CN113543188B - 无线网络信号质量检测方法、终端设备及存储介质 - Google Patents
无线网络信号质量检测方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN113543188B CN113543188B CN202110831723.6A CN202110831723A CN113543188B CN 113543188 B CN113543188 B CN 113543188B CN 202110831723 A CN202110831723 A CN 202110831723A CN 113543188 B CN113543188 B CN 113543188B
- Authority
- CN
- China
- Prior art keywords
- wireless network
- performance parameters
- abnormal
- determining
- network signal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 93
- 230000006855 networking Effects 0.000 claims abstract description 85
- 230000002159 abnormal effect Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 230000001186 cumulative effect Effects 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 9
- 238000007499 fusion processing Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 230000005856 abnormality Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无线网络信号质量检测方法,终端设备及计算机可读存储介质,所述方法包括:定时采集组网设备对应的无线网络的性能参数,并对采集到的所述性能参数进行预处理;根据预处理后的所述性能参数及自回归AR模型确定各个检测点对应的预测值与观测值之间的残差;根据多个连续的所述检测点的所述残差确定累计异常统计量;在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常。本发明旨在达成降低虚警率,提高检测准确性的效果。
Description
技术领域
本发明涉及通信技术领域,尤其涉及无线网络信号质量检测方法、终端设备及计算机可读存储介质。
背景技术
随着科技的发展,如智能手机、平板电脑和笔记本电脑等联网移动终端越来越普及。而对于联网移动终端而言,基于WiFi(无线通信技术)信号,实现网络连接已经成为十分重要的一种联网方式。目前,为了用户能更加便捷的享受上网服务,许多网络运用商提供的组网设备(如家用路由器、光猫等)均具备WiFi发射功能。
在具备WiFi信号发射功能的组网设备的使用过程中,由于各种客观原因的存在,会导致WiFi网络质量下降,从而导致用户使用体验变差。因此,网络运营商为了保障用户的用户体验,需要检测WiFi网络的质量,以确定对应WiFi网络是否出现故障。
在相关技术中,一般通过信号检测终端连接区域内的无线WiFi信号,然后不间断的访问预置的网址,进而根据访问数据与固定阈值之间对比结果判定WiFi网络是否存在异常。但是由于,WiFi信号容易受到房屋的建筑、材料、同时段WiFi接入设备数量、信道选择等各个方面的影响,不能很好的适应动态变化的网络情况,从而导致存WiFi网络检测经常出现虚警。这样存在WiFi网络质量检测结果不准确的缺陷。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种无线网络信号质量检测方法、终端设备及计算机可读存储介质,旨在达成降低虚警率,提高检测结果的准确性的效果。
为实现上述目的,本发明提供一种无线网络信号质量检测方法,应用于服务器,所述无线网络信号质量检测方法包括以下步骤:
定时采集组网设备对应的无线网络的性能参数,并对采集到的所述性能参数进行预处理;
根据预处理后的所述性能参数及自回归AR模型确定各个检测点对应的预测值与观测值之间的残差;
根据多个连续的所述检测点的所述残差确定累计异常统计量;
在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常。
可选地,所述性能参数包括信号强度、协商速率、实际速率、所述组网设备的上联状态的信号的信噪比、丢包率、ping测试时延和/或周边无线网络信号弱信号值。
可选地,所述定时采集组网设备对应的无线网络的性能参数,并对采集到的所述性能参数进行预处理的步骤包括:
定时向所述组网设备发送查询命令,其中,所述组网设备接收到所述查询命令时,向所述服务器发送所述性能参数;
