CN112702219B - 物联网网络监测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种物联网网络监测方法、装置、设备及存储介质。其中，该方法包括：基于设定的采样频率采集传递物联网数据的隧道对应的状态参数，所述状态参数包括以下至少之一：隧道资源占用率、交互数据大小；基于确定的目标样本空间和历史的状态参数确定用于预测的样本训练数据，其中，所述目标样本空间用于确定所述样本训练数据对应的状态参数的设定数量，所述样本训练数据包括当前时刻最近的所述设定数量个状态参数；基于所述样本训练数据确定所述隧道对应的预测状态参数；基于所述预测状态参数和设定的阈值确定所述物联网网络是否存在功耗异常的网络监测结果。

Description

物联网网络监测方法、装置、设备及存储介质

技术领域

本发明涉及无线通信领域，尤其涉及一种物联网网络监测方法、装置、设备及存储介质。

背景技术

移动物联网实际应用中，一方面，运营商采用通用的节电参数模板对同一类业务进行参数配置，业务终端的睡眠周期、参数配置趋同，对于某些休眠态间隔时间较短、连接态时间较长的业务，容易受限；另一方面，移动物联网业务厂家自身业务逻辑设计未必合理，通信交互过程中，若终端不能较快得到平台响应，往往重复发送数据包请求响应，不仅浪费终端消耗，而且在通信过程中会导致通信设备域、云平台等系统设备的额外能耗。

发明内容

有鉴于此，本发明实施例提供了一种物联网网络监测方法、装置、设备及存储介质，旨在有效识别物联网网络中功耗异常的事件，以有效降低物联网的能耗。

本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种物联网网络监测方法，包括：

基于设定的采样频率采集传递物联网数据的隧道对应的状态参数，所述状态参数包括以下至少之一：隧道资源占用率、交互数据大小；

基于确定的目标样本空间和历史的状态参数确定用于预测的样本训练数据，其中，所述目标样本空间用于确定所述样本训练数据对应的状态参数的设定数量，所述样本训练数据包括当前时刻最近的所述设定数量个状态参数；

基于所述样本训练数据确定所述隧道对应的预测状态参数；

基于所述预测状态参数和设定的阈值确定所述物联网网络是否存在功耗异常的网络监测结果。

本发明实施例还提供了一种物联网网络监测装置，包括：

采集模块，用于基于设定的采样频率采集传递物联网数据的隧道对应的状态参数，所述状态参数包括以下至少之一：隧道资源占用率、交互数据大小；

第一确定模块，用于基于确定的目标样本空间和已采集的状态参数确定用于预测的样本训练数据，其中，所述目标样本空间用于确定所述样本训练数据对应的状态参数的设定数量，所述样本训练数据包括当前时刻最近的所述设定数量个状态参数；

预测模块，用于基于所述样本训练数据确定所述隧道对应的预测状态参数；

第二确定模块，用于基于所述预测状态参数和设定的阈值确定所述物联网网络是否存在功耗异常的网络监测结果。

本发明实施例又提供了一种物联网网络监测设备，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，用于运行计算机程序时，执行本发明任一实施例所述方法的步骤。

本发明实施例还提供了一种存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现本发明任一实施例所述方法的步骤。

本发明实施例提供的技术方案，基于隧道的样本训练数据确定所述隧道对应的预测状态参数，基于所述预测状态参数和设定的阈值确定所述物联网网络是否存在功耗异常的网络监测结果，能够有效预判物联网网络的功耗异常的事件，从而可以及时避免冗余的通信连接、数据传输对通信系统功耗的影响，提升通信的效率。

附图说明

图1为本发明实施例物联网网络的结构示意图；

图2为本发明实施例物联网云平台单元和互联网接口单元的结构示意图；

图3为本发明实施例物联网网络监测方法的流程示意图；

图4为本发明应用实施例物联网网络的结构示意图；

图5为本发明应用实施例物联网网络监测方法的流程示意图；

图6为本发明实施例物联网网络监测装置的结构示意图；

图7为本发明实施例物联网网络监测设备的结构示意图。

具体实施方式

下面结合附图及实施例对本发明再作进一步详细的描述。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

随着无线网络的发展，基站的能耗将进一步增加。且伴随着基站多天线产品在收发通道数的扩充，基站功耗高的问题进一步凸显。相比传统通信技术，移动物联网具有无人值守的特点，端到端业务在意外情况产生的冗余通信过程往往是业务产生额外功耗的主要原因。如果能有效预判设备的异常、低效的通信交互事件，可有效降低冗余的通信连接、数据传输对通信系统功耗的影响，提升通信的效率。

