CN116016468A - 会话问题诊断方法、装置、介质和电子设备 - Google Patents
会话问题诊断方法、装置、介质和电子设备 Download PDFInfo
- Publication number
- CN116016468A CN116016468A CN202211717154.3A CN202211717154A CN116016468A CN 116016468 A CN116016468 A CN 116016468A CN 202211717154 A CN202211717154 A CN 202211717154A CN 116016468 A CN116016468 A CN 116016468A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- session
- model
- event
- target
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 289
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000002159 abnormal effect Effects 0.000 claims description 53
- 238000004422 calculation algorithm Methods 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 40
- 230000007704 transition Effects 0.000 claims description 39
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 18
- 230000005856 abnormality Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000011664 signaling Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 5
- 238000005094 computer simulation Methods 0.000 description 4
- 238000005304 joining Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- NFEIBWMZVIVJLQ-UHFFFAOYSA-N mexiletine hydrochloride Chemical compound [Cl-].CC([NH3+])COC1=C(C)C=CC=C1C NFEIBWMZVIVJLQ-UHFFFAOYSA-N 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本公开的实施方式提供了会话问题诊断方法、装置、介质和电子设备。该啊包括:获取会话问题的诊断请求,所述诊断请求包括会话信息和目标诊断模型标识;根据所述目标诊断模型标识确定目标诊断模型和所述目标诊断模型关联的目标诊断参数;根据所述会话信息和所述目标诊断参数获取指标数据;利用所述目标诊断模型结合所述指标数据,生成诊断结果。通过相对应的目标诊断模型,能够对会话问题进行自动诊断,实现对会话问题的快速定位,减少人员投入,提高问题排查效率。
Description
技术领域
本公开的实施方式涉及计算机技术领域,更具体地,本公开的实施方式涉及会话问题诊断方法、装置、介质和电子设备。
背景技术
本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着技术的不断发展时通信功能的广泛应用,通过实时音频会话或视频会话进行即时通信的用户越来越多。WebRTC(Web Real-Time Communication,网页即时通信)是Google公司的一个实时音视频开源框架,开发者可以基于WebRTC实现音视频通话功能。
目前,实时音视频系统的问题排查过程,主要依赖技术人员对常见问题进行诊断,再将疑难问题交由专家诊断。该方式效率低下,无法满足日益增长的会话需要。
公开内容
本公开提供一种会话问题诊断方法、装置、介质和电子设备,以解决通过人工的方式对音视频会话问题进行诊断,效率低的问题。
在本公开实施方式的第一方面中,提供了一种会话问题诊断方法,包括:获取会话问题的诊断请求,所述诊断请求包括会话信息和目标诊断模型标识;根据所述目标诊断模型标识确定目标诊断模型和所述目标诊断模型关联的目标诊断参数;根据所述会话信息和所述目标诊断参数获取指标数据;利用所述目标诊断模型结合所述指标数据,生成诊断结果。
在本公开的一个实施例中,所述目标诊断模型是利用数学计算模型对历史会话诊断数据进行数学建模得到的。
在本公开的另一个实施例中,所述目标诊断模型包括下述的一种或多种:树形诊断模型,用于对会话音频卡顿和/或会话视频卡顿问题进行分析诊断;异常时段诊断模型,用于对会话音频无声和/或会话视频无画面问题进行分析诊断;和多事件诊断模型,用于对会话连通性问题进行分析诊断。
在本公开的再一个实施例中,所述方法还包括获取所述树形诊断模型;其中,所述获取所述树形诊断模型包括:根据历史会话诊断数据中会话问题诊断步骤的前后逻辑构建树形诊断图,所述树形诊断图包括根节点、中间节点、叶子节点以及每个节点的演算指标和演算算法,其中,所述根节点表征首个诊断步骤,所述叶子节点表征末个诊断步骤,在每个节点上根据所述演算指标和所述演算算法进行数据演算。
在本公开的又一个实施例中,所述目标诊断模型为树形诊断模型时,所述利用所述目标诊断模型结合所述指标数据,生成诊断结果包括:根据所述指标数据对所述树形诊断模型中的节点进行演算,直至遍历所述树形诊断模型中所述根节点到所述叶子节点的路径,生成所述路径的诊断结论;根据每个所述路径的诊断结论,生成诊断结果。
在本公开的又一个实施例中,所述根据所述指标数据对所述树形诊断图中的节点进行演算,包括:获取所述节点对应的父节点的演算结果;根据所述节点的演算指标从所述指标数据中获取节点数据;结合所述演算结果和所述节点数据,生成所述节点的演算数据;根据所述节点的演算算法,对所述演算数据进行演算,得到所述节点的演算结果;在所述节点为叶子节点时,根据所述演算结果得到诊断结论;在所述节点为中间节点时,将所述演算结果发送给所述节点对应的子节点。
