基于網(wǎng)絡(luò)資源樹及信息熵的智慧家庭業(yè)務(wù)感知劣化定位方案

明萌，時宇，鄭潤含，馮云喜

（中國電信集團(tuán)有限公司，北京 100020）

0 引言

自2013 年以來，憑借“互聯(lián)網(wǎng)+”的風(fēng)潮，國內(nèi)外各大運營商紛紛借助寬帶運營與家庭互聯(lián)網(wǎng)產(chǎn)業(yè)鏈，積極發(fā)展智慧家庭業(yè)務(wù)，在推進(jìn)人民家庭生活的智慧化、信息化方面做著嘗試與轉(zhuǎn)變。傳統(tǒng)的寬帶業(yè)務(wù)是智慧家庭業(yè)務(wù)的基礎(chǔ)，IPTV 以光寬帶為接入方式，向用戶提供家庭娛樂/信息化一體化服務(wù)、視頻通話/智能家居/智能音箱等新興業(yè)務(wù)。天翼看家通過“光寬+4G/5G”網(wǎng)絡(luò)接入，依托云化開放的智慧家庭平臺，為客戶提供解決家庭視頻安防需求的“云+網(wǎng)+平臺+應(yīng)用+服務(wù)”型產(chǎn)品。天翼看家與傳統(tǒng)寬帶+IPTV 業(yè)務(wù)共同構(gòu)建了更為豐富多彩的智慧家庭生態(tài)圈。

當(dāng)前，對IPTV 故障定位的研究方法較多，包括EPG（electronic program guide）響應(yīng)故障定位[1]、視頻質(zhì)量故障定位[2]、網(wǎng)絡(luò)系統(tǒng)故障定位[3]等，對家庭寬帶和其他智慧家庭產(chǎn)品的故障定位方法較少。文獻(xiàn)[3]設(shè)計實現(xiàn)了一種大數(shù)據(jù)環(huán)境下的IPTV故障定位系統(tǒng)，采用相關(guān)性算法與聚類算法結(jié)合的方式篩選用戶關(guān)鍵績效指標(biāo)（key performance index，KPI）中的代表性指標(biāo)，建立質(zhì)差用戶篩選模型得到質(zhì)差用戶。文獻(xiàn)[4]主要采用視頻平均意見得分（video mean opinion score，VMOS）評價用戶觀看視頻業(yè)務(wù)體驗。文獻(xiàn)[5]通過遍歷獲取的故障樹，對各非根節(jié)點對應(yīng)的故障原因進(jìn)行檢測，并從中定位導(dǎo)致所述待定位故障現(xiàn)象的故障原因。文獻(xiàn)[6]介紹了基于主動探測技術(shù)家庭寬帶運維質(zhì)量監(jiān)測手段。以上文獻(xiàn)大多基于網(wǎng)元KPI 進(jìn)行故障定位，缺少對感知群障的定界、定段、定位。

本文提出了基于網(wǎng)絡(luò)資源樹及信息熵的智慧家庭業(yè)務(wù)感知監(jiān)測及感知劣化定位方案，定義了統(tǒng)一的智慧家庭業(yè)務(wù)感知指標(biāo)體系，提供故障精準(zhǔn)定界、定段、定位方案，旨在解決智慧家庭業(yè)務(wù)端到端環(huán)節(jié)較多、群障及單用戶故障人工定位困難的問題。

1 需求分析

隨著智慧家庭業(yè)務(wù)的快速發(fā)展，接入網(wǎng)[8]、承載網(wǎng)和骨干網(wǎng)等端到端網(wǎng)絡(luò)的規(guī)模也在不斷擴大，故障運維難度也逐漸增大。當(dāng)用戶感知發(fā)生劣化時，如何精準(zhǔn)快速地定位故障原因已成為運維方面的重大挑戰(zhàn)。目前，產(chǎn)業(yè)界對家庭寬帶、IPTV、天翼看家等智慧家庭業(yè)務(wù)的感知質(zhì)量評估側(cè)重于網(wǎng)絡(luò)質(zhì)量，主要是在用戶主動投訴或維護(hù)人員定期或不定期地對設(shè)備進(jìn)行測試方面，需要耗費一定的人力和物力。而對用戶端到端感知的監(jiān)測和感知劣化定位手段相對缺乏，主要存在以下3 點困難。

