CN116074215A - 网络质量检测方法、装置、设备及存储介质 - Google Patents
网络质量检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116074215A CN116074215A CN202211721502.4A CN202211721502A CN116074215A CN 116074215 A CN116074215 A CN 116074215A CN 202211721502 A CN202211721502 A CN 202211721502A CN 116074215 A CN116074215 A CN 116074215A
- Authority
- CN
- China
- Prior art keywords
- data information
- target
- information corresponding
- time
- time period
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 80
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 38
- 238000007621 cluster analysis Methods 0.000 claims description 24
- 238000012423 maintenance Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 abstract description 12
- 230000005856 abnormality Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 12
- 230000011664 signaling Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000007418 data mining Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 235000019580 granularity Nutrition 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007474 system interaction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/06—Generation of reports
- H04L43/062—Generation of reports related to network traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/12—Network monitoring probes
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Algebra (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种网络质量检测方法、装置、设备及存储介质,涉及通信技术领域,用于提高对网络质量进行检测的效率、确定网络指标异常问题的准确度。方法包括:获取目标时刻之前的目标历史时间段中目标网络对应的基础数据信息,并对基础数据信息进行数据预处理得到目标数据信息,基础数据信息包括:设备运行信息、工具运行信息、基站运行信息,数据预处理包括:数据检测、数据统计、异常数据剔除、调整数据格式;基于目标数据信息和预设算法,确定目标时刻之后的第一时间段对应的预测数据信息;基于第一时间段对应的预测数据信息,以及第一时间段对应的真实数据信息之间的差值,确定第一时间段对应的真实数据信息中的异常数据信息。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种网络质量检测方法、装置、设备及存储介质。
背景技术
随着通信网络的发展,当网络指标出现问题时,如何快速发现网络指标的异常波动并充分利用各方数据和经验库,高效地对网络质量差的根本原因进行精准定位和及时处理是网络维护和优化人员一直面临的挑战。当前可以通过网管上取网络指标数据,对网络指标数据进行手动分析,实现对网络质量差的根本原因进行分析,还可以采用后台信令跟踪的方式对网络质量差的根本原因进行分析。
在上述方法中,通过网管上取网络指标数据,对网络指标数据进行手动分析时效率较低,并且分析结果不具备***性和预测性。采用后台信令跟踪的方式一般用于对局部网络指标问题的精确定位,无法对全网网络指标问题进行定位。从而,对网络质量进行检测的效率较低,确定网络指标异常问题的准确度较差。
发明内容
本申请提供一种网络质量检测方法、装置、设备及存储介质,用于解决手动对网络指标的数据信息进行检测的效率较低、采用后台信令跟踪的方式无法确定全网网络指标的异常数据信息的问题,从而提高对网络质量进行检测的效率、确定网络指标异常问题的准确度。
为达到上述目的,本申请采用如下技术方案:
第一方面,提供了一种网络质量检测方法,方法包括:获取目标时刻之前的目标历史时间段中目标网络对应的基础数据信息,并对基础数据信息进行数据预处理得到目标数据信息,基础数据信息包括以下至少一项:设备运行信息、工具运行信息、基站运行信息,数据预处理包括以下至少一项:数据检测、数据统计、异常数据剔除、调整数据格式;基于目标数据信息和预设算法,确定目标时刻之后的第一时间段对应的预测数据信息;基于第一时间段对应的预测数据信息,以及第一时间段对应的真实数据信息之间的差值,确定第一时间段对应的真实数据信息中的异常数据信息。
在一种可能的实现方式中,基于目标数据信息和预设算法,确定目标时刻之后的第一时间段对应的预测数据信息,包括:从目标数据信息中确定目标历史时间段包括的多个第一时间点中的每个第一时间点对应的数据信息,多个第一时间点中任意两个相邻的第一时间点之间间隔预设时长;按照时间顺序依次将多个第一时间点中的每个第一时间点对应的数据信息输入至预设算法中,得到目标时刻之后的第一时间段包括的多个第二时间点中的每个第二时间点对应的预测数据信息,多个第二时间点中任意两个相邻的第二时间点之间间隔预设时长。
在一种可能的实现方式中,方法还包括:获取第一时间段包括的多个第二时间点中的每个第二时间点对应的真实数据信息;基于第一时间段对应的预测数据信息,以及第一时间段对应的真实数据信息之间的差值,确定第一时间段对应的真实数据信息中的异常数据信息,包括:针对第一时间段包括的多个第二时间点中的任一第二时间点,确定任一第二时间点对应的预测数据信息和真实数据信息之间的大小关系;当确定任一第二时间点对应的预测数据信息大于真实数据信息、且预测数据信息和真实数据信息之间的差值大于预设阈值时,确定任一第二时间点对应的真实数据信息为异常数据信息。
在一种可能的实现方式中,每个异常数据信息包括以下至少一项信息:位置信息、网元信息、区域信息、失败码、终端信息;方法还包括:基于确定的多个异常数据信息进行聚类分析处理,确定产生多个异常数据信息的根本原因;基于产生多个异常数据信息的根本原因生成告警工单,并将告警工单派发至对应的运维人员。
