CN112583642B - 异常检测方法、模型、电子设备及计算机可读存储介质 - Google Patents
异常检测方法、模型、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112583642B CN112583642B CN202011458111.9A CN202011458111A CN112583642B CN 112583642 B CN112583642 B CN 112583642B CN 202011458111 A CN202011458111 A CN 202011458111A CN 112583642 B CN112583642 B CN 112583642B
- Authority
- CN
- China
- Prior art keywords
- node
- data
- audio
- video stream
- detection
- 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
- 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
- H04N21/21—Server components or server architectures
- H04N21/218—Source of audio or video content, e.g. local disk arrays
- H04N21/2187—Live feed
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本申请公开了一种音视频流的异常检测方法、模型、电子设备及计算机可读存储介质,其中,所述音视频流的异常检测方法包括:检测到音视频流发生异常时,获取异常发生时间点;获取所述异常发生时间点之前的第一预设时间段内每个节点的运行数据,并确定为基期数据;以及,获取所述异常发生时间点之后的第二预设时间段内每个节点的运行数据,并确定为检测数据;获取所述基期数据和所述检测数据在每个节点的差异度;基于所述每个节点的差异度,确定所述音视频流发生异常的根因节点。上述方案,能够提高异常检测效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种异常检测方法、模型、电子设备及计算机可读存储介质。
背景技术
随着信息技术的快速发展,音视频流的传输复杂程度越来越高,以直播过程中的音视频流传输为例,在直播过程中,音视频流实时传输时,传输链路的任一节点都可能发生异常,如节点所在服务器的网络延时高或负载高,而节点异常一旦发生,后续流数据会出现一系列连锁反应,并最终引发观众接收端的音视频卡顿现象,而服务器通常是24小时不间断运行的,网络环境也复杂多样,因此出现卡顿是一件难以避免的事情。
现有的解决方案通常是依靠工单和在线技术人员人工定位异常节点,进行排障。该定位过程需要跨部门合作,针对单个卡顿案例,通常需要多人排查多个指标数据来识别引发异常的具体节点。这种解决方式存在以下不足:一是排查效率不高,针对单个案例排查其卡顿原因,短则几分钟,长则几十分钟;二是排障主要依靠部分技术人员,排障经验的传递需要耗费各类成本,如沟通成本及时间成本。
发明内容
本申请主要解决的技术问题是提供一种音视频流的异常检测方法、模型、电子设备及计算机可读存储介质,能够提高异常检测效率。
为了解决上述问题,本申请第一方面提供了一种音视频流的异常检测方法,所述方法包括:检测到音视频流发生异常时,获取异常发生时间点;获取所述异常发生时间点之前的第一预设时间段内每个节点的运行数据,并确定为基期数据;以及,获取所述异常发生时间点之后的第二预设时间段内每个节点的运行数据,并确定为检测数据;获取所述基期数据和所述检测数据在每个节点的差异度;基于所述每个节点的差异度,确定所述音视频流发生异常的根因节点。
为了解决上述问题,本申请第二方面提供了一种异常检测模型,包括:时间定位模块,所述时间定位模块用于在检测到音视频流发生异常时,获取异常发生时间点;数据处理模块,所述数据处理模块用于获取所述异常发生时间点之前的第一预设时间段内每个节点的运行数据,并确定为基期数据;以及,获取所述异常发生时间点之后的第二预设时间段内每个节点的运行数据,并确定为检测数据;异常检测模块,所述异常检测模块用于获取所述基期数据和所述检测数据在每个节点的差异度;异常定位模块,所述异常定位模块用于基于所述每个节点的差异度,确定所述音视频流发生异常的根因节点。
