視頻質量故障診斷與定位技術研究

劉超

【摘要】 隨著視頻會議系統覆蓋范圍的不斷擴大，傳統的人工故障排查的方法不僅耗費了大量的時間與人力，而且還無法保證實時性和可靠性。為了解決這一問題，現提出有效的視頻故障診斷方法。通過這些方法能夠自動診斷出視頻故障從而減少運維人員的勞動量，同時可以對故障原因進行分析，給出合理的維修建議。本文綜合概述了4種基于知問題。故障檢測方法有多種，目前常用的方法有：基于知識的檢測方法，如基于事例的推理、模糊邏輯、基于模型的方法等，基于信號處理的檢測方法，如相關分析等和基于解析模型的檢測方法，如故障樹的方法等。視頻故障檢測技術的主流技術是基于知識的方法。本文以基于知識的方法對視頻質量檢測技術做概要敘述，介紹幾種常見的故障定位技術。

【關鍵字】 視頻 故障診斷 定位

視頻質量是視頻會議系統核心，畫面質量下降會對視頻會議保障工作造成嚴重影響，對視頻的質量進行診斷與檢測，快速發現并定位故障是系統亟待解決的問題。故障檢測方法有多種，目前常用的方法有：基于知識的檢測方法，如基于事例的推理、模糊邏輯、基于模型的方法等，基于信號處理的檢測方法，如相關分析等和基于解析模型的檢測方法，如故障樹的方法等。視頻故障檢測技術的主流技術是基于知識的方法。本文以基于知識的方法對視頻質量檢測技術做概要敘述。下面介紹幾種常見的故障定位技術。

一、視頻故障診斷的方法

解決故障診斷問題的方法多種多樣，它們的理論基礎大致相同，均來自人工智能、信號處理、圖論、模式識別、信息論等計算機科學領域。根據知識組織方式和和推理機制的不同，可將目前常用的故障診斷方法大致分為：基于規則推理的診斷方法、基于案例推理的診斷方法、基于模型的診斷方法、基于人工神經網絡的診斷方法、基于模糊模糊邏輯的診斷方法等等。

1.1 基于規則推理的診斷方法

基于規則的推理（Rule-Based Reasoning， RBR），在此方法中，規則是由相關領域專家的知識與經驗表示出來的，一般形式是：if<前提>then<結論>。其中，任何能與數據匹配的模型放在前提部分，滿足前提時可以得出的結論放在結論部分。基于規則的推理系統一般由一個工作內存、一個知識庫和一個推理機（即推理引擎）組成。這三部分分別描繪了系統的數據層、知識層和控制層。模型如下圖1所示：

工作內存中包含了收集到的視頻數據的各種數據信息。工作內存通過分析這些信息識別出診斷對象是否發生故障。

從人類領域專家那里得到的專家知識被放在知識庫中，包括兩部分內容：①關于診斷對象出現問題時定義的專家知識；②當某一特定問題發生時所要執行的動作。知識庫中的專家知識是基于規則的，就是所有知識都采用“if -then”或者“condition -action”兩個形式來表示。推理機與知識庫協同工作，將知識庫中的規則與診斷對象進行比較，從而確定該規則能否被使用。當條件滿足時，才會輸出規則的后項。一種十分少見卻最簡單的情況是一條規則就可以判斷出診斷對象的故障。多數時候推理機需要將得到的結論作為條件在知識庫中進行多次的推理，才能得出最終的故障結論。

基于規則推理的方法存在以下的缺陷：1）規則必須精確匹配。如果當前的診斷對象狀態與規則的條件不匹配，那么系統將退出整個推理過程。2）對每個對象的診斷需要多個規則，隨著診斷對象的數量增加，相應的規則數量也會呈指數級增長，對存儲規則的數據庫的容量需求也將越來越大。3）規則不易維護。由于知識是特定于診斷對象配置，無論何時，診斷對象的相關配置變更都需要開發或改變新規則。

1.2 基于案例推理的診斷方法

基于案例推理（Case-Based Reasoning， CBR）的故障定位方法和上述方法有較大的區別。基于事例的推理根據以往求解類似問題的經驗知識進行推理，從而獲得當前問題求解結果。一個有效的事例表示要包括三部分內容：事例發生的原因或背景；事例的特點或過程；事例的解決方法與結果。其思想來源于現實生活，一些事件在現實中總是重復發生，處理類似的事件的方法也可以用這個方法，根據這一思想，將過去故障診斷的成功案例存入案例庫。每當遇到新故障時，我們可以尋找類似的案例在案例庫中，利用類比推理方法得到近似的解，再對答案加以適當修改，使之完全適合新問題。此方法的體系結構如下圖2所示：

從上圖可以看出，CBR故障定位系統由五個部分組成，其中包括一個案例庫和四個功能模塊。首先輸入模塊接收視頻診斷對象故障的描述。

然后檢索模塊尋找與之匹配的案例在案例庫中，如果有完全匹配的案例，那么要找的答案就是該案例的故障源；如果找不到完全匹配的例子，檢索模塊就會在案例庫中找一個最相似的案例。

然后由修正模塊根據故障間的差異對該案例的解作適當的修改就可滿足當前問題的要求，其結果是得到一個完整的解。一旦找到故障源，一個新的案例就會被處理模塊加入到案例庫中，供以后故障定位時使用。檢索模塊會提供多種匹配方式來對案例進行匹配。

基于案例推理的故障定位推理方法有自學習能力，在剛開始運行此方法的時候，幾乎找不到匹配案例，隨著運行次數的增加，案例庫中存儲的案例逐漸增多，相匹配的情況會越來越多。

如此可知，對于視頻故障診斷可以將二者結合起來，利用規則推理診斷方法對知識庫進行預學習，在進行診斷的時候采用案例推理診斷方法保障系統的健壯性。

1.3 基于模型的診斷方法

與前面所述兩種方法不同，基于模型的推理方法（Model-based ways），在建立的系統模型中包含領域專家的專業知識，更多地利用系統的結構、行為與功能等知識是基于模型的診斷方法的特點[2]。相對于基于規則的推理方法，這種診斷方式能夠處理未知的情況，系統存在的潛在故障也有可能被檢測到。

系統模型建立是基于模型的診斷方法的核心，系統模型中的診斷對象相關信息和告警觸發條件的獲得和更新是難點。基于模型的故障定位方法由于所建立的模型不同，建立其上的方法也不盡相同，如今應用較廣的有基于密碼本關聯模型的故障診斷方法。

基于密碼本關聯模型（Codebook Correlation Model）的故障定位方法[3]：由故障源引發的事件集被它視作標志故障源的“密碼”，對捕獲到的一系列故障事件進行“解碼”就是定位故障源的整個進程。此方法不需要專家知識來將故障源和故障事件聯系起來，只需要進行比較操作，運算的復雜度較低，所以在速度上有一定的優勢。

1.4 基于模糊邏輯的診斷方法

在基于模糊邏輯的故障定位方法中，其知識表示采用模糊產生式規則。模糊產生式規則是將傳統產生式規則“if<條件>then<結論（或動作）>”進行模糊化。引入模糊的概念更好地模擬人類的思維與決策過程，計算機的計算結果不再是簡單的從0或1中二選其一，而是選擇在區間[0，1]之間的一個值。

模糊邏輯最重要的是建立模糊隸屬度，確定隸屬度的方法有許多。計算機在進行模糊邏輯時，首先從用戶接口接收證據及其相應的模糊詞，然后根據隸屬度表確定每個條件模糊詞的隸屬度，進而進行推理得到結論。

由于一般的基于模糊邏輯的診斷方法采用了與基于規則的診斷方法類似的 結構，因此它也具有基于規則的診斷方法的一些的缺陷：

1）在推理時診斷時長和知識庫內搜索量有關。一般情況下，知識庫大，診斷時耗長。

2）模糊系統也存在維護的問題。

3）模糊系統也不具備學習能力，容易發生漏診或誤診。

4）用隸屬函數表示模糊語言變量，兩者之間的轉換是一個難題。

二、結論與展望

幾種主要的故障定位方法[4]的優缺點對比如下表1所示：

視頻會議系統存在其固有的特點，對視頻進行診斷的評價指標數量有限，相對于網絡故障診斷，視頻診斷的規模要遠遠小于網絡故障診斷，因此可以采用基于規則與案例推理的視頻診斷方法比較合適。并且對視頻質量的評價可以只分為合格或者不合格，也可以對其進行打分制即在合格與不合格之間劃分更多的檔次。基于模糊邏輯的故障診斷方法可以對視頻質量進行更細致的診斷。

未來視頻診斷的研究方向，對視頻的質量要求越來越高，對視頻進行評價的評價指標也會越來越多，高速，高效，高可靠，智能的視頻診斷方法是未來要重點研究的方向。

參 考 文 獻

[1]張澤林，趙洋. 基于關聯規則的軟件多故障定位技術[J]. 現代電子技術，2015，12：39-43.

[2]李明. 基于模型驗證的故障定位方法研究[D].華中師范大學，2010.

[3]王連波. 模糊推理在網絡故障診斷中的應用研究[D].電子科技大學，2007.

[4]吳明強，李界紅.故障診斷專家系統綜合智能推理技術研究[J]. 計算機測量與控制，2004，12（10）：932-934.