接收所述组网设备发送的所述性能参数;
对采集到的所述性能参数进行预处理,其中,所述预处理包括:
多维度特征融合处理和零均值归一化处理。
可选地,所述根据多个连续的所述检测点的所述残差确定异常统计量的步骤包括:
根据多个连续的所述检测点的所述残差确定所述多个连续的所述检测点对应的异常统计量;
根据所述异常统计量确定所述累计异常统计量。
可选地,所述在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常的步骤之前,还包括:
基于所述异常统计量及所述自回归AR模型确定所述容许范围。
可选地,所述在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常的步骤之后,还包括:
获取所述组网设备对应的识别标识;
基于所述标识生成异常预警,并输出所述异常预警。
为实现上述目的,本发明提供一种无线网络信号质量检测方法,应用于组网设备,所述无线网络信号质量检测方法包括以下步骤:
在接收到服务器发送的查询命令时,获取自身的无线网络的性能参数;
将所述性能参数发送至所述服务器,以供所述服务器基于所述性能参数检测无线网络信号质量。
此外,为实现上述目的,本发明还提供一种终端设备,所述终端设备包括存储器、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无线网络信号质量检测程序,所述无线网络信号质量检测程序被所述处理器执行时实现如上所述的无线网络信号质量检测方法的步骤。
此外,为实现上述目的,本发明还提供一种终端设备,所述终端设备包括:
采集模块,用于定时采集组网设备对应的无线网络的性能参数,并对采集到的所述性能参数进行预处理;
确定模块,用于根据预处理后的所述性能参数及自回归AR模型确定各个检测点对应的预测值与观测值之间的残差;
统计模块,用于根据多个连续的所述检测点的所述残差确定累计异常统计量;
判断模块,用于在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有无线网络信号质量检测程序,所述无线网络信号质量检测程序被处理器执行时实现如上所述的无线网络信号质量检测方法的步骤。
本发明实施例提出的一种无线网络信号质量检测方法、终端设备及计算机可读存储介质,先定时采集组网设备对应的无线网络的性能参数,并对采集到的所述性能参数进行预处理,然后根据预处理后的所述性能参数及自回归AR模型确定各个检测点对应的预测值与观测值之间的残差,进而根据多个连续的所述检测点的所述残差确定累计异常统计量,并在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常。这样达成了降低虚警率,提高检测准确性的效果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图;
图2为本发明无线网络信号质量检测方法一实施例的流程示意图;
图3为本发明无线网络信号质量检测方法的另一实施例的流程示意图;
图4为本发明实施例设计的终端设备的模块化示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是服务器、组网设备等终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括输入单元,可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及无线网络信号质量检测程序。
在图1所示的终端中,处理器1001可以用于调用存储器1005中存储的无线网络信号质量检测程序,并执行以下操作:
定时采集组网设备对应的无线网络的性能参数,并对采集到的所述性能参数进行预处理;
根据预处理后的所述性能参数及自回归AR模型确定各个检测点对应的预测值与观测值之间的残差;
根据多个连续的所述检测点的所述残差确定累计异常统计量;
在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常。
进一步地,处理器1001可以调用存储器1005中存储的无线网络信号质量检测程序,还执行以下操作:
定时向所述组网设备发送查询命令,其中,所述组网设备接收到所述查询命令时,向所述服务器发送所述性能参数;
接收所述组网设备发送的所述性能参数;
对采集到的所述性能参数进行预处理,其中,所述预处理包括:
多维度特征融合处理和零均值归一化处理。
进一步地,处理器1001可以调用存储器1005中存储的无线网络信号质量检测程序,还执行以下操作:
根据多个连续的所述检测点的所述残差确定所述多个连续的所述检测点对应的异常统计量;
根据所述异常统计量确定所述累计异常统计量。
进一步地,处理器1001可以调用存储器1005中存储的无线网络信号质量检测程序,还执行以下操作:
基于所述异常统计量及所述自回归AR模型确定所述容许范围。
进一步地,处理器1001可以调用存储器1005中存储的无线网络信号质量检测程序,还执行以下操作:
