CN112584417A - 无线业务质量确定方法、装置、计算机设备和存储介质 - Google Patents

无线业务质量确定方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112584417A
CN112584417A CN201910924569.XA CN201910924569A CN112584417A CN 112584417 A CN112584417 A CN 112584417A CN 201910924569 A CN201910924569 A CN 201910924569A CN 112584417 A CN112584417 A CN 112584417A
Authority
CN
China
Prior art keywords
service
quality
user
information
feature information
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.)
Granted
Application number
CN201910924569.XA
Other languages
English (en)
Other versions
CN112584417B (zh
Inventor
张聪
陈亚迷
李刚
任容玮
高有军
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 Communications Ltd Research Institute
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
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 Communications Ltd Research Institute filed Critical China Mobile Communications Group Co Ltd
Priority to CN201910924569.XA priority Critical patent/CN112584417B/zh
Publication of CN112584417A publication Critical patent/CN112584417A/zh
Application granted granted Critical
Publication of CN112584417B publication Critical patent/CN112584417B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开实施例公开了一种无线业务质量确定方法，包括：从基站获取用户业务的用户面特征信息和控制面特征信息；根据所述用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。本公开实施例进一步公开了一种无线业务质量确定装置、计算机设备和存储介质。本公开实施例中，能够从基站获取用户业务的用户面特征信息和控制面特征信息，能够安全、实时地确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。

Description

无线业务质量确定方法、装置、计算机设备和存储介质
技术领域
本公开实施例涉及无线通信领域，尤其涉及一种无线业务质量确定方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的飞速发展和多媒体应用的不断涌现，用户对无线网络服务质量提出了越来越高的要求。传统无线网络服务质量的评估方式是评估网络的服务质量(QoS，Quality of Service)指标，包括吞吐率、丢包率、延时、抖动等。但QoS指标是对系统层面的性能评估，并不能完全反映用户体验以及用户对网络服务的认可程度。因此，现在运营商趋向于从体验质量(QoE，Quality of Experience)/关键质量指标(KQI，Key QualityIndicator)的角度对网络质量进行评估。
但是，相关技术中，一方面，现有网络质量的评估方式获得的结果并不准确；另一方面，采用旁路引流IP业务数据流的方式会对用户隐私造成安全隐患；且通过核心网网关或者终端传输QoS参数，会影响业务数据特征提取的时效性。
发明内容
本公开实施例提供一种无线业务质量确定方法、装置、计算机设备和存储介质。
本公开实施例的技术方案是这样实现的：
第一方面，本公开实施例提供一种无线业务质量确定方法，包括：
从基站获取用户业务的用户面特征信息和控制面特征信息；
根据所述用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
其中，所述用户面特征信息包括如下至少之一：数据缓存量信息、数据包特征信息；所述控制面特征信息包括如下至少之一：小区负载信息、UE信道状态信息、业务的服务质量流QoS flow控制参数信息、下行资源块DRB的媒体访问控制MAC参数信息。
其中，所述从基站获取用户业务的用户面特征信息，包括：从基站获取分组数据汇聚协议PDCP层或无线链路层控制协议RLC层或服务数据应用协议SDAP层在所述业务的数据传输过程中产生的用户面特征信息。
其中，所述根据所述用户业务的用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，包括：
根据历史时间段内的所述用户业务的用户面特征信息和控制面特征信息，预测所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，获得预测结果；
根据所述预测结果，调整网络配置参数和/或应用服务器的业务逻辑。
其中，在所述从基站获取用户业务的用户面特征信息和控制面特征信息之前，还包括：向基站发送特征统计配置参数，其中，所述特征统计配置参数用于所述基站统计或采集用户业务的用户面特征信息和控制面特征信息。
其中，所述特征统计配置参数包括如下之一：用户标识、采集参数列表、数据统计方法选择参数、数据统计的时间窗口参数、特征信息上报周期参数、特征信息封装格式参数。
其中，根据所述用户业务的用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，包括：
将所述用户业务的用户面特征信息、控制面特征信息、业务质量标签信息输入用于业务质量确定的算法模型，获得所述数据包特征信息对应的所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
其中，所述用于业务质量确定的算法模型为训练后的用于业务质量确定的机器学习算法模型，在将所述数据包特征信息输入用于业务质量确定的算法模型之前，还包括：
获取训练样本；其中，所述训练样本包括用户业务的用户面特征信息、控制面特征信息、业务质量标签信息，其中，所述用户面特征信息包括从基站获取的PDCP层或RLC层或SDAP层在数据传输过程中产生的用户业务的用户面特征信息；
将所述训练样本输入用于业务质量确定的机器学习算法模型进行迭代训练，直至所述用于业务质量确定的机器算法学习模型的损失函数满足收敛条件，得到所述训练后的用于业务质量确定的机器学习算法模型。
第二方面，本公开实施例还提供一种无线业务质量确定装置，所述装置包括获取模块和处理模块；其中，
