CN115292150A - 一种基于ai算法监控iptv epg业务健康状态的方法 - Google Patents

一种基于ai算法监控iptv epg业务健康状态的方法 Download PDF

Info

Publication number
CN115292150A
CN115292150A CN202211224458.6A CN202211224458A CN115292150A CN 115292150 A CN115292150 A CN 115292150A CN 202211224458 A CN202211224458 A CN 202211224458A CN 115292150 A CN115292150 A CN 115292150A
Authority
CN
China
Prior art keywords
data
epg
model
algorithm
basic
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
Application number
CN202211224458.6A
Other languages
English (en)
Other versions
CN115292150B (zh
Inventor
桑于彭
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.)
Paco Video Technology Hangzhou Co ltd
Original Assignee
Paco Video Technology Hangzhou 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 Paco Video Technology Hangzhou Co ltd filed Critical Paco Video Technology Hangzhou Co ltd
Priority to CN202211224458.6A priority Critical patent/CN115292150B/zh
Publication of CN115292150A publication Critical patent/CN115292150A/zh
Application granted granted Critical
Publication of CN115292150B publication Critical patent/CN115292150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于AI算法监控IPTV EPG业务健康状态的方法，属于人工智能技术领域，具体包括：收集基础日志数据至少包括EPG后台服务器运行数据、接口和EPG页面的访问数据、用户行为访问数据、用户订购数据并构成基础日志数据并将其分为模型训练数据集和校验验证数据集，对采用机器学习算法的数据综合分析模型进行训练，并生成训练完成后的数据综合分析模型；实时采集EPG后台服务器运行数据、接口和EPG页面的访问数据、用户行为数据、用户订购数据并构成输入集并基于训练完成后的数据综合分析模型，得到EPG的业务运行实时监测结果和运营状态实时监测结果并进行展示或者预警，提升了业务分析的准确性和全面性。

