Ⅰ 通信3G设备RNC的作用是什么
RnC无线网络控制器定义 无线网络控制器（RNC，Radio Network Controller）是新兴3G网络的一个关键网元。它是接入网的组成部分，用于提供移动性管理、呼叫处理、链接管理和切换机制。为了实现这些功能，RNC必须利用出色的可靠性和可预测的性能，以线速执行一整套复杂且要求苛刻的协议处理任务。 作为3G网络的重要组成部分，无线网络控制器（RNC）是流量汇集、转换、软硬呼叫转移（soft and hard call handoffs）、及智能小区和分组处理的重点。无线网络控制器（RNC）的高级任务包括1) 管理用于传输用户数据的无线接入载波；2) 管理和优化无线网络资源；3) 移动性控制；和4) 无线链路维护。 无线网络控制器（RNC）具有组帧分配（framing distribution）与选择、加密、解密、错误检查、监视、以及状态查询等功能。无线网络控制器（RNC）还可提供桥接功能，用于连接IP分组交换网络。无线网络控制器（RNC）不仅支持传统的ATM AAL2（语音）和AAL5（数据）功能，而且还支持IP over ATM（IPoATM）和SONET上的数据包（POS）功能。无线用户的高增长率对IP技术提出了更高的要求，这意味着未来平台必须要能够同时支持IPv4和IPv6。 RNC在典型UMTS R99网络中的位置如图二所示。注意，实际网络传输将取决于运营商（carrier）的情况。在R99中，RNC与节点B之间通常有一个SONET环，其功能相当于城域网（MAN）。通过分插复用器（ADM），可从SONET环提取或向SONET环加入数据流。这一拓扑结构允许多个RNC接入多个节点B，以形成具有出色灵活性的网络。RNC网络接口参考点 无线网络控制器（RNC）可使用表1中描述的定义明确的标准接口参考点连接到接入网和核心网中的系统。 由于RNC支持各种接口和协议，因此可被视作一种异构网络设备。它必须能够同时处理语音和数据流量，还要将这些流量路由至核心网中不同的网元。无线网络控制器（RNC）还必须能够支持IP与ATM实现互操作，向仅支持IP的网络生成POS流量。因此，RNC必须要能够支持广泛的网络I/O选件，同时提供规范、转换和路由不同网络流量所需的计算和协议处理，而且所有这些处理不能造成呼叫中断，并要提供合适的服务质量。 接口 说明
Lub 连接节点B收发信机和无线网络控制器（RNC）。这通常可通过T-1/E-1链路实现，该链路通常集中在T-1/E-1聚合器中，通过OC-3链路向RNC提供流量。
Lur 用于呼叫切换的RNC到RNC连接，通常通过OC-3链路实现。
lu-cs RNC与电路交换语音网络之间的核心网接口。通常作为OC-12速率链路实施。
lu-ps RNC与分组交换数据网络之间的核心网接口。通常作为OC-12速率链路实施。
表1. 接口参考点 无线网络控制器（RNC）的要求 两种有助于开发商满足严格的无线网络控制器（RNC）要求的技术是ATCA和英特尔®IXP2XXX网络处理器。后者基于英特尔互联网交换架构（英特尔IXA）和英特尔XScale®技术，专为提供高性能和低功耗而设计。 ATCAATCA是由PCI工业计算机制造商协会（PICMG）开发的一项行业计划。该设计用于满足网络设备制造商对平台再利用、更低成本、更快上市速度和多元灵活性的要求，以及运营商和服务提供商对降低资本和运营支出的要求。ATCA通过制定标准机箱外形、机箱内部互连、以及适合高性能、高带宽计算和通信解决方案的平台管理接口，满足了以上要求。如欲了解有关ATCA的更多信息，请访问： http://www.picmg.org/newinitiative.stm。 英特尔IXP2XXX网络处理器 IXP2XXX网络处理器提供了在任何端口上处理任何协议的灵活性；从ATM到IP网络的平稳移植能力；面向定制操作的线速处理能力；特性升级；以及新兴标准支持等。此外，商业化ATCA子系统与IXP2XXX网络处理器的结合，为设计者带来了使用标准模块化组件构建无线网络控制器（RNC）的机会。此类设计方法的潜在优势包括提高系统可扩展性和灵活性，在降低成本的同时进一步缩短了上市时间。 创建功能强大的无线网络控制器（RNC）数据面板系统
上图体现了一种利用ATCA和英特尔的网络处理芯片创建功能强大的无线网络控制器（RNC）系统的方法。高级无线网络控制器（RNC）功能可以如上所述进行分区，但其它方法同样可行。本图表仅作为逻辑或概念范例，并非实际硬件配置的图例。 在数据面板层，该设计使用三种基本类型的卡。无线接入网（RAN）线路卡、核心网（CN）线路卡和无线网络层（RNL）卡。无线网络层（RNL）卡支持无线网络堆栈，并执行解码/编码。同时还包括一个控制和应用卡。 无线接入网（RAN）线路卡和核心网（CN）线路卡主要根据载波需要，处理不同的网络接口类型。典型接口包括T-1/E-1和OC-3。这些卡采用英特尔IXP2XXX网络处理器设计而成，支持高性能线速传输、切换和转换功能，如ATM分段与重组（SAR）、点对点（PPP）协议处理、POS传输等。注：线路卡功能可以协同定位。一个物理卡可以作为Iub、Iur、lu-PS、以及lu-CS逻辑接口。 无线网络层（RNL）卡还可使用高性能IXP2XXX网络处理器，与3G网络联合一起处理密集型协议处理任务。这些卡没有通向外部的网络接口，但可作为复杂协议处理引擎，对通过无线接入网（RAN）和核心网（CN）线路卡引入的流量进行处理。无线网络层（RNL）卡还必须按照3GPP Kasumi加密算法来进行加密处理。 无线网络层（RNL）卡是无线网络控制器（RNC）数据面板中MIP最密集的组件，其性能是决定整体系统容量和性能的关键。 系统性能 为了测试带有IXP2XXX网络处理器和无线网络层（RNL）卡的ATCA外形线路卡的性能，英特尔创建了无线网络控制器（RNC）数据面板参考平台。通过采用源于UMTS 6号报告的流量模型，从而对内部性能指标进行评测（UMTS 6号报告参见 http://www.umts-forum.org/servlet/dycon/ztumts/umts/Live/en/umts/Resources_Reports_06_index）。此模型设计了一个流量负载，旨在代表2005年典型的UMTS网络。它将语音和数据流混合在一起，后者要求每用户具有384 Kpbs的带宽。利用这种流量模型，一个采用IXP2800网络处理器的无线网络层（RNL）卡可以处理72,000个用户，产生3,540厄兰的电路交换和分组交换流量的混合负载。采用只含有电路交换语音呼叫的低要求流量模型，该卡可处理180,000个用户。 基于这种设计的无线网络层（RNL）卡可与线路卡及其它ATCA组件相结合，以创建功能极为强大的紧凑型无线网络控制器（RNC）数据面板系统。图5中的系统展示了一种带有14卡插槽的标准19英寸ATCA支架。一个支架可以处理500,000个用户的流量，并支持555 Mbps的分组交换数据吞吐率。众多机架可以在一个电信机架中互连，从而支持更高的密度。 图5中的系统共包含12个卡，包括备用卡，可提供电信级可靠性和稳定性。所有线路卡和无线网络层（RNL）卡均使用英特尔IXP2XXX网络处理器，以提供高性能、线速传输、切换和协议处理。线路卡具备支持全部广域网接口的能力，包括从T-1/E-1到同步光纤网络（SONET）和千兆位以太网速率。 在该范例系统中，线路卡部署于一个2＋1配置中：两个活动线路卡和一个备用线路卡。无线接入网（RAN）端有8个活动OC-3接口，还有8个额外OC-3接口用于故障切换。另外还有2个活动OC-12核心网接口和2个备用接口。线路卡符合同步光纤网络（SONET）自动保护转换（APS）标准，以便进行故障切换。 这些卡可使用符合ATCA 3.1标准的以太网交换结构进行互连。其中包含两个以太网交换卡，以支持各卡之间的各种连接选件。一种可行的替代设计方案，是使用以太网交换机作为两个无线网络层（RNL）卡的夹层卡。这种设计具有明显的优势，它可以释放两个节点插槽，用于创收型卡。 与替代方案相比，将ATCA和IXP2XXX网络处理器相结合，可以提供重要性能和成本节省。当前的无线网络控制器（RNC）设计通常要求多个机架的设备来支持100,000至200,000的用户密度。范例设计可通过电信机架中的一个机架支持500,000个用户，此举可以显着节省功耗成本和中央办公室占地面积。 设计高密度、小占地面积无线网络控制器（RNC）数据面板 下一代无线网络控制器（RNC）是新兴公共无线网的一个关键网元。随着业界使用标准、模块化网元的趋势日益显着，无线网络控制器（RNC）系统设计的传统专有方案已经开始被取代。通过使用ATCA和IXP2XXX网络处理器，系统设计师可以将工业标准硬件与功能强大的、可编程网络处理芯片完美结合起来。基于这些技术的无线网络控制器（RNC）数据面板设计仅占用很小的系统空间，便可达到非常高的密
同音字:R＆C(通常又称宫调R＆B)
“R&C”是个很大的概念，它就是一个符号，刚形成的时候与现在都有挺大区别。现在的“R&C”的内涵会一直随着后弦的音乐变化而变化，将来的每张唱片都给“ R&C” 赋予新的东西，譬如R可能代表rhythm（节奏）和revive（复兴），而C更是五花八门，譬如chinese(中文)、create（创造）、cartoon(卡通)、 color(颜色) 和 COSPLAY（角色扮演）甚至是cai（“菜”的拼音）等等，后弦的《九公主》这张EP里面就融入了许许多多这样的年轻元素，每一首歌都是一次变化，足够新鲜。就象《九公主》的“圆舞嘻哈”就好比后弦为大家奉上的一道新菜式：“火烧冰激淋”，圆舞曲感觉是冰激淋，而嘻哈是一团明火，点心都可以这样做，音乐说不定也可以碰撞出火花，一个代表冷艳与幻想的3/4拍，一边是代表火爆性格的嘻哈4/4拍，因为九公主与英伦宫廷幻想和足球都有关，公主曼妙的足球动作，用圆舞曲与嘻哈来共同诠释最好不过了，足够新鲜。
Ⅱ 交通无线网网络状态检测异常
可能有以下几种原因：
1、无线网络本身有问题
如果发现手机无线网络连接上但上不了网，那么我们首先需要检查下无线网络是否有问题，如果是无线路由器用户，请检查下能否使用电脑上网，如果电脑可以上网，那么说明网络是没有问题的，接写来可以检查下无线网络设置是否有问题，如果依旧无法解决，请往下看。
2、无线网络密码输入错误
为了保证无线网络安全，如今家庭用的无线路由器网络都有无线密码，手机要连接无线网络，必须需要输入正确的无线密码进行连接，这样才可以正常使用，如果你发现无法连接网络，或者某些时候显示连接上，但上不了网，您不妨在Wifi设置中，断开网络连接，之后再输入密码连接试试。
3、无线路由器设置了高级安全模式
有些用户为了保证自己的WiFi网络不被人蹭网或破解，通常会加入高级安全设置，比如在路由器里设置了IP或者MAC绑定功能，该功能一旦开启后，只有在路由器设置的指定电脑或手机才能正常上网，也就是如果你的手机没有得到绑定，那么即使手机上显示成功连接上网络也是上不了网的，除非你的手机得到了路由器的绑定。
4、无法获取到无线网络DNS地址与IP地址
如果出现你和朋友连接同一个WiFi对方能上网但你却不能上的情况，那很有可能跟你的手机设置有关，这种情况往往是手机无法正常获取无线网络的IP地址和DNS地址导致的，这种情况网友们可到网上查询相关设置教程进行解决。
5、离无线网络源较远
很多时候，当我们距离无线网络的源头较远时，尽管能连接上WiFi，但往往是上不了网或者上网速度很龟速的，这种情况可以尝试走进无线网络信号源近一些进行解决。
Ⅲ 大数据科学家需要掌握的几种异常值检测方法
引言
异常值检测与告警一直是工业界非常关注的问题，自动准确地检测出系统的异常值，不仅可以节约大量的人力物力，还能尽早发现系统的异常情况，挽回不必要的损失。个推也非常重视大数据中的异常值检测，例如在运维部门的流量管理业务中，个推很早便展开了对异常值检测的实践，也因此积累了较为丰富的经验。本文将从以下几个方面介绍异常值检测。
1、异常值检测研究背景
2、异常值检测方法原理
3、异常值检测应用实践
异常值检测研究背景
异常值，故名思议就是不同于正常值的值。 在数学上，可以用离群点来表述，这样便可以将异常值检测问题转化为数学问题来求解。
异常值检测在很多场景都有广泛的应用，比如：
1、流量监测
互联网上某些服务器的访问量，可能具有周期性或趋势性：一般情况下都是相对平稳的，但是当受到某些黑客攻击后，其访问量可能发生显着的变化，及早发现这些异常变化对企业而言有着很好的预防告警作用。
2、金融风控
正常账户中，用户的转账行为一般属于低频事件，但在某些金融诈骗案中，一些嫌犯的账户就可能会出现高频的转账行为，异常检测系统如果能发现这些异常行为，及时采取相关措施，则会规避不少损失。
3、机器故障检测
一个运行中的流水线，可能会装有不同的传感器用来监测运行中的机器，这些传感器数据就反应了机器运行的状态，这些实时的监测数据具有数据量大、维度广的特点，用人工盯着看的话成本会非常高，高效的自动异常检测算法将能很好地解决这一问题。
异常值检测方法原理
本文主要将异常值检测方法分为两大类：一类是基于统计的异常值检测，另一类是基于模型的异常值检测。
基于统计的方法
基于模型的方法
1、基于统计的异常值检测方法
常见的基于统计的异常值检测方法有以下2种，一种是基于3σ法则，一种是基于箱体图。
3σ法则
箱体图
3σ法则是指在样本服从正态分布时，一般可认为小于μ-3σ或者大于μ+3σ的样本值为异常样本，其中μ为样本均值，σ为样本标准差。在实际使用中，我们虽然不知道样本的真实分布，但只要真实分布与正太分布相差不是太大，该经验法则在大部分情况下便是适用的。
箱体图也是一种比较常见的异常值检测方法，一般取所有样本的25%分位点Q1和75%分位点Q3，两者之间的距离为箱体的长度IQR，可认为小于Q1-1.5IQR或者大于Q3+1.5IQR的样本值为异常样本。
基于统计的异常检测往往具有计算简单、有坚实的统计学基础等特点，但缺点也非常明显，例如需要大量的样本数据进行统计，难以对高维样本数据进行异常值检测等。
2、基于模型的异常值检测
通常可将异常值检测看作是一个二分类问题，即将所有样本分为正常样本和异常样本，但这和常规的二分类问题又有所区别，常规的二分类一般要求正负样本是均衡的，如果正负样本不均匀的话，训练结果往往会不太好。但在异常值检测问题中，往往面临着正（正常值）负（异常值）样本不均匀的问题，异常值通常比正常值要少得多，因此需要对常规的二分类模型做一些改进。
基于模型的异常值检测一般可分为有监督模型异常值检测和无监督模型异常值检测，比较典型的有监督模型如oneclassSVM、基于神经网络的自编码器等。 oneclassSVM就是在经典的SVM基础上改进而来，它用一个超球面替代了超平面，超球面以内的值为正常值，超球面以外的值为异常值。
经典的SVM
1
基于模型的方法
2
基于神经网络的自编码器结构如下图所示。
自编码器（AE）
将正常样本用于模型训练，输入与输出之间的损失函数可采用常见的均方误差，因此检测过程中，当正常样本输入时，均方误差会较小，当异常样本输入时，均方误差会较大，设置合适的阈值便可将异常样本检测出来。但该方法也有缺点，就是对于训练样本比较相近的正常样本判别较好，但若正常样本与训练样本相差较大，则可能会导致模型误判。
无监督模型的异常值检测是异常值检测中的主流方法，因为异常值的标注成本往往较高，另外异常值的产生往往无法预料，因此有些异常值可能在过去的样本中根本没有出现过， 这将导致某些异常样本无法标注，这也是有监督模型的局限性所在。 较为常见的无监督异常值检测模型有密度聚类（DBSCAN）、IsolationForest（IF）、RadomCutForest（RCF）等，其中DBSCAN是一种典型的无监督聚类方法，对某些类型的异常值检测也能起到不错的效果。该算法原理网上资料较多，本文不作详细介绍。
IF算法最早由南京大学人工智能学院院长周志华的团队提出，是一种非常高效的异常值检测方法，该方法不需要对样本数据做任何先验的假设，只需基于这样一个事实——异常值只是少数，并且它们具有与正常值非常不同的属性值。与随机森林由大量决策树组成一样，IsolationForest也由大量的树组成。IsolationForest中的树叫isolation tree，简称iTree。iTree树和决策树不太一样，其构建过程也比决策树简单，因为其中就是一个完全随机的过程。
假设数据集有N条数据，构建一颗iTree时，从N条数据中均匀抽样(一般是无放回抽样)出n个样本出来，作为这颗树的训练样本。
在样本中，随机选一个特征，并在这个特征的所有值范围内（最小值与最大值之间）随机选一个值，对样本进行二叉划分，将样本中小于该值的划分到节点的左边，大于等于该值的划分到节点的右边。
这样得到了一个分裂条件和左、右两边的数据集，然后分别在左右两边的数据集上重复上面的过程，直至达到终止条件。 终止条件有两个，一个是数据本身不可再分(只包括一个样本，或者全部样本相同)，另外一个是树的高度达到log2(n)。 不同于决策树，iTree在算法里面已经限制了树的高度。不限制虽然也可行，但出于效率考虑，算法一般要求高度达到log2(n)深度即可。
把所有的iTree树构建好了，就可以对测试数据进行预测了。预测的过程就是把测试数据在iTree树上沿对应的条件分支往下走，直到达到叶子节点，并记录这过程中经过的路径长度h(x)，即从根节点，穿过中间的节点，最后到达叶子节点，所走过的边的数量(path length)。最后，将h(x)带入公式，其中E(.)表示计算期望，c(n)表示当样本数量为n时，路径长度的平均值，从而便可计算出每条待测数据的异常分数s(Anomaly Score)。异常分数s具有如下性质：
1）如果分数s越接近1，则该样本是异常值的可能性越高；
2）如果分数s越接近0，则该样本是正常值的可能性越高；
RCF算法与IF算法思想上是比较类似的，前者可以看成是在IF算法上做了一些改进。针对IF算法中没有考虑到的时间序列因素，RCF算法考虑了该因素，并且在数据样本采样策略上作出了一些改进，使得异常值检测相对IF算法变得更加准确和高效，并能更好地应用于流式数据检测。
IF算法
RCF算法
上图展示了IF算法和RCF算法对于异常值检测的异同。我们可以看出原始数据中有两个突变异常数据值，对于后一个较大的突变异常值，IF算法和RCF算法都检测了出来，但对于前一个较小的突变异常值，IF算法没有检测出来，而RCF算法依然检测了出来，这意味着RCF有更好的异常值检测性能。
异常值检测应用实践
理论还需结合实践，下面我们将以某应用从2016.08.16至2019.09.21的日活变化情况为例，对异常值检测的实际应用场景予以介绍：
从上图中可以看出该应用的日活存在着一些显着的异常值（比如红色圆圈部分），这些异常值可能由于活动促销或者更新迭代出现bug导致日活出现了比较明显的波动。下面分别用基于统计的方法和基于模型的方法对该日活序列数据进行异常值检测。
基于3σ法则（基于统计）
RCF算法（基于模型）
从图中可以看出，对于较大的突变异常值，3σ法则和RCF算法都能较好地检测出来， 但对于较小的突变异常值，RCF算法则要表现得更好。
总结
上文为大家讲解了异常值检测的方法原理以及应用实践。综合来看，异常值检测算法多种多样 ，每一种都有自己的优缺点和适用范围，很难直接判断哪一种异常检测算法是最佳的， 具体在实战中，我们需要根据自身业务的特点，比如对计算量的要求、对异常值的容忍度等，选择合适的异常值检测算法。
接下来，个推也会结合自身实践，在大数据异常检测方面不断深耕，继续优化算法模型在不同业务场景中的性能，持续为开发者们分享前沿的理念与最新的实践方案。