一种将KPI映射到KQI的通用处理方法及系统与流程

本发明涉及移动通信领域，特别是一种将kpi映射到kqi的通用处理方法及系统。

背景技术：

世界电信论坛(tmf)提出了kpi(keyperformanceindicator)和kqi(keyqualityindicator)的概念，并给出了相关的映射算法，但这种算法，只是按业务特性，简单地阐述了kpi与kqi的层次关系，并未针对移动通信网络承载的业务特点，系统的定义kpi与kqi映射方法。这样就给给移动通信业界，在实际的应用中，留下了较多研究的空间。当前，kpi与kqi的映射方法，概括的来讲，主要是按业务特征，梳理表征性能的kpi与kqi体系，再将一些行业专家经验，转化为某种数学统计方法，以此来定义kpi与kqi映射关系。针对此问题，比较有代表性的有：ahp层次分析法、信息熵法等，利用一系列的运算得出一系列映射权重系数。

但现有方法并未客观梳理kpi与kqi指标逻辑关系，个体kpi孤立的与kqi映射，其中计算的映射权重系数，或多或少都有人为的主观倾向性。这种主观性并不符合现实的客观性，在一定程度上可能是相对具有代表性的一种计算方法。这种主观倾向与客观现实的差异影响，取决与参与定义映射方法的专家人群认知度。如果要提高用户感知体系的准确性，关键点是减少人为介入的概率。

目前，有关移动通信领域的成果，多集中在传统的话音业务方面，数据业务方面由于受限于指标体系复杂性，一些常规的指标体系搭建方法，实际应用效果难于量化及控制。为此，将移动通信领域的数据业务完整的映射到用户使用业务类型，客观性地反映网络性能对用户感知的影响，是一种客观性的要求。

技术实现要素：

为解决上述问题，本发明的目的在于提供一种将kpi映射到kqi的通用处理方法及系统，尽量减少权重系数的使用，最大限度的尊重客观用户行为。

本发明解决其问题所采用的技术方案是：

一种将kpi映射到kqi的通用处理方法，包括：

量化业务类型为具体的kqi指标，对具体的kqi指标定义相关的kpi指标，根据相关的kpi指标拟合出kpi指标至kqi指标的映射模型，通过此映射模型将kpi指标转换为对应的kqi指标。

所述量化业务类型为具体的kqi指标包括：

量化网页浏览类业务为接入成功率、时延性、感知速率、完整性4个kqi指标，以及量化即时通讯类业务为登录成功率、消息重传率、掉线率3个kqi指标。

所述方法还包括，对接入成功率，定义kpi因子如下：

attach消息中断时长：ta；

pdp消息中断时长：tb；

pdp在线时长：tt；

dns会话数：nd；

dns失败会话数：ndf；

dns成功会话数：nds；

dns业务占比系数：nl；

端口连接成功次数：nss；

端口连接次数：ns；

端口连接失败次数：nsf；

端口连接数业务占比系数：ni；

单位统计时间：time；

业务连接成功率：ps；

其中，ta为单个用户attach消息失败到成功的时间累加值，tb为单个用户pdp消息失败到成功的时间累加值，tt为单位时间内，pdp状态在线总时长，其中nd为ndf与nds之和，ns为nss与nsf之和，业务连接成功率ps包括get/post业务连接，基于以上kpi因子，定义映射模型函数：

其中，m为单位统计时间time内pdp在线时累计次数，n为单位统计时间time内消息中断次数。

所述方法还包括，对于时延性，定义kpi因子如下：

attach时延：da；

pdp时延：dp；

dns时延：dd；

业务dns系数：nss；

syn时延：ds；

其中，业务dns系数nss为相关业务端口数连接与总端口连接数之比，定义映射模型函数：(da+dp)×nss+[dd×(dd/ds)]+ds，依此函数作为kpi与对应kqi的映射关系。

