基于LSTM神經(jīng)網(wǎng)絡(luò)算法互聯(lián)網(wǎng)電視EPG業(yè)務(wù)隱患預(yù)測(cè)的應(yīng)用研究

班雪飛 倪峰 周瑋 馬占婕 孫忠?guī)r

DOI：10.19850/j.cnki.2096-4706.2024.01.020

收稿日期：2023-05-24

摘? 要：伴隨三網(wǎng)融合的深入開展以及智慧物聯(lián)網(wǎng)技術(shù)的發(fā)展，家庭寬帶加互聯(lián)網(wǎng)電視已成為新的智慧家庭入口。為了解決互聯(lián)網(wǎng)電視業(yè)務(wù)質(zhì)量監(jiān)測(cè)手段在時(shí)序上的先天滯后無法先于用戶發(fā)現(xiàn)隱患故障的問題，通過引入神經(jīng)網(wǎng)絡(luò)LSTM算法實(shí)現(xiàn)數(shù)據(jù)注智業(yè)務(wù)運(yùn)維能力，聚焦EPG業(yè)務(wù)服務(wù)質(zhì)量，從業(yè)務(wù)歷史波動(dòng)識(shí)別異常并做出預(yù)測(cè)預(yù)警，實(shí)現(xiàn)EPG業(yè)務(wù)質(zhì)差隱患識(shí)別和預(yù)測(cè)，隱患發(fā)現(xiàn)時(shí)長縮短至0.5小時(shí)，隱患識(shí)別及時(shí)率和準(zhǔn)確率均在90%以上。

關(guān)鍵詞：互聯(lián)網(wǎng)電視；EPG業(yè)務(wù)質(zhì)量；LSTM算法；隱患預(yù)測(cè)

中圖分類號(hào)：TP391? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2024）01-0099-05

Application Research on Prediction of Hidden Dangers in Internet Television EPG Business Based on LSTM Neural Network Algorithm

BAN Xuefei， NI Feng， ZHOU Wei， MA Zhanjie， SUN Zhongyan

（China Mobile Inner Mongolia Co.， Ltd.， Hohhot? 010010， China）

Abstract： With the deepening of the integration of the triple play and the development of smart Internet of Things technology， home broadband and internet television have become a new entry point for smart homes. In order to solve the problem of congenital lag in the timing of internet television business quality monitoring methods that cannot detect hidden faults before users， a LSTM neural network algorithm is introduced to achieve data injection intelligence business operation and maintenance capabilities. It focuses on the quality of EPG business services， identifies anomalies from business historical fluctuations and making predictive early warnings， and achieves the identification and prediction of EPG business quality hidden dangers. The length of hidden dangers discovery time is reduced to 0.5 hours， and the timely and accurate rates of hidden danger identification are above 90%.

Keywords： internet TV; EPG business quality; LSTM algorithm; prediction of hidden dangers

0? 引? 言

2021年全國互聯(lián)網(wǎng)電視（OTT）用戶10.83億，交互式網(wǎng)絡(luò)電視（IPTV）用戶超3億[1]，互聯(lián)網(wǎng)電視用戶規(guī)模已進(jìn)入存量經(jīng)營的穩(wěn)健階段，已從流量經(jīng)營轉(zhuǎn)變?yōu)橘|(zhì)量經(jīng)營，需要不斷提升用戶業(yè)務(wù)感知，達(dá)成提升留存促進(jìn)活躍的目的。

電子節(jié)目單（Electronic Program Guide， EPG）是用戶訪問互聯(lián)網(wǎng)電視的入口，EPG業(yè)務(wù)質(zhì)量?jī)?yōu)劣對(duì)用戶業(yè)務(wù)感知起到非常關(guān)鍵的作用，質(zhì)量經(jīng)營需要重點(diǎn)關(guān)注EPG業(yè)務(wù)質(zhì)量監(jiān)測(cè)。

