CN111818561B - 数据动态监测方法、装置及电子设备 - Google Patents
数据动态监测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111818561B CN111818561B CN201910289978.7A CN201910289978A CN111818561B CN 111818561 B CN111818561 B CN 111818561B CN 201910289978 A CN201910289978 A CN 201910289978A CN 111818561 B CN111818561 B CN 111818561B
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- determining
- value
- index
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了一种数据动态监测方法、装置及电子设备,数据动态监测方法包括:获取监测区域内与当前检测周期对应的历史数据和历史数据劣化系数,其中,所述历史数据包括历史指标数据和用于确定所述历史指标数据的历史基数,所述历史数据劣化系数用于确定与所述历史数据对应的历史门限值;基于所述历史数据劣化系数和所述历史基数,确定最新劣化系数;基于所述历史指标数据,确定所述历史指标数据的均值;基于所述均值和所述最新劣化系数,确定最新门限值,所述最新门限值用于确定所述当前检测周期内的当前指标数据是否异常。根据区域内的指标的基数的变化,来动态设置不同的门限值,更准确的反映指标数据的异常情况。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及数据动态监测方法、装置及电子设备。
背景技术
长期演进语音承载(Voice overLong-Term Evolution,VOLTE)是一个面向手机和数据终端的高速无线通信标准。具体来说VOLTE指标监测,主要的指标有端到端接通率,端到端接续时延,掉话率,实时传输协议(Real-time TransportProtocol,RTP)上行丢包率等,但不限于这些指标。一个指标代表一个区域内的一段时间内的数据情况。以接通率为例,某小区一天内总通话量为100个,接通的电话量为98个,则接通率为0.98,则指标值0.98代表该小区一天内的接通率。
现有的VOLTE指标监测主要是设置固定门限值的监测,多以观测指标的变化情况为主。
在指标监测过程中,按照固定时间周期接收相应的指标,工作人员按照经验来设定劣化系数,根据一段时间周期内的历史指标数据来确定固定门限值,固定门限值为历史指标数据的均值和劣化系数的乘积。如历史指标数据的均值为1,劣化系数为0.9,则确定固定门限值为0.9,通过固定门限值来比较指标,当发现指标劣化时,则人工进行干预。
而在实际应用过程中,指标数据所表现的情况与计算指标的基数有关。如在接通率中,若总通话量为10个,接通电话量为9个,固定门限值为0.91,此时接通率为0.9,则此时会发出警报;若总通话量为100个,接通电话量为92个,固定门限值为0.91,此时接通率为0.92,则此时不会发出警报。在一个区域内,人员会产生流动,在人员变化之后,在一个区域内的通话量会产生变化,若是仍按照原有的固定门限值来对指标数据进行判断,可能无法准确的反映指标数据的异常情况。
发明内容
本申请实施例提供一种数据动态监测方法、装置及电子设备,根据区域内的指标的基数的数量的变化,来动态设置不同的门限值,更准确的反映指标数据的异常情况。
第一方面,提供了一种数据动态监测方法,其特征在于,包括:
获取监测区域内与当前检测周期对应的历史数据和历史数据劣化系数,其中,所述历史数据包括历史指标数据和用于确定所述历史指标数据的历史基数,所述历史数据劣化系数用于确定与所述历史数据对应的历史门限值;
基于所述历史数据劣化系数和所述历史基数,确定最新劣化系数;
基于所述历史指标数据,确定所述历史指标数据的均值;
基于所述均值和所述最新劣化系数,确定最新门限值,所述最新门限值用于确定所述当前检测周期内的当前指标数据是否异常。
第二方面,提供了一种数据动态监测装置,包括,
数据获取模块,获取监测区域内与当前检测周期对应的历史数据和历史数据劣化系数,其中,所述历史数据包括历史指标数据和用于确定所述历史指标数据的历史基数,所述历史数据劣化系数用于确定与所述历史数据对应的历史门限值;
系数生成模块,基于所述历史数据劣化系数和所述历史基数,确定最新劣化系数;
