[发明专利]视频领域性能参数异常的根因分析方法及设备

权利要求书

1.一种视频领域性能参数异常的根因分析方法，其特征在于，包括：

当视频播放质量的一关键性能指标KPI在第一时间出现异常时，对于至少两个叶子属性组合，若所述KPI为基础KPI，则根据每个所述叶子属性组合在所述第一时间对应的所述KPI的预测值和真实值之间的差值，确定每个所述叶子属性组合的异常贡献度；

若所述KPI是由第一基础KPI和第二基础KPI的比值计算得到的，则根据每个所述叶子属性组合在所述第一时间的所述第一基础KPI的预测值和真实值之间的差值、每个所述叶子属性组合在所述第一时间的第二基础KPI的预测值和真实值之间的差值，确定每个所述叶子属性组合的异常贡献度；

根据所述叶子属性组合的异常贡献度确定非叶子属性组合的异常贡献度；

根据所述叶子属性组合的异常贡献度和所述非叶子属性组合的异常贡献度，从所述叶子属性组合和所述非叶子属性组合中确定异常属性组合，所述异常属性组合用于表示导致所述KPI异常的属性组合，所述属性组合中包括至少一个属性。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

针对每个所述叶子属性组合，获取所述叶子属性组合对应的第一类簇对应的一个机器模型；

将所述叶子属性组合在至少一个第二时间分别对应的所述KPI的真实值输入至所述机器模型中，预测得到所述叶子属性组合在所述第一时间对应的所述KPI的预测值。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

针对每个所述叶子属性组合，获取所述叶子属性组合对应的第一类簇对应的至少两个机器模型；

若所述机器模型为至少两个，则将所述叶子属性组合在至少一个第二时间分别对应的所述KPI的真实值输入至所述至少两个机器模型中，预测得到所述叶子属性组合在所述第一时间对应的所述KPI的至少两个候选预测值；

将与所述叶子属性组合在所述第一时间的所述KPI的真实值最接近的候选预测值，确定为所述叶子属性组合在所述第一时间对应的所述KPI的预测值。

4.根据权利要求2或3所述的方法，其特征在于，所述机器模型通过以下步骤预先训练得到：

按照每个所述叶子属性组合在至少一个第二时间分别对应的所述KPI的真实值构成的序列，对所述至少两个叶子属性组合进行聚类得到至少一个第一类簇；

针对每个所述第一类簇分别训练机器模型。

5.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述叶子属性组合的异常贡献度和所述非叶子属性组合的异常贡献度，从所述叶子属性组合和所述非叶子属性组合中确定异常属性组合，包括：

根据每个所述叶子属性组合在所述第一时间分别对应的所述KPI的预测值和真实值之间的偏离程度，对所述至少两个叶子属性组合进行聚类得到至少一个第二类簇，所述偏离程度是根据所述预测值和所述真实值之间的差值、所述预测值和所述真实值之和的比值确定的；

在每个所述第二类簇中，将同一类型的属性组合按照异常贡献度从大到小的顺序添加到一集合中，所述属性组合为该第二类簇中的叶子属性组合或该第二类簇中的叶子属性组合对应的非叶子属性组合，在每添加一个所述属性组合时，将所述集合作为第二类簇的一个候选属性组合集，并确定所述候选属性组合集的波动贡献度；

根据每个所述第二类簇中所述波动贡献度最大的候选属性组合集确定异常属性组合。

6.根据权利要求5所述的方法，其特征在于，所述根据每个所述第二类簇中所述波动贡献度最大的候选属性组合集确定异常属性组合，包括：

针对每个所述第二类簇，对所述第二类簇中的最大所述波动贡献度和所述第二类簇中的所有叶子属性组合的总异常贡献度进行加权，得到所述第二类簇的综合异常贡献度；

根据所述综合异常贡献度，从所述至少一个第二类簇的所述波动贡献度最大的候选属性组合集中确定异常属性组合。