为了解决上述问题,本申请第三方面提供了一种电子设备,包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器中存储的程序指令,以实现上述第一方面的音视频流的异常检测方法。
为了解决上述问题,本申请第四方面提供了一种计算机可读存储介质,其上存储有程序指令,所述程序指令被处理器执行时实现上述第一方面的音视频流的异常检测方法。
本发明的有益效果是:区别于现有技术的情况,本申请在检测到音视频流发生异常时,获取异常发生时间点,然后获取异常发生时间点之前的第一预设时间段内每个节点的运行数据,并确定为基期数据,以及,获取异常发生时间点之后的第二预设时间段内每个节点的运行数据,并确定为检测数据;通过获取基期数据和检测数据在每个节点的差异度,然后基于每个节点的差异度,可以确定音视频流发生异常的根因节点。由于整个传输链路涉及的数据量非常大,通过结合异常发生时间点,仅分析异常发生时间点之前的第一预设时间段和之后的第二预设时间段之间的数据差异度,可以实现数据量降级,有利于对节点的排障分析,提高异常检测效率,进而可以极大地节省计算资源和人力成本,可以实现在秒级时间内快速定位到引发卡顿的根因节点。
附图说明
图1是本申请音视频流的异常检测方法第一实施例的流程示意图;
图2是本申请音视频流的异常检测方法中异常发生时间点的定位示意图;
图3是图1中步骤S13一实施例的流程示意图;
图4是图1中步骤S14一实施例的流程示意图;
图5是图4中步骤S142一实施例的流程示意图;
图6是本申请音视频流的异常检测方法中链路表现形式示意图;
图7是本申请异常检测模型一实施例的框架示意图;
图8是本申请异常检测模型一应用场景的框架示意图;
图9是本申请电子设备一实施例的框架示意图;
图10是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图,对本申请实施例的方案进行详细说明。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技术之类的具体细节,以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在 B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。
请参阅图1,图1是本申请音视频流的异常检测方法第一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S11:检测到音视频流发生异常时,获取异常发生时间点。
在音视频流的实时传输过程中,其传输链路的任一节点都可能发生异常,如节点所在服务器的网络延时高或负载高,而节点异常一旦发生,后续流数据会出现一系列连锁反应。以直播为例,在直播的过程中,由于服务器通常是24小时不间断运行的,网络环境也复杂多样,出现卡顿在现实的直播场景中是一件难以避免的事情,即直播节目的画面较为频繁地出现缓冲标志,或者直播节目的视频、音频播放不流畅等现象,这会影响观众用户观看直播节目的体验。而在检测到音视频流发生异常时,需要及时获取异常发生时间点,以便于准确快速进行排障工作。
在一个实施场景中,上述步骤S11具体可以包括:对所述音视频流的卡顿率指标进行实时监测,获取所述卡顿率发生突变的时间点,作为所述异常发生时间点。
在运维过程中,一般可以通过观众反馈或者主播的设备端对直播间的直播节目进行上报确认音视频流是否发生异常,即可以通过观众反馈或者上报获取到报障时间点,并根据报障时间点排除故障。然而,在真实运维场景中,一个卡顿异常从它发生到被人发现,其间往往存在一定长度的感知时间,感知时间越长,报障时间点相较实际的异常发生时间点越滞后,导致排障所需要分析的数据量也就越大,排障效率也就越低,甚至可能因时间不准确而得到错误的结论,因此得到一个准确的异常发生时间点对排障而言很是关键。卡顿率指标是音视频直播时针对卡顿质量的一个直观体现,本申请可以通过对音视频流的卡顿率指标进行实时监测,在获取到卡顿率指标异常时,分析出卡顿率指标异常发生后、其近邻时间内的一个起始突变点,即卡顿率发生突变的时间点,并将该时间点作为异常发生时间点。请结合图2,图2是本申请音视频流的异常检测方法中异常发生时间点的定位示意图。图中示出的纵坐标为卡顿率,横坐标为运行的时间,在卡顿率随运行时间的变化过程中,可以发现A点即为卡顿率发生突变的起始突变点,其对应的时间t即为所求的异常发生时间点。
