一种计算机网络管理方法

本发明涉及计算机网络管理，尤其涉及一种计算机网络管理方法。

背景技术：

1、随着信息技术的快速发展，网络系统变得日益复杂和庞大，特别是在数据中心、云计算平台和大型企业网络中，网络流量管理的效率和精确性对于整个网络的稳定性和性能至关重要，传统的网络流量管理方法依赖静态的路由配置和人工干预，这些方法在处理日益增长的数据量和快速变化的网络条件时往往显得力不从心，此外，传统方法在应对网络拓扑变化、链路故障恢复和流量高峰期的调度等方面存在明显的局限性，这些问题的存在导致网络系统容易出现延迟高、带宽利用不均和服务质量下降等一系列问题。

2、面对上述问题，现有技术未能提供一个能够动态、智能地调整流量分配以适应网络状态变化的有效解决方案，现有的流量管理系统通常缺乏灵活性，不能实时反映网络的最新状态，导致在实际操作中无法有效预防和处理网络拥塞，特别是在大规模网络中，这种情况会严重影响到网络的运营效率和用户体验。

3、因此，迫切需要开发一种新的技术方法，以支持更为高效和自动化的网络流量管理，特别是在流量密集和网络拓扑频繁变动的环境下。

技术实现思路

1、基于上述目的，本发明提供了一种计算机网络管理方法。

2、一种计算机网络管理方法，包括以下步骤：

3、s1：通过部署的分布式监测节点，实时采集网络拓扑结构的变化数据，包括节点连接状态、链路带宽及延迟信息，并将数据传输至中央控制模块进行处理；

4、s2：中央控制模块根据s1中采集的网络拓扑数据，利用预设的多维度流量分析算法，对各链路的流量负载进行评估，识别潜在的瓶颈链路和高负载区域；

5、s3：基于s2中的流量分析结果，生成流量均衡策略，策略涵盖不同流量场景的处理方法，包括负载重分配、路径切换和流量限速；

6、s4：根据s3中生成的流量均衡策略，动态调整网络数据包的传输路径，将数据流量重配置至具有低延迟和充足带宽的路径上；

7、s5：将s4中重配置的传输路径应用至实际网络环境中，同时通过监测节点对实施效果进行实时监控，并将监控数据反馈至中央控制模块，以实时调整流量均衡策略以应对网络拓扑的变化；

8、s6：中央控制模块通过预设的机器学习算法，对历史流量数据及s5中的反馈数据进行学习，逐步调整和改进流量均衡策略，提高未来流量管理的准确性和效率。

9、可选的，所述s1具体包括：

10、s11：在网络的预定节点处部署具有数据采集功能的监测装置，每个监测装置均配置有高精度时钟同步模块，用于确保不同监测节点之间的数据采集具有一致的时间基准；

11、s12：通过监测装置内置的网络协议分析模块，实时检测所连接的网络节点的连接状态，包括节点的在线状态、连接质量以及连接的稳定性；

12、s13：监测装置通过嵌入式带宽监测模块，持续监测所连接链路的带宽利用率，包括当前带宽、峰值带宽及带宽变化趋势，生成实时带宽数据；

13、s14：监测装置通过集成的网络延迟测量模块，采用基于时钟同步的时间戳技术，精确测量数据包在链路上的传输延迟，获取延迟的实时数据；

14、s15：将s12至s14中采集的节点连接状态、链路带宽和延迟信息通过内置的加密传输模块，汇总并加密后，实时传输至中央控制模块。

15、可选的，所述s2具体包括：

16、s21：中央控制模块接收来自分布式监测节点的网络拓扑数据后，通过内置的数据预处理模块，先进行数据清洗与过滤，去除冗余信息和异常数据，并进行数据格式化处理；

17、s22：利用预设的多维度流量分析算法，根据经过预处理的网络拓扑数据，生成各链路的流量负载模型，包括当前链路的带宽利用率、流量变化趋势和延迟情况，用于提供各链路的负载状态的综合评估；

18、s23：基于生成的流量负载模型，计算各链路的负载临界值，并通过比对实际负载与临界值，识别出接近或超过临界值的瓶颈链路，标记为高风险链路；

19、s24：通过多维度流量分析算法的空间聚类功能，将负载高的链路归类为同一区域，识别网络中存在的高负载区域，并根据链路间的相互关系，预测区域的流量传播趋势；

20、s25：将s23和s24中识别的瓶颈链路和高负载区域信息汇总，生成流量负载评估报告，并将评估结果传输至流量均衡策略生成模块。

21、可选的，所述s22具体包括：

22、s221：利用下述公式计算各链路的带宽利用率：其中，u表示链路的带宽利用率，bu表示链路的当前使用带宽，bt表示链路的总带宽；

23、s222：计算链路的流量变化率，公式为：其中，δf表示链路的流量变化率，fc表示链路在当前时间段的流量，fp表示链路在前一时间段的流量，t表示两个时间段之间的时间差；

24、s223：基于延迟信息，计算各链路的平均延迟：其中，d表示链路的平均延迟，dj表示链路在第j次测量时的延迟值，n表示总测量次数；

25、s224：综合s221至s223中计算出的带宽利用率、流量变化率和平均延迟数据，利用加权模型生成链路的综合流量负载指标，公式为：l＝wu×u+wf×δf+wd×d，其中，l表示链路的综合流量负载指标，wu、wf、wd分别表示带宽利用率、流量变化率和延迟的权重系数，通过上述公式计算出各链路的综合流量负载指标，形成完整的流量负载模型。

26、可选的，所述s23具体包括：

27、s231：基于流量负载模型，为每一条链路计算其负载临界值，公式为：lc＝α×lmax，其中，lc表示链路的负载临界值，α为系统预设的临界系数，lmax为链路的最大承载能力；

28、s232：对每条链路的当前负载情况进行计算，得到实际负载值，公式为：la＝wu×u+wf×δf+wd×d，其中，la表示链路的实际负载值，u,δf,d分别表示带宽利用率、流量变化率和延迟，wu,wf、wd为相应的权重系数；

29、s233：将链路的实际负载值la与其对应的负载临界值lc进行比对，公式为：δl＝la-lc，其中，δl表示实际负载值与临界值之间的差值，若δl≥0时，表示链路已接近或超过其负载临界值，则将链路识别为瓶颈链路；

30、s234：对于识别出的瓶颈链路，将其标记为高风险链路。

31、可选的，所述s24具体包括：

32、s241：基于链路的地理位置、连接关系及流量负载值，使用空间聚类算法，将具有相近地理位置和相似负载特征的链路归为一个聚类单元，空间聚类算法的目标函数为：其中，k为聚类的数量，ck为第k个聚类单元，dik表示链路与聚类中心k之间的地理距离，为链路的实际负载值，为聚类中心k的平均负载值，β为负载影响因子，通过最小化上述目标函数，将高负载且地理上相近的链路聚类在一起，形成高负载区域；

33、s242：对聚类结果进行分析，若聚类单元的平均负载值超过预设的高负载阈值lh，则聚类单元被识别为高负载区域；

34、s243：对于已识别的高负载区域，利用链路间的连接关系和历史流量数据，使用时间序列分析算法预测未来的流量传播趋势，预测公式为：其中，pt+1为高负载区域在时间点t+1的预计流量，pt为当前流量值，γ为流量传播影响因子，和分别为当前和上一时间段的实际负载值。

35、可选的，所述s3具体包括：

36、s31：负载重分配策略的生成，基于s2中识别的瓶颈链路和高负载区域，通过负载重分配算法计算各链路的负载分配调整量，公式为：其中，δlr表示每条链路的负载调整量，lc为链路的负载临界值，la为当前实际负载值，n为能够承接调整负载的链路数量；

37、s32：路径切换策略的生成，对于s2中识别出的瓶颈链路，中央控制模块生成路径切换策略，通过路径优化算法重新分配数据包的传输路径，具体采用最短路径优先算法，公式为：其中，pnew为优化后的传输路径，di为路径上第逄链路的距离，di为链路的延迟，la为链路的实际负载值，wd和wl分别为延迟和负载的权重系数；

38、s33：流量限速策略的生成，对于无法通过负载重分配或路径切换有效缓解的高负载链路，中央控制模块生成流量限速策略，计算每条链路的限速值，公式为：rlimit＝lc-la，其中，rlimit为链路的限速值，lc为链路的负载临界值，la为当前实际负载值。

39、可选的，所述s4具体包括：

40、s41：根据s3中生成的综合流量均衡策略，设定路径选择的优先级，以优先选择延迟低且带宽充足的路径，路径优先级计算公式为：

41、其中，ppriority表示路径的优先级，d表示路径的延迟，ba表示路径的可用带宽，wl和wb分别为延迟和带宽的权重系数；

42、s42：根据s41中的路径优先级，为即将传输的网络数据包选择最优路径；

43、s43：在数据包传输过程中，中央控制模块通过实时监控所选路径的负载情况；

44、s44：若在传输过程中监测到路径的负载超过临界值时，中央控制模块将立即重新评估其他备选路径的优先级，并动态调整数据包的传输路径至新的优先路径。

45、可选的，所述s5具体包括：

46、s51：接收到从监控节点反馈的路径负载和性能数据，并对监控数据进行解析和归档，生成当前网络状态的实时监测报告，包括各链路的当前负载值、延迟、带宽使用情况及是否存在瓶颈链路或高负载区域；

47、s52：根据s51中生成的实时监测报告，设定触发条件，当某条链路的负载超过预设的临界值，或者当监测到网络拓扑结构发生显著变化时，自动触发流量均衡策略的动态调整流程；

48、s53：流量均衡策略的再生成，基于新的监控数据和触发条件，重新执行s3中的流量均衡策略生成流程，计算出新的负载重分配、路径切换和流量限速策略。

49、可选的，所述s6具体包括：

50、s61：将历史流量数据和s5中获得的反馈数据进行预处理，包括数据清洗、归一化和特征提取，提取的特征包括链路的带宽利用率、延迟、流量变化率以及每次策略调整前后的网络性能变化的指标；

51、s62：利用预设的机器学习算法，包括随机森林、支持向量机或神经网络，以提取的特征作为输入，对历史流量数据进行训练，生成初步的预测模型；

52、s63：在初步模型训练完成后，将模型应用于一部分历史数据进行验证，并与实际反馈数据进行比对，通过分析预测与实际结果之间的误差，调整模型参数，修正算法权重；

53、s64：在模型训练和验证完成后，基于优化后的机器学习模型，重新生成流量均衡策略。

54、本发明的有益效果：

55、本发明，通过采用动态流量均衡策略，结合实时监控和数据分析，本方法能够根据网络实时状态调整流量路径，有效分散高负载链路的压力，降低因网络拥塞引发的延迟，从而提升网络的整体性能和稳定性，此外，引入的机器学习算法使得系统能够从历史数据中学习并预测未来可能出现的流量模式和网络变化，提前做出调整，从而避免潜在的网络问题。

56、本发明，通过优化流量分配和增强网络的自我调节能力，能够显著减少网络运营成本，提高网络服务质量，这种技术的推广使用，将对云计算平台、数据中心以及其他网络密集型行业带来显著的经济效益和社会价值，特别是在提高网络资源利用效率和确保网络服务可靠性方面展现出巨大的潜力。