CN115065606B - 家宽质差分析方法、装置、设备及存储介质 - Google Patents
家宽质差分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115065606B CN115065606B CN202210609359.3A CN202210609359A CN115065606B CN 115065606 B CN115065606 B CN 115065606B CN 202210609359 A CN202210609359 A CN 202210609359A CN 115065606 B CN115065606 B CN 115065606B
- Authority
- CN
- China
- Prior art keywords
- quality difference
- home
- model
- data
- quality
- 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 41
- 238000004949 mass spectrometry Methods 0.000 title claims description 12
- 230000006855 networking Effects 0.000 claims abstract description 93
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 230000008447 perception Effects 0.000 claims description 36
- 238000010801 machine learning Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 16
- 239000012535 impurity Substances 0.000 claims description 13
- 230000006872 improvement Effects 0.000 claims description 11
- 230000000737 periodic effect Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H04L41/14—Network analysis or design
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及数据分析技术领域，公开了一种家宽质差分析方法、装置、设备及存储介质，所述方法包括：获取不同维度的在线用户家宽业务数据；通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别对在线用户家宽业务数据进行场景识别，得到各个质差场景；根据各个质差场景构建嵌入式质差模型；将嵌入式质差模型部署至组网端侧，以使组网端侧和云端分别对在线用户家宽质差数据进行分析；通过上述方式，获取不同维度的在线用户家宽业务数据，然后通过多质差模型对在线用户家宽业务数据进行场景识别，最后由组网端侧和云端共同分析，能够得到用户最真实的网络体验，改善家宽质差用户的用网体验。
Description
技术领域
本发明涉及数据分析技术领域，尤其涉及家宽质差分析方法、装置、设备及存储介质。
背景技术
目前，主流的运营商十分注重网络质量，通过平台等手段较好的维护核心网及网元健康，但是用户的家庭网络位于网络末端，且组网复杂，极易受到家庭网关、路由器以及其他终端的约束，因此，运营商很难了解到用户最真实的网络体验，另外，网络质量和真实用户业务感知往往存在着一定差异，用户家庭的组网终端网络质量直接影响到用户用网体验，也是运营商提升家宽业务的瓶颈，为解决上述问题，相关技术是通过汇总分析用户的投诉数据，进而分析定位质差原因，但是上述方式存在着主观性强、滞后性大等缺陷，使得无法及时改善家宽质差用户的用网体验，造成用户的投诉或离网。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种家宽质差分析方法、装置、设备及存储介质，旨在解决现有技术无法准确了解用户最真实的网络体验，导致家宽质差用户的投诉或离网的技术问题。
为实现上述目的，本发明提供了一种家宽质差分析方法，所述家宽质差分析方法包括以下步骤：
获取不同维度的在线用户家宽业务数据，所述维度包括设备基础信息维度、网络质量维度以及业务感知维度；
通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别对所述在线用户家宽业务数据进行场景识别，得到各个质差场景；
根据所述各个质差场景构建嵌入式质差模型；
将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧和云端分别对在线用户家宽质差数据进行分析。
可选地，所述获取设备基础信息维度、网络质量维度、业务感知维度的在线用户家宽业务数据，包括：
通过目标网关设备采集用户终端的设备属性参数，将所述设备属性参数作为设备基础信息维度的家宽数据；
根据网络质量数据和网络质量指标得到网络质量维度的家宽数据；
获取目标服务器域名，根据所述目标服务器域名进行网络探测，得到各层网络性能质量参数；
根据所述各层网络性能质量参数和所述业务感知指标得到业务感知维度的家宽数据；
根据所述设备基础信息维度的家宽数据、所述网络质量维度的家宽数据以及所述业务感知维度的家宽数据得到在线用户家宽业务数据。
可选地，所述通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别对所述在线用户家宽业务数据进行场景识别，得到各个质差场景，包括：
根据所述上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型得到对应的模型质差特征；
对所述在线用户家宽业务数据进行分类，得到家宽业务数据类型；
根据所述模型质差特征和所述家宽业务数据类型确定模型数据识别关系；
按照所述模型数据识别关系通过所述上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型对所述在线用户家宽业务数据进行场景识别，得到各个质差场景。
