网络容量与性能瓶颈预测分析系统、方法、装置、设备和存储介质与流程

摘要: 本技术涉及计算机网络,特别是涉及一种网络容量与性能瓶颈预测分析系统、方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。背景技术:1、随着云计算、大数据...
网络容量与性能瓶颈预测分析系统、方法、装置、设备和存储介质与流程

本技术涉及计算机网络,特别是涉及一种网络容量与性能瓶颈预测分析系统、方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术:

1、随着云计算、大数据、人工智能等技术在能源、铁路、制造等工业行业的深度落地,工业数据中心网络的规模与复杂度呈指数级增长,网络承载的核心业务对可靠性与连续性要求极高。

2、在传统网络运维模式中,仅能提取单一时间尺度的基础统计特征与简单时序关联特征,无法同时捕捉网络运行的多尺度规律、设备间复杂的因果依赖关系以及动态拓扑演化特性,导致预测模型泛化能力差、预测准确率低,难以适配复杂多变的工业网络场景。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种网络容量与性能瓶颈预测分析系统、方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面,本技术提供了一种网络容量与性能瓶颈预测分析系统,所述系统包括:数据采集模块、多源异构数据预处理模块、多级特征提取模块、多任务预测模型训练模块、容量与瓶颈预测模块、ip(internet protocol,互联网协议)地址全生命周期管理集成模块以及可视化智能告警模块;

3、所述数据采集模块,用于采集包括网络历史运行数据、动态网络拓扑结构数据、ip地址全生命周期管理数据以及业务流量特征数据的多源异构数据;

4、所述多源异构数据预处理模块,用于对所述多源异构数据进行清洗、归一化、时序对齐及异构数据融合,生成标准化多模态数据集;

5、所述多级特征提取模块,用于对所述标准化多模态数据集进行多级联合特征提取,生成多级融合特征;

6、所述多任务预测模型训练模块,用于基于所述多级融合特征训练多任务深度神经网络模型;所述多任务深度神经网络模型包含容量预测分支、性能瓶颈预测分支和全网影响评估分支;

7、所述容量与瓶颈预测模块,用于将实时网络数据输入所述多任务深度神经网络模型,通过所述容量预测分支、所述性能瓶颈预测分支和所述全网影响评估分支分别进行处理,输出设备资源容量消耗预测结果、性能瓶颈预测结果和全网业务影响评估报告;

8、所述 ip 地址全生命周期管理集成模块,用于统一管理全网 ip 地址资源,并将ip地址的分配、使用及变更数据实时同步至所述容量与瓶颈预测模块;

9、所述可视化智能告警模块,用于可视化展示各类预测结果,并在预测到网络风险时输出分级告警与优化处置建议。

10、在其中一个实施例中,所述多任务深度神经网络模型采用融合门控机制的架构;所述多任务深度神经网络模型还包括共享特征层,所述共享特征层包含 2 层全连接层,用于提取跨任务的通用特征;所述容量预测分支为回归任务分支,用于输出各网络设备在未来预设时长的资源消耗量;所述性能瓶颈预测分支为分类任务分支,用于输出各设备与链路的瓶颈等级,所述瓶颈等级包括无风险、低风险、中风险以及高风险;所述全网影响评估分支为回归任务分支,用于输出业务变更对全网业务性能的影响程度。

11、第二方面,本技术还提供了一种网络容量与性能瓶颈预测分析方法,应用于如上述实施例所述的网络容量与性能瓶颈预测分析系统,所述方法包括:

12、采集包括网络历史运行数据、动态网络拓扑结构数据、ip 地址全生命周期管理数据以及业务流量特征数据的多源异构数据;对所述多源异构数据进行清洗、归一化、时序对齐及异构数据融合,生成标准化多模态数据集;

13、对所述标准化多模态数据集进行多级联合特征提取,生成多级融合特征;基于所述多级融合特征训练多任务深度神经网络模型;所述多任务深度神经网络模型包含容量预测分支、性能瓶颈预测分支和全网影响评估分支;

