一种语音业务的SLA门限生成方法及装置

1.一种语音业务的SLA门限生成方法，其特征在于，包括步骤：
对投诉客户的信令数据进行分析，判定所述投诉客户的指标存在异常的时间窗口，生成相应的时间尺度，所述时间尺度包括短时间尺度和长时间尺度；
判定在所述短时间尺度或长时间尺度中所述投诉客户的指标的异常样本，生成短时SLA门限值或长时SLA门限值；
所述短时间尺度的生成过程包括：
步骤1，采集预定的初始短时间尺度S内的所述投诉客户的指标值Xp；采集所述初始短时间尺度S内正常客户的指标值形成随机变量X的样本：(x1，x2…xn)；
步骤2，判定所述投诉客户的指标值Xp是否在所述随机变量X信度为α的置信区间内，如果不在，则将该初始短时间尺度S确定为所述短时间尺度，否则，进入步骤3；
步骤3，将S＝S+λ，λ为步长，重新执行步骤2；
步骤4，将每个所述投诉客户的所述短时间尺度进行平均，得到全网语音业务的短时间尺度。
2.根据权利要求1所述的语音业务的SLA门限生成方法，其特征在于，所述步骤还包括：
对所述SLA的门限值周期性进行更新。
3.根据权利要求2所述的语音业务的SLA门限生成方法，其特征在于，
根据下述公式对所述SLA的门限值周期性进行更新：
θ＝(1-η)θ+ηθ′
其中，θ′为当前的所述SLA门限值；η为预定比例系数。
4.根据权利要求3所述的语音业务的SLA门限生成方法，其特征在于，
所述η的取值为0.1。
5.根据权利要求1所述的语音业务的SLA门限生成方法，其特征在于，
步骤2中的α为95％。
6.根据权利要求5所述的语音业务的SLA门限生成方法，其特征在于，判定所述投诉客户的指标值Xp是否在所述随机变量X信度为α的置信区间内的过程包括：
I、求解X的均值 X的标准差 其中，N为随机标量X的样本
数，xi是随机变量X的第i个采样值；
II、以 为均值，σ为标准差构建正态分布，计算该正态分布下的P(X>Xp):
III、如果P(X>Xp)<0.05，则Xp不在随机变量X信度为α的置信区间内，反之则在所述置信区间内。
7.根据权利要求5所述的语音业务的SLA门限生成方法，其特征在于，判定所述投诉客户的指标值Xp是否在所述随机变量X信度为α的置信区间内的过程包括：
I、求解X的均值 X的标准差 其中，N为随机标量X的样本
数，xi是随机变量X的第i个采样值；
II、以 为均值，σ为标准差构建正态分布，计算该正态分布下的P(XIII、如果P(X8.根据权利要求1所述的语音业务的SLA门限生成方法，其特征在于，步骤1之前还包括步骤：
1)根据所述投诉客户的信令数据获知投诉客户列表；
2)将监测到客户群中的正常非投诉客户信令监测指标信息进行存储；
3)采集所述投诉客户的信令监测指标，并进行存储。
9.根据权利要求8所述的语音业务的SLA门限生成方法，其特征在于，
所述客户群为VIP客户。
10.根据权利要求1所述的语音业务的SLA门限生成方法，其特征在于，所述长时间尺度的生成过程包括：
步骤101，采集预定的初始长时间尺度L内的所述投诉客户的指标值Y’；采集所述初始长时间尺度L内正常客户的指标值形成随机变量Y的样本：(y1，y2…yn)；
步骤102，判定所述投诉客户的指标值Y’是否在所述随机变量Y预设信度的置信区间内，如果不在，则将该初始长时间尺度L确定为所述长时间尺度，否则，进入步骤3；
步骤103，将L＝L-λ，λ为窗口减小的步长，重新执行步骤102；
步骤104，将每个所述投诉客户的所述长时间尺度进行平均，得到全网语音业务的长时间尺度。
11.根据权利要求1所述的语音业务的SLA门限生成方法，其特征在于，生成短时SLA门限值/长时SLA门限值的步骤包括：
1)采集所述短时间尺度/长时间尺度内的投诉客户指标大于或小于预设的初始SLA短时/长时门限值X0的指标值形成样本空间X’；采集所述短时间尺度/长时间尺度内正常客户的指标值形成样本空间X；
2)判定所述样本空间X’和所述样本空间X在信度为α下是否有显著不同，如果存在显著不同，则确定该初始短时/长时SLA门限值X0为SLA短时门限值/长时SLA门限值，否则进入步骤3)；
3)将X0＝X0±λ，λ为指标增加/减小的步长，重新执行步骤2)。
12.根据权利要求11所述的语音业务的SLA门限生成方法，其特征在于，步骤2)中判定所述样本空间X’和所述样本空间X在信度为α下是否有显著不同的步骤包括：
