[发明专利]家宽质差分析方法、装置、设备及存储介质

权利要求书

1.一种家宽质差分析方法，其特征在于，应用在网管平台侧，所述家宽质差分析方法包括以下步骤：

获取不同维度的在线用户家宽业务数据，所述维度包括设备基础信息维度、网络质量维度以及业务感知维度；

通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别对所述在线用户家宽业务数据进行场景识别，得到各个质差场景；

根据所述各个质差场景构建嵌入式质差模型；

将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧和云端分别对在线用户家宽质差数据进行分析。

2.如权利要求1所述的家宽质差分析方法，其特征在于，所述获取设备基础信息维度、网络质量维度、业务感知维度的在线用户家宽业务数据，包括：

通过目标网关设备采集用户终端的设备属性参数，将所述设备属性参数作为设备基础信息维度的家宽数据；

根据网络质量数据和网络质量指标得到网络质量维度的家宽数据；

获取目标服务器域名，根据所述目标服务器域名进行网络探测，得到各层网络性能质量参数；

根据所述各层网络性能质量参数和所述业务感知指标得到业务感知维度的家宽数据；

根据所述设备基础信息维度的家宽数据、所述网络质量维度的家宽数据以及所述业务感知维度的家宽数据得到在线用户家宽业务数据。

3.如权利要求1所述的家宽质差分析方法，其特征在于，所述通过上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型分别对所述在线用户家宽业务数据进行场景识别，得到各个质差场景，包括：

根据所述上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型得到对应的模型质差特征；

对所述在线用户家宽业务数据进行分类，得到家宽业务数据类型；

根据所述模型质差特征和所述家宽业务数据类型确定模型数据识别关系；

按照所述模型数据识别关系通过所述上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型对所述在线用户家宽业务数据进行场景识别，得到各个质差场景。

4.如权利要求3所述的家宽质差分析方法，其特征在于，所述按照所述模型数据识别关系通过所述上联状态质差模型、下挂设备弱覆盖质差模型以及运行状态质差模型对所述在线用户家宽业务数据进行场景识别，得到各个质差场景之前，还包括：

根据上行连接方式、上行速率参数以及上行设备的组网场景改善策略训练出上联状态质差模型；

根据无线下挂设备的调整参数和组网终端的调整参数得到下挂设备的组网场景调整策略；

根据所述无线下挂设备的个数、速率参数、目标范围内无线网络参数、网络参数以及所述下挂设备的组网场景调整策略训练出下挂设备弱覆盖质差模型；

根据网络设备的丢包参数、下载参数、时延参数以及用户家宽的组网性能优化策略训练出运行状态质差模型。

5.如权利要求1所述的家宽质差分析方法，其特征在于，所述根据所述各个质差场景构建嵌入式质差模型，包括：

获取各个机器学习算法；

通过增量学习策略和参数优先策略在所述各个机器学习算法选取目标机器学习算法；

通过预设质差规则和门限区间对所述各个质差场景进行标定，得到质差场景标定数据；

根据所述目标机器学习算法和所述质差场景标定数据训练出嵌入式质差模型。

6.如权利要求1至5中任一项所述的家宽质差分析方法，其特征在于，所述将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧和云端分别对在线用户家宽质差数据进行分析，包括：

通过目标网管平台通道将所述嵌入式质差模型部署至组网端侧，以使所述组网端侧通过所述嵌入式质差模型对在线用户家宽质差数据进行周期性自检分析，得到当前端侧分析结果；

在所述当前端侧分析结果中存在目标复杂质差场景的家宽质差数据时，将所述家宽质差数据发送至云端，以使所述云端根据历史业务数据、定向拨测数据以及网络拓扑结构对所述家宽质差数据进一步分析。