CN114598904B - 交互式网络电视iptv业务的故障定位方法和装置 - Google Patents
交互式网络电视iptv业务的故障定位方法和装置 Download PDFInfo
- Publication number
- CN114598904B CN114598904B CN202011311208.7A CN202011311208A CN114598904B CN 114598904 B CN114598904 B CN 114598904B CN 202011311208 A CN202011311208 A CN 202011311208A CN 114598904 B CN114598904 B CN 114598904B
- Authority
- CN
- China
- Prior art keywords
- node
- message
- iptv service
- time period
- time sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000005206 flow analysis Methods 0.000 claims abstract description 40
- 230000006399 behavior Effects 0.000 claims description 41
- 238000012423 maintenance Methods 0.000 claims description 21
- 230000002452 interceptive effect Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 18
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/24—Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
- H04N21/2404—Monitoring of server processing errors or hardware failure
-
- 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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client
- H04N21/63—Control signaling related to video distribution between client, server and network components; Network processes for video distribution between server and clients or between remote clients, e.g. transmitting basic layer and enhancement layers over different transmission paths, setting up a peer-to-peer communication via Internet between remote STB's; Communication protocols; Addressing
- H04N21/647—Control signaling between network components and server or clients; Network processes for video distribution between server and clients, e.g. controlling the quality of the video stream, by dropping packets, protecting content from unauthorised alteration within the network, monitoring of network load, bridging between two different networks, e.g. between IP and wireless
- H04N21/64723—Monitoring of network processes or resources, e.g. monitoring of network load
- H04N21/6473—Monitoring network processes errors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Computer Security & Cryptography (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种交互式网络电视IPTV业务的故障定位方法和装置，以至少解决现有的故障定位方法存在的故障定位效率和准确率低的问题。所述方法包括：获取目标用户的机顶盒与DHCP服务器之间的接入路径上的节点在指定历史时间段的报文收发记录；基于节点在指定历史时间段的报文收发记录，确定节点的行为特征信息和流量特征信息；基于节点的行为特征信息和预先建立的故障特征库，确定目标用户的IPTV业务是否发生故障并获取节点的异常行为特征；基于节点的流量特征信息和预先建立的流量分析模型，确定接入路径上的节点的报文流量是否异常，得到流量分析结果；基于接入路径上的节点的异常行为特征及所述流量分析结果，对目标用户的IPTV业务的故障问题进行定位。
Description
技术领域
本申请涉及网络技术领域，尤其涉及一种交互式网络电视IPTV业务的故障定位方法和装置。
背景技术
交互式网络电视(Interactive Personal TV，IPTV)是一种利用宽带有线电视网，集互联网、多媒体、通讯等多种技术于一体，向家庭用户提供包括数字电视在内的多种交互式服务的技术。IPTV业务的网络接入流程，通常是由机顶盒从动态主机配置协议(DynamicHost Configuration Protocol，DHCP)服务器获取可用的互联网协议(InternetProtocol，IP)地址，使用该IP地址接入网络，才可以正常使用业务。在上述网络接入流程出现问题，机顶盒无法从DHCP服务器获取可用的IP地址时，就会导致IPTV业务无法正常使用。
目前，对IPTV业务的故障定位方式，通常是在IPTV业务出现故障后，由用户将相关的故障信息上报给运维人员，再由运维人员根据用户提供的故障信息，对IPTV业务接入过程中涉及的所有网元设备逐一排查来进行故障定位和处理。由于该方式需要人工参与，且依赖于运维人员的经验，因而故障定位的效率和准确率无法得到保证，影响用户对IPTV业务的使用。
发明内容
本申请实施例提供一种交互式网络电视IPTV业务的故障定位方法和装置，以至少解决现有的故障定位方法存在的故障定位效率和准确率低的问题。
为了解决上述技术问题，本申请实施例采用下述技术方案：
第一方面，本申请实施例提供一种交互式网络电视IPTV业务的故障定位方法，包括：
获取目标用户的机顶盒与动态主机配置协议DHCP服务器之间的接入路径上的节点在指定历史时间段的报文收发记录；
基于所述节点在指定历史时间段的报文收发记录，确定所述节点的行为特征信息和流量特征信息；
基于所述节点的行为特征信息和预先建立的故障特征库，确定所述目标用户的IPTV业务是否发生故障，并在所述IPTV业务发生故障时获取所述节点的异常行为特征，其中，所述故障特征库中包括IPTV业务发生故障时不同节点的异常行为特征，所述异常行为特征用于描述所述节点的异常报文收发行为；
基于所述节点的流量特征信息和预先建立的流量分析模型，确定所述接入路径上的节点的报文流量是否异常，得到流量分析结果；
基于所述接入路径上的节点的异常行为特征及所述流量分析结果，对所述目标用户的IPTV业务的故障问题进行定位。
可选地，所述流量分析模型为时间序列预测模型，所述流量特征信息包括各个子时间段内收发的报文数量，所述子时间段是基于设定的时间间隔对所述指定历史时间段分割得到；
基于所述节点的流量特征信息和预先建立的流量分析模型，确定所述接入路径上的节点的报文流量是否异常，包括：
基于所述节点在各个所述子时间段收发的报文数量，生成所述节点对应的报文数量时间序列；
基于所述时间序列预测模型和所述节点对应的报文数量时间序列，预测所述节点在目标时间段收发的报文数量；
基于所述节点在目标时间段收发的报文数量，确定所述节点在所述目标时间段的报文流量是否异常。
可选地，基于所述时间序列预测模型和所述节点对应的报文数量时间序列，预测所述节点在目标时间段收发的报文数量，包括：
对所述节点对应的报文数量时间序列进行单位根ADF检验，以确定所述报文数量时间序列是否为平稳时间序列；
若所述报文数量时间序列为平稳时间序列，则基于所述时间序列预测模型对所述报文数量时间序列进行拟合，以得到所述节点在目标时间段收发的报文数量。
可选地，在基于所述时间序列预测模型对所述报文数量时间序列进行拟合，以得到所述节点在目标时间段收发的报文数量之前，所述方法还包括：
若所述报文数量时间序列为非平稳时间序列，则对所述报文数量时间序列进行差分处理，以将所述报文数量时间序列转化为平稳时间序列。
可选地，基于所述接入路径上的节点的异常行为特征及所述流量分析结果，对所述目标用户的IPTV业务的故障问题进行定位，包括：
基于所述接入路径上的节点的异常行为特征及流量分析结果以及预置的故障定位策略，对所述目标用户的IPTV业务的故障问题进行定位，其中，所述故障定位策略包括异常行为特征、报文流量异常的节点及故障问题之间的对应关系。
可选地，在基于所述接入路径上的节点的异常行为特征及所述流量分析结果，对所述目标用户的IPTV业务的故障问题进行定位之后，所述方法还包括：
基于定位的故障问题，调用与定位的故障问题匹配的工单接口生成运维工单并发送至监控方。
第二方面，本申请实施例提供一种交互式网络电视IPTV业务的故障定位装置，包括：
获取模块，用于获取目标用户的机顶盒与动态主机配置协议DHCP服务器之间的接入路径上的节点在指定历史时间段的报文收发记录；
第一确定模块，用于基于所述节点在指定历史时间段的报文收发记录，确定所述节点的行为特征信息和流量特征信息；
第二确定模块，用于基于所述节点的行为特征信息和预先建立的故障特征库，确定所述目标用户的IPTV业务是否发生故障，并在所述IPTV业务发生故障时获取所述节点的异常行为特征，其中，所述故障特征库中包括IPTV业务发生故障时不同节点的异常行为特征，所述异常行为特征用于描述所述节点的异常报文收发行为；
第三确定模块，用于基于所述节点的流量特征信息和预先建立的流量分析模型，确定所述接入路径上的节点的报文流量是否异常，得到流量分析结果；
故障定位模块，用于基于所述接入路径上的节点的异常行为特征及所述流量分析结果，对所述目标用户的IPTV业务的故障问题进行定位。
可选地，所述流量分析模型为时间序列预测模型，所述流量特征信息包括各个子时间段内收发的报文数量，所述子时间段是基于设定的时间间隔对所述指定历史时间段分割得到；
所述第三确定模块具体用于：
基于所述节点在各个所述子时间段收发的报文数量，生成所述节点对应的报文数量时间序列；
基于所述时间序列预测模型和所述节点对应的报文数量时间序列，预测所述节点在目标时间段收发的报文数量；
基于所述节点在目标时间段收发的报文数量，确定所述节点在所述目标时间段的报文流量是否异常。
第三方面，本申请实施例提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如第一方面所述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过对目标用户的机顶盒与DHCP服务器之间的接入路径上的节点在指定历史时间段的报文收发记录进行分析，确定节点的行为特征信息和流量特征信息；通过预先建立的故障特征库对节点的行为特征信息进行识别，确定目标用户的IPTV业务是否发生故障；通过预先建立的流量分析模型对节点的流量特征信息进行分析，确定节点的报文流量是否异常；最后，综合接入路径上的节点的异常行为特征及流量分析结果，对目标用户的IPTV业务的故障问题进行定位。整个过程无需人工参与，而是利用IPTV业务发生故障时机顶盒与DHCP服务器之间的接入路径上的节点的报文收发行为具有的普遍性特征以及报文流量呈现的规律性进行自动化的故障定位，因而效率和准确率更高，且能够在用户上报故障之前提前发现故障，进而便于运维人员及时处理故障，保障用户使用IPTV业务的流畅性，提升用户对IPTV业务的使用体验。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种IPTV业务的网络架构示意图；