Description

一种基于AI算法监控IPTV EPG业务健康状态的方法
技术领域
本发明属于人工智能技术领域，尤其涉及一种基于AI算法监控IPTV EPG业务健康状态的方法。
背景技术
电子节目菜单(Electric Program Guide, EPG)在整个IPTV系统中占据非常重要的地位。在实际的运用过程中能够向用户提供节目展示、信息浏览以及业务操作等功能，继而由此促进相关效益的有效取得，通常情况下，EPG在 IPTV系统中实际的过程运行中，能够实现对于最终用户的直接面对，并逐步成为了一切终端业务的入口，同时对于EPG运行和运营状态的分析也成为很多人关注的问题。
为了解决EPG的运行状态的分析，目前往往采用采集服务器的运行数据进行汇聚展示，支持预警和告警功能，只检测服务器单一维度的数据例如cpu，内存，网络带宽，磁盘io等使用率，并根据单一维度的检测结果进行服务器运行状态的判断。同时为了实现对EPG的运营状态的分析，通常运营人员的日常工作需要收集汇总用户的行为数据，订购数据等等进行综合性分析，并采取相应的运营策略，同时需要结合多项数据进行分析来判断当前EPG业务的运营健康状态，为了支撑这些需求通常会装置一整套大数据分析系统，但上述都存在着以下技术问题：
1、无法兼顾对运行和运营状态的同时分析，从而导致无法同时对EPG的运行和运营状态进行实时掌握，导致分析结果单一，对EPG的状态无法进行全面掌握；
2、在进行运行状态分析时，仅仅从单一的角度进行判断，导致整体的统计数据维度比较单一，浪费了这些采集的信息数据，没有利用这些数据做深度分析，进而智能的判断EPG业务的运行情况；
3、在进行运营状态分析时，往往需要采购很多高配置物理服务器，成本较高，同时基于大数据系统分析的结果数据，运营还需要进行人工的分析和判断，同样会占用运营人员的很大的精力，不仅效率较低，而且会导致大量的人力、经济成本的浪费，同时无法实现对运营状态的实时监测。
针对上述技术问题，本发明提供了一种基于AI算法监控IPTV EPG业务健康状态的方法。
发明内容
为实现本发明目的，本发明采用如下技术方案：
根据本发明的一个方面，提供了一种基于AI算法监控IPTV EPG业务健康状态的方法。
一种基于AI算法监控IPTV EPG业务健康状态的方法，其特征在于，具体包括：
S11收集最近n个月的基础日志数据至少包括EPG后台服务器运行数据、接口和EPG页面的访问数据、用户行为访问数据、用户订购数据并构成基础日志数据；
S12将所述基础日志数据分为模型训练数据集和校验验证数据集，对采用机器学习算法的数据综合分析模型进行训练，并生成训练完成后的数据综合分析模型；
S13实时采集EPG后台服务器运行数据、接口和EPG页面的访问数据、用户行为数据、用户订购数据并构成输入集，基于所述输入集和所述训练完成后的数据综合分析模型，得到EPG的业务运行实时监测结果和运营状态实时监测结果；
S14基于所述业务运行实时监测结果和运营状态实时监测结果进行展示或者预警。
通过首先对前n个月的基础日志数据进行收集，其中基础日志数据反映了EPG业务运行的流量数据情况以及用户订购数据，然后对基础日志数据进行模型训练数据以及校验验证数据集的划分，并对数据综合分析模型进行训练，并生成训练完成后的数据综合分析模型，最后依据实时采集的数据，得到最终的EPG的业务运行实时监测结果和运营状态实时监测结果，从而解决了原有的无法兼顾对运行和运营状态的同时分析导致的无法准确对EPG的状态无法进行全面掌握的技术问题以及在进行运行状态分析时，仅仅从单一的角度进行判断导致的判断的准确率不高的技术问题以及在进行运营状态分析时需要耗费大量的人力物力的技术问题，在降低了经济投入的基础上，使得能够更加准确的从多角度出发实现对EPG的业务运行实时监测结果和运营状态实时监测结果的确认，并进一步减少了人员的精力消耗。
通过收集最近n个月的基础日志数据至少包括EPG后台服务器运行数据、接口和EPG页面的访问数据、用户行为访问数据、用户订购数据并构成基础日志数据，从而不仅仅从服务器日常运行和访问数据进行运行和运营状态的评估，还进一步结合了用户订购数据，从而可以更加准确的反应运行和运营的实际状态，提升了评估的准确性。
通过采用机器学习算法的数据综合分析模型，从而使得最终的业务运行实时监测结果和运营状态实时监测结果的预测模型变得更加的准确。
通过同时得到EPG的业务运行实时监测结果和运营状态实时监测结果，从而可以从更加全面的角度对EPG的业务情况进行评估，也使得能够对EPG的实际业务情况能够有更加准确的认知。
进一步的技术方案在于，所述EPG后台服务器运行数据至少包括cpu使用率，内存使用率，网络带宽使用率，磁盘io使用率，服务器网络连接数数据中的任意一项EPG服务器子数据。
进一步的技术方案在于，所述用户行为访问数据至少包括用户浏览量、访客数、用户播放数据其中的任意一项用户子数据。
进一步的技术方案在于，所述数据综合分析模型的构建步骤为:
S21对所述EPG服务器子数据、用户子数据、用户订购数据、接口的访问数据、EPG界面的访问数据分别进行特征提取得到特征量，其中所述特征量包括周期特性特征量、漂移特性特征量、平稳特性特征量；
S22基于基础模型综合得分模型以及所述周期特性特征量、漂移特性特征量、平稳特性特征量分别得到EPG服务器子数据、用户子数据、用户订购数据、接口的访问数据、EPG界面的访问数据的基础模型综合得分；
S23基于所述基础模型综合得分，构建采集数据综合分析函数得到数据综合分析模型。
通过对周期特性特征量、漂移特性特征量、平稳特性特征量的提取，从而可以从更加宏观的角度对数据的变化情况进行判断，并通过基础模型得分模型得到基础模型综合得分，从而可以综合多重因素实现对数据综合分析模型的构建，也使得判断结果能够从更加宏观以及综合的角度对数据进行综合分析，进而进一步提升了最终判断的准确性。
进一步的技术方案在于，结合EPG业务的特征规律，将一天24小时划分为7个时间段维度，并采用基于数据综合分析模型得到EPG的业务运行状态情况和运营健康状态情况，其中所述业务运行状态情况和运营健康状态情况采用不同数据的基础模型综合得分，采用数据综合分析模型得到。
由于一天内的不同的时间段内的基础数据的不一致，因此通过将一天内的时间划分为7个时间段维度，从而使得数据综合分析模型能够更加准确的反应EPG的业务运行状态情况和运营健康状态情况，也使得最终的状态情况变得更加具有指导意义。
进一步的技术方案在于，所述基础模型综合得分模型的具体公式为：
Figure 927080DEST_PATH_IMAGE001
其中σ1、σ2、σ3为权重值，
Figure 320015DEST_PATH_IMAGE002
、
Figure 688679DEST_PATH_IMAGE003
、
Figure 723631DEST_PATH_IMAGE004
分别为周期特性特征量、漂移特性特征量、平稳特性特征量。
进一步的技术方案在于，所述权重值构建的具体步骤为：
S31采用基于机器学习算法对所述权重值进行寻优，得到基础权重值；
S32采用基于主成分分析法对所述周期特性特征量、漂移特性特征量、平稳特性特征量进行主成分分析得到分析结果；
S33基于所述分析结果对所述基础权重值进行优化构建得到权重值。
通过首先基于机器学习算法对权重值进行寻优得到基础权重值，并基于主成分分析结果对基础权重值进行修正，从而使得权重值能够更加准确的反应不同的特征量对最终的评估结果的影响，也使得最终的预测结果变得更加的准确。
进一步的技术方案在于，所述权重值的具体公式为：
Figure 166245DEST_PATH_IMAGE005
其中Pk为根据所述分析结果经过归一化得到的权值，K1为常数，取值大于10，
Figure 995661DEST_PATH_IMAGE006
为基础权重值。
进一步的技术方案在于，所述数据综合分析模型的具体公式为：
Figure 851621DEST_PATH_IMAGE007
其中
Figure 690264DEST_PATH_IMAGE008
为第i个基础模型综合得分，n为所有的基础模型的数量。
另一方面，本申请实施例中提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种基于AI算法监控IPTVEPG业务健康状态的方法。
另一方面，本申请实施例中提供一种计算机程序产品，其特征在于，所述计算机程序产品存储有指令，所述指令在由计算机执行时，使得所述计算机实施上述的一种基于AI算法监控IPTV EPG业务健康状态的方法。
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种基于AI算法监控IPTV EPG业务健康状态的方法的流程图；
图2是实施例1中的数据综合分析模型的构建步骤的流程图；
图3是实施例1中的权重值构建的具体步骤的流程图；
图4是实施例1中的本申请业务运行实时监测结果和运营状态实时监测结果的展示图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
实施例1
为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种基于AI算法监控IPTV EPG业务健康状态的方法。
一种基于AI算法监控IPTV EPG业务健康状态的方法，其特征在于，具体包括：
S11收集最近n个月的基础日志数据至少包括EPG后台服务器运行数据、接口和EPG页面的访问数据、用户行为访问数据、用户订购数据并构成基础日志数据；
具体的举个例子，所述n的取值大于等于6。
S12将所述基础日志数据分为模型训练数据集和校验验证数据集，对采用机器学习算法的数据综合分析模型进行训练，并生成训练完成后的数据综合分析模型；
S13实时采集EPG后台服务器运行数据、接口和EPG页面的访问数据、用户行为数据、用户订购数据并构成输入集，基于所述输入集和所述训练完成后的数据综合分析模型，得到EPG的业务运行实时监测结果和运营状态实时监测结果；
具体的举个例子，如表1所示，为接口访问次数清洗后的训练数据。
