CN111010617B - 一种传输质量检测方法、系统及设备 - Google Patents
一种传输质量检测方法、系统及设备 Download PDFInfo
- Publication number
- CN111010617B CN111010617B CN201911072033.6A CN201911072033A CN111010617B CN 111010617 B CN111010617 B CN 111010617B CN 201911072033 A CN201911072033 A CN 201911072033A CN 111010617 B CN111010617 B CN 111010617B
- Authority
- CN
- China
- Prior art keywords
- transmission
- quality factor
- request
- stuck
- data
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 382
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000000556 factor analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000003028 Stuttering Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/24—Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
-
- 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]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种传输质量检测方法、系统及设备，其中，所述方法包括：确定表征数据传输状态的多个质量因子，并为各个所述质量因子设置判定条件；提取指定时段内各个传输请求的特征数据，并将所述特征数据与各个所述质量因子的判定条件进行比对，以确定各个所述传输请求对应的质量因子；根据确定的各个所述传输请求对应的质量因子，统计所述指定时段内，各个所述质量因子的传输请求占比，并根据统计的所述传输请求占比，确定导致传输卡顿的目标质量因子。本申请提供的技术方案，能够提高传输质量的检测效率。
Description
技术领域
本发明涉及互联网技术领域，特别涉及一种传输质量检测方法、系统及设备。
背景技术
随着互联网技术的不断发展，视频成为比较有效的信息传播方式。为了提高视频的传输速度和稳定性，目前可以通过CDN(Content Delivery Network，内容分发网络)对视频进行加速。鉴于此，如何有效地评估和优化视频传输过程中的卡顿状况，成为CDN厂商比较关注的问题。
目前，CDN厂商可以根据用户反馈的信息，或者机器学习算法等方式，来判断视频传输过程中是否发生了卡顿。如果发生了卡顿，就按照常见的引起卡顿的原因进行排查，从而确定导致卡顿的因素。
然而，常见的引起卡顿的原因往往较多，依次进行排查的话会浪费较多的时间，从而导致按照现有的方式进行传输质量检测具备较低的效率。
发明内容
本申请的目的在于提供一种传输质量检测方法、系统及设备，能够提高传输质量检测的效率。
为实现上述目的，本申请一方面提供一种传输质量检测方法，所述方法包括：确定表征数据传输状态的多个质量因子，并为各个所述质量因子设置判定条件；提取指定时段内各个传输请求的特征数据，并将所述特征数据与各个所述质量因子的判定条件进行比对，以确定各个所述传输请求对应的质量因子；根据确定的各个所述传输请求对应的质量因子，统计所述指定时段内，各个所述质量因子的传输请求占比，并根据统计的所述传输请求占比，确定导致传输卡顿的目标质量因子。
为实现上述目的，本申请另一方面还提供一种传输质量检测系统，所述系统包括：质量因子设置单元，用于确定表征数据传输状态的多个质量因子，并为各个所述质量因子设置判定条件；质量因子确定单元，用于提取指定时段内各个传输请求的特征数据，并将所述特征数据与各个所述质量因子的判定条件进行比对，以确定各个所述传输请求对应的质量因子；卡顿原因确定单元，用于根据确定的各个所述传输请求对应的质量因子，统计所述指定时段内，各个所述质量因子的传输请求占比，并根据统计的所述传输请求占比，确定导致传输卡顿的目标质量因子。
为实现上述目的，本申请另一方面还提供一种传输质量检测设备，所述设备包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现上述的传输质量检测方法。
由上可见，本申请一个或者多个实施方式提供的技术方案，可以从传输请求的特征数据入手，对传输请求的特征数据进行分析，从而确定出导致传输卡顿的因素。具体地，可以预先确定表征数据传输状态的多个质量因子，并可以为这些质量因子设置判定条件。这些判定条件可以与传输请求的特征数据相关联。后续，针对指定时段内的各个传输请求，可以提取传输请求的特征数据，并将提取的特征数据与各个质量因子的判定条件进行对比，从而确定出符合判定条件的质量因子。通过对这些质量因子的传输请求占比进行统计，从而可以监测在数据传输过程中，这些质量因子的传输请求占比的变化趋势，进而可以根据该变化趋势，确定导致传输卡顿的原因。本申请提供的技术方案，可以直接从传输层的数据入手，通过质量因子量化的方式，将传输层的数据与质量因子的判定条件进行对比，从而可以快速定位各个传输请求可能存在的影响传输质量的因素。通过对这些因素进行统计，从而能够准确地确定出导致传输卡顿的实际因素。可见，本申请提供的技术方案，不仅提高了传输质量的检测效率，还能提高传输质量的检测精度。
附图说明
为了更清楚地说明本发明实施方式中的技术方案，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施方式中卡顿检测方法的步骤示意图；
图2是本发明实施方式中上报异常时间节点的示意图；
图3是本发明实施方式中质量因子分析的步骤示意图；
图4是本发明实施方式中卡顿检测设备的结构示意图。
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方式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，所描述的实施方式仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，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方式，都属于本申请保护的范围。
在实际应用中，造成视频播放卡顿的原因通常有两个方面。一方面是由于客户端性能不足或者客户端的播放器存在程序异常而引起的播放卡顿，这方面的原因CDN厂商通常可以不用考虑。另一方面则是由于客户端接收到的缓存数据量小于播放视频所需的数据量而引起的卡顿，这方面的原因是CDN厂商需要关注的。在本申请中，可以通过分析TCP传输层的数据来判断客户端的视频播放是否出现卡顿，并可以进一步地确定导致播放卡顿的原因。