可选地，所述按照所述模型数据识别关系通过所述上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型对所述在线用户家宽业务数据进行场景识别，得到各个质差场景之前，还包括：
根据上行连接方式、上行速率参数以及上行设备的组网场景改善策略训练出上联状态质差模型；
根据无线下挂设备的调整参数和组网终端的调整参数得到下挂设备的组网场景调整策略；
根据所述无线下挂设备的个数、速率参数、目标范围内无线网络参数、网络参数以及所述下挂设备的组网场景调整策略训练出下挂设备弱覆盖质差模型；
根据网络设备的丢包参数、下载参数、时延参数以及用户家宽的组网性能优化策略训练出运行状态质差模型。
可选地，所述根据所述各个质差场景构建嵌入式质差模型，包括：
获取各个机器学习算法；
通过增量学习策略和参数优先策略在所述各个机器学习算法选取目标机器学习算法；
通过预设质差规则和门限区间对所述各个质差场景进行标定，得到质差场景标定数据；
根据所述目标机器学习算法和所述质差场景标定数据训练出嵌入式质差模型。
可选地，所述将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧和云端分别对在线用户家宽质差数据进行分析，包括：
通过目标网管平台通道将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧通过所述嵌入式质差模型对在线用户家宽质差数据进行周期性自检分析，得到当前端侧分析结果；
在所述当前端侧分析结果中存在目标复杂质差场景的家宽质差数据时，将所述家宽质差数据发送至云端，以使所述云端根据历史业务数据、定向拨测数据以及网络拓扑结构对所述家宽质差数据进一步分析。
可选地，所述通过目标网管平台通道将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧通过所述嵌入式质差模型对在线用户家宽质差数据进行周期性自检分析，得到当前端侧分析结果之前，还包括：
根据所述嵌入式质差模型得到对应的模型精度；
在所述模型精度大于或等于所述预设精度阈值时，继续执行通过目标网管平台通道将所述嵌入式质差模型部署至组网端侧的步骤；
在所述模型精度小于预设精度阈值时，获取模型重训练策略；
根据所述模型重训练策略再次训练出新的嵌入式质差模型，直至所述新的嵌入式质差模型对应的模型精度大于或等于所述预设精度阈值，并执行通过目标网管平台通道将所述新的嵌入式质差模型部署至组网端侧的步骤。
此外，为实现上述目的，本发明还提出一种家宽质差分析装置，所述家宽质差分析装置包括：
获取模块，用于获取不同维度的在线用户家宽业务数据，所述维度包括设备基础信息维度、网络质量维度以及业务感知维度；
识别模块，用于通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别对所述在线用户家宽业务数据进行场景识别，得到各个质差场景；
构建模块，用于根据所述各个质差场景构建嵌入式质差模型；
分析模块，用于将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧和云端分别对在线用户家宽质差数据进行分析。
此外，为实现上述目的，本发明还提出一种家宽质差分析设备，所述家宽质差分析设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的家宽质差分析程序，所述家宽质差分析程序配置为实现如上文所述的家宽质差分析方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有家宽质差分析程序，所述家宽质差分析程序被处理器执行时实现如上文所述的家宽质差分析方法。
本发明提出的家宽质差分析方法，通过获取不同维度的在线用户家宽业务数据，所述维度包括设备基础信息维度、网络质量维度以及业务感知维度；通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别对所述在线用户家宽业务数据进行场景识别，得到各个质差场景；根据所述各个质差场景构建嵌入式质差模型；将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧和云端分别对在线用户家宽质差数据进行分析；通过上述方式，获取不同维度的在线用户家宽业务数据，然后通过多质差模型对在线用户家宽业务数据进行场景识别，最后由组网端侧和云端共同分析，能够得到用户最真实的网络体验，改善家宽质差用户的用网体验。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的家宽质差分析设备的结构示意图；
图2为本发明家宽质差分析方法第一实施例的流程示意图；
图3为本发明家宽质差分析方法第二实施例的流程示意图；
图4为本发明家宽质差分析方法一实施例的整体流程示意图；
图5为本发明家宽质差分析方法第三实施例的流程示意图；
图6为本发明家宽质差分析装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的家宽质差分析设备结构示意图。
如图1所示，该家宽质差分析设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对家宽质差分析设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及家宽质差分析程序。
在图1所示的家宽质差分析设备中，网络接口1004主要用于与网络一体化平台工作站进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明家宽质差分析设备中的处理器1001、存储器1005可以设置在家宽质差分析设备中，所述家宽质差分析设备通过处理器1001调用存储器1005中存储的家宽质差分析程序，并执行本发明实施例提供的家宽质差分析方法。
基于上述硬件结构，提出本发明家宽质差分析方法实施例。
参照图2，图2为本发明家宽质差分析方法第一实施例的流程示意图。
在第一实施例中，所述家宽质差分析方法包括以下步骤：
步骤S10，获取不同维度的在线用户家宽业务数据，所述维度包括设备基础信息维度、网络质量维度以及业务感知维度。
需要说明的是，本实施例的执行主体为家宽质差分析设备，还可为其他可实现相同或相似功能的设备，例如网管平台等，本实施例对此不作限制，在本实施例中，以网管平台为例进行说明。
应当理解的是，线用户家宽业务数据指的是网管平台通过随机取样、持续周期性拨测等操作采集的在线用户的家宽业务数据，该在线家宽业务数据包括质差业务数据和质优业务数据，本实施例是从设备基础信息维度、网络质量维度以及业务感知维度采集的在线用户家宽业务数据。