步骤S12:获取所述异常发生时间点之前的第一预设时间段内每个节点的运行数据,并确定为基期数据;以及,获取所述异常发生时间点之后的第二预设时间段内每个节点的运行数据,并确定为检测数据。
可以理解的是,在发生异常后,需要获取传输链路中的每个节点的运行数据。具体地,由于传输链路中的节点较多,整个传输链路涉及的数据量非常大,这对排障分析而言是非常不利的,因此,可以仅分析处于异常发生时间点前后一段时间内的数据,即,可以仅获取异常发生时间点之前的第一预设时间段内每个节点的运行数据,以及异常发生时间点之后的第二预设时间段内每个节点的运行数据,例如异常发生时间点之前的10分钟和异常发生时间点之后的1分钟,并将异常发生时间点之前的第一预设时间段内每个节点的运行数据确定为基期数据,将异常发生时间点之后的第二预设时间段内每个节点的运行数据确定为检测数据,后续只需要对基期数据和检测数据进行分析即可,这样可实现数据简化(DataReduction),数据量降级。
步骤S13:获取所述基期数据和所述检测数据在每个节点的差异度。
对于某个节点来说,通过对故障发生前的基期数据和故障发生后的检测数据进行比较分析,可以得到该节点对应的基期数据和检测数据之间的差异度,并作为该节点的差异度。
步骤S14:基于所述每个节点的差异度,确定所述音视频流发生异常的根因节点。
在一个实施场景中,音视频流为直播节目中的音视频流,传输链路包括由主播设备、上行CDN(Content Delivery Network,内容分发网络) 分发节点、转码节点、下行CDN分发节点以及观众设备所形成的链路中的至少部分链路。可以理解的是,根据每个节点的差异度,可以判断各节点是否发生异常,在确定了传输链路中的哪些节点发生异常后,则可以进一步确定音视频流发生异常的根因节点。
上述方案,通过结合异常发生时间点,仅分析异常发生时间点之前的第一预设时间段和之后的第二预设时间段之间的数据差异度,可以实现数据量降级,有利于对节点的排障分析,提高异常检测效率,进而可以极大地节省计算资源和人力成本,可以实现在秒级时间内快速定位到引发卡顿的根因节点。
进一步地,请结合图3,图3是图1中步骤S13一实施例的流程示意图。在一实施例中,上述步骤S13具体可以包括:
步骤S131:对每个节点的所述基期数据和所述检测数据分别进行关于预设指标的特征提取,得到所述基期数据和所述检测数据对应每个节点的特征值。
步骤S132:利用预设检测算法,对所述基期数据和所述检测数据对应每个节点的特征值进行分析,得到所述基期数据和所述检测数据在每个节点的特征值差异,并将所述特征值差异确定为所述节点的差异度。
在运维场景中,通常定义并建立各类指标,比如卡顿率、视频帧率等,它们的值一般与时间有关,表现为时间序列的形式;例如卡顿率,卡顿率能代表视频播放时的流畅状况,当视频播放越卡,相应时间段内卡顿率的数值则越高。由此可见,音视频流的异常能从其对应指标的数据状况上表现出来,因此,为了排查和解决故障,可以通过监控各个节点的指标状况来帮助故障定位。具体地,可以对每个节点的基期数据和检测数据分别进行关于预设指标的特征提取,从而得到基期数据的特征值和检测数据对应每个节点的特征值;然后利用预设检测算法,可以对基期数据和检测数据对应每个节点的特征值进行分析,得到基期数据和检测数据在每个节点的关于预设指标的特征值差异,并将该预设指标的特征值差异确定为该节点的差异度。
因此,对于预设指标来说,后续通过对每个节点的特征值差异进行分析,可以对每个节点的预设指标进行异常识别,进而可以确定传输链路中的哪些节点发生异常。
可以理解的是,直播发生卡顿时涉及的指标较多,于是对节点进行异常判断时,需要多个指标均进行检测分析,因此,可以对各指标数据进行并行化的异常检测分析,能达到在一份检测时长里同时完成多个指标的分析,从而极大提升对节点的异常检测效率。
进一步地,请结合图4,图4是图1中步骤S14一实施例的流程示意图。在一实施例中,上述步骤S14具体可以包括:
步骤S141:将所述基期数据和所述检测数据在每个节点的特征值差异分别与预设阈值进行比较,并对特征值差异大于所述预设阈值的节点进行异常标记,得到异常节点。
步骤S142:从所述异常节点中确定所述音视频流发生异常的根因节点。
