CN114301803A - 网络质量检测方法、装置、电子设备及存储介质 - Google Patents
网络质量检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114301803A CN114301803A CN202111598459.2A CN202111598459A CN114301803A CN 114301803 A CN114301803 A CN 114301803A CN 202111598459 A CN202111598459 A CN 202111598459A CN 114301803 A CN114301803 A CN 114301803A
- Authority
- CN
- China
- Prior art keywords
- index
- value
- moments
- network
- abnormal
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 130
- 230000002159 abnormal effect Effects 0.000 claims abstract description 202
- 230000008859 change Effects 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 25
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 39
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000005070 sampling Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 230000000737 periodic effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 241000820057 Ithone Species 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Abstract
本公开提供了一种网络质量检测方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及云服务、智能云等领域。具体实现方案为：基于网络在目标地区的第一时段中N个时刻的指标原始值与第二时段中M个时刻的指标原始值，确定所述目标地区的指标变化值；在所述指标变化值小于第一阈值的情况下，基于所述第一时段中所述N个时刻的所述指标原始值，确定所述第二时段中所述M个时刻的指标预测值；将所述第二时段中所述M个时刻的所述指标原始值与所述指标预测值之间的差值输入目标模型，得到所述目标模型输出的指标异常信息；基于所述指标异常信息确定所述网络在所述目标地区的质量检测结果。上述方法可以保证目标地区的质量检测的准确性。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及云服务、智能云等领域。
背景技术
随着计算机技术的发展，互联网信息传输领域也得到了迅速发展。其中搭建智能虚拟网络进行内容分发传输服务，不但可以节省骨干网带宽减少带宽需求量，还可以提供服务器端加速，解决由于用户访问量大造成的服务器过载问题；同时能克服网站分布不均的问题，降低网站自身建设和维护成本；最重要的是可以降低通信风暴的影响提高网络访问的稳定性。然而，如何对各个地区的服务质量进行更加准确的检测就成为需要解决的问题。
发明内容
本公开提供了一种网络质量检测方法、装置、电子设备及存储介质。
根据本公开的第一方面，提供了一种网络质量检测方法，包括：
基于网络在目标地区的第一时段中N个时刻的指标原始值与第二时段中M个时刻的指标原始值，确定所述目标地区的指标变化值；N和M均为正整数；所述第一时段早于所述第二时段；
在所述指标变化值小于第一阈值的情况下，基于所述第一时段中所述N个时刻的所述指标原始值，确定所述第二时段中所述M个时刻的指标预测值；
将所述第二时段中所述M个时刻的所述指标原始值与所述指标预测值之间的差值输入目标模型，得到所述目标模型输出的指标异常信息；
基于所述指标异常信息确定所述网络在所述目标地区的质量检测结果。
根据本公开的第二方面，提供了一种网络质量检测装置，包括：
变化判定模块，用于基于网络在目标地区的第一时段中N个时刻的指标原始值与第二时段中M个时刻的指标原始值，确定所述目标地区的指标变化值；N和M均为正整数；所述第一时段早于所述第二时段；
指标预测模块，用于在所述指标变化值小于第一阈值的情况下，基于所述第一时段中所述N个时刻的所述指标原始值，确定所述第二时段中所述M个时刻的指标预测值；
异常检测模块，用于将所述第二时段中所述M个时刻的所述指标原始值与所述指标预测值之间的差值输入目标模型，得到所述目标模型输出的指标异常信息；
结果分析模块，用于基于所述指标异常信息确定所述网络在所述目标地区的质量检测结果。
根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面的网络质量检测方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述第一方面的网络质量检测方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机指令，所述计算机指令存储在计算机可读存储介质中，所述计算机指令被处理器执行时实现上述第一方面的网络质量检测方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
通过采用上述方案，可以采用网络在目标地区的第一时段内的指标原始值预测得到第二时段内的指标预测值，进而对所述第二时段内的指标预测值与指标原始值之间的差值采用目标模型进行处理，得到所述网络在目标地区的质量检测结果，通过采用多种方式组合处理，保证了质量检测结果的准确性。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一方面实施例的网络质量检测方法的流程示意图；
图2是根据本公开第一方面实施例的目标变化值的确定方法的流程示意图；
图3a是根据本公开第一方面实施例提供的网络质量检测方法的示例性流程示意图；
图3b是根据本公开指标原始值组成的原始曲线、指标预测值组成的预测曲线、差值所组成的差值曲线的示意图；
图4是根据本公开第二方面实施例的网络质量检测装置的一种组成结构示意图；
图5是根据本公开第二方面实施例的网络质量检测装置的另一种组成结构示意图；
图6是用来实现本公开实施例的质量检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本公开第一方面提供一种网络质量检测方法，如图1所示，包括：
S101：基于网络在目标地区的第一时段中N个时刻的指标原始值与第二时段中M个时刻的指标原始值，确定所述目标地区的指标变化值；N和M均为正整数；所述第一时段早于所述第二时段；
S102：在所述指标变化值小于第一阈值的情况下，基于所述第一时段中所述N个时刻的所述指标原始值，确定所述第二时段中所述M个时刻的指标预测值；
S103：将所述第二时段中所述M个时刻的所述指标原始值与所述指标预测值之间的差值输入目标模型，得到所述目标模型输出的指标异常信息；
S104：基于所述指标异常信息确定所述网络在所述目标地区的质量检测结果。
本实施例提供的方案可以在所述网络中的服务器执行；所述网络具体的可以是内容分发网络(CDN，Content Delivery Network)，或者还可以为其他类型的网络。
所述CDN是构建在现有网络基础之上的智能虚拟网络，依靠部署在各地的边缘服务器，通过中心平台的负载均衡、内容分发、调度等功能模块，使用户就近获取所需内容，降低网络拥塞，提高用户访问响应速度和命中率。CDN的关键技术主要有内容存储和分发技术。
所述CDN的边缘服务器可以部署在一个或多个地区。本实施例中所述目标地区可以为上述部署有所述CDN的所述边缘服务器的任意一个地区。应理解，针对所述CDN的所述边缘服务器的一个或多个地区的处理与所述目标地区可以是相同的，因此本实施例仅针对其中任意一个进行说明，其他地区不做重复说明。
所述其他类型的网络也可以是在多个地区部署服务器的网络，其具体类型本实施例不做限定。
所述目标地区可以为所述CDN的所述边缘服务器所在的一个或多个地区中之一。相应的，所述指标原始值是从所述目标地区的所述CDN的所述边缘服务器所服务的客户端拉取的。
或者，所述目标地区可以为所述其他类型的网络中部署服务器的一个或多个地区中之一；相应的，所述指标原始值是所述其他类型的网络中处于目标地区的服务器所服务的客户端拉取的。
所述指标原始值可以指的是卡顿率原始值，或称为原始卡顿率。或者，所述指标原始值还可以为平均速率原始值，或称为原始平均速率。本示例不对其可能的全部指标进行穷举。
其中，所述第一时段的长度可以根据实际需求设置，比如可以为连续7天，又或者，可以是连续14天，或者可以更长或更短，本实施例不对其进行穷举。所述第一时段的截止时刻可以为当前时刻的24小时之前，也就是说所述第一时段可以是昨天及其之前的连续7天或连续更多天。
所述N个时刻具体可以指的是N个采样时刻。所述N个采样时刻的采样间隔可以是根据实际情况设置的，举例来说，若设置采样间隔为1小时，则在第一时段内可以包含24×7个时刻，应理解，这里仅为示例性说明，实际处理中可以采用更短的采样间隔，比如1秒钟、10秒钟或1分钟等等，这里不做穷举。
其中，所述第二时段的长度可以根据实际需求设置，比如可以为24小时；所述第二时段的截止时刻可以为当前时刻。
所述M个时刻具体可以指的是M个采样时刻。所述M个采样时刻的采样间隔可以是根据实际情况设置的，举例来说，若设置采样间隔为1小时，则在第二时段内可以包含24个时刻(即24个采样时刻)，应理解，这里仅为示例性说明，实际处理中可以采用更短的采样间隔，比如1秒钟、10秒钟或1分钟等等，这里不做穷举。
需要指出的是，上述第一时段的长度可以为上述第二时段的长度的整数倍，举例来说，上述第一时段的长度可以为所述第二时段的长度的S倍，S可以等于7。另外，所述第一时段内的N个时刻的间隔与第二时段内的M个时刻的间隔可以是相同的。
所述基于网络在目标地区的第一时段中N个时刻的指标原始值与第二时段中M个时刻的指标原始值，确定所述目标地区的指标变化值，可以是：基于所述网络在所述目标地区的所述第一时段中所述N个时刻的所述指标原始值与所述第二时段中所述M个时刻的所述指标原始值进行相同时刻的差分对比，得到所述目标地区的指标变化值。
所述第一阈值可以是根据实际情况设置的。需要说明的是，若所述指标变化值小于所述第一阈值，则可以确定所述目标地区的指标原始值是周期性的数据，否则，确定所述目标地区的指标原始值是非周期性的数据。
在确定所述目标地区的所述指标原始值是周期性的数据的情况下，执行同比检测处理，即执行本实施例后续S102～S104的处理。在确定所述目标地区的所述指标原始值是非周期性的数据的情况下，执行环比检测处理，以确定所述目标地区的质量检测结果。
所述基于所述第一时段中所述N个时刻的所述指标原始值，确定所述第二时段中所述M个时刻的指标预测值，可以指的是：采用预设算法对所述第一时段中所述N个时刻的所述指标原始值进行处理，得到所述第二时段中所述M个时刻的指标预测值。其中，所述预设算法可以是核方法脊回归(KRR，Kernel Ridge Regression)算法，或者可以是核技巧加L2正则化的最小二乘的算法。
所述将所述第二时段中所述M个时刻的所述指标原始值与所述指标预测值之间的差值输入目标模型，得到所述目标模型输出的指标异常信息，可以包括：基于所述第二时段中所述M个时刻的所述指标原始值与所述第二时段中所述M个时刻的所述指标预测值，确定所述第二时段中所述M个时刻分别对应的差值；将所述第二时段中所述M个时刻分别对应的所述差值输入所述目标模型，得到所述目标模型输出的所述指标异常信息。
所述指标异常信息中可以包括至少一个异常时刻。另外，所述指标异常信息中还可以包括所述至少一个异常时刻中每个异常时刻所对应的异常值。
前述已经说明，所述目标地区具体可以为所述CDN的所述边缘服务器所在的一个或多个地区中之一，相应的，所述目标地区的质量检测结果具体可以指的是：所述CDN的所述边缘服务器在所述目标地区的所述质量检测结果。
应理解，所述目标地区还可以为所述其他类型的网络中部署服务器的一个或多个地区中之一；相应的，所述目标地区的质量检测结果具体可以指的是：所述其他类型的网络中处于目标地区的服务器的所述质量检测结果。
本实施例提供的方案，可以先将网络在目标地区的第一时段中N个时刻的指标原始值与第二时段中M个时刻的指标原始值进行比对，以得到所述目标地区的指标变化值，该指标变化值小于第一阈值的情况下，可以基于第一时段的N个时刻的指标原始值预测得到所述第二时段的M个时刻的指标预测值，进而可以采用所述第二时段中M个时刻分别对应的指标原始值与指标预测值确定差值，基于该差值以及目标模型确定网络在目标地区的质量检测结果。通过采用上述方案，可以采用所述网络在目标地区的第一时段内的指标原始值预测得到第二时段内的指标预测值，进而对所述第二时段内的指标预测值与指标原始值之间的差值采用目标模型进行处理得到所述网络在目标地区的质量检测结果，通过采用多种方式组合处理，保证了质量检测结果的准确性。
在一种实施方式中，如图2所示，所述基于网络在目标地区的第一时段中N个时刻的指标原始值与第二时段的M个时刻的指标原始值，确定所述目标地区的指标变化值，包括：
S201：基于所述网络在所述目标地区的所述第一时段中所述N个时刻的所述指标原始值，确定所述第一时段的K个子时段中分别包含的M个时刻的指标原始值的均值，K为大于等于2的整数；所述K个子时段中每个子时段的时长与所述第二时段相同；
S202：将所述第二时段中所述M个时刻的所述指标原始值与所述M个时刻的所述指标原始值的所述均值进行差分计算得到差分值；
S203：基于所述差分值进行标准差计算得到所述目标地区的所述指标变化值。
上述第一时段的长度可以为所述第二时段的长度的整数倍，所述第一时段的K个子时段可以是将所述第一时段等分的划分为K个部分所得到的K个子时段；也就是说所述K个子时段的时长为相同的。
所述基于所述网络在所述目标地区的所述第一时段中所述N个时刻的所述指标原始值，确定所述第一时段的K个子时段中分别包含的M个时刻的指标原始值的均值，可以为：
基于所述网络在所述目标地区的所述第一时段中所述N个时刻的所述指标原始值，确定所述第一时段的K个子时段中分别包含的M个时刻的指标原始值；
对所述第一时段的所述K个子时段中分别包含的所述M个时刻中的各个相同时刻的所述指标原始值相加后进行平均值计算，得到所述第一时段的所述K个子时段中分别包含的所述M个时刻的所述指标原始值的所述均值。
比如K＝7，所述第一时段的长度为连续的历史7天时，所述第一时段的K个子时段指的是，所述历史7天中的每一天。所述第一时段的所述K个子时段中分别包含的M个时刻的指标原始值的均值可以为：将所述历史7天中每天的M个时刻中的各个相同时刻的指标原始值相加后除以总数量，得到所述历史7天中分别包含的M个时刻的指标原始值的所述均值。
其中，所述总数量可以等于K，或者可以小于K，这是由于可能历史上某一天的某一个时刻没有拉取到指标原始值，因此本实施例计算所述指标原始值的所述均值的处理时，以实际计算的个数来确定所述总数量。
所述将所述第二时段中所述M个时刻的所述指标原始值与所述M个时刻的所述指标原始值的所述均值进行差分计算得到差分值，具体为：
将所述第二时段中所述M个时刻中各个时刻的所述指标原始值与所述指标原始值的均值相减得到差值，对所述各个时刻得到的所述差值计算平方值；将所述各个时刻的所述平方值做和再除以总数，得到所述差分值。
所述基于所述差分值进行标准差计算得到所述目标地区的指标变化值，具体可以为：计算所述差分值的算数平方根，得到所述目标地区的指标变化值。
举例来说，假设M等于3，将3个时刻中分别对应的指标原始值表示为a(n)、a(n-1)和a(n-2)，将3个时刻中分别对应的指标原始值的均值表示为b(n)、b(n-1)和b(n-2)，所述目标地区的所述指标变化值表示为A，则计算得到所述目标地区的指标变化值可以采用以下公式来表示：
可见，通过采用上述方案，就可以基于所述第一时段中各个相同时刻先进行所述指标原始值的均值计算，再基于各个所述指标原始值的所述均值与所述第二时段中各个相同时刻的所述指标原始值进行差分值计算，最终得到该目标地区的所述指标变化值。如此，可以对所述目标地区的指标原始值进行预先的分析，从而得到该目标地区的指标变化情况，基于该指标变化情况可以更准确的分析后续所要采用的分析方式，从而保证了后续处理的合理性以及准确性。
在一种实施方式中，在确定了所述目标地区的所述指标变化值之后，可以基于所述指标变化值判断所要采用的检测方式，具体可以包括：
判断所述指标变化值是否小于所述第一阈值；
在所述指标变化值小于所述第一阈值的情况下，采用同比检测方式进行处理；在所述指标变化值不小于所述第一阈值的情况下，采用环比检测方式进行处理。
也就是说，所述指标变化值小于所述第一阈值可以表示所述目标地区的所述指标原始值的变化情况为周期性变化的，因此可以采用所述同比检测方式进行处理；所述指标变化值不小于所述第一阈值可以表示所述目标地区的所述指标原始值的变化情况为非周期性变化的，因此可以采用所述环比检测方式进行处理。
分别对所述环比检测方式和所述同比检测方式进行说明：
所述环比检测方式，可以包括：
在所述指标变化值不小于所述第一阈值的情况下，将所述第二时段划分为T个窗口，T为大于等于2的整数；基于所述T个窗口中每两个相邻窗口中分别包含的多个时刻的所述指标原始值，确定指标变化比例；基于所述指标变化比例，确定所述网络在所述目标地区的所述质量检测结果。
其中，所述T个窗口中各个窗口的时长是相同的，可以将每个窗口的时长表示为w。
其中，所述基于所述T个窗口中每两个相邻窗口中分别包含的多个时刻的所述指标原始值，确定指标变化比例，可以包括：对所述T个窗口中相邻两个窗口中每个窗口内包含的各个时刻的指标原始值分别相加得到每个窗口对应的指标总和，将所述相邻两个窗口分别包含的指标总和相除，得到所述相邻两个窗口之间的指标变化比例。
以所述第j个窗口以及所述第j-1个窗口计算得到的所述指标变化比例进行示例性说明，其计算公式如下：
其中，t表示第t个时刻，w表示第j个窗口以及第j-1个窗口的时长(或大小)；xt是第j个窗口中最近一个时刻的指标原始值，如果第j个窗口为当前刚刚结束的窗口，则xt表示当前时刻的指标原始值；xt-w+1则表示第j个窗口中最早一个时刻的指标原始值；xt-w表示第j-1个窗口中最后一个时刻的指标原始值，xt-2w+1则表示第j-1个窗口中最早的一个时刻的指标原始值。上述公式中的分子部分表示第j个窗口内全部指标原始值的和；上述公式的分母部分表示第j-1个窗口的全部指标原始值的和；r(t)则为所述第j个窗口以及所述第j-1个窗口计算得到的所述指标变化比例。
所述基于所述指标变化比例，确定所述网络在所述目标地区的质量检测结果，包括：基于所述T个窗口中每两个相邻窗口计算得到的所述指标变化比例，确定所述每两个相邻窗口所对应的时长内的异常情况；基于所述每两个相邻窗口所对应的时长内的异常情况，确定所述网络在所述目标地区的质量检测结果。
所述基于所述T个窗口中每两个相邻窗口计算得到的所述指标变化比例，确定所述每两个相邻窗口所对应的时长内的异常情况，具体可以为：
判断所述T个窗口中第j个窗口以及第j-1个窗口计算得到的所述指标变化比例是否超过第七阈值；j为大于等于2的整数；
若超过，则确定该第j个窗口以及所述第j-1个窗口所对应的时长内存在异常；否则，确定该第j个窗口以及所述第j-1个窗口所对应的时长内正常。
其中，所述第七阈值可以是根据实际情况预设的。
所述基于所述每两个相邻窗口所对应的时长内的异常情况，确定所述网络在所述目标地区的质量检测结果，具体可以包括：在所述T个窗口中两个相邻窗口所对应的时长内存在异常所对应的时长内的异常情况的数量超过第八阈值的情况下，确定所述网络在所述目标地区的质量检测结果为异常地区；在所述T个窗口中两个相邻窗口所对应的时长内存在异常所对应的时长内的异常情况的数量不超过第八阈值的情况下，确定所述网络在所述目标地区的质量检测结果为正常地区。
其中，所述第八阈值可以根据实际情况设置，比如1个、3个或5个或更多或更少，这里不做穷举。
以上为针对所述指标原始值的变化情况为非周期性变化的情况所采用的环比检测方式的说明。通过采用上述方案，就可以在所述指标变化值不小于所述第一阈值的情况下，可以将所述第二时段划分为T个窗口，分别对相邻窗口进行加和计算再相除得到所述指标变化比例，进而基于该指标变化比例确定所述目标地区的质量检测结果。如此，可以区分不同的指标变化值的情况进行不同的处理，在指标变化情况为非周期性的时候，可以针对所述第二时段的各个指标原始值进行环比检测，从而保证了基于非周期性数据得到所述网络在所述目标地区的质量检测结果的准确性。
关于所述同比检测方式，可以包括：在所述指标变化值小于第一阈值的情况下，基于所述第一时段中所述N个时刻的所述指标原始值，确定所述第二时段中所述M个时刻的指标预测值；将所述第二时段中所述M个时刻的所述指标原始值与所述指标预测值之间的差值输入目标模型，得到所述目标模型输出的指标异常信息；基于所述指标异常信息确定所述网络在所述目标地区的质量检测结果。
其中，所述基于所述第一时段中所述N个时刻的所述指标原始值，确定所述第二时段中所述M个时刻的指标预测值，可以包括：
基于所述第一时段中所述N个时刻的所述指标原始值进行预测得到拟合曲线；将所述拟合曲线中所述M个时刻分别对应的数值作为所述第二时段中所述M个时刻的所述指标预测值。
具体来说，所述基于所述第一时段中所述N个时刻的所述指标原始值进行预测得到拟合曲线，可以是采用KRR(核岭回归)算法基于所述第一时段中所述N个时刻的所述指标原始值进行预测得到拟合曲线。通过采用KRR算法进行计算可以消除周期型指标的周期性。
或者，所述基于所述第一时段中所述N个时刻的所述指标原始值进行预测得到拟合曲线，可以是采用核技巧(核方法，kernel method)以及L2正则化的最小二乘的算法，对所述第一时段中所述N个时刻的所述指标原始值进行预测得到所述拟合曲线。
所述采用核技巧(核方法，kernel method)以及L2正则化的最小二乘的算法，对所述第一时段中所述N个时刻的所述指标原始值进行预测得到所述拟合曲线，具体可以为：通过将原始空间内所述第一时段中所述N个时刻的所述指标原始值映射到高维空间，通过L2正则化和最小二乘对所述高维空间内的映射后的N个时刻的所述指标原始值进行拟合，得到所述高维空间的一条直线；将所述高位空间的直线映射回低维度的所述原始空间，得到所述拟合曲线。其中，将所述原始空间内所述第一时段中所述N个时刻的所述指标原始值映射到高维空间的处理能够使得数据在高维度空间线性可分，便于后续处理。所述原始空间可以是当前的时域空间。
所述将所述拟合曲线中所述M个时刻分别对应的数值作为所述第二时段中所述M个时刻的所述指标预测值，具体可以是从所述拟合曲线中按照所述第二时段中所述M个时刻的位置进行数值提取，得到所述M个时刻分别对应的数值作为所述第二时段中所述M个时刻的所述指标预测值。
可见，通过采用上述处理方式，可以采用所述第一时段内的N个时刻的所述指标原始值预测得到所述第二时段内M个时刻的指标预测值，由于采用了历史上较长时段的各个时刻预测得到的所述第二时段内M个时刻的指标预测值，因此，可以保证后续基于所述第二时段内所述M个时刻的所述指标预测值进行指标异常信息的确定的准确性，进而保证了最终得到所述网络在所述目标地区的质量检测结果的准确性。
在一种实施方式中，在完成上述基于所述第一时段中所述N个时刻的所述指标原始值，确定所述第二时段中所述M个时刻的指标预测值的之后，还可以包括：对所述第二时段中所述M个时刻的所述指标预测值与所述第二时段中所述M个时刻的所述指标原始值分别进行计算，确定所述M个时刻的所述指标原始值与所述指标预测值之间的所述差值。
其中，所述对所述第二时段中所述M个时刻的所述指标预测值与所述第二时段中所述M个时刻的所述指标原始值分别进行计算，确定所述M个时刻的所述指标原始值与所述指标预测值之间的所述差值，具体可以包括：将所述第二时段中所述M个时刻的各个时刻的所述指标原始值与所述指标预测值相减，得到所述各个时刻的所述指标原始值与所述指标预测值之间的所述差值。
举例来说，假设M等于4，将4个时刻中分别对应的指标原始值表示为a1(n)、a1(n-1)、a1(n-2)和a1(n-3)，其中n～n-3表示第n个时刻～第n-3个时刻；将4个时刻中分别对应的指标预测值表示为a2(n)、a2(n-1)、a2(n-2)和a2(n-3)，所述4个时刻中的第n个时刻的所述指标原始值与所述指标预测值之间的所述差分值表示为Bn，则Bn＝a1(n)-a2(n)。通过上述计算，可以得到[Bn,Bn-1,Bn-2,Bn-3]即为所述4个时刻的所述指标原始值与所述指标预测值之间的所述差值。
可见，通过采用上述处理方式，可以采用所述第一时段内的N个时刻的所述指标原始值预测得到所述第二时段内M个时刻的指标预测值，进而可以得到所述第二时段内M个时刻的指标原始值以及所述指标预测值之间的差值，由于采用了历史上较长时段的各个时刻预测得到的所述第二时段内M个时刻的指标预测值，因此，可以保证后续基于所述第二时段内所述M个时刻的指标原始值以及所述指标预测值之间的差值进行模型处理得到指标异常信息的确定的准确性，进而保证了最终得到所述网络在所述目标地区的质量检测结果的准确性。
完成上述处理之后，可以将所述第二时段中所述M个时刻的所述指标原始值与所述指标预测值之间的所述差值输入目标模型，得到所述目标模型输出的指标异常信息。其中，所述目标模型可以为预设的高斯模型，该目标模型的输入信息为所述第二时段中所述M个时刻的所述指标原始值与所述指标预测值之间的差值；该目标模型的输出信息为所述指标异常信息。
所述指标异常信息中可以包括一个或多个异常点，其中每个异常点可以包括异常时刻该异常时刻所对应的异常值。其中，所述每个异常时刻所对应的异常值可以指的是该异常时刻所对应的差值，或者是在所述第二时段中该异常时刻所对应的指标原始值。
在一种实施方式中，上述基于所述指标异常信息确定所述网络在所述目标地区的质量检测结果，可以包括以下至少之一：
在所述指标异常信息中包含的异常时刻的数量超过第二阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区；
在所述指标异常信息中包含的异常时刻在预设时长内的数量超过第三阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区；
在所述指标异常信息中包含的异常值超过第五阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区。
分别来说，上述第二阈值可以为数量阈值，可以是根据实际情况设置的，比如可以为10个、20个或更多或更少，这里不做穷举。
上述第三阈值也可以根据实际情况设置，该第三阈值表示的是数量阈值，比如可以是5个、3个、或更多或更少，这里不做穷举。
所述预设时长可以为根据实际情况设置的时间长度，所述预设时长的长度小于所述第二时段的时长。比如，该预设时长可以为1分钟的长度，或者可以是5分钟或10分钟，或者可以更长或更短，这里不对其进行限定。
所述在所述指标异常信息中包含的异常时刻在预设时长内的数量超过第三阈值的情况下，确定所述网络在所述目标地区的质量检测结果为异常地区，可以为：
将第n个时刻减去所述预设时长得到第n个时间段，提取该第n个时间段内包含的全部异常时刻，判断该第n个时间段内包含的全部异常时刻的数量是否超过所述第三阈值，若超过，则确定所述网络在所述目标地区的质量检测结果为异常地区；
若未超过，则将第n-1个时刻减去所述预设时长得到第n-1个时间段，提取该第n-1个时间段内包含的全部异常时刻，判断该第n-1个时间段内包含的全部异常时刻的数量是否超过所述第三阈值，以此类推，直至完成全部时刻的处理为止。
所述第四阈值可以根据实际情况设置，且该第四阈值的具体数值与指标的类型相关，示例性的，若指标为卡顿率，则所述第四阈值可以为1或1.5等等，不做穷举。
所述在所述指标异常信息中包含的异常值超过第四阈值的情况下，确定所述网络在所述目标地区的质量检测结果为异常地区，可以包括：在所述指标异常信息中包含的异常值的绝对值超过所述第四阈值的情况下，确定所述网络在所述目标地区的质量检测结果为异常地区。
由于所述异常值可能为差值可能存在负数，所以本实施例中将所述异常值的绝对值与所述第四阈值进行比对来作出判断。
以上在所述指标异常信息中包含的异常时刻的数量超过第二阈值的情况下，确定所述目标地区的质量检测结果为异常地区；在所述指标异常信息中包含的异常时刻在预设时长内的数量超过第三阈值的情况下，确定所述目标地区的质量检测结果为异常地区；在所述指标异常信息中包含的异常值超过第四阈值的情况下，确定所述目标地区的质量检测结果为异常地区，这三个处理可以分别使用也可以结合使用。
比如，上述在所述指标异常信息中包含的异常时刻的数量超过第二阈值的情况下，确定所述目标地区的质量检测结果为异常地区；以及在所述指标异常信息中包含的异常时刻在预设时长内的数量超过第三阈值的情况下，确定所述网络在所述目标地区的质量检测结果为异常地区，结合使用的情况，可以包括：
判断所述指标异常信息中包含的异常时刻的数量是否超过第二阈值，若超过所述第二阈值，则确定所述网络在所述目标地区的所述质量检测结果为异常地区；
若不超过所述第二阈值，则判断在所述指标异常信息中包含的异常时刻在预设时长内的数量是否超过第三阈值，若超过所述第三阈值，则确定所述网络在所述目标地区的所述质量检测结果为异常地区，否则，确定所述网络在所述目标地区的所述质量检测结果为正常地区。
上述在所述指标异常信息中包含的异常时刻的数量超过第二阈值的情况下，确定所述网络在所述目标地区的质量检测结果为异常地区；以及在所述指标异常信息中包含的异常值超过第四阈值的情况下，确定所述网络在所述目标地区的质量检测结果为异常地区，结合使用的情况，可以包括：
判断所述指标异常信息中包含的异常时刻的数量是否超过第二阈值，若超过所述第二阈值，则确定所述网络在所述目标地区的所述质量检测结果为异常地区；
若不超过所述第二阈值，则判断所述指标异常信息中包含的异常值超过第四阈值的情况下，若超过所述第四阈值，则确定所述目标地区的质量检测结果为异常地区，否则，确定所述网络在所述目标地区的所述质量检测结果为正常地区。
上述在所述指标异常信息中包含的异常时刻在预设时长内的数量超过第三阈值的情况下，确定所述网络在所述目标地区的质量检测结果为异常地区；以及在所述指标异常信息中包含的异常值超过第四阈值的情况下，确定所述网络在所述目标地区的质量检测结果为异常地区，结合使用的情况，可以包括：
判断所述指标异常信息中包含的异常时刻在预设时长内的数量是否超过第三阈值，若超过所述第三阈值，则确定所述网络在所述目标地区的所述质量检测结果为异常地区；
若不超过所述第三阈值，则判断所述指标异常信息中包含的异常值超过第四阈值的情况下，若超过所述第四阈值，则确定所述目标地区的所述质量检测结果为异常地区，否则，确定所述网络在所述目标地区的所述质量检测结果为正常地区。
以上全部判断方式结合使用，可以包括：
判断所述指标异常信息中包含的异常时刻的数量是否超过第二阈值，若超过所述第二阈值，则确定所述网络在所述目标地区的所述质量检测结果为异常地区；
若不超过所述第二阈值，则判断在所述指标异常信息中包含的异常时刻在预设时长内的数量是否超过第三阈值，若超过所述第三阈值，则确定所述网络在所述目标地区的所述质量检测结果为异常地区；
若不超过所述第三阈值，则判断所述指标异常信息中包含的异常值超过第四阈值的情况下，若超过所述第四阈值，则确定所述网络在所述目标地区的质量检测结果为异常地区，否则，确定所述网络在所述目标地区的所述质量检测结果为正常地区。
应理解，上述全部判断方式结合的时候所采用的顺序仅为示例性说明，实际处理中可以采用其他的顺序进行判断，只是不做穷举。
对于所述指标原始值的变化情况为周期性变化的情况，本实施例采用同比检测方式进行处理，这是由于所有地区都是在凌晨的时候流量都比较低，晚高峰的时候流量比较高，因此所述网络在各个地区在流量高低峰的时候指标原始值的差距也比较明显。因此，通过采用指标预测值与指标原始值(即实际指标值)相对比进行处理并结合预设的目标模型的处理方式来得到指标异常信息，进而基于所述指标异常信息中包含的异常时刻和/或异常值来确定所述网络在所述目标地区的质量检测结果，从而能够更加准确的判定所述网络在目标地区的质量检测结果，避免了检测不准确的问题，保证了检测准确性。
在一种实施方式中，还可以包括：
基于所述网络在L个地区分别对应的所述第二时段中所述M个时刻的所述指标原始值，确定所述L个地区中的候选地区；将所述候选地区中之一作为所述目标地区；L为大于等于2的整数。
其中，所述网络在所述L个地区可以为所述CDN的边缘服务器所在的L地区，比如，所述CDN的边缘服务器可以覆盖地区1～地区20，则所述L个地区可以指的是这20个地区。或者，所述L个地区还可以为所述其他类型的网络中部署服务器的全部地区。
所述基于网络在L个地区分别对应的所述第二时段中M个时刻的指标原始值，具体可以是：通过所述网络在所述L个地区中每个地区的全部客户端的接口获取所述第二时段中M个时刻的指标初始值；
基于所述每个地区的所述全部客户端获取所述第二时段中所述M个时刻的所述指标初始值，确定所述每个地区分别对应的所述第二时段中所述M个时刻的所述指标原始值。
其中，在所述L个地区中的任意一个地区的所述第二时段的同一时刻，可能获取到多个客户端的所述指标初始值；因此，本示例中所述基于所述每个地区的所述全部客户端获取所述第二时段中所述M个时刻的所述指标初始值，确定所述每个地区分别对应的所述第二时段中所述M个时刻的所述指标原始值，可以是：将所述每个地区的所述全部客户端获取所述第二时段中所述M个时刻中各个时刻的全部指标初始值的均值，作为所述每个地区分别对应的所述第二时段中所述M个时刻中所述各个时刻的所述指标原始值。
本实施例提供的方案还可以从多个地区中选取候选地区，然后将候选地区中任意之一作为前述目标地区，应理解，所述候选地区中的每个候选地区均可以作为所述目标地区进行相同的后续处理，只是本实施例不进行一一赘述。
可见，通过采用上述方案，就可以根据所述网络在多个地区分别获取第二时段中各个时刻的指标原始值，选取候选地区；进而将所述候选地区中的任意之一作为所述目标地区进行分析，如此，可以通过初步的筛选来确定需要分析的目标地区，避免了对所述网络在全部地区的指标原始值不进行筛选而进行分析所带来的效率较低的问题。
所述基于所述网络在L个地区分别对应的第二时段中M个时刻的指标原始值，确定所述L个地区中的候选地区，包括以下至少之一：
在所述网络在所述L个地区中的第i个地区的指标原始值的缺失时长不超过第五阈值的情况下，确定所述第i个地区为所述候选地区；i为大于等于1且小于等于L的整数；
在基于所述网络在所述L个地区的第i个地区的所述第二时段中所述M个时刻的所述指标原始值，确定指标数据波动值不超过第六阈值的情况下，确定所述第i个地区为所述候选地区。
其中，在所述网络在所述L个地区中的第i个地区的指标原始值的缺失时长不超过第五阈值的情况下，确定所述第i个地区为所述候选地区，具体可以指的是：
若所述网络在所述L个地区中的所述第i个地区的所述第二时段中存在多个时刻的指标原始值缺失，则将所述多个时刻中的至少两个连续时刻对应的时长作为所述缺失时长，在所述缺失时长不超过所述第五阈值的情况下，确定所述第i个地区为所述候选地区；i为大于等于1且小于等于L的整数。
另外，若所述缺失时长超过所述第五阈值，则不对所述第i个地区进行后续处理，还可以丢弃所述第i个地区的数据。
所述第五阈值可以为时长阈值，可以根据实际情况进行设置，比如可以是10分钟、1小时或更长或更短，这里不做穷举。
上述第六阈值可以根据实际情况设置，这里不对其进行限定。所述在基于所述L个地区的第i个地区的所述第二时段中所述M个时刻的所述指标原始值，确定指标数据波动值不超过第六阈值的情况下，确定所述第i个地区为所述候选地区，具体可以为：
基于所述网络在所述L个地区的所述第i个地区的所述第二时段中所述M个时刻的相邻时刻的指标原始值进行环比方差计算，得到指标数据波动值；在所述指标数据波动值不超过所述第六阈值的情况下，确定所述第i个地区为所述候选地区。另外，在所述指标数据波动值超过所述第六阈值的情况下，则不对所述第i个地区进行后续处理，还可以丢弃所述第i个地区的数据。
其中，所述基于所述网络在所述L个地区的所述第i个地区的所述第二时段中所述M个时刻的相邻时刻的指标原始值进行环比方差计算，得到指标数据波动值指的是：将所述L个地区的所述第i个地区的所述第二时段中每两个相邻时刻分别对应的指标原始值进行差值计算后进行平方计算后做和，再除以指标原始值的总数量，得到所述指标数据波动值。
应理解，上述基于缺失时长的判断以及基于指标数据波动值的判断可以结合使用，比如：
判断所述L个地区中的所述第i个地区的所述指标原始值的缺失时长是否超过所述第五阈值；若超过所述第五阈值，则所述第i个地区不作为所述候选地区；
若不超过所述第五阈值，则基于所述L个地区的所述第i个地区的所述第二时段中所述M个时刻的所述指标原始值，确定所述指标数据波动值是否超过第六阈值；
若超过所述第六阈值，则所述第i个地区不作为所述候选地区；若不超过所述第六阈值，则确定所述第i个地区为所述候选地区。
可见，通过采用上述方案，就可以先基于所述网络在多个地区分别获取第二时段中各个时刻的指标原始值进行预处理，选取候选地区；进而将所述候选地区中的任意之一作为所述目标地区进行分析，如此，可以通过初步的筛选来确定需要分析的目标地区，将明显存在指标原始值缺失和/或指标数据波动较大的地区过滤掉，仅将数据完整和/或指标数据波动不大的候选地区作为目标地区进行分析，如此避免了对所述网络在全部地区的指标原始值不进行筛选而进行分析所带来的效率较低的问题。
在一种实施方式中，本公开提供的方法还可以包括：基于训练样本对预设模型进行训练，得到训练后的所述目标模型；其中，所述训练样本中包含至少一个时刻分别对应的差值样本、对所述至少一个时刻中的异常时刻的标注信息以及对所述异常时刻所对应的异常值的标注信息。
也就是说，本公开前述各个实施方式中所使用的所述目标模型可以为预先训练所得到的目标模型。在训练所述预设模型的处理时，采用了已有的数据构建所述训练样本。
具体来说，可以采用某一个地区的历史第f天的所述M个时刻的指标原始值、以及历史第f天之前的连续7天的所述N个时刻的指标原始值进行处理得到一个训练样本，比如：先将所述历史第f天之前的所述连续7天的所述N个时刻的所述指标原始值采用KRR算法进行处理，得到所述历史第f天的所述M个时刻的指标预测值；基于所述历史第f天的所述M个时刻中各个时刻的所述指标预测值和所述指标原始值的差值，生成所述差值样本。然后可以对所述差值样本进行标注，得到其中的所述至少一个时刻中的异常时刻的标注信息以及对所述异常时刻所对应的异常值的标注信息。
以上仅为针对一个训练样本的生成的示例性说明，实际处理中还可以采用更多的训练样本来对所述预设模型进行训练，只是每一个训练样本的生成方式与上述类似，因此不做一一赘述。
另外，确定训练收敛的方式可以包括：基于所述预设模型的输出信息与所述至少一个时刻中的异常时刻的标注信息以及对所述异常时刻所对应的异常值的标注信息计算损失函数；在该损失函数小于预设门限值的情况下，可以确定所述预设模型训练完成。和/或，还可以包括：判断当前预设模型的迭代训练次数，若该迭代训练次数超过预设次数门限值，则确定所述预设模型训练完成。
可见，通过采用上述方式，就可以基于包含至少一个时刻分别对应的差值样本、对所述至少一个时刻中的异常时刻的标注信息以及对所述异常时刻所对应的异常值的标注信息作为训练样本对预设模型进行训练，以最终得到所述目标模型，如此，可以得到更加符合本实施例使用场景的所述目标模型，进而基于该目标模型处理得到的所述网络在所述目标地区的指标异常信息也更加准确。
最后结合图3a以及图3b，对本公开第一方面实施例提供的质量检测方法进行示例性说明，如图3a所示，包括：
S301：获取网络在L个地区分别对应的第二时段中M个时刻的指标原始值；L为大于等于2的整数，M为大于等于1的整数。
其中，所述网络为CDN，所述L个地区可以为所述CDN的边缘服务器所在的全部地区，比如，所述CDN的边缘服务器可以覆盖地区1～地区20，则所述L个地区可以指的是这20个地区。或者，所述L个地区还可以为所述其他类型的网络中部署服务器的全部地区。
所述基于L个地区分别对应的所述第二时段中M个时刻的指标原始值，具体可以是：通过所述L个地区中每个地区的全部客户端的接口获取所述第二时段中M个时刻的指标初始值；
基于所述每个地区的所述全部客户端获取所述第二时段中所述M个时刻的所述指标初始值，确定所述每个地区分别对应的所述第二时段中所述M个时刻的所述指标原始值。
S302：基于所述网络在所述L个地区分别在所述第二时段中所述M个时刻的所述指标原始值，确定所述L个地区中的候选地区，将所述候选地区中之一作为所述目标地区。
其中，所述基于所述网络在L个地区分别对应的第二时段中M个时刻的指标原始值，确定所述L个地区中的候选地区，包括以下至少之一：
在所述网络在所述L个地区中的第i个地区的指标原始值的缺失时长不超过第五阈值的情况下，确定所述第i个地区为所述候选地区；i为大于等于1且小于等于L的整数；
在基于所述网络在所述L个地区的第i个地区的所述第二时段中所述M个时刻的所述指标原始值，确定指标数据波动值不超过第六阈值的情况下，确定所述第i个地区为所述候选地区。
以上具体的处理方式与前述第一方面实施例相同，不做重复说明。
S303：基于所述网络在所述目标地区的第一时段中N个时刻的指标原始值与所述第二时段中所述M个时刻的所述指标原始值，确定所述目标地区的指标变化值；N为正整数；所述第一时段早于所述第二时段。
所述第一时段的长度可以根据实际需求设置，比如可以为连续7天，也就是具体可以是历史7天。所述第二时段的长度可以根据实际需求设置，比如可以为24小时；所述第二时段的截止时刻可以为当前时刻。
S304：判断所述指标变化值是否小于第一阈值，若小于则执行S3061；否则，执行S3051。
需要说明的是，所述指标变化值小于所述第一阈值可以表示所述目标地区的所述指标原始值的变化情况为周期性变化的，因此可以采用所述同比检测方式进行处理，即S3061的处理；所述指标变化值不小于所述第一阈值可以表示所述目标地区的所述指标原始值的变化情况为非周期性变化的，因此可以采用所述环比检测方式进行处理，即S3051的处理。
S3051：将所述第二时段划分为T个窗口，基于所述T个窗口中每两个相邻窗口中分别包含的多个时刻的所述指标原始值，确定指标变化比例；T为大于等于2的整数。
其中，所述T个窗口中各个窗口的时长是相同的，可以将每个窗口的时长表示为w。其中，任意两个相邻窗口计算得到的所述指标变化比例的计算公式与前述第一方面实施例中相同，不做重复说明。
S3052：基于所述指标变化比例，确定所述网络在所述目标地区的所述质量检测结果，结束处理。
具体可以包括：基于所述T个窗口中每两个相邻窗口计算得到的所述指标变化比例，确定所述每两个相邻窗口所对应的时长内的异常情况；基于所述每两个相邻窗口所对应的时长内的异常情况，确定所述网络在所述目标地区的质量检测结果。
S3061：基于所述第一时段中所述N个时刻的所述指标原始值，确定所述第二时段中所述M个时刻的指标预测值。
具体来说，可以包括：基于所述第一时段中所述N个时刻的所述指标原始值进行预测得到拟合曲线；将所述拟合曲线中所述M个时刻分别对应的数值作为所述第二时段中所述M个时刻的所述指标预测值。
得到所述拟合曲线的具体算法可以是采用KRR(核岭回归)算法基于所述第一时段中所述N个时刻的所述指标原始值进行预测得到拟合曲线；
或者，可以包括：采用核技巧(核方法，kernel method)以及L2正则化的最小二乘的算法，对所述第一时段中所述N个时刻的所述指标原始值进行预测得到所述拟合曲线。
S3062：对所述第二时段中所述M个时刻的所述指标预测值与所述第二时段中所述M个时刻的所述指标原始值分别进行计算，确定所述M个时刻的所述指标原始值与所述指标预测值之间的所述差值。
结合图3b进行示例性说明，在图3b的左侧图中，为了便于看出所述第二时段中所述M个时刻的所述指标预测值与所述第二时段中所述M个时刻的所述指标原始值之间的区别，将本步骤中所述第二时段中所述M个时刻的所述指标预测值组成预测曲线(如图3b中的虚线样式的曲线)、以及所述第二时段中所述M个时刻的所述指标原始值组成原始曲线(如图3b中实线样式的曲线)，在图3b的左侧图中可以看出两者存在差异。
在图3b的右侧图为所述M个时刻的所述指标原始值与所述指标预测值之间的所述差值所组成的差值曲线，通过图3b的右侧图可以更加清晰的看出来所述M个时刻的所述指标原始值与所述指标预测值之间的所述差值是存在不规则的凸起的。
S3063：将所述第二时段中所述M个时刻的所述指标原始值与所述指标预测值之间的所述差值输入目标模型，得到所述目标模型输出的指标异常信息。
其中，所述目标模型可以为高斯模型。
S3064：基于所述指标异常信息确定所述网络在所述目标地区的质量检测结果。
上述基于所述指标异常信息确定所述网络在所述目标地区的质量检测结果，可以包括以下至少之一：
在所述指标异常信息中包含的异常时刻的数量超过第二阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区；
在所述指标异常信息中包含的异常时刻在预设时长内的数量超过第三阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区；
在所述指标异常信息中包含的异常值超过第五阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区。
在相关技术中心，智能虚拟网络在为用户提供内容分发传输服务时，多数服务商只关心服务的监控数据是否有异常。例如CDN(Content Delivery Network，即内容分发网络)，是构建在现有网络基础之上的智能虚拟网络，依靠部署在各地的边缘服务器，通过中心平台的负载均衡、内容分发、调度等功能模块，使用户就近获取所需内容，降低网络拥塞，提高用户访问响应速度和命中率。CDN在给用户就提供服务的时候，影响其服务质量的因素非常多，包括网络链路、调度策略、节点性能、协议栈等等。在服务侧检测的质量并不代表用户实际感知的质量。所以需要有方法来快速准确的检测网络在各地区的质量异常。通常会采用以下处理方式来进行质量检测：
方式(1)残差法：直接计算真实值和预测值之间的残差，得出真是值和预测值的绝对误差，以此来表征是否出现了异常。这种方法需要针对不同的系统流量设置不同的阈值，然而每个服务商的质量指标曲线浮动值都不一样，不可能为每个服务商都去单独设置阈值。
方式(2)Z-Score：假设每日的卡顿曲线具有明显的周期性，计算历史上相同时间窗口内数据的均值和标准差，逐点计算Z-Score值(即当前点的值减去均值再除以标准差)把原始数据转换到另外一个空间(z空间)，在z空间设定阈值就可以发现这类异常。这种方法较容易受曲线平滑度的影响，有的流量大的地区特别平滑且有特别明显的周期特征，有的流量小的地区曲线则没有那么平滑且没有明显的周期性的特征，对于这种流量小的地区，就无法准确的检测出异常，且特别容易产生误报。
方式(3)高斯模型检测算法：因异常是以一定的概率出现的，而且出现的概率较低。因此采用高斯模型来拟合历史的卡顿比数据，对于出现概率较低的数据，认定为异常数据。虽然可以很有效解决上述方式(1)和(2)的问题，但是由于流量高低峰的原因，高峰期的指标值比低峰期的指标值偏高，因此就不能简单的利用高斯模型来检测原始指标异常的曲线。
与上述相关技术中的处理方式相比，本实施例提供的方案，可以先将所述网络在目标地区的第一时段中N个时刻的指标原始值与第二时段中M个时刻的指标原始值进行比对，以得到所述目标地区的指标变化值，该指标变化值小于第一阈值的情况下，可以基于第一时段的N个时刻的指标原始值预测得到所述第二时段的M个时刻的指标预测值，进而可以采用所述第二时段中M个时刻分别对应的指标原始值与指标预测值确定差值，基于该差值以及目标模型确定所述网络在目标地区的质量检测结果。通过采用上述方案，可以采用目标地区的第一时段内的指标原始值预测得到第二时段内的指标预测值，进而对所述第二时段内的指标预测值与指标原始值之间的差值采用目标模型进行处理得到目标地区的质量检测结果，通过采用多种方式组合处理，保证了质量检测结果的准确性。
本公开第二方面实施例还提供一种网络质量检测装置，如图4所示，包括：
变化判定模块401，用于基于网络在目标地区的第一时段中N个时刻的指标原始值与第二时段中M个时刻的指标原始值，确定所述目标地区的指标变化值；N和M均为正整数；所述第一时段早于所述第二时段；
指标预测模块402，用于在所述指标变化值小于第一阈值的情况下，基于所述第一时段中所述N个时刻的所述指标原始值，确定所述第二时段中所述M个时刻的指标预测值；
异常检测模块403，用于将所述第二时段中所述M个时刻的所述指标原始值与所述指标预测值之间的差值输入目标模型，得到所述目标模型输出的指标异常信息；
结果分析模块404，用于基于所述指标异常信息确定所述网络在所述目标地区的质量检测结果。
在一种实施方式中，所述变化判定模块401，还用于基于所述网络在所述目标地区的所述第一时段中所述N个时刻的所述指标原始值，确定所述第一时段的K个子时段中分别包含的M个时刻的指标原始值的均值，K为大于等于2的整数；所述K个子时段中每个子时段的时长与所述第二时段相同；将所述第二时段中所述M个时刻的所述指标原始值与所述M个时刻的所述指标原始值的所述均值进行差分计算得到差分值；基于所述差分值进行标准差计算得到所述目标地区的所述指标变化值。
在一种实施方式中，所述指标预测模块402，还用于基于所述第一时段中所述N个时刻的所述指标原始值进行预测得到拟合曲线；将所述拟合曲线中所述M个时刻分别对应的数值作为所述第二时段中所述M个时刻的所述指标预测值。
在一种实施方式中，所述异常检测模块403，还用于对所述第二时段中所述M个时刻的所述指标预测值与所述第二时段中所述M个时刻的所述指标原始值分别进行计算，确定所述M个时刻的所述指标原始值与所述指标预测值之间的所述差值。
在一种实施方式中，所述结果分析模块404，还用于执行以下至少之一：
在所述指标异常信息中包含的异常时刻的数量超过第二阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区；
在所述指标异常信息中包含的异常时刻在预设时长内的数量超过第三阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区；
在所述指标异常信息中包含的异常值超过第四阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区。
在一种实施方式中，如图5所示，所述装置还包括：
环比检测模块405，用于在所述指标变化值不小于所述第一阈值的情况下，将所述第二时段划分为T个窗口，T为大于等于2的整数；基于所述T个窗口中每两个相邻窗口中分别包含的多个时刻的所述指标原始值，确定指标变化比例；基于所述指标变化比例，确定所述网络在所述目标地区的所述质量检测结果。
在一种实施方式中，如图5所示，所述装置还包括：
目标选定模块406，用于基于所述网络在L个地区分别对应的所述第二时段中所述M个时刻的所述指标原始值，确定所述L个地区中的候选地区；将所述候选地区中之一作为所述目标地区；L为大于等于2的整数。
在一种实施方式中，所述目标选定模块406，还用于执行以下至少之一：
在所述网络在所述L个地区中的第i个地区的指标原始值的缺失时长不超过第五阈值的情况下，确定所述第i个地区为所述候选地区；i为大于等于1且小于等于L的整数；
在基于所述网络在所述L个地区的第i个地区的所述第二时段中所述M个时刻的所述指标原始值，确定指标数据波动值不超过第六阈值的情况下，确定所述第i个地区为所述候选地区。
在一种实施方式中，如图5所示，所述装置还包括模型训练模块407，用于基于训练样本对预设模型进行训练，得到训练后的所述目标模型；其中，所述训练样本中包含至少一个时刻分别对应的差值样本、对所述至少一个时刻中的异常时刻的标注信息以及对所述异常时刻所对应的异常值的标注信息。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理。例如，在一些实施例中，上文所描述的各个方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文所描述的各个方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上文所描述的各个方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (21)
1.一种网络质量检测方法，包括：
基于网络在目标地区的第一时段中N个时刻的指标原始值与第二时段中M个时刻的指标原始值，确定所述目标地区的指标变化值；N和M均为正整数；所述第一时段早于所述第二时段；
在所述指标变化值小于第一阈值的情况下，基于所述第一时段中所述N个时刻的所述指标原始值，确定所述第二时段中所述M个时刻的指标预测值；
将所述第二时段中所述M个时刻的所述指标原始值与所述指标预测值之间的差值输入目标模型，得到所述目标模型输出的指标异常信息；
基于所述指标异常信息确定所述网络在所述目标地区的质量检测结果。
2.根据权利要求1所述的方法，其中，所述基于网络在目标地区的第一时段中N个时刻的指标原始值与第二时段的M个时刻的指标原始值，确定所述目标地区的指标变化值，包括：
基于所述网络在所述目标地区的所述第一时段中所述N个时刻的所述指标原始值，确定所述第一时段的K个子时段中分别包含的M个时刻的指标原始值的均值，K为大于等于2的整数；所述K个子时段中每个子时段的时长与所述第二时段相同；
将所述第二时段中所述M个时刻的所述指标原始值与所述M个时刻的所述指标原始值的所述均值进行差分计算得到差分值；
基于所述差分值进行标准差计算得到所述目标地区的所述指标变化值。
3.根据权利要求1所述的方法，其中，所述基于所述第一时段中所述N个时刻的所述指标原始值，确定所述第二时段中所述M个时刻的指标预测值，包括：
基于所述第一时段中所述N个时刻的所述指标原始值进行预测得到拟合曲线；将所述拟合曲线中所述M个时刻分别对应的数值作为所述第二时段中所述M个时刻的所述指标预测值。
4.根据权利要求1所述的方法，其中，还包括：
对所述第二时段中所述M个时刻的所述指标预测值与所述第二时段中所述M个时刻的所述指标原始值分别进行计算，确定所述M个时刻的所述指标原始值与所述指标预测值之间的所述差值。
5.根据权利要求1所述的方法，其中，所述基于所述指标异常信息确定所述网络在所述目标地区的质量检测结果，包括以下至少之一：
在所述指标异常信息中包含的异常时刻的数量超过第二阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区；
在所述指标异常信息中包含的异常时刻在预设时长内的数量超过第三阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区；
在所述指标异常信息中包含的异常值超过第四阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区。
6.根据权利要求1所述的方法，还包括：
在所述指标变化值不小于所述第一阈值的情况下，将所述第二时段划分为T个窗口，T为大于等于2的整数；基于所述T个窗口中每两个相邻窗口中分别包含的多个时刻的所述指标原始值，确定指标变化比例；基于所述指标变化比例，确定所述网络在所述目标地区的所述质量检测结果。
7.根据权利要求1-6任一项所述的方法，其中，还包括：
基于所述网络在L个地区分别对应的所述第二时段中所述M个时刻的所述指标原始值，确定所述L个地区中的候选地区；将所述候选地区中之一作为所述目标地区；L为大于等于2的整数。
8.根据权利要求7所述的方法，其中，所述基于所述网络在L个地区分别对应的第二时段中M个时刻的指标原始值，确定所述L个地区中的候选地区，包括以下至少之一：
在所述网络在所述L个地区中的第i个地区的指标原始值的缺失时长不超过第五阈值的情况下，确定所述第i个地区为所述候选地区；i为大于等于1且小于等于L的整数；
在基于所述网络在所述L个地区的第i个地区的所述第二时段中所述M个时刻的所述指标原始值，确定指标数据波动值不超过第六阈值的情况下，确定所述第i个地区为所述候选地区。
9.根据权利要求1-6任一项所述的方法，还包括：
基于训练样本对预设模型进行训练，得到训练后的所述目标模型；其中，所述训练样本中包含至少一个时刻分别对应的差值样本、对所述至少一个时刻中的异常时刻的标注信息以及对所述异常时刻所对应的异常值的标注信息。
10.一种网络质量检测装置，包括：
变化判定模块，用于基于网络在目标地区的第一时段中N个时刻的指标原始值与第二时段中M个时刻的指标原始值，确定所述目标地区的指标变化值；N和M均为正整数；所述第一时段早于所述第二时段；
指标预测模块，用于在所述指标变化值小于第一阈值的情况下，基于所述第一时段中所述N个时刻的所述指标原始值，确定所述第二时段中所述M个时刻的指标预测值；
异常检测模块，用于将所述第二时段中所述M个时刻的所述指标原始值与所述指标预测值之间的差值输入目标模型，得到所述目标模型输出的指标异常信息；
结果分析模块，用于基于所述指标异常信息确定所述网络在所述目标地区的质量检测结果。
11.根据权利要求10所述的装置，其中，所述变化判定模块，用于基于所述网络在所述目标地区的所述第一时段中所述N个时刻的所述指标原始值，确定所述第一时段的K个子时段中分别包含的M个时刻的指标原始值的均值，K为大于等于2的整数；所述K个子时段中每个子时段的时长与所述第二时段相同；将所述第二时段中所述M个时刻的所述指标原始值与所述M个时刻的所述指标原始值的所述均值进行差分计算得到差分值；基于所述差分值进行标准差计算得到所述目标地区的所述指标变化值。
12.根据权利要求10所述的装置，其中，所述指标预测模块，还用于基于所述第一时段中所述N个时刻的所述指标原始值进行预测得到拟合曲线；将所述拟合曲线中所述M个时刻分别对应的数值作为所述第二时段中所述M个时刻的所述指标预测值。
13.根据权利要求10所述的装置，其中，所述异常检测模块，还用于对所述第二时段中所述M个时刻的所述指标预测值与所述第二时段中所述M个时刻的所述指标原始值分别进行计算，确定所述M个时刻的所述指标原始值与所述指标预测值之间的所述差值。
14.根据权利要求10所述的装置，其中，所述结果分析模块，还用于执行以下至少之一：
在所述指标异常信息中包含的异常时刻的数量超过第二阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区；
在所述指标异常信息中包含的异常时刻在预设时长内的数量超过第三阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区；
在所述指标异常信息中包含的异常值超过第四阈值的情况下，确定所述网络在所述目标地区的所述质量检测结果为异常地区。
15.根据权利要求10所述的装置，还包括：
环比检测模块，用于在所述指标变化值不小于所述第一阈值的情况下，将所述第二时段划分为T个窗口，T为大于等于2的整数；基于所述T个窗口中每两个相邻窗口中分别包含的多个时刻的所述指标原始值，确定指标变化比例；基于所述指标变化比例，确定所述网络在所述目标地区的所述质量检测结果。
16.根据权利要求10-15任一项所述的装置，还包括：
目标选定模块，用于基于所述网络在L个地区分别对应的所述第二时段中所述M个时刻的所述指标原始值，确定所述L个地区中的候选地区；将所述候选地区中之一作为所述目标地区；L为大于等于2的整数。
17.根据权利要求16所述的装置，其中，所述目标选定模块，还用于执行以下至少之一：
在所述网络在所述L个地区中的第i个地区的指标原始值的缺失时长不超过第五阈值的情况下，确定所述第i个地区为所述候选地区；i为大于等于1且小于等于L的整数；
在基于所述网络在所述L个地区的第i个地区的所述第二时段中所述M个时刻的所述指标原始值，确定指标数据波动值不超过第六阈值的情况下，确定所述第i个地区为所述候选地区。
18.根据权利要求10-15任一项所述的装置，还包括：
模型训练模块，用于基于训练样本对预设模型进行训练，得到训练后的所述目标模型；其中，所述训练样本中包含至少一个时刻分别对应的差值样本、对所述至少一个时刻中的异常时刻的标注信息以及对所述异常时刻所对应的异常值的标注信息。
19.一种电子设备，其中，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
21.一种计算机程序产品，包括计算机指令，所述计算机指令存储在计算机可读存储介质中，其中，所述计算机指令被处理器执行时实现权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111598459.2A CN114301803B (zh) | 2021-12-24 | 2021-12-24 | 网络质量检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111598459.2A CN114301803B (zh) | 2021-12-24 | 2021-12-24 | 网络质量检测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114301803A true CN114301803A (zh) | 2022-04-08 |
| CN114301803B CN114301803B (zh) | 2024-03-08 |
Family
ID=80969519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111598459.2A Active CN114301803B (zh) | 2021-12-24 | 2021-12-24 | 网络质量检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114301803B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116074215A (zh) * | 2022-12-30 | 2023-05-05 | 中国联合网络通信集团有限公司 | 网络质量检测方法、装置、设备及存储介质 |
| WO2024066331A1 (zh) * | 2022-09-30 | 2024-04-04 | 中兴通讯股份有限公司 | 网络异常检测方法、装置、电子设备及存储介质 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120130938A1 (en) * | 2009-07-23 | 2012-05-24 | Nec Corporation | Network state prediction device, mobile communication system, mobile communication method, and storage medium |
| WO2017198018A1 (zh) * | 2016-05-16 | 2017-11-23 | 中兴通讯股份有限公司 | 一种网络质量性能展示方法及装置、系统、存储介质 |
| CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
| CN109428759A (zh) * | 2017-09-01 | 2019-03-05 | 中国移动通信集团广西有限公司 | 一种网络质量评估方法及装置 |
| CN109660419A (zh) * | 2018-10-08 | 2019-04-19 | 平安科技（深圳）有限公司 | 预测网络设备异常的方法、装置、设备及存储介质 |
| CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
| CN110535864A (zh) * | 2019-08-30 | 2019-12-03 | 北京达佳互联信息技术有限公司 | 服务异常检测方法、装置、设备及存储介质 |
| CN111182564A (zh) * | 2019-12-26 | 2020-05-19 | 合肥工业大学 | 一种基于lstm神经网络的无线链路质量预测方法 |
| CN111935741A (zh) * | 2020-08-11 | 2020-11-13 | 中国联合网络通信集团有限公司 | 通信网络质差小区的检测方法、装置及系统 |
| CN112183952A (zh) * | 2020-09-08 | 2021-01-05 | 支付宝(杭州)信息技术有限公司 | 一种指标质量的监管处理方法、装置和电子设备 |
| CN112311935A (zh) * | 2019-07-26 | 2021-02-02 | 中国移动通信集团广东有限公司 | 一种异常检测方法、装置及电子设备 |
| CN112398706A (zh) * | 2019-08-19 | 2021-02-23 | 中国移动通信集团广西有限公司 | 数据评估标准确定方法、装置及存储介质、电子设备 |
| CN112613995A (zh) * | 2020-12-30 | 2021-04-06 | 中国工商银行股份有限公司 | 异常诊断方法和装置 |
| CN112637132A (zh) * | 2020-12-01 | 2021-04-09 | 北京邮电大学 | 一种网络异常检测方法、装置、电子设备和存储介质 |
| CN113099475A (zh) * | 2021-04-20 | 2021-07-09 | 中国移动通信集团陕西有限公司 | 网络质量检测方法、装置、电子设备及可读存储介质 |
| CN113099476A (zh) * | 2021-05-13 | 2021-07-09 | 中国联合网络通信集团有限公司 | 网络质量检测方法、装置、设备及存储介质 |
| CN113127305A (zh) * | 2021-04-22 | 2021-07-16 | 北京百度网讯科技有限公司 | 异常检测方法及装置 |
| WO2021164267A1 (zh) * | 2020-02-21 | 2021-08-26 | 平安科技（深圳）有限公司 | 异常检测方法、装置、终端设备及存储介质 |
| WO2021185182A1 (zh) * | 2020-03-19 | 2021-09-23 | 深圳前海微众银行股份有限公司 | 一种异常检测的方法及装置 |
| US20210367875A1 (en) * | 2020-05-19 | 2021-11-25 | Fujitsu Limited | Anomaly detection method and storage medium |
| CN113722177A (zh) * | 2021-08-03 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 时序指标异常检测方法、装置、系统、设备及存储介质 |
-
2021
- 2021-12-24 CN CN202111598459.2A patent/CN114301803B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120130938A1 (en) * | 2009-07-23 | 2012-05-24 | Nec Corporation | Network state prediction device, mobile communication system, mobile communication method, and storage medium |
