基于端（一方端+三方端）和网络数据进行全链路的网络实时监控与分析 ， 解决完备性问题 。 下面2个案例分别是直播业务和SparkRTC二个业务的全链路监控和分析 ， 直播全链路分析场景下 ， 端的数据是结合客户的三方端数据和我们的一方端网络数据构建而来 ， 可以监控从主播到观众到网络的整个链路 。

右侧的SparkRTC是基于一方端的数据和一方网络数据做的全链路网络质量监控 ， 每个节点的QoE、QoS指标都可以进行对比 ， 还可以分析用户操作 ， 监控网络的质量 。
下面我们从监控的三个维度 ， 用户、站、流分析打开看一些具体实践 。

文章图片

首先是用户体验监控和分析 。
在通话过程中 ， 由于用户、网络、设备等限制 ， 用户可能会遇到卡顿、延时、黑屏等问题 ， 此类问题统称为体验异常 ， 解决体验异常之前先要定义体验指标 ， 不同业务的体验指标不同 ， 以SparkRTC为例 ， 对进房慢的用户（5s内入房失败）、音频卡顿用户（音频卡顿率≥3%）、视频卡顿用户（视频卡顿率≥5%） ， 进行实时指标监控 ， 检测到指标异常会触发告警、同时实时自动诊断技术能够检测卡顿原因在于主播端网络、传输网络还是接收端网络 ， 如果原因在于端网络 ， 后续还要对其进行网络调度及解决 。

文章图片

其次从网络质量监控分享一些实践 。
音视频媒体网络是基于不可靠互联网络 ， 在网络优化实践中 ， 我们遇到了三个困境：

1. 研发测试基本是路测 ， 带着手机去地铁站、机场等场所 ， 无法覆盖真实、全量的网络场景；
2. 现网监控缺少基于网络QoS对卡顿等用户体验质量的预测；
3. 现网会针对弱网、编解码做优化算法 ， 但目前优化算法较单一 ， 缺少对真实网络各种场景的针对性优化 。

基于这些困境 ， 我们思考构建网络模型学习系统 ， 学习现网所有发送端及接收端的QoS数据 ， 之后用于研发的音视频测试服务、在线体验自动诊断和在线体验调控优化 。 在线体验自动诊断是在测试某个网络模型时 ， 这个网络模型会告知此模型中机场或办公室场景的大致卡顿率或其它质量指标 ， 此时如果现网来了一段类似的网络QoS时序 ， 那么就会匹配到此网络模型上 ， 我们就可以大概知道可能会出现何种体验问题 。 在线体验调控优化是在发现某位用户端的网络特别差时 ， 我们会为他选择弱网场景的优化参数（流控参数或降码参数）进行适配 。
技术上采用基于网络QoS时序聚类智能学习业务场景网络模型 ， 先时序特征聚类 ， 后形状聚类 。 这里面临的两个挑战 ， 1、每天需要学习现网几十甚至上百T的QoS数据 ， 通过结合特征聚类和形状聚类的方式能够解决此问题 。 2、每天要学习现网前一天的全量模型 ， 这里有一个增量策略 。
从实际使用情况来看 ， 有以下两个观点适用于所有业务：

1. 聚类模型数量呈现显著长尾效应 ， 针对少量场景模型优化可覆盖大部分场景（前100个模型能覆盖95%+场景）；
2. QoS模型数量呈现亚线性增长 ， 不会新增过多模型 ， 针对已有场景模型优化可覆盖后续大部分场景 。