CN117998448B - 无线网络质量数据采集方法及系统 - Google Patents
无线网络质量数据采集方法及系统 Download PDFInfo
- Publication number
- CN117998448B CN117998448B CN202410405797.7A CN202410405797A CN117998448B CN 117998448 B CN117998448 B CN 117998448B CN 202410405797 A CN202410405797 A CN 202410405797A CN 117998448 B CN117998448 B CN 117998448B
- Authority
- CN
- China
- Prior art keywords
- data
- degree
- wireless network
- network data
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000009499 grossing Methods 0.000 claims abstract description 47
- 230000005856 abnormality Effects 0.000 claims abstract description 38
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及电通信传输技术领域，具体涉及无线网络质量数据采集方法及系统方法及系统；其获取无线网络中心在多个不同位置处的无线网络数据；对每个位置处的无线网络数据进行异常检测，得到每个位置的各数据点的异常程度；计算当前位置的任一时刻数据点中各维度的网络数据的差异程度；基于同一时刻对应的所有位置的数据点中所有维度的网络数据的差异程度，得到无线网络中心的稳定程度；基于稳定程度以及差异程度，得到当前位置对应时刻数据点的加权异常程度；计算对应数据点的平滑参数；根据各数据点的平滑参数进行无线网络数据中各数据点的平滑处理，得到处理后的无线网络数据。即本发明提高了采集的无线网络数据的准确性。
Description
技术领域
本发明一般地涉及电通信传输技术领域。更具体地，本发明涉及无线网络质量数据采集方法及系统。
背景技术
近年来，无线网络已成为人们日常生活和工作中不可或缺的一部分，其质量直接影响用户体验和应用效果。然而，由于无线信号传播受到环境干扰、设备质量差异等因素影响，导致所采集到的数据中常常包含一定量的噪声数据。这些噪声数据可能会严重影响到对无线网络数据的质量评估的准确性和网络优化的有效性。因此，获取准确的无线网络数据变得尤为重要。
目前，针对由于干扰噪声、数据误差等因素影响所导致的无线网络数据不准确，即所采集到的数据存在一定程度的波动和不稳定性，通常是采用平滑处理的方法对采集到的无线网络数据进行处理。
需要说明的是，传统的指数平滑法为一种对数据进行平滑处理的算法，其中传统的指数平滑法的平滑参数由人为设置，且全局为固定的平滑参数，那么在平滑无线网络数据时，其并不考虑噪声表现不同而带来的影响，因此，传统的指数平滑法并不能有效地提高无线网络数据的准确性，无法满足后续对无线网络数据的质量评估的准确性，也就不能有效地进行网络优化。
发明内容
为解决上述一个或多个技术问题，本发明提出一种无线网络质量数据采集方法及系统，用于解决现有技术中不能有效地提高无线网络数据的准确性的问题。为此，本发明在如下的两个方面中提供方案。
在第一方面中，本发明提供的一种无线网络质量数据采集方法，包括以下步骤：
获取无线网络中心在多个不同位置处的无线网络数据；其中，每个位置处的无线网络数据包括不同时刻下采集的数据点，其中所述数据点包括至少两个维度的网络数据；
对每个位置处的无线网络数据进行异常检测，得到每个位置对应的各数据点的异常程度；
随机选取任一位置作为当前位置，计算当前位置对应的任一时刻数据点中各维度的网络数据的差异程度，进而得到所有位置中所有时刻数据点中所有维度的网络数据的差异程度；基于同一时刻对应的所有位置的数据点中所有维度的网络数据的差异程度，确定该同一时刻下无线网络中心的稳定程度；
基于所述稳定程度以及异常程度，得到当前位置处对应时刻数据点的加权异常程度；