均值生成模块,基于所述历史指标数据,确定所述历史指标数据的均值;
门限值生成模块,基于所述均值和所述最新劣化系数,确定最新门限值,所述最新门限值用于确定所述当前检测周期内的当前指标数据是否异常。
第三方面,提供了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现以下方法,
获取监测区域内与当前检测周期对应的历史数据和历史数据劣化系数,其中,所述历史数据包括历史指标数据和用于确定所述历史指标数据的历史基数,所述历史数据劣化系数用于确定与所述历史数据对应的历史门限值;
基于所述历史数据劣化系数和所述历史基数,确定最新劣化系数;
基于所述历史指标数据,确定所述历史指标数据的均值;
基于所述均值和所述最新劣化系数,确定最新门限值,所述最新门限值用于确定所述当前检测周期内的当前指标数据是否异常。
第四方面,提供了一种计算机可读介质,所述计算机可读介质上存储计算机程序,所述计算机程序被处理器执行时实现以下方法,
获取监测区域内与当前检测周期对应的历史数据和历史数据劣化系数,其中,所述历史数据包括历史指标数据和用于确定所述历史指标数据的历史基数,所述历史数据劣化系数用于确定与所述历史数据对应的历史门限值;
基于所述历史数据劣化系数和所述历史基数,确定最新劣化系数;
基于所述历史指标数据,确定所述历史指标数据的均值;
基于所述均值和所述最新劣化系数,确定最新门限值,所述最新门限值用于确定所述当前检测周期内的当前指标数据是否异常。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:根据区域内的指标的基数的变化,来动态设置不同的门限值,更准确的反映指标数据的异常情况。通过剔除样本区域进而确定样本区域对监测区域内的指标数据的影响情况,进而筛选出需要人工进行干涉的质差区域。并且,通过对数据的连续异常情况进行监测,从而及时的发现异常。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请的一个实施例的数据动态监测方法的示意性流程图。
图2是根据本申请的一个实施例的数据动态监测方法的示意图。
图3是根据本申请的另一个实施例的数据动态监测方法的示意图。
图4是本申请的一个实施例的电子设备的结构示意图。
图5是根据本申请的一个实施例的数据动态监测装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1是本申请的一个实施例的数据动态监测方法的示意性流程图。如图1所示,数据动态监测方法,包括:
S110、获取监测区域内与当前检测周期对应的历史数据和历史数据劣化系数,其中,所述历史数据包括历史指标数据和用于确定所述历史指标数据的历史基数,所述历史数据劣化系数用于确定与所述历史数据对应的历史门限值;
S120、基于所述历史数据劣化系数和所述历史基数,确定最新劣化系数;
S130、基于所述历史指标数据,确定所述历史指标数据的均值;
S140、基于所述均值和所述最新劣化系数,确定最新门限值,所述最新门限值用于确定所述当前检测周期内的当前指标数据是否异常。
可以理解的是,本实施例中,获取与当前检测周期对应的历史数据和历史数据劣化系数,通过历史数据中的历史基数和历史数据劣化系数来确定最新劣化系数,通过历史指标数据,确定与当前检测周期对应的历史数据的历史指标数据的均值。进而通过最新劣化系数和均值,获得最新门限值。门限值为均值和最新劣化系数的乘积。
可选的,在一些实施例中,如图2所示,所述数据动态监测方法还包括:
S150、获取所述监测区域内当前检测周期内的所述当前指标数据;
S160、基于所述最新门限值,确定所述当前指标数据是否异常;
S170、在所述当前指标数据异常的情况下,输出所述当前指标数据。
可以理解的是,在获取监测区域内的当前指标数据后,将当前指标数据与最新门限值进行对比,进而判断当前指标数据是否异常,若当前指标数据未异常,则不执行操作;若当前指标数据异常,则输出当前指标数据。
可选的,在一些实施例中,与所述当前检测周期对应的所述历史数据为所述当前检测周期前的任一检测周期的历史数据。优选的,本实施例中选取的所述历史数据为所述当前检测周期前的前一检测周期的历史数据。
可以理解的是,通过获取当前检测周期前的前一历史周期的历史数据,进而获取与当前检测周期对应的历史数据,当前检测周期前的前一历史周期的历史数据与当前检测周期的数据情况相似度高,进而提升了历史基数与当前检测周期内的基数的吻合度,提升了最新门限值的准确性。
