一种SD-WAN智能流量调度优化方法及系统与流程

本发明涉及流量智能调度，具体涉及一种sd-wan智能流量调度优化方法及系统。

背景技术：

1、随着企业网络规模的不断扩大和网络应用的增多，软件定义广域网（sd-wan）作为一种新一代的网络架构，逐渐成为企业网络的重要组成部分。sd-wan通过集中式控制和智能路由提供了更灵活、高效的网络连接方式，使企业能够更好地管理和优化网络流量。然而，在复杂的网络环境中，网络流量的动态变化和不确定性常常导致网络性能的波动和异常情况的出现。传统的流量调度方法大多依赖于预定义的规则和静态参数，这些规则和参数可能难以适应网络环境的动态变化。同时，传统的流量调度方法通常未能充分利用流量数据中的潜在信息，导致性能优化的潜力未能得到充分发挥。

2、为了解决这些问题，通常会对流量数据进行深度数据解析，从而提炼流量数据的多维特征向量，并通过降维方法对多维特征向量进行降维，常用的降维方法有pca降维，该降维方法能够在多维特征向量中找到关键的特征，辅助系统更好地理解和适应网络状态的动态变化。传统的pca降维算法通常选择使用方差解释率特征值来进行参数的选择，但是在与流量调度相结合并自适应地调整pca降维的参数时，由于流量数据的多维特征向量是通过流量深度解析获取的，多维特征向量之间可能存在较强的相关性，而向量特征之间过强的相关性会导致找到的具有高方差的主成分可能并不代表找到了真正包含最重要信息的方向。相关性较强的特征可能导致主成分的方向不够清晰，从而降低了主成分的解释性，进而使得sd-wan智能流量调度的可信度较低。

技术实现思路

1、为了解决现有方法在对sd-wan的流量数据进行分析时存在的分析结果准确度较低的问题，进而使得sd-wan流量调度的可信度较低的问题，本发明的目的在于提供一种sd-wan智能流量调度优化方法及系统，所采用的技术方案具体如下：

2、第一方面，本发明提供了一种sd-wan智能流量调度优化方法，该方法包括以下步骤：

3、获取sd-wan中的流量数据包，基于所述流量数据包获取每个维度对应的序列；

4、基于每个维度对应的序列中的数据分别对每个维度对应的序列中的数据进行若干次聚类获得每个维度在每种聚类方式下对应的各聚类结果；根据每个维度在每种聚类方式下对应的各聚类结果与聚类中心之间的数据值的差异、每个维度在每种聚类方式下对应的各聚类结果中数据的波动情况、每个维度在不同聚类方式下对应的聚类结果与其他每个维度不同聚类方式下对应的聚类结果之间的差异，得到每个维度对其他特征的影响评价值；

5、根据每个维度对应的序列与其他维度对应的序列之间的协方差、每个维度对应的序列中数据的种类数和所述影响评价值，获得对应的修正后的协方差；基于所述修正后的协方差构建目标协方差矩阵；

6、基于所述目标协方差矩阵对sd-wan的流量进行调度。

7、优选的，所述基于每个维度对应的序列中的数据分别对每个维度对应的序列中的数据进行若干次聚类获得每个维度在每种聚类方式下对应的各聚类结果，包括：

8、对于第k个维度对应的序列：

9、采用均值漂移聚类算法对第k个维度对应的序列中的数据进行聚类获得若干个第一聚类结果；

10、分别基于第k个维度对应的序列中的每个数据和与其所在行的其他维度的每个数据，构建第k个维度与其他每个维度对应的若干个二元组；

11、对于除第k个维度外的第j个维度：分别采用均值漂移聚类算法对第k个维度与除第k个维度外的每个维度对应的所有二元组进行聚类，获得第k个维度与除第k个维度外的每个维度的聚类结果。

12、优选的，所述根据每个维度在每种聚类方式下对应的各聚类结果与聚类中心之间的数据值的差异、每个维度在每种聚类方式下对应的各聚类结果中数据的波动情况、每个维度在不同聚类方式下对应的聚类结果与其他每个维度不同聚类方式下对应的聚类结果之间的差异，得到每个维度对其他特征的影响评价值，包括：

13、对于第k个维度：

14、对于任一聚类结果：根据该聚类结果中每个数据和聚类中心之间的差异，获得该聚类结果所对应的离散指标；

15、根据第k个维度与除第k个维度外的每个维度的聚类结果所对应的离散指标、第k个维度与除第k个维度外的每个维度的聚类结果中数据的方差，得到第k个维度的影响程度值，所述第k个维度与除第k个维度外的每个维度的聚类结果所对应的离散指标和第k个维度与除第k个维度外的每个维度的聚类结果中数据的方差均与所述影响程度值呈负相关关系；

