CN109842521A - 一种移动终端宕机预测系统及方法 - Google Patents

Abstract

本发明公开了一种移动终端宕机预测系统及方法，涉及移动通信系统技术领域，包括若干个移动终端和服务器，所述移动终端包含系统状态采集模块、系统状态发送模块、指令接收模块、第一宕机预测模块和系统恢复模块；所述服务器包含终端状态收集模块、终端状态数据库、机器学习分类系统、指令推送模块和第二宕机预测模块；本发明通过一个服务器和其内部的中心数据库，收集、存储各个联网的移动终端系统正常运行和异常宕机时刻的状态数据。既可以基于收集到的移动终端系统状态数据，服务器通过采用机器学习分类算法训练模型，实施宕机预测；又可以将训练得出的预测模型部署到移动终端系统当中，根据当前系统状态，实时预测系统宕机的概率。

Description

一种移动终端宕机预测系统及方法

技术领域

本发明涉及移动通信系统技术领域，特别涉及一种移动终端宕机预测系统及方法。

背景技术

伴随移动通信技术的不断升级，从2G、3G、4G到5G标准。移动终端为了兼容不同的通信网络，系统需要同时支持多种无线通信模式，因而软件硬件系统变得越来越复杂。在系统运行当中，还需要处理各种复杂的网络场景和用户应用。设计中的硬件缺陷和软件漏洞，如内存溢出、泄露，导致终端系统在长时间运行后，不可避免地出现异常而触发宕机。目前此类异常宕机发生的时间无法预知，如果宕机发生在用户通话或者数据通信密集型应用时，可能带来非常糟糕的用户体验，甚至未知的损失。

目前通用的解决方案是通过watchdog来检测系统宕机，并实施系统恢复。watchdog属于被动检测方案，只能在系统宕机已经发生的特定时间后才能触发watchdog，无法提前预测系统宕机概率。当用户正在执行一些关键任务时，系统突发宕机可能会给用户带来未知损失，严重影响用户体验。具体如会造成通话中断、网络应用掉线等情况。

本发明通过引入机器学习算法，依据系统运行时的状态实时预测系统宕机概率。依据终端的处理器能力，设计了两种机器学习预测模式，服务器辅助预测和终端自主预测。通过采集终端系统的运行状态和日志，实时预测系统宕机概率，选择合适的时机实施系统恢复，降低突发宕机引起的损失，提升用户体验。

发明内容

本发明的目的在于提供一种移动终端宕机预测系统及方法，通过采集终端系统的运行状态和日志，实时预测系统宕机概率，选择合适的时机实施系统恢复，降低突发宕机引起的损失，提升用户体验。

本发明提供了一种移动终端宕机预测系统及方法，包括若干个移动终端和服务器，所述移动终端包含系统状态采集模块、系统状态发送模块、指令接收模块、第一宕机预测模块和系统恢复模块；所述服务器包含终端状态收集模块、终端状态数据库、机器学习分类系统、指令推送模块和第二宕机预测模块；

所述系统状态采集模块用于按照预定义的时间间隔，以及系统异常处理程序获取所述移动终端系统运行状态参数，并标记状态参数为正常样本或异常样本；

所述系统恢复模块用于将接收到的宕机概率与预设定的宕机概率进行数值比较，当预测到的所述移动终端宕机概率大于所述预设值时为预宕机状态，当预测到的所述移动终端宕机概率小于所述阈值时为正常运行状态，当判别为预宕机状态时，在系统空闲或者无活跃的网络应用存在时，实施系统恢复；

所述终端状态数据库中存有大量的所述移动终端的样本信息；

所述机器学习分类系统采用机器学习分类算法，获得分类训练模型，当获得的模型预测准确率达到预期时，将运行状态参数运行到所述分类预测模型中，实时预测所述移动终端宕机概率；

所述第一宕机预测模块和第二宕机预测模块接收到分类预测模型配置数据，将运行状态参数运行到所述分类预测模型中，实时预测所述移动终端宕机概率。

进一步地，所述移动终端依据自身硬件资源繁忙状态，选择终端自主预测方法或服务器辅助预测方法。

进一步地，所述移动终端系统运行状态参数包括：2G活跃时间、3G活跃时间、4G活跃时间、系统休眠时间、数据连接建立次数、2G数据连接时间、3G数据连接时间、4G数据连接时间、语音通话次数、语音通话时间、下行数据量、上行数据量、系统开机时间、数据传输平均速率以及样本状态。

一种移动终端宕机预测方法，其特征在于，包括以下步骤：

S1：按照预定义的时间间隔，以及系统异常处理程序获取所述移动终端的运行状态参数，并标记状态参数为正常样本或异常样本；

S2：所述服务器将接收到的运行状态参数数据发送储存入所述终端状态数据库中；

S3：实时获取所述终端状态数据库中的大量样本信息，所述机器学习分类系统应用机器学习分类算法，获得分类预测模型；

S4：判断所述移动终端处于不繁忙状态后，将分类预测模型配置数据发送至所述第一宕机预测模块内；

S5：应用机器学习预测算法，将运行状态参数运行到所述分类预测模型中，计算出宕机概率；

S6：将计算出的宕机概率发送到所述系统恢复模块中，与预设定的宕机概率进行数值比较，当判别为预宕机状态时，在系统空闲或者无活跃的网络应用存在时，实施系统恢复。

进一步地，一种移动终端宕机预测方法，其特征在于：

S1：判断所述移动终端处于繁忙状态后，将分类预测模型配置数据发送至所述第二宕机预测模块内；

S2：应用机器学习预测算法，将运行状态参数运行到所述分类预测模型中，计算出宕机概率；

S3：将计算出的宕机概率发送到所述系统恢复模块中，与预设定的宕机概率进行数值比较，当判别为预宕机状态时，在系统空闲或者无活跃的网络应用存在时，实施系统恢复。

与现有技术相比，本发明具有如下显著优点：本发明通过一个服务器和其内部的中心数据库，收集、存储各个联网的移动终端系统正常运行和异常宕机时刻的状态数据。即可以基于收集到的移动终端系统状态数据，服务器通过采用机器学习分类算法训练模型，实施宕机预测；又可以将训练得出的预测模型部署到移动终端系统当中，根据当前系统状态，在线实时预测系统宕机的概率。当预测到高概率宕机时，主动选择恰当的时机，例如系统空闲时，实施系统恢复，避免语音通话或者密集型数据通信当中突发宕机。本发明可以提高移动终端的可靠性，提升用户体验，减小突发宕机产生的通话中断、网络应用掉线。

附图说明

图1为本发明实施例提供的一种移动终端宕机预测系统及方法的结构示意图。

具体实施方式

下面结合本发明中的附图，对本发明实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

为了便于理解和说明，参照图1，本发明提供了一种移动终端宕机预测系统及方法，其结构包括若干个移动终端和服务器，所述移动终端包含系统状态采集模块、系统状态发送模块、指令接收模块、第一宕机预测模块和系统恢复模块；所述服务器包含终端状态收集模块、终端状态数据库、机器学习分类系统、指令推送模块和第二宕机预测模块；

所述系统状态采集模块用于按照预定义的时间间隔，以及系统异常处理程序获取所述移动终端系统运行状态参数，并标记状态参数为正常样本或异常样本，所述移动终端系统运行状态参数包括：2G活跃时间、3G活跃时间、4G活跃时间、系统休眠时间、数据连接建立次数、2G数据连接时间、3G数据连接时间、4G数据连接时间、语音通话次数、语音通话时间、下行数据量、上行数据量、系统开机时间、数据传输平均速率以及样本状态；

所述系统恢复模块用于将接收到的宕机概率与预设定的宕机概率进行数值比较，当预测到的所述移动终端宕机概率大于所述预设值时为预宕机状态，当预测到的所述移动终端宕机概率小于所述阈值时为正常运行状态，当判别为预宕机状态时，所述系统恢复模块主动选择恰当时机进行系统恢复，避免语音通话或者密集型数据通信当中突发宕机，造成不必要的损失；

所述终端状态数据库中存有大量的所述移动终端的样本信息；

所述机器学习分类系统采用机器学习分类算法，获得分类训练模型，当获得的模型预测准确率达到预期时，将运行状态参数运行到所述分类预测模型中，实时预测所述移动终端宕机概率；

所述第一宕机预测模块和第二宕机预测模块接收到分类预测模型配置数据，将运行状态参数运行到所述分类预测模型中，实时预测所述移动终端宕机概率。

然后根据获取到的所述移动终端系统运行状态参数和所述移动终端依据自身硬件资源繁忙状态，选择终端自主预测方法或服务器辅助预测方法。

机器学习算法本身属于计算密集型程序，依据算法的复杂度，需要耗费相当多的计算和存储资源。移动终端可以依据自身硬件资源配置，如处理器、存储和电源等，判断当前所述移动终端属于繁忙状态或不繁忙状态，以此选择服务器辅助预测方法或终端自主预测方法进行移动终端宕机的预测。

所述终端自主预测步骤为：

S1：按照预定义的时间间隔，以及系统异常处理程序获取所述移动终端的运行状态参数，并标记状态参数为正常样本或异常样本；

S2：所述服务器将接收到的运行状态参数数据发送储存入所述终端状态数据库中；

S3：实时获取所述终端状态数据库中的大量样本信息，所述机器学习分类系统应用机器学习分类算法，获得分类预测模型；

S4：判断所述移动终端处于不繁忙状态后，将分类预测模型配置数据发送至所述第一宕机预测模块内；

S5：应用机器学习预测算法，将运行状态参数运行到所述分类预测模型中，计算出宕机概率；

S6：将计算出的宕机概率发送到所述系统恢复模块中，与预设定的宕机概率进行数值比较，当判别为预宕机状态时，在系统空闲或者无活跃的网络应用存在时，实施系统恢复。

所述服务器辅助预测步骤为：

S1：按照预定义的时间间隔，以及系统异常处理程序获取所述移动终端的运行状态参数，并标记状态参数为正常样本或异常样本；

S2：所述服务器将接收到的运行状态参数数据发送储存入所述终端状态数据库中；

S3：实时获取所述终端状态数据库中的大量样本信息，所述机器学习分类系统应用机器学习分类算法，获得分类预测模型；

S4：判断所述移动终端处于繁忙状态后，将分类预测模型配置数据发送至所述第二宕机预测模块内；

S5：应用机器学习预测算法，将运行状态参数运行到所述分类预测模型中，计算出宕机概率；

S6：将计算出的宕机概率发送到所述系统恢复模块中，与预设定的宕机概率进行数值比较，当判别为预宕机状态时，在系统空闲或者无活跃的网络应用存在时，实施系统恢复。

以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (5)

1.一种移动终端宕机预测系统，其特征在于，包括若干个移动终端和服务器，所述移动终端包含系统状态采集模块、系统状态发送模块、指令接收模块、第一宕机预测模块和系统恢复模块；所述服务器包含终端状态收集模块、终端状态数据库、机器学习分类系统、指令推送模块和第二宕机预测模块；

所述系统状态采集模块用于按照预定义的时间间隔，以及系统异常处理程序获取所述移动终端系统运行状态参数，并标记状态参数为正常样本或异常样本；

所述系统恢复模块用于将接收到的宕机概率与预设定的宕机概率进行数值比较，当预测到的所述移动终端宕机概率大于所述预设值时为预宕机状态，当预测到的所述移动终端宕机概率小于所述阈值时为正常运行状态，当判别为预宕机状态时，在系统空闲或者无活跃的网络应用存在时，实施系统恢复；

所述终端状态数据库中存有大量的所述移动终端的样本信息；

所述机器学习分类系统采用机器学习分类算法，获得分类训练模型，当获得的模型预测准确率达到预期时，将运行状态参数运行到所述分类预测模型中，实时预测所述移动终端宕机概率；

所述第一宕机预测模块和第二宕机预测模块接收到分类预测模型配置数据，将运行状态参数运行到所述分类预测模型中，实时预测所述移动终端宕机概率。

2.如权利要求1所述的一种移动终端宕机预测系统，其特征在于，所述移动终端依据自身硬件资源繁忙状态，选择终端自主预测方法或服务器辅助预测方法。

3.如权利要求2所述的一种移动终端宕机预测系统，其特征在于，所述移动终端系统运行状态参数包括：2G活跃时间、3G活跃时间、4G活跃时间、系统休眠时间、数据连接建立次数、2G数据连接时间、3G数据连接时间、4G数据连接时间、语音通话次数、语音通话时间、下行数据量、上行数据量、系统开机时间、数据传输平均速率以及样本状态。

4.一种移动终端宕机预测方法，其特征在于，包括以下步骤：

S1：按照预定义的时间间隔，以及系统异常处理程序获取所述移动终端的运行状态参数，并标记状态参数为正常样本或异常样本；

S2：所述服务器将接收到的运行状态参数数据发送储存入所述终端状态数据库中；

S3：实时获取所述终端状态数据库中的大量样本信息，所述机器学习分类系统应用机器学习分类算法，获得分类预测模型；

S4：判断所述移动终端处于不繁忙状态后，将分类预测模型配置数据发送至所述第一宕机预测模块内；

S5：应用机器学习预测算法，将运行状态参数运行到所述分类预测模型中，计算出宕机概率；

S6：将计算出的宕机概率发送到所述系统恢复模块中，与预设定的宕机概率进行数值比较，当判别为预宕机状态时，在系统空闲或者无活跃的网络应用存在时，实施系统恢复。

5.权利要求4中一种移动终端宕机预测方法，其特征在于：

S1：判断所述移动终端处于繁忙状态后，将分类预测模型配置数据发送至所述第二宕机预测模块内；

S2：应用机器学习预测算法，将运行状态参数运行到所述分类预测模型中，计算出宕机概率；

S3：将计算出的宕机概率发送到所述系统恢复模块中，与预设定的宕机概率进行数值比较，当判别为预宕机状态时，在系统空闲或者无活跃的网络应用存在时，实施系统恢复。