所述获取模块，用于从基站获取用户业务的用户面特征信息和控制面特征信息；
所述处理模块，用于根据所述用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
其中，所述获取模块，还用于从基站获取分组数据汇聚协议PDCP层或无线链路层控制协议RLC层或服务数据应用协议SDAP层在所述业务的数据传输过程中产生的用户面特征信息。
其中，所述处理模块，还用于根据历史时间段内的所述用户业务的用户面特征信息和控制面特征信息，预测所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，获得预测结果；根据所述预测结果，调整网络配置参数和/或应用服务器的业务逻辑。
其中，所述装置还包括发送模块，所述发送模块用于向基站发送特征统计配置参数，其中，所述特征统计配置参数用于所述基站统计或采集用户业务的用户面特征信息和控制面特征信息。
其中，所述处理模块，还用于将所述用户业务的用户面特征信息、控制面特征信息、业务质量标签信息输入用于业务质量确定的算法模型，获得所述数据包特征信息对应的所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
其中，所述处理模块，还用于获取训练样本；其中，所述训练样本包括用户业务的用户面特征信息、控制面特征信息、业务质量标签信息，其中，所述用户面特征信息包括从基站获取的PDCP层或RLC层或SDAP层在数据传输过程中产生的用户业务的用户面特征信息；将所述训练样本输入用于业务质量确定的机器学习算法模型进行迭代训练，直至所述用于业务质量确定的机器算法学习模型的损失函数满足收敛条件，得到所述训练后的用于业务质量确定的机器学习算法模型。
第三方面，本公开实施例还提供一种计算机设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，实现如本公开任一实施例所述的无线业务质量确定方法。
第四方面，本公开实施例还提供一种装置，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，实现如本公开任一实施例所述的无线业务质量确定方法。
第五方面，本公开实施例还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现如本公开任一实施例所述的无线业务质量确定方法。
在本公开实施例中，从基站获取用户业务的用户面特征信息和控制面特征信息；根据所述用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。这里，一方面，所述用户面特征信息和控制面特征信息直接反映了业务的实时运行情况，基于所述用户面特征信息和控制面特征信息能够准确确定业务的关键质量指标或者业务的体验质量或者无线网络质量。另一方面，直接从靠近接入网络侧的基站获取无线侧用户面特征信息和控制面特征信息，无需通过旁路引流数据流的方式获取，能够更加安全地获取所述无线侧用户面特征信息和控制面特征信息。同时，相较通过核心网网关或者从终端采集QoS参数的方式，直接从靠近接入网络的基站获取用户面信息和控制面信息更加快速实时，时效性好。
附图说明
图1为本公开一实施例提供一种无线业务质量确定方法的流程示意图；
图2为本公开另一实施例提供一种无线业务质量确定方法的流程示意图；
图3为本公开另一实施例提供一种无线业务质量确定方法的流程示意图；
图4为本公开一实施例提供一种无线业务的体验质量确定方法的流程示意图；
图5为本公开一实施例提供一种无线业务的关键质量指标确定方法的流程示意图；
图6为本公开一实施例提供的一种无线业务质量确定装置的结构示意图；
图7为本公开一实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。
如图1所示，本公开一实施例提供一种无线业务质量确定方法，包括：
步骤11，从基站获取用户业务的用户面特征信息和控制面特征信息；
这里，从基站获取用户业务的用户面特征信息和控制面特征信息的对应执行主体可以是一个智能控制平台或智能控制模块，所述智能平台或所述智能控制模块可以内置在网络设备内，例如，基站内。也可以设置在网络设备之外，将所述智能平台或所述智能控制模块作为一个独立的主体存在。这里，所述用户业务的用户面特征信息和控制面特征信息可以是从基站获得的基于PDCP层或RLC层数据包或服务数据应用协议SDAP层进行统计的统计信息。具体地，所述用户业务的用户面特征信息和控制面特征信息可以是指基于用户在使用某一应用过程中产生的实时网络数据包获得的统计信息。所述控制面特征信息包括了基站对不同业务进行差异化资源分配和调度的基础参数，同时也包括影响用户资源分配和接收信号强度的关键因素；所述用户面特征信息能够反映用户端实际接收的数据量、时延信息等，并体现在业务体验过程中；基于所述用户面特征信息和控制面特征信息能够准确确定业务的关键质量指标或者业务的体验质量或者无线网络质量。所述用户业务的用户面特征信息和控制面特征信息可以是以某一单位时间颗粒度进行流量特征统计获得的，例如，所述单位时间颗粒度可以设置为1s/100ms。
这里，所述控制面特征信息可以是网络根据用户业务不同服务质量的需求配置的网络带宽、时延、误码率等参数，这些参数可以是基站对不同的业务进行差异化资源分配和调度的基础参数，直接反映了网络的运行情况。所述控制面信息也可以是小区负载信息和用户信道质量信息，这里，小区负载和用户信道质量是影响用户资源分配和接收信号强度的关键因素，直接影响所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量；所述用户面特征信息能够反映用户端实际接收的数据量、时延等信息，并体现在业务体验过程中，直接影响所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
请参见图2，在一实施例中，当所述用户业务的用户面特征信息和控制面特征信息是从基站获得的基于PDCP层数据包进行统计的统计信息时，所述获取用户业务的用户面特征信息和控制面特征信息的方法可以包括如下步骤(基于RLC层或SDAP层数据包进行统计的方法类似)：
步骤111，向基站发送所述基站在获取PDCP层的用户业务的用户面特征信息和控制面特征信息时所需的特征统计配置参数；这里，发送主体可以为单独的设备或者设置在其他主体设备中的装置，例如，设置在基站中的装置。所述所需的特征统计配置参数包括但不限于用户标识、数据包采集参数(例如，PDCP层的数据缓存量、瞬时PDCP数据包速率、瞬时比特速率参数等，需要说明的是所述数据包采集参数还可以包括采集频率等参数)、数据统计方法选择参数、数据统计的时间窗口参数、特征信息上报周期参数、特征信息封装格式参数等；
步骤112，所述基站根据所述用户标识筛选所要统计的PDCP层数据流，根据所述数据包采集参数、数据统计方法选择参数、数据统计的时间窗口参数进行PDCP层数据包信息统计，获得所述用户业务的用户面特征信息和控制面特征信息；
步骤113，所述基站将所述用户业务的用户面特征信息和控制面特征信息按照所述特征信息封装格式进行封装后，以所述特征信息上报周期参数进行上报。这里，上报形式可以是文件或者流的形式。
步骤12，根据接收到的所述用户业务的用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
