基于决策树的EPG体验异常原因定位

doi:10.11959/j.issn.1000-0801.2019087

电信科学 ›› 2019, Vol. 35 ›› Issue (8): 158-164.doi: 10.11959/j.issn.1000-0801.2019087

基于决策树的EPG体验异常原因定位

谭晓敏,方艾,梁冰,杨豪杰

中国电信股份有限公司广州研究院，广东广州 510630

修回日期:2019-04-23 出版日期:2019-08-20 发布日期:2019-08-24
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。|梁冰（1978- ），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应用平台研发。|杨豪杰（1982- ），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应用平台及智能网络软件研发。

Locating causes of abnormality of EPG experience based on decision tree

Xiaomin TAN,Ai FANG,Bing LIANG,Haojie YANG

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

Revised:2019-04-23 Online:2019-08-20 Published:2019-08-24

摘要/Abstract

摘要：

用户体验的提升一直是IPTV的运维重点。然而，运营商IPTV组网相对复杂，涉及机顶盒、接入网、EPG页面、EPG服务器、媒体服务器等多个环节和调度链路，一旦发生异常，运维人员需排查各环节的监控指标，凭经验定位引起异常的原因。该运维模式专业性强、效率低下，无法快速止损。为解决上述运维痛点，基于大数据技术，采用决策树对EPG体验数据建模，根据决策树模型的决策规则，快速定位异常原因。现网中，决策树模型能够准确快速定位EPG体验的异常原因，为辅助运维人员指明排查方向，提高运维效率。

关键词: IPTV, 决策树, 大数据, 智能运维

Abstract:

Improving user experience has always been the focus of IPTV operation.However,IPTV network is relatively complex,including multiple scheduling links such as set-top box,access network,EPG page,EPG server and media server.Once the abnormality occurs,monitoring indicators of each link will be checked to locate the cause of abnormality by human experience.The operation mode relies on professionals,which is inefficient and unable to stop losses quickly.Thus,to solve the problem above,based on big data technology,decision tree was implied to locate the cause of abnormality according to the classification rule of the tree model.Decision tree model has been used in actual networks of IPTV and helps to find out the cause of abnormality,which improves the efficiency of operation.

Key words: IPTV, decision tree, big data, AIOps

中图分类号:

TP393

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.

Xiaomin TAN,Ai FANG,Bing LIANG,Haojie YANG. Locating causes of abnormality of EPG experience based on decision tree[J]. Telecommunications Science, 2019, 35(8): 158-164.

图/表 7

图1

表1

表2

图2

图3

图4

表3

参考文献 13

[1]	黄晓波, 黄志武, . IPTV视频质量故障定位及处理方法[J]. 信息通信, 2010(4): 67-68.
	HUANG X B , HUANG Z W , . IPTV video quality fault location and processing method[J]. Information and Communications, 2008,24(4): 67-68.
[2]	刘奇峰, . 基于大数据的 IPTV 故障定位系统的设计与实现[J]. 南京:南京邮电大学, 2017.
	LIU Q F , . Design and implementation of IPTV fault location system based on big data[J]. Nanjing: Nanjing University of Posts and Telecommunications, 2017.
[3]	姚良, 肖晴, 陈文 . IPTV机顶盒内置质量监测工具的开发与应用[J]. 电信科学, 2008,24(11): 80-83.
	YAO L , XIAO Q , CHEN W . Development and application of built-in quality monitoring tool of IPTV set-top box[J]. Telecommunications Science, 2008,24(11): 80-83.
[4]	陈舒 . 基于多协议层QoS参数关联的IPTV故障点定位方法[J]. 电视技术, 2013,37(12): 55-58.
	CHEN S . Method of IPTV fault isolation based on correlated analysis of multi-protocol-layer QoS parameter[J]. Video Engineering, 2013,37(12): 55-58.
[5]	吴志峰 . 基于数据挖掘的IPTV 故障诊断研究与实现[D]. 南京:南京邮电大学, 2017.
	WU Z F . The research and implement of IPTV fault diagnosis based on data mining[D]. Nanjing:Nanjing University of Posts and Telecommunications, 2017.
[6]	QIAN Y , WEI X , HUANG R ,et al. Fault prediction in IPTV using improved AdaBoost algorithm[C]// International Conference on Wireless Communications ＆ Signal Processing,Oct 13-15,2016,Yangzhou,China. Piscataway:IEEE Press, 2016: 1-5.
[7]	王泽, 屈海伟 . 大数据分析在IPTV维护中的应用[J]. 电信技术, 2014,1(10).
	WANG Z , QU H W . Application of big data analysis in IPTV maintenance[J]. Telecommunications Technology, 2014,1(10).
[8]	CHEN T , GUESTRIN C . XGBoost:a scalable tree boosting system[Z].2016. 2016.
[9]	张琳, 陈燕, 李桃迎 ,等. 决策树分类算法研究[J]. 计算机工程, 2011,37(13): 66-67.
	ZHANG L , CHEN Y , LI T Y ,et al. Research on decision tree classification algorithms[J]. Computer Engineering, 2011,37(13): 66-67.
[10]	周志华 . 机器学习[M]. 北京: 清华大学出版社, 2016.
	ZHOU Z H . Machine learing[M]. Beijing: Tsinghua University PressPress, 2016.
[11]	STEINBERG D , COLLA P . CART:classification and regression trees[J]. The Top Ten Algorithms in Data Mining, 2009(9):179.
[12]	MORE A . Survey of resampling techniques for improving classification performance in unbalanced datasets[J]. 2016 arXiv:1608.06048.,
[13]	熊冰妍, 王国胤, 邓维斌 . 基于样本权重的不平衡数据欠抽样方法[J]. 计算机研究与发展, 2016,53(11): 2613-2622.
	XIONG B Y , WANG G Y , DENG W B . Under-sampling method based on sample weight for imbalanced data[J]. Journal of Computer Research and Development, 2016,53(11): 2613-2622.

样本类别	预测为正常1	预测为异常0
正常1	true positive（TP）	false negative（FN）
异常0	false positive（FP）	true negative（TN）

用户账号	EPG服务器	机顶盒型号	访问页面	加载时间
用户1	IP1	ZXT*	首页tab1	7 012 ms
用户2	IP1	FIBER*	首页tab2	801 ms
用户3	IP2	EC6108V*	首页tab2	423 ms

样例	类别	精确率	召回率	F1值
mm527	异常	0.05	0.91	0.1
	正常	1.00	0.73	0.84
zq521	异常	0.09	0.84	0.16
	正常	0.99	0.71	0.83
yj514	异常	0.11	0.88	0.19
	正常	0.99	0.76	0.86
cz507	异常	0.07	0.81	0.12
	正常	0.99	0.76	0.86
hy507	异常	0.05	0.84	0.10
	正常	1.00	0.77	0.87
jm507	异常	0.15	0.88	0.26
	正常	1.00	0.93	0.96
jy507	异常	0.01	0.70	0.01
	正常	1.00	0.69	0.81
mm507	异常	0.22	0.86	0.35
	正常	1.00	0.94	0.97
mz507	异常	0.04	0.72	0.08
	正常	1.00	0.80	0.89
st507	异常	0.04	0.81	0.07
	正常	1.00	0.75	0.85
yj507	异常	0.13	0.83	0.22
	正常	1.00	0.93	0.96

[1]	韩璐, 陈威宇, 张斐, 何建锋, 苏怀振. 差异化需求下的非关系型分布式报送信息大数据分类方法[J]. 电信科学, 2023, 39(6): 114-121.
[2]	韩雪. 基于电力大数据的电力骨干通信网络毁伤韧性评估方法[J]. 电信科学, 2023, 39(5): 136-143.
[3]	王雪荣, 唐政治, 李银川, 齐美玉, 朱建波, 张亮. 基于优化决策树的时延敏感流智能感知调度[J]. 电信科学, 2023, 39(4): 120-132.
[4]	孙玉娣. 基于电信大数据的5G网络海量用户复访行为预测模型[J]. 电信科学, 2023, 39(2): 157-162.
[5]	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.
[6]	李爱华, 吴晓波, 陈超, 魏彬, 史嫄嫄. 5G网络大数据智能分析技术[J]. 电信科学, 2022, 38(8): 129-139.
[7]	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.
[8]	黄更生, 黄宇红, 郭漫雪, 郑健平, 葛欣. DT时代面向数据服务的新型基础设施架构[J]. 电信科学, 2022, 38(7): 138-145.
[9]	李攀攀, 谢正霞, 乐光学, 刘鑫. 基于深度学习的无线通信接收方法研究进展与趋势[J]. 电信科学, 2022, 38(2): 1-17.
[10]	赵海波, 相志军, 肖林松. 基于异构数据的电力短期负荷大数据预测方案[J]. 电信科学, 2022, 38(12): 103-111.
[11]	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.
[12]	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.
[13]	胡坚, 孙磊, 尹以雁, 杨晓康, 白金贵, 张叶江. 基于数据挖掘和地理可视化的4G/5G语音质量优化研究[J]. 电信科学, 2022, 38(10): 131-139.
[14]	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.
[15]	刘志勇, 何忠江, 阮宜龙, 单俊峰, 张超. 大数据安全特征与运营实践[J]. 电信科学, 2021, 37(5): 160-169.

基于决策树的EPG体验异常原因定位

Locating causes of abnormality of EPG experience based on decision tree

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 13

相关文章 15

Metrics

推荐阅读 0