表1接口访问次数清洗后的训练数据
Figure 784122DEST_PATH_IMAGE009
S14基于所述业务运行实时监测结果和运营状态实时监测结果进行展示或者预警。
具体的举个例子，实时采集服务器运行信息、接口和EPG访问信息、用户行为数据、用户订购数据，导入模型ModeScore_DataBase.data，进行分析计算，计算结果进行展示或者告警。
具体的举个例子，如图4所示，为本申请业务运行实时监测结果和运营状态实时监测结果。
通过首先对前n个月的基础日志数据进行收集，其中基础日志数据反映了EPG业务运行的流量数据情况以及用户订购数据，然后对基础日志数据进行模型训练数据以及校验验证数据集的划分，并对数据综合分析模型进行训练，并生成训练完成后的数据综合分析模型，最后依据实时采集的数据，得到最终的EPG的业务运行实时监测结果和运营状态实时监测结果，从而解决了原有的无法兼顾对运行和运营状态的同时分析导致的无法准确对EPG的状态无法进行全面掌握的技术问题以及在进行运行状态分析时，仅仅从单一的角度进行判断导致的判断的准确率不高的技术问题以及在进行运营状态分析时需要耗费大量的人力物力的技术问题，在降低了经济投入的基础上，使得能够更加准确的从多角度出发实现对EPG的业务运行实时监测结果和运营状态实时监测结果的确认，并进一步减少了人员的精力消耗。
通过收集最近n个月的基础日志数据至少包括EPG后台服务器运行数据、接口和EPG页面的访问数据、用户行为访问数据、用户订购数据并构成基础日志数据，从而不仅仅从服务器日常运行和访问数据进行运行和运营状态的评估，还进一步结合了用户订购数据，从而可以更加准确的反应运行和运营的实际状态，提升了评估的准确性。
通过采用机器学习算法的数据综合分析模型，从而使得最终的业务运行实时监测结果和运营状态实时监测结果的预测模型变得更加的准确。
通过同时得到EPG的业务运行实时监测结果和运营状态实时监测结果，从而可以从更加全面的角度对EPG的业务情况进行评估，也使得能够对EPG的实际业务情况能够有更加准确的认知。
在另外的一种可能的实施例中，所述EPG后台服务器运行数据至少包括cpu使用率，内存使用率，网络带宽使用率，磁盘io使用率，服务器网络连接数数据中的任意一项EPG服务器子数据。
一般来说，收集的维度数据越多，准确率越高，通常这几个维度的数据都会收集和计算训练模型，这样会使得最终的结果变得更加准确。
具体的举个例子，当计算维度为cpu使用率时候，时间序列如：
cpu-time-array=[(2022-07-22:17:50:55,20%),(2022-07-22:17:51:05,18%)… ,(2022-07-22:19:20:28,29%)]。
具体的举个例子，如表2所示，为CPU使用率清洗后的训练数据。
表2CPU使用率清洗后的训练数据
Figure 50019DEST_PATH_IMAGE010
在另外的一种可能的实施例中，所述用户行为访问数据至少包括用户浏览量、访客数、用户播放数据其中的任意一项用户子数据。
在另外的一种可能的实施例中，如图2所示，所述数据综合分析模型的构建步骤为:
S21对所述EPG服务器子数据、用户子数据、用户订购数据、接口的访问数据、EPG界面的访问数据分别进行特征提取得到特征量，其中所述特征量包括周期特性特征量、漂移特性特征量、平稳特性特征量；
具体举个例子，采用傅里叶变换算法得到周期特性特征量，使用的python底层科学计算库的通用实现方法，只需要传入时间序列数据就可以得到基础计算结果。
具体举个例子，采用中值滤波器检测算法得到漂移特性特征量，使用的python底层科学计算库的通用实现方法，只需要传入时间序列数据就可以得到基础计算结果。
具体举个例子，采用时间序列平稳度的校验方法得到漂移特性特征量，使用的python底层科学计算库的通用实现方法，只需要传入时间序列数据就可以得到基础计算结果。
S22基于基础模型综合得分模型以及所述周期特性特征量、漂移特性特征量、平稳特性特征量分别得到EPG服务器子数据、用户子数据、用户订购数据、接口的访问数据、EPG界面的访问数据的基础模型综合得分；
S23基于所述基础模型综合得分，构建采集数据综合分析函数得到数据综合分析模型。
通过对周期特性特征量、漂移特性特征量、平稳特性特征量的提取，从而可以从更加宏观的角度对数据的变化情况进行判断，并通过基础模型得分模型得到基础模型综合得分，从而可以综合多重因素实现对数据综合分析模型的构建，也使得判断结果能够从更加宏观以及综合的角度对数据进行综合分析，进而进一步提升了最终判断的准确性。
在另外的一种可能的实施例中，结合EPG业务的特征规律，将一天24小时划分为7个时间段维度，并采用基于数据综合分析模型得到EPG的业务运行状态情况和运营健康状态情况，其中所述业务运行状态情况和运营健康状态情况采用不同数据的基础模型综合得分，采用数据综合分析模型得到。
具体的举个例子，把24小时分隔为7个时间段维度，分别利用基础模型算法进行深度学习和训练n个月的访问历史数据，得到一个基础数据模型库。每天访问情况根据每5分钟时间窗口进行分段，利用基础算法计算模型计算结果后跟和基础数据模型库进行得分测算，并根据测算结果呈现（EPG业务运行和运营健康状态的情况）
时间段分布：7~9点，早高峰，小高峰12~13点午高峰，中高峰 18:00~19:00点晚高峰，中峰期 19:00~21点晚高峰，高峰期21~22点晚高峰，小高峰，高峰期衰退期。早6点~0点，白天一般访问时间段。0~6点，午夜凌晨一般访问时间段。
由于一天内的不同的时间段内的基础数据的不一致，因此通过将一天内的时间划分为7个时间段维度，从而使得数据综合分析模型能够更加准确的反应EPG的业务运行状态情况和运营健康状态情况，也使得最终的状态情况变得更加具有指导意义。
在另外的一种可能的实施例中，所述基础模型综合得分模型的具体公式为：
Figure 127696DEST_PATH_IMAGE011
其中σ1、σ2、σ3为权重值，
Figure 770030DEST_PATH_IMAGE012
、
Figure 981044DEST_PATH_IMAGE013
、
Figure 417842DEST_PATH_IMAGE014
分别为周期特性特征量、漂移特性特征量、平稳特性特征量。
具体的举个例子，服务器运行信息，cpu、内存、带宽、磁盘io等使用率，网络使用连接数，接口访问次数，EPG页面访问次数，用户行为访问pv，uv，用户订购数据等等多个维度进行复合多个维度模型计算。
在另外的一种可能的实施例中，如图3所示，所述权重值构建的具体步骤为：
S31采用基于机器学习算法对所述权重值进行寻优，得到基础权重值；
具体的举个例子，会预先设定初试值，并且通过不断的深入学习进行权重值的调整，最终当准确率达到90%以上后，锁定权重值，并且生成模型数据。
权重初始值：
σ1=25%
σ2=25%
σ3=50%。
当模拟测试准确率达到90%以上时，导出生成最终模型为ModeScore_DataBase.data同时锁定准确率达到90%以上时权重值参数，比如：σ1=15%σ2=27%σ3=58%。
S32采用基于主成分分析法对所述周期特性特征量、漂移特性特征量、平稳特性特征量进行主成分分析得到分析结果；
S33基于所述分析结果对所述基础权重值进行优化构建得到权重值。
通过首先基于机器学习算法对权重值进行寻优得到基础权重值，并基于主成分分析结果对基础权重值进行修正，从而使得权重值能够更加准确的反应不同的特征量对最终的评估结果的影响，也使得最终的预测结果变得更加的准确。
在另外的一种可能的实施例中，所述权重值的具体公式为：
Figure 982815DEST_PATH_IMAGE015
其中Pk为根据所述分析结果经过归一化得到的权值，K1为常数，取值大于10，
Figure 897681DEST_PATH_IMAGE016
为基础权重值。
在另外的一种可能的实施例中，所述数据综合分析模型的具体公式为：
Figure 231711DEST_PATH_IMAGE017
其中
Figure 839410DEST_PATH_IMAGE018
为第i个基础模型综合得分，n为所有的基础模型的数量。
具体的举个例子，采用程序的方式实现对数据综合分析模型的步骤为：
最终得到数据综合分析模型为：
ModeScore_DataBase =
{
a=ModeScore(time=7~9) ,
b=ModeScore(time=12~13) ，
c=ModeScore(time=18~19) ,
d=ModeScore(time=19~21) ,
e=ModeScore(time=21~22) ，
f=ModeScore(time=6~24 [除去，a,b,c,d,e后剩余的时间段]) ,
g=ModeScore(time=0~6)
}
实施例2
本申请实施例中提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种基于AI算法监控IPTV EPG业务健康状态的方法。
实施例3
本申请实施例中提供一种计算机程序产品，其特征在于，所述计算机程序产品存储有指令，所述指令在由计算机执行时，使得所述计算机实施上述的一种基于AI算法监控IPTV EPG业务健康状态的方法。
在本发明实施例中，术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可折卸连接，或一体地连接。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。
本发明实施例的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明实施例的限制。
在本说明书的描述中，术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明实施例的优选实施例而已，并不用于限制本发明实施例，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (10)

1.一种基于AI算法监控IPTV EPG业务健康状态的方法，其特征在于，具体包括：
S11收集最近n个月的基础日志数据至少包括EPG后台服务器运行数据、接口和EPG页面的访问数据、用户行为访问数据、用户订购数据并构成基础日志数据；
S12将所述基础日志数据分为模型训练数据集和校验验证数据集，对采用机器学习算法的数据综合分析模型进行训练，并生成训练完成后的数据综合分析模型；
S13实时采集EPG后台服务器运行数据、接口和EPG页面的访问数据、用户行为数据、用户订购数据并构成输入集，基于所述输入集和所述训练完成后的数据综合分析模型，得到EPG的业务运行实时监测结果和运营状态实时监测结果；
S14基于所述业务运行实时监测结果和运营状态实时监测结果进行展示或者预警。
2.如权利要求1所述的基于AI算法监控IPTV EPG业务健康状态的方法，其特征在于，所述EPG后台服务器运行数据至少包括cpu使用率，内存使用率，网络带宽使用率，磁盘io使用率，服务器网络连接数数据中的任意一项EPG服务器子数据；所述用户行为访问数据至少包括用户浏览量、访客数、用户播放数据其中的任意一项用户子数据。
3.如权利要求1所述的基于AI算法监控IPTV EPG业务健康状态的方法，其特征在于，所述数据综合分析模型的构建步骤为:
S21对所述EPG服务器子数据、用户子数据、用户订购数据、接口的访问数据、EPG界面的访问数据分别进行特征提取得到特征量，其中所述特征量包括周期特性特征量、漂移特性特征量、平稳特性特征量；
S22基于基础模型综合得分模型以及所述周期特性特征量、漂移特性特征量、平稳特性特征量分别得到EPG服务器子数据、用户子数据、用户订购数据、接口的访问数据、EPG界面的访问数据的基础模型综合得分；
S23基于所述基础模型综合得分，构建采集数据综合分析函数得到数据综合分析模型。
4.如权利要求3所述的基于AI算法监控IPTV EPG业务健康状态的方法，其特征在于，结合EPG业务的特征规律，将一天24小时划分为7个时间段维度，并采用基于数据综合分析模型得到EPG的业务运行状态情况和运营健康状态情况，其中所述业务运行状态情况和运营健康状态情况采用不同数据的基础模型综合得分，采用数据综合分析模型得到。
5.如权利要求3所述的基于AI算法监控IPTV EPG业务健康状态的方法，其特征在于所述基础模型综合得分模型的具体公式为：
Figure 760062DEST_PATH_IMAGE001
其中σ1、σ2、σ3为权重值，
Figure 462701DEST_PATH_IMAGE002
、
Figure 311708DEST_PATH_IMAGE003
、
Figure 827003DEST_PATH_IMAGE004
分别为周期特性特征量、漂移特性特征量、平稳特性特征量。
6.如权利要求5所述的基于AI算法监控IPTV EPG业务健康状态的方法，其特征在于，所述权重值构建的具体步骤为：
S31采用基于机器学习算法对所述权重值进行寻优，得到基础权重值；
S32采用基于主成分分析法对所述周期特性特征量、漂移特性特征量、平稳特性特征量进行主成分分析得到分析结果；
S33基于所述分析结果对所述基础权重值进行优化构建得到权重值。
7.如权利要求6所述的基于AI算法监控IPTV EPG业务健康状态的方法，其特征在于，所述权重值的具体公式为：
Figure 343435DEST_PATH_IMAGE005
其中Pk为根据所述分析结果经过归一化得到的权值，K1为常数，取值大于10，
Figure 918773DEST_PATH_IMAGE006
为基础权重值。
8.如权利要求1所述的基于AI算法监控IPTV EPG业务健康状态的方法，其特征在于，所述数据综合分析模型的具体公式为：
Figure 51814DEST_PATH_IMAGE007
其中
Figure 636379DEST_PATH_IMAGE008
为第i个基础模型综合得分，n为所有的基础模型的数量。
9.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-8任意一项所述的一种基于AI算法监控IPTV EPG业务健康状态的方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品存储有指令，所述指令在由计算机执行时，使得所述计算机实施权利要求1-8任意一项所述的一种基于AI算法监控IPTV EPG业务健康状态的方法。
CN202211224458.6A 2022-10-09 2022-10-09 一种基于ai算法监控iptv epg业务健康状态的方法 Active CN115292150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211224458.6A CN115292150B (zh) 2022-10-09 2022-10-09 一种基于ai算法监控iptv epg业务健康状态的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211224458.6A CN115292150B (zh) 2022-10-09 2022-10-09 一种基于ai算法监控iptv epg业务健康状态的方法

Publications (2)

Publication Number Publication Date
CN115292150A true CN115292150A (zh) 2022-11-04
CN115292150B CN115292150B (zh) 2023-04-07

Family

ID=83834405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211224458.6A Active CN115292150B (zh) 2022-10-09 2022-10-09 一种基于ai算法监控iptv epg业务健康状态的方法

Country Status (1)

Country Link
CN (1) CN115292150B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103297814A (zh) * 2013-06-28 2013-09-11 百视通新媒体股份有限公司 基于iptv的收视评估方法及系统
CN106982393A (zh) * 2017-03-21 2017-07-25 上海星红桉数据科技有限公司 基于海量跨屏收视行为数据的采集汇聚方法
CN107885642A (zh) * 2017-11-29 2018-04-06 小花互联网金融服务（深圳）有限公司 基于机器学习的业务监控方法及系统
CN108388503A (zh) * 2018-02-13 2018-08-10 中体彩科技发展有限公司 数据库性能监控方法、系统、设备及计算机可读存储介质
CN108737855A (zh) * 2017-04-21 2018-11-02 中兴通讯股份有限公司 设备监控方法、装置及系统
CN110413498A (zh) * 2019-07-30 2019-11-05 四川虹魔方网络科技有限公司 一种服务器运维大屏监控的方法及系统
US20190377652A1 (en) * 2018-06-06 2019-12-12 Vmware, Inc. Application health monitoring based on historical application health data and application logs
CN114138625A (zh) * 2021-12-08 2022-03-04 中国工商银行股份有限公司 服务器健康状态的评估方法、系统、电子设备和存储介质
US20220255817A1 (en) * 2021-02-09 2022-08-11 POSTECH Research and Business Development Foundation Machine learning-based vnf anomaly detection system and method for virtual network management

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103297814A (zh) * 2013-06-28 2013-09-11 百视通新媒体股份有限公司 基于iptv的收视评估方法及系统
CN106982393A (zh) * 2017-03-21 2017-07-25 上海星红桉数据科技有限公司 基于海量跨屏收视行为数据的采集汇聚方法
CN108737855A (zh) * 2017-04-21 2018-11-02 中兴通讯股份有限公司 设备监控方法、装置及系统
CN107885642A (zh) * 2017-11-29 2018-04-06 小花互联网金融服务（深圳）有限公司 基于机器学习的业务监控方法及系统
CN108388503A (zh) * 2018-02-13 2018-08-10 中体彩科技发展有限公司 数据库性能监控方法、系统、设备及计算机可读存储介质
US20190377652A1 (en) * 2018-06-06 2019-12-12 Vmware, Inc. Application health monitoring based on historical application health data and application logs
CN110413498A (zh) * 2019-07-30 2019-11-05 四川虹魔方网络科技有限公司 一种服务器运维大屏监控的方法及系统
US20220255817A1 (en) * 2021-02-09 2022-08-11 POSTECH Research and Business Development Foundation Machine learning-based vnf anomaly detection system and method for virtual network management
CN114138625A (zh) * 2021-12-08 2022-03-04 中国工商银行股份有限公司 服务器健康状态的评估方法、系统、电子设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
郭东海: "IPTV日志数据分析系统的设计与实现", 《广播电视网络》 *
陈楠等: "基于ELK的用户访问行为分析技术", 《气象科技进展》 *

Also Published As

Publication number Publication date
CN115292150B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Zhang et al. Forecasting residential energy consumption: Single household perspective
CN110097297B (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
CN104350471B (zh) 在处理环境中实时地检测异常的方法和系统
Rajabi et al. A pattern recognition methodology for analyzing residential customers load data and targeting demand response applications
CN106126391A (zh) 系统监控方法和装置
CN106951984A (zh) 一种系统健康度动态分析预测方法及装置
CN105071983A (zh) 一种面向云计算在线业务的异常负载检测方法
CN103310388B (zh) 基于信源熵的电网运行综合指数计算方法
CN110782153A (zh) 一种企业园区综合能效评估体系建模方法及系统
CN115375205A (zh) 一种用水用户画像的确定方法、装置及设备
CN110837933A (zh) 基于神经网络的漏损识别方法、装置、设备及存储介质
CN111626006A (zh) 一种多变量对径流变化敏感性评估的定量识别方法
CN111179108A (zh) 用电能耗的预测方法和装置
CN116739368A (zh) 基于能源大数据的工业园区碳排放水平监测及评估方法
CN113642933A (zh) 一种配电台区低电压诊断方法及装置
CN109902344A (zh) 中小跨径桥梁群结构性能预测装置及系统
Miller Screening meter data: Characterization of temporal energy data from large groups of non-residential buildings
CN115292150B (zh) 一种基于ai算法监控iptv epg业务健康状态的方法
Feng Scenario generation and reduction for long-term and short-term power system generation planning under uncertainties
CN114077977B (zh) 基于大数据的楼宇智慧管理方法、系统及可读存储介质
CN111239484A (zh) 一种非居民用户非侵入式负荷用电信息采集方法
CN110138638A (zh) 一种网络流量的处理方法及装置
Fu et al. A Data-driven Situational Awareness Approach to Monitoring Campus-wide Power Consumption
XIE et al. The more the better: Forecasting oil price with decomposition-based vector autoregressive model
Nepal et al. A Hybrid Model of Clustering and Neural Network Using Weather Conditions for Energy Management in Buildings

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