CN117692948A - 一种质差ip识别方法及装置 - Google Patents
一种质差ip识别方法及装置 Download PDFInfo
- Publication number
- CN117692948A CN117692948A CN202311502577.8A CN202311502577A CN117692948A CN 117692948 A CN117692948 A CN 117692948A CN 202311502577 A CN202311502577 A CN 202311502577A CN 117692948 A CN117692948 A CN 117692948A
- Authority
- CN
- China
- Prior art keywords
- xdr
- label
- data
- perception
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000008447 perception Effects 0.000 claims description 78
- 208000025779 tropical pancreatitis Diseases 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/18—Processing of user or subscriber data, e.g. subscribed services, user preferences or user profiles; Transfer of user or subscriber data
- H04W8/186—Processing of subscriber group data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Telephonic Communication Services (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种质差IP识别方法及装置，属于移动通信技术领域。本发明利用拨测的感知数据关联拨测的DPI XDR话单数据训练构建有监督的感知标签模型，首先输入XDR中的TCP和HTTP关键字段，通过模型推理输出该条XDR的感知标签，然后基于打标签后的XDR统计IP维度的感知异常标签数量及占比识别是否为感知异常IP，最后判断感知异常频次高的IP识别为质差IP，本发明使得质差IP更贴近用户实际感知，可显著提高业务质量监控工作效率。
Description
技术领域
本发明涉及移动通信技术领域，尤其涉及一种质差IP识别方法及装置。
背景技术
随着4G、5G网络的高速发展，移动互联网业务如雨后春笋，迅猛发展，手机上网业务将成为人们沟通与娱乐的主要承载形式，手机上网业务质量检测为各大运营商的重要工作，而影响业务的环境较多，一般分为用户终端、基站小区、核心网及内容源侧，其中内容源侧主要通过质差IP识别手段实现。质差是指用户上网的质量差，一般分为三种，一种是过服务器性能下降导致的质差，一种是服务器负荷过高导致的质差，还有一种是传输路由质差。
当前识别质差IP的方法主要基于KPI指标进行，具体如下：
1.基于用户上网DPI话单，统计小时粒度或天粒度的IP维度的业务KPI指标，包括HTTP响应成功率、HTTP响应时延、HTTP下载速率、TCP建立成功率、TCP建链时延等。
2.指标质差判断，输入IP维度KPI指标，通过固定阈值或动态阈值判断指标是否存在质差。
3.质差IP识别，基于IP的指标质差判断结果，进一步统计IP的质差指标数量，即统计IP在一定时间周期内的质差指标数量，如达到门限值，则判断该IP为质差IP，如某IP在1天内有10个指标质差，超过门限值8，则判断为质差IP。
现有基于KPI指标识别质差IP缺点为：
1.视频感知与单一KPI指标相关度较低，通过单一KPI指标评估IP业务质差误差较大，例如HTTP成功率、HTTP响应时延、HTTP下载速率、TCP重传率、TCP RTT时延中HTTP响应时延质差时，视频感知(卡顿)并不一定有劣化现象。
2.KPI指标质差阈值设置难、适应性低，很难关联业务感知去设置阈值，不同业务、不同地市，阈值不能通用，导致指标阈值判断感知失真。例如通过经验总结广州TCP重传率理想阈值为2％，但深圳可能应该设置为3％。
3.IP维度的小时粒度、天粒度KPI指标波动小，用户瞬时的感知质差经过小时、天粒度的指标汇聚后存在平均化现象(小样本质差被大样本好点淹没)，导致质差识别灵敏度低，存在一定的失真。
发明内容
为解决现有技术中存在的问题，本发明提供了一种质差IP识别方法及装置，利用拨测的感知数据关联拨测的DPI XDR话单数据训练构建有监督的感知标签模型，首先输入XDR中的TCP和HTTP关键字段，通过模型推理输出该条XDR的感知标签，然后基于打标签后的XDR统计IP维度的感知异常标签数量及占比识别是否为感知异常IP，最后判断感知异常频次高的IP识别为质差IP，本发明使得质差IP更贴近用户实际感知，可显著提业务质量监控工作效率。