获取所述组网设备对应的识别标识;
基于所述标识生成异常预警,并输出所述异常预警。
可选地,处理器1001也可以用于调用存储器1005中存储的无线网络信号质量检测程序,并执行以下操作:
在接收到服务器发送的查询命令时,获取自身的无线网络的性能参数;
将所述性能参数发送至所述服务器,以供所述服务器基于所述性能参数检测无线网络信号质量。
在具备WiFi信号发射功能的组网设备的使用过程中,由于很多家庭的路由器常年累月几乎不会重启,路由器长期连接设备过多,缓存数据过大,造成带宽速度变慢,或者由于非法用户的入侵、同频段干扰等各种因素导致用户对于当前WiFi网络不满意。因此,网络运营商为了保障用户的用户体验,需要检测WiFi网络的质量,以确定对应WiFi网络是否出现故障。
在相关技术中,对家庭组网场景下,WiFi网络信号的检测方式,一般分为两类。
其一、通过信号检测终端连接区域内的无线WiFi信号,然后不间断的访问预置的网址,进而根据访问数据与固定阈值之间对比结果判定WiFi网络是否存在异常。
其二、从网络访问数据集中提取统计特征参数,然后生成对应的多维特征向量,基于训练数据集中各条训练数据的实际类标、以及检测数据集中各条检测数据的多维特征向量,采用机器学习中的分类算法,得到检测数据集的预测类标。进而在经过机器学习的训练模型后,获取当前网络的特征向量送入模型判断是否异常。
对于相关技术中记载的上述两种方案,第一种方案由于WiFi信号容易受到房屋的建筑、材料、同时段WiFi接入设备数量、信道选择等各个方面的影响,不能很好的适应动态变化的网络情况,从而导致存WiFi网络检测经常出现虚警。这样存在WiFi网络质量检测结果不准确的缺陷。对于第二种使用机器学习的方法来判定网络异常的情况的方案,由于需要提前选定训练数据集,并且需要耗费较多的计算资源对分类模型进行训练,在实际的应用中,由于获取的WiFi网络异常数据远小于WiFi网络正常数据,使得系统容易趋向于某种不稳定的结构,难以满足真正的实际生产需求。
因此,针对相关技术存在的上述缺陷,本发明实施例提出一种无线信号质量检测方法,充分考量影响当前WiFi网络质量的多个影响因子,和当前采样的WiFi数据相对于正常情况的偏离程度和偏离时长,并结合了WiFi网络的动态变化给异常告警带来的影响,来定义WiFi网络的异常情况。由于当WiFi网络异常发生的时候,WiFi质量的多个指标会在一定时间范围内都会发生异常,因此通过连续多个点的检测异常来作为判定当前网络情况是否异常。旨在达成降低虚警率,提高检测准确性的效果。以下结合具体实施例对本发明实施例提出的无线网络信号质量检测方法进行解释说明。
参照图2,在本发明无线网络信号质量检测方法的一实施例中,所述无线网络信号质量检测方法包括以下步骤:
步骤S10、定时采集组网设备对应的无线网络的性能参数,并对采集到的所述性能参数进行预处理;
步骤S20、根据预处理后的所述性能参数及自回归AR模型确定各个检测点对应的预测值与观测值之间的残差;
步骤S30、根据多个连续的所述检测点的所述残差确定异常统计量;
步骤S40、在所述异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常。
执行本实施例所述的无线网络信号质量检测方法的可以是服务器。服务器与组网设备之间建立有数据通路,使得服务器可以与组网设备进行数据交互。其中,所述服务器可以是部署智能组网平台的服务器。使得服务器可以基于智能组网平台实现组网设备的管理。进而服务器基于智能组网平台定时向组网设备发送查询命令。
需要说明的是,在本实施例中,服务器设置为间隔固定时间长向组网设备发送一次查询命令。使得服务器可以每间隔上述固定时长,即可以接收到一个组网设备对应的一组性能数据。进而,服务器将每一接收到性能数据对应的时间点,或者发送查询指令对应的时间点,作为一个检测点。
组网设备接收到上述查询命令后,向服务器反馈自身的无线网络的性能参数。其中,所述性能参数包括WiFi信号强度、WiFi协商速率、WiFi实际速率、组网设备的上联状态的信号信噪比、路由器丢包率、对预设网站的ping测试时延、周边WiFi弱信号值。可选地,在一实施示例中,具体特征参数如下表1:
进一步,当服务器采集到所述性能数据后,可以对所述性能数据进行预处理。其中,所述预处理包括多维度特征融合处理和零均值归一化处理。
在采集到性能数据后,可以先对各个检测点对应的性能数据进行多维度特征融合处理。可以理解的是,由于服务器设置为定时(固定时间间隔)获取性能数据,而每组性能数据包含一组多维度的数据。例如,可以包括WiFi信号强度、WiFi协商速率、WiFi实际速率、组网设备的上联状态的信号信噪比、路由器丢包率、对预设网站的ping测试时延和/或周边WiFi弱信号值等。进一步的,可以预先设定每一个维度对应的数据的权重值,然后基于所述权重值对多个维度的数据进行融合。
