CN114268567A - 异常终端的识别方法、分析装置及设备、存储介质 - Google Patents
异常终端的识别方法、分析装置及设备、存储介质 Download PDFInfo
- Publication number
- CN114268567A CN114268567A CN202010972425.4A CN202010972425A CN114268567A CN 114268567 A CN114268567 A CN 114268567A CN 202010972425 A CN202010972425 A CN 202010972425A CN 114268567 A CN114268567 A CN 114268567A
- Authority
- CN
- China
- Prior art keywords
- terminal
- data
- characteristic value
- distribution
- granularity
- 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.)
- Pending
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
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Abstract
根据本发明实施例提供的异常终端的识别方法、分析装置及设备、存储介质,通过采集周期时长内终端的信令信息;对所述信令信息进行分布统计,得到第一分布特征值;当所述第一分布特征值与历史分布特征值的差异值大于预设阈值时,判定所述终端为异常终端;本实施例提出的异常终端的识别方法基于终端历史数据进行异常检测,通过将信令消息进行展开,实现自动自异常检测,避免了相关技术中,使用指标均值进行异常检测,异常检测不准确的问题,提高了异常终端检测的准确度。
Description
技术领域
本发明实施例涉及但不限于通信技术领域,具体而言,涉及但不限于异常终端的识别方法、分析装置及设备、存储介质。
背景技术
随着物联网的产生和发展,各种物联网智能终端也越来越多地出现在人们的日常生活当中,如智能手表/手环、智能电表、智能门锁、扫地机器人等。
然而在物联网终备大规模普及的同时,物联网终端接入数量呈现指数级增长;而物联网中异常终端会降低运营商网络有效负荷,造成网络资源浪,因此,异常终端检查可以提高网络优化效率,降低网络运营成本。
当前物联网异常终端识别技术几乎都限定在物联网行业内部系统中,通过物联网终端功能模块升级、管理系统架构调整及信令消息优化,识别终端与服务器信令链路异常进而实现对异常终端的定位。这种异常终端识别需要调整系统架构并更改信令流程,总体的资源开销较高;若非物联网建设初期统一规划,后期实现成本高;行业内部这种升级改造存在行业业务流程差异,因此这种方式不具备通用性;移动运营商作为物联网管道的提供者,无法对网络终端的情况做统一监控分析,由于特定物联网业务存在“同时同步”的特性,当出现终端故障时,运营商无法快速做出故障定界及定位,异常终端检测方法单一,异常检测效果欠佳,检测不准确。
发明内容
本发明实施例提供的异常终端的识别方法、分析装置及设备、存储介质,主要解决的技术问题是物联网内存在异常终端时,无法准确检测出异常终端,检测效果欠佳的问题。
为解决上述技术问题,本发明实施例提供一种异常终端的识别方法,包括:
采集周期时长内终端的信令信息;
对信令信息进行分布统计,得到第一分布特征值;
当第一分布特征值与历史分布特征值的差异值大于预设阈值时,判定终端为异常终端。
本发明实施例还提供分析装置,分析装置包括:
采集模块,采集模块用于采集周期时长内终端的信令信息;
特征构建模块,特征构建模块用于对信令信息进行分布统计,得到第一分布特征值;
异常检测模块,异常检测模块用于当第一分布特征值与历史分布特征值的差异值大于预设阈值时,判定终端为异常终端
本发明实施例还提供一种分析设备,分析设备包括处理器、存储器及通信总线;
通信总线用于实现处理器和存储器之间的连接通信;
处理器用于执行存储器中存储的一个或者多个计算机程序,以实现如上所述的异常终端的识别方法的步骤。
本发明实施例还提供一种计算机存储介质,计算机可读存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现如上的异常终端的识别方法的步骤。
根据本发明实施例提供的异常终端的识别方法、分析装置及设备、存储介质,通过采集周期时长内终端的信令信息;对信令信息进行分布统计,得到第一分布特征值;当第一分布特征值与历史分布特征值的差异值大于预设阈值时,判定终端为异常终端;本实施例提出的异常终端的识别方法基于终端历史数据进行异常检测,通过将信令消息进行展开,实现自动自异常检测,避免了相关技术中,使用指标均值进行异常检测,异常检测不准确的问题,提高了异常终端检测的准确度。
本发明其他特征和相应的有益效果在说明书的后面部分进行阐述说明,且应当理解,至少部分有益效果从本发明说明书中的记载变的显而易见。
附图说明
图1为本发明实施例一的异常终端的识别方法的基本流程示意图;
图2为本发明实施例一的物联网组网信令采集基本示意图;
图3为本发明实施例一的有效信息的时序分布呈现区间内波动基本示意图;
图4为本发明实施例一的有效信息的均值呈现区间内波动基本示意图;
图5为本发明实施例一的分布统计数据基本示意图;
图6为本发明实施例二的沉默终端的有效信息的时序图;
图7为本发明实施例二的异常终端的识别方法的基本流程示意图;
图8为本发明实施例四提供的分析装置基本结构示意图;
图9为本发明实施例四提供的分析设备基本结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明实施例作进一步详细说明。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。
实施例一:
为了解决现有技术中,物联网组网内存在异常终端时,无法准确检测出异常终端,检测效果欠佳的问题。
请参见图1,图1所示为异常终端的识别方法的基本流程示意图,其包括但不限于:
S101,采集周期时长内终端的信令消息;
在一些实施例中,通过外探针采集周期时长内终端的信令消息,如图2所示,在物理网的组网中,存在控制面信令信息采集点1和用户面信令信息采集点2,例如,通过在eNodeB(Evolved Node B,基站)和MME(Mobility Management Entity,关键控制节点)之间的S1MME接口MME侧部署外部探针,进行控制面信令消息的采集;通过在eNodeB和SGW(Serving GateWay,服务网关)之间的S1-U接口SGW侧,进行用户面信令消息的采集;进而完整的获得周期时长内终端的信令消息。需要理解的是,周期时长可以自由设置,例如,周期时长为七天、周期时长为5天等。
S102、对信令消息进行分布统计,得到第一分布特征值;
在一些实施例中,对信令消息进行分布统计之前还包括:对信令消息进行数据清洗,得到多个有效信息;将每个有效信息做小粒度聚集统计,得到N个粒度的数据;需要理解的是,采集得到的信令消息中包含大量的信息,因此,需要对信令信息中的信息进行清洗、剥离、规整,得到完善的有效信息作为关键指标;例如,对信息信息中的时间信息、用户信息、终端信息、用户行为信息(例如,APN(Access Point Name,接入点名称))、用户位置信息、关键KPI指标(例如,覆盖类指标、呼叫建立类指标、呼叫保持类指标、移动性管理类指标)等字段的清洗和规整,进而得到有效信息作为关键指标;然后将有效信息(也即关键指标)分别做小粒度聚集统计,例如,对终端的控制面信令类型、信令数做小时粒度的聚集统计;例如,对终端的上行流量、下行流量、传输时长等有效信息做小时粒度的聚集统计,得到N个有效信息对应的N个粒度的数据。
在一些实施例中,对信令信息进行分布统计,得到第一分布特征值包括:对每个粒度的数据进行分布统计,得到每个粒度的数据对应的第一分布特征值;需要理解的是,物联网终端受网络、环境、人的行为等外在因素的影响,各物联网终端在没有故障的情况下,各有效信息的时序分布呈现区间内波动的特性,如图3-1所示,若使用各有效信息的均值来作为有效信息的唯一衡量标准会丢失很多有效信息的细节特征,如图3-2所示,进而导致无法准确检测出异常终端,检测效果欠佳;因此为了能够更加准确的通过信令信息中的有效信息对异常终端进行识别,采用单指标(单个有效信息)高维展开的分析方法来对异常终端进行识别。
在一些实施例中,对每个粒度的数据进行分布统计,得到每个粒度的数据对应的第一分布特征值包括:通过指数滑动变化率公式计算得到N个粒度的数据中第i个粒度的数据的指数滑动变化率,将指数滑动变化率作为第i个粒度的数据的第一分布特征值;
指数滑动变化率公式如下:
其中,a∈(0,1)为变异系数。例如,通过指数滑动变化率来识别有效信息中小毛刺的场景,如图4所示,从而获得有效信息的第一分布特征值。
在一些实施例中,对每个粒度的数据进行分布统计,得到每个粒度的数据对应的第一分布特征值包括:通过对第i-3,i-2,i-1和第i个粒度的数据用最小二乘拟合,计算得到N个粒度的数据中第i个粒度的数据的最小二乘变异系数,将最小二乘变异系数作为第i个粒度的数据的第一分布特征值。需要理解的是,由于实际数据中往往掺杂噪声数据,因此算法同时加入变异系数对噪声进行屏蔽。变异系数消除了量纲,使算法具有通用性。在对物联网终端的有效信息进行异常分析时提升了准确度。
窗口window的变异系数定义为
在一些实施例中,对每个粒度的数据进行分布统计,得到每个粒度的数据对应的第一分布特征值包括:通过总变差公式计算得到N个粒度的数据中第i个粒度的数据的总变差变异系数,将总变差变异系数作为第i个粒度的数据的第一分布特征值;
总变差变公式如下:
S103、当第一分布特征值与历史分布特征值的差异值大于预设阈值时,判定终端为异常终端;
在一些实施例当中,将当前周期采集的各有效信息的第一分布特征值分别与上一周期采集的各有效信息的分布特征值作为比较,当第一分布特征值与历史分布特征值的差异值大于预设阈值时,判定终端为异常终端,需要理解的是,其中预设阈值可以根据各有效参数的第一分布特征值去确定。
需要理解的是,上述对每个粒度的数据进行分布统计,得到每个粒度的数据对应的第一分布特征值的各种方法可以组合使用,从而提升物联网内异常终端的识别率。
在一些实施例中,该方法还包括:将第一分布特征值与同类终端的分布特征值进行统计,得到分布统计数据;根据分布统计数据判断终端是否为异常终端;需要理解的是,将第一分布特征值与同类终端的分布特征值进行统计,得到分布统计数据之前还包括:通过信令信息,对终端类别进行识别,确定终端类别。
在一些实施例中,通过信令信息中的特征业务,对终端类别进行识别,确定终端类别,例如,通过终端的号段、访问的APN等关键业务特征,对该终端的物联网行业及物联网企业进行识别,以此对该物联网终端进行分类,确定终端类别;
需要理解的是,同一物联网行业终端的行为具有一致性特征,也即,其有效信息的分布具有一致性特征,包括控制面行为及用户面行为;当个别终端出现异常时,该终端的有效信息(关键指标)与行业内其他终端会呈现出显著性差异;在一些实施例中,通过将第一分布特征值与同类终端的分布特征值进行统计,得到分布统计数据,如图5所示;然后根据分布统计数据判断终端是否为异常终端;例如,在进行异常高频终端识别时,根据分布统计数据进行特征提取,在特征提取过程中,使用离散傅里叶变换提取主频率做为关键特征指标,设为离散序列,则离散傅里叶变换公式为:
对变换后的序列求解信令上报的主频率作为频率特征,此外增加控制面信令数和业务上报流量作为辅助特征进行离散点求解,从而对相同行业内的异常高频终端进行识别,对控制面信令异常高频终端及用户面信令异常高频用户均做了识别;也即,对于关键指标异常终端,通过二度展开模块的二维展开结果,求解二维展开后矩阵的分布特征,通过对整体分布的离散点进行识别对关键指标异常的终端进行标记。
本发明实施例提供的异常终端的识别方法,通过采集周期时长内终端的信令信息;对信令信息进行分布统计,得到第一分布特征值;当第一分布特征值与历史分布特征值的差异值大于预设阈值时,判定终端为异常终端;本实施例提出的异常终端的识别方法基于终端历史数据进行异常检测,通过将信令消息进行展开,实现自动自异常检测,避免了相关技术中,使用指标均值进行异常检测,异常检测不准确的问题,提高了异常终端检测的准确度;在一些可选实施例中,通过将第一分布特征值与同类终端的分布特征值进行统计,得到分布统计数据;根据分布统计数据判断终端是否为异常终端;将第一分布特征值在此进行统计,也即对信令信息进行高纬展开,从而对异常终端进行识别,进而提高了异常终端的检测速度,同时提高了异常终端检测的准确度;同时,本实施例提出的异常终端的识别方法对终端没有功能升级要求,不需要改变原物联网的架构,支持不同物联网行业异常终端的识别,进而降低了异常终端识别成本。
实施例二:
为了更好的理解本发明,本实施例提供一种更为具体的示例,对上述的异常终端的识别方法进行说明,当物联网中存在沉默终端(异常终端),该沉默终端控制面信令信息交互正常,用户面信令信息仅存在保持基本心跳消息的流量,确没有触发该行业的业务上报,如图6所示,图6为该沉默终端的有效信息的时序图,可以理解的是,物联网内终端的有效信息指标都有一个基线值,即“非毛刺”的地方该有效信息的指标并不是零,需要理解的是,不同的终端,该基线值是由差异的,因此无法简单通过有效信息的指标门限对沉默终端进行判定。如图7所示,该异常终端的识别方法包括但不限于:
S701、终端信令采集;
在一些实施例中,通过在eNodeB和SGW(Serving GateWay,服务网关)之间的S1-U接口SGW侧,进行用户面信令消息的采集,获得周期时长内用户面终端的信令信息。
S702、指标清洗;
在一些实施例中,将采集到的信令信息中清洗用户信息得到有效信息作为关键指标,例如,包括:流量、时长等关键指标信息;例如,终端信息,包括终端信号、品牌等关键信息;终端访问的APN;终端的位置等信息;
S703、物联网行业识别;
在一些实施例中,通过用户的号段、访问的APN等关键业务特征,对该用户的物联网行业及物联网企业进行识别,从而确定该终端的行业。需要理解的是,该步骤的执行顺序不受限制,在步骤S702之后,步骤S707之前即可。
S704、指标统计;
在一些实施例中,清洗信令信息后得到的关键指标做小时粒度的指标统计;例如,对终端维度的上行流量、下行流量、传输时长等关键指标做小时粒度聚集。
S705、指标一维展开,一维特征提取;
在一些实施例中,指标一维展开,一维特征提取,得到第一分布特征值;例如:对终端的关键指标进行小时粒度的窗口周期为7天的时序维度展开,得到每个粒度的数据对应的第一分布特征值;需要理解的是,得到每个粒度的数据对应的第一分布特征值与上述实施例中的方法一致,在此不再赘述。
S706、异常终端识别;
在一些实施例当中,将终端,当第一分布特征值与历史分布特征值的差异值大于预设阈值时,判定终端为异常终端,需要理解的是,其中预设阈值可以根据各有效参数的第一分布特征值去确定。
需要理解的是,在一些实施例中,该方法还包括了:
S707、指标二维展开,二维特征提取;
在一些实施例中,将终端的指标与同类终端的二维指标进行展开,得到分布统计数据,然后,对指标进行离散快速傅里叶变换,将终端的时序特征转换为频域特征,计算离散快速傅里叶变换后序列的均方差。
S708、异常终端识别;
在一些实施例中,通过对单个终端的指标傅里叶变换后的均方差stdFFT进行聚类,聚类后的终端分组类别根据均值进行排序,获取均值最小分组的门限stdFFT=50。对于stdFFT<50的终端进行过滤,并标记为沉默用户,若当前终端属于stdFFT<50的终端,则将当前终端标记为沉默终端(异常终端)。
实施例三:
为了更好的理解本发明,本实施例提供一种更为具体的示例,对上述的异常终端的识别方法进行说明,物联网由于行业内具有终端行为一致性特征,因此控制面的信令行为也存分布特征一致性。在物联网中,由于存在多小区覆盖问题,信令流程与NB(NodeB,基站)相比会存在切换流程,但相同物联网组网或相同行业内,其行为在信令波动范围内仍存在一致性。由于物联网终端的行为一致性,加上终端数远高于人网,因此信令异常高频就极易引发网络信令风暴及网络拥塞。因此控制面信令异常高频终端识别有很高的价值。如图8所示,该异常终端的识别方法包括但不限于:
步骤一、终端信令采集;
在一些实施例中,通过在eNodeB(Evolved Node B,基站)和MME(MobilityManagement Entity,关键控制节点)之间的S1MME接口MME侧部署外部探针,进行控制面信令消息的采集;
步骤二、指标清洗;
在一些实施例中,将采集到的信令信息中清洗用户信息得到有效信息作为关键指标,例如,包括:流量、时长等关键指标信息;例如,终端信息,包括终端信号、品牌等关键信息;关键指标,包括附着请求次数、附着失败次数、去附着请求次数、去附着失败次数、跟踪区更新请求次数、跟踪区更新失败次数、业务请求次数、业务请求失败次数、S1切换请求次数、S1切换请求失败次数、X2切换请求次数、X2请求失败次数、寻呼请求次数、寻呼失败次数、专用承载激活请求次数、专用承载激活失败次数、承载修改请求次数、承载修改失败次数、承载去激活请求次数、承载去激活失败次数等关键信令指标;
步骤三、物联网行业识别;
在一些实施例中,通过用户的号段、访问的APN等关键业务特征,对该用户的物联网行业及物联网企业进行识别,从而确定该终端的行业。需要理解的是,该步骤的执行顺序不受限制,在步骤二之后,步骤七之前即可。
步骤四、指标统计;
在一些实施例中,清洗信令信息后得到的关键指标做小时粒度的指标统计;例如,对终端维度各信令的请求次数和失败次数指标做小时粒度聚集。
步骤五、指标一维展开,一维特征提取;
在一些实施例中,指标一维展开,一维特征提取,得到第一分布特征值;例如,对终端的关键指标进行小时粒度的窗口周期为7天的时序维度展开,得到每个粒度的数据对应的第一分布特征值;需要理解的是,得到每个粒度的数据对应的第一分布特征值与上述实施例中的方法一致,在此不再赘述。
步骤六、异常终端识别;
在一些实施例当中,将终端,当第一分布特征值与历史分布特征值的差异值大于预设阈值时,判定终端为异常终端,需要理解的是,其中预设阈值可以根据各有效参数的第一分布特征值去确定。
需要理解的是,在一些实施例中,该方法还包括了:
步骤七、指标二维展开,
在一些实施例中,将终端的指标与同类终端的二维指标进行展开,得到分布统计数据;
步骤八、二维特征提取、异常终端识别;
对二次展开后的矩阵进行分布特征提取,最终选择二次分布的四分之三分位数及中值两个指标进行聚类。聚类后根据组内均值进获取分布门限,对于中值和均值均高于该门限的终端最终标识为控制面信令异常高频终端,若当前终端的中值和均值均高于该门限则将当前终端标识为控制面信令异常高频终端。
实施例三:
本实施例还提供了一种分析装置,如图8所示,该分析装置包括:
采集模块,采集模块用于采集周期时长内终端的信令信息;
特征构建模块,特征构建模块用于对信令信息进行分布统计,得到第一分布特征值;
异常检测模块,异常检测模块用于当第一分布特征值与历史分布特征值的差异值大于预设阈值时,判定终端为异常终端。
需要理解的是,本发明通过在物联网组网外增加分析装置进行物联网异常终端识别,无需改造物联网组网内终端和总体架构,对物联网组网没有变动需求,功能泛化可同时覆盖物联网所有行业,因此极大程度的降低了监测成本、缩短了功能上线周期,在实现了物联网内全行业异常终端监测的同时,大幅提升物联网网络运维的效率。
本实施例还提供了一种分析设备,参见图9所示,其包括处理器901、存储器902及通信总线903,其中:
通信总线903用于实现处理器901和存储器902之间的连接通信;
处理器901用于执行存储器902中存储的一个或者多个计算机程序,以实现上述实施例一、实施例二和实施例三中的异常终端的识别方法中的至少一个步骤。
本实施例还提供了一种计算机可读存储介质,该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory,随机存取存储器),ROM(Read-Only Memory,只读存储器),EEPROM(Electrically Erasable Programmable read only memory,带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory,光盘只读存储器),数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
本实施例中的计算机可读存储介质可用于存储一个或者多个计算机程序,其存储的一个或者多个计算机程序可被处理器执行,以实现上述实施例一、实施例二和实施例三中的异常终端的识别方法中的至少一个步骤。
可见,本领域的技术人员应该明白,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件(可以用计算装置可执行的计算机程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。
此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、计算机程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种异常终端的识别方法,包括:
采集周期时长内终端的信令信息;
对所述信令信息进行分布统计,得到第一分布特征值;
当所述第一分布特征值与历史分布特征值的差异值大于预设阈值时,判定所述终端为异常终端。
2.如权利要求1所述的异常终端的识别方法,其特征在于,对所述信令信息进行分布统计之前还包括:
对所述信令信息进行数据清洗,得到多个有效信息;
将每个所述有效信息做小粒度聚集统计,得到N个粒度的数据;
将清洗后的所述信令信息做小粒度计数统计,得到N个粒度的数据,将所述N个粒度的数据作为用于进行分布统计的信令信息;
对所述信令信息进行分布统计,得到第一分布特征值包括:
对每个粒度的数据进行分布统计,得到每个粒度的数据对应的第一分布特征值。
4.如权利要求2所述的物联网中异常终端的识别方法,其特征在于,对每个粒度的数据进行分布统计,得到每个粒度的数据对应的第一分布特征值包括:
通过对第i-3,i-2,i-1和第i个粒度的数据用最小二乘拟合,计算得到所述N个粒度的数据中第i个粒度的数据的最小二乘变异系数,将所述最小二乘变异系数作为第i个粒度的数据的第一分布特征值。
6.如权利要求1-5任一项所述的异常终端的识别方法,其特征在于,所述方法还包括:
将所述第一分布特征值与同类终端的分布特征值进行统计,得到分布统计数据;
根据所述分布统计数据判断所述终端是否为异常终端。
7.如权利要求6所述的异常终端的识别方法,其特征在于,所述将所述第一分布特征值与同类终端的分布特征值进行统计,得到分布统计数据之前还包括:
通过所述信令信息,对所述终端类别进行识别,确定所述终端类别。
8.一种分析装置,所述分析装置包括:
采集模块,所述采集模块用于采集周期时长内终端的信令信息;
特征构建模块,所述特征构建模块用于对所述信令信息进行分布统计,得到第一分布特征值;
异常检测模块,所述异常检测模块用于当所述第一分布特征值与历史分布特征值的差异值大于预设阈值时,判定所述终端为异常终端。
9.一种分析设备,所述分析设备包括处理器、存储器及通信总线;
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行存储器中存储的一个或者多个计算机程序,以实现如权利要求1至7中任一项所述的异常终端的识别方法的步骤。
10.一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
存储有一个或者多个计算机程序,所述一个或者多个计算机程序可被一个或者多个处理器执行,以实现如权利要求1至7中任一项所述的异常终端的识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010972425.4A CN114268567A (zh) | 2020-09-16 | 2020-09-16 | 异常终端的识别方法、分析装置及设备、存储介质 |
PCT/CN2021/110953 WO2022057501A1 (zh) | 2020-09-16 | 2021-08-05 | 异常终端的识别方法、分析装置及设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010972425.4A CN114268567A (zh) | 2020-09-16 | 2020-09-16 | 异常终端的识别方法、分析装置及设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114268567A true CN114268567A (zh) | 2022-04-01 |
Family
ID=80777514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010972425.4A Pending CN114268567A (zh) | 2020-09-16 | 2020-09-16 | 异常终端的识别方法、分析装置及设备、存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114268567A (zh) |
WO (1) | WO2022057501A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545241A (zh) * | 2022-11-25 | 2022-12-30 | 北京志翔科技股份有限公司 | 充电桩状态识别方法、装置、电子设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102547807A (zh) * | 2010-12-21 | 2012-07-04 | 中兴通讯股份有限公司 | 一种移动通讯设备故障的检测方法及系统 |
CN110198288B (zh) * | 2018-02-27 | 2022-02-18 | 中兴通讯股份有限公司 | 一种异常节点的处理方法及设备 |
CN110856188B (zh) * | 2018-08-20 | 2023-03-24 | 中国电信股份有限公司 | 通信方法、装置、系统和计算机可读存储介质 |
CN110505196B (zh) * | 2019-07-02 | 2021-08-31 | 中国联合网络通信集团有限公司 | 物联网卡异常检测方法及装置 |
CN110719302A (zh) * | 2019-12-12 | 2020-01-21 | 武汉绿色网络信息服务有限责任公司 | 一种物联网信令风暴攻击检测的方法及装置 |
CN111030876B (zh) * | 2019-12-25 | 2022-05-06 | 武汉绿色网络信息服务有限责任公司 | 一种基于DPI的NB-IoT终端故障定位方法和装置 |
-
2020
- 2020-09-16 CN CN202010972425.4A patent/CN114268567A/zh active Pending
-
2021
- 2021-08-05 WO PCT/CN2021/110953 patent/WO2022057501A1/zh active Application Filing
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545241A (zh) * | 2022-11-25 | 2022-12-30 | 北京志翔科技股份有限公司 | 充电桩状态识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022057501A1 (zh) | 2022-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126824B (zh) | 多指标关联模型训练方法及多指标异常分析方法 | |
CN110647446B (zh) | 一种日志故障关联与预测方法、装置、设备及存储介质 | |
US20160088502A1 (en) | Method and network device for cell anomaly detection | |
US20160055044A1 (en) | Fault analysis method, fault analysis system, and storage medium | |
CN112311617A (zh) | 一种配置化数据监控告警方法及系统 | |
WO2022028120A1 (zh) | 指标检测模型获取及故障定位方法、装置、设备及存储介质 | |
CN109995561B (zh) | 通信网络故障定位的方法、装置、设备及介质 | |
CN112580961B (zh) | 基于电网信息系统运行风险预警方法及装置 | |
EP3460663A1 (en) | Apparatus and method for rare failure prediction | |
US9235463B2 (en) | Device and method for fault management of smart device | |
CN112291107B (zh) | 网络分析程序、网络分析装置以及网络分析方法 | |
WO2016184520A1 (en) | First network node, method therein, computer program and computer-readable medium comprising the computer program for determining whether a performance of a cell is degraded or not | |
CN112163728A (zh) | 一种能耗数据处理方法、装置、电子设备及存储介质 | |
CN111756560A (zh) | 一种数据处理方法、装置及存储介质 | |
CN111698306B (zh) | 一种基于物联网的水文实时流数据采集处理方法 | |
CN113377559A (zh) | 基于大数据的异常处理方法、装置、设备及存储介质 | |
WO2017220107A1 (en) | Method and network node for detecting degradation of metric of telecommunications network | |
US20180196900A1 (en) | System and Method for Forecasting Values of a Time Series | |
CN114268567A (zh) | 异常终端的识别方法、分析装置及设备、存储介质 | |
CN104883705A (zh) | 一种数据业务投诉的问题定位方法及装置 | |
CN110753369B (zh) | 一种中断小区检测方法及装置 | |
CN109963292A (zh) | 投诉预测的方法、装置、电子设备和存储介质 | |
CN114548769B (zh) | 一种智能电网it资产大数据监测系统及方法 | |
CN113835961B (zh) | 告警信息监控方法、装置、服务器及存储介质 | |
CN114221851B (zh) | 一种故障分析方法及装置 |
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 |