需要说明的是,当前检测周期对应的时长可以是一周、两周、三周、一个月、一个季度、一年等周期,本实施例中优选一周为一个检测周期的时长。通过每周更新一个最新门限值,在监测区域内的历史基数发生变化时,最新门限值跟随历史基数产生同步的变化,进而更准确的反映指标数据的异常情况。
在本方法中,通过最新的门限值来判断监测区域内的当前指标数据是否异常,在基数产生变化时,最新门限值随着基数的变化产生变化,进而更准确的判断指标数据是否异常。
可选的,在一些实施例中,所述基于所述历史数据劣化系数和所述历史基数,确定最新劣化系数,包括:
基于所述历史数据劣化系数和所述历史基数;
获取人工输入的更新系数并确定最新劣化系数。
可以理解的是,本实施例中,将历史数据劣化系数和历史基数输出,按照人工输入的更新系数,进而获得最新劣化系数。通过人工来确定最新劣化系数,实现了对最新劣化系数的更改。
可选的,在一些实施例中,所述基于所述历史数据劣化系数和所述历史基数,确定最新劣化系数,包括,
基于所述历史数据劣化系数、所述历史基数和预设规则,确定最新劣化系数,其中,所述预设规则包括所述历史数据劣化系数与所述历史基数和所述最新劣化系数的对应关系。
可以理解的是,在获取到历史数据劣化系数和历史基数后,按照预设规则,即可确定最新劣化系数。预设规则为预先设置的对应关系,优选采用表格方式,预设的对应关系预存在存储器中,在使用过程中,根据历史数据劣化系数和历史基数两个条件,即可确定一个对应的最新劣化系数。
举例来说:
如历史数据劣化系数为0.95,历史基数为100,此时预设规则中对应的最新劣化系数为0.92。
如历史数据劣化系数为0.95,历史基数为1000,此时预设规则中对应的最新劣化系数为0.94。
如历史数据劣化系数为0.95,历史基数为1000,此时预设规则中对应的最新劣化系数为0.94。
如历史数据劣化系数为0.95,历史基数为10000,此时预设规则中对应的最新劣化系数为0.96。
可以理解的是,当基数产生变化时,指标数据的准确性会产生对应的变化。
若一个小区中,一周正常通话量为1000个,接通率为0.985,即1000个电话中15个电话未接通。若门限值为0.98,此时该小区中的指标数据正常。
若该小区一周通话量变更为10000个,此时接通率为0.981,即10000个电话中190个电话未接通,若是仍然按照门限值为0.98,则判断小区的指标数据正常。但是由于数据的基数变大,此时接通率产生误差的概率低,偶然性小。通过本方案来增大门限值;如按照预设规则将最新门限值确定为0.985,按照最新门限值来确定该小区的指标数据异常。
若该小区一周的通话量变更为10个,接通率为0.90,即该小区10个电话中一个电话未接通,此时,若是仍然按照门限值为0.98,则判断该小区中的指标数据异常。但是由于数据的基数变小,单个电话未接通对指标数据的影响大,偶然性大;若按照预设规则将最新门限值确定为0.895,按照最新门限值确定该小区的指标数据正常。
在基数产生变化时,最新门限值随着基数产生变化,进而更准确的判断指标数据是否异常。
可选的,在一些实施例中,所述数据动态监测方法还包括,
S210、获取表征所述监测区域内预设历史时段内的数据质量的第一指标值,其中,所述监测区域包含有多个子区域。
S220、基于多个预设比例,从所述多个子区域内中确定样本区域。
S230、基于所述监测区域和所述样本区域,从所述多个子区域中确定优质区域。
S240、基于所述第一指标值和表征所述优质区域中每个所述优质区域的所述预设历史时段内的数据质量的第二指标值,从所述样本区域中确定质差区域,所述质差区域为需要进行人工干预的区域。
可以理解的是,监测区域对应的区域可以为省、市、区、县等区域。监测区域包括多个子区域。第一指标值为监测区域内在预设历史时段内的指标数据的均值。预设历史时段为预先设定的历史时段,预设历史时段可以是一周、一个月或一年。预设比例为预先设定的比例,如2%、3%、5%等。获取监测区域内的第一指标值后,根据多个预设比例确定样本区域,样本区域中包含有一个或多个子区域。从监测区域内剔除样本区域后,获得优质区域,确定优质区域内的第二指标值,第二指标值为优质区域内的指标数据的均值。最后,通过第一指标值和第二指标值进行对比,即可确定样本区域为质差区域,进而将质差区域输出进行人工干预。
本实施例按照预设比例,从监测区域内剔除部分样本区域,即可确定优质区域,进而判断出符合要求的优质区域所对应的样本区域为质差区域,从而进行人工干预。
可选的,在一些实施例中,S220中,所述基于多个预设比例,确定所述多个子区域内的样本区域,包括:
S221、将所述多个子区域按照数据质量优劣进行排序;
S222、基于多个预设比例,确定多个剔除数量;