图2为本申请实施例提供的一种交互式网络电视IPTV业务的故障定位方法的流程图；
图3为本申请实施例提供的另一种交互式网络电视IPTV业务的故障定位方法的流程图；
图4为本申请实施例提供的又一种交互式网络电视IPTV业务的故障定位方法的流程图；
图5为本申请实施例提供的一种电子设备的结构示意图；
图6为本申请实施例提供的一种交互式网络电视IPTV业务的故障定位装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
在对本申请各实施例提供的技术方案进行说明之前，先对IPTV业务的网络接入过程进行介绍。请参见图1，图1示出了一种IPTV业务的网络架构图。如图1所示，该网络架构包括机顶盒、DHCP服务器以及依次位于机顶盒和DHCP服务器之间的家庭网关单元(HomeGateway Unit，HGU)、光线路终端(Optical Line Terminal，OLT)、宽带远程接入服务器(Broadband Remote Access Server，BRAS)以及核心路由器(Core Router，CR)。其中，核心路由器可以包括省级CR以及归属不同地市的地市CR。
IPTV业务的网络接入流程为：机顶盒通过BRAS、CR等节点与DHCP服务器之间进行DHCP报文交互，以从DHCP服务器获取可用的IP地址，并在获取到可用的IP地址后，基于该IP地址接入网络，由此，IPTV业务完成网络接入，机顶盒可正常进行相应的IPTV业务处理。其中，机顶盒与DHCP服务器之间交互的报文可以例如包括但不限于DISCOVER报文、OFFER报文、REQUEST报文、ACK报文、RELEASE报文等。图1中虚线箭头示出了机顶盒与DHCP服务器之间的接入路径。
在上述接入流程中，如果机顶盒发送的DISCOVER报文未达到DHCP服务器或者DHCP服务器发送的OFFER报文未达到机顶盒等情况，都会导致机顶盒无法获取到可用的IP地址而无法接入网络，进而致使IPTV业务发生正常使用。
相关技术中，对于IPTV业务的故障定位，通常是由用户在发现IPTV业务无法正常时将故障相关信息(如故障代码、界面提示信息等)上报给运维人员，由运维人员根据用户上报的故障相关信息对IPTV业务接入过程中涉及的所有节点进行逐一排查来进行故障定位。由于该方式需要人工参与，且依赖于运维人员的经验，因而故障定位的效率和准确率无法得到保证，影响用户对IPTV的使用。
为了解决上述存在的问题，本申请提供一种交互式网络电视IPTV业务的故障定位方法和装置，通过对用户的机顶盒与DHCP服务器之间的接入路径上的各节点在指定历史时间段的报文收发记录进行分析，实现自动对用户的IPTV业务的故障预测和定位，提高故障定位效率和准确率，且先于用户上报之前对故障进行处理，保障用户对IPTV业务的使用流畅性，提升用户体验。
请参考图2，本申请实施例提供一种IPTV业务的故障定位方法，该方法可由电子设备执行，例如，电子设备可以为服务器(如IPTV业务提供方的服务器)。如图2所示，该方法包括以下步骤：
S202，获取目标用户的机顶盒与DHCP服务器之间的接入路径上的节点在指定历史时间段的报文收发记录。
其中，接入路径是指机顶盒与DHCP服务器之间进行DHCP报文交互的路径，例如图1中虚线箭头所示的路径。接入路径上的节点包括机顶盒、DHCP服务器以及位于机顶盒和DHCP服务器之间的中继节点(例如包括图1所示的BRAS、地市CR和升级CR)。
节点的报文收发记录用于记录节点收发报文的情况，具体可以包括接收及发送的报文数量、报文类型、时间点等，本申请实施例对此不做具体限定。其中，报文类型可以例如包括但不限于：DISCOVER报文、REQUEST报文、RENEW报文、RELEASE报文等。
指定历史时间段是指当前时刻之前的任意历史时间段。在实际应用中，指定历史时间段可以是当前时刻之前的某一天，如8月1日、周一等；或者，指定历史时间段也可以是当前时刻之前的某一段时间，如下午、14:00-15:00等；或者，指定历史时间段还可以是当前时刻之前的某一月，如1月、2月等；或者，指定历史时间段还可以是当前时刻之前的某一年，如2019年。需要说明的是，指定历史时间段可根据实际需要自定义设置，本申请实施例对此不做具体限定。
S204，基于节点在指定历史时间段的报文收发记录，确定节点的行为特征信息和流量特征信息。
其中，节点的行为特征信息是指用于表征节点的报文收发行为的信息，具体包括但不限于已收发的报文类型、每种类型报文的收发结果、收发次数等。
节点的流量特征信息是指用于表征节点的流量的信息，具体可以包括节点在指定历史时间段内累计收发的报文数量、节点分别在各个子时间段内收发的报文数量等，其中，子时间段是对指定历史时间段分割得到。
例如，指定历史时间段为2019年3月8日，则可将该指定历史时间段均分为24个子时间段。进一步地，针对每个节点，按照收发报文的时间点对该节点的报文收发记录进行整合，可得到该节点在各个子时间段内收发的报文数量。
具体实施时，对于上述接入路径上的每一节点，通过对该节点在指定历史时间段内的报文收发记录进行整合和分析，可得到该节点在指定历史时间段内的行为特征信息和流量特征信息。
S206，基于节点的行为特征信息和预先建立的故障特征库，确定目标用户的IPTV业务是否发生故障并获取节点的异常行为特征。
其中，故障特征库中包括IPTV业务发生故障时不同节点的异常行为特征。节点的异常行为特征用于描述节点的异常报文收发行为。表1示出了一种故障特征库的示例。
表1
实际应用中，故障特征库可以通过对大量用户的IPTV业务发生故障时，从用户的机顶盒到DHCP服务器之间的接入路径上各节点的异常报文行为进行统计分析建立。
