异常检测方法、装置及计算机可读存储介质与流程

1.本公开涉及信息技术领域，特别涉及一种异常检测方法、装置及计算机可读存储介质。


背景技术：

2.交互式网络电视(简称iptv)服务的用户基数庞大，用户的观看体验对于网络设备运行情况的变化较为敏感。因此，目前迫切需要能准确、够自动化检测出iptv视频播放效果异常的技术方案，以便及时发现iptv用户观看体验下降并生成视频播放效果异常的相关预警。


技术实现要素：

3.本公开解决的一个技术问题是，如何准确、自动化的检测出视频播放效果是否发生异常。
4.根据本公开实施例的一个方面，提供了一种异常检测方法，包括：分别采集各个时刻的各项视频播放效果指标；根据各个时刻的各项视频播放效果指标，分别生成各个时刻的视频播放效果指标的特征矩阵；利用预先训练的神经网络对特征矩阵进行处理，获得重构特征矩阵；根据特征矩阵及重构特征矩阵，检测视频播放效果是否发生异常。
5.在一些实施例中，根据各个时刻的各项视频播放效果指标，生成各个时刻视频播放效果指标的特征矩阵包括：根据第一时刻至第二时刻的各项视频播放效果指标，生成第一时刻的特征矩阵，第一时刻与第二时刻之差为预设正整数，第一时刻为各个时刻中的任一时刻。
6.在一些实施例中，根据第一时刻至第二时刻的各项视频播放效果指标，生成第一时刻的特征矩阵包括：根据第一时刻至目标第二时刻的各项视频播放效果指标，生成第一时刻下与目标正整数对应的特征矩阵，其中，目标正整数为预设正整数的取值集合中的任一元素，目标第二时刻为第二时刻的取值集合中的任一元素，第一时刻与目标第二时刻之差为目标正整数；将第一时刻下与各个目标正整数分别对应的特征矩阵，作为第一时刻的特征矩阵。
7.在一些实施例中，第一时刻下与目标正整数对应的特征矩阵中的第i行第j列元素的取值，与从第一时刻到目标第二时刻的第i项视频播放效果指标与第j项视频播放效果指标的乘积的加权和呈正相关。
8.在一些实施例中，采用如下公式生成t时刻下与目标正整数e对应的特征矩阵：
[0009][0010]
其中，为t时刻下与目标正整数e对应的特征矩阵中第i行第j列的元素，s为累加标识，ws为与s呈负相关的加权系数，为t-s时刻的第i项视频播放效果指标，
为t-s时刻的第j项视频播放效果指标，k为预设正整数的取值集合中的元素个数。
[0011]
在一些实施例中，异常检测方法还包括：利用各个时刻的视频播放效果指标的样本特征矩阵对神经网络进行训练，使神经网络输出与样本特征矩阵相对应的重构特征矩阵，训练神经网络时采用的损失函数为各个时刻的样本特征矩阵与相对应的重构特征矩阵之间的l2范数误差之和。
[0012]
在一些实施例中，根据特征矩阵及重构特征矩阵，检测视频播放效果是否发生异常包括：将第一时刻的特征矩阵与重构特征矩阵之间的l2范数误差作为第一误差，第一时刻为各个时刻中的任一时刻；在第一误差大于第一阈值的情况下，检测到第一时刻视频播放效果发生异常；在第一误差不大于第一阈值的情况下，检测到第一时刻视频播放效果未发生异常。
[0013]
在一些实施例中，异常检测方法还包括：在检测到第一时刻视频播放效果发生异常后，将第一时刻的特征矩阵的第i行与重构特征矩阵第i行之间的l2范数误差作为第二误差；在第二误差大于第二阈值的情况下，检测到第一时刻第i项视频播放效果指标导致视频播放效果发生异常；在第二误差不大于第二阈值的情况下，检测到第一时刻第i项视频播放效果指标未导致视频播放效果发生异常。
[0014]
根据本公开实施例的另一个方面，提供了一种异常检测装置，包括：指标采集模块，被配置为分别采集各个时刻的各项视频播放效果指标；矩阵生成模块，被配置为根据各个时刻的各项视频播放效果指标，分别生成各个时刻的视频播放效果指标的特征矩阵；矩阵处理模块，被配置为利用预先训练的神经网络对特征矩阵进行处理，获得重构特征矩阵；异常检测模块，被配置为根据特征矩阵及重构特征矩阵，检测视频播放效果是否发生异常。
[0015]
在一些实施例中，矩阵生成模块被配置为：根据第一时刻至第二时刻的各项视频播放效果指标，生成第一时刻的特征矩阵，第一时刻与第二时刻之差为预设正整数，第一时刻为各个时刻中的任一时刻。
[0016]
