CN114650450A - 一种基于时序关联分析实现iptv智能扩容方法及装置 - Google Patents

一种基于时序关联分析实现iptv智能扩容方法及装置 Download PDF

Info

Publication number
CN114650450A
CN114650450A CN202011495223.1A CN202011495223A CN114650450A CN 114650450 A CN114650450 A CN 114650450A CN 202011495223 A CN202011495223 A CN 202011495223A CN 114650450 A CN114650450 A CN 114650450A
Authority
CN
China
Prior art keywords
network
capacity
index data
network equipment
equipment
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
Application number
CN202011495223.1A
Other languages
English (en)
Inventor
李敏敏
刘垒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Unihub China Information Technology Co Ltd
Original Assignee
Unihub China Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Unihub China Information Technology Co Ltd filed Critical Unihub China Information Technology Co Ltd
Priority to CN202011495223.1A priority Critical patent/CN114650450A/zh
Publication of CN114650450A publication Critical patent/CN114650450A/zh
Pending legal-status Critical Current

Links

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]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开一种基于时序关联分析实现IPTV智能扩容方法及装置，其中，该方法包括：数据采集：采集网络质量感知指标数据和网络设备容量性能指标数据；AI分析：定义网络质量标准，即找到网络质量感知指标数据和网络质量差之间的关系；找出网络设备容量性能指标数据与网络设备异常程度关系；根据历史网络设备容量性能指标数据，预测未来网络设备容量走势，并判断未来网络设备容量是否需要扩容；根据未来网络设备容量走势以及对应的网络异常情况，给出容量扩容方案。该方法及装置从网络设备智能扩容入手，在当网络设备故障、老化和能力不足等情况下，可以提前预判设备扩容诉求，防止因设备问题导致IPTV质量劣化。