可以理解的是，设备基础信息维度指的是与用户终端的设备属性相适应的信息维度，例如，设备wifi类型、设备wan口类型等，网络质量维度指的是与网络质量相适应的维度，例如，丢包率、抖动、ping时延、路由追踪等，业务感知维度指的是与业务感知相适应的维度，例如，请求和响应时延、上下行速率等。
步骤S20，通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别对所述在线用户家宽业务数据进行场景识别，得到各个质差场景。
可以理解的是，上联状态质差模型指的是用于识别2.4G无线上联质差、5G无线上联质差以及有线上联质差场景，下挂设备弱覆盖质差模型指的是用于识别下挂设备信号干扰、覆盖弱的质差场景，运行状态质差模型指的是用于监测设备的网络指标、波动变化情况以及识别业务感知差的场景。
进一步地，步骤S20，包括：根据所述上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型得到对应的模型质差特征；对所述在线用户家宽业务数据进行分类，得到家宽业务数据类型；根据所述模型质差特征和所述家宽业务数据类型确定模型数据识别关系；按照所述模型数据识别关系通过所述上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型对所述在线用户家宽业务数据进行场景识别，得到各个质差场景。
应当理解的是，模型质差特征指的是上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型的质差特征，由于不同模型对应的模型质差特征不同，因此，在识别在线用户家宽业务数据前，需要将在线用户家宽业务数据进行分类，然后构建模型数据识别关系，例如，在线用户家宽业务数据分为A、B以及C三类，而上联状态质差模型的质差特征是为了识别A类型数据、下挂设备弱覆盖质差模型的质差特征是为了识别B类型数据以及运行状态质差模型的质差特征是为了识别C类型数据，因此，模型数据识别关系为上联状态质差模型与A类型在线用户家宽业务数据对应、下挂设备弱覆盖质差模型与B类型在线用户家宽业务数据对应、运行状态质差模型与C类型在线用户家宽业务数据对应。
进一步地，按照所述模型数据识别关系通过所述上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型对所述在线用户家宽业务数据进行场景识别，得到各个质差场景之前，还包括：根据上行连接方式、上行速率参数以及上行设备的组网场景改善策略训练出上联状态质差模型；根据无线下挂设备的调整参数和组网终端的调整参数得到下挂设备的组网场景调整策略；根据所述无线下挂设备的个数、速率参数、目标范围内无线网络参数、网络参数以及所述下挂设备的组网场景调整策略训练出下挂设备弱覆盖质差模型；根据网络设备的丢包参数、下载参数、时延参数以及用户家宽的组网性能优化策略训练出运行状态质差模型。
可以理解的是，上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型是通过以下方式训练得到的，具体为：上联状态质差模型是通过上行连接方式、上行速率参数以及上行设备的组网场景改善策略训练得到的，而上行速率参数包括上行协商接发速率、上行实时收发速率、签约带宽速率，组网场景改善策略指的是通过改善组网上行设备时所使用的策略，该上行设备包括交换机、家庭网关等，下挂设备弱覆盖质差模型是通过无线下挂设备的个数、速率参数、目标范围内无线网络参数、网络参数以及下挂设备的组网场景调整策略训练得到的，而速率参数包括无线下挂设备的协商收发速率、无线下挂设备的实时收发速率、无线下挂设备的信号强度，目标范围内无线网络参数包括目标范围内wifi的个数及对应的信号强度，网络参数包括端侧的信道状态、干扰占空比以及底噪特征，组网场景调整策略指的是调整无线下挂设备的接入频段、信道、频宽和发射功率，以及调整组网终端的位置布局的策略，运行状态质差模型是通过网络设备的丢包参数、下载参数、时延参数以及用户家宽的组网性能优化策略训练得到的，而下载参数包括下载速率和下载成功率，时延参数包括但不限于ping时延、dns解析时延、tcp连接时延、请求和响应时延以及web首屏时延，组网性能优化策略指的是排查定位用户家宽的承载网、OLT以及组网终端性能的策略。
在具体实现中，在得到在线用户家宽业务数据后，由上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别按照各自的质差特点对在线用户家宽业务数据进行场景识别，得到各个质差场景。
步骤S30，根据所述各个质差场景构建嵌入式质差模型。
应当理解的是，嵌入式质差模型指的是通过最佳质差算法和各个质差场景训练出的模型，该嵌入式质差模型是一种轻量级的模型，通过嵌入式质差模型可以有效识别信号干扰、连接质量以及覆盖弱等较为简单常规的家宽问题，实现端到端的智能质差识别及预警。
进一步地，步骤S30，包括：获取各个机器学习算法；通过增量学习策略和参数优先策略在所述各个机器学习算法选取目标机器学习算法；通过预设质差规则和门限区间对所述各个质差场景进行标定，得到质差场景标定数据；根据所述目标机器学习算法和所述质差场景标定数据训练出嵌入式质差模型。
可以理解的是，增量学习策略指的是对新的数据进行不断学习更新的策略，在得到各个机器学习算法后，通过增量学习策略和参数优先策略在各个机器学习算法选取目标机器学习算法，该目标机器学习算法是各个机器学习算法中的最佳机器学习算法，在标定的过程中，首先通过预设质差规则和门限区间进行标定，然后通过专家经验知识进行核查，然后根据目标机器学习算法和质差场景标定数据训练出嵌入式质差模型。
步骤S40，将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧和云端分别对在线用户家宽质差数据进行分析。
可以理解的是，在得到嵌入式质差模型后，将嵌入式质差模型下发至组网端侧，并在组网端侧进行部署，在本实施例中，分析对在线用户家宽质差数据分为两部分，一部分是由组网端侧通过周期性自检分析简单常规的家宽问题，另一部分是由云端分析复杂质差场景，从而有效提高分析家宽质差的分析能力和准确性。
