物联网端到端业务感知研究

随着白色家电、智能抄表等行业用户规模覆盖,物联网用户申告量逐步增加,政企支撑服务压力不断增大.本文紧紧围绕如何提升物联网业务端到端感知能力,探索以DMA零拷贝技术、变色龙变型算法为基础,整合核心网和无线网信令、NB自主测试仪形成端到端视图,实现端到端故障快速定位、业务能力评估预警、行业深度分析和自动化生成客户服务报告,...     

基于端到端信令挖掘的VoNR语音时延切片分析方法及应用

VoNR端到端时延是影响5G语音感知的重要因素。传统的时延分析依赖于性能指标关联和现场测试分析,成本高昂且效率低下。本文提出一种基于端到端信令的VoNR语音时延切片分析方法,将呼叫接续时延的统计分析细化至每条信令和每个网元,准确统计业务流程中每条信令消息在每个网元消耗的时间,结合分段时延切片分析工具定位影响VoNR端到端时延的网元并实施优化,与只统计整体时延的分析方法相比,更加高效和精准。通过实际运用,该方法极大地支撑了5G语音质量的优化提升。     

互联网业务端到端感知监测分析系统

主要应用EDPI(Elastic Deep Packet Inspect)灵活包检测技术面向互联网质量的大数据分析应用、AI算法内核的质量分析评价体系、整合域名系统(DNS)、远程用户拨号认证系统(RADIUS)、设备等数据的多源固网分析模型,实现互联网专线、宽带业务的质量分析、智能定界、主动处理等多项功能.     

TD-LTE视频业务端到端感知评估体系构建

本文提出了基于接入性和流畅性构建的一种TD-LTE视频端到端业务评估体系,以此来定位现网中视频业务中影响用户感知的主要问题所在,以及一些感知较差的小区,进行有针对性的优化,提升系统性能。     

基于Transformer的多编码器端到端语音识别

当前广泛使用的Transformer模型具有良好的全局依赖关系捕捉能力,但其在浅层时容易忽略局部特征信息。针对该问题,文中提出了一种使用多个编码器来改善语音特征信息提取能力的方法。通过附加一个额外的卷积编码器分支来强化对局部特征信息的捕捉,弥补浅层Transformer对局部特征信息的忽视,有效实现音频特征序列全局和局部依赖关系的融合,即提出了基于Transformer的多编码器模型。在开源中文普通话数据集Aishell-1上的实验表明,在没有外部语言模型的情况下,相比于Transformer模型,基于Transformer的多编码器模型的字符错误率降低了4.00%。在内部非公开的上海话方言数据集上,文中所提模型的性能提升更加明显,其字符错误率从19.92%降低至10.31%,降低了48.24%。     

基于多任务学习的端到端维吾尔语语音识别

维吾尔语是黏着语,词汇量较多,容易出现未登录词问题并且属于低资源语言,导致维吾尔语的端到端语音识别模型性能较低。针对上述问题,该文提出了基于多任务学习的端到端维吾尔语语音识别模型,在编码器层使用Conformer并与链接时序分类(CTC)相连接,通过BPE-dropout方法形成鲁棒性更强的子词,以子词和字作为建模单元,同时进行多任务训练和解码。实验结果分析发现,子词作为建模单元能有效解决未登录词问题,多任务学习模型能在低资源环境下较充分利用数据,学习到丰富的时序语音特征信息,进一步提升模型的识别性能。在公开的维吾尔语语音数据集THUYG-20上与基线相比把子词错误率和字错误率分别降低7.3%和3.8%。      

基于端到端的多语种语音识别研究

端到端语音识别模型无需发音词典进行训练,可以大幅降低开发新语种语音识别系统的负担。本文利用端到端模型的这一优势,建立了一种语种无关的端到端多语种语音识别系统。该模型使用基于字符的建模方法进行训练,同时构建多语种输出符号集,使其包括所有目标语言中出现的字符。模型训练生成单一模型,其网络参数为所有语种共享。在OLR竞赛提供的10个语种数据集上,相较于单语种语音识别系统,本文提出的多语种语音识别系统在所有语言上的表现都更加优秀。      

业务端到端故障智能发现诊断自愈

云原生技术的引入使得IT系统规模庞大、架构复杂,IT运维迎接新的挑战,IT业务系统集群规模越发庞大,传统的告警不能及时有效地发现系统异常,海量日志无法有效分析,业务调用链复杂,可观测性差,导致故障定界定位极其困难。利用大数据、AI技术、自动化编排等前沿技术手段,开发了业务端到端故障智能发现诊断自愈解决方案。有效融合metrics、log、trace三类数据,实现故障自动发现、诊断、自愈,开启极简运维时代。     

