CN111372271B - 区间划分方法、相关设备及计算机存储介质 - Google Patents
区间划分方法、相关设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111372271B CN111372271B CN201811606978.7A CN201811606978A CN111372271B CN 111372271 B CN111372271 B CN 111372271B CN 201811606978 A CN201811606978 A CN 201811606978A CN 111372271 B CN111372271 B CN 111372271B
- Authority
- CN
- China
- Prior art keywords
- target
- density function
- position coordinates
- probability density
- sampling data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005070 sampling Methods 0.000 claims abstract description 137
- 238000009826 distribution Methods 0.000 claims description 177
- 230000006870 function Effects 0.000 claims description 119
- 238000012545 processing Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 13
- 230000002159 abnormal effect Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 9
- 230000007774 longterm Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
Abstract
本申请提供一种区间划分方法,包括:在确定有终端存在质差的情况下,获取目标根因指标对应的多个采样数据,根据所述多个采样数据确定所述多个采样数据的目标概率密度函数;根据预先指定的n个概率值和所述多个采样数据的目标概率密度函数确定n个分位数,在所述采样数据区间中确定所述n个分位数分别对应的n个位置坐标,基于所述n个位置坐标将所述采样数据区间划分出多个区间。通过对每次采集的根因指标对应的数据进行概率拟合,然后计算分位点的方法,可以实现对根因指标对应的数据自适应的划分区间,从而能够避免由于人工对同一根因指标划分固定的区域而导致的根因分析不准确,效率低下的问题。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种区间划分方法、相关设备及计算机存储介质。
背景技术
随着无线网络的普及,越来越多的终端设备接入无线网络中以享受无线网络带来的便利。在某些情况下,终端设备请求接入无线网络的过程中会发生各种问题,例如通话质量差、网络卡顿等,将这些无线网络中的问题称为质差。为了保证无线网络服务质量,快速诊断出故障发生的根因是很有必要的。
传统的无线网络问题根因识别方法主要基于人工模式。具体地,运维人员对获取的每种根因指标的相关数据根据经验划定多个区间范围,然后给每个区间范围分配一个评分,再根据根因指标中每个数据对应的评分,确定每个根因指标对应的最终评分,将最终评分不在正常范围内的根因指标作为终端出现质差的最终根因。但是,当前这种人工对根因指标对应的数据划分区间的方式是一种固定的划分方法,当无线网络环境随着空间和时间的发生变化时,人工划分区间的方式划分的区间范围不能跟随变化,从而会导致对根因的分析不准确。另外,根因识别中涉及到的指标数量众多,每个指标采集的数据量巨大,如果全部通过人工进行分析,会导致效率低下。
发明内容
本申请公开了一种区域划分方法、相关设备及计算机存储介质,能够通过对每次采集的根因指标对应的数据进行概率分布拟合,然后计算分位点的方法,可以实现对根因指标对应的数据实现自适应的划分区间,提高对质差根因分析的正确性。
第一方面,本申请提供了一种区间划分方法,所述方法包括:
在确定有终端存在质差的情况下,获取目标根因指标对应的多个采样数据,所述多个采样数据包括与接入点连接的多个终端的所述目标根因指标对应的数据,所述多个采样数据中的每个数据均属于采样数据区间;
根据所述多个采样数据确定所述多个采样数据的目标概率密度函数;
根据预先指定的n个概率值和所述多个采样数据的目标概率密度函数确定n个分位数,其中,所述n个概率值中的一个概率值对应所述n个分位数中的一个分位数,n为大于1的整数;
在所述采样数据区间中确定所述n个分位数分别对应的n个位置坐标,基于所述n个位置坐标将所述采样数据区间划分出多个区间,其中,n个位置坐标的数值分别等于所述n个分位数。
由于所述多个采样数据为质差终端出现质差问题前预设时间段的目标根因指标对应的数据,因此每次采集得到的所述多个采样数据均不相同,根据所述多个采样数据拟合得到的目标概率密度函数也不相同,而所述n个概率值是一定的,则两次根据相同的概率值和不同的概率密度函数计算得到的n个分位数会出现不同,进而每次对所述采样数据区间划分的区间范围也会出现不同,从而能够对根因指标对应的数据自适应的划定区间范围,从而能够避免由于人工对同一根因指标一直划分固定的区域而导致的根因分析不准确,效率低下的问题。
可选地,所述目标根因指标为引起质差的多个根因指标中的任意一个,所述采样数据为在预设时间段对所述目标根因指标进行数据采集所采集到的数据;
所述采样数据区间为所述目标根因指标能够取得的最小值与最大值所述确定的区间。
可选地,确定所述多个采样数据的目标概率密度函数属于多种基础概率分布类型中的目标基础概率分布类型;
根据所述目标基础概率分布类型以及预设对应关系,确定所述目标概率密度函数对应的目标基线类型,其中,所述目标基线类型属于多种基线类型,所述预设对应关系用于表示所述多种基础概率分布类型与所述多种基线类型的对应关系,所述多种基础概率分布类型中的每种基础概率分布类型对应所述多种基线类型中的一种基线类型,所述多种基线类型中的每种基线类型对应一种或者多种基础概率分布类型;
根据所述目标基线类型将n个位置坐标中的不满足要求的位置坐标进行删除。
可选地,根据所述目标基线类型将n个位置坐标中的不满足要求的位置坐标进行删除,包括:
在所述目标基线类型为中间基线类型的情况下,将所述n个位置坐标中大于第一坐标的位置坐标删除,并将所述n个位置坐标中小于第二坐标的位置坐标删除,所述第一坐标和第二坐标是根据所述目标根因指标对应的历史数据计算得到的;
在所述目标基线类型为左基线类型的情况下,将n个位置坐标中大于第二坐标的位置坐标删除;
在所述目标基线类型为右基线类型的情况下,将n个位置坐标中小于第一坐标的位置坐标删除。
可选地,所述确定所述多个采样数据的目标概率密度函数属于多种基础概率分布类型中的目标基础概率分布类型,包括:
在所述目标概率密度函数和所述目标基础概率分布类型对应的基础概率密度函数之间的目标熵值为多个熵值中最小的情况下,确定所述目标概率密度函数属于所述多种基础概率分布类型中的目标基础概率分布类型;
其中,所述多个熵值包括所述目标概率密度函数与所述多个基础概率分布类型中每个基础概率分布类型对应的基础概率密度函数之间的熵值。
可选地,根据如下公式确定所述多个采样数据的概率密度函数和所述目标基础概率分布类型对应的基础概率密度函数之间的目标熵值:
其中,Ent(f||q)表示f(x)和q(x)之间的相对熵,所述f(x)为所述多个采样数据对应的目标概率密度函数,所述q(x)为所述目标基础概率分布类型对应的基础概率密度函数,fi为将f(x)划分为多个子函数后的任意一个子函数,Ent(fi||q)表示任意一个子函数fi(x)与所述q(x)之间的相对熵,S={f1,f2,……,fN}表示f(x)包括的多个子函数的集合,N(S)表示所述子函数的个数。
可选地,确定所述多个采样数据的目标概率密度函数与所述多个采样数据之间的评价参数,在所述评价参数的值满足预设条件的情况下,确定所述目标概率密度函数对所述多个采样数据的拟合效果满足预设要求;其中,所述评价参数包括误差平方和、均方差、均方根误差、决定系数或校正决定系数中的任意一种。
第二方面,本申请实施例提供一种区间划分装置,所述装置包括:
获取模块,用于在确定有终端存在质差的情况下,获取目标根因指标对应的多个采样数据,所述多个采样数据包括与接入点连接的多个终端的所述目标根因指标对应的数据,所述多个采样数据中的每个数据均属于采样数据区间;
处理模块,用于根据所述多个采样数据确定所述多个采样数据的目标概率密度函数;
所述处理模块,还用于根据预先指定的n个概率值和所述多个采样数据的目标概率密度函数确定n个分位数,其中,所述n个概率值中的一个概率值对应所述n个分位数中的一个分位数,n为大于1的整数;
所述处理模块,还用于在所述采样数据区间中确定所述n个分位数分别对应的n个位置坐标,基于所述n个位置坐标将所述采样数据区间划分出多个区间,其中,n个位置坐标的数值分别等于所述n个分位数。
可选地,所述处理模块具体用于:
确定所述多个采样数据的目标概率密度函数属于多种基础概率分布类型中的目标基础概率分布类型;
根据所述目标基础概率分布类型以及预设对应关系,确定所述目标概率密度函数对应的目标基线类型,其中,所述目标基线类型属于多种基线类型,所述预设对应关系用于表示所述多种基础概率分布类型与所述多种基线类型的对应关系,所述多种基础概率分布类型中的每种基础概率分布类型对应所述多种基线类型中的一种基线类型,所述多种基线类型中的每种基线类型对应一种或者多种基础概率分布类型;
根据所述目标基线类型将n个位置坐标中的不满足要求的位置坐标进行删除。
可选地,所述处理模块具体用于:
在所述目标基线类型为中间基线类型的情况下,将所述n个位置坐标中大于第一坐标的位置坐标删除,并将所述n个位置坐标中小于第二坐标的位置坐标删除,所述第一坐标和第二坐标是根据所述目标根因指标对应的历史数据计算得到的;
在所述目标基线类型为左基线类型的情况下,将n个位置坐标中大于第二坐标的位置坐标删除;
在所述目标基线类型为右基线类型的情况下,将n个位置坐标中小于第一坐标的位置坐标删除。
可选地,所述处理模块具体用于:
在所述目标概率密度函数和所述目标基础概率分布类型对应的基础概率密度函数之间的目标熵值为多个熵值中最小的情况下,确定所述目标概率密度函数属于所述多种基础概率分布类型中的目标基础概率分布类型;
其中,所述多个熵值包括所述目标概率密度函数与所述多个基础概率分布类型中每个基础概率分布类型对应的基础概率密度函数之间的熵值。
可选地,所述处理模块根据如下公式确定所述多个采样数据的目标概率密度函数和所述目标基础概率分布类型对应的基础概率密度函数之间的目标熵值:
其中,Ent(f||q)表示f(x)和q(x)之间的相对熵,所述f(x)为所述多个采样数据对应的目标概率密度函数,所述q(x)为所述目标基础概率分布类型对应的基础概率密度函数,fi为将f(x)划分为多个子函数后的任意一个子函数,Ent(fi||q)表示任意一个子函数fi(x)与所述q(x)之间的相对熵,S={f1,f2,……,fN}表示f(x)包括的多个子函数的集合,N(S)表示所述子函数的个数。
可选地,所述处理模块还用于:
确定所述多个采样数据的目标概率密度函数与所述多个采样数据之间的评价参数,在所述评价参数的值满足预设条件的情况下,确定所述目标概率密度函数对所述多个采样数据的拟合效果满足预设要求;其中,所述评价参数包括误差平方和、均方差、均方根误差、决定系数或校正决定系数中的任意一种。
第三方面,本申请提供一种网络设备,包括处理器、通信接口以及存储器;所述存储器用于存储指令,所述处理器用于执行所述指令,所述通信接口用于在所述处理器的控制下与其他设备进行通信;其中,所述处理器执行所述指令时执行上述第一方面或第一方面的任意可能的实施方式中所描述的方法。
第四方面,本申请提供非瞬态的计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法或第一方面的任意可能的实施方式中所描述的方法。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1是本申请提供的一种应用场景示意图;
图2是本申请提供的一种概率密度曲线中对应分位数示意图;
图3是本申请提供的一种区间划分方法的流程示意图;
图4A是本申请提供的一种中间基线类型对应的区间划分示意图;
图4B是本申请提供的一种右基线类型对应的区间划分示意图;
图4C是本申请提供的一种左基线类型对应的区间划分示意图;
图5是本申请提供的一种区间划分装置示意图;
图6是本申请提供的一种区间划分设备的结构示意图。
具体实施方式
随着通信技术的发展以及用户对网络的需求,无线局域网(wireless local areanetworks,WLAN)得到迅速的发展,但是WLAN网络通常由于干扰、覆盖范围等原因导致网络卡顿等质差问题,在终端反馈出现质差问题后,运维人员需要迅速进行根因分析以便找出出现质差的根因并进行修复。
当前,在有终端出现质差问题时,主要是通过人工对采集的每一个根因指标对应的数据,根据经验划定多个区间范围,然后给每个区间范围分配一个评分,再根据出现质差问题的终端的每个根因指标中每个数据对应的评分,确定每个根因指标对应的最终评分,将最终评分不在正常范围内的根因指标作为终端出现质差的最终根因。举例来讲,在一个网络环境中,若一个终端上报出现质差问题,将该终端称为质差终端,对应的多个质差根因中的其中一个质差根因可能是接收信号弱,接收信号弱体现为接收的信号强度指示(received signal strength indication,RSSI)出现异常,则运维人员将预设时间段采集的该网络中接入点连接的所有终端的RSSI的值划分为(-50,0)、(-60,-50]、(-70,-60]、(-80,-70]、(-90,-80]以及(-∞,-90]六个区间,对这六个区间分别分配以分数值0至5,其中,分数值越大表示对应区间范围内的RSSI的值越异常;然后确定所述质差终端对应的多个RSSI值中每个值所属的区间,进而可以确定质差终端中每个值对应的分数值以及该质差终端的RSSI对应的所有分数值的平均值,在所述平均值大于预设阈值时,即认为所述质差终端的RSSI异常,接收信号弱是所述质差终端出现质差的一个根因。
但是,当前这种人工划定区间范围的方式是一种固定的划分方法,是在特定的网络环境下,根据积累的经验得到的一种固定的区间划分方法,例如,在一个网络环境中,根据经验将RSSI划分为(-50,0)、(-60,-50]、(-70,-60]、(-80,-70]、(-90,-80]以及(-∞,-90]六个区间,对这五个区间分别分配以分数值0至5。在第一时刻,由于网络设备性能良好以及网络环境良好,在该网络环境下RSSI的值在-70dBm以上时认为是正常,采用上述划分的区域以及每个区域分配的分数值,能够正确判断RSSI是否是终端质差的根因,如当计算得到质差终端的RSSI值对应的所有分数值的平均值大于或者等于3分,由于(-80,-70]这个区间范围的RSSI的值对应的分数为3分,说明所述质差终端的RSSI的值大部分在-70dBm以下,则认为所述质差终端的RSSI异常,接收信号弱是导致所述质差终端出现质差的一个根因。