示例性地,由于单一的特征(如WiFi信号强度,WiFi连接速率)不能准确反映当前WiFi网络质量。因此,可以综合WiFi信号强度、WiFi协商速率、WiFi实际速率、组网设备的上联状态的信号信噪比、路由器丢包率、对预设网站的ping测试时延和周边WiFi弱信号值等一共7种因素,针对每个参数对无线WiFi网络质量的影响程度分配不同大小的权重值。其中,所述权重值可以按照对WiFi质量的影响程度,将各个指标的权重值从大到小依次为:WiFi实际速率>WiFi协商速率>WiFi信号强度>路由器丢包率>ping测试时延>上联状态的信号信噪>周边WiFi弱信号值。
例如,t时刻获取到的网络WiFi质量为由不同参数组成的一组特征向量x=[x1,x2,x3,…,x7],βi表示对不同指标的权重值,最终反映t时刻的WiFi网络质量观测值为:
进一地,对采集到的性能数据进行多维度特征融合处理之后,还可以对其进行零均值归一化处理。
在确定每一检测点(即各个检测时刻)对应的WiFi网络质量观测值后,可以形成以根据时序排列的观测序列。但是,由于网络的观测序列值(Xt)一般在一天之内是不平稳的,而在在局部可以看做是统计意义上近似的平稳。这个局部相当于一个滑动的时间窗口,窗口的大小可以设置为N+1。进而每次取出N+1个数,即将滑动窗的大小设置为N+1。
在每次取出N+1个数时,滑动窗口的N+1个数表示为y1,y1,y1,…yN+1。使得可以用前N个数建立自回归AR(Auto regressive model)模型,把滑动窗口的前N个数据作为参考,判断第N+1数据个是否异常。然后在应用中,将时间窗口不断的往前滑动一次,从而确定各个检测点是否异常。
可以理解的是,为建立AR模型,可以先对前N个数进行零均值化处理。设表示y1,y1,y1,…,yN的平均值,即:
那么x1,x2,x3,…,xN就是零均值时间序列。
进一步地,当采集到性能数据并对性能数据进行预处理后,便可以根据预处理后的所述性能参数及自回归AR模型确定各个检测点对应的预测值与观测值之间的残差。
示例性地,首先对于AR模型,需要先选择合适的模型阶数p,即为AR(p)。其次窗口的大小N不应该太大。因此可以设置自回归模型与窗口N满足约束条件:
0≤p≤0.1N
可选地,在一示例方案中,p取值为2,N取值为20。
进一步地,当自回归模型为二阶回归模型时,所述自回归模型为:
其中,和/>是AR(2)的系数,et是白噪声,它是独立分布的高斯随机变量,均值为零、方差为/>
进一步地,当基于上述自回归模型,可以预测各个测试点对应的预测值,然后基于所述预测值及该测测试点对应的观测值,可以计算得出各个检测点对应的预测值与观测值之间的残差。
当根据预处理后的所述性能参数及自回归AR模型确定各个检测点对应的预测值与观测值之间的残差之后,还可以根据多个连续的所述检测点的所述残差确定异常统计量。
示例性地,基于上述自回归模型可以确定,t时刻的白噪声et满足下式:
设一步后移算子为B,则有
xt-1=Bxt(B)
基于式(A)和式(B)可以得出:
进一步地,可以令方差且定义/>
这里σ表示时间序列中,当前时刻向后N个相应残差平方和的平均值,λ表示当前观测值的残差与σ比值,λ就是作为检测xN+1是否异常的异常统计量。
进一步地,确定异常统计量后,可以基于所述异常统计量及所述自回归AR模型确定所述容许范围,然后在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常。否则,判定无线网络信号正常,满足预设质量要求。
示例性地,可以先根据多个连续的所述检测点的所述残差确定所述多个连续的所述检测点对应的异常统计量,然后根据所述异常统计量确定所述累计异常统计量。
确定异常统计量λ的容许范围时,对于WiFi网络自回归模型而言,它的一个零均值化后的观测值序列为x1,x2,x3,…,xN,{λi}表示序列为计算得到的异常统计量λ的序列,分别计算正负统计量λ的平均值及相应的标准差。和/>分别表示{λi}中的正值和负值组成的序列,他们的个数分别为m和n,σ+和σ-分别表示他们的标准差,即:
基于上式,所述容许范围为:
由于正常情况下,偶尔的WiFi信号速率、WiFi信号强度、经过路由器的包数等反映当前WiFi状态的参数在某个时间节点发生异常时,并不能立即判定为家庭网络的异常,可能只是偶尔的网络抖动或者突然的丢包,由于持续的时间非常短暂,并不影响网络正常运行,因此没有必要发出预警,如果一检测到异常就告警,会有大量误警发生。因此,根据高斯统计分析理论,参数λ的预置容许范围为然后根据多个连续检测点的异常情况来综合判定当前WiFi网络是否处于异常状态。进而在根据多个连续检测点的异常情况综合判定当前WiFi网络处于异常状态是,才输出预警。
例如,可以设置一个累计异常统计量ξ累积多次异常发生情况。其中累计异常统计量ξ满足下式:
其中,Δt表示智能组网固定的采样间隔时间,为了避免固定的阈值,可以先让k值为2,然后判断此刻WiFi网络异常是否发生,如果家庭网络WiFi真正发生了异常,后续的检测一定能够再次检测出较为严重的偏离,为了减少网络波动对异常检测的影响,每次检测到偏离正常范围的网络观测值,将线性逐渐加大k值,直到为3。即允许检测点观测值超出正常流量的范围继续增大。而k值的增大会使得单点异常检测统计量ξt适当的减小,客观上来说,要判断网络情况的异常需要在一定时间内多个检测点的异常统计量来累计叠加,削弱了单点的异常对于网络WiFi异常的判断情况。