在本公开的又一个实施例中,所述对会话音频无声和/或会话视频无画面问题进行分析诊断包括:获取历史会话诊断数据中由于上行操作产生的会话异常状态,所述会话异常状态包括会话音频无声和/或会话视频无画面;确定关联事件组,所述关联事件组包括上行操作触发所述会话异常状态发生的第一事件,以及触发所述会话异常状态结束的第二事件;确定时段提取规则,所述时段提取规则包括提取所述第一事件和所述第二事件的触发时间;根据所述时段提取规则对所述指标数据中的时序数据进行提取,生成时间序列;根据所述时间序列确定所述会话异常状态的发生时间段;根据所述会话异常状态的发生时间段,生成诊断结果。
在本公开的又一个实施例中,所述方法还包括获取多事件诊断模型;其中,所述获取多事件诊断模型包括:根据历史会话诊断数据中的用户连通事件构建有限状态机;所述有限状态机包括状态集、转化事件集和状态转移矩阵;其中,所述状态集根据用户的连通状态构建,所述状态集包括起始状态、终止状态和多个中间状态;转换事件集根据触发用户连通状态发生变化的事件构建,所述转换事件集的转换事件包括事件标识、事件名称、事件参数和事件文本;所述状态转移矩阵根据各个状态间的转移路径构建,所述转移路径上标识有触发状态转移的事件。
在本公开的又一个实施例中,所述目标诊断模型为多事件诊断模型时,所述利用所述目标诊断模型结合所述指标数据,生成诊断结果包括:将所述指标数据输入所述有限状态机,生成状态转移数据;根据所述状态转移数据生成诊断结果。
在本公开的又一个实施例中,所述获取会话问题的诊断请求包括:获取待诊断的会话数据;根据预设检测规则对所述会话数据是否存在异常进行检测;在检测到所述会话数据存在异常时,生成会话问题的诊断请求。
在本公开实施方式的第二方面中,提供了一种会话问题诊断装置,包括:诊断请求获取模块,用于获取会话问题的诊断请求,所述诊断请求包括会话信息和目标诊断模型标识;模型确定模块,用于根据所述目标诊断模型标识确定目标诊断模型和所述目标诊断模型关联的目标诊断参数;指标数据获取模块,用于根据所述会话信息和所述目标诊断参数获取指标数据;诊断模块,用于利用所述目标诊断模型结合所述指标数据,生成诊断结果。
在本公开实施方式的第三方面中,提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的会话问题诊断方法。
在本公开实施方式的第四方面中,提供了一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行如上任一项所述的会话问题诊断方法。
根据本公开实施方式的会话问题诊断方法、装置、介质和电子设备,根据会话问题的诊断请求,确定合适的目标诊断模型,利用目标诊断模型和相关的指标数据,生成诊断结果。通过不同的目标诊断模型可以对不同的会话问题进行分析诊断,减少人力的投入,显著提高了问题的排查效率,快速对用户音视频会话过程中产生的问题进行定位和解决,为用户带来了更好的音视频会话体验。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
图1示意性地示出了根据本公开实施方式的应用场景的框架示意图;
图2示意性地示出了根据本公开一实施例的会话问题诊断方法的流程图;
图3示意性地示出了根据本公开另一实施例的会话问题诊断方法的流程图;
图4示意性地示出了一个具体应用场景中树形诊断模型的诊断流程图;
图5示意性地示出了根据本公开又一实施例的会话问题诊断方法的流程图;
图6示意性地示出了根据本公开再一实施例的会话问题诊断方法的流程图;
图7示意性地示出了本公开一个具体应用场景下的状态转移矩阵的示意图;
图8示意性地示出了根据本公开实施例提供的存储介质的结构示意图;
图9示意性地示出了根据本公开实施例提供的会话问题诊断装置的结构示意图;
图10示意性地示出了根据本公开实施例提供的电子设备的结构示意图。
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本公开的原理和精神。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公开,而并非以任何方式限制本公开的范围。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,本公开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。
根据本公开的实施方式,提出了一种会话问题诊断方法、装置、介质和电子设备。
在本文中,需要理解的是,所涉及的术语含义如下:
WebRTC:名称源自网页即时通信(Web Real-Time Communication)的缩写。WebRTC是Google公司的一个实时音视频开源框架,开发者可以基于WebRTC实现音视频通话功能。WebRTC包括音视频采集和播放、编解码、前后处理、网络传输,以及抗丢包、抗抖动等QoS模块,是一个相对成熟的客户端实时音视频框架。
实时音视频系统:实时音视频系统包括上行端侧、信令服务、媒体服务、下行端侧、数据中心等多个节点,通过在上行端侧和下行端侧设置WebRTC模块,实现上行端侧与下行端侧的实时音视频会话业务功能。为不断提升音视频通话质量,保障用户体验,实时音视频会话系统的开发者会在系统的各节点,尤其是在上/下行端侧的核心模块—WebRTC中,增加大量的指标上报和事件上报,这些上报在问题排查、算法优化、效果提升过程中会起到关键作用。
此外,附图中的任何元素数量均用于示例而非限制,以及任何命名都仅用于区分,而不具有任何限制含义。
下面参考本公开的若干代表性实施方式,详细阐释本公开的原理和精神。
公开概述
本发明人发现,目前,音视频会话问题主要有三种发现渠道:一是用户直接反馈问题;二是开发、测试在研发测试阶段发现问题;三是大数据挖掘发现问题。发现会话问题后,需要投入大量人力进行分析处理。对于通过第一种发现渠道的问题,一般先由技术支持进行对接排查,排查掉一些常见问题或者用户操作问题,再根据问题复杂度转交技术专家进一步处理。对于另外两种发现渠道的问题,一般直接交由技术专家进行分析处理。
通过人工的方式对会话问题进行诊断分析存在以下缺陷:
一、对于每发生一个问题会话,技术专家需要进行若干次重复的分析,尤其当问题会话量多、会话时长长、问题描述不精确、常见问题占比升高时,这种重复劳动的收益会逐渐下降,造成人力的浪费。
二、不同技术专家对会话问题进行分析时,往往根据个人习惯填写诊断结果,不易形成规范化的数据结构。对可能存在需要二次利用分析结果的自动化场景不够友好。
三、通过人工方式分析会话问题特别依赖专家经验,技术专家的流失就意味着部门、公司解决问题能力的下降,无法形成解决会话问题的长效机制。
四、对于每种会话问题的发现渠道,都需要在会话结束后才对会话问题进行定位和诊断,无法在会话问题发生时进行定位和实时分析,用户体验感较差。