目前運(yùn)營商已建立了較為完善的監(jiān)控體系，采集了海量的EPG體驗(yàn)數(shù)據(jù)，形成多維度的監(jiān)控指標(biāo)，但監(jiān)控指標(biāo)繁多，人工運(yùn)維無法及時(shí)發(fā)現(xiàn)異常，也難以確定異常原因[2]。伴隨著業(yè)務(wù)形態(tài)的持續(xù)發(fā)展，運(yùn)維部門需要考慮和研究如何實(shí)現(xiàn)自動(dòng)化、智能化快速準(zhǔn)確地識(shí)別EPG隱患，避免出現(xiàn)大面積故障問題。

1? 現(xiàn)狀和解決思路

1.1? 現(xiàn)狀

互聯(lián)網(wǎng)電視特殊的業(yè)務(wù)模式導(dǎo)致在對(duì)EPG內(nèi)容源的服務(wù)質(zhì)量監(jiān)控上有明顯的滯后性。EPG相關(guān)業(yè)務(wù)需要頻繁更新和調(diào)整以適應(yīng)業(yè)務(wù)和市場(chǎng)發(fā)展需求，比如EPG版本更新、熱門視頻資源更新、EPG模塊更新等，業(yè)務(wù)調(diào)整過程中產(chǎn)生的潛在隱患問題造成的影響往往隨著活躍用戶量增加后才顯現(xiàn)出來，同時(shí)當(dāng)前對(duì)EPG業(yè)務(wù)的監(jiān)測(cè)手段主要依靠日志分析，伴隨數(shù)據(jù)處理的延遲使得在EPG業(yè)務(wù)保障的時(shí)效性較差，對(duì)隱患故障的檢測(cè)和發(fā)現(xiàn)嚴(yán)重滯后，無法及時(shí)或先于用戶發(fā)現(xiàn)隱患故障。

1.2? 解決思路

圍繞EPG業(yè)務(wù)的質(zhì)差識(shí)別和故障分析手段，雖然有數(shù)據(jù)處理平臺(tái)提供海量數(shù)據(jù)處理和閾值告警，可以基于固定規(guī)則產(chǎn)生告警但經(jīng)過人為調(diào)試的故障告警信息并不是很準(zhǔn)確，只有固定的“數(shù)”缺乏動(dòng)態(tài)的“智”。隨著人工智能的興起，深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)在智能預(yù)測(cè)與決策領(lǐng)域得到廣泛發(fā)展[3]。

在神經(jīng)網(wǎng)絡(luò)算法選擇方面，本次研究選用長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory， LSTM）算法，文獻(xiàn)[4]提供了多種典型時(shí)間序列模型的實(shí)驗(yàn)對(duì)比并驗(yàn)證了LSTM預(yù)測(cè)模型在故障時(shí)間序列分析中具有很強(qiáng)的適用性和更高的準(zhǔn)確性[4]。

輸入以EPG門戶訪問過程中產(chǎn)生的可以表征EPG業(yè)務(wù)質(zhì)量波動(dòng)的數(shù)據(jù)，進(jìn)行算法訓(xùn)練，預(yù)測(cè)EPG業(yè)務(wù)關(guān)鍵指標(biāo)未來N個(gè)周期結(jié)果。同時(shí)基于關(guān)鍵指標(biāo)最近歷史7個(gè)周期的加權(quán)平均值，將預(yù)測(cè)結(jié)果與加權(quán)平均值進(jìn)行偏差對(duì)比，根據(jù)預(yù)測(cè)值和設(shè)定閾值偏差情況輸出互聯(lián)網(wǎng)電視EPG業(yè)務(wù)是否發(fā)生質(zhì)差隱患的預(yù)測(cè)結(jié)果，實(shí)現(xiàn)EPG質(zhì)差隱患預(yù)警并聯(lián)動(dòng)業(yè)務(wù)主管部門進(jìn)行問題排查與修復(fù)，減少大面積故障的發(fā)生，形成感知-分析-決策-執(zhí)行的閉環(huán)模式，助力互聯(lián)網(wǎng)電視業(yè)務(wù)自保障、自監(jiān)控、自修復(fù)和自優(yōu)化能力建設(shè)。