可以理解的是,预设阈值可以是运维人员自行设置的。通过将基期数据和检测数据在每个节点的特征值差异分别与预设阈值进行比较;若某个节点的基期数据和检测数据的特征值差异不大于预设阈值,则说明对于预设指标来说,该节点不属于异常节点,此时可以对该节点进行正常标记,例如标记为“0”或“true”;若某个节点的基期数据和检测数据的特征值差异大于预设阈值,则说明对于预设指标来说,该节点属于异常节点,因此需要对该节点进行异常标记,例如标记为“1”或“false”。在对所有节点均进行标记之后,可以确定传输链路中所有的异常节点,然后可以从所有的异常节点中找到音视频流发生异常的根因节点。
在一个实施场景中,上述的预设检测算法可以包括3-Sigma法则、孤立森林算法或动态阈值方法中的至少一种;特征值包括标准差、四分位差、最值或均值中的至少一种。
可以理解的是,在本申请的方法中,针对某指标,将其故障发生前的一段数据作为基期数据,故障发生后的一段数据作为检测数据,分析检测数据与基期数据相比有无明显变化。具体地,分别对基期数据与检测数据提取特征值,例如标准差、四分位差、最值及均值等,然后结合 3-Sigma法则、孤立森林或动态阈值等方法进行检测分析,从而可以实现对指标进行异常识别。
进一步地,请结合图5,图5是图4中步骤S142一实施例的流程示意图。在一实施例中,上述步骤S142具体可以包括:
步骤S1421:获取所述音视频流的传输链路中,每个节点与其下游节点进行异常标记后的标记值所形成的链路表现形式。
可以理解的是,通过将基期数据和检测数据在每个节点的特征值差异分别与预设阈值进行比较后,可以对每个节点进行标记,即每个节点均具有一标记值,于是可以获取音视频流的传输链路中,每个节点与其下游节点的标记值所形成的链路表现形式。
步骤S1422:判断是否存在满足预设链式规律的链路表现形式。
步骤S1423:若存在,将满足所述预设链式规律的链路表现形式对应的起始节点确定为所述音视频流发生异常的根因节点。
对于传输链路中的每个节点来说,其与下游节点的标记值均会形成一链路表现形式,在得到每个节点与其下游节点的标记值所形成的链路表现形式后,可以判断每个节点与其下游节点的标记值所形成的链路表现形式是否满足预设链式规律;若某个节点与其下游节点的标记值所形成的链路表现形式满足预设链式规律,则可以确定该节点为音视频流发生异常的根因节点;若某个节点与其下游节点的标记值所形成的链路表现形式不满足预设链式规律,则可以确定该节点不是音视频流发生异常的根因节点。
因此,在一实施例中,上述步骤S1422具体可以包括:判断是否存在起始节点与其下游节点的标记值均为异常标记值的链路表现形式。此时,步骤S1423具体可以包括:如果存在,将所述起始节点确定为所述音视频流发生异常的根因节点。
对于传输链路中的每个节点来说,以第n个节点为例,第n个节点与其下游的所有节点可以形成一链路,该链路中,第n个节点为起始节点。在音视频直播这个特殊场景下,其数据传输是具备链式结构的,这个结构会为异常的表现形式带来链式规律,即上游的数据异常会引发下游的数据同样异常。因此,若在链路中,起始节点与其下游节点的标记值均为异常标记值时,则表示该起始节点的数据异常引发了其下游节点的数据异常,于是,可以将该起始节点确定为音视频流发生异常的根因节点。
请结合图6,图6是本申请音视频流的异常检测方法中链路表现形式示意图。图中示出了链路Line1和链路Line2,标记值为1的节点为异常节点,标记值为0的节点为正常节点,因此,可以发现,链路Line1 中M1节点及其下游所有节点均被标记为1,因此定位M1节点为根因节点,而链路Line2中M2节点及其下游所有节点并非均被标记为1,则可以将M2节点的异常情况过滤掉。
本申请的音视频流的异常检测方法可适用于在直播的过程中,通过运行数据自动定位异常的情况,该方法可以由直播的异常定位装置来执行,该直播的异常定位装置可以由软件和/或硬件实现,可配置在计算机设备中,例如,服务器、工作站、个人电脑,等等。
请参阅图7,图7是本申请异常检测模型一实施例的框架示意图。异常检测模型70包括:时间定位模块700,用于在检测到音视频流发生异常时,获取异常发生时间点;数据处理模块702,用于获取所述异常发生时间点之前的第一预设时间段内每个节点的运行数据,并确定为基期数据;以及,获取所述异常发生时间点之后的第二预设时间段内每个节点的运行数据,并确定为检测数据;异常检测模块704,用于获取所述基期数据和所述检测数据在每个节点的差异度;异常定位模块706,用于基于所述每个节点的差异度,确定所述音视频流发生异常的根因节点。
