-
公开(公告)号:CN115001937A
公开(公告)日:2022-09-02
申请号:CN202210376991.8
申请日:2022-04-11
申请人: 北京邮电大学
IPC分类号: H04L41/06 , H04L41/147 , H04L41/149 , G06K9/62 , G06N3/04 , G06N3/08 , G16Y40/20 , G16Y40/40
摘要: 本发明提供一种面向智慧城市物联网的故障预测方法及装置,方法包括:获取智慧城市物联网设备的待预测的网络数据;将所述网络数据输入至训练完成的故障预测模型中,得到网络数据的故障预测结果;其中,所述故障预测模型是基于卷积分解操作和改进残差网络结构建立,并将智慧城市物联网设备的特征数据信息作为训练集以及训练集对应的预测标签进行训练得到的。本发明的故障预测模型是基于卷积分解操作和改进残差网络结构建立的,因此能够通过轻量化的模型实现智慧城市物联网设备的故障预测,有效保障智慧城市物联网的安全性及稳健性。
-
公开(公告)号:CN115001997B
公开(公告)日:2024-02-09
申请号:CN202210376980.X
申请日:2022-04-11
申请人: 北京邮电大学
IPC分类号: H04L43/08 , H04L43/0817 , H04L43/16 , H04L41/14
摘要: 为广义帕累托分布求解异常边界阈值打下基础,本发明提供一种基于极值理论的智慧城市 提高了异常边界阈值计算的准确率。网络设备性能异常阈值评估方法,所述方法包括:基于目标性能数据和极大似然估计方法,确定广义帕累托分布模型的目标参数;基于目标参数,确定智慧城市网络设备性能的异常阈值;目标性能数据是基于智慧城市网络设备的运行数据确定的;目标参数包括规模参数和形状参数。本发明提供的基于极值理论的智慧城市网络设备性能异常阈值评估方法,通过使用极大似然估(56)对比文件马跃,彭作祥《.广义误差帕累托分布及其在保险中的应用》《.西南大学学报(自然科学版)》.2017,99-102.
-
公开(公告)号:CN114760190A
公开(公告)日:2022-07-15
申请号:CN202210375177.4
申请日:2022-04-11
申请人: 北京邮电大学
IPC分类号: H04L41/0631 , H04L43/08
摘要: 本发明提供一种面向服务的融合网络性能异常检测方法,所述方法包括:基于第一数据中的性能指标的概率分布,确定第二数据中的性能指标的异常程度值;第一数据为服务异常发生时间前的融合网络性能数据,第二数据为服务异常发生时间后的融合网络性能数据;基于第二数据中的性能指标的异常程度值,确定异常指标根因。本发明提供的一种面向服务的融合网络性能异常检测方法,通过在服务发生异常前后的时间窗口内采集融合网络性能数据的各项性能指标,基于不同类型性能指标在正常区间中的概率分布,确定所有性能指标的异常程度值,从而输出异常指标根因,实现有效地定位异常指标根因。
-
公开(公告)号:CN118445687A
公开(公告)日:2024-08-06
申请号:CN202410600740.2
申请日:2024-05-15
申请人: 北京邮电大学
IPC分类号: G06F18/241 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06N3/096
摘要: 本发明提供一种基于知识蒸馏的网络流量分类方法、装置和设备,该方法包括:获取待分类网络流量;将所述待分类网络流量输入网络流量分类模型,得到所述网络流量分类模型输出的分类结果;所述网络流量分类模型为对教师模型中的网络层划分为多个第一阶段层,并对学生模型中的网络层划分为多个第二阶段层后,再采用知识蒸馏技术对各所述第二阶段层的模型参数进行更新,得到各目标第二阶段层,并基于各所述目标第二阶段层对应的成长反馈系数调整各所述目标第二阶段层中网络层的层数后得到的,所述成长反馈系数用于表征所述学生模型在各所述目标第二阶段层的特征提取能力的变化趋势和所述教师模型中对应第一阶段层的特征提取能力的变化趋势的差距。本发明提供的网络流量分类模型的适用性和泛化性较高,提升了通过学生模型进行网络流量分类时分类结果的准确性。
-
公开(公告)号:CN115001997A
公开(公告)日:2022-09-02
申请号:CN202210376980.X
申请日:2022-04-11
申请人: 北京邮电大学
IPC分类号: H04L43/08 , H04L43/0817 , H04L43/16 , H04L41/14
摘要: 本发明提供一种基于极值理论的智慧城市网络设备性能异常阈值评估方法,所述方法包括:基于目标性能数据和极大似然估计方法,确定广义帕累托分布模型的目标参数;基于目标参数,确定智慧城市网络设备性能的异常阈值;目标性能数据是基于智慧城市网络设备的运行数据确定的;目标参数包括规模参数和形状参数。本发明提供的基于极值理论的智慧城市网络设备性能异常阈值评估方法,通过使用极大似然估计方法确定广义帕累托分布的参数,解决了一般参数估计方法准确率低,性能低效的问题,并且得到的广义帕累托分布的参数更加接近真实值,为广义帕累托分布求解异常边界阈值打下基础,提高了异常边界阈值计算的准确率。
