本发明涉及计算机网络布线，尤其涉及基于大数据的综合智能布线方法及系统。
背景技术：
1、随着信息技术的飞速发展，网络系统的复杂性和规模迅速扩大，传统的网络布线方法已难以满足日益增长的网络需求。在传统布线方法中，布线决策通常依赖于经验判断和静态的设计原则，这不仅耗时耗力，而且很难适应网络需求的快速变化，导致网络性能和效率的低下。
2、此外，传统布线方法在设计和实施阶段缺乏对实时网络数据的充分利用，导致布线方案往往不能最优化地反映实际的网络使用模式。这种方法的局限性体现在对未来网络需求预测的不准确，以及在布线后难以进行有效调整，从而影响整个网络的性能和可扩展性。
3、随着大数据技术的发展，有了利用数据驱动方法来优化网络布线的可能性。通过收集和分析网络运行数据、用户行为数据以及网络状态数据，可以深入了解网络的实际使用情况，并据此设计出更加高效和适应性强的布线方案。然而，如何有效地集成和应用这些大数据技术，以及如何结合智能算法来实现网络布线的自动化和优化，仍然是当前技术领域面临的挑战。
4、因此，开发一种基于大数据的综合智能布线方法，不仅能够充分利用实时数据来优化布线方案，还能够通过智能算法自动调整布线结构，以适应网络需求的变化，对于提高网络布线的效率和性能具有重要意义。
技术实现思路
1、基于上述目的，本发明提供了基于大数据的综合智能布线方法及系统。
2、基于大数据的综合智能布线方法，包括以下步骤：
3、s1：数据收集，收集网络设备的运行数据、用户行为数据及网络状态数据；
4、s2：数据分析，利用大数据分析技术对收集的数据进行处理，识别网络使用模式和潜在需求；
5、s3：布线规划，根据数据分析结果，利用智能算法设计最优布线方案，最优布线方案包括线缆路径、接口分配和设备布局；
6、s4：执行布线：按照规划方案实施布线，同时监控布线过程，确保布线质量和效率；
7、s5：性能评估，布线完成后，评估网络性能，以验证布线方案的有效性，采用网络分析器和nta性能管理软件，来评估网络延迟、带宽使用、错误率指标，并将结果与预期目标进行比较。
8、进一步的，所述s1具体包括：
9、网络设备运行数据收集：部署网络监控工具，实时捕获和记录设备的运行状态，包括带宽使用率、延迟、数据包丢失率和错误率，通过管理网络设备的内置日志功能，收集设备运行日志，分析设备性能和识别常见故障模式；
10、用户行为数据收集：利用网络流量分析工具，追踪和记录用户的网络活动模式，包括访问的网站、使用的应用和服务以及数据流量的峰值和谷值时间，在关键网络接入点部署传感器或软件代理，以记录用户的接入位置和移动模式；
11、网络状态数据收集：通过网络性能监控，定期检测和记录网络的整体健康状况，包括网络拓扑、连接稳定性和流量分布，使用协议分析器来分析网络中的数据传输和协议交互模式。
12、进一步的，所述s2具体包括：
13、数据预处理：使用数据清洗技术，包括缺失值处理、异常值检测和去除，对收集的数据进行标准化和归一化处理，以便在不同类型和来源的数据间进行有效比较和分析；
14、模式识别和分析：运用决策树对用户行为和网络流量数据进行模式识别，以发现用户使用习惯、高需求区域和流量峰值时段，利用时间序列分析技术，识别网络使用的趋势和周期性变化，预测未来的网络需求。
15、进一步的，所述决策树用于分类网络设备的运行状态，包括识别是否存在过载、潜在故障情况，计算如下：
16、使用信息增益ig来选择分割属性，信息增益定义为:，其中，
17、代表网络设备状态的数据集，包括设备性能指标：带宽使用率、延迟、数据包丢失率；
18、代表影响网络状态的属性：设备类型、流量模式、时间段；
19、是数据集的熵，表示网络状态的不确定性；
20、是给定属性后的条件熵，表示在知道属性的情况下，网络状态不确定性的减少。
