網絡優化中的大數據應用
- 2015-06-14 14:40:00
- 轉貼:
- 18073
摘要:網絡優化 分析中需要使用多種網絡數據,無論是數據量、數據類型,還是分析方法都可以借鑒目前在移動互聯網 領域普遍采用的大數據分析方法。結合移動通信網絡優化的分析數據類型和大數據分析方法,提出全局數據代替采樣數據、效率優先于精確、相關性代替因果關系3個網絡優化的大數據應用方向。
1 引言
隨著移動通信網用戶數的增長、移動終端應用的豐富和網絡運營商之問日趨激烈的競爭,用戶對通信網質量有了較高要求,移動通信網的性能瓶頸仍然是無線空口能夠提供的網絡性能,這對運營商的網絡優化提出了更高要求。目前,各運營商都面對2G、3G、4G三張移動通信網絡的運營,無線基站規模增長迅速,各制式網絡之間可通過互操作實現業務遷移,i網間協調優化復雜,各運營商很難實現和基站增長比例相同的網絡優化人員擴編或者網絡優化費用增加。如何有效地利用現有網絡數據提升優化工作效率成為運營商需要面對的重要問題。
智能手機涉及的應用廣泛,用戶的位置、使用行為等數據的每一點變化都成為了可被記錄和分析的數據,以此為基礎,“反饋經濟”等新經濟、新商業模式開始形成。數據分析公司可以通過對大數據進行分析、 猜測,使得決策更為精準,釋放更多數據的隱躲34價值。然而,終端用戶提供給運營商的不僅是應用層的數據,也包括非智能手機用戶為運營商提供的和應用層數據同樣豐富的物理層的測量信息和信令信息。終端的測量信息在移動通信網中的主要功能是實現切換和功率控制,同時,結合信令信息在系統側周期性地進行統計平均形成性能報表。在移動通信網發展 早期,由于設備性能限制,非凡是系統側存儲和運算單元的性能限制,用戶測量報告(MR)信息在UE完成切換和功率控制后就被刪除,隨著系統側存儲和計算能力的提升,這些數據所反饋的大量用戶物理層信息可以被保留,之后用于對無線網絡進行分析,為網絡優化提供更為有效的判定依據。
大數據的核心是 猜測,這同樣也是網絡優化數據分析的核心。大數據之所以能夠實現更為高效正確的 猜測,是在于分析數據時的3個轉變。第一個轉變,在大數據時代,可以分析更多的數據,而不再依靠于隨機采樣;第二個轉變,研究數據類型足夠豐富,以至于可以不再熱衷于追求精確度;第三個轉變,岡前2個轉變而促成,即不再熱衷于尋找因果關系,事物間的相關性顯得更重要。這3種分析數據的轉變,同樣可以提升網絡優化工作中優化方案 猜測的正確性。
2 網優數據分析轉變
網絡優化是通過對現已運行的網絡進行話務統計分析、性能報表分析、多網元接KI數據采集、參數分析、硬件檢查等,找出影響網絡質量的原因,并且通過參數的修改、網絡結構的調整、設備配置的調整和采取某些技術手段,確保系統高質量地運行,使現有網絡資源獲得很好效益,從而獲得較好投資收益。
各運營商針對網優人員日常工作提供全面的優化支撐平臺,實現對全網優化工作的統一治理,大大提高了網優工作日常效率。早期網絡優化主要使用網管數據和測試數據,隨著各種優化平臺的使用,更多的數據包括MR、A+Abis數據,Gb+Gn口等信令數據以及分組解析數據都可以為網絡優化工作使用,大數據分析有了數據源和分析平臺,參考當前移動互聯網大數據分析的3個轉變,網優優化分析可實現以下3個轉變。
(1)全局數據代替采樣數據
目前,各運營商的移動通信網絡網元多,各制式網絡之間互操作復雜,現網已經很難通過采樣數據對網絡進行分析定位,如對于用戶的使用業務問題不能僅從空口的性能進行分析,還需要考慮物理層和網絡層的問題,可以采用多網元接口數據綜合分析實現具體問題定位。
(2)效率比精確更重要
移動通信網服務于普通用戶,發展到LTE網絡階段網絡空口已經實現全數據業務,并且接人都為智能終端,用戶能夠使用的業務更豐富,單個用戶占用的空口帶寬更大。這就導致小區的負荷變化周期更短,網絡優化工作對小區級同頻干擾的規避更為困難。傳統的網絡優化方法通過話務統計和路測數據分析對小區邊界進行調整已經很難適應快速的負載變化,對于未來LTE網絡來說,調整的效率比數據分析的正確性更為重要。
(3)相關性分析代替因果關系
移動通信中終端用戶的帶寬瓶頸仍然為空I;1的資源限制,載波的頻點、小區的擾碼和PCI等資源都需要合理分配來降低系統內干擾。目前,現網仍然采用道路測試中業務測試的方式,定位道路中對服務小區產生干擾的鄰區并進行資源調整,這種方法在原有干擾區域可以瞧到明顯的優化效果提升,但是對區域的整體性能提升缺少評估,因此,需要通過不同的數據源建立小區問的相關性,即小區干擾矩陣,通過干擾矩陣對某小區與周邊小區的相關性進行排序,實現資源的優質分配。
3 全局數據替代采樣數據
統計學已經證實,采樣分析的精確性隨著采樣隨機性的增加而大幅提高,但與樣本數量增加的關系不大,較為簡單的解釋就是,當樣本數燎騎到了某個值后,從這個數據來源得到的信息會越來越少。隨機采樣取得了巨大成功,已經廣泛應用到現代社會各種測量領域,、隨機采樣只是一條捷徑,是在不可收集和分析全部數據情況下的選擇,它本身存在許多固有的缺陷,它的正確性依靠于采樣的盡對隨機性,但是實現采樣的隨機性非常困難,一旦采樣過程中存在任何偏見,分析結果就會相差甚遠。
網絡優化中的覆蓋分析和移動性失敗定位就是典型的、可以通過全局數據分析代替采樣數據的方式。網絡覆蓋分析一趕以來主要依靠道路測試采樣的方式,通過移動終端道路測試中所測得的下行信號功率來對網絡覆蓋性能進行評估,這種采樣數據的受限因素主要來自于采樣區域的限制。在建網初期,這種優化方式比較能夠快速地評估網絡性能,但是,未來的網絡業務主要是數據業務,用戶在室內使用高帶寬業務的時間占比提高,室內、街道角落等道路測試無法達到區域的性能,也就是說,全網面狀的覆蓋很難通過一種數據來源表示。
目前,現網中多個廠家設備都可以采集MR數據。以TD —SCDMA 系統為例,MR是在UE和NodeB的物理層、RLC層以及RNC在無線資源治理過程中計算產生的。原始測量數據或者經過統計計算(可以在RNC或OMC—R上實現統計)報送到OMC—R以統計數據形式進行存儲,測量報告統計數據采集如圖l所示。目前,2G/3G網絡已經可以通過MR上報數據中的下行測量功率對小區級的覆蓋性能進行定位,LTE網絡假如獲得測量數據仍然可以對全網,包括室內用戶的覆蓋性能進行定位。覆蓋優化中另一個復雜的問題是處理用戶投訴。現網50%以上的用戶投訴來自于室內覆蓋用戶的弱覆蓋投訴,假如要正確定位用戶的投訴原因,就需要攜帶測試儀表到用戶投訴區域進行測試獲取下行測量信息,這樣的處理流程對資源消耗大,處理流程慢,對用戶現場協調困難。,假如通過對MR數據和A+Abis接口數據的綜合分析,就可以從系統測試定位指定用戶的測量信息,并通過MR的定位分析模塊確定用戶的位置。
4 效率比精確更重要
傳統網絡優化工作對網絡的熟悉比較靜態。除非有大量新加基站、載波調配或者用戶投訴,網絡優化工作更注重數據分析的正確性而不太注重優化處理過程中的效率問題。如優化調整2個小區間的鄰區關系,一般來說,可以通過話務網管統計一定周期內的切換統計次數,當發現2個小區間沒有一定量的切換次數時刪除鄰區關系,為BA list留出空余。增加鄰區的優化方法更為復雜,需要通過大量道路測試中未定義鄰區導致的掉話,或者道路掃頻中道路信號分布來進行鄰區添加,這部分的工作效率取決于道路測試的工作周期以及工程 師對數據進行人工分析的正確性。通過MR測量中定義鄰區和非定義鄰區的測量進行基站鄰區的添加和刪除,將會大幅度地提高鄰區優化效率,根據系統側對某個小區中全部用戶測量上報信息中服務小區和鄰區的關系,可以刪除那些很少出現在鄰區上報的鄰區。通過開啟非定義鄰區的測量上報,可以發現那些不在鄰區列表中,但是終端卻測量島芭號較強的小區。
通過MR進行鄰區優化的主要問題是用戶分布和話務分布的不規則性,很難保證2個強相關小區間一定會有用戶駐留并發起業務,從而獲得2個小區間的電平關系,但是當網絡中用戶較多且網絡利用率較高時,可以忽略MR數據的不精確性而更注重這種優化方法在全網實施 的高效率優勢。
由于LTE網絡階段網絡空口已經實現全數據業務,并且接進終端都為智能終端,用戶能夠使用的業務更豐富,單個用戶占用的空口帶寬更大,這就導致小區的負荷變化周期更短,網絡優化工作對小區級同頻干擾的規避更為困難。傳統的網絡優化方法通過話務統計和路測數據分析對鄰區進行調整已經很難適應快速的負載變化,合理的切換關系能夠降低系統干擾,加上未來LTE網絡異構網組網方式中可能出現的大量家庭基站的開啟和關閉,原有的鄰區關系優化方法已經很難適應系統的變化,對于未來LTE網絡來說,優化調整的效率比數據分析的正確性更為重要。
5 相關性代替因果關系
傳統網絡優化分析非常注重數據之間的因果關系,如對于GSM 網絡一個質差小區的原因分析,首先需要考慮的問題就是是否出現了系統內干擾,假如這個小區和鄰區之間發生了同鄰頻碰撞就需要進行本小區或者干擾小區的頻點調整。對于TD,SCDMA 網絡類似情況的頻率和擾碼優化分配,大量網絡問題分析僅限于尋求線性關系而忽略了小區間的相關關系。
相關關系的核心是量化2個事物之間的數理關系。相關關系強是指當一個數據值增加時,另一個數據值很有可能也會隨之增加。在同頻組網的移動通信網絡中,典型的案例就是當2個小區間重疊覆蓋過大時產生的小區間干擾是相互的。在量化小區間相關性時引人了干擾矩陣的分析方法。在2G/3G/4G網絡中,都可以利用切換統計、掃頻數據或者MR建立干擾矩陣,區別是需要取得在不同的采樣點下計算鄰區電平與主服務小區電平的差值,根據電平差值取得鄰區對主服務小區的干擾概率。
在無線網絡優化 工程中可以構建無線網絡干擾矩陣來量化描述小區之間的覆蓋重疊關系。如一個服務小區內專用模式狀態下的許多MS大量上報某鄰小區較強接收功率,如一60 dBm以上的測量,說明2個小區間存在較大面積的功率重疊覆蓋區域。通過對測量數據、掃頻數據等基礎數據的統計處理和整合,可以得到服務小區和相鄰小區功率重疊覆蓋大小的量化關系——干擾矩陣。與GSM網絡不同,3G/4G無線網絡干擾矩陣不用考慮鄰載頻干擾因素。干擾矩陣在2G/3G網絡資源分配和網絡結構評估中已經廣泛使用,同樣,在LTE網絡的PCI分配中也可以參考干擾矩陣得到的小區級干擾值進行MOD 3和MOD 30的干擾規避。利用干擾矩陣的優化效率遠高于通過道路測試和網管性能指標分析進行相關優化工作。
6 結束語
LTE網絡建設開通后運營商將會面對更多的基站、更復雜的小區級統計報表、更頻繁的頻問和異頻切換,甚至更豐富的用戶業務模型。如何從紛繁復雜的數據中找到網絡問題,并能夠高效地完成問題分析和優化調整,提升網絡性能,是運營商網絡優化部門將要面對的問題。本文借鑒移動互聯網領域的大數據分析方法提出了網絡優化的大數據分析方向。移動互聯網領域的數據主要是用戶級的業務數據和位置信息,網絡優化的數據源中可以通過網元間接口數據采集統計分析得到用戶級的業務數據,未來的LTE網絡還可以根據MDT(最小化路測)的測量上報定位用戶位置,網絡優化可以使用的數據從數據類型上瞧,甚至超越了移動互聯網領域。借助目前已經布放的各種網管和網優數據平臺,假如實現相關的數據共享,大數據分析方法將能夠更廣泛地應用。
(文章來源:互聯網)