所述方法还包括，对于感知速率，根据用户业务信令流逻辑，定义用户使用业务感关键指标，生成对应的关键指标数据库表格，所述关键指标数据库表格包括如下关键指标：

imsi：用户标识；

ip_len：流量；

star_time：session开始时间；

end_time：session结束时间；

servie_type：业务类型标识；

interval_set：用户使用业务间隔时间；

user_refrence：用户使用次数标识；

用户使用单次业务包含有对应数目分散的信令事件，将这些分散的信令事件添加用户使用次数标识，即当第n条信令事件的开始时间star_time与结束时间end_tim之差大于或等于用户使用业务间隔时间interval_set时，则表明此信令事件为本次业务的第n条信令事件，反之，说明本次业务结束，则第n-1条信令事件为本次业务最后的信令事件，以此得出单次业务中信令事件的个数，对每一件信令事件，统计此信令事件产生的流量数据，根据此信令事件结束时间end_time与开始时间star_time的差值，计算此信令事件的速率，再将此信令事件的速率乘以此信令事件的流量时间，为此信令事件的总流量，将单次业务中所有信令事件产生的流量求和计算业务流量，根据此次业务中所有信令事件产生的时间求和计算业务时间，计算最终的感知速率。

所述方法还包括，对于完整性，通过传输层协议，根据用户使用的业务类型，监控传输端口状态及流量，通过换算正常关闭的端口流量占总端口流量比例，计算用户完整性情况。

其中，设置信令流正常关闭字段用以识别端口是否正常关闭。

所述方法还包括，对于消息重传率，通过传输层，计算每条消息对应的传输层重传信令包数占总队列包数的比例，作为消息重传率。

一种将kpi映射到kqi的通用处理系统，包括：

采集模块，用于根据业务类型的kqi指标，采集相应的kpi指标数据；

转换模块，用于根据采集的kpi指标数据，选择相应的映射模型，将kpi指标转换为对应的kqi指标。

所述业务类型的kqi指标，包括网页浏览类业务的接入成功率、时延性、感知速率、完整性4个kqi指标，以及即时通讯类业务的登录成功率、消息重传率、掉线率3个kqi指标。

其中，对于接入成功率，转换模块选择映射模型

进行转换，其中time为单位统计时间；ta为单位统计时间内attach消息中断时长；tb为单位统计时间内pdp消息中断时长；tt为单位统计时间内pdp在线时长；nd为单位统计时间内dns会话数；ndf为单位统计时间内dns失败会话数；nds为单位统计时间内dns成功会话数；ns为单位统计时间内端口连接次数；nsf为单位统计时间内端口连接失败次数；ps为单位统计时间内业务连接成功率；n为单位统计时间内单个用户attach/pdp消息从失败到成功的次数；m为单位统计时间内pdp连接成功次数。

其中，对于时延性，转换模块选择映射模型(da+dp)×nss+[dd×(dd/ds)]+ds，其中，da为attach时延，dp为pdp时延，dd为dns时延，nss为业务dns系数，ds为syn时延。

其中，对于感知速率，转换模块根据用户使用单次业务所包含的数目分散的信令事件，将这些分散的信令事件添加用户使用次数标识，即当第n条信令事件的开始时间与结束时间之差大于或等于用户使用业务间隔时间时，则表明此信令事件为本次业务的第n条信令事件，反之，说明本次业务结束，则第n-1条信令事件为本次业务最后的信令事件，以此得出单次业务中信令事件的个数，对每一件信令事件，统计此信令事件产生的流量数据，根据此信令事件结束时间与开始时间的差值，计算此信令事件的速率，再将此信令事件的速率乘以此信令事件的流量时间，为此信令事件的总流量，将单次业务中所有信令事件产生的流量求和计算业务流量，根据此次业务中所有信令事件产生的时间求和计算业务时间，计算最终的感知速率。

