本技术属于网络检测的，尤其涉及一种网络拥塞预警方法、装置、设备、存储介质及程序产品。
背景技术：
1、目前，随着互联网技术的发展，互联网逐渐成为人们日常生活中不可缺少的一部分。
2、当使用网络的用户逐渐增多时，网络资源受到冲击，造成网络拥塞，影响人们网络的使用。
3、网络拥塞是指一种持续过载的网络状态，由于有限的带宽、存储空间和处理器能力等因素，用户对网络资源的需求超过了固有的处理能力，当发生网络拥塞时，会出现资源紧张，数据包传输过程中发生丢包和延时等问题。因此亟需一种网络拥塞预警方法、装置、设备、存储介质及程序产品。
技术实现思路
1、本技术实施例提供一种网络拥塞预警方法、装置、设备、存储介质及程序产品，能够对网络拥塞提前预警，改善网络拥塞现象，提高用户体验。
2、一方面，本技术实施例提供一种网络拥塞预警方法，方法包括：
3、获取多个不同区域不同设备的当前网络性能参数；
4、将所述当前网络性能参数输入至网络拥塞模型内，对所述当前网络性能参数执行以下步骤，以得到所述网络性能参数对应的未来网络状态：
5、在所述网络拥塞模型中，计算所述当前网络性能参数在所述网络拥塞模型中每个神经元的连接权重值，得到最佳连接权重值，将所述最佳连接权重值对应的神经元作为获胜神经元；
6、对所述获胜神经元进行聚类，得到邻域神经元集；
7、对邻域神经元集中的每个所述领域神经元进行连接权重值调整，得到所述当前网络性能参数对应的多个未来网络状态；
8、将所述未来网络状态按照预设时间周期进行分类，得到分类后的多个未来网络状态；
9、对所述分类后的多个未来网络状态进行最大池化处理，得到未来每个时间周期内的未来网络状态。
10、可选的，所述获取当前网络性能参数包括：
11、使用预设网络工具采集原始网络性能参数，所述原始网络性能参数包括带宽使用率、数据包丢失率、数据包延迟和流量大小；
12、对所述原始网络性能参数进行数据预处理，得到当前网络性能参数，所述数据预处理包括标准化处理、缺失值处理和归一化处理中的至少一种处理方式。
13、可选的，在计算所述当前网络性能参数在所述网络拥塞模型中每个神经元的连接权重值，得到最佳连接权重值之前，所述方法还包括：
14、按照预设连接权重值对所述网络拥塞模型中的每个神经元的连接权重值进行初始化，得到初始化连接权重值。
15、可选的，在计算所述当前网络性能参数在所述网络拥塞模型中每个神经元的连接权重值，得到最佳连接权重值之前，所述方法还包括：
16、获取初始学习率；
17、根据预设学习率衰减速度对所述初始学习率进行衰减调整，得到适应学习率。
18、可选的，所述计算所述当前网络性能参数在所述网络拥塞模型中每个神经元的连接权重值，得到最佳连接权重值包括：
19、将所述当前网络性能参数进行向量转化，得到所述当前网络性能的第一特征向量；
20、获取初始化连接权重值；
21、将所述第一特征向量和所述初始化连接权重值作差平方，得到每个神经元的相似值；
22、将每个所述相似值进行大小比较，将最小的相似值作为最佳相似值，将所述最佳相似值对应的连接权重值作为最佳连接权重值。
23、可选的，所述对所述获胜神经元进行聚类，得到邻域神经元集包括：
24、获取所述网络拥塞模型的初始影响范围；
25、计算每个神经元与获胜神经元的第一距离值；
26、根据所述初始影响范围、预设时间步数、预设衰减系数和第一距离值计算影响距离值，所述影响距离值为所述获胜神经元对产生影响的邻近神经元的距离值；
27、根据所述获胜神经元和影响距离值确定邻域，所述邻域包括以获胜神经元为圆心、影响距离值为半径的区域；
28、将所述邻域内所有的神经元作为邻域神经元，形成邻域神经元集。
29、可选的，所述对邻域神经元集中的每个所述领域神经元进行连接权重值调整包括：
30、获取适应学习率、第一特征向量和当前神经元的当前连接权重值；
31、根据所述适应学习率、影响距离值、第一特征向量和连接权重值计算权重变化量；
32、根据所述权重变化量对每个神经元的当前连接权重值进行调整，以得到当前神经元映射的未来网络状态。
33、可选的，在所述对所述分类后的多个未来网络状态进行最大池化处理，得到未来每个时间周期内的未来网络状态之后，所述方法还包括：
34、获取所述多个不同区域不同设备的第一预设历史周期的第一历史网络状态值，所述第一历史网络状态值包括当前设备的第一预设历史周期的网络状态值；
35、根据所述第一历史网络状态计算历史网络状态值的自回归系数；
36、获取第一历史白噪声，所述第一历史白噪声包括当前设备的第一预设历史周期的白噪声；
37、根据所述第一历史白噪声计算白噪声的移动平均系数；
38、获取当前网络状态值和白噪声误差项；
39、根据所述自回归系数、移动平均系数、当前网络状态值和白噪声误差值计算未来时刻的网络状态值。
