光网络的流量监控系统及其方法与流程

本申请涉及智能监控领域，且更为具体地，涉及一种光网络的流量监控系统及其方法。

背景技术：

1、光网络的流量监控是指对光网络中的数据流量进行实时监测、分析和管理的过程。

2、通过对光网络的流量进行监控，可以及时检测和识别网络中的故障和问题。流量监控可以提供对光网络的实时和历史性能数据，帮助网络管理员了解网络的瓶颈和瓶颈发生的位置。通过对流量数据的分析，可以进行带宽优化、流量调整和网络拓扑优化等操作，提高网络的性能和吞吐量。

3、但由于传统的流量监控方法通常使用采样技术来收集流量数据，即只捕获部分流量进行分析。这可能导致监控数据的不完整性和失真，无法准确反映整个网络的情况。还可能存在延迟，无法提供实时的监控数据，进而影响网络的运行。

4、因此，期待一种优化的光网络的流量监控方案。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种光网络的流量监控系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间内多个预定时间点的光网络的流量值和带宽值，分别排列为向量后通过集成模型提取流量和带宽的特征信息，关联编码后通过金字塔网络提取不同层次的特征，以得到用于表示流量是否超过临界值的分类结果。这样可以提供实时的流量监控和告警功能，帮助管理员及时发现异常情况并采取相应的措施。

2、根据本申请的一个方面，提供了一种光网络的流量监控系统，其包括：

3、数据获取模块，用于获取预定时间内多个预定时间点的光网络的流量值和带宽值；

4、排列模块，用于将所述多个预定时间点的光网络的流量值和带宽值按照时间维度分别排列为流量值输入向量和带宽值输入向量；

5、特征值提取模块，用于将所述流量值输入向量和所述带宽值输入向量通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到流量值特征向量和带宽值特征向量；

6、特征关联模块，用于将所述流量值特征向量和所述带宽值特征向量进行关联编码以得到流量-带宽关联特征矩阵；

7、特征增强模块，用于将所述流量-带宽关联特征矩阵通过金字塔网络模型以得到分类特征矩阵；

8、后验表达优化模块，用于计算所述分类特征矩阵相对于目标分类函数的运动分布模型的后验表达以得到优化分类特征矩阵；

9、流量临界判断模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示流量是否超过临界值；

10、告警提示模块，用于基于所述分类结果，生成告警提示信号。

11、在上述光网络的流量监控系统中，所述特征值提取模块，包括：第一卷积网络单元，用于将所述流量值输入向量输入包含第一卷积神经网络和第二卷积神经网络的集成模型的第一卷积神经网络以得到流量值特征向量；以及，第二卷积网络单元，用于将所述带宽值输入向量输入包含第一卷积神经网络和第二卷积神经网络的集成模型的第二卷积神经网络以得到带宽值输入向量，其中，所述第二卷积神经网络与所述第一卷积神经网络具有相同网络结构。

12、在上述光网络的流量监控系统中，所述第一卷积网络单元，包括：第一尺度特征提取子单元，用于将所述流量值输入向量输入所述第一卷积神经网络的第一卷积层以得到第一尺度流量值特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取子单元，用于将所述流量值输入向量输入所述第一卷积神经网络的第二卷积层以得到第二尺度流量值特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，融合子单元，用于使用所述第一卷积神经网络的级联层将所述第一尺度流量值特征向量和所述第二尺度流量值特征向量进行级联以得到所述流量值特征向量。

13、在上述光网络的流量监控系统中，所述特征关联模块，用于:以如下关联公式对所述流量值特征向量和所述带宽值特征向量进行关联编码以得到流量-带宽关联特征矩阵；其中，所述关联公式为：

14、

15、其中，m表示所述流量-带宽关联特征矩阵，v1表示所述流量值特征向量，v2表示所述带宽值特征向量，表示所述带宽值特征向量的转置，表示向量相乘。

16、在上述光网络的流量监控系统中，所述特征增强模块，包括：浅层特征提取单元，用于从所述金字塔网络模型的第m层提取浅层特征矩阵，其中，m大于等于1且小于等于6；深层特征提取单元，用于从所述金字塔网络模型的第n层提取深层特征矩阵，其中，n/m大于等于5且小于等于10；以及，深浅融合单元，用于使用所述金字塔网络模型的深浅特征融合模块融合所述浅层特征矩阵和所述深层特征矩阵以得到分类特征矩阵。

17、在上述光网络的流量监控系统中，所述流量临界判断模块，包括：展开单元，用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

18、根据本申请的另一方面，提供了一种光网络的流量监控方法，其包括：

19、获取预定时间内多个预定时间点的光网络的流量值和带宽值；

20、将所述多个预定时间点的光网络的流量值和带宽值按照时间维度分别排列为流量值输入向量和带宽值输入向量；

21、将所述流量值输入向量和所述带宽值输入向量通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到流量值特征向量和带宽值特征向量；

22、将所述流量值特征向量和所述带宽值特征向量进行关联编码以得到流量-带宽关联特征矩阵；

23、将所述流量-带宽关联特征矩阵通过金字塔网络模型以得到分类特征矩阵；

24、计算所述分类特征矩阵相对于目标分类函数的运动分布模型的后验表达以得到优化分类特征矩阵；

25、将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示流量是否超过临界值；

26、基于所述分类结果，生成告警提示信号。

27、与现有技术相比，本申请提供的一种光网络的流量监控系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间内多个预定时间点的光网络的流量值和带宽值，分别排列为向量后通过集成模型提取流量和带宽的特征信息，关联编码后通过金字塔网络提取不同层次的特征，以得到用于表示流量是否超过临界值的分类结果。这样可以提供实时的流量监控和告警功能，帮助管理员及时发现异常情况并采取相应的措施。

技术特征：

1.一种光网络的流量监控系统，其特征在于，包括：

2.根据权利要求1所述的光网络的流量监控系统，其特征在于，所述特征值提取模块，包括：

3.根据权利要求2所述的光网络的流量监控系统，其特征在于，所述第一卷积网络单元，包括：

4.根据权利要求3所述的光网络的流量监控系统，其特征在于，所述特征关联模块，用于:

5.根据权利要求4所述的光网络的流量监控系统，其特征在于，所述特征增强模块，包括：

6.根据权利要求5所述的光网络的流量监控系统，其特征在于，所述后验表达优化模块，用于：

7.根据权利要求6所述的光网络的流量监控系统，其特征在于，所述流量临界判断模块，包括：

8.一种光网络的流量监控方法，其特征在于，包括：

9.根据权利要求8所述的光网络的流量监控方法，其特征在于，将流量值输入向量和所述带宽值输入向量通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到流量值特征向量和带宽值特征向量，包括：

10.根据权利要求9所述的光网络的流量监控方法，其特征在于，将所述流量值输入向量输入包含第一卷积神经网络和第二卷积神经网络的集成模型的第一卷积神经网络模型以得到流量值特征向量，包括：

技术总结
本申请涉及智能监控领域，其具体地公开了一种光网络的流量监控系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间内多个预定时间点的光网络的流量值和带宽值，分别排列为向量后通过集成模型提取流量和带宽的特征信息，关联编码后通过金字塔网络提取不同层次的特征，以得到用于表示流量是否超过临界值的分类结果。这样可以提供实时的流量监控和告警功能，帮助管理员及时发现异常情况并采取相应的措施。

技术研发人员：姚锋,王彬,朱国超,姚佳星
受保护的技术使用者：浙江博思光通科技有限公司
技术研发日：
技术公布日：2024/3/27