基于MR大数据的EPS FB精准回落方案研究

王朝阳 袁亚男 钱国宝

1.中国移动通信集团江苏有限公司盐城分公司；2.扬州大学

0 引言

随着5G SA模式组网的商用，其独立组网下的语音解决方案也提上了日程。当前，主流的语音解决方案有三种，分别是双待机、EPS Fallback（Evolved Packet System Fallback，演进分组核心网回落，即回落到4G）、VoNR（Voice over New Radio，基于新空口语音）。其中，第一种是双待方案，即4G、5G同时驻留，但终端因为同时驻留两张网络，其终端复杂度、耗电量均较高，业内已取消该方案（主要在NSA模式下使用）；第二种方案是EPS Fallback，即平时驻留5G网络，当打电话时，通过EPS Fallback的方式返回4G LTE网络进行VoLTE语音业务呼叫。该方式可以解决终端耗电的问题，但同时因为流程的增加，对呼叫时延有一定影响；第三种方案是VoNR，该方案是目标解决方案，其语音业务完全在5G侧实现，可以获得更好的用户体验。

因为技术条件限制，当前网络尚未实现VoNR的部署，退而求其次，集团力推EPS Fallback方案，且已经在全网进行部署。基于现有商用网络部署情况，并考虑后续网络设备、终端设备等升级的影响，预计EPS Fallback的过渡期语音解决方案将长期存在。

SA组网下的EPS Fallback解决方案中，NR用户的语音业务和数据业务会同时回落到LTE网络，一方面会造成语音呼叫建立时延变长、另一方面基于LTE网络的数据业务速率相对于NR网络会降低。

本文提供一种基于MR大数据分析和XGBoost机器学习算法的EPS FB智慧化解决方案，改善EPS Fallback方案的回落成功率，降低回落时延，提高回落到高感知小区的几率，增强用户的语音感知。

1 方案原理

1.1 技术方案

方案分为两大模块，第一个模块是完成MR（Measurement Report，测量报告）大数据挖掘（主要有预处理、数据清洗、数据分析及信息提取）；第二个模块是通过机器学习完成数据打分处理（数据训练、模型保存、基于模型的数据打分、排序与过滤），输出频点优先级配置数据。最后，经过配置数据的校验、下发后，进行结果评估，并根据评估的结果判定是否满意来决定是否结束本次流程。当不满意时，可以再次启动本次流程。如图1所示。

图1 整体方案

1.2 技术原理

基于MR大数据和XGBoost机器学习算法的EPS FB精准回落主要包含三个任务，并主要由两大功能模块组成。

（1）MR大数据挖掘

MR大数据挖掘过程包含MR订阅采集、MR数据分析两个子任务，主要有MR数据收集、数据预处理、数据清洗、数据分析四大过程。

任务1：MR订阅采集。在网管上完成MR任务的订阅采集，由网管完成5G和4G的MR数据的持续采集。通过Python语言，开发数据自动采集小工具，实现数据的自动下载和解码。

任务2：MR数据分析。该任务主要由Mr Analysis模块完成，根据采集到MR数据，对数据进行预处理、数据清洗及分析。

数据预处理：主要完成MR数据从原始.xml.gz文件的解码，实现数据的格式化；

数据清洗：主要完成冗余数据、无效数据的删除，并提取有效的信息字段；

数据分析：主要完成信息字段的有效关联分析，从而获得频点级的特征数据，为打分做准备。

（2）AI打分

AI打分模块过程包含XGB模型训练、AI打分、排序和过滤三个子任务，均在AI Score模块中实现。

任务1：XGBoost模型训练。根据提取到的特征数据，进行XGBoost打分模型的训练，并保存模型数据。

任务2：AI打分。导入XGB模型，对待打分的特征数据做打分处理，输出每个NRcell-EARFCN的打分数据。

任务3：排序和过滤。根据该XGB打分结果进行倒序排列，根据输入条件做适当条件过滤，然后输出打分后的频点优先级配置方案。

（3）方案校验与下发

对于打分输出的方案进行数据校验，验证数据的合法性，然后通过网管提供的管理接口对配置数据进行下发。

（4）效果评估

完成数据配置后，需要持续跟踪各项指标的变化，若出现指标恶化情况，需要及时回退数据。

2 应用成果

该方案在盐城的滨海网格区域进行了区域规模试点，效果良好，基本实现预期目标。

2.1 滨海网格区域试点

试点前，已经完成基于MR大数据和XGBoost机器学习算法的流程打通。试点时，重新提取现网数据并输出方案。

（1）准备与方案输出

1）目标选取滨海网格区域作为试点区域，如图2所示；

图2 滨海网格区域图

2）5G MR数据采集（5G和4G异频）任务订阅；

3）当前已完成EPS FB流程的打通，基于此采集现网有效的5G和4G数据，输出EPS FB的打分数据；

4）根据现网的配置整理5G和4G回落优先级调整方案。

（2）拉网测试

拉网需要两轮，分别获取调整前、调整后的数据。前后测试路线、车速、测试计划配置等应保持一致。

（3）测试评估

应根据测试报告，进行调整前后的拉网测试对比，尤其注意EPS FB回落成功率、回落时长、回落后小区的RSRP/SINR指标。

如表1所示，SS RSRP和LTE RSRP、SINR调整后均有所提升。VoLTE的RTP丢包率主被叫分别下降0.71pp、0.35pp，有明显下降。整体指标较好。

表1 方案下发前后主被叫指标统计

如表2所示，EPS FB端到端呼叫建立时延均值由3.77秒下降到3.55秒，时延降低了0.22秒，效果良好。

表2 EPS FB端到端时延指标统计

如表3所示，重定向比例调整后有2.75%下降到0.91%，下降1.84pp，效果良好。

表3 重定向比例指标统计

调整后，回落频点从1301大幅向38400迁移，符合预期目标。如图3所示。

图3 回落频点分布

（4）KPI 指标

无线侧KPI统计指标如表4所示，EPSFB成功率由99.59%提升到99.81%。环比上升0.21pp、同比上升0.32pp；重定向数据中，重定向比例由10.81%下降到10.31%，环比下降0.50pp，同比下降0.67pp；因定时器超时发起的重定向占比2.08%下降到1.11%，环比下降0.64pp，同比下降0.91pp。总体效果良好，符合预期目标。

表4 KPI指标统计

（5）小结

根据滨海网格区域的试点结果，滨海网格区域回落后电平提升CRS RSRP平均提升2dB、RTP丢包率下降0.35pp以上、重定向占比下降1.84pp、端到端时延下降0.22s。KPI指标整体改善明显，达预期目标。

3 结束语

传统的网络部署中，一般采用大统一方案，无法做到精细化配置。该研究通过MR大数据分析方法解决了在实际网络配置中无法做到精准配置的问题。本研究的不足之处在于仅考虑电平指标，因协议中定义的异系统MR测量数据缺少异系统的SINR指标，无法确认目标小区的无线环境质量。但考虑到EPS FB仅仅作为4G、5G网络共存部署场景下的语音业务临时解决方案，将会被未来的VoNR取代，值得期待。