基于感知異常采集的終端問題分析定位方法

李金生

【摘 要】為了提升終端與網(wǎng)絡交互問題分析及定位的效率，提出了基于終端側(cè)感知異常事件智能動態(tài)采集，并結(jié)合網(wǎng)絡側(cè)信令進行聯(lián)合溯源定位問題的方法。通過在終端上安裝異常事件采集APP，自動采集終端側(cè)關鍵參數(shù)，在關鍵參數(shù)偏離正常范圍時觸發(fā)感知異常事件并動態(tài)擴展參數(shù)采集范圍，從而為問題定位提供更多有效的終端側(cè)網(wǎng)絡環(huán)境信息，并結(jié)合網(wǎng)絡側(cè)信令，從端到端角度提升問題分析定位的效率。

【關鍵詞】異常事件 終端與網(wǎng)絡交互 問題定位

1 引言

隨著智能手機普及程度的不斷提升，越來越多的人熱衷于利用手機上網(wǎng)進行社交以及購物等，這些新型的用戶行為對網(wǎng)絡的傳輸速率及數(shù)據(jù)傳輸?shù)姆€(wěn)定性要求越來越高。與此同時，運營商網(wǎng)絡容量和資源利用方式面臨的壓力劇增[1]，終端方面也每天都有各種影響感知的異常事件出現(xiàn)，比如信號強度弱、應用異常退出等。由于涉及的業(yè)務鏈長，終端與網(wǎng)絡交互存在的問題定位難度變大。

為了提升終端與網(wǎng)絡交互問題分析及定位的效率，本文提出了基于終端側(cè)智能動態(tài)采集感知異常事件，并結(jié)合網(wǎng)絡側(cè)信令進行聯(lián)合溯源定位的方法。

2 目前針對終端與網(wǎng)絡交互問題的解決

方案

對于如何及時發(fā)現(xiàn)客戶在使用網(wǎng)絡業(yè)務過程中出現(xiàn)的終端與網(wǎng)絡交互問題并進行解決，主要存在如下3種方法：

（1）客戶投訴記錄挖掘[2]：通過采集人工客服收到的投訴工單，并按照投訴的時間、地點、投訴內(nèi)容、終端類型等維度進行深入的挖掘分析，找出與終端相關的具備共性的投訴案例并進行撥測驗證。

該方法優(yōu)點是能準確界定問題所在，缺點是通過客戶投訴記錄來挖掘終端問題無法先于用戶發(fā)現(xiàn)，具有滯后性。

（2）人工遍歷測試[3]：使用疑似存在問題的智能終端實體，按照預設的測試用例，在現(xiàn)網(wǎng)進行大量的測試，最后匯總其中測試不通過的用例及終端，進行二次確認和排障。

終端撥測驗證法能主動地先于客戶投訴發(fā)現(xiàn)終端存在的問題，但消耗資源極高，對于目前現(xiàn)網(wǎng)龐大的終端數(shù)量，幾乎不可能進行完備的測試。

（3）基于網(wǎng)絡側(cè)信令進行聚類挖掘[4]：此方法難以實現(xiàn)對終端側(cè)與網(wǎng)絡側(cè)異常事件的精準定位與分析，網(wǎng)絡側(cè)無法采集與分析還沒有到達網(wǎng)絡的數(shù)據(jù)，例如由于終端側(cè)原因產(chǎn)生的業(yè)務失敗、終端本身的性能下降等。

3 基于異常事件機制的分析定位方法

異常事件是指客戶在使用智能移動終端的過程中，信號覆蓋、語音業(yè)務、數(shù)據(jù)業(yè)務、終端性能、APP等方面的相關參數(shù)偏離正常范圍，導致用戶使用感知下降，甚至無法正常使用業(yè)務的情況[5]。

本文提出一種基于異常事件動態(tài)采集的終端與網(wǎng)絡交互問題分析定位方法：對于安裝有終端異常事件統(tǒng)計APP的智能手機用戶，當用戶終端發(fā)生異常事件時，APP會動態(tài)智能擴展采集范圍，從該異常事件的核心定義參數(shù)擴展到終端側(cè)環(huán)境數(shù)據(jù)，包括用戶維度數(shù)據(jù)（用戶標識號、APP標識號和系統(tǒng)版本號等）；時間維度數(shù)據(jù)（異常事件采集時間點、間隔等）；空間維度數(shù)據(jù)（異常事件發(fā)生的小區(qū)號等）。然后，終端側(cè)采集APP將異常事件核心定義參數(shù)與環(huán)境參數(shù)發(fā)送回后臺系統(tǒng)。最后，通過異常事件環(huán)境構建，聯(lián)合異常事件前后一段時間與鄰近地區(qū)的參數(shù)，對發(fā)現(xiàn)問題的情景進行復現(xiàn)和回放，協(xié)助問題的分析定位。處理機制的主要工作流程如圖1所示：

