視頻質(zhì)量故障診斷與定位技術(shù)研究

劉超

【摘要】 隨著視頻會(huì)議系統(tǒng)覆蓋范圍的不斷擴(kuò)大，傳統(tǒng)的人工故障排查的方法不僅耗費(fèi)了大量的時(shí)間與人力，而且還無法保證實(shí)時(shí)性和可靠性。為了解決這一問題，現(xiàn)提出有效的視頻故障診斷方法。通過這些方法能夠自動(dòng)診斷出視頻故障從而減少運(yùn)維人員的勞動(dòng)量，同時(shí)可以對(duì)故障原因進(jìn)行分析，給出合理的維修建議。本文綜合概述了4種基于知問題。故障檢測(cè)方法有多種，目前常用的方法有：基于知識(shí)的檢測(cè)方法，如基于事例的推理、模糊邏輯、基于模型的方法等，基于信號(hào)處理的檢測(cè)方法，如相關(guān)分析等和基于解析模型的檢測(cè)方法，如故障樹的方法等。視頻故障檢測(cè)技術(shù)的主流技術(shù)是基于知識(shí)的方法。本文以基于知識(shí)的方法對(duì)視頻質(zhì)量檢測(cè)技術(shù)做概要敘述，介紹幾種常見的故障定位技術(shù)。

【關(guān)鍵字】 視頻 故障診斷 定位

視頻質(zhì)量是視頻會(huì)議系統(tǒng)核心，畫面質(zhì)量下降會(huì)對(duì)視頻會(huì)議保障工作造成嚴(yán)重影響，對(duì)視頻的質(zhì)量進(jìn)行診斷與檢測(cè)，快速發(fā)現(xiàn)并定位故障是系統(tǒng)亟待解決的問題。故障檢測(cè)方法有多種，目前常用的方法有：基于知識(shí)的檢測(cè)方法，如基于事例的推理、模糊邏輯、基于模型的方法等，基于信號(hào)處理的檢測(cè)方法，如相關(guān)分析等和基于解析模型的檢測(cè)方法，如故障樹的方法等。視頻故障檢測(cè)技術(shù)的主流技術(shù)是基于知識(shí)的方法。本文以基于知識(shí)的方法對(duì)視頻質(zhì)量檢測(cè)技術(shù)做概要敘述。下面介紹幾種常見的故障定位技術(shù)。

一、視頻故障診斷的方法

解決故障診斷問題的方法多種多樣，它們的理論基礎(chǔ)大致相同，均來自人工智能、信號(hào)處理、圖論、模式識(shí)別、信息論等計(jì)算機(jī)科學(xué)領(lǐng)域。根據(jù)知識(shí)組織方式和和推理機(jī)制的不同，可將目前常用的故障診斷方法大致分為：基于規(guī)則推理的診斷方法、基于案例推理的診斷方法、基于模型的診斷方法、基于人工神經(jīng)網(wǎng)絡(luò)的診斷方法、基于模糊模糊邏輯的診斷方法等等。

1.1 基于規(guī)則推理的診斷方法

基于規(guī)則的推理（Rule-Based Reasoning， RBR），在此方法中，規(guī)則是由相關(guān)領(lǐng)域?qū)＜业闹R(shí)與經(jīng)驗(yàn)表示出來的，一般形式是：if<前提>then<結(jié)論>。其中，任何能與數(shù)據(jù)匹配的模型放在前提部分，滿足前提時(shí)可以得出的結(jié)論放在結(jié)論部分?；谝?guī)則的推理系統(tǒng)一般由一個(gè)工作內(nèi)存、一個(gè)知識(shí)庫和一個(gè)推理機(jī)（即推理引擎）組成。這三部分分別描繪了系統(tǒng)的數(shù)據(jù)層、知識(shí)層和控制層。模型如下圖1所示：

工作內(nèi)存中包含了收集到的視頻數(shù)據(jù)的各種數(shù)據(jù)信息。工作內(nèi)存通過分析這些信息識(shí)別出診斷對(duì)象是否發(fā)生故障。

從人類領(lǐng)域?qū)＜夷抢锏玫降膶＜抑R(shí)被放在知識(shí)庫中，包括兩部分內(nèi)容：①關(guān)于診斷對(duì)象出現(xiàn)問題時(shí)定義的專家知識(shí)；②當(dāng)某一特定問題發(fā)生時(shí)所要執(zhí)行的動(dòng)作。知識(shí)庫中的專家知識(shí)是基于規(guī)則的，就是所有知識(shí)都采用“if -then”或者“condition -action”兩個(gè)形式來表示。推理機(jī)與知識(shí)庫協(xié)同工作，將知識(shí)庫中的規(guī)則與診斷對(duì)象進(jìn)行比較，從而確定該規(guī)則能否被使用。當(dāng)條件滿足時(shí)，才會(huì)輸出規(guī)則的后項(xiàng)。一種十分少見卻最簡(jiǎn)單的情況是一條規(guī)則就可以判斷出診斷對(duì)象的故障。多數(shù)時(shí)候推理機(jī)需要將得到的結(jié)論作為條件在知識(shí)庫中進(jìn)行多次的推理，才能得出最終的故障結(jié)論。