若随着时间的推移,在第二时刻,由于网络设备出现老化等原因,导致在该网络环境中,任意一个终端的RSSI的值大部分时间在(-80,-70]范围内,即在第二时刻,该网络环境中RSSI的值在-80dBm以上才认为是正常,若在第二时刻仍然采用上述划分的区域以及每个区域分配的分数值,则任何一个终端的RSSI的对应的平均值都可能大于或者等于3,从而可能会将此刻为正常指标的RSSI误判为异常指标,因此,当前采用人工对根因指标数据划定的区间范围不能跟随网络环境空间和时间的变化而变化,会导致对质差根因的分析不准确。另外,WLAN网络涉及的根因指标数量繁多,例如RSSI、信道利用率、信噪比(signal-noise ratio,SNR)、同频干扰率、内存占用率、中央处理器(central processing unit,CPU)占用率、下行协商速率等,每个指标采集的数据的数量巨大,每个指标都依靠人工对数据进行分析,会导致根因分析效率低下。
针对上述问题,本申请提供一种对根因指标对应的数据进行区间划分的方法,如图1所示,图1是本申请提出的方法的应用场景,一个或者多个终端通过WLAN网络与接入点(access point,AP)连接,AP采集终端连接过程中的每个根因指标的数据发送给分析器,当有终端发现出现质差问题时,将该终端称为质差终端,所述分析器接收到质差终端发送的质差问题后,分析器启动根因分析功能,以确定所述质差终端出现质差的根因。
在对本申请提供的区间划分方法进行介绍之前,首先对本申请实施例中涉及到的分位数以及概率密度函数曲线中的基线等概念进行介绍。
在统计学中,若随机变量X的分布函数为F(X),对于任意给定的实数α,其中,0<α<1,若存在xα满足如下公式:
则称xα为该概率分布的α分位数,其中,f(x)为所述随机变量X对应的概率密度函数,如图2所示,图2是概率密度函数f(x)对应的曲线,图2中xα左侧阴影部分的面积α表示随机变量X中小于xα的所有变量的概率。
本申请实施例中,在对所述AP采集的每个根因指标对应的数据进行分析时,所述分析器需要获取每个根因指标对应的第一坐标值与第二坐标值,其中,所述第一坐标值大于所述第二坐标值。所述第一坐标和所述第二坐标是对一个网络环境中每个根因指标对应的长期历史数据进行分析得到的两个预设值,每个根因指标对应的所述第一坐标与所述第二坐标所确定的初始区间,能够使每个根因指标对应的长期历史数据中大于预设百分比的数据处于所述第一区间。例如,对所述长期历史数据进行拟合,得到所述长期历史数据对应的概率密度函数符合图2中的曲线,然后指定两个概率值α1和α2,其中,1>α1>α2>0,则根据上述公式1可以计算得到两个分位数x1和x2,将所述x1作为第一坐标,x2作为第二坐标,若所述α1为0.85,α2为0.15,则所述长期历史数据中有70%的数据处于区间[x1,x2]中。如图2所示,若在x1和x2处各画一条垂直于横轴的直线,则将这两条直线称为该根因指标对应的边缘基线。
具体的,如图3所示,图3是本申请实施例提供的一种区间划分方法,其中,所述方法包括:
S101、在确定有终端存在质差的情况下,获取目标根因指标对应的多个采样数据。
在图1中,若终端1出现质差问题,所述分析器根据所述终端1上报的质差类型,获取AP在预设时间段内采集的能够引起所述质差问题的所有根因指标中目标根因指标对应的多个采样数据,所述目标根因指标为能够引起所述质差问题的多个根因指标中的任意一个,所述多个采样数据为与所述AP连接的所有终端的所述目标根因指标在所述预设时间段的数据,所述多个采样数据中的每个数据均属于采样数据区间,所述采样数据区间为所述目标根因指标能够取得的最小数值与最大数值所确定的区间。
举例来讲,在图1中,终端1出现播放画面卡顿的质差问题,所述分析器在确定所述终端1出现上述质差之后,首先确定播放画面卡顿与RSSI、SNR、CPU占用率、上行协商速率以及下行协商速率等根因指标有关,所述分析器获取上述每个根因指标在预设时间段的数据,然后依次将每个根因指标作为目标根因指标,获取目标根因指标在所述预设时间段的数据作为多个采样数据。例如,所述分析器首先获取AP在预设时间段采集的与所述AP连接的4个终端的RSSI的值,即无论终端是否发生质差,所述分析器都会获取该终端在预设时间段的RSSI的值,将这4个终端在预设时间段的RSSI的值作为多个采样数据,所述RSSI对应的采样数据区间为(-∞,0)。若根据分析结果确定所述RSSI不是引起所述质差问题的根因,再获取所述AP在预设时间段采集的与所述AP连接的4个终端的CPU占用率,将这4个终端在预设时间段的CPU占用率的值作为多个采样数据,所述CPU占用率对应的采样数据区间为[0,100%],进而分析所述质差终端的CPU占用率是否正常,以此类推,通过对能够引起上述质差的每个根因指标对应的数据进行分析,从而得到引起所述终端1播放画面卡顿的一个或者多个根因。
S102、根据所述多个采样数据确定所述多个采样数据的目标概率密度函数。
所述分析器在获取所述目标根因指标对应的多个采样数据之后,所述分析器对所述多个采样数据按照所述目标根因指标对应的预设概率分布进行概率分布拟合,得到所述多个采样数据对应的目标概率密度函数f(x)。其中,所述预设概率分布是基于所述目标根因指标的长期历史数据分析得到,每种根因指标对应一种预设概率分布,例如,若所述目标根因指标为RSSI,根据RSSI的长期历史数据分析得到所述RSSI的值符合正态分布,则所述分析器对所述RSSI对应的多个采样数据按照正态分布进行拟合,得到所述RSSI对应的多个采样数据对应的目标概率密度函数和目标概率分布函数。若所述目标根因指标为CPU占用率,根据CPU占用率长期历史数据分析得到所述CPU占用率的值符合泊松分布,则所述分析器对所述CPU占用率对应的多个采样数据按照泊松分布进行拟合,得到所述CPU占用率对应的多个采样数据对应的目标概率密度函数和目标概率分布函数。
可以理解,所述预设概率分布可以是正态分布(normal distribution),可以是泊松分布(Poisson distribution),可以是拉普拉斯分布(Laplace distribution),也可以是伯努利分布(Bernoulli distribution),还可以是指数分布、威布尔分布(Weibulldistribution)、卡方分布等,本申请实施例不做具体限制。
S103、根据预先指定的n个概率值和所述采样数据的目标概率密度函数确定n个分位数。
本申请实施例中,对所述多个采样数据进行概率分布拟合得到所述多个采样数据对应的目标概率密度函数之后,结合上述公式1,所述分析器根据预先指定的n个概率值(y1,y2,……,yn)以及所述多个采样数据对应的目标概率密度函数f(x)计算得到n个分位数(x1,x2,……,xn),其中,yi=f(xi),i为小于n的正整数,0<y1<y2<……<yn,所述n个概率值中的任意一个概率值相当于上述公式1中的α,则根据预先指定的n个概率值中任意一个概率值,可以根据上述公式1计算得到对应的分位数,所述n个概率值中的一个概率值对应所述n个分位数中的一个分位数。
S104、在所述采样数据区间中确定所述n个分位点分别对应的n个位置坐标,基于所述n个位置坐标将所述采样数据区间划分出多个区间,其中,n个位置坐标的数值分别等于所述n个分位点的数值。
本申请实施例中,所述n个分位数为根据所述多个采样数据对应的目标概率密度函数计算得到,因此所述n个分位数必然在所述多个采样数据中最大值与最小值确定的区间范围内,所述多个采样数据均属于所述采样数据区间,则所述n个分位数中的每个分位数必然属于所述采样数据区间,将所述n个分位数作为所述采样数据区间中的n个位置坐标,在所述n个位置坐标处画出n条基线,则所述n个位置坐标可以将所述采样数据区间划分为n+1个区间,其中,每两个相邻的位置坐标确定一个区间,举例来讲,所述目标根因指标为CPU占用率,预先指定的4个概率值分别为(0.6,0.7,0.8,0.9),根据拟合得到的CPU占用率的目标概率密度函数f(x)计算得到对应的4个分位数为(50%,54%,61%,70%),则将这4个分位数作为CPU占用率对应的采样数据区间[0,100%]中的位置坐标,可以将所述采样数据区间划分为[0,50%]、(50%,54%]、(54%,61%]、(61%,70%]以及(70%,100%]这5个区间。