可选地,在本实施例中,当需要输出预警时,可以获取所述组网设备对应的识别标识,基于所述标识生成异常预警,并输出所述异常预警。以提示网络管理人员,该组网设备需要维护。
在本实施例公开的技术方案中,先定时采集组网设备对应的无线网络的性能参数,并对采集到的所述性能参数进行预处理,然后根据预处理后的所述性能参数及自回归AR模型确定各个检测点对应的预测值与观测值之间的残差,进而根据多个连续的所述检测点的所述残差确定累计异常统计量,并在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常。这样达成了降低虚警率,提高检测准确性的效果。
参照图3,在本发明无线网络信号质量检测方法的一实施例中,所述无线网络信号质量检测方法包括以下步骤:
步骤S1、在接收到服务器发送的查询命令时,获取自身的无线网络的性能参数;
步骤S2、将所述性能参数发送至所述服务器,以供所述服务器基于所述性能参数检测无线网络信号质量。
执行本实施例所述的无线网络信号质量检测方法的可以是组网设备。所述组网设备与服务器之间建立有数据通道,使得其可以与服务器进行数据交互。可以理解的是,上述服务器可以是部署有智能组网平台的服务器,使得所述服务器可以同时与多个组网设备进行通信,从而实现组网设备的群体管理。
在本实施例中,所述组网设备可以是路由器,所述路由器与服务器通过约定的协议保持UDP(Open System Interconnection,开放式系统互联)心跳连接,保证服务器能够对路由器发下指令并能实时接收路由器返回的参数。
进一步地,当组网设备接收到服务器下发的查询命令时,可以获取自身的无线网络的性能参数,然后将所述性能参数发送至所述服务器,以供所述服务器基于所述性能参数检测无线网络信号质量。
在本实施例公开的技术方案中,在接收到服务器发送的查询命令时,获取自身的无线网络的性能参数,然后将所述性能参数发送至所述服务器,以供所述服务器基于所述性能参数检测无线网络信号质量。这样使得服务器可以定时获取组网设备的性能参数。当服务器以上述实施给出的无线网络信号质量检测方法运行时,还达成了降低虚警率,提高检测准确性的效果。
此外,本发明实施例还提出一种终端设备,所述终端设备包括存储器、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无线网络信号质量检测程序,所述无线网络信号质量检测程序被所述处理器执行时实现如上各个实施例所述的无线网络信号质量检测方法的步骤。
此外,请参照图4,本发明实施例还提出一种终端设备100,所述终端设备100包括:
采集模块101,用于定时采集组网设备对应的无线网络的性能参数,并对采集到的所述性能参数进行预处理;
确定模块102,用于根据预处理后的所述性能参数及自回归AR模型确定各个检测点对应的预测值与观测值之间的残差;
统计模块103,用于根据多个连续的所述检测点的所述残差确定累计异常统计量;
判断模块104,用于在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有无线网络信号质量检测程序,所述无线网络信号质量检测程序被处理器执行时实现如上各个实施例所述的无线网络信号质量检测方法的步骤。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是组网设备或者服务器等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种无线网络信号质量检测方法,其特征在于,应用于服务器,所述服务器与组网设备之间建立有数据通路,所述无线网络信号质量检测方法包括:
定时采集组网设备对应的无线网络的性能参数,并对采集到的所述性能参数进行预处理;
根据预处理后的所述性能参数及自回归AR模型确定各个检测点对应的预测值与观测值之间的残差;
根据多个连续的所述检测点的所述残差确定累计异常统计量;
在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常;
所述定时采集组网设备对应的无线网络的性能参数,并对采集到的所述性能参数进行预处理的步骤包括:
定时向所述组网设备发送查询命令,其中,所述组网设备接收到所述查询命令时,向所述服务器发送所述性能参数;
接收所述组网设备发送的所述性能参数;
对采集到的所述性能参数进行预处理,其中,所述预处理包括:
多维度特征融合处理和零均值归一化处理;
所述根据多个连续的所述检测点的所述残差确定异常统计量的步骤包括:
根据多个连续的所述检测点的所述残差确定所述多个连续的所述检测点对应的异常统计量;
根据所述异常统计量确定所述累计异常统计量。
2.如权利要求1所述的无线网络信号质量检测方法,其特征在于,所述性能参数包括信号强度、协商速率、实际速率、所述组网设备的上联状态的信号的信噪比、丢包率、ping测试时延和/或周边无线网络信号弱信号值。
3.如权利要求1所述的无线网络信号质量检测方法,其特征在于,所述在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常的步骤之前,还包括:
基于所述异常统计量及所述自回归AR模型确定所述容许范围。
4.如权利要求1所述的无线网络信号质量检测方法,其特征在于,所述在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常的步骤之后,还包括:
获取所述组网设备对应的识别标识;
基于所述标识生成异常预警,并输出所述异常预警。
5.一种无线网络信号质量检测方法,其特征在于,应用于组网设备,所述组网设备与服务器之间建立有数据通路,所述无线网络信号质量检测方法包括:
在接收到服务器发送的查询命令时,获取自身的无线网络的性能参数,其中,服务器定时采集组网设备对应的无线网络的性能参数,并对采集到的所述性能参数进行预处理;根据预处理后的所述性能参数及自回归AR模型确定各个检测点对应的预测值与观测值之间的残差;根据多个连续的所述检测点的所述残差确定累计异常统计量;在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常,所述预处理包括:多维度特征融合处理和零均值归一化处理;所述根据多个连续的所述检测点的所述残差确定异常统计量的步骤包括:根据多个连续的所述检测点的所述残差确定所述多个连续的所述检测点对应的异常统计量;根据所述异常统计量确定所述累计异常统计量;
将所述性能参数发送至所述服务器,以供所述服务器基于所述性能参数检测无线网络信号质量。
6.一种终端设备,其特征在于,所述终端设备包括: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无线网络信号质量检测程序,所述无线网络信号质量检测程序被所述处理器执行时实现如权利要求1至5中任一项所述的无线网络信号质量检测方法的步骤。
7.一种终端设备,其特征在于,所述终端设备包括:
采集模块,用于定时采集组网设备对应的无线网络的性能参数,并对采集到的所述性能参数进行预处理;
确定模块,用于根据预处理后的所述性能参数及自回归AR模型确定各个检测点对应的预测值与观测值之间的残差;
统计模块,用于根据多个连续的所述检测点的所述残差确定累计异常统计量;
判断模块,用于在所述累计异常统计量超出容许范围时,判定所述组网设备对应的无线网络信号异常;
所述采集模块还用于定时向所述组网设备发送查询命令,其中,所述组网设备接收到所述查询命令时,向所述终端设备发送所述性能参数;接收所述组网设备发送的所述性能参数;对采集到的所述性能参数进行预处理,其中,所述预处理包括:多维度特征融合处理和零均值归一化处理;
所述统计模块还用于根据多个连续的所述检测点的所述残差确定所述多个连续的所述检测点对应的异常统计量;根据所述异常统计量确定所述累计异常统计量。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有无线网络信号质量检测程序,所述无线网络信号质量检测程序被处理器执行时实现如权利要求1至5中任一项所述的无线网络信号质量检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110831723.6A CN113543188B (zh) | 2021-07-22 | 2021-07-22 | 无线网络信号质量检测方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110831723.6A CN113543188B (zh) | 2021-07-22 | 2021-07-22 | 无线网络信号质量检测方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113543188A CN113543188A (zh) | 2021-10-22 |
CN113543188B true CN113543188B (zh) | 2023-10-27 |
Family
ID=78088690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110831723.6A Active CN113543188B (zh) | 2021-07-22 | 2021-07-22 | 无线网络信号质量检测方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113543188B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117998448B (zh) * | 2024-04-07 | 2024-06-07 | 广州华生网络科技股份有限公司 | 无线网络质量数据采集方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9319967B2 (en) * | 2006-05-15 | 2016-04-19 | Boingo Wireless, Inc. | Network access point detection and use |
WO2016150395A1 (en) * | 2015-03-24 | 2016-09-29 | Huawei Technologies Co., Ltd. | Adaptive, anomaly detection based predictor for network time series data |
WO2017016492A1 (en) * | 2015-07-28 | 2017-02-02 | Huawei Technologies Co., Ltd. | Adaptive filtering based network anomaly detection |
WO2018103453A1 (zh) * | 2016-12-07 | 2018-06-14 | 华为技术有限公司 | 检测网络的方法和装置 |
CN109117826A (zh) * | 2018-09-05 | 2019-01-01 | 湖南科技大学 | 一种多特征融合的车辆识别方法 |
CN110809280A (zh) * | 2019-10-21 | 2020-02-18 | 北京锦鸿希电信息技术股份有限公司 | 一种铁路无线网络质量的检测预警方法及装置 |
CN110880984A (zh) * | 2019-10-18 | 2020-03-13 | 平安科技(深圳)有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
KR20200119180A (ko) * | 2019-04-09 | 2020-10-19 | 애니파이 주식회사 | 품질 예측 기반의 동적 무선 네트워크 가변 접속을 제공하는 품질 예측 정보 제공 장치 및 그 동작 방법 |
WO2021026509A1 (en) * | 2019-08-08 | 2021-02-11 | Intel Corporation | Link performance prediction and media streaming technologies |
-
2021
- 2021-07-22 CN CN202110831723.6A patent/CN113543188B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9319967B2 (en) * | 2006-05-15 | 2016-04-19 | Boingo Wireless, Inc. | Network access point detection and use |
WO2016150395A1 (en) * | 2015-03-24 | 2016-09-29 | Huawei Technologies Co., Ltd. | Adaptive, anomaly detection based predictor for network time series data |
WO2017016492A1 (en) * | 2015-07-28 | 2017-02-02 | Huawei Technologies Co., Ltd. | Adaptive filtering based network anomaly detection |
WO2018103453A1 (zh) * | 2016-12-07 | 2018-06-14 | 华为技术有限公司 | 检测网络的方法和装置 |
CN109117826A (zh) * | 2018-09-05 | 2019-01-01 | 湖南科技大学 | 一种多特征融合的车辆识别方法 |
KR20200119180A (ko) * | 2019-04-09 | 2020-10-19 | 애니파이 주식회사 | 품질 예측 기반의 동적 무선 네트워크 가변 접속을 제공하는 품질 예측 정보 제공 장치 및 그 동작 방법 |
WO2021026509A1 (en) * | 2019-08-08 | 2021-02-11 | Intel Corporation | Link performance prediction and media streaming technologies |
CN110880984A (zh) * | 2019-10-18 | 2020-03-13 | 平安科技(深圳)有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
CN110809280A (zh) * | 2019-10-21 | 2020-02-18 | 北京锦鸿希电信息技术股份有限公司 | 一种铁路无线网络质量的检测预警方法及装置 |
Non-Patent Citations (1)
Title |
---|
