2.根据权利要求1所述的方法,其特征在于,基于最大熵原理计算每个所述特征组合的最大熵值包括:根据公式计算得到最大熵值pλ(y|x),其中,表示归一化因子,λi表示第i种组合时的平滑参数;fi(x,yi)表示特征x和yi同时出现的情况下的特征值。3.根据权利要求1所述的方法,其特征在于,所述将最大的最大熵值对应的特征组合的预置...

【专利技术属性】
技术研发人员:郭文
申请(专利权)人:北京星网锐捷网络技术有限公司
类型:发明
国别省市:11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1