这里，所述业务的体验质量QoE可以是指用户在使用某一应用过程中的主观体验感受，所述业务的体验质量QoE可以根据体验情况进行量化。例如，以评分的方式进行体现。所述业务的关键质量指标KQI可以是指业务层面的关键评估指标，是业务侧客观的可量化的指标。例如：视频业务的关键质量指标KQI包括初始缓冲时长、卡顿次数、卡顿占比等，游戏业务的KQI包括接入时延、对战时延等。所述无线网络质量可以是指网络带宽等基本网络参数质量。
这里，可以是将实时获得的所述用户业务的用户面特征信息和控制面特征信息输入所述训练好的机器学习模型，预测出当前业务实时的QoE/KQI/无线网络质量。这里，所述机器学习模型可以是神经网络学习模型。这里，所述QoE/KQI/无线网络质量被确定后可以反馈到网络侧和/或应用服务器。当QoE/KQI/无线网络质量变差时，可以进行业务优先级提升、和/或其他更改数据资源承载(DRB，Date Resource bearing)配置、和/或进行媒体访问控制(MAC，Media Access Control)预调度等操作指导网络优化工作，以保障良好的用户体验。
在本公开实施例中，这里，一方面，所述用户面特征信息和控制面特征信息直接反映了业务的实时运行情况，基于所述用户面特征信息和控制面特征信息能够准确确定业务的关键质量指标或者业务的体验质量或者无线网络质量。另一方面，直接从靠近接入网络侧的基站获取无线侧用户面特征信息和控制面特征信息，无需通过旁路引流数据流的方式获取，能够更加安全地获取所述无线侧用户面特征信息和控制面特征信息。同时，相较通过核心网网关或者从终端采集QoS参数的方式，直接从靠近接入网络侧的基站获取用户面信息和控制面信息更加快速实时，时效性好。
其中，所述用户面特征信息的至少之一：数据缓存量信息、数据包特征信息。
这里，所述数据包特征信息包括如下至少之一：数据包速率信息、比特速率信息、数据包大小信息、数据包大小抖动信息、数据包到达时间信息、数据包时间间隔信息，数据包时间间隔抖动信息。
所述控制面特征信息包括如下至少之一：小区负载信息、用户信道状态信息、业务的服务质量QoS流控制参数信息、下行资源块的媒体访问控制MAC参数信息。
这里，所述业务的服务质量QoS流控制参数信息包括如下至少之一：调度优先级信息、传输时延要求信息、误码率要求信息、带宽要求信息。所述下行资源块的媒体访问控制参数信息包括如下至少要之一：下行资源块优先级信息、优先调度码率信息、令牌桶长度信息。
这里，所述数据缓存量信息，用于表征数据缓存的有效数据长度；所述比特速率信息，用于统计某个用户/业务单位时间窗口内传输的业务数据流的比特数；所述数据包速率信息，用于统计某个用户/业务单位时间窗口内传输的业务数据流的分组数；所述数据包时间间隔信息，用于统计某个用户/业务的业务数据流单位时间窗口内每两个相邻分组到达时间间隔的平均值；所述数据包时间间隔抖动信息，用于统计某个用户/业务的业务数据流在单位时间窗口内每两个包间间隔间的差的平均值；所述数据包大小抖动信息，用于统计某个用户/业务的业务数据流在单位时间窗口内每两个数据包大小的差值的平均值。
这里，上述业务的用户业务的用户面特征信息和控制面特征信息可以区分上下行信息。其中，所述数据包速率信息和所述比特速率信息可以从业务层面反映实时的网络带宽情况；所述数据包时间间隔信息和所述数据包时间间隔抖动信息可以反映网络的延时和丢包情况。这些业务的用户业务的用户面特征信息和控制面特征信息都是对用户数据流的有效特征提取，相比于QoS信息，能够更加直接得反映用户实时感受到的所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量状况。例如，利用这些业务的用户业务的用户面特征信息和控制面特征信息可以通过机器学习判断当前的所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量是否能够满足用户业务需求，若不满足业务需求，将会对用户的业务体验产生何种影响等。
其中，所述从基站获取业务的数据包特征信息，包括：从基站获取分组数据汇聚协议PDCP层或无线链路层控制协议RLC层或服务数据应用协议SDAP层在所述业务的数据传输过程中产生的用户面特征信息。
这里，所述用户面特征信息包括任一时刻的所述用户面特征信息或任一时间段内的所述用户面特征信息。
这里，从基站获取分组数据汇聚协议PDCP层或服务数据应用协议SDAP层在所述业务的数据传输过程中产生的用户面特征信息的统计方法可以是：统计某个用户/业务在单位时间窗口内PDCP或SDAP层协议数据单元(PDU，Protocol Data Unit)包个数、比特数、包间间隔和包间抖动；其中数据包的统计只包含有效的业务数据包，不包含其他信息交互数据包，包间隔包间抖动同理，比特数的统计只包含包内的有效数据部分，不包含包头的统计比特数。
这里，从基站获取无线链路层控制协议RLC层在所述业务的数据传输过程中产生的用户面特征信息的统计方法可以是：统计某个用户/业务在单位时间窗口内RLC层收到确认字符(ACK,Acknowledgement)响应的PDU包个数、比特数、包间隔和包间抖动；其中，数据包的统计只包含有效的业务数据包，不包含其他信息交互数据包，包间隔包间抖动同理，比特数的统计只包含包内的有效数据部分，不包含包头的统计比特数。
在本公开实施例中，以从基站获取PDCP层在数据传输过程中产生的实时网络数据的数据包特征信息为例，第一方面，由于PDCP层的数据包是网际协议IP包添加了包头的简单封装包，其数据包特征能够表征原始IP数据流的数据包特征信息，例如，数据包速率、比特速率的特征信息等，对PDCP层的数据进行统计能够获得准确表征原始IP数据流的数据包特征信息。
第二方面，直接从基站获取PDCP层的业务的数据包特征信息，无需进行旁路引流以及数据的深度解析，不会导致数据在深度解析过程中的泄密，安全性好且效率更高，PDCP层的数据包特征信息能够从基站侧直接获取，无需通过核心网或旁路引流数据流的方式获取，获取更加快捷，实时性好。因此，本实施例技术方案能够准确、实时、安全地获取所述数据包特征信息并基于所述数据包特征信息确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
其中，所述所述根据所述用户业务的用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，还包括：根据历史时间段内的所述用户业务的用户面特征信息和控制面特征信息，预测所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，获得预测结果；根据所述预测结果，调整网络配置参数和/或应用服务器的业务逻辑。
这里，所述历史时间段可以是任一时刻之前的时间段，还可以是任一时间段之前的时间段。所述预测所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，可以是预测当前时刻或当前时刻之后任一时间段的所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
这里，历史时间段内所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量被确定后可以反馈到网络侧和/或应用服务器。当预测到所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量变差时，根据所述预测结果，调整网络配置参数和/或应用服务器的业务逻辑。例如，可以提前进行业务优先级提升、和/或其他更改数据资源承载配置、和/或进行媒体访问控制预调度等操作指导网络优化工作，以保障未来时间段内良好的用户体验。