Description

一种基于时序关联分析实现IPTV智能扩容方法及装置
技术领域
本发明涉IPTV网络领域，尤其是一种基于时序关联分析实现IPTV智能扩容方法及装置。
背景技术
在IPTV网络中，用户终端对质量要求较高，但当组网中设备(BRAS)老化/异常或者业务承载数超过一定瓶颈时，会导致大规模的业务异常，影响客户感知，例如视频卡顿、黑屏等问题。
目前，现有技术只能做到事后分析，无法提前给出相应的解决方案和建议，且无法判断扩容后对网络质量的提升情况。
发明内容
针对IPTV质量优化，本发明提供一种基于时序关联分析实现IPTV智能扩容方法及装置，从网络设备智能扩容入手，在当网络设备故障、老化和能力不足等情况下，可以提前预判设备扩容诉求，防止因设备问题导致IPTV质量劣化。
为实现上述目的，本发明采用下述技术方案：
在本发明一实施例中，提出了一种基于时序关联分析实现IPTV智能扩容方法，该方法包括：
数据采集：采集网络质量感知指标数据和网络设备容量性能指标数据；
AI分析：定义网络质量标准，即找到网络质量感知指标数据和网络质量差之间的关系；找出网络设备容量性能指标数据与网络设备异常程度关系；根据历史网络设备容量性能指标数据，预测未来网络设备容量走势，并判断未来网络设备容量是否需要扩容；根据未来网络设备容量走势以及对应的网络异常情况，给出容量扩容方案。
进一步地，网络质量感知指标数据包括：IPTV终端性能数据以及用户是否报障和用户是否投诉的行为数据；
网络设备容量性能指标数据包括：设备CPU利用率、内存利用率、线程数量、设备承载在线用户数和设备承载业务量。
进一步地，定义网络质量标准，即找到网络质量感知指标数据和网络质量差之间的关系，包括：
将网络质量感知指标数据与同时间点的用户投诉报障数据关联；
将网络质量感知指标数据作为特征，用户是否发生投诉报障作为网络是否异常的标签，使用逻辑回归分类算法进行模型训练，得到预测网络质量感知指标数据是否对应网络异常的分类模型。
进一步地，找出网络设备容量性能指标数据与网络设备异常程度关系，包括：
将网络质量感知指标数据使用预测网络质量感知指标数据是否对应网络异常的分类模型，得到每组网络质量感知指标数据是否发生网络异常；
将网络质量感知指标数据、网络是否异常数据和对应的上游网络设备关联；
统计一段时间内网络设备关联到的网络质量感知指标数据异常组数和网络设备关联到的下游网络设备采集到的网络质量感知指标数据总组数，并计算两者之间的占比，作为网络设备容量导致网络异常的程度；
将网络设备异常程度作为标签，网络设备容量性能指标数据作为特征，调用多项式回归算法，给出网络设备容量性能指标数据和网络设备异常程度的关系。
进一步地，网络设备异常程度＝a*x1+b*x2+c*x3+d*x4+e*x5+P，其中x1代表CPU利用率，x2代表内存利用率，x3代表线程数量，x4代表设备承载在线用户数，x5代表设备承载业务量；a，b，c，d，e代表需要求出的系数；P代表误差。
进一步地，根据历史网络设备容量性能指标数据，预测未来网络设备容量走势，并判断未来网络设备容量是否需要扩容，包括：
使用时间序列算法fbprophet，对每个网络设备容量性能指标数据做预测；
使用历史一年网络设备容量性能指标数据作为训练样本，调用fbprophet算法进行模型训练，并预测未来一年网络设备容量走势；
对预测的网络设备容量性能指标数据求网络设备异常程度，如果未来一年的网络设备异常程度超过50％，则判断未来网络设备容量需要扩容。
进一步地，根据未来网络设备容量走势以及对应的网络异常情况，给出容量扩容方案，包括：
根据未来网络设备容量走势以及对应的网络异常情况，调整网络设备容量性能指标数据，使得网络异常情况低于需要扩容的阈值；
根据这个节点的容量情况作为容量扩容方案的参考值进行扩容。
在本发明一实施例中，还提出了一种基于时序关联分析实现IPTV智能扩容装置，该装置包括：
数据采集模块，用于采集网络质量感知指标数据和网络设备容量性能指标数据；
AI分析模块，用于定义网络质量标准，即找到网络质量感知指标数据和网络质量差之间的关系；找出网络设备容量性能指标数据与网络设备异常程度关系；根据历史网络设备容量性能指标数据，预测未来网络设备容量走势，并判断未来网络设备容量是否需要扩容；根据未来网络设备容量走势以及对应的网络异常情况，给出容量扩容方案。
进一步地，网络质量感知指标数据包括：IPTV终端性能数据以及用户是否报障和用户是否投诉的行为数据；
网络设备容量性能指标数据包括：设备CPU利用率、内存利用率、线程数量、设备承载在线用户数和设备承载业务量。
进一步地，定义网络质量标准，即找到网络质量感知指标数据和网络质量差之间的关系，包括：
将网络质量感知指标数据与同时间点的用户投诉报障数据关联；
将网络质量感知指标数据作为特征，用户是否发生投诉报障作为网络是否异常的标签，使用逻辑回归分类算法进行模型训练，得到预测网络质量感知指标数据是否对应网络异常的分类模型。