可以理解,上述n个位置坐标的值分别与所述n个分位数相等,所述n个分位数为根据预先指定的n个概率值和所述多个采样数据的目标概率密度函数确定,由于所述多个采样数据为质差终端出现质差问题前预设时间段的目标根因指标对应的数据,因此每次采集得到的所述多个采样数据均不相同,根据所述多个采样数据拟合得到的目标概率密度函数也不相同,而所述n个概率值是一定的,则两次根据相同的概率值和不同的目标概率密度函数计算得到的n个分位数会出现不同,进而每次对所述采样数据区间划分的区间范围会因为每次采集的数据的不同而不同,从而能够根据不同时刻不同网络环境下采集到的每个根因指标对应的数据自适应的划定区间范围,从而能够避免由于人工对同一根因指标一直划分固定的区间而导致的根因分析不准确,效率低下的问题。
举例来讲,所述目标根因指标为CPU占用率,预先指定的4个概率值分别为(0.6,0.7,0.8,0.9),在第一时刻,根据采集到的多个采样数据拟合得到的CPU占用率的目标概率密度函数为f1(x),计算得到对应的4个分位数为(50%,54%,61%,70%),则将这4个分位数作为CPU占用率对应的采样数据区间[0,100%]中的位置坐标,可以将所述采样数据区间划分为[0,50%]、(50%,54%]、(54%,61%]、(61%,70%]以及(70%,100%]这5个区间,分别给这五个区间分配以分数值0至4;在第二时刻,根据采集到的多个采样数据拟合得到的CPU占用率的目标概率密度函数为f2(x),计算得到对应的4个分位数为(62%,66%,73%,85%),则将这4个分位数作为CPU占用率对应的采样数据区间[0,100%]中的位置坐标,可以将所述采样数据区间划分为[0,62%]、(62%,66%]、(66%,73%]、(73%,85%]以及(85%,100%]这5个区间,分别给这五个区间分配以分数值0至4。通过上述数据可以看出,在第一时刻,CPU占用率低于61%的概率为0.8,而在第二时刻,CPU占用率低于73%的概率为0.8,说明在第二时刻,网络中终端的CPU占用率均值均有所升高,由于在第二时刻网络中终端的CPU占用率均有所提高,说明在第二时刻CPU占用率较高可能是正常状况,例如网络中每个终端需要处理的数据量增加,在第一时刻划分的区间并不适用于第二时刻的网络环境,例如,CPU占用率为62%时,在第一时刻属于的区间对应的分数值为3,而在第二时刻属于的区间对应的分数值为0,若在第二时刻继续采用第一时刻的划分的区间以及分配的分数值,则会导致在此刻为正常的指标被误判为不正常,而采用本申请提供的区间划分方法,可以根据每次采集到的数据自适应的划分区间,提高对质差根因分析的正确性。
本申请实施例中,对所述采样数据区间进行区间划分的目的是为了给不同的区间范围内的值根据数据的异常程度分配不同的分数值,进而分析所述质差终端对应的所述目标根因指标的数据是否异常,从而确定所述目标根因指标是否为质差终端出现质差的根因。但是,根因指标不同时,根因指标对应的数据中异常数据所对应的区间范围不同,因此需要确定每种根因指标对应的数据中异常数据出现的区间,而数据对应的概率分布的分布特性可以反映异常值出现的范围,例如,泊松分布中,值越大出现的概率越小,可以认为若所述目标根因指标对应的长期历史数据符合泊松分布,则目标根因指标对应的数据中,值越大越异常,例如CPU占用率,CPU占用率越高越不正常。结合上述实施例中对所述第一坐标与所述第二坐标的阐述,可以认为符合泊松分布的根因指标对应的数据中,CPU占用率中大于所述第一坐标值x1的CPU占用率为异常值,在对所述采样数据区间进行区间范围划分时,主要对所述采样数据区间中大于所述第一坐标值的区间进行区间范围划分,即在所述边缘基线中右侧边缘基线的右侧根据所述n个位置坐标画出多条基线。
根据上述分析,所述目标根因指标对应的多个采样数据中,异常值出现的范围与所述多个采样数据对应的概率分布有关,而在所有的概率分布中,不同的概率分布具有相似的分布特性,例如正态分布、拉普拉斯分布以及瑞利分布等对应的概率密度曲线均是两边低、中间高的钟型曲线,具有相似的分布特性,另外,同一种概率分布在参数不同的情况下,对应的分布特性也会不同,例如泊松分布,泊松分布的概率密度函数为:
其中,λ为正整数,x为大于或者等于0的整数,f(x)表示单位时间内,在随机事件平均发生λ次的条件下,实际发生x次的概率。其中,泊松分布随着参数λ的增大,概率密度曲线会越来越接近于两边对称,即泊松分布随着参数λ的增大,分布特性会越来越接近于正态分布,在λ大于或等于50的时候,可以用正态分布近似处理泊松分布。
因此,本申请实施例中,可以指定多种常见但是分布特性差别较大的概率分布作为多种基础概率分布类型,例如选取标准正态分布、λ=1的泊松分布、λ=1的指数分布、均匀分布、伯努利分布作为基础概率分布类型,其中,所述多种基础概率分布类型中的每种基础概率分布类型包括多种概率分布,例如,标准正态分布对应的基础概率分布类型中包括正态分布、拉普拉斯分布、瑞利分布以及参数λ大于或等于50的泊松分布。
根据上述分析,在确定所述多个采样数据的概率密度函数之后,还需要确定所述多个采样数据的目标概率密度函数所属的基础概率分布类型,进而结合所述边缘基线对应的坐标值对所述n个位置坐标中不在边缘基线对应的坐标值确定的范围内的位置坐标进行删除。可以理解,可以将所述边缘基线分为多种基线类型,所述基线类型包括中间基线类型、左基线类型以及右基线类型,所述基线类型指示对所述采样数据区间进行区间划分时的划分范围。具体的,在所述基线类型为右基线类型的情况下,将所述采样数据区间中大于所述第一坐标值的数据划分出多个区间,即将上述n个位置坐标中小于所述第一坐标的位置坐标删除;在所述基线类型为中间基线类型的情况下,将所述采样数据区间中小于或者等于所述第一坐标,大于或者等于所述第二坐标的数据划分出多个区间,即将上述n个位置坐标中大于所述第一坐标的位置坐标以及小于所述第二坐标的位置坐标删除;在所述分布类型为左基线类型的情况下,将所述采样数据区间中小于所述第二坐标的数据划分出多个区间,即将上述n个位置坐标中大于所述第二坐标的位置坐标删除。可以理解,上述三种分布类型仅用作举例,不能理解为具体限定。
根据上述阐述,所述分析器在确定所述多个采样数据的目标概率密度函数并得到所述n个位置坐标之后,需要首先确定所述多个采样数据的目标概率密度函数属于所述多种基础概率分布类型中的目标基础概率分布类型,进而根据所述目标基础概率分布类型以及所述多种基础概率分布类型与所述多种基线类型之间的预设对应关系,确定所述多个采样数据对应的目标概率密度函数对应的目标基线类型,然后根据所述多个采样数据的目标概率密度函数对应的目标基线类型对所述n个位置坐标中的不合格位置坐标进行删除。其中,所述目标基线类型属于所述多种基线类型中的任意一种,所述预设对应关系用于表示所述多种基础概率分布类型与所述多种基线类型的对应关系,所述多种基础概率分布类型中的每种基础概率分布类型对应所述多种基线类型中的一种基线类型,所述多种基线类型中的每种基线类型对应一种或者多种基础概率分布类型。
举例来讲,若所述目标根因指标为CPU占用率,所述CPU占用率对应的第一坐标为70%,对应的第二坐标为5%,所述CPU占用率对应的概率分布为λ等于3的泊松分布,而λ等于3的泊松分布对应的基础概率分布类型为λ等于1的泊松分布,λ等于1的泊松分布属于右基线类型,则将所述n个位置坐标中小于70%这个值的位置坐标删除,将CPU占用率在区间(70%,100%]之间的数据划分出多个区间,例如,若将所述n个位置坐标中小于70%这个值的位置坐标删除,剩下的位置坐标为73%、78%、86%与96%,对应到图4B中的泊松分布曲线,图中横坐标单位为%,即在图中实线表示的两条边缘基线中右侧边缘基线的右侧,分别在横轴上73%、78%、86%与96%这四个点处画一条垂直于横轴的基线,如图4B中虚线所示,将右侧边缘基线右侧划分为(70%,73%]、(73%,78%]、(78%,86%]、(86%,96%]以及(96%,100%]五个区间范围。
