CN115334559A - 网络检测方法、装置、设备及介质 - Google Patents
网络检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115334559A CN115334559A CN202210999718.0A CN202210999718A CN115334559A CN 115334559 A CN115334559 A CN 115334559A CN 202210999718 A CN202210999718 A CN 202210999718A CN 115334559 A CN115334559 A CN 115334559A
- Authority
- CN
- China
- Prior art keywords
- network
- index data
- level
- network index
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 46
- 238000003860 storage Methods 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 description 21
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000012544 monitoring process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供一种网络检测方法、装置、设备及介质。其中方法包括获取各终端上报的网络指标数据，基于各网络指标数据中的小区标识，确定网络指标数据对应的网络类型，通过将各网络指标数据中的小区标识与基础信息进行匹配获得地域信息，根据各网络指标数据对应的网络类型、地域信息以及时间信息进行数据汇总，得到各地域层级下不同的网络类型在各时间层级对应的网络指标数据，根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限，并基于网络指标门限，进行网络异常检测，可以来快速定位出网络异常的发生时间与位置，可以用来提高网络故障检测准确性。
Description
技术领域
本申请涉及通信领域，尤其设计一种网络检测方法、装置、设备及介质。
背景技术
随着运营商网络规模的持续增加，现如今同时在线的网络包括2G、3G、4G、5G 与窄带物联网(Narrow Band Internet of Things,简称NB-IOT)，云计算与大数据等新业务成为行业热点，助力通信行业应用加快创新，在服务民生、支撑企业数字化转型等方面发挥了重要作用。
目前网络基站遍布城市的角落，厂家的差异大，网络数据储存在不同网管处，导致基站性能数据采集困难，耗费人力多且效率不高，并且网络故障检测不准确。
发明内容
本申请提供一种网络检测方法、装置、设备及介质，用来提高网络故障检测准确性。
一方面，本申请提供一种网络检测方法，包括：
获取各终端上报的网络指标数据，所述网络指标数据包括终端所在小区的小区标识；
基于各网络指标数据中的小区标识，确定网络指标数据中小区标识对应的网络类型，作为所述网络指标数据对应的网络类型；以及，通过将各网络指标数据中的小区标识与基础信息进行匹配，获得各网络指标数据对应的地域信息；其中，所述基础信息包括小区和地域信息之间的对应关系；
根据各网络指标数据对应的网络类型、地域信息以及时间信息，进行数据汇总，得到各地域层级下不同的网络类型在各时间层级对应的网络指标数据；
根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限，并基于所述网络指标门限，进行网络异常检测。
在一种实施例中，所述根据各网络指标数据对应的网络类型、地域信息以及时间信息，进行数据汇总，得到各地域层级下不同的网络类型在各时间层级对应的网络指标数据，包括：
根据所述网络指标数据对应的网络类型和地域信息，对各网络指标数据进行数据分类，获得在不同网络类型下各个地域层级对应的网络指标数据；
针对每个网络类型和各个时间层级下对应的网络指标数据，按照时间进行数据分类，得到在不同网络类型下各个时间层级对应的网络指标数据；
根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，基于整合移动平均自回归模型，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限。
在一种实施例中，所述方法还包括：
将不同网络类型下各个地域层级对应的网络指标数据与各个时间层级对应的网络指标数据分别以表格的方式记录并进行汇总，得到总表格，所述总表格中记录全部地域层级下全部网络类型在全部时间层级下对应的网络指标数据。
在一种实施例中，所述方法还包括：对数据进行可视化处理。
在一种实施例中，所述获取各终端上报的网络指标数据之后，还包括：
将所述不同用户对应的网络原始指标统一规范命名，得到不同用户对应的网络数据指标，所述网络数据指标包括关键绩效指标与关键质量指标。
在一种实施例中，所述基于所述网络指标门限，进行网络异常检测，包括：
通过对比预测的待检测时间层级下网络指标门限与所述待检测时间层级下实际采集的网络指标数据，判断所述待检测时间层级下的网络质量；
通过对比预测的待检测地域层级下网络指标门限与所述待检测地域层级下实际采集的网络指标数据，判断所述待检测地域层级下的网络质量。
另一方面，本申请提供一种网络检测装置，包括：
获取模块，用于获取各终端上报的网络指标数据，所述网络指标数据包括终端所在小区的小区标识；
处理模块，用于基于各网络指标数据中的小区标识，确定网络指标数据中小区标识对应的网络类型，作为所述网络指标数据对应的网络类型；以及，通过将各网络指标数据中的小区标识与基础信息进行匹配，获得各网络指标数据对应的地域信息；其中，所述基础信息包括小区和地域信息之间的对应关系；
所述处理模块，还用于根据各网络指标数据对应的网络类型、地域信息以及时间信息，进行数据汇总，得到各地域层级下不同的网络类型在各时间层级对应的网络指标数据；
预测模块，用于根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限，并基于所述网络指标门限，进行网络异常检测。
在一种实施例中，所述处理模块，具体用于根据所述网络指标数据对应的网络类型和地域信息，对各网络指标数据进行数据分类，获得在不同网络类型下各个地域层级对应的网络指标数据；