本实施例通过获取不同维度的在线用户家宽业务数据，所述维度包括设备基础信息维度、网络质量维度以及业务感知维度；通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别对所述在线用户家宽业务数据进行场景识别，得到各个质差场景；根据所述各个质差场景构建嵌入式质差模型；将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧和云端分别对在线用户家宽质差数据进行分析；通过上述方式，获取不同维度的在线用户家宽业务数据，然后通过多质差模型对在线用户家宽业务数据进行场景识别，最后由组网端侧和云端共同分析，能够得到用户最真实的网络体验，改善家宽质差用户的用网体验。
在一实施例中，如图3所述，基于第一实施例提出本发明家宽质差分析方法第二实施例，所述步骤S10，包括：
步骤S101，通过目标网关设备采集用户终端的设备属性参数，将所述设备属性参数作为设备基础信息维度的家宽数据。
应当理解的是，目标网关设备指的是采集设备属性参数的设备，该目标网关设备可以为软探针，也可以为其他实现相同或者相似功能的网关设备，该设备属性参数包括但不限于设备wifi类型、设备wan口类型、签约网络带宽、CPU使用率、RAM使用率、设备在线时长、上下行协商速率、下挂设备数、wifi信号强度、周边wifi数量、周边wifi信号强度，其中，设备wifi类型可以为wifi5/wifi6、设备wan口类型可以为千兆路由和百兆路由、签约网络带宽可以为100M、200M以及300M带宽，最后将备属性参数作为设备基础信息维度的家宽数据。
步骤S102，根据网络质量数据和网络质量指标得到网络质量维度的家宽数据。
可以理解的是，网路质量数据指的是通过网络性能测试得到的与网络质量相适应的数据，而测试方式包括但不限于ping测试、traceroute测试、以及ftp和http下载测试，网络质量指标指的是与网路质量相适应的指标参数，该网络质量指标包括但不限于丢包率、抖动、ping时延、路由追踪、下载速率以及下载成功率，在得到网络质量数据和网络质量指标后，根据网络质量数据和网络质量指标得到网络质量维度的家宽数据。
步骤S103，获取目标服务器域名，根据所述目标服务器域名进行网络探测，得到各层网络性能质量参数。
应当理解的是，各层网络性能质量参数指的是评估网络性能质量的参数，目标服务器域名指的是网管平台在配置目标服务器的域名，在得到目标服务器域名后，模拟用户行为进行网络探测，得到各层网络性能质量参数，该网络探测包括但不限于web访问质量测试、视频质量测试以及游戏质量测试。
步骤S104，根据所述各层网络性能质量参数和所述业务感知指标得到业务感知维度的家宽数据。
可以理解的是，业务感知指标指的是业务感知相适应的指标参数，在得到各层网络性能质量参数后，根据各层网络性能质量参数和业务感知指标得到业务感知维度的家宽数据。
步骤S105，根据所述设备基础信息维度的家宽数据、所述网络质量维度的家宽数据以及所述业务感知维度的家宽数据得到在线用户家宽业务数据。
应当理解的是，在得到设备基础信息维度的家宽数据、网络质量维度的家宽数据以及业务感知维度的家宽数据后，将设备基础信息维度、网络质量维度以及业务感知维度的家宽数据作为不同维度的在线用户家宽业务数据。
可以理解的是，参考图4，图4为整体流程示意图，具体为：通过随机抽样、业务拨测以及数据预处理方式获取不同维度的在线用户家宽业务数据，然后通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别细分出在线用户家宽业务数据对应的质差场景，通过多种算法优先、数据增量学习以及参数优化策略选取目标机器学习算法，然后根据目标机器学习算法训练出嵌入式质差模型，并在嵌入式质差模配置模型演进更新策略，从而可以确保模型的精度，再将嵌入式质差模型下发并部署至组网端侧，再通过组网端侧的嵌入式质差模型对在线用户家宽质差数据进行分析，识别出信号干扰、连接质量以及覆盖弱等较为简单常规的家宽问题，即较为简单质差场景，并进行平台预警，然后将目标复杂质差场景的家宽质差数据时，将所述家宽质差数据发送至云端进行协同分析，即分析异常复杂质差场景。
本实施例通过目标网关设备采集用户终端的设备属性参数，将所述设备属性参数作为设备基础信息维度的家宽数据；根据网络质量数据和网络质量指标得到网络质量维度的家宽数据；获取目标服务器域名，根据所述目标服务器域名进行网络探测，得到各层网络性能质量参数；根据所述各层网络性能质量参数和所述业务感知指标得到业务感知维度的家宽数据；根据所述设备基础信息维度的家宽数据、所述网络质量维度的家宽数据以及所述业务感知维度的家宽数据得到在线用户家宽业务数据；通过上述方式，将采集用户终端的设备属性参数作为设备基础信息维度的家宽数据，然后根据网络质量数据和网络质量指标得到网络质量维度的家宽数据，再根据各层网络性能质量参数和业务感知指标得到业务感知维度的家宽数据，最后设备基础信息维度、网络质量维度以及业务感知维度的家宽数据得到在线用户家宽业务数据，从而能够全面、快速、准确地得到在线用户家宽业务数据。
在一实施例中，如图5所述，基于第一实施例提出本发明家宽质差分析方法第三实施例，所述步骤S40，包括：
步骤S401，通过目标网管平台通道将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧通过所述嵌入式质差模型对在线用户家宽质差数据进行周期性自检分析，得到当前端侧分析结果。
可以理解的是，目标网管平台通道指的是网管平台与组网端侧之间的通道，在训练出嵌入式质差模型后，将嵌入式质差模型下发至组网端侧，并在组网端侧进行部署，然后组网端侧通过部署的嵌入式质差模型对采集的在线用户家宽质差数据进行周期性自检分析，从而识别出信号干扰、连接质量以及覆盖弱等较为简单常规的家宽问题。
进一步地，步骤S401之前，还包括：根据所述嵌入式质差模型得到对应的模型精度；在所述模型精度大于或等于所述预设精度阈值时，继续执行通过目标网管平台通道将所述嵌入式质差模型部署至组网端侧的步骤；在所述模型精度小于预设精度阈值时，获取模型重训练策略；根据所述模型重训练策略再次训练出新的嵌入式质差模型，直至所述新的嵌入式质差模型对应的模型精度大于或等于所述预设精度阈值，并执行通过目标网管平台通道将所述新的嵌入式质差模型部署至组网端侧的步骤。
应当理解的是，在本实施例中，还会灵活配置模型演进更新策略，即在模型精度小于预设精度阈值时，自动触发模型重训练策略，通过模型重训练策略再次训练出新的嵌入式质差模型，从而避免嵌入式质差模型的老化，直至再次训练出的新的嵌入式质差模型对应的模型精度大于或等于预设精度阈值。
