CN112016012B - 资源服务质量智能拨测方法及装置 - Google Patents

资源服务质量智能拨测方法及装置 Download PDF

Info

Publication number
CN112016012B
CN112016012B CN201910465155.5A CN201910465155A CN112016012B CN 112016012 B CN112016012 B CN 112016012B CN 201910465155 A CN201910465155 A CN 201910465155A CN 112016012 B CN112016012 B CN 112016012B
Authority
CN
China
Prior art keywords
resource
quality
dial testing
resource information
url addresses
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.)
Active
Application number
CN201910465155.5A
Other languages
English (en)
Other versions
CN112016012A (zh
Inventor
许昊
赵宇韬
程路
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang 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 China Mobile Communications Group Co Ltd, China Mobile Group Zhejiang Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201910465155.5A priority Critical patent/CN112016012B/zh
Publication of CN112016012A publication Critical patent/CN112016012A/zh
Application granted granted Critical
Publication of CN112016012B publication Critical patent/CN112016012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G06F16/9566—URL specific, e.g. using aliases, detecting broken or misspelled links
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种资源服务质量智能拨测方法及装置，其中，方法包括：确定待拨测的至少一个资源信息；针对每个资源信息，将该待拨测的资源信息输入至训练得到的卷积网络中，得到对应的包含多个资源URL地址的拨测列表；对拨测列表中包含的多个资源URL地址依次进行拨测处理，获取多个资源质量拨测结果；将多个资源质量拨测结果进行量化评分处理，得到该资源信息的质量结果。利用本发明通过卷积网络的智能算法，可以直接获取所有资源信息对应的资源URL地址，主动执行对应的拨测处理，获取资源质量结果，大大提高拨测效率。通过本发明可以对所有资源信息进行拨测，更好地确定资源信息的质量结果，而不仅仅是对质量差的资源信息进行拨测，使得拨测更全面。

Description

资源服务质量智能拨测方法及装置
技术领域
本发明涉及数据业务技术领域，具体涉及一种资源服务质量智能拨测方法及装置。
背景技术
现有技术的资源服务质量拨测方式如图1所示，先通过人工操作针对质量差资源的所有资源统一资源定位符(Uniform Resource Locator，URL)进行逐条测试，任务量为i，i的大小时由人为确定。根据任务执行次数n来判断任务量是否执行结束，即判断n≤i是否成立；若成立，即没有执行完成所有任务，需要人工操作接着执行下一条任务，直到所有资源URL全部测试完成。在所有资源URL测试完成后，整理测试结果。根据测试结果定位质量差资源存在的问题，找出质量差资源的质差原因。
现有技术对资源URL进行逐一拨测，通过整理拨测结果最终定位质量差资源存在的问题，能够在一定程度上解决资源质差问题的定位。但是在实际情况中，资源URL的条数众多，通过人工手动拨测，逐一定位的方式既耗费时间又不能保证准确性；同时，该方式只能对质量差的资源问题进行定位，不能将所有资源质量的指标通过数据进行量化，这不利于运营商和内容分发网络(Content Delivery Network，CDN)厂商对资源的管理。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的资源服务质量智能拨测方法及装置。
根据本发明的一个方面，提供了一种资源服务质量智能拨测方法，其包括：
确定待拨测的至少一个资源信息；
针对每个资源信息，将该待拨测的资源信息输入至训练得到的卷积网络中，得到对应的包含多个资源URL地址的拨测列表；
对拨测列表中包含的多个资源URL地址依次进行拨测处理，获取多个资源质量拨测结果；将多个资源质量拨测结果进行量化评分处理，得到该资源信息的质量结果。
根据本发明的另一方面，提供了一种资源服务质量智能拨测装置，其包括：
确定模块，适于确定待拨测的至少一个资源信息；
列表模块，适于针对每个资源信息，将该待拨测的资源信息输入至训练得到的卷积网络中，得到对应的包含多个资源URL地址的拨测列表；
结果模块，适于对拨测列表中包含的多个资源URL地址依次进行拨测处理，获取多个资源质量拨测结果；将多个资源质量拨测结果进行量化评分处理，得到该资源信息的质量结果。
根据本发明的又一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述资源服务质量智能拨测方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述资源服务质量智能拨测方法对应的操作。
根据本发明的资源服务质量智能拨测方法及装置，确定待拨测的至少一个资源信息；针对每个资源信息，将该待拨测的资源信息输入至训练得到的卷积网络中，得到对应的包含多个资源URL地址的拨测列表；对拨测列表中包含的多个资源URL地址依次进行拨测处理，获取多个资源质量拨测结果；将多个资源质量拨测结果进行量化评分处理，得到该资源信息的质量结果。利用本发明通过卷积网络的智能算法，可以直接获取所有资源信息对应的资源URL地址，主动来执行对应的拨测处理，获取资源质量结果，大大提高了拨测效率。且通过本发明可以对所有资源信息进行拨测，更好地确定资源信息的质量结果，而不仅仅是对质量差的资源信息进行拨测，使得拨测更全面。进一步，本发明支持对多个资源信息进行拨测处理，处理更全面更高效。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了现有技术中人工拨测的流程示意图；
图2示出了根据本发明一个实施例的资源服务质量智能拨测方法的流程图；
图3示出了根据本发明一个实施例的卷积网络训练过程；
图4示出了卷积网络模型示意图；
图5示出了根据本发明一个实施例的资源服务质量智能拨测装置的功能框图；
图6示出了根据本发明一个实施例的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开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公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图2示出了根据本发明一个实施例的资源服务质量智能拨测方法的流程图。如图2所示，资源服务质量智能拨测方法具体包括如下步骤：
步骤S201，确定待拨测的至少一个资源信息。
本实施例中在确定待拨测的资源信息时，可以通过资源名称来确定，后续可以直接根据资源名称来获取资源URL地址，不需要再如现有技术中人工一一确定资源URL地址。进一步，在确定资源名称后，还需要确定资源名称对应的拨测处理应下发的终端对象，方便后续对资源信息进行拨测处理。
本实施例中可以确定多个资源信息，后续可以对多个资源信息均进行拨测处理，处理更高效。
步骤S202，针对每个资源信息，将该待拨测的资源信息输入至训练得到的卷积网络中，得到对应的包含多个资源URL地址的拨测列表。
卷积网络为训练得到的卷积网络，其通过样本训练，可以根据输入的待拨测的资源信息，获取到对应的包含资源URL地址的拨测列表。在确定多个资源信息后，将多个资源信息输入至训练得到的卷积网络中，可以得到每个资源信息对应的拨测列表，每个资源信息均对应各自的拨测列表。
为方便说明，以一个资源信息为例，具体的，将待拨测的资源信息输入至训练得到的卷积网络中，得到资源的映射分类；如根据资源名称获取到应用APP对应的映射分类。根据映射分类，可以通过抓包的方式来抓取资源URL地址。其中，抓取的资源URL地址为资源URL地址全量。对资源URL地址进行预处理，得到包含资源URL地址的拨测列表。预处理包括对资源URL地址进行筛选处理以及排序处理。筛选处理包括通过wget方式检测资源URL地址全量的状态码，去除状态码中错误状态码对应的资源URL地址。如状态码为HTTP状态码，其中状态码以4或5开头的资源URL地址一般为请求错误或服务器错误状态码，去除这些状态码的资源URL地址，无需对其进行拨测。将筛选后的资源URL地址按照访问量进行排序处理，获取排序在前的预设数量的资源URL地址，生成拨测列表。如获取排序前50的资源URL地址，生成的拨测列表包含排序前50的资源URL地址。
步骤S203，对拨测列表中包含的多个资源URL地址依次进行拨测处理，获取多个资源质量拨测结果。
按照拨测列表中包含的资源URL地址顺序依次对每个资源URL地址执行拨测处理，如对每个资源URL地址建立拨测任务，执行拨测任务，完成拨测处理，得到该资源URL地址对应的资源质量拨测结果。拨测列表中包含多个资源URL地址，在对每个资源URL地址进行拨测处理后，得到多个资源质量拨测结果。
进一步，该步骤根据拨测列表，主动对每个资源URL地址建立拨测任务，在已经确定的应下发的终端对象上执行拨测任务，实现对拨测的自动处理。
步骤S204，将多个资源质量拨测结果进行量化评分处理，得到该资源信息的质量结果。
获取到的每个资源质量拨测结果中均包含了资源质量的多项指标对应的多个资源质量指标结果。针对每个资源质量拨测结果，将资源质量拨测结果包含的多个资源质量指标结果进行量化，得到对应的指标分值。其中，资源质量的多项指标包括网络通断性指标、网络连接质量指标、服务质量指标以及服务体验指标。网络通断性指标包含链路及时性指标与完整性指标；网络连接质量指标包含DNS解析及时性指标与TCP解析及时性指标；服务质量指标包含HTTP及时性指标与完整性指标；服务体验指标包含HTTP可持续性指标。对资源质量的每项指标均设置评分，得到各资源质量指标结果的指标分值。对多个资源质量拨测结果进行汇总，将每个资源质量拨测结果中的各个资源质量指标结果的指标分值按照预设权重进行加权处理，最终得到该资源信息的质量结果。
步骤S203和S204是针对一个资源信息的拨测列表进行说明，当待拨测的资源信息为多个时，对每个资源信息的拨测列表均执行以上步骤，得到每个资源信息的质量结果。
进一步，本实施例还包括步骤S205。
步骤S205，将每个资源信息的质量结果进行汇总并展示。
对得到的每个资源信息的质量结果汇总，如列表方式汇总等，并进行展示，方便利用资源信息的质量结果来判定每个资源信息的服务情况，也使得运营商以及CDN厂商对资源进行管理的过程更加智能化。
根据本发明提供的资源服务质量智能拨测方法，确定待拨测的至少一个资源信息；针对每个资源信息，将该待拨测的资源信息输入至训练得到的卷积网络中，得到对应的包含多个资源URL地址的拨测列表；对拨测列表中包含的多个资源URL地址依次进行拨测处理，获取多个资源质量拨测结果；将多个资源质量拨测结果进行量化评分处理，得到该资源信息的质量结果。利用本发明通过卷积网络的智能算法，可以直接获取所有资源信息对应的资源URL地址，主动来执行对应的拨测处理，获取资源质量结果，大大提高了拨测效率。且通过本发明可以对所有资源信息进行拨测，更好地确定资源信息的质量结果，而不仅仅是对质量差的资源信息进行拨测，使得拨测更全面。进一步，本发明支持对多个资源信息进行拨测处理，处理更全面更高效。
图3示出了根据本发明一个实施例的卷积网络训练过程的流程图。如图3所示，卷积网络训练过程具体包括如下步骤：
步骤S301，获取训练样本和测试样本。
本实施例中卷积网络一共有5层，分别为输入层、卷积层、池化层、全连接层以及输出层(分类层)。在对卷积网络进行训练时，先获取样本数据，并对样本数据进行整合处理。再将整合后的样本数据按照随机数法划分为训练样本和测试样本。
具体的，根据大数据分析可知，样本数据(资源名称)的字段长度一般为2-5个字段不等，且部分资源名称包含英文字母。在获取样本数据后，先需要对样本数据进行整合处理，将其格式进行归一化处理。为了保证输入层可以包含所有资源名称，需要输入层的长度足够长，因此，本实施例中定义输入层为一个1×10的一维向量，不足十个字符的资源名称在空白位置自动补充为0，训练过程中0默认不作分析。每两个英文字母占用一个字符，空白位置自动补充为0。
将所有资源名称按照随机数法划分为训练样本和测试样本两部分样本，如根据原始数据量按照5：1的比例划分，得到训练样本。训练样本用于对卷积网络进行训练，测试样本用于对训练得到的卷积网络进行测试验证。
步骤S302，将训练样本输入至待训练的算法中进行训练，得到经训练的卷积网络。
本实施例中使用的卷积网络模型示意图如图4所示。以UC浏览器为例，通过对资源名称的归一化处理，得到统一的输入层长度。卷积核的形状为1×2。假设表示卷积层中第m层(m的取值范围为1，2，3)中第n个特征图上第k个位置的值，则卷积层的计算公式为：
上述卷积层的计算公式(1)中ReLU(·)为激励函数，除使用该函数作为激励函数外，也可以选择tanh、sigmoid等其他函数作为激励函数，此处不做显示。bmn表示特征图的偏置量，s表示在(m-1)层当中连接到当前这个特征图的序号，为第m层中第n个位置连接到特征图s的卷积核中第l个位置的值，/>表示第(m-1)层第s个特征图集合上第(k+l)个位置的值，Lm表示第m层中卷积核的长度。
本实施例中池化层是对上一层卷积层输入进行最大值池化的操作，因此该层神经元的误差项δ与卷积层的特征映射在一个区域。卷积层的每一个输出中的神经元都与池化层对应位置的特征映射的一个神经元有一个边相连。
根据链式法则，要得到第l层特征映射的误差项δl,k，只需要将下一层特征映射的误差项δ(l+1),k进行上采样(和第l层的大小一样)，再和l层特征映射的激活值偏导数逐元素相乘，再乘上权重即可计算出第l层特征映射的误差项δl,k。第l层的第k个特征映射的误差项(灵敏度)δl,k的计算公式如下：
上述公式(2)中，符号ο表示逐个元素相乘，f′(zl)表示l层特征映射的激活值偏导数元素，up(·)为上采样函数(Upsampling)，可以使用Kronecker(克罗内克积，数学上，克罗内克积是两个任意大小的矩阵间的运算)进行上采样。即：
由于本实施例设置的池化比例为2：1，因此公式(3)中，x设置为2。
计算出第l层的第k个特征映射的误差项之后即可对卷积层中第l层中的参数计算偏导。
对于误差项J＝δl,k对第l层的第k个特征映射神经元卷积核Wi (l,k,p)的梯度：
公式(4)中，表示第(l-1)层的输出，/>是指将卷积核上下翻转。将上一层输出与卷积核的上下翻转操作相乘再对每个节点求和即为卷积核梯度。
因为卷积层的每一个偏置量均为固定的常数，因此卷积层的偏置量梯度为误差项中所有元素的误差求和即可，第l层的第k个特征映射的偏置blk的梯度可以写为：
本实施例通过将卷积核的上下翻转的操作实现卷积函数互相关运算，进而找出权值和特征图中点与点的对应关系，池化层的误差项计算公式为：
公式(6)中，符号ο表示逐个元素相乘，f′(zl)表示l层特征映射的激活值偏导数元素，rot180(Wl,k,p)表示将卷积核Wl,k,p上下翻转的操作。
本实施例的网络模型结构中全连接层的每一个神经元都与池化层的全部神经元有着全连接。该层可以将之前局部观察的池化层中具有类别区分性的局部信息进行整合连接。为了提升本实施例的网络性能，选用ReLu函数作为全连接层的激励函数，选用逻辑回归分类器(softmax regression)作为输出层，即全连接层的每个神经元的结果通过输出层得到最终的分类结果。
本实施例中利用动态调整步长的方式来训练卷积网络模型，根据资源名称与终端映射表确定输出层类别数，选用逻辑回归分类器(softmax regression)作为分类层。
本实施例的卷积神经网络模型的每层的结构介绍可参照表1：
表1
根据本发明提供的卷积网络训练，对训练样本分类，并利用归一化的处理统一输入层的长度，定义中英文字符的处理办法。按照随机数分配原则划分测试样本与训练样本，以便对卷积网络进行训练。
图5示出了根据本发明一个实施例的资源服务质量智能拨测装置的功能框图。如图5所示，资源服务质量智能拨测装置包括如下模块：
确定模块510适于：确定待拨测的至少一个资源信息。
列表模块520适于：针对每个资源信息，将该待拨测的资源信息输入至训练得到的卷积网络中，得到对应的包含多个资源URL地址的拨测列表。
结果模块530适于：对拨测列表中包含的多个资源URL地址依次进行拨测处理，获取多个资源质量拨测结果；将多个资源质量拨测结果进行量化评分处理，得到该资源信息的质量结果。
可选地，装置还包括：训练模块540。
训练模块540适于：获取训练样本和测试样本；将训练样本输入至待训练的算法中进行训练，得到经训练的卷积网络；其中，待训练的卷积网络包括输入层、卷积层、池化层、全连接层以及输出层。
可选地，训练模块540进一步适于：获取样本数据，并对样本数据进行整合处理；将整合后的样本数据按照随机数法划分为训练样本和测试样本。
可选地，列表模块520进一步适于：针对每个资源信息，将该资源信息输入至训练得到的卷积网络中，得到资源的映射分类；根据映射分类，抓取多个资源URL地址；对多个资源URL地址进行预处理，得到包含多个资源URL地址的拨测列表。
可选地，列表模块520进一步适于：对多个资源URL地址进行筛选处理；筛选处理包括去除错误状态码对应的资源URL地址；将筛选后的多个资源URL地址按照访问量进行排序处理，获取排序前预设数量的资源URL地址，生成拨测列表。
可选地，结果模块530进一步适于：针对每个资源质量拨测结果，将该资源质量拨测结果包含的多个资源质量指标结果进行量化，得到对应的指标分值；将每个资源质量拨测结果中的各个资源质量指标结果的指标分值按照预设权重进行加权处理，得到该资源信息的质量结果。
可选地，装置还包括：汇总展示模块550。
汇总展示模块550适于：将每个资源信息的质量结果进行汇总并展示。
以上各模块的描述参照方法实施例中对应的描述，在此不再赘述。
本申请还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的资源服务质量智能拨测方法。
图6示出了根据本发明一个实施例的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。
如图6所示，该电子设备可以包括：处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。
其中：
处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。
通信接口604，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器602，用于执行程序610，具体可以执行上述资源服务质量智能拨测方法实施例中的相关步骤。
具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。
处理器602可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器606，用于存放程序610。存储器606可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序610具体可以用于使得处理器602执行上述任意方法实施例中的资源服务质量智能拨测方法。程序610中各步骤的具体实现可以参见上述资源服务质量智能拨测实施例中的相应步骤和单元中对应的描述，在此不赘述。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，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的资源服务质量智能拨测装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (9)

1.一种资源服务质量智能拨测方法，其特征在于，方法包括：
根据资源名称确定待拨测的多个资源信息；
针对每个资源信息，将该待拨测的资源信息输入至训练得到的卷积网络中，得到资源的映射分类；根据所述映射分类，抓取多个资源URL地址；对所述多个资源URL地址进行预处理，得到对应的包含多个资源URL地址的拨测列表；每个资源信息对应各自的拨测列表；
对所述拨测列表中包含的多个资源URL地址依次进行拨测处理，获取多个资源质量拨测结果；将所述多个资源质量拨测结果进行量化评分处理，得到该资源信息的质量结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取训练样本和测试样本；
将所述训练样本输入至待训练的算法中进行训练，得到经训练的卷积网络；其中，所述待训练的卷积网络包括输入层、卷积层、池化层、全连接层以及输出层。
3.根据权利要求2所述的方法，其特征在于，所述获取训练样本和测试样本进一步包括：
获取样本数据，并对所述样本数据进行整合处理；
将整合后的样本数据按照随机数法划分为训练样本和测试样本。
4.根据权利要求1所述的方法，其特征在于，所述对所述多个资源URL地址进行预处理，得到对应的包含多个资源URL地址的拨测列表进一步包括：
对所述多个资源URL地址进行筛选处理；所述筛选处理包括去除错误状态码对应的资源URL地址；
将筛选后的多个资源URL地址按照访问量进行排序处理，获取排序前预设数量的资源URL地址，生成拨测列表。
5.根据权利要求1所述的方法，其特征在于，所述将所述多个资源质量拨测结果进行量化评分处理，得到该资源信息的质量结果进一步包括：
针对每个资源质量拨测结果，将该资源质量拨测结果包含的多个资源质量指标结果进行量化，得到对应的指标分值；
将每个资源质量拨测结果中的各个资源质量指标结果的指标分值按照预设权重进行加权处理，得到该资源信息的质量结果。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将每个资源信息的质量结果进行汇总并展示。
7.一种资源服务质量智能拨测装置，其特征在于，装置包括：
确定模块，适于根据资源名称确定待拨测的多个资源信息；
列表模块，适于针对每个资源信息，将该待拨测的资源信息输入至训练得到的卷积网络中，得到资源的映射分类；根据所述映射分类，抓取多个资源URL地址；对所述多个资源URL地址进行预处理，得到对应的包含多个资源URL地址的拨测列表；每个资源信息对应各自的拨测列表；
结果模块，适于对所述拨测列表中包含的多个资源URL地址依次进行拨测处理，获取多个资源质量拨测结果；将所述多个资源质量拨测结果进行量化评分处理，得到该资源信息的质量结果。
8.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-6中任一项所述的资源服务质量智能拨测方法对应的操作。
9.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6中任一项所述的资源服务质量智能拨测方法对应的操作。
CN201910465155.5A 2019-05-30 2019-05-30 资源服务质量智能拨测方法及装置 Active CN112016012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910465155.5A CN112016012B (zh) 2019-05-30 2019-05-30 资源服务质量智能拨测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910465155.5A CN112016012B (zh) 2019-05-30 2019-05-30 资源服务质量智能拨测方法及装置

Publications (2)

Publication Number Publication Date
CN112016012A CN112016012A (zh) 2020-12-01
CN112016012B true CN112016012B (zh) 2023-09-08

Family

ID=73500987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910465155.5A Active CN112016012B (zh) 2019-05-30 2019-05-30 资源服务质量智能拨测方法及装置

Country Status (1)

Country Link
CN (1) CN112016012B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101115266A (zh) * 2007-08-23 2008-01-30 华为技术有限公司 一种拨测方法,装置及其系统
CN101188847A (zh) * 2007-11-28 2008-05-28 中讯邮电咨询设计院 基于人工神经网络的移动通信业务用户体验评估方法
CN101547466A (zh) * 2009-05-05 2009-09-30 广东高新兴通信股份有限公司 一种用于移动通信网络质量测试的自动拨测系统及方法
CN101610525A (zh) * 2009-07-28 2009-12-23 京信通信系统（中国）有限公司 一种wcdma网络自动监测系统及方法
CN101702811A (zh) * 2009-11-18 2010-05-05 华为技术有限公司 业务质量监控方法和装置
CN102572904A (zh) * 2011-12-28 2012-07-11 上海禹为通信技术有限公司 一种实现自动拨测业务的系统及方法
CN103024772A (zh) * 2012-12-07 2013-04-03 广东省电信工程有限公司 一种语音专线自动拨测系统及方法
CN103312531A (zh) * 2012-03-15 2013-09-18 华为技术有限公司 一种获取qoe的方法、装置及保证qoe的方法、装置
CN104640125A (zh) * 2013-11-08 2015-05-20 中国移动通信集团浙江有限公司 一种评估wlan业务的质量的方法和装置
CN104753735A (zh) * 2013-12-31 2015-07-01 中国移动通信集团上海有限公司 一种拨测系统及方法
CN105024870A (zh) * 2014-04-24 2015-11-04 中国移动通信集团公司 一种实现拨测的方法及系统
CN105553677A (zh) * 2015-12-04 2016-05-04 中国移动通信集团广东有限公司 一种计费校验稽核系统
CN106504768A (zh) * 2016-10-21 2017-03-15 百度在线网络技术（北京）有限公司 基于人工智能的电话拨测音频分类方法及装置
CN107040666A (zh) * 2016-02-03 2017-08-11 中国移动通信集团广东有限公司 千兆无源光网络承载业务的拨测方法、装置、终端及系统
CN107682219A (zh) * 2017-09-14 2018-02-09 厦门集微科技有限公司 一种基于安卓系统的拨测号码的测试方法及装置
CN108848055A (zh) * 2018-05-03 2018-11-20 中国银联股份有限公司 一种区块链共识方法、记账节点及节点
CN109194706A (zh) * 2018-07-20 2019-01-11 网宿科技股份有限公司 网络资源拨测方法及终端
CN109471706A (zh) * 2018-10-11 2019-03-15 平安科技（深圳）有限公司 一种拨测测试的响应方法及系统

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101115266A (zh) * 2007-08-23 2008-01-30 华为技术有限公司 一种拨测方法,装置及其系统
CN101188847A (zh) * 2007-11-28 2008-05-28 中讯邮电咨询设计院 基于人工神经网络的移动通信业务用户体验评估方法
CN101547466A (zh) * 2009-05-05 2009-09-30 广东高新兴通信股份有限公司 一种用于移动通信网络质量测试的自动拨测系统及方法
CN101610525A (zh) * 2009-07-28 2009-12-23 京信通信系统（中国）有限公司 一种wcdma网络自动监测系统及方法
CN101702811A (zh) * 2009-11-18 2010-05-05 华为技术有限公司 业务质量监控方法和装置
CN102572904A (zh) * 2011-12-28 2012-07-11 上海禹为通信技术有限公司 一种实现自动拨测业务的系统及方法
CN103312531A (zh) * 2012-03-15 2013-09-18 华为技术有限公司 一种获取qoe的方法、装置及保证qoe的方法、装置
CN103024772A (zh) * 2012-12-07 2013-04-03 广东省电信工程有限公司 一种语音专线自动拨测系统及方法
CN104640125A (zh) * 2013-11-08 2015-05-20 中国移动通信集团浙江有限公司 一种评估wlan业务的质量的方法和装置
CN104753735A (zh) * 2013-12-31 2015-07-01 中国移动通信集团上海有限公司 一种拨测系统及方法
CN105024870A (zh) * 2014-04-24 2015-11-04 中国移动通信集团公司 一种实现拨测的方法及系统
CN105553677A (zh) * 2015-12-04 2016-05-04 中国移动通信集团广东有限公司 一种计费校验稽核系统
CN107040666A (zh) * 2016-02-03 2017-08-11 中国移动通信集团广东有限公司 千兆无源光网络承载业务的拨测方法、装置、终端及系统
CN106504768A (zh) * 2016-10-21 2017-03-15 百度在线网络技术（北京）有限公司 基于人工智能的电话拨测音频分类方法及装置
CN107682219A (zh) * 2017-09-14 2018-02-09 厦门集微科技有限公司 一种基于安卓系统的拨测号码的测试方法及装置
CN108848055A (zh) * 2018-05-03 2018-11-20 中国银联股份有限公司 一种区块链共识方法、记账节点及节点
CN109194706A (zh) * 2018-07-20 2019-01-11 网宿科技股份有限公司 网络资源拨测方法及终端
CN109471706A (zh) * 2018-10-11 2019-03-15 平安科技（深圳）有限公司 一种拨测测试的响应方法及系统

Also Published As

Publication number Publication date
CN112016012A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN109167816B (zh) 信息推送方法、装置、设备和存储介质
CN112465748A (zh) 基于神经网络的裂缝识别方法、装置、设备及存储介质
US11790632B2 (en) Method and apparatus for sample labeling, and method and apparatus for identifying damage classification
CN107481218B (zh) 图像美感评估方法及装置
CN111242318B (zh) 基于异构特征库的业务模型训练方法及装置
CN111338692B (zh) 基于漏洞代码的漏洞分类方法、装置及电子设备
CN111126606B (zh) 基于平台的深度学习模型自主训练方法、装置、设备及介质
CN108764348B (zh) 基于多个数据源的数据采集方法及系统
CN110415240A (zh) 样本图像生成方法及装置、电路板缺陷检测方法及装置
CN111523964A (zh) 基于聚类的召回方法、装置、电子设备及可读存储介质
CN112016012B (zh) 资源服务质量智能拨测方法及装置
CN110908892A (zh) 接口数据测试方法、装置及可读存储介质
CN107766224B (zh) 测试方法和测试装置
CN112084390B (zh) 一种电商平台中利用自动结构化爬虫搜索的方法
CN108399545B (zh) 电子商务平台质量检测方法和装置
CN116188940A (zh) 训练模型的方法、装置、存储介质以及电子设备
CN111444345A (zh) 菜品名称分类方法及装置
CN113010510B (zh) 业务识别方法、装置、系统及计算设备
CN114612401A (zh) 一种模型训练方法、装置、设备和存储介质
CN108846421B (zh) 一种基于深度学习的图像分类方法
CN110851349B (zh) 页面异常显示的检测方法、终端设备及存储介质
CN113139146B (zh) 网站质量评估方法、装置及计算设备
CN111160530A (zh) 模型的压缩处理方法、装置及计算机设备
CN113722631B (zh) 页面合成方法及装置
CN117115568B (zh) 数据筛选方法、装置、设备及存储介质

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