在一些实施例中，矩阵生成模块被配置为：根据第一时刻至目标第二时刻的各项视频播放效果指标，生成第一时刻下与目标正整数对应的特征矩阵，其中，目标正整数为预设正整数的取值集合中的任一元素，目标第二时刻为第二时刻的取值集合中的任一元素，第一时刻与目标第二时刻之差为目标正整数；将第一时刻下与各个目标正整数分别对应的特征矩阵，作为第一时刻的特征矩阵。
[0017]
在一些实施例中，第一时刻下与目标正整数对应的特征矩阵中的第i行第j列元素的取值，与从第一时刻到目标第二时刻的第i项视频播放效果指标与第j项视频播放效果指标的乘积的加权和呈正相关。
[0018]
在一些实施例中，矩阵生成模块被配置为：采用如下公式生成t时刻下与目标正整数e对应的特征矩阵：
[0019][0020]
其中，为t时刻下与目标正整数e对应的特征矩阵中第i行第j列的元素，s为累加标识，ws为与s呈负相关的加权系数，为t-s时刻的第i项视频播放效果指标，
为t-s时刻的第j项视频播放效果指标，k为预设正整数的取值集合中的元素个数。
[0021]
在一些实施例中，异常检测装置还包括：网络训练模块，被配置为利用各个时刻的视频播放效果指标的样本特征矩阵对神经网络进行训练，使神经网络输出与样本特征矩阵相对应的重构特征矩阵，训练神经网络时采用的损失函数为各个时刻的样本特征矩阵与相对应的重构特征矩阵之间的l2范数误差之和。
[0022]
在一些实施例中，异常检测模块被配置为：将第一时刻的特征矩阵与重构特征矩阵之间的l2范数误差作为第一误差，第一时刻为各个时刻中的任一时刻；在第一误差大于第一阈值的情况下，检测到第一时刻视频播放效果发生异常；在第一误差不大于第一阈值的情况下，检测到第一时刻视频播放效果未发生异常。
[0023]
在一些实施例中，异常检测装置还包括指标检测模块，被配置为：在检测到第一时刻视频播放效果发生异常后，将第一时刻的特征矩阵的第i行与重构特征矩阵第i行之间的l2范数误差作为第二误差；在第二误差大于第二阈值的情况下，检测到第一时刻第i项视频播放效果指标导致视频播放效果发生异常；在第二误差不大于第二阈值的情况下，检测到第一时刻第i项视频播放效果指标未导致视频播放效果发生异常。
[0024]
根据本公开实施例的又一个方面，提供了一种异常检测装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器中的指令，执行前述的异常检测方法。
[0025]
根据本公开实施例的再一个方面，提供了一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现前述的异常检测方法。
[0026]
本公开能够准确、自动化的检测出视频播放效果是否发生异常。
[0027]
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
[0028]
为了更清楚地说明本公开实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0029]
图1示出了本公开一些实施例的异常检测方法的流程示意图。
[0030]
图2示出了预先训练的神经网络的结构示意图。
[0031]
图3示出了本公开另一些实施例的异常检测方法的流程示意图。
[0032]
图4示出了本公开一些实施例的异常检测装置的结构示意图。
[0033]
图5示出了本公开另一些实施例的异常检测装置的结构示意图。
具体实施方式
[0034]
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提
下所获得的所有其它实施例，都属于本公开保护的范围。
[0035]
传统的iptv用户体验异常检测方法普遍使用阈值告警的方式，即为各项视频播放效果指标分别设置阈值，在视频播放效果指标超出阈值的情况下检测到iptv用户体验异常。这种方式存在以下问题：一方面，传统方法对阈值的设定非常敏感，因各项视频播放效果指标频繁波动导致的噪声点、毛刺点容易产生误检测和误告警；另一方面，传统方法针对多变的业务场景和不同的视频播放效果指标，只能分别设定多个阈值并各自告警，缺乏对各项视频播放效果指标的综合考量。
[0036]
有鉴于此，本公开提出了一种针对iptv用户体验的异常检测方法，能够准确、自动化的检测出视频播放效果是否发生异常。
[0037]
首先结合图1描述本公开异常检测方法的一些实施例。