步骤S402，在所述当前端侧分析结果中存在目标复杂质差场景的家宽质差数据时，将所述家宽质差数据发送至云端，以使所述云端根据历史业务数据、定向拨测数据以及网络拓扑结构对所述家宽质差数据进一步分析。
可以理解的是，由于嵌入式质差模型仅能识别信号干扰、连接质量以及覆盖弱等较为简单常规的质差场景，因此，需要通过云端进一步分析，即将组网侧端未能分析的目标复杂质差场景的家宽质差数据发送至云端，由云端通过历史业务数据、定向拨测数据以及网络拓扑结构对目标复杂质差场景的家宽质差数据进一步分析。
本实施例通过目标网管平台通道将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧通过所述嵌入式质差模型对在线用户家宽质差数据进行周期性自检分析，得到当前端侧分析结果；在所述当前端侧分析结果中存在目标复杂质差场景的家宽质差数据时，将所述家宽质差数据发送至云端，以使所述云端根据历史业务数据、定向拨测数据以及网络拓扑结构对所述家宽质差数据进一步分析；通过上述方式，将嵌入式质差模型通过目标网管平台通道下发并部署至组网端侧，由组网端侧对在线用户家宽质差数据进行周期性自检分析，然后判断当前端侧分析结果中是否存在目标复杂质差场景的家宽质差数据，若是，则在云端根据历史业务数据、定向拨测数据以及网络拓扑结构进一步分析目标复杂质差场景的家宽质差数据，从而能够有效提高分析家宽质差数据的准确性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有家宽质差分析程序，所述家宽质差分析程序被处理器执行时实现如上文所述的家宽质差分析方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，参照图6，本发明实施例还提出一种家宽质差分析装置，所述家宽质差分析装置包括：
获取模块，用于获取不同维度的在线用户家宽业务数据，所述维度包括设备基础信息维度、网络质量维度以及业务感知维度。
识别模块，用于通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别对所述在线用户家宽业务数据进行场景识别，得到各个质差场景。
构建模块，用于根据所述各个质差场景构建嵌入式质差模型。
分析模块，用于将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧和云端分别对在线用户家宽质差数据进行分析。
本实施例通过获取不同维度的在线用户家宽业务数据，所述维度包括设备基础信息维度、网络质量维度以及业务感知维度；通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别对所述在线用户家宽业务数据进行场景识别，得到各个质差场景；根据所述各个质差场景构建嵌入式质差模型；将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧和云端分别对在线用户家宽质差数据进行分析；通过上述方式，获取不同维度的在线用户家宽业务数据，然后通过多质差模型对在线用户家宽业务数据进行场景识别，最后由组网端侧和云端共同分析，能够得到用户最真实的网络体验，改善家宽质差用户的用网体验。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的家宽质差分析方法，此处不再赘述。
在一实施例中，所述获取模块10，还用于通过目标网关设备采集用户终端的设备属性参数，将所述设备属性参数作为设备基础信息维度的家宽数据；根据网络质量数据和网络质量指标得到网络质量维度的家宽数据；获取目标服务器域名，根据所述目标服务器域名进行网络探测，得到各层网络性能质量参数；根据所述各层网络性能质量参数和所述业务感知指标得到业务感知维度的家宽数据；根据所述设备基础信息维度的家宽数据、所述网络质量维度的家宽数据以及所述业务感知维度的家宽数据得到在线用户家宽业务数据。
在一实施例中，所述识别模块20，还用于根据所述上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型得到对应的模型质差特征；对所述在线用户家宽业务数据进行分类，得到家宽业务数据类型；根据所述模型质差特征和所述家宽业务数据类型确定模型数据识别关系；按照所述模型数据识别关系通过所述上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型对所述在线用户家宽业务数据进行场景识别，得到各个质差场景。
在一实施例中，所述识别模块20，还用于根据上行连接方式、上行速率参数以及上行设备的组网场景改善策略训练出上联状态质差模型；根据无线下挂设备的调整参数和组网终端的调整参数得到下挂设备的组网场景调整策略；根据所述无线下挂设备的个数、速率参数、目标范围内无线网络参数、网络参数以及所述下挂设备的组网场景调整策略训练出下挂设备弱覆盖质差模型；根据网络设备的丢包参数、下载参数、时延参数以及用户家宽的组网性能优化策略训练出运行状态质差模型。
在一实施例中，所述构建模块30，还用于获取各个机器学习算法；通过增量学习策略和参数优先策略在所述各个机器学习算法选取目标机器学习算法；通过预设质差规则和门限区间对所述各个质差场景进行标定，得到质差场景标定数据；根据所述目标机器学习算法和所述质差场景标定数据训练出嵌入式质差模型。
在一实施例中，所述分析模块40，还用于通过目标网管平台通道将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧通过所述嵌入式质差模型对在线用户家宽质差数据进行周期性自检分析，得到当前端侧分析结果；在所述当前端侧分析结果中存在目标复杂质差场景的家宽质差数据时，将所述家宽质差数据发送至云端，以使所述云端根据历史业务数据、定向拨测数据以及网络拓扑结构对所述家宽质差数据进一步分析。
在一实施例中，所述分析模块40，还用于根据所述嵌入式质差模型得到对应的模型精度；在所述模型精度大于或等于所述预设精度阈值时，继续执行通过目标网管平台通道将所述嵌入式质差模型部署至组网端侧的步骤；在所述模型精度小于预设精度阈值时，获取模型重训练策略；根据所述模型重训练策略再次训练出新的嵌入式质差模型，直至所述新的嵌入式质差模型对应的模型精度大于或等于所述预设精度阈值，并执行通过目标网管平台通道将所述新的嵌入式质差模型部署至组网端侧的步骤。