I、求解X′的均值 X的均值和标准差 σ；
II、计算 其中，μ代表两个样本空间平均数的离差统计量；
III、计算μα使得 其中，μα代表信度为α下的正态分布的变
量；
IV、如果|μ|＞μα，则两个样本间有显著不同，反之则没有显著不同。
13.一种语音业务的SLA门限生成装置，其特征在于，包括：
时间尺度生成模块，用于对投诉客户的信令数据进行分析，判定所述投诉客户的指标存在异常的时间窗口，生成相应的时间尺度，所述时间尺度包括短时间尺度和长时间尺度；
SLA门限值生成模块，用于判定在所述短时间尺度或长时间尺度中所述投诉客户的指标的异常样本，生成短时SLA门限值或长时SLA门限值；
所述时间尺度生成模块包括：
采集模块，用于采集预定的初始短/长时间尺度S内的所述投诉客户的指标值Xp；以及所述初始短/长时间尺度S内正常客户的指标值形成随机变量X的样本：(x1，x2…xn)；
判定模块，用于判定所述投诉客户的指标值Xp是否在所述随机变量X信度为α的置信区间内，如果不在，则将该初始短/长时间尺度S确定为所述短/长时间尺度；
循环模块，用于将初始短时间尺度S增加步长或初始长时间尺度减少步长后输入所述判定模块；
计算模块，用于将每个所述投诉客户的所述短/长时间尺度进行平均，得到全网语音业务的短/长时间尺度。
14.根据权利要求13所述的语音业务的SLA门限生成装置，其特征在于，SLA门限值生成模块还用于对所述SLA的门限值周期性进行更新。
15.根据权利要求14所述的语音业务的SLA门限生成装置，其特征在于，所述SLA门限值生成模块根据下述公式对所述SLA的门限值周期性进行更新：
θ＝(1-η)θ+ηθ′
其中，θ′为当前的所述SLA门限值；η为预定比例系数。
16.根据权利要求13所述的语音业务的SLA门限生成装置，其特征在于，判定模块判定所述投诉客户的指标值Xp是否在所述随机变量X信度为α的置信区间内的过程包括：
IV、求解X的均值 X的标准差 其中，N为随机标量X的样本
数，xi是随机变量X的第i个采样值；
V、以 为均值，σ为标准差构建正态分布，计算该正态分布下的P(X>Xp):
VI、如果P(X>Xp)<0.05，则Xp不在随机变量X信度为α的置信区间内，反之则在。
17.根据权利要求13所述的语音业务的SLA门限生成装置，其特征在于，判定模块判定所述投诉客户的指标值Xp是否在所述随机变量X信度为α的置信区间内的过程包括：
IV、求解X的均值 X的标准差 其中，N为随机标量X的样本
数，xi是随机变量X的第i个采样值；
V、以 为均值，σ为标准差构建正态分布，计算该正态分布下的P(XVI、如果P(X18.根据权利要求13所述的语音业务的SLA门限生成装置，其特征在于，还包括存储模块，用于存储基于所述投诉客户的信令数据获知的投诉客户列表、监测到客户群中的正常非投诉客户信令监测指标信息、以及所述投诉客户的信令监测指标，所述客户群为VIP客户。

一种语音业务的SLA门限生成方法及装置\n技术领域\n[0001] 本发明涉及移动通信领域，尤其涉及一种语音业务的SLA门限生成方法及装置。\n背景技术\n[0002] 在无线通信市场高速增长，竞争日益激烈，市场演变得越来越复杂的环境下，成熟的电信运营商在关心自身网络稳定运行的同时，如何提高用户满意度，降低离网率，挖掘用户的潜在价值和利润增长点，已经成为了保护竞争优势和争夺未来市场领导地位的关键。\n[0003] SLA(Service-Level Agreement，服务等级协议)是在一定开销下为保障服务的性能和可靠性，服务提供商与用户间定义的一种双方认可的协定。在协议签订后，运营商将对SLA进行保障，以提升用户的满意度。在SLA签订时，如何平衡用户满意度与网络运维支出是运营商关注的重点。\n[0004] 当前SLA的研究主要集中在数据业务中，而客户对语音业务的服务质量要求越来越高，通过语音业务SLA的研究实现对客户感知的保障和提升，是一个值得重视的方向。考虑到语音业务庞大的客户群，以及移动网络的复杂性，针对每个普通客户签订语音业务的SLA并不具有可行性。\n[0005] 在申请的公开号为：CN1859227的专利“根据服务水平协议对服务质量进行监测的方法和系统”中公开了一种根据服务水平协议SLA对通讯服务质量进行监测的方法和系统。