CN112350836B - 物联网异常定位方法、装置和电子设备 - Google Patents
物联网异常定位方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112350836B CN112350836B CN201910720711.9A CN201910720711A CN112350836B CN 112350836 B CN112350836 B CN 112350836B CN 201910720711 A CN201910720711 A CN 201910720711A CN 112350836 B CN112350836 B CN 112350836B
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- performance
- abnormal
- analysis
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种物联网异常定位方法、装置和电子设备,该方法包括:根据问题设备的信令数据,确定问题定位模型和待分析数据,所述问题定位模型包括设备侧分析模型、网络侧分析模型、服务侧分析模型,所述待分析数据包括第一数据、第二数据和第三数据;应用所述设备侧分析模型分析所述第一数据,得到第一分析结果;应用所述网络侧分析模型分析所述第二数据,得到第二分析结果;应用所述服务侧分析模型分析所述第三数据,得到第三分析结果;基于所述第一分析结果、所述第二分析结果和所述第三分析结果,确定目标异常位置。通过应用三种分析模型来分别对设备侧、网络侧和服务侧相关的数据进行分析,便于确定导致问题设备的异常的异常位置。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种物联网异常定位方法、装置和电子设备。
背景技术
物联网是当前电信运营商大力发展的网络,同时除了电信运营商外有大量的企业、行业、政府部门在建立各种物联网应用及相关的网络,如安防监控网络、智慧工/农业系统等,大量的物联网应用基于成本、安全、时效性、覆盖广度、覆盖连续性等原因需要承载在电信运营商的移动通信网络中。
物联网设备在使用过程中会产生各种各样的问题,问题可能产生在物联网设备的终端侧、承载物联网应用的网络侧或服务器侧。现有技术通常采用人工的方式来排查物联网设备的各项指标来对物联网设备的异常点进行定位,物联网的异常定位不方便。
发明内容
本发明实施例提供一种物联网异常定位方法、装置和电子设备,以解决物联网的异常定位不方便的问题。
第一方面,提供了一种物联网异常定位方法,包括:
根据问题设备的信令数据,确定问题定位模型和待分析数据,其中,所述问题定位模型包括设备侧分析模型、网络侧分析模型、服务侧分析模型,所述待分析数据包括用于确定所述问题设备是否异常第一数据、用于确定所述问题设备对应的网络是否异常的第二数据和用于确定所述问题设备对应的服务器是否异常的第三数据;
应用所述设备侧分析模型分析所述第一数据,得到第一分析结果;应用所述网络侧分析模型分析所述第二数据,得到第二分析结果;应用所述服务侧分析模型分析所述第三数据,得到第三分析结果;
基于所述第一分析结果、所述第二分析结果和所述第三分析结果,确定目标异常位置。
第二方面,提供了一种物联网异常定位装置,包括:
模型匹配模块,用于根据问题设备的信令数据,确定问题定位模型和待分析数据,其中,所述问题定位模型包括设备侧分析模型、网络侧分析模型、服务侧分析模型,所述待分析数据包括用于确定所述问题设备是否异常第一数据、用于确定所述问题设备对应的网络是否异常的第二数据和用于确定所述问题设备对应的服务器是否异常的第三数据;
分析结果获取模块,用于应用所述设备侧分析模型分析所述第一数据,得到第一分析结果;应用所述网络侧分析模型分析所述第二数据,得到第二分析结果;应用所述服务侧分析模型分析所述第三数据,得到第三分析结果;
异常定位模块,用于基于所述第一分析结果、所述第二分析结果和所述第三分析结果,确定目标异常位置。
第三方面,提供了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如第一方面所述的物联网异常定位方法。
第四方面,提供了一种计算机可读介质,所述计算机可读介质上存储计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的物联网异常定位方法。
本发明实施例采用的上述至少一个技术方案能够达到以下有益效果:在确定导致问题设备异常的异常位置的过程中,首先确定待分析数据和与问题设备对应的问题定位模型,之后,应用设备侧分析模型来对与设备侧相关的第一数据进行分析;应用网络侧分析模型来对与网络侧相关第二数据进行分析;应用服务侧分析模型来对与服务侧相关的第三数据进行分析;进而确定问题设备的目标异常位置。通过应用三种分析模型来分别对设备侧、网络侧和服务侧相关的数据进行分析,便于确定导致问题设备的异常的异常位置。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本申请的一个实施例的物联网异常定位方法的示意性流程图。
图2为本申请的一个实施例的设备侧分析模型的示意图。
图3为本申请的一个实施例的设备性能分析模型的流程示意图。
图4为本申请的一个实施例的设备交互信息分析模型的流程示意图。
图5为本申请的一个实施例的设备业务行为分析模型的流程示意图。
图6为本申请的一个实施例的多维度聚类分析模型的流程示意图。
图7为本申请的一个实施例的地址分析模型的流程示意图。
图8为本申请的一个实施例的置信区间的示意图。
图9为本申请的一个实施例的物联网异常定位方法的示意图。
图10为本申请的一个实施例的电子设备的结构示意图。
图11为本申请的一个实施例的物联网异常定位装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下结合附图,详细说明本发明各实施例提供的技术方案。
本发明实施例提供的物联网异常定位方法可以通过物联网异常定位装置来执行,图1为本申请的一个实施例的物联网异常定位方法的示意性流程图。如图1所示,物联网异常定位方法,包括:
S102、根据问题设备的信令数据,确定问题定位模型和待分析数据,其中,问题定位模型包括设备侧分析模型、网络侧分析模型、服务侧分析模型,待分析数据包括用于确定问题设备是否异常第一数据、用于确定问题设备对应的网络是否异常的第二数据和用于确定问题设备对应的服务器是否异常的第三数据。
具体来说,物联网异常定位装置在接收到问题设备的信令数据之后,根据问题设备的信令数据和预设规则来确定问题设备的类型,问题设备的类型可以包括问题设备的应用场景维度(如共享单车、智能抄表、儿童手表)和问题设备的品牌,之后根据问题设备的类型,匹配对应的问题定位模型和与问题定位模型对应的待分析数据。
可以理解的是,待分析数据具体包括第一数据、第二数据以及第三数据,问题定位模型具体包括设备侧分析模型、网络侧分析模型以及服务侧分析模型。其中,设备侧分析模型用于分析第一数据以确定问题设备是否异常,网络侧分析模型用于分析第二数据以确定问题设备对应的网络是否异常,服务侧分析模型用于分析第三数据以确定问题设备对应的服务器是否异常。