其中，对于完整性，转换模块通过传输层协议，根据用户使用的业务类型，监控传输端口状态及流量，通过换算正常关闭的端口流量占总端口流量比例，计算用户完整性情况。

其中，对于消息重传率，转换模块通过传输层，计算每条消息对应的传输层重传信令包数占总队列包数的比例，作为消息重传率。

本发明的有益效果是：

本发明采用一种将kpi映射到kqi的通用处理方法及系统，对不同业务类型，采用相应的映射模型将相应的kpi指标转换为kqi指标，减少人为因素的影响，客观而真实地反应用户对业务性能的感知。

附图说明

下面结合附图和实例对本发明作进一步说明。

图1是本发明所述方法流程图；

图2是本发明所述网页浏览类业务量化后的kqi组合图；

图3是本发明所述即时通讯类业务量化后的kqi组合图。

具体实施方式

参照图1至图3所示，本发明建立了一种应用与数据业务的用户感知体系，实现kpi指标至kqi指标的映射。如图1所示，本发明首先量化相应的业务类型为具体的kqi指标，对这些具体的kqi指标定义相关的kpi指标，通过拟合出的映射模型将kpi指标转换为对应的kqi指标。本发明根据数据业务的应用特点，将数据业务性能按其通信信令流程，以应用业务类型为主体，针对各种业务应用特点，将kqi按业务类型进行映射，尽量减少权重系数的使用，最大限度地尊重用户的客观行为。

参照图2所示，针对网页浏览类业务，根据其业务特点将网页浏览类业务具体量化为接入成功率、时延性、感知速率、完整性四大部分，以此作为用户感知的kqi指标。在具体量化时，量化后的指标要覆盖整个业务类型，充分体现业务特点。本发明通过对以上四个kqi指标的映射方法的改进，提出了一种新的kpi至kqi的映射模型，减少人为的权重系数，进一步提升指标映射的客观性。

1.对于所述接入成功率，指用户在使用业务过程中，最终是否接入。本发明解决了用户控制面消息与业务面消息串联的问题，定义如下kpi因子：

attach消息中断时长：ta

pdp消息中断时长：tb

pdp在线时长：tt

dns会话数：nd

dns失败会话数：ndf

dns成功会话数：nds

dns业务占比系数：nl

端口连接成功次数：nss(wap2.0：syn、wap1.0：connect)

端口连接次数：ns(wap2.0：syn、wap1.0：connect)

端口连接失败次数：nsf(wap2.0：syn、wap1.0：connect)

端口连接数业务占比系数：ni

单位统计时间：time

业务连接成功率：ps(get/post等业务连接)；

其中，ta为单个用户attach消息失败到成功的时间累加值；tb为单个用户pdp消息失败到成功的累加值；以用户尝试10次attach/ppd消息为例，如果前8次都失败，第9、10次成功，那么ta、tb时间为第1次attach/ppd消息时间到9次attach/ppd消息间隔时间，在具体应用时，该因子需要借助程序代码，逐行扫描attach/ppd消息状态，并根据相应逻辑规则进行汇总统计。tt为单位时间time内，pdp状态在线总时长，对应的，以上其它因子皆是在单位时间tim内所得出的具体数据。本发明根据具体的因子，通过以下映射模型实现kpi指标至kqi指标的映射：

其中，m为单位统计时间time内pdp在线时累计次数，n为单位统计时间time内消息中断次数。

本发明设计了基于中断时间ta与tb评估控制面失败事件的算法，系统的量化了控制面消息(attach、pdp)对业务面接入性能的影响，从整体上提高了用户使用业务性能感知的评估性。

2.对于时延性，主要衡量用户业务接入成功后，所耗费的时延，与接入成功率相类似，也需量化控制面消息与业务面消息的串联问题，定义如下kpi因子：

attach时延：da

pdp时延：dp

dns时延：dd

业务dns系数：nss

syn时延：ds；

其中，nss为某类业务端口数连接占总端口连接数的比例，通过以下映射模型：time_delay＝(da+dp)×nss+[dd×(dd/ds)]+ds实现kpi到kqi指标的映射。