基于此,本公开实施方式提供一种会话问题诊断方法、装置、介质和电子设备,通过不同的目标诊断模型可以对不同的会话问题进行分析诊断,减少人力的投入,显著提高了问题的排查效率,快速对用户音视频会话过程中产生的问题进行定位和解决,为用户带来了更好的音视频会话体验。
在介绍了本公开的基本原理之后,下面具体介绍本公开的各种非限制性实施方式。
应用场景总览
图1示意性地示出了本发明的实施方式的一个示例性应用场景的框架示意图。
参考图1,本公开的实施方式应用于实时音视频会话系统100。实时音视频会话系统100包括上行端侧110、下行端侧120、服务集群130和数据集群140。服务集群130包括信令服务器131和媒体服务器132。数据集群140包括数据中心141、数据平台142、数据服务器143、异常感知服务器144和自动诊断服务器145。
上行端侧110和下行端侧120集成有WebRTC模块,信令服务器131进行通信协调,管理会话和连接;媒体服务器132接收、存储和共享媒体,上行端侧110、下行端侧120、信令服务器131进和媒体服务器132互相协作完成实时音视频会话系统的主体业务功能。数据中心141用于对音视频通话系统主体业务产生的各项指标、事件等数据进行持久化存储;数据平台142用于提供大数据查询展示;数据服务器143用于为其他服务提供数据查询的规范化接口,异常感知服务器用于从音视频业务大数据中挖掘出可能存在的异常,自动诊断服务器用于对会话问题进行实时诊断。
实时音视频会话系统100的各个模块的介绍如下:
上行端侧110、下行端侧120登录音视频会话系统的信令服务器131,信令服务器131验证客户端后,为其分派会话房间号和会话用户号,该用户将会议房间号通过其他途径分享给其他会话参与者,其他参与者登录服务,并使用会话房间号登入房间。
用户端侧与媒体服务器132利用WebRTC的SDP信息,互相建立音视频媒体链接。
用户端侧、媒体服务、信令服务在会话期间保持与数据中心141的时间同步,并将产生的各项事件和指标,通过上报流程将它们发送到数据中心141进行持久化存储。
数据平台142从数据中心141请求需要的会话、用户的事件和指标等数据,进行可视化展示,提供给后台运营、开发等人员使用。
数据服务器143可以提供Http Restful接口,向其他服务提供从数据中心141拉取所需数据的服务。
异常感知服务器144利用从数据服务器143获取事件或指标等数据,从对音视频会话的指标、事件进行大数据统计,根据一定的规则发掘异常的音视频会话和用户。例如,异常感知服务器144可通过计算大量会话房间中的音视频卡顿率,在会话房间的卡顿率高于平均卡顿率时,确定该会话房间为异常会话房间。还可以是,在异常会话房间中,获取会话房间内各用户的音视频卡顿率,在某些用户的音视频卡顿率高于其他用户时,则确定该用户为异常用户。
自动诊断服务器145根据异常感知服务器144判定为异常的会话房间号、用户会话号,生成包含会话信息和目标诊断模型标识的诊断请求。根据诊断请求中的目标诊断模型标识确定目标诊断模型和目标诊断模型关联的目标诊断参数。根据会话信息和目标诊断参数从数据中心中获取相应的指标数据。利用目标诊断模型结合指标数据,生成诊断结果,实现对会话中的某些特定问题的动化的分析。
可以理解的是,图1所示的实时音视频会话系统仅是本公开的实施方式可以在其中得以实现的一个应用场景的示例。本公开实施方式的适用范围不受到上述框架任何方面的限制。例如,本公开的实施方法同样可以应用于单独的诊断系统中,诊断系统可以通过数据接口接收会话数据,对会话数据进行离线诊断等。
示例性方法
下面结合图1的应用场景,参考图2来描述根据本公开示例性实施方式的会话问题诊断方法。需要注意的是,上述应用场景仅是为了便于理解本公开的精神和原理而示出,本公开的实施方式在此方面不受任何限制。相反,本公开的实施方式可以应用于适用的任何场景。
首先,通过具体实施例介绍会话问题诊断方法。
图2为本公开一个实施例提供的一种会话问题诊断方法的流程示意图。请参考图2,本实施例提供的会话问题诊断方法,可以包括:
步骤S210,获取会话问题的诊断请求,所述诊断请求包括会话信息和目标诊断模型标识;
步骤S220,根据所述目标诊断模型标识确定目标诊断模型和所述目标诊断模型关联的目标诊断参数;
步骤S230,根据所述会话信息和所述目标诊断参数获取指标数据;
步骤S240,利用所述目标诊断模型结合所述指标数据,生成诊断结果。
本公开实施方式的会话问题诊断方法,根据会话问题的诊断请求,确定合适的目标诊断模型,利用目标诊断模型和相关的指标数据,生成诊断结果。通过不同的目标诊断模型可以对不同的会话问题进行分析诊断,减少人力的投入,显著提高了问题的排查效率,快速对用户音视频会话过程中产生的问题进行定位和解决,为用户带来了更好的音视频会话体验。
在本公开的一个示例中,会话问题的诊断请求可以通过人工触发,例如会话用户在会话过程中进行问题上报,触发会话问题诊断请求。或者是通过技术人员在数据监测过程中进行问题上报,触发会话问题诊断请求。
在本公开的另一个示例中,会话问题的诊断请求可以通过异常感知系统等进行自动触发。具体地,步骤S210获取会话问题的诊断请求,具体可以包括:
步骤S211,获取待诊断的会话数据。具体地,可以定时获取预设时间周期的会话数据,作为待诊断的会话数据。会话数据可以包括音频数据、视频数据、连通性数据等与目标诊断模型相关的各种指标数据,例如各会话房间的卡顿率、丢包数据等。
步骤S212,根据预设检测规则对所述会话数据是否存在异常进行检测。具体地,可以对会话音频卡顿和/或会话视频是否存在卡顿进行检测;对会话音频和/或会话视频的是否存在无声、无画面进行检测;对音视频会话各用户是否正常连通进行检测等。例如,根据预设检测规则对所述会话数据是否存在异常进行检测可以是:判断会话数据中的会话房间、会话用户的卡顿率是否高于预设阈值,在高于预设阈值时,确定存在会话异常。也可以是:判断视频、音频是否有画面或声音,在视频无画面或者是音频无声音时确定存在会话异常等。
步骤S213,在检测到所述会话数据存在异常时,生成会话问题的诊断请求。其中,所述诊断请求包括会话信息和目标诊断模型标识。具体地,会话信息可以是由数据平台保存的相关会话数据,例如可以包括会话房间信息、会话用户信息、音频信息、视频信息等数据。
在一个示例中,在检测到所述会话数据存在异常时,根据会话问题的异常类型,确定目标诊断模型标识。目标诊断模型标识例如可以是标号1、2、3等。不同的目标诊断模型标识用于触发不同的目标诊断模型。例如,会话问题的异常类型为会话音频卡顿和/或会话视频卡顿时,诊断请求的目标诊断模型标识为标号1。会话问题的异常类型为会话音频无声和/或会话视频无画面时,诊断请求的目标诊断模型标识为标号2。会话问题的异常类型为用户连通性问题时,诊断请求的目标诊断模型标识为标号3。
在一个示例中,所述目标诊断模型是利用数学计算模型对历史会话诊断数据进行数学建模得到的。具体地,历史会话诊断数据例如可以是由专家对各种音视频会话问题进行排查分析的相关数据。利用计算机领域的数学计算模型,将技术专家的问题诊断方法转换为相关的模型。对于不同的音视频会话问题,因其诊断方法不同,可以通过不同数学计算模型生成相应的目标诊断模型。获得模型后,在后续的会话问题诊断过程中,可以直接将数据输入到目标诊断模型中,通过目标诊断模型自动进行推演,得到诊断结果。
可以理解的是,数学计算模型例如可以是图模型(例如树模型等)、状态机等。具体可以根据历史会话数据诊断数据中的诊断步骤,选择合适的数学计算模型。
在一个示例中,所述目标诊断模型包括下述的一种或多种:
树形诊断模型,用于对会话音频卡顿和/或会话视频卡顿问题进行分析诊断;
异常时段诊断模型,用于对会话音频无声和/或会话视频无画面问题进行分析诊断;和
多事件诊断模型,用于对会话连通性问题进行分析诊断。
通过不同的目标诊断模型对会话的卡顿问题、音频无声、视频无画面以及会话连通性等问题进行分析诊断,能够解决音视频会话中产生的绝大部分问题。上述三种目标诊断模型的构建和具体诊断过程将在下文中进行详述。
在步骤S220中,根据所述目标诊断模型标识确定目标诊断模型和所述目标诊断模型关联的目标诊断参数。具体地,根据预先构建的目标诊断模型标识与目标诊断模型之间的映射关系,确定对应的目标诊断模型;根据目标诊断模型,确定相关联的目标诊断参数。例如,目标诊断模型标识为标号1时,确定目标诊断模型为树形诊断模型;目标诊断模型标识为标号2时,目确定标诊断模型为异常时段诊断模型;目标诊断模型标识为标号3时,确定目标诊断模型为多事件诊断模型。
在一个示例中,目标诊断参数可以包括会话房间号、会话用户号(包括上行用户号、下行用户号)、会话时间段等参数。需要说明的是,目标诊断模型不同,对应进行诊断的会话问题不同,诊断时的算法不同,因此,各目标诊断模型有各自的目标诊断参数。
得到目标诊断模型标识和目标诊断参数后,进入步骤S230:根据所述会话信息和所述目标诊断参数获取指标数据。具体地,根据目标诊断参数从会话信息中获取各目标诊断模型所需要的指标数据。例如,可以通过数据拉取的方式从数据平台存储的会话信息中筛选得到与目标诊断参数有关的指标数据。
在一个示例中,可以对获取到的指标数据进行数据清洗,例如进行删除重复值、补充缺失值、对数据进行归一化处理等。数据清洗的具体方式可以参见现有技术中的数据预处理方式。
通过数据清洗得到规范化的指标数据后,进入步骤S240,利用所述目标诊断模型结合所述指标数据,生成诊断结果。
对于会话音频卡顿和/或会话视频卡顿问题,该类问题通常出现在下行用户侧,例如下行用户听到某些上行用户的声音,发现音频存在断断续续。若卡顿问题由下行原因导致,则对应查找下行相关数据即可。若卡顿问题由某个上行(如:上行网络存在严重丢包)导致下行听感或画面卡顿,则需要先找到该上行才能进行精确诊断。但,实时音视频会话系统为了精确反映下行端侧运行状况,下行众多指标往往会区分对接的上行用户。这导致在对音频、视频卡顿问题进行分析诊断时,需要对众多数据进行一一排查分析,工作量巨大。本公开通过树形模型对音视频会话卡顿问题的分析过程进行抽象建模,建模后的树形诊断模型能够用于音视频卡顿问题的自动分析,以减少工作量,提高问题诊断效率。
在一个示例中,获取所述树形诊断模型,具体可以包括:根据历史会话诊断数据中会话问题诊断步骤的前后逻辑构建树形诊断图,所述树形诊断图包括根节点、中间节点、叶子节点以及每个节点的演算指标和演算算法,其中,所述根节点表征首个诊断步骤,所述叶子节点表征末个诊断步骤,在每个节点上根据所述演算指标和所述演算算法进行数据演算。
具体地,演算指标例如可以是音频卡顿值、上行丢包率、下行丢包率、发送rrt(Round-Trip Tim,往返时间)短时极差、上行rtx发送码率(音频文件在单位时间内使用的数据流量)等。可以理解的是,演算指标可以根据与产生音视频会话卡顿问题有关的指标进行确定,本公开不进行具体限定。
基于演算指标从音视频会话中获得相关的时间序列数据,然后根据演算算法对时间序列数据进行计算,得到演算结果。演算算法包括但不局限于时序和、差、积、商演算、时序n阶差分演算、时序阈值演算、时序漂移演算等等,下述对几种演算算法进行举例说明。
时序和、差、积、商演算:两个时序序列相同时刻的值作和、差、积、商。
时序n阶差分演算:一个时序序列第k+1时刻值减去第k时刻值得到一阶差分序列;对一阶差分序列,第k’+1时刻值减去第k’时刻值得到二阶差分序列,依次类推,得到第n阶差分序列。
时序时间飘移演算:一个时序序列的第k+m…k+1、k、k-2…k-n时刻的值与第k时刻值,按一定方法融合(或、与、最大值、最小值等)的结果赋给新序列的第k时刻。
时序短时均值演算:一个时序序列的第k、k+1、k-2…k-n时刻值取平均赋给新序列的第k时刻。
时序短时平均抖动演算:一个时序序列的一阶差分的第k、k+1、k-2…k-n时刻值取平均赋给新序列的第k时刻。
时序短时极差演算:一个时序序列的一阶差分的绝对值序列的按最大值进行时间漂移的结果。
时序阈值演算:一个时间序列,其中值大于给定阈值的记为true,反之为false,得到值均为true/false的新时间序列。
时序范围演算:一个时间序列,其中值落在给定范围的记为true,反之为false,得到值均为true/false的新时间序列。
时序尖(谷)峰检测演算:一个时间序列,对其中第k+m…k+1、k、k-2…k-n时刻的值,利用尖峰检测算法(如:3-delta、线箱图)计算第k时刻值是否为尖(谷)峰,得到值均为true/false的新时间序列。
时序相似性演算:两个时间序列,计算两段值序列的相似性(如:相关系数、欧式距离),相似性大于给定阈值的认为是相似的,得到一个是否相似的判断。
在一个示例中,请参阅图3,步骤S240中,所述目标诊断模型为树形诊断模型时,所述利用所述目标诊断模型结合所述指标数据,生成诊断结果,具体可以包括:
步骤310,根据所述指标数据对所述树形诊断模型中的节点进行演算,直至遍历所述树形诊断模型中所述根节点到所述叶子节点的路径,生成所述路径的诊断结论。
步骤S320,根据每个所述路径的诊断结论,生成诊断结果。
在一个示例中,步骤S320中,所述根据所述指标数据对所述树形诊断图中的节点进行演算,具体可以包括:
步骤S321,获取所述节点对应的父节点的演算结果。即得到上一节点的演算结果,演算结果例如可以是值为true/false的时序序列。
步骤S322,根据所述节点的演算指标从所述指标数据中获取节点数据。具体地,节点数据可以是演算指标对应的时序序列数据。
步骤S323,结合所述演算结果和所述节点数据,生成所述节点的演算数据。
步骤S324,根据所述节点的演算算法,对所述演算数据进行演算,得到所述节点的演算结果。
步骤S325,在所述节点为叶子节点时,根据所述演算结果得到诊断结论。
步骤S326,在所述节点为中间节点时,将所述演算结果发送给所述节点对应的子节点。子节点按照步骤S321-S326,继续进行演算。
基于树形诊断模型的各个节点,根据节点相应的演算指标和演算算法依次进行运算,直至遍历根节点到叶子节点的每一条路径。根据各路径的演算结果即可确定诊断结果。
图4示意性地示出了一个具体应用场景中树形诊断模型的诊断流程图。如图4所示,树形诊断模型的根节点为音频卡顿,中间节点包括下行丢率、上行丢包率等,叶子节点包括上行发送rrt短时极差、下行收包数、服务下行发送丢包率等。例如,在叶子节点下行收包间隔>8时,得到诊断结果:下行收包间隔大。
需要说明的是,图4仅仅是对树形诊断模型的诊断流程的简要示意图,树形诊断模型每个节点的演算指标、演算算法并未全部示出。
在另一个具体的应用场景中,进行某些节点的演算时,例如可以按照如下步骤进行:
(1)对音频卡顿时序序列进行时序阈值演算处理,以0ms为阈值,得到值为true/false的卡顿时序序列。
(2)从下行丢包时序序列中筛选出与卡顿时序序列为true的时刻相同的时刻,即下行丢包时序序列的一个子序列。以0ms为阈值,对这个子序列进行时序阈值演算处理,得到值为true/false的下行丢包时序序列。
(3)由于下行丢包是反映的全链路丢包,因此从上行丢包时序序列中筛选出与下行丢包时序序列为true的时刻相同的时刻,即上行丢包时序序列的一个子序列。以0ms为阈值,对这个子序列进行时序阈值演算处理,得到上行丢包时序序列。若上行丢包时序序列的值为ture,则认为音频卡顿与上行丢包与关联。反之,则认为无关联,继续进入下一节点进行演算。
对于对会话音频无声和/或会话视频无画面问题,该类问题的诊断结果,占比较高的原因主要有上行未开启音视频或者上行停止音视频流。下行用户是无法准确预知上行操作的,遇到音视频无声或者无画面的情况很难想到可能是上行的操作所导致的。因此,经常收到用户关于此类问题的反馈。本公开通过异常时段诊断模型能够快速、准确、自动地定位此类问题发生的原因,快速响应客户疑问,同时缩减投入的专家人力。具体地,异常时段诊断模型包括关联事件组和时段提取规则。
请参阅图5,在一个示例中,在目标诊断模型为异常时段诊断模型时,利用所述目标诊断模型结合所述指标数据,生成诊断结果,具体可以包括:
步骤510,获取历史会话诊断数据中由于上行操作产生的会话异常状态,所述会话异常状态包括会话音频无声和/或会话视频无画面。
步骤S520,确定关联事件组,所述关联事件组包括上行操作触发所述会话异常状态发生的第一事件,以及触发所述会话异常状态结束的第二事件。
具体地,根据历史会话诊断数据中的专家经验,明确逻辑相关的关联事件组,例如下行用户对接的上行用户触发了关闭本地音频流事件,那么直到下一次该上行用户触发开启本地音频流事件前,该上行用户是处于不发音频流状态的,那么此阶段下行必然存在音频无声的会话异常状态。此时,关闭本地音频流和开启本地音频流为一对逻辑相关的关联事件组。
如下表1所示,示意性示出了本公开一个具体应用场景中的关联事件组。
表1
步骤530,确定时段提取规则,所述时段提取规则包括提取所述第一事件和所述第二事件的触发时间。
具体地,在一个示例中,时段提取规则为:以会话的起始时间为start_time,会话结束时间为end_time;对start_time到end_time之间时间段,提取触发第一事件和第二事件发生的触发时刻,并将触发时刻按由远及近顺序组成的时间序列。
步骤540,根据所述时段提取规则对所述指标数据中的时序数据进行提取,生成时间序列。具体地,异常时段诊断模型对应的指标数据为上行用户与关联事件组相对应的动作时序数据。
例如,在一个具体应用场景中,关联事件组为上行静音开、上行静音关。指标数据如表2所示,提取得到上行静音开的时序数据A:1,5,9;上行静音关的时序数据B:2,7,10。
表2
步骤550,根据所述时间序列确定所述会话异常状态的发生时间段。具体地,根据时间序列,得到第一事件和第二事件之间的持续时间段,该持续时间段即为会话异常状态的发生时间段。例如,在表2所示的具体应用场景中,第一事件和第二事件之间的持续时间段包括:1~2、5~7、9~10。在这些时间段内,上行静音处开启状态,导致音频无声音。
步骤560,根据所述会话异常状态的发生时间段,生成诊断结果。具体地,根据获得的发生时间段,与会话问题(音频无声、视频无画面)的产生时间点进行匹配,根据匹配结果就可以明确引起会话问题的原因。
对于音视频会话中的连通性问题,一个用户可能存在大量的登录、登出、重新登录操作,人工进行梳理以对用户连通性问题进行分析诊断的过程工程量巨大。本公开通过多事件诊断模型,能够输出用户的登录异常状态,无需依靠人工逐个事件去梳理,有效提高了连通性问题的诊断效率。
在一个示例中,获取多事件诊断模型,具体可以包括:根据历史会话诊断数据中的用户连通事件构建有限状态机;所述有限状态机包括状态集、转化事件集和状态转移矩阵。
有限状态机是专门用于描述多种状态转换问题的数学计算模型。通过状态集、转化事件集和状态转移矩阵描述用户连通性事件。具体地,用户连通性事件包括用户登入音视频会话事件、退出音视频会话事件、重复登录音视频会话事件、异常退出音视频会话事件等。根据历史会话诊断数据中出现的各种用户连通性事件,构建得到有限状态机,作为多事件诊断模型,以实现对用户连通性问题的自动诊断分析。
具体地,状态集根据用户的连通状态构建,状态集可以包括起始状态、终止状态和多个中间状态。起始状态为有限状态机的初始状态,例如用户未加入音视频会话的状态。中间状态可以是用户连通正常发生的状态,例如可以包括处于会话状态等。终止状态可以是用户连通异常发生的状态,例如重复加入状态、异常退出状态等。
具体地,转换事件集根据触发用户连通状态发生变化的事件构建。转换事件集可以包括多个事件,每个事件对应从一个状态到另一个状态的动作。每个事件均可以包括事件标识、事件名称、事件参数和事件文本。事件标识例如可以为事件编号,用于对不同事件进行区分。事件名称例如可以为具体的动作。事件参数例如可以是事件响应码等。事件文本用于在事件发生时进行文字输出,以记录相应的事件,方便对用户连通性问题进行诊断。
具体地,状态转移矩阵根据各个状态间的转移路径构建,所述转移路径上标识有触发状态转移的事件。若是转移路径上没有标识则表示不需要事件就直接触发状态转移。
在一个示例中,请参阅图6,在步骤S240中,所述目标诊断模型为多事件诊断模型时,利用所述目标诊断模型结合所述指标数据,生成诊断结果,可以包括:
步骤S610,将所述指标数据输入所述有限状态机,生成状态转移数据。具体地,获取得到有限状态机后,将相关的指标数据,例如用户的的登录动作的事件序列数据,输入到有限状态机。有限状态机能够自动进行推演,对用户的状态转移过程进行输出,例如可以输出有几次进行了终止状态(异常退出状态、重复加入状态等),以及输出每次进入终止状态的触发事件或对应的事件文本等。
步骤S620,根据所述状态转移数据生成诊断结果。具体地,根据有限状态机的输出结果,即用户是否发生了异常退出、重复加入等事件,实现对用户连通性问题的诊断。
下述以加入房间异常为实际的应用场景中进行具体说明。图7示意性地示出该应用场景下的状态转移矩阵的示意图。该应用场景中,状态集有四个元素:s状态表示初始状态,a表示已经在会状态,b表示异常退出状态,c表示重复加入状态。其中,s为起始状态,a为中间状态,b、c为终止状态。
转换事件集包括5个事件,每个转换事件描述方式为:事件序号:事件名:{事件参数}:'输出文本',具体如下:
1:JoinChannel:{code:0}:
2:LeaveChannel:
3:JoinChannel:{code:!0}:'加入房间失败'
4:JoinChannel:{code:0}:'重复加入异常'
5:JoinChannel:{code:!0}:'重复加入失败'
上述5个事件中,序号1和序号2的事件的输出文本为空,即在触发生这两个转换事件时,不输出文本。
如图7所示,虚线箭头表示各个状态间的转移路径以及触发事件。例如:
系统处在s状态时,发生了1:JoinChannel:{code:0}:事件,则系统会转移到a状态。
系统处在a状态时,发生了2:LeaveChannel:事件,则系统会转移到s状态。
系统处在a状态时发生了4:JoinChannel:{code:0}事件,则系统会转移到c状态,输出“重复加入异常”,随后系统直接从c状态转移回a状态。
系统处在a状态时,发生了5:JoinChannel:{code:!0}事件,则系统会转移到b状态,输出“重复加入失败”,随后系统直接从b状态转移回s状态。
系统处在s状态时,发生了3:JoinChannel:{code:!0}事件,则系统会转移到b状态,输出“加入房间失败”,随后系统直接从b状态回到s状态。
在获取到会话诊断请求时,将用户登录动作的事件序列数据,输入到有限状态机中,自动推演即可得到用户重复加入异常、重复加入失败、加入房间失败的次数和事件,从而对用户连通性问题进行诊断。
示例性介质
在介绍了本公开示例性实施方式的方法之后,接下来,参考图8参考图8所示,在一些可能的实施方式中,本公开的各个方面还可以实现为一种存储介质80,其上存储有程序代码,当程序代码被设备的处理器执行时用于实现本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的社交网络用户实时推荐方法中的步骤。
具体地,所述设备的处理器执行所述程序代码时用于实现如下步骤:步骤S210,获取会话问题的诊断请求,所述诊断请求包括会话信息和目标诊断模型标识;步骤S220,根据所述目标诊断模型标识确定目标诊断模型和所述目标诊断模型关联的目标诊断参数;步骤S230,根据所述会话信息和所述目标诊断参数获取指标数据;步骤S240,利用所述目标诊断模型结合所述指标数据,生成诊断结果。
需要说明的是:上述的介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于:电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线、光缆、RF等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
示例性装置
在介绍了本公开示例性实施方式的介质之后,接下来,参考图9对本公开示例性实施方式的会话问题诊断装置进行说明,用于实现上述任一实施方式中的方法,其实现原理和技术效果类似,在此不再赘述。
参考图9,图9为本公开一实施方式提供的会话问题诊断装置的结构示意图。如图9所示,会话问题诊断装置包括:
诊断请求获取模块910,用于获取会话问题的诊断请求,所述诊断请求包括会话信息和目标诊断模型标识;
模型确定模块920,用于根据所述目标诊断模型标识确定目标诊断模型和所述目标诊断模型关联的目标诊断参数;
指标数据获取模块930,用于根据所述会话信息和所述目标诊断参数获取指标数据;
诊断模块940,用于利用所述目标诊断模型结合所述指标数据,生成诊断结果。
其中,根据会话问题的诊断请求,确定合适的目标诊断模型,利用目标诊断模型和相关的指标数据,生成诊断结果。通过不同的目标诊断模型可以对不同的会话问题进行分析诊断,减少人力的投入,显著提高了问题的排查效率,快速对用户音视频会话过程中产生的问题进行定位和解决,为用户带来了更好的音视频会话体验。
在一个示例中,诊断请求获取模块910具体用于:获取待诊断的会话数据;根据预设检测规则对所述会话数据是否存在异常进行检测;在检测到所述会话数据存在异常时,生成会话问题的诊断请求。
在一个示例中,所述目标诊断模型包括下述的一种或多种:树形诊断模型,用于对会话音频卡顿和/或会话视频卡顿问题进行分析诊断;异常时段诊断模型,用于对会话音频无声和/或会话视频无画面问题进行分析诊断;和多事件诊断模型,用于对会话连通性问题进行分析诊断。
在一个示例中,所述装置还包括获取树形诊断模型模块,获取树形诊断模型模块具体用于:根据历史会话诊断数据中会话问题诊断步骤的前后逻辑构建树形诊断图,所述树形诊断图包括根节点、中间节点、叶子节点以及每个节点的演算指标和演算算法,其中,所述根节点表征首个诊断步骤,所述叶子节点表征末个诊断步骤,在每个节点上根据所述演算指标和所述演算算法进行数据演算。
在所述目标诊断模型为树形诊断模型时,诊断模块940具体用于:根据所述指标数据对所述树形诊断模型中的节点进行演算,直至遍历所述树形诊断模型中所述根节点到所述叶子节点的路径,生成所述路径的诊断结论;根据每个所述路径的诊断结论,生成诊断结果。
在一个示例中,在所述目标诊断模型为异常时段诊断模型时,诊断模块940具体用于:获取历史会话诊断数据中由于上行操作产生的会话异常状态,所述会话异常状态包括会话音频无声和/或会话视频无画面;确定关联事件组,所述关联事件组包括上行操作触发所述会话异常状态发生的第一事件,以及触发所述会话异常状态结束的第二事件;确定时段提取规则,所述时段提取规则包括提取所述第一事件和所述第二事件的触发时间;根据所述时段提取规则对所述指标数据中的时序数据进行提取,生成时间序列;根据所述时间序列确定所述会话异常状态的发生时间段;根据所述会话异常状态的发生时间段,生成诊断结果。