圖1 異常事件采集及分析流程

下文將對異常事件采集及分析的關鍵步驟進行分析闡述。

3.1 采集終端關鍵參數(shù)，觸發(fā)異常事件

首先在終端上安裝異常事件統(tǒng)計APP，運行該APP后，可以從信號覆蓋、數(shù)據(jù)業(yè)務、終端性能和終端應用4個維度對手機終端的關鍵指標參數(shù)進行日常監(jiān)控，自動提取手機終端異常事件核心參數(shù)[6]，并與正常值進行對比，從而判斷是否發(fā)生異常事件。

3.2 智能動態(tài)擴展參數(shù)采集范圍

（1）采集機制

當終端異常事件統(tǒng)計APP采集到核心參數(shù)異常（即發(fā)生異常事件）時，觸發(fā)智能動態(tài)參數(shù)采集：基于時間軸，動態(tài)調(diào)整采集頻率與采集內(nèi)容，智能擴展終端側(cè)及網(wǎng)絡側(cè)參數(shù)采集范圍，自動采集異常事件發(fā)生時刻前后一段時間內(nèi)、異常事件發(fā)生地點鄰近小區(qū)等的環(huán)境參數(shù)，如小區(qū)號、經(jīng)緯度、采集時刻等，并將數(shù)據(jù)傳送至系統(tǒng)后臺，重構終端異常事件發(fā)生環(huán)境及情景[7]，進行異常事件分析。參數(shù)采集動態(tài)擴展原理如圖2所示。

（2）動態(tài)采集算法

使用基于時間序列的預測[8]進行關鍵指標的動態(tài)采集。通過對時間序列的關鍵指標進行分析，掌握關鍵指標隨時間變化的規(guī)律，從而動態(tài)決策外延指標的采集范疇。

由于終端客戶感知與終端所處的無線網(wǎng)絡環(huán)境息息相關，因此選取信號強度作為指標動態(tài)采集的關鍵參考指標，并對信號強度的時間序列使用加權移動平均法進行預測。算法包含如下4個步驟：

1）以一定的時間間隔采集用戶所處網(wǎng)絡的信號強度時間序列：S1， S2， …， SN；

2）以N為移動的時間段，使用簡單移動平均數(shù)的計算方法得出預測值Mt，如公式（1）所示：

（1）

3）考慮各期數(shù)據(jù)的重要性，對近期數(shù)據(jù)給予較大的權值，遠期數(shù)據(jù)給予較小的權值，將預測值改良為加權移動平均數(shù)Mtw，如公式（2）所示：

（2）

4）根據(jù)信號強度的預測值Mtw，動態(tài)決策信號類、數(shù)據(jù)類、應用類、終端類四大類共50多個具體指標的采集，以達到在滿足異常事件溯源分析的前提下，節(jié)省采集APP待機時資源消耗的目的。

3.3 異常事件環(huán)境構建與情景復現(xiàn)

通過終端異常事件統(tǒng)計APP采集到了終端異常事件擴展數(shù)據(jù)，包括基于時間軸前后一段時間的終端、網(wǎng)絡與業(yè)務參數(shù)指標，如終端本身（CPU內(nèi)存利用率、界面交互等）、終端與網(wǎng)絡交互（小區(qū)、信號強度、制式、速率、語音數(shù)據(jù)掉線率等）[9]、終端與業(yè)務平臺（平臺連通性、時延等）等方面的指標。然后根據(jù)這些指標，對發(fā)現(xiàn)問題的情景進行復現(xiàn)和回放[10]，協(xié)助問題的分析定位。endprint

（1）根據(jù)終端異常事件統(tǒng)計APP采集的參數(shù)，結(jié)合網(wǎng)絡側(cè)信令參數(shù)，展示、構建異常事件發(fā)生時間前后的空間場景與全時間流程，網(wǎng)絡側(cè)輔助參數(shù)包括HLR（Home Location Register，歸屬位置寄存器）用戶簽約數(shù)據(jù)、話音及數(shù)據(jù)網(wǎng)絡留存的控制面和媒體面信令等數(shù)據(jù)。終端側(cè)與網(wǎng)絡側(cè)信令的關聯(lián)示例如圖3所示：

圖3 終端側(cè)與網(wǎng)絡側(cè)信令的關聯(lián)示例

（2）結(jié)合終端側(cè)參數(shù)與網(wǎng)絡側(cè)信令數(shù)據(jù)，形成完備分析工具，判斷檢測結(jié)果，得出初步分析結(jié)論。如圖3所示，終端進入弱信號覆蓋區(qū)域，從網(wǎng)絡信令上看，終端一直在TD-SCDMA和GSM網(wǎng)絡之間不停選擇，但信號強度均達不到穩(wěn)定在一種網(wǎng)絡下，此時獲取到的網(wǎng)絡制式、LAC、CI均會有錯位，終端側(cè)APP的判斷“2G弱覆蓋”符合預期。

3.4 異常事件聚類分析與定位

在3.3節(jié)的基礎上，根據(jù)幾個場景分類，分析異常事件發(fā)生時的各項指標，具體流程如下：

（1）導出異常事件，從終端、小區(qū)等維度進行聚類分析，對于在終端維度的異常事件，從網(wǎng)絡制式、用戶維度進行聚類分析。

（2）根據(jù)場景分類，確定各場景流程環(huán)節(jié)中的重點指標參數(shù)并進行分析，如上網(wǎng)場景中的PDP（Packet Data Protocol，包數(shù)據(jù)協(xié)議）激活成功率，終端異常場景中的終端配置等，輔助問題定位分析。

（3）結(jié)合網(wǎng)絡側(cè)信令，確認最終問題，將問題派單分發(fā)給下一級運營商或者廠商。

3.5 方案優(yōu)點

本方案具備如下3個方面的優(yōu)點：

（1）分析挖掘效率高：通過對現(xiàn)網(wǎng)用戶的無線覆蓋、網(wǎng)絡互操作、終端行為、應用行為等進行深度數(shù)據(jù)挖掘，可高效快速地定位網(wǎng)絡指標異常和用戶網(wǎng)絡行為異常的終端。

（2）準實時性：實時采集用戶網(wǎng)絡日志，實現(xiàn)感知異常事件發(fā)現(xiàn)時延控制在5分鐘以內(nèi)。

（3）分析成本低：無須使用終端進行撥測，充分利用了現(xiàn)網(wǎng)的用戶作為龐大的虛擬測試群體，因而能節(jié)省人力成本和測試實體機的購買成本。

4 結(jié)束語

本文提出了一種基于終端側(cè)感知異常事件智能動態(tài)采集，對終端與網(wǎng)絡交互問題進行分析定位的方法。通過在終端上安裝異常事件采集APP，自動采集終端關鍵參數(shù)，在異常事件發(fā)生后自動觸發(fā)動態(tài)擴展參數(shù)采集范圍，并結(jié)合網(wǎng)絡側(cè)信令對終端及網(wǎng)絡交互環(huán)境進行溯源定位，提升用戶感知異常發(fā)現(xiàn)及定位的效率。

參考文獻：

[1] 樓旭明，孫中原，趙合. 4G時代流量爆發(fā)性增長的實證分析[J]. 價值工程， 2016，35（13）： 49-51.

[2] 唐盛濤. 基于數(shù)據(jù)挖掘的運營商客戶投訴分析方法研究[J]. 互聯(lián)網(wǎng)天地， 2016（3）： 53-55.

[3] 郭寶. TD主流商務終端的路測與優(yōu)化[J]. 通信世界， 2012（14）： 23.

[4] 陳平，宋玉蓉，蔣國平. 基于多維聚類挖掘的異常檢測方法研究[J]. 計算機技術與發(fā)展， 2012，22（7）： 136-139.

[5] 趙旺飛，戴罕琦. 基于互聯(lián)網(wǎng)模式的4G網(wǎng)絡感知提升技術研究[J]. 電信快報， 2016（3）： 18-21.

[6] 黃斐一，孫立軍，孔繁盛. 基于移動互聯(lián)網(wǎng)手機應用的無線網(wǎng)絡性能采集方案[J]. 廣東通信技術， 2014（4）： 2-6.

[7] 莫建林. 基于虛擬終端上下文環(huán)境感知的多終端重構系統(tǒng)和方法： 中國， 103248653 A[P]. 2013-08-14.

[8] 李健，孫廣中，許胤龍. 基于時間序列的預測模型應用與異常檢測[J]. 計算機輔助工程， 2006，15（2）： 49-51.

[9] 王凱，姚東升. 無線通信網(wǎng)絡信號質(zhì)量監(jiān)測系統(tǒng)： 中國， 1905588 A[P]. 2007-01-31.

[10] 楊理想. 移動通信網(wǎng)絡用戶感知智能分析系統(tǒng)：投訴回放和故障重現(xiàn)模塊的研究與開發(fā)[D]. 重慶： 重慶郵電大學， 2013. ★endprint