本发明所述家宽质差分析装置的其他实施例或具有实现方法可参照上述各方法实施例，此处不在赘余。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，一体化平台工作站，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种家宽质差分析方法，其特征在于，应用在网管平台侧，所述家宽质差分析方法包括以下步骤：
获取不同维度的在线用户家宽业务数据，所述维度包括设备基础信息维度、网络质量维度以及业务感知维度；
通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别对所述在线用户家宽业务数据进行场景识别，得到各个质差场景；
根据所述各个质差场景构建嵌入式质差模型；
将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧和云端分别对在线用户家宽质差数据进行分析。
2.如权利要求1所述的家宽质差分析方法，其特征在于，所述获取设备基础信息维度、网络质量维度、业务感知维度的在线用户家宽业务数据，包括：
通过目标网关设备采集用户终端的设备属性参数，将所述设备属性参数作为设备基础信息维度的家宽数据；
根据网络质量数据和网络质量指标得到网络质量维度的家宽数据；
获取目标服务器域名，根据所述目标服务器域名进行网络探测，得到各层网络性能质量参数；
根据所述各层网络性能质量参数和业务感知指标得到业务感知维度的家宽数据；
根据所述设备基础信息维度的家宽数据、所述网络质量维度的家宽数据以及所述业务感知维度的家宽数据得到在线用户家宽业务数据。
3.如权利要求1所述的家宽质差分析方法，其特征在于，所述通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别对所述在线用户家宽业务数据进行场景识别，得到各个质差场景，包括：
根据所述上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型得到对应的模型质差特征；
对所述在线用户家宽业务数据进行分类，得到家宽业务数据类型；
根据所述模型质差特征和所述家宽业务数据类型确定模型数据识别关系；
按照所述模型数据识别关系通过所述上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型对所述在线用户家宽业务数据进行场景识别，得到各个质差场景。
4.如权利要求3所述的家宽质差分析方法，其特征在于，所述按照所述模型数据识别关系通过所述上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型对所述在线用户家宽业务数据进行场景识别，得到各个质差场景之前，还包括：
根据上行连接方式、上行速率参数以及上行设备的组网场景改善策略训练出上联状态质差模型；
根据无线下挂设备的调整参数和组网终端的调整参数得到下挂设备的组网场景调整策略；
根据所述无线下挂设备的个数、速率参数、目标范围内无线网络参数、网络参数以及所述下挂设备的组网场景调整策略训练出下挂设备弱覆盖质差模型；
根据网络设备的丢包参数、下载参数、时延参数以及用户家宽的组网性能优化策略训练出运行状态质差模型。
5.如权利要求1所述的家宽质差分析方法，其特征在于，所述根据所述各个质差场景构建嵌入式质差模型，包括：
获取各个机器学习算法；
通过增量学习策略和参数优先策略在所述各个机器学习算法选取目标机器学习算法；
通过预设质差规则和门限区间对所述各个质差场景进行标定，得到质差场景标定数据；
根据所述目标机器学习算法和所述质差场景标定数据训练出嵌入式质差模型。
6.如权利要求1至5中任一项所述的家宽质差分析方法，其特征在于，所述将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧和云端分别对在线用户家宽质差数据进行分析，包括：
通过目标网管平台通道将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧通过所述嵌入式质差模型对在线用户家宽质差数据进行周期性自检分析，得到当前端侧分析结果；
在所述当前端侧分析结果中存在目标复杂质差场景的家宽质差数据时，将所述家宽质差数据发送至云端，以使所述云端根据历史业务数据、定向拨测数据以及网络拓扑结构对所述家宽质差数据进一步分析。
7.如权利要求6中所述的家宽质差分析方法，其特征在于，所述通过目标网管平台通道将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧通过所述嵌入式质差模型对在线用户家宽质差数据进行周期性自检分析，得到当前端侧分析结果之前，还包括：
根据所述嵌入式质差模型得到对应的模型精度；
在所述模型精度大于或等于预设精度阈值时，继续执行通过目标网管平台通道将所述嵌入式质差模型部署至组网端侧的步骤；
在所述模型精度小于所述预设精度阈值时，获取模型重训练策略；
根据所述模型重训练策略再次训练出新的嵌入式质差模型，直至所述新的嵌入式质差模型对应的模型精度大于或等于所述预设精度阈值，并执行通过目标网管平台通道将所述新的嵌入式质差模型部署至组网端侧的步骤。
8.一种家宽质差分析装置，其特征在于，所述家宽质差分析装置包括：
获取模块，用于获取不同维度的在线用户家宽业务数据，所述维度包括设备基础信息维度、网络质量维度以及业务感知维度；
识别模块，用于通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别对所述在线用户家宽业务数据进行场景识别，得到各个质差场景；
构建模块，用于根据所述各个质差场景构建嵌入式质差模型；
分析模块，用于将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧和云端分别对在线用户家宽质差数据进行分析。
9.一种家宽质差分析设备，其特征在于，所述家宽质差分析设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的家宽质差分析程序，所述家宽质差分析程序配置有实现如权利要求1至7中任一项所述的家宽质差分析方法。
