CN103731854A - 基于自组网son的网络状态划分方法、装置和网络系统 - Google Patents

Abstract

本发明的实施例提供一种基于自组网SON的网络状态划分方法、装置和网络系统，涉及通讯领域，能够降低网络问题维护成本提高网络问题解决效率，该方法包括：获取网络状态参数，所述网络状态参数包括：网络主要性能参数指标KPI、小区度量和控制参数；对所述网络状态参数进行变量降维；对所述变量降维后的网络状态参数进行分簇处理；根据所述分簇处理的结果对所述网络状态参数进行变化分析。

Description

基于自组网SON的网络状态划分方法、装置和网络系统

技术领域

本发明涉及通信领域，尤其涉及一种基于自组网SON的网络状态划分方法、装置和网络系统。 

背景技术

在蜂窝网络的运营与维护过程中，网络状态的获取是运营商通过网管系统的网络主要性能参数指标(Key Performance Indicator，简称KPI)统计获取统计值了解网络的当前运行状况，当网络KPI统计值超出运营商预先设置的范围，即网络性能不能达到预定指标时，由运维和网管人员通过经验分析方法，获知网络运行出现的那些网络参数配置不合理导致的问题。获取该信息后，网管人员根据经验值修改相应的网络参数并通过网管工具将网络参数配置到网络设备。重新配置后的网络设备在为用户提供服务的同时，不断进行网络KPI的统计并上报给网管系统。这种KPI统计上报、故障分析、参数配置、运行并统计KPI的操作不断循环，从而实现蜂窝网络的维护。 

在实现上述KPI统计的过程中，发明人发现只依靠KPI来表征的网络状态，不能反映出网络的问题所在，还要凭借人工来进行分析，因此需要大量人力成本的投入和相关的专家知识。而基站小型化趋势导致网络拥有庞大的网元数目，使得大量的网络性能统计报表和网络问题的复杂度急剧增加，因此仅以人力为主的网络维护方法既造成高额维护成本，又难以有效地准确定位和解决网络问题。 

发明内容

本发明的实施例提供一种基于自组网SON的网络状态划分方法、装置和网络系统，能够降低网络问题维护成本提高网络问题解决效率。 

为达到上述目的，本发明的实施例采用如下技术方案： 

第一方面，提供一种基于自组网SON的网络状态划分方法，包括： 

获取网络状态参数，所述网络状态参数包括：网络主要性能参数指标KPI、小区度量和控制参数； 

对所述网络状态参数进行变量降维； 

对所述变量降维后的网络状态参数进行分簇处理； 

根据所述分簇处理的结果对所述网络状态参数进行变化分析。 

在第一种可能的实现方式中，根据第一方面，所述获取网络状态参数包括： 

在预设的时间周期内对网络状态进行采样，获取在所述预设的时间周期内所述网络状态的网络状态参数； 

收集在所述预设的时间周期内预设个数的所述网络状态参数； 

保存所述预设个数的所述网络状态参数。 

在第二种可能的实现方式中，结合第一方面或第一种可能的实现方式，所述获取网络状态参数还包括： 

接收网络主要性能参数指标报警，获取所述网络主要性能参数指标报警对应的网络状态参数； 

在连续接收到的预设次数的所述网络主要性能参数指标报警对应的主要性能参数指标均大于预设的主要性能参数指标阈值时，保存所述预设次数次的网络主要性能参数指标报警对应的网络状态参数。 

在第三种可能的实现方式中，根据第一方面，所述对所述网络状态参数进行变量降维包括： 

删除所述网络状态参数中与所述控制参数弱相关的所述网络状态参数； 

在剩余的所述网络状态参数中筛选特征网络状态参数标识，所述特征网络状态参数标识为：剩余的所述网络状态参数中所述主要网络性能指标与所述小区度量的线性组合。 

在第四种可能的实现方式中，根据第四种可能的实现方式，所述删除所述网络状态参数中与控制参数弱相关的网络状态参数包括： 

运用互信息量计算方法检测所述网络状态参数的互相关性，删除与所述控制参数弱相关的所述网络状态参数。 

在第五种可能的实现方式中，结合第三种可能的实现方式或第四种可 能的实现方式，所述筛选特征网络状态变量的标识包括： 

在剩余的所述网络状态参数中采用主成分分析方法将具有强相关性的所述主要网络性能指标和所述小区度量组成的线性组合以一个主成分表征，并以所述主成分变量作为变量降维后的网络状态参数。 

在第六种可能的实现方式中，根据第一方面，所述对所述变量降维后的网络状态参数进行分簇处理包括： 

根据所述变量降维后的所述网络状态参数建立簇空间以及对应的分簇数据库，并使得每个簇中的所述网络状态参数与所述簇中的簇心网络状态参数的空间距离最小化； 

在各个簇中获取特征控制参数作为对应分簇的簇心标识。 

在第七种可能的实现方式中，根据第六种可能的实现方式，所述方法还包括： 

周期性或事件性触发重建所述簇空间，并更新对应的分簇数据库。 

在第八种可能的实现方式中，根据第一方面，所述根据所述分簇处理的结果对所述网络状态参数进行变化分析包括： 

判断当前采样点的网络状态参数分簇后所对应的簇心是否是在安全区域，所述安全区域是指簇心所对应的网络主要性能参数指标满足运营商设定的网络运行正常的要求的分簇； 

若是，则判断当前采样点与前一采样点的网络状态参数到分簇处理结果中所述当前采样点对应的分簇数据库中的簇心的成员概率的差值； 

若所述当前采样点和前一采样点到当前采样点所对应的簇心的成员概率的差值不小于零则确定所述网络的网络状态没有发生变化； 

若所述差值小于零则预测该当前采样点的网络状态参数在下一时刻迁移的簇； 

比较当前采样点所在的簇对应的特征控制参数和所述下一时刻迁移的簇对应的特征控制参数确定下一时刻需要调整的控制参数和调整方向。 

在第九种可能的实现方式中，根据第八种可能的实现方式，所述方法还包括： 

若否，则在当前分簇处理结果对应的分簇数据库中查询与当前小区度 量最近似的小区度量对应的簇的特征控制参数； 

比较所述当前分簇处理结果对应的分簇数据库中查询到的与当前小区度量最近似的小区度量对应的簇的特征控制参数与当前采样点所在的簇对应的特征控制参数，确定下一时刻需要调整的控制参数和调整方向。 

