基于大数据的无线移动网络邻区优化

张兴玉

中邮建技术有限公司

0 引言

随着在网络中不断地进行工程建设、割接等网络操作，不可避免的会带来一些小区的邻区关系出现漏加、单向、多加等现象。另外，日常优化过程中对天线的调整也会带来邻区关系的变化。所以邻区优化工作一直是网络优化过程中一个必不可少的部分。通常对邻区的优化主要通过测试分析、后台性能分析、地理化观察分析以及邻区自动优化工具等方式来进行。主要优化内容包括：漏配邻区、单向邻区、多配或少配邻区、邻区外部数据配置错误等。L T E网络是快速硬切换网络，合理的邻区关系对网络来说非常重要。邻区关系过少，会造成大量掉话；邻区关系过多，会导致测量报告的精确度降低。因此定期进行邻区关系优化是十分必要的。

4G相对2/3G能够提供基于大数据采集的ANR功能，ANR功能可以自动采集E-UTRAN系统内，以及E-UTRAN与UTRAN，E-UTRAN与GERAN异系统邻区关系数据，采集的数据准确度很高，为邻区优化提供了可靠的数据参考。受控ANR通过对采集到的海量数据进行人工甄别筛选，剔除伪基站数据，人工甄别排除越区信号等有害邻区，实现未定义邻区的精确添加，相对2/3G时代的人工规划，大大提升优化效率，降低网规网优复杂度，节约运维成本。

受控ANR的数据采集是根据现网的“无对应的邻区关系导致无法发起同频/异频/异系统切换过程的次数”，开启系统内受控ANR功能。

受控ANR开启方法：（这里仅列出各厂家通用参数）

表1 三种邻区规划方法效率对比

第一步：设置ANR公共参数。将ANR优化模式设为受控模式，上报需要处理的邻区给维护台，需要维护人员手工确认才会进行邻区关系更新（注意：外部小区不受控）；将事件ANR模式设为BASED_NCL（基于NCL Neighbor Cell List），避免VoLTE用户反复进行ANR测量，造成QCI1丢包率恶化；将ANR受控模式下切换策略设为FORBID_HO（禁止切换），避免切换至质差小区造成切换成功率恶化；将CA UE选择模式设为ANR_UE_CAP，允许CA终端进行ANR测量。

第二步：设置添加/删除邻区相应参数。（以下是建议值，可按需自行调整）

邻区上报数据采集时间：建议以n×24小时为周期；

邻区采集电平准入门限：与现网切换电平门限一致；

邻区删除门限：与现网切换电平门限一致。

第三步：添加外部小区PLMN黑名单。现网发现多起异常终端ReportCGI中PLMN/CGI/TAC全0的问题，可通过此参数进行规避。

第四步（可选）：设置频点级ANR指示。

如果现场存在不需要添加某个频点为邻区的场景，例如高铁场景、室分高层小区场景、多载波组网场景等，需要执行这一步。

应用举例：在高铁专网场景下（公专网异频），如果公网小区要开启ANR，且添加了高铁的异频频点（开启高速用户迁回时需要配置），需要设置不允许ANR自动添加高铁的异频邻区，防止公网用户切入专网造成拥塞。

数据采集实例：以系统内为例，开启ANR开关，跟踪n×24小时统计，能够统计到未添加邻区关系的小区测量次数，结合测量次数和小区间距，判断是否添加，注意避开高铁小区。查询外部小区，可以找到ANR自动添加的外部小区，ANR标识为“是”，且小区名称一般是空。经验证核对ANR添加的外部邻区频点、PCI、TAC与现网一致。

图2 系统内受控ANR数据采集实例

1 邻区漏配的发现和处理

根据4G协议中规定的终端规范，UE在检测到信号更强的PCI时，由于邻区漏配，又没有开启ANR功能，UE始终上报MR消息，eNodeB不会发RRC_COON_RECFG给UE，UE不能正常切换。利用大数据平台收集终端上报的MR消息，对满足切换条件的漏配邻区数据进行检测和优化处理。

根据对网管counter统计到的“无对应的、区关系导致无法发起同频/异频切换过程的次数”＞500,且其中切换成功率低于98%的情况，开启受控ANR。实际实施过程中，各地市上报的统计漏配邻区数据举例如下：

表2 各地市统计到的漏配邻区统计示例

1.1 同频漏配邻区的分析

开启受控ANR功能后跟踪72小时，共收集到未定义邻区数据120万条，筛选其中测量次数大于500的同频邻区信息，按照距离人工审核，城区距离小于1公里，郊区距离小于3公里的同频邻区，经纬度错误、越区覆盖、疑似伪基站等分析结果，甄别分类如下：

表3 各类同频邻区问题分析判别结果举例

占比最高的前三种是郊区距离大于3公里、城区距离小于1公里、郊区距离小于3公里的邻区。占比最高的郊区距离大于3公里，邻区占比达到5 4.4%。

图3 同频邻区甄别分类

1.2 同频邻区优化效果

累计添加2669个同频邻区后，有1590个小区提升明显，“总切换成功率”从99.32%提升至99.47%，“同频切换成功率”从99.35%提升至99.50%，“无对应的邻区关系导致无法发起同频切换过程的次数”从556.6万次下降至287.2万次，“同频切换次数从2825.7万次下降至2493.8万次”。另外，2月18日添加同频邻区并跟踪3天指标，切换成功率未明显抬升，发现存在TOP小区，删除了461条高失败的同频邻区（两两邻区对成功率小于90%），指标回升。

表4 同频邻区优化效果

图4 同频切换成功率变化趋势

1.3 异频漏配邻区的分析

开启ANR功能后跟踪72小时，共收集到未定义邻区数据83万条，提取了测量次数大于500的同频邻区信息，城区距离小区0.5公里，郊区距离小于2公里的同频邻区等，甄别分类如下：

表5 各类异频邻区问题分析判别结果举例

伪基站或索引不到 140邻区距离小于0.5公里 121邻区数目过多且测量上报次数低于1000 114异频点切换策略暂不添加 109本站邻区或共站址 15源小区经纬度错误 15邻区经纬度错误 9目标小区工参经纬度存在偏差 8合计 5607

占比最高的前三种是城区距离大于0.5公里、郊区距离大于2公里、目标小区是高铁小区。占比最高的城区距离大于0.5公里，邻区占比达到6 2.1%。

图5 异频邻区甄别分类

为优化异频测量策略（基于邻区数过多，以及部分终端测量频点能力不超过6个），省内要求异频测量邻区频点不多于5个，共计添加异频邻区举例如下：

表6 同频邻区按频点分类

1.4 异频邻区优化效果

使用受控ANR分析方式，累计添加同频邻区后，跟踪指标变化情况，添加了同频邻区的349个小区中，有235个小区同频切换成功率提升明显。无对应的邻区关系导致无法发起异频切换过程的次数，从日均82.9万次下降至47.1万次，日均异频切换次数维持在417万次左右，日均异频切换成功率从99.48%提升至99.63%。

表7 异频邻区优化效果

图6 异频切换成功率变化趋势

2 分析经纬度错误和越区覆盖

收集到的漏配邻区数据，由于是直接读取终端的上报消息，数据准确度很高。通过地理化呈现，可以推断出本小区的覆盖距离，从而发现是否越区覆盖。

对于规划经纬度错误导致邻区配错的基站，本小区与周边小区切换次数会很少，开启测量上报后会统计到大量的漏配邻区，通过漏配邻区的地理化呈现，可以发现经纬度错误问题，并大致推断出基站实际位置所在区域。

考虑到系统自动采集但对典型问题如伪基站数据、经纬度错误等是不能自动发现处理的，对邻区漏配和规划经纬度错误两种情况，均需要人工甄别判断，这是自动ANR和人工分析方式无法实现的功能。

2.1 基站经纬度错误

由于4G基站的覆盖距离多集中在3公里范围内（城区1公里，郊区3公里），对收集上报的漏配邻区，计算与本基站平均距离，对平均邻区距离超过8公里，且邻区分布较集中的情况，判断源小区可能经纬度错误。对发现的经纬度错误基站，发给地市维护人员核查确认，证实其中5个站工参经纬度错误，3个站属于越区覆盖较严重，对经纬度错误基站完善了邻区并更新了工参，越区覆盖的小区主要分布在山区，地市后续会现场调整，控制越区覆盖。

表8 分析出的经纬度错误基站示例

图7 源小区经纬度错误示意图

2.2 越区覆盖小区

与经纬度错误小区分析方法类似，分析漏配邻区与本小区站间距大于4-6公里的，判断本小区或邻小区越区覆盖，一般还要收集本基站和邻基站的实际站高、天馈下倾角等从而分析越区覆盖原因，发给地市进行现场勘查整改。大数据平台发现的越区覆盖小区，举例如下：

表9 分析出的越区覆盖邻区示例

图8 越区覆盖小区示意图

3 伪基站的发现和处理

现网对4G伪基站缺乏有效的分析发现手段，通常是测试分析发现。利用大数据平台分析漏配邻区数据可以辅助发现，具体实施过程，可以筛选出现网数据索引不到的eNBID-cellD，对不符合现网规划原则的（如eNodeBID是个位数的），判断其属于非本网络合法设备如伪基站的可能性较高，数据分析定位后，去现场扫频排查定位。疑似伪基站数据举例如下：

表10 分析出的伪基站数据示例

4 结论

利用受控ANR功能采集测量上报未定义邻区海量数据后，通过分析计算操作，精确定位现网的邻区漏配、疑似伪基站、越区覆盖等问题，有效提升切换成功率，为无线网络邻区优化提供精确数据依据，并辅助定位解决网络优化中的越区覆盖、规划经纬度错误、伪基站等问题。