基于此，在本发明各种实施例中，可以有效预判物联网网络的功耗异常的事件，从而可以及时避免冗余的通信连接、数据传输对通信系统功耗的影响，提升通信的效率。

在对本发明实施例物联网网络监测方法进行介绍之前，先对物联网网络的系统结构进行说明。如图1所示。该物联网网络包括：业务终端单元101、空中接口单元102、核心网单元103、互联网接口单元104及物联网平台单元105。

下面对各单元进行具体说明：

业务终端单元101，业务终端单元101通过运营商提供的移动通信接入服务为物联网终端完成签约配置。安防监控、能源表计、智慧消防、可穿戴设备、环境监测传感器等物联网应用场景中，在物联网卡签约过程中提供物联网终端的设备标识位等信息。

空中接口单元102，物联网终端通过空中接口接入通信设施基础层，空中接口单元102实现业务搜索信号产生、搜索资源选择、频谱管理。

核心网单元103，核心网单元103包括MME(Mobility Management Entity，移动管理实体)、SGW(Serving GateWay，服务网关)、PGW(PDN GateWay，分组数据网关)、SMSC(Short Message Service Center，短信息服务中心)/HSS(Home Subscriber Server，归属用户服务器)/MSC(Mobile Switching Center，移动交换中心)等，实现终端检测和分组、搜索资源分配和干扰管理。

互联网接口单元104，互联网接口单元104包括隧道数传设备、防火墙。在核心网单元与IoT(Internet of Things，物联网)平台之前的防火墙部署隧道，终端与IoT平台之间通过私网IP地址互通，互通的私网IP地址封装在公网IP地址的隧道中，通过隧道实现公网穿越。其中，通过隧道数传设备准确测算出IoT Packet对通信资源的占用时间、使用频次等情况。但一般来说，隧道数传设备难以提供相应的计算能力以及复杂计算所带来的资源消耗。

物联网云平台单元105，物联网云平台具备强大的计算能力和存储空间，用于大规模和复杂度较高的数据处理及数据存储，包括数据选择判断单元、控制单元(指令缓存单元、取指模块、译码模块、标量寄存堆栈)、神经网络运算单元、存储单元。其中，神经网络运算单元作为一种用于特征提取的人工神经网络模型，模型训练过程部署在物联网云平台进行，生成的模型参数放在隧道数传设备。

图2示出了物联网云平台单元105和互联网接口单元104的具体结构示意图。其中，互联网接口单元104包括隧道数传设备。该隧道数传设备接收神经网络运算单元生成的模型参数，并实施功耗异常事件的检测。

在一实施例中，物联网网络监测方法应用于隧道数传设备。如图3所示，该方法包括：

步骤301，基于设定的采样频率采集传递物联网数据的隧道对应的状态参数，所述状态参数包括以下至少之一：隧道资源占用率、交互数据大小。

实际应用时，无人值守的物联网终端实时采集事件变量数据。事件变量数据上报至空中接口单元，转发至互联网接口单元，到达物联网云平台单元，并最终完成端到端业务。物联网终端实时采集事件变量数据，该数据上报采用重发机制，终端上报一次数据后，需要对端(即物联网云平台单元)确认应答，等待一定时间，如果没有收到物联网云平台单元应答，将再次上报数据。此外，终端还将周期性上报心跳数据到物联网云平台单元，告诉物联网云平台单元当前设备在线等信息。物联网终端上报的IoT Packet(即物联网数据)主要类型有：心跳数据包、业务数据包、重发数据包。不同类型的数据包在数据包大小、通信频次、交互持续时间上各有不同，但具有规律性。