S104、应用设备侧分析模型分析第一数据,得到第一分析结果;应用网络侧分析模型分析第二数据,得到第二分析结果;应用服务侧分析模型分析第三数据,得到第三分析结果。
具体来说,应用设备侧分析模型分析第一数据,得到第一分析结果。第一分析结果可以是设备侧发生异常、设备侧未发生异常。应用网络侧分析模型分析第二数据,得到第二分析结果。第二分析结果可以是网络侧发生异常、网络侧未发生异常。应用服务侧分析模型分析第三数据,得到第三分析结果。第三分析结果可以是服务侧发生异常、服务侧未发生异常。
S106、基于第一分析结果、第二分析结果和第三分析结果,确定目标异常位置。
具体来说,根据第一分析结果、第二分析结果和第三分析结果,确定目标异常位置在设备侧、网络侧或服务侧。
举例来说,第一分析结果为设备侧发生异常,第二分析结果为网络侧未发生异常,第三分析结果为服务侧未发生异常,则确定目标异常位置在设备侧。
本实施例中,在确定导致问题设备异常的异常位置的过程中,首先确定待分析数据和与问题设备对应的问题定位模型,之后,应用设备侧分析模型来对与设备侧相关的第一数据进行分析;应用网络侧分析模型来对与网络侧相关第二数据进行分析;应用服务侧分析模型来对与服务侧相关的第三数据进行分析;进而确定问题设备的目标异常位置。通过应用三种分析模型来分别对设备侧、网络侧和服务侧相关的数据进行分析,便于确定导致问题设备的异常的异常位置。
可选的,作为一个实施例,设备侧分析模型包括:设备性能分析模型、设备交互频次分析模型以及设备业务分析模型。
具体的,如图2所示,设备侧分析模型具体包括设备性能分析模型、设备交互频次分析模型以及设备业务行为分析模型。
设备性能分析模型用于分析与问题设备在同一个网络覆盖下的终端设备的性能是否异常。若与问题设备在同一个网络覆盖下的终端设备的性能正常,则确定设备侧性能发生异常。若与问题设备在同一个网络覆盖下的终端设备的性能异常,则确定网络侧发生异常。
设备交互频次分析模型用于分析与问题设备同类型的终端设备以及问题设备的交互频次是否突变,以确定设备侧是否发生异常。若基于与问题设备同类型的终端设备的交互频次确定问题设备的交互频次异常或问题设备的交互频次突变,则确定设备侧交互频次发生异常。
设备业务分析模型用于分析设备的业务行为,并基于问题设备的业务行为是否为正常业务行为,来确定设备侧是否发生异常。若问题设备的业务行为是非正常业务行为,则确定设备侧业务行为发生异常。
本实施例中,通过对问题设备的性能、交互频次以及业务行为进行具体的分析,进而确定设备侧是否发生异常,异常定位的准确性高。
可选的,作为一个实施例,第一数据包括问题设备的性能指标与问题设备在同一网络覆盖区域下的目标终端设备的性能指标,目标终端设备包括目标移动终端和与问题设备同类型的第一物联网设备,设备侧分析模型包括设备性能分析模型。
S104中,应用设备侧分析模型分析第一数据,得到第一分析结果,包括:
S10412、应用设备性能分析模型将第一物联网设备的性能指标与问题设备的性能指标进行对比,获得第一性能对比结果。
具体来说,应用设备性能分析模型,将第一物联网设备的性能指标和问题设备的性能指标进行对比,获得第一性能对比结果。其中,第一物联网设备与问题设备在同一网络覆盖区域,且与问题设备同类型的物联网设备,这里的同类型设备可以为与问题设备同一个品牌的设备。性能指标可以为设备接入性能和业务接入性能,设备接入性能可以包括附着成功率、分组数据协议(packet data protocol,PDP)连接成功率、路由区更新(RouteArea Update,RAU)/跟踪区更新(Tracking area update,TAU)成功率;业务接入性能可以包括传输控制协议(Transmission Control Protocol,TCP)成功率、域名系统(DomainName System,DNS)成功率、HTTP成功率、TCP建链(响应)成功率、TCP建链(确认)成功率。第一性能对比结果可以为第一物联网设备的性能异常或第一物联网设备的性能正常。
S10414、应用设备性能分析模型将目标移动终端的性能指标与问题设备的性能指标进行对比,获得第二性能对比结果。
具体来说,应用设备性能分析模型,将目标移动终端的性能指标与问题设备的性能指标进行对比,获得第二性能对比结果。其中,目标移动终端与问题设备在同一网络覆盖区域。第二性能对比结果可以为目标移动终端的性能异常或目标移动终端的性能正常。
S10416、对第一性能对比结果和第二性能对比结果进行分析,得到第一分析结果。
具体来说,对第一性能对比结果和第二性能对比进行综合的分析,以得到第一分析结果,第一分析结果可以为设备侧发生异常、设备侧未发生异常。其中,第一性能对比结果与第二性能对比结果和第一分析结果之间的对应关系至少包括以下情况。
情况一、若是第一性能对比结果为第一物联网设备的性能正常,则确定第一分析结果为设备侧发生异常。
情况二、若是第二性能对比结果为目标移动终端的性能正常,则确定第一分析结果为设备侧发生异常。
本实施例中,通过判断问题设备在同一网络覆盖区域的与问题设备同类型的第一物联网设备的性能是否异常,且与问题设备在同一网络覆盖下的目标移动终端的性能是否异常,进而确定设备侧是否发生异常,提升了异常位置定位的准确性。
可选的,作为一个实施例,若是第一性能对比结果为第一物联网设备性能异常,且第二性能对比结果为目标移动终端的性能异常,则确定第一分析结果为网络侧发生异常。
本实施例中,在与问题设备在同一网络覆盖下的第一物联网设备和目标移动终端的性能均异常的情况下,确认网络侧发生异常,便于对导致问题设备异常的异常原因进行定位。
举例来说,如图3所示,设备性能分析模型分析设备性能以确定目标异常位置是否在设备侧的过程具体包括:
A1、终端性能进行对比。对问题设备的终端性能进行对比,确定问题设备的设备侧是否发生异常。
A2、定位设备所在的小区。小区维度为一个网络覆盖区域,定位小区的过程是确定问题设备的网络覆盖区域。
A3、统计该小区覆盖下的目标终端设备的性能指标。目标终端设备包括与问题设备同类型的第一物联网设备以及目标移动终端。设备接入性能可包括:附着成功率、PDP连接成功率、RAU/TAU成功率。业务接入性能可包括TCP成功率、DNS成功率、HTTP成功率、TCP建链(响应)成功率、TCP建链(确认)成功率。
A4、判断与问题设备同类型的第一物联网设备业务是否异常。第一物联网设备的业务异常可包括设备接入性能异常和业务接入性能异常中的至少一种。在第一物联网设备业务正常的情况下,确定设备侧发生异常。
A5、判断目标移动终端业务是否异常。目标移动终端的业务异常可包括设备接入性能异常和业务接入性能异常中的至少一种。在目标移动终端业务正常的情况下,确定设备侧发生异常。在第一物联网设备以及目标移动终端业务均异常的情况下,则确定网络侧发生异常。