第二方面,提供了一种网络质量检测装置,网络质量检测装置包括:获取单元、处理单元和确定单元;获取单元,用于获取目标时刻之前的目标历史时间段中目标网络对应的基础数据信息,基础数据信息包括以下至少一项:设备运行信息、工具运行信息、基站运行信息;处理单元,用于对基础数据信息进行数据预处理得到目标数据信息,数据预处理包括以下至少一项:数据检测、数据统计、异常数据剔除、调整数据格式;确定单元,用于基于目标数据信息和预设算法,确定目标时刻之后的第一时间段对应的预测数据信息;确定单元,还用于基于第一时间段对应的预测数据信息,以及第一时间段对应的真实数据信息之间的差值,确定第一时间段对应的真实数据信息中的异常数据信息。
在一种可能的实现方式中,确定单元,还用于从目标数据信息中确定目标历史时间段包括的多个第一时间点中的每个第一时间点对应的数据信息,多个第一时间点中任意两个相邻的第一时间点之间间隔预设时长;处理单元,还用于按照时间顺序依次将多个第一时间点中的每个第一时间点对应的数据信息输入至预设算法中,得到目标时刻之后的第一时间段包括的多个第二时间点中的每个第二时间点对应的预测数据信息,多个第二时间点中任意两个相邻的第二时间点之间间隔预设时长。
在一种可能的实现方式中,获取单元,还用于获取第一时间段包括的多个第二时间点中的每个第二时间点对应的真实数据信息;确定单元,还用于针对第一时间段包括的多个第二时间点中的任一第二时间点,确定任一第二时间点对应的预测数据信息和真实数据信息之间的大小关系;确定单元,还用于当确定任一第二时间点对应的预测数据信息大于真实数据信息、且预测数据信息和真实数据信息之间的差值大于预设阈值时,确定任一第二时间点对应的真实数据信息为异常数据信息。
在一种可能的实现方式中,每个异常数据信息包括以下至少一项信息:位置信息、网元信息、区域信息、失败码、终端信息;确定单元,还用于基于确定的多个异常数据信息进行聚类分析处理,确定产生多个异常数据信息的根本原因;处理单元,还用于基于产生多个异常数据信息的根本原因生成告警工单,并将告警工单派发至对应的运维人员。
第三方面,一种电子设备,包括:处理器以及存储器;其中,存储器用于存储一个或多个程序,一个或多个程序包括计算机执行指令,当电子设备运行时,处理器执行存储器存储的计算机执行指令,以使电子设备执行如第一方面的一种网络质量检测方法。
第四方面,提供了一种存储一个或多个程序的计算机可读存储介质,该一个或多个程序包括指令,上述指令当被计算机执行时使计算机执行如第一方面的一种网络质量检测方法。
本申请提供了一种网络质量检测方法、装置、设备及存储介质,应用于对网络质量进行检测的场景中。在需要对网络质量进行检测时,可以获取目标时刻之前的目标历史时间段中目标网络对应的包括设备运行信息、工具运行信息、基站运行信息中至少一项的基础数据信息,并对基础数据信息进行包括数据检测、数据统计、异常数据剔除、调整数据格式中至少一项的数据预处理得到目标数据信息。进一步的,基于目标数据信息和预设算法,确定目标时刻之后的第一时间段对应的预测数据信息。以基于第一时间段对应的预测数据信息,以及第一时间段对应的真实数据信息之间的差值,确定第一时间段对应的真实数据信息中的异常数据信息。通过上述方法,在需要对网络质量进行检测时,可以获取目标网络对应的基础数据信息,并对基础数据信息进行数据预处理得到目标数据信息,然后基于目标数据信息和预设算法,确定预测数据信息,以基于预测数据信息、真实数据信息,确定真实数据信息中的异常数据信息。从而,解决手动对网络指标的数据信息进行检测的效率较低、采用后台信令跟踪的方式无法确定全网网络指标的异常数据信息的问题。从而提高对网络质量进行检测的效率、确定网络指标异常问题的准确度。
附图说明
图1为本申请的实施例提供的一种网络质量检测***的结构示意图一;
图2为本申请的实施例提供的一种网络质量检测***的结构示意图二;
图3为本申请的实施例提供的一种网络质量检测方法流程示意图一;
图4为本申请的实施例提供的一种数据采集入库的示意图;
图5为本申请的实施例提供的一种网络质量检测方法流程示意图二;
图6为本申请的实施例提供的一种网络质量检测方法流程示意图三;
图7为本申请的实施例提供的一种网络质量检测方法流程示意图四;
图8为本申请的实施例提供的一种网络指标聚类分析的示意图;
图9为本申请的实施例提供的一种网络质量检测***的设计逻辑示意图;
图10为本申请的实施例提供的一种网络质量检测装置的结构示意图;
图11为本申请的实施例提供的一种电子设备结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
在本申请的描述中,除非另有说明,“/”表示“或”的意思,例如,A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。此外,“至少一个”“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
在通信领域中,网络关键绩效指标(Key Performance Indicator,KPI)(即网络指标)直接关系着网络质量和用户感知,良好的通信网络质量能给用户带来良好的使用体验感,而当网络指标出现问题时,则会降低用户的使用体验感。因此,快速发现网络指标的异常波动,并充分利用各方数据和经验库,提出一种有效的网络质量差的根本原因的分析方法,以高效地对网络质量差的根本原因进行精准定位和及时处理是亟待解决的问题和网络维护和优化人员一直面临的挑战,也是移动网络未来发展的必经之路。
目前主要采用两种方式对网络质量差的根本原因进行分析,具体的可以通过网管上取网络指标数据,对网络指标数据进行手动分析,还可以采用后台信令跟踪的方式对网络质量差的根本原因进行分析。通过网管上取网络指标数据,对网络指标数据进行手动分析时效率较低,并且分析结果很难具有***性和预测性。采用后台信令跟踪的方式一般用于对局部网络指标问题的精确定位,无法对全网网络指标问题进行定位。
本申请提供了一种网络质量检测方法,在需要对网络质量进行检测时,可以获取目标时刻之前的目标历史时间段中目标网络对应的包括设备运行信息、工具运行信息、基站运行信息中至少一项的基础数据信息,并对基础数据信息进行包括数据检测、数据统计、异常数据剔除、调整数据格式中至少一项的数据预处理得到目标数据信息。进一步的,基于目标数据信息和预设算法,确定目标时刻之后的第一时间段对应的预测数据信息。以基于第一时间段对应的预测数据信息,以及第一时间段对应的真实数据信息之间的差值,确定第一时间段对应的真实数据信息中的异常数据信息。通过上述方法,在需要对网络质量进行检测时,可以获取目标网络对应的基础数据信息,并对基础数据信息进行数据预处理得到目标数据信息,然后基于目标数据信息和预设算法,确定预测数据信息,以基于预测数据信息、真实数据信息,确定真实数据信息中的异常数据信息。从而,解决手动对网络指标的数据信息进行检测的效率较低、采用后台信令跟踪的方式无法确定全网网络指标的异常数据信息的问题。从而提高对网络质量进行检测的效率、确定网络指标异常问题的准确度。
本申请实施例提供的一种网络质量检测方法,可以适用于网络质量检测***。图1示出了网络质量检测***的结构示意图。如图1所示,网络质量检测***20包括:服务器21和终端设备22。其中,服务器21用于通过终端设备22获取目标网络对应的基础数据信息、对基础数据信息进行数据预处理得到目标数据信息、基于目标数据信息确定预测数据信息、基于预测数据信息确定异常数据信息以及向终端设备22发送异常数据信息;终端设备22用于向服务器21发送目标网络对应的基础数据信息、接收来自服务器21的异常数据信息,实现通过服务器21和终端设备22对网络质量进行检测。
图2示出了一种网络质量检测***的结构示意图。如图2所示,网络质量检测***30包括:数据来源模块31、数据挖掘模块32、功能模块33和生产***模块34。数据来源模块31包括设备网管311、专业分析***(Discovery)312和端到端分析***313;数据挖掘模块32包括指标统计321和信息提取322;功能模块33包括关键绩效指标异常检测331、关联数据聚类分析332和经验库匹配333;生产***模块34包括电子运维***341和工单处理验证342。
