一种网络性能指标变化趋势的分析方法和装置

摘要

本发明公开了一种网络性能指标变化趋势的分析方法，该方法包括：采集预设地理范围和预设时间范围内的每个网络性能指标对应的连续T个指标值；其中，所述T个指标值的采样周期相同，所述预设地理范围内共有N个网络性能指标；计算每个网络性能指标的第m个指标值与第m‑1个指标值之差，得到每个网络性能指标对应的T‑1个差值；依据所述每个网络性能指标对应的差值进行相关性计算，得到各个网络性能指标间的相关系数；依据所述相关系数对所述N个网络性能指标进行分类；对分类后的同一类别中的每个网络性能指标进行归一化处理，依据归一化结果确定每个类别中网络性能指标的变化幅度的排序。本发明还同时公开了一种实现所述方法的装置。

权利要求

1.一种网络性能指标变化趋势的分析方法，其特征在于，该方法包括：

采集预设地理范围和预设时间范围内的每个网络性能指标对应的连续T个指标值；其中，所述T个指标值的采样周期相同，所述预设地理范围内共有N个网络性能指标，所述T和N为正整数；

计算每个网络性能指标的第m个指标值与第m-1个指标值之差，得到每个网络性能指标对应的T-1个差值，所述m＝2,…,T；

依据所述每个网络性能指标对应的差值进行相关性计算，得到各个网络性能指标间的相关系数；

依据所述相关系数对所述N个网络性能指标进行分类；

对分类后的同一类别中的每个网络性能指标进行归一化处理，依据归一化结果确定每个类别中网络性能指标的变化幅度的排序。

2.根据权利要求1所述的方法，其特征在于，所述依据所述每个网络性能指标对应的差值进行相关性计算，包括：以所述各个网络性能指标对应的T-1个差值为元素构造一个T-1行N列的矩阵，所述矩阵的每个列向量对应包括一个网络性能指标对应的T-1个差值，所述T-1个差值按递增或递减方式排列，且所述N个网络性能指标对应的T-1个差值的排列方式均相同；

计算所述矩阵的各个列向量间的相关系数，得到变化趋势相关矩阵；

其中，所述变化趋势相关矩阵中的每一个元素rij表示第i个网络性能指标与第j个网络性能指标的变化趋势的相关系数，rij的取值在[-1,1]之间，所述i、j＝1,…,N。

3.根据权利要求2所述的方法，其特征在于，所述依据所述相关系数对所述N个网络性能指标进行分类，包括：依据分析需求从所述N个网络性能指标中选取第i个网络性能指标为基准指标；

依据所述变化趋势相关矩阵中的ri1,…rij,…riN元素的取值，确定所述第i个网络性能指标与其他N-1个网络性能指标中任一个指标之间的变化趋势的关系；

依据所述第i个网络性能指标与其他任一个指标之间的变化趋势的关系，将所述N个网络性能指标进行分类。

4.根据权利要求3所述的方法，其特征在于，所述依据第i个网络性能指标与其他任一个指标之间的变化趋势的关系，将所述N个网络性能指标进行分类，包括：如果rij的取值接近1，则表征第i个网络性能指标与第j个网络性能指标的变化趋势相同；如果rij的取值接近-1，则表征第i个网络性能指标与第j个网络性能指标的变化趋势相反；如果rij的取值接近0，则表征第i个网络性能指标与第j个网络性能指标的变化趋势没有显著关系；

将与所述第i个网络性能指标变化趋势相同的网络性能指标分为一类，将与所述第i个网络性能指标变化趋势相反的网络性能指标分为一类，将与所述第i个网络性能指标变化趋势没有显著关系的网络性能指标分为一类。

5.根据权利要求1所述的方法，其特征在于，所述对分类后的同一类别中的每个网络性能指标进行归一化处理，包括：对分类后的同一类别中的每个网络性能指标，依据如下公式将每个网络性能指标归一化到[0,1]区间：其中，所述Pi为第i个网络性能指标，所述Pinorm为第i个网络性能指标的归一化结果。

6.根据权利要求1所述的方法，其特征在于，所述依据归一化结果确定每个类别中网络性能指标的变化幅度的排序，包括：计算所述同一类别中的每个网络性能指标的归一化结果的方差，并将所得的方差从大到小、或从小到大进行排序，得到所述同一类别中的各个网络性能指标的变化幅度的排序。

7.一种网络性能指标变化趋势的分析装置，其特征在于，该装置包括：采集单元、计算单元、分类单元和统计单元；其中，所述采集单元，用于采集预设地理范围和预设时间范围内的每个网络性能指标对应的连续T个指标值；其中，所述T个指标值的采样周期相同，所述预设地理范围内共有N个网络性能指标，所述T和N为正整数；

所述计算单元，用于计算每个网络性能指标的第m个指标值与第m-1个指标值之差，得到每个网络性能指标对应的T-1个差值，所述m＝2,…,T；依据所述每个网络性能指标对应的差值进行相关性计算，得到各个网络性能指标间的相关系数；

所述分类单元，用于依据所述相关系数对所述N个网络性能指标进行分类；

所述统计单元，用于对分类后的同一类别中的每个网络性能指标进行归一化处理，依据归一化结果确定每个类别中网络性能指标的变化幅度的排序。

8.根据权利要求7所述的装置，其特征在于，所述计算单元包括：差值计算子单元和相关性计算子单元；其中，所述差值计算子单元，用于计算每个网络性能指标的第m个指标值与第m-1个指标值之差，得到每个网络性能指标对应的T-1个差值；

所述相关性计算子单元，用于依据所述每个网络性能指标对应的差值进行相关性计算，得到各个网络性能指标间的相关系数。

9.根据权利要求8所述的装置，其特征在于，所述相关性计算子单元依据所述每个网络性能指标对应的差值进行相关性计算，包括：以所述各个网络性能指标对应的T-1个差值为元素构造一个T-1行N列的矩阵，所述矩阵的每个列向量对应包括一个网络性能指标对应的T-1个差值，所述T-1个差值按递增或递减方式排列，且所述N个网络性能指标对应的T-1个差值的排列方式均相同；

计算所述矩阵的各个列向量间的相关系数，得到变化趋势相关矩阵；

其中，所述变化趋势相关矩阵中的每一个元素rij表示第i个网络性能指标与第j个网络性能指标的变化趋势的相关系数，rij的取值在[-1,1]之间，所述i、j＝1,…,N。

10.根据权利要求9所述的装置，其特征在于，所述分类单元包括：选取子单元、确定子单元和分类子单元；其中，所述选取子单元，用于依据分析需求从所述N个网络性能指标中选取第i个网络性能指标为基准指标；

所述确定子单元，用于依据所述变化趋势相关矩阵中的ri1,…rij,…riN元素的取值，确定所述第i个网络性能指标与其他N-1个网络性能指标中任一个指标之间的变化趋势的关系；

所述分类子单元，用于依据所述第i个网络性能指标与其他任一个指标之间的变化趋势的关系，将所述N个网络性能指标进行分类。

11.根据权利要求10所述的装置，其特征在于，所述分类子单元依据第i个网络性能指标与其他任一个指标之间的变化趋势的关系，将所述N个网络性能指标进行分类，包括：如果rij的取值接近1，则表征第i个网络性能指标与第j个网络性能指标的变化趋势相同；如果rij的取值接近-1，则表征第i个网络性能指标与第j个网络性能指标的变化趋势相反；如果rij的取值接近0，则表征第i个网络性能指标与第j个网络性能指标的变化趋势没有显著关系；

将与所述第i个网络性能指标变化趋势相同的网络性能指标分为一类，将与所述第i个网络性能指标变化趋势相反的网络性能指标分为一类，将与所述第i个网络性能指标变化趋势没有显著关系的网络性能指标分为一类。

12.根据权利要求7所述的装置，其特征在于，所述统计单元包括：归一化子单元和确定子单元；其中，所述归一化子单元，用于对分类后的同一类别中的每个网络性能指标进行归一化处理；

所述确定子单元，用于依据归一化结果确定每个类别中网络性能指标的变化幅度的排序。

13.根据权利要求12所述的装置，其特征在于，所述确定子单元依据归一化结果确定每个类别中网络性能指标的变化幅度的排序，包括：计算所述同一类别中的每个网络性能指标的归一化结果的方差，并将所得的方差从大到小、或从小到大进行排序，得到所述同一类别中的各个网络性能指标的变化幅度的排序。

说明书

一种网络性能指标变化趋势的分析方法和装置

技术领域

[0001] 本发明涉及移动通信技术领域，尤其涉及一种网络性能指标变化趋势的分析方法和装置。

背景技术

[0002] 通信网络建成后，需要通过不断优化才能保证网络正常运行，从而使网络质量满足用户需求。在现有的网络优化过程中，网络优化人员需要根据大量的网络性能指标报表，画出指标变化曲线，并人工观察各项指标的变化趋势。同时，由于享有网络涉及的指标很多，网络优化人员并不可能依次画出每个指标的变化曲线图进行问题分析，只能按照已有的网络优化经验，选取其认为的一些关键指标进行观察分析，形成初步优化方案。另外，在优化方案实施后网络优化人员不可能观察优化方案对所有指标的影响，只能按照以往经验观察其认为可能会受到影响的指标变化趋势，得出评估结果。

[0003] 可见，现有的优化方式需要耗费大量的人力和时间，影响了分析的准确性和全面性；并且，现有的分析结果缺乏可扩展性，不适用于新定义的网络性能指标，因此分析效率较低。

发明内容

[0004] 为解决现有存在的技术问题，本发明实施例提供一种网络性能指标变化趋势的分析方法和装置。

[0005] 本发明实施例提供了一种网络性能指标变化趋势的分析方法，该方法包括：

[0006] 采集预设地理范围和预设时间范围内的每个网络性能指标对应的连续T个指标值；其中，所述T个指标值的采样周期相同，所述预设地理范围内共有N个网络性能指标，所述T和N为正整数；

[0007] 计算每个网络性能指标的第m个指标值与第m-1个指标值之差，得到每个网络性能指标对应的T-1个差值，所述m＝2,…,T；

[0008] 依据所述每个网络性能指标对应的差值进行相关性计算，得到各个网络性能指标间的相关系数；

[0009] 依据所述相关系数对所述N个网络性能指标进行分类；

[0010] 对分类后的同一类别中的每个网络性能指标进行归一化处理，依据归一化结果确定每个类别中网络性能指标的变化幅度的排序。

[0011] 本发明实施例中，所述依据所述每个网络性能指标对应的差值进行相关性计算，包括：

[0012] 以所述各个网络性能指标对应的T-1个差值为元素构造一个T-1行N列的矩阵，所述矩阵的每个列向量对应包括一个网络性能指标对应的T-1个差值，所述T-1个差值按递增或递减方式排列，且所述N个网络性能指标对应的T-1个差值的排列方式均相同；

[0013] 计算所述矩阵的各个列向量间的相关系数，得到变化趋势相关矩阵；

[0014] 其中，所述变化趋势相关矩阵中的每一个元素rij表示第i个网络性能指标与第j个网络性能指标的变化趋势的相关系数，rij的取值在[-1,1]之间，所述i、j＝1,…,N。

[0015] 本发明实施例中，所述依据所述相关系数对所述N个网络性能指标进行分类，包括：

[0016] 依据分析需求从所述N个网络性能指标中选取第i个网络性能指标为基准指标；

[0017] 依据所述变化趋势相关矩阵中的ri1,…rij,…riN元素的取值，确定所述第i个网络性能指标与其他N-1个网络性能指标中任一个指标之间的变化趋势的关系；

[0018] 依据所述第i个网络性能指标与其他任一个指标之间的变化趋势的关系，将所述N个网络性能指标进行分类。

[0019] 本发明实施例中，所述依据第i个网络性能指标与其他任一个指标之间的变化趋势的关系，将所述N个网络性能指标进行分类，包括：

[0020] 如果rij的取值接近1，则表征第i个网络性能指标与第j个网络性能指标的变化趋势相同；如果rij的取值接近-1，则表征第i个网络性能指标与第j个网络性能指标的变化趋势相反；如果rij的取值接近0，则表征第i个网络性能指标与第j个网络性能指标的变化趋势没有显著关系；

[0021] 将与所述第i个网络性能指标变化趋势相同的网络性能指标分为一类，将与所述第i个网络性能指标变化趋势相反的网络性能指标分为一类，将与所述第i个网络性能指标变化趋势没有显著关系的网络性能指标分为一类。

[0022] 本发明实施例中，所述对分类后的同一类别中的每个网络性能指标进行归一化处理，包括：

[0023] 对分类后的同一类别中的每个网络性能指标，依据如下公式将每个网络性能指标归一化到[0,1]区间：

[0024]

[0025] 其中，所述Pi为第i个网络性能指标，所述Pinorm为第i个网络性能指标的归一化结果。

[0026] 本发明实施例中，所述依据归一化结果确定每个类别中网络性能指标的变化幅度的排序，包括：

[0027] 计算所述同一类别中的每个网络性能指标的归一化结果的方差，并将所得的方差从大到小、或从小到大进行排序，得到所述同一类别中的各个网络性能指标的变化幅度的排序。

[0028] 本发明实施例还提供了一种网络性能指标变化趋势的分析装置，该装置包括：采集单元、计算单元、分类单元和统计单元；其中，

[0029] 所述采集单元，用于采集预设地理范围和预设时间范围内的每个网络性能指标对应的连续T个指标值；其中，所述T个指标值的采样周期相同，所述预设地理范围内共有N个网络性能指标，所述T和N为正整数；

[0030] 所述计算单元，用于计算每个网络性能指标的第m个指标值与第m-1个指标值之差，得到每个网络性能指标对应的T-1个差值，所述m＝2,…,T；依据所述每个网络性能指标对应的差值进行相关性计算，得到各个网络性能指标间的相关系数；

[0031] 所述分类单元，用于依据所述相关系数对所述N个网络性能指标进行分类；

[0032] 所述统计单元，用于对分类后的同一类别中的每个网络性能指标进行归一化处理，依据归一化结果确定每个类别中网络性能指标的变化幅度的排序。

[0033] 本发明实施例中，所述计算单元包括：差值计算子单元和相关性计算子单元；其中，

[0034] 所述差值计算子单元，用于计算每个网络性能指标的第m个指标值与第m-1个指标值之差，得到每个网络性能指标对应的T-1个差值；

[0035] 所述相关性计算子单元，用于依据所述每个网络性能指标对应的差值进行相关性计算，得到各个网络性能指标间的相关系数；

[0036] 本发明实施例中，所述相关性计算子单元依据所述每个网络性能指标对应的差值进行相关性计算，包括：

[0037] 以所述各个网络性能指标对应的T-1个差值为元素构造一个T-1行N列的矩阵，所述矩阵的每个列向量对应包括一个网络性能指标对应的T-1个差值，所述T-1个差值按递增或递减方式排列，且所述N个网络性能指标对应的T-1个差值的排列方式均相同；

[0038] 计算所述矩阵的各个列向量间的相关系数，得到变化趋势相关矩阵；

[0039] 其中，所述变化趋势相关矩阵中的每一个元素rij表示第i个网络性能指标与第j个网络性能指标的变化趋势的相关系数，rij的取值在[-1,1]之间，所述i、j＝1,…,N。

[0040] 本发明实施例中，所述分类单元包括：选取子单元、确定子单元和分类子单元；其中，

[0041] 所述选取子单元，用于依据分析需求从所述N个网络性能指标中选取第i个网络性能指标为基准指标；

[0042] 所述确定子单元，用于依据所述变化趋势相关矩阵中的ri1,…rij,…riN元素的取值，确定所述第i个网络性能指标与其他N-1个网络性能指标中任一个指标之间的变化趋势的关系；

[0043] 所述分类子单元，用于依据所述第i个网络性能指标与其他任一个指标之间的变化趋势的关系，将所述N个网络性能指标进行分类。

[0044] 本发明实施例中，所述分类子单元依据第i个网络性能指标与其他任一个指标之间的变化趋势的关系，将所述N个网络性能指标进行分类，包括：

[0045] 如果rij的取值接近1，则表征第i个网络性能指标与第j个网络性能指标的变化趋势相同；如果rij的取值接近-1，则表征第i个网络性能指标与第j个网络性能指标的变化趋势相反；如果rij的取值接近0，则表征第i个网络性能指标与第j个网络性能指标的变化趋势没有显著关系；

[0046] 将与所述第i个网络性能指标变化趋势相同的网络性能指标分为一类，将与所述第i个网络性能指标变化趋势相反的网络性能指标分为一类，将与所述第i个网络性能指标变化趋势没有显著关系的网络性能指标分为一类。

[0047] 本发明实施例中，所述统计单元包括：归一化子单元和确定子单元；其中，[0048] 所述归一化子单元，用于对分类后的同一类别中的每个网络性能指标进行归一化处理；

[0049] 所述确定子单元，用于依据归一化结果确定每个类别中网络性能指标的变化幅度的排序。

[0050] 本发明实施例中，所述确定子单元依据归一化结果确定每个类别中网络性能指标的变化幅度的排序，包括：

[0051] 计算所述同一类别中的每个网络性能指标的归一化结果的方差，并将所得的方差从大到小、或从小到大进行排序，得到所述同一类别中的各个网络性能指标的变化幅度的排序。

[0052] 本发明实施例提供的网络性能指标变化趋势的分析方法和装置，采集预设地理范围和预设时间范围内的每个网络性能指标对应的连续T个指标值；其中，所述T个指标值的采样周期相同，所述预设地理范围内共有N个网络性能指标；计算每个网络性能指标的第m个指标值与第m-1个指标值之差，得到每个网络性能指标对应的T-1个差值；依据所述每个网络性能指标对应的差值进行相关性计算，得到各个网络性能指标间的相关系数；依据所述相关系数对所述N个网络性能指标进行分类；对分类后的同一类别中的每个网络性能指标进行归一化处理，依据归一化结果确定每个类别中网络性能指标的变化幅度的排序。本发明实施例可以通过对网络性能指标变化趋势相关性的分析，摸索和发现未知网络问题，预期解决潜在的网络关联性能、故障等；而且，网络性能指标的分析过程可自动完成，无需经过画趋势图和人眼观察，大大提高了分析效率；此外，对于已得到的网络性能指标的变化幅度的排序，网络优化人员可对所有网络性能指标的排序结果进行分析，突破了依靠以往优化经验选取有限网络性能指标进行分析的局限性，做到全面分析网络指标状况和全面了解优化方案实施后对现网质量的影响。

附图说明

[0053] 在附图(其不一定是按比例绘制的)中，相似的附图标记可在不同的视图中描述相似的部件。具有不同字母后缀的相似附图标记可表示相似部件的不同示例。附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。

[0054] 图1为本发明实施例所述网络性能指标变化趋势的分析方法实现流程图；

[0055] 图2为本发明实施例所述网络性能指标变化趋势的分析装置结构示意图一；

[0056] 图3为本发明实施例所述网络性能指标变化趋势的分析装置结构示意图二；

[0057] 图4为本发明实施例所述网络性能指标变化趋势的分析装置结构示意图三；

[0058] 图5为本发明实施例所述网络性能指标变化趋势的分析装置结构示意图四；

[0059] 图6为本发明场景一所述方法流程示意图；

[0060] 图7为本发明场景二所述装置结构示意图。

具体实施方式

[0061] 本发明的实施例中，采集预设地理范围和预设时间范围内的每个网络性能指标对应的连续T个指标值；其中，所述T个指标值的采样周期相同，所述预设地理范围内共有N个网络性能指标，所述T和N为正整数；计算每个网络性能指标的第m个指标值与第m-1个指标值之差，得到每个网络性能指标对应的T-1个差值；所述m＝2,…,T；依据所述每个网络性能指标对应的差值进行相关性计算，得到各个网络性能指标间的相关系数；依据所述相关系数对所述N个网络性能指标进行分类；对分类后的同一类别中的每个网络性能指标进行归一化处理，依据归一化结果确定每个类别中网络性能指标的变化幅度的排序。

[0062] 下面结合附图及具体实施例对本发明作进一步详细说明。

[0063] 图1为本发明实施例所述网络性能指标变化趋势的分析方法实现流程图，如图1所示，该方法包括：

[0064] 步骤101：采集预设地理范围和预设时间范围内的每个网络性能指标对应的连续T个指标值；其中，所述T个指标值的采样周期相同，所述预设地理范围内共有N个网络性能指标，所述T和N为正整数；

[0065] 步骤102：计算每个网络性能指标的第m个指标值与第m-1个指标值之差，得到每个网络性能指标对应的T-1个差值；所述m＝2,…,T；

[0066] 步骤103：依据所述每个网络性能指标对应的差值进行相关性计算，得到各个网络性能指标间的相关系数；

[0067] 步骤104：依据所述相关系数对所述N个网络性能指标进行分类；

[0068] 步骤105：对分类后的同一类别中的每个网络性能指标进行归一化处理，依据归一化结果确定每个类别中网络性能指标的变化幅度的排序。

[0069] 本发明实施例中，设网络优化人员希望按天分析某小区的网络性能指标，且需分析30天的网络性能指标变化趋势，则采集该小区的所有N个网络性能指标在连续30天的指标采样值，每天一个指标值。这里，可将采集所得的所有指标值构造成一个矩阵，例如：30行N列。

[0070] 本发明实施例中，所述依据所述每个网络性能指标对应的差值进行相关性计算，包括：

[0071] 以所述各个网络性能指标对应的T-1个差值为元素构造一个T-1行N列的矩阵，所述矩阵的每个列向量对应包括一个网络性能指标对应的T-1个差值，所述T-1个差值按递增或递减方式排列，且所述N个网络性能指标对应的T-1个差值的排列方式均相同；

[0072] 计算所述矩阵的各个列向量间的相关系数，得到变化趋势相关矩阵；

[0073] 其中，所述变化趋势相关矩阵中的每一个元素rij表示第i个网络性能指标与第j个网络性能指标的变化趋势的相关系数，rij的取值在[-1,1]之间，所述i、j＝1,…,N。

[0074] 本发明实施例中，所述依据所述相关系数对所述N个网络性能指标进行分类，包括：

[0075] 依据分析需求从所述N个网络性能指标中选取第i个网络性能指标为基准指标；

[0076] 依据所述变化趋势相关矩阵中的ri1,…rij,…riN元素的取值，确定所述第i个网络性能指标与其他N-1个网络性能指标中任一个指标之间的变化趋势的关系；

[0077] 依据所述第i个网络性能指标与其他任一个指标之间的变化趋势的关系，将所述N个网络性能指标进行分类。

[0078] 本发明实施例中，所述依据第i个网络性能指标与其他任一个指标之间的变化趋势的关系，将所述N个网络性能指标进行分类，包括：

[0079] 如果rij的取值接近1，则表征第i个网络性能指标与第j个网络性能指标的变化趋势相同；如果rij的取值接近-1，则表征第i个网络性能指标与第j个网络性能指标的变化趋势相反；如果rij的取值接近0，则表征第i个网络性能指标与第j个网络性能指标的变化趋势没有显著关系；

[0080] 将与所述第i个网络性能指标变化趋势相同的网络性能指标分为一类，将与所述第i个网络性能指标变化趋势相反的网络性能指标分为一类，将与所述第i个网络性能指标变化趋势没有显著关系的网络性能指标分为一类。

[0081] 本发明实施例中，所述对分类后的同一类别中的每个网络性能指标进行归一化处理，包括：

[0082] 对分类后的同一类别中的每个网络性能指标，依据如下公式将每个网络性能指标归一化到[0,1]区间：

[0083]

[0084] 其中，所述Pi为第i个网络性能指标，所述Pinorm为第i个网络性能指标的归一化结果。

[0085] 本发明实施例中，所述依据归一化结果确定每个类别中网络性能指标的变化幅度的排序，包括：

[0086] 计算所述同一类别中的每个网络性能指标的归一化结果的方差，并将所得的方差从大到小、或从小到大进行排序，得到所述同一类别中的各个网络性能指标的变化幅度的排序。

[0087] 本发明实施例还提供了一种网络性能指标变化趋势的分析装置，如图2所示，该装置包括：采集单元201、计算单元202、分类单元203和统计单元204；其中，[0088] 所述采集单元201，用于采集预设地理范围和预设时间范围内的每个网络性能指标对应的连续T个指标值；其中，所述T个指标值的采样周期相同，所述预设地理范围内共有N个网络性能指标，所述T和N为正整数；

[0089] 所述计算单元202，用于计算每个网络性能指标的第m个指标值与第m-1个指标值之差，得到每个网络性能指标对应的T-1个差值，所述m＝2,…,T；依据所述每个网络性能指标对应的差值进行相关性计算，得到各个网络性能指标间的相关系数；

[0090] 所述分类单元203，用于依据所述相关系数对所述N个网络性能指标进行分类；

[0091] 所述统计单元204，用于对分类后的同一类别中的每个网络性能指标进行归一化处理，依据归一化结果确定每个类别中网络性能指标的变化幅度的排序。

[0092] 一个实施例中，如图3所示，所述计算单元202包括：差值计算子单元2021和相关性计算子单元2022；其中，

[0093] 所述差值计算子单元2021，用于计算每个网络性能指标的第m个指标值与第m-1个指标值之差，得到每个网络性能指标对应的T-1个差值；

[0094] 所述相关性计算子单元2022，用于依据所述每个网络性能指标对应的差值进行相关性计算，得到各个网络性能指标间的相关系数；

[0095] 本发明实施例中，所述相关性计算子单元2022依据所述每个网络性能指标对应的差值进行相关性计算，包括：

[0096] 以所述各个网络性能指标对应的T-1个差值为元素构造一个T-1行N列的矩阵，所述矩阵的每个列向量对应包括一个网络性能指标对应的T-1个差值，所述T-1个差值按递增或递减方式排列，且所述N个网络性能指标对应的T-1个差值的排列方式均相同；

[0097] 计算所述矩阵的各个列向量间的相关系数，得到变化趋势相关矩阵；

[0098] 其中，所述变化趋势相关矩阵中的每一个元素rij表示第i个网络性能指标与第j个网络性能指标的变化趋势的相关系数，rij的取值在[-1,1]之间，所述i、j＝1,…,N。

[0099] 一个实施例中，如图4所示，所述分类单元203包括：选取子单元2031、确定子单元2032和分类子单元2033；其中，

[0100] 所述选取子单元2031，用于依据分析需求从所述N个网络性能指标中选取第i个网络性能指标为基准指标；

[0101] 所述确定子单元2032，用于依据所述变化趋势相关矩阵中的ri1,…rij,…riN元素的取值，确定所述第i个网络性能指标与其他N-1个网络性能指标中任一个指标之间的变化趋势的关系；

[0102] 所述分类子单元2033，用于依据所述第i个网络性能指标与其他任一个指标之间的变化趋势的关系，将所述N个网络性能指标进行分类。

[0103] 本发明实施例中，所述分类子单元2033依据第i个网络性能指标与其他任一个指标之间的变化趋势的关系，将所述N个网络性能指标进行分类，包括：

[0104] 如果rij的取值接近1，则表征第i个网络性能指标与第j个网络性能指标的变化趋势相同；如果rij的取值接近-1，则表征第i个网络性能指标与第j个网络性能指标的变化趋势相反；如果rij的取值接近0，则表征第i个网络性能指标与第j个网络性能指标的变化趋势没有显著关系；

[0105] 将与所述第i个网络性能指标变化趋势相同的网络性能指标分为一类，将与所述第i个网络性能指标变化趋势相反的网络性能指标分为一类，将与所述第i个网络性能指标变化趋势没有显著关系的网络性能指标分为一类。

[0106] 一个实施例中，如图5所示，所述统计单元204包括：归一化子单元2041和确定子单元2042；其中，

[0107] 所述归一化子单元2041，用于对分类后的同一类别中的每个网络性能指标进行归一化处理；

[0108] 所述确定子单元2042，用于依据归一化结果确定每个类别中网络性能指标的变化幅度的排序。

[0109] 本发明实施例中，所述归一化子单元2041对分类后的同一类别中的每个网络性能指标进行归一化处理，包括：

[0110] 对分类后的同一类别中的每个网络性能指标，依据如下公式将每个网络性能指标归一化到[0,1]区间：

[0111]

[0112] 其中，所述Pi为第i个网络性能指标，所述Pinorm为第i个网络性能指标的归一化结果。

[0113] 本发明实施例中，所述确定子单元2042依据归一化结果确定每个类别中网络性能指标的变化幅度的排序，包括：

[0114] 计算所述同一类别中的每个网络性能指标的归一化结果的方差，并将所得的方差从大到小、或从小到大进行排序，得到所述同一类别中的各个网络性能指标的变化幅度的排序。

[0115] 可见，本发明实施例可以通过对网络性能指标变化趋势相关性的分析，摸索和发现未知网络问题，预期解决潜在的网络关联性能、故障等；而且，网络性能指标的分析过程可自动完成，无需经过画趋势图和人眼观察，大大提高了分析效率；此外，对于已得到的网络性能指标的变化幅度的排序，网络优化人员可对所有网络性能指标的排序结果进行分析，突破了依靠以往优化经验选取有限网络性能指标进行分析的局限性，做到全面分析网络指标状况和全面了解优化方案实施后对现网质量的影响。

[0116] 下面结合具体应用场景对本发明进行描述。

[0117] 场景一

[0118] 本场景中，假设总共有N个网络性能指标(P1,P2,……,PN)，如图6所示，该方法包括：

[0119] 步骤601：采集网络性能指标，按需求地理范围和时间范围进行指标值的处理；

[0120] 采集一定地理范围(小区/区域/全网等)和时间范围(小时/天)内的连续T个时间点(小时/天等)对应的指标值，并将所有指标值构造成原始性能指标矩阵，如下:

[0121]

[0122] 其中，所述Pij为第i(i＝1,……N)个性能指标的第j个时间点的指标值。

[0123] 利用每个网络性能指标的第j个指标值与第j-1个指标值之差，可以表征该性能指标在第j个时间点的变化。相应的，对所有网络性能指标所有时间点的指标值均进行差值运算，可得到原始性能指标变化趋势矩阵：

[0124]

[0125] 其中，所述ΔPi包括第i个网络性能指标的所有(T-1个)差值；

[0126] 步骤602：计算并分析基准网络性能指标与其他指标的变化趋势的相关性；

[0127] 计算原始性能指标变化趋势矩阵Delta中的各个列向量(各个网络性能指标)间的相关系数，可得变化趋势相关矩阵：

[0128]

[0129] 其中，所述rij为Delta中ΔPi与ΔPj的相关系数，取值在[-1,1]之间：

[0130]

[0131] 步骤603：依据于基准指标间变化趋势的相关性，对网络性能指标进行分类；

[0132] 网络优化人员在分析问题或评估优化效果时，假设选定了第i个网络性能指标作为基准指标，则第i个网络性能指标与其他剩余指标的变化趋势的相关性即由Rdelta中的第i列来表征，即Ri_based＝[ri1 … rij … riN]，其中rij为第i个网络性能指标与第j个网络性能指标的变化趋势的相关系数，越接近1表征第i个网络性能指标与第j个网络性能指标的变化趋势越相同，越接近-1表征第i个网络性能指标与第j个网络性能指标的变化趋势越相反，越接近0表征第i个网络性能指标与第j个网络性能指标的变化趋势没有显著关系。

[0133] 假设第i个网络性能指标在观测周期内是下降的，网络优化人员在分析过程中需要了解哪些指标也是下降的，而哪些指标会上升。可以根据Ri_based对所有N-1个网络性能指标进行分类，如分为：与第i个网络性能指标变化趋势相同、变化趋势相反或者无显著关系等三类，分类方法可以采用聚类算法(如K-means算法)，也可以根据需要划定区间范围来分类。

[0134] 步骤604：分析各分类中网络性能指标的变化幅度的排序。

[0135] 对于变化趋势相同和相反两类，网络优化人员在分析过程中还需要了解指标变化的幅度，即：假设指标i在观测周期内是下降的，则网络优化人员需要了解哪些指标下降幅度较多，哪些指标上升幅度较多。采用方差可以衡量指标的变化幅度。由于不同的网络性能指标具有不同的量纲，为横向比较各指标的变化，首先需要对分类后的各指标进行归一化操作。如采用如下方法可以将各个指标都归一化到[0,1]区间：

[0136]

[0137] 计算所有归一化指标Pinorm的方差，并根据方差从大到小排序，即可得到各个分类中指标变化幅度的排序。网络优化人员据此可以得到，在随着第i个网络性能指标一起下降的指标中，哪几个指标下降最多；在随着第i个网络性能指标的下降而上升的指标中，哪几个指标上升最多。

[0138] 场景二

[0139] 基于场景一所述的方法，本场景提出了一种与所述方法对应的装置，如图7所示，该装置包括：

[0140] 数据预处理模块701：用于将现网所有网络性能指标按网络优化人员的实际需要，处理成一定地理粒度(地理范围)和周期(时间范围)的原始性能指标矩阵。该模块的输入为网络优化人员需要分析的地理粒度(例如小区/区域/全网等)、周期(例如小时/天/周等)、以及所有网络性能指标采样值。输出为所需地理粒度及周期内的网络性能指标原始矩阵。例如，网络优化人员希望按天分析某小区的网络性能指标，则需输入某小区所有N个网络性能指标连续30天的指标采样值，如：一天中每15分钟一个采样点，那么，数据预处理模块701将每个网络性能指标大量的指标采样值按天处理，如：将一天当中的多个采样点(每15分钟对应的一个采样点)求取平均值得到一天的指标值，输出该小区所有网络性能指标连续30天的指标值构成的原始性能指标矩阵，矩阵大小为30行N列。

[0141] 趋势相关性计算模块702：用于计算所有网络性能指标之间的变化趋势的相关性。该模块的输入为数据预处理模块701处理后的所有网络性能指标值构成的原始性能指标矩阵，通过计算原始性能指标矩阵的变化趋势矩阵各列向量之间的相关系数，可输出变化趋势相关矩阵。

[0142] 分类模块703：用于对网络性能指标变化趋势进行分类。该模块的输入为网络优化人员选取的分析基准指标、趋势相关性计算模块702输出的变化趋势相关矩阵、需要的分类个数，输出为所需的各类指标集。分类方法可以使用聚类算法或人为定义。例如：网络优化人员希望将网络性能指标分为与基准指标变化趋势相同、趋势相反和无显著关系三类，分类模块即可输出三类指标集。

[0143] 评估模块704：输入为分类模:703输出的各类指标，通过比较各指标归一化后的方差，得到各类指标的变化幅度排序。例如，网络优化人员希望分析与基准指标变化趋势相同的指标集中变化幅度最大的指标，即可取对应指标集归一化后方差最大的指标。

[0144] 本发明实施例可以通过对网络性能指标变化趋势相关性的分析，摸索和发现未知网络问题，预期解决潜在的网络关联性能、故障等；而且，网络性能指标的分析过程可自动完成，无需经过画趋势图和人眼观察，大大提高了分析效率；此外，对于已得到的网络性能指标的变化幅度的排序，网络优化人员可对所有网络性能指标的排序结果进行分析，突破了依靠以往优化经验选取有限网络性能指标进行分析的局限性，做到全面分析网络指标状况和全面了解优化方案实施后对现网质量的影响。

[0145] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

[0146] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0147] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0148] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0149] 以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。