CN107734534B - 一种网络负荷评估方法及装置 - Google Patents

Abstract

本发明公开了一种网络负荷评估方法及装置，包括：获取特定小区在预设时间段内发生的业务话单数据；对业务话单数据进行分析，得到特定小区的用户行为信息；根据用户行为信息，得到特定小区的网络承载量；当网络承载量超过承载量阈值时，确定特定小区处于超负荷状态。本发明通过对获取到的某特定小区的业务话单数据进行分析，得到该特定小区的用户行为信息，由于用户行为信息与网络性能之间的强关联性，可依照用户行为信息得到当前的网络承载量，进而对网络负荷进行评估。

Description

一种网络负荷评估方法及装置

技术领域

本发明涉及核心网大数据领域，尤其涉及一种网络负荷评估方法及装置。

背景技术

大数据技术是以任何系统的全部数据资源为对象，并从中发现数据之间表现的相关性关系的信息处理技术，目前已经广泛应用于互联网的流程优化、目标化消息及广告推送、用户个性化服务与改善等方面，成为了网络服务背后强大的后台支撑。

其中，用户行为分析是大数据技术的一项重要应用，其目标是在很多的维度上建立针对用户的描述性标签属性，从而利用这些标签属性对用户多方面的特征进行勾勒，进而，可以利用用户行为发掘用户需求，分析用户偏好，以提供给用户更高效和更有针对性的信息输送以及更贴近用户习惯的用户体验。目前，用户行为分析技术仅仅能够实现依据分析结果向用户推荐相匹配的数据信息，并不能对整体网络运行趋势进行分析。

发明内容

本发明提供了一种网络负荷评估方法及装置，解决了现有技术中不能依据用户行为信息对整体网络运行趋势进行分析的问题。

依据本发明的一个方面，提供了一种网络负荷评估方法，包括：

获取特定小区在预设时间段内发生的业务话单数据；

对业务话单数据进行分析，得到特定小区的用户行为信息；

根据用户行为信息，得到特定小区的网络承载量；

当网络承载量超过承载量阈值时，确定特定小区处于超负荷状态。

依据本发明的另一个方面，还提供了一种网络负荷评估装置，包括：

获取模块，用于获取特定小区在预设时间段内发生的业务话单数据；

分析模块，用于对业务话单数据进行分析，得到特定小区的用户行为信息；

处理模块，用于根据用户行为信息，得到特定小区的网络承载量；

评估模块，用于当网络承载量超过承载量阈值时，确定特定小区处于超负荷状态。

本发明的实施例的有益效果是：

通过对获取到的某特定小区的业务话单数据进行分析，得到该特定小区的群体用户行为信息，由于用户行为与网络性能之间的强关联性，可依照用户行为得到当前的网络承载量，进而通过网络承载量对网络负荷进行评估。

附图说明

图1表示本发明的网络负荷评估方法的流程示意图；

图2表示本发明实施例一中小波神经网络的计算过程图；

图3表示本发明的网络负荷评估装置的模块示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

实施例一

如图1所示，本发明的实施例提供了一种网络负荷评估方法，具体包括以下步骤：

步骤101：获取特定小区在预设时间段内发生的业务话单数据。

这里所说的特定小区指的是在小区信息筛选过程中关注的小区，筛选该特定小区的候选小区并不具备针对性，所有小区均可视为特定小区的候选小区。也就是说，获取特定小区发生的业务话单数据指的是：获取任一被选取为特定小区的小区内发生的业务话单数据，即获取小区级的业务话单数据。其中，业务话单数据除了包括业务发起的位置信息外，还包括：参与业务的用户信息、业务类型、业务起始时间等信息。进一步地，上述预设时间段指的是距离当前时刻最近的一段时间，例如前一天、前一周、前一个月或前一个季度等。其中，距离当前时间越近的时间段内产生的业务话单数据越能体现当前小区内用户的真实话务情况。

步骤102：对业务话单数据进行分析，得到特定小区的用户行为信息。

其中，其中，业务话单数据中包括采集到的特定小区内产生的话单，能够反映用户的各种行为特征，如：主被叫类型、业务类型等。对特定小区内发生的所有业务话单数据进行分析，可根据业务话单数据中各种业务标识信息确定该小区的用户业务属性信息。其中，用户业务属性包括：语音类业务属性、短信类业务属性、彩信类业务属性、数据访问类业务属性、漫游类业务属性、长途类业务属性等。

步骤103：根据用户行为信息，得到特定小区的网络承载量。

其中，由于用户行为信息与网络性能有着高度相关性，根据用户行为信息，能够知道当前该特定小区内所发生的用户行为所需要的网络承载量。其中不同的业务类型所需要的数据量不同，将发生在特定小区内的所有用户行为所对应的数据量加权可得到当前的网络承载量。

步骤104：当网络承载量超过承载量阈值时，确定特定小区处于超负荷状态。

也就是说当分析得到当前的网络承载量超过承载量阈值时，确定特定小区处于超负荷运行状态。当网络承载量未超过承载量时，确定特定小区的负荷未超过负荷阈值，处于正常运行状态。

其中，步骤101具体包括：采集预设时间段内产生的全部业务话单；根据特定小区的小区信息，提取全部业务话单中发生在特定小区内的业务话单数据。

通过采集机来采集不同时间产生的话单数据，闲时和忙时的采集周期不同，例如闲时每5分钟生成一条话单，忙时不间断采集并将2M数据作为一个话单。其中，根据话单每天产生的总话单数据来均衡划分各个采集机，其划分原则为每个采集机上采集到的话单数据的数据量应大致相等。如：根据业务类型以及主被叫方来划分不同的采集机。

例如：指定分析区域，该区域是通过较多的三种(2G、3G、4G)网络类型的小区组合而成。在该区域内通过对用户的语音、短信、GPRS详单的分析，根据不同的用户标签，将分析后的用户信息分别划分到相应的用户标签。通过hadoop架构，对符合信息的用户进行分析，对用户信息的清洗和整合，保留有效的用户信息。值得指出的是，在该区域内有部分用户没有产生相应的语音、短信、GPRS话单，这部分用户的信息无法统计在内。

其中，具体实现过程可参照以下实现：

通过5台采集机连接MSC网元进行话单文件的采集，为保证采集的二进制话单文件的连续性，可增加检查机制，如有异常话单文件则产生告警提醒，以确保从MSC网元侧下载的话单文件准确连续。其中，MSC网元分为华为、爱立信、诺西三个厂商，分别针对以上三个厂商编写解码程序，该程序将二进制话单文件转换成相应的文本文件。将解码后的话单文本文件通过网络协议发送到Hadoop平台上，通过Hadoop平台的HDFS分布式文件系统，对话单文本文件进行存储。其中，为保证话单文件的完整性和安全性，对话单文件进行双备份，分别存储到hbase数据库和hive文件存储中。针对分析所划分区域信息，将hive文件中存储的语音、短信、GPRS三类话单，对标示是区域列的信息进行整理。

其中，业务话单数据包括业务标识信息和用户行为特征信息；步骤102包括：根据去重处理后的业务话单数据获得特定小区中的用户数目信息；根据业务话单数据中的业务标识信息和用户行为特征信息，分析获得特定小区的用户业务属性信息。

其中，获得特定小区中用户数目信息具体参照以下方式实现。在获取到特定小区发生的业务话单数据后，通过Hadoop架构，对业务话单数据进行去重处理。进一步地，对业务话单数据进行去重处理的步骤包括：对业务话单数据中相同用户的相同业务进行去重处理，对去重处理后的业务话单数据中相同用户的不同业务进行再次去重处理。具体可通过编写hive分析程序，将某段时间内使用语音业务或者数据业务的用户进行去重处理，使分析的用户数不重复，例如对语音业务话单中同一用户的业务应用次数去重、数据业务话单中同一用户的业务应用次数去重。通过小区级数据分析区域内群体用户画像，得到一个用户用了语音、数据、短信等多种业务，即实现对同一用户的相同业务去重，只关注一个用户的使用业务情况，例如对语音业务话单中同一用户的业务应用次数去重、数据业务话单中同一用户的业务应用次数去重，通过小区级数据分析区域内群体用户画像，得到一个用户用了语音、数据等多种业务。对业务话单数据中相同用户的不同业务进行去重处理，得到特定小区的用户数目信息，还可通过编写hive分析程序，将某段时间内既有语音业务又有数据业务的用户进行去重处理，使分析的用户数不重复，即实现地相同用户的不同业务去重，只关注整个区域的用户数目。把以上二次去重分析后的数据结果发送到关系数据库主机，通过入库程序将分析数据结果写入关系数据库中，为页面呈现查询提供支撑。例如将某段时间内既有语音业务又有数据业务或其他业务的用户进行去重处理，使分析的用户数不重复，同一用户不同业务去重，将再次去重处理后的业务话单数据的话单条数确定为特定小区的用户数目信息，即得到在网的用户总数。这样，通过去重处理可实现用户群体的行为分析，同时用户群体行为分析也可规避单一用户隐私信息的安全问题。

进一步地，根据业务话单数据中的业务标识信息和用户行为特征信息，分析获得特定小区的用户业务属性信息步骤包括：获取业务话单数据中业务标识信息不为空的第一业务话单数据；根据业务标识信息，对第一业务话单数据进行业务属性分类；根据用户行为特征信息，对业务话单数据中除所述第一业务话单数据之外的业务话单数据进行业务属性分类；根据分类后的业务话单数据，得到所述特定小区的用户业务属性信息。

其中，业务话单数据中的业务标识信息和用户行为特征信息具体可对应到话单中的信息字段，具体地，若业务标识信息所对应的信息字段的填充为空或null或均为0，则表示业务标识信息为空；否则表示业务标识信息不为空。

进一步地，根据业务标识信息，对第一业务话单数据进行业务属性分类可通过决策树的方式实现，具体地，根据业务话单数据中的业务标识信息，采用决策树对业务话单数据进行分类。其中，决策树的不同节点对应不同的业务属性。采用决策树分类方法来对移动通信数据进行分类，以利用不同训练集生成的决策树共同对已知分类属性的测试集进行分类；其次，结合样本数据本身的特征采用相异度算法对不确定的样本进行再次分类。其中，决策树是一个典型的树结构，其中每个内部节点表示在一个属性上的测试，每个分支代表一个测试输出，而每个叶节点代表一个类或类分布，决策树容易转换成非常直观的分类规则，路径由根节点到存放该样本预测结果的叶节点。

而对于业务话单数据中除第一业务话单数据之外的业务话单数据，即业务标识信息为空的业务话单数据不能够直接进行业务属性分类，需要通过计算与已分好类的业务属性中的话单数据的相似度来进行分类，具体地，可采用层次聚类分析算法对该类业务话单数据进行业务属性划分，其中，根据不同的用户行为特征信息，采用聚类算法对业务话单数据进行业务属性分类。其中，层次聚类分析依据数据集合的自然属性，将类似的对象划归一个数据分类，也称为簇，层次聚类分析最终得到的是一系列簇的集合。层次聚类算法是在数据集合划分所依据的特征完全未知的情况下，通过对实际数据样本相似性的计算，获取数据集合的划分，层次聚类算法的划分应该使簇与簇之间数据集合的相似程度尽可能的低，而同一组里边的数据相似程度尽可能的高。

通过决策树对业务话单数据中业务标识信息不为空的第一业务话单数据进行分类，再通过聚类算法将业务话单数据中除第一业务话单数据之外的业务话单数据进行分类，即通过聚类算法对业务标识信息为空的业务话单数据进行业务属性分类，从而将所有业务话单数据分类至对应的业务属性集合中。

由于用户数据与网络性能之间的强关联性，不同业务属性的用户数据对网络性能的影响不同，因此可根据用户行为信息来计算得到当前的网络承载量。具体地，采用小波神经网络算法对用户行为信息进行计算，得到特定小区的网络承载量；当网络承载量超过特定小区的承载量阈值时，确定特定小区的网络负荷为超负荷状态。

下面将结合具体运算公式对其评估过程做进一步说明：

通常状态下，网络的能量阈值为r，采用小波神经网络算法来逼近网络中的能量y，当实际的网络能量达到能量阈值时，发出预警信号，即确定特定小区的网络负荷为超负荷状态后，生成一提示特定小区处于超负荷状态的告警信息。其中，得到不同的用户行为信息X_k(1)，…X_k(i)，…，X_k(m)，将用户行为信息进行一致化及无量纲化处理，得到r_k(1)，…r_k(i)，…，r_k(m)。

其中，小波神经网络的输出层的输出值的计算公式为：

其中，r_k(1)，…r_k(i)，…，r_k(m)为用户行为信息的一致化及无量纲化参数，该参数为：由用户业务属性信息、业务数据量信息和用户数目信息组成的三维数据参数，w_ij为输入层和隐含层的连接权值，r_j为隐含层和输出层的连接权值，a_j为小波基函数的伸缩因子，b_j为小波基函数的平移因子，h为小波基函数。其中本案例采用的小波基函数为母小波基函数，数学公式为：

h(t)＝cos(1.75t)exp(-t²/2)

定义小区的网络能量函数为：

其中，y_k为小波神经网络的输出值；N为评价样本的总数。

进一步地，定义网络的误差能量函数为：

其中，

为评价样本的实际值；y_k为小波网络的输出值；N为评价样本的总数。

通过对w_ij，r_j，a_j，b_j参数进行调整，使得网络的误差能量函数E₀达到最小，对于上述这些参数的调整，我们采用共轭梯度算法，网络的能量函数的计算过程如图2所示，数据分析得到通常状态下网络的能量阈值r，若E>r，则发出报警。

实施例二

以上实施例从不同应用场景介绍了本发明的网络负荷评估方法，下面本实施例将结合附图对其对应的装置做进一步说明。

如图3所示，本发明的实施例中提供了一种网络负荷评估装置，具体包括：

获取模块31，用于获取特定小区在预设时间段内发生的业务话单数据；

分析模块32，用于对业务话单数据进行分析，得到特定小区的用户行为信息；

处理模块33，用于根据用户行为信息，得到特定小区的网络承载量；

评估模块34，用于当网络承载量超过承载量阈值时，确定特定小区处于超负荷状态。

其中，业务话单数据包括业务标识信息和用户行为特征信息；其中，分析模块包括：

去重子模块，用于根据去重处理后的业务话单数据获得特定小区中的用户数目信息；

分析子模块，用于根据业务话单数据中的业务标识信息和用户行为特征信息，分析获得特定小区的用户业务属性信息。

其中，去重子模块包括：

第一去重单元，用于对业务话单数据中相同用户的相同业务进行去重处理；

第二去重单元，用于对去重处理后的业务话单数据中相同用户的不同业务进行再次去重处理；

确定单元，用于将再次去重处理后的业务话单数据的话单条数确定为特定小区的用户数目信息。

其中，分析子模块包括：

获取单元，用于获取业务话单数据中业务标识信息不为空的第一业务话单数据；

第一分类单元，用于根据业务标识信息，对第一业务话单数据进行业务属性分类；

第二分类单元，用于根据用户行为特征信息，对业务话单数据中除第一业务话单数据之外的业务话单数据进行业务属性分类；

处理单元，用于根据分类后的业务话单数据，得到特定小区的用户业务属性信息。

其中，第一分类单元包括：

第一分类子单元，用于根据业务标识信息，采用决策树方式对第一业务话单数据行分类；其中，决策树的不同节点对应不同的业务属性。

其中，第二分类单元还包括：

第二分类子单元，用于根据不同的用户行为特征信息，采用聚类算法对业务话单数据中除第一业务话单数据之外的业务话单数据进行业务属性分类。

其中，用户行为特征参数还包括业务数据量信息；处理模块具体用于采用小波神经网络算法对用户行为信息进行计算，得到特定小区的网络承载量；

其中，小波神经网络算法的输出层的输出值的计算公式为：

其中，r_k(1)，…r_k(i)，…，r_k(m)为用户行为信息的一致化及无量纲化参数，参数为：由用户业务属性信息、业务数据量信息和用户数目信息组成的三维数据参数，w_ij为输入层和隐含层的连接权值，r_j为隐含层和输出层的连接权值，a_j为小波基函数的伸缩因子，b_j为小波基函数的平移因子，h为小波基函数；

特定小区的网络能量通过以下公式计算：

其中，y_k为小波网络的输出值；N为评价样本的总数。需要说明的是，该装置是与上述网络负荷评估方法对应的装置，上述方法实施例中所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。

以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。

Claims (12)

1.一种网络负荷评估方法，其特征在于，包括：

获取特定小区在预设时间段内发生的业务话单数据；

对所述业务话单数据进行分析，得到所述特定小区的用户行为信息；

根据所述用户行为信息，得到所述特定小区的网络承载量；

当所述网络承载量超过承载量阈值时，确定所述特定小区处于超负荷状态；

所述用户行为信息还包括业务数据量信息；根据所述用户行为信息，得到所述特定小区的网络承载量的步骤包括：

采用小波神经网络算法对所述用户行为信息进行计算，得到所述特定小区的网络承载量；

其中，所述小波神经网络算法的输出层的输出值的计算公式为：

其中，r_k(1)，…r_k(i)，…，r_k(m)为用户行为信息的一致化及无量纲化参数，所述参数为：由用户业务属性信息、业务数据量信息和用户数目信息组成的三维数据参数，w_ij为输入层和隐含层的连接权值，r_j为隐含层和输出层的连接权值，a_j为小波基函数的伸缩因子，b_j为小波基函数的平移因子，h为小波基函数；

所述特定小区的网络能量通过以下公式计算：

其中，y_k为小波神经网络的输出值；N为评价样本的总数。

2.根据权利要求1所述的网络负荷评估方法，其特征在于，所述业务话单数据包括业务标识信息和用户行为特征信息；对所述业务话单数据进行分析，得到所述特定小区的用户行为信息的步骤包括：

根据去重处理后的业务话单数据获得所述特定小区中的用户数目信息；

根据所述业务话单数据中的业务标识信息和用户行为特征信息，分析获得所述特定小区的用户业务属性信息。

3.根据权利要求2所述的网络负荷评估方法，其特征在于，根据去重处理后的业务话单数据获得所述特定小区中的用户数目信息的步骤包括：

对所述业务话单数据中相同用户的相同业务进行去重处理；

对去重处理后的业务话单数据中相同用户的不同业务进行再次去重处理；

将再次去重处理后的业务话单数据的话单条数确定为所述特定小区的用户数目信息。

4.根据权利要求2所述的网络负荷评估方法，其特征在于，根据所述业务话单数据中的业务标识信息和用户行为特征信息，分析获得所述特定小区的用户业务属性信息的步骤包括：

获取所述业务话单数据中业务标识信息不为空的第一业务话单数据；

根据业务标识信息，对所述第一业务话单数据进行业务属性分类；

根据用户行为特征信息，对所述业务话单数据中除所述第一业务话单数据之外的业务话单数据进行业务属性分类；

根据分类后的业务话单数据，得到所述特定小区的用户业务属性信息。

5.根据权利要求4所述的网络负荷评估方法，其特征在于，根据业务标识信息，对所述第一业务话单数据进行业务属性分类的步骤包括：

根据业务标识信息，采用决策树方式对所述第一业务话单数据行分类；其中，所述决策树的不同节点对应不同的业务属性。

6.根据权利要求4所述的网络负荷评估方法，其特征在于，根据用户行为特征信息，对所述业务话单数据中除所述第一业务话单数据之外的业务话单数据进行业务属性分类的步骤包括：

根据不同的用户行为特征信息，采用聚类算法对所述业务话单数据中除所述第一业务话单数据之外的业务话单数据进行业务属性分类。

7.一种网络负荷评估装置，其特征在于，包括：

获取模块，用于获取特定小区在预设时间段内发生的业务话单数据；

分析模块，用于对所述业务话单数据进行分析，得到所述特定小区的用户行为信息；

处理模块，用于根据所述用户行为信息，得到所述特定小区的网络承载量；

评估模块，用于当所述网络承载量超过承载量阈值时，确定所述特定小区处于超负荷状态；

所述用户行为信息还包括业务数据量信息；所述处理模块具体用于采用小波神经网络算法对所述用户行为信息进行计算，得到所述特定小区的网络承载量；

其中，所述小波神经网络算法的输出层的输出值的计算公式为：

其中，r_k(1)，…r_k(i)，…，r_k(m)为用户行为信息的一致化及无量纲化参数，所述参数为：由用户业务属性信息、业务数据量信息和用户数目信息组成的三维数据参数，w_ij为输入层和隐含层的连接权值，r_j为隐含层和输出层的连接权值，a_j为小波基函数的伸缩因子，b_j为小波基函数的平移因子，h为小波基函数；

所述特定小区的网络能量通过以下公式计算：

其中，y_k为小波网络的输出值；N为评价样本的总数。

8.根据权利要求7所述的网络负荷评估装置，其特征在于，所述业务话单数据包括业务标识信息和用户行为特征信息；其中，所述分析模块包括：

去重子模块，用于根据去重处理后的业务话单数据获得所述特定小区中的用户数目信息；

分析子模块，用于根据所述业务话单数据中的业务标识信息和用户行为特征信息，分析获得所述特定小区的用户业务属性信息。

9.根据权利要求8所述的网络负荷评估装置，其特征在于，所述去重子模块包括：

第一去重单元，用于对所述业务话单数据中相同用户的相同业务进行去重处理；

第二去重单元，用于对去重处理后的业务话单数据中相同用户的不同业务进行再次去重处理；

确定单元，用于将再次去重处理后的业务话单数据的话单条数确定为所述特定小区的用户数目信息。

10.根据权利要求8所述的网络负荷评估装置，其特征在于，所述分析子模块包括：

获取单元，用于获取所述业务话单数据中业务标识信息不为空的第一业务话单数据；

第一分类单元，用于根据业务标识信息，对所述第一业务话单数据进行业务属性分类；

第二分类单元，用于根据所述用户行为特征信息，对所述业务话单数据中除所述第一业务话单数据之外的业务话单数据进行业务属性分类；

处理单元，用于根据分类后的业务话单数据，得到所述特定小区的用户业务属性信息。

11.根据权利要求10所述的网络负荷评估装置，其特征在于，所述第一分类单元包括：

第一分类子单元，用于根据业务标识信息，采用决策树方式对所述第一业务话单数据进 行分类；其中，所述决策树的不同节点对应不同的业务属性。

12.根据权利要求10所述的网络负荷评估装置，其特征在于，所述第二分类单元还包括：

第二分类子单元，用于根据不同的用户行为特征信息，采用聚类算法对所述业务话单数据中除所述第一业务话单数据之外的业务话单数据进行业务属性分类。

Images