进一步地，找出网络设备容量性能指标数据与网络设备异常程度关系，包括：
将网络质量感知指标数据使用预测网络质量感知指标数据是否对应网络异常的分类模型，得到每组网络质量感知指标数据是否发生网络异常；
将网络质量感知指标数据、网络是否异常数据和对应的上游网络设备关联；
统计一段时间内网络设备关联到的网络质量感知指标数据异常组数和网络设备关联到的下游网络设备采集到的网络质量感知指标数据总组数，并计算两者之间的占比，作为网络设备容量导致网络异常的程度；
将网络设备异常程度作为标签，网络设备容量性能指标数据作为特征，调用多项式回归算法，给出网络设备容量性能指标数据和网络设备异常程度的关系。
进一步地，网络设备异常程度＝a*x1+b*x2+c*x3+d*x4+e*x5+P，其中x1代表CPU利用率，x2代表内存利用率，x3代表线程数量，x4代表设备承载在线用户数，x5代表设备承载业务量；a，b，c，d，e代表需要求出的系数；P代表误差。
进一步地，根据历史网络设备容量性能指标数据，预测未来网络设备容量走势，并判断未来网络设备容量是否需要扩容，包括：
使用时间序列算法fbprophet，对每个网络设备容量性能指标数据做预测；
使用历史一年网络设备容量性能指标数据作为训练样本，调用fbprophet算法进行模型训练，并预测未来一年网络设备容量走势；
对预测的网络设备容量性能指标数据求网络设备异常程度，如果未来一年的网络设备异常程度超过50％，则判断未来网络设备容量需要扩容。
进一步地，根据未来网络设备容量走势以及对应的网络异常情况，给出容量扩容方案，包括：
根据未来网络设备容量走势以及对应的网络异常情况，调整网络设备容量性能指标数据，使得网络异常情况低于需要扩容的阈值；
根据这个节点的容量情况作为容量扩容方案的参考值进行扩容。
在本发明一实施例中，还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现前述基于时序关联分析实现IPTV智能扩容方法。
在本发明一实施例中，还提出了一种计算机可读存储介质，计算机可读存储介质存储有执行基于时序关联分析实现IPTV智能扩容方法的计算机程序。
有益效果：
1、本发明可提前感知当前IPTV承载业务的设备是否需要扩容，根据生成的扩容报告，供运维人员参考扩容方案。
2、本发明给出多种智能扩容方案，并给出每种方案扩容方案对应实际的网络质量情况。
3、本发明通过将网络质量与网络设备容量关联，找出网络质量和网络设备容量的关系，从而可得到扩容后的网络质量提升效果。
附图说明
图1是本发明一实施例的基于时序关联分析实现IPTV智能扩容方法流程示意图；
图2是本发明一实施例的给出网络质量感知指标数据和网络质量差之间的关系流程示意图；
图3是本发明一实施例的给出网络设备容量性能指标数据与网络设备异常程度关系流程示意图；
图4是本发明一实施例的给出网络设备容量性能指标数据预测模型流程示意图；
图5是本发明一实施例的给出容量扩容方案流程示意图；
图6是本发明一实施例的基于时序关联分析实现IPTV智能扩容装置结构示意图；
图7是本发明一实施例的计算机设备结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神，应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种基于时序关联分析实现IPTV智能扩容方法及装置，整体分为：数据采集和AI分析；数据采集：包含IPTV终端性能数据采集和网络设备容量性能指标数据采集；通过在IPTV终端部署感知探针，实时采集到IPTV终端性能数据；通过数据中心平台实时采集到网络设备容量性能指标数据。AI分析：通过找关联、判趋势、挖根因和定方案四大步骤，通过找关联，把各个维度的数据进行关联起来，寻找关联引子；通过数据的关联，寻找数据的趋势走向，同时挖掘导致问题的根因分析，从而制定解决方案，网络设备是否需要扩容以及扩容多少合适。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
图1是本发明一实施例的基于时序关联分析实现IPTV智能扩容方法流程示意图。如图1所示，该方法包括：
S1、数据采集：采集网络质量感知指标数据和网络设备容量性能指标数据；
S2、AI分析：主要分为以下四个步骤：
1、定义网络质量标准，即找到网络质量感知指标数据和网络质量差之间的关系；
2、找出网络设备容量性能指标数据与网络设备异常程度关系；
3、根据历史网络设备容量性能指标数据，预测未来网络设备容量走势，并判断未来网络设备容量是否需要扩容；
4、根据未来网络设备容量走势以及对应的网络异常情况，给出容量扩容方案。
需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