其中，在步骤11中，在所述从基站获取用户业务的用户面特征信息和控制面特征信息之前，还包括：向基站发送特征统计配置参数，其中，所述特征统计配置参数用于所述基站统计或采集用户业务的用户面特征信息和控制面特征信息。这里，可以是统计用户面特征信息，采集控制面特征信息。
这里，所述特征统计配置参数包括如下之一：用户标识、采集参数列表、数据统计方法选择参数、数据统计的时间窗口参数、特征信息上报周期参数、特征信息封装格式参数。
其中，请参见图3，在步骤12中，根据所述用户业务的用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，包括：
步骤32，将所述用户业务的用户面特征信息、控制面特征信息、业务质量标签信息输入用于业务质量确定的算法模型，获得所述数据包特征信息对应的所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
这里，所述用于业务质量确定的算法模型为训练后的用于业务质量确定的机器学习算法模型，在将所述数据包特征信息输入用于业务质量确定的算法模型之前，还包括：
步骤31，获取训练样本；其中，所述训练样本中包括用户业务的用户面特征信息、控制面特征信息、业务质量标签信息，其中，所述用户面特征信息包括从基站获取的PDCP层或RLC层或SDAP层在数据传输过程中产生的用户业务的用户面特征信息；
将所述训练样本输入用于业务质量确定的机器学习算法模型进行迭代训练，直至所述用于业务质量确定的机器算法学习模型的损失函数满足收敛条件，得到所述训练后的用于业务质量确定的机器学习算法模型。
这里，可以是从基站采集的基于PDCP层数据包进行统计获得的用户业务的用户面特征信息和控制面特征信息连同其他无线网络侧数据(包括用户信道状态信息、小区负载信息等)、业务侧数据(包括应用数据、QoE/KQI测量报告)作为用于QoE/KQI确定的机器学习算法模型输入的X值；业务侧标签数据作为用于QoE/KQI确定的机器学习算法模型输入的Y值。将所述X值和Y值作为训练样本，用于QoE/KQI预测模型训练，并最终训练出QoE/KQI确定的机器学习算法模型。例如，用户信道状态信息为1，小区负载信息为2，业务侧标签为3，即X＝(1，2)，Y＝3则可用向量表示为(X，Y)＝(1,2,3)。
为了方便对本公开实施例的理解，通过如下2个实施例对本公开的无线业务质量确定方法进行进一步示例性说明。
示例1：
如图4所示，本公开另一实施例提供一种无线业务的体验质量确定方法，包括：
步骤41，发送采集需求配置；其中，所述发送采集需求配置可以是向基站发送所述基站获取用户业务的用户面特征信息和控制面特征信息时所需的特征统计配置参数。
这里，所述特征统计配置参数包括但不限于数据包采集参数、数据统计的时间窗口参数、数据上报周期参数、业务数据流标识等。
步骤42，数据采集；其中，所述数据采集包括获取分组数据汇聚协议PDCP层的用户业务的用户面特征信息和控制面特征信息；
这里，所述数据采集包括从基站侧采集用户业务的用户面特征信息和控制面特征信息(包括用户信道状态信息、小区负载信息、PDCP层数据包统计信息以和PDCP层缓存buffer信息)，从终端和/或应用服务器采集业务侧数据。这里，具体采集的数据集及采集接口如下：
所述数据集内容包括但不限于无线网络侧数据和业务侧数据。
这里，无线网络侧数据从基站端获取数据，时间颗粒度可以是s级或者100ms级，主要包括但不限于：1、用户信道状态信息，至少包括信号与干扰加噪声比(SINR,Signal toInterference plus Noise Ratio)、信道质量指示(CQI,Channel Quality Indication)、参考信号接收功率(RSRP，Reference Signal Receiving Power)，还可以包括参考信号接收质量(RSRQ，Reference Signal Receiving Quality)；2、小区负载信息，至少包括：上下行物理资源块(PRB，Physical RB)占用率；3、PDCP buffer(缓存的有效数据长度)以及PDCP层数据包统计信息，所述PDCP层数据包统计信息至少包括但不限于：瞬时PDCP包速率信息(单位时间内的包个数)、瞬时比特速率信息(单位时间内的比特长度)、PDCP包间隔信息(相邻两个包之间的间隔)、PDCP包间抖动信息(单位时间内每两个包之间时间间隔间的差)。4.业务的服务质量流QoS flow控制参数信息，包括调度优先级、传输时延要求、误码率要求、带宽要求；5.下行资源块DRB的媒体访问控制MAC参数信息，包括DRB优先级、优先调度码率、令牌桶长度。
这里，所述业务侧数据至少包括应用数据、QoE标签数据，还可以包括QoE测量报告等。其中，应用数据可以由终端获取，获取的时间颗粒度为s级或者100ms级，主要包括但不限于：1、视频：至少包括码率、实际初始缓冲时延，还可以包括分辨率、编码类型、帧率、初始缓冲是否成功、视频切换时延、快进快退时延、花屏时长占比、花屏次数、单次最大卡顿时长、卡顿次数、卡顿占比、广告时长、内容复杂度、显示器尺寸等；2、虚拟现实(VR,VirtualReality)：至少包括镜头覆盖范围(FoV,Fieldofview)切换，首次启动等；3、游戏：至少包括时延等。
这里，QoE标签数据主要由终端根据模型训练要求获取(比如进行初始缓冲时长预测则获取实际初始缓冲时长，其他可以不需要获取)，获取的时间颗粒度为s级或者100ms级，主要包括但不限于：1、卡顿起止时间戳。2、卡顿时长；3、实际初始缓冲时长；4、平均主观意见分(MOS，Mean Opinion Score)打分(打分形式包括但不限于：good/bad、分值：1-5、分值：1-100，由终端APP自动打分)。
这里，QoE测量报告主要由应用服务器获取，采集时间颗粒度为s级或者100ms级，主要包括但不限于：1、发送包的频率、包大小、业务优先级等；2、视频：码率带宽信息、分片长度、预设初始缓冲时长(下载多长时间的视频可以开始播放)等信息；3、游戏：心跳包时延等。
步骤43，模型训练；其中，所述模型训练包括所述用于网络业务质量确定的机器算法模型的训练；
这里，模型训练可以包括：步骤a，从基站侧采集用户业务的用户面特征信息和控制面特征信息，从终端以和/或应用服务器采集业务侧数据，将无线网络侧数据和应用数据、QoE测量报告信息以一定的时间单位进行特征提取，假设该时间单位为1s，那么特征提取过程将输出若干个一维数组，每个一维数组代表为1s内统计的结果，数组中的每个元素为上述罗列的统计信息。之后再进行统一特征值长度、归一化处理等操作，作为模型输入的X值，QoE/KQI标签数据经过标签化处理后作为QoE/KQI确定的机器学习算法模型输入的Y值；步骤b，模型训练模块基于该标签化数据集进行分类或回归模型训练，经过算法选择、参数调整、模型优化、样本训练等一系列操作后，输出QoE/KQI预测模型。
步骤44，模型下发；该模型可置于模型执行模块进行实时执行，根据网络中实时的用户业务的用户面特征信息和控制面特征信息以及一部分业务侧数据(即上述模型训练过程中的X值)，预测出当前业务的实时QoE/KQI(其中，模型训练模块和模型执行模块也可以集成在一个平台)。预测的结果再反馈到网络侧以及或者应用服务器。
步骤45，网络参数调整。