21、进一步的，所述时间序列分析技术采用自回归综合移动平均(arima)模型，用于预测网络流量，在布线规划中考虑未来的网络需求，自回归综合移动平均(arima)模型表示为，其中，
22、；
23、其中，是经过差分次后的网络流量数据，、、分别是模型的自回归项数、差分次数、移动平均项数，和分别是自回归和移动平均参数，通过历史网络流量数据来确定，是时刻的预测误差。
24、进一步的，所述s3的智能算法具体包括：
25、s31：算法框架建立，使用多目标优化的遗传算法来同时处理多种优化目标，包括成本最小化、效率最大化、可靠性优化，设定适应度函数，包括网络延迟最小、带宽利用率最大、设备运行成本最低；
26、s32：线缆路径优化，输入数据分析结果，包括高流量区域、设备间的通信模式，利用最短路径算法结合遗传算法，计算出成本效益最高的线缆布局方案，考虑物理限制和安装成本，优化线缆的长度和路径选择；
27、s33：接口分配策略，基于用户行为数据和设备性能数据，预测接入点的需求和流量分布，应用负载均衡算法和网络拥塞控制策略，优化接口的数量和位置分配，以满足不同区域的需求；
28、s34：设备布局规划，分析设备间的依赖性和通信需求，使用集群分析方法来确定最佳的设备布局，结合成本效益分析，平衡设备购置成本和运行效率，优化设备的物理位置和网络连接。
29、所述s31中的遗传算法具体包括：
30、s311，初始化：随机生成一组初始解集合（称为种群），每个解代表一个布线方案，包含线缆路径、接口分配和设备布局的决策变量；
31、s312，定义多个适应度函数来评估每个解的质量，定义如下：
32、成本函数：总布线成本；
33、效率函数：网络效率；
34、可靠性函数：网络可靠性；
35、其中代表一个解，即一种布线方案；
36、s313，选择：根据适应度函数选择优解进行繁殖，高适应度的解被选中的概率更高；
37、s314，交叉：随机选择父代解，按照预定概率交换其部分基因，产生新的解，即子代；
38、s315，变异：以预定概率修改子代解的部分基因，以增加种群的多样性；
39、s316，迭代：重复选择、交叉和变异过程，直到满足停止条件。
40、进一步的，所述s32中的线缆路径优化具体包括：
41、s321，初始化和染色体编码：在遗传算法中，每个染色体代表一种线缆布局方案，所述染色体编码为系列决策变量，包括线缆的起点和终点位置、类型、长度，进而随机生成初始的线缆布局方案集合，每个方案由系列决策变量表示；
42、s322，适应度函数结合最短路径计算：
43、成本函数:(线缆成本线缆长度)，其中，线缆长度通过最短路径算法计算；
44、效率函数:，网络延迟部分基于最短路径算法结果获得；
45、s323，每次计算适应度时，对于每个线缆路径，使用最短路径算法计算其最优路径，保证每个线缆段都以最短或最有效的方式布置；
46、s324，选择、交叉和变异如下：
47、选择：根据适应度函数选择最优布线方案进行繁殖；
48、交叉：选定父代方案，随机交换部分基因（即线缆路径决策），产生新的布线方案（子代）；
49、变异：随机改变子代中的部分基因（修改线缆路径或类型），引入新的布线方案；
50、迭代优化：通过多代迭代，不断选择、交叉和变异，逐渐改进线缆布局方案；
51、终止条件：当达到预定的迭代次数或适应度不再显著提高时，算法终止。
52、所述s33中的接口分配策略具体包括：
53、s331：预测接入点需求和流量分布，收集用户行为数据（用户在线时间、服务使用情况）和设备性能数据（带宽利用率、响应时间），利用时间序列分析来预测接入点的需求，预测模型表示为：，其中，是预测的需求或流量，是特征变量，包括历史流量数据、用户行为指标，分析哪些因素（时间、地点、用户类型）对流量有显著影响，从而进行预测；