10.一种存储介质，其特征在于，所述存储介质上存储有家宽质差分析程序，所述家宽质差分析程序被处理器执行时实现如权利要求1至7中任一项所述的家宽质差分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210609359.3A CN115065606B (zh) | 2022-05-31 | 2022-05-31 | 家宽质差分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210609359.3A CN115065606B (zh) | 2022-05-31 | 2022-05-31 | 家宽质差分析方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115065606A CN115065606A (zh) | 2022-09-16 |
| CN115065606B true CN115065606B (zh) | 2023-10-27 |
Family
ID=83199060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210609359.3A Active CN115065606B (zh) | 2022-05-31 | 2022-05-31 | 家宽质差分析方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115065606B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115941515A (zh) * | 2022-11-24 | 2023-04-07 | 浪潮通信信息系统有限公司 | 宽带业务质差管理方法、装置、设备及介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018001141A1 (zh) * | 2016-06-28 | 2018-01-04 | 中兴通讯股份有限公司 | 一种质差区域分析的方法、装置及系统 |
| CN107786994A (zh) * | 2016-08-26 | 2018-03-09 | 卓望数码技术（深圳）有限公司 | 端到端无线业务的用户感知质差分析方法和系统 |
| CN108768702A (zh) * | 2018-05-15 | 2018-11-06 | 华为技术有限公司 | 网络分析方法及设备 |
| CN109981326A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团山东有限公司 | 家庭宽带感知故障定位的方法及装置 |
| CN110796366A (zh) * | 2019-10-28 | 2020-02-14 | 中国联合网络通信集团有限公司 | 质差小区识别方法和装置 |
| CN111327450A (zh) * | 2018-12-17 | 2020-06-23 | 中国移动通信集团北京有限公司 | 一种质差原因的确定方法、装置、设备及介质 |
| CN112671573A (zh) * | 2020-12-17 | 2021-04-16 | 北京神州泰岳软件股份有限公司 | 识别宽带业务中潜在离网用户的方法及装置 |
| CN112702224A (zh) * | 2020-12-10 | 2021-04-23 | 北京直真科技股份有限公司 | 一种针对家庭宽带用户质差的分析方法和装置 |
| CN113411236A (zh) * | 2021-06-23 | 2021-09-17 | 中移（杭州）信息技术有限公司 | 质差路由器检测方法、装置、设备及存储介质 |
| CN113630285A (zh) * | 2020-11-11 | 2021-11-09 | 中国移动通信有限公司研究院 | 宽带网络质量诊断方法、装置及系统 |
| CN113676341A (zh) * | 2020-05-15 | 2021-11-19 | 华为技术有限公司 | 一种质差评估方法及相关设备 |
| CN114025377A (zh) * | 2021-10-08 | 2022-02-08 | 中移（杭州）信息技术有限公司 | 家庭宽带网络的质差识别方法、装置及存储介质 |
| CN114301800A (zh) * | 2021-12-28 | 2022-04-08 | 中国电信股份有限公司 | 一种网络设备质差分析方法及装置 |
| CN114363941A (zh) * | 2020-09-27 | 2022-04-15 | 中国移动通信集团广东有限公司 | 基于分段分析和质差识别的业务满意度分析方法、装置及终端 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130148525A1 (en) * | 2010-05-14 | 2013-06-13 | Telefonica, S.A. | Method for calculating perception of the user experience of the quality of monitored integrated telecommunications operator services |
| US20170215094A1 (en) * | 2016-01-22 | 2017-07-27 | Hitachi, Ltd. | Method for analyzing and inferring wireless network performance |
-
2022
- 2022-05-31 CN CN202210609359.3A patent/CN115065606B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018001141A1 (zh) * | 2016-06-28 | 2018-01-04 | 中兴通讯股份有限公司 | 一种质差区域分析的方法、装置及系统 |
| CN107786994A (zh) * | 2016-08-26 | 2018-03-09 | 卓望数码技术（深圳）有限公司 | 端到端无线业务的用户感知质差分析方法和系统 |
| CN109981326A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团山东有限公司 | 家庭宽带感知故障定位的方法及装置 |
| CN108768702A (zh) * | 2018-05-15 | 2018-11-06 | 华为技术有限公司 | 网络分析方法及设备 |
| CN111327450A (zh) * | 2018-12-17 | 2020-06-23 | 中国移动通信集团北京有限公司 | 一种质差原因的确定方法、装置、设备及介质 |