基于規(guī)則推理的方法存在以下的缺陷：1）規(guī)則必須精確匹配。如果當(dāng)前的診斷對(duì)象狀態(tài)與規(guī)則的條件不匹配，那么系統(tǒng)將退出整個(gè)推理過程。2）對(duì)每個(gè)對(duì)象的診斷需要多個(gè)規(guī)則，隨著診斷對(duì)象的數(shù)量增加，相應(yīng)的規(guī)則數(shù)量也會(huì)呈指數(shù)級(jí)增長(zhǎng)，對(duì)存儲(chǔ)規(guī)則的數(shù)據(jù)庫的容量需求也將越來越大。3）規(guī)則不易維護(hù)。由于知識(shí)是特定于診斷對(duì)象配置，無論何時(shí)，診斷對(duì)象的相關(guān)配置變更都需要開發(fā)或改變新規(guī)則。

1.2 基于案例推理的診斷方法

基于案例推理（Case-Based Reasoning， CBR）的故障定位方法和上述方法有較大的區(qū)別?；谑吕耐评砀鶕?jù)以往求解類似問題的經(jīng)驗(yàn)知識(shí)進(jìn)行推理，從而獲得當(dāng)前問題求解結(jié)果。一個(gè)有效的事例表示要包括三部分內(nèi)容：事例發(fā)生的原因或背景；事例的特點(diǎn)或過程；事例的解決方法與結(jié)果。其思想來源于現(xiàn)實(shí)生活，一些事件在現(xiàn)實(shí)中總是重復(fù)發(fā)生，處理類似的事件的方法也可以用這個(gè)方法，根據(jù)這一思想，將過去故障診斷的成功案例存入案例庫。每當(dāng)遇到新故障時(shí)，我們可以尋找類似的案例在案例庫中，利用類比推理方法得到近似的解，再對(duì)答案加以適當(dāng)修改，使之完全適合新問題。此方法的體系結(jié)構(gòu)如下圖2所示：

從上圖可以看出，CBR故障定位系統(tǒng)由五個(gè)部分組成，其中包括一個(gè)案例庫和四個(gè)功能模塊。首先輸入模塊接收視頻診斷對(duì)象故障的描述。

然后檢索模塊尋找與之匹配的案例在案例庫中，如果有完全匹配的案例，那么要找的答案就是該案例的故障源；如果找不到完全匹配的例子，檢索模塊就會(huì)在案例庫中找一個(gè)最相似的案例。

然后由修正模塊根據(jù)故障間的差異對(duì)該案例的解作適當(dāng)?shù)男薷木涂蓾M足當(dāng)前問題的要求，其結(jié)果是得到一個(gè)完整的解。一旦找到故障源，一個(gè)新的案例就會(huì)被處理模塊加入到案例庫中，供以后故障定位時(shí)使用。檢索模塊會(huì)提供多種匹配方式來對(duì)案例進(jìn)行匹配。

基于案例推理的故障定位推理方法有自學(xué)習(xí)能力，在剛開始運(yùn)行此方法的時(shí)候，幾乎找不到匹配案例，隨著運(yùn)行次數(shù)的增加，案例庫中存儲(chǔ)的案例逐漸增多，相匹配的情況會(huì)越來越多。

如此可知，對(duì)于視頻故障診斷可以將二者結(jié)合起來，利用規(guī)則推理診斷方法對(duì)知識(shí)庫進(jìn)行預(yù)學(xué)習(xí)，在進(jìn)行診斷的時(shí)候采用案例推理診斷方法保障系統(tǒng)的健壯性。

1.3 基于模型的診斷方法

與前面所述兩種方法不同，基于模型的推理方法（Model-based ways），在建立的系統(tǒng)模型中包含領(lǐng)域?qū)＜业膶I(yè)知識(shí)，更多地利用系統(tǒng)的結(jié)構(gòu)、行為與功能等知識(shí)是基于模型的診斷方法的特點(diǎn)[2]。相對(duì)于基于規(guī)則的推理方法，這種診斷方式能夠處理未知的情況，系統(tǒng)存在的潛在故障也有可能被檢測(cè)到。

