一种基于曲线相似度进行业务流量监测的方法.docVIP

一种基于曲线相似度进行业务流量监测的方法 　　摘要：提出了一种基于业务流量监测的方法，该方法屏蔽业务系统内部复杂的结构，以业务的有效性为监测的重点。该方法运用了统计学中的相关系数的概念来建立曲线相似度的数学模型。经过实验数据的相关验证，该方法在业务流量监测上非常是有效的。 　　关键词： 业务流量监测；相关系数；曲线相似度；增值业务 　　Abstract： In this paper， a new method based on service flow supervision is presented. In this method， the complex internal structure is shielded， and the effective business is the key of monitoring. A mathematical model about curve correlation coefficient is built to test service effectiveness under the guidance of interrelated coefficient in statistics. Experiments indicate that this approach is effective. 　　Key words： service flow supervision； interrelated coefficient； curve correlation coefficient； value-added service 　　随着电信企业的重组，各运营商间的业务逐渐趋向同质化，而提高服务质量、提升客户满意度是企业取胜的重要法宝。对于网络部的维护人员而言，维护模式也将发生变化，从传统的面向设备的维护模式转变为面向业务的维护模式，即不仅关注设备的运行状况，更要关注用户是否能正常使用承载在设备之上的业务。面向业务的维护模式，客观要求维护部门在用户无法正常使用某业务时，能够快速解决以及先于用户投诉通知客服部门。 　　但是在目前的维护工作中，由于承载在网络上的数据业务（如气象通、农信通、通用分组无线服务技术（GPRS））完成一个业务流经的网络设备链条较长，如气象通业务完成一个业务需要流经全球移动通信系统（GSM）核心网、短信中心、数据通信网络（DCN）、短信网关、移动信息服务中心（MISC），城域网等设备，如图1所描示。因此，在这些设备中任何一个出现故障都可能导致业务出现异常[1-2]。 　　由于在数据业务方面传统异常发现机制存在局限，导致业务异常的发现往往滞后于用户批量投诉，因此引发的投诉具有范围广、历时长、投诉量大的特点。 　　1 基于业务流量的监测 　　文章探讨了一种新的监测方法，该方法可以屏蔽业务系统内部复杂的结构，以业务的有效性为监测的重点，并将关注点移至与用户的最近端，完全以用户的感受来衡量业务是否正常。整个业务监测包含2个过程：第1个过程为建模过程，在业务流经的最后网络环节选取历史正常值为样本空间，统计单位时间段业务量，构建各业务流量模型，消除重大事件、节假日等情况下异常值的干扰；第2个过程为监测过程，准实时取得业务流量，通过一定的数学算法模型来评估业务及网络是否存在异常状况[3]。 　　根据统计学的原理，某类数据业务的业务流量随着时间段有规律地进行变化。如果业务量在某个时间段突然出现异常变化，一般可以认为业务出现了故障[4]。 　　图2是最简单的、通过业务流量来判断业务是否异常的方法。该方法通过建模环节来获取某类短信业务量的模型，然后通过一定的比例（例如10%）来确定上下限值，最后通过实际测试的数据来进行对比，一旦超过门限值就认为业务流量存在问题。基于上下门限的判断方法虽然在理论上可以实现，但是在实际应用中，数据的上下波动还是非常频繁的，因此需要寻找一种新的、有效的数学方法[5]。 　　2 相似度介绍 　　相似度是用以度量两组数据变化趋势相似程度的一个数值度量，其取值范围为[-1，1]。相似度的计算方法可以基于统计学中的相关系数的一些概念。 　　（1） 数学期望 　　数学期望是指离散型随机变量的一切可能的取值Xi（随机变量）与对应的概率p（=Xi）之积的和。 　　X1，X2，X3，……，Xn为随机变量数据，p（X1），p（X2），p（X3），……p（Xn）是随机变量数据的概率函数。 　　通过证明，得出： 　　E（X）=（X1+X2+... +Xn）/n （2） 　　这说明数学期望就是一组数据的算术平均值。 　　（2）方差 　　设X是一个随机变量，若[E{X-E（X）}]存在，则称[E{X-E（X）}]为X的方差，则可得出