通常情况下，对用户的IPTV业务发生故障通常是因为各节点在报文收发过程中出现异常，比如机顶盒发送的DISCOVER报文经中继节点(如BRAS、CR)转发后未达到DHCP服务器、DHCP服务器返回的OFFER报文经中继节点转发后未到达机顶盒等等，因此，可通过建立上述故障特征库，基于故障特征库对节点的行为特征信息进行分析来确定用户的IPTV业务是否发生故障以及发生故障时节点的异常行为特征。
具体来说，在通过步骤S204得到节点的行为特征信息后，可将节点的行为特征信息与故障特征库中的异常行为特征进行匹配，根据匹配结果确定目标用户的IPTV业务是否发生故障并进一步确定各节点的异常行为特征。
S208，基于节点的流量特征信息和预先建立的流量分析模型，确定接入路径上的节点的报文流量是否异常，得到流量分析结果。
由于IPTV业务正常的情况下，接入路径上的各节点的流量通常都呈现一定的时间规律性，因而可通过对节点在指定历史时间段内的流量特征信息进行分析，来识别节点在当前及未来某一时间段内的报文流量是否异常。
具体来说，为了准确识别各节点的流量呈现的时间规律性，流量分析模型可以是时间序列预测模型，该时间序列预测模型通过对节点在指定历史时间段内的流量特征信息进行分析，挖掘出节点的流量在时间上的规律性，比如周期性、趋势性以及相似性等，进而基于这种规律性预测节点在当前或未来某一时间段内的流量情况并识别报文流量是否异常。更为具体地，时间序列预测模型可以是自回归移动平均(Autoregressive IntegratedMoving Average，ARIMA)模型。当然，在其他一些可选的方案中，时间序列预测模型也可以是其他任意适当的模型，本申请实施例对时间序列预测模型的类型不做具体限定。
S210，基于接入路径上的节点的异常行为特征及流量分析结果，对目标用户的IPTV业务的故障问题进行定位。
在通过上述步骤确定出接入路径上的节点的异常行为特征及流量分析结果后，可综合两者进行分析，识别出目标用户的IPTV业务的故障问题。
可选地，可基于接入路径上的节点的异常行为特征及流量分析结果以及预置的故障定位策略，对目标用户的IPTV业务的故障问题进行定位。其中，故障定位策略包括异常行为特征、报文流量异常的节点及故障问题之间的对应关系。实际应用中，上述故障定位策略可以是对大量用户的IPTV业务的故障问题及发生故障时接入路径上各节点的行为特征信息及流量特征信息进行分析而建立。例如，表2示出了一种故障定位策略的示例。
表2
通过本申请实施例提供的IPTV业务的故障定位方法，通过对目标用户的机顶盒与DHCP服务器之间的接入路径上的节点在指定历史时间段的报文收发记录进行分析，确定节点的行为特征信息和流量特征信息；通过预先建立的故障特征库对节点的行为特征信息进行识别，确定目标用户的IPTV业务是否发生故障；通过预先建立的流量分析模型对节点的流量特征信息进行分析，确定节点的报文流量是否异常；最后，综合接入路径上的节点的异常行为特征及流量分析结果，对目标用户的IPTV业务的故障问题进行定位。整个过程无需人工参与，而是利用IPTV业务发生故障时机顶盒与DHCP服务器之间的接入路径上的节点的报文收发行为具有的普遍性特征以及报文流量呈现的规律性进行自动化的故障定位，因而效率和准确率更高，且能够在用户上报故障之前提前发现故障，进而便于运维人员及时处理故障，保障用户使用IPTV业务的流畅性，提升用户对IPTV业务的使用体验。
为了使本领域技术人员更加理解本申请实施例提供的技术方案，下面对本申请实施例提供的交互式网络电视IPTV业务的故障定位方法进行详细的说明。
首先，针对上述步骤S208，由于节点的报文流量具有一定的时间规律，基于此，可采用时间序列分析模型作为流量分析模型，基于时间序列分析模型对节点的报文流量进行分析，预测节点在目标时间段内的流量情况并识别节点在该目标时间段内的报文流量是否异常。
具体而言，如上所述的节点的特征信息包括节点在各个子时间段内收发的报文数量，其中，子时间段是基于设定的时间间隔对指定历史时间段分割得到。
如图2所示，上述步骤S208可以包括：
S281，基于节点在各个子时间段收发的报文数量，生成节点对应的报文数量时间序列。
具体来说，对于上述接入路径上的每个节点，按照时间先后顺序对该节点在各个子时间段收发的报文数量进行排序，可得到该节点对应的报文数量时间序列。
S282，基于时间序列预测模型和节点对应的报文数量时间序列，预测节点在目标时间段收发的报文数量。
通过时间序列预测模型对节点对应的报文数量时间序列进行拟合，可得到该节点在目标时间段收发的报文数量。
具体来说，由于ARIMA模型可用于对未来时间段内的数据进行英寸，即考虑了时间序列的依存性和随机波动的干扰性，因而所得到的预测结果准确率较高，因而时间序列预测模型可以采用ARIMA模型。由于ARIMA模型适用于平稳时间序列，而平稳时间序列通常具有较为明显的规律性，因此，可首先对节点对应的报文数据序列进行单位根(AugmentedDickey-Fuller，ADF)检验，以确定该报文数量时间序列是否为平稳时间序列。相应地，在确定该报文数量时间序列为平稳时间序列的情况下，基于上述时间序列预测模型对该报文数量时间序列进行拟合，以得到节点在目标时间段收发的报文数量。
进一步地，若节点对应的报文数量时间序列为非平稳时间序列，则对该报文数量时间序列进行差分处理，以将该报文数量时间序列转化为平稳时间序列。
S283，基于节点在目标时间段收发的报文数量，确定节点在目标时间段的报文流量是否异常。
由于节点的报文数量表征了节点的流量，即报文数量越大，节点的流量越大，反之，则节点的流量越小，因此可基于节点在目标时间段收发的报文数量确定节点在目标时间段的报文流量是否异常。
可选地，可将节点在目标时间段的流量与预设的流量阈值进行比较，若节点在目标时间段的流量超过该流量阈值，则确定节点在目标时间段的流量异常；反之，则确定节点在目标时间段的流量正常。其中，流量阈值可根据实际需要自定义设置，本申请实施例对此不做具体限定。
考虑到业务波动等因素会使得同一节点在不同时间段的流量存在差异，在更为优选的方案中，可确定节点在目标时间段的报文数量的预测结果的置信区间，若预测结果位于该置信区间内，则可确定节点在目标时间段的流量正常；否则，则确定节点在目标时间段内的流量异常。更为具体地，上述置信区间可通过如下公式确定：