-
公开(公告)号:CN118631823A
公开(公告)日:2024-09-10
申请号:CN202410700696.2
申请日:2024-05-31
申请人: 北京邮电大学
IPC分类号: H04L67/1095 , H04L67/51 , H04L41/0894 , H04L41/0897 , H04L41/16
摘要: 本申请提供一种面向异常感知的服务迁移方法和装置,涉及通信服务技术领域。该方法包括:通过获取不同时间步下目标服务的相关数据,相关数据包括目标服务所在物理网络中的多个网络节点各自的性能数据、不同网络节点之间的物理链路的性能数据、目标服务所属的目标服务组合的运行数据和日志数据;将不同时间步下目标服务的相关数据,输入至预设的Informer模型中,得到目标服务的检测结果;在检测结果为异常服务的情况下,基于多个网络节点各自的环境状态生成目标服务对应的服务迁移策略,并基于服务迁移策略对目标服务执行迁移操作,解决了现有技术中在目标服务异常失效后才进行迁移导致服务迁移的时效性较差的问题,从而有效地提高了服务迁移的时效性。
-
公开(公告)号:CN114978956B
公开(公告)日:2024-04-09
申请号:CN202210386525.8
申请日:2022-04-11
申请人: 北京邮电大学
IPC分类号: H04L43/0817 , H04L43/50
摘要: 本发明提供一种智慧城市网络设备性能异常突变点检测方法及装置,该方法包括:基于极值理论根据智慧城市网络设备的性能指标的历史时间序列数据获取第一阈值和第二阈值;其中,所述第一阈值大于所述第二阈值;根据所述历史时间序列数据中大于所述第一阈值或小于所述第二阈值的元素,确定Prophet模型的突变点;基于所述Prophet模型根据所述突变点对所述历史时间序列数据进行拟合,获取所述历史时间序列的拟合曲线;根据所述拟合曲线,判断所述智慧城市网络设备的性能指标的当前数据是否异常。本发明使得Prophet的趋势项可以更好地拟合,提高性能指标异常检测的准确率。
-
公开(公告)号:CN114760190B
公开(公告)日:2023-06-20
申请号:CN202210375177.4
申请日:2022-04-11
申请人: 北京邮电大学
IPC分类号: H04L41/0631 , H04L43/08
摘要: 本发明提供一种面向服务的融合网络性能异常检测方法,所述方法包括:基于第一数据中的性能指标的概率分布,确定第二数据中的性能指标的异常程度值;第一数据为服务异常发生时间前的融合网络性能数据,第二数据为服务异常发生时间后的融合网络性能数据;基于第二数据中的性能指标的异常程度值,确定异常指标根因。本发明提供的一种面向服务的融合网络性能异常检测方法,通过在服务发生异常前后的时间窗口内采集融合网络性能数据的各项性能指标,基于不同类型性能指标在正常区间中的概率分布,确定所有性能指标的异常程度值,从而输出异常指标根因,实现有效地定位异常指标根因。
-
公开(公告)号:CN115001937B
公开(公告)日:2023-06-16
申请号:CN202210376991.8
申请日:2022-04-11
申请人: 北京邮电大学
IPC分类号: H04L41/06 , H04L41/147 , H04L41/149 , G06F18/214 , G06N3/0464 , G06N3/08 , G16Y40/20 , G16Y40/40
摘要: 本发明提供一种面向智慧城市物联网的故障预测方法及装置,方法包括:获取智慧城市物联网设备的待预测的网络数据;将所述网络数据输入至训练完成的故障预测模型中,得到网络数据的故障预测结果;其中,所述故障预测模型是基于卷积分解操作和改进残差网络结构建立,并将智慧城市物联网设备的特征数据信息作为训练集以及训练集对应的预测标签进行训练得到的。本发明的故障预测模型是基于卷积分解操作和改进残差网络结构建立的,因此能够通过轻量化的模型实现智慧城市物联网设备的故障预测,有效保障智慧城市物联网的安全性及稳健性。
-
公开(公告)号:CN114978956A
公开(公告)日:2022-08-30
申请号:CN202210386525.8
申请日:2022-04-11
申请人: 北京邮电大学
IPC分类号: H04L43/0817 , H04L43/50
摘要: 本发明提供一种智慧城市网络设备性能异常突变点检测方法及装置,该方法包括:基于极值理论根据智慧城市网络设备的性能指标的历史时间序列数据获取第一阈值和第二阈值;其中,所述第一阈值大于所述第二阈值;根据所述历史时间序列数据中大于所述第一阈值或小于所述第二阈值的元素,确定Prophet模型的突变点;基于所述Prophet模型根据所述突变点对所述历史时间序列数据进行拟合,获取所述历史时间序列的拟合曲线;根据所述拟合曲线,判断所述智慧城市网络设备的性能指标的当前数据是否异常。本发明使得Prophet的趋势项可以更好地拟合,提高性能指标异常检测的准确率。
-
-
-
-
-
-
-
-
-