54、s332：应用负载均衡和网络拥塞控制，所述负载均衡算法目标是在接入点之间均衡分配网络流量，以优化整体性能，使用加权轮询算法，对于每个接入点，计算其负载为：，并按照最低负载选择接入点；
55、所述拥塞控制策略目标是减少或避免网络拥塞，采用tcp拥塞控制，通过调整窗口大小来控制数据的发送速率，窗口大小调整公式为:，其中，和分别是调整后和之前的窗口大小，是调整系数，拥塞指标包括丢包率或延迟，阈值是设定的拥塞控制阈值。
56、所述s34中的设备布局规划具体包括：
57、s341：所述集群分析方法基于社区检测算法，用于识别网络中的高密度连接区域，即设备集群，社区检测算法通过优化模块度实现，模块度的计算公式为：
58、，其中，表示节点和之间的边的权重，和是节点的度，是图中所有边的权重之和，是克罗内克函数，当时值为1，否则为0，根据集群分析的结果，将依赖度高的设备布局在物理位置相接近的位置，以减少通信延迟和提高效率；
59、s342：成本效益分析，计算不同设备配置方案的总成本，包括设备购买、安装和维护成本，评估不同布局方案对网络性能的影响，包括延迟、带宽利用率和可靠性，通过建立一个成本效益函数来平衡成本与效率，成本效益函数表示为：，其中是成本函数，是效率函数，和是权衡因子。
60、进一步的，所述最短路径算法基于迪杰斯特拉算法，具体包括：
61、初始化：对于网络中的每个节点，设定距离初始为无穷大，除了起始节点，设；
62、算法过程：重复以下直到所有节点都被访问：
63、选择一个未访问的节点，其具有最小的，对于的每个邻接节点，更新为；
64、将迪杰斯特拉算法应用于计算线缆路径的最短路径，这将直接影响到遗传算法中的成本函数和效率函数的计算，
65、在成本函数中：线缆长度由迪杰斯特拉算法确定，成本函数表示为线缆的单价乘以通过迪杰斯特拉算法计算得到的线缆长度之和；
66、在效率函数中：基于网络延迟与线缆长度成正比，利用迪杰斯特拉算法计算得到的最短路径长度来估算网络延迟。
67、基于大数据的综合智能布线系统，用于实现上述的基于大数据的综合智能布线方法，包括以下模块：
68、数据收集模块：负责收集网络设备的运行数据、用户行为数据及网络状态数据，部署数据采集工具和传感器，以自动收集数据，带宽利用率、用户访问模式、设备响应时间；
69、数据分析模块：使用大数据分析技术对收集到的数据进行处理，识别网络使用模式和潜在需求，集成数据处理平台，如hadoop或spark，应用数据挖掘和预测模型，以分析和解读数据；
70、布线规划模块：基于数据分析结果，使用智能算法设计最优布线方案，包括线缆路径、接口分配和设备布局；
71、执行布线模块：根据规划方案实施布线，同时监控布线过程，确保布线质量和效率，使用自动化、手动工具配合设备管理来执行布线工作，基于监控系统实时追踪布线进度和质量；
72、性能评估模块：在布线完成后评估网络性能，与预期目标进行比较，以验证布线方案的有效性。
73、本发明的有益效果：
74、本发明，通过实时收集并分析网络设备运行数据、用户行为数据及网络状态数据，本方法能够提供基于当前和预测网络需求的动态布线规划。这不仅提高了布线的效率，还确保了布线方案能够适应未来的网络需求变化，从而延长了网络基础设施的有效使用寿命，运用智能算法结合最短路径算法优化线缆布局，以及应用负载均衡和拥塞控制策略优化接口分配，使得布线方案在成本、效率和可靠性方面达到最佳平衡。
75、本发明，通过优化线缆路径和设备布局，减少了所需线缆的长度和数量，降低了材料和安装成本，同时，通过提高网络效率和可靠性，减少了网络的维护和升级费用，从而在整个网络生命周期中实现成本节约，有效的布线和设备布局减少了能源消耗，尤其是在数据中心等高密度网络环境中，优化的布线可以显著降低冷却和电力成本。
76、本发明，通过精确的数据分析和智能布线规划，本方法能够确保网络在高需求区域提供足够的带宽和低延迟连接，从而提高整体网络性能。