\n该系统在服务提供商SP网络中设置服务质量管理器，在服务传输网络中设置性能策略处理器。所述服务质量管理器根据需保障的SLA制定监测策略，并发布给服务传输网中的性能策略处理器；性能策略处理器对传输网络中的性能参数进行监测采集，并上报给服务质量管理器，服务质量管理服务器根据上报的性能参数确定SLA对应的服务质量。\n[0006] 公开号为：CN1859427的专利“通讯网络中对服务质量进行保障的方法及系统”中公开了一种通讯网络中对服务质量进行保障的方法和系统。该系统包括：服务/业务相关服务器，用户系统，服务水平协议数据库和SLA服务器。在服务/业务相关服务器接收到用户服务请求时通知SLA服务器，SLA服务器通过查询该用户服务的SLA信息确定当前的服务级别，将当前服务级别通知给服务/业务相关服务器；服务/业务相关服务器根据当前服务级别为用户的服务质量进行保障。\n[0007] 以上两种现有技术均针对SLA的监测管理进行研究，且均针对数据业务展开研究，并没有考虑到语音业务的特殊性，没有针对语音业务的SLA研究；另外，两种现有技术中的SLA均考虑平均性能需求，没有考虑到语音业务突发事件的短时特殊性，没有考虑到在短时间尺度下连续异常事件对客户的影响。\n发明内容\n[0008] 本发明提供了一种语音业务的SLA门限生成方法和装置，能够适用于语音业务。\n[0009] 本发明提供的语音业务的SLA门限生成方法，包括步骤：\n[0010] 对投诉客户的信令数据进行分析，判定所述投诉客户的指标存在异常的时间窗口，生成相应的时间尺度，所述时间尺度包括短时间尺度和长时间尺度；\n[0011] 判定在所述短时间尺度或长时间尺度中所述投诉客户的指标的异常样本，生成短时SLA门限值或长时SLA门限值。\n[0012] 本发明提供的语音业务的SLA门限生成装置，包括：\n[0013] 时间尺度生成模块，用于对投诉客户的信令数据进行分析，判定所述投诉客户的指标存在异常的时间窗口，生成相应的时间尺度，所述时间尺度包括短时间尺度和长时间尺度；\n[0014] SLA门限值生成模块，用于判定在所述短时间尺度或长时间尺度中所述投诉客户的指标的异常样本，生成短时SLA门限值或长时SLA门限值。\n[0015] 本发明通过对发生投诉的用户的信令数据进行分析，得到短时和长时不同时间尺度的量化定义，并进一步分析得到不同时间尺度下的SLA门限值，本发明应用范围广、同时适合2G/3G网络，且当监控范围内网络协议发生变更时，不需要进行程序修改。\n[0016] 由于本发明完全由系统自动完成，因此不需要进行人工维护，减少了系统维护人员的工作量且不存在管理及人为操作上的风险；\n[0017] 基于信令监测实现的SLA自动生成，更具客观性，能更准确的反应客户预期和网络性能，使得目标SLA的生成更加准确，实用性更高，达到更好的性能。\n附图说明\n[0018] 图1为投诉分析示意图；\n[0019] 图2为一个实施例中语音业务的SLA门限生成方法的流程示意图；\n[0020] 图3为一个实施例中短时间尺度的生成流程图；\n[0021] 图4为一个实施例中短时SLA门限值的生成流程图；\n[0022] 图5为一个实施例中语音业务的SLA门限生成装置的原理框图。\n具体实施方式\n[0023] 本发明中，提出语音业务目标SLA的概念，针对一类客户群体，自动生成一个目标SLA，并在此基础上，进一步区分了不同时间尺度上的SLA性能需求，定义了短时SLA门限和长时SLA门限。通过对发生投诉的用户的信令数据进行自动分析，得到客户群体的语音业务目标SLA，避免了当前人工制定方法不科学、不客观的缺陷。本发明集中在SLA的自动生成上，而生成的SLA可用于在网络后台加以监控，以此作为网络对业务性能保障的目标；也可用于将来运营商与大的集团客户进行协议签署的参考依据。\n[0024] 本发明关联投诉信息和信令监测信息，进行门限时间尺度和门限值的自动生成，完成语音业务目标SLA双门限自动生成。对投诉客户的分析可知其预期的SLA下限在哪里，仅当目标SLA被违背时，客户会产生相应投诉。\n[0025] 假设如图1所示，用户在时间T0处进行了投诉，可能是在一个短的时间范围(T0-S，T0)内产生了大量异常事件，例如在一个小时内，用户连续掉话，于是会产生相应的投诉；也可能是在一个长的时间范围(T0-L，T0)内产生了大量异常事件，例如在一个月内，用户经常反复掉话。