其中，
表示经上述时间序列预测模型预测得到的节点在目标时间段的报文数量，/>
表示节点对应的报文数量时间序列中各数据点的均值，n值表示节点对应的报文数量时间序列中数据点的数量，xf为目标时间段。
可以理解，在上述方案中，针对机顶盒与DHCP服务器之间的接入路径上的每一节点，利用节点的报文流量在时间上呈现的规律性，通过将节点在各子时间段内的报文数量生成节点对应的报文数量时间序列，利用时间序列预测模型对该报文数量时间序列进行分析，挖掘其中的规律性，进而基于这种规律性对该报文数量时间序列进行拟合，可以准确预测出节点在目标时间段内的报文数量，进一步基于预测结果可识别节点在目标时间段内的报文流量是否异常。此外，由于上述接入路径上的节点分别代表了业务级、设备级、接口级以及地市级等不同业务维度的流量情况，因而通过本方案可准确获取不同业务维度的流量是否有异常波动，基于此方案得到的流量分析结果进行后续的故障定位，可以提升定位结果的准确率。
其次，针对上述时间序列预测模型，本申请实施例还包括对该时间序列预测模型的建立方法。值得说明的是，对该时间序列预测模型的训练是根据采集到的样本预先进行的，后续在对目标用户的IPTV业务进行故障定位的过程中，无需每次对时间序列预测模型进行建立，或者可以周期性的基于新采集的样本对该时间序列预测模型进行更新。
具体来说，对时间序列预测模型的建立方法包括：首先，可对节点对应的报文数量时间序列进行Yt差分处理，得到新的时间序列Xt，由此可以剔除周期性因素对最终结果的影响。接着，可对得到的新时间序列Xt进行白噪声检验，其中，检验统计量可以例如包括但不限于Q统计量、LB统计量。进一步地，由心平稳时间序列中各数据点的延迟期数的自相关系数，可以计算出ARIMA模型中的p值，即ARIMA模型的阶数，如果p值大于显著性水平α，则表示节点对应的报文数量时间序列为随机序列，则停止分析；反之，则表示节点对应的报文数量时间序列为非随机序列，则继续分析。接着，分别计算ARIMA模型的自相关系数(ACF)和偏自相关系数(PACF)，其中，自相关系数应用于描述事件序列的观测值与其过去的观测值之间的线性相关性；偏自相关系数用于描述在给定中间观测值的条件下，时间序列的观测值与其过去的观测值之间的线性相关性。进一步地，利用上述得到的平稳时间序列中各数据点的值，利用样本矩估计法、最小二乘法以及极大似然估计法等算法中的一种或多种的组合，对ARIMA模型的自回归系数、滑动平均系数以及白噪声方差等进行估计，并利用赤池信息量准则(Akaike Information Criterion，AIC)、贝叶斯信息准则(Bayesian InformationCriterion，BIC)等准则等进行模型定阶。最后，验证所拟合的时间序列预测模型的参数估计值是否有显著性、残差序列是否为白噪声序列等，若这些参数均通过验证，则认为建立的ARIMA模型是合理的，由此，完成ARIMA模型的建立。
为了提升对IPTV业务的故障处理效率，以在用户上报故障之前对IPTV业务发生故障进行快速处理，在本申请的另一个实施例中，如图3所示，本申请实施例提供的交互式网络电视IPTV业务的故障定位方法还包括：
S212，基于定位的故障问题，调用与定位的故障问题匹配的工单接口生成运维工单并发送至监控方。
具体来说，与不同类型的故障问题匹配的工单接口不同，故障问题的类型与工单接口之间的匹配关系可预先设置。相应地，在确定出IPTV业务发生的故障问题后，可调用与该故障问题匹配的工单接口以生成相应的运维工单，并将该运维工单返送给相应的监控方。其中，运维工单可以记录发生目标用户的用户信息、发生的故障问题、报文流量异常的节点的相关信息以及接入路径上的各节点的异常行为特征等，本申请实施例对此不做具体限定。
由此，使得监控方可以基于接收到的运维工单快速对目标用户的IPTV业务发生的故障问题进行快速响应和处理，保证目标用户使用IPTV业务的流畅性，提升用户体验。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
图5是本申请的一个实施例电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成交互式网络电视IPTV业务的故障定位装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取目标用户的机顶盒与动态主机配置协议DHCP服务器之间的接入路径上的节点在指定历史时间段的报文收发记录；
基于所述节点在指定历史时间段的报文收发记录，确定所述节点的行为特征信息和流量特征信息；
基于所述节点的行为特征信息和预先建立的故障特征库，确定所述目标用户的IPTV业务是否发生故障，并在所述IPTV业务发生故障时获取所述节点的异常行为特征，其中，所述故障特征库中包括IPTV业务发生故障时不同节点的异常行为特征，所述异常行为特征用于描述所述节点的异常报文收发行为；
基于所述节点的流量特征信息和预先建立的流量分析模型，确定所述接入路径上的节点的报文流量是否异常，得到流量分析结果；
基于所述接入路径上的节点的异常行为特征及所述流量分析结果，对所述目标用户的IPTV业务的故障问题进行定位。
上述如本申请图2所示实施例揭示的交互式网络电视IPTV业务的故障定位装置执行的方法可以应用于处理器中，或者由处理器实现。处理器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，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)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。可以实现或者执行本申请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该处理器也可以是任何常规的处理器等。结合本申请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。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图2的方法，并实现交互式网络电视IPTV业务的故障定位装置在图2至图4所示实施例的功能，本申请实施例在此不再赘述。