基于所述加权异常程度，计算对应数据点的平滑参数；并根据各数据点的平滑参数进行无线网络数据中各数据点的平滑处理，得到处理后的无线网络数据。
可选地，当维度为三个时，则所述数据点包括信号强度、信噪比以及数据传输速率的网络数据。
可选地，所述各数据点的异常程度是采用LOF算法确定的。
可选地，所述差异程度的获取方法为：
随机选取任一位置作为当前位置；
从当前位置的所有数据点中选取同一维度的网络数据，得到各维度在时序上的网络数据序列；
设置预设窗口，选取其中一时刻的网络数据作为预设窗口的中心数据，得到网络数据序列在预设窗口内的除中心数据之外的其他网络数据；
根据所述中心数据与其他所有网络数据的差异，得到中心数据的差异程度；进而得到当前位置中各维度的每一时刻的网络数据的差异程度。
可选地，所述稳定程度为：
其中，表示第/>时刻所采集到的无线网络数据的稳定程度；/>表示位置总数；/>表示所采集的数据点的维度总数；/>表示所有位置在第/>时刻所采集到的数据点中的第/>维度/>的网络数据的差异程度均值；/>表示第/>个位置在第/>时刻所采集到的数据点中的第/>个维度的网络数据的加权差异程度，即/>，/>表示第/>个位置在第/>时刻所采集到的数据点中的第/>个维度的网络数据的差异程度，/>表示第/>个位置与无线网络中心之间的距离，/>表示以自然常数e为底数的指数函数。
可选地，所述加权异常程度为：
式中，表示第/>个位置在第/>时刻所采集到的数据点的加权异常程度；/>表示第/>个位置在第/>时刻所采集到的数据点的异常程度；/>表示第/>时刻的无线网络中心的稳定程度。
可选地，所述平滑参数为：
式中，表示第/>个位置在第/>时刻所采集到的数据点的平滑参数；/>表示第/>个位置在第/>时刻所采集到的数据点的加权异常程度；/>表示以自然常数e为底数的指数函数。
在第二方面中，本发明还提供了一种无线网络质量数据采集系统，包括：
处理器；
存储器，其存储有无线网络质量数据采集的计算机指令，当所述计算机指令由所述处理器运行时，使得系统执行上述的一种无线网络质量数据采集方法。
本发明的有益效果为：
本发明通过采集多个不同位置处的无线网络数据，通过综合对多个位置处的采集的无线网络数据中各数据点内不同维度的网络数据的差异进行分析，以获取每个位置处采集到的各数据点的差异程度，并采用差异程度来评估无线网络中心的稳定程度，然后根据同一时刻的无线网络数据对该时刻所采集到的数据点的异常程度进行加权计算从而获取各数据点的加权异常程度，最后根据各数据点的加权异常程度从而自适应获取各数据点所对应的平滑参数。之后利用平滑参数对对应的数据点进行平滑处理，得到处理后的数据点。即本发明的方案提升了采集的无线网络数据的准确性，便于后续对所采集的无线网络质量数据进行分析，使分析结果更加准确。
附图说明
通过参考附图阅读下文的详细描述，本发明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发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1示意性示出了本实施例中的一种无线网络质量数据采集方法的步骤流程图；
图2示意性示出了本实施例中的一种无线网络质量数据采集系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图来详细描述本发明的具体实施方式。
图1示意性示出了本实施例中的一种无线网络质量数据采集方法的步骤流程图。
如图1所示，本实施例提供的一种无线网络质量数据采集方法，具体包括以下步骤：
在步骤S1处，实时获取无线网络中心在多个不同位置处的无线网络数据；其中，每个位置处的无线网络数据包括不同时刻下采集的数据点，其中所述数据点包括至少两个维度的网络数据。
本实施例中无线网络数据的采集可以通过以下方式进行采集：在距离无线网络中心不同位置处分别设置移动设备终端，并利用移动设备终端实现对所需要的无线网络数据的采集；其中设置的移动设备终端可以为n个，n大于1，由于移动设备终端与位置是一一对应的，因此，位置的数量也为n。
需要说明的是，本实施例中，为了防止无线网络数据易受到单一的设备的采集准确性的影响。其中的移动设备终端由专业人员布置在对应的位置处进行无线网络数据的采集，并记录每一个移动设备终端与无线网络中心之间的距离，将每一个位置处的移动设备终端采集到的不同时刻的数据，记为数据点；其中数据点包括不同维度的网络数据。