其中,数据来源模块31用于获取目标网络对应的基础数据信息(包括设备运行信息、工具运行信息、基站运行信息)、向数据挖掘模块32发送基础数据信息;数据挖掘模块32用于接收来自数据来源模块31的基础数据信息、对基础数据信息进行数据预处理(包括数据检测、数据统计、异常数据剔除、调整数据格式)得到目标数据信息以及向功能模块33发送目标数据信息;功能模块33用于接收来自数据挖掘模块32的目标数据信息、基于目标数据信息确定预测数据信息、基于预测数据信息确定异常数据信息、对异常数据信息进行聚类分析处理、确定产生异常数据信息的根本原因以及向生产***模块34发送产生异常数据信息的根本原因;生产***模块34用于接收来自功能模块33的产生异常数据信息的根本原因、基于产生异常数据信息的根本原因生成告警工单以及将告警工单派发至对应的运维人员。
设备网管311用于获取设备运行信息、向指标统计321发送设备运行信息;专业分析***312用于获取工具运行信息、向信息提取322发送工具运行信息;端到端分析***313用于获取基站运行信息、向信息提取322发送基站运行信息;指标统计321用于接收来自设备网管311的设备运行信息、对设备运行信息进行数据预处理得到设备运行信息对应的目标数据信息以及将设备运行信息对应的目标数据信息发送至关键绩效指标异常检测331;信息提取322用于接收来自专业分析***312的工具运行信息和来自端到端分析***313的基站运行信息、对工具运行信息和基站运行信息进行数据预处理得到工具运行信息和基站运行信息对应的目标数据信息以及将工具运行信息和基站运行信息对应的目标数据信息发送至关联数据聚类分析332。
关键绩效指标异常检测331用于接收来自指标统计321的设备运行信息对应的目标数据信息、基于设备运行信息对应的目标数据信息和预设算法确定预测数据信息以及向关联数据聚类分析332发送预测数据信息;关联数据聚类分析332用于接收来自信息提取322的工具运行信息和基站运行信息对应的目标数据信息、接收来自关键绩效指标异常检测331的预测数据信息、基于预测数据信息确定异常数据信息、基于工具运行信息和基站运行信息对应的目标数据信息对异常数据信息进行聚类分析处理、将聚类分析处理结果发送至经验库匹配333。经验库匹配333用于接收来自关联数据聚类分析332的聚类分析处理结果、基于聚类分析处理结果确定产生异常数据信息的根本原因以及向电子运维***341发送产生异常数据信息的根本原因;电子运维***341用于接收来自关联数据聚类分析332的产生异常数据信息的根本原因、基于产生异常数据信息的根本原因生成告警工单以及将告警工单派发至对应的运维人员进行工单处理验证;工单处理验证342用于通过运维人员对工单进行处理验证。
下面结合附图对本申请实施例提供的一种网络质量检测方法进行描述。如图3所示,本申请实施例提供的一种网络质量检测方法,应用于电子设备,方法包括S201-S203:
S201、获取目标时刻之前的目标历史时间段中目标网络对应的基础数据信息,并对基础数据信息进行数据预处理得到目标数据信息。
其中,基础数据信息包括以下至少一项:设备运行信息、工具运行信息、基站运行信息,数据预处理包括以下至少一项:数据检测、数据统计、异常数据剔除、调整数据格式。
可以理解,电子设备可以获取目标时刻之前的目标历史时间段中目标网络对应的包括设备运行信息、工具运行信息、基站运行信息中至少一项的基础数据信息,并对基础数据信息进行包括数据检测、数据统计、异常数据剔除、调整数据格式中至少一项的数据预处理得到目标数据信息。
可选的,可以对设备运行信息进行数据完整性检查(即数据检测和数据统计)和异常数据剔除。具体的,如果发现缺失网元、指标项的统计数据,则通过网络质量检测***的告警界面发出告警;如果发现测量结果为0的统计项,则通过网络质量检测***删除该统计项。
可选的,可以将网络质量检测***与网元操作登记***或标工***对接,以获取网元和网元对应的操作时间段,可以将目标数据信息中在操作时间段内网元对应的性能统计数据剔除,以免影响对网络指标波动的判断。
需要说明的是,为便于后续及时精准分析,对采集入库的数据(即基础数据信息)有严格的要求。具体的,原始性能数据(即设备运行信息)必须齐全(例如网络指标涉及的尝试次数、成功次数、各类原因失败次数等原始统计项均需上报),以便后续对各统计项进行波动分析,以有针对性地发现问题。设备网管上有关网络KPI的测量对象需齐全,并且遵循测量对象最小原则(将测量对象细分统计到支持的最小粒度,例如类型分配码(TypeAllocation Code,TAC)),以便进行精准定位。根据分析要求提供专业工具数据(即工具运行信息)和端到端***数据(即基站运行信息)。
在一种实现方式中,如图4,示出了一种数据采集入库的示意图。数据源包括5G核心网(5GCore,5GC)设备网管、厂家专业工具(即专业分析***)和端到端分析***。对5GC设备网管通过公共对象请求代理结构(Common Object Request Broker Architecture,CORBA)提供的原始性能统计数据(即设备运行信息)进行数据采集;对厂家专业工具通过安全文件传送协议(SSH File Transfer Protocol,SFTP)提供的协议失败原因、协议失败次数和用户明细进行数据采集;对端到端分析***通过SFTP提供的无线小区和国际移动设备识别码(International Mobile Equipment Identity,IMEI)进行数据采集,然后对采集的三类数据(即全量COUNTER)进行解析入库,最后进一步对解析入库后的数据做汇总分析(即根据需求从不同维度、不同粒度汇总分析)。
S202、基于目标数据信息和预设算法,确定目标时刻之后的第一时间段对应的预测数据信息。
可以理解,电子设备可以基于目标数据信息和预设算法,确定目标时刻之后的第一时间段对应的预测数据信息。
可选的,在基于目标数据信息和预设算法,确定目标时刻之后的第一时间段对应的预测数据信息之前可以手动输入用于网络指标检测的检测阈值,如果不进行手动输入检测阈值,则可以使用***默认检测阈值。预设算法可以为Prophet算法。
示例性的,网络指标可以为认证管理功能(Authentication ManagementFunction,AMF)初始注册成功率、第五代移动通信技术(5th Generation MobileCommunication Technology,5G)独立组网(Standalone,SA)会话建立成功率、EPS FB成功率和长期演进语音承载(Voice over Long-Term Evolution,VoLTE)网络接通率。***默认检测阈值如表一所示:
表一***默认检测阈值表
网络指标 | ***默认检测阈值 |
AMF初始注册成功率(剔除用户原因) | 99% |
5G SA会话建立成功率 | 99% |
EPS FB成功率 | 99% |
VoLTE网络接通率(剔除用户原因) | 99% |
S203、基于第一时间段对应的预测数据信息,以及第一时间段对应的真实数据信息之间的差值,确定第一时间段对应的真实数据信息中的异常数据信息。
可以理解,电子设备可以基于第一时间段对应的预测数据信息,以及第一时间段对应的真实数据信息之间的差值,确定第一时间段对应的真实数据信息中的异常数据信息。