系統(tǒng)模型建立是基于模型的診斷方法的核心，系統(tǒng)模型中的診斷對(duì)象相關(guān)信息和告警觸發(fā)條件的獲得和更新是難點(diǎn)?；谀Ｐ偷墓收隙ㄎ环椒ㄓ捎谒⒌哪Ｐ筒煌⑵渖系姆椒ㄒ膊槐M相同，如今應(yīng)用較廣的有基于密碼本關(guān)聯(lián)模型的故障診斷方法。

基于密碼本關(guān)聯(lián)模型（Codebook Correlation Model）的故障定位方法[3]：由故障源引發(fā)的事件集被它視作標(biāo)志故障源的“密碼”，對(duì)捕獲到的一系列故障事件進(jìn)行“解碼”就是定位故障源的整個(gè)進(jìn)程。此方法不需要專家知識(shí)來將故障源和故障事件聯(lián)系起來，只需要進(jìn)行比較操作，運(yùn)算的復(fù)雜度較低，所以在速度上有一定的優(yōu)勢(shì)。

1.4 基于模糊邏輯的診斷方法

在基于模糊邏輯的故障定位方法中，其知識(shí)表示采用模糊產(chǎn)生式規(guī)則。模糊產(chǎn)生式規(guī)則是將傳統(tǒng)產(chǎn)生式規(guī)則“if<條件>then<結(jié)論（或動(dòng)作）>”進(jìn)行模糊化。引入模糊的概念更好地模擬人類的思維與決策過程，計(jì)算機(jī)的計(jì)算結(jié)果不再是簡(jiǎn)單的從0或1中二選其一，而是選擇在區(qū)間[0，1]之間的一個(gè)值。

模糊邏輯最重要的是建立模糊隸屬度，確定隸屬度的方法有許多。計(jì)算機(jī)在進(jìn)行模糊邏輯時(shí)，首先從用戶接口接收證據(jù)及其相應(yīng)的模糊詞，然后根據(jù)隸屬度表確定每個(gè)條件模糊詞的隸屬度，進(jìn)而進(jìn)行推理得到結(jié)論。

由于一般的基于模糊邏輯的診斷方法采用了與基于規(guī)則的診斷方法類似的 結(jié)構(gòu)，因此它也具有基于規(guī)則的診斷方法的一些的缺陷：

1）在推理時(shí)診斷時(shí)長(zhǎng)和知識(shí)庫內(nèi)搜索量有關(guān)。一般情況下，知識(shí)庫大，診斷時(shí)耗長(zhǎng)。

2）模糊系統(tǒng)也存在維護(hù)的問題。

3）模糊系統(tǒng)也不具備學(xué)習(xí)能力，容易發(fā)生漏診或誤診。

4）用隸屬函數(shù)表示模糊語言變量，兩者之間的轉(zhuǎn)換是一個(gè)難題。

二、結(jié)論與展望

幾種主要的故障定位方法[4]的優(yōu)缺點(diǎn)對(duì)比如下表1所示：

視頻會(huì)議系統(tǒng)存在其固有的特點(diǎn)，對(duì)視頻進(jìn)行診斷的評(píng)價(jià)指標(biāo)數(shù)量有限，相對(duì)于網(wǎng)絡(luò)故障診斷，視頻診斷的規(guī)模要遠(yuǎn)遠(yuǎn)小于網(wǎng)絡(luò)故障診斷，因此可以采用基于規(guī)則與案例推理的視頻診斷方法比較合適。并且對(duì)視頻質(zhì)量的評(píng)價(jià)可以只分為合格或者不合格，也可以對(duì)其進(jìn)行打分制即在合格與不合格之間劃分更多的檔次?；谀：壿嫷墓收显\斷方法可以對(duì)視頻質(zhì)量進(jìn)行更細(xì)致的診斷。

未來視頻診斷的研究方向，對(duì)視頻的質(zhì)量要求越來越高，對(duì)視頻進(jìn)行評(píng)價(jià)的評(píng)價(jià)指標(biāo)也會(huì)越來越多，高速，高效，高可靠，智能的視頻診斷方法是未來要重點(diǎn)研究的方向。

參 考 文 獻(xiàn)

[1]張澤林，趙洋. 基于關(guān)聯(lián)規(guī)則的軟件多故障定位技術(shù)[J]. 現(xiàn)代電子技術(shù)，2015，12：39-43.

[2]李明. 基于模型驗(yàn)證的故障定位方法研究[D].華中師范大學(xué)，2010.

[3]王連波. 模糊推理在網(wǎng)絡(luò)故障診斷中的應(yīng)用研究[D].電子科技大學(xué)，2007.

[4]吳明強(qiáng)，李界紅.故障診斷專家系統(tǒng)綜合智能推理技術(shù)研究[J]. 計(jì)算機(jī)測(cè)量與控制，2004，12（10）：932-934.