若所述目标根因指标为RSSI,所述RSSI对应的第一坐标为-50dBm,第二坐标为-90dBm,所述RSSI对应的概率分布为正态分布,正态分布对应的基础概率分布类型为标准正态分布,标准正态分布对应的基线类型为中间基线类型,则将所述n个位置坐标中大于-50,小于-90的位置坐标删除,将RSSI的值在区间[-90,-50]之间的数据划分出多个区间,例如,将所述n个位置坐标中大于-50,小于-90的位置坐标删除之后,剩下的位置坐标分别为-82、-74、-70、-66与-58,对应到图4A中的正态分布曲线,图中横坐标单位为dBm,即在两条边缘基线之间,分别在横轴上-82、-74、-70、-66与-58这五个点处画一条垂直于横轴的基线,如图4A中虚线所示,将边缘基线中间划分为[-90,-82]、(-82,-74]、(-74,-70]、(-70,-66]、(-66,-58]以及(-58,-50]六个区间范围。
若所述目标根因指标为下行协商速率,所述下行协商速率对应的第一坐标为100Mbps,第二坐标为50Mbps,所述下行协商速率对应的概率分布为指数分布,指数分布对应的基础概率分布类型为λ等于1指数分布,λ等于1指数分布对应的基线类型为左侧基线类型,则将所述n个位置坐标中大于50的位置坐标删除,将下行协商速率在区间[0,50)之间的数据划分出多个区间,例如,将所述n个位置坐标中大于50的位置坐标删除之后,剩下的位置坐标为5、8、12与20,对应到图4C中的指数分布曲线,图4C中横轴坐标为Mbps,即在图中实线表示的两条边缘基线中左侧边缘基线的左侧,分别在横轴上5、8、12与20这四个点处画一条垂直于横轴的基线,如图4C中虚线所示,将左侧边缘基线左侧划分为[0,5]、(5,8]、(8,12]、(12,20]以及(20,50)五个区间范围。
本申请实施例中,在确定所述多个采样数据的目标概率密度函数属于所述多种基础概率分布类型中的目标基础概率分布类型时,可以采用本申请提供的熵值计算方法计算所述多个采样数据对应的目标概率密度函数与所述多种基础概率分布类型中每种基础概率分布类型对应的基础概率密度函数之间的熵值,在所述多个采样数据的目标概率密度函数与所述目标基础概率分布类型对应的基础概率密度函数之间的熵值为最小的情况下,确定所述多个采样数据对应的目标概率密度函数属于所述多种概率分布类型中的目标基础概率分布类型。其中,根据如下公式3确定所述多个采样数据的目标概率密度函数和所述目标基础概率分布类型对应的基础概率密度函数之间的目标熵值:
其中,Ent(f||q)表示f(x)和q(x)之间的相对熵,所述f(x)为所述多个采样数据对应的目标概率密度函数,所述q(x)为所述目标基础概率分布类型对应的基础概率密度函数,fi为将f(x)划分为多个子函数后的任意一个子函数,Ent(fi||q)表示任意一个子函数fi(x)与所述q(x)之间的相对熵,S={f1,f2,……,fN}表示f(x)包括的多个子函数的集合,N(S)表示所述子函数的个数。V(p)表示所述采样数据对应的概率分布与所述基础分布中每一种基础分布之间的相似度,V(p)越小,表示两种分布之间的相似度越高。
可以理解,所述相似度还可以通过计算两种分布之间的交叉熵、相对熵(Kullback-Leiblerdivergence,KL散度)、JS散度(Jensen-Shannon divergence)或f散度等,确定所述采样数据对应的目标概率密度函数与所述目标基础概率分布类型之间的相似程度,本申请实施例不做具体限定。
在根据所述n个位置坐标将所述目标根因指标对应的采样数据区间划分出多个区间范围之后,通过确定所述多个采样数据对应的目标概率密度函数所属的基础概率分布类型,并通过所述基础概率分布类型确定所述目标概率密度函数所对应的基线类型,结合所述边缘基线确定所述目标根因指标对应的异常数据出现的范围,进而对所述n个位置坐标中不在异常数据出现范围内的位置坐标进行删除,从而能够对所述目标根因指标在正常数据范围内的区间赋予相同的分数值,而对异常数据划分多个区间,根据异常数据不同区间的异常程度赋予不同的分数值。
在一种可能的实施方式中,在所述分析器将所述根因指标的多个采样数据按照对应的预设概率分布进行拟合得到所述多个采样数据对应的目标概率密度函数之后,所述分析器需要根据预设的评价指标计算所述多个采样数据对应的目标概率密度函数与所述采样数据之间的评价参数,所述评价参数用于衡量所述目标概率密度函数对所述多个采样数据的拟合效果。所述评价指标可以是误差平方和(sum of squares due to error,SSE),可以是均方差(mean squared error,MSE),也可以是均方根误差(root mean squarederror,RMSE),还可以是决定系数(coefficient of determination,R-square)或校正决定系数(adjusted R-square)等,本申请实施例不做具体限定。在所述评价指标满足预设条件的情况下,确定对所述目标概率密度函数对所述多个采样数据的拟合结果可靠,可用于表征所述多个采样数据的概率分布;若所述评价指标不满足预设条件,则采用已知的其他预设概率分布对所述多个采样数据进行拟合,直至所述评价指标满足所述预设条件。例如,所述目标根因指标对应的预设概率分布为正态分布,采用正态分布对所述多个采样数据进行拟合得到目标概率密度函数之后,计算所述目标概率密度函数与所述多个采样数据之间的决定系数,若所述决定系数的值小于预设阈值,则确定所述目标概率密度函数对所述多个采样数据的拟合效果可靠。
本申请实施例中,根据所述多个采样数据的目标概率密度函数对应的基线类型对所述n个位置坐标中的不符合要求位置坐标进行删除,得到目标位置坐标,所述目标位置坐标将所述采样数据区间划分为多个区间之后,所述分析器给每个区间分配一个分数值,所述分数值用于表示对应区间内所述目标根因指标的值的异常程度。具体的,在目标基线类型为右基线类型的情况下,表示所述目标根因指标的值在大于所述第一坐标时,值越大越异常。在所述目标基线类型为中间基线类型的情况下,表示所述目标根因指标的值在大于所述第一坐标时,均认为正常,在小于所述第二坐标时,均认为不正常;或者,在所述目标根因指标的值在大于所述第一坐标时,均认为不正常,在小于所述第二坐标时,均认为正常;或者,在所述目标根因指标的值在大于所述第一坐标或小于所述第二坐标时,均认为不正常。在目标基线类型为左基线类型的情况下,表示所述目标根因指标的值在小于所述第二坐标时,值越小越异常。
在对每个区间分配分数值时,可以将越异常的值分配越高的分数值,也可以将越异常的值分配越低的分数值,本申请实施例中,以越异常的值分配越高的分数值为例进行说明,举例来讲,若所述目标根因指标为CPU占用率,对所述多个采样数据表示的CPU占用率进行拟合后得到的概率分布符合图4B所示的泊松分布,所述多个采样数据被划分为[0,5%)、[5%,70%]、(70%,73%]、(73%,78%]、(78%,86%]、(86%,96%]以及(96%,100%]七个区间,由于在[0,5%)以及[5%,70%]两个区间内的CPU占用率的值均表示正常,在其他区间值越大越异常,则将[0,5%)以及[5%,70%]两个区间分配以最小的分数值1,将(70%,73%]、(73%,78%]、(78%,86%]、(86%,96%]以及(96%,100%]五个区间依次分配以分数值2至6。若所述根因指标为RSSI,对所述多个采样数据表示的RSSI的值进行拟合后得到的概率分布符合图4A所示的正态分布,所述多个采样数据被划分为(-∞,-90)、[-90,-82]、(-82,-74]、(-74,-70]、(-70,-66]、(-66,-58]、(-58,-50]以及(-50,0)八个区间,由于所述RSSI的值越小越异常,将上述八个区间依次分配以分数值8至1。若所述根因指标为下行协商速率,对所述多个采样数据表示的下行协商速率的值进行拟合后得到的概率分布符合图4C所示的指数分布,则所述多个采样数据被划分为[0,7]、(7,13]、(13,22]、(22,33]、(33,50)、[50,100]以及(100,+∞)七个区间,由于在[50,100]以及(100,+∞)两个区间内的下行协商速率的值均表示正常,在其他区域的值越小越异常,将[50,100]以及(100,+∞)两个区间分配以最小的分数值1,将[0,7]、(7,13]、(13,22]、(22,33]以及(33,50)五个区间依次分配以分数值6至2。
上述将所述采样数据区间划分为多个区间并给每个区间分配分数之后,则可以确定所述目标根因指标是否是所述质差终端产生质差的根因。所述分析器首先获取多个目标数据,所述多个目标数据为所述质差终端在所述预设时间段内所述目标根因指标对应的数据,即所述多个目标数据为所述多个采样数据的子集。然后,所述分析器确定所述多个目标数据中每个数据所属的区间,统计每个区间内数据的个数,从而能够计算得到所述多个目标数据对应的总分数值,进而计算得到所述多个目标数据对应的分数值的平均值,即所述目标根因指标的平均分。例如,若所述根因指标为CPU占用率,所述平均值为算数平均值,统计得到每个区间对应的数据的数量如表1所示:
表1
区间 | [0,70%] | (70%,73%] | (73%,78%] | (78%,86%] | (86%,96%] | (96%,100%] |
分数 | 1 | 2 | 3 | 4 | 5 | 6 |
数量 | 700 | 125 | 86 | 52 | 29 | 12 |
则所述分数值的平均值为N=1.62。在计算得到所述目标数据对应的分数值的平均值之后,若所述平均值大于所述目标根因指标对应的预设阈值,则确定所述目标根因指标对应的根因为所述质差终端出现质差的目标根因。例如,若所述质差为播放画面卡顿,所述质差终端在预设时间段的CPU占用率对应的分数值的平均值大于CPU占用率对应的预设阈值,则确定所述质差终端出现播放画面卡顿的根因为CPU占用率高导致的CPU处理能力有限。若所述质差终端在所述预设时间段RSSI对应的分数值的平均值大于RSSI对应分数的预设阈值,且下行协商速率对应的分数的平均值大于下行协商速率对应分数的预设阈值,则所述质差终端出现播放画面卡顿的根因为信号弱导致协商速率低。
可选的,所述目标数据对应的分数值的平均值还可以为几何平均值、加权平均值等,本申请实施例不做具体限定。
结合上文实施例中的相关描述,下面介绍本发明适用的相关装置。请参见图5,图5为本申请实施例提供的一种区间划分装置的结构示意图,如图5所示,所述装置包括500至少包括:获取模块510以及处理模块520。其中,
处理模块520可用于对区间划分装置500的动作进行控制和管理。例如,处理模块520用于执行图3中的步骤S102、S103、S104和/或用于执行本申请方法实施例中所描述的技术的其他内容。获取模块510用于接收其他设备发送的数据,例如,获取模块510用于执行图3中的步骤S101和/或用于执行本申请中所描述的技术的其他内容;
可选地,该区间划分装置500还可包括存储模块530。该存储模块530用于存储数据传输装置500的程序代码和数据,例如存储用于对接收到的多个采样数据进行概率分布拟合的代码。处理模块520用于调用该存储模块530中的程序代码以实现如上图3所述实施例中的以区域划分装置为执行主体的实施步骤,和/或用于执行本申请中所描述的技术的其他内容步骤。
其中,处理模块520可以是处理器或控制器,例如可以是中央处理器(centralprocessing unit,CPU),通用处理器,数字信号处理器(digital signal processor,DSP),专用集成电路(application-specific integrated circuit,ASIC),现场可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。获取模块510和发送单元520可以是通信接口、收发器、收发电路等,其中,通信接口是统称,可以包括一个或多个接口,存储模块530可以是存储器,或者其他用于提供存储功能的服务或模块。
具体地,上述装置500执行各种操作的具体实现可参照上述方法实施例的具体操作,在此不再赘述。
请参见6,图6为本申请实施例提供的一种网络设备的结构示意图。所述网络设备600至少包括:处理器610、通信接口620以及存储器630,所述处理器610、通信接口620以及存储器630通过总线640相互连接,其中,
所述处理器610可以由一个或者多个通用处理器构成,例如中央处理器(centralprocessing unit,CPU),或者CPU和硬件芯片的组合。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmablelogic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complexprogrammable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gatearray,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。
存储器630可以包括易失性存储器(volatile memory),例如随机存取存储器(random access memory,RAM);存储器也可以包括非易失性存储器(non-volatilememory),例如只读存储器(read-only memory,ROM)、快闪存储器(flash memory)、硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD);存储器630还可以包括上述种类的存储器的组合。存储器630可用于存储程序代码和数据,以便于处理器610调用存储器630中存储的程序代码以实现本发明实施例中涉及的通信模块和/或处理模块的功能。
所述处理器610用于读取存储器630中的相关指令执行以下操作:
控制所述通信接口在确定有终端存在质差的情况下,获取目标根因指标对应的多个采样数据,所述多个采样数据包括与接入点连接的各个终端的所述目标根因指标对应的数据,所述多个采样数据中的每个数据均属于采样数据区间;
根据所述多个采样数据确定所述多个采样数据的概率密度函数;
根据预先指定的n个概率值和所述多个采样数据的概率密度函数确定n个分位数,其中,所述n个概率值与所述n个分位数一一对应,n为大于1的整数;
在所述采样数据区间中确定所述n个分位数分别对应的n个位置坐标,基于所述n个位置坐标将所述采样数据区间划分出多个区间,其中,n个位置坐标的数值分别等于所述n个分位数。
具体地,上述网络设备执行各种操作的具体实现可参照上述方法实施例的具体操作,在此不再赘述。
本发明实施例还提供一种计算机非瞬态存储介质,所述计算机非瞬态存储介质中存储有指令,当其在处理器上运行时,可以实现上述方法实施例中的方法步骤,所述计算机非瞬态存储介质的处理器在执行上述方法步骤的具体实现可参照上述方法实施例的具体操作,在此不再赘述。