| WO2017198018A1 (zh) * | 2016-05-16 | 2017-11-23 | 中兴通讯股份有限公司 | 一种网络质量性能展示方法及装置、系统、存储介质 |
| CN109428759A (zh) * | 2017-09-01 | 2019-03-05 | 中国移动通信集团广西有限公司 | 一种网络质量评估方法及装置 |
| CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
| CN109660419A (zh) * | 2018-10-08 | 2019-04-19 | 平安科技（深圳）有限公司 | 预测网络设备异常的方法、装置、设备及存储介质 |
| CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
| CN112311935A (zh) * | 2019-07-26 | 2021-02-02 | 中国移动通信集团广东有限公司 | 一种异常检测方法、装置及电子设备 |
| CN112398706A (zh) * | 2019-08-19 | 2021-02-23 | 中国移动通信集团广西有限公司 | 数据评估标准确定方法、装置及存储介质、电子设备 |
| CN110535864A (zh) * | 2019-08-30 | 2019-12-03 | 北京达佳互联信息技术有限公司 | 服务异常检测方法、装置、设备及存储介质 |
| CN111182564A (zh) * | 2019-12-26 | 2020-05-19 | 合肥工业大学 | 一种基于lstm神经网络的无线链路质量预测方法 |
| WO2021164267A1 (zh) * | 2020-02-21 | 2021-08-26 | 平安科技（深圳）有限公司 | 异常检测方法、装置、终端设备及存储介质 |
| WO2021185182A1 (zh) * | 2020-03-19 | 2021-09-23 | 深圳前海微众银行股份有限公司 | 一种异常检测的方法及装置 |
| US20210367875A1 (en) * | 2020-05-19 | 2021-11-25 | Fujitsu Limited | Anomaly detection method and storage medium |
| CN111935741A (zh) * | 2020-08-11 | 2020-11-13 | 中国联合网络通信集团有限公司 | 通信网络质差小区的检测方法、装置及系统 |
| CN112183952A (zh) * | 2020-09-08 | 2021-01-05 | 支付宝(杭州)信息技术有限公司 | 一种指标质量的监管处理方法、装置和电子设备 |
| CN112637132A (zh) * | 2020-12-01 | 2021-04-09 | 北京邮电大学 | 一种网络异常检测方法、装置、电子设备和存储介质 |
| CN112613995A (zh) * | 2020-12-30 | 2021-04-06 | 中国工商银行股份有限公司 | 异常诊断方法和装置 |
| CN113099475A (zh) * | 2021-04-20 | 2021-07-09 | 中国移动通信集团陕西有限公司 | 网络质量检测方法、装置、电子设备及可读存储介质 |
| CN113127305A (zh) * | 2021-04-22 | 2021-07-16 | 北京百度网讯科技有限公司 | 异常检测方法及装置 |
| CN113099476A (zh) * | 2021-05-13 | 2021-07-09 | 中国联合网络通信集团有限公司 | 网络质量检测方法、装置、设备及存储介质 |
| CN113722177A (zh) * | 2021-08-03 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 时序指标异常检测方法、装置、系统、设备及存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| MAHMOUD SAID ELSAYED等: "Network Anomaly Detection Using LSTM Based Autoencoder", 《Q2SWINET \'20: PROCEEDINGS OF THE 16TH ACM SYMPOSIUM ON QOS AND SECURITY FOR WIRELESS AND MOBILE NETWORKS》 * |
| 于艳华;宋美娜;张文婷;宋俊德;: "网络异常点检测中性能指标阈值的动态确定方法", 北京邮电大学学报, no. 02 * |
| 刘伟乐;林辉;孙华;: "基于GF-1遥感影像湿地变化信息检测算法分析", 中南林业科技大学学报, no. 11 * |
| 温粉莲;: "一种混合模型的时序数据异常检测方法", 数字通信世界, no. 01 * |
| 王磊;王西点;程楠;: "基于大数据技术的智能化无线网络优化体系", 电信科学, no. 12 * |
| 高斐;王慧强;: "基于多源数据特征的服务安全态势感知模型研究", 武汉大学学报(理学版), no. 02 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024066331A1 (zh) * | 2022-09-30 | 2024-04-04 | 中兴通讯股份有限公司 | 网络异常检测方法、装置、电子设备及存储介质 |
| CN116074215A (zh) * | 2022-12-30 | 2023-05-05 | 中国联合网络通信集团有限公司 | 网络质量检测方法、装置、设备及存储介质 |
| CN116074215B (zh) * | 2022-12-30 | 2024-04-19 | 中国联合网络通信集团有限公司 | 网络质量检测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114301803B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9823954B2 (en) | Predicting anomalies and incidents in a computer application | |
| CN114301803B (zh) | 网络质量检测方法、装置、电子设备及存储介质 | |
| CN109471783B (zh) | 预测任务运行参数的方法和装置 | |
| CN113127305B (zh) | 异常检测方法及装置 | |
| CN102082703A (zh) | 业务支撑系统设备性能监控的方法及装置 | |
| CN112615742A (zh) | 用于预警的方法、装置、设备以及存储介质 | |
| CN114500339A (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
| CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
| CN115794578A (zh) | 一种电力系统的数据管理方法、装置、设备及介质 | |
| CN116028730A (zh) | 搜索资源异常识别方法、装置及电子设备 | |
| CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
| CN117273450A (zh) | 一种电力系统风险评估方法、装置、设备及存储介质 | |
| CN115758071A (zh) | 原子钟的钟差预测方法、装置、设备以及存储介质 | |
| US11651271B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using likelihood ratios | |
| US11636377B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using time series decomposing and clustering | |
| CN114999665A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN115759751A (zh) | 一种企业风险预测方法、装置、存储介质、电子设备及产品 | |
| CN114358581A (zh) | 性能指标的异常阈值确定方法和装置、设备、存储介质 | |
| CN114330437A (zh) | 一种故障检测方法及故障分类模型的训练方法、装置 | |
| CN113205363A (zh) | 一种基于大数据的业务指标监测方法及装置 | |
| CN111523083A (zh) | 一种电力负荷申报数据的确定方法以及装置 | |
| CN113360486B (zh) | 数据预测方法、装置、电子设备和介质 | |
| CN117033160B (zh) | 一种数据采集设备故障时间的预测方法 | |
| CN114513441B (zh) | 基于区块链的系统维护方法、装置、设备及存储介质 | |
| CN117707899A (zh) | 一种微服务异常检测方法、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 |