本发明实施例，通过采集隧道传递IoT Packet对应的状态参数，以便进行后续的状态参数的预测。这里，采样频率可以基于签约的业务类型进行设定。

步骤302，基于确定的目标样本空间和历史的状态参数确定用于预测的样本训练数据，其中，所述目标样本空间用于确定所述样本训练数据对应的状态参数的设定数量，所述样本训练数据包括当前时刻最近的所述设定数量个状态参数。

步骤303，基于所述样本训练数据确定所述隧道对应的预测状态参数。

这里，基于所述样本训练数据，利用自回归滑动平均(ARMA，Autoregressivemoving average)算法确定预测状态参数。

步骤304，基于所述预测状态参数和设定的阈值确定所述物联网网络是否存在功耗异常的网络监测结果。

这里，基于业务初始化参数确定所述设定的阈值，所述业务初始化参数包括以下至少之一：签约业务对应的物联网终端的数量、签约业务对应的物联网终端的上报频率、签约业务对应的物联网终端的数据重复发送次数、签约业务对应的物联网终端的数据大小。根据业务初始化参数可以测算出签约厂商部署物联网终端的隧道资源占用率异常的极大门限值Cmax和极小门限值Cmin。

若所述预测状态参数大于所述极大门限值Cmax或者小于所述极小门限值Cmin时，生成存在功耗异常的网络监测结果，从而可以及时预判物联网网络的功耗异常的事件。

本发明实施例的方法，基于隧道的样本训练数据确定所述隧道对应的预测状态参数，基于所述预测状态参数和设定的阈值确定所述物联网网络是否存在功耗异常的网络监测结果，能够有效预判物联网网络的功耗异常的事件，从而可以及时避免冗余的通信连接、数据传输对通信系统功耗的影响，提升通信的效率。

由于需要基于确定的目标样本空间和历史的状态参数确定用于预测的样本训练数据。在一实施例中，所述方法还包括：基于历史的状态参数通过神经网络训练确定所述目标样本空间。

实际应用时，基于历史的状态参数通过神经网络训练确定所述目标样本空间，包括：计算基于不同训练样本空间的预测值与检验样本，根据预测值与检验样本比较的计算结果，确定目标样本空间。

考虑到隧道数传设备的计算能力受限，在一实施例中，由物联网云平台单元105的神经网络运算单元确定所述目标样本空间。所述方法还包括：获取所述神经网络运算单元确定的目标样本空间。

在一应用示例中，基于历史的状态参数通过神经网络训练确定所述目标样本空间，包括：

步骤1，数据采样，采样的时间是t1，t2，t3，…，tn，隧道资源占用率(单位时间内发送数据包个数)的观测值是C1，C2，C3，…，Cn，单次连接交互数据大小的观测值是M1，M2，M3，…，Mn。在一实施例中，还可以对隧道资源占用率的观测值和单次连接交互数据大小的观测值进行归一化处理，以减少采样数据的误差。

步骤2，确定样本训练空间：采用w个不同的训练样本区间Qy＝{ty,…,tn}，其中，y＝1,2,…,w，用来分别对比预测结果与真实样本，比较各个区间预测结果的误差，确定最佳的训练样本空间(即目标样本空间)。

步骤3，确定预测时间段的长度m，m为需要预测的时间段的数量，可以预先根据监测的需要进行设定。

步骤4，确定检验样本：采样时间段为tn+1,tn+2,…,tn+m的抽样样本，得到隧道资源占用率{Cn+1,Cn+2,…,Cn+m}，利用这些样本作为检验值(即真实值)，与基于t1～tn的样本预测的结果进行比较。

步骤5，基于样本训练数据，利用ARMA算法进行预测，得到隧道资源占用率预测值Cy＝{Cyn+1,Cyn+2,…,Cyn+m},y＝1,2,…w，其中，w代表不同的样本训练数据。

步骤6，计算基于不同训练样本空间的预测值与检验样本。基于步骤5得到的预测值以及步骤4的检验样本，计算预测值与检验样本(即实际值)之间的绝对误差、均方根误差：

绝对误差δcy＝{Cyn+1-Cn+1,Cyn+2-Cn+2,…,Cyn+m-Cn+m},y＝1,2,…w；

均方根误差εcy。

步骤7，对比步骤6得到的绝对误差和均方根误差；

步骤8.1，根据绝对误差是否超过门限值Tc，判断样本空间y＝1,2,…w是否可用。

步骤8.2，对比不同样本空间的均方根误差εcy，可发现预测值的均方根误差随着样本空间增大明显减少。当样本空间增大，预测值的均方根误差不再增大时，判断此时随着样本空间增大，不再提高隧道资源占用率的预测精度，此时的训练预测样本空间为最优。

步骤9，根据预测值与实际值比较的计算结果，确定ARMA模型的最优样本空间V，即训练样本空间采用Mv＝{tv,…,tn}。

在一实施例中，为了对功耗异常的事件的类型进行识别，所述方法还包括：对所述预测状态参数基于聚类识别算法确定功耗异常对应的故障类型。

实际应用时，根据历史监测的功耗异常的事件对应的类型建立异常识别模型，该异常识别模型基于各功耗异常的事件所属的类型和对应的状态参数确定。比如，得到功耗异常的事件集合ERt＝{(Zt,En)，t＝1,2，…，n＝1,2,…}，其中Zt是某个时刻功耗异常的事件的集合，En表示异常交互信息类型，如“终端发射功率异常”、“设备运行故障”、“人为破坏”、“通信拥塞”、“网络覆盖突发问题”、“异常重复发送”等交互情况。根据各异常交互信息类型对应的功耗异常的事件的集合，基于集合中各事件对应的状态参数，采用聚类算法确定该异常交互信息类型对应的特征向量，利用该特征向量表征异常交互信息类型。这样，基于所述预测状态参数和设定的阈值确定所述物联网网络存在功耗异常的网络监测结果时，根据该预测状态参数对应的特征向量与各异常交互信息类型的特征向量进行比较，将特征向量间距离最近对应的异常交互信息类型确定为该功耗异常事件的异常交互信息类型。这样，可以快速锁定网络异常事件对应的类型。需要说明的是，特征向量可以是基于多个维度的参数确定的，比如，针对隧道资源占用率和交互数据大小确定的，从而形成多维度的特征向量。

下面结合应用实施例对本发明再作进一步详细的描述。

本应用实施例中，物联网网络的结构如图4所示，物联网网络监测方法如图5所示，包括以下步骤：

步骤1，设定系统采样频率，观测GRE(通用路由封装)隧道资源占用率，单次连接交互数据大小；

步骤2，确定样本训练空间，基于样本训练数据，利用ARMA算法进行预测；

步骤3，计算基于不同训练样本空间的预测值与检验样本，根据预测值与实际值比较的计算结果，确定ARMA模型的最优样本空间V；

步骤4，测算出各签约厂商部署设备的GRE隧道资源占用率异常的高低门限值，判断端到端业务功耗是否过载；

步骤5，在GRE隧道资源占用率异常的时候，得到异常交互信息集合，并提供排查建议；

在隧道资源占用率异常时，得到异常交互信息集合(即功耗异常的事件集合)ERt＝{(Zt,En)，t＝1,2，…，n＝1,2,…}，其中Zt是某个时刻功耗异常的事件的集合，En表示异常交互信息类型，如“终端发射功率异常”、“设备运行故障”、“人为破坏”、“通信拥塞”、“网络覆盖突发问题”、“异常重复发送”等交互情况，可以根据不同的异常交互信息类型，推送相应的提示信息至物联网终端的运营商。

步骤6，根据业务数据包占用率的聚类特征差异定位特定类别的异常事件，降低端到端业务的冗余功耗。

根据该预测状态参数对应的特征向量与各异常交互信息类型的特征向量进行比较，将特征向量间距离最近对应的异常交互信息类型确定为该功耗异常事件的异常交互信息类型。

实际应用时，隧道资源占用率<Cmin,建议排查“设备运行故障”、“通信拥塞”、“网络覆盖突发问题”等，进一步的，根据业务数据包的聚类特征差异定位可能的事件。隧道资源占用率>Cmax，建议排查“异常重复发送”、“业务逻辑设计不佳”等，进一步的，根据业务数据包的聚类特征差异定位可能的事件。

