网络波动判定准则

网络波动一般都会体现在丢包率上，所以以丢包率差（简单方法）大于一定阈值则认为发生了网络波动。

丢包率 -最小丢包率 > 阀值

简单方法

判断波动步骤：

1、找到所有路径中最小丢包率的路径：路径2；

2、将所有路径与这个最小丢包率路径相减得到差值；

3、如果差值大于阀值5%则认为有波动，可以看到路径3发生了波动。

判定为波动路径的样本量要大于阀值，对于那些样本量小于阀值的路径，即使发生波动了，也不会判定为波动，这样做的好处是处理简单，但这带来了一个问题：凌晨一般会导致样本量小于阀值，但运营商的割接和调整大部分在凌晨实施，对用户的影响不可忽略不计。

置信区间方法

(1) 丢包率15%，正常5%，样本量10000，可以认为波动了，因为比正常高出10%。

(2) 丢包率15%，正常5%，样本量20（丢了3个包），不能判定波动了，因为样本太少，碰巧丢3个包的可能性也不小的。

(3) 丢包率95%，正常5%，样本量20（丢了19个包），需要判定为波动，19个包都丢的可能太小了。

实际上这里隐藏了一个数学原理，可以简单描述为：假设40个样本带来的误差为30%（已经很大了，表明了可信度是很高的），那么实际丢包率可以简单描述为65%±30%，即丢包率在35% -95%之间，也就是说丢包率至少也有35%，而这个值远大于我们的阀值5%（这里为了描述的简单，实际上是丢包率差和5%相比），所以我们应该认为是波动。

上述区间在统计学中称为置信区间，所以判断网络是否波动的合理做法是判断置信区间的下限。

对于单个样本，要么丢包，要么不丢包，真实丢包率为p，那么丢包的概率就是p，这样n个样本可以看成n次伯努利试验，丢包率就是二项分布比例的估计。

[w-, w+]就是置信区间，式中，n表示样本量，p^表示丢包率的极大似然估计，就是丢包数/样本量，z是统计学里的置信因子（我们取业界常用的95%置信度对应的z值1.960）。

按上述公式计算是单个丢包率的置信区间，而我们需要的是丢包率差的置信区间，即两个二项分布比例的差（详情看论文）

其他优化

其实我们可以直接把网络波动干预的粒度提升到1分钟级别，能感知波动就做干预，如果1分钟级别感知不到，则使用10分钟粒度累计数据，再不行就到1小时粒度，这种分级思想可以将波动感知的实时性做到最大化。

参考文献

置信区间（文中“赞成票比率”可类比为“丢包率”）

http://www.ruanyifeng.com/blog/2012/03/ranking_algorithm_wilson_score_interval.html

 

Newcombe,Robert G. Interval Estimation for the Difference Between IndependentProportions: Comparison of Eleven Methods. Statistics in Medicine, 17, 873-890(1998)