基于流量预测的 IP骨干网络优化

针对多媒体数据网络结构复杂、业务发展迅速的特点，提出一种基于业务流量预测分析的IP骨干网络优化方法，为网络规划设计人员提供一定的决策和设计参考依据。     

智能流量分析

根据用户要求,华通采用“分布式部署,集中式管理”的部署方式,当业务增长,而现有系统性能无法满足数据分析需求时,可通过增加采集机来达到提升平台性能的目的。在给出的方案中,所有的设备均采用旁路部署,在不改变用户网络基础架构的情况下,实现对华通所有网络流量进行分析。对于用户流量的使用情况,东华流量分析系统能够以业务分析为中心,,对全网流量进行关联性分析,针对华通的业务数据进行实时分析和历史流量统计,通过多维度的数据深度挖掘,不仅能够帮助华通提升运维部门对网络流量的透视能力,规避因业务部署不合理导致网络拥塞甚至网络中断的严重运维故障,从而全面提升运维部门的业务调度能力。     

TD-LTE网络流量趋势研究及规划探讨

TD-LTE流量爆炸式增长,未来中国移动网络容量规划面临挑战。基于现网大数据现状进行分析,并考虑了相关流量增长因素,对未来5年的网络流量进行了预测分析,给出了站点和频谱等的量化规划指导,有利于认清网络发展的趋势,为目标网规划策略制定提供参考。     

基于大数据和机器算法的规划需求价值评估研究

本文从机器学习技术的角度出发,提供规划站址审核参考依据,体现规划站址建设价值,期望利用全省现网站点网络数据模拟规划需求站址评分。本文首先对无线网络规划数据、指标进行相关性分析,其次采用机器学习方法对样本进行训练测试,从网络覆盖结构、容量、客户价值、潜在价值需求等多方面切入,进行规划站址的流量预测,实现基于价值的规划评估体系。     

PCC策略部署与应用实践

文章研究了PCC策略在实际运营中的部署应用,从流量、业务、位置、终端等维度,对超高流量用户、4G超套餐用户、QQ业务、P2P业务进行管控和优化,对TD终端用户进行流量引导,实现数据流量的差异化、精细化经营,有效提升用户感知和网络效益。     

移动互联网背景下LTE的部署和运营策略

移动互联网应用的迅速普及正在侵蚀传统电信业务。如何应对快速增长的移动数据流量并积极应对OTT(Over The Top)业务的挑战,是运营商在推动LTE部署的同时必须研究的问题。文章首先阐述LTE技术优势及其业务支撑能力,详细分析OTT对LTE网络的挑战,并从网络规划及部署角度提出了主要的应对策略,最后尝试探索基于优化的LTE网络的运营方式。     

面向流量经营的网络优化与建设

伴随固定宽带和TD-LTE的发展,流量业务增长迅猛,运营商网络的定位受到极大冲击。站在提供互联网业务的承载网和支撑系统角度,急需改进流量管控能力、提升流量资源调度效率。网络建设则从需求分析出发,分析各环节能力提升的途径,并制定系统建设思路,促进流量经营能力和质量的提升。     

互联网流量优化系统关键技术及应用分析

互联网用户及业务规模的快速发展带动数据流量迅猛增长,运营商网络建设和运营面临具大压力和挑战,流量优化系统已成为运营商实现数据流量智能疏导和分发的技术手段。文章介绍运营商流量优化系统建设现状,对流量优化系统的关键技术进行对比分析,阐述流量优化系统的适用场景及技术实现方案,提出运营商流量优化系统的发展思路和部署建议。     

智能管道架构及技术方案探讨

文章认为在新型业务需求和新技术涌现的双重驱动下,运营商网络面临着技术革新的挑战,要求网络提升智能化水平,以便快速高效地提供融合业务的承载。基于业务需求和技术发展,文章分析了智能管道的关键技术方案:多维感知分析技术方案、融合策略控制技术方案、智能流量调度优化技术方案。文章指出智能网络能力提升应向上承接业务平台、聚合互联网应用,向下协同用户终端,有机构成统一的"端、管、云"运营体系,为客户提供从底层网络到上层增值应用的协同服务。     

基于用户体验与流量释放的5G网络扩容标准研究和应用

面对5G流量快速增长的挑战,5G业务开始出现容量受限的情况,分为体验受限和流量压抑,亟需构建5G超大容量网络模型、更加精准的业务预测和更加精确的资源配置模型,为5G小区扩容提供依据和标准。苏州联通在全国首次构建多维度业务增长预测模型,从用户数、流量、体验速率、空间和时间等多个维度预测业务增长,叠加5G容量特性带来的影响,利用用户抽样统计分析用户的行为和使用习惯,实现细分场景和忙时的业务增长预测,最终输出细分场景的忙时业务量扩容需求,基于需求构建体验受限和流量压抑的5G扩容模型,并结合苏州联通用户话务数据进行扩容应用,提高投资收益。     

基于卷积神经网络的Android流量分类方法

深度学习就是机器学习研究的过程,主要通过模拟人脑分析学习的过程对数据进行分析。目前,深度学习技术已经在计算机视觉、语音识别、自然语言处理等领域获得了较大发展,并且随着该技术的不断发展,为网络流量分类和异常检测带来了新的发展方向。移动智能手机与大家的生活息息相关,但是其存在的安全问题也日益凸显。针对传统机器学习算法对于流量分类需要人工提取特征、计算量大的问题,提出了基于卷积神经网络模型的应用程序流量分类算法。首先,将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。其次,设计了一种新的卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手,构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中的特征选择问题。最后,通过CICAndmal2017网络公开数据集进行模型测试,相比于传统的机器学习流量分类模型,设计的卷积神经网络模型的查准率和查全率分别提高了2.93%和11.87%,同时在类精度、召回率以及F1分数方面都有较好的提升。     

基于卷积神经网络的业务识别

基于机器学习的业务识别对扩展网络功能,实现网络的精细化管控具有重要意义.目前基于机器学习的业务识别方法主要通过分析业务流的统计特征来实现,而从业务流中提取有效特征比较困难,因此识别精度不高.针对此问题,首先提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的业务识别方法,并进行...     