在上述实施例中,可以全部或部分地通过软件、硬件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如SSD)等。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并或删减;本申请实施例装置中的模块可以根据实际需要进行划分、合并或删减。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (16)
1.一种区间划分方法,其特征在于,包括:
在确定有终端存在质差的情况下,获取目标根因指标对应的多个采样数据,所述多个采样数据包括与接入点连接的多个终端的所述目标根因指标对应的数据,所述多个采样数据中的每个数据均属于采样数据区间;
根据所述多个采样数据确定所述多个采样数据的目标概率密度函数;
根据预先指定的n个概率值和所述多个采样数据的目标概率密度函数确定n个分位数,其中,所述n个概率值中的一个概率值对应所述n个分位数中的一个分位数,n为大于1的整数;
在所述采样数据区间中确定所述n个分位数分别对应的n个位置坐标,其中,n个位置坐标的数值分别等于所述n个分位数;根据目标基线类型将所述n个位置坐标中的不满足要求的位置坐标进行删除,得到m个目标位置坐标,所述目标基线类型是根据所述目标概率密度函数确定的;
基于所述m个目标位置坐标将所述采样数据区间划分出多个区间。
2.根据权利要求1所述的方法,其特征在于,
所述目标根因指标为引起质差的多个根因指标中的任意一个,所述采样数据为在预设时间段对所述目标根因指标进行数据采集所采集到的数据;
所述采样数据区间为所述目标根因指标能够取得的最小值与最大值所确定的区间。
3.根据权利要求1所述的方法,其特征在于,所述根据目标基线类型将所述n个位置坐标中的不满足要求的位置坐标进行删除,包括:
确定所述多个采样数据的目标概率密度函数属于多种基础概率分布类型中的目标基础概率分布类型;
根据所述目标基础概率分布类型以及预设对应关系,确定所述目标概率密度函数对应的所述目标基线类型,其中,所述目标基线类型属于多种基线类型,所述预设对应关系用于表示所述多种基础概率分布类型与所述多种基线类型的对应关系,所述多种基础概率分布类型中的每种基础概率分布类型对应所述多种基线类型中的一种基线类型,所述多种基线类型中的每种基线类型对应一种或者多种基础概率分布类型;
根据所述目标基线类型将所述n个位置坐标中的不满足要求的位置坐标进行删除。
4.根据权利要求3所述的方法,其特征在于,根据所述目标基线类型将n个位置坐标中的不满足要求的位置坐标进行删除,包括:
在所述目标基线类型为中间基线类型的情况下,将所述n个位置坐标中大于第一坐标的位置坐标删除,并将所述n个位置坐标中小于第二坐标的位置坐标删除,所述第一坐标和第二坐标是根据所述目标根因指标对应的历史数据计算得到的;
在所述目标基线类型为左基线类型的情况下,将n个位置坐标中大于第二坐标的位置坐标删除;
在所述目标基线类型为右基线类型的情况下,将n个位置坐标中小于第一坐标的位置坐标删除。
5.根据权利要求3所述的方法,其特征在于,所述确定所述多个采样数据的目标概率密度函数属于多种基础概率分布类型中的目标基础概率分布类型,包括:
在所述目标概率密度函数和所述目标基础概率分布类型对应的基础概率密度函数之间的目标熵值为多个熵值中最小的情况下,确定所述目标概率密度函数属于所述多种基础概率分布类型中的目标基础概率分布类型;
其中,所述多个熵值包括所述目标概率密度函数与所述多种基础概率分布类型中每种基础概率分布类型对应的基础概率密度函数之间的熵值。
7.根据权利要求1至6任一权利要求所述的方法,其特征在于,所述根据预先指定的n个概率值和所述多个采样数据的目标概率密度函数确定n个分位数之前,还包括:
确定所述多个采样数据的目标概率密度函数与所述多个采样数据之间的评价参数,在所述评价参数的值满足预设条件的情况下,确定所述目标概率密度函数对所述多个采样数据的拟合效果满足预设要求;其中,所述评价参数包括误差平方和、均方差、均方根误差、决定系数或校正决定系数中的任意一种。
8.一种区间划分装置,其特征在于,所述装置包括:
获取模块,用于在确定有终端存在质差的情况下,获取目标根因指标对应的多个采样数据,所述多个采样数据包括与接入点连接的各个终端的所述目标根因指标对应的数据,所述多个采样数据中的每个数据均属于采样数据区间;
处理模块,用于根据所述多个采样数据确定所述多个采样数据的目标概率密度函数;
所述处理模块,还用于根据预先指定的n个概率值和所述多个采样数据的目标概率密度函数确定n个分位数,其中,所述n个概率值中的一个概率值对应所述n个分位数中的一个分位数,n为大于1的整数;
所述处理模块,还用于在所述采样数据区间中确定所述n个分位数分别对应的n个位置坐标,其中,n个位置坐标的数值分别等于所述n个分位数;
根据目标基线类型将所述n个位置坐标中的不满足要求的位置坐标进行删除,得到m个目标位置坐标,所述目标基线类型是根据所述目标概率密度函数确定的;
基于所述m个目标位置坐标将所述采样数据区间划分出多个区间。
9.根据权利要求8所述的装置,其特征在于,
所述目标根因指标为引起质差的多个根因指标中的任意一个,所述采样数据为在预设时间段对所述目标根因指标进行数据采集所采集到的数据;
所述采样数据区间为所述目标根因指标能够取得的最小值与最大值所述确定的区间。
10.根据权利要求8所述的装置,其特征在于,所述处理模块具体用于:
确定所述多个采样数据的目标概率密度函数属于多种基础概率分布类型中的目标基础概率分布类型;
根据所述目标基础概率分布类型以及预设对应关系,确定所述目标概率密度函数对应的所述目标基线类型,其中,所述目标基线类型属于多种基线类型,所述预设对应关系用于表示所述多种基础概率分布类型与所述多种基线类型的对应关系,所述多种基础概率分布类型中的每种基础概率分布类型对应所述多种基线类型中的一种基线类型,所述多种基线类型中的每种基线类型对应一种或者多种基础概率分布类型;
根据所述目标基线类型将所述n个位置坐标中的不满足要求的位置坐标进行删除。
11.根据权利要求10所述的装置,其特征在于,所述处理模块具体用于:
在所述目标基线类型为中间基线类型的情况下,将所述n个位置坐标中大于第一坐标的位置坐标删除,并将所述n个位置坐标中小于第二坐标的位置坐标删除,所述第一坐标和第二坐标是根据所述目标根因指标对应的历史数据计算得到的;
在所述目标基线类型为左基线类型的情况下,将n个位置坐标中大于第二坐标的位置坐标删除;
在所述目标基线类型为右基线类型的情况下,将n个位置坐标中小于第一坐标的位置坐标删除。
12.根据权利要求10所述的装置,其特征在于,所述处理模块具体用于:
在所述目标概率密度函数和所述目标基础概率分布类型对应的基础概率密度函数之间的目标熵值为多个熵值中最小的情况下,确定所述目标概率密度函数属于所述多种基础概率分布类型中的目标基础概率分布类型;
其中,所述多个熵值包括所述目标概率密度函数与所述多种基础概率分布类型中每种基础概率分布类型对应的基础概率密度函数之间的熵值。
14.根据权利要求8至13任一项权利要求所述的装置,其特征在于,所述处理模块还用于:
确定所述多个采样数据的目标概率密度函数与所述多个采样数据之间的评价参数,在所述评价参数的值满足预设条件的情况下,确定所述目标概率密度函数对所述多个采样数据的拟合效果满足预设要求;其中,所述评价参数包括误差平方和、均方差、均方根误差、决定系数或校正决定系数中的任意一种。
15.一种网络设备,其特征在于,包括处理器、通信接口以及存储器;所述存储器用于存储指令,所述处理器用于执行所述指令,所述通信接口用于在所述处理器的控制下接收或发送数据;其中,所述处理器执行所述指令时执行如权利要求1至7任一项所述的方法。
