IPTV用户体验异常的自动化检测

doi:10.11959/j.issn.1000-0801.2019051

电信科学 ›› 2019, Vol. 35 ›› Issue (7): 159-164.doi: 10.11959/j.issn.1000-0801.2019051

IPTV用户体验异常的自动化检测

谭晓敏,方艾,金铎,李长江

中国电信股份有限公司广州研究院，广东广州 510630

修回日期:2019-03-02 出版日期:2019-07-20 发布日期:2019-07-22
作者简介:谭晓敏（1992- ），女，中国电信股份有限公司广州研究院工程师，主要研究方向为移动互联网大数据应用。|方艾（1981- ），男，中国电信股份有限公司广州研究院工程师，主要研究方向为移动互联网与大数据应用、机器学习应用。|金铎（1970- ），男，中国电信股份有限公司广州研究院高级工程师，主要研究方向为移动互联网应用、云计算、大数据分析。|李长江（1989- ），男，中国电信股份有限公司广州研究院工程师，主要研究方向为IPTV终端技术。

Automated anomaly detection of IPTV user experience

Xiaomin TAN,Ai FANG,Duo JIN,Changjiang LI

Guangzhou Research Institute of China Telecom Co. , Ltd. , Guangzhou 510630, China

Revised:2019-03-02 Online:2019-07-20 Published:2019-07-22

摘要/Abstract

摘要：

IPTV系统架构复杂，涉及大量终端、网元和连接等。为此，运营商建立了较为完善的监控体系，特别是采集了海量的EPG体验数据，形成多维度的监控指标，旨在监控用户体验水平。然而，监控指标繁多，导致运维人员监察各项指标费时费力，无法及时发现异常，也难以确定异常原因。为解决上述人工运维的痛点，采用一种智能异常检测方法，并根据实际应用进行改进，高效地实现对海量数据的实时分析。实践表明，该方法计算成本较低，适应现网异常变化，快速准确地检测异常，从而减少人力成本，提高运维效率，推进智能运维。

关键词: IPTV, EPG, 自动异常检测, 智能运维

Abstract:

Architecture of IPTV system is complex, involving a large number of terminals, network elements and connections. Therefore, a relatively complete monitoring system, which collected massive EPG experience data and formed multi-dimensional monitoring indicators, had been established to monitor user experience. Due to a large number of indicators, manual monitoring was time consuming and laborious. It was hard to detect anomalies in time and it was impossible to determine the cause of abnormality. To solve the pain points of the operation, an intelligent algorithm was implied and improved to analyze massive experience data. The practice indicates that the algorithm with low calculation cost adapts to abnormal changes in the network and detect anomalies accurately and quickly, which reduces labor costs, improves operation efficiency and promotes intelligent operation.

Key words: IPTV, EPG, automated anomaly detection, intelligent operation

中图分类号:

TP393

谭晓敏,方艾,金铎,李长江. IPTV用户体验异常的自动化检测[J]. 电信科学, 2019, 35(7): 159-164.

Xiaomin TAN,Ai FANG,Duo JIN,Changjiang LI. Automated anomaly detection of IPTV user experience[J]. Telecommunications Science, 2019, 35(7): 159-164.

图/表 9

表1

图1

图2

图3

图4

图5

图6

图7

图8

参考文献 12

[1]	万阳沙 . 时序数据的异常检测——大数据运维应用[Z].2017. 2017.
	WAN Y S . Anomaly detection of time series data-big data operation and maintenance application[Z]. 2017.
[2]	CHANDOLA V , CHEBOLI D , KUMAR V . Detecting anomalies in a time series database[R]. 2009.
[3]	CHOUDHARY P . Introduction to Anomaly Detection[Z]. 2017.
[4]	KIWARE S S . Detection of outliers in time series data[J]. Dissertations ＆ Theses-Gradworks, 2010, 6425(6): 1572-1575.
[5]	邵开霞, 陈淡泊, 周晓峰 . 基于改进的 K-means 聚类方法的多站数据关联异常检测[J]. 微型电脑应用, 2016(11).
	SHAO K X , CHEN D B , ZHOU X F . Multistation data correlation anomaly detection based on improved K-means clustering method[J]. Microcomputer Applications, 2016(11).
[6]	FUJIMAKI R , YAIRI T , MACHIDA K . An anomaly detection method for spacecraft using relevance vector learning[C]// The 9th Pacific-Asia Conference Knowledge Discovery and Data Mining,PAKDD 2005,May 18-20,2005,Hanoi,Vietnam. New York:ACM Press, 2005: 785-790.
[7]	MOAYEDI H Z , MASNADI-SHIRAZI M , . Arima model for network traffic prediction and anomaly detection[C]// 2008 International Symposium on Information Technology,Aug 26-28,2008,Kuala Lumpur,Malaysia. Piscataway:IEEE Press, 2008: 1.
[8]	孙建树, 娄渊胜, 陈裕俊 . 基于 ARIMA-SVR 的水文时间序列异常值检测[J]. 计算机与数字工程, 2018, 46(2).
	SUN J S , LOU Y S , CHEN Y J . Outlier detection of hydrological time series based on ARIMA-SVR model[J]. Computer and Digital Engineering, 2018, 46(2).
[9]	刘雷杰, 陈雯, 陈聪 . 基于SDN的网络流量异常检测技术[J]. 计算机科学与应用, 2018, 8(11): 1696-1705.
	LIU L J , CHEN W , CHEN C . Anomaly detection technology of network traffic in SDN[J]. Computer Science and Application, 2018, 8(11): 1696-1705.
[10]	夏景明, 唐玲玲, 谈玲 , 等. 基于K-means和MTLS-SVM算法的生理参数监测系统[J]. 电信科学, 2017, 33(10): 49-55.
	XIA J M , TANG L L , TAN L , et al. Biometric monitoring system based on K-means ＆ MTLS-SVM algorithm[J]. Telecommunications Science, 2017, 33(10): 49-55.
[11]	陈光, 白晓颖, 黄骁飞 , 等. 使用移动平均线预测云平台服务性能趋势[J]. 计算机科学与探索, 2012, 6(6): 495-503.
	CHEN G , BAI X Y , HUANG X F , et al. Cloud performance trend prediction by moving averages[J]. Journal of Frontiers of Computer Science ＆ Technology, 2012, 6(6): 495-503
[12]	余宇峰, 朱跃龙, 万定生 , 等. 基于滑动窗口预测的水文时间序列异常检测[J]. 计算机应用, 2014, 34(8): 2217-2220.
	YU Y F , ZHU Y L , WAN D S , et al. Time series outlier detection based on sliding window prediction[J]. Journal of Computer Applications, 2014, 34(8): 2217-2220.

	MA	ARIMA
方法特点	基于统计量，适用于不同类型异常的时间序列	基于预测模型，适用于平稳或差分后平稳的时间序列
技术成本	简单、易实现	引入新数据需重新建立模型
计算成本	滑动窗口遍历序列	平稳性判断、模型识别、参数估计、模型检验
准确性	较强的顽健性；依赖于窗口大小，窗口大小未覆盖周期长度时效果较差	依赖于模型预测能力，序列不平稳时预测效果较差

[1]	张海龙, 李博, 贾娜娟. 基于Dijkstra算法的电力光通信网络智能运维设备脱网故障区段定位方法[J]. 电信科学, 2023, 39(1): 92-99.
[2]	赵东明. 电信运营商知识图谱技术体系研究及应用实践[J]. 电信科学, 2022, 38(8): 151-162.
[3]	程瑞营, 张攀, 肖雨, 乔宇杰, 张安奕. 基于时序数据的云网协同平台人工智能运维体系[J]. 电信科学, 2022, 38(11): 24-35.
[4]	韩赛, 张冬月, 王泽林, 王光全, 李奥, 方遒铿, 马红兵. 跨专业承载网络智能运维研究与应用[J]. 电信科学, 2022, 38(11): 113-122.
[5]	王速, 卢华, 汪硕, 蔡磊, 黄韬. 智能运维中KPI异常检测的研究进展[J]. 电信科学, 2021, 37(5): 42-51.
[6]	陆钢,陈长怡,黄泽龙,黄泽源. 面向云网融合的智能云原生架构和关键技术研究[J]. 电信科学, 2020, 36(9): 67-74.
[7]	薛龙,陆钢,周奇,张会炎,万亭君. 面向云原生的智能运维架构和关键技术[J]. 电信科学, 2020, 36(12): 105-112.
[8]	李青. 基于大数据分析的云资源池告警信息关联方案[J]. 电信科学, 2020, 36(10): 159-171.
[9]	谭晓敏,方艾,梁冰,杨豪杰. 基于决策树的EPG体验异常原因定位[J]. 电信科学, 2019, 35(8): 158-164.
[10]	陈天骄,刘江,黄韬. 人工智能在网络编排系统中的应用[J]. 电信科学, 2019, 35(5): 9-16.
[11]	赵洪刚,宋春晖,廉东升. 基于IPTV的宽带提速技术研究及应用[J]. 电信科学, 2018, 34(7): 187-194.
[12]	郭云峰,蔡珩,戈磊. 基于大数据网格的电信IT系统智能运维体系[J]. 电信科学, 2018, 34(6): 153-161.
[13]	陈步华,陈戈,梁洁. 基于自适应分段广延指数模型的IPTV用户点播行为[J]. 电信科学, 2018, 34(5): 148-154.
[14]	刘孝颂,黄挺. 巡检机器人在互联网数据中心智能运维中的应用探索与研究[J]. 电信科学, 2018, 34(12): 132-137.
[15]	李峰,杨琛,李兴达. IPTV架构下VR业务关键技术与解决方案[J]. 电信科学, 2018, 34(11): 119-125.

IPTV用户体验异常的自动化检测

Automated anomaly detection of IPTV user experience

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 12

相关文章 15

Metrics

推荐阅读 0