微博业务端到端感知提升方案及应用效果

从影响数据业务端到端性能的因素出发,结合微博业务,研究其业务特征和流程,建立微博业务感知评估体系,提出了一套提升微博业务端到端感知方案,并将其应用到实际网络中     

基于自注意力的端到端方言语音识别模型

方言语音识别是方言保护的核心环节。传统的方言语音识别模型缺乏考虑方言语音中特定方言音素的重要性,同时缺少多种语音特征提取及融合,导致方言语音识别性能不高。本文提出的端到端方言语音识别模型充分发挥了残差CNN（Convolutional Neural Networks）和Bi-LSTM（Bi-directional Long Short-Term Memory）分别在语音帧内和帧间特征提取的优势,并利用多头自注意力机制有效提取不同方言中特定方言音素信息构成语音发音底层特征,利用该方言发音底层特征进行方言语音识别。在基准赣方言和客家方言两种方言语音语料库上的实验结果表明本文提出的方言语音识别模型显著优于现有基准模型,通过对注意力机制的可视化进一步分析了模型取得性能提升的根本原因。      

融合语言模型的端到端中文语音识别算法

为了解决语音识别模型在识别中文语音时鲁棒性差,缺少语言建模能力而无法有效区分同音字或近音字的不足,本文提出了融合语言模型的端到端中文语音识别算法.算法建立了一个基于深度全序列卷积神经网络和联结时序分类的从语音到拼音的语音识别声学模型,并借鉴Transformer的编码模型,构建了从拼音到汉字的语言模型,之后通过设计语音帧分解模型将声学模型的输出和语言模型的输入相连接,克服了语言模型误差梯度无法传递给声学模型的难点,实现了声学模型和语言模型的联合训练.为验证本文方法,在实际数据集上进行了测试.实验结果表明,语言模型的引入将算法的字错误率降低了21％,端到端的联合训练算法起到了关键作用,其对算法的影响达到了43％.和已有5种主流算法进行比较的结果表明本文方法的误差明显低于其他5种对比模型,与结果最好的Deep?Speech2模型相比字错误率降低了28％.     

端到端业务开通的智能纠错策略研究

电信运营商的业务开通配置工作具有开通量庞大、业务种类繁杂、配置规则复杂的特点。文中结合自智网络运维体系“三零三自”愿景,以实现“无人值守”的业务开通为目标,从业务自动化配置的容错手段入手,提出了基于错误码的多系统间业务开通智能纠错策略思路,为提高业务开通的自动化率、实时性、准确性等提供了借鉴和参考。     

掌控IP网络实现端到端MPLS智能业务

随着数据业务需求的迅速增长,电信运营商纷纷构建IP数据网,然而与快速增长的业务量不相对应的是,运营商并没有获得所期待的利益,尽管投入资金巨大,而客户对这些只能提供"best effort"的服务也并不满意,尤其是那些行业客户或大企业客户,如银行、电力等.     

面向700MHz干扰场景的VoNR语音感知提升方法研究

随着5G网络发展和终端的成熟,VoNR已经成为5G语音业务的最优解决方案。受700 MHz干扰的影响,VoNR语音客户在该频段驻留时,仍然存在接续成功率低和语音感知差等问题。本文通过研究700 MHz不同干扰场景下的VoNR语音的感知拐点,找到了不同干扰场景下VoNR语音的驻留策略,为推进VoNR语音快速部署和5G语音质量快速提升提供了依据。     

VoLTE语音端到端问题自动定位方法研究

本文主要介绍实现终端测试数据与核心网多种接口XDR数据进行同步关联的算法。利用对VoLTE通话异常原因的定位技术,指导VoLTE客户感知问题的发现、定界。研究成果可快速将VoLTE问题分配到归口部门进行解决,快速提升用户语音业务感知。     

智能网络端到端

企业业务的网络化、企业业务应用的多样化和网络管理的简单化,都需要网络的高度智能化.在当前,网络的整体智能不仅体现在网络管理和网络核心,更是推到贴近用户的应用层面和边缘层,从而形成一个端到端的智能网络.     

一种RNN-T与BERT相结合的端到端语音识别模型

端到端语音识别模型由于结构简单且容易训练,已成为目前最流行的语音识别模型.然而端到端语音识别模型通常需要大量的语音-文本对进行训练,才能取得较好的识别性能.而在实际应用中收集大量配对数据既费力又昂贵,因此其无法在实际应用中被广泛使用.本文提出一种将RNN-T(Recurrent Neural Network Trans...     

基于分组的端到端存储转发式语音短信业务的实现

在介绍我国短信业务发展过程的基础上,从语音短信服务器功能、对移动手机终端的要求、其他核心网网元支持、语音短信的优势分析等方面全面阐述了基于分组的端到端存储转发式语音短信业务的实现。