· 缺少統(tǒng)一的智慧家庭業(yè)務(wù)感知指標(biāo)體系，數(shù)據(jù)存在廠商、型號、設(shè)備的壁壘。傳統(tǒng)的用戶感知評估模式通過調(diào)查問卷等方式判斷用戶感知，但是隨著智慧家庭業(yè)務(wù)的快速發(fā)展，傳統(tǒng)用戶服務(wù)已無法滿足用戶感知提升的需求。為了科學(xué)、量化地評估用戶感知并精準(zhǔn)定位質(zhì)差原因，需要建立統(tǒng)一的智慧家庭業(yè)務(wù)感知指標(biāo)體系。終端存在多廠商、多型號的數(shù)據(jù)“壁壘”，需要定義統(tǒng)一的體驗質(zhì)量（quality of experience，QoE）[9]、關(guān)鍵質(zhì)量指標(biāo)（key quality indicator，KQI）[10]和KPI[11]，包括IPTV 視頻感知、家庭寬帶感知和天翼看家使用感知的QoE 模型，基于業(yè)務(wù)和應(yīng)用層的KQI 和網(wǎng)元KPI，建立統(tǒng)一的端到端精準(zhǔn)定位方法。

· 缺乏主動預(yù)防群障手段，無法預(yù)先發(fā)現(xiàn)群障隱患。傳統(tǒng)網(wǎng)絡(luò)的維護(hù)方法只能在故障發(fā)生后才開始維護(hù)，不能滿足智慧家庭群障預(yù)警、預(yù)防的需求。為了更好地提升用戶使用智慧家庭業(yè)務(wù)的感知，先于用戶發(fā)現(xiàn)故障并進(jìn)行預(yù)見性維護(hù)可以減少用戶投訴。

· 群障定段/定界、根因分析、單用戶判障困難。傳統(tǒng)的質(zhì)量監(jiān)測方法中網(wǎng)絡(luò)性能指標(biāo)與用戶感知不對應(yīng)，維護(hù)人員在處理用戶感知劣化等故障時，較難判斷真實的故障點，這導(dǎo)致群障和單用戶等故障維護(hù)困難。

本文通過定義統(tǒng)一的智慧家庭業(yè)務(wù)感知指標(biāo)體系，提供預(yù)見性維護(hù)和故障的精準(zhǔn)定界、定段、定位方案，解決群障和單用戶判障困難等問題。

2 智慧家庭業(yè)務(wù)感知質(zhì)量監(jiān)測及劣化定位架構(gòu)

本文融合云、網(wǎng)、端到端資源數(shù)據(jù)、終端探針側(cè)數(shù)據(jù)、媒資信息及各類告警性能等，進(jìn)行實時采集、匯聚及關(guān)聯(lián)挖掘分析。在用戶終端部署質(zhì)量監(jiān)測探針，覆蓋多渠道采集來源，打破傳統(tǒng)質(zhì)量監(jiān)測探針無法適配不同廠商終端的限制；定義統(tǒng)一的視頻感知優(yōu)良率、寬帶網(wǎng)頁訪問優(yōu)良率等感知算法，結(jié)合性能數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，解決了傳統(tǒng)的質(zhì)量監(jiān)測方法中網(wǎng)絡(luò)性能指標(biāo)與用戶感知不對應(yīng)、用戶體驗難以準(zhǔn)確定量和定位等問題。針對感知數(shù)據(jù)量大的特點，本文提出解耦化的分模塊處理架構(gòu)，主要依托Spark 大數(shù)據(jù)計算平臺基于多項大數(shù)據(jù)技術(shù)組合，采用“Flume[12]+Kafka[13]+SparkStreaming[14-16]+Redis[17]+MongoDB[18]+ES[19]+MySQL[20]”的技術(shù)框架，通過設(shè)計邏輯統(tǒng)一、物理分散的“分省前置模塊+中心處理模塊”的數(shù)據(jù)采集處理架構(gòu)，適用于智慧家庭業(yè)務(wù)感知群障告警實時分析、非實時隱患優(yōu)化、單用戶問題定位等多種生產(chǎn)維護(hù)需求。