本发明引入了业务系数nss，使得用户业务接入时延可以细分到具体业务上，为用户感知在时延性能上后继的优化，提供了更为清晰的优化原因分类。

3.对于感知速率，本发明基于信令统计速率，主要是基于单一通信环节速率，例如用户打开一个网页，可能会并发的产生多个通信事件，如果直接根据通信事件速率进行计算，与实际用户感知打开页面的速率存在一定差异，在进一步修正时，通过海量信令数据量化用户使用业务的间断时间窗口值，通过时间窗口值将分散的通信速率，串联为一次用户应用的过程，具体为：

根据用户业务信令流逻辑，定义用户使用业务感关键指标，生成对应的数据库表格service_kpi_data.common，此数据库表格也是用户关键指标数据统计表，其至少包括有如下数据表关键字段：

imsi：用户标识

ip_len：流量；

star_time：session开始时间；

end_time：session结束时间；

servie_type：业务类型标识；

interval_set：用户使用业务间隔时间；

user_refrence：用户使用次数标识；

根据这些关键字段，利用sql语句整理数据表结构，即：

selectimsi，ip_len，star_time，end_time，servie_type

fromservice_kpi_data.common

orderbyimsi，servie_type，star_time。

用户使用单次业务，对应的信令事件为1～n条，为了客观的评估用户每次业务的感知(例如打开一次网页)，必须将分散的信令事件，添加用户使用次数标识。用户感知指标的统计，依据用户使用次数标识为维度，进行统计。通过以下sql语句添加用户使用次数标识：

if[(n_messege.star_time)-(n-1_messege.end_time)]＜interval_set

thenn.user_refrence＝n-1.user_refrenee

elsen.user_refrence＝n.user_refrence；

其中，n_messege为第n条信令事件，个数n为用户使用某类型业务时，产生的信令事件数的编号，当第n条信令事件的开始时间star_time与结束时间end_tim之差大于或等于用户使用业务间隔时间interval_set时，则表明此信令事件为本次业务的第n条信令事件，反之，说明本次业务结束，则第n-1条信令事件为本次业务最后的信令事件，以此得出单次业务中信令事件的个数。

由于要统计用户使用速率，必须识别每次用户行为产生的一组信令事件，因此在添加用户使用次数标识的数据时，会生成了一个新的数据表service_kpi_data_new.common，通过此表，在计算用户速率时，更方便根据用户流量加权算法计算用户感知速率，同时利用加权算法也比较客观，人为的因素比较少，通过以下sql语句定义用户感知速率因子：

select

[max(end_time)-min(star_time)]ast1，sum(thruput)ast2

fromservice_kpi_data_new.common

groupbyimsi，servie_type，user_refrence；

即对每一件信令事件，计算每一信令事件的结束时间end_time与开始时间star_time的差值，并统计此信令事件产生的流量数据，其中，thruput为用户使用业务事对应产生的流量。

用户的感知速率，通过以下sql语句进行计算：

selectsum((t2/t1)×t1)/sum(t1)astrue_speed

fromservice_kpi_data_new.common；

即通过流量与时间的比值计算出此信令事件的速率，再将此信令事件的速率乘以此信令事件的流量时间，为此信令事件的总流量，将单次业务中所有信令事件产生的流量求和计算业务流量，根据此次业务中所有信令事件产生的时间求和计算业务时间，计算最终的感知速率。

本发明通过引入用户使用业务间隔时长interval_set，定义了user_refrence标识，从而提高了基于信令流程计算的速率与用户感知的业务应用速率的吻合度。