本发明提供了一种质差IP识别方法，包括如下步骤：
利用拨测的感知数据关联拨测的DPI XDR话单数据，训练有监督的感知标签模型；
向训练后的感知标签模型输入XDR话单数据中的关键特征字段，通过感知标签模型输出该条XDR话单数据的感知标签；
根据打标签后的XDR话单数据统计IP维度的感知结果；
根据IP维度的感知结果识别质差IP。
优选地，有监督的感知标签模型进行感知标签识别的过程包括如下步骤：
应用层从数据存储层获取XDR话单；
应用层调用感知标签模型，输入XDR话单数据关键特征字段，感知标签模型识别出感知标签后返回识别结果；
应用层获取感知标签模型结果后，插入XDR记录。
优选地，有监督的感知标签模型的构建包括如下步骤：
输入拨测数据与XDR话单数据，其中拨测数据包含用户上网的感知信息。
数据关联，拨测数据与XDR话单数据根据用户号码、时间和视频VID进行关联。
特征选择，基于XDR话单数据关键特征字段，采用专家经验筛选结合自动筛选构建模型的特征集。
模型训练，将关联后的XDR话单数据80％划分为训练集，20％划分为测试集，基于XGBoost最优参数组合训练模型，使用GridSearchCV进行参数寻优。
模型预测和评估，利用测试集数据评估模型性能，包括准确率、召回率、混淆矩阵等。
优选地，有监督的感知标签模型的输入包括：地市、时间、业务、TCP重传率、TCPRTT、TCP乱序率、TCP建链时延、HTTP响应时延和HTTP下载速率。
优选地，输入的XDR话单数据中的关键特征字段包括XDR话单数据中的TCP重传率、TCP RTT、TCP乱序率、TCP建链时延、HTTP响应时延和HTTP下载速率。
优选地，有监督的感知标签模型的输出标签为1，表示感知正常，标签为-1，表示感知异常。
优选地，获取XDR话单数据后，调用有监督的感知标签模型接口，若调用成功则返回感知标签识别结果，若调用异常则返回错误码。
优选地，打标签后的用户KPI数据汇聚IP维度，计算总标签记录数、异常标签数和异常标签占比。
优选地，基于IP维度的异常标签占比和异常标签数，识别是否为质差IP，当异常标签数>j且异常标签占比>k时，则将打标签的XDR数据标记为质差，其中，j和k分别为预设的异常标签数阈值和异常标签占比阈值。
优选地，基于IP维度的质差标记统计IP维度的质差次数，将时间周期M内质差次数>N的IP识别为质差IP。
本发明提供了一种质差IP识别装置，包括处理器，该处理器执行上述的任一质差IP识别方法的步骤。
与现有技术相对比，本发明的有益效果如下：
本发明利用拨测的感知数据关联拨测的DPI xdr话单数据训练构建有监督的感知标签模型，首先输入XDR中的TCP和HTTP关键字段，通过模型推理输出该条XDR的感知标签，然后基于打标签后的XDR统计IP维度的感知异常标签数量及占比识别是否为感知异常IP,最后判断感知异常频次高的IP识别为质差IP，本发明使得质差IP更贴近用户实际感知，可显著提业务质量监控工作效率。
附图说明
图1为本发明的一个实施例的感知标签模型调用流程示意图；
图2为本发明的一个实施例的质差IP识别方法流程图；
图3为本发明的一个实施例的质差IP识别装置的工作流程图；
图4为本发明的一个实施例的感知标签模型的构建流程图。
具体实施方式
下面结合附图，对本发明的具体实施方式作详细的说明。
本发明提供了一种质差IP识别方法，包括如下步骤：
利用拨测的感知数据关联拨测的DPI XDR话单数据，训练有监督的感知标签模型；
向训练后的感知标签模型输入XDR话单数据中的关键特征字段，通过感知标签模型输出该条XDR话单数据的感知标签；
根据打标签后的XDR话单数据统计IP维度的感知结果；
根据IP维度的感知结果识别质差IP。
根据本发明的一个具体实施方案，有监督的感知标签模型进行感知标签识别的过程包括如下步骤：
应用层从数据存储层获取XDR话单；
应用层调用感知标签模型，输入XDR话单数据关键特征字段，感知标签模型识别出感知标签后返回识别结果；
应用层获取感知标签模型结果后，插入XDR记录。
根据本发明的一个具体实施方案，有监督的感知标签模型的构建包括如下步骤：
1)输入拨测数据与XDR话单数据，其中拨测数据包含用户上网的感知信息(播放缓冲大于1秒或卡顿触发一次感知异常)。
2)数据关联，拨测数据与XDR话单数据根据用户号码、时间和视频VID进行关联。
3)特征选择，采用专家经验筛选结合自动筛选构建模型的特征集，具体如下表1。
表1.构建的模型的特征集
4)模型训练，先进行数据划分，将数据的80％划分为训练集，20％为测试集，具体如表2。
表2.数据划分表
| 数据总条数 | 负样本 | 正样本 | |
| 训练集 | 7416 | 7396 | 20 |
| 测试集 | 1855 | 1850 | 5 |
然后基于XGBoost最优参数组合训练模型，使用GridSearchCV进行参数寻优。xgboost最优模型训练参数如下：
learning_rate 0.1
max_depth 1
n_estimators 100
5)模型预测和评估，利用测试集数据评估模型性能，具体如下：
在测试集准确率为89％，召回率为100％。