"基于跨层设计的无线网络通信的研究";崔春升;《中国优秀博硕士学位论文全文数据库(硕士)》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113543188A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10966113B2 (en) | Multisensory change detection for internet of things domain | |
US9532252B2 (en) | Diagnosis of cellular network element states using radio frequency measurements | |
EP3138238B1 (en) | System and method for anomaly detection | |
US11184387B2 (en) | Network attack defense system and method | |
US20150135320A1 (en) | Methods and apparatus to identify malicious activity in a network | |
CN114630352B (zh) | 一种接入设备的故障监测方法和装置 | |
US20200310898A1 (en) | Information processing method and information processing apparatus | |
US20180152474A1 (en) | Dos detection configuration | |
US8472332B2 (en) | Apparatus for detecting quality deterioration of a telecommunications network by discriminating periodic faults | |
US7903657B2 (en) | Method for classifying applications and detecting network abnormality by statistical information of packets and apparatus therefor | |
EP3682595B1 (en) | Obtaining local area network diagnostic test results | |
US11501106B2 (en) | Anomaly factor estimation device, anomaly factor estimation method, and storage medium | |
US8660022B2 (en) | Adaptive remote decision making under quality of information requirements | |
EP3477998B1 (en) | Waveform model for detecting waveforms comprising a plurality of pulses | |
CN113543188B (zh) | 无线网络信号质量检测方法、终端设备及存储介质 | |
Kolar et al. | Measurement and analysis of link quality in wireless networks: An application perspective | |
CN115226136A (zh) | 具有使用ml模型的主动分析和关联引擎的虚拟网络助理 | |
CN117081996B (zh) | 基于服务端实时反馈和软阈值的流量控制方法及相关设备 | |
CN112616127A (zh) | 一种实现网关数据处理的方法及其相关组件 | |
US20210282024A1 (en) | Evaluation of access point placement | |
US8218452B2 (en) | Network detection of real-time applications using incremental linear regression | |
CN113938844B (zh) | 网络连接监控方法、系统、计算机设备和存储介质 | |
Li et al. | Network‐Wide Traffic Anomaly Detection and Localization Based on Robust Multivariate Probabilistic Calibration Model | |
KR20110035336A (ko) | 비정상 트래픽 탐지 방법 및 이를 이용한 네트워크 관리 시스템 | |
CN112367311B (zh) | DDoS攻击检测方法、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 |