CN108540352B - 一种用于在线教育系统用户通道自动匹配的优化扩展方法 - Google Patents

一种用于在线教育系统用户通道自动匹配的优化扩展方法 Download PDF

Info

Publication number
CN108540352B
CN108540352B CN201810409561.5A CN201810409561A CN108540352B CN 108540352 B CN108540352 B CN 108540352B CN 201810409561 A CN201810409561 A CN 201810409561A CN 108540352 B CN108540352 B CN 108540352B
Authority
CN
China
Prior art keywords
channel
data
user
network
interface
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.)
Expired - Fee Related
Application number
CN201810409561.5A
Other languages
English (en)
Other versions
CN108540352A (zh
Inventor
葛佳麒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Miaoke Information Technology Co ltd
Original Assignee
Shanghai Miaoke Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Miaoke Information Technology Co ltd filed Critical Shanghai Miaoke Information Technology Co ltd
Priority to CN201810409561.5A priority Critical patent/CN108540352B/zh
Publication of CN108540352A publication Critical patent/CN108540352A/zh
Application granted granted Critical
Publication of CN108540352B publication Critical patent/CN108540352B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L43/0852—Delays
    • 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
    • H04L43/10—Active monitoring, e.g. heartbeat, ping or trace-route
    • 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
    • H04L43/16—Threshold monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/12—Shortest path evaluation
    • H04L45/121—Shortest path evaluation by minimising delays
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/63—Control signaling related to video distribution between client, server and network components; Network processes for video distribution between server and clients or between remote clients, e.g. transmitting basic layer and enhancement layers over different transmission paths, setting up a peer-to-peer communication via Internet between remote STB's; Communication protocols; Addressing
    • H04N21/647—Control signaling between network components and server or clients; Network processes for video distribution between server and clients, e.g. controlling the quality of the video stream, by dropping packets, protecting content from unauthorised alteration within the network, monitoring of network load, bridging between two different networks, e.g. between IP and wireless
    • H04N21/64723—Monitoring of network processes or resources, e.g. monitoring of network load
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/12—Shortest path evaluation
    • H04L45/123—Evaluation of link metrics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/70—Routing based on monitoring results

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Cardiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Multimedia (AREA)
  • Environmental & Geological Engineering (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于在线教育系统用户通道自动匹配的优化扩展方法，该方法为：在前端进行系统封装，在后端实现接口，并进行数据采集存储和匹配模型建立；系统工作时首先在前端根据接口要求传入各种参数信息，后端根据输入的参数信息进行数据转化，返回给前端进行输出，前端再进行多重匹配，并根据后端数据匹配模型和用户通道的优化计算，在后端自动建立通道，再把通道地址传回给前端，用户获得通道地址后直接进入。该方法还包含与应用软件系统的集成、对上课过程的监控和延迟监测。本发明提供的用于在线教育系统用户通道自动匹配的优化扩展方法，可以使用户无感知的自动匹配最优化的上课通道，顺利完成上课过程，并满足快速可集成性和监控性。

Description

一种用于在线教育系统用户通道自动匹配的优化扩展方法
技术领域
本发明涉及一种用于在线教育系统的让用户拥有更好体验和流畅度的音视频互动直播技术多通道方案的自动匹配切换和灵活的扩展方法，具体地，涉及一种用于在线教育系统用户通道自动匹配的优化扩展方法。
背景技术
近些年来，随着移动互联网和各种智能设备的普及和高速发展，在线教育的授课方式已经变的越来越方便。当前国家提倡国人加强素质教育，人们也越来越习惯接受各种在线的素质教育方式，尤其在线的钢琴教育是最具市场和最具典型的代表。根据中国音乐家协会的数据统计，中国目前有3000万的学琴孩子，学习方式主要分为线下主课和线上陪练的方式进行，其中线下学习最大的问题就是学习频次低，无法及时有效的进行错音纠错，乐感提升和指法改正的指导，而且孩子的学习周期很长，练琴枯燥，容易失去持续练习的动力和兴趣。在线陪练可以有效的补充解决上诉错音、指法指导、练琴时间不足等一系列难题，但是在线教育解决方案普遍都会碰到网络不稳定，音视频延迟厉害等不可控情况，尤其在在线钢琴陪练领域，对上课过程的信息同步近乎实时的要求，给整个技术方案选择和实现带来了巨大的挑战，主要总结有以下几个技术难点：
1、当学生和老师分布在全球各地时，单单采用一家音视频互动直播的解决方案有很大的限制，因为网络技术原因导致的上课取消率很高，并且有可能部分用户永远无法正常上课；
2、由于上课断续或者连接不上的问题，导致用户体验很差；
3、音视频传输的实时性，延迟性太高会严重影响老师的对指法和音准节奏的判断；
4、随着国家网络带宽的提升和音视频技术方案的更新迭代，当有更好的方案时候，如何才能做到快速集成和无缝的通道切换。
发明内容
本发明的目的是提供一种用于在线教育系统的优化扩展方法，能够解决现有的问题，使老师和学生在上线上课程的时候，可以无感知的自动匹配最优化的上课通道，让用户顺利完成上课过程，同时满足新技术方案的快速可集成性和监控性。
为了达到上述目的，本发明提供了一种用于在线教育系统用户通道自动匹配的优化扩展方法，其中，所述的方法为：在前端进行系统封装，在后端实现接口，并进行数据采集存储和匹配模型建立；数据流流转过程为：系统工作时首先在前端根据接口要求传入各种参数信息，后端根据输入的参数信息进行数据转化，返回给前端进行输出，前端再进行多重匹配，并根据后端数据匹配模型和用户通道的优化计算，在后端自动建立通道，再把通道地址传回给前端，用户获得通道地址后直接进入。
上述的用于在线教育系统用户通道自动匹配的优化扩展方法，其中，所述的方法还包含与应用软件系统的集成，所述的在线教育系统支持和主流APP系统进行集成，支持iPhone、iPad、Android、Android Pad，以及一些定制版的android学习机；所述的集成是主要根据封装的规则和流程，采用直接http接口调用的方式进行集成。这样可以更加友好并且和通用标准统一起来，大大降低开发集成的复杂度，也更加便于系统的扩展集成性。
上述的用于在线教育系统用户通道自动匹配的优化扩展方法，其中，所述的方法还包含对上课过程的监控；所述的监控根据事先定义好的数据采样点，采用标准的http接口和异步队列的方式进行数据输出，并存储到ES的集群中，同时为了更友好的用户使用，提供可视化输出的统一接口，让前端可以很方便的进行展现和任务处理。整个上课过程的监控是非常重要的，并且越早监控越有利于问题的及时处理和解决。
上述的用于在线教育系统用户通道自动匹配的优化扩展方法，其中，所述的数据采集存储采用标准的http接口，同时配合RabbitMQ的异步队列方式模式，让整个方案拥有更好的容错性和吞吐量，并采用ES的集群进行Json化存储，以及对外提供统一的http查询接口；MQ全称为Message Queue，消息队列(MQ)是一种应用程序对应用程序的通信方法。应用程序通过读写出入队列的消息(针对应用程序的数据)来通信，而无需专用连接来链接它们，RabbitMQ是一个在AMQP基础上完成的，可复用的企业消息系统，遵循Mozilla PublicLicense开源协议；ES(Elastic Search)是一个基于Lucene的搜索服务器，是目前主流的开源搜索引擎之一；Elastic Search是个开源分布式搜索引擎，提供搜集、分析、存储数据三大功能。它的特点有：分布式，零配置，自动发现，索引自动分片，索引副本机制，restful风格接口，多数据源，自动搜索负载等。Json(JavaScript Object Notation，JS对象标记)是一种轻量级的数据交换格式，基于ECMAScript(欧洲计算机协会制定的js规范)的一个子集，采用完全独立于编程语言的文本格式来存储和表示数据。所述的数据采集存储提供统一接口，将上课过程数据进行收集，将包含用户信息、上课网络状态、上课乐谱情况、镜头使用情况、上课迟到早退情况的上课过程的参数信息数据进行统一管理监控，提供到前端给予技术的跟进和管理；即，数据的收集主要用作上课过程监控、问题的分析以及未来的一些改进点的挖掘。主要采集点是用户的ID、网络情况、乐谱使用、迟到早退等数据点；数据采集是通过自埋点加上ELK技术，自埋点是通过不同终端的自由的技术，调用后端的统一API接口，将数据存入到MQ队列中，后端通过Logstash组建将数据存入数据库中。自埋点(自动化埋点)是将界面的打开、关闭以及控件点击的log记录放到统一的地方去处理，而不用在许多业务逻辑中加入log代码。ELK Stack是Elasticsearch、Logstash、Kibana三个开源软件的组合，在实时数据检索和分析场合，三者通常是配合共用，而且又都先后归于Elastic.co公司名下，故有此简称；Elastic Stack(旧称ELK Stack)，是一种能够从任意数据源抽取数据，并实时对数据进行搜索、分析和可视化展现的数据分析框架；Kibana也是一个开源和免费的工具，Kibana可以为Logstash和ElasticSearch提供的日志分析友好的Web界面，可以帮助汇总、分析和搜索重要数据日志。API(Application Programming Interface，应用程序编程接口)是一些预先定义的函数，目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力，而又无需访问源码，或理解内部工作机制的细节。Logstash是开源的服务器端数据处理管道，能够同时从多个来源采集数据、转换数据，然后将数据发送到存储库中；Logstash主要是用来日志的搜集、分析、过滤日志的工具，支持大量的数据获取方式。一般工作方式为c/s架构，client端安装在需要收集日志的主机上，server端负责将收到的各节点日志进行过滤、修改等操作在一并发往elasticsearch上去。数据使用标准的数据格式，如下所示：
{
“type”:dataTyoe,
“appID”:appid,
“c_time”:createTime,
“body”:{
……
}
}。
数据显示主要有两种方式：标准化的一些日志查询主要采用Kibana的快速查询系统进行显示，一些监控类的数据查询主要采用自己开发的方式实现。
上述的用于在线教育系统用户通道自动匹配的优化扩展方法，其中，所述的数据匹配模型是通过简单的加权平均的方式，根据历史数据，获得拥有相似用户和老师情况的最优通道，并根据此通道规则，自动建立通道房间，返回给前端用户。由于存在数据的不准确性和干扰数据的存在，所以该模型的会是有一定误差的，因此需要建立持续改进的机制，通过让数据更丰富，对模型进行持续调整和改进，提高其匹配的准确率和稳定性。
上述的用于在线教育系统用户通道自动匹配的优化扩展方法，其中，所述的多重匹配是根据用户的网络侦测模型、用户当前所在区域，用户和所安排的老师的地理位置检测的信息通过统一的http接口，再利用大数据分析出多路通道方案的历史上课过程中链路优化的最优通道匹配模型进行多重匹配，找到符合该用户和老师之间上课的延迟可能最低的通道链路进行自动匹配。用户全程无感知和操作困扰。
上述的用于在线教育系统用户通道自动匹配的优化扩展方法，其中，所述的网络侦测模型的计算包含两种方式，一是获取用户访问到API服务器的网络耗时，采用接口埋点的方式，通过对程序的访问前和访问后处理访问提取，获得其完成访问的时间差，即是API的网络访问耗时；二是获取用户访问到音视频通道的网络耗时，然后进行加权平均，获得其平均网络耗时，其过程为首先在用户登陆后同步登陆通道，然后通过调用通道的网络探测接口，获得用户端到音视频服务器的网络耗时；网络耗时的加权平均值通过以下公式计算：
Figure BDA0001647650810000041
X1、X2、X3、Xk表示通道耗时，单位为ms，f1、f2、f3、fk表示连接点的计算频次，n表示通道数，从而计算出加权平均值。分析链路优化，首先需要解决网络侦测的计算。
上述的用于在线教育系统用户通道自动匹配的优化扩展方法，其中，所述的最优通道匹配模型包含根据用户和老师的历史上课数据，计算连通性的通道优选值，由于练琴地点的可移动性不高，所以其网络连接状态的结果是相对固定的。识别连通性的异常可能性，获得连通性的最大优化因子和计算值，再和网络耗时的加权平均值进行加权平均，得出哪条通道的连通值最高，并将通道信息返回，获得通道后，后端API通过接口创建出对应的通道链路作为一个标准的通道房间，并得出一条具体的网络地址，前端通过地址自动加入该通道房间中，并准备开始上课。
上述的用于在线教育系统用户通道自动匹配的优化扩展方法，其中，所述的根据用户和老师的历史上课数据，包含两种情况，一是已经有上过课的历史数据，并通过输入包含姓名、区域、级别、性格等的参数，获得用户和老师之前上课的历史数据，再对不同通道的网络值计算出平均值，从而获得历史上较好的一条通道，然后和实时网络耗时结果进行比较，选择出当前网络更好的一条通道；二是老师和用户是全新匹配的，没有历史的上课数据，则采取的是实时获得的网络耗时较小的那条通道。
上述的用于在线教育系统用户通道自动匹配的优化扩展方法，其中，所述的方法中还包含延迟监测，在正式上课过程中，可能存在网络的波动性，所以导致原先最优线路通道出现延迟、卡顿，甚至退出，因此采用延迟监测，优选地通过800ms为基础标准衡量值，判断用户上课过程的流畅性是否存在问题，当达到设定的阈值时，给与老师的客户端不流畅性提示，系统优先自动检测更优线路并进行切换，并在老师的客户端提供可手动切换线路的按钮，让老师可以手动进行尝试和感知选择；同时将数据同步回后端大数据中心，分析并学习，以便让匹配模型更加的准确和持续的进行改进；所述的延迟监测包含对网络的心跳检测，心跳检测是运用的一种比较简单的机制，通过任务定时器，每隔单位时间(优选为3s)去检查网络的平均耗时，计算规则只对单一通道检测，运用加权平均计算规则的公式，计算获得用户到API服务器和音视频通道的网络耗时，并获得平均值；通过该值和基础阈值(800ms)进行比较，比较若干次，优选为5次，均超过阈值，说明当前通道的网络波动性较大，需要去重新计算其他通道的情况；计算其他通道时通过同样的通道计算方式，计算出其他通道的平均网络耗时，并和阈值以及当前通道同比比较，获取出一个网络耗时最小的，进行通道切换；通道切换过程在后台自动完成，对用户在使用过程中会给予友好提示，并不需要手动来进行操作处理。
本发明提供的用于在线教育系统用户通道自动匹配的优化扩展方法具有以下优点：
1、提升用户的上课流畅性，全程用户无感知的技术切换过程；
2、降低用户投诉和退费情况；
3、随着上课用户量的增加，通道可能存在达到峰值或者由于意外事故导致的损坏，我们的方案可以快速的统一关闭或者切换到某一个通道，从而避免因为一个通道损坏，而导致大面积的用户无法上课的风险；
4、降低新技术通道的集成成本，同时让方案整体可用性更高；
5、可以让服务部门从课后监控提升到上课过程中，并且可进行可视化监控，从而进一步提升用户的满意度。
附图说明
图1为本发明的用于在线教育系统用户通道自动匹配的优化扩展方法的数据采集和存储的示意图。
图2为本发明的用于在线教育系统用户通道自动匹配的优化扩展方法的匹配最优通道的示意图。
具体实施方式
以下结合附图对本发明的具体实施方式作进一步地说明。
本发明提供的用于在线教育系统用户通道自动匹配的优化扩展方法，方法为：在前端进行系统封装，在后端实现接口，并进行数据采集存储和匹配模型建立；系统工作时首先在前端根据接口要求传入各种参数信息，后端根据输入的参数信息进行数据转化，返回给前端进行输出，前端再进行多重匹配，并根据后端数据匹配模型和用户通道的优化计算，在后端自动建立通道，再把通道地址传回给前端，用户获得通道地址后直接进入。
该方法还包含与应用软件系统的集成，在线教育系统支持和主流APP系统进行集成，支持iPhone、iPad、Android、Android Pad，以及android学习机；集成是采用直接http接口调用的方式进行集成。
该方法还包含对上课过程的监控；监控采用标准的http接口和异步队列的方式进行数据输出，并存储到ES的集群中，同时提供可视化输出的统一接口，让前端可以进行展现和任务处理。
数据采集存储采用标准的http接口，同时配合RabbitMQ的异步队列方式模式，并采用ES的集群进行Json化存储，以及对外提供统一的http查询接口；数据采集存储提供统一接口，将上课过程数据进行收集，将包含用户信息、上课网络状态、上课乐谱情况、镜头使用情况、上课迟到早退情况的上课过程的参数信息数据进行统一管理监控，提供到前端给予技术的跟进和管理；数据采集是通过自埋点加上ELK技术，自埋点是通过不同终端的自由的技术，调用后端的统一API接口，将数据存入到MQ队列中，后端通过Logstash组建将数据存入数据库中；数据使用标准的数据格式。参见图1所示。
数据匹配模型是通过加权平均的方式，根据历史数据，获得拥有相似用户和老师情况的最优通道，并根据此通道规则，自动建立通道房间，返回给前端用户。
多重匹配是根据网络侦测模型、用户当前所在区域，用户和所安排的老师的地理位置检测的信息通过统一的http接口，再利用大数据分析出多路通道方案的历史上课过程中链路优化的最优通道匹配模型进行多重匹配，找到符合该用户和老师之间上课的延迟可能最低的通道链路进行自动匹配。参见图2所示。
网络侦测模型的计算包含两种方式，一是获取用户访问到API服务器的网络耗时，采用接口埋点的方式，通过对程序的访问前和访问后处理访问提取，获得其完成访问的时间差，即是API的网络访问耗时；二是获取用户访问到音视频通道的网络耗时，然后进行加权平均，获得其平均网络耗时，其过程为首先在用户登陆后同步登陆通道，然后通过调用通道的网络探测接口，获得用户端到音视频服务器的网络耗时。
最优通道匹配模型包含根据用户和老师的历史上课数据，计算连通性的通道优选值，识别连通性的异常可能性，获得连通性的最大优化因子和计算值，再和网络耗时的加权平均值进行加权平均，得出哪条通道的连通值最高，并将通道信息返回，获得通道后，后端API通过接口创建出对应的通道链路作为一个标准的通道房间，并得出一条具体的网络地址，前端通过地址自动加入该通道房间中，并准备开始上课。
该方法中还包含延迟监测，判断用户上课过程的流畅性是否存在问题，当达到设定的阈值时，给与老师的客户端不流畅性提示，系统优先自动检测更优线路并进行切换，并在老师的客户端提供可手动切换线路的按钮，让老师可以手动进行尝试和感知选择；同时将数据同步回后端大数据中心，分析并学习。
下面结合实施例对本发明提供的用于在线教育系统用户通道自动匹配的优化扩展方法做更进一步描述。
实施例1
一种用于在线教育系统用户通道自动匹配的优化扩展方法，方法为：在前端进行系统封装，在后端实现接口，并进行数据采集存储和匹配模型建立；数据流流转过程为：系统工作时首先在前端根据接口要求传入各种参数信息，后端根据输入的参数信息进行数据转化，返回给前端进行输出，前端再进行多重匹配，并根据后端数据匹配模型和用户通道的优化计算，在后端自动建立通道，再把通道地址传回给前端，用户获得通道地址后直接进入。
数据采集存储采用标准的http接口，同时配合RabbitMQ的异步队列方式模式，让整个方案拥有更好的容错性和吞吐量，并采用ES的集群进行Json化存储，以及对外提供统一的http查询接口；MQ全称为Message Queue，消息队列(MQ)是一种应用程序对应用程序的通信方法。应用程序通过读写出入队列的消息(针对应用程序的数据)来通信，而无需专用连接来链接它们，RabbitMQ是一个在AMQP基础上完成的，可复用的企业消息系统，遵循Mozilla Public License开源协议；ES(Elastic Search)是一个基于Lucene的搜索服务器，是目前主流的开源搜索引擎之一；Elastic Search是个开源分布式搜索引擎，提供搜集、分析、存储数据三大功能。它的特点有：分布式，零配置，自动发现，索引自动分片，索引副本机制，restful风格接口，多数据源，自动搜索负载等。Json(JavaScript ObjectNotation，JS对象标记)是一种轻量级的数据交换格式，基于ECMAScript(欧洲计算机协会制定的js规范)的一个子集，采用完全独立于编程语言的文本格式来存储和表示数据。数据采集存储提供统一接口，将上课过程数据进行收集，将包含用户信息、上课网络状态、上课乐谱情况、镜头使用情况、上课迟到早退情况的上课过程的参数信息数据进行统一管理监控，提供到前端给予技术的跟进和管理；即，数据的收集主要用作上课过程监控、问题的分析以及未来的一些改进点的挖掘。主要采集点是用户的ID、网络情况、乐谱使用、迟到早退等数据点；数据采集是通过自埋点加上ELK技术，自埋点是通过不同终端的自由的技术，调用后端的统一API接口，将数据存入到MQ队列中，后端通过Logstash组建将数据存入数据库中。
自埋点(自动化埋点)是将界面的打开、关闭以及控件点击的log记录放到统一的地方去处理，而不用在许多业务逻辑中加入log代码。ELK Stack是Elasticsearch、Logstash、Kibana三个开源软件的组合，在实时数据检索和分析场合，三者通常是配合共用，而且又都先后归于Elastic.co公司名下，故有此简称；Elastic Stack(旧称ELKStack)，是一种能够从任意数据源抽取数据，并实时对数据进行搜索、分析和可视化展现的数据分析框架；Kibana也是一个开源和免费的工具，Kibana可以为Logstash和ElasticSearch提供的日志分析友好的Web界面，可以帮助汇总、分析和搜索重要数据日志。API(Application Programming Interface，应用程序编程接口)是一些预先定义的函数，目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力，而又无需访问源码，或理解内部工作机制的细节。Logstash是开源的服务器端数据处理管道，能够同时从多个来源采集数据、转换数据，然后将数据发送到存储库中；Logstash主要是用来日志的搜集、分析、过滤日志的工具，支持大量的数据获取方式。一般工作方式为c/s架构，client端安装在需要收集日志的主机上，server端负责将收到的各节点日志进行过滤、修改等操作在一并发往elasticsearch上去。
数据使用标准的数据格式，如下所示：
{
“type”:dataTyoe,
“appID”:appid,
“c_time”:createTime,
“body”:{
……
}
}。
数据显示主要有两种方式：标准化的一些日志查询主要采用Kibana的快速查询系统进行显示，一些监控类的数据查询主要采用自己开发的方式实现。
数据匹配模型是通过简单的加权平均的方式，根据历史数据，获得拥有相似用户和老师情况的最优通道，并根据此通道规则，自动建立通道房间，返回给前端用户。由于存在数据的不准确性和干扰数据的存在，所以该模型的会是有一定误差的，因此需要建立持续改进的机制，通过让数据更丰富，对模型进行持续调整和改进，提高其匹配的准确率和稳定性。
多重匹配是根据用户的网络侦测模型、用户当前所在区域，用户和所安排的老师的地理位置检测的信息通过统一的http接口，再利用大数据分析出多路通道方案的历史上课过程中链路优化的最优通道匹配模型进行多重匹配，找到符合该用户和老师之间上课的延迟可能最低的通道链路进行自动匹配。用户全程无感知和操作困扰。
网络侦测模型的计算包含两种方式，一是获取用户访问到API服务器的网络耗时，采用接口埋点的方式，通过对程序的访问前和访问后处理访问提取，获得其完成访问的时间差，即是API的网络访问耗时；二是获取用户访问到音视频通道的网络耗时，然后进行加权平均，获得其平均网络耗时，其过程为首先在用户登陆后同步登陆通道，然后通过调用通道的网络探测接口，获得用户端到音视频服务器的网络耗时。
网络耗时的加权平均值通过以下公式计算：
Figure BDA0001647650810000091
X1、X2、X3、Xk表示通道耗时，单位为ms，f1、f2、f3、fk表示连接点的计算频次，n表示通道数，从而计算出加权平均值。分析链路优化，首先需要解决网络侦测的计算。
最优通道匹配模型包含根据用户和老师的历史上课数据，计算连通性的通道优选值，由于练琴地点的可移动性不高，所以其网络连接状态的结果是相对固定的。识别连通性的异常可能性，获得连通性的最大优化因子和计算值，再和网络耗时的加权平均值进行加权平均，得出哪条通道的连通值最高，并将通道信息返回，获得通道后，后端API通过接口创建出对应的通道链路作为一个标准的通道房间，并得出一条具体的网络地址，前端通过地址自动加入该通道房间中，并准备开始上课。
根据用户和老师的历史上课数据，包含两种情况，一是已经有上过课的历史数据，并通过输入包含姓名、区域、级别、性格等的参数，获得用户和老师之前上课的历史数据，再对不同通道的网络值计算出平均值，从而获得历史上较好的一条通道，然后和实时网络耗时结果进行比较，选择出当前网络更好的一条通道；二是老师和用户是全新匹配的，没有历史的上课数据，则采取的是实时获得的网络耗时较小的那条通道。
该方法中还包含延迟监测，在正式上课过程中，可能存在网络的波动性，所以导致原先最优线路通道出现延迟、卡顿，甚至退出，因此采用延迟监测，优选地通过800ms为基础标准衡量值，判断用户上课过程的流畅性是否存在问题，当达到设定的阈值时，给与老师的客户端不流畅性提示，系统优先自动检测更优线路并进行切换，并在老师的客户端提供可手动切换线路的按钮，让老师可以手动进行尝试和感知选择；同时将数据同步回后端大数据中心，分析并学习，以便让匹配模型更加的准确和持续的进行改进；延迟监测包含对网络的心跳检测，心跳检测是运用的一种比较简单的机制，通过任务定时器，每隔单位时间(优选为3s)去检查网络的平均耗时，计算规则只对单一通道检测，运用加权平均计算规则的公式，计算获得用户到API服务器和音视频通道的网络耗时，并获得平均值；通过该值和基础阈值(800ms)进行比较，比较若干次，优选为5次，均超过阈值，说明当前通道的网络波动性较大，需要去重新计算其他通道的情况；计算其他通道时通过同样的通道计算方式，计算出其他通道的平均网络耗时，并和阈值以及当前通道同比比较，获取出一个网络耗时最小的，进行通道切换；通道切换过程在后台自动完成，对用户在使用过程中会给予友好提示，并不需要手动来进行操作处理。
该方法还包含对上课过程的监控；监控根据事先定义好的数据采样点，采用标准的http接口和异步队列的方式进行数据输出，并存储到ES的集群中，同时为了更友好的用户使用，提供可视化输出的统一接口，让前端可以很方便的进行展现和任务处理。整个上课过程的监控是非常重要的，并且越早监控越有利于问题的及时处理和解决。
该方法还包含与应用软件系统的集成，在线教育系统支持和主流APP系统进行集成，支持iPhone、iPad、Android、Android Pad，以及一些定制版的android学习机；集成是主要根据封装的规则和流程，采用直接http接口调用的方式进行集成。这样可以更加友好并且和通用标准统一起来，大大降低开发集成的复杂度，也更加便于系统的扩展集成性。
本发明提供的用于在线教育系统用户通道自动匹配的优化扩展方法，能够解决现有的问题，使老师和学生在上线上课程的时候，可以无感知的自动匹配最优化的上课通道，让用户顺利完成上课过程，同时满足新技术方案的快速可集成性和监控性。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (7)

1.一种用于在线教育系统用户通道自动匹配的优化扩展方法，其特征在于，所述的方法为：在前端进行系统封装，在后端实现接口，并进行数据采集存储和匹配模型建立；系统工作时首先在前端根据接口要求传入各种参数信息，后端根据输入的参数信息进行数据转化，返回给前端进行输出，前端再进行多重匹配，并根据后端数据匹配模型和用户通道的优化计算，在后端自动建立通道，再把通道地址传回给前端，用户获得通道地址后直接进入；
所述的多重匹配是根据用户的网络侦测模型、用户当前所在区域、用户和所安排的老师的地理位置检测的信息，通过统一的http接口，再利用大数据分析出多路通道方案的历史上课过程中链路优化的最优通道匹配模型，进行多重匹配，找到符合该用户和老师之间上课的延迟可能最低的通道链路进行自动匹配；
所述的网络侦测模型的计算包含两种方式，一是获取用户访问到API服务器的网络耗时，采用接口埋点的方式，通过对程序的访问前和访问后处理访问提取，获得其完成访问的时间差，即是API的网络访问耗时；二是获取用户访问到音视频通道的网络耗时，然后进行加权平均，获得其平均网络耗时，其过程为首先在用户登陆后同步登陆通道，然后通过调用通道的网络探测接口，获得用户端到音视频服务器的网络耗时；网络耗时的加权平均值通过以下公式计算：
Figure FDA0002716947790000021
X1、X2、X3、Xk表示通道耗时，f1、f2、f3、fk表示连接点的计算频次，n表示通道数，从而计算出加权平均值；
所述的最优通道匹配模型包含根据用户和老师的历史上课数据，计算连通性的通道优选值，识别连通性的异常可能性，获得连通性的最大优化因子和计算值，再和网络耗时的加权平均值进行加权平均，得出哪条通道的连通值最高，并将通道信息返回，获得通道后，后端API通过接口创建出对应的通道链路作为一个标准的通道房间，并得出一条具体的网络地址，前端通过地址自动加入该通道房间中，并准备开始上课。
2.如权利要求1所述的用于在线教育系统用户通道自动匹配的优化扩展方法，其特征在于，所述的方法还包含与应用软件系统的集成，所述的在线教育系统支持和主流APP系统进行集成，支持iPhone、iPad、Android；所述的集成是采用直接http接口调用的方式进行集成。
3.如权利要求1所述的用于在线教育系统用户通道自动匹配的优化扩展方法，其特征在于，所述的方法还包含对上课过程的监控；所述的监控采用标准的http接口和异步队列的方式进行数据输出，并存储到ES的集群中，同时提供可视化输出的统一接口，让前端可以进行展现和任务处理。
4.如权利要求1所述的用于在线教育系统用户通道自动匹配的优化扩展方法，其特征在于，所述的数据采集存储采用标准的http接口，同时配合RabbitMQ的异步队列方式模式，并采用ES的集群进行Json化存储，以及对外提供统一的http查询接口；所述的数据采集存储提供统一接口，将上课过程数据进行收集，将包含用户信息、上课网络状态、上课乐谱情况、镜头使用情况、上课迟到早退情况的上课过程的参数信息数据进行统一管理监控，提供到前端给予技术的跟进和管理；数据采集是通过自埋点加上ELK技术，自埋点是通过不同终端的自由的技术，调用后端的统一API接口，将数据存入到MQ队列中，后端通过Logstash组建将数据存入数据库中；数据使用标准的数据格式。
5.如权利要求1所述的用于在线教育系统用户通道自动匹配的优化扩展方法，其特征在于，所述的数据匹配模型是通过加权平均的方式，根据历史数据，获得拥有相似用户和老师情况的最优通道，并根据此通道规则，自动建立通道房间，返回给前端用户。
6.如权利要求1所述的用于在线教育系统用户通道自动匹配的优化扩展方法，其特征在于，所述的根据用户和老师的历史上课数据，包含两种情况，一是已经有上过课的历史数据，并通过输入包含姓名、区域的参数，获得用户和老师之前上课的历史数据，再对不同通道的网络值计算出平均值，从而获得历史上较好的一条通道，然后和实时网络耗时结果进行比较，选择出当前网络更好的一条通道；二是老师和用户是全新匹配的，没有历史的上课数据，则采取的是实时获得的网络耗时较小的那条通道。
7.如权利要求1所述的用于在线教育系统用户通道自动匹配的优化扩展方法，其特征在于，所述的方法中还包含延迟监测，判断用户上课过程的流畅性是否存在问题，当达到设定的阈值时，给与老师的客户端不流畅性提示，系统优先自动检测更优线路并进行切换，并在老师的客户端提供可手动切换线路的按钮，让老师可以手动进行尝试和感知选择；同时将数据同步回后端大数据中心，分析并学习；所述的延迟监测包含对网络的心跳检测，通过任务定时器，每隔单位时间去检查网络的平均耗时，只对单一通道检测，运用加权平均计算规则的公式，计算获得用户到API服务器和音视频通道的网络耗时，并获得平均值；通过该值和基础阈值进行比较，比较若干次均超过阈值，说明当前通道的网络波动性较大，需要去重新计算其他通道的情况；计算其他通道时通过同样的通道计算方式，计算出其他通道的平均网络耗时，并和阈值以及当前通道同比比较，获取出一个网络耗时最小的，进行通道切换；通道切换过程在后台自动完成，对用户在使用过程中会给予提示，并不需要手动来进行操作处理。
CN201810409561.5A 2018-05-02 2018-05-02 一种用于在线教育系统用户通道自动匹配的优化扩展方法 Expired - Fee Related CN108540352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810409561.5A CN108540352B (zh) 2018-05-02 2018-05-02 一种用于在线教育系统用户通道自动匹配的优化扩展方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810409561.5A CN108540352B (zh) 2018-05-02 2018-05-02 一种用于在线教育系统用户通道自动匹配的优化扩展方法

Publications (2)

Publication Number Publication Date
CN108540352A CN108540352A (zh) 2018-09-14
CN108540352B true CN108540352B (zh) 2020-12-22

Family

ID=63475757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810409561.5A Expired - Fee Related CN108540352B (zh) 2018-05-02 2018-05-02 一种用于在线教育系统用户通道自动匹配的优化扩展方法

Country Status (1)

Country Link
CN (1) CN108540352B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840251B (zh) * 2018-12-29 2023-11-03 北京奥鹏远程教育中心有限公司 一种大数据聚合查询方法
US10671443B1 (en) 2019-07-16 2020-06-02 Capital One Services, Llc Infrastructure resource monitoring and migration
CN112073745B (zh) * 2020-09-08 2022-05-27 北京一起教育信息咨询有限责任公司 一种基于卡顿率的线路分配方法、装置及电子设备
CN112996140B (zh) * 2021-02-02 2023-04-14 亚信科技（成都）有限公司 一种连接方法、装置、设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100669243B1 (ko) * 2004-12-21 2007-01-15 한국전자통신연구원 디지털 방송 시스템의 ｓｃｏｒｍ 기반 학습콘텐츠 서비스장치 및 그 방법
CN101710455A (zh) * 2009-12-04 2010-05-19 山东大学 基于dm6446的多功能远程教育终端及其运行方法
KR20120000215A (ko) * 2010-06-25 2012-01-02 숙명여자대학교산학협력단 학습 미디어 제공 시스템 및 방법
CN103399887A (zh) * 2013-07-19 2013-11-20 蓝盾信息安全技术股份有限公司 一种海量日志的查询与统计分析系统
CN104348858A (zh) * 2013-07-30 2015-02-11 上海好记星数码科技有限公司 基于移动智能电子设备的答疑题目上传方法
CN105260964A (zh) * 2015-11-13 2016-01-20 苏州中科知图信息科技有限公司 基于在线学习的学情分析系统及方法

Also Published As

Publication number Publication date
CN108540352A (zh) 2018-09-14

Similar Documents

Publication Publication Date Title
CN108540352B (zh) 一种用于在线教育系统用户通道自动匹配的优化扩展方法
US11321535B2 (en) Hierarchical annotation of dialog acts
US11151892B2 (en) Internet teaching platform-based following teaching system
CN109344237B (zh) 一种用于人机交互的信息处理的方法及装置
CN106971009B (zh) 语音数据库生成方法及装置、存储介质、电子设备
CN110322738A (zh) 一种课程优化方法、装置和系统
CN111177304B (zh) 一种自动生成用户习题的方法及终端
US20190057335A1 (en) Targeted data element detection for crowd sourced projects with machine learning
EP3617896A1 (en) Method and apparatus for intelligent response
WO2021121296A1 (zh) 习题测试数据生成方法以及装置
EP3610375B1 (en) Platform selection for performing requested actions in audio-based computing environments
CN112598547B (zh) 基于自动生产线的教育题目生成方法、装置和电子设备
US11694688B2 (en) Platform selection for performing requested actions in audio-based computing environments
CN111223015B (zh) 课程推荐方法、装置及终端设备
CN112131361B (zh) 一种答题内容推送方法及装置
WO2019223056A1 (zh) 基于手势识别的教学互动方法以及装置
CN105159831A (zh) 一种软件代码质量自动监控方法
CN106713011B (zh) 一种获取测试数据的方法与系统
CN113259763A (zh) 教学视频处理方法、装置和电子设备
CN111523646A (zh) 基于物联网的远程教育学习中心智慧感知网络及管理方法
KR101123361B1 (ko) 네트워크를 통한 학습 분산 환경 관리 서버, 방법 및 그방법을 실행하는 프로그램이 기록된 기록매체
US11798545B2 (en) Speech interaction method and apparatus, device and storage medium
CN107872352B (zh) 一种网管系统的性能测试方法、装置及系统
CN108305193B (zh) 动态课程的创建方法及系统
CN113377604B (zh) 一种数据处理方法、装置、设备和存储介质

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201222

CF01 Termination of patent right due to non-payment of annual fee