这里，所述网络参数调整，包括：当检测到用户QoE以及或者KQI即将变差时，进行业务优先级提升，和/或更改DRB配置，和/或进行MAC预调度等操作指导网络优化工作，以保障良好的用户体验。
示例2
如图5所示，本公开一实施例提供一种无线业务的关键质量指标KQI确定方法，应用于视频卡顿的确认，所述方法包括：
步骤51，获取包括分组数据汇聚协议PDCP层的用户业务的用户面特征信息和控制面特征信息的数据集；
这里，视频卡顿发生的原因在于，当前的下载速率小于播放速率，并且终端的视频缓冲区已清空。基于该理论，建立视频卡顿预测模型时，可以采集包括用户业务的用户面特征信息和控制面特征信息、业务侧数据等信息。其中，PDCP层用户业务的用户面特征信息和控制面特征信息反映了数据下载速率和变化趋势，无线网络侧数据能够真实准确得反馈网络问题，码率、分辨率等业务侧数据反映了视频的播放速率，因此该数据集可以全面准确得预测视频卡顿。以下是对该数据集的详细描述：
无线网络侧数据从基站端测量数据获取，时间颗粒度可以是s级或者100ms级，主要包括但不限于：1、用户信道状态信息，例如：SINR、CQI、RSRP、RSRQ等；2、小区负载信息，例如：上下行PRB占用率；3、PDCP层数据包统计信息，包括但不限于：PDCP buffer(缓存的有效数据长度)、瞬时PDCP包速率(单位时间内的包个数)、瞬时比特速率(单位时间内的比特长度)、PDCP包间隔(相邻两个包之间的间隔)、PDCP包间抖动(单位时间内每两个包之间时间间隔间的差)、TCP重传包速率、TCP重复ACK速率等。4.业务的服务质量流QoS flow控制参数信息，包括调度优先级、传输时延要求、误码率要求、带宽要求；5.下行资源块DRB的媒体访问控制MAC参数信息，包括DRB优先级、优先调度码率、令牌桶长度。
业务侧数据包括但不限于应用数据和卡顿标签数据。应用数据可以由终端以及或者应用服务器获取，获取的时间颗粒度为100ms级，主要包括但不限于：1、编码类型；2、码率；3、分辨率。
卡顿标签数据由终端获取，采集的时间颗粒度为100ms级，卡顿标签数据主要包括但不限于：1、卡顿开始时间；2、卡顿结束时间。
步骤52，根据包括所述PDCP层的统计信息的数据集，确定所述无线业务的关键质量指标KQI。
这里，基于所述用户业务的用户面特征信息和控制面特征信息数据集，利用机器学习算法(例如LSTM算法)训练卡顿预测模型。然后将训练好的模型发送给基站或者第三方平台，由基站对视频卡顿情况进行实时预测，输出视频下一时间周期的卡顿预测标识(卡顿/不卡顿)，并将结果反馈给网络侧或者应用服务器。若预测结果为即将发生卡顿，则由网络侧进行业务优先级提升，和/或更改DRB配置，和/或进行MAC预调度等操作，或者由应用服务器根据当前的可用带宽调整业务逻辑参数，例如TCP发送窗口大小、视频码率等，以保障顺畅的视频观看体验。
如图6所示，本公开一实施例提供一种无线业务质量确定装置，所述装置包括获取模块61和处理模块62；其中，
所述获取模块61，用于从基站获取用户业务的用户面特征信息和控制面特征信息；
所述处理模块62，用于根据所述用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
其中，所述获取模块61，还用于从基站获取分组数据汇聚协议PDCP层或无线链路层控制协议RLC层或服务数据应用协议SDAP层在所述业务的数据传输过程中产生的用户面特征信息。
其中，所述处理模块62，还用于根据历史时间段内的所述用户业务的用户面特征信息和控制面特征信息，预测所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，获得预测结果；根据所述预测结果，调整网络配置参数和/或应用服务器的业务逻辑。
其中，所述装置还包括发送模块63，所述发送模块用于向基站发送特征统计配置参数，其中，所述特征统计配置参数用于所述基站统计或采集用户业务的用户面特征信息和控制面特征信息。
其中，所述处理模块62，还用于将所述用户业务的用户面特征信息、控制面特征信息、业务质量标签信息输入用于业务质量确定的算法模型，获得所述数据包特征信息对应的所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
其中，所述处理模块62，还用于获取训练样本；其中，所述训练样本包括用户业务的用户面特征信息、控制面特征信息、业务质量标签信息，其中，所述用户面特征信息包括从基站获取的PDCP层或RLC层或SDAP层在数据传输过程中产生的用户业务的用户面特征信息；将所述训练样本输入用于业务质量确定的机器学习算法模型进行迭代训练，直至所述用于业务质量确定的机器算法学习模型的损失函数满足收敛条件，得到所述训练后的用于业务质量确定的机器学习算法模型。
如图7所示，本公开实施例还提供一种计算机设备，所述设备包括：处理器71和用于存储能够在处理器71上运行的计算机程序的存储器72；其中，所述处理器71用于运行所述计算机程序时，其中，所述处理器71用于运行所述计算机程序时执行：从基站获取用户业务的用户面特征信息和控制面特征信息；根据所述用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
所述处理器71还用于运行所述计算机程序时执行：从基站获取分组数据汇聚协议PDCP层或无线链路层控制协议RLC层或服务数据应用协议SDAP层在所述业务的数据传输过程中产生的用户面特征信息。
所述处理器71还用于运行所述计算机程序时执行：根据历史时间段内的所述用户业务的用户面特征信息和控制面特征信息，预测所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，获得预测结果；根据所述预测结果，调整网络配置参数和/或应用服务器的业务逻辑。
所述处理器71还用于运行所述计算机程序时执行：向基站发送特征统计配置参数，其中，所述特征统计配置参数用于所述基站统计或采集用户业务的用户面特征信息和控制面特征信息。
所述处理器71还用于运行所述计算机程序时执行：将所述用户业务的用户面特征信息、控制面特征信息、业务质量标签信息输入用于业务质量确定的算法模型，获得所述数据包特征信息对应的所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
所述处理器71还用于运行所述计算机程序时执行：获取训练样本；其中，所述训练样本包括用户业务的用户面特征信息、控制面特征信息、业务质量标签信息，其中，所述用户面特征信息包括从基站获取的PDCP层或RLC层或SDAP层在数据传输过程中产生的用户业务的用户面特征信息；将所述训练样本输入用于业务质量确定的机器学习算法模型进行迭代训练，直至所述用于业务质量确定的机器算法学习模型的损失函数满足收敛条件，得到所述训练后的用于业务质量确定的机器学习算法模型。
本公开实施例还提供一种装置，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，其中，所述处理器71用于运行所述计算机程序时执行：从基站获取用户业务的用户面特征信息和控制面特征信息；根据所述用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
所述处理器71还用于运行所述计算机程序时执行：从基站获取分组数据汇聚协议PDCP层或无线链路层控制协议RLC层或服务数据应用协议SDAP层在所述业务的数据传输过程中产生的用户面特征信息。