本发明结合信令监测系统，可分析到投诉客户在时间轴上产生的异常事件详细信息。\n[0026] 总的说来，目标SLA被违背时，用户会产生投诉。而目标SLA的生成可理解为：判定投诉用户在什么样一个量化时间尺度下存在怎样的异常指标，即可以此作为目标SLA的时间尺度量化值和具体的SLA门限值。这可通过对投诉用户样本和正常非投诉用户的样本进行对比分析，并完成相应异常样本的检测得出。\n[0027] 本发明揭示的语音业务的SLA门限生成方法，如图2所示：对投诉客户的信令数据进行分析，判定所述投诉客户的指标存在异常的时间窗口，生成相应的时间尺度(S201)，所述时间尺度包括短时间尺度和长时间尺度；\n[0028] 判定在所述短时间尺度或长时间尺度中所述投诉客户的指标的异常样本，生成短时SLA门限值或长时SLA门限值(S202)。\n[0029] 作为一个优选实施例，本发明还可以对SLA的门限值周期性进行更新(S203)。\n[0030] 步骤S201为短时间尺度S和长时间尺度L的自动量化过程。结合投诉客户的信令信息进行分析，发生投诉的客户，一定是在某段时间范围内的指标异于非投诉客户。本发明中将从两个方向同时进行搜索，同时找出短时间尺度S和长时间尺度L。如果搜索过程中，两者相遇则认为搜索失败，不将该客户信息纳入考虑。短时间尺度的搜索将监测的指标时间窗口从初始值按照步长逐步增加；长时间尺度的搜索将监测的指标时间窗口从初始值按照步长逐步减小。对于短时间尺度的搜索来说，时间窗口每增加一次，就将该时间段内指标与正常非投诉客户的指标样本进行比对，看是否在其正常的置信范围内，直到找到某个时间点，性能指标发生异常，则确定为该客户的短时间尺度。将整个投诉客户的短时间尺度进行平均，即可得到短时间尺度S的量化值。而长时间尺度L的计算与短时间尺度S的计算类似，只是搜索的方向是时间窗口从大到小进行。具体的量化过程如图3所示：\n[0031] S2011，采集投诉数据和投诉客户的信令监测数据；\n[0032] S2012，将采集来的投诉数据和信令监测数据创建成投诉客户列表；将监测到的正常非投诉客户信令监测指标信息放入数据库(以监测的客户群作为对整个客户群的采样，以足够量的采样值来完成整个样本空间的分析，作为一个优选实施例，可以对VIP客户发起监测，一方面可将数据用于系统分析，一方面VIP客户信息更为重要，可用于其它系统用途)[0033] S2013，取出一个投诉客户进行具体分析。采集其信令监测指标放入数据库；\n[0034] S2014，给定初始的短时间尺度S；\n[0035] S2015，采集该时间窗口内的投诉客户指标值X’；采集时间窗口内正常客户的指标值形成随机变量X的样本，(x1，x2。。。xn)；\n[0036] S2016，判定X’是否在随机变量X信度为α的置信区间内(作为一个实施例，α取值可以为95％)，如果不在，则在该时间窗口内，发生了指标异常，导致客户投诉，于是确定该时间尺度为短时间尺度(2017)。否则，进入步骤S2018。\n[0037] VII、求解X的均值 X的标准差 (N为随机标量N的样\n本数)；\n[0038] VIII、以 为均值，σ为标准差构建正态分布，计算该正态分布下的P(X＞X’)(如果该指标为越小越好，反之计算P(X＜X’))；\n[0039] IX、如果P(X＞X’)＜0.05，则X’不在随机变量X信度为α的置信区间内，反之则在。\n[0040] S2018，将S＝S+λ(λ为窗口增加的步长，可取为信令监测的最小时间粒度，以保证系统的可实现性)，重新执行S2014；\n[0041] S2019，循环执行上述步骤，直到投诉客户集合为空后，执行S2020；\n[0042] S2020，将所有投诉客户的短时间尺度进行平均，得到全网语音业务的短时间尺度S；\n[0043] 按照类似方法求出语音业务SLA的长时间尺度L。区别在于求解过程中将从大的时间窗口开始，逐步减小。过程如下：步骤101，采集预定的初始长时间尺度L内的所述投诉客户指标值Y’；采集所述初始长时间尺度L内正常客户的指标值形成随机变量Y的样本：(y1，y2。。。