在一个示例中,所述装置还包括获取多事件诊断模型模块,所述获取多事件诊断模型模块具体可以包括:根据历史会话诊断数据中的用户连通事件构建有限状态机;所述有限状态机包括状态集、转化事件集和状态转移矩阵。其中,所述状态集根据用户的连通状态构建,所述状态集包括起始状态、终止状态和多个中间状态;转换事件集根据触发用户连通状态发生变化的事件构建,所述转换事件集的转换事件包括事件标识、事件名称、事件参数和事件文本;所述状态转移矩阵根据各个状态间的转移路径构建,所述转移路径上标识有触发状态转移的事件。
在一个示例中,在所述目标诊断模型为多事件诊断模型时,诊断模块940具体用于:将所述指标数据输入所述有限状态机,生成状态转移数据;根据所述状态转移数据生成诊断结果。
示例性电子设备
在介绍了本公开示例性实施方式的方法、介质和装置之后,接下来,参考图10对本公开示例性实施方式的电子设备进行说明。
图10显示的电子设备1000仅仅是一个示例,不应对本公开实施方式的功能和使用范围带来任何限制。
如图10所示,电子设备1000以通用计算设备的形式表现。电子设备的组件可以包括但不限于:上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1010执行,使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
存储单元1020可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)1021和/或高速缓存存储单元1022,还可以进一步包括只读存储单元(ROM)1023。
存储单元1020还可以包括具有一组(至少一个)程序模块1025的程序/实用工具1024,这样的程序模块1025包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1070(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1000交互的设备通信,和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且,电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图10所示,网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1000使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
应当注意,尽管在上文详细描述中提及了会话问题诊断装置的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
此外,尽管在附图中以特定顺序描述了本公开方法的操作,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。
虽然已经参考若干具体实施方式描述了本公开的精神和原理,但是应该理解,本公开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。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (10)
1.一种会话问题诊断方法,其特征在于,包括:
获取会话问题的诊断请求,所述诊断请求包括会话信息和目标诊断模型标识;
根据所述目标诊断模型标识确定目标诊断模型和所述目标诊断模型关联的目标诊断参数;
根据所述会话信息和所述目标诊断参数获取指标数据;
利用所述目标诊断模型结合所述指标数据,生成诊断结果。
2.根据权利要求1所述的会话问题诊断方法,其特征在于,所述目标诊断模型是利用数学计算模型对历史会话诊断数据进行数学建模得到的。
3.根据权利要求2所述的会话问题诊断方法,其特征在于,所述目标诊断模型包括下述的一种或多种:
树形诊断模型,用于对会话音频卡顿和/或会话视频卡顿问题进行分析诊断;
异常时段诊断模型,用于对会话音频无声和/或会话视频无画面问题进行分析诊断;和
多事件诊断模型,用于对会话连通性问题进行分析诊断。
4.根据权利要求3所述的会话问题诊断方法,其特征在于,所述方法还包括获取所述树形诊断模型;其中,所述获取所述树形诊断模型包括:
根据历史会话诊断数据中会话问题诊断步骤的前后逻辑构建树形诊断图,所述树形诊断图包括根节点、中间节点、叶子节点以及每个节点的演算指标和演算算法,其中,所述根节点表征首个诊断步骤,所述叶子节点表征末个诊断步骤,在每个节点上根据所述演算指标和所述演算算法进行数据演算。
5.根据权利要求4所述的会话问题诊断方法,其特征在于,所述目标诊断模型为树形诊断模型时,所述利用所述目标诊断模型结合所述指标数据,生成诊断结果包括:
根据所述指标数据对所述树形诊断模型中的节点进行演算,直至遍历所述树形诊断模型中所述根节点到所述叶子节点的路径,生成所述路径的诊断结论;
根据每个所述路径的诊断结论,生成诊断结果。
6.根据权利要求3所述的会话问题诊断方法,其特征在于,所述对会话音频无声和/或会话视频无画面问题进行分析诊断包括:
获取历史会话诊断数据中由于上行操作产生的会话异常状态,所述会话异常状态包括会话音频无声和/或会话视频无画面;
确定关联事件组,所述关联事件组包括上行操作触发所述会话异常状态发生的第一事件,以及触发所述会话异常状态结束的第二事件;
确定时段提取规则,所述时段提取规则包括提取所述第一事件和所述第二事件的触发时间;
根据所述时段提取规则对所述指标数据中的时序数据进行提取,生成时间序列;
根据所述时间序列确定所述会话异常状态的发生时间段;
根据所述会话异常状态的发生时间段,生成诊断结果。
7.根据权利要求3所述的会话问题诊断方法,其特征在于,所述方法还包括获取多事件诊断模型;其中,所述获取多事件诊断模型包括:
根据历史会话诊断数据中的用户连通事件构建有限状态机;所述有限状态机包括状态集、转化事件集和状态转移矩阵;其中,
所述状态集根据用户的连通状态构建,所述状态集包括起始状态、终止状态和多个中间状态;
转换事件集根据触发用户连通状态发生变化的事件构建,所述转换事件集的转换事件包括事件标识、事件名称、事件参数和事件文本;
所述状态转移矩阵根据各个状态间的转移路径构建,所述转移路径上标识有触发状态转移的事件。
8.一种会话问题诊断装置,其特征在于,包括:
诊断请求获取模块,用于获取会话问题的诊断请求,所述诊断请求包括会话信息和目标诊断模型标识;
模型确定模块,用于根据所述目标诊断模型标识确定目标诊断模型和所述目标诊断模型关联的目标诊断参数;
指标数据获取模块,用于根据所述会话信息和所述目标诊断参数获取指标数据;
诊断模块,用于利用所述目标诊断模型结合所述指标数据,生成诊断结果。