可选地,可以对异常数据信息进行聚类分析(即根据更多数据对异常数据信息做进一步的分析和定位)。可以将真实数据信息中的正常数据信息加入预设数据库中的正常库,以作为X样本在后续使用。正常数据信息的加入正常库的入库字段可以包括省、网络类型、网元、时间点、网络指标中至少一项。可以将真实数据信息中的异常数据信息加入预设数据库中的异常库。异常数据信息的加入异常库的入库字段可以包括省、网络类型、网元、告警时间、指标、波动情况、统计子项波动情况中至少一项。可以判断是否恢复新加入预设数据库的数据信息的告警,例如,如果发现正常库中某项新加入的网络指标在异常库中存在对应的当前时间点之前的异常告警,则生成该异常告警的恢复告警,该恢复告警的输出字段可以包括省、网络类型、网元、指标、告警时间点、指标波动情况、恢复时间点、恢复后指标值中至少一项。
本申请提供了一种网络质量检测方法,在需要对网络质量进行检测时,可以获取目标时刻之前的目标历史时间段中目标网络对应的包括设备运行信息、工具运行信息、基站运行信息中至少一项的基础数据信息,并对基础数据信息进行包括数据检测、数据统计、异常数据剔除、调整数据格式中至少一项的数据预处理得到目标数据信息。进一步的,基于目标数据信息和预设算法,确定目标时刻之后的第一时间段对应的预测数据信息。以基于第一时间段对应的预测数据信息,以及第一时间段对应的真实数据信息之间的差值,确定第一时间段对应的真实数据信息中的异常数据信息。通过上述方法,在需要对网络质量进行检测时,可以获取目标网络对应的基础数据信息,并对基础数据信息进行数据预处理得到目标数据信息,然后基于目标数据信息和预设算法,确定预测数据信息,以基于预测数据信息、真实数据信息,确定真实数据信息中的异常数据信息。从而,解决手动对网络指标的数据信息进行检测的效率较低、采用后台信令跟踪的方式无法确定全网网络指标的异常数据信息的问题。从而提高对网络质量进行检测的效率、确定网络指标异常问题的准确度。
在一种设计中,如图5所示,本申请实施例提供的一种网络质量检测方法,上述步骤S202中的方法,具体包括S301-S302:
S301、从目标数据信息中确定目标历史时间段包括的多个第一时间点中的每个第一时间点对应的数据信息。
其中,多个第一时间点中任意两个相邻的第一时间点之间间隔预设时长。
可以理解,可以从目标数据信息中确定目标时刻之前的目标历史时间段包括的任意两个相邻的第一时间点之间间隔预设时长的多个第一时间点中的每个第一时间点对应的数据信息。
可选地,可以从获取目标时刻之前的目标历史时间段内每个第一时间点对应的指标值(即数据信息)。如果缺失目标历史时间段内的第一时间点对应的指标值,则将获取目标历史时间段之前的时间点对应的指标值,以补齐缺失的第一时间点对应的指标值。
示例性的,目标时刻可以为当前日期零点,目标历史时间段可以为7天,两个相邻的第一时间点之间间隔预设时长可以为15分钟,则可以获取当前日期零点往前推7*24*4个第一时间点中每个第一时间点对应的指标值。
S302、按照时间顺序依次将多个第一时间点中的每个第一时间点对应的数据信息输入至预设算法中,得到目标时刻之后的第一时间段包括的多个第二时间点中的每个第二时间点对应的预测数据信息。
其中,多个第二时间点中任意两个相邻的第二时间点之间间隔所述预设时长。
可以理解,可以按照时间顺序依次将多个第一时间点中的每个第一时间点对应的数据信息输入至预设算法中,得到目标时刻之后的第一时间段包括的任意两个相邻的第二时间点之间间隔所述预设时长的多个第二时间点中的每个第二时间点对应的预测数据信息。
可选地,可以按照时间顺序依次将多个第一时间点中的每个第一时间点对应的数据信息输入至预设算法中,得到的预测数据信息可以为指标值,还可以得到指标的阈值(包括指标的上限值和指标的下限值)和从网管设备上获取的真实值。
示例性的,第一时间段可以为24个小时,将当前日期零点往前推7*24*4个第一时间点中每个第一时间点对应的指标值输入Prophet算法中,可以输出当前日期零点之后以15分钟为粒度的24个小时内每个第二时间点对应的指标值、每个第二时间点对应的指标的阈值以及从网管设备上获取的每个第二时间点对应的真实值。
在一种设计中,如图6所示,本申请实施例提供的一种网络质量检测方法,方法还包括“获取第一时间段包括的多个第二时间点中的每个第二时间点对应的真实数据信息”,上述步骤S203中的方法,具体包括S401-S402:
S401、针对第一时间段包括的多个第二时间点中的任一第二时间点,确定任一第二时间点对应的预测数据信息和真实数据信息之间的大小关系。
可以理解,可以针对第一时间段包括的多个第二时间点中的任一第二时间点,确定任一第二时间点对应的预测数据信息和真实数据信息之间的大小关系。
可选地,可以将第一时间段内任一第二时间点对应的指标值与任一第二时间点对应的真实值进行比较,以确定任一第二时间点对应的预测数据信息和真实数据信息之间的大小关系、任一第二时间点对应的预测数据信息和真实数据信息之间的差值大于预设阈值。
S402、当确定任一第二时间点对应的预测数据信息大于真实数据信息、且预测数据信息和真实数据信息之间的差值大于预设阈值时,确定任一第二时间点对应的真实数据信息为异常数据信息。
可以理解,当确定任一第二时间点对应的预测数据信息大于真实数据信息、且预测数据信息和真实数据信息之间的差值大于预设阈值时,可以确定任一第二时间点对应的真实数据信息为异常数据信息。
可选地,如果任一第二时间点对应的预测数据信息(即指标值)大于真实数据信息(即真实值),且预测数据信息与真实数据信息之间的差值大于预测数据信息与指标的下限值之间的差值,则确定任一第二时间点对应的真实数据信息为异常数据信息。
在一种设计中,如图7所示,本申请实施例提供的一种网络质量检测方法中,每个异常数据信息包括以下至少一项信息:位置信息、网元信息、区域信息、失败码、终端信息,方法还包括S501-S502:
S501、基于确定的多个异常数据信息进行聚类分析处理,确定产生多个异常数据信息的根本原因。
可以理解,可以基于确定的多个异常数据信息进行聚类分析处理,确定产生多个异常数据信息的根本原因。
可选地,可以基于确定的多个异常数据信息进行聚类分析处理,具体的,可以针对多个异常数据信息中每个异常数据信息对应的网络指标,从位置信息(即省份)、网元信息(即网元)和区域信息(即跟踪区、小区)三个维度对网络指标的失败码、网元信息、终端信息(即用户或终端)和区域信息进行失败次数分析、失败次数的比例波动分析和TOP分析。失败次数的比例波动分析可以为将失败次数逐项与前n(n为正整数)个相同时间段的失败次数的平均值做比较,确定异常数据信息对应的失败次数超过预设波动阈值。可以将异常数据信息对应的失败次数超过预设波动阈值的情况与经验库进行对比,确定产生异常数据信息的根本原因。
在一种实现方式中,如图8所示,示出了一种网络指标聚类分析的示意图。基于网络指标的省份维度对网络指标的失败码、网元和用户/终端进行失败次数、失败次数的比例波动和TOP分析;基于网络指标的网元维度对网络指标的失败码、跟踪区和用户/终端进行失败次数、失败次数的比例波动和TOP分析;基于网络指标的跟踪区维度对网络指标的失败码、用户/终端和小区进行失败次数、失败次数的比例波动和TOP分析。
示例性的,n可以为7,预设波动阈值可以为50%,则异常数据信息对应的失败次数超过预设波动阈值的情况可以为某跟踪区标识(Tracing Area Identity,TAI)失败次数较前7日平均值增幅大于预设波动阈值、个别用户失败次数较前7日平均值增幅大于预设波动阈值和某类型协议失败原因次数较前7日平均值增幅大于预设波动阈值,经验库格式如表二所示:
表二经验库格式表
S502、基于产生多个异常数据信息的根本原因生成告警工单,并将告警工单派发至对应的运维人员。