S223、基于多个所述剔除数量和所述多个子区域的排序结果,确定所述样本区域。
可以理解的是,将监测区域内的子区域按照指标数据的质量情况进行排序,按照排名情况即可确定子区域内的数据质量情况。之后按照预设比例,确定多个剔除数量,根据多个剔除数量从排序后的子区域中获取排名最后的子区域来组成样本区域。
举例来说,如按照3%和5%的预设比例确定子区域的数量,且子区域的总数量为100,此时两个样本区域包括的子区域数量分别为3个子区域和5个子区域。从排序后的子区域中选取排在最后的3个子区域组成第一个样本区域,从排序后的子区域中选取排在最后的5个子区域组成第二样本区域。之后从监测区域内剔除样本区域,即获得了两个优质区域,第一个优质区域包括97个子区域与第一个样本区域对应,第二个优质区域包括95个子区域与第二个样本区域对应。之后按照优质区域内的子区域所包含的指标数据来确定与第一个优质区域和第二优质区域对应的两个第二指标值。从而根据两个第二指标值来获取质差区域。
可选的,在一些实施例中,S240中,所述基于所述第一指标值和表征所述优质区域中每个所述优质区域的所述预设历史时段内的数据质量的第二指标值,从所述样本区域中确定质差区域,具体包括,
S241、确定所述第一指标值和所述表征所述优质区域中每个优质区域的预设时段内的数据质量的第二指标值的差值。
S242、选取所述差值超过预设质差的所述样本区域为质差区域。
可以理解的是,在确定质差区域的过程中,通过获取第一指标值和第二指标值的差值,之后根据差值是否超过了预设质差来确定质差区域。每个指标数据对应的预设质差不相同,本实施例中的预设质差可以采取人工设定的方式来确定。
举例来说,若第一指标值为0.95,多个优质区域对应的第二指标值为0.96、0.965、0.97、0.98,预设质差为0.19,此时确定第二指标值中0.97和0.98为需要的第二指标值。优选0.97对应的优质区域为符合要求的区域,此时确定与符合要求的优质区域对应的样本区域为质差区域。
本实施例通过将第一指标值和第二指标值所对应的差值与预设质差进行比较,进而自动的获取质差区域。通过剔除指标数据差的样本区域,从而获得样本区域对监测区域内指标数据的影响情况,进而快速的确定需要进行人工干预的质差区域。
可选的,作为一个实施例,在获取监测区域内当前检测周期对应的历史数据后,所述方法还包括,
S310、基于所述历史指标数据,确定数据劣化值并存储,其中,所述数据劣化值为当前历史指标数据与前一历史指标数据的差值;
S320、基于存储后的所述数据劣化值和预设异常值,确定所述数据劣化值是否异常;
S330、在所述数据劣化值连续异常超过预设次数的情况下,确定所述监测区域的数据异常。
可以理解的是,为了在指标数据持续发生异常的情况下,来输出连续异常的数据,本实施例通过获取历史指标数据,并计算出数据劣化值,根据数据劣化值和预设的预设异常值,确信数据劣化值是否异常,在数据连续异常超过预设的预设次数时,确定检测区域内的数据异常。
举例来说,若检测区域内的一个周期为一个星期,一个星期内的通话接通率分为七个,即该星期每天对应一个指标数据,七天的指标数据分别为0.99、0.99、0.99、0.98、0.97、0.96、0.95,当前星期的最后一天的指标数据为0.99,并且预设异常值为-0.09,预设次数为三次。则确定该星期中,第一天劣化值为0,第二天劣化值为0,第三天劣化值为0,第四天劣化值为-0.1,第五天劣化值为-0.1,第六天劣化值为-0.1,第七天劣化值为-0.1,则该星期中第四天、第五天、第六天、第七天的数据异常。在连续四天指标数据均劣化超过0.09时,输出监测区域异常。
本方案中,通过在不同的周期内改变最新门限值的同时,考虑指标数据的连续异常情况,在一个监测区域内的一个周期内,若指标数据未超过最新门限值,但指标数据连续异常的情况下,输出监测区域内异常。更准确的反映了指标数据微小的异常情况。
如图3所示,举例来说,以VOLTE DPI采集的相关接口数据作为输入,输出的主要的指标有端到端接通率,端到端接续时延,掉话率,rtp上行丢包率等。本实施例在接收到指标数据之后,对指标数据进行统计并将指标数据进行存储记录。之后根据门限值设定及动态调整来获取最新门限值,最新门限值根据预先设定的门限值和指标数据的基数来确定。之后通过调整后的门限值对指标数据进行异常判断,若是指标数据越过了最新门限值,则输出异常的指标数据。