[0038]
图1示出了本公开一些实施例的异常检测方法的流程示意图。如图1所示，本实施例包括步骤s101～步骤s104。
[0039]
在步骤s101中，分别采集各个时刻的各项视频播放效果指标。
[0040]
首先采集各个时刻下多维度的视频播放效果指标，例如归一化处理后的播放卡顿用户占比、归一化处理后的播放卡顿丢包用户数、归一化处理后的操控响应缓慢用户数、归一化处理后的机顶盒加载时间等等。假设总共在t(例如取值为24)个时刻采集了每个时刻下的n项视频播放效果指标。
[0041]
在步骤s102中，根据各个时刻的各项视频播放效果指标，分别生成各个时刻的视频播放效果指标的特征矩阵。
[0042]
生成特征矩阵时，可以从指标维度以及时间维度综合考量各个时刻的各项视频播放效果指标。假设第一时刻t(t《t)为各个时刻t中的任一时刻，第二时刻t-e为第一时刻之前的时刻，即第一时刻与第二时刻之差为预设正整数e。那么，可以根据第一时刻t至第二时刻t-e的各项视频播放效果指标，生成第一时刻的特征矩阵。本领域技术人员应理解，当第一时刻取t个时刻中的前几个时刻时，可能导致第二时刻t-e不属于t个时刻中的各个时刻，此时可以对t个时刻之前的几个时刻进行数据填充，以获得从第二时刻t-e至第一时刻t之间各个时刻的各项视频播放效果指标。
[0043]
具体来说，可以根据第一时刻t至目标第二时刻t-e的各项视频播放效果指标，生成第一时刻t下与目标正整数e对应的特征矩阵。其中，目标正整数e为预设正整数e的取值集合中的任一元素，目标第二时刻t-e为第二时刻t-e的取值集合中的任一元素，第一时刻t与目标第二时刻t-e之差为目标正整数e。然后，可以将第一时刻t下与e中各个目标正整数分别对应的特征矩阵，作为第一时刻t的特征矩阵。
[0044]
在一些实施例中，第一时刻下与目标正整数对应的特征矩阵中的第i行第j列元素的取值，与从第一时刻到目标第二时刻的第i项视频播放效果指标与第j项视频播放效果指标的乘积的加权和呈正相关。例如，可以采用如下公式生成t时刻下与目标正整数e对应的特征矩阵：
[0045][0046]
其中，为t时刻下与目标正整数e对应的特征矩阵中第i行第j列的元素，s为
累加标识，ws为与s呈负相关的加权系数(即目标第二时刻越靠前，目标第二时刻与第一时刻之间视频播放效果指标的关联关系越弱，w例如可以取值为0.3)，为t-s时刻的第i项视频播放效果指标，为t-s时刻的第j项视频播放效果指标，k为预设正整数的取值集合中的元素个数。对e从e中取不同的数值(例如e可以分别取值为1、2、4、6)，最终可以获得t个尺寸为n*n通道数为k的特征矩阵，这t个尺寸为n*n通道数为k的特征矩阵能够反映t个时刻的各项视频播放效果指标的时间关联信息以及指标关联信息。
[0047]
在步骤s103中，利用预先训练的神经网络对特征矩阵进行处理，获得重构特征矩阵。
[0048]
图2示出了预先训练的神经网络的结构示意图。如图2所示，该神经网络例如可以为自编码神经网络，自编码神经网络的结构本身不属于本公开的发明点，具体可以参考论文《multi-scale spatiotemporal conv-lstm network for video saliency detection》、《attention in convolutional lstm for gesture recognition》、《基于注意力机制的cnn-lstm模型及应用》以及《基于时空注意力网络的中国手语识别》，在此不做详述。在本实施例中，自编码神经网络的输入数据为时间长度t、k通道、尺寸为n*n的特征矩阵。自编码神经网络的编码器部分包括a、b两个模块，解码器部分可以包括c模块。a模块中的每个卷积层对特征矩阵进行卷积计算，a模块中的每个卷积层的输出灌入b模块；b模块中的每个卷积-长短期记忆网络(简称convlstm)能够采用注意力机制从隐藏层输出特征向量并灌入c模块。c模块能够对b模块输出的特征向量进行反卷积(简称deconv)和合并(简称concat)操作，最终获得重构特征矩阵。
[0049]
例如，利用各个时刻的视频播放效果指标的样本特征矩阵(共8000个样本特征矩阵，每256个样本特征矩阵为一批)对神经网络进行训练后，可以使神经网络输出与样本特征矩阵相对应的重构特征矩阵。训练神经网络时采用的损失函数，为各个时刻的样本特征矩阵与相对应的重构特征矩阵之间的l2范数误差之和。
[0050]
在步骤s104中，根据特征矩阵及重构特征矩阵，检测视频播放效果是否发生异常。
[0051]
检测视频播放效果是否发生异常时，可以将第一时刻的特征矩阵与重构特征矩阵之间的l2范数误差作为第一误差，其中第一时刻为各个时刻中的任一时刻。然后，判断第一误差是否大于第一阈值。
[0052]
在第一误差大于第一阈值的情况下，检测到第一时刻视频播放效果发生异常；在第一误差不大于第一阈值的情况下，检测到第一时刻视频播放效果未发生异常。
[0053]
例如，t时刻的第一误差的计算公式可以为:
[0054][0055]
其中，m
′
ije
为重构特征矩阵中第i行第j列通道数为e的元素。本领域技术人员应理解，第一阈值可以根据实际需求进行弹性设定。若大于第一阈值，则可以检测到t时刻视频播放效果发生异常。
[0056]
本实施例构建了在指标维度以及时间维度上信息量更加丰富的特征矩阵，不仅能
够充分反映视频播放效果指标的时间关联信息和指标间关联信息，还能够有效降低了噪声点、毛刺点对于检测视频播放效果是否发生异常造成的干扰。然后基于自编码神经网络进行检测，能够准确、自动化的检测出视频播放效果是否发生异常，无需针对不同的视频播放效果指标分别设定单独的阈值进行判断，具有便捷高效、灵活可靠、泛化性强、适用范围广的特点。
[0057]
下面结合图3描述本公开异常检测方法的另一些实施例。
[0058]
图3示出了本公开另一些实施例的异常检测方法的流程示意图。如图3所示，本实施例包括步骤s305～步骤s308。
[0059]
在步骤s305中，在检测到第一时刻视频播放效果发生异常后，将第一时刻的特征矩阵的第i行与重构特征矩阵第i行之间的l2范数误差作为第二误差。
[0060]
在步骤s306中，判断第二误差是否大于第二阈值。
[0061]
在第二误差大于第二阈值的情况下，执行步骤s307，即检测到第一时刻第i项视频播放效果指标导致视频播放效果发生异常；
[0062]
在第二误差不大于第二阈值的情况下，执行步骤s308，即检测到第一时刻第i项视频播放效果指标未导致视频播放效果发生异常。
[0063]
例如，t时刻的第二误差的计算公式可以为:
[0064][0065]
若大于第二阈值，则可以检测到t时刻第i项视频播放效果指标导致视频播放效果发生异常。
[0066]
本实施例能够准确且便捷高效的检测出导致视频播放效果发生异常的视频播放效果指标。在实际应用场景中，与其他网络设备故障定位模块相结合，能够实现向iptv网络保障的运维人员自动派发故障整治工单，节省人工分析的工作成本，从而实现iptv网络的自动化运维，保障iptv业务的正常运行和用户体验。
[0067]
下面结合图4描述本公开异常检测装置的一些实施例。
[0068]
图4示出了本公开一些实施例的异常检测装置的结构示意图。如图4所示，本实施例中的异常检测装置40包括：指标采集模块401，被配置为分别采集各个时刻的各项视频播放效果指标；矩阵生成模块402，被配置为根据各个时刻的各项视频播放效果指标，分别生成各个时刻的视频播放效果指标的特征矩阵；矩阵处理模块403，被配置为利用预先训练的神经网络对特征矩阵进行处理，获得重构特征矩阵；异常检测模块404，被配置为根据特征矩阵及重构特征矩阵，检测视频播放效果是否发生异常。
[0069]
在一些实施例中，矩阵生成模块402被配置为：根据第一时刻至第二时刻的各项视频播放效果指标，生成第一时刻的特征矩阵，第一时刻与第二时刻之差为预设正整数，第一时刻为各个时刻中的任一时刻。
[0070]
在一些实施例中，矩阵生成模块402被配置为：根据第一时刻至目标第二时刻的各项视频播放效果指标，生成第一时刻下与目标正整数对应的特征矩阵，其中，目标正整数为预设正整数的取值集合中的任一元素，目标第二时刻为第二时刻的取值集合中的任一元
素，第一时刻与目标第二时刻之差为目标正整数；将第一时刻下与各个目标正整数分别对应的特征矩阵，作为第一时刻的特征矩阵。
[0071]
在一些实施例中，第一时刻下与目标正整数对应的特征矩阵中的第i行第j列元素的取值，与从第一时刻到目标第二时刻的第i项视频播放效果指标与第j项视频播放效果指标的乘积的加权和呈正相关。