可以理解,可以基于产生多个异常数据信息的根本原因生成告警工单,并将告警工单派发至对应的运维人员。
可选地,网络质量检测***可以根据派单规则和根本原因定位的情况,将网络指标异常的告警工单派发到相关单位或人员(即运维人员)处理,告警工单携带信息主要包括网络类型、网元名称、网络指标名称、时间点、异常情况、波动子项信息、根本原因定位、建议处理步骤。然后运维人员对告警工单进行处理,直至告警恢复。告警恢复后,运维人员可以总结处理步骤,并按照固定格式进行回单。
可选地,可以将根本原因明确或者经过回单验证的根本原因和处理方法逐一汇总到经验库,并通过智能算法对回单结果进行分析处理,不断优化更新经验库。具体的,***可以根据关键字段对回单内容进行机器学习建模,自动分析学习回单内容,输出关键词汇得到具体原因和处理步骤,并更新经验库。***支持根据每次的回单内容及分词结果评估情况进行自动优化。如果网络指标属于正常波动,则回单时提出算法更新和告警阈值参数设置调整建议。从而对指标检测阈值进行调整优化,不断提升***告警有效性和根因定位准确性。
在一种实现方式中,如图9所示,示出了一种网络质量检测***的设计逻辑示意图。可以获取数据,对数据进行预处理,然后与操作登记或标工***对接,以对预处理后的数据进行规则过滤。在对规则过滤后的数据进行KPI检测(包括指标波动检测和指标阈值检测)之前,手工输入参数或使用***默认参数,对规则过滤后的数据进行KPI检测。判断KPI检测后的数据是否符合检测规则,如果符合,则对KPI检测后的数据进行聚类分析(包括m个统计项中每个统计项的波动检测,m为正整数),得到异常数据;如果不符合,则将KPI检测后的数据入库,进行前期告警恢复。对异常数据进行异常入库,并将异常数据与经验库匹配,确定根本原因。确定根本原因后进行KPI告警,派发KPI告警工单,然后对KPI告警工单进行处理,对处理结果进行总结并返回工单。根据返回的工单确定进行经验库更新、参数更新。
本申请实施例提供一种网络质量检测方法,本方法首先实时跟踪5GC和IP多媒体***(IP Multimedia Subsystem,IMS)域的关键性能KPI,然后通过完善的算法及时发现质量差的网络指标,并结合各类关联数据进行聚类分析,匹配经验库完成根本原因定位,最后派发一线维护人员实施优化该网络指标。实现本方法的整个***可以分为数据挖掘、KPI异常检测、关联数据聚类分析、经验库匹配、与其他***交互模块。不但实现网络指标波动告警、质量差的根本原因定位,而且与现存网络的生产***打通,全面实现告警派单和经验库优化等全流程闭环管理。该***可提高运营效率,是推动核心网数字化转型工作落地的有效途径。具体的,该***可以根据自定义算法实现网络指标波动告警,支持全国网络指标排名波动告警。可以根据TAI归属对指标进行细化,实现地市和TAI粒度的网络指标统计。支持网元、用户号码、小区等多维度对网络指标中的失败次数做波动统计分析,不但可以通过及时定位精准发现网络中存在的局部问题,解决网元、无线区域甚至用户或终端级别的问题来优化指标,而且可以强化端网业匹配,提升网络运营效能,增强监控灵敏度。可以根据经验库实现网络质量差的根本原因定位,以精准高效地支撑网络优化、提升。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对一种网络质量检测方法进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。可选的,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图10为本申请实施例提供的一种网络质量检测装置的结构示意图。如图10所示,一种网络质量检测装置40用于提高对网络质量进行检测的效率、确定网络指标异常问题的准确度,例如用于执行图3所示的一种网络质量检测方法。该网络质量检测装置40包括:获取单元401、处理单元402和确定单元403;
获取单元401,用于获取目标时刻之前的目标历史时间段中目标网络对应的基础数据信息,基础数据信息包括以下至少一项:设备运行信息、工具运行信息、基站运行信息;
处理单元402,用于对基础数据信息进行数据预处理得到目标数据信息,数据预处理包括以下至少一项:数据检测、数据统计、异常数据剔除、调整数据格式;
确定单元403,用于基于目标数据信息和预设算法,确定目标时刻之后的第一时间段对应的预测数据信息;
确定单元403,还用于基于第一时间段对应的预测数据信息,以及第一时间段对应的真实数据信息之间的差值,确定第一时间段对应的真实数据信息中的异常数据信息。
在一种可能的实现方式中,确定单元403,还用于从目标数据信息中确定目标历史时间段包括的多个第一时间点中的每个第一时间点对应的数据信息,多个第一时间点中任意两个相邻的第一时间点之间间隔预设时长;处理单元402,还用于按照时间顺序依次将多个第一时间点中的每个第一时间点对应的数据信息输入至预设算法中,得到目标时刻之后的第一时间段包括的多个第二时间点中的每个第二时间点对应的预测数据信息,多个第二时间点中任意两个相邻的第二时间点之间间隔预设时长。
在一种可能的实现方式中,获取单元401,还用于获取第一时间段包括的多个第二时间点中的每个第二时间点对应的真实数据信息;确定单元403,还用于针对第一时间段包括的多个第二时间点中的任一第二时间点,确定任一第二时间点对应的预测数据信息和真实数据信息之间的大小关系;确定单元403,还用于当确定任一第二时间点对应的预测数据信息大于真实数据信息、且预测数据信息和真实数据信息之间的差值大于预设阈值时,确定任一第二时间点对应的真实数据信息为异常数据信息。
在一种可能的实现方式中,每个异常数据信息包括以下至少一项信息:位置信息、网元信息、区域信息、失败码、终端信息;确定单元403,还用于基于确定的多个异常数据信息进行聚类分析处理,确定产生多个异常数据信息的根本原因;处理单元402,还用于基于产生多个异常数据信息的根本原因生成告警工单,并将告警工单派发至对应的运维人员。
在采用硬件的形式实现上述集成的模块的功能的情况下,本申请实施例提供了上述实施例中所涉及的电子设备的一种可能的结构示意图。如图11所示,一种电子设备60,用于提高对网络质量进行检测的效率、确定网络指标异常问题的准确度,例如用于执行图3所示的一种网络质量检测方法。该电子设备60包括处理器601,存储器602以及总线603。处理器601与存储器602之间可以通过总线603连接。
处理器601是通信装置的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器601可以是一个通用中央处理单元(central processing unit,CPU),也可以是其他通用处理器等。其中,通用处理器可以是微处理器或者是任何常规的处理器等。
作为一种实施例,处理器601可以包括一个或多个CPU,例如图11中所示的CPU 0和CPU 1。
存储器602可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
作为一种可能的实现方式,存储器602可以独立于处理器601存在,存储器602可以通过总线603与处理器601相连接,用于存储指令或者程序代码。处理器601调用并执行存储器602中存储的指令或程序代码时,能够实现本申请实施例提供的一种网络质量检测方法。
另一种可能的实现方式中,存储器602也可以和处理器601集成在一起。