4.对于完整性，本发明通过分析承载业务的传输层端口关闭情况，加以量化，通过量化的完整性指标，客观的评估用户使用业务的完成情况，上述所述的关键指标数据统计表service_kpi_data.common还包含有以下关键字段：

imsi：用户标识

ip_len：流量；

source_ip：终端侧ip；

source_port：终端侧ip端口；

fin：端口关闭标识；

servie_type：业务类型标识；

通过以下方式对数据表进行整理：

selectsum(ip_len)astotal，sum(fin)asinteg，

fromservice_kpi_data.common

groupbyimsi，source_ip，source_port，servie_type；

通过以下方式计算完整性：

select[sum(total)whereinteg＞0]/sum(total)

fromservice_kpi_data_integ.common

groupbyimsi，servie_type；

即通过传输层协议，根据用户使用的业务类型，监控传输端口状态及流量，通过换算正常关闭的端口流量占总端口流量比例，计算用户完整性情况。

以上是针对网页浏览类业务的相关指标进行的计算，由于不同的业务类型具有不同的指标，因此，不同的业务类型则需要不同的映射模型，参照图3所示，对于即时通讯类业务，根据其业务特点将其量化为登录成功率、消息重传率和掉线率三大部分，以此作为用户感知的kqi指标。本发明对消息重传率进行了改进，对于登录成功和掉线率，可以参照上述接入成功率及其它指标形成相关的映射模型。

本发明通过对传输层信令流的跟踪，定义了信令流正常关闭字段fin，在此基础上，进一步定义了基于异常关闭端口流量比例映射的业务完整性指标，更清晰地反应用户的对完整性的感知。

5.对于消息重传率，在即时通信类业务中，其交互信息多由服务器转发，无论从发送、接收端来判断，信息的重传势必会造成传输层的重传，由于即时通信类大部分都采取加密处理，完全量化出受影响的信息数量难度较高，为了最大限度的反映通信网对即时消息交互重传概率的影响，本发明在原传输层重传率指标上加以优化，生成一种更有意义的即时消息发送重传率指标，具体为：

根据用户业务信令流逻辑，定义用户使用业务感关键指标，生成对应的数据库表格retrans_data.common，此数据库表格为用户重传重传关键指标数据统计表，其至少包括有如下数据表关键字段：

min_seq_number：队列最小传输包号；

max_seq_number：队列最大传输包号；

total_number：总包数；

通过给重传包添加标识字段，即：

ifseq_number.next＝seq_number.pre

thenseq_number＝retrans_seq_number

elseseq_number＝nomal_seq_number；

如果下一个传输包seq_number.next与上一个传输包seq_number.pre相同，则说明为重传包，则添加重传标识retrans_seq_number，，如果不相同，则说明非重传包，数据正常传输。

最后，根据重传包占整个队列包数的比例计算消息重传率：

select

count(distic(retrans_seq_number))/(max_seq_number-min_seq_number)×100％)

fromretrans_data.common；

对含有重传标记retrans_seq_number的重传包进行计数，通过计算其与队列总包数(max_seq_number-min_seq_number)的比例计算重传率。

本发明针对目前即时消息加密性强的特点，在传输层重传率算法基础上，定义了重传包比例算法，以此反映用户使用即时通信业务时，消息的重传情况，进一步准确反应用户对消息重传率的感知。

本发明提供了一种将kpi映射到kqi的通用处理系统，包括：

采集模块，用于根据业务类型的kqi指标，采集相应的kpi指标数据；

转换模块，用于根据采集的kpi指标数据，选择相应的映射模型，将kpi指标转换为对应的kqi指标。

所述业务类型的kqi指标是指将不同的业务类型进行量化，本发明将网页浏览类业务量化为接入成功率、时延性、感知速率、完整性4个kqi指标，将即时通讯类业务量化为登录成功率、消息重传率、掉线率3个kqi指标。本发明针对接入成功率、时延性、感知速率、完整性和消息重传率定义了相关的映射模型，具体的方法参照以上方法中所述的内容。其中，不同的kqi指标均有对应的kpi指标，采集模块根据需要采集对应的kpi指标，可以避免采集不需要的数据，减少不相关数据的存储。转换模块根据对应的映射模型，将采集模块采集的kpi数据转换为对应的kqi指标数据。具体的转换方法参照本发明所述方法中提供的映射模型，在此不再赘述。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。