所述处理模块，具体还用于针对每个网络类型和各个时间层级下对应的网络指标数据，按照时间进行数据分类，得到在不同网络类型下各个时间层级对应的网络指标数据；
所述预测模块，具体用于根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，基于整合移动平均自回归模型，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限。
在一种实施例中，所述处理模块，具体还用于将不同网络类型下各个地域层级对应的网络指标数据与各个时间层级对应的网络指标数据分别以表格的方式记录并进行汇总，得到总表格，所述总表格中记录全部地域层级下全部网络类型在全部时间层级下对应的网络指标数据。
在一种实施例中，所述处理模块，具体还用于对数据进行可视化处理。
在一种实施例中，所述处理模块，具体还用于将所述不同用户对应的网络原始指标统一规范命名，得到不同用户对应的网络数据指标，所述网络数据指标包括关键绩效指标与关键质量指标。
在一种实施例中，所述预测模块，具体用于通过对比预测的待检测时间层级下网络指标门限与所述待检测时间层级下实际采集的网络指标数据，判断所述待检测时间层级下的网络质量；
所述预测模块，具体还用于通过对比预测的待检测地域层级下网络指标门限与所述待检测地域层级下实际采集的网络指标数据，判断所述待检测地域层级下的网络质量。
又一方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如前任一项所述的深度补全模型的训练方法或如前所述的深度补全图像生成方法。
又一方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如前任一项所述的深度补全模型的训练方法或如前所述的深度补全图像生成方法。
本申请提供的网络检测方法、装置、设备及介质中，首先获取各终端上报的网络指标数据，然后基于各网络指标数据中的小区标识，确定网络指标数据中小区标识对应的网络类型。通过将各网络指标数据中的小区标识与基础信息进行匹配，获得各网络指标数据对应的地域信息。根据各网络指标数据对应的网络类型、地域信息以及时间信息，进行数据汇总，得到各地域层级下不同的网络类型在各时间层级对应的网络指标数据。最后根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限，并基于所述网络指标门限，进行网络异常检测。本方案基于汇总各地域层级下不同的网络类型在各时间层级对应的网络指标数据，并预测所述网络指标门限，进行网络异常检测，可以来快速定位出网络异常的发生时间与位置，可以用来提高网络故障检测准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为示例的传统运营商网络保障运行模式示意图；
图2为本申请示例的应用场景示意图；
图3为本申请实施例一提供的网络检测方法的流程示意图；
图4为本申请实施例一提供的另一种网络检测方法的流程示意图；
图5为本申请实施例二提供的网络检测装置的结构示意图；
图6为本申请实施例中提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
图1为示例的传统运营商网络保障运行模式示意图，从图中可以看出，传统运营商网络保障模式需多名厂家初级工程师进行各自数据提取，中级工程师进行数据分析汇总，高级工程师提供技术支撑，人工进行数据汇聚及可视化呈现，导致日常运营中异常数据发现历时较长且复用有限。
图2为本申请示例的应用场景示意图，如图2所示，本申请工作原理是实现网管数据自动采集，按时间、分场景自动汇聚，通过智能算法进行数据异常检测和预测下一时段数据门限，当新采集数据超过门限值时自动发出预警，并按照自适应门限过滤出质差小区，快速派单至优化人员，并将检测及预测结果可视化呈现给后台监控人员，整个监控过程无需人工干预，提升处理效率，数据容纳和管理能力大幅提升。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。在本申请的描述中，除非另有明确的规定和限定，各术语应在本领域内做广义理解。下面将结合附图，对本申请的实施例进行描述。
实施例一
图3为本申请实施例一提供的网络检测方法的流程示意图，如图3所示，该方法包括：
步骤101、获取各终端上报的网络指标数据，所述网络指标数据包括终端所在小区的小区标识；
步骤102、基于各网络指标数据中的小区标识，确定网络指标数据中小区标识对应的网络类型，作为所述网络指标数据对应的网络类型；以及，通过将各网络指标数据中的小区标识与基础信息进行匹配，获得各网络指标数据对应的地域信息；其中，所述基础信息包括小区和地域信息之间的对应关系；
步骤103、根据各网络指标数据对应的网络类型、地域信息以及时间信息，进行数据汇总，得到各地域层级下不同的网络类型在各时间层级对应的网络指标数据；
步骤104、根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限，并基于所述网络指标门限，进行网络异常检测。
结合场景示例：目前终端使用的网络质量的好坏会影响终端的运营效率，所以当网络发生异常时需要及时的处理异常，这就需要可以预先判断网络故障的发生时刻与位置或者需要在正处于网络异常发生时快速定位出异常位置。网络是否异常可根据网络指标数据来判断，所述网络指标数据中包含可以用来反应网络质量的指标，使用网络的终端设备都具有自动上报网络指标数据的功能，所述网络指标数据可以根据终端设备自动上报网络指标数据的功能来进行收集。目前的网络运营情况是2G、3G、4G、 5G与NB-IOT五种类型的网络同时在线运营，所述网络指标数据包括可用于反应网络类型的小区标识。所述小区标识可以直接反映出当前网络的网络类型，将所述网络指标数据按照网络类型分类汇总，得到不同网络类型分别对应的网络类型数据的汇总结果。
所述小区标识不仅可以反映出网络的网络类型，还可以根据所述小区标识与网络的基础信息进行匹配得到当前网络所对应的地域信息。所述网络的基础信息储存在云端的数据库中，所述数据库中包含所有网络对应的基础信息，所述网络的基础信息中包含当前网络的小区标识与地域信息之间的对应关系，在所述数据库中可以通过网络的小区标识得到网络所处的地域位置。具体的，可以根据终端上报的网络指标数据中的小区标识，然后以当前网络的小区标识为参照项与所述数据库中网络的基础信息进行匹配，得到当前网络所对应的地域信息，所述地域信息可以更具体到当前网络所处的经纬度信息与高度信息。所述网络指标数据在厂家终端自动给上报的过程中，通常会选择以15分钟的时间长度持续写入到存储网络指标数据的数据仓库中，后续对所述网络指标数据的汇总均基于所述存储网络指标数据的数据仓库中已存储的数据。需说明的是，所述储网络指标数据的数据仓库与存储网络基础信息的云端数据库不同。