在一些实施例中，还可以根据预判移动物联网的功耗异常事件，针对超阀值情况强化告警管理，完善端到端业务网络运维的考核机制，保证物联网无人值守的低功耗通信的准确性。此外，统计业务终端在新的一天中，发生端到端业务的功耗异常事件的总量，并与同类别参考业务终端做横向对比，进一步提出优化方案。

本应用实施例方法，可以实现准确的海量规模群组的低功耗服务，提升端到端业务的功耗性能。定位海量连接的物联网终端在在无人值守环境中遇到的难以被发现的各种各样的意外、隐形问题，如：设备运行故障、人为破坏、网络覆盖突发问题等导致设备消耗无用的功耗。本应用实施例提出了一种移动物联网通信组网架构，通过隧道数传设备对IoTPacket通信资源建模分析，预判移动物联网的低功耗业务异常事件，实现准确的海量规模群组的低功耗服务，提升端到端业务的功耗性能。

为了实现本发明实施例的方法，本发明实施例还提供一种物联网网络监测装置，如图6所示，该装置包括：

采集模块601，用于基于设定的采样频率采集传递物联网数据的隧道对应的状态参数，所述状态参数包括以下至少之一：隧道资源占用率、交互数据大小；

第一确定模块602，用于基于确定的目标样本空间和已采集的状态参数确定用于预测的样本训练数据，其中，所述目标样本空间用于确定所述样本训练数据对应的状态参数的设定数量，所述样本训练数据包括当前时刻最近的所述设定数量个状态参数；

预测模块603，用于基于所述样本训练数据确定所述隧道对应的预测状态参数；

第二确定模块604，用于基于所述预测状态参数和设定的阈值确定所述物联网网络是否存在功耗异常的网络监测结果。

在一些实施例中，所述装置还包括获取模块605，该获取模块605用于获取所述目标样本空间，其中，所述目标样本空间是基于历史的状态参数通过神经网络训练确定的。

在一些实施例中，所述装置还包括阈值确定模块606，用于基于业务初始化参数确定所述设定的阈值，所述业务初始化参数包括以下至少之一：签约业务对应的物联网终端的数量、签约业务对应的物联网终端的上报频率、签约业务对应的物联网终端的数据重复发送次数、签约业务对应的物联网终端的数据大小。

在一些实施例中，预测模块603具体用于：基于所述样本训练数据，利用自回归滑动平均ARMA算法确定预测状态参数。

在一些实施例中，所述设定的阈值包括：极大门限值和极小门限值；所述第二确定模块604具体用于：若所述预测状态参数大于所述极大门限值或者小于所述极小门限值时，生成存在功耗异常的网络监测结果。

在一些实施例中，所述第二确定模块604还用于对所述预测状态参数基于聚类识别算法确定功耗异常对应的故障类型。

在一些实施例中，所述装置还包括：第三确定模块607，用于基于历史的状态参数通过神经网络训练确定所述目标样本空间。

实际应用时，采集模块601、第一确定模块602、预测模块603、第二确定模块604、获取模块605、阈值确定模块606及第三确定模块607，可以由物联网网络监测装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。

需要说明的是：上述实施例提供的物联网网络监测装置在进行物联网网络监测时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的物联网网络监测装置与物联网网络监测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供一种物联网网络监测设备。图7仅仅示出了该物联网网络监测设备的示例性结构而非全部结构，根据需要可以实施图7示出的部分结构或全部结构。

如图7所示，本发明实施例提供的物联网网络监测设备700包括：至少一个处理器701、存储器702、用户接口703和至少一个网络接口704。物联网网络监测设备700中的各个组件通过总线系统705耦合在一起。可以理解，总线系统705用于实现这些组件之间的连接通信。总线系统705除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线系统705。

其中，用户接口703可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。

本发明实施例中的存储器702用于存储各种类型的数据以支持物联网网络监测设备的操作。这些数据的示例包括：用于在物联网网络监测设备上操作的任何计算机程序。

本发明实施例揭示的物联网网络监测方法可以应用于处理器701中，或者由处理器701实现。处理器701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，物联网网络监测方法的各步骤可以通过处理器701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701可以是通用处理器、数字信号处理器(DSP，Digital SignalProcessor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器701可以实现或者执行本发明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任何常规的处理器等。结合本发明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。软件模块可以位于存储介质中，该存储介质位于存储器702，处理器701读取存储器702中的信息，结合其硬件完成本发明实施例提供的物联网网络监测方法的步骤。