所述处理器71还用于运行所述计算机程序时执行：根据历史时间段内的所述用户业务的用户面特征信息和控制面特征信息，预测所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，获得预测结果；根据所述预测结果，调整网络配置参数和/或应用服务器的业务逻辑。
所述处理器71还用于运行所述计算机程序时执行：向基站发送特征统计配置参数，其中，所述特征统计配置参数用于所述基站统计或采集用户业务的用户面特征信息和控制面特征信息。
所述处理器71还用于运行所述计算机程序时执行：将所述用户业务的用户面特征信息、控制面特征信息、业务质量标签信息输入用于业务质量确定的算法模型，获得所述数据包特征信息对应的所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
所述处理器71还用于运行所述计算机程序时执行：获取训练样本；其中，所述训练样本包括用户业务的用户面特征信息、控制面特征信息、业务质量标签信息，其中，所述用户面特征信息包括从基站获取的PDCP层或RLC层或SDAP层在数据传输过程中产生的用户业务的用户面特征信息；
将所述训练样本输入用于业务质量确定的机器学习算法模型进行迭代训练，直至所述用于业务质量确定的机器算法学习模型的损失函数满足收敛条件，得到所述训练后的用于业务质量确定的机器学习算法模型。
本公开实施例还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行，其中，所述处理器71运行所述计算机程序时执行：从基站获取用户业务的用户面特征信息和控制面特征信息；所述用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
所述处理器71运行所述计算机程序时还执行：从基站获取分组数据汇聚协议PDCP层或无线链路层控制协议RLC层或服务数据应用协议SDAP层在所述业务的数据传输过程中产生的用户面特征信息。
所述处理器71运行所述计算机程序时还执行：根据历史时间段内的所述用户业务的用户面特征信息和控制面特征信息，预测所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，获得预测结果；根据所述预测结果，调整网络配置参数和/或应用服务器的业务逻辑。
所述处理器71运行所述计算机程序时还执行：向基站发送特征统计配置参数，其中，所述特征统计配置参数用于所述基站统计或采集用户业务的用户面特征信息和控制面特征信息。
所述处理器71运行所述计算机程序时还执行：将所述用户业务的用户面特征信息、控制面特征信息、业务质量标签信息输入用于业务质量确定的算法模型，获得所述数据包特征信息对应的所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
所述处理器71运行所述计算机程序时还执行：获取训练样本；其中，所述训练样本包括用户业务的用户面特征信息、控制面特征信息、业务质量标签信息，其中，所述用户面特征信息包括从基站获取的PDCP层或RLC层或SDAP层在数据传输过程中产生的用户业务的用户面特征信息；
将所述训练样本输入用于业务质量确定的机器学习算法模型进行迭代训练，直至所述用于业务质量确定的机器算法学习模型的损失函数满足收敛条件，得到所述训练后的用于业务质量确定的机器学习算法模型。
以上所述，仅为本公开的较佳实施例而已，并非用于限定本公开的保护范围。凡在本公开的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本公开的保护范围之内。

Claims (17)

1.一种无线业务质量确定方法，其特征在于，包括：
从基站获取用户业务的用户面特征信息和控制面特征信息；
根据所述用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
2.根据权利要求1所述的无线业务质量确定方法，其特征在于，所述用户面特征信息包括如下至少之一：数据缓存量信息、数据包特征信息；
所述控制面特征信息包括如下至少之一：小区负载信息、用户信道状态信息、业务的服务质量流QoS flow控制参数信息、下行资源块DRB的媒体访问控制MAC参数信息。
3.根据权利要求1所述的无线业务质量确定方法，其特征在于，所述从基站获取用户业务的用户面特征信息，包括：从基站获取分组数据汇聚协议PDCP层或无线链路层控制协议RLC层或服务数据应用协议SDAP层在所述业务的数据传输过程中产生的用户面特征信息。
4.根据权利要求1所述的无线业务质量确定方法，其特征在于，所述根据所述用户业务的用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，包括：
根据历史时间段内的所述用户业务的用户面特征信息和控制面特征信息，预测所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，获得预测结果；
根据所述预测结果，调整网络配置参数和/或应用服务器的业务逻辑。
5.根据权利要求1所述的无线业务质量确定方法，其特征在于，在所述从基站获取用户业务的用户面特征信息和控制面特征信息之前，还包括：向基站发送特征统计配置参数，其中，所述特征统计配置参数用于所述基站统计或采集用户业务的用户面特征信息和控制面特征信息。
6.根据权利要求5所述的无线业务质量确定方法，其特征在于，所述特征统计配置参数包括如下之一：用户标识、采集参数列表、数据统计方法选择参数、数据统计的时间窗口参数、特征信息上报周期参数、特征信息封装格式参数。
7.根据权利要求1所述的无线业务质量确定方法，其特征在于，根据所述用户业务的用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，包括：
将所述用户业务的用户面特征信息、控制面特征信息、业务质量标签信息输入用于业务质量确定的算法模型，获得所述数据包特征信息对应的所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
8.根据权利要求7所述的无线业务质量确定方法，其特征在于，所述用于业务质量确定的算法模型为训练后的用于业务质量确定的机器学习算法模型，在将所述数据包特征信息输入用于业务质量确定的算法模型之前，还包括：
获取训练样本；其中，所述训练样本包括用户业务的用户面特征信息、控制面特征信息、业务质量标签信息，其中，所述用户面特征信息包括从基站获取的PDCP层或RLC层或SDAP层在数据传输过程中产生的用户业务的用户面特征信息；
将所述训练样本输入用于业务质量确定的机器学习算法模型进行迭代训练，直至所述用于业务质量确定的机器算法学习模型的损失函数满足收敛条件，得到所述训练后的用于业务质量确定的机器学习算法模型。
9.一种无线业务质量确定装置，其特征在于，所述装置包括获取模块和处理模块；其中，
所述获取模块，用于从基站获取用户业务的用户面特征信息和控制面特征信息；
所述处理模块，用于根据所述用户面特征信息和控制面特征信息，确定所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
10.根据权利要求9所述的无线业务质量确定装置，其特征在于，所述获取模块，还用于从基站获取分组数据汇聚协议PDCP层或无线链路层控制协议RLC层或服务数据应用协议SDAP层在所述业务的数据传输过程中产生的用户面特征信息。