当获取到终端上报的网络指标数据对应的网络的地域信息后，为了更加方便的对异常网络进行准确定位，可以根据所述网络的地域信息划分不同的地域层级，然后在不同的地域层级下分别进行网络指标数据的数据汇总，得到每个地域层级下对网络指标数据的数据汇总结果。除了将网络指标数据按地域层级的维度进行数据汇总外，还可以采用时间维度对所述网络指标数据做进一步的划分。
根据以上的方法，分别对厂家终端上报的网络指标数据按照网络类型、地域层级的维度与时间层级的维度分别进行数据汇总，得到各地域层级下不同的网络类型在各时间层级对应的网络指标数据。为了判断所述网络指标数据是否异常，可以首先对汇总的网络指标数据进行预测，得到预测的数据门限，根据预测的数据门限与实际采集的网络指标数据可判定网络是否异常。具体的判定方法可选择将实际的网络指标数据与预测的数据门限进行比较，若实际采集的网络指标数据超过预测的数据门限，则可以判定当前的网络为异常。
可选的，图4为本申请实施例一提供的另一种网络检测方法的流程示意图，如图 4所示，步骤103包括：
步骤201、根据所述网络指标数据对应的网络类型和地域信息，对各网络指标数据进行数据分类，获得在不同网络类型下各个地域层级对应的网络指标数据；
步骤202、针对每个网络类型和各个时间层级下对应的网络指标数据，按照时间进行数据分类，得到在不同网络类型下各个时间层级对应的网络指标数据；
步骤203、根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，基于整合移动平均自回归模型，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限。
根据场景示例，上述提到，可根据所述网络指标数据中的小区标识判断当前网络的网络类型与地域信息，为了更好的判断与预测网络异常的发生位置，可对所述网络指标数据按照在不同的网络类型下对不同的地域层级分别进行数据汇总。所述地域层级的划分方式可以选择比较传统的划分方式，以市为最大的地域层级为例，按照从市开始，依次再到行政区、设备厂家、生产单位、单元的划分方式，市以下包含多个行政区、行政区下包含多个设备厂家、设备厂家下包含多家生产单位，然后生产单位下包含多个单元。在“单元”地域层级下汇总的网络指标数据仅包括当前单元下所对应的所有网络指标数据，在“生产单位”地域层级下汇总的网络指标数据包括当前生产单位下包含的每个单元下对应的所有网络指标数据，同理，在“设备厂家”地域层级下汇总的网络指标数据包括当前的设备厂家下对应的每个生产单位对应的所有网络指标数据，然后再依次对“行政区”地域层级与“市”地域层级进行网络指标数据汇总。
所述地域层级的划分除了按照上述传统的划分方式外，还可以对地域按照自定义的划分方式进行划分，比如按照“市、区、县、街道”的地域层级划分方式，并按照自定义的第一层级划分方式分别对所述网络指标数据进行汇总。不管选择按照传统的划分方式还是按照自定义的划分方式进行地域层级的划分，最终的目的将所有地域的网络指标数据进行汇总整理，得到在不同的网络类型下各个地域层级对应的网络指标数据。
除了对所述网络指标数据进行地域层级的汇总外，还可以根据时间为维度对所述网络指标数据按照时间层级进行划分，比如在同一种网络类型下，还可以将网络指标数据按照小时、天、周、月的时间层级进行划分。比如在“小时”的时间层级下记录一个小时内网络指标数据的情况，在“天”的时间的层级下记录当天每个小时的网络指标数据的情况，同理，在“周”的时间层级下记录本周内每天的网络指标数据的情况，最后在“月”的时间层级下记录本月内每周的网络指标数据的情况，以此得到在不同的网络类型下各个时间层级对应的网络指标数据。
将不同网络类型下各个地域层级对应的网络指标数据与各个时间层级对应的网络指标数据分别以表格的方式记录并进行汇总，得到总表格，所述总表格中记录全部地域层级下全部网络类型在全部时间层级下对应的网络指标数据。
将在不同的网络类型下各个地域层级对应的网络指标数据，以及在不同的网络类型下各个时间层级对应的网络指标数据收集完成后，可选择用表格的方式记录在不同的网络类型下各个时间层级对应的网络指标数据。具体的，按照地域层级与时间层级的划分，分别得到记录不同的网络类型下各个地域层级对应的网络指标数据的表格，与记录不同的网络类型下各个时间层级对应的网络指标数据的表格。比如，在同一种网络类型下，按照地域层级汇总时，记录“市”层级的表格中包含当前市下包含的所有行政区的网络指标数据。同理，记录“行政区”层级的表格中包含当前行政区下所有设备厂家的网络指标数据，并依次按照地域层级的划分记录，每一层地域层级对应一张表格。在同一种网络类型下，按照时间层级汇总时，记录“月”层级的表格中包含当前月中每周的网络指标数据，记录“周”层级的表格中包含当前周中每天的网络指标数据，并依次按照时间层级的划分记录，每一层时间层级对应一张表格。
将不同的网络类型下各个地域层级对应的网络指标数据与不同的网络类型下各个时间层级对应的网络指标数据用表格的方式进行可视化后，再次进行汇总，得到一张总表格，所述总表格中记录着所有的网络类型，所有地域层级与所有的时间层级下的网络指标数据情况。
当所述网络指标数据按照地域维度与时间维度进行划分与数据汇总后，通过上述预测数据门限的方法，对得到的各地域层级下不同的网络类型在各时间层级对应的网络指标数据分别进行数据预测，预测的方法可以结合整合移动平均自回归模型，得到各地域层级下不同的网络类型在各时间层级对应的网络指标门限，将被实际的网络指标数据与预测的网络指标门限比较，判断网络异常的可能发生位置或已发生网络异常的位置。
在一种示例中，所述获取各终端上报的网络指标数据之后，还包括：
将所述不同用户对应的网络原始指标统一规范命名，得到不同用户对应的网络数据指标，所述网络数据指标包括关键绩效指标与关键质量指标。
结合场景示例，厂商终端上报的网络指标数据，不同的厂商对同一个网络指标有不同的命名方式，所以会导致在汇总网络指标数据时因为命名的不同造成汇总结果的不准确。所以在厂商终端将网络指标数据上报后，应将针对同一个网络指标的数据统一命名，所述网络指标主要包括关键绩效指标(Key Performance Indicator，简称KPI) 与关键质量指标(Key Quality Indicators，简称KQI)。
在一种示例中，所述基于所述网络指标门限，进行网络异常检测，包括：
通过对比预测的待检测时间层级下网络指标门限与所述待检测时间层级下实际采集的网络指标数据，判断所述待检测时间层级下的网络质量；
通过对比预测的待检测地域层级下网络指标门限与所述待检测地域层级下实际采集的网络指标数据，判断所述待检测地域层级下的网络质量。
当结合整合移动平均自回归模型预测出各地域层级下不同的网络类型在各时间层级对应的网络指标门限后，将各地域层级下不同的网络类型在各时间层级对应的实际采集的网络指标数据与所述网络指标门限进行比较，若所述实际采集的网络指标数据超过了预测的门限值，则认为超过门限值的部分网络存在异常。
具体的，若判断网络异常的时间，可以根据预测的各个时间层级下的网络指标门限与实际采集的各个时间层级下的网络指标数据，找出网络异常的时间。若要判断网络异常的位置，可以根据预测的各个地域层级下的网络指标门限与实际采集的各个地域层级下的网络指标数据，找到网络数据异常的位置。
可选的，根据收集的不同网络类型下各个地域层级对应的网络指标数据，与预测的不同网络类型下各个地域层级对应的网络指标门限，可对数据进行可视化处理。具体的，将收集的不同网络类型下各个地域层级对应的网络指标数据按照场景分类处理，所述场景分类可按照全网、厂家、优化分区、行政区、区县生产单位、单元格、环线、基站类型、无线网络控制器/设备型号核准号码、网络制式、聚焦场景分类处理，并通过监控大屏的方式实现可视化呈现。并按照网络类型、设备类型、地域层级、场景分布等多重组合，差异化监控门限，解决同一监控门限定位不准的问题，多维度监控。对整体网络进行检测的同时，按照数据维度由大到小的顺序逐层剥离，找出网络异常的区域及质差小区，并自动化输出质差小区，快速派发至相应优化单元负责人，加速问题处理速度。
本实施例通过获取各终端上报的网络指标数据，然后基于各网络指标数据中的小区标识，确定网络指标数据中小区标识对应的网络类型。通过将各网络指标数据中的小区标识与基础信息进行匹配，获得各网络指标数据对应的地域信息。根据各网络指标数据对应的网络类型、地域信息以及时间信息，进行数据汇总，得到各地域层级下不同的网络类型在各时间层级对应的网络指标数据。最后根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限，并基于所述网络指标门限，进行网络异常检测。根据上述提供的方法进行网络异常检测，可以来快速定位出网络异常的发生时间与位置，可以用来提高网络故障检测准确性。
实施例二
图5为本申请实施例二提供的网络检测装置的结构示意图，如图5所示，该装置包括：
获取模块41，用于获取各终端上报的网络指标数据，所述网络指标数据包括终端所在小区的小区标识；
处理模块42，用于基于各网络指标数据中的小区标识，确定网络指标数据中小区标识对应的网络类型，作为所述网络指标数据对应的网络类型；以及，通过将各网络指标数据中的小区标识与基础信息进行匹配，获得各网络指标数据对应的地域信息；其中，所述基础信息包括小区和地域信息之间的对应关系；
处理模块42，还用于根据各网络指标数据对应的网络类型、地域信息以及时间信息，进行数据汇总，得到各地域层级下不同的网络类型在各时间层级对应的网络指标数据；
预测模块43，用于根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限，并基于所述网络指标门限，进行网络异常检测。
结合场景示例：目前终端使用的网络质量的好坏会影响终端的运营效率，所以当网络发生异常时需要及时的处理异常，这就需要可以预先判断网络故障的发生时刻与位置或者需要在正处于网络异常发生时快速定位出异常位置。网络是否异常可根据网络指标数据来判断，所述网络指标数据中包含可以用来反应网络质量的指标，使用网络的终端设备都具有自动上报网络指标数据的功能，获取模块41可根据所述网络指标数据可以根据终端设备自动上报网络指标数据的功能来进行收集。目前的网络运营情况是2G、3G、4G、5G 与NB-IOT五种类型的网络同时在线运营，所述网络指标数据包括可用于反应网络类型的小区标识。所述小区标识可以直接反映出当前网络的网络类型，将所述网络指标数据按照网络类型分类汇总，得到不同网络类型分别对应的网络类型数据的汇总结果。
所述小区标识不仅可以反映出网络的网络类型，还可以根据所述小区标识与网络的基础信息进行匹配得到当前网络所对应的地域信息。所述网络的基础信息储存在云端的数据库中，所述数据库中包含所有网络对应的基础信息，所述网络的基础信息中包含当前网络的小区标识与地域信息之间的对应关系，在所述数据库中可以通过网络的小区标识得到网络所处的地域位置。具体的，处理模块42可以根据终端上报的网络指标数据中的小区标识，然后以当前网络的小区标识为参照项与所述数据库中网络的基础信息进行匹配，得到当前网络所对应的地域信息，所述地域信息可以更具体到当前网络所处的经纬度信息与高度信息。所述网络指标数据在厂家终端自动给上报的过程中，通常会选择以15分钟的时间长度持续写入到存储网络指标数据的数据仓库中，后续对所述网络指标数据的汇总均基于所述存储网络指标数据的数据仓库中已存储的数据。需说明的是，所述储网络指标数据的数据仓库与存储网络基础信息的云端数据库不同。
当获取到终端上报的网络指标数据对应的网络的地域信息后，为了更加方便的对异常网络进行准确定位，处理模块42可以根据所述网络的地域信息划分不同的地域层级，然后在不同的地域层级下分别进行网络指标数据的数据汇总，得到每个地域层级下对网络指标数据的数据汇总结果。除了将网络指标数据按地域层级的维度进行数据汇总外，还可以采用时间维度对所述网络指标数据做进一步的划分。
根据以上的方法，处理模块42分别对厂家终端上报的网络指标数据按照网络类型、地域层级的维度与时间层级的维度分别进行数据汇总，得到各地域层级下不同的网络类型在各时间层级对应的网络指标数据。为了判断所述网络指标数据是否异常，预测模块43 可以首先对汇总的网络指标数据进行预测，得到预测的数据门限，根据预测的数据门限与实际采集的网络指标数据可判定网络是否异常。具体的判定方法可选择将实际的网络指标数据与预测的数据门限进行比较，若实际采集的网络指标数据超过预测的数据门限，则可以判定当前的网络为异常。
在一种示例中，处理模块42，具体用于根据所述网络指标数据对应的网络类型和地域信息，对各网络指标数据进行数据分类，获得在不同网络类型下各个地域层级对应的网络指标数据；
处理模块42，具体还用于针对每个网络类型和各个时间层级下对应的网络指标数据，按照时间进行数据分类，得到在不同网络类型下各个时间层级对应的网络指标数据；
预测模块43，具体用于根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，基于整合移动平均自回归模型，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限。
根据场景示例，上述提到，处理模块42可根据所述网络指标数据中的小区标识判断当前网络的网络类型与地域信息，为了更好的判断与预测网络异常的发生位置，处理模块 42可对所述网络指标数据按照在不同的网络类型下对不同的地域层级分别进行数据汇总。所述地域层级的划分方式可以选择比较传统的划分方式，以市为最大的地域层级为例，按照从市开始，依次再到行政区、设备厂家、生产单位、单元的划分方式，市以下包含多个行政区、行政区下包含多个设备厂家、设备厂家下包含多家生产单位，然后生产单位下包含多个单元。在“单元”地域层级下汇总的网络指标数据仅包括当前单元下所对应的所有网络指标数据，在“生产单位”地域层级下汇总的网络指标数据包括当前生产单位下包含的每个单元下对应的所有网络指标数据，同理，在“设备厂家”地域层级下汇总的网络指标数据包括当前的设备厂家下对应的每个生产单位对应的所有网络指标数据，然后再依次对“行政区”地域层级与“市”地域层级进行网络指标数据汇总。
所述地域层级的划分除了按照上述传统的划分方式外，处理模块42还可以对地域按照自定义的划分方式进行划分，比如按照“市、区、县、街道”的地域层级划分方式，并按照自定义的第一层级划分方式分别对所述网络指标数据进行汇总。不管选择按照传统的划分方式还是按照自定义的划分方式进行地域层级的划分，最终的目的将所有地域的网络指标数据进行汇总整理，得到在不同的网络类型下各个地域层级对应的网络指标数据。
处理模块42除了对所述网络指标数据进行地域层级的汇总外，还可以根据时间为维度对所述网络指标数据按照时间层级进行划分，比如在同一种网络类型下，还可以将网络指标数据按照小时、天、周、月的时间层级进行划分。比如在“小时”的时间层级下记录一个小时内网络指标数据的情况，在“天”的时间的层级下记录当天每个小时的网络指标数据的情况，同理，在“周”的时间层级下记录本周内每天的网络指标数据的情况，最后在“月”的时间层级下记录本月内每周的网络指标数据的情况，以此得到在不同的网络类型下各个时间层级对应的网络指标数据。
在一种示例中，处理模块42，具体还用于将不同网络类型下各个地域层级对应的网络指标数据与各个时间层级对应的网络指标数据分别以表格的方式记录并进行汇总，得到总表格，所述总表格中记录全部地域层级下全部网络类型在全部时间层级下对应的网络指标数据。
处理模块42将在不同的网络类型下各个地域层级对应的网络指标数据，以及在不同的网络类型下各个时间层级对应的网络指标数据收集完成后，可选择用表格的方式记录在不同的网络类型下各个时间层级对应的网络指标数据。具体的，按照地域层级与时间层级的划分，分别得到记录不同的网络类型下各个地域层级对应的网络指标数据的表格，与记录不同的网络类型下各个时间层级对应的网络指标数据的表格。比如，在同一种网络类型下，按照地域层级汇总时，记录“市”层级的表格中包含当前市下包含的所有行政区的网络指标数据。同理，记录“行政区”层级的表格中包含当前行政区下所有设备厂家的网络指标数据，并依次按照地域层级的划分记录，每一层地域层级对应一张表格。在同一种网络类型下，按照时间层级汇总时，记录“月”层级的表格中包含当前月中每周的网络指标数据，记录“周”层级的表格中包含当前周中每天的网络指标数据，并依次按照时间层级的划分记录，每一层时间层级对应一张表格。
处理模块42将不同的网络类型下各个地域层级对应的网络指标数据与不同的网络类型下各个时间层级对应的网络指标数据用表格的方式进行可视化后，再次进行汇总，得到一张总表格，所述总表格中记录着所有的网络类型，所有地域层级与所有的时间层级下的网络指标数据情况。
预测模块43当所述网络指标数据按照地域维度与时间维度进行划分与数据汇总后，通过上述预测数据门限的方法，对得到的各地域层级下不同的网络类型在各时间层级对应的网络指标数据分别进行数据预测，预测的方法可以结合整合移动平均自回归模型，得到各地域层级下不同的网络类型在各时间层级对应的网络指标门限，将被实际的网络指标数据与预测的网络指标门限比较，判断网络异常的可能发生位置或已发生网络异常的位置。
在一种示例中，处理模块42，具体还用于将所述不同用户对应的网络原始指标统一规范命名，得到不同用户对应的网络数据指标，所述网络数据指标包括关键绩效指标与关键质量指标。
结合场景示例，厂商终端上报的网络指标数据，不同的厂商对同一个网络指标有不同的命名方式，所以会导致在汇总网络指标数据时因为命名的不同造成汇总结果的不准确。所以在厂商终端将网络指标数据上报后，处理模块42应将针对同一个网络指标的数据统一命名，所述网络指标主要包括关键绩效指标简称KPI与关键质量指标KQI。
在一种示例中，预测模块43，具体用于通过对比预测的待检测时间层级下网络指标门限与所述待检测时间层级下实际采集的网络指标数据，判断所述待检测时间层级下的网络质量；
预测模块43，具体还用于通过对比预测的待检测地域层级下网络指标门限与所述待检测地域层级下实际采集的网络指标数据，判断所述待检测地域层级下的网络质量。
当预测模块43结合整合移动平均自回归模型预测出各地域层级下不同的网络类型在各时间层级对应的网络指标门限后，将各地域层级下不同的网络类型在各时间层级对应的实际采集的网络指标数据与所述网络指标门限进行比较，若所述实际采集的网络指标数据超过了预测的门限值，则认为超过门限值的部分网络存在异常。
具体的，若判断网络异常的时间，可以根据预测的各个时间层级下的网络指标门限与实际采集的各个时间层级下的网络指标数据，找出网络异常的时间。若要判断网络异常的位置，可以根据预测的各个地域层级下的网络指标门限与实际采集的各个地域层级下的网络指标数据，找到网络数据异常的位置。
可选的，根据收集的不同网络类型下各个地域层级对应的网络指标数据，与预测的不同网络类型下各个地域层级对应的网络指标门限，可对数据进行可视化处理。具体的，将收集的不同网络类型下各个地域层级对应的网络指标数据按照场景分类处理，所述场景分类可按照全网、厂家、优化分区、行政区、区县生产单位、单元格、环线、基站类型、无线网络控制器/设备型号核准号码、网络制式、聚焦场景分类处理，并通过监控大屏的方式实现可视化呈现。并按照网络类型、设备类型、地域层级、场景分布等多重组合，差异化监控门限，解决同一监控门限定位不准的问题，多维度监控。对整体网络进行检测的同时，按照数据维度由大到小的顺序逐层剥离，找出网络异常的区域及质差小区，并自动化输出质差小区，快速派发至相应优化单元负责人，加速问题处理速度。
本实施例获取模块通过获取各终端上报的网络指标数据，然后处理模块基于各网络指标数据中的小区标识，确定网络指标数据中小区标识对应的网络类型。处理模块通过将各网络指标数据中的小区标识与基础信息进行匹配，获得各网络指标数据对应的地域信息。处理模块根据各网络指标数据对应的网络类型、地域信息以及时间信息，进行数据汇总，得到各地域层级下不同的网络类型在各时间层级对应的网络指标数据。最后预测模块根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限，并基于所述网络指标门限，进行网络异常检测。根据上述提供的方法进行网络异常检测，可以来快速定位出网络异常的发生时间与位置，可以用来提高网络故障检测准确性。
实施例三
图6为本申请实施例中提供的一种电子设备的结构示意图，如图6所示，该电子设备包括：
处理器(processor)291，电子设备还包括了存储器(memory)292；还可以包括通信接口(Communication Interface)293和总线294。其中，处理器291、存储器292、通信接口293、可以通过总线294完成相互间的通信。通信接口293可以用于信息传输。处理器291可以调用存储器292中的逻辑指令，以执行上述实施例的方法。
此外，上述的存储器292中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器292作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器291通过运行存储在存储器292中的软件程序、指令以及模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器292可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器292可以包括高速随机存取存储器，还可以包括非易失性存储器。
本公开实施例提供一种非临时性计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如前述实施例所述的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (14)
1.一种网络检测方法，其特征在于，包括：
获取各终端上报的网络指标数据，所述网络指标数据包括终端所在小区的小区标识；
基于各网络指标数据中的小区标识，确定网络指标数据中小区标识对应的网络类型，作为所述网络指标数据对应的网络类型；以及，通过将各网络指标数据中的小区标识与基础信息进行匹配，获得各网络指标数据对应的地域信息；其中，所述基础信息包括小区和地域信息之间的对应关系；
根据各网络指标数据对应的网络类型、地域信息以及时间信息，进行数据汇总，得到各地域层级下不同的网络类型在各时间层级对应的网络指标数据；
根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限，并基于所述网络指标门限，进行网络异常检测。
2.根据权利要求1所述的方法，其特征在于，所述根据各网络指标数据对应的网络类型、地域信息以及时间信息，进行数据汇总，得到各地域层级下不同的网络类型在各时间层级对应的网络指标数据，包括：
根据所述网络指标数据对应的网络类型和地域信息，对各网络指标数据进行数据分类，获得在不同网络类型下各个地域层级对应的网络指标数据；
针对每个网络类型和各个时间层级下对应的网络指标数据，按照时间进行数据分类，得到在不同网络类型下各个时间层级对应的网络指标数据；
根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，基于整合移动平均自回归模型，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
将不同网络类型下各个地域层级对应的网络指标数据与各个时间层级对应的网络指标数据分别以表格的方式记录并进行汇总，得到总表格，所述总表格中记录全部地域层级下全部网络类型在全部时间层级下对应的网络指标数据。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：对数据进行可视化处理。
5.根据权利要求1所述的方法，其特征在于，所述获取各终端上报的网络指标数据之后，还包括：
将所述不同用户对应的网络原始指标统一规范命名，得到不同用户对应的网络数据指标，所述网络数据指标包括关键绩效指标与关键质量指标。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述基于所述网络指标门限，进行网络异常检测，包括：
通过对比预测的待检测时间层级下网络指标门限与所述待检测时间层级下实际采集的网络指标数据，判断所述待检测时间层级下的网络质量；
通过对比预测的待检测地域层级下网络指标门限与所述待检测地域层级下实际采集的网络指标数据，判断所述待检测地域层级下的网络质量。
7.一种网络检测装置，其特征在于，包括：
获取模块，用于获取各终端上报的网络指标数据，所述网络指标数据包括终端所在小区的小区标识；
处理模块，用于基于各网络指标数据中的小区标识，确定网络指标数据中小区标识对应的网络类型，作为所述网络指标数据对应的网络类型；以及，通过将各网络指标数据中的小区标识与基础信息进行匹配，获得各网络指标数据对应的地域信息；其中，所述基础信息包括小区和地域信息之间的对应关系；
所述处理模块，还用于根据各网络指标数据对应的网络类型、地域信息以及时间信息，进行数据汇总，得到各地域层级下不同的网络类型在各时间层级对应的网络指标数据；
预测模块，用于根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限，并基于所述网络指标门限，进行网络异常检测。
8.根据权利要求7所述的装置，其特征在于，
所述处理模块，具体用于根据所述网络指标数据对应的网络类型和地域信息，对各网络指标数据进行数据分类，获得在不同网络类型下各个地域层级对应的网络指标数据；
所述处理模块，具体还用于针对每个网络类型和各个时间层级下对应的网络指标数据，按照时间进行数据分类，得到在不同网络类型下各个时间层级对应的网络指标数据；
所述预测模块，具体用于根据各地域层级下不同的网络类型在各时间层级对应的网络指标数据，基于整合移动平均自回归模型，预测各地域层级下不同的网络类型在各时间层级对应的网络指标门限。
9.根据权利要求8所述的装置，其特征在于，
所述处理模块，具体还用于将不同网络类型下各个地域层级对应的网络指标数据与各个时间层级对应的网络指标数据分别以表格的方式记录并进行汇总，得到总表格，所述总表格中记录全部地域层级下全部网络类型在全部时间层级下对应的网络指标数据。
10.根据权利要求9所述的装置，其特征在于，
所述处理模块，具体还用于对数据进行可视化处理。
11.根据权利要求7所述的装置，其特征在于，
所述处理模块，具体还用于将所述不同用户对应的网络原始指标统一规范命名，得到不同用户对应的网络数据指标，所述网络数据指标包括关键绩效指标与关键质量指标。
12.根据权利要求7-11任一项所述的装置，其特征在于，
所述预测模块，具体用于通过对比预测的待检测时间层级下网络指标门限与所述待检测时间层级下实际采集的网络指标数据，判断所述待检测时间层级下的网络质量；
所述预测模块，具体还用于通过对比预测的待检测地域层级下网络指标门限与所述待检测地域层级下实际采集的网络指标数据，判断所述待检测地域层级下的网络质量。
13.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-6中任一项所述的网络检测方法。
14.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-6中任一项所述的网络检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210999718.0A CN115334559B (zh) | 2022-08-19 | 2022-08-19 | 网络检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210999718.0A CN115334559B (zh) | 2022-08-19 | 2022-08-19 | 网络检测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115334559A true CN115334559A (zh) | 2022-11-11 |
| CN115334559B CN115334559B (zh) | 2024-07-02 |
Family
ID=83925317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210999718.0A Active CN115334559B (zh) | 2022-08-19 | 2022-08-19 | 网络检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115334559B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116074215A (zh) * | 2022-12-30 | 2023-05-05 | 中国联合网络通信集团有限公司 | 网络质量检测方法、装置、设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101964997A (zh) * | 2009-07-21 | 2011-02-02 | 中国移动通信集团黑龙江有限公司 | 网络性能预警方法及装置 |
| US20160277958A1 (en) * | 2013-04-23 | 2016-09-22 | Avgar NOKED | System and method for dynamic operational decision making in multi types/layers wireless radio access networks based on progressive data flow detection |
| CN106487570A (zh) * | 2015-09-02 | 2017-03-08 | 中国移动通信集团公司 | 一种评估网络性能指标变化趋势的方法及设备 |
| CN109756911A (zh) * | 2019-01-31 | 2019-05-14 | 腾讯科技（深圳）有限公司 | 网络质量预测方法、业务调整方法、相关设备及存储介质 |
| CN110572297A (zh) * | 2019-08-09 | 2019-12-13 | 网宿科技股份有限公司 | 网络性能的评估方法、服务器及存储介质 |
| CN111858526A (zh) * | 2020-06-19 | 2020-10-30 | 国网福建省电力有限公司信息通信分公司 | 基于信息系统日志的故障时间空间预测方法及系统 |
| CN112152833A (zh) * | 2019-06-29 | 2020-12-29 | 北京金山云网络技术有限公司 | 一种网络异常报警方法、装置及电子设备 |
| CN112188532A (zh) * | 2019-07-02 | 2021-01-05 | 中国移动通信集团贵州有限公司 | 网络异常检测模型的训练方法、网络检测方法及装置 |
| CN112994965A (zh) * | 2019-12-13 | 2021-06-18 | 北京金山云网络技术有限公司 | 一种网络异常检测方法、装置和服务器 |
| WO2021186221A1 (en) * | 2020-03-19 | 2021-09-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Resource efficient network performance analytics |
-
2022
- 2022-08-19 CN CN202210999718.0A patent/CN115334559B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101964997A (zh) * | 2009-07-21 | 2011-02-02 | 中国移动通信集团黑龙江有限公司 | 网络性能预警方法及装置 |
| US20160277958A1 (en) * | 2013-04-23 | 2016-09-22 | Avgar NOKED | System and method for dynamic operational decision making in multi types/layers wireless radio access networks based on progressive data flow detection |
| CN106487570A (zh) * | 2015-09-02 | 2017-03-08 | 中国移动通信集团公司 | 一种评估网络性能指标变化趋势的方法及设备 |
| CN109756911A (zh) * | 2019-01-31 | 2019-05-14 | 腾讯科技（深圳）有限公司 | 网络质量预测方法、业务调整方法、相关设备及存储介质 |
| CN112152833A (zh) * | 2019-06-29 | 2020-12-29 | 北京金山云网络技术有限公司 | 一种网络异常报警方法、装置及电子设备 |
| CN112188532A (zh) * | 2019-07-02 | 2021-01-05 | 中国移动通信集团贵州有限公司 | 网络异常检测模型的训练方法、网络检测方法及装置 |
| CN110572297A (zh) * | 2019-08-09 | 2019-12-13 | 网宿科技股份有限公司 | 网络性能的评估方法、服务器及存储介质 |
| CN112994965A (zh) * | 2019-12-13 | 2021-06-18 | 北京金山云网络技术有限公司 | 一种网络异常检测方法、装置和服务器 |
| WO2021186221A1 (en) * | 2020-03-19 | 2021-09-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Resource efficient network performance analytics |
| CN111858526A (zh) * | 2020-06-19 | 2020-10-30 | 国网福建省电力有限公司信息通信分公司 | 基于信息系统日志的故障时间空间预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| CHAN-TONG LAM; HANYANG GAO; BENJAMIN NG: "A real-time traffic congestion detection system using on-line images", 《2017 IEEE 17TH INTERNATIONAL CONFERENCE ON COMMUNICATION TECHNOLOGY (ICCT)》, 30 October 2017 (2017-10-30) * |
| 严英杰;等: "基于大数据分析的输变电设备状态数据异常检测方法", 《中国电机工程学报》, 21 January 2015 (2015-01-21) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116074215A (zh) * | 2022-12-30 | 2023-05-05 | 中国联合网络通信集团有限公司 | 网络质量检测方法、装置、设备及存储介质 |
| CN116074215B (zh) * | 2022-12-30 | 2024-04-19 | 中国联合网络通信集团有限公司 | 网络质量检测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115334559B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109815096B (zh) | 设备故障的分类统计方法和系统及基于关键词统计的设备实时质控方法和系统 | |
| JP6411435B2 (ja) | 携帯電話ネットワークを維持しまたは最適化する方法およびシステム | |
| CN109818763B (zh) | 设备故障的分析统计方法和系统及设备实时质控方法和系统 | |
| US9158035B2 (en) | System and method of automated acquisition, correlation and display of power distribution grid operational parameters and weather events | |
| CN107612779B (zh) | 调度数据网二次安全防护网络设备及业务运行监视系统 | |
| CN110121189B (zh) | 一种网络监控方法和装置 | |
| CN108616900B (zh) | 一种室内外测量报告的区分方法及网络设备 | |
| CN105917625A (zh) | 使用附加数据的检测到的网络异常的分类 | |
| CN109494757B (zh) | 一种电压无功运行预警方法和系统 | |
| CN113505048A (zh) | 基于应用系统画像的统一监控平台及实现方法 | |
| CN112187512A (zh) | 一种基于流量监控的端口自动扩容方法、装置和设备 | |
| CN102256297B (zh) | 一种td-scdma无线通信网络服务用户感知数据采集方法 | |
| CN115334559A (zh) | 网络检测方法、装置、设备及介质 | |
| CN110555452A (zh) | 一种基于智能聚类的网络问题处理方法及装置 | |
| CN116010456A (zh) | 设备的处理方法、服务器和轨道交通系统 | |
| CN110769497B (zh) | 一种无线网络的投诉热点生成方法及装置 | |
| CN114157035A (zh) | 一种配电自动化管控方法及系统 | |
| CN112508438A (zh) | 基于电力大数据的调度依赖计算方法 | |
| CN113780906A (zh) | 机台管理方法、装置及计算机可读存储介质 | |
| CN104392101B (zh) | 数据共享方法及装置 | |
| CN115983524A (zh) | 智慧环保平台水环境管理系统的黑臭水管理模块及方法 | |
| CN115545452A (zh) | 运维方法、运维系统、设备及存储介质 | |
| CN114167870A (zh) | 气体巡检装置用数据处理方法、系统、装置及存储介质 | |
| CN112579391A (zh) | 一种基于人工智能的分布式数据库自动运维方法及系统 | |
| CN107801150B (zh) | 一种基于gps定位轮询基站告警的采集方法及系统 |
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 |