2? 手段實(shí)現(xiàn)與驗(yàn)證

以采集機(jī)頂盒用戶使用過程以及體驗(yàn)信息為原始數(shù)據(jù)，利用大數(shù)據(jù)處理手段對(duì)EPG業(yè)務(wù)維度關(guān)鍵指標(biāo)提煉與匯總，以匯總后的EPG業(yè)務(wù)維度關(guān)鍵指標(biāo)作為輸入，輸出EPG業(yè)務(wù)質(zhì)量預(yù)測(cè)結(jié)果。關(guān)鍵處理流程經(jīng)歷數(shù)據(jù)采集與指標(biāo)提煉、搭建環(huán)境引入LSTM算法模型、預(yù)測(cè)值與期望偏差管理、預(yù)測(cè)結(jié)論輸出與預(yù)警四個(gè)環(huán)節(jié)。如圖1所示。

2.1? 數(shù)據(jù)采集與指標(biāo)提煉

對(duì)機(jī)頂盒軟探針上報(bào)各類數(shù)據(jù)的清洗入庫，提取EPG業(yè)務(wù)服務(wù)器IP維度關(guān)鍵指標(biāo)如EPG響應(yīng)成功率、EPG響應(yīng)時(shí)延，按照5分鐘/10分鐘/15分鐘等不同粒度的N周期（N≥7）數(shù)據(jù)進(jìn)行模型訓(xùn)練數(shù)據(jù)輸出。

2.2? 實(shí)驗(yàn)環(huán)境與LSTM算法模型

實(shí)驗(yàn)環(huán)境：服務(wù)器采用云主機(jī)，CPU20核心，內(nèi)存32 GB，存儲(chǔ)空間1 TB。操作系統(tǒng)為Ubuntu 16.04 LTS，開發(fā)環(huán)境部署Python 3.6，使用Keras 2.2.0搭建神經(jīng)網(wǎng)絡(luò)及使用TensorFlow 1.10.0后端張量運(yùn)算軟件包。

算法模型：采用LSTM算法模型，它是一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)（RNN），它可以學(xué)習(xí)時(shí)間序列中的長短期信息，尋找其變化模式，在一些時(shí)序信號(hào)預(yù)測(cè)方面獲得較好的效果。它的主要結(jié)構(gòu)包含一組記憶單元和三種門結(jié)構(gòu)（輸入門、遺忘門、輸出門），用于控制歷史信息的使用[5]。

LSTM神經(jīng)網(wǎng)絡(luò)的邏輯結(jié)構(gòu)如圖2所示。

ft表示遺忘門的輸出，遺忘門決定上一步傳遞過來的信息中有哪些信息需要進(jìn)行丟棄。

輸入門由兩部分組成：第一部分使用了sigmoid激活函數(shù)，輸出為it；第二部分使用了tanh激活函數(shù)，輸出為 。

輸入門和遺忘門的輸出相結(jié)合，構(gòu)成了LSTM的長期狀態(tài)信息Ct輸出門則決定了當(dāng)前神經(jīng)元的輸出ot和將要傳遞給下一步的短期隱藏狀態(tài)信息ht，輸出結(jié)果則利用上一時(shí)刻的短期狀態(tài)、長期狀態(tài)值和當(dāng)前輸入值的保留部分得到[6]。主要實(shí)現(xiàn)步驟及關(guān)鍵式[7]如下：

1）遺忘門決定需要從輸入的記憶單元中丟棄哪些信息，算式如下：

（1）

2）第二步是要決定將哪些信息存儲(chǔ)在記憶單元中，算式如下：

（2）

（3）

3）第三步更新記憶單元，將記憶單元Ct-1更新為Ct，算式如下：

（4）

4）最后基于當(dāng)前記憶單元決定輸出，算式如下：

（5）

（6）

2.3? 數(shù)據(jù)歸一化處理

讀取連續(xù)多個(gè)10分鐘粒度周期互聯(lián)網(wǎng)電視EPG業(yè)務(wù)維度包含兩類關(guān)鍵指標(biāo)的數(shù)據(jù)并進(jìn)行數(shù)據(jù)歸一化處理，減小輸入的特征數(shù)據(jù)間數(shù)量級(jí)差別較大導(dǎo)致的模型預(yù)測(cè)誤差，提升模型精度[8]。EPG內(nèi)容源指標(biāo)特征采用的離差標(biāo)準(zhǔn)化（Min-Max Normalization），對(duì)原始各個(gè)特征值作線性變換，歸一化后數(shù)據(jù)的取值范圍在[0，1]之間。轉(zhuǎn)換函數(shù)如下：

（7）

其中，max表示一段樣本特征數(shù)的最大值，min表示該段樣本特征數(shù)據(jù)的最小值，x表示本段樣本的當(dāng)前值，xn表示經(jīng)過歸一化后的特征數(shù)據(jù)。

對(duì)前述樣例數(shù)據(jù)歸一化后，根據(jù)歸一化后的排序，在[0，1]區(qū)間上基本符合正態(tài)分布。如圖3所示。

圖3? 某段樣例數(shù)據(jù)歸一化處理結(jié)果

選擇雙向LSTM神經(jīng)網(wǎng)絡(luò)模型（Bidirectional， LSTM），構(gòu)建神經(jīng)網(wǎng)絡(luò)層，配置輸入層維度（input_shape）、選擇sigmoid作為激活函數(shù)、設(shè)定輸出層維度等；設(shè)定學(xué)習(xí)率（Lr）進(jìn)行編譯，損失函數(shù)采用均方差損失函數(shù)（Mean Square Error），使用梯度下降算法，通過求解導(dǎo)數(shù)找出目標(biāo)函數(shù)值在多維度解空間內(nèi)能夠產(chǎn)生最大變化的方向，并向該方向以一定的步長靠攏，達(dá)成目標(biāo)函數(shù)下降或上升的目的，遞歸性地獲取最小偏差模型[9]；設(shè)定樣本分組數(shù)、訓(xùn)練次數(shù)、屏顯模式等，輸出并完成預(yù)測(cè)數(shù)據(jù)處理。關(guān)鍵參數(shù)設(shè)置如表1所示。

2.4? 預(yù)測(cè)值與動(dòng)態(tài)期望偏差管理

經(jīng)過LSTM算法計(jì)算的預(yù)測(cè)值，首先進(jìn)行數(shù)據(jù)校正，使其及滿足過程約束又與測(cè)量值的偏差平方和最小以供使用[10]。利用3σ準(zhǔn)則進(jìn)行約束，確保預(yù)測(cè)結(jié)果的偏差符合正態(tài)分布。以EPG請(qǐng)求成功率指標(biāo)為例，基于連續(xù)3月歷史數(shù)據(jù)統(tǒng)計(jì)均值為98.3，標(biāo)準(zhǔn)差為±0.8，基于3σ準(zhǔn)則，預(yù)測(cè)值的上下限落在95.9～100.7之間時(shí)，表示預(yù)測(cè)數(shù)據(jù)可用。若偶有預(yù)測(cè)值偏離3σ準(zhǔn)則，則重新進(jìn)行預(yù)測(cè)，若預(yù)測(cè)值連續(xù)7次均偏離3σ準(zhǔn)則，則需要調(diào)整LSTM算法參數(shù)，重新建模進(jìn)行預(yù)測(cè)。

動(dòng)態(tài)期望值采用最近連續(xù)7個(gè)周期實(shí)際發(fā)生的指標(biāo)的加權(quán)平均數(shù)（）來表示，如式（8）所示：

（8）

其中，x1為最新周期的指標(biāo)值，x7為距最新周期之前的第7個(gè)周期的指標(biāo)值；w為對(duì)應(yīng)周期指標(biāo)的權(quán)重，w1的權(quán)重為40%，w2的權(quán)重為20%；w3的權(quán)重為15%，w4的權(quán)重為10%，w5、w6、w7的權(quán)重均為5%。即最近兩個(gè)周期的指標(biāo)對(duì)動(dòng)態(tài)期望值影響最大。