第二方面，提供一种网络状态分析装置，包括： 

网络状态NS获取模块，用于获取网络状态参数，所述网络状态参数包括：网络主要性能参数指标KPI、小区度量和控制参数； 

NS变量降维模块，用于对所述网络状态参数进行变量降维； 

NS分簇模块，用于对所述变量降维后的网络状态参数进行分簇处理； 

NS变化分析模块，用于根据所述分簇处理的结果对所述网络状态参数进行变化分析。 

在第一种可能的实现方式中，根据第二方面，所述网络状态NS获取模块包括： 

采样单元，用于在预设的时间周期内对网络状态进行采样，获取在所述预设的时间周期内所述网络状态的网络状态参数；收集在所述预设的时间周期内预设个数的所述网络状态参数； 

存储单元，用于保存所述预设个数的所述网络状态参数。 

在第二种可能的实现方式中，结合第一方面或第一种可能的实现方式，所述网络状态NS获取模块还包括： 

告警触发单元，用于接收网络主要性能参数指标报警，获取所述网络主要性能参数指标报警对应的网络状态参数； 

所述存储单元还用于在连续接收到的预设次数的所述网络主要性能参数指标报警对应的主要性能参数指标均大于预设的主要性能参数指标阈值时，保存所述预设次数次的网络主要性能参数指标报警对应的网络状态参数。 

在第三种可能的实现方式中，根据第二方面，所述NS变量降维模块包括： 

删除单元，用于删除所述网络状态参数中与所述控制参数弱相关的所述网络状态参数； 

筛选单元，用于在剩余的所述网络状态参数中筛选特征网络状态参数标识，所述特征网络状态参数标识为：剩余的所述网络状态参数中所述网络主要性能指标与所述小区度量的线性组合。 

在第四中可能的实现方式中，根据第三种可能的实现方式，所述删除单元具体用于运用互信息量计算方法检测所述网络状态参数的互相关性，删除与所述控制参数弱相关的所述网络状态参数。 

在第五种可能的实现方式中，结合第三种可能的实现方式或第四种可能的实现方式，所述筛选单元具体用于在剩余的所述网络状态参数中采用主成分分析方法将具有强相关性的所述主要网络性能指标和所述小区度量组成的线性组合以一个主成分表征，并以所述主成分变量作为变量降维后的网络状态参数。 

在第六种可能的实现方式中，根据第二方面，所述NS分簇模块包括： 

簇空间建立单元，用于根据所述变量降维后的所述网络状态参数建立簇空间以及对应的分簇数据库，并使得每个簇中的所述网络状态参数与所述簇中的簇心网络状态参数的空间距离最小化； 

簇心标识获取单元，用于在各个簇中获取特征控制参数作为对应分簇的簇心标识。 

在第七种可能的实现方式中，根据第六种可能的实现方式，所述NS分簇模块还包括： 

簇空间更新单元，用于周期性或事件性触发重建所述簇空间，并更新对应的分簇数据库。 

在第八种可能的实现方式中，根据第二方面，所述NS变化分析模块包括： 

网络状态判断单元，用于判断当前采样点的网络状态参数分簇后所对应的簇心是否是在安全区域，所述安全区域是指簇心所对应的网络主要性能参数指标满足运营商设定的网络运行正常的要求的分簇； 

分簇判断单元，用于若所述网络状态判断单元的判断结果为是，则判断当前采样点与前一采样点的网络状态参数到分簇处理结果中所述当前采样点对应的分簇数据库中的簇心的成员概率的差值； 

分簇预测单元，，用于若所述分簇判断单元的判断结果为所述当前采样点和前一采样点到当前采样点所对应的簇心的成员概率的差值不小于零则确定所述网络的网络状态没有发生变化；还用于若所述分簇判断单元的判断结果为所述差值小于零则预测该当前采样点的网络状态参数在下一时刻迁移的簇； 

网络状态调整单元，用于比较当前采样点所在的簇对应的特征控制参数和所述下一时刻迁移的簇对应的特征控制参数确定下一时刻需要调整的控制参数和调整方向。 

在第九种可能的实现方式中，根据第八种可能的实现方式， 

所述分簇判断单元还用于若所述网络状态判断单元的判断结果为否，则在当前分簇处理结果对应的分簇数据库中查询与当前小区度量最近似的小区度量对应的簇的特征控制参数； 

所述网络状态调整单元还用于比较所述当前分簇处理结果对应的分簇数据库中查询到的与当前小区度量最近似的小区度量对应的簇的特征控制参数与当前采样点所在的簇对应的特征控制参数，确定下一时刻需要调整的控制参数和调整方向。 

第三方面，提供一种网络系统，包括：至少一个网络状态分析装置，所述至少一个网络状态分析装置分别连接一个网构设备，所述至少一个网络状态分析装置连接至与所有所述网构设备连接的网络协调装置，所述网络状态分析装置用于自与其相连的所述网构设备获取网络状态参数，其中所述网络状态分析装置为上述的任一网络状态分析装置； 

所述协调装置用于将自网络状态分析装置获取的需要调整的控制参数和调整方向根据集中式处理或分布式处理原则下发配置到相应的所述网构设备。 

在第一种可能的实现方式中，结合第三方面，所述网构设备包括基站。 

本发明的实施例提供的基于自组网SON的网络状态划分方法、装置和网络系统，能够自动获取当前网络状态参数，并对所述网络状态参数进行变化分析，进而能够降低网络问题维护成本提高网络问题解决效率。 

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。 

图1为本发明的实施例提供的一种基于自组网SON的网络状态划分方法流程示意图； 

图2为本发明的另一实施例提供的一种基于自组网SON的网络状态划分方法的部分一流程示意图； 

图3为本发明的另一实施例提供的一种基于自组网SON的网络状态划分方法的部分二流程示意图； 

图4为本发明的另一实施例提供的一种基于自组网SON的网络状态划分方法的部分三流程示意图； 

图5为本发明的另一实施例提供的一种基于自组网SON的网络状态划分方法的部分四流程示意图； 

图6为本发明的实施例提供的一种网络状态分析装置的结构示意图； 

图7为本发明的实施例提供的另一种网络状态分析装置的结构示意图； 

图8为本发明的另一实施例提供的一种网络状态分析装置的结构示意图； 

图9为本发明的实施例提供的一种网络系统结构示意图。 

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。 

与现有网管系统中对网络状态的定义不同，本方案中网络状态的定义不仅限于网络主要性能参数指标(KPI)，还包括当前状态下的网络其他 信息。具体而言，网络状态包括网络KPI、小区度量；并与控制参数相关联，在下述的实施例中将网络KPI、小区度量及控制参数统称为网络状态参数。其中网络KPI包括吞吐量、呼损率、掉话率、切换性能参数等反映小区运行性能的网络性能指标；小区度量包括用户数、小区负载、干扰情况等反映当前小区业务分布和网络状况等度量值；控制参数包括基站(eNB)的发射功率、基站天线下倾角、小区切换参数等能通过SON实体控制基站本身或指示基站广播给用户的控制参数。在本方案中，网络KPI、小区度量和控制参数将由基站的SON实体进行联合处理以获取当前小区的网络状态。 