yn)；\n[0044] 步骤102，判定所述投诉客户指标值Y’是否在所述随机变量Y预设信度的置信区间内，如果不在，则将该初始长时间尺度L确定为所述长时间尺度，否则，进入步骤3；\n[0045] 步骤103，将L＝L-λ，λ为窗口减小的步长，重新执行步骤102；\n[0046] 步骤104，将每个所述投诉客户的所述长时间尺度进行平均，得到全网语音业务的长时间尺度。\n[0047] 步骤S201为短时SLA门限和长时SLA门限的过程。在确定了时间尺度后，需要进一步确定SLA的门限值，方能完整的生成整个目标SLA。门限值的生成即是确定某个值，高于/低于(取决于该具体指标的类型，是越大越好还是越小越好)该门限值的样本异于非投诉客户的样本值。以某个初始值开始，逐步增加/减小该目标值，将违背目标值的指标作为一个样本空间，再将正常非投诉客户的指标作为一个样本空间。判定两个样本空间是否有显著的不同，如果不同，则违背该目标值的样本相对于正常样本来说，存在异常，也即是说存在SLA被违背的情况，于是将该目标值作为SLA的门限值。基本思路是判定在相应时间窗口中，投诉客户的指标超多少即为异常样本，从而生成相应的SLA门限值。其详细流程图如图4。\n[0048] S401，采集投诉数据和信令监测数据；\n[0049] S402，创建投诉客户列表，将监测到的正常非投诉客户信令监测指标信息放入数据库；\n[0050] S403，采集投诉客户信令监测指标信息放入数据库；\n[0051] S404，给定初始的SLA短时门限X0为计算中的目标值；\n[0052] S405，采集短时间窗口内的投诉客户指标大于/小于(取决于指标是越大越好还是越小越好)门限X0的指标值形成样本空间X’；采集时间窗口内正常客户的指标值形成样本空间X；\n[0053] S406，判定样本空间X’和样本空间X在信度为α下是否有显著不同。如果存在显著不同，则在该门限值下产生的指标存在异常，导致客户投诉，于是确定该目标值为语音业务目标SLA短时门限值(S407)。否则进入S408；\n[0054] i.求解X′的均值 X的均值和标准差\n[0055] ii.计算\n[0056] iii.计算μα使得\n[0057] 如果|μ|＞μα，则两个样本间有显著不同，反之则没有。\n[0058] S408，将X0＝X0±λ(λ为指标增加/减小的步长，增加还是减小取决于指标是越大越好还是越小越好)，重新执行S404；\n[0059] 按照类似方法求出语音业务目标SLA的长时门限值。唯一区别在于求解过程中使用的时间窗口不同。\n[0060] 步骤S203为SLA门限值的周期性动态调整。在SLA门限值自动生成后，需根据实时的投诉等信息，对该门限值进行动态调整，以达到更为准确、优化的效果。其基本思路是按照以下步骤周期性计算目标SLA的实时门限值，并对已有门限值进行修正。\n[0061] 1)计算目标SLA的当前实时门限值θ′；\n[0062] 2)按照一定的比例系数η，对SLA的门限值进行更新，θ＝(1-η)θ+ηθ′(其中η的通常取值为0.1)。\n[0063] 与上述语音业务的SLA门限生成方法相对应，本发明还提供了SLA门限生成装置，包括：时间尺度生成模块和SLA门限值生成模块，时间尺度生成模块，用于生成短时间尺度和长时间尺度；SLA门限值生成模块用于生成短时SLA门限值或长时SLA门限值。具体的生成方式与上文上述语音业务的SLA门限生成方法相对应不再赘述。\n[0064] 作为一个实施例，时间尺度生成模块包括：采集模块，用于采集预定的初始短/长时间尺度S内的所述投诉客户指标值X’；以及所述初始短/长时间尺度S内正常客户的指标值形成随机变量X的样本：(x1，x2。。。xn)；\n[0065] 判定模块，用于判定所述投诉客户指标值X’是否在所述随机变量X预设信度的置信区间内，如果不在，则将该初始短/长时间尺度S确定为所述短/长时间尺度；\n[0066] 循环模块，用于将初始短时间尺度S增加步长或初始长时间尺度减少步长后输入所述判定模块；\n[0067] 计算模块，用于将每个所述投诉客户的所述短/长时间尺度进行平均，得到全网语音业务的短/长时间尺度。\n[0068] 应说明的是：以上实施例仅用以说明本发明而非限制，本发明也并不仅限于上述举例，一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围中。