14、将实时网络数据输入所述多任务深度神经网络模型,通过所述容量预测分支、所述性能瓶颈预测分支和所述全网影响评估分支分别进行处理,输出设备资源容量消耗预测结果、性能瓶颈预测结果及全网业务影响评估报告;

15、可视化展示各类预测结果,并在预测到网络风险时输出分级告警与优化处置建议。

16、在其中一个实施例中,所述对所述标准化多模态数据集进行多级联合特征提取,包括:

17、对所述标准化多模态数据集进行多尺度动态统计与异常特征提取,输出第一级多尺度统计特征;基于所述第一级多尺度统计特征进行多设备时序因果关联与注意力特征提取,输出第二级设备因果关联特征;基于所述第二级设备因果关联特征进行动态时空图注意力与业务路径加权特征提取,输出第三级动态时空拓扑与业务路径加权特征。

18、在其中一个实施例中,所述对所述标准化多模态数据集进行多尺度动态统计与异常特征提取,输出第一级多尺度统计特征,包括:

19、将所述标准化多模态数据集按时间粒度划分为细粒度、中粒度以及粗粒度三个时间尺度的子数据集;针对各时间尺度的子数据集,计算各网络指标的基础统计特征以及,并采用引入时间权重的改进孤立森林算法识别异常特征;拼接三个所述时间尺度的所述基础统计特征、所述基础统计特征以及异常特征,得到所述第一级多尺度统计特征。

20、在其中一个实施例中,所述基于所述第一级多尺度统计特征进行多设备时序因果关联与注意力特征提取,输出第二级设备因果关联特征,包括:

21、将所述第一级多尺度统计特征按设备维度分组,生成各设备的时序特征序列;通过多尺度时序transformer网络编码所述时序特征序列,以提取设备内部的多尺度时序依赖特征;采用格兰杰因果检验分析设备间的时序因果关系,构建设备因果关系矩阵,以所述设备因果关系矩阵为注意力掩码,通过因果注意力机制融合所述时序特征序列,以提取设备间的因果关联特征;拼接所述多尺度时序依赖特征与所述因果关联特征,得到所述第二级设备因果关联特征。

22、在其中一个实施例中,所述基于所述第二级设备因果关联特征进行动态时空图注意力与业务路径加权特征提取,输出第三级动态时空拓扑与业务路径加权特征,包括:

23、根据所述第二级设备因果关联特征通过时空图注意力网络的空间注意力头,结合动态图与因果关系矩阵聚合邻居特征,提取多时间步的空间拓扑特征并通过时间注意力头融合所述空间拓扑特征,提取时空演化特征;根据业务重要性与流量计算各活跃业务路径的权重,聚合路径节点特征,生成业务路径加权特征;拼接所述时空演化特征与所述业务路径加权特征,得到所述第三级动态时空拓扑与业务路径加权特征。

24、第三方面,本技术还提供了一种网络容量与性能瓶颈预测分析装置,应用于如上述实施例所述的网络容量与性能瓶颈预测分析系统,所述装置包括:

25、数据采集单元,用于采集包括网络历史运行数据、动态网络拓扑结构数据、ip 地址全生命周期管理数据以及业务流量特征数据的多源异构数据;对所述多源异构数据进行清洗、归一化、时序对齐及异构数据融合,生成标准化多模态数据集;

26、特征提取单元,用于对所述标准化多模态数据集进行多级联合特征提取,生成多级融合特征;基于所述多级融合特征训练多任务深度神经网络模型;所述多任务深度神经网络模型包含容量预测分支、性能瓶颈预测分支和全网影响评估分支;

27、结果预测单元,用于将实时网络数据输入所述多任务深度神经网络模型,通过所述容量预测分支、所述性能瓶颈预测分支和所述全网影响评估分支分别进行处理,输出设备资源容量消耗预测结果、性能瓶颈预测结果及全网业务影响评估报告;

28、结果展示单元,用于可视化展示各类预测结果,并在预测到网络风险时输出分级告警与优化处置建议。

29、第四方面,本技术还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:

30、采集包括网络历史运行数据、动态网络拓扑结构数据、ip 地址全生命周期管理数据以及业务流量特征数据的多源异构数据;对所述多源异构数据进行清洗、归一化、时序对齐及异构数据融合,生成标准化多模态数据集;对所述标准化多模态数据集进行多级联合特征提取,生成多级融合特征;基于所述多级融合特征训练多任务深度神经网络模型;所述多任务深度神经网络模型包含容量预测分支、性能瓶颈预测分支和全网影响评估分支;将实时网络数据输入所述多任务深度神经网络模型,通过所述容量预测分支、所述性能瓶颈预测分支和所述全网影响评估分支分别进行处理,输出设备资源容量消耗预测结果、性能瓶颈预测结果及全网业务影响评估报告;可视化展示各类预测结果,并在预测到网络风险时输出分级告警与优化处置建议。

31、第五方面,本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:

32、采集包括网络历史运行数据、动态网络拓扑结构数据、ip 地址全生命周期管理数据以及业务流量特征数据的多源异构数据;对所述多源异构数据进行清洗、归一化、时序对齐及异构数据融合,生成标准化多模态数据集;对所述标准化多模态数据集进行多级联合特征提取,生成多级融合特征;基于所述多级融合特征训练多任务深度神经网络模型;所述多任务深度神经网络模型包含容量预测分支、性能瓶颈预测分支和全网影响评估分支;将实时网络数据输入所述多任务深度神经网络模型,通过所述容量预测分支、所述性能瓶颈预测分支和所述全网影响评估分支分别进行处理,输出设备资源容量消耗预测结果、性能瓶颈预测结果及全网业务影响评估报告;可视化展示各类预测结果,并在预测到网络风险时输出分级告警与优化处置建议。

33、第六方面,本技术还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:

34、采集包括网络历史运行数据、动态网络拓扑结构数据、ip 地址全生命周期管理数据以及业务流量特征数据的多源异构数据;对所述多源异构数据进行清洗、归一化、时序对齐及异构数据融合,生成标准化多模态数据集;对所述标准化多模态数据集进行多级联合特征提取,生成多级融合特征;基于所述多级融合特征训练多任务深度神经网络模型;所述多任务深度神经网络模型包含容量预测分支、性能瓶颈预测分支和全网影响评估分支;将实时网络数据输入所述多任务深度神经网络模型,通过所述容量预测分支、所述性能瓶颈预测分支和所述全网影响评估分支分别进行处理,输出设备资源容量消耗预测结果、性能瓶颈预测结果及全网业务影响评估报告;可视化展示各类预测结果,并在预测到网络风险时输出分级告警与优化处置建议。

35、上述网络容量与性能瓶颈预测分析系统、方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,首先通过数据采集模块采集包括网络历史运行数据、动态网络拓扑结构数据、ip 地址全生命周期管理数据以及业务流量特征数据的多源异构数据;然后通过多源异构数据预处理模块对多源异构数据进行清洗、归一化、时序对齐及异构数据融合,生成标准化多模态数据集;再通过多级特征提取模块对标准化多模态数据集进行多级联合特征提取,生成多级融合特征;最后通过容量与瓶颈预测模块将实时网络数据输入经训练的多任务深度神经网络模型,通过容量预测分支、性能瓶颈预测分支和全网影响评估分支分别进行处理,输出设备资源容量消耗预测结果、性能瓶颈预测结果和全网业务影响评估报告。本技术通过多级联合特征提取体系与多任务深度神经网络模型,实现资源容量精准预测、性能瓶颈提前预警、变更风险量化评估、全网影响连锁分析,同时集成 ip 地址全生命周期管理,形成“预测 - 告警 - 处置 - 优化”的闭环运维体系,从而提高了预测模型的泛化能力以及预测准确率,并提升了网络运维的智能化水平与业务保障能力,能够适配复杂多变的工业网络场景。