[0072]
在一些实施例中，矩阵生成模块被配置为：采用如下公式生成t时刻下与目标正整数e对应的特征矩阵：
[0073][0074]
其中，为t时刻下与目标正整数e对应的特征矩阵中第i行第j列的元素，s为累加标识，ws为与s呈负相关的加权系数，为t-s时刻的第i项视频播放效果指标，为t-s时刻的第j项视频播放效果指标，k为预设正整数的取值集合中的元素个数。
[0075]
在一些实施例中，异常检测装置40还包括网络训练模块400，被配置为利用各个时刻的视频播放效果指标的样本特征矩阵对神经网络进行训练，使神经网络输出与样本特征矩阵相对应的重构特征矩阵，训练神经网络时采用的损失函数为各个时刻的样本特征矩阵与相对应的重构特征矩阵之间的l2范数误差之和。
[0076]
在一些实施例中，异常检测模块404被配置为：将第一时刻的特征矩阵与重构特征矩阵之间的l2范数误差作为第一误差，第一时刻为各个时刻中的任一时刻；在第一误差大于第一阈值的情况下，检测到第一时刻视频播放效果发生异常；在第一误差不大于第一阈值的情况下，检测到第一时刻视频播放效果未发生异常。
[0077]
本实施例构建了在指标维度以及时间维度上信息量更加丰富的特征矩阵，不仅能够充分反映视频播放效果指标的时间关联信息和指标间关联信息，还能够有效降低了噪声点、毛刺点对于检测视频播放效果是否发生异常造成的干扰。然后基于自编码神经网络进行检测，能够准确、自动化的检测出视频播放效果是否发生异常，无需针对不同的视频播放效果指标分别设定单独的阈值进行判断，具有便捷高效、灵活可靠、泛化性强、适用范围广的特点。
[0078]
在一些实施例中，异常检测装置40还包括指标检测模块405，被配置为：在检测到第一时刻视频播放效果发生异常后，将第一时刻的特征矩阵的第i行与重构特征矩阵第i行之间的l2范数误差作为第二误差；在第二误差大于第二阈值的情况下，检测到第一时刻第i项视频播放效果指标导致视频播放效果发生异常；在第二误差不大于第二阈值的情况下，检测到第一时刻第i项视频播放效果指标未导致视频播放效果发生异常。
[0079]
本实施例能够准确且便捷高效的检测出导致视频播放效果发生异常的视频播放效果指标。在实际应用场景中，与其他网络设备故障定位模块相结合，能够实现向iptv网络保障的运维人员自动派发故障整治工单，节省人工分析的工作成本，从而实现iptv网络的自动化运维，保障iptv业务的正常运行和用户体验。
[0080]
下面结合图5描述本公开异常检测装置的另一些实施例。
[0081]
图5示出了本公开另一些实施例的异常检测装置的结构示意图。如图5所示，该实
施例的异常检测装置50包括：存储器510以及耦接至该存储器510的处理器520，处理器520被配置为基于存储在存储器510中的指令，执行前述任意一些实施例中的异常检测方法。
[0082]
其中，存储器510例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(boot loader)以及其他程序等。
[0083]
异常检测装置50还可以包括输入输出接口530、网络接口540、存储接口550等。这些接口530、540、550以及存储器510和处理器520之间例如可以通过总线560连接。其中，输入输出接口530为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口540为各种联网设备提供连接接口。存储接口550为sd卡、u盘等外置存储设备提供连接接口。
[0084]
本公开还包括一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现前述任意一些实施例中的异常检测方法。
[0085]
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0086]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0087]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0088]
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。