若預(yù)測(cè)的EPG業(yè)務(wù)服務(wù)器IP維度各關(guān)鍵指標(biāo)與動(dòng)態(tài)期望值的偏差為正向偏差（即預(yù)測(cè)指標(biāo)值優(yōu)于動(dòng)態(tài)期望值），則不產(chǎn)生預(yù)警信息；若預(yù)測(cè)的EPG業(yè)務(wù)服務(wù)器IP維度關(guān)鍵指標(biāo)的任一指標(biāo)值與動(dòng)態(tài)期望值負(fù)向偏差≥3%或連續(xù)三個(gè)周期均為負(fù)向偏差且偏差值之和≥3%，則產(chǎn)生業(yè)務(wù)源存在質(zhì)差隱患預(yù)警信息。

預(yù)測(cè)值與動(dòng)態(tài)期望偏差預(yù)警模型如圖4所示，指標(biāo)預(yù)測(cè)預(yù)警觸發(fā)記錄如圖5所示。

2.5? 預(yù)測(cè)結(jié)果分析

根據(jù)訓(xùn)練驗(yàn)證集0.2設(shè)定，利用20%數(shù)據(jù)用于驗(yàn)證，準(zhǔn)確度平均指標(biāo)選用MSE函數(shù)，根據(jù)指標(biāo)驗(yàn)證情況，預(yù)測(cè)EPG請(qǐng)求成功率指標(biāo)MSE均方誤差為0.788 7，EPG請(qǐng)求成功率指標(biāo)預(yù)測(cè)值和實(shí)際值偏差較??；預(yù)測(cè)EPG響應(yīng)時(shí)延指標(biāo)MSE均方誤差為10.740 2，由于時(shí)延類指標(biāo)受網(wǎng)絡(luò)波動(dòng)影響較大，因此EPG響應(yīng)時(shí)延指標(biāo)預(yù)測(cè)值和實(shí)際值偏差屬于正常。MSE評(píng)估情況如表2所示。

2.6? 場(chǎng)景部署實(shí)現(xiàn)

采用微服務(wù)的API方式部署，使用Docker容器化方式進(jìn)行版本發(fā)布，客戶端調(diào)用本地?cái)?shù)據(jù)處理平臺(tái)完成批量預(yù)處理，將計(jì)算結(jié)果實(shí)時(shí)抽取至業(yè)務(wù)邏輯層進(jìn)行邏輯計(jì)算并生成預(yù)測(cè)和判斷結(jié)果，最后由功能實(shí)現(xiàn)層通過HTTP接口將預(yù)測(cè)和判斷結(jié)果返回并呈現(xiàn)。

3? 方案成效

本研究通過引入LSTM深度學(xué)習(xí)算法，對(duì)EPG業(yè)務(wù)關(guān)鍵KPI指標(biāo)進(jìn)行預(yù)測(cè)，并引入動(dòng)態(tài)期望偏差對(duì)預(yù)測(cè)結(jié)果進(jìn)行預(yù)警管理，提升預(yù)測(cè)結(jié)果可靠性。

在工具和手段提升方面，改變監(jiān)控手段由“被動(dòng)”監(jiān)測(cè)變“主動(dòng)”預(yù)測(cè)，先于用戶發(fā)現(xiàn)EPG業(yè)務(wù)隱患的問題。由單純依賴人工識(shí)別和判斷隱患故障變?yōu)榛谡鎸?shí)用戶數(shù)據(jù)的AI預(yù)測(cè)為主、人工識(shí)別為輔的智能化提升。

在效率提升方面，當(dāng)EPG業(yè)務(wù)存在隱患時(shí)，基于現(xiàn)網(wǎng)真實(shí)數(shù)據(jù)的反映，可在3個(gè)數(shù)據(jù)上報(bào)周期內(nèi)基于指標(biāo)的變化做出相應(yīng)的預(yù)測(cè)，隱患發(fā)現(xiàn)時(shí)長由1～6小時(shí)縮短至0.5小時(shí)，隱患識(shí)別及時(shí)率和準(zhǔn)確率均在90%以上。