具体地，在本申请的实施方式中，可以通过建立两个模型来分别检测播放是否出现卡顿以及判断导致播放卡顿的原因。请参阅图1，本申请一个实施方式提供的卡顿检测方法，可以包括以下步骤。
S11：获取传输层请求样本，所述传输层请求样本中至少包括表征传输是否卡顿的不同的请求样本。
在本实施方式中，可以通过机器学习的方法来建立用于检测播放是否出现卡顿的预测模型。具体地，该方法可以包括训练阶段和预测阶段。在训练阶段，首先可以获取大量的训练样本，这些训练样本可以是视频传输过程中的传输层请求样本。该传输层请求样本可以包括从请求开始到请求结束的过程中，存储视频数据的服务器与播放视频的客户端之间交互的一系列数据。
需要说明的是，为了使得训练后的预测模型能够正确地区分播放卡顿和播放不卡顿的状况，在获取到的传输层请求样本中，可以包含表征传输是否卡顿的不同的请求样本，并且表征传输卡顿和表征传输不卡顿的请求样本的数量也需要达到一定的量级，才能训练出精度较高的预测模型。
S13：提取各个所述传输层请求样本的传输特征，并为各个所述传输层请求样本添加用于表征传输是否卡顿的训练类标。
在本实施方式中，在获取到传输层请求样本后，可以提取传输层请求样本中的各个传输特征。这些传输特征可以用于表征数据传输过程中的不同状态。通常而言，这些传输特征在传输层请求样本中可以通过不同的字段进行表示，通过识别不同字段所表征的含义，便可以提取出对应的传输特征。
在实际应用中，传输特征越多，越能够精确地表征对应的传输层请求样本。鉴于此，在一个实施方式中，上述的传输特征的可以包括传输字节数、重传字节数、传输时长、初始往返时延、平均往返时延、最大往返时延、超时重传次数、进入loss状态总时长、进入loss状态的最大时长、首屏速度、传输速度、初始速度、最大速度、客户端接收窗口为0的次数、客户端接收窗口为0的持续总时长、拥塞窗口最小值、拥塞窗口平均值、拥塞窗口最大值、检测周期内的累积数据确认量、检测周期内未发送数据的原因中的至少一种。在实际的训练过程中，可以从传输层请求样本中提取出上述的一部分传输特征进行训练，也可以为了训练的精确度，将以上全部的传输特征都作为机器学习的输入数据。当然，随着互联网技术的不断发展，传输层请求样本中包含的传输特征也可以不仅仅包含以上例举的传输特征。不过，本领域技术人员应当知晓，在理解了本申请的技术精髓后，采用更多或者更少的传输特征来训练预测模型的技术方案，也应当属于本申请的保护范围。
在本实施方式中，训练预测模型除了需要输入的传输特征，还需要表征传输层请求样本在传输过程中是否出现卡顿的训练类标。通过将预测模型的输出结果与对应的训练类型进行对比，才可以知晓预测模型的输出结果与真实结果之间的误差，从而可以通过该误差不断地对预测模型进行校正。
具体地，可以通过多种方式来确定传输层请求样本的训练类标。例如，可以通过分析用户的反馈信息的方式，来确定获取的传输层请求样本是否出现了卡顿。又例如，在一个实施方式中，还可以通过比较传输过程中某个时刻累积的确认数据量，与客户端播放视频所需的数据量之间的大小，来判断视频播放时是否出现了卡顿。在传输层请求样本中，可以携带客户端播放该请求样本对应的视频时的平均码率。这样，在视频播放过程中，可以按照预先设定的时间周期，多次检测视频是否出现了播放卡顿的情况。
在一个实施方式中，可以每隔500毫秒进行一次卡顿检测。具体地，服务器在向客户端发送数据包时，可以记录累积的确认(ACK)数据量，该确认数据量可以表示客户端确认接收到的数据量。那么在当前时刻，可以确定传输请求样本累积的确认数据量，并可以根据客户端的视频播放时长和平均播放码率，确定截止所述当前时刻，客户端播放视频所需的数据量。该客户端播放视频所需的数据量，可以是视频播放时长与平均播放码率的乘积。如果累积的确认数据量大于或者等于客户端播放视频所需的数据量，那么表示在客户端这一侧，缓冲的数据量足够进行播放，从而不会出现卡顿。而如果累积的确认数据量小于客户端播放视频所需的数据量，那么表示在客户端这一侧，缓冲的数据量不足以支持正常的播放，从而会出现卡顿，以等待缓冲更多的数据量。这样，按照指定的时间周期，在视频播放过程中可以多次地检测是否出现了卡顿。如果在视频播放过程中，只要有一个时刻，累积的确认数据量小于视频播放所需的数据量，那么就表明播放出现了卡顿，可以为该传输层请求样本添加用于表征传输卡顿的训练类标。而如果在视频播放的任意一个时刻，累积的确认数据量均大于或者等于视频播放所需的数据量，则表示在整个视频播放过程中，缓冲的数据量都能满足客户端的播放需求，因此可以为该传输层请求样本添加用于表征传输不卡顿的训练类标。在实际应用中，训练类标可以通过数值来表示。例如，表征传输卡顿的训练类标可以是1，表征传输不卡顿的训练类标可以是0。
在一个实施方式中，考虑到用户在观看视频时，很有可能会主动暂停视频的播放，如果在检测卡顿时，将暂停播放的时长也计算进去，会导致检测结果不准确的问题。鉴于此，在本实施方式中，可以在客户端的视频播放时长中识别出暂停播放的时长，并从客户端的视频播放时长中扣除该暂停播放的时长后，根据剩余的播放时长和平均播放码率，确定截止当前时刻客户端播放视频所需的数据量。具体地，可以通过多种方式来识别暂停播放的时长。例如，在客户端的播放软件中，可以通过埋点的方式，检测播放软件的各项行为数据。当用户点击暂停按键或者点击播放按键时，播放软件便可以记录这一行为数据，并可以将记录的行为数据上报至CDN的服务器。这样，通过识别表征暂停播放和开始播放的行为数据中的时间戳，便可以计算出客户端暂停播放的时长。此外，在一个实施方式中，考虑到当客户端处于暂停播放状态时，客户端的接收窗口通常为0。因此可以统计客户端接收窗口为0的持续时长，并可以将接收窗口为0的持续时长作为暂停播放的时长。进一步地，考虑到客户端在极短的时间内呈现接收窗口为0，并不一定表示客户端处于暂停播放状态。如果将这部分时间也归类为暂停播放时长，会导致统计的结果不够准确。因此，在一个实施方式中，在统计出客户端接收窗口为0的持续时长时，可以判断统计的所述持续时长是否大于或者等于指定时长阈值，若大于或者等于该指定时长阈值，则可以将统计的所述持续时长作为暂停播放的时长。上述的指定时长阈值，可以按照经验值灵活设定，例如可以设置为3秒钟。
S15：根据提取的所述传输特征和添加的所述训练类标训练得到预测模型，并通过所述预测模型预测指定时段内各个传输请求是否出现卡顿。
在本实施方式中，在提取出传输特征，以及标注了训练类标后，便可以采用合适的机器学习算法进行训练。在实际应用中，机器学习算法多种多样，例如可以包括线性回归算法、逻辑回归算法、线性判别分析算法、决策树算法、朴素贝叶斯算法、K最近邻算法、支持向量机算法等。不同的算法，训练过程所花费的时间以及训练得到的预测模型的精度都可能不一样。在实际应用中，可以根据训练模型所需的时间以及精度，灵活地选用合适的算法。例如，在本申请一个实施方式中，后续的预测过程需要在内核实现，因此可以选用较为简单的逻辑回归算法来训练预测模型，以减少训练的复杂度。
在本实施方式中，通过大量的传输层请求样本进行训练，可以提升模型的准确性。
后续，可以针对指定时段内的各个传输请求，利用训练得到的预测模型，依次预测各个所述传输请求是否出现卡顿。具体地，可以按照训练过程的步骤，提取各个传输请求的传输特征，并将提取的传输特征输入预测模型，从而通过预测模型的输出结果判断传输请求是否出现卡顿。
S17：根据预测结果统计所述指定时段内的传输卡顿率，并根据统计的所述传输卡顿率，在所述指定时段内确定异常时间节点，并上报满足指定条件的异常时间节点。
在本实施方式中，在预测出指定时段内各个传输请求是否出现卡顿后，可以统计该指定时段内的传输卡顿率。具体地，在该指定时段内，可以按照固定的时间粒度来统计传输卡顿率。例如，可以统计每分钟的传输卡顿率。其中，每分钟的传输卡顿率可以是一分钟内发生卡顿的传输请求的数量与该一分钟内传输请求的总数量之间的比值。当然，根据传输请求密度的不同，以上的时间粒度也可以灵活调整。例如，当传输请求密度较小时，也可以统计每个5分钟内的传输卡顿率。
在本实施方式中，统计出的传输卡顿率可以通过图2所示的曲线图来表示。在该统计结果中，可以看出传输卡顿率随时间的变化情况。为了明确视频播放卡顿的原因，往往需要确定出传输卡顿率发生突变的时间节点，从而可以在该时间节点附近分析卡顿原因。在实际应用中，可以逐个分析指定时段内的各个时间节点，如果当前时间节点的传输卡顿率比前一个时间节点的传输卡顿率高出指定卡顿率变差阈值，则可以将当前时间节点作为一个异常时间节点。其中，指定卡顿率变差阈值可以是根据经验设置的灵活数值。例如，该指定卡顿率变差阈值可以是1％。举例来说，在图2中，假设t2时刻的卡顿率为30％，而t1时刻和t3时刻的卡顿率分别为28％和29％，那么由于t2时刻的卡顿率比t1时刻高出2％，因此t2时刻可以作为一个异常时间节点。但是由于t3时刻的卡顿率比t2时刻低，因此t3时刻无法作为一个异常时间节点。同理，t5至t7时刻均可以作为异常时间节点。
在本实施方式中，某些异常时间节点只是作为卡顿率的突起点，在这些异常时间节点附近，卡顿率并不会持续提高。针对这些异常时间节点，可以不进行上报。例如，对于t2时刻而言，其附近的卡顿率都在下降，因此无需将t2时刻上报。但是，对于部分异常时间节点而言，如果在卡顿率变高后，多个时间节点都比变高前的卡顿率高，那么就说明传输状态持续变差，这些异常时间节点就需要上报，从而分析传输状态持续变差的原因。这样，可以减少卡顿原因分析时的数据量。
具体地，在一个实施方式中，针对当前的异常时间节点而言，可以判断位于所述当前的异常时间节点之后连续的指定数量的时间节点是否均为异常时间节点，若是，则表示传输状态持续变差，那么可以上报该当前的异常时间节点。若位于该当前的异常时间节点之后连续的指定数量的时间节点不全是异常时间节点，则表示传输状态只是正常的波动，可以不上报当前的异常时间节点。在实际应用中，上述的指定数量可以是根据经验设置的数值。例如，该指定数量可以是3。当然，该指定数量也可以根据时间粒度来定。例如，当时间粒度为5分钟时，可以判断传输状态是否在15分钟内持续变差，因此指定数量可以是15/5＝3。
请参阅图2，其中尽管t2作为异常时间节点，但位于t2后并不存在连续的多个异常时间节点，因此无需上报t2。但是对于t4而言，位于t4后连续三个时间节点与t4的差值均大于卡顿率变差阈值，因此第一个变差的时间节点t5为异常时间节点并上报。同理，相对于t5而言,t6也为异常时间节点并上报；相对于t6，t7也为异常时间节点并上报,其他异常时间节点计算以此类推。
在本申请一个实施方式中，在检测出传输请求出现卡顿时，还可以进一步地识别导致该卡顿的具体原因。具体地，可以按照图3所示的步骤来分析导致卡顿的因素。
S21：确定表征数据传输状态的多个质量因子，并为各个所述质量因子设置判定条件。
在本实施方式中，可以结合数据传输过程中可能存在的问题，预先确定表征数据传输状态的多个质量因子。在实际应用中，质量因子可以与数据传输过程中出现的问题相对应，根据问题的不同种类，质量因子也可以被划分为不同的种类。具体地，请参阅表1，质量因子可以划分为服务端问题、网络问题或传输策略问题、客户端问题、正常传输以及其它问题这几种类型。
表1按类划分的质量因子及质量因子的备注
在本实施方式中，可以根据确定的这些质量因子，建立质量因子分析模型，通过该质量因子分析模型，可以根据传输请求的数据自动判断导致传输请求出现卡顿的质量因子。
具体地，表1所示的各类质量因子，可以划分为正常传输和非正常传输，其中，speedy可以归属于正常传输，表1中除speedy以外的其它的问题都属于非正常传输(其中tooSmall由于数据量较小，在本实施方式中可以不予考虑)。针对表1所示的各类质量因子，可以分别设置对应的判定条件，如果满足某个质量因子的判定条件，则可以表明当前的数据传输过程中，可能是该质量因子导致传输数据卡顿。
在本实施方式中，在为质量因子设置判定条件时，可以识别与质量因子相关联的一个或者多个传输特征，并为所述一个或者多个传输特征分别设置判定阈值。具体地，与质量因子关联的传输特征，可以是例如往返时延、丢包率、传输速度、拥塞窗口大小等这些能够体现数据传输状态的特征。为传输特征设置的判定阈值，则可以是质量因子所允许的传输特征的数值上限或者下限。例如，对于limitS的质量因子而言，关联的传输特征可以是最大拥塞窗口和每500ms的传输速率，针对最大拥塞窗口设置的判定阈值可以是100，针对传输速率设置的阈值可以是300kb/s。在识别了与传输特征相关联的传输特征，并为传输特征设置判定阈值后，可以建立传输特征与各自的判定阈值之间的对比关系。该对比关系可以用于限定传输特征对应的数值范围。例如，对于于limitS的质量因子而言，建立的对比关系可以是最大拥塞窗口小于100，每500ms的传输速率小于300kb/s。这样，通过关联的传输特征、为传输特征设置的判定阈值，以及建立的传输特征与判定阈值之间的对比关系，从而可以确定出质量因子的判定条件。
在一个实施方式中，在设置了质量因子的判定条件后，还可以为质量因子设置权重值。通常而言，权重值可以按照对数据传输的影响程度进行设置，影响程度越大，设置的权重值也可以越高。具体地，针对表1中的speedy、netcard、limitS、steady、mdevP、noResp这些CDN厂商无需调节或者无法调节的问题，可以将权重值设置为0。为对于剩余的问题，可以按照实际的传输特征，设置对应的权重值。具体地，在本实施方式中，针对表1中的部分传输问题，可以按照以下方式设置权重值：
若所述质量因子表征应用层问题app，将应用层未发送数据的时长与传输请求对应的数据传输总时长之间的比值，作为所述质量因子的权重值；
若所述质量因子表征链路传输问题rtt，计算初始往返时延和最小往返时延的和，并基于计算的和确定所述质量因子的权重值；
若所述质量因子表征拥塞窗口受限问题cwnd，根据最大拥塞窗口cwnd_max确定所述质量因子的权重值；
若所述质量因子表征往返时间问题mdev，计算平均往返时延与第一指定数值之间的第一比值，以及计算最大往返时延与第二指定数值之间的第二比值，并将所述第一比值和所述第二比值之间的最大值作为所述质量因子的权重值；
若所述质量因子表征数据包发送过多的问题retrans，根据数据包重传比例确定所述质量因子的权重值；
若所述质量因子表征超时重传问题rto，根据进入数据丢失状态的总时长与数据传输总时长之间的比值，确定所述质量因子的权重值；
若所述质量因子表征客户端接收窗口问题wnd_min，根据客户端接收窗口为0的总持续时长与数据传输总时长之间的比值，确定所述质量因子的权重值。
在一个具体应用示例中，针对表1中的各类传输问题，可以按照以下方式建立判定条件以及设置权重值：
speedy：各网络特征值正常，表示网络状态良好。判定条件：连接正常断开，往返时延小，丢包率低，应用层正常，类传输速率良好。具体地，平均往返时延<＝500ms，最大往返时延<＝1000ms,没有出现超时重传，重传比<＝15，应用层没数据总时长占传输总时长<＝10％，平均拥塞窗口*数据包大小/平均往返时延>800，客户端接收窗口为0总时长占传输总时长<＝10％。权重值：0。
limitS:类限速网络。判定条件：发包500ms之后的每500ms粒度的传输速度均小于300kb/s，且最大拥塞窗口小于100。权重值：0。
netcard：网卡问题，导致大量丢包。判定条件：拥塞窗口小，但出现大量丢包。如平均拥塞窗口小于30或最大拥塞窗口<60，且重传比>15。权重值：0。
steady：非拥塞算法导致的网络波动,此类拥塞算法难改善。判定条件：初始发包速率差，后续发包速率好，具体地，前500ms的发包速率<100KB/s，每500ms粒度的速率中，最大速率>500KB/s。权重值：0。
app：表示应用层问题。判定条件：应用层未发送数据时长占总时长比例，比例超过预设定阈值，如30％，则认为应用层问题。对于MISS请求，如300ms的请求，回源100ms，请求速度是正常的，不算应用层问题，因此添加app的判断设置最小阈值为100ms。权重值：应用层未发送数据时长/总时长*100。
rtt:表示链路差。初始往返时延+最小往返时延>预设定阈值，如120ms。初始往返时延反映链路最初的状况，最小往返时延反映链路最好的状况，因此结合两者，判断链路情况，值越大链路越差。权重值：(初始往返时延+最小往返时延)/24。
cwnd:表示拥塞窗口确实受限，导致数据发送不出去，传输慢，从而影响了质量。判定条件：平均拥塞窗口，且客户端接收窗口不受限，且往返时延小，丢包少。具体数值设定如：平均拥塞窗口<＝50,平均拥塞窗口*2<＝最大拥塞窗口,平均拥塞窗口<客户端接收窗口*1.2，平均往返时延<＝250,重传比<5。权重值：120/cwnd_max。
mdev:传输过程中rtt波动大，网络较差。判定条件：往返时延大，但不丢包。具体数值设定如：平均往返时延>500或最大往返时延>1000的前提下，丢包率<5％且没有超时重传。权重值：max(平均往返时延/100，最大往返时延/200)。
mdevP:传输过程中rtt波动大，网络很差。判定条件：往返时延大，且丢包多或出现超时重传。具体数值设定如：平均往返时延>500或最大往返时延>1000的前提下，丢包率>5％或出现超时重传。权重值：0。
retrans:发包过多。判定条件：拥塞窗口大，重传比高。具体判定条件如：非cwnd，重传比>＝15。权重：重传比/2.5。其中，重传比＝重传字节数/传输字节数。
rto：超时重传，网络差。判定条件：出现rto超时重传，且持续时间长。如，进入loss状态总时长占传输总时长比例>20％或进入loss状态总时长>5s。权重值：loss状态总时长/总传输时长*100。
noResp：客户端失连。判定条件：rto超时导致的连接断开。权重值：0。
wnd_min:客户端问题。客户端接收窗口为0总持续时长占总传输时长大于30％。权重值：接收窗口为0的总持续时长/总传输时长*100。
tooSmall:传输大小大于预设定值,如，传输大小小于10k。考虑到传输大小过小，多数情况下特征不明显，因此不对这类请求做判断。
需要说明的是，以上的判定条件的设定是结合数据包以及实际应用中对质量的影响程度来设定的，可以根据实际的应用场景进行灵活调整，并不表示本申请的技术方案只能适用以上例举的各种判定阈值的场景。
S23：提取所述指定时段内各个传输请求的特征数据，并将所述特征数据与各个所述质量因子的判定条件进行比对，以确定各个所述传输请求对应的质量因子。
在本实施方式中，在建立了质量因子分析模型后，可以提取指定时段内各个传输请求的特征数据，该特征数据可以是各个质量因子关联的传输特征的组合。后续，可以将提取的特征数据依次与各个质量因子的判定条件进行对比，从而确定出满足判定条件的一个或者多个质量因子。这样，对各个传输请求的特征数据进行对比分析后，便可以依次确定出各个传输请求对应的质量因子。
需要说明的是，在实际应用中，同一个传输请求可能会对应多个不同的质量因子，也可能不存在任何一个满足判定条件的质量因子。在这种情况下，若传输请求的特征数据符合一个或者多个质量因子的判定条件，则可以将所述一个或者多个质量因子都作为所述传输请求对应的质量因子。而若所述传输请求的特征数据不符合任意一个质量因子的判定条件，那么可以按照权重值来设定传输请求对应的质量因子。具体地，可以将权重值最大的质量因子作为所述传输请求对应的质量因子。
S25：根据确定的各个所述传输请求对应的质量因子，统计所述指定时段内，各个所述质量因子的传输请求占比，并根据统计的所述传输请求占比，确定导致传输卡顿的目标质量因子。
在本实施方式中，指定时段内的各个传输请求，可能会对应不同数量的质量因子，为了更好地分析导致卡顿的质量因子，可以针对每一类的质量因子分别统计传输请求占比。例如，在指定时段内，可以按照1分钟的时间粒度，统计每分钟的传输请求中，具备某个质量因子的传输请求在该分钟内总的传输请求中的占比情况。这样，针对不同的质量因子，可以得到不同的统计结果。通过将不同的质量因子的统计结果与步骤S17中统计的传输卡顿率进行对比，从而可以确定导致传输卡顿率提升的目标质量因子。例如，质量因子speedy的低谷和高点分别对应了卡顿率的高点和低谷，可以表征正常情况下传输质量较差时，卡顿率较高，传输质量较好时，卡顿率较低。又例如，在卡顿率升高时，网络问题中rtt同时变差。结合其它的质量因子，发现网络中不存在其它的传输问题，那么此时可以对rtt问题进行优化，以改善传输卡顿率。
在一个实施方式中，可以在包含所述满足指定条件的异常时间节点的区间内，计算各个所述质量因子的传输请求占比的变化值，并根据计算的所述变化值确定导致传输卡顿的目标质量因子。
在本实施方式中，包含满足指定条件的异常时间节点的区间，可以是以该异常时间节点为中心，前后一分钟内或者前后五分钟内的区间。在该区间中，可以计算某个质量因子在当前的时间节点与前一个时间节点的传输请求占比的变化值。变化值越大，表示在出现传输卡顿状况时，该质量因子的变化幅度越大，该质量因子导致传输卡顿的的可能性也越大。
在本实施方式中，针对各个质量因子，均可以按照上述的方式在区间内计算传输请求占比的变化值。后续，可以将具备最大变化值的质量因子，作为导致传输卡顿的目标质量因子。此外，考虑到导致传输卡顿的质量因子可能是多个，因此可以设置变化阈值，并将传输请求占比的变化值大于或者等于该变化阈值的质量因子，都作为导致传输卡顿的目标质量因子。
在实际应用中，该变化阈值可以根据传输卡顿率的变化值来确定。具体地，可以计算满足指定条件的异常时间节点处的传输卡顿率的变化值。例如在图2中，相比于t4时刻而言，t5时刻的传输卡顿率的变化值可以是1.5％。然后，可以根据传输卡顿率的变化值来确定传输请求占比的变化阈值。例如，传输请求占比的变化阈值可以是传输卡顿率的三分之一，那么传输请求占比的变化阈值就是0.5％。这样，根据确定出的传输请求占比的变化阈值，便可以筛选出多个质量因子，这些质量因子都可以作为导致传输卡顿的因素进行排查。
在一个实施方式中，在统计得到指定时段内的传输卡顿率，以及统计出指定时段内各个质量因子的传输请求占比后，可以按照不同的数据聚合维度，展示不同的统计结果。其中，该数据聚合维度，可以是实际应用场景中，CDN厂商关注的维度。例如，数据聚合维度可以包括域名、运营商、地区、缓存服务器组、服务端IP等多个维度。在不同的传输请求中，可以对应不同的数据聚合维度。例如，有些传输请求可以是访问域名1的，并且用的是电信网络，在福建地区进行访问的。而有些传输请求可以是访问域名2的，并且用的是移动网络，在杭州地区进行访问的。
可见，对于不同的数据聚合维度，可以具备一个或者多个可选的参数项。例如，对于域名而言，可选的参数项可以是用户访问的不同域名。对于运营商而言，可选的参数项可以是电信、移动这些不同的运营商。为了有针对性地分析数据传输过程中存在的问题，可以按照当前统计场景，将各个所述数据聚合维度设置为当前的参数项。例如，可以对一个固定的域名，查看电信运营商在福建地区的数据传输状态。这样，通过为数据聚合维度选择当前的参数项，便可以在统计的传输卡顿率或者质量因子的传输请求占比中筛选出符合所述当前的参数项的统计结果，并展示筛选出的所述统计结果。在实际应用中，可以根据需要，灵活地选择不同的参数项，从而在不同的统计结果中进行切换。
为了满足以上的统计需求，在检测出传输请求是否卡顿，以及确定导致卡顿的质量因子后，可以将检测结果按照一定的格式进行存储。例如，在该格式中可以包括预先设置的多个字段，这些字段可以分别表示指定时段内传输请求的不同状态。例如，这些字段可以包括以上的多个数据聚合维度，还可以包括指定时段的时长，此外，还可以包括是否卡顿、请求数、speedy请求数、app请求数、rtt请求数、cwnd请求数、mdev请求数、mdevP请求数、retrans请求数、rto请求数、noResp请求数、steady请求数、limits请求数、wnd_min请求数、tooSmall请求数等这些更加细节的字段。通过这样的格式将记录的统计结果存储至mysql数据库中，后续可以有效地针对不同的质量因子或者不同的数据聚合维度进行数据统计并展示。
本申请一个实施方式还提供一种传输质量检测系统，所述系统包括：
质量因子设置单元，用于确定表征数据传输状态的多个质量因子，并为各个所述质量因子设置判定条件；
质量因子确定单元，用于提取指定时段内各个传输请求的特征数据，并将所述特征数据与各个所述质量因子的判定条件进行比对，以确定各个所述传输请求对应的质量因子；
卡顿原因确定单元，用于根据确定的各个所述传输请求对应的质量因子，统计所述指定时段内，各个所述质量因子的传输请求占比，并根据统计的所述传输请求占比，确定导致传输卡顿的目标质量因子。
在一个实施方式中，所述系统还包括：
样本获取单元，用于获取传输层请求样本，所述传输层请求样本中至少包括表征传输是否卡顿的不同的请求样本；
样本处理单元，用于提取各个所述传输层请求样本的传输特征，并为各个所述传输层请求样本添加用于表征传输是否卡顿的训练类标；
卡顿预测单元，用于根据提取的所述传输特征和添加的所述训练类标训练得到预测模型，并通过所述预测模型预测所述指定时段内各个传输请求是否出现卡顿；
卡顿上报单元，用于根据预测结果统计所述指定时段内的传输卡顿率，并根据统计的所述传输卡顿率，在所述指定时段内确定异常时间节点，并上报满足指定条件的异常时间节点。
请参阅图4，本申请还提供一种传输质量检测设备，所述设备包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，可以实现上述的传输质量检测方法。
在本实施方式中，所述存储器可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方法的媒体加以存储。本实施方式所述的存储器又可以包括：利用电能方式存储信息的装置，如RAM或ROM等；利用磁能方式存储信息的装置，如硬盘、软盘、磁带、磁芯存储器、磁泡存储器或U盘；利用光学方式存储信息的装置，如CD或DVD。当然，还有其他方式的存储器，例如量子存储器或石墨烯存储器等等。
在本实施方式中，所述处理器可以按任何适当的方式实现。例如，所述处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。
由上可见，本申请一个或者多个实施方式提供的技术方案，可以从传输请求的特征数据入手，对传输请求的特征数据进行分析，从而确定出导致传输卡顿的因素。具体地，可以预先确定表征数据传输状态的多个质量因子，并可以为这些质量因子设置判定条件。这些判定条件可以与传输请求的特征数据相关联。后续，针对指定时段内的各个传输请求，可以提取传输请求的特征数据，并将提取的特征数据与各个质量因子的判定条件进行对比，从而确定出符合判定条件的质量因子。通过对这些质量因子的传输请求占比进行统计，从而可以监测在数据传输过程中，这些质量因子的传输请求占比的变化趋势，进而可以根据该变化趋势，确定导致传输卡顿的原因。本申请提供的技术方案，可以直接从传输层的数据入手，通过质量因子量化的方式，将传输层的数据与质量因子的判定条件进行对比，从而可以快速定位各个传输请求可能存在的影响传输质量的因素。通过对这些因素进行统计，从而能够准确地确定出导致传输卡顿的实际因素。可见，本申请提供的技术方案，不仅提高了传输质量的检测效率，还能提高传输质量的检测精度。
此外，本申请提供的技术方案，可以采用机器学习的方法来检测视频传输过程中是否出现了卡顿。具体地，可以获取表征是否卡顿的不同的传输层请求样本，然后可以提取这些传输层请求样本的传输特征，并添加表征传输是否卡顿的训练类标。通过提取的传输特征和添加的训练类标，可以按照机器学习的方法训练得到预测模型。该预测模型可以预测指定时段内的各个传输请求是否出现了卡顿。为了及时地确定出现卡顿的时间节点，可以统计指定时段内的传输卡顿率，并在其中确定异常时间节点。这些异常时间节点可以进一步地判定是否满足指定条件，如果满足指定条件，则可以表明卡顿的状态在持续出现，从而可以上报满足指定条件的异常时间节点，以便排查造成卡顿的原因。可见，通过机器学习的方式来预测传输请求是否卡顿，能够提高卡顿检测的准确度。此外，本申请还可以及时地上报表征持续出现卡顿状况的异常时间节点，从而提高了卡顿检测的时效性。
本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。尤其，针对系统和设备的实施方式来说，均可以参照前述方法的实施方式的介绍对照解释。
本领域内的技术人员应明白，本发明的实施方式可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施方式、完全软件实施方式、或结合软件和硬件方面的实施方式的形式。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方式的方法、设备(系统)、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(flash RAM)。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(transitory media)，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。
以上所述仅为本申请的实施方式而已，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 (16)
1.一种传输质量检测方法，其特征在于，所述方法包括：
确定表征数据传输状态的多个质量因子，并为各个所述质量因子设置判定条件；
统计指定时段内的传输卡顿率，并基于所述传输卡顿率判断所述指定时段内是否存在满足指定条件的异常时间节点，若存在所述满足指定条件的异常时间节点，则提取所述指定时段内各个传输请求的特征数据，并将所述特征数据与各个所述质量因子的判定条件进行比对，以确定各个所述传输请求对应的质量因子；
根据确定的各个所述传输请求对应的质量因子，统计所述指定时段内，各个所述质量因子的传输请求占比，并根据统计的所述传输请求占比，确定导致传输卡顿的目标质量因子，其中，所述传输请求占比为在所述指定时段内预设时间粒度的传输请求中，具备所述质量因子的传输请求与传输请求总数之间的比值；
其中，基于所述传输卡顿率判断所述指定时段内是否存在满足指定条件的异常时间节点包括：逐个分析所述指定时段内的各个时间节点，若当前时间节点的传输卡顿率比前一个时间节点的传输卡顿率高出指定卡顿率变差阈值，将所述当前时间节点作为异常时间节点。
2.根据权利要求1所述的方法，其特征在于，为各个所述质量因子设置判定条件包括：
识别与所述质量因子相关联的一个或者多个传输特征，并为所述一个或者多个传输特征分别设置判定阈值，以及建立所述一个或者多个传输特征与各自的判定阈值之间的对比关系。
3.根据权利要求1所述的方法，其特征在于，确定的各个所述质量因子还分别具备权重值；确定各个所述传输请求对应的质量因子包括：
若所述传输请求的特征数据符合一个或者多个质量因子的判定条件，将所述一个或者多个质量因子作为所述传输请求对应的质量因子；
若所述传输请求的特征数据不符合任意一个质量因子的判定条件，将权重值最大的质量因子作为所述传输请求对应的质量因子。
4.根据权利要求3所述的方法，其特征在于，各个所述质量因子的权重值按照以下方式确定：
若所述质量因子表征应用层问题，将应用层未发送数据的时长与传输请求对应的数据传输总时长之间的比值，作为所述质量因子的权重值；
若所述质量因子表征链路传输问题，计算初始往返时延和最小往返时延的和，并基于计算的和确定所述质量因子的权重值；
若所述质量因子表征拥塞窗口受限问题，根据最大拥塞窗口确定所述质量因子的权重值；
若所述质量因子表征往返时间问题，计算平均往返时延与第一指定数值之间的第一比值，以及计算最大往返时延与第二指定数值之间的第二比值，并将所述第一比值和所述第二比值之间的最大值作为所述质量因子的权重值；
若所述质量因子表征数据包发送过多的问题，根据数据包重传比例确定所述质量因子的权重值；
若所述质量因子表征超时重传问题，根据进入数据丢失状态的总时长与数据传输总时长之间的比值，确定所述质量因子的权重值；
若所述质量因子表征客户端接收窗口问题，根据客户端接收窗口为0的总持续时长与数据传输总时长之间的比值，确定所述质量因子的权重值。
5.根据权利要求1所述的方法，其特征在于，按照以下方式判断传输是否出现卡顿：
获取传输层请求样本，所述传输层请求样本中至少包括表征传输是否卡顿的不同的请求样本；
提取各个所述传输层请求样本的传输特征，并为各个所述传输层请求样本添加用于表征传输是否卡顿的训练类标；
根据提取的所述传输特征和添加的所述训练类标训练得到预测模型，并通过所述预测模型预测所述指定时段内各个传输请求是否出现卡顿；
根据预测结果统计所述指定时段内的传输卡顿率，并根据统计的所述传输卡顿率，在所述指定时段内确定异常时间节点，并上报满足指定条件的异常时间节点。
6.根据权利要求5所述的方法，其特征在于，所述传输特征包括传输字节数、重传字节数、传输时长、初始往返时延、平均往返时延、最大往返时延、超时重传次数、进入loss状态总时长、进入loss状态的最大时长、首屏速度、传输速度、初始速度、最大速度、客户端接收窗口为0的次数、客户端接收窗口为0的持续总时长、拥塞窗口最小值、拥塞窗口平均值、拥塞窗口最大值、检测周期内的累积数据确认量、检测周期内未发送数据的原因中的至少一种。
7.根据权利要求5所述的方法，其特征在于，为各个所述传输层请求样本添加用于表征传输是否卡顿的训练类标包括：
确定所述传输层请求样本当前时刻累积的确认数据量，并根据客户端的视频播放时长和平均播放码率，确定截止所述当前时刻，客户端播放视频所需的数据量；
若所述累积的确认数据量小于所述所需的数据量，为所述传输层请求样本添加用于表征传输卡顿的训练类标；
若在视频播放的任一时刻，所述累积的确认数据量均大于或者等于所述所需的数据量，为所述传输层请求样本添加用于表征传输不卡顿的训练类标。
8.根据权利要求7所述的方法，其特征在于，确定截止所述当前时刻，客户端播放视频所需的数据量包括：
在所述客户端的视频播放时长中识别出暂停播放的时长，并从所述客户端的视频播放时长中扣除所述暂停播放的时长后，根据剩余的播放时长和所述平均播放码率，确定截止所述当前时刻，客户端播放视频所需的数据量。
9.根据权利要求8所述的方法，其特征在于，在所述客户端的视频播放时长中识别出暂停播放的时长包括：
统计客户端接收窗口为0的持续时长，若统计的所述持续时长大于或者等于指定时长阈值，将统计的所述持续时长作为暂停播放的时长。
10.根据权利要求5或9所述的方法，其特征在于，上报满足指定条件的异常时间节点包括：
针对当前的异常时间节点而言，判断位于所述当前的异常时间节点之后连续的指定数量的时间节点是否均为异常时间节点，若是，上报所述当前的异常时间节点；若否，不上报所述当前的异常时间节点。
11.根据权利要求5所述的方法，其特征在于，确定导致传输卡顿的目标质量因子包括：
在包含所述满足指定条件的异常时间节点的区间内，计算各个所述质量因子的传输请求占比的变化值，并根据计算的所述变化值确定导致传输卡顿的目标质量因子。
12.根据权利要求11所述的方法，其特征在于，根据计算的所述变化值确定导致传输卡顿的目标质量因子包括：
将具备最大变化值的质量因子，作为导致传输卡顿的目标质量因子；
和/或
根据所述满足指定条件的异常时间节点处的传输卡顿率的变化值，确定所述传输请求占比的变化阈值，并将计算的所述传输请求占比的变化值大于或者等于所述变化阈值的质量因子，作为导致传输卡顿的目标质量因子。
13.根据权利要求1所述的方法，其特征在于，在统计所述指定时段内，各个所述质量因子的传输请求占比之后，所述方法还包括：
确定多个数据聚合维度，所述数据聚合维度具备一个或者多个可选的参数项，并按照当前统计场景，将各个所述数据聚合维度设置为当前的参数项；
在统计的各个所述质量因子的传输请求占比中筛选出符合所述当前的参数项的统计结果，并展示筛选出的所述统计结果。
14.一种传输质量检测系统，其特征在于，所述系统包括：
卡顿上报单元，用于根据预测结果统计指定时段内的传输卡顿率，并根据统计的所述传输卡顿率，在所述指定时段内确定异常时间节点，并上报满足指定条件的异常时间节点，其中，在所述指定时段内确定异常时间节点包括：逐个分析所述指定时段内的各个时间节点，若当前时间节点的传输卡顿率比前一个时间节点的传输卡顿率高出指定卡顿率变差阈值，将所述当前时间节点作为异常时间节点；
质量因子设置单元，用于确定表征数据传输状态的多个质量因子，并为各个所述质量因子设置判定条件；
质量因子确定单元，用于提取所述指定时段内各个传输请求的特征数据，并将所述特征数据与各个所述质量因子的判定条件进行比对，以确定各个所述传输请求对应的质量因子；
卡顿原因确定单元，用于根据确定的各个所述传输请求对应的质量因子，统计所述指定时段内，各个所述质量因子的传输请求占比，并根据统计的所述传输请求占比，确定导致传输卡顿的目标质量因子，其中，所述传输请求占比为在所述指定时段内预设时间粒度的传输请求中，具备所述质量因子的传输请求与传输请求总数之间的比值。
15.根据权利要求14所述的系统，其特征在于，所述系统还包括：
样本获取单元，用于获取传输层请求样本，所述传输层请求样本中至少包括表征传输是否卡顿的不同的请求样本；
样本处理单元，用于提取各个所述传输层请求样本的传输特征，并为各个所述传输层请求样本添加用于表征传输是否卡顿的训练类标；
卡顿预测单元，用于根据提取的所述传输特征和添加的所述训练类标训练得到预测模型，并通过所述预测模型预测所述指定时段内各个传输请求是否出现卡顿。
16.一种传输质量检测设备，其特征在于，所述设备包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1至13中任一所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911072033.6A CN111010617B (zh) | 2019-11-05 | 2019-11-05 | 一种传输质量检测方法、系统及设备 |
| PCT/CN2019/123012 WO2021088174A1 (zh) | 2019-11-05 | 2019-12-04 | 一种传输质量检测方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911072033.6A CN111010617B (zh) | 2019-11-05 | 2019-11-05 | 一种传输质量检测方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111010617A CN111010617A (zh) | 2020-04-14 |
| CN111010617B true CN111010617B (zh) | 2021-07-09 |
Family
ID=70111656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911072033.6A Expired - Fee Related CN111010617B (zh) | 2019-11-05 | 2019-11-05 | 一种传输质量检测方法、系统及设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111010617B (zh) |
| WO (1) | WO2021088174A1 (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111601178B (zh) * | 2020-05-26 | 2022-09-23 | 维沃移动通信有限公司 | 视频数据处理方法、装置和电子设备 |
| CN113490225B (zh) * | 2021-06-03 | 2024-02-09 | 深圳市广和通无线股份有限公司 | 一种吞吐率分析方法、计算机存储介质及电子设备 |
| CN113923488B (zh) * | 2021-09-15 | 2024-04-16 | 青岛海信网络科技股份有限公司 | 一种公交车、视频流量控制方法及存储介质 |
| CN113949825A (zh) * | 2021-11-03 | 2022-01-18 | 江苏金视传奇科技有限公司 | 一种高信息量图像高效传输方法及系统 |
| CN116137676B (zh) * | 2021-11-18 | 2023-10-20 | 荣耀终端有限公司 | 一种网络加速方法、电子设备、芯片系统及存储介质 |
| CN114302159B (zh) * | 2021-12-29 | 2023-07-21 | 北京百度网讯科技有限公司 | 一种直播间异常的监控方法、装置、设备以及存储介质 |
| CN114401224B (zh) * | 2022-01-19 | 2023-07-11 | 平安科技（深圳）有限公司 | 一种数据限流方法、装置、电子设备以及存储介质 |
| CN114826750B (zh) * | 2022-04-29 | 2024-02-06 | 阿里巴巴（中国）有限公司 | 一种网络异常检测方法、服务器、服务器集群及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104159166A (zh) * | 2014-08-07 | 2014-11-19 | 西安交通大学 | 基于移动网络丢包状态的直播视频数据传输差错控制方法 |
| CN107196794A (zh) * | 2017-05-18 | 2017-09-22 | 腾讯科技（深圳）有限公司 | 一种卡顿异常的分析方法及装置 |
| CN109640340A (zh) * | 2018-12-25 | 2019-04-16 | 中国联合网络通信集团有限公司 | 基站数据处理方法、装置、设备及计算机可读存储介质 |
| CN109996094A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视系统技术有限公司 | 视频播放方法、装置及系统 |
| CN110138608A (zh) * | 2019-05-09 | 2019-08-16 | 网宿科技股份有限公司 | 网络业务服务质量管理的方法及服务器 |
| CN110225417A (zh) * | 2019-05-09 | 2019-09-10 | 网宿科技股份有限公司 | 数据处理方法及服务器、检测卡顿的方法及服务器 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090303888A1 (en) * | 2007-05-03 | 2009-12-10 | Honeywell International Inc. | Method and system for optimizing wireless networks through feedback and adaptation |
| US10362081B2 (en) * | 2013-08-30 | 2019-07-23 | Citrix Systems, Inc. | Methods and systems for quantifying the holistic quality of experience for internet multimedia |
| US9787424B2 (en) * | 2014-08-06 | 2017-10-10 | Google Inc. | Systems and methods for detecting wireless communication jamming in a network |
| CN106068020A (zh) * | 2016-05-26 | 2016-11-02 | 腾讯科技（深圳）有限公司 | 异常状态提示方法及装置 |
| CN109687992A (zh) * | 2018-09-07 | 2019-04-26 | 平安科技（深圳）有限公司 | 服务节点的监控方法、装置、设备及计算机可读存储介质 |
-
2019
- 2019-11-05 CN CN201911072033.6A patent/CN111010617B/zh not_active Expired - Fee Related
- 2019-12-04 WO PCT/CN2019/123012 patent/WO2021088174A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104159166A (zh) * | 2014-08-07 | 2014-11-19 | 西安交通大学 | 基于移动网络丢包状态的直播视频数据传输差错控制方法 |
| CN107196794A (zh) * | 2017-05-18 | 2017-09-22 | 腾讯科技（深圳）有限公司 | 一种卡顿异常的分析方法及装置 |
| CN109996094A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视系统技术有限公司 | 视频播放方法、装置及系统 |
| CN109640340A (zh) * | 2018-12-25 | 2019-04-16 | 中国联合网络通信集团有限公司 | 基站数据处理方法、装置、设备及计算机可读存储介质 |
| CN110138608A (zh) * | 2019-05-09 | 2019-08-16 | 网宿科技股份有限公司 | 网络业务服务质量管理的方法及服务器 |
| CN110225417A (zh) * | 2019-05-09 | 2019-09-10 | 网宿科技股份有限公司 | 数据处理方法及服务器、检测卡顿的方法及服务器 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111010617A (zh) | 2020-04-14 |
| WO2021088174A1 (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111010617B (zh) | 一种传输质量检测方法、系统及设备 | |
| CN111031403B (zh) | 一种卡顿检测方法、系统及设备 | |
| US20210318917A1 (en) | System and method for managing concurrent events | |
| Gutterman et al. | Requet: Real-time qoe detection for encrypted youtube traffic | |
| US9769190B2 (en) | Methods and apparatus to identify malicious activity in a network | |
| EP2166700A1 (en) | Method and system for detecting qos abnormal | |
| US8161058B2 (en) | Performance degradation root cause prediction in a distributed computing system | |
| US20120140624A1 (en) | Systems and methods for dynamic congestion management in communications networks | |
| WO2017172541A1 (en) | Systems and methods for measuring effective customer impact of network problems in real-time using streaming analytics | |
| CN112584417B (zh) | 无线业务质量确定方法、装置、计算机设备和存储介质 | |
| US20130179568A1 (en) | Method and apparatus for analysis of the operation of a communication system using events | |
| US20180102951A1 (en) | BFD Method and Apparatus | |
| CN111327471A (zh) | 网络质量分析方法、装置、计算机设备及存储介质 | |
| EP3761609A1 (en) | Load adjustment method and system for resource server, and device | |
| CN113297183A (zh) | 一种时间窗口的告警分析方法及装置 | |
| EP1519512A2 (en) | Real-time SLA impact analysis | |
| US7715317B2 (en) | Flow generation method for internet traffic measurement | |
| TWI638552B (zh) | 控制裝置、訊務控制方法及記錄電腦程式之記錄媒體 | |
| US8838774B2 (en) | Method, system, and computer program product for identifying common factors associated with network activity with reduced resource utilization | |
| KR100553553B1 (ko) | 순차적인 서비스 품질(ＱｏＳ) 정보를 관리 및 제공하는시스템 및 방법 | |
| CN114666210A (zh) | 基于大数据日志分析的告警方法及装置 | |
| CN114185681A (zh) | 一种自动化限流处理方法及装置 | |
| Tlaiss et al. | Automated slow-start detection for anomaly root cause analysis and BBR identification | |
| JP2007329776A (ja) | ネットワーク品質分析装置、品質クラス決定装置、ネットワーク品質分析方法、品質クラス決定方法、およびプログラム | |
| CN114095421B (zh) | 一种网络选路方法、装置、设备及计算机可读存储介质 |
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: 20210709 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |