基于人工智能的固定宽带网络性能分析模型研究

来源：小侦探旅游网

专题《信息通信技术与》2019年12月第12期

七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七基于人工智能的固定宽带网络性能七七七七七七七七七七七七七七七七七七七七七七七七专题：电信业新技术应用和发展趋势分析模型研究

丁苏若涵王一雯张爱丽余文艳赵旭阳

摘要：随着宽带用户数量的不断增加，人工智能技术与互联网产业在宽带网络领域的融合也不断加深，基于人工智能的固定宽带网络性能分析模型能够优化提升指标特征分析能力。通过固定宽带测速方式采集数据，基于人工智能技术，建立带宽业务判定分析算法和宽带性能瓶颈分析算法两种子模型。试验结果表明，这两种算法模型均提高了网络性能分析效率和准确度，有利于在实际项目中操作实现和推广应用。

关键词：人工智能；固定宽带测速；网络性能；用户体验

1引言

近年来，互联网流量爆发式增长、新业态快速迭

2现状研究

（1）固定宽带测速方法

开展固定宽带网络性能的研究分析及质量评测，

代、超高清视频和热门手机游戏频繁推出，不同业务对网络提出了更高的需求。端到端互联网通信涉及多个环节，任何一个环节出现问题，都可能影响用户上网的访问体验。例如，当出现用户宽带接入速率不达标、观看视频卡顿、网络链路拥塞、路由策略冗余、信源分布不均等问题时，均有可能造成体验下降。而开展整体化的全程分析，准确定位固定宽带网络瓶颈的难度较高。因此，亟需研究一种对固定宽带网络性能的指标测量、分析研究和问题判定的智能、高效的方法，并形成智能化的分析手段。

在长期支撑网络性能研究、运营商网络问题定位和行业应用实践的基础上，结合人工智能技术与固定宽带测速方法，提出基于人工智能的固定宽带网络性能深度分析算法模型，该算法模型分为用户带宽业务判定分析子模型和宽带性能瓶颈分析子模型。本文基于中国信息通信研究院互联网监测分析与宽带测速平台（简称“信通院平台”），分别对子模型的实际判定效果进行验证。

首先需要对宽带网络性能进行指标测量，即开展宽带测速工作。根据我国《宽带速率测试方法固定宽带接入》和《宽带速率测试方法用户上网体验》行业标准，固定宽带测速指标主要包括用户宽带接入质量和上网体验感知两大类，其中用户上网体验感知包括对网页、视频和文件等不同业务访问性能的多个指标（见表1）。

目前，市场上有一些免费的测速工具，用户可以借助这些工具开展简单的主动测试。但经笔者分析，此类测速工具多不检测用户当前宽带网络环境，包括上网环境（无线方式还是有线方式）、电脑CPU利用率、家庭网络链接状况（独享网络还是共享网络）等；基于CDN的测量，往往也使得测速用户的结果难以真正与所在区域准确匹配。

为解决上述固定宽带测速中遇到的问题，本文考虑结合人工智能技术开展辅助研究，建立基于宽带测速数据性能分析的算法模型。

（2）人工智能相关技术

·21·

SPECIALTOPIC分析的算法模型。

3建立基于人工智能的网络性能分析算法模型

基于中国信通院宽带测速平台大量用户采集的多

种测速指标数据，包括宽带接入质量、TOP网站性能、热门视频观看体验指标、常用文件下载速率等，可以开展不同维度的性能统计分析工作。长期研究发现，影响用户网络性能的问题主要是用户签约带宽是否达标和用户上网瓶颈的判定。其中，用户签约带宽是否达标主要表现为，用户购买或升级了运营商某种带宽业务的带宽，但由于各种原因，例如网线老化、光猫为百兆、路由器未接千兆光猫口等，其中任何一种情况都可能导致宽带接入速率不达标，而运营商很难发现这个问题，可能会长期影响用户的上网体验；对于用户上网瓶颈的判定，主要表现为用户访问具体业务体验指标差，如观看视频时常出现卡顿、玩游戏延迟偏大、网页

基于人工智能技术的机器学习算法，被Google、Facebook等互联网巨头广泛使用，主要应用在图像和语音识别等领域。常见的机器学习算法主要有监督式学习和非监督式学习两类，前者由一个目标变量或结果变量组成，生成一个将输入值映射到期望输出值的函数，函数的权重因子在不断发生变化，直到算法模型在训练数据上获得期望的精确度；后者没有任何目标变量或结果变量要预测或估计，一般用于不同的组内聚类分析中。近年来，相关机器学习的经典算法被不断优化和改进。

TensorFlow是Google第二代分布式机器学习系统，最初的设计目的是加速机器学习的研究并快速地将原型转化为产品。TensorFlow在大规模深度学习模型场景中应用非常广泛，包括语音识别、自然语言处理、计算机视觉、机器人控制、信息抽取、数据分析及预测等；TensorFlow既是一个实现机器学习算法的接口，同时也是执行机器学习算法的框架；相比其他算法，TensorFlow具有更快、更智能化、更灵活的特点，因此可以更加轻松地适应新产品和研究类工作。

基于上述优点，本文将对TensorFlow相关机器学习的算法进行深入研究，尝试建立基于宽带网络性能

浏览呈现时间较长等。对于上述两类问题，如果采用传统分析定位问题的方法，不仅存在效率低且耗时长等问题，而且很难满足全国31省宽带用户的需求，因此需要寻求一种更加智能和高效的解决方法。

基于人工智能技术，同时考虑上述宽带测速性能分析中遇到的两个问题，结合中国信通院宽带测速平台大量用户实测数据，研究制定出全新的算法判定分析模型。该算法通过开源的学习系统TensorFlow对用户宽带数据进行采集与分析，尝试建立我国宽带网络性能深度分析算法模型。该模型分为两个子模型，一是用户宽带业务判定分析子模型，二是用户宽带性能瓶颈分析子模型。

建立用户宽带业务判定分析子模型，能够准确地输出用户签约宽带，进而计算用户宽带接入速率符合度是否达标，为运营商优化宽带接入不达标用户提供详实依据。该模型结合中国信通院宽带测速平台长期积累的经验数据，根据用户签约宽带判定标准，制定宽带指标判定算法，输出宽带业务判定结果先验库。主要建模步骤为：建立用户宽带测速指标特征训练数据库，包括用户所属运营商、宽带接入速率、常用文件下载速率、测试时间点和测试样本量等；对特征数据进行

·22·

分组，分为两组特征数据库，即用户宽带接入速率和文件下载速率；基于两组特征库，分别对大量特征样本进行反复训练，通过不断调整算法系数，与用户测试数据进行对比，同时兼顾算法执行效率，并将两组算法模型的准确性进行对比，最终得出算法模型。具体算法流程如图1所示。

建立用户宽带性能瓶颈分析子模型，能够判断影响宽带用户网络性能的各组成环节中的短板指标，定位具体问题，为运营商和互联网企业优化具体业务瓶颈提供落地化建议。主要建模步骤为：建立用户测试视频、网页和文件的3个指标特征训练数据库，每个数据库包含多个训练指标；对于每个指标特征数据库样本进行反复训练，拟合确定不同业务权重，研究发现，影响权重因子分为正相关和负相关两类，当权重因子绝对值≥0.6时，表明与业务相关性较强，反之则较弱；

针对每类业务输出的不同权重因子，不断进行比对准确性验证，得出最终算法模型。具体算法流程见图2。

4两种算法模型效果验证

用户宽带业务判定分析和用户宽带性能瓶颈分析

两种算法子模型均采用Python语言开发，为验证算法模型的准确性，本文基于中国信通院宽带测速平台大量用户实测数据，进行算法准确性对比验证（见图3）。该测速平台采用的宽带测速方法符合国家行业标准，并与美国FCC和英国OFCOM基本保持一致。

针对子模型一，根据中国信通院宽带测速平台大量用户对宽带接入速率和常用文件下载速率的实测数据，采用用户宽带业务判定分析子模型算法程序，输入用户测试数据，经过算法模型快速分析处理后，得出这些测试用户的判定带宽。为了更加准确地验证该算法

图1用户宽带测量数据判定算法

图2用户宽带性能瓶颈分析算法

·23·

模型的判定结果，选取的测试用户样本包括几十种带宽业务种类（见表2），这些用户的实际签约宽带均基于运营商家宽业务数据库核查并反馈中国信通院宽带测速平台的最新带宽信息，确保测试用户实际带宽业务准确可靠。通过对比模型判定带宽结果与运营商反馈的宽带结果，发现该算法模型对用户宽带业务判定准确度达到98%以上。基于该模型能够准确判定用户具体签约带宽，找出宽带符合度不达标用户，协助运营商优化用户上网体验。

的排查成本，提升运营商的运维效率。

截止目前，利用上述子算法模型已为全国多家运营商集团、省公司和互联网企业发现并准确定位多个问题，判定效果均得到认可。

5结束语

本文研究基于人工智能技术的机器学习算法模

型，同时结合中国信通院宽带测速平台的大量用户实测指标数据，提出并实现了基于人工智能的宽带网络性能分析模型，验证结果表明，该类模型能够有效判定用户签约带宽和宽带性能瓶颈定位。目前，算法模型已应用在多个网络性能和宽带质量测试深度分析项目中，提高了宽带问题的定位与解决的效率。在后续进一步的研究中，将继续完善基于人工智能的宽带网络性能判定与定位方法，制定范围更广、适用场景更多的算法模型，助力和行业主管部门扎实推进宽带网络性能的提升。

表2用户宽带业务字典判定数据库

针对子模型二，根据中国信通院平台大量用户采集的访问视频、网页和文件的实测数据，基于用户宽带性能瓶颈分析子模型的算法程序，输入用户测试数据，经过算法模型分析处理后，输出宽带性能影响短板指标和对应的权重因子。为了验证该算法模型的准确性，相关测试用户的网络性能瓶颈已被事先确定，通过对比算法模型判定结果与实际瓶颈问题，发现该模型判断定位问题准确率达到98.5%以上。基于该模型可以准确地判定出用户上网体验短板的根源，节省人力

参考文献

[1]张爱丽,沈辰,王一雯等.国内外宽带测速机制最新进展与对比分析研究[J].现代电信科技,2016,46(2):-59+.[2]黄文坚,唐源.TensorFlow实战[M].北京:电子工业出版社,2017:2-3.

[3]RampasekL,GoldenbergA.TensorFlow:Biology’sgatewaytodeeplearning?[J].CellSystems,2016,2(1):12.

[4]佚名.谷歌推出TensorFlow机器学习系统[J].电信工程技术与标准化,2015,28(11):92-92.

·24·

作者简介：

丁苏若涵河南省通信管理局工程师

王一雯中国信息通信研究院产业与规划研究所互联网网络研究部工程师

张爱丽中国信息通信研究院产业与规划研究所互联网网络研究部工程师

余文艳中国信息通信研究院产业与规划研究所互联网网络研究部助理工程师

赵旭阳中国信息通信研究院产业与规划研究所互联网网络研究部助理工程师

Researchonperformanceanalysismodeloffixedbroadbandnetworkbased

onartificialintelligence

DINGSURuohan，WANGYiwen，ZHANGAili，YUWenyan，ZHAOXuyang

Abstract：ThenationalbroadbandnetworkperformancetestisanimportantmeanstomeasuretheeffectivenessofbroadbandconstructioninChina.Withtheincreasingnumberofbroadbandusers,theintegrationofartificialintelligencetechnologyandInternetindustryinthefieldofbroadbandnetworksisalsodeepening.Theperformanceanalysismodeloffixedbroadbandnetworkbasedonartificialintelligence,canimprovetheanalyticalabilityofindicatorcharacteristics.Inthispaper,dataiscollectedbyfixedbroadbandspeedmeasurementtools.Basedonartificialintelligencetechnology,twosub-modelsareestablished,whicharebandwidthservicedecisionanalysisalgorithmandbroadbandperformancebottleneckanalysisalgorithm.Theexperimentalresultsshowthatbothalgorithmmodelsimprovetheefficiencyandaccuracyofnetworkperfor-manceanalysis,andarebeneficialtotheoperationandpromotionofapplicationsinpracticalprojects.Keywords：artificialintelligence；fixedbroadbandspeed；networkperformance；userexperience

（收稿日期：2019-11-05）

·25·

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文