2.1 感知數(shù)據(jù)采集與指標(biāo)體系定義

本文采取在用戶終端部署質(zhì)量監(jiān)測探針的方式，監(jiān)測不同播放行為下的實際用戶業(yè)務(wù)體驗，經(jīng)現(xiàn)網(wǎng)測試應(yīng)用，該方式能靈敏、準(zhǔn)確地感知用戶的實際體驗。針對寬帶業(yè)務(wù)，通過家庭網(wǎng)絡(luò)質(zhì)量插件主動獲取用戶家庭網(wǎng)絡(luò)設(shè)備信息、無線信息、異常信息等關(guān)鍵指標(biāo)，通過寬帶質(zhì)量主動撥測探針插件模擬用戶行為，獲取瀏覽網(wǎng)頁、觀看視頻、玩游戲時業(yè)務(wù)感知體驗優(yōu)良率。針對IPTV 業(yè)務(wù)，通過部署機頂盒軟探針，從芯片解碼層面感知用戶卡頓，獲取用戶的播放行為數(shù)據(jù)。針對視頻監(jiān)控類業(yè)務(wù)，在手機App 采用埋點方式上報用戶行為數(shù)據(jù)。

基于探針獲取的感知數(shù)據(jù)，本文定義了一整套智慧家庭業(yè)務(wù)感知指標(biāo)體系。針對各類業(yè)務(wù)特點，定義了光寬、IPTV、視頻監(jiān)控業(yè)務(wù)的主要感知指標(biāo)，智慧家庭業(yè)務(wù)感知指標(biāo)體系如圖1 所示。其中，網(wǎng)頁訪問、視頻、游戲均屬于傳統(tǒng)光寬業(yè)務(wù)。針對每一類業(yè)務(wù)，選取關(guān)鍵的感知指標(biāo)，根據(jù)重要程度賦予相應(yīng)權(quán)重，可以達(dá)到客觀、統(tǒng)一評價各類業(yè)務(wù)感知的目的。

圖1 智慧家庭業(yè)務(wù)感知指標(biāo)體系

2.2 性能數(shù)據(jù)采集

性能數(shù)據(jù)主要通過設(shè)備網(wǎng)管進(jìn)行各省分布式采集，本方案根據(jù)不同智慧家庭業(yè)務(wù)特點，主要選取設(shè)備端口利用率、CRC 誤碼率、CPU 利用率等KPI，構(gòu)建感知劣化問題定位的KPI 模型。光寬網(wǎng)頁訪問業(yè)務(wù)KPI 模型示例如圖2 所示，當(dāng)發(fā)生光寬網(wǎng)頁訪問業(yè)務(wù)感知劣化問題時，可以通過KPI模型實現(xiàn)端到端定位能力。

圖2 光寬網(wǎng)頁訪問業(yè)務(wù)KPI 模型示例

2.3 系統(tǒng)架構(gòu)

本方案采用Spark 分布式計算框架作為核心引擎，實現(xiàn)各種復(fù)雜的業(yè)務(wù)邏輯，對大規(guī)模數(shù)據(jù)進(jìn)行快速的處理。在實踐中通過對Spark 任務(wù)進(jìn)行多種的性能調(diào)優(yōu)，包括代碼優(yōu)化、算子調(diào)優(yōu)、參數(shù)調(diào)優(yōu)、shuffle 調(diào)優(yōu)以及數(shù)據(jù)傾斜調(diào)優(yōu)等，實現(xiàn)所有Spark實時作業(yè)的執(zhí)行時間都在5 min 以內(nèi)，且系統(tǒng)持續(xù)穩(wěn)定運行，運行無時延。以單質(zhì)量模塊為例，實時計算每分鐘每個用戶的質(zhì)量信息，每分鐘用戶話單合計約1 500 萬條（15 GB 左右）。算子優(yōu)化及參數(shù)調(diào)整后，Spark 在2～3 min 完成計算，比優(yōu)化前效率提升了5 倍，有效支撐了業(yè)務(wù)數(shù)據(jù)的實時處理。