为了对上述基于时序关联分析实现IPTV智能扩容方法进行更为清楚的解释，下面结合一个具体的实施例来进行说明，然而值得注意的是该实施例仅是为了更好地说明本发明，并不构成对本发明不当的限定。
本方法主要分为两大块：数据采集和AI分析。
1、数据采集
主要采集两部分数据，一是网络质量感知指标数据，二是网络设备容量性能指标数据；
(1)网络质量感知指标数据包括：IPTV终端性能数据如丢包、抖动、时延和光衰，以及用户是否报障和用户是否投诉等行为数据；
(2)网络设备容量性能指标数据包括：设备CPU利用率、内存利用率、线程数量、设备承载在线用户数和设备承载业务量。
2、AI分析
(1)图2是本发明一实施例的给出网络质量感知指标数据和网络质量差之间的关系流程示意图。如图2所示，定义网络质量标准，即找到网络质量感知指标数据和网络质量差之间的关系，包括：
将网络质量感知指标数据(丢包、抖动、时延和光衰)与同时间点的用户投诉报障数据关联；
将网络质量感知指标数据作为特征，用户是否发生投诉报障作为网络是否异常的标签，使用逻辑回归分类算法进行模型训练，得到预测网络质量感知指标数据是否对应网络异常的分类模型，即将网络质量感知指标数据作为逻辑回归分类算法模型的特征入参，用户是否报障(是或否)值作为标签入参，带入逻辑回归分类算法模型中，逻辑回归分类算法模型会学习报障用户的特征特点和非报障用户的特征特点，并将学习到的特点保存在模型文件中；实际预测时，会输入特征入参，调用模型文件，模型会判断输入的入参是否具有报障用户的特征特点，如果符合，则判断网络异常，否则判断网络正常。
(2)图3是本发明一实施例的给出网络设备容量性能指标数据与网络设备异常程度关系流程示意图。如图3所示，找出网络设备容量性能指标数据与网络设备异常程度关系，包括：
将网络质量感知指标数据使用预测网络质量感知指标数据是否对应网络异常的分类模型，得到每组网络质量感知指标数据是否发生网络异常；
将网络质量感知指标数据、网络是否异常数据和对应的上游网络设备关联；
统计一段时间内网络设备关联到的网络质量感知指标数据异常组数和网络设备关联到的下游网络设备采集到的网络质量感知指标数据总组数，并计算两者之间的占比，作为网络设备容量导致网络异常的程度，占比越高代表程度越高；
网络设备异常程度＝网络质量感知指标数据异常组数/网络设备关联到的下游网络设备采集到的网络质量感知指标数据总组数；
将网络设备异常程度作为标签，网络设备容量性能指标数据作为特征，调用多项式回归算法，给出网络设备容量性能指标数据和网络设备异常程度的关系；
网络设备异常程度＝a*x1+b*x2+c*x3+d*x4+e*x5+P(可能为x的n次方)；
其中x1代表CPU利用率，x2代表内存利用率，x3代表线程数量，x4代表设备承载在线用户数，x5代表设备承载业务量；a，b，c，d，e代表需要求出的系数；P代表误差；
(3)图4是本发明一实施例的给出网络设备容量性能指标数据预测模型流程示意图。如图4所示，根据历史网络设备容量性能指标数据，预测未来网络设备容量走势，并判断未来网络设备容量是否需要扩容，包括：
使用时间序列算法fbprophet，对每个网络设备容量性能指标数据做预测；
使用历史一年网络设备容量性能指标数据作为训练样本，调用fbprophet算法进行模型训练，并预测未来一年网络设备容量走势，即首先使用历史一年的网络设备容量性能指标数据，调用fbprophet算法学习指标数据的周期性、走向趋势、节假日特点和误差情况；学习好指标数据的特点后，可以得到未来日期数据位于周期性的哪个周期，趋势是向上还是向下，是否是节假日，将这些指标加和再加上误差系数，可以得到未来日期的预测值；
对预测的网络设备容量性能指标数据求网络设备异常程度，如果未来一年的网络设备异常程度超过50％，则判断未来网络设备容量需要扩容。
(4)图5是本发明一实施例的给出容量扩容方案流程示意图。如图5所示，根据未来网络设备容量走势以及对应的网络异常情况，给出容量扩容方案，包括：
根据未来网络设备容量走势以及对应的网络异常情况，调整网络设备容量性能指标数据，使得网络异常情况低于需要扩容的阈值；
根据这个节点的容量情况作为容量扩容方案的参考值进行扩容。
例如：由步骤(2)中网络设备异常程度(y)的公式：
y＝a*x1+b*x2+c*x3+d*x4+e*x5+P
假设某时间点网络设备异常程度为y，需要网络设备异常程度低于y’，可知：
y-y’＝a*(x1-x1’)+b*(x2-x2’)+c*(x3-x3’)+d*(x4-x4’)+e*(x5-x5’)；
已知：y，y’，a，b，c，d，e，x1，x2，x3，x4，x5，求解x1’，x2’，x3’，x4’，x5’；
分别令其他几个未知数等于0，求解剩下一个未知数，可以得到x1’，x2’，x3’，x4’，x5’对应的最大取值；
