摘要 | 第5-7页 |
ABSTRACT | 第7-9页 |
第1章 绪论 | 第19-39页 |
1.1 研究背景与意义 | 第19-21页 |
1.2 国内外研究现状 | 第21-36页 |
1.2.1 移动网络用户聚类 | 第21-24页 |
1.2.2 基于QoE的用户业务KQI监测 | 第24-29页 |
1.2.3 移动网络用户业务KQI异常定界 | 第29-35页 |
1.2.4 分析和总结 | 第35-36页 |
1.3 本文主要贡献 | 第36-38页 |
1.4 论文结构安排 | 第38-39页 |
第2章 移动用户偏好聚类方法研究 | 第39-71页 |
2.1 引言 | 第39-40页 |
2.2 AFKmc2+:用户偏好单向聚类方法 | 第40-49页 |
2.2.1 问题描述 | 第40-41页 |
2.2.2 AFKmc2+算法 | 第41-45页 |
2.2.3 算法性能验证 | 第45-49页 |
2.3 H-tNMF:用户偏好双向聚类方法 | 第49-64页 |
2.3.1 问题描述 | 第50-53页 |
2.3.2 H-tNMF算法 | 第53-59页 |
2.3.3 算法性能验证 | 第59-64页 |
2.4 算法应用:以用户-时空流量使用偏好聚类为例 | 第64-68页 |
2.4.1 用户-时间流量使用偏好聚类结果分析 | 第64-66页 |
2.4.2 用户-空间流量使用偏好聚类结果分析 | 第66-68页 |
2.5 本章总结 | 第68-71页 |
第3章 视频点播业务卡顿识别方法研究 | 第71-97页 |
3.1 引言 | 第71-72页 |
3.2 问题描述 | 第72-76页 |
3.3 基于黑箱策略的卡顿建模方法 | 第76-90页 |
3.3.1 监督学习框架 | 第77-78页 |
3.3.2 标签数据集构造方法 | 第78-81页 |
3.3.3 FreezeDivine:特征提取方法 | 第81-87页 |
3.3.4 特征选择方法 | 第87-90页 |
3.4 算法性能验证 | 第90-95页 |
3.4.1 分类器设计 | 第90-91页 |
3.4.2 与基于流片累积算法的卡顿识别准确率的对比 | 第91-92页 |
3.4.3 不同分类器的长卡与多卡识别准确率对比 | 第92-94页 |
3.4.4 不同卡顿识别任务下的特征评估 | 第94-95页 |
3.5 本章总结 | 第95-97页 |
第4章 HTTP业务响应延迟异常根因定界方法研究 | 第97-125页 |
4.1 引言 | 第97-98页 |
4.2 问题描述 | 第98-101页 |
4.3 spRTT网络侧异常定界框架 | 第101-102页 |
4.4 DC-CoMo:spRTT建模方法 | 第102-112页 |
4.4.1 算法框架 | 第102-103页 |
4.4.2 维度层次聚合 | 第103-104页 |
4.4.3 整体建模 | 第104-108页 |
4.4.4 迭代建模 | 第108-111页 |
4.4.5 DC-CoMo算法应用:异常检测 | 第111-112页 |
4.5 ReasonTree:spRTT异常定界算法 | 第112-115页 |
4.6 算法性能验证 | 第115-123页 |
4.6.1 数据集 | 第115-116页 |
4.6.2 ReasonTree算法异常定界性能验证 | 第116-118页 |
4.6.3 DC-CoMo算法异常检测性能验证 | 第118-122页 |
4.6.4 异常定界结果实例 | 第122-123页 |
4.7 本章总结 | 第123-125页 |
第5章 用户业务数据测量平台 | 第125-145页 |
5.1 引言 | 第125页 |
5.2 xDR-Pro: S1/Iups口数据解析平台 | 第125-130页 |
5.2.1 平台架构 | 第126-128页 |
5.2.2 平台解析参数介绍 | 第128-130页 |
5.3 KQI-Doctor:业务KQI参数采集平台 | 第130-144页 |
5.3.1 平台功能 | 第131-132页 |
5.3.2 终端路测APP | 第132-139页 |
5.3.3 监控服务器 | 第139-144页 |
5.4 本章总结 | 第144-145页 |
第6章 总结与展望 | 第145-149页 |
6.1 现有工作总结 | 第145-146页 |
6.2 未来工作展望 | 第146-149页 |
参考文献 | 第149-161页 |
攻读博士学位期间的研究成果 | 第161-163页 |
攻读博士学位期间的研究经历 | 第163-165页 |
致谢 | 第165-166页 |