11.根据权利要求9所述的无线业务质量确定装置，其特征在于，所述处理模块，还用于根据历史时间段内的所述用户业务的用户面特征信息和控制面特征信息，预测所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量，获得预测结果；根据所述预测结果，调整网络配置参数和/或应用服务器的业务逻辑。
12.根据权利要求9所述的无线业务质量确定装置，其特征在于，所述装置还包括发送模块，所述发送模块用于向基站发送特征统计配置参数，其中，所述特征统计配置参数用于所述基站统计或采集用户业务的用户面特征信息和控制面特征信息。
13.根据权利要求9所述的无线业务质量确定装置，其特征在于，所述处理模块，还用于将所述用户业务的用户面特征信息、控制面特征信息、业务质量标签信息输入用于业务质量确定的算法模型，获得所述数据包特征信息对应的所述业务的关键质量指标KQI或者所述业务的体验质量QoE或者无线网络质量。
14.根据权利要求13所述的无线业务质量确定装置，其特征在于，所述处理模块，还用于获取训练样本；其中，所述训练样本包括用户业务的用户面特征信息、控制面特征信息、业务质量标签信息，其中，所述用户面特征信息包括从基站获取的PDCP层或RLC层或SDAP层在数据传输过程中产生的用户业务的用户面特征信息；将所述训练样本输入用于业务质量确定的机器学习算法模型进行迭代训练，直至所述用于业务质量确定的机器算法学习模型的损失函数满足收敛条件，得到所述训练后的用于业务质量确定的机器学习算法模型。
15.一种计算机设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，实现权利要求1至8中任一项所述的无线业务质量确定方法。
16.一种装置，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，实现如权利要求1至8任一所述的无线业务质量确定方法。
17.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的无线业务质量确定方法。
CN201910924569.XA 2019-09-27 2019-09-27 无线业务质量确定方法、装置、计算机设备和存储介质 Active CN112584417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910924569.XA CN112584417B (zh) 2019-09-27 2019-09-27 无线业务质量确定方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910924569.XA CN112584417B (zh) 2019-09-27 2019-09-27 无线业务质量确定方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112584417A true CN112584417A (zh) 2021-03-30
CN112584417B CN112584417B (zh) 2023-05-09

Family

ID=75109952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910924569.XA Active CN112584417B (zh) 2019-09-27 2019-09-27 无线业务质量确定方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112584417B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343573A (zh) * 2021-06-18 2021-09-03 烽火通信科技股份有限公司 基于回溯搜索算法的用户感知度评估方法与电子设备
CN114143832A (zh) * 2021-12-07 2022-03-04 中国联合网络通信集团有限公司 一种业务处理方法、装置及存储介质
CN114257523A (zh) * 2021-12-08 2022-03-29 中国联合网络通信集团有限公司 用户感知预测方法、系统、设备和计算机存储介质
WO2023020530A1 (zh) * 2021-08-18 2023-02-23 中国移动通信有限公司研究院 无线业务传输控制方法、装置和功能实体
WO2023116233A1 (zh) * 2021-12-20 2023-06-29 北京字节跳动网络技术有限公司 视频卡顿预测方法、装置、设备和介质
WO2023124468A1 (zh) * 2021-12-31 2023-07-06 中兴通讯股份有限公司 业务质量的检测方法、装置、服务器和存储介质
WO2023165497A1 (zh) * 2022-03-01 2023-09-07 索尼集团公司 针对高速低时延业务的数据速率波动控制

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102104901A (zh) * 2011-02-11 2011-06-22 大唐移动通信设备有限公司 一种获取关键性能指标的方法和装置
CN103347272A (zh) * 2013-06-20 2013-10-09 中国联合网络通信集团有限公司 网络资源消耗评估方法和装置
JP2016051985A (ja) * 2014-08-29 2016-04-11 日本電信電話株式会社 品質管理システム、方法、およびプログラム
US20170264488A1 (en) * 2016-03-09 2017-09-14 Cisco Technology, Inc. Cross-domain service optimization
CN107809766A (zh) * 2017-10-20 2018-03-16 北京神州泰岳软件股份有限公司 一种用于网络优化的机器学习样本的生成方法及装置
CN108848515A (zh) * 2018-05-31 2018-11-20 武汉虹信技术服务有限责任公司 一种基于大数据的物联网业务质量监测平台及方法
CN109600243A (zh) * 2017-09-30 2019-04-09 华为技术有限公司 数据分析方法和装置
CN109699044A (zh) * 2018-12-26 2019-04-30 中国移动通信集团江苏有限公司 大气波导干扰的确定方法、装置、设备及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102104901A (zh) * 2011-02-11 2011-06-22 大唐移动通信设备有限公司 一种获取关键性能指标的方法和装置
CN103347272A (zh) * 2013-06-20 2013-10-09 中国联合网络通信集团有限公司 网络资源消耗评估方法和装置
JP2016051985A (ja) * 2014-08-29 2016-04-11 日本電信電話株式会社 品質管理システム、方法、およびプログラム
US20170264488A1 (en) * 2016-03-09 2017-09-14 Cisco Technology, Inc. Cross-domain service optimization