互聯(lián)網(wǎng)電視EPG業(yè)務(wù)隱患落地效果對(duì)比如表3所示。

4? 結(jié)? 論

本研究主要聚焦互聯(lián)網(wǎng)電視EPG業(yè)務(wù)隱患預(yù)測(cè)場(chǎng)景，參考自動(dòng)駕駛網(wǎng)絡(luò)理念，引入AI算法實(shí)現(xiàn)對(duì)傳統(tǒng)互聯(lián)網(wǎng)電視業(yè)務(wù)運(yùn)維能力注智，對(duì)現(xiàn)有的監(jiān)控保障手段進(jìn)行升級(jí)。通過對(duì)關(guān)鍵指標(biāo)的智能化處理實(shí)現(xiàn)對(duì)互聯(lián)網(wǎng)電視業(yè)務(wù)源故障的預(yù)測(cè)和干預(yù)，完善了互聯(lián)網(wǎng)電視用戶業(yè)務(wù)感知管理手段，較好地支撐了業(yè)務(wù)運(yùn)維數(shù)智化轉(zhuǎn)型建設(shè)。

參考文獻(xiàn)：

[1] 國家廣播電視總局規(guī)劃財(cái)務(wù)司.2021年全國廣播電視行業(yè)統(tǒng)計(jì)公報(bào) [EB/OL].（2022-04-25）.https：//www.nrta.gov.cn/art/2022/4/25/art_113_60195.html.

[2] 譚曉敏，方艾，金鐸，等.IPTV用戶體驗(yàn)異常的自動(dòng)化檢測(cè) [J].電信科學(xué)，2019，35（7）：159-164.

[3] 余樂安.基于人工智能的預(yù)測(cè)與決策優(yōu)化理論和方法研究 [J].管理科學(xué)，2022，35（1）：60-66.

[4] 王鑫，吳際，劉超，等.基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時(shí)間序列預(yù)測(cè) [J].北京航空航天大學(xué)學(xué)報(bào)，2018，44（4）：772-784.

[5] 黃林，王電鋼，劉蕭，等.基于LSTM的網(wǎng)絡(luò)流量預(yù)測(cè)方法 [J].計(jì)算機(jī)應(yīng)用研究，2020，37（S1）：264-265+272.

[6] 任藝柯.基于改進(jìn)的LSTM網(wǎng)絡(luò)的交通流預(yù)測(cè) [D].大連：大連理工大學(xué)，2019.

[7] 楊星鑫，呂澤均.基于LSTM的無人機(jī)軌跡識(shí)別技術(shù)研究 [J].現(xiàn)代計(jì)算機(jī)，2020（5）：18-22+25.

[8] 龐悅，趙威，張雅楠，等.基于深度學(xué)習(xí)的LSTM的交通流量預(yù)測(cè) [J].單片機(jī)與嵌入式系統(tǒng)應(yīng)用，2019，19（3）：72-75.

[9] 程肖冰，曹麗婷，李蘇建.基于混合優(yōu)化神經(jīng)網(wǎng)絡(luò)的零售銷量預(yù)測(cè) [J].統(tǒng)計(jì)與決策，2022，38（6）：185-188.

[10] 李九龍，周凌柯.基于“3σ法則”的顯著誤差檢測(cè) [J].計(jì)算機(jī)與現(xiàn)代化，2012（1）：10-13.

作者簡(jiǎn)介：班雪飛（1978—），女，漢族，內(nèi)蒙古烏蘭

察布人，工程師，碩士，研究方向：互聯(lián)網(wǎng)和傳輸新技術(shù)；倪峰（1993—），男，滿族，內(nèi)蒙古赤峰人，工程師，碩士，研究方向：大數(shù)據(jù)和人工智能新技術(shù)；周瑋（1984—），男，漢族，內(nèi)蒙古呼和浩特人，高級(jí)工程師，碩士，研究方向：移動(dòng)通信系統(tǒng)領(lǐng)域OSS系統(tǒng)規(guī)劃、建設(shè)和項(xiàng)目管理；馬占婕（1983—），女，漢族，內(nèi)蒙古巴彥淖爾人，高級(jí)工程師，本科，研究方向：互聯(lián)網(wǎng)、資源管理、人工智能；孫忠?guī)r（1980—），女，蒙古族，遼寧大連人，高級(jí)工程師，碩士，研究方向：移動(dòng)通信領(lǐng)域項(xiàng)目方案規(guī)劃、建設(shè)和管理。