40、可选的，在根据所述自回归系数、移动平均系数、当前网络状态值和白噪声误差值计算未来时刻的网络状态值之后，所述方法还包括：
41、在预设预警阈值的数量为一个的情况下，所述未来时刻的网络状态值大于预设预警阈值，将所述未来时刻的网络状态值作为预警信息并发送至预设终端；或者，
42、在预设预警阈值的数量为多个的情况下，根据所述预设预警阈值划分多个预警区间；
43、根据所述未来时刻的网络状态值和多个预警区间确定未来时刻的预警等级；
44、将所述预警等级和所述未来时刻的网络状态值作为预警信息并发送至预设终端。
45、另一方面，本技术实施例提供了一种网络拥塞预警装置，装置包括：
46、获取模块，用于获取多个不同区域不同设备的当前网络性能参数；
47、输入模块；将所述当前网络性能参数输入至网络拥塞模型内，对所述当前网络性能参数执行以下步骤，以得到所述网络性能参数对应的未来网络状态：
48、输入模块包括：
49、计算单元，用于在所述网络拥塞模型中，计算所述当前网络性能参数在所述网络拥塞模型中每个神经元的连接权重值，得到最佳连接权重值，将所述最佳连接权重值对应的神经元作为获胜神经元；
50、聚类单元，用于对所述获胜神经元进行聚类，得到邻域神经元集；
51、调整单元，用于对邻域神经元集中的每个所述领域神经元进行连接权重值调整，得到所述当前网络性能参数对应的多个未来网络状态；
52、分类单元，用于将所述未来网络状态按照预设时间周期进行分类，得到分类后的多个未来网络状态；
53、池化单元，用于对所述分类后的多个未来网络状态进行最大池化处理，得到未来每个时间周期内的未来网络状态。
54、再一方面，本技术实施例提供了一种电子设备，设备包括：
55、处理器以及存储有计算机程序指令的存储器；
56、所述处理器执行所述计算机程序指令时实现如第一方面所述的网络拥塞预警方法。
57、再一方面，本技术实施例提供了一种计算机存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如第一方面所述的网络拥塞预警方法。
58、再一方面，本技术实施例提供了一种计算机程序产品，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如第一方面所述的网络拥塞预警方法。
59、本技术实施例的网络拥塞预警方法、装置、设备及计算机存储介质，能够通过训练得到的网络拥塞模型对当前网络性能参数进行无监督学习，网络拥塞模型根据当前网络性能参数进行竞争学习，得到获胜神经元，获胜神经元与当前网络性能参数进行映射，并通过获胜神经元进行聚类分析，得到邻域神经元集，以使邻域神经元集中的每个邻域神经元根据当前网络性能参数输出未来某个小时的网络状态，从而实现对该时间段网络状态的预测，以使对网络拥塞提前预警，改善网络拥塞现象，提高用户体验。
1.一种网络拥塞预警方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取当前网络性能参数包括：
3.根据权利要求1所述的方法，其特征在于，在计算所述当前网络性能参数在所述网络拥塞模型中每个神经元的连接权重值，得到最佳连接权重值之前，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，在计算所述当前网络性能参数在所述网络拥塞模型中每个神经元的连接权重值，得到最佳连接权重值之前，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，所述计算所述当前网络性能参数在所述网络拥塞模型中每个神经元的连接权重值，得到最佳连接权重值包括：
6.根据权利要求1-5任一项所述的方法，其特征在于，所述对所述获胜神经元进行聚类，得到邻域神经元集包括：
7.根据权利要求6所述的方法，其特征在于，所述对邻域神经元集中的每个所述领域神经元进行连接权重值调整包括：
8.根据权利要求1所述的方法，其特征在于，在所述对所述分类后的多个未来网络状态进行最大池化处理，得到未来每个时间周期内的未来网络状态之后，所述方法还包括：
9.根据权利要求8所述的方法，其特征在于，在根据所述自回归系数、移动平均系数、当前网络状态值和白噪声误差值计算未来时刻的网络状态值之后，所述方法还包括：
10.一种网络拥塞预警装置，其特征在于，所述装置包括：
11.一种电子设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-9任意一项所述的网络拥塞预警方法。
13.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-9任意一项所述的网络拥塞预警方法。