如：令x2’，x3’，x4’，x5’为0，可求解出x1’(扩容后CPU利用率)对应的最大值；假设原来x1＝80％，扩容后x1’＝50％；原来CPU的个数为5个；扩容后CPU＝(5*80％)/50％＝8个，可知CPU的个数应该为原来的5个变成现在8个，需要扩容3个CPU。
以此类推，可计算出每个指标数据的最大扩容数，对每个指标数据取0～最大扩容数，使得y’满足网络设备异常程度最低要求，就可以得到不同的扩容方案。
基于同一发明构思，本发明还提出一种基于时序关联分析实现IPTV智能扩容装置。该装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图6是本发明一实施例的基于时序关联分析实现IPTV智能扩容装置结构示意图。如图6所示，该装置包括：
数据采集模块101，用于采集网络质量感知指标数据和网络设备容量性能指标数据；
网络质量感知指标数据包括：IPTV终端性能数据以及用户是否报障和用户是否投诉的行为数据；
网络设备容量性能指标数据包括：设备CPU利用率、内存利用率、线程数量、设备承载在线用户数和设备承载业务量。
AI分析模块102，用于定义网络质量标准，即找到网络质量感知指标数据和网络质量差之间的关系；找出网络设备容量性能指标数据与网络设备异常程度关系；根据历史网络设备容量性能指标数据，预测未来网络设备容量走势，并判断未来网络设备容量是否需要扩容；根据未来网络设备容量走势以及对应的网络异常情况，给出容量扩容方案；
定义网络质量标准，即找到网络质量感知指标数据和网络质量差之间的关系，包括：
将网络质量感知指标数据与同时间点的用户投诉报障数据关联；
将网络质量感知指标数据作为特征，用户是否发生投诉报障作为网络是否异常的标签，使用逻辑回归分类算法进行模型训练，得到预测网络质量感知指标数据是否对应网络异常的分类模型；
找出网络设备容量性能指标数据与网络设备异常程度关系，包括：
将网络质量感知指标数据使用预测网络质量感知指标数据是否对应网络异常的分类模型，得到每组网络质量感知指标数据是否发生网络异常；
将网络质量感知指标数据、网络是否异常数据和对应的上游网络设备关联；
统计一段时间内网络设备关联到的网络质量感知指标数据异常组数和网络设备关联到的下游网络设备采集到的网络质量感知指标数据总组数，并计算两者之间的占比，作为网络设备容量导致网络异常的程度；
将网络设备异常程度作为标签，网络设备容量性能指标数据作为特征，调用多项式回归算法，给出网络设备容量性能指标数据和网络设备异常程度的关系；
网络设备异常程度＝a*x1+b*x2+c*x3+d*x4+e*x5+P，其中x1代表CPU利用率，x2代表内存利用率，x3代表线程数量，x4代表设备承载在线用户数，x5代表设备承载业务量；a，b，c，d，e代表需要求出的系数；P代表误差；
根据历史网络设备容量性能指标数据，预测未来网络设备容量走势，并判断未来网络设备容量是否需要扩容，包括：
使用时间序列算法fbprophet，对每个网络设备容量性能指标数据做预测；
使用历史一年网络设备容量性能指标数据作为训练样本，调用fbprophet算法进行模型训练，并预测未来一年网络设备容量走势；
对预测的网络设备容量性能指标数据求网络设备异常程度，如果未来一年的网络设备异常程度超过50％，则判断未来网络设备容量需要扩容；
根据未来网络设备容量走势以及对应的网络异常情况，给出容量扩容方案，包括：
根据未来网络设备容量走势以及对应的网络异常情况，调整网络设备容量性能指标数据，使得网络异常情况低于需要扩容的阈值；
根据这个节点的容量情况作为容量扩容方案的参考值进行扩容。
应当注意，尽管在上文详细描述中提及了基于时序关联分析实现IPTV智能扩容装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
基于前述发明构思，如图7所示，本发明还提出一种计算机设备200，包括存储器210、处理器220及存储在存储器210上并可在处理器220上运行的计算机程序230，处理器220执行计算机程序230时实现前述基于时序关联分析实现IPTV智能扩容方法。
基于前述发明构思，本发明还提出一种计算机可读存储介质，计算机可读存储介质存储有执行前述基于时序关联分析实现IPTV智能扩容方法的计算机程序。
本发明提出的基于时序关联分析实现IPTV智能扩容方法及装置，通过采集网络质量感知指标数据和网络设备容量性能指标数据，通过IPTV智能分析平台，按区域网络进行分析，基于时序关联分析算法，在网络设备(BRAS)发生异常前，提前发现异常，生成分析报告供决策人员，进行替换/扩容。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包含的各种修改和等同布置。
对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (16)