根据本发明的一个具体实施方案，有监督的感知标签模型的输入包括：地市、时间、业务、TCP重传率、TCP RTT、TCP乱序率、TCP建链时延、HTTP响应时延和HTTP下载速率。
根据本发明的一个具体实施方案，XDR话单数据字段主要包括：地市、开始时间、结束时间、VID、上行流量、下行流量、上行IP包数、下行IP包数、上行TCP重传报文数、下行TCP重传报文数、上行TCP乱序报文数、下行TCP乱序报文数、下载流量、下载时长、下载速率、上行RTT、下线RTT、tcp建链成功率、tcp建链时延等。
根据本发明的一个具体实施方案，XDR话单数据的关键特征字段主要包含：地市、开始时间、结束时间、视频VID、小区、手机号码、下载流量、播放时长、下载速率、感知异常次数、感知异常时长等指标。
根据本发明的一个具体实施方案，输入的XDR话单数据中的关键特征字段包括XDR话单数据中的TCP重传率、TCP RTT、TCP乱序率、TCP建链时延、HTTP响应时延和HTTP下载速率。
根据本发明的一个具体实施方案，有监督的感知标签模型的输出标签为1，表示感知正常，标签为-1，表示感知异常。
根据本发明的一个具体实施方案，获取XDR话单数据后，调用有监督的感知标签模型接口，若调用成功则返回感知标签识别结果，若调用异常则返回错误码。
根据本发明的一个具体实施方案，打标签后的用户KPI数据汇聚IP维度，计算总标签记录数、异常标签数和异常标签占比。
根据本发明的一个具体实施方案，基于IP维度的异常标签占比和异常标签数，识别是否为质差IP，当异常标签数>j且异常标签占比>k时，则将打标签的XDR数据标记为质差，其中，j和k分别为预设的异常标签数阈值和异常标签占比阈值。
根据本发明的一个具体实施方案，基于IP维度的质差标记统计IP维度的质差次数，将时间周期M内质差次数>N的IP识别为质差IP。
本发明提供了一种质差IP识别装置，包括处理器，该处理器执行上述的任一质差IP识别方法的步骤。
实施例1
根据本发明的一个具体实施方案，下面的本发明的质差IP识别方法进行详细介绍。
本发明提供了一种质差IP的识别方法，包括如下步骤：
利用拨测的感知数据关联拨测的DPI XDR话单数据，训练有监督的感知标签模型；
向训练后的感知标签模型输入XDR话单数据中的关键特征字段，通过感知标签模型输出该条XDR话单数据的感知标签；
根据打标签后的XDR话单数据统计IP维度的感知结果；
根据IP维度的感知结果识别质差IP。
实施例2
根据本发明的一个具体实施方案，下面的本发明的质差IP识别方法进行详细介绍。
本发明提供了一种质差IP的识别方法，包括如下步骤：
1.提取用户上网DPI话单数据作为系统输入数据源，包括用户上网的TCP和HTTP协议过程的关键信息字段。
2.XDR异常检测，从XDR抽取关键字段(具体见感知标签模型的请求参数)后调用感知标签模型，模型推理后的标签插入XDR记录，标签“1”表示XDR正常，-1表示XDR为异常。
3.调用感知标签模型进行感知标签识别，感知标签模型为通过拨测数据关联XDR训练的有监督模型，输入地市、时间、业务、TCP重传率、TCP RTT、TCP乱序率、TCP建链时延、HTTP响应时延、HTTP下载速率等字段信息，输出标签为1(感知正常)或-1(感知异常)。
感知标签模型调用具体过程如下：
1)应用从数据存储层获取获取XDR话单数据，用于业务感知异常标签推理。
2)如果调用成功则返回业务感知识别结果，处理异常则返回错误码。
3)应用将感知标签模型调用结果插入XDR后，基于业务感知识别结果开展质量分析。
感知标签模型接口调用实现方法如图1所示，具体包括：
(1)感知标签模型部署在能力开放平台，应用层通过能力接口调用。
(2)调用时输入数据，为感知标签模型请求参数：
表3.感知标签模型请求参数
表4.输入指标说明
(3)通过py脚本调用感知标签模型，具体示例代码如下：
(4)调用返回数；
表5.感知标签模型输出的响应参数说明
感知标签模型输出数据示例代码如下：
4.IP异常标签统计，打标签后的用户XDR数据，汇聚为IP维度的小时粒度的统计指标，包括总标签记录数、异常标签数、异常标签占比。
表6.IP异常标签统计表示例
| 序号 | 字段名称 | 说明 |
| 1 | 地市 | |
| 2 | 时间 | 小时粒度或天粒度 |
| 3 | 服务IP | |
| 4 | 总记录数 | 服务IP的XDR记录数 |
| 5 | 异常标签记录数 | 标签为-1的记录数 |
| 6 | 异常标签占比 | 异常标签记录数/总记录数 |
| 7 | 是否异常 | 根据异常标签记录数和异常标签占比判断 |
5.IP质差识别，输入IP异常标签统计通过质差算法，识别并输出质差IP，具体质差判断流程如下：
1)基于I小时粒度P异常标签统计，如感知异常记录数>M(默认为100)且感知异常占比>N(默认为0.05)，则该记录判断为异常，“是否异常”字段置为1，否则置为0。
2)统计IP维度的一天24小时的异常频次，具体为：
异常频次＝sum(是否异常)
3)IP质差识别，质差频次>K(默认K为4)，则判断IP为质差IP。
还可以包括步骤6.质差IP清单，输出最终的质差清单后，可用于派单给相关专业进一步处理。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。
Claims (11)
1.一种质差IP识别方法，其特征在于，包括如下步骤：
利用拨测的感知数据关联拨测的DPI XDR话单数据，训练有监督的感知标签模型；
向训练后的感知标签模型输入XDR话单数据中的关键特征字段，通过感知标签模型输出该条XDR话单数据的感知标签；
根据打标签后的XDR话单数据统计IP维度的感知结果；
根据IP维度的感知结果识别质差IP。
2.根据权利要求1所述的质差IP识别方法，其特征在于，有监督的感知标签模型进行感知标签识别的过程包括如下步骤：
应用层从数据存储层获取XDR话单；
应用层调用感知标签模型，输入XDR话单数据关键特征字段，感知标签模型识别出感知标签后返回识别结果；
应用层获取感知标签模型结果后，插入XDR记录。
3.根据权利要求2所述的质差IP识别方法，其特征在于，有监督的感知标签模型的构建包括如下步骤：
输入拨测数据与XDR话单数据，其中拨测数据包含用户上网的感知信息；
数据关联，拨测数据与XDR话单数据根据用户号码、时间和视频VID进行关联；
特征选择，基于XDR话单数据关键特征字段，采用专家经验筛选结合自动筛选构建模型的特征集；
模型训练，将关联后的XDR话单数据80％划分为训练集，20％划分为测试集，基于XGBoost最优参数组合训练模型，使用GridSearchCV进行参数寻优。
4.根据权利要求2所述的质差IP识别方法，其特征在于，获取XDR话单数据后，调用有监督的感知标签模型接口，若调用成功则返回感知标签识别结果，若调用异常则返回错误码。
5.根据权利要求1所述的质差IP识别方法，其特征在于，有监督的感知标签模型的输入包括：地市、时间、业务、TCP重传率、TCP RTT、TCP乱序率、TCP建链时延、HTTP响应时延和HTTP下载速率。
6.根据权利要求5所述的质差IP识别方法，其特征在于，输入的XDR话单数据中的关键特征字段包括XDR话单数据中的TCP重传率、TCP RTT、TCP乱序率、TCP建链时延、HTTP响应时延和HTTP下载速率。
7.根据权利要求1所述的质差IP识别方法，其特征在于，有监督的感知标签模型的输出标签为1，表示感知正常，标签为-1，表示感知异常。
8.根据权利要求1所述的质差IP识别方法，其特征在于，打标签后的用户KPI数据汇聚IP维度，计算总标签记录数、异常标签数和异常标签占比。
9.根据权利要求8所述的质差IP识别方法，其特征在于，基于IP维度的异常标签占比和异常标签数，识别是否为质差IP，当异常标签数>j且异常标签占比>k时，则将打标签的XDR数据标记为质差，其中，j和k分别为预设的异常标签数阈值和异常标签占比阈值。
10.根据权利要求9所述的质差IP识别方法，其特征在于，基于IP维度的质差标记统计IP维度的质差次数，将时间周期M内质差次数>N的IP识别为质差IP。
11.一种质差IP识别装置，其特征在于，包括处理器，该处理器执行权利要求1-10任一项所述的质差IP识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311502577.8A CN117692948B (zh) | 2023-11-10 | 2023-11-10 | 一种质差ip识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311502577.8A CN117692948B (zh) | 2023-11-10 | 2023-11-10 | 一种质差ip识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117692948A true CN117692948A (zh) | 2024-03-12 |
| CN117692948B CN117692948B (zh) | 2024-09-06 |
Family
ID=90132880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311502577.8A Active CN117692948B (zh) | 2023-11-10 | 2023-11-10 | 一种质差ip识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117692948B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
| 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 |
| CN111107423A (zh) * | 2018-10-29 | 2020-05-05 | 中国移动通信集团浙江有限公司 | 一种视频业务播放卡顿的识别方法和装置 |
| CN111294849A (zh) * | 2018-12-10 | 2020-06-16 | 中国移动通信集团北京有限公司 | 一种lte用户上网质差的判定方法及装置 |
| CN114091910A (zh) * | 2021-11-23 | 2022-02-25 | 广州瀚信通信科技股份有限公司 | 5g用户质差投诉的溯源分析方法及装置 |
| CN115883322A (zh) * | 2021-09-28 | 2023-03-31 | 中国移动通信集团贵州有限公司 | 互联网专线质差根因分析方法和装置 |
| CN116723540A (zh) * | 2023-06-28 | 2023-09-08 | 杭州东方通信软件技术有限公司 | 一种5g网络数据的质差检测模型训练及质差检测方法 |
-
2023
- 2023-11-10 CN CN202311502577.8A patent/CN117692948B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
| 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 |
| CN111107423A (zh) * | 2018-10-29 | 2020-05-05 | 中国移动通信集团浙江有限公司 | 一种视频业务播放卡顿的识别方法和装置 |
| CN111294849A (zh) * | 2018-12-10 | 2020-06-16 | 中国移动通信集团北京有限公司 | 一种lte用户上网质差的判定方法及装置 |
| CN115883322A (zh) * | 2021-09-28 | 2023-03-31 | 中国移动通信集团贵州有限公司 | 互联网专线质差根因分析方法和装置 |
| CN114091910A (zh) * | 2021-11-23 | 2022-02-25 | 广州瀚信通信科技股份有限公司 | 5g用户质差投诉的溯源分析方法及装置 |
| CN116723540A (zh) * | 2023-06-28 | 2023-09-08 | 杭州东方通信软件技术有限公司 | 一种5g网络数据的质差检测模型训练及质差检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117692948B (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3214861B1 (en) | Method, device and system for detecting fraudulent user | |
| CN101686444B (zh) | 垃圾短信发送号码实时检测系统及方法 | |
| CN103581976B (zh) | 小区的识别方法和装置 | |
| CN102075639A (zh) | 一种国际业务通信网中恶意呼叫的拦截方法及装置 | |
| CN114169438A (zh) | 一种电信网络诈骗识别方法、装置、设备及存储介质 | |
| CN116320139A (zh) | 分析通话的风控管理的方法、装置、电子设备及存储介质 | |
| CN101330551B (zh) | 一种电信系统中的通信记录的核对方法及系统 | |
| CN110167030B (zh) | 识别骚扰电话的方法、装置、电子设备和存储介质 | |
| CN109994128B (zh) | 语音质量问题定位方法、装置、设备及介质 | |
| CN1933510A (zh) | 一种通过分析电路通话时长检测电路单通的方法 | |
| CN117692948B (zh) | 一种质差ip识别方法及装置 | |
| CN103906111A (zh) | 一种通用分组无线服务网络问题确定方法和装置 | |
| CN102111723B (zh) | 一种分析短信消息频次与内容识别垃圾短消息用户的方法 | |
| CN110972199A (zh) | 一种流量拥塞监测方法及装置 | |
| CN101431768A (zh) | 一种单通故障判别方法 | |
| CN108271202B (zh) | 一种基于短频话单数据定位网络故障的方法和装置 | |
| CN114339639B (zh) | 通话识别方法、装置、存储介质和电子设备 | |
| CN102064972A (zh) | 一种监视广告效果的方法及系统 | |
| CN115659217A (zh) | 诈骗识别模型训练方法、装置、电子设备及存储介质 | |
| CN103139740B (zh) | 一种非法信令的识别、处理方法及装置 | |
| KR101633861B1 (ko) | 통화량 분석에 기반하는 스팸 의심 전화 안내 장치 및 스팸 의심 전화 안내 방법 | |
| CN109510903B (zh) | 一种识别国际诈骗号码的方法 | |
| CN111131626B (zh) | 基于流数据图谱的群组有害呼叫检测方法、装置及可读介质 | |
| CN111372073B (zh) | 视频质量的评价方法、装置、设备和介质 | |
| CN113901334A (zh) | 一种基于服务数据矩阵的社交软件用户行为识别方法 |
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 |