CN109600243A (zh) * 2017-09-30 2019-04-09 华为技术有限公司 数据分析方法和装置
CN107809766A (zh) * 2017-10-20 2018-03-16 北京神州泰岳软件股份有限公司 一种用于网络优化的机器学习样本的生成方法及装置
CN108848515A (zh) * 2018-05-31 2018-11-20 武汉虹信技术服务有限责任公司 一种基于大数据的物联网业务质量监测平台及方法
CN109699044A (zh) * 2018-12-26 2019-04-30 中国移动通信集团江苏有限公司 大气波导干扰的确定方法、装置、设备及介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343573A (zh) * 2021-06-18 2021-09-03 烽火通信科技股份有限公司 基于回溯搜索算法的用户感知度评估方法与电子设备
CN113343573B (zh) * 2021-06-18 2022-03-29 烽火通信科技股份有限公司 基于回溯搜索算法的用户感知度评估方法与电子设备
WO2023020530A1 (zh) * 2021-08-18 2023-02-23 中国移动通信有限公司研究院 无线业务传输控制方法、装置和功能实体
CN114143832A (zh) * 2021-12-07 2022-03-04 中国联合网络通信集团有限公司 一种业务处理方法、装置及存储介质
CN114143832B (zh) * 2021-12-07 2023-09-05 中国联合网络通信集团有限公司 一种业务处理方法、装置及存储介质
CN114257523A (zh) * 2021-12-08 2022-03-29 中国联合网络通信集团有限公司 用户感知预测方法、系统、设备和计算机存储介质
CN114257523B (zh) * 2021-12-08 2023-07-07 中国联合网络通信集团有限公司 用户感知预测方法、系统、设备和计算机存储介质
WO2023116233A1 (zh) * 2021-12-20 2023-06-29 北京字节跳动网络技术有限公司 视频卡顿预测方法、装置、设备和介质
WO2023124468A1 (zh) * 2021-12-31 2023-07-06 中兴通讯股份有限公司 业务质量的检测方法、装置、服务器和存储介质
WO2023165497A1 (zh) * 2022-03-01 2023-09-07 索尼集团公司 针对高速低时延业务的数据速率波动控制

Also Published As

Publication number Publication date
CN112584417B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN112584417B (zh) 无线业务质量确定方法、装置、计算机设备和存储介质
US11558276B2 (en) Latency prediction and guidance in wireless communication systems
Lee et al. PERCEIVE: deep learning-based cellular uplink prediction using real-time scheduling patterns
Liu et al. Experiences in a 3G network: interplay between the wireless channel and applications
CN102724564B (zh) 确定移动视频体验质量和视频代码转换的影响
US7328262B2 (en) Telecommunications network subscriber experience measurement
US20160226703A1 (en) Method and system for controlling an operation of an application by classifying an application type using data bearer characteristics
CN107864084A (zh) 数据包的传输方法和装置
EP2916582B1 (en) Method and apparatus for evaluating performance of wireless network capillary channel
CN110138608B (zh) 网络业务服务质量管理的方法及服务器
EP2448174B1 (en) An apparatus for controlling data traffic and a method for measuring QoE
US20130179568A1 (en) Method and apparatus for analysis of the operation of a communication system using events
Raca et al. Empowering video players in cellular: Throughput prediction from radio network measurements
US20160227434A1 (en) System and method for mitigating network congestion using fast congestion detection in a wireless radio access network (ran)
Song et al. Leveraging frame aggregation for estimating WiFi available bandwidth
US20130051252A1 (en) Methods, systems, and computer program products for monitoring network performance
Michelinakis et al. Lightweight capacity measurements for mobile networks
KR100553553B1 (ko) 순차적인 서비스 품질(ＱｏＳ) 정보를 관리 및 제공하는시스템 및 방법
CN110972199A (zh) 一种流量拥塞监测方法及装置
CN108293024B (zh) 业务数据的传输方法和装置
KR102408248B1 (ko) 서비스 유형에 매칭되는 진단 패킷을 통해 네트워크에 대한 진단을 수행하는 진단 시스템
Bergfeldt et al. Real‐time bandwidth measurements over mobile connections
JP5836425B2 (ja) 評価装置、評価方法および通信システム
KR102377791B1 (ko) 네트워크 내 복수의 네트워크 구간 별로 양방향의 진단을 수행하는 진단 시스템
Pais et al. End user behavior and performance feedback for service analysis

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