16.一种非瞬态的计算机存储介质,所述计算机存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811606978.7A CN111372271B (zh) | 2018-12-26 | 2018-12-26 | 区间划分方法、相关设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811606978.7A CN111372271B (zh) | 2018-12-26 | 2018-12-26 | 区间划分方法、相关设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111372271A CN111372271A (zh) | 2020-07-03 |
CN111372271B true CN111372271B (zh) | 2021-10-22 |
Family
ID=71209965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811606978.7A Active CN111372271B (zh) | 2018-12-26 | 2018-12-26 | 区间划分方法、相关设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111372271B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113810947B (zh) * | 2021-10-29 | 2023-05-09 | 中国联合网络通信集团有限公司 | WiFi网络质量评估方法、装置、电子设备及存储介质 |
CN114071233B (zh) * | 2021-11-04 | 2023-04-25 | 广州华多网络科技有限公司 | 音视频质量评价方法及其装置、设备、介质、产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530528A (zh) * | 2013-10-29 | 2014-01-22 | 华为技术有限公司 | 评估方法及装置 |
CN105610647A (zh) * | 2015-12-30 | 2016-05-25 | 华为技术有限公司 | 一种探测业务异常的方法和服务器 |
CN107358542A (zh) * | 2017-06-28 | 2017-11-17 | 同济大学 | 一种励磁***性能评估模型的参数确定方法 |
CN109088770A (zh) * | 2018-08-21 | 2018-12-25 | 西安交通大学 | 一种基于自适应符号传递熵的机电***交互网络建模方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180136995A1 (en) * | 2015-05-13 | 2018-05-17 | Sikorsky Aircraft Corporation | Integrated model for failure diagnosis and prognosis |
-
2018
- 2018-12-26 CN CN201811606978.7A patent/CN111372271B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530528A (zh) * | 2013-10-29 | 2014-01-22 | 华为技术有限公司 | 评估方法及装置 |
CN105610647A (zh) * | 2015-12-30 | 2016-05-25 | 华为技术有限公司 | 一种探测业务异常的方法和服务器 |
CN107358542A (zh) * | 2017-06-28 | 2017-11-17 | 同济大学 | 一种励磁***性能评估模型的参数确定方法 |
CN109088770A (zh) * | 2018-08-21 | 2018-12-25 | 西安交通大学 | 一种基于自适应符号传递熵的机电***交互网络建模方法 |
Non-Patent Citations (1)
Title |
---|
基于代码审查的综合软件质量评估方法;彭裕辉;《软件导刊》;20100331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111372271A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107026746B (zh) | 网络业务质量评估方法、***及网络设备 | |
US20200259723A1 (en) | Network Quality Determining Method and Apparatus and Storage Medium | |
EP3741150A1 (en) | Coexistence reporting based on user equipment (ue) measurements | |
CN114095856B (zh) | 用于基站节能的处理方法和处理装置 | |
CN111372271B (zh) | 区间划分方法、相关设备及计算机存储介质 | |
CN109391950B (zh) | 终端分布的预测方法、装置、设备及介质 | |
EP3780824A1 (en) | Radio frequency resource allocation method, apparatus, device and system, and storage medium | |
WO2020125056A1 (zh) | 一种业务的处理方法及装置 | |
CN112308345A (zh) | 通信网络负荷预测方法、装置及服务器 | |
WO2008123809A1 (en) | Method and arrangement for improved radio network planning, simulation and analyzing in telecommunications | |
CN112566147B (zh) | 经纬度校验方法、装置、存储介质及计算机设备 | |
CN108540299A (zh) | 一种网络故障定位处理方法及装置 | |
CN114630359B (zh) | 确定网络覆盖的方法、装置、电子设备、计算机存储介质 | |
CN105554798A (zh) | 一种基站优先级确定方法及优先级确定装置 | |
EP4109134B1 (en) | Obstacle recognition method and apparatus, and related device | |
CN114221717B (zh) | 基站天线方位角校准方法及装置 | |
JP7413443B2 (ja) | 無線周波数リソースの割り当て方法、装置、デバイスおよびシステム、ならびに記憶媒体 | |
CN108174402B (zh) | 一种天馈***被遮挡的排查方法及*** | |
CN112153685B (zh) | Rrc故障检测方法和装置 | |
CN115413022B (zh) | 基站位置的识别方法、装置、设备及存储介质 | |
CN115314839A (zh) | 一种无线终端分布位置计算方法、装置、设备及存储介质 | |
CN112203323B (zh) | 覆盖合理性检测方法、装置、设备及计算机存储介质 | |
CN107786984B (zh) | 一种小区干扰关系确定方法和装置 | |
CN115086970A (zh) | 测量数据分析方法、装置、介质及电子设备 | |
CN115689074A (zh) | 一种台区电网建设规划方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |