1.本发明涉及视频运维技术领域，尤其『涉及一种智能视频运维管理系统。

背景技术：

2.随着物联网技术和应用的不断发展，网络边缘设备产生的数据量激增。据统计，到2021年底，将有超过500亿台终端和设备接入互联网。超过 50% 的数据需要在网络边缘进行分析、处理和存储。在这些终端设备产生的海量数据中，视频数据占据了相当大的比重。

3.目前，受网络带宽、视频数据采集存储条件不足等多方面因素的限制，海量视频数据并未得到充︼分挖掘和利用。如果将如此海量的视频数据传输到公有云数据中心，势必会带来巨大的网络传输负载，并且会出现较长的网络延迟。未经处理的视频流可能包含大量静止图像等冗余数据，这对网络带宽的利用也有很大的负面影响。此外，非结构化视频数据增加〓了数据计算和存储的复杂度，无法保证整个系统的可用性。在安全监管方面，如果将大量物联网设备采∩集的包含隐私和商业机密的视频数据传输到数据中心进行集中计算和存储，数据传输和使用路径过长，存在数据泄露，丢失、系统攻击等风险。因此，传统公有云计算的集中处理模式不足以支撑海量视频数据的实时计算，难以满足数据◢安全等方面的需求。

4.运维系统的主要作用是保证系统的正常运行。运维包括运维的含义。早期运维系统的主要功能是电子化记录纸质运维记录。运行方面，随着IT技术的不断发展，系统变得越来越复杂，如何快速获取信息，快速完成故障应急策略成为当前运维系统的核心问题。在跨平台、跨应用交互、分布式等技术成为主流的今天，运维系统需要让自身更具交互性和可扩展性，同时又不失传统运维理念，适应分布式环境。 ，总线方案的引入it运维技术，使得运维系统具有松耦合、易扩展的特点。通过消息总线运维系统，可以立即获取集群中各个节点发送的消息。处理完信息后→，将处理结果通过总线发送到需要的集群节点。根据总线架构的目标对象，运维系统可以分为两类：面向应用的总线架构运维系统和面向组件的总线架构运维系统。

5.传统的系统运维主要依靠人工定期巡检和突发事件应急响应机制。大部分情况下都可以完∏成所需的运维任务，但是成本比较大，而且系统之前运行产生的数据没有很好的回溯机制。一种观念认为Ψ，人工智能在运维领域的应用和发展必然成为一种趋势，而该领域现有的一些机器学习方法大多是基于使用k近邻算法（knn）来处理运维数据。时序结果分类不仅计算复杂度高、空间复杂度高，而且普遍适用性差。

6.例如，专利文献公开了一种视频运维管理系统和方法，公开了一种视频运维管理系统和方法。设备管理模块用于注册所有在线管理视频运维设备。建立书本，存储视频运维设备的管理信息； gis可视化模块通过gis地图界面∏查看所有视频运维设备的当前位置和视频运维设备的基本信息；信息状态监控模块用于监控运维设备的工作状态

状态。但是这种技术方案的成本比较高，而且系统之前运行产生的数据没有很好的回溯机制。

7.例如，专利文献提供了智能视频运维管理系统。运维代理单元对各个监控对象监控的通道进行视频数据采集，对采集到的视频数据进行重复数据过滤，得到各个监控对象的有效视频数据，收集各个监控对象自身的状态数据，分析每个监控对象的状态数据。对有效视频数据和监控对象状态数据进行封装，得到各个监控对象的运维数据。管理平台单元统一管理从运维代理单元传来的各个监控对象的运维数据的分类、分发、检索和存储，将运维数据分发给各个管理客户端，并根据故障产生运维数据信息和告警信息的分析结果。但该技术方案不仅计算复杂度高、空间复杂度高，而且普遍适用性较差。

技术实施要素：

8.为了解决上述技术问题，本发明提出一种智能视频运维管理系统，包括数据采集单元、视频运维数据预处理单元、转换与分类单元单元、数据存储单元、数据分析单元、运维质量评估单元和业务应用单元：数据采集单元用于采集视频运维数据；视频运维数据预处理单元，用于对视频运维数据进行解析、转换和归约。转换分☉类单元，用于对视频运维数据预处理单元预处理后的视频运维数据进行分类和适配。配置后的数据；数据分析单元用于对分类适配后的数据进行数据处理、分析和优化；运维质量评价单元用于对运维数据进行数据处理、分析和优化后的质量分析和优化。进行评估；在业务应用单元，运维工程师根据业务应用单元用户在使用过程↑中发现的问题，对智能运维系统的优化进行积极反馈。

9.进一步，在大数据的分类适配过程中，转换分类单元采用向量分类模型进行分类识别，向量分类模型采用单位阶跃函数输出输入数据u类别标签f(u)，当u<0时，f(u)输出-1，否则输出+1；使用标签

·

(u)·

表示从点到分离平面的几何间隔，使用最大化函数最大化几何间隔：arg maxu{min(label

·

(u)·

)};基于约束，将分离平面写成数据点的形式，优化目标函数为：约束是：

其中常数c1、c2是一」个松弛变量，用于控制最大几何区间参数和函数区间参数小于1.0。

10.进一步，采用序列最小优化算法训练向量分类模型，包括以下步骤： s1、创建并初始化一个o的向量，并进行迭代； s2、判断迭代次数是否〗小于最大值； s3、如果迭代次数小于最大值，遍历数据集中的每个向量，进行优化处理。如果可以优化向量，请输入 s4。如果向量无法优化，如果优化，则遍历下一个向量，重新优化； s4、 随机选择另一个◤向量进行优化； s5、 如果两个向量都不能优化，增加迭代次数，返回s2；如果两个向量可以优化，输入s6； s6、 同时优化两个向量。

11.进一步，数据分析单元采用径向基核函数进行优化，将输入数据x从输入空间映射到特征空间，z表示特征空间的特征参数，径向基核函数为：哪里是可调参数。

12.进一步，所述运维质量评价单元采用时序相关评价指标sr和线性相关评价指标pl的归一化作为评价指标，线性相关评价指标p1定义如下： 其中， n代表运¤维数据个数， ，分别代表第i个运维数据的实际值和预测值， ，分别代表运维实际值和预测值的平均值数据;订单相关评价指标 sr 定义如下：其中，分别表示实际值和预测值在序列中的排序位置；归一化后的评价指标为：。

图纸说明

13. 图1是本发明的智能视频运维管理系统的结构示意图；图2为本发明序列最小优化算法的流程图。

具体实现方法

14. 为使本领域技术人员更好地理解技术实施例的技术方案，下面将结合技术实施例中的附图对技术实施例中的技术方案进行清楚的描述。 ，显然，所描述的实施例只是本技术的部分实施例，而不是全部的实施例。

15.如图所示。参见图1，为本发明基于大数据的智能视频运维管理系统的结构示意图。智能视频运维管理系统包括：数据采集单元，用于采集视频运行数据。视频运维数据主要是指为大视频业务智能运维采集的数据，包括IP摄像机、DVR、卡口设备、iptv等终端的播放记录和关键性能指标（kpi）数据；接入网络的用户宽【带信息、资源拓扑数据； CDN错误日志、告警、链接状态、流信息等； iptv企业账号、频道/节目信息等

16.数据采集单元优选采用√kafka、文件传输协议（ftp）、超文本传输??协议（http）等组件进行数据采集。

17.视频运维数据预处理单元用于对各种异构日志数据进行解析、转换、归约，在数据使用前完成必要的处理和数据质量保证。上述预处理操作可以采※用现有技术中的预处理方法，在此不再赘述。

18.转换分类单元用于对视频运维数据预处理单元预处理后的视频运维数据进行分类。

19.变换分类单元在大数据的分类适配过程中采用分类模型进行分类识别。

20. 优选地，使用向量分类模型进行分类识别，向量分类模型是在特征空间上定义的最大区间的线性分类器。对于一个n维线性可分的数据集it运维技术，有n-1维对象对数据进■行分离，将这个n-1维对象定义为分离平面；从单个数据点到分离平面的距离定义为间隔；最靠近分离平面的点被定义为主向量。使用向量分类模型是为了求解能够正确划分训练集并具有最大集间隔的分离平面。为数据集找到间隔最大的分离平面意味着数据〗集被分类有足够的置信度，这样的分离平面具有更好的分类和预测能力。

21.向量分类模型会为输入数据集u输出一个类别标签。本发明利用单位阶跃函数作用于u得到f(u)；当u<0时，f(u)输出-1，否则输出+1，对应系统运维中的“风险”和“正常运行”两种状态。

22.使用标签

·

(u) 表示从单个数据点到分割平面的函数区间，label

·

(u) · 表示单个数据点到分离平面的几何间隔。

23.在向量分类模型中求u，即求其主向量。一旦找到具有最小间隔的数据点，则将间隔最大化。最大化函数可以写成】：arg maxu{min(label

·

(u)

·

)};基于约束，将分离平面写成数据点的形式，优化目标函数为：

;约束为： 约束为： 其中m为数据点的个数，常数c1、c2为松弛变量，用于控制最大化区间，保证大部分点的函数区间权重两个目标的值小于1.0，通过调整这个参数的值可以得到不同的结果。

24.其次，通过序列最小优化算法训练向量分类模型，将大优化问题分解为多个小优化问题进行求解。求解后的结果完全等价于整体求解。

25.序列最小优化算法是在每个循环中选择两个进行优化处理，如果确定了，也确定；这两个必须在区间︾的外部或边界上。

26.序列最小优化算法的具体流程如图2所示，包括： s1、创建并初始化一个o的向量进行迭代； s2、判断迭代次数是否小于最大值； s3、如果迭代次数小于最大值，遍历数据集中的每个向量，进行优化处理。如果可以优化向量，请输入 s4。如果向量无法优化，则遍历下一个向量，重新优化； s4、 随机选择另一个向量进行优化； s5、 如果两个向量都不能优化，增加迭代次数，返回s2；如果二，向量可以优化，则进入s6； s6、 同时优化这两个，向量；直到迭代次数不小于最大值。

27.数据存储单元用于存储经过转换分类单元分类适配后的数据。

28. 数据分█析单元用于对经过转换分类单元分类适配后存储在数据存储单元中的数据进行数据处理、分析和优化，为视频质◣量提供数据支持评价单位。

29. 具体来说，数据分析单元使用径向基核函数进行分析优化，使用径向基核函数将输入数据x从输入空间映射到特征空间，z表示特征空间参数的特征，径向基核函数表示为：其中是一个可调参数，不同的值会使向量分类模型的ㄨ主向量个数不同，影响向量分类模型的分类精度。利用上述径向基核函数，我们将数据从输入空间映射到更高维的特征空间进行处理，大大提高了该算法的适用性。

30.数据分析单元优选采用流计算处理框架、离线批处理←框架、人工智能计算框架、数据存储与检索引擎等。数据的离线分析，包括但不包括仅限于故障和异常的根本原因分析、故障和特定规则阈值的动态预测、事件依赖分析和相关性分析、异常和重要时间序列模式发现、多个事件的自动分类等。

31.运维质量评价单元用于评价运维数据的质量。运维数据质量的评价指标很多，本发明采用时→序相关评价指标sr和线性相关评价指标pl的归一化作为评价指标。序列相关性评价指标sr用于衡量运维数据质量预测结果的单调性，线性相关性评价指标pl用于描述主客观评价之间的线性相关性。准确性。

32.线性相关评价指标pl定义如下：；上式中，n代表运维数据个数， ，分别代表第i个运维数据的实际值和预测值，分别代表运维数据实际值和预测值的平均值数据的价值；线性相关评价指标pl在[-1, 1]范围内，绝对值越大越好。

[0033]

阶相关评价指标sr可以用来衡量线性相关评价算法预测结果的单调性，其计算公式为：其中 分别表示实际值和预测值序列中的排名位置。

[0034]

由♀于评价原则不同，不同方法预测的运维数据质量得分也不同。因此，将不同方法预测的质量分数映射到统一的评价标准，从而直观地看到方法的性能效果。标准化不同的评价标准。

[0035]

归一化评价指标。通过对归一化后的评价指标的分析可以看出，每个评价指标系◥数中pl、sr的值越接近1，视频质量评价方法的性能越好，而视频质量评价方法的性能越差。方法相反。

[0036]

业务应用单元用于提供智能业务监控、端到端故障定界定位、用户体验感知、统计分析和报告等主要业务场景的分析应用。运维工程师根据业务应用单元对系统中的用户进行操作，在用户使用过程中发现的问题可以对智能运维系统的优化起∮到积极的反馈作用。

[0037]

本发明的基于大数据的智能视频运维管理系统，利用大数据技术，构建基于大数据的处理平台，实现数据的采集、聚合、建模、分析和呈现，实现全面的实视频质量和数据采集的时间监控和控制。视频质量评价指标和业务应用单位建立基于用户体验的视频质量评价体系，对视频清晰度、流畅度、定格等多项用户体验质量指标进行分析。转换分类单元和数据分析单元，成功将机器学习应用于运维，进行数据分类、标注、分析和应用。标注数据是指在日常运维工作中会产生的标注数据。大视频系统本身拥有海量日志，包括来自终端、网络、业务系统的数据，并针对大数据系统的存储进行了优化。

[0038]

在上述实施例中，可以全部或部分通过软件、硬件、固件或其任意组合来实现

现在。当以软件实现时，它可以全部或部分以计算机程序产品的形式实现⊙。该计算机程序产品包括一个或多个计算机指令。当计算机程序指令被加载并在计算机上执行时，根据本技术的实施例描述的过程或功能被全部或部分地产生。计算机可以是通用计算机、专用计算机、计算机网络或其他可编程设备。计算机指令可以存储在计算机可读存储介质中或通过计算机可读存储介质传输。计算机可读存储介质可以是可以〒由计算机或数据存储设备访问的任何可用介质，例如服务器、数据中心等，其包括一个或多个可用介质的集成。可用介质可以是磁介质（例如，软盘、硬盘、磁带）、光学介质（例如，dvd）或半导体介质（例如，固态盘（SSD））等。

[0039]

以上仅为本技术的具体实施方式，但本技术的保护范＠ 围不限于此。本领域技术人员可以很容易地想到各种等效修改或替换，均应包含在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。