上述方案,时间定位模块700在检测到音视频流发生异常时,获取异常发生时间点,然后数据处理模块702获取异常发生时间点之前的第一预设时间段内每个节点的运行数据,并确定为基期数据,以及,获取异常发生时间点之后的第二预设时间段内每个节点的运行数据,并确定为检测数据;通过异常检测模块704获取基期数据和检测数据在每个节点的差异度,然后异常定位模块706可以基于每个节点的差异度,确定音视频流发生异常的根因节点。由于整个传输链路涉及的数据量非常大,通过结合异常发生时间点,仅分析异常发生时间点之前的第一预设时间段和之后的第二预设时间段之间的数据差异度,可以实现数据量降级,有利于对节点的排障分析,提高异常检测效率,进而可以极大地节省计算资源和人力成本,可以实现在秒级时间内快速定位到引发卡顿的根因节点。
在一些实施例中,时间定位模块700具体可以用于对所述音视频流的卡顿率指标进行实时监测,获取所述卡顿率发生突变的时间点,作为所述异常发生时间点。
在一些实施例中,异常检测模块704具体可以用于对每个节点的所述基期数据和所述检测数据分别进行关于预设指标的特征提取,得到所述基期数据和所述检测数据对应每个节点的特征值;利用预设检测算法,对所述基期数据和所述检测数据对应每个节点的特征值进行分析,得到所述基期数据和所述检测数据在每个节点的特征值差异,并将所述特征值差异确定为所述节点的差异度。
在一些实施例中,异常定位模块706具体可以用于将所述基期数据和所述检测数据在每个节点的特征值差异分别与预设阈值进行比较,并对特征值差异大于所述预设阈值的节点进行异常标记,得到异常节点;从所述异常节点中确定所述音视频流发生异常的根因节点。
在一些实施例中,异常定位模块706执行上述从所述异常节点中确定所述音视频流发生异常的根因节点的步骤,具体可以包括:获取所述音视频流的传输链路中,每个节点与其下游节点进行异常标记后的标记值所形成的链路表现形式;判断是否存在满足预设链式规律的链路表现形式;若存在,将满足所述预设链式规律的链路表现形式对应的起始节点确定为所述音视频流发生异常的根因节点。
在一些实施例中,异常定位模块706执行上述判断是否存在满足预设链式规律的链路表现形式的步骤,具体可以包括:判断是否存在起始节点与其下游节点的标记值均为异常标记值的链路表现形式。此时,异常定位模块706执行上述若存在,将满足所述预设链式规律的链路表现形式对应的起始节点确定为所述音视频流发生异常的根因节点的步骤,具体可以包括:如果存在,将所述起始节点确定为所述音视频流发生异常的根因节点。
请参阅图8,图8是本申请异常检测模型一应用场景的框架示意图。在一应用场景中,异常检测模型80可以包括输入模块800、时间定位模块801、数据处理模块802、异常检测模块803、异常定位模块804和输出模块805。可以理解的是,在将音视频流发生异常的事件输入到输入模块800后,可以通过时间定位模块801对卡顿率指标进行异常检测,分析出其近邻时间内的一个起始突变点,并将其对应时间作为异常发生时间点。然后,数据处理模块802可以结合时间定位模块801给出的异常发生时间点,仅分析异常发生时间点前后一段时间的数据,如故障前 10分钟和故障后1分钟,这样可实现数据量降级。接着,异常检测模块803针对某指标,将其故障发生前的一段数据作为基期数据,故障发生后的数据作为检测数据,分析检测数据与基期数据相比有无明显变化;若有明显变化,则识别为异常,若无明显变化,则识别为正常,于是,可以利用异常检测模块803对各指标进行标记,当某个指标被检测算法识别为异常时,其对应的异常标记值为1,否则为0。另外,数据处理模块802内构造并行池,即ThreadPool线程池,可以对各指标数据进行并行化的异常检测,这样就能达到在一份检测时长里同时完成多个指标的检测需求,极大提升检测效率。可以理解的是,在音视频直播这个特殊场景下,其数据传输是具备链式结构的,这个结构会为异常的表现形式带来链式规律,即上游的数据异常会引发下游数据同样异常,本申请将该规律融入模型中,在异常检测模型80构造内部特有的异常定位模块804,异常定位模块804可以基于异常标记值及链式规律,主动识别和过滤异常,最终通过输出模块805输出根因节点的定位结果。可以理解的是,一般的模型当其输出结果后,需要由外部对其结果进行判断,才能知道其结论是否正确,这是一个被动且无益于当前模型调整的方式,而本申请的异常检测模型80中的异常定位模块804能在模型内部进行自我验证,从而可以提升整个模型的定位准确度。本申请将异常检测技术引入了音视频直播卡顿根因定位之中,且结合了多个模块的功能,能极大地节省计算资源和人力成本,并在秒级时间内快速定位到引发卡顿的根因节点,这对提升运维服务的质量与效率起到了帮助作用,同时也为智能技术在运维领域的进一步发展开拓了思路。
请参阅图9,图9是本申请电子设备一实施例的框架示意图。电子设备90包括相互耦接的存储器901和处理器902,处理器902用于执行存储器901中存储的程序指令,以实现上述任一音视频流的异常检测方法实施例的步骤。在一个具体的实施场景中,电子设备90可以包括但不限于:微型计算机、服务器。
具体而言,处理器902用于控制其自身以及存储器901以实现上述任一音视频流的异常检测方法实施例的步骤。处理器902还可以称为 CPU(Central Processing Unit,中央处理单元)。处理器902可能是一种集成电路芯片,具有信号的处理能力。处理器902还可以是通用处理器、数字信号处理器(Digital Signal Processor,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。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。另外,处理器902可以由集成电路芯片共同实现。
上述方案,处理器902在检测到音视频流发生异常时,获取异常发生时间点,然后获取异常发生时间点之前的第一预设时间段内每个节点的运行数据,并确定为基期数据,以及,获取异常发生时间点之后的第二预设时间段内每个节点的运行数据,并确定为检测数据;通过获取基期数据和检测数据在每个节点的差异度,然后基于每个节点的差异度,可以确定音视频流发生异常的根因节点。由于整个传输链路涉及的数据量非常大,通过结合异常发生时间点,仅分析异常发生时间点之前的第一预设时间段和之后的第二预设时间段之间的数据差异度,可以实现数据量降级,有利于对节点的排障分析,提高异常检测效率,进而可以极大地节省计算资源和人力成本,可以实现在秒级时间内快速定位到引发卡顿的根因节点。
请参阅图10,图10是本申请计算机可读存储介质一实施例的框架示意图。计算机可读存储介质100存储有能够被处理器运行的程序指令 1000,程序指令1000用于实现上述任一音视频流的异常检测方法实施例的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法、模型、设备,可以通过其它的方式实现。例如,以上所描述的模型实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor) 执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种音视频流的异常检测方法,其特征在于,所述方法包括:
检测到音视频流发生异常时,获取异常发生时间点;
获取所述异常发生时间点之前的第一预设时间段内每个节点的运行数据,并确定为基期数据;以及,获取所述异常发生时间点之后的第二预设时间段内每个节点的运行数据,并确定为检测数据;
获取所述基期数据和所述检测数据在每个节点的差异度;
基于所述每个节点的差异度,确定所述音视频流发生异常的根因节点;
其中,所述获取所述基期数据和所述检测数据在每个节点的差异度的步骤,包括:
对每个节点的所述基期数据和所述检测数据分别进行关于预设指标的特征提取,得到所述基期数据和所述检测数据对应每个节点的特征值;
利用预设检测算法,对所述基期数据和所述检测数据对应每个节点的特征值进行分析,得到所述基期数据和所述检测数据在每个节点的特征值差异,并将所述特征值差异确定为所述节点的差异度。
2.根据权利要求1所述的异常检测方法,其特征在于,所述检测到音视频流发生异常时,获取异常发生时间点,包括:
对所述音视频流的卡顿率指标进行实时监测,获取所述卡顿率发生突变的时间点,作为所述异常发生时间点。
3.根据权利要求1所述的异常检测方法,其特征在于,所述基于所述每个节点的差异度,确定所述音视频流发生异常的根因节点的步骤,包括:
将所述基期数据和所述检测数据在每个节点的特征值差异分别与预设阈值进行比较,并对特征值差异大于所述预设阈值的节点进行异常标记,得到异常节点;
从所述异常节点中确定所述音视频流发生异常的根因节点。
4.根据权利要求3所述的异常检测方法,其特征在于,所述从所述异常节点中确定所述音视频流发生异常的根因节点的步骤,包括:
获取所述音视频流的传输链路中,每个节点与其下游节点进行异常标记后的标记值所形成的链路表现形式;
判断是否存在满足预设链式规律的链路表现形式;
若存在,将满足所述预设链式规律的链路表现形式对应的起始节点确定为所述音视频流发生异常的根因节点。
5.根据权利要求4所述的异常检测方法,其特征在于,所述判断是否存在满足预设链式规律的链路表现形式的步骤,包括:
判断是否存在起始节点与其下游节点的标记值均为异常标记值的链路表现形式;
所述若存在,将满足所述预设链式规律的链路表现形式对应的起始节点确定为所述音视频流发生异常的根因节点的步骤,包括:
如果存在,将所述起始节点确定为所述音视频流发生异常的根因节点。
6.根据权利要求1~5任一项所述的异常检测方法,其特征在于,所述预设检测算法包括3-Sigma法则、孤立森林算法或动态阈值方法中的至少一种;所述特征值包括标准差、四分位差、最值或均值中的至少一种。
7.根据权利要求4或5所述的异常检测方法,其特征在于,所述音视频流为直播节目中的音视频流,所述传输链路包括由主播设备、上行CDN分发节点、转码节点、下行CDN分发节点以及观众设备所形成的链路中的至少部分链路。
8.一种异常检测模型,其特征在于,包括:
时间定位模块,所述时间定位模块用于在检测到音视频流发生异常时,获取异常发生时间点;
数据处理模块,所述数据处理模块用于获取所述异常发生时间点之前的第一预设时间段内每个节点的运行数据,并确定为基期数据;以及,获取所述异常发生时间点之后的第二预设时间段内每个节点的运行数据,并确定为检测数据;
异常检测模块,所述异常检测模块用于获取所述基期数据和所述检测数据在每个节点的差异度;其中,所述异常检测模块执行获取所述基期数据和所述检测数据在每个节点的差异度的步骤,包括:对每个节点的所述基期数据和所述检测数据分别进行关于预设指标的特征提取,得到所述基期数据和所述检测数据对应每个节点的特征值;利用预设检测算法,对所述基期数据和所述检测数据对应每个节点的特征值进行分析,得到所述基期数据和所述检测数据在每个节点的特征值差异,并将所述特征值差异确定为所述节点的差异度;
异常定位模块,所述异常定位模块用于基于所述每个节点的差异度,确定所述音视频流发生异常的根因节点。
9.一种电子设备,其特征在于,包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器中存储的程序指令,以实现权利要求1至7任一项所述的音视频流的异常检测方法。
10.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求1至7任一项所述的音视频流的异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011458111.9A CN112583642B (zh) | 2020-12-10 | 2020-12-10 | 异常检测方法、模型、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011458111.9A CN112583642B (zh) | 2020-12-10 | 2020-12-10 | 异常检测方法、模型、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112583642A CN112583642A (zh) | 2021-03-30 |
CN112583642B true CN112583642B (zh) | 2023-05-05 |
Family
ID=75132150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011458111.9A Active CN112583642B (zh) | 2020-12-10 | 2020-12-10 | 异常检测方法、模型、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112583642B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114374855B (zh) * | 2022-01-05 | 2023-05-23 | 烽火通信科技股份有限公司 | 直播花屏诊断方法、装置、设备及可读存储介质 |
CN114070828B (zh) * | 2022-01-17 | 2022-05-17 | 中央广播电视总台 | 节目流故障检测方法、装置、计算机设备及可读存储介质 |
CN115543773A (zh) * | 2022-08-17 | 2022-12-30 | 睿智合创(北京)科技有限公司 | 一种测试结果自动比对方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932181B (zh) * | 2012-11-01 | 2016-06-22 | 华为技术有限公司 | 一种检测网络故障的方法、节点及监控中心 |
CN109587520B (zh) * | 2017-09-29 | 2021-06-22 | 中兴通讯股份有限公司 | 一种定位视频业务故障的方法和设备 |
CN107733737A (zh) * | 2017-10-10 | 2018-02-23 | 国网天津市电力公司 | 一种监控网络流量异常的方法 |
CN111654405B (zh) * | 2020-06-29 | 2024-04-02 | 平安银行股份有限公司 | 通信链路的故障节点方法、装置、设备及存储介质 |
CN112019932B (zh) * | 2020-08-27 | 2022-05-24 | 广州华多网络科技有限公司 | 网络故障根因定位方法、装置、计算机设备及存储介质 |
-
2020
- 2020-12-10 CN CN202011458111.9A patent/CN112583642B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112583642A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112583642B (zh) | 异常检测方法、模型、电子设备及计算机可读存储介质 | |
CN108011782B (zh) | 用于推送告警信息的方法和装置 | |
US9369364B2 (en) | System for analysing network traffic and a method thereof | |
CN103873852A (zh) | 多模态并行的视频质量故障检测方法及装置 | |
US20110208679A1 (en) | Trouble pattern creating program and trouble pattern creating apparatus | |
CN111666187B (zh) | 用于检测异常响应时间的方法和装置 | |
CN110943874A (zh) | 一种家庭宽带网络的故障检测方法、装置和可读介质 | |
CN104853244A (zh) | 用于管理音视频、音频或视频内容的方法和装置 | |
CN112953971A (zh) | 一种网络安全流量入侵检测方法和系统 | |
CN112671767B (zh) | 一种基于告警数据分析的安全事件预警方法及装置 | |
CN112153373A (zh) | 明厨亮灶设备的故障识别方法、装置及存储介质 | |
CN110620685A (zh) | 一种上报设备异常的方法及装置 | |
CN109639456B (zh) | 一种自动化告警的改进方法及告警数据的自动化处理平台 | |
CN114139016A (zh) | 一种智慧小区的数据处理方法及系统 | |
CN112565894A (zh) | 一种检测直播节目播放质量的方法和系统 | |
CN113873278B (zh) | 播放内容审核方法、装置及电子设备 | |
CN114610560B (zh) | 系统异常监控方法、装置和存储介质 | |
CN115457467A (zh) | 一种基于数据挖掘的建筑质量隐患定位方法及系统 | |
CN115150294A (zh) | 一种用于监控物联网设备的数据分析方法、设备及介质 | |
JP2024504576A (ja) | ライブ配信審査の方法、ライブ配信審査の装置、サーバーおよび記憶媒体 | |
CN114928467A (zh) | 一种网络安全运维关联分析方法及系统 | |
CN112835780A (zh) | 一种业务检测方法及装置 | |
CN114205667B (zh) | 一种广播电视播出异态画面识别和故障分析系统 | |
WO2017186004A1 (zh) | 故障上报方法、装置及存储介质 | |
CN109002261B (zh) | 差异区块大数据分析方法、装置、存储介质及服务器 |
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 |