在示例性实施例中，物联网网络监测设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、FPGA、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。

可以理解，存储器702可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体可以是计算机可读存储介质，例如包括存储计算机程序的存储器702，上述计算机程序可由物联网网络监测设备的处理器701执行，以完成本发明实施例方法所述的步骤。计算机可读存储介质可以是ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。

需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

另外，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种物联网网络监测方法，应用于隧道数传设备，其特征在于，包括：

基于设定的采样频率采集传递物联网数据的隧道对应的状态参数，所述状态参数包括以下至少之一：隧道资源占用率、交互数据大小；

获取目标样本空间；其中，所述目标样本空间确定方式包括：计算基于不同训练样本空间的预测值与检验样本，根据预测值与检验样本比较的计算结果，确定目标样本空间；

基于确定的所述目标样本空间和历史的状态参数确定用于预测的样本训练数据，其中，所述目标样本空间用于确定所述样本训练数据对应的状态参数的设定数量，所述样本训练数据包括当前时刻最近的所述设定数量个状态参数；

基于所述样本训练数据确定所述隧道对应的预测状态参数；

基于业务初始化参数确定设定的阈值，其中，所述设定的阈值包括：极大门限值和极小门限值；

基于所述预测状态参数和所述设定的阈值确定所述物联网网络是否存在功耗异常的网络监测结果；

若所述预测状态参数大于所述极大门限值或者小于所述极小门限值时，生成存在功耗异常的网络监测结果；

当存在功耗异常的网络监测结果时，得到异常交互信息集合，并提供排查建议；

根据业务数据包占用率的聚类特征差异定位特定类别的异常事件。

2.根据权利要求1所述的方法，其特征在于，所述业务初始化参数包括以下至少之一：签约业务对应的物联网终端的数量、签约业务对应的物联网终端的上报频率、签约业务对应的物联网终端的数据重复发送次数、签约业务对应的物联网终端的数据大小。

3.根据权利要求1所述的方法，其特征在于，所述基于所述样本训练数据确定所述隧道对应的预测状态参数，包括：

基于所述样本训练数据，利用自回归滑动平均ARMA算法确定预测状态参数。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述预测状态参数基于聚类识别算法确定功耗异常对应的故障类型。

5.一种物联网网络监测装置，应用于隧道数传设备，其特征在于，包括：

采集模块，用于基于设定的采样频率采集传递物联网数据的隧道对应的状态参数，所述状态参数包括以下至少之一：隧道资源占用率、交互数据大小；

获取模块：用于获取目标样本空间；其中，所述目标样本空间确定方式包括：计算基于不同训练样本空间的预测值与检验样本，根据预测值与检验样本比较的计算结果，确定目标样本空间；

第一确定模块，用于基于确定的所述目标样本空间和已采集的状态参数确定用于预测的样本训练数据，其中，所述目标样本空间用于确定所述样本训练数据对应的状态参数的设定数量，所述样本训练数据包括当前时刻最近的所述设定数量个状态参数；

预测模块，用于基于所述样本训练数据确定所述隧道对应的预测状态参数；

阈值确定模块，用于基于业务初始化参数确定设定的阈值，其中，所述设定的阈值包括：极大门限值和极小门限值；

第二确定模块，用于基于所述预测状态参数和所述设定的阈值确定所述物联网网络是否存在功耗异常的网络监测结果；若所述预测状态参数大于所述极大门限值或者小于所述极小门限值时，生成存在功耗异常的网络监测结果；当存在功耗异常的网络监测结果时，得到异常交互信息集合，并提供排查建议；根据业务数据包占用率的聚类特征差异定位特定类别的异常事件。

6.一种物联网网络监测设备，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，用于运行计算机程序时，执行权利要求1至4任一项所述方法的步骤。

7.一种存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至4任一项所述方法的步骤。

Images