智能无线网络诊断与优化模式

中国移动通信集团江苏有限公司镇江分公司 张 晶 韩 平 宋啸天

智能无线网络诊断与优化模式

中国移动通信集团江苏有限公司镇江分公司 张 晶 韩 平 宋啸天

介绍了无线网络优化模式的发展历程、现状及面临的问题，并介绍了智能化无线网络诊断与优化模式及核心算法。智能无线网络优化模式更加贴近实际运维工作模式，成为无线网优管理督导和辅助决策的有效手段。

智能； 无线网络； 诊断； 优化

1 基本情况

1.1 运营商无线网络优化面临的问题

1.1.1 优化目标压力加大

主动优化： 日常网优工作中测试数量巨大，难以分析海量数据。数据的处理以生成报告为主，很难及时发现、分析测试中的异常问题。数据信息来源多，关联分析难度加大，即便能发现异常问题，也无法高效分析，仍较多依赖人工经验分析。

精细优化： 复杂网络上叠加的各类语音、数据业务和手机终端互联网业务的加入使得用户对业务体验的感知直接转移至对网络的感知。长期以来培养形成的移动用户高期望值对网络优化工作精细度要求持续提升。

快速优化： 适应2G（第二代移动通信技术）、3G、4G、WLAN（无线局域网）多网融合压力和更高频度的网络调整。网络技术升级迅速，优化人员学习压力大。

1.1.2 优化资源已趋饱和

网优人员编制有限，而网络规模越来越大，优化资源的增长难以跟上网优工作需求，导致网优人员工作压力越来越大。目前的网优工作中，测试、分析主要依靠人工完成，网优人员持续的在测试、分析、再测试、再分析中交错进行，效率比较低，人力成本、时间成本都比较高，迫切需要一种新的流程在不影响网优质量的前提下提高工作效率，降低成本。无线设备复杂度增加10倍，网优人员技术能力却增长缓慢。

自2009年至2013年网络规模扩大1倍而优化人员数量却难以增加。

1.1.3 运维资源多样化带来发展隐忧

自维队伍持续弱化： 知识更新速度无法赶上技术更新速度，自维技术人员老化加速。伴随代维的引入，管理要求提高，部分自维力量逐步转向维护管理。企业业务、智能终端等前台支持任务剧增，自维资源大量前移，代维资源把控能力差，部分代维力量维护责任心与自维团队存在差距。受投入影响，代维力量核心人员配置不足，应对突发事件能力弱。部分代维力量技术人员稳定性差，对网络质量形成潜在隐患。同时服务于不同运营商，导致代维资源同质化，网络质量优势被削弱。

1.2 智能分析技术将是无线网络运维的未来

优化模式必须和网络演进同步发展，才能实现统一的无线网络发展目标。

无线网络正快速升级，“畅通”是运维的方向。而依赖人

工经验的传统运维模式不是未来，只有发展更智能的优化模式才能夯实移动网络的发展基础。本文针对上述实际情况，研究智能化无线网络优化模式，在确保网络质量的前提下，提升无线网络优化效率，减轻网优人员的工作负荷，使网络优化工作可持续开展。

2 无线网络优化模式

2.1 无线网络优化模式的发展历史

第一代（20世纪80年代）数据记录统计：传统的路测数据，需要人工整理和统计，完全基于个体经验进行数据判读[1]。

第二代（20世纪90年代）数据呈现报表统计： 传统后台分析网络数据和性能统计，可以替代人工进行数据整理和统计，但分析过程仍需人工判读[2-3]。

第三代（千禧年）后台专题分析： 现有的后台分析具备专题分析能力，除替代人工进行整理和统计外，还能开展流程化的问题解决向导，但人工判读依然是分析核心[4]。

第四代智能分析决策： 最大化集成海量网络优化经验，关联前台测试和后台性能统计数据进行智能分析诊断并提出解决建议，人工只需进行问题解决方案决策[5]。

2.2 智能化无线网络诊断与优化模式

智能分析诊断模式结构见图1。

2.2.1 智能优化模式的输入

智能分析诊断的输入分为两个部分： 一是前台网络测试数据，来源于路测软件、ATU（自动路测）平台、扫频仪等测试终端。二是网络统计数据，来源于网管系统的网络配置、性能统计、故障告警报表，网络信令监测系统及测量报告分析系统。

2.2.2 智能优化模式的主体

智能分析诊断的主体为“软件加算法包”架构的分析平台：软件包为无线分析算法包，成体系的固化了大量网优人员的分析实践经验。软件通过加载算法包对输入数据中的网络测试数据和网络统计数据进行异常检测。针对出现的异常结合故障告警报表、网络配置报表、信令监测系统等进行故障检查形成成因分析。同时根据算法包中固化的优化经验结合实际情况给出解决措施。

2.2.3 智能优化模式的输出

智能分析诊断的输出采用思维导图方式给出异常、故障、成因、措施的分层结果供决策实施。既可以指导日常优化实施，又可以作为典型问题案例。

2.3 智能化无线网络诊断与优化核心算法

智能化无线网络诊断与优化核心算法见图2。

2.3.1 异常检测算法

异常检测算法主要包含以下几个大类：

未接通类、掉话类： 主要针对TCH（业务信道）指配、鉴权、附着等过程进行计算判断。

切换重选类： 主要针对小区内切换、小区间切换、TCH切换、同频段切换、跨频段切换、位置区更新、路由区更新等过程进行计算判断。

用户感知类： 主要针对FTP（文件传输协议）速率低、语音MOS（平均意见评分）差等过程进行计算判断。

2.3.2 故障检查算法

故障检查算法在物理层主要为以下两类：

无线覆盖类： 该类算法主要服务于掉话、未接通、速率低等异常事件，同时也对统计性覆盖问题进行分析，主要包括弱覆盖、无主覆盖、越区覆盖、反向覆盖、室内信号泄露等分析方向。

链路干扰类： 该类算法主要服务于掉话、未接通、EGPRS（增强型通用分组无线业务）速率低等异常事件，同时也对统计性干扰问题进行分析，主要包括下行干扰、上行干扰、链路平衡、功率陡降等分析方向。

故障检查算法在网络层主要为以下两类：

切换重选类： 该类算法服务于掉话、未接通、切换异常等异常事件，主要包括切换过程、重选过程等分析方向，以及配置邻区相关问题分析。

信令接续类： 该类算法服务于未接通等异常事件，从整个信令接续过程中每个阶段进行问题分析，主要包括SDCCH（独立专用控制信道）过程、鉴权过程、建立过程、TCH分配过程、振铃接通过程等。

故障检查算法在业务层主要为以下两类：

语音质量类： 该类算法主要服务于语音业务质量异常事件，主要包括MOS差等分析方向。

数据质量类： 该类算法服务于FTP下载速率低等数据业务质量异常事件，主要包括EGPRS资源、参数等分析方向。

2.3.3 成因分析算法

成因分析算法在空口障碍方面主要为以下两类：

覆盖类：该类算法主要包括覆盖太强、覆盖太弱、室内信号泄露等成因。

干扰类：该类算法主要包括同邻频干扰、同频同码、三阶互调干扰等成因。

成因分析算法在配置缺陷方面主要为以下两类：

切换重选类：该类算法主要包括切换参数、重选参数、邻区配置等成因。

EGPRS参数类：该类算法主要包括EGPRS资源拥塞、终端开户信息问题等成因。

其他配置类：该类算法包括部分信道建立定时器设置问题、

数据业务参数配置问题、功能配置问题等成因。

成因分析算法在设备故障方面主要为以下两类：

设备传输类：该类算法主要包括终端异常、小区异常、BSC（基站控制器）异常、核心网异常、Abis接口异常、A接口异常、Gb（GPRS服务支持节点和基站子系统间接口）异常等成因。

天馈器件类： 该类算法主要包括天线接反、天线异常、反射覆盖等成因。

2.3.4 措施建议算法

措施建议算法在参数调整方面主要为以下四类：

工程参数类：该类算法主要包括调整天线下倾角、天线方位角、检查频点等措施。

切换重选类：该类算法主要包括调整切换参数、重选参数、添加邻区等措施。

EGPRS参数类：该类算法主要包括检查EGPRS功能状态，检查终端开户信息等措施。

其他参数类：该类算法主要包括设置定时器、数据业务参数，检查功能配置等措施。

措施建议算法在设备检修方面主要为以下几类：

设备传输类：该类算法主要包括检查终端、小区、BSC、Abis、A、Gb口状态等措施。

天馈器件类：该类算法主要包括检查天线接反、天线异常、反射覆盖、室分整改等措施。

2.4 试点情况

我们采用智能无线网络诊断与优化模式和传统网络优化模式进行对比，结合高性能的智能分析平台，可在一天内由同一组网优团队实现二轮次或三轮次的网优操作，且人员工作强度适当，该运维模式可长期执行。总体来看，大致可以使同一网优团队效率提升二倍或三倍。

3 总结与展望

3.1 智能优化与传统优化模式对比

在传统优化模式下，当天测试数据很难当天处理完毕，若要满足当天完成测试、分析、调整、复测就需要打乱整个工作计划，每天需要工作到很晚，工作强度大。

在智能优化工作模式下，优化人员每天上午可进行第一轮测试（4 h），利用中午休息的时候同时使用智能分析平台处理上午的测试数据（约1 h）。在处理完毕之后，优化人员可以花很少的时间对处理结果进行决策和筛选（约0.5 h），如有条件或有需要可直接进行网络调整。下午继续进行第二轮测试（4 h），然后利用傍晚休息的时候再次使用智能分析处理下午的测试数据（约1 h），在软件处理完毕之后，优化人员再花很少的时间对处理结果进行决策和筛选（约0.5 h），如有条件或有需要可直接进行网络调整。

3.2 智能优化模式的优势

智能无线网络优化模式更加贴近实际运维工作模式，成为无线网优管理督导和辅助决策的有效手段。可以数倍提升无线网络优化工程师的工作效率，用于快速提升无线网络运行性能和业务质量。可以替代人工对大量的系统运行和测量数据进行快速的复杂关联诊断分析。

3.2.1 体系提升网络质量

精细： 深入完整的挖掘出网络结构内在缺陷，答复提升网络精细覆盖水平。

全面： 弥补了用户感知指标方面的优化分析技术不足，全方位提升全网用户感知水平。

准确： 提供了全面、细致的网络缺陷分布和优化向导，提升主动优化的决策水平。

3.2.2 从容提升测试强度

快速： 大幅提升分析效率，能够应对更高拉网测试强度带来的海量测试数据。

稳定： 分析过程按照固化的经验算法执行，分析结论不受主观判断和测试强度的影响。

3.2.3 优化提升资源效能

可控： 有效把控优化人员优化过程的质量，降低分析质量对个人专业能力的依赖。

决策： 重复性的数据判读交由高效的分析平台完成，有限的人力资源投入到更重要的决策环节中。

增效： 全面提升日常优化工作节奏，相同规模的优化队伍也可发挥出更大的工作效能。

[1]吴宝栋, 肖恒辉, 陆南昌, 等. 无线网络智能优化系统及其应用[J]. 移动通信, 2012(12): 16-20.

[2]周岚. 智能路测系统及其在无线网络优化中的应用[J]. 现代电信科技, 2003(6): 25-26.

[3]宋捷, 马宝军, 纪金树. GSM网络优化中基础数据的智能化管理[J].邮电设计技术, 2008(8): 33-38.

[4]钱龙. 基于用户感知的无线网络优化平台[J]. 中国科技信息, 2009(4): 120-121.

[5]于友成. 无线网络自动优化模型的知识获取[J]. 电讯技术, 2010(12): 9-13.