当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图2所示实施例的方法，并具体用于执行以下操作：
获取目标用户的机顶盒与动态主机配置协议DHCP服务器之间的接入路径上的节点在指定历史时间段的报文收发记录；
基于所述节点在指定历史时间段的报文收发记录，确定所述节点的行为特征信息和流量特征信息；
基于所述节点的行为特征信息和预先建立的故障特征库，确定所述目标用户的IPTV业务是否发生故障，并在所述IPTV业务发生故障时获取所述节点的异常行为特征，其中，所述故障特征库中包括IPTV业务发生故障时不同节点的异常行为特征，所述异常行为特征用于描述所述节点的异常报文收发行为；
基于所述节点的流量特征信息和预先建立的流量分析模型，确定所述接入路径上的节点的报文流量是否异常，得到流量分析结果；
基于所述接入路径上的节点的异常行为特征及所述流量分析结果，对所述目标用户的IPTV业务的故障问题进行定位。
图6是本申请的一个实施例交互式网络电视IPTV业务的故障定位装置的结构示意图。请参考图6，在一种软件实施方式中，交互式网络电视IPTV业务的故障定位装置600可包括：
获取模块610，用于获取目标用户的机顶盒与动态主机配置协议DHCP服务器之间的接入路径上的节点在指定历史时间段的报文收发记录；
第一确定模块620，用于基于所述节点在指定历史时间段的报文收发记录，确定所述节点的行为特征信息和流量特征信息；
第二确定模块630，用于基于所述节点的行为特征信息和预先建立的故障特征库，确定所述目标用户的IPTV业务是否发生故障，并在所述IPTV业务发生故障时获取所述节点的异常行为特征，其中，所述故障特征库中包括IPTV业务发生故障时不同节点的异常行为特征，所述异常行为特征用于描述所述节点的异常报文收发行为；
第三确定模块640，用于基于所述节点的流量特征信息和预先建立的流量分析模型，确定所述接入路径上的节点的报文流量是否异常，得到流量分析结果；
故障定位模块650，用于基于所述接入路径上的节点的异常行为特征及所述流量分析结果，对所述目标用户的IPTV业务的故障问题进行定位。
可选地，所述流量分析模型为时间序列预测模型，所述流量特征信息包括各个子时间段内收发的报文数量，所述子时间段是基于设定的时间间隔对所述指定历史时间段分割得到；
所述第三确定模块具体用于：
基于所述节点在各个所述子时间段收发的报文数量，生成所述节点对应的报文数量时间序列；
基于所述时间序列预测模型和所述节点对应的报文数量时间序列，预测所述节点在目标时间段收发的报文数量；
基于所述节点在目标时间段收发的报文数量，确定所述节点在所述目标时间段的报文流量是否异常。
可选地，所述第三确定模块基于以下方式预测所述节点在目标时间段收发的报文数量：
对所述节点对应的报文数量时间序列进行单位根ADF检验，以确定所述报文数量时间序列是否为平稳时间序列；
若所述报文数量时间序列为平稳时间序列，则基于所述时间序列预测模型对所述报文数量时间序列进行拟合，以得到所述节点在目标时间段收发的报文数量。
可选地，所述第三确定模块还用于：
在基于所述时间序列预测模型对所述报文数量时间序列进行拟合，以得到所述节点在目标时间段收发的报文数量之前，若所述报文数量时间序列为非平稳时间序列，则对所述报文数量时间序列进行差分处理，以将所述报文数量时间序列转化为平稳时间序列。
可选地，所述故障定位模块具体用于：
基于所述接入路径上的节点的异常行为特征及流量分析结果以及预置的故障定位策略，对所述目标用户的IPTV业务的故障问题进行定位，其中，所述故障定位策略包括异常行为特征、报文流量异常的节点及故障问题之间的对应关系。
可选地，所述装置600还包括：
发送模块，用于基于所述故障定位模块定位的故障问题，调用与定位的故障问题匹配的工单接口生成运维工单并发送至监控方。
通过本申请实施例提供的交互式网络电视IPTV业务的故障定位装置，通过对目标用户的机顶盒与DHCP服务器之间的接入路径上的节点在指定历史时间段的报文收发记录进行分析，确定节点的行为特征信息和流量特征信息；通过预先建立的故障特征库对节点的行为特征信息进行识别，确定目标用户的IPTV业务是否发生故障；通过预先建立的流量分析模型对节点的流量特征信息进行分析，确定节点的报文流量是否异常；最后，综合接入路径上的节点的异常行为特征及流量分析结果，对目标用户的IPTV业务的故障问题进行定位。整个过程无需人工参与，而是利用IPTV业务发生故障时机顶盒与DHCP服务器之间的接入路径上的节点的报文收发行为具有的普遍性特征以及报文流量呈现的规律性进行自动化的故障定位，因而效率和准确率更高，且能够在用户上报故障之前提前发现故障，进而便于运维人员及时处理故障，保障用户使用IPTV业务的流畅性，提升用户对IPTV业务的使用体验。
总之，以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种交互式网络电视IPTV业务的故障定位方法，其特征在于，包括：
获取目标用户的机顶盒与动态主机配置协议DHCP服务器之间的接入路径上的节点在指定历史时间段的报文收发记录；
基于所述节点在指定历史时间段的报文收发记录，确定所述节点的行为特征信息和流量特征信息；
基于所述节点的行为特征信息和预先建立的故障特征库，确定所述目标用户的IPTV业务是否发生故障，并在所述IPTV业务发生故障时获取所述节点的异常行为特征，其中，所述故障特征库中包括IPTV业务发生故障时不同节点的异常行为特征，所述异常行为特征用于描述所述节点的异常报文收发行为；
基于所述节点的流量特征信息和预先建立的流量分析模型，确定所述接入路径上的节点的报文流量是否异常，得到流量分析结果；
基于所述接入路径上的节点的异常行为特征及所述流量分析结果，对所述目标用户的IPTV业务的故障问题进行定位。
2.根据权利要求1所述的方法，其特征在于，所述流量分析模型为时间序列预测模型，所述流量特征信息包括各个子时间段内收发的报文数量，所述子时间段是基于设定的时间间隔对所述指定历史时间段分割得到；
基于所述节点的流量特征信息和预先建立的流量分析模型，确定所述接入路径上的节点的报文流量是否异常，包括：
基于所述节点在各个所述子时间段收发的报文数量，生成所述节点对应的报文数量时间序列；
基于所述时间序列预测模型和所述节点对应的报文数量时间序列，预测所述节点在目标时间段收发的报文数量；
基于所述节点在目标时间段收发的报文数量，确定所述节点在所述目标时间段的报文流量是否异常。
3.根据权利要求2所述的方法，其特征在于，基于所述时间序列预测模型和所述节点对应的报文数量时间序列，预测所述节点在目标时间段收发的报文数量，包括：
对所述节点对应的报文数量时间序列进行单位根ADF检验，以确定所述报文数量时间序列是否为平稳时间序列；
若所述报文数量时间序列为平稳时间序列，则基于所述时间序列预测模型对所述报文数量时间序列进行拟合，以得到所述节点在目标时间段收发的报文数量。
4.根据权利要求3所述的方法，其特征在于，在基于所述时间序列预测模型对所述报文数量时间序列进行拟合，以得到所述节点在目标时间段收发的报文数量之前，所述方法还包括：
若所述报文数量时间序列为非平稳时间序列，则对所述报文数量时间序列进行差分处理，以将所述报文数量时间序列转化为平稳时间序列。
5.根据权利要求1所述的方法，其特征在于，基于所述接入路径上的节点的异常行为特征及所述流量分析结果，对所述目标用户的IPTV业务的故障问题进行定位，包括：
基于所述接入路径上的节点的异常行为特征及流量分析结果以及预置的故障定位策略，对所述目标用户的IPTV业务的故障问题进行定位，其中，所述故障定位策略包括异常行为特征、报文流量异常的节点及故障问题之间的对应关系。
6.根据权利要求1所述的方法，其特征在于，在基于所述接入路径上的节点的异常行为特征及所述流量分析结果，对所述目标用户的IPTV业务的故障问题进行定位之后，所述方法还包括：
基于定位的故障问题，调用与定位的故障问题匹配的工单接口生成运维工单并发送至监控方。
7.一种交互式网络电视IPTV业务的故障定位装置，其特征在于，包括：
获取模块，用于获取目标用户的机顶盒与动态主机配置协议DHCP服务器之间的接入路径上的节点在指定历史时间段的报文收发记录；
第一确定模块，用于基于所述节点在指定历史时间段的报文收发记录，确定所述节点的行为特征信息和流量特征信息；
第二确定模块，用于基于所述节点的行为特征信息和预先建立的故障特征库，确定所述目标用户的IPTV业务是否发生故障，并在所述IPTV业务发生故障时获取所述节点的异常行为特征，其中，所述故障特征库中包括IPTV业务发生故障时不同节点的异常行为特征，所述异常行为特征用于描述所述节点的异常报文收发行为；
第三确定模块，用于基于所述节点的流量特征信息和预先建立的流量分析模型，确定所述接入路径上的节点的报文流量是否异常，得到流量分析结果；
故障定位模块，用于基于所述接入路径上的节点的异常行为特征及所述流量分析结果，对所述目标用户的IPTV业务的故障问题进行定位。
8.根据权利要求7所述的装置，其特征在于，所述流量分析模型为时间序列预测模型，所述流量特征信息包括各个子时间段内收发的报文数量，所述子时间段是基于设定的时间间隔对所述指定历史时间段分割得到；
所述第三确定模块具体用于：
基于所述节点在各个所述子时间段收发的报文数量，生成所述节点对应的报文数量时间序列；
基于所述时间序列预测模型和所述节点对应的报文数量时间序列，预测所述节点在目标时间段收发的报文数量；
基于所述节点在目标时间段收发的报文数量，确定所述节点在所述目标时间段的报文流量是否异常。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011311208.7A CN114598904B (zh) | 2020-11-20 | 2020-11-20 | 交互式网络电视iptv业务的故障定位方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011311208.7A CN114598904B (zh) | 2020-11-20 | 2020-11-20 | 交互式网络电视iptv业务的故障定位方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114598904A CN114598904A (zh) | 2022-06-07 |
| CN114598904B true CN114598904B (zh) | 2023-06-30 |
Family
ID=81812298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011311208.7A Active CN114598904B (zh) | 2020-11-20 | 2020-11-20 | 交互式网络电视iptv业务的故障定位方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114598904B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012119392A1 (zh) * | 2011-08-16 | 2012-09-13 | 华为技术有限公司 | Iptv故障定位方法、装置和系统 |
| CN105868040A (zh) * | 2016-03-29 | 2016-08-17 | Tcl通力电子（惠州）有限公司 | 日志采集方法及采集终端 |
| CN107318046A (zh) * | 2016-04-27 | 2017-11-03 | 中国移动通信集团福建有限公司 | 一种互联网电视业务传输质量监测方法及系统 |
| CN107342878A (zh) * | 2016-04-29 | 2017-11-10 | 中兴通讯股份有限公司 | 一种故障处理方法及装置 |
| CN108063753A (zh) * | 2017-11-10 | 2018-05-22 | 全球能源互联网研究院有限公司 | 一种信息安全监测方法及系统 |
| CN108923975A (zh) * | 2018-07-05 | 2018-11-30 | 中山大学 | 一种面向分布式网络的流量行为分析方法 |