| CN110796366A (zh) * | 2019-10-28 | 2020-02-14 | 中国联合网络通信集团有限公司 | 质差小区识别方法和装置 |
| CN113676341A (zh) * | 2020-05-15 | 2021-11-19 | 华为技术有限公司 | 一种质差评估方法及相关设备 |
| CN114363941A (zh) * | 2020-09-27 | 2022-04-15 | 中国移动通信集团广东有限公司 | 基于分段分析和质差识别的业务满意度分析方法、装置及终端 |
| CN113630285A (zh) * | 2020-11-11 | 2021-11-09 | 中国移动通信有限公司研究院 | 宽带网络质量诊断方法、装置及系统 |
| CN112702224A (zh) * | 2020-12-10 | 2021-04-23 | 北京直真科技股份有限公司 | 一种针对家庭宽带用户质差的分析方法和装置 |
| CN112671573A (zh) * | 2020-12-17 | 2021-04-16 | 北京神州泰岳软件股份有限公司 | 识别宽带业务中潜在离网用户的方法及装置 |
| CN113411236A (zh) * | 2021-06-23 | 2021-09-17 | 中移（杭州）信息技术有限公司 | 质差路由器检测方法、装置、设备及存储介质 |
| CN114025377A (zh) * | 2021-10-08 | 2022-02-08 | 中移（杭州）信息技术有限公司 | 家庭宽带网络的质差识别方法、装置及存储介质 |
| CN114301800A (zh) * | 2021-12-28 | 2022-04-08 | 中国电信股份有限公司 | 一种网络设备质差分析方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于机器学习的细分业务用户感知评估方法;马敏;李威;陈洁;;电信工程技术与标准化(第05期);全文 * |
| 基于用户访问感知的家宽业务质差识别研究与实践;张延盛;徐银;;电信工程技术与标准化(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115065606A (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2266254B1 (en) | Available bandwidth estimation in a packet-switched communication network | |
| CN100361438C (zh) | 用于数据网的性能分析的方法和设备 | |
| RU2439823C2 (ru) | Использование фильтрации и активного зондирования для оценки тракта переноса данных | |
| CN102449957B (zh) | Ip网络故障定位方法、装置及系统 | |
| CN107579876A (zh) | 一种资产增量自动探测分析方法及装置 | |
| US20210092036A1 (en) | Network monitoring method and network monitoring apparatus | |
| CN115065606B (zh) | 家宽质差分析方法、装置、设备及存储介质 | |
| Garcia et al. | Big data analytics for automated QoE management in mobile networks | |
| US11134409B2 (en) | Determining whether a flow is to be added to a network | |
| CN110650067A (zh) | 一种宽带网络性能测试评估方法和系统 | |
| Anchuen et al. | QOE model in cellular networks based on QOS measurements using Neural Network approach | |
| CN106535240A (zh) | 基于云平台的移动app集中性能分析方法 | |
| da Costa Filho et al. | Network fortune cookie: Using network measurements to predict video streaming performance and QoE | |
| JP2007036839A (ja) | パケット交換網における品質劣化切り分け装置および切り分けシステム、ならびに切り分け方法 | |
| Ahmed et al. | Predicting high delays in mobile broadband networks | |
| CN109218140A (zh) | 一种软件定义部署nfv网络测量系统的方法 | |
| CN112910699A (zh) | 电力物联网的智能故障检测方法及装置 | |
| CN108494625A (zh) | 一种网络性能分析系统 | |
| CN113727092B (zh) | 基于决策树的视频监控质量巡检方法及装置 | |
| Fida et al. | Bottleneck identification in cloudified mobile networks based on distributed telemetry | |
| Reddy et al. | On the accuracy of sampling schemes for wireless network characterization | |
| CN117155815A (zh) | 一种网络检测方法、设备和计算机可读存储介质 | |
| CN117354838B (zh) | 一种无线移动通信网络性能测试装置、系统及方法 | |
| CN117640380B (zh) | 无线路由器传输速率切换方法及系统 | |
| CN117614833B (zh) | 路由器信号的自动调节方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |