网络优化中的大数据应用

摘要：网络优化 分析中需要使用多种网络数据，无论是数据量、数据类型，还是分析方法都可以借鉴目前在移动互联网 领域普遍采用的大数据分析方法。结合移动通信网络优化的分析数据类型和大数据分析方法，提出全局数据代替采样数据、效率优先于精确、相关性代替因果关系3个网络优化的大数据应用方向。

1 引言

    随着移动通信网用户数的增长、移动终端应用的丰富和网络运营商之问日趋激烈的竞争，用户对通信网质量有了较高要求，移动通信网的性能瓶颈仍然是无线空口能够提供的网络性能，这对运营商的网络优化提出了更高要求。目前，各运营商都面对2G、3G、4G三张移动通信网络的运营，无线基站规模增长迅速，各制式网络之间可通过互操作实现业务迁移，i网间协调优化复杂，各运营商很难实现和基站增长比例相同的网络优化人员扩编或者网络优化费用增加。如何有效地利用现有网络数据提升优化工作效率成为运营商需要面对的重要问题。

智能手机涉及的应用广泛，用户的位置、使用行为等数据的每一点变化都成为了可被记录和分析的数据，以此为基础，“反馈经济”等新经济、新商业模式开始形成。数据分析公司可以通过对大数据进行分析、预测，使得决策更为精准，释放更多数据的隐藏34价值。然而，终端用户提供给运营商的不仅是应用层的数据，也包括非智能手机用户为运营商提供的和应用层数据同样丰富的物理层的测量信息和信令信息。终端的测量信息在移动通信网中的主要功能是实现切换和功率控制，同时，结合信令信息在系统侧周期性地进行统计平均形成性能报表。在移动通信网发展 早期，由于设备性能限制，特别是系统侧存储和运算单元的性能限制，用户测量报告(MR)信息在UE完成切换和功率控制后就被删除，随着系统侧存储和计算能力的提升，这些数据所反馈的大量用户物理层信息可以被保留，之后用于对无线网络进行分析，为网络优化提供更为有效的判断依据。

大数据的核心是预测，这同样也是网络优化数据分析的核心。大数据之所以能够实现更为高效准确的预测，是在于分析数据时的3个转变。第一个转变，在大数据时代，可以分析更多的数据，而不再依赖于随机采样；第二个转变，研究数据类型足够丰富，以至于可以不再热衷于追求精确度；第三个转变，冈前2个转变而促成，即不再热衷于寻找因果关系，事物间的相关性显得更重要。这3种分析数据的转变，同样可以提升网络优化工作中优化方案预测的准确性。

2 网优数据分析转变

    网络优化是通过对现已运行的网络进行话务统计分析、性能报表分析、多网元接KI数据采集、参数分析、硬件检查等，找出影响网络质量的原因，并且通过参数的修改、网络结构的调整、设备配置的调整和采取某些技术手段，确保系统高质量地运行，使现有网络资源获得很好效益，从而获得较好投资收益。

各运营商针对网优人员日常工作提供全面的优化支撑平台，实现对全网优化工作的统一管理，大大提高了网优工作日常效率。早期网络优化主要使用网管数据和测试数据，随着各种优化平台的使用，更多的数据包括MR、A+Abis数据，Gb+Gn口等信令数据以及分组解析数据都可以为网络优化工作使用，大数据分析有了数据源和分析平台，参考当前移动互联网大数据分析的3个转变，网优优化分析可实现以下3个转变。

(1)全局数据代替采样数据

    目前，各运营商的移动通信网络网元多，各制式网络之间互操作复杂，现网已经很难通过采样数据对网络进行分析定位，如对于用户的使用业务问题不能仅从空口的性能进行分析，还需要考虑物理层和网络层的问题，可以采用多网元接口数据综合分析实现具体问题定位。

(2)效率比精确更重要

    移动通信网服务于普通用户，发展到LTE网络阶段网络空口已经实现全数据业务，并且接人都为智能终端，用户能够使用的业务更丰富，单个用户占用的空口带宽更大。这就导致小区的负荷变化周期更短，网络优化工作对小区级同频干扰的规避更为困难。传统的网络优化方法通过话务统计和路测数据分析对小区边界进行调整已经很难适应快速的负载变化，对于未来LTE网络来说，调整的效率比数据分析的准确性更为重要。

(3)相关性分析代替因果关系

    移动通信中终端用户的带宽瓶颈仍然为空I；1的资源限制，载波的频点、小区的扰码和PCI等资源都需要合理分配来降低系统内干扰。目前，现网仍然采用道路测试中业务测试的方式，定位道路中对服务小区产生干扰的邻区并进行资源调整，这种方法在原有干扰区域可以看到明显的优化效果提升，但是对区域的整体性能提升缺少评估，因此，需要通过不同的数据源建立小区问的相关性，即小区干扰矩阵，通过干扰矩阵对某小区与周边小区的相关性进行排序，实现资源的优质分配。

3 全局数据替代采样数据

    统计学已经证明，采样分析的精确性随着采样随机性的增加而大幅提高，但与样本数量增加的关系不大，较为简单的解释就是，当样本数量达到了某个值后，从这个数据来源得到的信息会越来越少。随机采样取得了巨大成功，已经广泛应用到现代社会各种测量领域，、随机采样只是一条捷径，是在不可收集和分析全部数据情况下的选择，它本身存在许多固有的缺陷，它的准确性依赖于采样的绝对随机性，但是实现采样的随机性非常困难，一旦采样过程中存在任何偏见，分析结果就会相差甚远。

    网络优化中的覆盖分析和移动性失败定位就是典型的、可以通过全局数据分析代替采样数据的方式。网络覆盖分析一赶以来主要依靠道路测试采样的方式，通过移动终端道路测试中所测得的下行信号功率来对网络覆盖性能进行评估，这种采样数据的受限因素主要来自于采样区域的限制。在建网初期，这种优化方式比较能够快速地评估网络性能，但是，未来的网络业务主要是数据业务，用户在室内使用高带宽业务的时间占比提高，室内、街道角落等道路测试无法达到区域的性能，也就是说，全网面状的覆盖很难通过一种数据来源表示。

    目前，现网中多个厂家设备都可以采集MR数据。以TD —SCDMA 系统为例，MR是在UE和NodeB的物理层、RLC层以及RNC在无线资源管理过程中计算产生的。原始测量数据或者经过统计计算(可以在RNC或OMC—R上实现统计)报送到OMC—R以统计数据形式进行存储，测量报告统计数据采集如图l所示。目前，2G／3G网络已经可以通过MR上报数据中的下行测量功率对小区级的覆盖性能进行定位，LTE网络如果获得测量数据仍然可以对全网，包括室内用户的覆盖性能进行定位。覆盖优化中另一个复杂的问题是处理用户投诉。现网50％以上的用户投诉来自于室内覆盖用户的弱覆盖投诉，如果要准确定位用户的投诉原因，就需要携带测试仪表到用户投诉区域进行测试获取下行测量信息，这样的处理流程对资源消耗大，处理流程慢，对用户现场协调困难。，如果通过对MR数据和A+Abis接口数据的综合分析，就可以从系统测试定位指定用户的测量信息，并通过MR的定位分析模块确定用户的位置。

4 效率比精确更重要

    传统网络优化工作对网络的认识比较静态。除非有大量新加基站、载波调配或者用户投诉，网络优化工作更注重数据分析的准确性而不太注重优化处理过程中的效率问题。如优化调整2个小区间的邻区关系，一般来说，可以通过话务网管统计一定周期内的切换统计次数，当发现2个小区间没有一定量的切换次数时删除邻区关系，为BA list留出空余。增加邻区的优化方法更为复杂，需要通过大量道路测试中未定义邻区导致的掉话，或者道路扫频中道路信号分布来进行邻区添加，这部分的工作效率取决于道路测试的工作周期以及工程 师对数据进行人工分析的准确性。通过MR测量中定义邻区和非定义邻区的测量进行基站邻区的添加和删除，将会大幅度地提高邻区优化效率，根据系统侧对某个小区中所有用户测量上报信息中服务小区和邻区的关系，可以删除那些很少出现在邻区上报的邻区。通过开启非定义邻区的测量上报，可以发现那些不在邻区列表中，但是终端却测量到信号较强的小区。

    通过MR进行邻区优化的主要问题是用户分布和话务分布的不规则性，很难保证2个强相关小区间一定会有用户驻留并发起业务，从而获得2个小区间的电平关系，但是当网络中用户较多且网络利用率较高时，可以忽略MR数据的不精确性而更注重这种优化方法在全网实施 的高效率优势。

    由于LTE网络阶段网络空口已经实现全数据业务，并且接入终端都为智能终端，用户能够使用的业务更丰富，单个用户占用的空口带宽更大，这就导致小区的负荷变化周期更短，网络优化工作对小区级同频干扰的规避更为困难。传统的网络优化方法通过话务统计和路测数据分析对邻区进行调整已经很难适应快速的负载变化，合理的切换关系能够降低系统干扰，加上未来LTE网络异构网组网方式中可能出现的大量家庭基站的开启和关闭，原有的邻区关系优化方法已经很难适应系统的变化，对于未来LTE网络来说，优化调整的效率比数据分析的准确性更为重要。

5 相关性代替因果关系

    传统网络优化分析非常注重数据之间的因果关系，如对于GSM 网络一个质差小区的原因分析，首先需要考虑的问题就是是否出现了系统内干扰，如果这个小区和邻区之间发生了同邻频碰撞就需要进行本小区或者干扰小区的频点调整。对于TD，SCDMA 网络类似情况的频率和扰码优化分配，大量网络问题分析仅限于寻求线性关系而忽略了小区间的相关关系。

    相关关系的核心是量化2个事物之间的数理关系。相关关系强是指当一个数据值增加时，另一个数据值很有可能也会随之增加。在同频组网的移动通信网络中，典型的案例就是当2个小区间重叠覆盖过大时产生的小区间干扰是相互的。在量化小区间相关性时引人了干扰矩阵的分析方法。在2G／3G／4G网络中，都可以利用切换统计、扫频数据或者MR建立干扰矩阵，区别是需要取得在不同的采样点下计算邻区电平与主服务小区电平的差值，根据电平差值取得邻区对主服务小区的干扰概率。

    在无线网络优化 工程中可以构建无线网络干扰矩阵来量化描述小区之间的覆盖重叠关系。如一个服务小区内专用模式状态下的许多MS大量上报某邻小区较强接收功率，如一60 dBm以上的测量，说明2个小区间存在较大面积的功率重叠覆盖区域。通过对测量数据、扫频数据等基础数据的统计处理和整合，可以得到服务小区和相邻小区功率重叠覆盖大小的量化关系——干扰矩阵。与GSM网络不同，3G／4G无线网络干扰矩阵不用考虑邻载频干扰因素。干扰矩阵在2G／3G网络资源分配和网络结构评估中已经广泛使用，同样，在LTE网络的PCI分配中也可以参考干扰矩阵得到的小区级干扰值进行MOD 3和MOD 30的干扰规避。利用干扰矩阵的优化效率远高于通过道路测试和网管性能指标分析进行相关优化工作。

6 结束语

        LTE网络建设开通后运营商将会面对更多的基站、更复杂的小区级统计报表、更频繁的频问和异频切换，甚至更丰富的用户业务模型。如何从纷繁复杂的数据中找到网络问题，并能够高效地完成问题分析和优化调整，提升网络性能，是运营商网络优化部门将要面对的问题。本文借鉴移动互联网领域的大数据分析方法提出了网络优化的大数据分析方向。移动互联网领域的数据主要是用户级的业务数据和位置信息，网络优化的数据源中可以通过网元间接口数据采集统计分析得到用户级的业务数据，未来的LTE网络还可以根据MDT(最小化路测)的测量上报定位用户位置，网络优化可以使用的数据从数据类型上看，甚至超越了移动互联网领域。借助目前已经布放的各种网管和网优数据平台，如果实现相关的数据共享，大数据分析方法将能够更广泛地应用。

（文章来源：互联网）