智慧家庭業(yè)務(wù)感知質(zhì)量監(jiān)測及劣化定位架構(gòu)如圖3 所示，共解耦為5 個模塊：數(shù)據(jù)采集、數(shù)據(jù)轉(zhuǎn)發(fā)、數(shù)據(jù)清洗及分析、數(shù)據(jù)存儲和頁面顯示/數(shù)據(jù)共享。其中，數(shù)據(jù)清洗及分析模塊是系統(tǒng)的核心模塊。首先，對采集的探針數(shù)據(jù)、性能數(shù)據(jù)、端到端資源數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、關(guān)聯(lián)、抽取，得到單個用戶的基本信息、行為、感知指標(biāo)數(shù)據(jù)，該數(shù)據(jù)一方面輸出到Elasticsearch 分布式集群支撐單用戶查詢需求；一方面輸出至多維分析模塊，按不同時間維度、不同區(qū)域、不同內(nèi)容分發(fā)網(wǎng)絡(luò)（content delivery network，CDN）節(jié)點等各維度進(jìn)行收斂匯聚，生成多維結(jié)果數(shù)據(jù)，支撐實時監(jiān)測及報表分析需求。告警模塊對不同維度計算、分析、預(yù)測產(chǎn)生的數(shù)據(jù)進(jìn)行監(jiān)控，生成標(biāo)準(zhǔn)的告警數(shù)據(jù)，并對數(shù)據(jù)記錄進(jìn)行判斷，將未達(dá)到優(yōu)良率閾值的記錄判定為告警，在分析得出告警定位結(jié)果后，通過Web 頁面進(jìn)行展示，并發(fā)送至綜合告警系統(tǒng)，實現(xiàn)告警工單的及時派發(fā)。

圖3 智慧家庭業(yè)務(wù)感知質(zhì)量監(jiān)測及劣化定位架構(gòu)

3 感知劣化定位

本文針對網(wǎng)絡(luò)告警關(guān)聯(lián)復(fù)雜度高的問題，提出“信息熵”屬性，將各層級設(shè)備下掛設(shè)備質(zhì)差率分布均衡程度映射成信息熵，構(gòu)建端到端特征庫，對各層級信息增益及同級平行節(jié)點信息熵進(jìn)行關(guān)聯(lián)運算，實現(xiàn)感知劣化問題的精確定段?；诙ǘ谓Y(jié)果，結(jié)合網(wǎng)絡(luò)性能數(shù)據(jù)和用戶感知數(shù)據(jù)，通過關(guān)聯(lián)分析實現(xiàn)接入網(wǎng)設(shè)備告警的根因定位。

3.1 端到端收斂

智慧家庭業(yè)務(wù)端到端環(huán)節(jié)較復(fù)雜，傳統(tǒng)光寬業(yè)務(wù)，主要涉及家庭網(wǎng)絡(luò)、接入網(wǎng)、城域網(wǎng)、骨干網(wǎng)、互聯(lián)網(wǎng)數(shù)據(jù)中心（Internet data center，IDC）/服務(wù)提供商（service provider，SP）等；IPTV 業(yè)務(wù)涉及電子節(jié)目指南（electrical program guide，EPG）/CDN、節(jié)目源等；視頻監(jiān)控類業(yè)務(wù)涉及視頻監(jiān)控能力平臺及服務(wù)節(jié)點。關(guān)聯(lián)第1.1 節(jié)的感知數(shù)據(jù)與用戶資源拓?fù)鋽?shù)據(jù)、節(jié)目資源數(shù)據(jù)等，并定義感知優(yōu)良率指標(biāo)為：感知優(yōu)良率=感知優(yōu)良用戶數(shù)/總播放（或使用業(yè)務(wù)）用戶數(shù)，其中感知優(yōu)良用戶具體定義可參考第1.1 節(jié)的感知指標(biāo)。智慧家庭業(yè)務(wù)端到端拓?fù)浣Y(jié)構(gòu)如圖4 所示，包含從家庭網(wǎng)絡(luò)至骨干網(wǎng)的各個段落設(shè)備IP 地址、設(shè)備性能等數(shù)據(jù)，讀取網(wǎng)絡(luò)設(shè)備拓?fù)浣Y(jié)構(gòu)信息和感知優(yōu)良率指標(biāo)構(gòu)造出網(wǎng)絡(luò)資源樹。

圖4 智慧家庭業(yè)務(wù)端到端拓?fù)浣Y(jié)構(gòu)

對各環(huán)節(jié)進(jìn)行逐段收斂匯聚，即可得出各環(huán)節(jié)感知優(yōu)良率。各環(huán)節(jié)感知優(yōu)良率互相關(guān)聯(lián)，感知劣化通常同時發(fā)生在多個環(huán)節(jié)。例如，當(dāng)某節(jié)目源質(zhì)量劣化時，觀看該節(jié)目的用戶感知劣化，用戶所在的光線路終端（optical line terminal，OLT）、寬帶接入服務(wù)器（broadband remote access server，BRAS）等設(shè)備感知指標(biāo)均發(fā)生劣化。因此，當(dāng)單用戶或者某環(huán)節(jié)感知劣化超限時，無法直接定位故障原因。針對此問題，本文進(jìn)一步提出了第3.2 節(jié)中的定段算法，當(dāng)單用戶出現(xiàn)故障時，支持一鍵診斷，根據(jù)感知劣化情況收斂至某一環(huán)節(jié)，以實現(xiàn)感知劣化問題的精準(zhǔn)定段。當(dāng)群障發(fā)生時，根據(jù)第3.2 節(jié)中的定段算法，定位故障原因。

3.2 基于信息熵的感知劣化定段

感知劣化定段即對每個設(shè)備節(jié)點，按照感知優(yōu)良率指標(biāo)計算信息熵，并在上下層的節(jié)點進(jìn)行推理定界并定段。讀取網(wǎng)絡(luò)設(shè)備拓?fù)浣Y(jié)構(gòu)信息和感知優(yōu)良率指標(biāo)，構(gòu)造網(wǎng)絡(luò)設(shè)備樹，即節(jié)點為各網(wǎng)絡(luò)設(shè)備，父節(jié)點為同一鏈路上游的高層級網(wǎng)絡(luò)設(shè)備，子節(jié)點為同一鏈路下游的低層級網(wǎng)絡(luò)設(shè)備。同時每個節(jié)點包含設(shè)備ID、感知優(yōu)良率、層次編號、下掛子節(jié)點等屬性。使用網(wǎng)絡(luò)設(shè)備樹結(jié)構(gòu)儲存數(shù)據(jù)的優(yōu)點是在海量設(shè)備中查找指定節(jié)點速度更快，并為推理模塊中對存在告警的節(jié)點鏈路進(jìn)行遞歸推理做鋪墊。

遍歷每個網(wǎng)絡(luò)設(shè)備節(jié)點，初始化“信息熵”屬性，并先對其所有子節(jié)點的感知優(yōu)良率進(jìn)行分箱編碼操作，再計算信息熵，更新“信息熵”屬性，信息熵計算式為：

如果某網(wǎng)絡(luò)設(shè)備節(jié)點的信息熵很小，說明子節(jié)點的感知優(yōu)良率集中落入某一分箱編碼，否則子節(jié)點的感知優(yōu)良率可能分布較為分散。實際應(yīng)用中，若某一設(shè)備下掛的眾多下聯(lián)口質(zhì)差均衡，則該設(shè)備的信息熵偏小，就會將群障告警定段歸為該設(shè)備；反之，若該設(shè)備下掛的下聯(lián)口設(shè)備出現(xiàn)質(zhì)差不均衡，則信息熵偏大，就會將質(zhì)差設(shè)備定段到下聯(lián)質(zhì)差設(shè)備，其中信息熵閾值分別為0.65、0.4。

例如，查看OLT上聯(lián)BRAS的信息熵情況如下。

· 當(dāng)BRAS 的信息熵存在＜0.4 時，認(rèn)為該故障點發(fā)生在BRAS 設(shè)備及其以上網(wǎng)絡(luò)層。

· 當(dāng)BRAS 的信息熵都＞0.65 時，認(rèn)為該故障點發(fā)生在BRAS 下聯(lián)的OLT 或OLT 連接BRAS 的鏈路。

· 其他條件無法判斷，不做歸并定段處理。

基于信息熵的感知劣化定段示意圖如圖5 所示，設(shè)網(wǎng)絡(luò)設(shè)備樹中的最高設(shè)備層級編號為0，最低為3，向上推斷閾值為a，向下推斷閾值為b，對每個網(wǎng)絡(luò)設(shè)備節(jié)點按照以下邏輯進(jìn)行遞歸推理。

圖5 基于信息熵的感知劣化定段示意圖

如果該節(jié)點層級編號為0，且存在告警，若該節(jié)點的信息熵＜a，則推斷故障發(fā)生在本節(jié)點；若該節(jié)點的信息熵＞b，則推斷故障發(fā)生在下游節(jié)點。如果該節(jié)點存在告警，且不是最高層級，如節(jié)點的信息熵＜a，則查看父節(jié)點的推斷結(jié)果，若父節(jié)點推斷為下游，則判定為本節(jié)點故障，若父節(jié)點判斷為上游或是父節(jié)點本身，判斷故障位置參見父節(jié)點的定段結(jié)果；如該節(jié)點的信息熵＞b，推斷故障發(fā)生在下游節(jié)點。

對告警進(jìn)行定段處理，如果某設(shè)備故障告警定段于上游設(shè)備，且上游設(shè)備存在告警，同時上游設(shè)備定段在本節(jié)點或者上游，則刪除本條告警。如果某網(wǎng)絡(luò)設(shè)備告警故障定段于下游，則刪除下游的所有告警。

本文實現(xiàn)了告警定段到具體的網(wǎng)絡(luò)設(shè)備，通過在整條鏈路上進(jìn)行遞歸推斷，能夠具體確定網(wǎng)絡(luò)層級和編號。對于所有存在網(wǎng)絡(luò)層級拓?fù)浣Y(jié)構(gòu)的設(shè)備故障定段場景，只需要確定信息熵計算依賴的用戶體驗指標(biāo)以及上下推斷的信息熵閾值即可復(fù)用。

3.3 結(jié)合性能數(shù)據(jù)的精確定位

為進(jìn)一步實現(xiàn)感知劣化定位，需要基于網(wǎng)絡(luò)設(shè)備性能類、終端性能類數(shù)據(jù)等進(jìn)行大數(shù)據(jù)建模，通過網(wǎng)絡(luò)設(shè)備性能數(shù)據(jù)與設(shè)備感知優(yōu)良率的關(guān)聯(lián)分析，找到造成設(shè)備質(zhì)差的性能閾值，從而實現(xiàn)感知告警的根因定位。

例如，若某感知告警定段至OLT，基于設(shè)備性能與用戶感知關(guān)聯(lián)對OLT 故障進(jìn)行根因定位。首先，對單個OLT 歷史時間內(nèi)端口流量利用率與設(shè)備下的感知優(yōu)良率（即卡頓且傳輸流（transport stream，TS）丟包用戶占比）趨勢做關(guān)聯(lián)分析，發(fā)現(xiàn)OLT 上聯(lián)口端口流量利用率（端口流量利用率為端口所用流量占端口總帶寬的比例）與TS丟包率過高且卡頓用戶占比過高有強相關(guān)性，OLT TS 丟包卡頓率與端口流入流量利用率如圖6所示。為找出端口流入流量利用率的閾值，進(jìn)一步針對5 min 400 萬條OLT 質(zhì)差清單統(tǒng)計不同TS丟包卡頓率閾值下故障設(shè)備的占比情況。TS 丟包卡頓＞5%占比隨端口流量利用率分布變化如圖7可示，當(dāng)端口利用率超過70%，故障設(shè)備的占比開始顯著上升。同理可分析得到OLT 感知優(yōu)良率與端口利用率、CRC 誤碼率和CPU 利用率等的關(guān)聯(lián)關(guān)系。

圖6 OLT TS 丟包卡頓率與端口流入流量利用率

圖7 TS 丟包卡頓＞5%占比隨端口流量利用率分布變化

當(dāng)感知劣化定段至某具體段落，根據(jù)分析所得的關(guān)鍵性能指標(biāo)與感知劣化的關(guān)聯(lián)關(guān)系，可定位到某一個或幾個具體性能指標(biāo)。

4 結(jié)束語

本文提出了一種基于網(wǎng)絡(luò)資源樹及信息熵的智慧家庭業(yè)務(wù)感知監(jiān)測及感知劣化定位方案，實現(xiàn)了智慧家庭業(yè)務(wù)感知劣化類故障的定界、定段、定位，解決了智慧家庭業(yè)務(wù)端到端環(huán)節(jié)較多、群障及單用戶故障人工定位困難的問題。同時，該方案也適用于所有存在網(wǎng)絡(luò)層級拓?fù)浣Y(jié)構(gòu)的感知劣化定位場景，在確定基于信息熵計算的用戶體驗指標(biāo)以及信息熵閾值情況下，即可復(fù)用本文提出的定位方案，具有良好的可擴展性。