其中，预设移动设备终端的采集周期为2S。
需要说明的是，对于不同的数据源，即不同位置的移动设备终端所采集到的无线网络数据，采用多个移动设备终端来实现对无线网络数据的采集，可以避免在利用单一的移动设备终端在对网络质量数据进行采集时，由于该移动设备终端的自身设备原因所导致的网络质量差异，因此需要利用多个移动设备终端采集无线网络数据。
本实施例中，每个时刻下的数据点可以是三个维度的网络数据，具体地，数据点包括信号强度、信噪比以及数据传输速率的三维度网络数据。当然作为其他实施方式，本实施例中的维度还可以为四个，五个或者更多个，如当为四个维度时，数据点包括信号强度、信噪比、数据传输速率以及网络交换速率等。
在步骤S2处，对每个位置处的无线网络数据进行异常检测，得到每个位置对应的各数据点的异常程度。
具体地，利用现有的LOF算法（局部离群因子，Local Outlier Factor）对每个位置所采集的所有数据点进行异常性检测，并获取每一个数据点的异常得分，并将每一个数据点的异常得分进行标准归一化操作，从而得到第i个位置对应的第k时刻的数据点的异常程度。其中，LOF算法为现有技术，在此不做赘述。
在步骤S3处，随机选取任一位置作为当前位置，计算当前位置对应的任一时刻数据点中的各维度的网络数据的差异程度，进而得到所有位置中所有时刻数据点中所有维度的网络数据的差异程度；基于同一时刻对应的所有位置的数据点中所有维度的网络数据的差异程度，确定该同一时刻下无线网络中心的稳定程度。
具体地，对于所采集的任意位置的数据点，从数据点中选取同一维度的网络数据，得到时序上的网络数据序列；根据网络数据序列中每一时刻对应的网路数据与该维度一定范围内网络数据的差异来计算每一时刻对应的网路数据与该维度内的网络数据的差异程度，其具体计算过程如下：
首先，预设一个窗口经验值，对于任意位置的所有数据点中对应的各维度的网络数据序列，选取其中一网络数据作为窗口的中心，根据该网络数据与其所在的维度内的时序上的/>窗口内的所有网络数据，计算该网络数据与其所在窗口的其他网络数据的差异程度，其具体计算公式如下：
。
式中，表示第/>个位置在第/>时刻所采集到的数据点中的第/>个维度的网络数据与其所在窗口中的其他网络数据的差异程度；/>表示第/>个位置在第/>时刻所采集到的数据点中的第/>个维度的网络数据；/>表示第/>个位置在第/>时刻所采集到的数据点中的第/>个维度的网络数据所在窗口中的所有网络数据的均值；/>表示第/>个位置在第/>时刻所采集到的数据点中的第/>个维度的网络数据所在窗口的大小；/>表示第/>个位置在第/>时刻所采集到的数据点中的第/>个维度的网络数据所在窗口其他网络数据中的第/>个网络数据，表示标准归一化函数。
其中，表示第/>个位置在第/>时刻所采集到的数据点中的第/>个维度的网络数据与该网络数据点所在窗口中的所有网络数据均值的差异绝对值，其取值越大，则说明该网络数据与其所在窗口中的其他网络数据的差异程度越高；反之，该数据点与其所在窗口中的其他网络数据的差异程度越低；/>表示该网络数据所在窗口中的所有网络数据的离散程度，其取值越高，则说明该网络数据所在窗口中的所有网络数据的取值分布越离散，反之，取值越小，则说明该窗口中的所有网络数据的取值分布越密集。若/>取值越大，且/>取值越小，则说明此时，该网络数据与其所在窗口中的网络数据差异较大且该窗口中的所有网络数据取值分布都较为密集，此时该网络数据与其所在窗口中的所有网络数据的差异程度较高；反之，该网络数据与其所在窗口中的所有网络数据的差异程度较低。
其中，本实施例中的预设窗口设置为奇数，目的是保证计算差异程度对应的网络数据可以位于窗口的正中间，作为中心数据；当需要计算的网络数据之前的网络数据总数不足（W-1）/2时，则将该网络数据之前的数据仍计入窗口，并将中心数据所在的窗口整体向后平移，保证上述中的中心数据所在的序列中的数量满足/>个。示例性的，当预设窗口取值为51，而需要计算网络数据序列中第5个网络数据的差异程度，即以第5个网络数据为中心数据，窗口内的数据可以选取其前的4个网络数据和其后的46个网络数据。
当然需要说明的是，计算差异程度对应的网络数据最好是位于窗口的正中间，作为窗口的真正的中心数据，进行差异程度的计算，以提高获取的差异程度的准确性。
当然作为其他实施方式，本实施例中还可以直接从网络数据序列中选取设定个数的连续的网络数据，作为有效数据序列，进行有效数据序列中的每个网络数据中的差异程度的计算。其中有效数据序列是网络数据序列中截取的一段，因此在基于预设窗口进行网络数据的获取时，有效数据序列中的首个网络数据和最后一个网络数据在网络数据序列均中间数据，因此有效数据序列中的首尾两网络数据均可以根据预设窗口进行差异程度的计算的。
需要说明的是，上述网络数据可以为任一维度的网络数据，如信号强度、信噪比和数据传输速率中的一种。即对采集到的数据点中的每一维度的网络数据进行分析，得到每一维度中网络数据的差异程度。
需要说明的是，对于任意位置对应的无线网络数据中的任意一个维度的网络数据，在连续时序范围内，网络数据会呈现一定范围内的波动，这种波动属于正常的波动现象，而若由于外界因素干扰可能导致采集到的网络数据为噪声数据，则此时该网络数据会与该周围数据的差异较大，因此需要根据所采集的任意一位置的任意一维度的每一时刻所采集的网络数据与其周围的网络数据的差异来计算每一时刻所采集的数据点的差异程度。
需要说明的是，在对无线网络数据进行采集时，由于移动设备终端由专业人员布置在无线网络的不同的距离，距离更近的移动设备终端所采集到的无线网络数据质量可能更好，因此，还需考虑不同的移动设备终端的不同方向角度以及不同的距离，对当前时刻所采集到的无线网络数据（即为无线网络中心）的稳定程度进行评估。
具体地，根据所有移动设备终端在同一时刻所采集到的所有维度的数据的差异程度，计算当前时刻所采集到的无线网络数据的稳定程度的具体计算过程如下：
首先，由步骤S1中获取的每一个移动设备终端与无线网络中心之间的距离，并根据每一个移动设备终端与无线网络中心之间的距离以及所有移动设备终端在同一时刻所采集到的所有维度的数据的差异程度，计算所采集到的无线网络数据的稳定程度，其具体计算过程如下：
。
其中，表示第/>时刻所采集到的无线网络数据的稳定程度；/>表示位置总数；/>表示所采集的数据点的维度总数；/>表示所有位置在第/>时刻所采集到的数据点中的第/>维度/>的网络数据的差异程度均值；/>表示第/>个位置在第/>时刻所采集到的数据点中的第/>个维度的网络数据的加权差异程度，即/>，/>表示第/>个位置在第/>时刻所采集到的数据点中的第/>个维度的网络数据的差异程度，/>表示第/>个位置与无线网络中心之间的距离，/>表示以自然常数e为底数的指数函数。
其中，表示对第/>个位置处的移动设备终端在第/>时刻所采集到的数据点中的第/>个维度的网络数据的差异程度进行加权后的加权差异程度，若该位置处的移动设备终端与无线网络中心的距离越近，则说明该位置处的移动设备终端所采集到的信号越稳定，即该数据点的差异程度的置信程度越高，反之，该数据点的差异程度的置信程度越低。
其中，表示所有位置处的移动设备终端在第/>时刻所采集到的所有维度的网络数据的加权差异程度均值，其取值越小，则说明该时刻所采集到的数据点与其时序上的网络数据的差异越小，即该时刻所采集到的数据点的稳定程度越高；反之，其取值越大，则说明该时刻所采集到的数据点与其时序上的网络数据的差异越大，即该时刻所采集到的数据点的稳定程度越低。
表示所有位置处的移动设备终端在第/>时刻所采集到的数据点的所有维度的网络数据的差异程度的离散程度，其取值越小，则说明该时刻所采集到的所有网络的差异程度取值越接近，即该时刻所采集到的所有网络数据的稳定程度越高，反之，其取值越大，则该时刻所采集到的所有网络数据的稳定程度越低。
至此，本实施例中可以根据每一个移动设备终端与无线网络中心之间的距离以及所有位置处的移动设备终端在同一时刻所采集到的数据点中的所有维度的网络数据的差异程度来计算所采集到的无线网络数据的稳定程度。
在步骤S4处，基于所述稳定程度以及异常程度，得到当前位置处对应时刻数据点的加权异常程度。
需要说明的是，对于任意一时刻所采集到的数据点，该时刻的网络稳定程度越高，则说明该时刻的数据点的异常程度的置信程度越高，因此，需要根据每一个数据点的异常程度以及该数据点所处时刻的网络稳定程度对每一个数据点的异常程度进行加权计算，从而获取每一个数据点的加权异常程度。
具体的，根据每一个数据点的异常程度以及该数据点所处时刻的网络稳定程度对每一个数据点的异常程度进行加权计算的具体计算公式如下：。
式中，表示第/>个位置在第/>时刻所采集到的数据点的加权异常程度；/>表示第/>个位置在第/>时刻所采集到的数据点的异常程度；/>表示第/>时刻的无线网络中心的稳定程度。
其中，对于任意一时刻所采集到的数据点，该时刻的网络稳定程度越高，则说明该时刻的数据点的异常程度的置信程度越高，即该时刻所采集到的数据的加权异常程度越高；反之，该时刻所采集到的数据的加权异常程度越低。
在步骤S5处，基于所述加权异常程度，计算对应数据点的平滑参数；并根据各数据点的平滑参数进行无线网络数据中各数据点的平滑处理，得到处理后的无线网络数据。
需要说明的是，在指数平滑法中，平滑参数决定了平滑水平以及对预测值与实际结果之间差异的响应速度。平滑参数越大，远期实际值对本期平滑值的影响程度下降越迅速；平滑参数越接近于0，远期实际值对本期平滑值影响程度的下降越缓慢。对于异常程度越高的数据点，则说明其与周围数据的差异表现越大，即该数据点的噪声表现越强，此时在对该数据进行平滑处理时，则需要较大的平滑参数，以对该数据点进行较好的平滑效果，来较好的平滑该数据点的噪声表现，因此噪声表现越大，平滑系数越大，噪声表现越小，平滑系数越小。即该数据点的加权异常程度越高，则该数据点所对应的平滑参数取值越大，反之该数据点所对应的平滑参数取值越小。
具体地，根据每一个数据点的加权异常程度，计算该数据点的平滑参数的具体计算公式如下：；式中，/>表示第/>个位置在第/>时刻所采集到的数据点的平滑参数；/>表示第/>个位置在第/>时刻所采集到的数据点的加权异常程度；/>表示以自然常数e为底数的指数函数。
至此，完成对每一时刻所采集到的数据点所对应的平滑参数的获取。
在获取平滑参数后，根据所获取的每一时刻的数据点对应的平滑参数对该时刻的数据点进行平滑处理；并将平滑后的数据点进行存储，便于后续对无线网络数据的质量进行分析。
图2示意性示出了本实施例中的一种无线网络质量数据采集系统的结构框图。
本发明还提供了一种无线网络质量数据采集系统。如图2所示，所述无线网络质量数据采集系统包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据本发明上述的一种无线网络质量数据采集方法。
所述无线网络质量数据采集系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (3)
1.一种无线网络质量数据采集方法，其特征在于，包括以下步骤：
获取无线网络中心在多个不同位置处的无线网络数据；其中，每个位置处的无线网络数据包括不同时刻下采集的数据点，其中所述数据点包括至少两个维度的网络数据；
对每个位置处的无线网络数据进行异常检测，得到每个位置对应的各数据点的异常程度；
随机选取任一位置作为当前位置，计算当前位置对应的任一时刻数据点中各维度的网络数据的差异程度，进而得到所有位置中所有时刻数据点中所有维度的网络数据的差异程度；基于同一时刻对应的所有位置的数据点中所有维度的网络数据的差异程度，确定该同一时刻下无线网络中心的稳定程度；
基于所述稳定程度以及异常程度，得到当前位置处对应时刻数据点的加权异常程度；
基于所述加权异常程度，计算对应数据点的平滑参数；并根据各数据点的平滑参数进行无线网络数据中各数据点的平滑处理，得到处理后的无线网络数据；
当维度为三个时，则所述数据点包括信号强度、信噪比以及数据传输速率的网络数据；
所述差异程度的获取方法为：
随机选取任一位置作为当前位置；
从当前位置的所有数据点中选取同一维度的网络数据，得到各维度在时序上的网络数据序列；
设置预设窗口，选取其中一时刻的网络数据作为预设窗口的中心数据，得到网络数据序列在预设窗口内的除中心数据之外的其他网络数据；
根据所述中心数据与其他所有网络数据的差异，得到中心数据的差异程度；进而得到当前位置中各维度的每一时刻的网络数据的差异程度；
所述稳定程度为：
其中，表示第/>时刻所采集到的无线网络数据的稳定程度；/>表示位置总数；/>表示所采集的数据点的维度总数；/>表示所有位置在第/>时刻所采集到的数据点中的第/>维度/>的网络数据的差异程度均值；/>表示第/>个位置在第/>时刻所采集到的数据点中的第/>个维度的网络数据的加权差异程度，即/>，/>表示第/>个位置在第时刻所采集到的数据点中的第/>个维度的网络数据的差异程度，/>表示第/>个位置与无线网络中心之间的距离，/>表示以自然常数e为底数的指数函数；
所述加权异常程度为：
式中，表示第/>个位置在第/>时刻所采集到的数据点的加权异常程度；/>表示第/>个位置在第/>时刻所采集到的数据点的异常程度；/>表示第/>时刻的无线网络中心的稳定程度；
所述平滑参数为：
式中，表示第/>个位置在第/>时刻所采集到的数据点的平滑参数；/>表示第/>个位置在第/>时刻所采集到的数据点的加权异常程度；/>表示以自然常数e为底数的指数函数。
2.根据权利要求1所述的一种无线网络质量数据采集方法，其特征在于，所述各数据点的异常程度是采用LOF算法确定的。
3.一种无线网络质量数据采集系统，其特征在于，包括：
处理器；
存储器，其存储有无线网络质量数据采集的计算机指令，当所述计算机指令由所述处理器运行时，使得系统执行根据权利要求1-2中任意一项所述的一种无线网络质量数据采集方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410405797.7A CN117998448B (zh) | 2024-04-07 | 2024-04-07 | 无线网络质量数据采集方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410405797.7A CN117998448B (zh) | 2024-04-07 | 2024-04-07 | 无线网络质量数据采集方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117998448A CN117998448A (zh) | 2024-05-07 |
| CN117998448B true CN117998448B (zh) | 2024-06-07 |
Family
ID=90890941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410405797.7A Active CN117998448B (zh) | 2024-04-07 | 2024-04-07 | 无线网络质量数据采集方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117998448B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105848187A (zh) * | 2016-05-12 | 2016-08-10 | 西北工业大学 | 基于信噪比阈值自适应的无线网络链路质量评估方法 |
| CN111010704A (zh) * | 2019-12-03 | 2020-04-14 | 沈阳化工大学 | 基于指数平滑的水下无线传感器网络数据预测优化方法 |
| CN113543188A (zh) * | 2021-07-22 | 2021-10-22 | 中移（杭州）信息技术有限公司 | 无线网络信号质量检测方法、终端设备及存储介质 |
| WO2022160902A1 (zh) * | 2021-01-28 | 2022-08-04 | 广西大学 | 面向云环境下大规模多元时间序列数据异常检测方法 |
| CN115967972A (zh) * | 2021-10-09 | 2023-04-14 | 中国移动通信集团黑龙江有限公司 | 网络异常检测方法、装置、电子设备及存储介质 |
| CN117440407A (zh) * | 2023-11-30 | 2024-01-23 | 大唐（通辽）霍林河新能源有限公司 | 一种lte无线网络的评估方法及服务器 |
-
2024
- 2024-04-07 CN CN202410405797.7A patent/CN117998448B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105848187A (zh) * | 2016-05-12 | 2016-08-10 | 西北工业大学 | 基于信噪比阈值自适应的无线网络链路质量评估方法 |
| CN111010704A (zh) * | 2019-12-03 | 2020-04-14 | 沈阳化工大学 | 基于指数平滑的水下无线传感器网络数据预测优化方法 |
| WO2022160902A1 (zh) * | 2021-01-28 | 2022-08-04 | 广西大学 | 面向云环境下大规模多元时间序列数据异常检测方法 |
