一种直播的异常定位方法、装置、计算机设备和存储介质与流程

本发明实施例涉及直播技术，尤其涉及一种直播的异常定位方法、装置、计算机设备和存储介质。

背景技术：

随着互联网的发展，尤其是移动终端的普及，直播在人们的工作、生活、娱乐中愈发普及。

直播的视频数据从主播用户的设备发出，经由直播平台进行处理，再分发至观众用户的设备，直播的系统架构较为复杂，容易出现技术故障，导致发生卡顿等异常。

为了排除技术故障，目前，多依赖运维人员进行人工排障，阶梯式地分析该系统架构中不同阶段的运行数据，从获取卡顿的异常告警到输出异常的原因，简单的卡顿异常，排障耗时通常在5-10分钟左右，复杂的卡顿异常还需要不同部门的技术人员合作分析。

卡顿异常的排障耗时较长，而随着直播的业务量增长，当单位时间内排障的任务量也随之增多，运维人员的负担加重，投入的人力成本和时间成本相应增加，会因人力不足而延误排障最佳时机，在同时间段出现多个故障时尤为明显。

此外，排障过程梯度化，当进入后续阶段的排障时，容易产生了两个阶段的交接损耗，产生了中间耗损，即容易出现重复性操作，增加排障耗时。

技术实现要素：

本发明实施例提供一种直播的异常定位方法、装置、计算机设备和存储介质，以解决运维人员人工对直播的故障进行排查，成本较高、产生中间损耗的问题。

第一方面，本发明实施例提供了一种直播的异常定位方法，包括：

接收异常消息，所述异常消息用于表示直播节目发生卡顿；

响应于所述异常消息，从与所述直播节目相关的直播节点采集运行数据；

从所述运行数据提取特征，作为运行特征；

识别与所述运行特征相似或相同的参考特征，作为目标特征，所述参考特征为直播节点在先出现异常时运行数据的特征，并标记有异常的类型；

确定所述目标特征对应的直播节点发生所述类型中的异常。

可选地，所述直播节点包括主播设备、传输节点；

所述直播节目来源于所述主播设备、经过所述传输节点传输至观众设备；

所述主播设备异常的类型包括如下的至少一种：

网络异常、负载异常、数据采集异常、开播异常；

所述传输节点异常的类型包括如下的至少一种：

内容分发异常、转码异常、前端节点异常、切片异常。

可选地，所述响应于所述异常消息，从与所述直播节目相关的直播节点采集运行数据，包括：

从所述异常消息中提取所述直播节目发生卡顿时的时间戳，作为异常时间戳；

确定与所述直播节目相关的直播节点；

提取所述直播节点在指定时间段内的运行数据，所述时间段位于所述异常时间戳之前。

可选地，所述提取所述直播节点在指定时间段内的运行数据，包括：

从所述直播节点提取在指定时间段内、上行传输所述直播节目的帧率，作为运行数据；

或者，

从所述直播节点提取在指定时间段内、下行传输所述直播节目的帧率，作为运行数据。

可选地，所述从所述运行数据提取特征，作为运行特征，包括：

对所述运行数据进行归一化处理，以作为原始特征；

按照所述原始特征与异常的相关性，对所述原始特征配置权重；

计算所述原始特征与所述权重之间的乘积，作为运行特征。

可选地，所述按照所述原始特征与异常的相关性，对所述原始特征配置权重，包括：

确定所述原始特征的时间戳，作为特征时间戳；

计算所述特征时间戳与异常时间戳之间的时间差，所述异常时间戳为所述直播节目发生卡顿时的时间戳；

对所述原始特征配置权重，所述权重与所述时间差负相关。

可选地，所述将识别与所述运行特征相似或相同的参考特征，作为目标特征，包括：

确定参考特征；

计算所述运行特征与所述参考特征之间的相似度；

按照所述相似度从所述参考特征选择目标特征。

可选地，所述确定参考特征，包括：

获取样本特征，所述样本特征为直播节点出现异常时运行数据的特征；

对所述样本特征进行聚类，获得多个聚类簇；

查找位于所述聚类簇中的中心位置的样本特征，作为参考特征；

对所述参考特征标记异常的类型。

可选地，还包括：

确定已采集所述运行数据的直播节点的节点类型；

若所述节点类型缺少指定的类型，则忽略所述异常消息。

第二方面，本发明实施例还提供了一种直播的异常定位装置，包括：

异常消息接收模块，用于接收异常消息，所述异常消息用于表示直播节目发生卡顿；

运行数据采集模块，用于响应于所述异常消息，从与所述直播节目相关的直播节点采集运行数据；

运行特征提取模块，用于从所述运行数据提取特征，作为运行特征；

目标特征识别模块，用于识别与所述运行特征相似或相同的参考特征，作为目标特征，所述参考特征为直播节点在先出现异常时运行数据的特征，并标记有异常的类型；

直播异常定位模块，用于确定所述目标特征对应的直播节点发生所述类型中的异常。

可选地，所述直播节点包括主播设备、传输节点；

所述直播节目来源于所述主播设备、经过所述传输节点传输至观众设备；

所述主播设备异常的类型包括如下的至少一种：

网络异常、负载异常、数据采集异常、开播异常；

所述传输节点异常的类型包括如下的至少一种：

内容分发异常、转码异常、前端节点异常、切片异常。

可选地，所述运行数据采集模块包括：

异常时间戳提取子模块，用于从所述异常消息中提取所述直播节目发生卡顿时的时间戳，作为异常时间戳；

直播节点确定子模块，用于确定与所述直播节目相关的直播节点；

运行数据提取子模块，用于提取所述直播节点在指定时间段内的运行数据，所述时间段位于所述异常时间戳之前。

可选地，所述运行数据提取子模块包括：

上行帧率提取单元，用于从所述直播节点提取在指定时间段内、上行传输所述直播节目的帧率，作为运行数据；

或者，

下行帧率提取单元，用于从所述直播节点提取在指定时间段内、下行传输所述直播节目的帧率，作为运行数据。

可选地，所述运行特征提取模块包括：

原始特征生成子模块，用于对所述运行数据进行归一化处理，以作为原始特征；

权重配置子模块，用于按照所述原始特征与异常的相关性，对所述原始特征配置权重；

乘积计算子模块，用于计算所述原始特征与所述权重之间的乘积，作为运行特征。

可选地，所述权重配置子模块包括：

特征时间戳确定单元，用于确定所述原始特征的时间戳，作为特征时间戳；

时间差计算单元，用于计算所述特征时间戳与异常时间戳之间的时间差，所述异常时间戳为所述直播节目发生卡顿时的时间戳；

原始特征配置单元，用于对所述原始特征配置权重，所述权重与所述时间差负相关。

可选地，所述目标特征识别模块包括：

参考特征确定子模块，用于确定参考特征；

相似度计算子模块，用于计算所述运行特征与所述参考特征之间的相似度；

目标特征选择子模块，用于按照所述相似度从所述参考特征选择目标特征。

可选地，所述参考特征确定子模块包括：

样本特征获取单元，用于获取样本特征，所述样本特征为直播节点出现异常时运行数据的特征；

聚类单元，用于对所述样本特征进行聚类，获得多个聚类簇；

中心特征查找单元，用于查找位于所述聚类簇中的中心位置的样本特征，作为参考特征；

类型标记单元，用于对所述参考特征标记异常的类型。

可选地，还包括：

节点类型确定模块，用于确定已采集所述运行数据的直播节点的节点类型；

异常消息忽略模块，用于若所述节点类型缺少指定的类型，则忽略所述异常消息。

第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中任一所述的直播的异常定位方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一所述的直播的异常定位方法。

在本发明实施例中，接收异常消息，异常消息用于表示直播节目发生卡顿，响应于异常消息，从与直播节目相关的直播节点采集运行数据，从运行数据提取特征，作为运行特征，识别与运行特征相似或相同的参考特征，作为目标特征，参考特征为直播节点在先出现异常时运行数据的特征，并标记有异常的类型，确定目标特征对应的直播节点发生该类型中的异常，通过自动化提取直播节点的运行数据，与参考特征对比，从而输出发生异常的直播节点及其类型，实现在秒级时间内排除故障，可简化运维人员手动排除故障的过程，从而降低排查的耗时，在同时间段出现多个故障时仍保证快速排除故障；并且，针对直播节点整体进行排障，避免产生两个阶段的交接损耗，从而避免产生中间耗损，即避免出现重复性操作，降低排障耗时。

附图说明

图1为本发明实施例一提供的一种直播的异常定位方法的流程图；

图2是本发明实施例一提供的一种学习参考特征的示意图；

图3为本发明实施例二提供的一种直播的异常定位装置的结构示意图；

图4为本发明实施例三提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种直播的异常定位方法的流程图，本实施例可适用于在直播的过程中，通过运行数据自动定位异常的情况，该方法可以由直播的异常定位装置来执行，该直播的异常定位装置可以由软件和/或硬件实现，可配置在计算机设备中，例如，服务器、工作站、个人电脑，等等，该方法具体包括如下步骤：

s101、接收异常消息。

在直播的业务中，直播平台为直播提供内容分发、转码、vp代理、切片等服务。

其中，直播平台大多通过cdn(contentdeliverynetwork，即内容分发网络)提供内容分发服务，cdn依赖部署在各地的边缘服务器，通过中心节点来管理调度服务。cdn在于内容存储和分发，当用户申请内容时，自动调用近邻节点的资源提供给用户，可避免网络堵塞并提高响应速度。

进一步地，该cdn可以为归属于直播平台的cdn，即私有cdn，也可以为归属其他企业、厂商的cdn，直播平台租借该cdn，即公有cdn。

转码是指将已经编码的视频数据转换为另一种格式，以适应不同的需求，它是一个先解码，再编码的过程。

vp代理为视频前端，用于为客户端提供视频服务的节点。

切片为在线实时地对视频数据进行切分，输出符合某一个规格的流式数据。

对于主播用户的设备而言，可安装android(安卓)、ios、windows等操作系统，在该操作系统中，安装支持直播的应用程序，如独立的直播应用、短视频应用、下载工具、即时通讯工具，等等。

在该应用程序中，加载直播平台提供的页面，在该页面中显示直播间，在该直播间中，显示主播用户主持的直播节目。

对于主播用户的主播设备而言，可安装android(安卓)、ios、windows等操作系统，在该操作系统中，安装支持直播的客户端，如独立的直播应用、购物应用、短视频应用、下载工具、即时通讯工具，等等。

主播用户面向该主播设备主持的直播节目，该客户端可以通过调用摄像头、麦克风、截屏等方式向主播用户采集原始视频数据、原始音频数据，对原始视频数据、原始音频数据编码之后，通常经由传输协议(如rtmp，realtimemessagingprotocol，实时消息传输协议)进行封装为流数据形式的视频数据，推送到直播平台。

对于观众用户的观众设备而言，可安装android、ios、windows等操作系统，在该操作系统中，安装支持直播的客户端，如独立的直播应用、购物应用、短视频应用、下载工具、即时通讯工具，等等。

在该客户端中，从直播平台拉取视频数据，加载直播平台提供的页面，在该页面中显示直播间，在该直播间中，播放该视频数据，从而显示主播用户主持的直播节目。

在直播的过程中，因为网络、设备等因素影响，容易出现卡顿，即直播节目的画面较为频繁地出现缓冲标志，或者直播节目的视频、音频播放不流畅等现象，这会影响观众用户观看直播节目的体验。

随着现代人工智能技术的广泛传播与落地，以及平台数据存储技术的日益发展和成熟，自动化地利用各类数据源，将ai算法应用到广大运维场景，成为新一代的智能发展方向。在智能化解决现实需求的驱动力下，各类算法分析技术被投入到复杂的运维环境中，模型代码成为连接平台数据、业务需求以及专家经验的有力工具，实现了数据后台调取、模型导出结果的自动化流程。这类现代化智能运维的实现，将运维人员从24小时监控的人力负担中解放出来，并极大提升了运维效率。

在本实施例中，计算机设备对每个主播用户在线主持直播节目的直播间进行监控，并提供只能运维，如果接收到异常消息，则表示该直播间对应的线路存在故障，待排除故障，其中，异常消息用于表示直播节目发生卡顿。

一般而言，该异常消息通常可以通过如下方式生成：

1、观众用户反馈

具体而言，当直播节目发生卡顿时，观看该直播节目的观众用户会在其设备上发送表示卡顿的弹幕，如“卡”、“.”等，监控弹幕的装置通过对弹幕进行自然语言处理，分析出直播节目发生卡顿，则会生成卡顿消息。

2、客户端上报

具体而言，当直播节目发生卡顿时，主播用户的设备中的客户端会在发生卡顿的情况下，生成异常消息，并上报该异常消息，例如，未找到播放源、缓冲时间超过预设的时间阀值、数据传输速率低于预设的速率阈值，等等。

当然，上述生成异常消息的方式只是作为示例，在实施本实施例时，可以根据实际情况设置其他生成异常消息的方式，本实施例对此不加以限制。另外，除了上述生成异常消息的方式外，本领域技术人员还可以根据实际需要采用其它生成异常消息的方式，本实施例对此也不加以限制。

s102、响应于所述异常消息，从与所述直播节目相关的直播节点采集运行数据。

在本实施例中，在接收到异常消息时，确定主持发生卡顿的直播节目的主播用户，基于该主播用户的id查找为该直播节目配置的直播节点，从该直播节目采集运行数据。

所谓直播节点，即可以独立为直播提供一个服务的设备或设备集群。

针对直播的系统架构，直播节点可以分为两个梯度，第一梯度包括主播设备、第二个梯度包括传输节点。

具体而言，直播节目来源于主播设备、经过传输节点传输至观众设备。

在本实施例中，同时对主播设备、传输节点进行检测，结合了主播侧和链路侧因素，可一次性分析两侧指标，有利于减少排查时多级部门间交接所产生的中间损耗。

其中，该主播设备可以为独立的设备，例如，移动终端(如手机、平板电脑等)、可穿戴设备(如智能手表、智能眼镜等)，等等，该主播设备也可以为两个或两个以上的设备，两个或两个以上的设备通过有线或无线(如蓝牙、wi-fi等)的方式连接，例如，个人电脑通过有线方式连接麦克风、摄像头，移动终端通过蓝牙连接智能眼镜，等等，本实施例对此不加以限制。

进一步而言，主播设备异常的类型包括如下的至少一种：

1、网络异常

主播设备在移动网络(如4g网络)、wi-fi等网络环境下，会出现带宽抖动等异常，对视频数据的传输造成影响，引起直播节目发生卡顿。

2、负载异常

主播设备除了运行支持直播的客户端之外，还可能运行其他应用程序，主播设备的cpu(centralprocessingunit，中央处理器)、内存等负载较高、出现异常时，会影响编码等处理，引起直播节目发生卡顿。

3、数据采集异常

主播设备配置有摄像头、麦克风等硬件，用于采集原始视频数据、原始音频数据，若摄像头、麦克风等硬件发生异常，未正常采集原始视频数据、原始音频数据，引起直播节目发生卡顿。

4、开播异常

主播设备中支持直播的客户端出现崩溃等异常，导致开播失败，引起直播节目发生卡顿。

此外，该直播节点包括提供内容分发服务的内容分发节点，提供转码服务的转码节点、提供vp代理服务的前端节点、提供切片服务的切片节点，等等。

相对应地，传输节点异常的类型包括如下的至少一种：

内容分发异常(即在内容分发节点发生异常)、转码异常(即在转码节点发生异常)、前端节点异常(即在前端节点发生异常)、切片异常(即在切片节点发生异常)。

当然，上述直播节点及其异常的类型只是作为示例，在实施本实施例时，可以根据实际情况设置其他直播节点及其异常的类型，本实施例对此不加以限制。另外，除了上述直播节点及其异常的类型外，本领域技术人员还可以根据实际需要采用其它直播节点及其异常的类型，本实施例对此也不加以限制。

在具体实现中，从异常消息中提取直播节目发生卡顿时的时间戳(timestamp)，作为异常时间戳，确定与直播节目相关的直播节点，提取直播节点在指定时间段(如6-12分钟)内的运行数据，其中，该时间段位于异常时间戳之前，即提取直播节点在该异常时间戳之前一时间内的运行数据。

例如，对于主播设备、内容分发节点等直播节点，可从该直播节点提取在指定时间段内、上行传输直播节目(即视频数据)的帧率，作为运行数据。

又如，对于转码节点、vp代理节点、切片节点等直播节点，从直播节点提取在指定时间段内、下行传输直播节目(即视频数据)的帧率，作为运行数据。

当然，上述运行数据只是作为示例，在实施本发明实施例时，可以根据实际情况设置其他运行数据，例如，cpu占用率、内存占用率、网络类型、客户端的版本，等等，本发明实施例对此不加以限制。另外，除了上述判断处理方法外，本领域技术人员还可以根据实际需要采用其它运行数据，本发明实施例对此也不加以限制。

在本发明的一个实施例中，监测重要的运行数据，并进行缺失判断。

具体而言，可确定已采集运行数据的直播节点的节点类型，建立节点类型与运行数据之间的映射关系，若节点类型缺少指定的类型(如内容分发节点、转码节点等)，即该节点类型的运行数据缺失，则可以忽略该异常消息，待运维人员进行其他处理。

s103、从所述运行数据提取特征，作为运行特征。

在本实施例中，对于每个直播节点的运行数据，可提取体现其运行特性的特征，作为运行特征。

在具体实现中，可使用z-score函数、sigmoid函数等方式对运行数据进行归一化处理，以作为原始特征。

按照原始特征与异常的相关性，对原始特征配置权重，一般而言，权重与相关性正相关，即原始特征与异常的相关性越高，则原始特征的权重越大，反之，原始特征与异常的相关性越低，则原始特征的权重越小。

示例性地，运行数据的波动离卡顿越远，一般可认为该波动造成异常的可能性降低，即两者相关性越低，因此，可确定原始特征的时间戳，作为特征时间戳，计算特征时间戳与异常时间戳之间的时间差，其中，该异常时间戳为直播节目发生卡顿时的时间戳，从而对原始特征配置权重，该权重与时间差负相关，即时间差越大，则原始特征的权重越小，反之，时间差越小，则原始特征的权重越大，实现按照时间的间隔大小对权重进行递减。

示例性地，例如，可以使用指数的幂次方配置权重，又如，可每间隔一定的时间(如10分钟)，取权重为指定的值(如1)，依次递减，等等，本实施例对此不加以限制。

针对每个原始特征及其权重，可计算原始特征与权重之间的乘积，作为运行特征。

当然，上述提取运行特征的方式只是作为示例，在实施本发明实施例时，可以根据实际情况设置其他提取运行特征的方式，例如，采集运行数据作为样本，标记其运行特征，以此训练神经网络，将当前运行数据输入该神经网络，从而输出其运行特征，等等，本发明实施例对此不加以限制。另外，除了上述提取运行特征的方式外，本领域技术人员还可以根据实际需要采用其它提取运行特征的方式，本发明实施例对此也不加以限制。

s104、识别与所述运行特征相似或相同的参考特征，作为目标特征。

在本实施例中，可预先训练出多个参考特征，该参考特征为直播节点在先出现异常时运行数据的特征，并标记有异常的类型。

需要说明的是，该在先出现异常时的运行数据为真实的数据，即该参考特征为真实的数据的特征，而并非通过对真实的数据的特征求均值等方式拟合出的虚拟的数据的特征。

将运行特征依次与每个参考特征进行比较，若某个参考特征与运行特征相似或相同，则可以将该参考特征设置为目标特征。

在本发明的一个实施例中，s104包括如下步骤：

s1041、确定参考特征。

在具体实现中，如图2所示，从历史中直播节点出现异常时运行数据作为样本，从该样本中获取样本特征，使得每个样本被映射为一个多维的特征向量，其中，该样本特征为直播节点出现异常时运行数据的特征，该样本特征在坐标系中表示为数据点。

通过ap(affinitypropagation，仿射传播聚类算法或近邻传播聚类算法)聚类算法等算法对样本特征进行聚类，获得多个聚类簇，在该聚类簇中，其他数据点向位于中心位置的数据点聚拢。

查找位于聚类簇中的中心位置的样本特征，作为参考特征，即该参考特征为聚类簇中具有代表性的中心样本，以及，通过运维人员的经验，确定该异常的类型，并对参考特征标记异常的类型。

历史卡顿的运行数据作为样本学习时，这些大量的样本里，既有许多相似的样本，也存在许多彼此间差异性较大的样本，若要对所有的样本标记异常的类型作为标签，时间成本和人力成本过高。在本实施例中，通过从样本特征中聚类，选择处于中心位置、具有代表性的的样本特征作为参考特征，建立自适应筛选过程，并对其标记异常的类型，在保证参考特征的真实性的情况下，可大大降低打标签的复杂度。

此外，通过无监督的聚类算法，训练出参考特征，并标记异常的类型，使其具备有监督的能力，实现了无监督与有监督的有机结合，可以将更多的运维人员的经验加入算法模型，可为其他复杂的运维场景提供解决思路。

需要说明的是，参考特征可以离线进行训练，训练完成时存储在数据库等存储区域，在线对运行特征进行对比时，可从数据库等存储区域直接读取参考特征，本实施例对此不加以限制。

s1042、计算所述运行特征与所述参考特征之间的相似度。

在具体实现中，可计算运行特征与参考特征之间的距离，如欧式距离、余弦距离等，表示运行特征与参考特征之间的相似度。

s1043、按照所述相似度从所述参考特征选择目标特征。

在具体实现中，可以选择相似度最高的n个参考特征作为目标特征，其中，n为正整数。

一般而言，当相似度小于1(即距离大于0)时，运行特征与目标特征之间可以称之为相似，当相似度等于1(即距离等于0)时，运行特征与目标特征之间可以称之为相同。

当然，除了选择相似度最高的n个参考特征之外，还可以设置其他选择参考特征的方式，例如，选择相似度高于预设的阈值的参考特征作为目标特征，等等，本实施例对此不加以限制。

s105、确定所述目标特征对应的直播节点发生所述类型中的异常。

在选定目标特征时，可以提取该目标特征关联的直播节点与异常的类型，针对当前的直播节目，可确定该直播节点发生异常，并且，该异常属于该类型中。

在本发明实施例中，接收异常消息，异常消息用于表示直播节目发生卡顿，响应于异常消息，从与直播节目相关的直播节点采集运行数据，从运行数据提取特征，作为运行特征，识别与运行特征相似或相同的参考特征，作为目标特征，参考特征为直播节点在先出现异常时运行数据的特征，并标记有异常的类型，确定目标特征对应的直播节点发生该类型中的异常，通过自动化提取直播节点的运行数据，与参考特征对比，从而输出发生异常的直播节点及其类型，实现在秒级时间内排除故障，可简化运维人员手动排除故障的过程，从而降低排查的耗时，在同时间段出现多个故障时仍保证快速排除故障；并且，针对直播节点整体进行排障，避免产生两个阶段的交接损耗，从而避免产生中间耗损，即避免出现重复性操作，降低排障耗时。

实施例二

图3为本发明实施例二提供的一种直播的异常定位装置的结构示意图，该装置具体可以包括如下模块：

异常消息接收模块301，用于接收异常消息，所述异常消息用于表示直播节目发生卡顿；

运行数据采集模块302，用于响应于所述异常消息，从与所述直播节目相关的直播节点采集运行数据；

运行特征提取模块303，用于从所述运行数据提取特征，作为运行特征；

目标特征识别模块304，用于识别与所述运行特征相似或相同的参考特征，作为目标特征，所述参考特征为直播节点在先出现异常时运行数据的特征，并标记有异常的类型；

直播异常定位模块305，用于确定所述目标特征对应的直播节点发生所述类型中的异常。

在本发明的一个实施例中，所述直播节点包括主播设备、传输节点；

所述直播节目来源于所述主播设备、经过所述传输节点传输至观众设备；

所述主播设备异常的类型包括如下的至少一种：

网络异常、负载异常、数据采集异常、开播异常；

所述传输节点异常的类型包括如下的至少一种：

内容分发异常、转码异常、前端节点异常、切片异常。

在本发明的一个实施例中，所述运行数据采集模块302包括：

异常时间戳提取子模块，用于从所述异常消息中提取所述直播节目发生卡顿时的时间戳，作为异常时间戳；

直播节点确定子模块，用于确定与所述直播节目相关的直播节点；

运行数据提取子模块，用于提取所述直播节点在指定时间段内的运行数据，所述时间段位于所述异常时间戳之前。

在本发明的一个实施例中，所述运行数据提取子模块包括：

上行帧率提取单元，用于从所述直播节点提取在指定时间段内、上行传输所述直播节目的帧率，作为运行数据；

或者，

下行帧率提取单元，用于从所述直播节点提取在指定时间段内、下行传输所述直播节目的帧率，作为运行数据。

在本发明的一个实施例中，所述运行特征提取模块303包括：

原始特征生成子模块，用于对所述运行数据进行归一化处理，以作为原始特征；

权重配置子模块，用于按照所述原始特征与异常的相关性，对所述原始特征配置权重；

乘积计算子模块，用于计算所述原始特征与所述权重之间的乘积，作为运行特征。

在本发明的一个实施例中，所述权重配置子模块包括：

特征时间戳确定单元，用于确定所述原始特征的时间戳，作为特征时间戳；

时间差计算单元，用于计算所述特征时间戳与异常时间戳之间的时间差，所述异常时间戳为所述直播节目发生卡顿时的时间戳；

原始特征配置单元，用于对所述原始特征配置权重，所述权重与所述时间差负相关。

在本发明的一个实施例中，所述目标特征识别模块304包括：

参考特征确定子模块，用于确定参考特征；

相似度计算子模块，用于计算所述运行特征与所述参考特征之间的相似度；

目标特征选择子模块，用于按照所述相似度从所述参考特征选择目标特征。

在本发明的一个实施例中，所述参考特征确定子模块包括：

样本特征获取单元，用于获取样本特征，所述样本特征为直播节点出现异常时运行数据的特征；

聚类单元，用于对所述样本特征进行聚类，获得多个聚类簇；

中心特征查找单元，用于查找位于所述聚类簇中的中心位置的样本特征，作为参考特征；

类型标记单元，用于对所述参考特征标记异常的类型。

在本发明的一个实施例中，还包括：

节点类型确定模块，用于确定已采集所述运行数据的直播节点的节点类型；

异常消息忽略模块，用于若所述节点类型缺少指定的类型，则忽略所述异常消息。

本发明实施例所提供的直播的异常定位装置可执行本发明任意实施例所提供的直播的异常定位方法，具备执行方法相应的功能模块和有益效果。

实施例三

图4为本发明实施例三提供的一种计算机设备的结构示意图。如图4所示，该计算机设备包括处理器400、存储器401、通信模块402、输入装置403和输出装置404；计算机设备中处理器400的数量可以是一个或多个，图4中以一个处理器400为例；计算机设备中的处理器400、存储器401、通信模块402、输入装置403和输出装置404可以通过总线或其他方式连接，图4中以通过总线连接为例。

存储器401作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本实施例中的直播的异常定位方法对应的模块(例如，如图3所示的直播的异常定位装置中的异常消息接收模块301、运行数据采集模块302、运行特征提取模块303、目标特征识别模块304和直播异常定位模块305)。处理器400通过运行存储在存储器401中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的直播的异常定位方法。

存储器401可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器401可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器401可进一步包括相对于处理器400远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信模块402，用于与显示屏建立连接，并实现与显示屏的数据交互。

输入装置403可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入，还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。

输出装置404可以包括扬声器等音频设备。

需要说明的是，输入装置403和输出装置404的具体组成可以根据实际情况设定。

处理器400通过运行存储在存储器401中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的电子白板的连接节点控制方法。

本实施例提供的计算机设备，可执行本发明任一实施例提供的直播的异常定位方法，具体相应的功能和有益效果。

实施例四

本发明实施例四还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现一种直播的异常定位方法，该方法包括：

接收异常消息，所述异常消息用于表示直播节目发生卡顿；

响应于所述异常消息，从与所述直播节目相关的直播节点采集运行数据；

从所述运行数据提取特征，作为运行特征；

识别与所述运行特征相似或相同的参考特征，作为目标特征，所述参考特征为直播节点在先出现异常时运行数据的特征，并标记有异常的类型；

确定所述目标特征对应的直播节点发生所述类型中的异常。

当然,本发明实施例所提供的计算机可读存储介质,其计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的直播的异常定位方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory,rom)、随机存取存储器(randomaccessmemory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述直播的异常定位装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。