互联网电视业务故障自动监测系统

中国移动通信有限公司研究院2023-11 •截至2023年6月，网络视频的用户规模达到10.44亿，视频在网络流量中占比将超过70%•视频业务形态多样：IPTV、互联网电视、长视频、短视频、直播、VR／AR、元宇宙等 •无法及时获取用户视频业务实际体验，靠用户反馈主观且滞后•仅靠网络报文分析，没有用户体验关联，准确度差 •端到端路径长，分段分域各自排障效率低，缺乏方法和工具，定界难且时间长•故障诊断维度和层级多且相互交织，复杂度高 •传统网络/网元质量指标，不能完全准确反映用户体验•不同业务的用户体验与网络质量指标之间的影响关系不同，没有完整的指标体系 本系统已用于互联网电视领域，同样适用于其他视频业务场景 痛点：传统技术采集视频体验指标不全或不精准，易发生漏检、错检 痛点2各省时序数据模式多样化，逐省标注、建模成本高 痛点3长流程、多层多维组网结构引发“维度爆炸”，影响定界效率 痛点1业务高峰期易出现“非平稳时间序列漂移”，产生虚警 stationaryenvironm ent,tem poralpatterncanchangeovertim e.Forinstance,asthepopularityofaserviceincreases, andC ross.In theSelf,both thetraining dataand testdataoriginatefrom thesam edevice.C onversely,intheC ross,thetraining dataand testdatastem from differentdevices.W edirectlyem ploythem odel(andscaler,threshold,etc.)derivedfrom thetrainingdatatom onitorthetargetdevicew ithoutanyfine-tuning.Incom parisontothefew -shotlearningm ethodforanom alydetection,thereisnoneedforasubstantialdurationto accum ulate new training data foreach additionaltargettherequestcountgradually escalates.Inter-devicedriftprim arily arisesfrom the distinctregionalcharacteris-tics.Forinstance,asillustrated inFig.2(b),thesecondprovince,w ithalargerpopulation,exhibitsapproxim atelythreetim esthenum berofactiveuserscom pared tothefirstprovincew ithasparserpopulation.Inresponsetotheabovechallenges,w eintroduceG enA D ,aG eneralA nom alyD etection fram eworkform ultivariatetim e创新研发基于多维指标时序表征方法，实现跨省网络“时空一致性”建模，构建省间泛化能力 首次提出基于前沿“启发式搜索”算法构建根因定界模型，具备“精确定界”“快速检索”优势 基于深度学习异常检测算法，动态解耦时间序列，学习指标内在变化规律，应对时序非平稳问题 costsassociatedw ithlabeling.O verthepastfew years,variousclassicalunsupervisedm ethods[1]–[6]havebeendeveloped.T hesem ethodstypicallytreateachtim estam pasanindividualdata pointand em ploy relatively sim plistic m odelsto cap- sition(SV D )basedinform ationcom pressiontoreducenoise.Follow ing that,w eutilize w indow norm alization to addressdistributiondrift.Tohandlethevariabledistributionandperiodcom ponents,w eintroduceM etric-Patch-Wise(M PW )em bed-dingtoextracthigh-levelfeatures.WithinM PW em bedding, 6项 •CN109769131A一种视频质量监测方法及机顶盒•CN109729051A一种信息处理方法、机顶盒及计算机存储介质•CN111405363A一种家庭网络中识别机顶盒的当前用户的方法及设备•CN111405350A一种多媒体访问处理方法、机顶盒及网关•CN109391520A基于融合型家庭网关的深度报文检测方法、装置和系统•CN110943874A—种家庭宽带网络的故障检测方法、装置和可读介质 2项 •软著登字10775801宽带电视故障检测发现系统V1.0 3篇 •2022 10th International Conference on Information Systems and Computing Technology (ISCTech)Anomaly Detection of Internet Service Quality Degradation in Digital Twin for Fixed Access Network•2022 IEEE the 8th International Conference on Computer and Communications (ICCC)Informer-based Anomaly Detection for Internet TV Service in Home Network•2022 18th International Conference on Mobility, Sensing and Networking (MSN)MSJAD: Multi-Source Joint Anomaly Detection of Web Application Access 立项7项 •《面向公众应用的移动互联网网络质量评测方法监测》•《面向公众应用的移动互联网网络质量评测方法拨测》•《面向行业应用的移动互联网网络质量评测指标电网场景》 •《面向公众应用的移动互联网网络质量评价指标和评测方法视频直播类》•《面向公众应用的移动互联网网络质量评价指标和评测方法视频播放类》•《面向公众应用的移动互联网网络质量评价指标和评测方法网页浏览类》•《面向公众应用的移动互联网网络质量评价指标和评测方法视觉实时类》 •精确捕捉用户体验相关的业网关键指标•故障检测准确率95%+，根因定界准确率80%+ •采用软件实现，无需专门硬件设备投入，推广、运维成本低•部署简单，无需用户参与 •覆盖全国2.01亿电视用户•模块化、组件化设计，可快速复制到各类终端及系统•开放式体系架构，易于各类视频提供方调用和集成 •故障检测、根因定界各环节自动化，实现各类阈值智能调整•应对复杂网络结构，快速根因定界•单省训练、跨省推理 •项目负责人 •大数据研发领域专家•负责系统架构和方案设计 •网络及业务质量监测分析领域专家•负责系统架构和方案设计 •AI算法研究专家•负责分布式、大模型算法研究，产品设计和运营 •质量监测技术专家•负责核心模块研发工作 •AI算法研究专家•负责数据分析和模型研发