16、对于除第k个维度外的第j个维度：根据第k个维度与除第k个维度外的第j个维度的每个聚类结果所对应的离散指标、第k个维度与除第k个维度外的第j个维度的每个聚类结果中第k个维度数据的方差，得到第k个维度对第j个维度的影响指标，所述第k个维度与除第k个维度外的第j个维度的每个聚类结果所对应的离散指标和第k个维度与除第k个维度外的第j个维度的每个聚类结果中第k个维度数据的方差均与所述影响指标呈负相关关系；基于所述影响指标和所述影响程度值，确定第k个维度对第j个维度的影响评价值。

17、优选的，所述离散指标的获取，包括：

18、对于第k个维度与除第k个维度外的第j个维度的任意一个聚类结果：将该聚类结果中每个第j个维度数据与聚类中心对应的第j个维度数据之间的差异记为每个第j个维度数据的第一差异指标；将该聚类结果中所有第j个维度数据的第一差异指标的平均值的算术平方根，确定为该聚类结果所对应的离散指标。

19、优选的，采用如下公式计算第k个维度对第j个维度的影响指标：

20、

21、其中，表示第k个维度对第j个维度的影响指标，表示第k个维度与除第k个维度外的第j个维度的聚类结果的数量，表示第k个维度与除第k个维度外的第j个维度的所有聚类结果对应的离散指标中的最大值，表示第k个维度与除第k个维度外的第j个维度的第个聚类结果所对应的离散指标，表示第k个维度与除第k个维度外的第j个维度的第个聚类结果中所有二元组中的第k个维度数据的方差，表示以常数2为底数的对数函数，exp（ ）表示以自然常数为底数的指数函数，表示预设第二调整参数，大于0。

22、优选的，所述基于所述影响指标和所述影响程度值，确定第k个维度对第j个维度的影响评价值，包括：

23、将第k个维度对第j个维度的影响指标与第k个维度的影响程度值的比值，确定为第k个维度对第j个维度的影响评价值。

24、优选的，所述根据每个维度对应的序列与其他维度对应的序列之间的协方差、每个维度对应的序列中数据的种类数和所述影响评价值，获得对应的修正后的协方差，包括：

25、对于第k个维度和除第k个维度外的第j个维度：

26、将第k个维度对应的序列中数据的种类数的双曲正切函数值与第k个维度对第j个维度的影响指标之间的比值，记为修正系数；

27、将第k个维度对应的序列与除第k个维度外的第j个维度对应的序列之间的协方差和所述修正系数的乘积，确定为第k个维度对应的序列与除第k个维度外的第j个维度对应的序列之间的修正后的协方差。

28、优选的，所述基于所述目标协方差矩阵对sd-wan的流量进行调度，包括：

29、通过方差解释率对所述目标协方差矩阵中的数据进行自适应降维处理获得降维后的数据；基于降维后的数据对sd-wan的流量进行调度。

30、优选的，所述基于所述流量数据包获取每个维度对应的序列，包括：

31、对所述流量数据包进行深度解析获得高维向量数据，将高维向量数据输入到pca算法中得到初始矩阵；初始矩阵中每个列向量作为一个维度对应的序列。

32、第二方面，本发明提供了一种sd-wan智能流量调度优化系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的一种sd-wan智能流量调度优化方法。

33、本发明至少具有如下有益效果：

34、1、本发明首先通过对每个维度对应的序列中的数据进行多次聚类获得了每个维度在每种聚类方式下对应的各聚类结果，并建立了不同特征之间的关联性，本发明考虑了不同维度的特征之间的关联性，结合每个维度在每种聚类方式下对应的聚类结果与聚类中心之间的数据值的差异、每个维度在每种聚类方式下对应的聚类结果中数据的波动情况、每个维度在不同聚类方式下对应的聚类结果与其他每个维度不同聚类方式下对应的聚类结果之间的差异，分析了每个维度对其他维度的影响情况，获得了每个维度对其他特征的影响评价值，对不同分类方式下数据聚集性的变化进行了评价，进而基于影响评价值对每个维度对应的序列与其他维度对应的序列之间的协方差进行了修正获得了目标协方差矩阵，目标协方差矩阵更能反映不同维度的特征之间的相关性信息，通过结合相关性信息能更准确地捕捉到特征之间的重要关系，有助于保留流量数据中的关键信息，进而能够使得流量调度的准确度更高。

35、2、本发明提供的方法更好地利用了数据内在的结构和关系，增加了对数据关联性的挖掘，提高了对流量数据特征的解释性和刻画能力，为进一步的分析和应用提供了更有力的支持，进而提高了sd-wan流量智能调度的准确度和可信度。