一种精准定位VoLTE空口质量问题的方法与应用

陈向前，胡博，贾磊，田原

（中国移动通信集团陕西有限公司，西安 710000）

1 引言

语音质量MOS评分作为VoLTE服务质量的关键评价项，一直是VoLTE优化工作的重点内容。传统的语音质量优化多数依靠道路测试作为数据采集手段，通过人工方式发现和定位质量问题，不仅无法体现道路之外区域的用户质量，而且在问题定位准确度、工作效率方面对人员技能要求较高。随着用户量的增多，依靠道路测试提升语音质量的方法已经难以满足优化工作的需求，无线优化工作急需一种能够全面、准确、实时的优化分析手段。本文通过对“基站拟合MOS评分”和“基站内部的呼叫记录数据”两项关键新技术的研究，发现了一种全新的精准定位空口语音质量问题的方法，该方法以“基站拟合MOS评分”为问题发现手段，以呼叫记录为问题定位基础，同时结合MR、话统、基站工程参数、基站性能参数、告警和操作记录等数据，通过多维数据分析，实现了语音质量准通话级的问题定位，定位全面性、实时性和精准度相对传统优化手段都有较大的提升，下面就该方法的实现原理和技术应用分别进行归纳介绍。

2 关键技术实现原理和应用价值

2.1 “基站拟合MOS评分”原理和应用价值

2.1.1 “基站拟合MOS评分”原理

传统测试的MOS评分采用的是POLQA算法模型，整个算法的处理流程为参考信号和通过无线网络传输后的退化信号通过电平调整，再用输入滤波器模拟标准电话听筒进行滤波(FFT)。这两个信号在时间上对准，并通过听觉变换。这个变换包括对系统中线性滤波和增益变化的补偿和均衡，再通过认知模型，从而映射到对主观平均意见分的预测。一般情况下，输出信号和参照信号的差异性越大，计算出的MOS分值就越低。

“基站拟合MOS评分”是基于ITU P.863标准采用数学公式拟合的估计测量方法，它是通过对空口的分组丢失、时延、抖动、编码、切换等因素的采集，将采集数据进行时域处理、非线性转换、线性拟合评分等步骤，最终计算得到语音质量分数。与采用专用仪器客观评价测量的MOS差异性在于：MOS打分受到终端编解码和jitter buffer算法等因素的影响，测试结果存在较大的波动性，评分计算没有受到终端因素的影响。因此，“基站拟合MOS评分”和MOS的原理不同，测量范围不同，导致两者不是完全等同的。

“基站拟合MOS评分”的算法：

FER (Frame Error Rate): 删帧率，也即BLER，VQI下降最主要的影响因素。

BER (Bit Error Rate):误码率，VQI下降的次要影响因素。

LFE (Length of Frame Error):连续删帧长度，和FER有一定的非线性关系， FER大，一般LFE也会大。

Handover: 切换也导致连续一段时间无分组，对听觉感受有影响，故也需要计算在EVQI内。

Constcodec: 各个速率的最大常量，决定各个速率的VQI最大值。

VQIcodec(i)为计算周期中AMR不同业务速率的VQI，P(i)为各个业务速率的比例。

2.1.2 “基站拟合MOS评分”的应用价值

通过多终端、多场景的大数据验证，“基站拟合MOS评分”和传统MOS盒的POLQA评分的MOS值的总体拟合度高于80%，具体请见图1所示，语音质量波动大场景拟合度高于90%。

从拟合结果可以看出，“基站拟合MOS评分”和POLQA的评分结果趋势基本一致，能够表征用户的语音质量变化。同时，“基站拟合MOS评分”还具备可实时采集、监控全量用户的优点，对于网络整体语音质量的评估更加准确、全面，应用于优化工作后对语音质量的监控和分析均有较高的价值。

2.2 语音呼叫记录原理和应用价值

2.2.1 语音呼叫记录原理

语音呼叫记录（Call History Information）是在出现质量问题时，基站自主记录基站当时的运行状态和用户当时服务质信息并保留在基站的存储器中，以方便定位网络和基站问题。前期局限于基站的处理能力，记录信息只能是采取抽样和记录关键事件的方式，因此仅能在基站问题定位中使用。随着4G时代的到来，基站的处理能力逐步的增强，该记录信息也随之丰富，目前主流的基站厂家均能够全量采集并较详细记录问题发生前后的相关信息。

图1 “基站拟合MOS评分”和POLQA评分拟合趋势

图2 呼叫记录的触发场景

当前主流基站厂家的呼叫记录的触发场景如图2所示：终端异常上行分组不发送；上行空口分组丢失； 被叫下行PDCP语音分组接收异常；下行空口分组丢失。

当满足以上4种场景时，基站会从PDCP异常信息、PDCP呼叫记录信息、上行/下行调度信息、用户释放信息、用户重建信息以及用户无线环境信息等方面记录异常用户的数据，以方便后续的问题定位。

2.2.2 语音呼叫记录在语音质量问题定位中的应用价值

语音质量和空口的分组丢失、时延、抖动、编码、切换等因素相关，借助呼叫记录中的调度、重传、用户释放、功能使用、用户无线环境等相关的关联分析，同时结合实践测试数据，形成针对各类场景的相关算法和判定规则，从而实现了对语音质量问题的精准根因定位。例如：通过调度信息中的“上行调度请求调度优先级低次数”是否大于零来判断是否为“调度请求优先级低”引起的语音质差；通过计算“当前PDCP序号”和“PDCP分组丢失个数”是否大于150来判断是否为语音单通问题等。经过大量的实践研究，结合语音呼叫记录信息和实测数据，已经制定出了23种语音质差问题的判定规则，具体详见表1所示。

表1 呼叫记录可定位的语音质差问题

相对于传统的语音质量定位方法，借助呼叫记录发现定位语音质量问题存在以下优势，因此具有较高的应用价值。

传统语音质量问题需要依靠道路测试或者用户投诉，属于被动问题发现。而呼叫记录属于场景事件触发，属于主动发现问题。

传统的道路测试的问题定位属于采样型，问题发现仅局限于路面用户，并且问题发现的全面性依靠测试的频次。而呼叫记录属于统计性问题定位，面向的对象为全网的用户，因此问题定位更全面和准确。

MR、话务统计等问题分析数据均为小区级，并且最小统计粒度为15 min。而呼叫记录的为单用户数据，且粒度为事件。因此可将问题定位粒度从小区级降至准用户级。

3 语音质量问题准定位方法及应用

3.1 问题定位方法论

3.1.1 系统建模

考虑到呼叫记录数据量巨大，每1 000基站每天全量数据采集约在20 GB数据左右， 数据分析处理周期较长，在进入精准定位之前需要进行问题基站的初步筛查，以提高整个系统的运行效率。当前构建的系统模型分4个步骤，即问题评估发现、问题初筛和粗定位、问题精准定位、优化手段筛选，具体见图3所示。

3.1.2 各模块的实现算法

（1）问题评估的算法实现

使用“基站拟合MOS评分”来评估现网基站的语音质量并筛查出可能存在质量问题的小区，具体筛选原则如下。

第一步：筛选“基站拟合MOS评分”采样点大于200的小区。

第二步：在第一步的基础上筛选的小区，作为质差采样点占比高小区。

第三步： 在第一部的基础上筛选“基站拟合MOS评分”低于4分的小区作为“基站拟合MOS评分”差小区。

（2）问题初筛和粗定位的算法实现

问题初筛是将语音质差的相关KPI和基站性能KPI进行相关性分析，发现两者中相关性最高的性能KPI作为问题影响主因，此高性能KPI作为问题影响的次因，以简化后续的精定位算法实现的计算量，相关性计算算法如下：

目前，系统采用的相关性KPI矩阵如表2和表3所示。

（3）问题精准定位的算法实现

问题精准定位结合MR、话统、呼叫记录、操作记录、告警等数据对粗定位后的小区进行精准问题定位，并输出问题小区的语音质差语音，具体算法模型如图4所示。

图3 系统建模

表2 相关性KPI矩阵定界轴

表3 相关性KPI矩阵定位轴

（4）优化手段筛选的算法实现。

优化手段筛查采用“天平”算法，该算法是根据精准定位的结果，在问题处理手段库库中（手段库是通过对前期问题处理经验总结形成）筛选出问题的处理多种手段，然后通过场景环境筛选、制约条件筛选、操作互斥筛选等步骤，筛选掉不适合该小区实际的问题处理手段，最终自动化给出最有效的问题解决建议。

图4 精准定位算法模型

3.2 系统的计算机实现

系统采用B/S架构，由数据采集处理服务器从厂家OMC/TS服务器采集基站告警、操作记录、基站参数、邻区关系、呼叫记录（部分厂家呼叫记录数据为加密格式，需要单独的解析软件）等数据，从移动的北向MR采集服务器采集MR数据，从话统采集服务器采集话统数据。数据采集处理服务器需要对采集的数据进行初步的处理，形成算法所需的数据库表格。算法实现服务器根据系统模型实现问题的评估、问题筛选和粗定位、问题精准定位、处理手段筛选等步骤，最终形成问题分析报告和问题处理方案。用户可以使用浏览器接入服务器，查询相关的分析报告并下载处理方案。具体的构架图如图5所示。

3.3 系统的应用价值

从2017年3月份开始构架和验证，9月份初步完成。经过一年的推广使用，已累计调整参数11.7万条，处理质差ToP小区6 826个。优化后，试点地市拟合MOS3.0以上占比平均提升2.02%，推广地市拟合MOS 3.0以上占比平均提升1.82%。另外，系统投入使用后，质差问题站点的处理工作量由之前的0.5工时减少至0.067工时，人工效率提升87%以上。

4 结论

图5 系统计算机实现构架

“基站拟合MOS评分”是当前新兴的语音质量评估方法，经实践验证，主流厂商的“基站拟合MOS评分”和传统的POLQA评分相比，评分趋势基本一致，能够表征空口语音质量。它作为一种语音质量评估标准应用后，能够更加全面、实时的表征网络的服务质量。“呼叫记录”作为优化分析的一种新型数据源，能够将将问题定位粒度从小区级降至准用户级，借助“呼叫记录”建立的问题判定规则，对问题定位准确率和实时性上也有较大的提升。结合这两项新技术以及MR、话统、无线参数、工程参数等多维数据，构建的问题自动定位算法，能够较方便的在计算机系统中实现应用，对VoLTE语音质量问题的优化起到了较好的促进作用，降低了问题定位难度的同时，提高了优化工作效率。