基于机器学习和深度学习的网络流量分类研究

随着互联网技术的不断发展以及网络规模的不断扩大,应用的类别纷繁复杂,新型应用层出不穷。为了保障用户服务质量(QoS)并确保网络安全,准确快速的流量分类是运营商及网络管理者亟须解决的问题。首先给出网络流量分类的问题定义和性能指标;然后分别介绍基于机器学习和基于深度学习的流量分类方法,分析了这些方法的优缺点,并对现存问题进行阐述;接着围绕流量分类线上部署时会遇到的3个问题:数据集问题、新应用识别问题、部署开销问题对相关工作进行阐述与分析,并进一步探讨目前网络流量分类研究面临的挑战;最后对网络流量分类下一步的研究方向进行展望。     

Virtual machine placement optimizing to improve network performance in cloud data centers

With the wide application of virtualization technology in cloud data centers, how to effectively place virtual machine （VM） is becoming a major issue for cloud providers. The existing virtual machine placement （VMP） solutions are mainly to optimize server resources. However, they pay little consideration on network resources optimization, and they do not concern the impact of the network topology and the current network traffic. A multi-resource constraints VMP scheme is proposed. Firstly, the authors attempt to reduce the total communication traffic in the data center network, which is abstracted as a quadratic assignment problem; and then aim at optimizing network maximum link utilization （MLU）. On the condition of slight variation of the total traffic, minimizing MLU can balance network traffic distribution and reduce network congestion hotspots, a classic combinatorial optimization problem as well as NP-hard problem. Ant colony optimization and 2-opt local search are combined to solve the problem. Simulation shows that MLU is decreased by 20%, and the number of hot links is decreased by 37%.     

支持数据隐私保护的恶意加密流量检测确认方法

为解决基于机器学习的恶意加密流量检测易产生大量误报的问题,利用安全两方计算,在不泄露具体数据内容的前提下实现网络流量内容和入侵检测特征间的字符段比对.基于字符段比对结果,设计入侵检测特征匹配方法,完成关键词的精准匹配.为保证所提方法的有效执行,提出用户终端输入随机验证策略,使恶意用户终端难以使用任意数据参与安全两方计算...     

加密流量检测与态势预警平台研究

网络流量检测是实现网络整体安全态势感知的主要手段,通过采集网络流量、脆弱性、安全事件和威胁情报等数据,利用大数据和机器学习技术,分析网络行为及用户行为等因素构成的整个网络当前状态和变化趋势,并预测网络安全状态发展趋势。随着密码技术的广泛应用,网络中存在着越来越多的加密流量,如HTTPS、VPN流量;由于加密技术的使用,破坏了明文数据的统计特点、数据格式等,用通用的流量检测方法很难有效检测加密流量,基于加密技术的随机性、网络上下文等,结合人工智能技术和机器学习方法,研究和设计了网络加密流量检测体系框架、方法和关键技术,对加密流量的检测具有较强的指导意义。     

一种加密流量行为分析系统的设计研究

随着互联网安全形势的日益严峻,采用流量加密方式进行业务传输的比重越来越大,针对加密流量的监管成为挑战。面对加密流量难以监管的难题,提出了一种加密流量行为分析系统。系统基于加密业务的流量特征,采用机器学习算法,无需解密网络流量就能对流量进行行为分析,实现了加密流量的识别和分类,并对系统进行了试验测试。测试结果显示,该系统可以发现隐藏在加密流量中的攻击行为、恶意行为和非法加密行为,对于安全人员掌握网络安全态势、发现网络异常具有重要意义。     

Estimation of left-turning travel time at traffic intersection

Traffic guidance is a promise approach of traffic congestion alleviation, and the travel time is one of the most important basic data for the reasonable and effective route planning which is the core of traffic guidance. The traffic intersection is one of the chief components of the whole traffic road networks, so the estimation of travel time of the intersection plays an important role in traffic guidance. This paper pays more attention to the estimation of travel time for left-turning lane connected to an intersection, introduces the features for travel time estimation, and designs an estimator based on the learning vector quantity (LVQ) neural network. A suite of reasonable test shows that the method can effectively estimate the travel time of vehicles at left-turning lane with lower error to the real data.     

自动化部署及流量调优的SDN网络演进研究

基于运营商数据网SDN演进的基本思路,聚焦业务自动化部署和流量调优两大应用场景,提出SDN实现框架、分析了相关SDN技术成熟度、对SDN方案演进和技术选择提出了构想。     

A federated semi-supervised learning approach for network traffic classification

The classification of network traffic, which involves classifying and identifying the type of network traffic, is the most fundamental step to network service improvement and modern network management. Classic machine learning and deep learning methods have widely adopted in the field of network traffic classification. However, there are two major challenges in practice. One is the user privacy concern in cross-domain traffic data sharing for the purpose of training a global classification model, and the other is the difficulty to obtain large amount of labeled data for training. In this paper, we propose a novel approach using federated semi-supervised learning for network traffic classification, in which the federated server and clients from different domains work together to train a global classification model. Among them, unlabeled data are used on the client side, and labeled data are used on the server side. The experimental results derived from a public dataset show that the accuracy of the proposed approach can reach 97.81%, and the accuracy gap between the federated learning approach and the centralized training method is minimal.