参照图1所示，一种基于自组网SON的网络状态划分方法，包括以下步骤： 

101、网络状态分析装置获取网络状态参数，所述网络状态参数包括：网络主要性能参数指标KPI、小区度量和控制参数； 

102、网络状态分析装置对所述网络状态参数进行变量降维； 

103、网络状态分析装置对所述变量降维后的网络状态参数进行分簇处理； 

104、网络状态分析装置根据所述分簇处理的结果对所述网络状态参数进行变化分析。 

本发明的实施例提供的基于自组网SON的网络状态划分方法，能够自动获取当前网络状态参数，并对所述网络状态参数进行变化分析，实现对网络状态的有效划分，辅助网络进行自动优化，进而能够降低网络问题维护成本提高网络问题解决效率。 

具体的，本发明的实施例提供的基于自组网SON的网络状态划分方法，包括如下步骤： 

201、网络状态分析装置获取网络状态参数，所述网络状态参数包括：网络主要性能参数指标KPI、小区度量和控制参数； 

这里网络状态分析装置可以通过与其连接的网构设备(如基站)中的网络状态采样获取基站测量或用户上报的网络状态参数的数值，其中，网络KPI包括吞吐量、呼损率、掉话率、切换性能参数等反映小区运行性能的网络性能指标；小区度量包括用户数、小区负载、干扰情况等反映当前 小区业务分布和网络状况等度量值；控制参数包括基站(eNB)的发射功率、基站天线下倾角、小区切换参数等能通过SON实体控制基站本身或指示基站广播给用户的控制参数。 

具体的，参照图2所示，步骤201包括： 

201a、网络状态分析装置在预设的时间周期内对网络状态进行采样，获取在所述预设的时间周期内所述网络状态的网络状态参数。 

这里即周期性的从与其相连的网络设备(如基站)获取对应小区的控制参数设置、网络KPI、以及对应的小区度量的数值。 

201b、网络状态分析装置收集在所述预设的时间周期内预设个数的所述网络状态参数。 

可以假设在上述的周期内获取M个网络状态参数的采样值，其中上述的时间周期和M值可以根据运营商的策略具体选定。 

201c、网络状态分析装置保存所述预设个数的所述网络状态参数。 

可选的，参照图2所示，步骤201还包括： 

201d、网络状态分析装置接收网络主要性能参数指标报警，获取所述网络主要性能参数指标报警对应的网络状态参数。 

201f、网络状态分析装置在连续接收到的预设次数的所述网络主要性能参数指标报警对应的主要性能参数指标均大于预设的主要性能参数指标阈值时，保存所述预设次数次的网络主要性能参数指标报警对应的网络状态参数。 

以上具体为在上述采样的时间周期内，当KPI超过预定的KPI阈值KPI_Thr时触发报警，并在连续的预设次数M’次采样的网络KPI值均超过KPI_Thr时，获取对应的M’次采样的网络状态参数，即控制参数、网络KPI及对应的小区度量，并将获取的网络状态参数保存，当然这里的KPI_TThr及M’可以有运营商根据具体的运营策略调整。 

202、网络状态分析装置对所述网络状态参数进行变量降维； 

具体的，参照图3所示，步骤202包括： 

202a、网络状态分析装置删除所述网络状态参数中与所述控制参数弱相关的所述网络状态参数。 

具体的实现方法是通过互信息量方法进行网络状态参数的互相关性检测，通过这种数据筛选方法，挑选出与控制参数弱相关的网络KPI变量并删除。具体而言，首先计算控制参数和网络KPI的互信息量I(如公式1给出求解两个变量X与Y的互信息量的计算方法，其中p(·)表示概率密度函数)。对于存在多维变量的矢量，如N维变量的矢量X与M维变量的矢量Y，公式2给出相应的互信息量计算方法。在本方案中控制参数CP矢量用x₁，...，x_N表示，网络KPI矢量用y₁，...，y_N表示。计算结果I(CP；KPI)表征控制参数和网络KPI的相互影响关系，数值越大表明两者相关性越高，数值越小表明两者相关性越低。给定阈值I_thr(该阈值大小可以根据运营商策略进行选择)，将相应计算出来I(CP，KPI_i)＜I_thr；i∈[1，...，M]的第i个网络KPI从采样用数据中删除，减少需要处理的变量数目。 

$I(X;Y)=\underset{x,y}{\mathrm{\Σ}}p(x,y)\log \frac{p(x,y)}{p\left(x\right)p\left(y\right)}$ 公式1 

$I(X_1,...,X_N;Y_1,...,Y_M)=\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}p(x_1,...x_N,y_1,...y_M)\log \frac{p(x_1,...x_N,y_1,...y_M)}{p(x_1,...x_N)p(y_1,...y_M)}$ 公式2 

该子步骤的目的是删除与控制参数弱相关的网络KPI，降低网络状态分析装置所需要处理的网络KPI变量数目，由于网络状态变量繁多，系统难以处理，通过变量降维，剔除与控制参数(CP)不相关的网络KPI；以便后续系统处理。由于经过步骤202a后的网络状态变量数目还有很多，而且这些变量中有很多是具有强相关性的，如果能把这些多个具有强相关性的网络状态变量使用较少的变量来表征，就能进一步降低网络状态分析装置需要处理的变量数目。 

202b、网络状态分析装置在剩余的所述网络状态参数中筛选特征网络状态参数标识，所述特征网络状态参数标识为：剩余的所述网络状态参数中所述网络主要性能指标与所述小区度量的线性组合。 

具体的，该步骤实现方法是通过主成分分析(Principle component analysis)方法，将强相关的网络KPI参数筛选出来，从而用少量的主成分来表征网络状态的特征变量。其基本原理是每个主成分对应于经过步骤202a降维后的网络KPI和小区度量的线性组合，运用主成分分析方法，将多个具有强相关性的网络KPI和小区度量用一个主成分来表征，从而进一步大大减少后续处理的网络状态参数。具体步骤如下： 

1)获取N个网络KPI和小区度量的M个样本，即获取M×N大小的原始数据χ＝[X₁，X₂，...，X_N]，其中X_n＝[x_n，1，x_n，2，...，x_n，M]^T，n∈[1，...，N]。 

2)对χ中每个列向量求均值

然后将原始数据χ减去各列的均值，获得新的M×N大小的数据  ${\mathrm{\χ}}^{\′}=[X_1^{\′},X_2^{\′},...,X_N^{\′}]=[X_1-{\stackrel{-}{X}}_1,X_2-{\stackrel{-}{X}}_2,...,X_N-{\stackrel{-}{X}}_N].$