9.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现:权利要求1~7中任一项所述的会话问题诊断方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行:权利要求1~7中任一项所述的会话问题诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211717154.3A CN116016468A (zh) | 2022-12-29 | 2022-12-29 | 会话问题诊断方法、装置、介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211717154.3A CN116016468A (zh) | 2022-12-29 | 2022-12-29 | 会话问题诊断方法、装置、介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116016468A true CN116016468A (zh) | 2023-04-25 |
Family
ID=86026383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211717154.3A Pending CN116016468A (zh) | 2022-12-29 | 2022-12-29 | 会话问题诊断方法、装置、介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116016468A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033052A (zh) * | 2023-08-14 | 2023-11-10 | 贵州慧码科技有限公司 | 基于模型识别的对象异常诊断方法及系统 |
-
2022
- 2022-12-29 CN CN202211717154.3A patent/CN116016468A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033052A (zh) * | 2023-08-14 | 2023-11-10 | 贵州慧码科技有限公司 | 基于模型识别的对象异常诊断方法及系统 |
CN117033052B (zh) * | 2023-08-14 | 2024-05-24 | 企口袋(重庆)数字科技有限公司 | 基于模型识别的对象异常诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10997222B2 (en) | Conversational agent dialog flow user interface | |
US9992448B2 (en) | Recording web conferences | |
US9185222B1 (en) | Identifying escalation events in communication sessions | |
US20170208487A1 (en) | Multi kpi correlation in wireless protocols | |
US8086897B2 (en) | Model driven diagnostics system and methods thereof | |
CN110943874B (zh) | 一种家庭宽带网络的故障检测方法、装置和可读介质 | |
KR102325258B1 (ko) | 원격통신 네트워크의 네트워크 성능에 관한 자율적 또는 ai-보조적 유효성 검증 또는 결정 수행을 행하고 그리고/또는 원격통신 네트워크 내에서 자율적 또는 ai-보조적 장애해결 또는 성능 증진을 행하기 위한 방법, 원격통신 네트워크, 시스템, 머신 지능 엔티티, 시각화 인터페이스, 컴퓨터 프로그램 그리고 컴퓨터-판독가능 매체 | |
CN107704387B (zh) | 用于系统预警的方法、装置、电子设备及计算机可读介质 | |
CN110620699B (zh) | 消息到达率确定方法、装置、设备和计算机可读存储介质 | |
CN116016468A (zh) | 会话问题诊断方法、装置、介质和电子设备 | |
US8010364B2 (en) | System and method for applying probability distribution models to dialog systems in the troubleshooting domain | |
CN114189716B (zh) | 一种视频直播平台监控系统、方法、设备及存储介质 | |
WO2021047184A1 (zh) | 系统故障分析处理方法、装置、存储介质及电子设备 | |
US20210065204A1 (en) | Analyzing method, analyzing device, and computer-readable recording medium | |
WO2016197690A1 (zh) | Iptv业务检测方法及装置 | |
CN109587520B (zh) | 一种定位视频业务故障的方法和设备 | |
CN111817865A (zh) | 一种监控网管设备的方法及监控系统 | |
US11455202B2 (en) | Real-time fault localization detection and notification | |
CA3185578A1 (en) | Endoscope insertion and removal detection system | |
CN111787308A (zh) | 一种基于gb28181标准协议视频监控终端的海量并发仿真方法 | |
CN113676373B (zh) | 会话测试方法、装置、计算机设备和存储介质 | |
CN112104470A (zh) | 一种网络设备故障定位方法及数字家庭业务分析平台 | |
CN116795727B (zh) | 一种测试过程的复现方法及装置、电子设备及存储介质 | |
CN113542103B (zh) | 社交通信群组中账号的邀请监测方法、装置及移动终端 | |
CN118041804B (zh) | 通信设备联网数据检测方法、装置、电子设备与可读介质 |
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 |