| CN113543188A (zh) * | 2021-07-22 | 2021-10-22 | 中移（杭州）信息技术有限公司 | 无线网络信号质量检测方法、终端设备及存储介质 |
| CN115967972A (zh) * | 2021-10-09 | 2023-04-14 | 中国移动通信集团黑龙江有限公司 | 网络异常检测方法、装置、电子设备及存储介质 |
| CN117440407A (zh) * | 2023-11-30 | 2024-01-23 | 大唐（通辽）霍林河新能源有限公司 | 一种lte无线网络的评估方法及服务器 |
Non-Patent Citations (2)
| Title |
|---|
| 基于时间特征的网络流量异常检测;刘仁山;孟祥宏;;辽宁工程技术大学学报(自然科学版);20130415(第04期);全文 * |
| 复杂网络数据信息传输稳定性检测仿真研究;陈凤;;计算机仿真;20180115(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117998448A (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111327377B (zh) | 场强预测方法、装置、设备及存储介质 | |
| CN111465051B (zh) | Sinr的估计方法、系统、电子设备和存储介质 | |
| CN107464132A (zh) | 一种相似用户挖掘方法及装置，电子设备 | |
| CN109472001A (zh) | 一种方案的优劣评估方法、优劣评估系统及相关装置 | |
| CN115203942A (zh) | 一种海洋温度的修正方法、装置、电子设备及存储介质 | |
| CN117874653B (zh) | 一种基于多源数据的电力系统安全监测方法及系统 | |
| CN108982941A (zh) | 一种周期频率的实时测量方法及装置、示波器、存储介质 | |
| CN110133519B (zh) | 电池容量的计算方法、装置及设备 | |
| CN117998448B (zh) | 无线网络质量数据采集方法及系统 | |
| CN111506624B (zh) | 一种电力缺失数据辨识方法和相关装置 | |
| CN116009983A (zh) | 基于请求路径的预加载方法、装置和电子设备 | |
| CN113177606B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN115452101A (zh) | 一种仪表检定方法、装置、设备及介质 | |
| CN114757291A (zh) | 基于机器学习算法的单相故障识别优化方法、系统及设备 | |
| CN112785000A (zh) | 面向大规模机器学习系统的机器学习模型训练方法及系统 | |
| CN113392857A (zh) | 基于yolo网络的目标检测方法、装置和设备终端 | |
| CN111967938A (zh) | 云资源推荐方法、装置、计算机设备及可读存储介质 | |
| CN112446490A (zh) | 一种网络训练的数据集缓存方法、装置、设备及存储介质 | |
| CN109347691B (zh) | 一种用于Web服务的数据采样方法、装置及设备 | |
| CN113110972A (zh) | 一种时序数据异常检测方法、装置及介质 | |
| CN116701153B (zh) | 结算服务性能的评估方法、装置、电子设备及存储介质 | |
| CN117791599B (zh) | 一种面向电力系统的节点惯量估计方法、系统及装置 | |
| CN118014166B (zh) | 基于大数据的供热系统的负荷预测方法及系统 | |
| CN113157870B (zh) | 一种知识关联的方法、装置及电子设备 | |
| CN111210272B (zh) | 产品销量测算方法及装置、存储介质 |
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 | ||
| GR01 | Patent grant |