总线603,可以是工业标准体系结构(industry standard architecture,ISA)总线、***设备互连(peripheral component interconnect,PCI)总线或扩展工业标准体系结构(extended industry standard architecture,EISA)总线等。该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11中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
需要指出的是,图11示出的结构并不构成对该电子设备60的限定。除图11所示部件之外,该电子设备60可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
作为一个示例,结合图10,网络质量检测装置40中的获取单元401、处理单元402和确定单元403实现的功能与图11中的处理器601的功能相同。
可选的,如图11所示,本申请实施例提供的电子设备60还可以包括通信接口604。
通信接口604,用于与其他设备通过通信网络连接。该通信网络可以是以太网,无线接入网,无线局域网(wireless local area networks,WLAN)等。通信接口604可以包括用于接收数据的接收单元,以及用于发送数据的发送单元。
在一种设计中,本申请实施例提供的电子设备中,通信接口还可以集成在处理器中。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能单元的划分进行举例说明。在实际应用中,可以根据需要而将上述功能分配由不同的功能单元完成,即将装置的内部结构划分成不同的功能单元,以完成以上描述的全部或者部分功能。上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当计算机执行该指令时,该计算机执行上述方法实施例所示的方法流程中的各个步骤。
本申请的实施例提供一种包含指令的计算机程序产品,当指令在计算机上运行时,使得计算机执行上述方法实施例中的一种网络质量检测方法。
其中,计算机可读存储介质,例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘。随机存取存储器(random access memory,RAM)、只读存储器(read-only memory,ROM)、可擦式可编程只读存储器(erasable programmable read only memory,EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器(compact disc read-only memory,CD-ROM)、光存储器件、磁存储器件、或者上述的人以合适的组合、或者本领域数值的任何其他形式的计算机可读存储介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(application specific integrated circuit,ASIC)中。
在本申请实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
由于本申请的实施例中的电子设备、计算机可读存储介质、计算机程序产品可以应用于上述方法,因此,其所能获得的技术效果也可参考上述方法实施例,本申请实施例在此不再赘述。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种网络质量检测方法,其特征在于,所述方法包括:
获取目标时刻之前的目标历史时间段中目标网络对应的基础数据信息,并对所述基础数据信息进行数据预处理得到目标数据信息,所述基础数据信息包括以下至少一项:设备运行信息、工具运行信息、基站运行信息,所述数据预处理包括以下至少一项:数据检测、数据统计、异常数据剔除、调整数据格式;
基于所述目标数据信息和预设算法,确定所述目标时刻之后的第一时间段对应的预测数据信息;
基于所述第一时间段对应的所述预测数据信息,以及所述第一时间段对应的真实数据信息之间的差值,确定所述第一时间段对应的真实数据信息中的异常数据信息。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标数据信息和预设算法,确定所述目标时刻之后的第一时间段对应的预测数据信息,包括:
从所述目标数据信息中确定所述目标历史时间段包括的多个第一时间点中的每个第一时间点对应的数据信息,所述多个第一时间点中任意两个相邻的第一时间点之间间隔预设时长;
按照时间顺序依次将所述多个第一时间点中的每个第一时间点对应的数据信息输入至所述预设算法中,得到所述目标时刻之后的所述第一时间段包括的多个第二时间点中的每个第二时间点对应的预测数据信息,所述多个第二时间点中任意两个相邻的第二时间点之间间隔所述预设时长。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取所述第一时间段包括的所述多个第二时间点中的每个第二时间点对应的所述真实数据信息;
所述基于所述第一时间段对应的所述预测数据信息,以及所述第一时间段对应的真实数据信息之间的差值,确定所述第一时间段对应的真实数据信息中的异常数据信息,包括:
针对所述第一时间段包括的所述多个第二时间点中的任一第二时间点,确定所述任一第二时间点对应的所述预测数据信息和所述真实数据信息之间的大小关系;
当确定所述任一第二时间点对应的所述预测数据信息大于所述真实数据信息、且所述预测数据信息和所述真实数据信息之间的差值大于预设阈值时,确定所述任一第二时间点对应的所述真实数据信息为异常数5据信息。
4.根据权利要求1至3中任一项所述的方法,其特征在于,每个异常数据信息包括以下至少一项信息:位置信息、网元信息、区域信息、失败码、终端信息;所述方法还包括:
基于确定的多个异常数据信息进行聚类分析处理,确定产生所述多0个异常数据信息的根本原因;
基于产生所述多个异常数据信息的根本原因生成告警工单,并将所述告警工单派发至对应的运维人员。
5.一种网络质量检测装置,其特征在于,所述网络质量检测装置包括:获取单元、处理单元和确定单元;
5所述获取单元,用于获取目标时刻之前的目标历史时间段中目标网络对应的基础数据信息,所述基础数据信息包括以下至少一项:设备运行信息、工具运行信息、基站运行信息;
所述处理单元,用于对所述基础数据信息进行数据预处理得到目标数据信息,所述数据预处理包括以下至少一项:数据检测、数据统计、0异常数据剔除、调整数据格式;
所述确定单元,用于基于所述目标数据信息和预设算法,确定所述目标时刻之后的第一时间段对应的预测数据信息;
所述确定单元,还用于基于所述第一时间段对应的所述预测数据信息,以及所述第一时间段对应的真实数据信息之间的差值,确定所述第5一时间段对应的真实数据信息中的异常数据信息。
6.根据权利要求5所述的网络质量检测装置,其特征在于,所述确定单元,还用于从所述目标数据信息中确定所述目标历史时间段包括的多个第一时间点中的每个第一时间点对应的数据信息,所述多个第一时间点中任意两个相邻的第一时间点之间间隔预设时长;
0所述处理单元,还用于按照时间顺序依次将所述多个第一时间点中的每个第一时间点对应的数据信息输入至所述预设算法中,得到所述目标时刻之后的所述第一时间段包括的多个第二时间点中的每个第二时间点对应的预测数据信息,所述多个第二时间点中任意两个相邻的第二时间点之间间隔所述预设时长。
7.根据权利要求6所述的网络质量检测装置,其特征在于,所述获取单元,还用于获取所述第一时间段包括的所述多个第二时间点中的每个第二时间点对应的所述真实数据信息;
所述确定单元,还用于针对所述第一时间段包括的所述多个第二时间点中的任一第二时间点,确定所述任一第二时间点对应的所述预测数据信息和所述真实数据信息之间的大小关系;