| CN111147899A (zh) * | 2019-12-16 | 2020-05-12 | 南京亚信智网科技有限公司 | 一种故障预警方法及装置 |
-
2020
- 2020-11-20 CN CN202011311208.7A patent/CN114598904B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012119392A1 (zh) * | 2011-08-16 | 2012-09-13 | 华为技术有限公司 | Iptv故障定位方法、装置和系统 |
| CN105868040A (zh) * | 2016-03-29 | 2016-08-17 | Tcl通力电子（惠州）有限公司 | 日志采集方法及采集终端 |
| CN107318046A (zh) * | 2016-04-27 | 2017-11-03 | 中国移动通信集团福建有限公司 | 一种互联网电视业务传输质量监测方法及系统 |
| CN107342878A (zh) * | 2016-04-29 | 2017-11-10 | 中兴通讯股份有限公司 | 一种故障处理方法及装置 |
| CN108063753A (zh) * | 2017-11-10 | 2018-05-22 | 全球能源互联网研究院有限公司 | 一种信息安全监测方法及系统 |
| CN108923975A (zh) * | 2018-07-05 | 2018-11-30 | 中山大学 | 一种面向分布式网络的流量行为分析方法 |
| CN111147899A (zh) * | 2019-12-16 | 2020-05-12 | 南京亚信智网科技有限公司 | 一种故障预警方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| M. A. Qadeer等.Multimedia Distribution over IPTV and its Integration with IMS.《2010 International Conference on Data Storage and Data Engineering》.2010,第101-105页. * |
| 牛妍华 等.有线电视数据网服务质量监测方案研究.《广播与电视技术》.2017,第44卷(第02期),第79-83页. * |
| 苏孟辉.基于时间序列的网络流量监测系统的设计与实现.《中国优秀硕士学位论文全文数据库信息科技辑(月刊)，2015年第12期》.2015,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114598904A (zh) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3379419B1 (en) | Situation analysis | |
| US7936260B2 (en) | Identifying redundant alarms by determining coefficients of correlation between alarm categories | |
| WO2017113677A1 (zh) | 处理用户行为数据的方法和系统 | |
| CN112350836B (zh) | 物联网异常定位方法、装置和电子设备 | |
| CN114064196A (zh) | 用于预测性保障的系统和方法 | |
| CN113242297B (zh) | 服务系统及服务状态的调整方法 | |
| CN116308824A (zh) | 基于知识图谱的团伙欺诈风险识别方法及相关设备 | |
| CN113596078B (zh) | 业务问题定位方法及装置 | |
| CN111314174A (zh) | 基于区块链和sdn边缘计算网络系统的网络拨测方法及装置 | |
| US8385213B2 (en) | Error identification in a computer-based network | |
| CN106708648B (zh) | 一种文本数据的存储校验方法和系统 | |
| CN114301800A (zh) | 一种网络设备质差分析方法及装置 | |
| US20140025588A1 (en) | Methods and systems for automated issue resolution | |
| CN114598904B (zh) | 交互式网络电视iptv业务的故障定位方法和装置 | |
| CN108521435B (zh) | 一种用户网络行为画像的方法及系统 | |
| CN108390770B (zh) | 一种信息生成方法、装置及服务器 | |
| CN114221807B (zh) | 访问请求处理方法、装置、监控设备及存储介质 | |
| CN111291127B (zh) | 一种数据同步方法、装置、服务器及存储介质 | |
| CN115391127A (zh) | 一种拨测方法、装置、存储介质及芯片 | |
| CN110020670B (zh) | 一种模型迭代方法、装置及设备 | |
| CN113067713B (zh) | 一种为告警网元添加工程标识的方法和装置 | |
| CN113132149B (zh) | 网络数据分级方法、装置及网管服务器、存储介质 | |
| CN114584329B (zh) | 流量异常原因定位方法、装置及电子设备 | |
| CN113934616B (zh) | 一种基于用户操作时序判断异常用户的方法 | |
| EP4401377A2 (en) | System and method for traffic flow content classification and classification confidence level |
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 |