1.一种基于时序关联分析实现IPTV智能扩容方法，其特征在于，该方法包括：
数据采集：采集网络质量感知指标数据和网络设备容量性能指标数据；
AI分析：定义网络质量标准，即找到网络质量感知指标数据和网络质量差之间的关系；找出网络设备容量性能指标数据与网络设备异常程度关系；根据历史网络设备容量性能指标数据，预测未来网络设备容量走势，并判断未来网络设备容量是否需要扩容；根据未来网络设备容量走势以及对应的网络异常情况，给出容量扩容方案。
2.根据权利要求1所述的基于时序关联分析实现IPTV智能扩容方法，其特征在于，所述网络质量感知指标数据包括：IPTV终端性能数据以及用户是否报障和用户是否投诉的行为数据；
所述网络设备容量性能指标数据包括：设备CPU利用率、内存利用率、线程数量、设备承载在线用户数和设备承载业务量。
3.根据权利要求1所述的基于时序关联分析实现IPTV智能扩容方法，其特征在于，定义网络质量标准，即找到网络质量感知指标数据和网络质量差之间的关系，包括：
将网络质量感知指标数据与同时间点的用户投诉报障数据关联；
将网络质量感知指标数据作为特征，用户是否发生投诉报障作为网络是否异常的标签，使用逻辑回归分类算法进行模型训练，得到预测网络质量感知指标数据是否对应网络异常的分类模型。
4.根据权利要求1所述的基于时序关联分析实现IPTV智能扩容方法，其特征在于，找出网络设备容量性能指标数据与网络设备异常程度关系，包括：
将网络质量感知指标数据使用预测网络质量感知指标数据是否对应网络异常的分类模型，得到每组网络质量感知指标数据是否发生网络异常；
将网络质量感知指标数据、网络是否异常数据和对应的上游网络设备关联；
统计一段时间内网络设备关联到的网络质量感知指标数据异常组数和网络设备关联到的下游网络设备采集到的网络质量感知指标数据总组数，并计算两者之间的占比，作为网络设备容量导致网络异常的程度；
将网络设备异常程度作为标签，网络设备容量性能指标数据作为特征，调用多项式回归算法，给出网络设备容量性能指标数据和网络设备异常程度的关系。
5.根据权利要求4所述的基于时序关联分析实现IPTV智能扩容方法，其特征在于，所述网络设备异常程度＝a*x1+b*x2+c*x3+d*x4+e*x5+P，其中x1代表CPU利用率，x2代表内存利用率，x3代表线程数量，x4代表设备承载在线用户数，x5代表设备承载业务量；a，b，c，d，e代表需要求出的系数；P代表误差。
6.根据权利要求1所述的基于时序关联分析实现IPTV智能扩容方法，其特征在于，根据历史网络设备容量性能指标数据，预测未来网络设备容量走势，并判断未来网络设备容量是否需要扩容，包括：
使用时间序列算法fbprophet，对每个网络设备容量性能指标数据做预测；
使用历史一年网络设备容量性能指标数据作为训练样本，调用fbprophet算法进行模型训练，并预测未来一年网络设备容量走势；
对预测的网络设备容量性能指标数据求网络设备异常程度，如果未来一年的网络设备异常程度超过50％，则判断未来网络设备容量需要扩容。
7.根据权利要求1所述的基于时序关联分析实现IPTV智能扩容方法，其特征在于，根据未来网络设备容量走势以及对应的网络异常情况，给出容量扩容方案，包括：
根据未来网络设备容量走势以及对应的网络异常情况，调整网络设备容量性能指标数据，使得网络异常情况低于需要扩容的阈值；
根据这个节点的容量情况作为容量扩容方案的参考值进行扩容。
8.一种基于时序关联分析实现IPTV智能扩容装置，其特征在于，该装置包括：
数据采集模块，用于采集网络质量感知指标数据和网络设备容量性能指标数据；
AI分析模块，用于定义网络质量标准，即找到网络质量感知指标数据和网络质量差之间的关系；找出网络设备容量性能指标数据与网络设备异常程度关系；根据历史网络设备容量性能指标数据，预测未来网络设备容量走势，并判断未来网络设备容量是否需要扩容；根据未来网络设备容量走势以及对应的网络异常情况，给出容量扩容方案。
9.根据权利要求8所述的基于时序关联分析实现IPTV智能扩容装置，其特征在于，所述网络质量感知指标数据包括：IPTV终端性能数据以及用户是否报障和用户是否投诉的行为数据；
所述网络设备容量性能指标数据包括：设备CPU利用率、内存利用率、线程数量、设备承载在线用户数和设备承载业务量。
10.根据权利要求8所述的基于时序关联分析实现IPTV智能扩容装置，其特征在于，定义网络质量标准，即找到网络质量感知指标数据和网络质量差之间的关系，包括：
将网络质量感知指标数据与同时间点的用户投诉报障数据关联；
将网络质量感知指标数据作为特征，用户是否发生投诉报障作为网络是否异常的标签，使用逻辑回归分类算法进行模型训练，得到预测网络质量感知指标数据是否对应网络异常的分类模型。
11.根据权利要求8所述的基于时序关联分析实现IPTV智能扩容装置，其特征在于，找出网络设备容量性能指标数据与网络设备异常程度关系，包括：
将网络质量感知指标数据使用预测网络质量感知指标数据是否对应网络异常的分类模型，得到每组网络质量感知指标数据是否发生网络异常；
将网络质量感知指标数据、网络是否异常数据和对应的上游网络设备关联；
统计一段时间内网络设备关联到的网络质量感知指标数据异常组数和网络设备关联到的下游网络设备采集到的网络质量感知指标数据总组数，并计算两者之间的占比，作为网络设备容量导致网络异常的程度；
将网络设备异常程度作为标签，网络设备容量性能指标数据作为特征，调用多项式回归算法，给出网络设备容量性能指标数据和网络设备异常程度的关系。
12.根据权利要求11所述的基于时序关联分析实现IPTV智能扩容装置，其特征在于，所述网络设备异常程度＝a*x1+b*x2+c*x3+d*x4+e*x5+P，其中x1代表CPU利用率，x2代表内存利用率，x3代表线程数量，x4代表设备承载在线用户数，x5代表设备承载业务量；a，b，c，d，e代表需要求出的系数；P代表误差。
13.根据权利要求8所述的基于时序关联分析实现IPTV智能扩容装置，其特征在于，根据历史网络设备容量性能指标数据，预测未来网络设备容量走势，并判断未来网络设备容量是否需要扩容，包括：
使用时间序列算法fbprophet，对每个网络设备容量性能指标数据做预测；
使用历史一年网络设备容量性能指标数据作为训练样本，调用fbprophet算法进行模型训练，并预测未来一年网络设备容量走势；
对预测的网络设备容量性能指标数据求网络设备异常程度，如果未来一年的网络设备异常程度超过50％，则判断未来网络设备容量需要扩容。
14.根据权利要求8所述的基于时序关联分析实现IPTV智能扩容装置，其特征在于，根据未来网络设备容量走势以及对应的网络异常情况，给出容量扩容方案，包括：
根据未来网络设备容量走势以及对应的网络异常情况，调整网络设备容量性能指标数据，使得网络异常情况低于需要扩容的阈值；
根据这个节点的容量情况作为容量扩容方案的参考值进行扩容。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述方法。
16.一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执行权利要求1-7任一项所述方法的计算机程序。
CN202011495223.1A 2020-12-17 2020-12-17 一种基于时序关联分析实现iptv智能扩容方法及装置 Pending CN114650450A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011495223.1A CN114650450A (zh) 2020-12-17 2020-12-17 一种基于时序关联分析实现iptv智能扩容方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011495223.1A CN114650450A (zh) 2020-12-17 2020-12-17 一种基于时序关联分析实现iptv智能扩容方法及装置

Publications (1)

Publication Number Publication Date
CN114650450A true CN114650450A (zh) 2022-06-21

Family

ID=81990515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011495223.1A Pending CN114650450A (zh) 2020-12-17 2020-12-17 一种基于时序关联分析实现iptv智能扩容方法及装置

Country Status (1)

Country Link
CN (1) CN114650450A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886485A (zh) * 2017-02-28 2017-06-23 深圳市华傲数据技术有限公司 系统容量分析预测方法及装置
CN109067619A (zh) * 2018-09-25 2018-12-21 海南民航凯亚有限公司 一种微服务治理的弹性容量调度方法及处理终端
CN110601900A (zh) * 2019-09-23 2019-12-20 中盈优创资讯科技有限公司 一种网络故障预警方法及装置
CN111510345A (zh) * 2020-04-03 2020-08-07 网宿科技股份有限公司 一种边缘节点异常检测的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886485A (zh) * 2017-02-28 2017-06-23 深圳市华傲数据技术有限公司 系统容量分析预测方法及装置
CN109067619A (zh) * 2018-09-25 2018-12-21 海南民航凯亚有限公司 一种微服务治理的弹性容量调度方法及处理终端
CN110601900A (zh) * 2019-09-23 2019-12-20 中盈优创资讯科技有限公司 一种网络故障预警方法及装置
CN111510345A (zh) * 2020-04-03 2020-08-07 网宿科技股份有限公司 一种边缘节点异常检测的方法及装置

Similar Documents

Publication Publication Date Title
CN109086889B (zh) 基于神经网络的终端故障诊断方法、装置和系统
US10903554B2 (en) Machine learning models for detecting the causes of conditions of a satellite communication system
EP2997756B1 (en) Method and network device for cell anomaly detection
EP2894813A1 (en) Technique for creating a knowledge base for alarm management in a communications network
CN113900844B (zh) 一种基于服务码级别的故障根因定位方法、系统及存储介质
CN107872457B (zh) 一种基于网络流量预测进行网络操作的方法及系统
CN109150619A (zh) 一种基于网络流量数据的故障诊断方法及系统
CN102413021A (zh) 一种基于探针预测的覆盖网络性能监测方法
CN114095965A (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
CN112287624A (zh) 基于生存分析加go法的继电保护系统可靠性评价方法
WO2024066331A1 (zh) 网络异常检测方法、装置、电子设备及存储介质
US20210359899A1 (en) Managing Event Data in a Network
CN117421310A (zh) 一种基于数据链路的电力质量数据清洗方法
CN102281103A (zh) 基于模糊集合解算的光网络多故障恢复方法
CN115048778A (zh) 一种电网连锁故障的事故链搜索模型的构建方法
JP2008015775A (ja) プラントの保全支援システムおよびその保全支援方法
CN111614520B (zh) 一种基于机器学习算法的idc流量数据预测方法及装置
CN114650450A (zh) 一种基于时序关联分析实现iptv智能扩容方法及装置
CN117336228A (zh) 一种基于机器学习的igp仿真推荐方法、装置及介质
CN112882875A (zh) 故障诊断方法
CN111277444B (zh) 一种交换机故障预警方法和装置
CN117294617A (zh) 通信网络异常检测方法及装置
CN116232851A (zh) 一种网络异常的预警方法、装置、电子设备和存储介质
CN106655181A (zh) 电网节点的优先级设置方法和系统
CN115115131A (zh) 基于迁移学习的多中心电力系统故障预测方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220621