所述确定单元,还用于当确定所述任一第二时间点对应的所述预测数据信息大于所述真实数据信息、且所述预测数据信息和所述真实数据信息之间的差值大于预设阈值时,确定所述任一第二时间点对应的所述真实数据信息为异常数据信息。
8.根据权利要求5至7中任一项所述的网络质量检测装置,其特征在于,每个异常数据信息包括以下至少一项信息:位置信息、网元信息、区域信息、失败码、终端信息;所述确定单元,还用于基于确定的多个异常数据信息进行聚类分析处理,确定产生所述多个异常数据信息的根本原因;
所述处理单元,还用于基于产生所述多个异常数据信息的根本原因生成告警工单,并将所述告警工单派发至对应的运维人员。
9.一种电子设备,其特征在于,包括:处理器以及存储器;其中,所述存储器用于存储一个或多个程序,所述一个或多个程序包括计算机执行指令,当所述电子设备运行时,处理器执行所述存储器存储的所述计算机执行指令,以使所述电子设备执行权利要求1-4中任一项所述的一种网络质量检测方法。
10.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当被计算机执行时使所述计算机执行如权利要求1-4中任一项所述的一种网络质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211721502.4A CN116074215B (zh) | 2022-12-30 | 2022-12-30 | 网络质量检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211721502.4A CN116074215B (zh) | 2022-12-30 | 2022-12-30 | 网络质量检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116074215A true CN116074215A (zh) | 2023-05-05 |
CN116074215B CN116074215B (zh) | 2024-04-19 |
Family
ID=86174225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211721502.4A Active CN116074215B (zh) | 2022-12-30 | 2022-12-30 | 网络质量检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116074215B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116528274A (zh) * | 2023-07-05 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 网络质量调控方法以及相关设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004072286A (ja) * | 2002-08-05 | 2004-03-04 | Nippon Telegr & Teleph Corp <Ntt> | 構造変化検出方法および通信網異常状態検出方法、並びに、その装置およびプログラム |
CN102821002A (zh) * | 2011-06-09 | 2012-12-12 | ***通信集团河南有限公司信阳分公司 | 网络流量异常检测方法和*** |
EP3590042A1 (en) * | 2017-03-01 | 2020-01-08 | Visa International Service Association | Predictive anomaly detection framework |
CN110809280A (zh) * | 2019-10-21 | 2020-02-18 | 北京锦鸿希电信息技术股份有限公司 | 一种铁路无线网络质量的检测预警方法及装置 |
CN111193608A (zh) * | 2019-11-19 | 2020-05-22 | 腾讯云计算(北京)有限责任公司 | 网络质量探测监控方法、装置、***和计算机设备 |
CN112637132A (zh) * | 2020-12-01 | 2021-04-09 | 北京邮电大学 | 一种网络异常检测方法、装置、电子设备和存储介质 |
US20210160262A1 (en) * | 2019-11-21 | 2021-05-27 | Verizon Patent And Licensing Inc. | Systems and methods for determining network data quality and identifying anomalous network behavior |
CN112994965A (zh) * | 2019-12-13 | 2021-06-18 | 北京金山云网络技术有限公司 | 一种网络异常检测方法、装置和服务器 |
CN113079143A (zh) * | 2021-03-24 | 2021-07-06 | 北京锐驰信安技术有限公司 | 一种基于流数据的异常检测方法及*** |
CN113099476A (zh) * | 2021-05-13 | 2021-07-09 | 中国联合网络通信集团有限公司 | 网络质量检测方法、装置、设备及存储介质 |
CN113595784A (zh) * | 2021-07-26 | 2021-11-02 | 招商银行股份有限公司 | 网络流量检测方法、装置、设备、存储介质及程序产品 |
CN114301803A (zh) * | 2021-12-24 | 2022-04-08 | 北京百度网讯科技有限公司 | 网络质量检测方法、装置、电子设备及存储介质 |
CN114595134A (zh) * | 2022-03-10 | 2022-06-07 | 中国农业银行股份有限公司 | 异常数据的检测方法、装置、电子设备及计算机存储介质 |
CN115334559A (zh) * | 2022-08-19 | 2022-11-11 | 中国联合网络通信集团有限公司 | 网络检测方法、装置、设备及介质 |
CN115438885A (zh) * | 2021-06-02 | 2022-12-06 | 中移动信息技术有限公司 | 业务异常波动的检测方法、装置、设备及存储介质 |
-
2022
- 2022-12-30 CN CN202211721502.4A patent/CN116074215B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004072286A (ja) * | 2002-08-05 | 2004-03-04 | Nippon Telegr & Teleph Corp <Ntt> | 構造変化検出方法および通信網異常状態検出方法、並びに、その装置およびプログラム |
CN102821002A (zh) * | 2011-06-09 | 2012-12-12 | ***通信集团河南有限公司信阳分公司 | 网络流量异常检测方法和*** |
EP3590042A1 (en) * | 2017-03-01 | 2020-01-08 | Visa International Service Association | Predictive anomaly detection framework |
CN110809280A (zh) * | 2019-10-21 | 2020-02-18 | 北京锦鸿希电信息技术股份有限公司 | 一种铁路无线网络质量的检测预警方法及装置 |
CN111193608A (zh) * | 2019-11-19 | 2020-05-22 | 腾讯云计算(北京)有限责任公司 | 网络质量探测监控方法、装置、***和计算机设备 |
US20210160262A1 (en) * | 2019-11-21 | 2021-05-27 | Verizon Patent And Licensing Inc. | Systems and methods for determining network data quality and identifying anomalous network behavior |
CN112994965A (zh) * | 2019-12-13 | 2021-06-18 | 北京金山云网络技术有限公司 | 一种网络异常检测方法、装置和服务器 |
CN112637132A (zh) * | 2020-12-01 | 2021-04-09 | 北京邮电大学 | 一种网络异常检测方法、装置、电子设备和存储介质 |
CN113079143A (zh) * | 2021-03-24 | 2021-07-06 | 北京锐驰信安技术有限公司 | 一种基于流数据的异常检测方法及*** |
CN113099476A (zh) * | 2021-05-13 | 2021-07-09 | 中国联合网络通信集团有限公司 | 网络质量检测方法、装置、设备及存储介质 |
CN115438885A (zh) * | 2021-06-02 | 2022-12-06 | 中移动信息技术有限公司 | 业务异常波动的检测方法、装置、设备及存储介质 |
CN113595784A (zh) * | 2021-07-26 | 2021-11-02 | 招商银行股份有限公司 | 网络流量检测方法、装置、设备、存储介质及程序产品 |
CN114301803A (zh) * | 2021-12-24 | 2022-04-08 | 北京百度网讯科技有限公司 | 网络质量检测方法、装置、电子设备及存储介质 |
CN114595134A (zh) * | 2022-03-10 | 2022-06-07 | 中国农业银行股份有限公司 | 异常数据的检测方法、装置、电子设备及计算机存储介质 |
CN115334559A (zh) * | 2022-08-19 | 2022-11-11 | 中国联合网络通信集团有限公司 | 网络检测方法、装置、设备及介质 |
Non-Patent Citations (4)
Title |
---|
ADRIEN LEGRAND: ""Use of Uncertainty with Autoencoder Neural Networks for Anomaly Detection"", 《2019 IEEE SECOND INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND KNOWLEDGE ENGINEERING (AIKE)》, 8 August 2019 (2019-08-08) * |
曾惟如;吴佳;闫飞;: "基于层级实时记忆算法的时间序列异常检测算法", 电子学报, no. 02, 15 February 2018 (2018-02-15) * |
王西点: ""人工智能及其在网络优化运维中的应用"", 《电信工程技术与标准化》, 11 July 2018 (2018-07-11) * |
田伟宏;李喜旺;司志坚;: "基于长短期记忆网络的工控网络异常流量检测", 计算机***应用, no. 09, 15 September 2020 (2020-09-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116528274A (zh) * | 2023-07-05 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 网络质量调控方法以及相关设备 |
CN116528274B (zh) * | 2023-07-05 | 2023-09-22 | 腾讯科技(深圳)有限公司 | 网络质量调控方法以及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116074215B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126824B (zh) | 多指标关联模型训练方法及多指标异常分析方法 | |
CN107204894B (zh) | 网络业务质量的监控方法及装置 | |
CN111475370A (zh) | 基于数据中心的运维监控方法、装置、设备及存储介质 | |
CN108737182A (zh) | ***异常的处理方法及*** | |
CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
WO2022061900A1 (zh) | 故障自治能力的确定方法以及相关设备 | |
CN116074215B (zh) | 网络质量检测方法、装置、设备及存储介质 | |
CN112769605A (zh) | 一种异构多云的运维管理方法及混合云平台 | |
CN113313280B (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
CN112817814A (zh) | 异常监控方法、***、存储介质及电子装置 | |
CN112214577A (zh) | 目标用户的确定方法、装置、设备及计算机存储介质 | |
CN110807050B (zh) | 性能分析方法、装置、计算机设备及存储介质 | |
CN112637888B (zh) | 覆盖空洞区域识别方法、装置、设备及可读存储介质 | |
CN110609761B (zh) | 确定故障源的方法、装置、存储介质和电子设备 | |
CN107580329B (zh) | 一种网络分析优化方法及装置 | |
WO2016206241A1 (zh) | 数据分析方法及装置 | |
CN115767601A (zh) | 一种基于多维数据的5gc网元自动化纳管方法及装置 | |
CN105847978B (zh) | 一种基于智能电视的信息收集方法及*** | |
CN113285977B (zh) | 基于区块链和大数据的网络维护方法及*** | |
CN113452533B (zh) | 计费自巡检、自愈合方法、装置、计算机设备和存储介质 | |
CN112398706B (zh) | 数据评估标准确定方法、装置及存储介质、电子设备 | |
CN111061795B (zh) | 一种数据处理方法、装置、智能终端及存储介质 | |
CN113923102B (zh) | 物联设备供电故障分析方法及装置 | |
CN112561262B (zh) | 应用于屏障分析的经验反馈数据推送方法和计算机终端 | |
WO2023118648A1 (en) | System and method for optimizing fault detection in internet of things network |
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 |