并且,本实施例在接收到指标数据进行统计后,对指标数据处理排序。对指标数据的处理排序过程主要包括获取指标值V1和与指标值对应的基数V2,之后对V1和V2进行排序,之后对排序后的V1和V2进行归一化处理获得Vg1和Vg2,将Vg1和Vg2进行拟合后获得对应的权重值,最后计算得到综合影响因子Y1,根据不同子区域对应的Y1大小,即可将子区域进行排序处理。从而得到排序后的子区域。之后根据预设比例(比如按照总样本的2%,4%,6%不断叠加)来确定多组样本区域。之后计算从监测区域内剔除了样本区域后对应的指标数据,从而获得了样本区域对监测区域的影响程度,进而输出质差区域。
另外,本实施例在接收到指标数据进行统计时,根据指标数据与上一指标数据的差值进行异常趋势的判断,在异常趋势超过预设次数时,对异常区域进行人工的干预。
下面将结合图4详细描述根据本申请一个实施例的电子设备。参考图4,在硬件层面,电子设备包括处理器,可选地,包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是工业标准体系结构(Industry StandardArchitecture,ISA)总线、外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(ExtendedIndustry StandardArchitecture,EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成数据动态监测的装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取监测区域内与当前检测周期对应的历史数据和历史数据劣化系数,其中,所述历史数据包括历史指标数据和用于确定所述历史指标数据的历史基数,所述历史数据劣化系数用于确定与所述历史数据对应的历史门限值;
基于所述历史数据劣化系数和所述历史基数,确定最新劣化系数;
基于所述历史指标数据,确定所述历史指标数据的均值;
基于所述均值和所述最新劣化系数,确定最新门限值,所述最新门限值用于确定所述当前检测周期内的当前指标数据是否异常。
上述如本申请图1所示实施例揭示的数据处理方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(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 GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行图1所示实施例的方法,并具体用于执行以下方法:
获取监测区域内与当前检测周期对应的历史数据和历史数据劣化系数,其中,所述历史数据包括历史指标数据和用于确定所述历史指标数据的历史基数,所述历史数据劣化系数用于确定与所述历史数据对应的历史门限值;
基于所述历史数据劣化系数和所述历史基数,确定最新劣化系数;
基于所述历史指标数据,确定所述历史指标数据的均值;
基于所述均值和所述最新劣化系数,确定最新门限值,所述最新门限值用于确定所述当前检测周期内的当前指标数据是否异常。
图5是本申请的一个实施例的数据动态监测装置的结构示意图。请参考图5,在一种软件实施方式中,数据动态监测装置400,包括数据获取模块401、系数生成模块402、均值生成模块403、门限值生成模块404,其中,
数据获取模块401,获取监测区域内与当前检测周期对应的历史数据和历史数据劣化系数,其中,所述历史数据包括历史指标数据和用于确定所述历史指标数据的历史基数,所述历史数据劣化系数用于确定与所述历史数据对应的历史门限值;
系数生成模块402,基于所述历史数据劣化系数和所述历史基数,确定最新劣化系数;
均值生成模块403,基于所述历史指标数据,确定所述历史指标数据的均值;
门限值生成模块404,基于所述均值和所述最新劣化系数,确定最新门限值,所述最新门限值用于确定所述当前检测周期内的当前指标数据是否异常。
可选的,作为一个实施例,所述数据动态监测装置,还包括监测获取模块405、异常确定模块406、异常输出模块407,其中,
监测获取模块405,获取所述监测区域内当前检测周期内的所述当前指标数据;
异常确定模块406,基于所述最新门限值,确定所述当前指标数据是否异常;
异常输出模块407,在所述当前指标数据异常的情况下,输出所述当前指标数据。
可选的,作为一个实施例,所述系数生成模块402,具体包括,
基于所述历史数据劣化系数、所述历史基数和预设规则,确定最新劣化系数,其中,所述预设规则包括所述历史数据劣化系数与所述历史基数和所述最新劣化系数的对应关系。
可选的,作为一个实施例,所述数据动态监测装置,还包括第一指标值获取模块408、样本区域获取模块409、优质区域获取模块410、对比模块411,其中,
第一指标值获取模块408,获取表征所述监测区域内预设历史时段内的数据质量的第一指标值,其中,所述监测区域包含有多个子区域;
样本区域获取模块409,基于多个预设比例,从所述多个子区域内中确定样本区域;
优质区域获取模块410,基于所述监测区域和所述样本区域,从所述多个子区域中确定优质区域;
对比模块411,基于所述第一指标值和表征所述优质区域中每个所述优质区域的所述预设历史时段内的数据质量的第二指标值,从所述样本区域中确定质差区域,所述质差区域为需要进行人工干预的区域。
可选的,作为一个实施例,所述样本区域获取模块409,具体包括排序模块412、数量确定模块413以及选取模块414,其中,
排序模块412,将所述多个子区域按照数据质量优劣进行排序;
数量确定模块413,基于多个预设比例,确定多个剔除数量;
选取模块414,基于多个所述剔除数量和所述多个子区域的排序结果,确定所述样本区域。
可选的,作为一个实施例,所述对比模块411包括差值获取模块415和质差确定模块416,其中,
差值获取模块415,确定所述第一指标值和所述表征所述优质区域中每个优质区域的预设时段内的数据质量的第二指标值的差值;
质差确定模块416,选取所述差值超过预设质差的所述样本区域为质差区域。
可选的,作为一个实施例,所述数据动态监测装置,还包括在获取监测区域内当前检测周期对应的历史数据后执行的劣化值确定单元417、异常判断单元418和输出单元419,其中,
劣化值确定单,417,基于所述历史指标数据,确定数据劣化值并存储,其中,所述数据劣化值为当前历史指标数据与前一历史指标数据的差值;
异常判断单元418,基于存储后的所述数据劣化值和预设异常值,确定所述数据劣化值是否异常;
输出单元419,在所述数据劣化值连续异常超过预设次数的情况下,确定所述监测区域的数据异常。
需要说明的是,实施例1所提供方法的各步骤的执行主体均可以是同一设备,或者,该方法也由不同设备作为执行主体。比如,步骤21和步骤22的执行主体可以为设备1,步骤23的执行主体可以为设备2;又比如,步骤21的执行主体可以为设备1,步骤22和步骤23的执行主体可以为设备2;等等。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种数据动态监测方法,其特征在于,包括:
获取监测区域内与当前检测周期对应的历史数据和历史数据劣化系数,其中,所述历史数据包括历史指标数据和用于确定所述历史指标数据的历史基数,所述历史数据劣化系数用于确定与所述历史数据对应的历史门限值;
基于所述历史数据劣化系数和所述历史基数,确定最新劣化系数;
基于所述历史指标数据,确定所述历史指标数据的均值;
基于所述均值和所述最新劣化系数,确定最新门限值,所述最新门限值用于确定所述当前检测周期内的当前指标数据是否异常。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括,
获取所述监测区域内当前检测周期内的所述当前指标数据;
基于所述最新门限值,确定所述当前指标数据是否异常;
在所述当前指标数据异常的情况下,输出所述当前指标数据。
3.根据权利要求1所述的方法,其特征在于,所述基于所述历史数据劣化系数和所述历史基数,确定最新劣化系数,包括,
基于所述历史数据劣化系数、所述历史基数和预设规则,确定最新劣化系数,其中,所述预设规则包括所述历史数据劣化系数与所述历史基数和所述最新劣化系数的对应关系。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括,
获取表征所述监测区域内预设历史时段内的数据质量的第一指标值,其中,所述监测区域包含有多个子区域;
基于多个预设比例,从所述多个子区域内中确定样本区域;
基于所述监测区域和所述样本区域,从所述多个子区域中确定优质区域;
基于所述第一指标值和表征所述优质区域中每个所述优质区域的所述预设历史时段内的数据质量的第二指标值,从所述样本区域中确定质差区域,所述质差区域为需要进行人工干预的区域。
5.根据权利要求4所述的方法,其特征在于,所述基于多个预设比例,确定所述多个子区域内的样本区域,包括:
将所述多个子区域按照数据质量优劣进行排序;
基于多个预设比例,确定多个剔除数量;
基于多个所述剔除数量和所述多个子区域的排序结果,确定所述样本区域。
6.根据权利要求4所述的方法,其特征在于,所述基于所述第一指标值和表征所述优质区域中每个所述优质区域的所述预设历史时段内的数据质量的第二指标值,从所述样本区域中确定质差区域,包括,
确定所述第一指标值和所述表征所述优质区域中每个优质区域的预设时段内的数据质量的第二指标值的差值;
选取所述差值超过预设质差的所述样本区域为质差区域。
7.根据权利要求1-6任一所述的方法,其特征在于,在获取监测区域内当前检测周期对应的历史数据后,所述方法还包括,
基于所述历史指标数据,确定数据劣化值并存储,其中,所述数据劣化值为当前历史指标数据与前一历史指标数据的差值;
基于存储后的所述数据劣化值和预设异常值,确定所述数据劣化值是否异常;
在所述数据劣化值连续异常超过预设次数的情况下,确定所述监测区域的数据异常。
8.一种数据动态监测装置,其特征在于,包括:
数据获取模块,获取监测区域内与当前检测周期对应的历史数据和历史数据劣化系数,其中,所述历史数据包括历史指标数据和用于确定所述历史指标数据的历史基数,所述历史数据劣化系数用于确定与所述历史数据对应的历史门限值;
系数生成模块,基于所述历史数据劣化系数和所述历史基数,确定最新劣化系数;
均值生成模块,基于所述历史指标数据,确定所述历史指标数据的均值;
门限值生成模块,基于所述均值和所述最新劣化系数,确定最新门限值,所述最新门限值用于确定所述当前检测周期内的当前指标数据是否异常。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-7任一项所述的数据动态监测方法。
10.一种计算机可读介质,其特征在于,所述计算机可读介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的数据动态监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289978.7A CN111818561B (zh) | 2019-04-11 | 2019-04-11 | 数据动态监测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289978.7A CN111818561B (zh) | 2019-04-11 | 2019-04-11 | 数据动态监测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111818561A CN111818561A (zh) | 2020-10-23 |
CN111818561B true CN111818561B (zh) | 2022-07-01 |
Family
ID=72843926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910289978.7A Active CN111818561B (zh) | 2019-04-11 | 2019-04-11 | 数据动态监测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111818561B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915735A (zh) * | 2015-06-26 | 2015-09-16 | 国家电网公司 | 企业运营分析预警***的预警分析方法 |
CN105406991A (zh) * | 2015-10-26 | 2016-03-16 | 上海华讯网络***有限公司 | 基于网络监控指标由历史数据生成业务阈值的方法及*** |
CN106304180A (zh) * | 2016-08-15 | 2017-01-04 | 中国联合网络通信集团有限公司 | 一种确定用户的语音业务质量的方法及装置 |
CN108076197A (zh) * | 2016-11-14 | 2018-05-25 | 中移(苏州)软件技术有限公司 | 一种终端网络性能劣化的检测方法和装置 |
CN109005556A (zh) * | 2018-07-24 | 2018-12-14 | 武汉虹信技术服务有限责任公司 | 一种基于用户话单的4g网络质量优化方法与*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150341812A1 (en) * | 2003-08-29 | 2015-11-26 | Ineoquest Technologies, Inc. | Video quality monitoring |
US10015309B2 (en) * | 2016-01-25 | 2018-07-03 | Netscout Systems Texas, Llc | Conditional two stage distributed correlation of CP-UP for IMS protocols |
-
2019
- 2019-04-11 CN CN201910289978.7A patent/CN111818561B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915735A (zh) * | 2015-06-26 | 2015-09-16 | 国家电网公司 | 企业运营分析预警***的预警分析方法 |
CN105406991A (zh) * | 2015-10-26 | 2016-03-16 | 上海华讯网络***有限公司 | 基于网络监控指标由历史数据生成业务阈值的方法及*** |
CN106304180A (zh) * | 2016-08-15 | 2017-01-04 | 中国联合网络通信集团有限公司 | 一种确定用户的语音业务质量的方法及装置 |
CN108076197A (zh) * | 2016-11-14 | 2018-05-25 | 中移(苏州)软件技术有限公司 | 一种终端网络性能劣化的检测方法和装置 |
CN109005556A (zh) * | 2018-07-24 | 2018-12-14 | 武汉虹信技术服务有限责任公司 | 一种基于用户话单的4g网络质量优化方法与*** |
Non-Patent Citations (1)
Title |
---|
"四川移动网络资源准确率提升项目质量管理研究";曾智;《中国优秀硕士学位论文全文数据库 信息科技辑 I136-337》;20180815;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111818561A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112311611B (zh) | 数据异常的监测方法、装置和电子设备 | |
CN112152833B (zh) | 一种网络异常报警方法、装置及电子设备 | |
CN114444827B (zh) | 一种集群性能的评估方法和装置 | |
CN107645456B (zh) | 流量控制方法和流量控制*** | |
US20230130378A1 (en) | Method for identifying problem cell, electronic device and computer-readable medium | |
CN111818561B (zh) | 数据动态监测方法、装置及电子设备 | |
CN111277451B (zh) | 一种业务评估方法、装置、终端设备和介质 | |
CN109710552B (zh) | 总线传输质量评估方法、***和计算机存储介质 | |
CN111835577B (zh) | 物联网专网质差问题确定的方法、装置和电子设备 | |
CN108667893B (zh) | 数据推荐方法、装置和电子设备 | |
CN113225218A (zh) | 一种话单质量的核查方法和装置 | |
CN115442832B (zh) | 投诉问题定位方法、装置及电子设备 | |
CN110661913A (zh) | 一种用户排序方法、装置及电子设备 | |
CN111935772A (zh) | 一种确定业务区域的价值的方法和装置 | |
CN109120472B (zh) | 一种接口速率获得方法及装置 | |
CN113873495B (zh) | eSIM卡的网络接入方法和装置 | |
CN113657635B (zh) | 一种预测通信用户流失的方法及电子设备 | |
CN115309638A (zh) | 协助模型优化的方法及装置 | |
CN114329115A (zh) | 工业生产数据处理方法、装置、生产设备及可读存储介质 | |
CN113037685B (zh) | 数据传输方法和电子设备 | |
CN112445825B (zh) | 一种sla时限处理方法、装置及存储介质 | |
CN110708414A (zh) | 一种电话号码的排序方法、装置及电子设备 | |
CN112738719A (zh) | 一种通信小区所覆盖的地理区域的确定方法及电子设备 | |
CN111093049B (zh) | 一种视频点名方法、装置、***及存储介质 | |
CN112819358B (zh) | 数据处理方法、装置及设备 |
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 |