设备接入性能的指标和业务接入性能指标的数据来源以及异常算法如表一所示。以设备接入性能中的附着成功率低为例,从外部数据表示法(External DataRepresentation,XDR)控制面话单中获取问题设备所在小区内的与问题设备同类型的第一物联网设备的附着成功率、问题设备所在小区内的目标移动终端的附着成功率,按照指标异常算法来确定第一物联网设备以及目标移动终端是否异常,进而确定目标异常位置是否在设备侧。若第一物联网设备或目标移动终端的附着成功率不异常的情况下,则确定目标异常位置在设备侧。若第一物联网设备以及目标移动终端业务均异常,则确定目标异常位置在网络侧。
表一
第一物联网设备和目标移动终端是否正常与目标异常位置的对应关系如表二所示。以问题设备接入性能异常为例,问题设备的接入性能异常,第一物联网设备的接入性能正常,则确定设备侧发生异常。
表二
可选的,作为一个实施例,第一数据包括问题设备的第一交互指标信息、问题设备的历史交互指标信息和多个与问题设备同类型的第二物联网设备的第二交互指标信息,设备侧分析模型包括设备交互频次分析模型。
S104中,应用设备侧分析模型分析第一数据,得到第一分析结果,包括:
S10422、应用设备交互频次分析模型将第一交互指标信息与第二交互指标信息进行对比,获得第一交互信息对比结果。
具体来说,应用设备交互频次分析模型,将第一交互指标信息与第二交互指标进行对比,得到第一交互信息对比结果。其中,交互指标信息可以包括附着交互频次和话单交互频次。第一交互指标信息可以为问题设备的当前的交互指标信息,第二交互指标信息可以为与问题设备同类型的第二物联网设备的当前的交互指标信息。第一交互信息对比结果可以是第一交互指标信息相对于第二交互指标信息突变或第一交互指标信息相对于第二交互指标信息未突变。
S10424、应用设备交互频次分析模型将第一交互指标信息和历史交互指标信息进行对比,获得第二交互信息对比结果。
具体来说,应用设备交互频次分析模型,将第一交互指标信息与历史交互指标信息进行对比,得到第二交互信息对比结果。其中,第一交互指标信息可以为问题设备的当前的交互指标信息,历史交互指标信息可以为问题设备的历史周期中的交互指标信息。第二交互信息对比结果可以是第一交互指标信息相对于历史交互指标信息突变或第一交互指标信息相对于历史交互指标信息未突变。
S10426、对第一交互信息对比结果和第二交互信息对比结果进行分析,得到第一分析结果。
具体来说,对第一交互信息对比结果和第二交互信息对比结果进行分析,以得到第一分析结果。第一分析结果可以是设备侧发生异常或设备侧发生异常。
第一交互信息对比结果与第二交互信息对比结果和第一分析结果之间的对应关系至少包括以下情况:
情况一、若第一交互信息对比结果为第一交互指标信息相对于第二交互指标信息突变,则确定第一分析结果为设备侧发生异常;
情况二、若第二交互信息对比结果为第一交互指标信息相对于历史交互指标信息突变,则确定第一分析结果为设备侧发生异常;
情况三、若第一交互信息对比结果为第一交互指标信息相对于第二交互指标信息为突变,且第二交互信息对比结果为第一交互指标信息相对于历史交互指标信息未突变,则确定第一分析结果为设备侧未发生异常。
本实施例中,通过对问题设备的交互指标信息进行分析,确定问题设备的交互指标信息是否突变,进而确定设备侧是否异常,便于确定目标异常位置。另一方面,通过将与问题设备同类型的第二物联网设备和问题设备的交互指标信息进行对比确定问题设备的交互指标信息是否突变,且根据问题设备的交互指标信息变化规律确定问题设备的交互指标信息是否突变,进而确定目标异常位置,提升了识别的准确性。
举例来说,如图4所示,应用设备交互信息分析模型分析设备交互信息以确定设备侧是否发生异常的过程具体包括:
B1、根据设备属性确定设备交互频次规律。不同的物联网设备对应的业务不同,所以不同的物联网设备对应的交互频次规律不同。这里可以根据历史的设备交互频次规律,确定设备交互频次规律。其中,交互频次指标可以包括:附着流程、RAU/TAU流程、DNS流程、TCP流程、HTTP流程、基本话单。
B2、对比同类型的第二物联网设备的交互信息。将问题设备的交互信息与同类型的第二物联网设备的交互信息进行对比,进而确定问题设备的交互频次是否突变。
B3、对比问题设备交互频次变化情况。获取问题设备的历史的交互信息,可以选择问题设备前三周内的交互信息和当前的交互信息,进而确定问题设备的交互频次是否突变。
B4、确定问题设备的交互频次是否突变。在问题设备交互频次突变的情况下,确定设备侧发生异常。在问题交互频次未突变的情况下,确定设备侧未发生异常。
交互频次指标的来源以及指标异常算法如表三所示。以附着交互频次为例,利用物联网设备的历史交互附着交互频次信息,确定对应的设备附着交互模型。之后根据问题设备对应的附着交互频次和设备附着交互模型,确定问题设备的附着交互频次是否突变。若问题设备的附着交互频次突变,则确定目标异常位置在设备侧。
表三
问题设备的交互频次对比结果与目标异常位置的对应关系如表四所示。以同类型设备附着交互频次对比为例,问题设备的附着交互频次与同类型设备附着交互频次进行对比,若问题设备的交互模型异常,则确定问题设备的设备侧发生异常。
表四
可选的,作为一个实施例,第一数据还包括问题设备的业务接入点信息或问题设备的业务访问内容,设备侧校验模型还包括设备业务行为分析模型。
S104中,应用设备侧分析模型分析第一数据,得到第一分析结果,包括:
S10432、应用设备业务行为分析模型分析业务接入点信息或业务访问内容,确定问题设备的业务行为是否为正常业务行为。
具体来说,应用设备业务行为分析模型分析业务接入点信息和业务访问内容,进而确定问题设备的业务行为。其中,问题设备的业务行为可以包括正常业务行为、异常业务行为、欠费业务行为。业务接入点信息可以为接入点(Access Point Name,APN)接入信息。业务访问内容可以为DNS访问内容。根据APN接入点信息或DNS访问内容,确定问题设备的业务行为是否为正常业务行为。
业务接入点信息与业务行为的对应关系可以至少包括以下情况:
情况一、业务接入点信息或业务访问内容中包括欠费接入点信息,则确认问题设备的业务行为为欠费业务行为。举例来说,若APN接入点信息中包括附着使用欠费APN的信息或TCP使用欠费APN的信息,则确认问题设备的业务行为是欠费业务行为。
情况二,业务接入点信息或业务访问内容中包括与特殊接入点匹配的特殊话单且特殊话单接入次数超过预设次数,则确认问题设备的业务行为为异常业务行为,特殊接入点与问题设备对应。举例来说,若业务接入点信息中特殊APN的话单数量超过总话单数的二分之一,则确认问题设备的业务行为是异常业务行为。或,若业务访问内容中特殊DNS域名话单数超过总话单数的二分之一,则确认问题设备的业务行为是异常业务行为。
S10434、若问题设备的业务行为为非正常业务行为,则确定相应的第一分析结果为设备侧发生异常。
具体来说,在问题设备的业务行为为非正常业务行为的情况下,确定第一分析结果为设备侧发生异常。若问题设备的业务行为是异常业务行为或欠费业务异常行为,则确定第一分析结果为设备侧发生异常。
本实施例中,分析设备的业务行为是否为正常业务,即可确定目标异常位置,目标异常定位简单。另外,物联网设备的业务行为有限,对应的正常业务行为少,分析方便。
举例来说,如图5所示,设备业务行为分析模型分析目标异常位置是否在设备侧的过程具体包括:
依据终端APN接入点和DNS访问内容中的至少一种,确定设备业务行为。设备的业务行为包括正常业务行为、欠费业务行为以及异常业务行为。
在设备业务行为是正常业务行为的情况下,确定设备侧业务行为未发生异常。
在设备业务行为是欠费业务行为的情况下,确定设备侧业务行为发生异常。
根据APN接入点或DNS访问内容确定设备业务行为的异常算法如表五所示。以DNS访问内容为例,根据DNS使用欠费APN的次数是否大于零,确定设备业务行为是否为欠费业务行为。根据特殊DNS域名话单数是否超过总话单数的一半,确定设备业务行为是否为异常业务行为。若特殊DNS域名话单数超过总话单数的一半,确定设备业务行为是异常业务行为。特殊DNS域名由设备属性决定,在确定DNS域名是否为特殊域名时,可预先设置设备相关的正常域名,若DNS域名为非正常域名,则确定该DNS域名为特殊域名。
表五
设备的业务行为确定目标异常位置的对应关系如表六所示。若设备的业务行为是欠费业务行为或异常业务行为,则确定问题设备的目标异常位置在设备侧。
表六
定界流程 | 定界结果 | 问题定位 |
统计欠费APN使用情况 | 欠费业务 | 设备 |
统计特殊APN以及特殊DNS域名使用情况 | 异常业务 | 设备 |
可选的,作为一个实施例,第二数据包括问题设备的网元信息,网络侧分析模型包括多维度聚类分析模型。
S104中,应用网络侧分析模型分析第二数据,得到第二分析结果,包括:
S10442、应用多维度聚类分析模型确定问题设备的网元信息是否汇聚在目标网元。
具体来说,应用多维度聚类分析模型,分析问题设备的网元信息是否汇聚在目标网元。其中,问题设备的网元信息包括问题设备在网络侧经历的网元维度,网元信息可以包括小区维度、位置区码(location area code,LAC)/实时应用集群(Oracle RealApplication Cluster,RAC)/跟踪区域码(Tracking Area Code,TAC)维度、服务网关(Serving GateWay,SGW)/网关GPRS支持节点(Gateway GPRS Support Node,GGSN)维度、终端互联网协议地址(Internet Protocol Address,IP)段维度、Pool维度。目标网元为与问题设备相关的网元。
可选的,作为一个实施例,问题设备的异常指标包括设备接入性能异常、业务接入性能异常、网络稳定性异常;应用多维度聚类分析模型确定问题设备的网元信息是否汇聚在目标网元,包括:
应用多维度聚类分析模型确定同一异常指标下的问题设备的网元信息是否汇聚在目标网元。
具体来说,在确定问题设备的网元信息是否汇聚在目标网元的过程中,通过针对于不同的异常指标进行聚类统计,进而确定同一异常指标下的问题设备的网元信息是否汇聚在目标网元。对不同的异常问题分别进行分析,提升了异常定位的准确性。
S10444、若问题设备的网元信息汇聚在目标网元,则确定相应的第二分析结果为网络侧发生异常。
具体来说,在多个问题设备的网元信息汇聚在目标网元的情况下,确定第二分析结果为网络侧发生异常。
举例来说,在统计了一百个问题设备的网元信息之后,若其中超过八十个或全部问题设备的网元信息中均包括同一个小区维度,则确定问题设备的网元信息汇聚在小区维度。
本实施例中,对问题设备的网元信息进行聚类统计,在问题设备的网元信息汇聚在目标网元的情况下,确定网络侧发生异常。本方案通过对多个问题设备的网元信息进行分析,进而确定问题设备的异常点是否在网络侧,便于确定问题设备的异常位置。
可选的,作为一个实施例,图1所示的方法还包括:若问题设备的网元信息汇聚在目标网元,输出第一提示信息,以提示目标异常位置在目标网元。
具体来说,在问题设备的网元信息汇聚在目标网元的情况下,输出第一提示信息,以提示目标异常位置。即在异常位置在网络侧的情况下,进一步确定异常位置在网络侧的目标网元,便于确定问题设备的异常位置。
举例来说,如图6所示,应用多维度聚类分析模型分析网络侧是否发生异常的过程具体包括:
C1、获取多个问题设备的网元维度分布。网元维度可包括:小区维度、LAC/RAC/TAC维度、SGW/GGSN维度、终端IP段维度、Pool维度。
C2、判断问题设备是否汇聚在目标网元维度。若问题设备汇聚在目标网元维度,则确定网络侧发生异常;若问题设备未汇聚在目标网元维度,则确定网络侧未发生异常。
在确定问题设备是否汇聚在目标网元维度的过程中,首先将问题设备根据问题原因的不同进行分类,问题设备的问题原因可包括设备接入性能异常、业务接入性能异常以及网络稳定性异常。其中,确定问题设备的异常原因的异常算法如表七所示,以设备接入性能中的附着成功率为例,若问题设备的附着成功率为零且附着请求次数超过零次,则确定问题设备的异常原因未设备接入性能异常。
表七
设备的网元信息与目标异常位置的对应关系如表八所示,在确定问题设备的异常原因之后,通过判断问题同一异常原因下的问题设备是否汇聚在同一网元维度中,进而确定网络侧是否发生异常。以设备接入性能异常为例,若多个设备性能接入性能异常的问题设备汇聚在特定小区维度中,则确定网络侧发生异常。
表八
可选的,作为一个实施例,第三数据包括问题设备的性能异常地址,服务侧分析模型包括地址分析模型。
S104、应用服务侧分析模型分析第三数据,得到第三分析结果,包括:
S10452、应用服务侧分析模型确定性能异常地址是否汇聚在目标服务器,目标服务器为问题设备相关的服务器。
具体来说,应用服务侧分析模型确定性能异常地址是否汇聚在目标服务器。其中,目标服务器为问题设备相关的服务器,目标服务器可以为设备内容服务器、物联网云平台、定位平台服务器、时钟源同步服务器或其他平台中的服务器。在分析性能异常地址是否汇聚在目标服务器的过程中,首先获取每个与问题设备相关的服务器中与问题设备相关的流量指标、业务接入性能指标以及访问量指标。之后分析每个与问题设备相关的服务器中的与问题设备相关的指标是否异常,进而确定问题设备的性能异常地址。之后应用服务侧分析模型确定性能异常地址是否汇聚在目标服务器。
S10454、若性能异常地址汇聚在目标服务器,则确定相应的第三分析结果为服务侧发生异常。
具体来说,在性能异常地址汇聚在目标服务器的情况下,确定第三分析结果为服务侧发生异常。
举例来说,在统计了一百个问题设备的异常指标对应的性能异常地址之后,若其中超过八十个问题设备的性能异常地址均汇聚在定位平台中的服务器中,则确定服务侧发生异常。
本实施例中,通过对问题设备相关的服务器中与问题设备相关的数据进行分析,进而确定问题设备的异常指标是否汇聚在同一个服务器中,进而确定服务侧是否发生异常,便于确定目标异常位置。
可选的,作为一个实施例,方法还包括:若性能异常地址汇聚在目标服务器,输出用于提示目标异常位置在目标服务器的第二提示信息。
具体的,在确定性能异常地址汇聚在目标服务器的情况下,输出第二提示信息,以提示目标异常位置在目标服务器。即在确定服务侧发生异常的情况下,提示具体异常位置在服务侧的目标服务器,便于确定目标异常位置。
举例来说,如图7所示,应用地址分析模型分析目标异常位置是否在服务侧的具体过程包括:
D1、判断性能异常是否汇聚目标服务器。首先获取与问题设备相关的服务器,并对每一个服务器中的指标进行分析,得到性能异常地址。其中,与问题设备相关的服务器可包括:设备内容服务器、物联网云平台、定位平台、时钟源同步服务器以及其他平台中的服务器。
若性能异常地址汇聚在目标服务器中,则服务侧发生异常;若性能异常地址未汇聚在目标服务器中,则确定服务侧未发生异常。
对于服务器指标的异常判断算法如表九所示,以物联网云平台中的第一服务器的流量异常为例,在获取到物联网云平台中的流量指标之后,通过指标异常算法,在第一服务器的上行流量为零的情况下,确定第一服务器的流量异常。若多个性能异常地址汇聚在第一服务器,则确定服务侧发生异常。
表九
服务器指标与目标异常位置的对应关系如表十所示,以设备平台云服务流量指标为例,对设备平台云服务流量进行分析,在流量异常指标汇聚在特定服务器IP的情况下,确定服务侧发生异常。
表十
可选的,作为一个实施例,图1所示的方法还包括:
周期性获取物联网设备的待分析数据。
具体来说,可以预先设定一个执行频率,执行频率可以是一小时、一天,按照执行频率周期性获取物联网设备的待分析数据,待分析数据包括物联网设备的第一数据、第二数据和第三数据。
根据置信区间识别物联网设备的待分析数据中的异常波动并告警,其中,置信区间根据当前周期对应的历史周期的历史正常数据确定,历史正常数据根据物联网设备对应的问题定位模型确定。
具体来说,问题定位模型可以用于区分异常数据和正常数据,在区分异常数据和正常数据的过程中,问题定位模型对物联网设备的历史数据进行问题定位,对于未得到目标异常位置的数据,确定为物联网设备的历史正常数据;对于得到目标异常位置的数据,确定为物联网设备的历史异常数据。在确定了历史正常数据之后,应用与当前周期对应的历史周期内的历史正常数据得到置信区间。其中,与当前周期对应的历史周期内历史正常数据可以为当前周期前N个周期内的历史正常数据。置信区间可以对应一个周期,一个周期可以设定为一小时、三小时、十小时、一天、一周。以一小时为例,对应一天的待分析数据,有24个置信区间,对于每个小时的待分析数据可以应用对应时间的置信区间来识别待分析数据中的异常波动。
本实施例中,在获取到待分析数据后,确定待分析数据对应的指标是否在置信区间内。若待分析数据对应的指标不在置信区间内,发出告警以提示工作人员物联网设备产生异常。通过分析物联网设备的待分析数据是否在置信区间内,进而识别出物联网设备的数据中的异常波动,便于及时发现问题。
可选的,作为一个实施例,在获取物联网设备的待分析数据之前,图1所示的方法还包括:
应用历史正常数据,确定置信区间。
具体来说,置信区间为预先运用历史正常数据确定的区间,在分析物联网设备的待分析数据时,无需应用问题定位模型来区分历史正常数据,提升了识别的速度。
可选的,作为一个实施例,图1所示的方法还包括:
周期性更新置信区间。
具体来说,周期性的更新训练置信区间的历史正常数据,提升了置信区间与待分析数据之间的关联性,提升异常波动识别的准确性。
举例来说,如图8所示,通过历史正常数据,确定置信区间。置信区间包括置信上线和置信下限,确定置信区间之后,周期性获取指标数据,之后判断当前的指标数据是否在置信区间内,若指标数据低于置信下限或超过置信上线,则发出告警。
可选的,作为一个实施例,若识别到异常波动,则应用问题定位模型分析所述异常波动相关的待分析数据,以得到异常位置。
具体来说,在识别到异常波动之后,通过问题定位模型来分析对应的待分析数据,以确定异常位置,便于工作人员确定异常位置。
下面将结合图9详细介绍本发明一个具体实施例的物联网异常定位方法。图9所示的方法可以由物联网异常定位装置执行。如图9所示,物联网异常定位方法包括:
第一步,对获取到的信令数据流进行识别,确定信令数据流对应的物联网应用。对应的物联网应用可以是共享单车、智能抄表和共享充电宝。信令数据流可以是从全量信令数据流中识别出的问题设备的信令数据流。
第二步,匹配对应的物联网设备问题定位模型并分析异常位置。确定了信令数据对应的物联网应用之后,匹配对应的物联网设备问题定位模型,物联网设备问题定位模型包括设备侧分析模型、网络侧分析模型以及服务侧分析模型。应用设备侧分析模型分析问题设备的设备侧是否发生异常、应用网络侧分析模型分析问题设备的网络侧是否发生异常、应用服务侧分析模型分析问题设备的服务侧是否发生异常,进而确定问题设备的异常位置。
另外,利用物联网设备问题定位模型可以对全量信令数据流进行分析,筛选出正常数据和非正常数据。之后利用历史正常数据来生成对应的指标置信区间模型。指标置信区间模型可包括:设备侧指标置信区间模型、网络侧指标置信区间模型以及服务侧指标置信区间模型。
之后,对指标数据自动进行监控对比。应用设备侧指标置信区间模型监测设备侧的相关数据、应用网络侧指标置信区间模型监测网络侧的相关数据、应用服务侧指标置信区间模型监测服务侧的相关数据,并在识别到异常波动的情况下告警并将问题输出,进而快速的发现问题。
下面将结合图10详细描述根据本申请一个实施例的电子设备。参考图10,在硬件层面,电子设备包括处理器,可选地,包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture,EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成物联网异常定位装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
根据问题设备的信令数据,确定问题定位模型和待分析数据,其中,所述问题定位模型包括设备侧分析模型、网络侧分析模型、服务侧分析模型,所述待分析数据包括用于确定所述问题设备是否异常第一数据、用于确定所述问题设备对应的网络是否异常的第二数据和用于确定所述问题设备对应的服务器是否异常的第三数据;
应用所述设备侧分析模型分析所述第一数据,得到第一分析结果;应用所述网络侧分析模型分析所述第二数据,得到第二分析结果;应用所述服务侧分析模型分析所述第三数据,得到第三分析结果;
基于所述第一分析结果、所述第二分析结果和所述第三分析结果,确定目标异常位置。
上述如本申请图1所示实施例揭示的物联网异常定位方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行图1所示实施例的方法,并具体用于执行以下方法:
根据问题设备的信令数据,确定问题定位模型和待分析数据,其中,所述问题定位模型包括设备侧分析模型、网络侧分析模型、服务侧分析模型,所述待分析数据包括用于确定所述问题设备是否异常第一数据、用于确定所述问题设备对应的网络是否异常的第二数据和用于确定所述问题设备对应的服务器是否异常的第三数据;
应用所述设备侧分析模型分析所述第一数据,得到第一分析结果;应用所述网络侧分析模型分析所述第二数据,得到第二分析结果;应用所述服务侧分析模型分析所述第三数据,得到第三分析结果;
基于所述第一分析结果、所述第二分析结果和所述第三分析结果,确定目标异常位置。
图11是本发明的一个实施例的物联网异常定位装置的结构示意图。请参考图11,在一种软件实施方式中,物联网异常定位装置1100可包括:模型匹配模块1102、分析结果获取模块1104以及异常定位模块1106,其中,
模型匹配模块1102,用于根据问题设备的信令数据,确定问题定位模型和待分析数据,其中,所述问题定位模型包括设备侧分析模型、网络侧分析模型、服务侧分析模型,所述待分析数据包括用于确定所述问题设备是否异常第一数据、用于确定所述问题设备对应的网络是否异常的第二数据和用于确定所述问题设备对应的服务器是否异常的第三数据。
分析结果获取模块1104,用于应用所述设备侧分析模型分析所述第一数据,得到第一分析结果;应用所述网络侧分析模型分析所述第二数据,得到第二分析结果;应用所述服务侧分析模型分析所述第三数据,得到第三分析结果。
异常定位模块1106,用于基于所述第一分析结果、所述第二分析结果和所述第三分析结果,确定目标异常位置。
可选的,作为一个实施例,所述第一数据包括所述问题设备的性能指标与所述问题设备在同一网络覆盖区域下的目标终端设备的性能指标,所述目标终端设备包括目标移动终端和与所述问题设备同类型的第一物联网设备,所述设备侧分析模型包括设备性能分析模型。
所述分析结果获取模块1104中,所述应用所述设备侧分析模型分析所述第一数据,得到第一分析结果,包括:
第一性能分析单元,用于应用所述设备性能分析模型将所述第一物联网设备的性能指标与所述问题设备的性能指标进行对比,获得第一性能对比结果;
第二性能分析单元,用于应用所述设备性能分析模型将所述目标移动终端的性能指标与所述问题设备的性能指标进行对比,获得第二性能对比结果;
第一获取单元,用于对所述第一性能对比结果和所述第二性能对比结果进行分析,得到所述第一分析结果。
可选的,作为一个实施例,所述第一数据包括所述问题设备的第一交互指标信息、所述问题设备的历史交互指标信息和多个与所述问题设备同类型的第二物联网设备的第二交互指标信息,所述设备侧分析模型包括设备交互频次分析模型。
所述分析结果获取模块1104中,所述应用所述设备侧分析模型分析所述第一数据,得到第一分析结果,包括:
第一交互分析单元,用于应用所述设备交互频次分析模型将所述第一交互指标信息与所述第二交互指标信息进行对比,获得第一交互信息对比结果。
第二交互分析单元,用于应用所述设备交互频次分析模型将所述第一交互指标信息和所述历史交互指标信息进行对比,获得第二交互信息对比结果。
第二获取单元,用于对所述第一交互信息对比结果和所述第二交互信息对比结果进行分析,得到所述第一分析结果。
可选的,作为一个实施例,所述第一数据还包括所述问题设备的业务接入点信息或所述问题设备的业务访问内容,所述设备侧校验模型还包括设备业务行为分析模型。
所述分析结果获取模块1104中,所述应用所述设备侧分析模型分析所述第一数据,得到第一分析结果,包括:
业务分析单元,用于应用所述设备业务行为分析模型分析所述业务接入点信息或所述业务访问内容,确定所述问题设备的业务行为是否为正常业务行为。
第三获取单元,若所述问题设备的业务行为为非正常业务行为,则确定相应的所述第一分析结果为所述目标异常位置在设备侧。
可选的,作为一个实施例,所述第二数据包括问题设备的网元信息,所述网络侧分析模型包括多维度聚类分析模型。
所述分析结果获取模块1104中,所述应用所述网络侧分析模型分析所述第二数据,得到第二分析结果,包括:
网元分析单元,用于应用所述多维度聚类分析模型确定所述问题设备的网元信息是否汇聚在目标网元。
第四获取单元,若所述问题设备的网元信息汇聚在所述目标网元,则确定相应的所述第二分析结果为所述目标异常位置在网络侧。
可选的,作为一个实施例,所述第三数据包括所述问题设备的性能异常地址,所述服务侧分析模型包括地址分析模型。
所述分析结果获取模块1104中,所述应用所述服务侧分析模型分析所述第三数据,得到第三分析结果,包括:
服务分析单元,用于应用所述服务侧分析模型确定所述性能异常地址是否汇聚在目标服务器,所述目标服务器为所述问题设备相关的服务器。
第五获取单元,若所述性能异常地址汇聚在所述目标服务器,则确定相应的所述第三分析结果为所述目标异常位置在服务侧。
可选的,作为一个实施例,所述物联网异常定位装置1100还包括:
数据获取单元,用于周期性获取物联网设备的待分析数据。
监测单元,用于根据置信区间识别所述物联网设备的待分析数据中的异常波动并告警,其中,所述置信区间根据当前周期对应的历史周期的历史正常数据确定,所述历史正常数据根据所述物联网设备对应的问题定位模型确定。
本发明实施例提供的物联网异常定位装置能够实现图1的方法实施例中实现的各个过程,为避免重复,这里不再赘述。
需要说明的是,物联网异常定位方法的各步骤的执行主体均可以是同一设备,或者,该方法也由不同设备作为执行主体。比如,步骤21和步骤22的执行主体可以为设备1,步骤23的执行主体可以为设备2;又比如,步骤21的执行主体可以为设备1,步骤22和步骤23的执行主体可以为设备2;等等。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。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例的方法、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(flashRAM)。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。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请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。
以上所述仅为本申请的实施例而已,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 (8)
1.一种物联网异常定位方法,其特征在于,包括:
根据问题设备的信令数据,确定问题定位模型和待分析数据,其中,所述问题定位模型包括设备侧分析模型、网络侧分析模型、服务侧分析模型,所述待分析数据包括用于确定所述问题设备是否异常第一数据、用于确定所述问题设备对应的网络是否异常的第二数据和用于确定所述问题设备对应的服务器是否异常的第三数据;
应用所述设备侧分析模型分析所述第一数据,得到第一分析结果;应用所述网络侧分析模型分析所述第二数据,得到第二分析结果;应用所述服务侧分析模型分析所述第三数据,得到第三分析结果;
基于所述第一分析结果、所述第二分析结果和所述第三分析结果,确定目标异常位置;
所述方法还包括:
周期性获取物联网设备的待分析数据;
根据置信区间识别所述物联网设备的待分析数据中的异常波动并告警,其中,所述置信区间根据当前周期对应的历史周期的历史正常数据确定,所述历史正常数据为物联网设备对应的问题定位模型对物联网设备的历史数据进行问题定位,未得到目标异常位置的数据;
所述第一数据包括所述问题设备的性能指标与所述问题设备在同一网络覆盖区域下的目标终端设备的性能指标,所述目标终端设备包括目标移动终端和与所述问题设备同类型的第一物联网设备,所述设备侧分析模型包括设备性能分析模型;
所述应用所述设备侧分析模型分析所述第一数据,得到第一分析结果,包括:
应用所述设备性能分析模型将所述第一物联网设备的性能指标与所述问题设备的性能指标进行对比,获得第一性能对比结果;
应用所述设备性能分析模型将所述目标移动终端的性能指标与所述问题设备的性能指标进行对比,获得第二性能对比结果;
对所述第一性能对比结果和所述第二性能对比结果进行分析,得到所述第一分析结果;
所述第一性能对比结果与所述第二性能对比结果和所述第一分析结果之间的对应关系至少包括:
情况一、若所述第一性能对比结果为所述第一物联网设备的性能正常,则确定所述第一分析结果为设备侧发生异常;
情况二、若所述第二性能对比结果为所述目标移动终端的性能正常,则确定所述第一分析结果为设备侧发生异常。
2.根据权利要求1所述的方法,其特征在于,所述第一数据包括所述问题设备的第一交互指标信息、所述问题设备的历史交互指标信息和多个与所述问题设备同类型的第二物联网设备的第二交互指标信息,所述设备侧分析模型包括设备交互频次分析模型;
所述应用所述设备侧分析模型分析所述第一数据,得到第一分析结果,包括:
应用所述设备交互频次分析模型将所述第一交互指标信息与所述第二交互指标信息进行对比,获得第一交互信息对比结果;
应用所述设备交互频次分析模型将所述第一交互指标信息和所述历史交互指标信息进行对比,获得第二交互信息对比结果;
对所述第一交互信息对比结果和所述第二交互信息对比结果进行分析,得到所述第一分析结果。
3.根据权利要求2所述的方法,其特征在于,所述第一数据还包括所述问题设备的业务接入点信息或所述问题设备的业务访问内容,所述设备侧分析模型还包括设备业务行为分析模型;
所述应用所述设备侧分析模型分析所述第一数据,得到第一分析结果,包括:
应用所述设备业务行为分析模型分析所述业务接入点信息或所述业务访问内容,确定所述问题设备的业务行为是否为正常业务行为;
若所述问题设备的业务行为为非正常业务行为,则确定相应的所述第一分析结果为设备侧发生异常。
4.根据权利要求1所述的方法,其特征在于,所述第二数据包括问题设备的网元信息,所述网络侧分析模型包括多维度聚类分析模型;
所述应用所述网络侧分析模型分析所述第二数据,得到第二分析结果,包括:
应用所述多维度聚类分析模型确定所述问题设备的网元信息是否汇聚在目标网元;
若所述问题设备的网元信息汇聚在所述目标网元,则确定相应的所述第二分析结果为网络侧发生异常。
5.根据权利要求1所述的方法,其特征在于,所述第三数据包括所述问题设备的性能异常地址,所述服务侧分析模型包括地址分析模型;
所述应用所述服务侧分析模型分析所述第三数据,得到第三分析结果,包括:
应用所述服务侧分析模型确定所述性能异常地址是否汇聚在目标服务器,所述目标服务器为所述问题设备相关的服务器;
若所述性能异常地址汇聚在所述目标服务器,则确定相应的所述第三分析结果为服务侧发生异常。
6.一种物联网异常定位装置,其特征在于,包括:
模型匹配模块,用于根据问题设备的信令数据,确定问题定位模型和待分析数据,其中,所述问题定位模型包括设备侧分析模型、网络侧分析模型、服务侧分析模型,所述待分析数据包括用于确定所述问题设备是否异常第一数据、用于确定所述问题设备对应的网络是否异常的第二数据和用于确定所述问题设备对应的服务器是否异常的第三数据;
分析结果获取模块,用于应用所述设备侧分析模型分析所述第一数据,得到第一分析结果;应用所述网络侧分析模型分析所述第二数据,得到第二分析结果;应用所述服务侧分析模型分析所述第三数据,得到第三分析结果;
异常定位模块,用于基于所述第一分析结果、所述第二分析结果和所述第三分析结果,确定目标异常位置;
数据获取单元,用于周期性获取物联网设备的待分析数据;
监测单元,用于根据置信区间识别所述物联网设备的待分析数据中的异常波动并告警,其中,所述置信区间根据当前周期对应的历史周期的历史正常数据确定,所述历史正常数据为物联网设备对应的问题定位模型对物联网设备的历史数据进行问题定位,未得到目标异常位置的数据;
所述第一数据包括所述问题设备的性能指标与所述问题设备在同一网络覆盖区域下的目标终端设备的性能指标,所述目标终端设备包括目标移动终端和与所述问题设备同类型的第一物联网设备,所述设备侧分析模型包括设备性能分析模型;
所述分析结果获取模块包括第一性能分析单元、第二性能分析单元和第一获取单元:
所述第一性能分析单元,用于应用所述设备性能分析模型将所述第一物联网设备的性能指标与所述问题设备的性能指标进行对比,获得第一性能对比结果;
所述第二性能分析单元,用于应用所述设备性能分析模型将所述目标移动终端的性能指标与所述问题设备的性能指标进行对比,获得第二性能对比结果;
所述第一获取单元,用于对所述第一性能对比结果和所述第二性能对比结果进行分析,得到所述第一分析结果;
所述第一性能对比结果与所述第二性能对比结果和所述第一分析结果之间的对应关系至少包括:
情况一、若所述第一性能对比结果为所述第一物联网设备的性能正常,则确定所述第一分析结果为设备侧发生异常;
情况二、若所述第二性能对比结果为所述目标移动终端的性能正常,则确定所述第一分析结果为设备侧发生异常。
7.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-5任一项所述的物联网异常定位方法。
8.一种计算机可读介质,其特征在于,所述计算机可读介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的物联网异常定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910720711.9A CN112350836B (zh) | 2019-08-06 | 2019-08-06 | 物联网异常定位方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910720711.9A CN112350836B (zh) | 2019-08-06 | 2019-08-06 | 物联网异常定位方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112350836A CN112350836A (zh) | 2021-02-09 |
CN112350836B true CN112350836B (zh) | 2023-07-04 |
Family
ID=74366331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910720711.9A Active CN112350836B (zh) | 2019-08-06 | 2019-08-06 | 物联网异常定位方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112350836B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113938844B (zh) * | 2021-10-25 | 2022-11-29 | 深圳市中装云科技有限公司 | 网络连接监控方法、系统、计算机设备和存储介质 |
CN114173370A (zh) * | 2021-12-30 | 2022-03-11 | 中国电信股份有限公司 | 一种故障定位方法、装置、设备及存储介质 |
CN115442214A (zh) * | 2022-09-02 | 2022-12-06 | 中国工商银行股份有限公司 | 业务异常排障方法、装置、设备、存储介质和程序产品 |
CN115514679B (zh) * | 2022-11-11 | 2023-04-28 | 浙江万胜智能科技股份有限公司 | 一种基于通信模块的异常来源监测方法及系统 |
CN116405532B (zh) * | 2023-06-09 | 2023-08-18 | 深圳市乗名科技有限公司 | 基于物联网的工业控制及自动化方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106643765A (zh) * | 2016-12-08 | 2017-05-10 | 国网浙江省电力公司 | 一种采集异常维修时长计算方法 |
CN109933500A (zh) * | 2019-03-27 | 2019-06-25 | 新奥数能科技有限公司 | 设备故障告警方法、装置、可读介质及电子设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104320797A (zh) * | 2014-11-18 | 2015-01-28 | 北京美琦华悦通讯科技有限公司 | 实现端到端的移动网络数据业务用户体验监测的系统 |
US10122740B1 (en) * | 2015-05-05 | 2018-11-06 | F5 Networks, Inc. | Methods for establishing anomaly detection configurations and identifying anomalous network traffic and devices thereof |
CN105279257A (zh) * | 2015-10-15 | 2016-01-27 | 珠海世纪鼎利科技股份有限公司 | 一种基于正态分布的互联网大数据挖掘方法和系统 |
US20190174207A1 (en) * | 2016-05-09 | 2019-06-06 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for the industrial internet of things |
CN107888394B (zh) * | 2016-09-29 | 2021-01-22 | 阿里巴巴集团控股有限公司 | 网络故障原因定位的方法及装置 |
CN106911517B (zh) * | 2017-03-22 | 2020-06-26 | 杭州东方通信软件技术有限公司 | 一种移动互联网端到端问题定位方法和系统 |
CN108768702A (zh) * | 2018-05-15 | 2018-11-06 | 华为技术有限公司 | 网络分析方法及设备 |
-
2019
- 2019-08-06 CN CN201910720711.9A patent/CN112350836B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106643765A (zh) * | 2016-12-08 | 2017-05-10 | 国网浙江省电力公司 | 一种采集异常维修时长计算方法 |
CN109933500A (zh) * | 2019-03-27 | 2019-06-25 | 新奥数能科技有限公司 | 设备故障告警方法、装置、可读介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112350836A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112350836B (zh) | 物联网异常定位方法、装置和电子设备 | |
CN111477341A (zh) | 一种疫情监测方法、装置、电子设备及存储介质 | |
CN112311611B (zh) | 数据异常的监测方法、装置和电子设备 | |
CN110740356B (zh) | 基于区块链的直播数据的监控方法及系统 | |
CN111680068A (zh) | 一种校验方法、装置、设备及存储介质 | |
CN111935820B (zh) | 基于无线网络的定位实现方法及相关设备 | |
US20180039766A1 (en) | Method and system for identifying a unique mobile device based on mobile device attribute changes over time | |
CN114338413B (zh) | 网络中设备的拓扑关系的确定方法、装置以及存储介质 | |
CN106713242B (zh) | 数据请求的处理方法及处理装置 | |
CN105138675A (zh) | 数据库审计方法及设备 | |
CN109150569B (zh) | 一种网络视频业务故障定位分析方法、装置及系统 | |
CN109901991B (zh) | 一种分析异常调用的方法、装置和电子设备 | |
CN110545335A (zh) | 一种互联网协议地址获取方法、服务器和系统 | |
CN116991675A (zh) | 一种异常访问监控方法、装置、计算机设备及存储介质 | |
CN108667893B (zh) | 数据推荐方法、装置和电子设备 | |
CN114338516B (zh) | 一种流量转发、策略确定方法及装置 | |
CN110769010B (zh) | 一种数据管理权限处理方法、装置及计算机设备 | |
CN111291127B (zh) | 一种数据同步方法、装置、服务器及存储介质 | |
CN113807697A (zh) | 基于告警关联的派单方法及装置 | |
CN109327484B (zh) | 特征值集合的获取方法、装置、服务器及存储介质 | |
CN113037792B (zh) | 一种业务识别参数的验证方法、装置及网关 | |
CN112738719B (zh) | 一种通信小区所覆盖的地理区域的确定方法及电子设备 | |
CN113452533A (zh) | 计费自巡检、自愈合方法、装置、计算机设备和存储介质 | |
CN114584329B (zh) | 流量异常原因定位方法、装置及电子设备 | |
CN111275348A (zh) | 电子订单信息处理方法、服务器及电子订单信息处理系统 |
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 |