[发明专利]有监督的服务质量改变推导

说明书

本公开的实施例涉及有监督的服务质量改变推导。提供了用于使用经训练的机器学习(ML)模型来监测业务流的系统和方法。例如，为了维持网络中的设备的稳定连接水平和网络体验，ML模型可以监测每个设备的数据流，并基于其行为和属性来标记每个数据流。系统可以基于所标记的数据流来采取各种动作，包括生成警报、自动改变网络设置或以其他方式调整来自设备的数据流。

背景技术

创建和消耗的数据量越来越快。特别地，从2010年到2020年，每年的数据创建量从1.2泽字节(万亿千兆字节)增加到估计60泽字节。预期数据将以越来越快的速度迅速繁殖，部分地由于远程工作和远程应用的兴起。到2025年，预计将创建估计180泽字节的数据。数据的蓬勃发展已经成为催化剂，导致提高通信网络上的性能、容量和可靠性的紧迫性增加，但是创建该性能提高的方法很难在多个通信网络上实现。

附图说明

根据一个或多个不同的示例，参考以下附图详细描述了本公开。提供附图仅用于说明目的并且仅描绘了典型或示例。

图1是根据本公开中描述的示例的使用经训练的机器学习(ML)模型监测数据流的计算系统的示例性图示。

图2图示了根据本公开中描述的示例的用于确定一个或多个数据流行为的网络设备、计算组件和/或组合的计算组件。

图3是根据本公开中描述的示例对数据流进行比较的说明性数据集合。

图4图示了根据本公开中描述的示例，当所标记的数据流与存储标签不匹配时传输的各种警报。

图5是可以被用来实现本公开中描述的示例的各种特征的示例计算组件。

图6描绘了在其中可以实现本文描述的各种示例的示例计算机系统的框图。

附图不是详尽的并且不将本公开限制为所公开的精确形式。

具体实施方式

传统上，特别是因为LAN通常驻留在不同的地理位置中，所以广域网(WAN)在多个局域网(LAN)之间架起了桥梁。WAN依靠诸如路由器之类的硬件网络设备来将LAN之间的数据、语音和视频业务的传输进行优先级排序。在这些传统的通信网络中，实现了各种设备：例如，物联网(IoT)设备、交换机、集线器、虚拟机等。通常，在通信网络中实现的设备越多，存在的数据业务就越多。

本申请中提供的示例讨论了使用经训练的机器学习(ML)模型来监测这些分布式通信网络的数据流。例如，为了使通信网络中的设备维持稳定的连接水平和网络体验，ML模型可以在一段时间(例如，预定时间范围或动态调整的时间范围)内监测每个设备的数据流(data flow)(例如，从源计算机作为数据流体(stream)进行传输的多个数据分组)，并基于每个数据流的行为来标记每个数据流(例如，所标记的数据流)。例如，该系统可以生成和/或发送警报，以请求采取进一步的动作来解决预期的(多个)问题。使用ML模型可以允许更快地检测到问题，并有能力查明导致(多个)问题的设备，从而加快故障排除速度。

数据流可以标识个体数据分组的行为，包括服务质量(QoS)值或其他标识信息。QoS值可以对应于服务(例如，云计算服务)的整体性能的测量，特别是通信网络的用户所体验的性能。为了定量地测量QoS，可以考虑网络服务的若干相关方面，诸如数据流行为，如分组丢失、比特率、吞吐量、传输延迟、可用性或抖动。在分组交换网络中，QoS受多种因素影响，其可以被划分为人为因素和技术因素。人为因素可以包括：服务质量的稳定性、服务的可用性、等待的时间和用户信息。技术因素可以包括：可靠性、可扩展性、有效性、可维护性和网络拥塞。

在典型的数据分组传输中，QoS值可以由最终用户设备处的应用添加到每个数据分组，并规定可以被用来沿着数据流传输数据分组的带宽量或其他系统资源。然而，存在着数据流行为与QoS值所表示的行为不相匹配(例如，不匹配)的情形。这可能是由于多种原因而发生，如应用浏览器中的固有错误、用户本身的改变、网络延迟、后门固件更新或者甚至是随预期数据流而被发送的恶意数据分组。