3)计算χ′的协方差，生成N×N大小的协方差矩阵Cov(χ′)。 

4)根据该协方差矩阵Cov(χ′)计算出N×N个特征向量矩阵U，对应每个元素U_i，j，i&j∈[1，...，N]和对应的特征值u_i，i∈[1，...，N]；其中特征向量矩阵的每个列向量U_k，j，k＝1，...，N；j∈[1，...，N]是和特征值u_j相对应的特征向量。 

5)将特征向量U_k，j根据对应特征值从大到小排列，根据预设定的特征值阈值u_thr找出u_i＞u_thr，i＝1，...，N的前P个特征向量，即为P个主成分，生成N×P大小的特征向量矩阵

对应每个元素

k∈[1，...，N]；j∈[1，...，P] 

6)定义新的P×M大小的网络状态变量矩阵

用以使用P个主成分表示原有的网络状态矩阵χ：

至此，M×P大小的

就是将原有的采用数据映射到P个主成分上的新数据，用以在后续流程中描述网络状态。 

7)建立新的控制参数和网络状态的对应关系：将原来每一个网络状态采用点x_i，j，i∈[1，...，M]；j∈[1，...，N]和控制参数配置CP_k的对应关系变成新的网络状态采样点

j∈[1，...，P]和控制参数配置CP_k的对应关系。 

可见，通过步骤202b，原来N维的网络状态变量χ下降为P维的主成分变量

当需要还原原始数据时，具体的还原方法为：根据的特征矢量特性，从P维的网络状态变量

还原成N维的网络状态变量χ：  ${\mathrm{\χ}}^{\′T}={\left({\tilde{U}}^T\right)}^{-1}\×\widetilde{\mathrm{\χ}}=\tilde{U}\×\widetilde{\mathrm{\χ}};$ $\mathrm{\χ}=[X_1^{\′}+{\stackrel{-}{X}}_1,X_2^{\′}+{\stackrel{-}{X}}_2,...,X_N^{\′}+{\stackrel{-}{X}}_N].$

通过步骤202b能够筛选出能表征网络状态的特征网络状态参数，进而再次降低要处理的网络KPI变量和小区度量数目。 

203、网络状态分析装置对所述变量降维后的网络状态参数进行分簇处理； 

具体的，参照图4所示，步骤203包括： 

203a、根据所述变量降维后的所述网络状态参数建立簇空间以及对应的分簇数据库，并使得每个簇中的所述网络状态参数与所述簇中的簇心网络状态参数的空间距离最小化，具体步骤如下： 

1)建立初始分簇及分簇数据库，将经过步骤202后的主成分变量进行分簇，将具有相似特性的主成分变量分在一个簇中，以一个簇心来表征该簇内所有变量的特征。假设经过主成分分析后网络状态有Nc个簇

，对应地，该过程就是将M个主成分采样数据 

i∈[1，...，M]；j＝1，...，P划分到Nc簇中，其中N_C＜M。在簇空间中，每个主成分矩阵

的行向量

i∈[1，...，M]对应一个点，分簇就是把M个点分成为Nc个簇。具体地，分簇的原则就是在簇空间中，最小化每个点和簇心之间的空间距离，如公式3所示： 

$\underset{U,V}{\min }{J}^{\mathrm{\φ}}(U,V^{\mathrm{\φ}})$

$\mathrm{with}{J}^{\mathrm{\φ}}(U,V^{\mathrm{\φ}})=\underset{j=1}{\overset{\mathrm{Nc}}{\mathrm{\Σ}}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}\left|\right|\mathrm{\φ}\left({\tilde{X}}_i\right)-V_j^{\mathrm{\φ}}{\left|\right|}^2+\underset{j=1}{\overset{\mathrm{Nc}}{\mathrm{\Σ}}}{\mathrm{\η}}_j\underset{i=1}{\overset{M}{\mathrm{\Σ}}}(u_{\mathrm{ij}}\ln \left(u_{\mathrm{ij}}\right)-u_{\mathrm{ij}})$ 公式3 

其中，u_ij∈[0，1]表示样点

划分到簇心V_j的成员概率；U＝(u_ij：i＝1，...，M；j＝1，...，Nc)；V＝(v_j：j＝1，...，Nc)；V^φ是簇心集合V通过核函数(如高斯核函数)映射到特征空间的簇心集合；

表示样点

通过同一核函数映射到特征空间的新的样点；η_j是一个可自定义的模糊度参数，如0.1。对于公式3，当和

时，可找到最佳的分簇。 

具体的分簇步骤如下： 

步骤a：初始化分簇。通过观察样点

的分布，取出Nc个具有最大概率密度的样点值作为初始簇心。 

步骤b：初始化u_ij。即根据空间距离计算获得各个样点到初始簇心的初始成员概率。 

步骤c：通过迭代计算第t次的簇心和成员概率： 

$v_j^{\mathrm{\φ}}\left(t\right)={\left(\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}(t-1)\right)}^{-1}\·\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}(t-1)\mathrm{\φ}\left({\tilde{X}}_i\right)}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}(t-1)}$ 公式4 

$u_{\mathrm{ij}}\left(t\right)=\exp (-\frac{\left|\right|\mathrm{\φ}\left({\tilde{X}}_i\right)-v_j^{\mathrm{\φ}}\left(t\right)\left|\right|}{{\mathrm{\η}}_j})$ 公式5 

步骤d：当

(其中J_thr是一个预设定的阈值)时，返回步骤c迭代计算地第t+1次的簇心和成员概率；否则退出循环，得到每个簇心和各个样点到各簇心的成员概率。 

203b、周期性或事件性触发重建所述簇空间，并更新对应的分簇数据库。 

该过程的基本原理与步骤203a中初始分簇类似，即当为周期性重建所述簇空间并更新对应的分簇过程与步骤203a中初始分簇的过程是相同的； 

区别在于此时如果对应在步骤201中有数据库中保存有预设次数次的网络主要性能参数指标报警对应的网络状态参数时，则在步骤203b中除了已有的M_L个分簇样本

外，还有新的M_U个样本集合(即网络主要性能参数指标报警对应的网络状态参数样本)，其中M＝M_L+M_U。因此在新的分簇时，需要优化的函数为： 

$\underset{U,V}{\min }{J}^{\mathrm{\φ}}(U,V^{\mathrm{\φ}})$

$\mathrm{with}{J}^{\mathrm{\φ}}(U,V^{\mathrm{\φ}})=\underset{j=1}{\overset{\mathrm{Nc}}{\mathrm{\Σ}}}\underset{i=1}{\overset{M_L}{\mathrm{\Σ}}}({u^{\′}}_{\mathrm{ij}}-u_{\mathrm{ij}})\left(\right||\mathrm{\φ}\left({\tilde{X}}_i^L\right)-V_j^{\mathrm{\φ}}{\left|\right|}^2-\left|\right|\mathrm{\φ}\left({\tilde{X}}_i^L\right)-V_j^{\′\mathrm{\φ}}\left|{|}^2\right)+\underset{j=1}{\overset{\mathrm{Nc}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_U}{\mathrm{\Σ}}}{u^{\′}}_{\mathrm{ij}}\left|\right|\mathrm{\φ}\left({\tilde{X}}_i^U\right)-{V^{\′\mathrm{\φ}}}_j{\left|\right|}^2$ 公式6 

其中更新的分簇的的每个样点更新后的成员概率为u′_ij，相应地，更新的簇心为V′_j。 

203c、在各个簇中获取特征控制参数作为对应分簇的簇心标识。 

对网络状态分簇完成后，需要对每个簇的簇心进行标识。该子步骤的目的就是对每一个簇心使用一个典型的控制参数集来标识。假设经过主成分分析后网络状态有Nc个簇

，且每个簇有m_j个采样数据，则对应地，有

个控制参数组。最能表征簇C_j的控制参数就是在

中密度函数最大时所对应的控制参数

采用平均偏移(mean shift)的方法，就能在不需要知道离散采样值P_i的密度函数时直接获取密度最大时所对应的

从而以该特征控制参数标识每个分簇对应的簇心。 

在平均偏移方法中，主要采用核密度估计器方法来进行。在每个网络状态簇中，其核密度估计器为： 

个N_p×N_p的矩阵，称为带宽的平滑参数，N_p是每个P_i的元素数目。 

具体步骤为： 

1)对第j个簇获取该簇内的所有控制参数采样值

2)初始化核函数K_H(·)； 

3)设定一个很小的数值δ，并设定

且在

中任意初始化一个特征控制参数CP^t-1； 

4)当时，计算 

$M_{h,G}^t=\frac{{\mathrm{\Σ}}_{i=1}^{m_j}{P}_i\·G\left(\frac{{\hat{P}}^{t-1}-P_i}{h}\right)}{{\mathrm{\Σ}}_{i=1}^{m_j}G\left(\frac{{\hat{P}}^{t-1}-P_i}{h}\right)}-{\hat{P}}^{t-1},$ 并更新 ${\hat{P}}^t={\hat{P}}^{t-1}+M_{h,G}^t;$

5)不断迭代更新步骤4)，直到

即

与

相互收敛。此时

作为表征第j个簇的特征控制参数； 

6)重复步骤1)至5)，遍历所有的簇，获取所有簇的簇心标识。 

204、根据所述分簇处理的结果对所述网络状态参数进行变化分析。 

具体的参照5所示，步骤204具体包括： 

204a、判断当前采样点的网络状态参数分簇后所对应的簇心是否是在安全区域； 

其中安全区域是指簇心所对应的网络KPI满足运营商设定的网络运行正常的要求，以表明网络运行良好。 

204b、若是，则判断当前采样点与前一采样点的网络状态参数到分簇处理结果中所述当前采样点对应的分簇数据库中的簇心的成员概率的差值； 

网络状态的变化预测过程体现在图5的左侧流程，即当前采样网络状态点处于安全区域(即当前采样点的网络状态参数所在簇对应的簇心的KPI是满足运营商所设定的网络运行正常的要求，即J′＝J^*，其中J′为对应当前采样点对应的分簇的簇心标识，其中J′＝arg max_j U_i，j，J^*为数据库中安全区域所对应的簇心)时，计算前一采样点(对应时刻i-1)和当前采样点(对应时刻i)到当前采样点对应的簇心的成员概率的差值dU_i，j。 

204c、若所述当前采样点和前一采样点到当前采样点所对应的簇心的成员概率差值不小于零则确定所述网络的网络状态没有发生变化，以便进入下一个采样点的网络状态判断。 

具体的如果在连续T时间内前一采样点和后一采样点所对应的dU_i，j′都不会小于0，即随着时间迁移，网络状态处于簇j′的成员概率不会变小，也就是说，网络状态没有变化到其他簇的倾向，这时认为网络状态不会发生变化，此时可以进入下一个采样点的网络状态判断。 

204d、若所述差值小于零则预测该当前采样点的网络状态参数在下一时刻迁移的簇； 

如果在连续T时间内前一采样点和后一采样点所对应的dU_i，j′小于0，即随着时间迁移，网络状态处于簇j′的成员概率在不断变小，也就是说，网络状态发生了变化到其他簇的倾向。这时需要预测网络状态的变化。 

204e、比较当前采样点所在的簇对应的特征控制参数和所述下一时刻迁移的簇对应的特征控制参数确定下一时刻需要调整的控制参数和调整方向。 

如图5所示，此时需要预测在所有可能的簇中，下一时刻网络状态最可能迁移到的簇j″＝arg max_j{α₁·U_i，j+α₂·dU_i，j}，其中α₁和α₂是可调参数，由运营商的策略决定。对于如何计算下一时刻最可能前一到的簇的方法，也可采用其他形式。当计算获得j″后，SON实体比较当前网络状态所对应的簇的特征控制参数P^*以及预测的下一时刻网络状态所对应的簇的特征控制参数P_j″，从而获知下一时刻需要调整的控制参数和调整方向。 

可选的，还包括以下步骤： 

204f、若否，则在当前分簇处理结果对应的分簇数据库中查询与当前小区度量最近似的小区度量对应的簇的特征控制参数； 

204g、比较当前分簇处理结果对应的分簇数据库中查询到的与当前小区度量最近似的小区度量对应的簇的特征控制参数与当前采样点所在的簇对应的特征控制参数，确定下一时刻需要调整的控制参数和调整方向。 

即网络问题的检测过程体现在图5的右侧流程，即当当前采样网络状态点并不处于安全区域(即j′≠j^*)时，则网络状态分析装置直接在网络状态分簇数据库中查找和当前小区度量Ei最相似的小区度量所对应的安全区(P^*，K^*)的簇心标识P^*，通过比较当前的问题状态所对应的簇的簇心标识P_j′和P^*，即可获知下一时刻需要调整的控制参数和调整方向。 

经过步骤4后，各小区的网络状态分析装置获知了本小区状态信息，并能预测本小区是否会发生问题，或者检测出本小区存在问题。至此，各小区网络状态分析装置能对本小区状态进行有效划分，并能将结果上报给上一级的网络协调装置，由上一级的网络协调装置对各个小区上报的结果进行综合处理，并指示各个小区所属的基站的执行具体操作。当然这里的网络状态分析装置可以理解为自组网网络系统中的一个SON实体，而上一级的网络协调装置为位于e协调器中的SON实体。 

本发明的实施例提供的基于自组网SON的网络状态划分方法，能够自动获取当前网络状态参数，并对所述网络状态参数进行变化分析，实现对网络状态的有效划分，进而能够降低网络问题维护成本提高网络问题解决效率。 

本发明的实施例提供一种网络状态分析装置6，包括：网络状态NS获取模块61、NS变量降维模块62、NS分簇模块63和NS变化分析模块64，其中： 

网络状态NS获取模块61，用于获取网络状态参数，所述网络状态参数包括：网络主要性能参数指标KPI、小区度量和控制参数； 

NS变量降维模块62，用于对所述网络状态参数进行变量降维； 

NS分簇模块63，用于对所述变量降维后的网络状态参数进行分簇处理； 

NS变化分析模块64，用于根据所述分簇处理的结果对所述网络状态参数进行变化分析。 

具体的，参照图7所示，所述网络状态NS获取模块61包括：采样 单元611和存储单元612，其中： 

采样单元611，用于在预设的时间周期内对网络状态进行采样，获取在所述预设的时间周期内所述网络状态的网络状态参数；收集在所述预设的时间周期内预设个数的所述网络状态参数； 

存储单元612，用于保存所述预设个数的所述网络状态参数。 

可选的，所述网络状态NS获取模块61还包括告警触发单元613，其中，告警触发单元613，用于接收网络主要性能参数指标报警，获取所述网络主要性能参数指标报警对应的网络状态参数。 

所述存储单元612还用于在连续接收到的预设次数的所述网络主要性能参数指标报警对应的主要性能参数指标均大于预设的主要性能参数指标阈值时，保存所述预设次数次的网络主要性能参数指标报警对应的网络状态参数。 

具体的，所述NS变量降维模块62包括：删除单元621和筛选单元622，其中： 

删除单元621，用于删除所述网络状态参数中与所述控制参数弱相关的所述网络状态参数； 

筛选单元622，用于在剩余的所述网络状态参数中筛选特征网络状态参数标识，所述特征网络状态参数标识为：剩余的所述网络状态参数中所述网络主要性能指标与所述小区度量的线性组合。 

可选的所述删除单元621具体用于运用互信息量计算方法检测所述网络状态参数的互相关性，删除与所述控制参数弱相关的所述网络状态参数。 

可选的，所述筛选单元622具体用于在剩余的所述网络状态参数中采用主成分分析方法将具有强相关性的所述主要网络性能指标和所述小区度量组成的线性组合以一个主成分表征，并以所述主成分变量作为变量降维后的网络状态参数。 

具体的，所述NS分簇模块63包括：簇空间建立单元631和簇心标识获取单元632，其中： 

簇空间建立单元631，用于根据所述变量降维后的所述网络状态参数 建立簇空间以及对应的分簇数据库，并使得每个簇中的所述网络状态参数与所述簇中的簇心网络状态参数的空间距离最小化； 

簇心标识获取单元632，用于在各个簇中获取特征控制参数作为对应分簇的簇心标识。 

可选的，所述NS分簇模块63还包括： 

簇空间更新单元633，用于周期性或事件性触发重建所述簇空间，并更新对应的分簇数据库。 

具体的所述NS变化分析模块64包括：网络状态判断单元641、分簇判断单元642、分簇预测单元643和网络状态调整单元644，其中： 

网络状态判断单元641，用于判断当前采样点的网络状态参数分簇后所对应的簇心是否是在安全区域，安全区域是指簇心所对应的网络主要性能参数指标满足运营商设定的网络运行正常的要求的分簇； 

分簇判断单元642，用于若所述网络状态判断单元641的判断结果为是，则判断当前采样点与前一采样点的网络状态参数到分簇处理结果中所述当前采样点对应的分簇数据库中的簇心的成员概率的差值； 

分簇预测单元643，用于若所述分簇判断单元的判断结果为所述当前采样点和前一采样点到当前采样点所对应的簇心的成员概率的差值不小于零则确定所述网络的网络状态没有发生变化；还用于若所述分簇判断单元642的判断结果为所述差值小于零则预测该当前采样点的网络状态参数在下一时刻迁移的簇； 

网络状态调整单元644，用于比较当前采样点所在的簇对应的特征控制参数和所述下一时刻迁移的簇对应的特征控制参数确定下一时刻需要调整的控制参数和调整方向。 

可选的，所述分簇判断单元642还用于若所述网络状态判断单元的判断结果为否，则在当前分簇处理结果对应的分簇数据库中查询与当前小区度量近似的小区度量对应的簇的特征控制参数。 

所述网络状态调整单元644还用于比较所述当前分簇处理结果对应的分簇数据库中查询到的与当前小区度量最近似的小区度量对应的簇的特征控制参数与当前采样点所在的簇对应的特征控制参数，确定下一时刻需要调整的控制参数和调整方向。 

本发明的实施例提供的网络状态分析装置，能够自动获取当前网络状态参数，并对所述网络状态参数进行变化分析，实现对网络状态的有效划分，进而能够降低网络问题维护成本提高网络问题解决效率。 

本发明的实施例提供网络状态分析装置7，如图8所示，包括：处理器71和存储器72，及与处理器71和存储器72连接的至少一个入口端73和至少一个出口端74，其中， 

处理器71用于通过至少一个入口端73获取网络状态参数，该网络状态参数包括：网络主要性能参数指标KPI、小区度量和控制参数； 

处理器71还用于对网络状态参数进行变量降维； 

处理器71还用于对变量降维后的网络状态参数进行分簇处理； 

处理器71还用于根据分簇处理的结果对网络状态参数进行变化分析。 

具体的，处理器71用于在预设的时间周期内通过至少一个入口端73对网络状态进行采样，获取在预设的时间周期内网络状态的网络状态参数；收集在预设的时间周期内预设个数的网络状态参数；存储器72用于保存预设个数的网络状态参数。 

可选的，处理器71还用于通过至少一个入口端73接收网络主要性能参数指标报警，获取该网络主要性能参数指标报警对应的网络状态参数。 

存储器72还用于在处理器71连续接收到的预设次数的网络主要性能参数指标报警对应的主要性能参数指标均大于预设的主要性能参数指标阈值时，保存预设次数次的网络主要性能参数指标报警对应的网络状态参数。 

具体的处理器71还用于删除网络状态参数中与控制参数弱相关的网络状态参数；并在剩余的网络状态参数中筛选特征网络状态参数标识，特征网络状态参数标识为：剩余的网络状态参数中网络主要性能指标与小区度量的线性组合。 

可选的，处理器71具体用于运用互信息量计算方法检测网络状态参数的互相关性，删除与控制参数弱相关的网络状态参数；处理器71具体还用于在剩余的网络状态参数中采用主成分分析方法将具有强相关性的主要网络性能指标和小区度量组成的线性组合以一个主成分表征，并以主 成分变量作为变量降维后的网络状态参数。 

具体的处理器71用于根据变量降维后的网络状态参数在存储器72中建立簇空间以及对应的分簇数据库，并使得每个簇中的网络状态参数与簇中的簇心网络状态参数的空间距离最小化；处理器71还用于在各个簇中通过至少一个入口端73获取特征控制参数作为对应分簇的簇心标识。 

处理器71还用于周期性或事件性触发重建簇空间，并更新存储器中对应的分簇数据库。 

处理器71用于判断当前采样点的网络状态参数分簇后所对应的簇心是否是在安全区域，安全区域是指簇心所对应的网络主要性能参数指标满足运营商设定的网络运行正常的要求的分簇；若网络状态判断单元的判断结果为是，则判断当前采样点与前一采样点的网络状态参数到分簇处理结果中所述当前采样点对应的分簇数据库中的簇心的成员概率的差值；若分簇判断单元的判断结果为当前采样点和前一采样点到当前采样点所对应的簇心的成员概率的差值不小于零则确定网络的网络状态没有发生变化；还用于若分簇判断单元的判断结果为该差值小于零则预测该当前采样点的网络状态参数在下一时刻迁移的簇；比较当前采样点所在的簇对应的特征控制参数和下一时刻迁移的簇对应的特征控制参数确定下一时刻需要调整的控制参数和调整方向。 

可选的处理器71还用于若判断结果为否，则在当前分簇处理结果对应的分簇数据库中查询与当前小区度量最近似的小区度量对应的簇的特征控制参数；比较当前分簇处理结果对应的分簇数据库中查询到的与当前小区度量最近似的小区度量对应的簇的特征控制参数与当前采样点所在的簇对应的特征控制参数，确定下一时刻需要调整的控制参数和调整方向。 

本发明的实施例提供的网络状态分析装置，能够自动获取当前网络状态参数，并对所述网络状态参数进行变化分析，实现对网络状态的有效划分，进而能够降低网络问题维护成本提高网络问题解决效率。 

参照图9所示，本发明的实施例提供一种网络系统，包括：至少一个网络状态分析装置81，至少一个网络状态分析装置81分别连接一个网构设备82，至少一个网络状态分析装置81连接至与所有网构设备82连接的网络协调装置83，至少一个网络状态分析装置81用于自与其相连的网构 设备82获取网络状态参数，其中至少一个网络状态分析装置81为上述实施例中的任一网络状态分析装置。 

协调装置83用于将至少一个网络状态分析装置81获取的需要调整的控制参数和调整方向根据集中式处理或分布式处理原则下发配置到相应的网构设备83，以便网构设备83实时调整当前网络状态。 

可选的，该网构设备包括基站。 

如表8所示，这里网络协调装置83采用位于e协调器中的SON实体实现，e协调器收集到各个小区对应的网络状态分析装置81上报的小区状态变化结果后进行分析，并根据集中式处理或者分布式处理的策略分别进行不同的处理，如所示具体处理流程。处理完成后，对于集中式处理策略，e协调器将处理后的小区控制参数调整结果下发配置到问题小区及其相邻小区；对于分布式处理策略，e协调器将仅指示问题小区及其相邻小区进行协调处理，具体的控制参数设置由各个小区的SON实体分布式完成，具体过程如下包括： 

a、网络状态分析装置将确定的下一时刻需要调整的控制参数和调整方向发送至e协调器； 

b、e协调器对所有网络状态分析装置上报的下一时刻需要调整的控制参数和调整方向进行分析； 

c、e协调器判断是否存在相邻的潜在问题小区； 

d、若不存在相邻的潜在问题小区，则e协调器判断是否进行集中式处理； 

e、若按照集中式处理，则e协调器对问题小区及相邻的周边邻小区集中进行参数优化，并下发处理后的小区控制参数下发至对应的至基站配置问题小区及其相邻小区； 

f、若按照分布式处理，则e协调器指示对应的基站将问题小区及其相邻小区进行协调处理； 

g、若存在相邻的潜在问题小区，则e协调器将所有问题小区根据位置进行分组； 

h、e协调器判断各个组内的问题小区是否存在调整冲突； 

i、若存在调整冲突，则e协调器对组内的问题小区进行整体性能优化然判断是否进行集中式处理； 

j、若不存在调整冲突，则e协调器直接判断是否进行集中式处理； 

k、若按照集中式处理，则e协调器对问题小区及相邻的周边邻小区集中进行参数优化，并下发处理后的小区控制参数下发至对应的至基站配置问题小区及其相邻小区； 

h、若按照分布式处理，则e协调器指示对应的基站将问题小区及其相邻小区进行协调处理。 

本发明的实施例提供的网络系统，能够自动获取当前网络状态参数，并对所述网络状态参数进行变化分析，实现对网络状态的有效划分，进而能够降低网络问题维护成本提高网络问题解决效率。 

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。 

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。 

Claims (22)

1.一种基于自组网SON的网络状态划分方法，其特征在于，包括：

获取网络状态参数，所述网络状态参数包括：网络主要性能参数指标KPI、小区度量和控制参数；

对所述网络状态参数进行变量降维；

对所述变量降维后的网络状态参数进行分簇处理；

根据所述分簇处理的结果对所述网络状态参数进行变化分析。

2.根据权利要求1所述的方法，其特征在于，所述获取网络状态参数包括：

在预设的时间周期内对网络状态进行采样，获取在所述预设的时间周期内所述网络状态的网络状态参数；

收集在所述预设的时间周期内预设个数的所述网络状态参数；

保存所述预设个数的所述网络状态参数。

3.根据权利要求1或2所述的方法，其特征在于，所述获取网络状态参数还包括：

接收网络主要性能参数指标报警，获取所述网络主要性能参数指标报警对应的网络状态参数；

在连续接收到的预设次数的所述网络主要性能参数指标报警对应的网络主要性能参数指标均大于预设的网络主要性能参数指标阈值时，保存所述预设次数的网络主要性能参数指标报警对应的网络状态参数。

4.根据权利要求1所述的方法，其特征在于，所述对所述网络状态参数进行变量降维包括：

删除所述网络状态参数中与所述控制参数弱相关的所述网络状态参数；

在剩余的所述网络状态参数中筛选特征网络状态参数标识，所述特征网络状态参数标识为：剩余的所述网络状态参数中所述网络主要性能参数指标与所述小区度量的线性组合。

5.根据权利要求4所述的方法，其特征在于，所述删除所述网络状态参数中与控制参数弱相关的网络状态参数包括：

运用互信息量计算方法检测所述网络状态参数的互相关性，删除与所述控制参数弱相关的所述网络状态参数。

6.根据权利要求4或5所述的方法，其特征在于，所述筛选特征网络状态变量的标识包括：

在剩余的所述网络状态参数中采用主成分分析方法将具有强相关性的所述网络主要性能参数指标和所述小区度量组成的线性组合以一个主成分表征，并以所述主成分变量作为变量降维后的网络状态参数。

7.根据权利要求1所述的方法，其特征在于，所述对所述变量降维后的网络状态参数进行分簇处理包括：

根据所述变量降维后的所述网络状态参数建立簇空间以及对应的分簇数据库，并使得每个簇中的所述网络状态参数与所述簇中的簇心网络状态参数的空间距离最小化；

在各个簇中获取特征控制参数作为对应分簇的簇心标识。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

周期性或事件性触发重建所述簇空间，并更新对应的分簇数据库。

9.根据权利要求1所述的方法，其特征在于，所述根据所述分簇处理的结果对所述网络状态参数进行变化分析包括：

判断当前采样点的网络状态参数分簇后所对应的簇心是否是在安全区域，所述安全区域是指簇心所对应的网络主要性能参数指标满足运营商设定的网络运行正常的要求的分簇；

若是，则判断当前采样点与前一采样点的网络状态参数到分簇处理结果中所述当前采样点对应的分簇数据库中的簇心的成员概率的差值；

若所述当前采样点和前一采样点到所述当前采样点所对应的簇心的成员概率的差值不小于零则确定所述网络的网络状态没有发生变化；

若所述差值小于零则预测该当前采样点的网络状态参数在下一时刻迁移的簇；

比较当前采样点所在的簇对应的特征控制参数和所述下一时刻迁移的簇对应的特征控制参数确定下一时刻需要调整的控制参数和调整方向。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

若否，则在当前分簇处理结果对应的分簇数据库中查询与当前小区度量最近似的小区度量对应的簇的特征控制参数；

比较所述当前分簇处理结果对应的分簇数据库中查询到的与当前小区度量最近似的小区度量对应的簇的特征控制参数与当前采样点所在的簇对应的特征控制参数，确定下一时刻需要调整的控制参数和调整方向。

11.一种网络状态分析装置，其特征在于，包括：

网络状态NS获取模块，用于获取网络状态参数，所述网络状态参数包括：网络主要性能参数指标KPI、小区度量和控制参数；

NS变量降维模块，用于对所述网络状态参数进行变量降维；

NS分簇模块，用于对所述变量降维后的网络状态参数进行分簇处理；

NS变化分析模块，用于根据所述分簇处理的结果对所述网络状态参数进行变化分析。

12.根据权利要求11所述的装置，其特征在于，所述网络状态NS获取模块包括：

采样单元，用于在预设的时间周期内对网络状态进行采样，获取在所述预设的时间周期内所述网络状态的网络状态参数；收集在所述预设的时间周期内预设个数的所述网络状态参数；

存储单元，用于保存所述预设个数的所述网络状态参数。

13.根据权利要求11或12所述的装置，其特征在于，所述网络状态NS获取模块还包括：

告警触发单元，用于接收网络主要性能参数指标报警，获取所述网络主要性能参数指标报警对应的网络状态参数；

所述存储单元还用于在连续接收到的预设次数的所述网络主要性能参数指标报警对应的主要性能参数指标均大于预设的主要性能参数指标阈值时，保存所述预设次数次的网络主要性能参数指标报警对应的网络状态参数。

14.根据权利要求11所述的装置，其特征在于，所述NS变量降维模块包括：

删除单元，用于删除所述网络状态参数中与所述控制参数弱相关的所述网络状态参数；

筛选单元，用于在剩余的所述网络状态参数中筛选特征网络状态参数标识，所述特征网络状态参数标识为：剩余的所述网络状态参数中所述网络主要性能指标与所述小区度量的线性组合。

15.根据权利要求14所述的装置，其特征在于，所述删除单元具体用于运用互信息量计算方法检测所述网络状态参数的互相关性，删除与所述控制参数弱相关的所述网络状态参数。

16.根据权利要求14或15所述的装置，其特征在于，所述筛选单元具体用于在剩余的所述网络状态参数中采用主成分分析方法将具有强相关性的所述主要网络性能指标和所述小区度量组成的线性组合以一个主成分表征，并以所述主成分变量作为变量降维后的网络状态参数。

17.根据权利要求11所述的装置，其特征在于，所述NS分簇模块包括：

簇空间建立单元，用于根据所述变量降维后的所述网络状态参数建立簇空间以及对应的分簇数据库，并使得每个簇中的所述网络状态参数与所述簇中的簇心网络状态参数的空间距离最小化；

簇心标识获取单元，用于在各个簇中获取特征控制参数作为对应分簇的簇心标识。

18.根据权利要求17所述的装置，其特征在于，所述NS分簇模块还包括：

簇空间更新单元，用于周期性或事件性触发重建所述簇空间，并更新对应的分簇数据库。

19.根据权利要求11所述的装置，其特征在于，所述NS变化分析模块包括：

网络状态判断单元，用于判断当前采样点的网络状态参数分簇后所对应的簇心是否是在安全区域，所述安全区域是指簇心所对应的网络主要性能参数指标满足运营商设定的网络运行正常的要求的分簇；

分簇判断单元，用于若所述网络状态判断单元的判断结果为是，则判断当前采样点与前一采样点的网络状态参数到分簇处理结果中所述当前采样点对应的分簇数据库中的簇心的成员概率的差值；

分簇预测单元，用于若所述分簇判断单元的判断结果为所述当前采样点和前一采样点到当前采样点所对应的簇心的成员概率的差值不小于零则确定所述网络的网络状态没有发生变化；还用于若所述分簇判断单元的判断结果为所述差值小于零则预测该当前采样点的网络状态参数在下一时刻迁移的簇；

网络状态调整单元，用于比较当前采样点所在的簇对应的特征控制参数和所述下一时刻迁移的簇对应的特征控制参数确定下一时刻需要调整的控制参数和调整方向。

20.根据权利要求19所述的装置，其特征在于，

所述分簇判断单元还用于若所述网络状态判断单元的判断结果为否，则在当前分簇处理结果对应的分簇数据库中查询与当前小区度量最近似的小区度量对应的簇的特征控制参数；

所述网络状态调整单元还用于比较所述当前分簇处理结果对应的分簇数据库中查询到的与当前小区度量最近似的小区度量对应的簇的特征控制参数与当前采样点所在的簇对应的特征控制参数，确定下一时刻需要调整的控制参数和调整方向。

21.一种网络系统，其特征在于，包括：至少一个网络状态分析装置，所述至少一个网络状态分析装置分别连接一个网构设备，所述至少一个网络状态分析装置连接至与所有所述网构设备连接的网络协调装置，所述网络状态分析装置用于自与其相连的所述网构设备获取网络状态参数，其中所述网络状态分析装置为权利要求11～20所述的任一网络状态分析装置；

所述协调装置用于将自网络状态分析装置获取的需要调整的控制参数和调整方向根据集中式处理或分布式处理原则下发配置到相应的所述网构设备。

22.根据权利要求21所述的网络系统，其特征在于，所述网构设备包括基站。

Images