CN105636071A - 系统容量的预测方法及装置 - Google Patents
系统容量的预测方法及装置 Download PDFInfo
- Publication number
- CN105636071A CN105636071A CN201410615977.4A CN201410615977A CN105636071A CN 105636071 A CN105636071 A CN 105636071A CN 201410615977 A CN201410615977 A CN 201410615977A CN 105636071 A CN105636071 A CN 105636071A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- traffic model
- system capacity
- power system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种系统容量的预测方法及装置,其中,所述预测方法包括:获取对系统容量进行预测的预测指标,其中,所述预测指标通过移动通信网综合专家系统ⅡCNO2现有性能指标与预定值确定,所述预定值用于表征所述CNO2在待进行预测的时间段内的性能指标变化值;根据所述预测指标对所述系统容量进行预测。采用本发明提供的上述技术方案,解决了相关技术中不能实现提前预测系统容量,进而容易导致网络不稳定的严重后果的问题,从不同网元层次展现网络未来的运行状态,运营商可以尽早发现网络问题,并及时解决,避免网络不稳定带来的严重后果。
Description
技术领域
本发明涉及通信领域,具体而言,涉及一种系统容量的预测方法及装置。
背景技术
一个系统的容量能够直接反映网络系统容纳用户数量的能力,所以,移动运营商特别关注系统容量。一般说来,容量越大,系统容纳的用户数量就越多。然而,随着用户的增多,系统的负载也在随着加大。当用户数增加至某一上限值时,容量也就更加容易接近系统上限,此时的网络系统将变得不稳定,不稳定的网络给运营商带来的后果通常是灾难性的。
为直观展现网络运行状态,移动通信网综合专家系统II(MobileCommunicationNetworkIntegratedExpertOfficeII,,简称为CNO2,又称为电信网管系统)设计了一套性能指标,它的数据是经采样网络设备数据,并能够通过各种统计方法处理,上述性能指标真实反映了当前网络的运行状态。而性能指标按网元类型可分为BSSB(全局网元类型,属于BSC层(基站控制器)),基站收发台(BaseTransceiverStation,简称为BTS)、CELL(小区)等级别,BSSB指标具有全局性,数据汇总到局,如“1X:全局CS掉话率(%)”;BTS指标数据汇总到基站,如“1X:BTS无线资源利用率(%)”;CELL指标数据则汇总到小区,如“1X:小区CS掉话率(%)”。不同网元级别的指标,从不同层次展示了系统运行状态。
针对相关技术中,不能实现提前预测系统容量,进而容易导致网络不稳定的严重后果的问题,尚无有效的技术方案。
发明内容
为了解决上述技术问题,本发明提供了一种系统容量的预测方法及装置。
根据本发明的一个方面,提供了一种系统容量的预测方法,包括:获取对系统容量进行预测的预测指标,其中,所述预测指标通过移动通信网综合专家系统ⅡCNO2现有性能指标与预定值确定,所述预定值用于表征所述CNO2在待进行预测的时间段内的性能指标变化值;根据所述预测指标对所述系统容量进行预测。
优选地,所述性能指标变化值包括:在所述待进行预测的时间段内的用户增长数量。
优选地,根据所述预测指标对所述系统容量进行预测包括:根据所述预测指标确定所述预定指标的统计数据;根据所述统计数据对所述系统容量进行预测分析。
优选地,根据所述统计数据对所述系统容量进行预测分析包括:将所述统计数据分为三层处理,所述处理过程包括:将所述预测指标作为所述统计数据的第一层数据;根据所述第一层数据计算出系统中当前指定预测指标,并将其作为第二层数据;根据所述第一层数据计算出当前全局预测指标的值,其中,所述全局预测指标用于预测当前系统的容量。
优选地,根据所述统计数据对所述系统容量进行预测分析,包括:对所述统计数据建立巡检项目;通过执行所述巡检项目生成对所述系统容量分析的结果。
优选地,所述巡检项目包括:现网话务模型、现网容量分析、预测话务模型、预测容量分析,其中,所述现网话务模型包括:1X语音话务模型、1X短消息话务模型、1X数据话务模型、一键通PTT话务模型、纯媒体流数据(DataOnly,简称为DO)话务模型;所述现网容量分析包括:忙时试呼次数BHCA容量分析、话务量容量分析、吞吐量容量分析;所述预测话务模型包括:1X语音预测话务模型、1X短消息预测话务模型、1X数据预测话务模型、PTT预测话务模型、DO预测话务模型;所述预测容量分析包括:BHCA预测容量分析、话务量预测容量分析、吞吐量预测容量分析。
优选地,所述现网话务模型和/或所述现网容量分析在巡检周期中的起始时间和结束时间,以及巡检周期中的巡检执行时间点相同;所述预测话务模型和/或所述预测容量分析的巡检执行起始时间相同。
根据本发明实施例的另一个方面,还提供了一种系统容量的预测装置,包括:获取模块,用于获取对系统容量进行预测的预测指标,其中,所述预测指标通过移动通信网综合专家系统ⅡCNO2现有性能指标与预定值确定,所述预定值用于表征所述CNO2在待进行预测的时间段内的性能指标变化值;预测模块,用于根据所述预测指标对所述系统容量进行预测。
优选地,所述获取模块用于在所述性能指标变化值包括在所述待进行预测的时间段内的用户增长数量时,获取对系统容量进行预测的预测指标。
优选地,所述预测模块包括:确定单元,用于根据所述预测指标确定所述预定指标的统计数据;预测分析单元,用于根据所述统计数据对所述系统容量进行预测分析。
通过本发明,采用根据获取到的用于对系统容量进行预测的预测指标,并根据预测指标对系统容量进行预测的技术手段,解决了相关技术中不能实现提前预测系统容量,进而容易导致网络不稳定的严重后果的问题,从不同网元层次展现网络未来的运行状态,运营商可以尽早发现网络问题,并及时解决,避免网络不稳定带来的严重后果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的系统容量的预测方法的流程图;
图2为根据本发明优选实施例的预测模块数据处理以及通信的流程图;
图3是根据本发明实施例的预测模块的结构框图;
图4是根据本发明实施例预测场景的逻辑执行示意图;
图5是根据本发明实施例的预测场景的总体执行示意图;
图6是根据本发明实施例的系统容量的预测装置的结构框图;
图7是根据本发明实施例的系统容量的预测装置的另一结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了一种系统容量的预测方法,图1是根据本发明实施例的系统容量的预测方法的流程图,如图1所示,该流程包括如下步骤:
步骤S102,获取对系统容量进行预测的预测指标,其中,上述预测指标通过移动通信网综合专家系统ⅡCNO2现有性能指标与预定值确定,上述预定值用于表征上述CNO2在待进行预测的时间段内的性能指标变化值;
步骤S104,根据上述预测指标对上述系统容量进行预测。
通过上述各个步骤,采用根据获取到的用于对系统容量进行预测的预测指标,并根据预测指标对系统容量进行预测的技术手段,解决了相关技术中不能实现提前预测系统容量,进而容易导致网络不稳定的严重后果的问题,从不同网元层次展现网络未来的运行状态,运营商可以尽早发现网络问题,并及时解决,避免网络不稳定带来的严重后果。
需要说明的是,CNO2是软件层面的分析CDMA硬件系统数据的综合分析工具。CNO2中定义了很多性能指标,而性能指标能反映当前码分多址接入(CodeDivisionMultipleAccess,简称为CDMA)的系统容量。
可选地,上述步骤S102中的性能指标变化值可以有多种表现形式,在本发明实施例的一个可选实施例中,性能指标变化值包括:在上述待进行预测的时间段内的用户增长数量,实际上,由于实际应用的需要,预测指标的确定不仅仅和预定值有关系,还有可能根据系统的当前运行状态等因素有关,本发明实施例对此不作限定。
在具体实施过程中,通过预测指标确定其对应的统计数据,根据统计数据对系统容量进行分析预测,用户根据这些统计数据能够大致掌握网络未来的容量状况。若某预测数据有异常,则可提前发现网络未来存在的瓶颈,及时更新或调整网络设备。
当然,在需要的情况下,统计数据可以包括表征当前状态的数据以及未来状态的数据,即统计数据能客观反映网络的当前和未来状态。统计数据是对性能指标数据的统计,为实现预测,可以通过现有性能指标乘以上述预定值确定预测指标。
而为了更好的分析上述统计数据,在确定了现有性能指标和预测指标对应的统计数据后,可以将统计数据可为三层:最底层、中间层、最高层。
其中,最底层,是数据查询及预处理模块32上传的excel报表文件,该excel文件包含指标的详细数据,供中间层和最高层使用;中间层,根据最底层数据,生成具体统计数据,是全局统计数据的具体展现,存放在新建的excel文件中。在统计报告中以附件的形式存在;最高层,根据最底层数据,生成全局统计数据,存放在新建的excel文件中。在统计报告中,既以附件的形式存在,又以表格的形式显示出来。
也就是说,上述步骤根据上述统计数据对上述系统容量进行预测分析可以通过以下过程实现:将上述统计数据分为三层处理,上述处理过程包括:将上述预测指标作为上述统计数据的第一层数据;根据上述第一层数据计算出系统中当前指定预测指标,并将其作为第二层数据;根据上述第二层数据计算出当前全局预测指标的值,其中,上述全局预测指标用于预测当前系统的容量。
在本发明实施例中,根据上述统计数据对上述系统容量进行预测分析,包括:对上述统计数据建立巡检项目;通过执行上述巡检项目生成对上述系统容量分析的结果。
统计数据以表格或excel附件的形式存在,每张表对应一个巡检项,话务模型类巡检项有一张表和一个excel附件,而容量分析类巡检项有两张表和一个excel附件。话务模型类巡检项的表包含多个话务类指标的数据,附件包含指标最基本的数据。容量分析类巡检项的表包含容量类指标的数据,一个包含指标门限告警数据,另一个包含指标的统计数据,附件包含指标最基本的数据。
在建立了巡检项目之后,本发明优选实施例还提供了一种按照巡检项分析统计数据的过程,如下所示:
以下以上述统计数据中的最底层数据为例:
1X语音话务模型。包括1X:全局语音呼叫请求次数、1X:全局语音呼叫话务量(Erl)、1X:全局语音平均通话时长(s)等指标。这些指标反映了现网1X语音话务的基本情况。例如,2014-03-1010:00:00的1X:全局语音呼叫请求次数=384562,说明该局10时语音呼叫总次数为384562次。
1X短消息话务模型。包括1X:全局短消息呼叫话务量(Erl)、1X:全局短消息平均通话时长(s)、1X:全局短消息呼叫请求次数(BHCA)等指标。这些指标反映了现网1X短消息话务的基本情况。例如,2014-03-1010:00:00的1X:全局短消息呼叫请求次数(BHCA)=145076,说明该局10时短消息呼叫总次数为145076次。
1X数据话务模型。包括1X:全局数据呼叫请求次数、1X:全局数据呼叫话务量(Erl)、1X:全局数据每呼叫平均流量(KB)等指标。例如,2014-03-1010:00:00的1X:全局数据每呼叫平均流量(KB)=191.67,说明该局10时数据每次呼叫所占用的平均流量为191.67千字节。
PTT话务模型。包括PTT:全局传统组呼平均群组呼叫时长(s)、PTT:全局传统组呼平均群组占用小区数目、PTT:全局传统组呼话务量(Erl)等指标。例如,2014-03-1010:00:00的PTT:全局传统组呼话务量(Erl)=0,说明该局没有PTT业务。
DO话务模型。包括DO:全局无线网络连接请求次数(含A8、A10接口)、DO:全局每连接平均流量(KB)、DO:全局RLP平均吞吐量(kbps)等指标。例如,2014-03-1010:00:00的DO:全局RLP平均吞吐量(kbps)=114.82,说明该局10时RLP平均吞吐量为114.82千位每秒。
以下简单以上述统计数据中的中间层为例:
BHCA容量分析:除了MP板、PP板、CC板的利用率数据外,还有BCM5615、BCM56XXX框间控制流数据,以及接入信道、控制信道、寻呼信道的利用率。例如,2014-03-1010:00:00的UIMCPU最高利用率(%)出现门限告警,说明有UIM单板在10时的最高利用率超过门限,处于较高负荷的工作状态,如果UIM单板最高利用率在较长时间内多次处于高负荷状态,且UIM单板过载率较高(过载UIM单板数除以总UIM单板数),则说明UIM单板已不能安全稳定的工作,需要增加UIM单板或者采取其他改进措施,以满足不断增大的网络容量需求。UIM单板属于PP单板,如果仅从UIM单板角度,判定当前网络是否正常工作,显然是不具说服力的,为此,还有PP板过载率、MP板过载率、CC板过载率等全局性统计数据(最高层数据)。除各种单板统计数据外,还有框间控制流,信道利用率等统计数据。用户结合这3层数据不难估量出当前网络运行状况。
以下简单以上述统计数据中的最高层为例:
话务量容量分析。本巡检项中的统计数据主要描述系统资源的使用情况,包含1X:全局无线资源过载率(%)、1X:全局前向CE过载率(%)、1X:全局反向CE过载率(%)、1X:前向发射功率过载率(%)、DO:全局前向物理层业务信道过载率(%)、DO:全局反向链路过载率(%)以及DO:全局前向业务MacIndex过载率(%)等统计数据。例如,2014-03-1010:00:00的1X:全局前向CE过载率(%)=1.15,说明10时基站的前向信道的过载率为百分之1.15。
吞吐量容量分析。包括PUB:全局IPCF端口过载率(%)、PUB:全局Abis口带宽过载率(%)、PUB:全局UPCF单板过载率(%)等统计数据。例如,2014-03-1010:00:00的PUB:全局IPCF端口过载率(%)=0,说明10时没有过载的IPCF端口。
上述实施例提供的技术方案可以理解是对现网巡检项统计数据的分为三层后的分析过程,而对于预测过程的巡检项的统计数据的分析过程大致过程和上述过程相同,但还需说明一下几点:
1、预测指标的过载门限和现网性能指标相同,而采用这样的技术方案使得统计出来的过载率才能体现预测容量和现网容量的变化和区别。
2、预测指标的统计数据一般大于等于对应的现网统计数据,因为预测指标算法等效于现网指标算法乘以某个大于1的增长比值(相当于上述实施例的预定值)得来,故预测指标的数据和统计数据不会小于现网的数据。
3、容量预测分析主要针对BHCA容量分析、话务量容量分析、吞吐量容量分析这3个巡检项统计出来的数据,因为上述参数能够直接反映网络设备使用情况。本发明实施例上述提供3层统计数据供用户参考分析,进而了解网络现网运行状况和网络未来运行状况。
综上所述,本发明实施例按不同网元级别、不同层次统计现网指标(反映当前网络状态)和预测指标(反映未来网络状态),并生成统计数据报告,用户可据此了解现网状态和网络未来大致运行状态。
为了更好的理解上述系统容量的预测过程,以下结合优选实施例进行说明:
图2为根据本发明优选实施例的预测模块数据处理以及通信的流程图,如图2所示,图2中的用户输入模块30与数据汇总及显示模块34可以理解为是一种巡检工具、中间层可以理解为是操作维护中心(OperationMaintenanceCentre,简称为OMC)、数据查询及预处理模块32可以理解为CNO2。
图2中,用户输入模块30、数据汇总及显示模块34都集成在巡检工具上,以容量预测场景的形式存在。数据查询及预处理模块32集成在CNO2上,由于巡检工具只与OMC(中间层)通信,而OMC能与CNO2通信,所以,实施例中的OMC只起转发消息和文件的作用。如果巡检工具能与CNO2直接通信,OMC这个中间层是可以省略的。
以下详细说明巡检工具和CNO2在本发明实施例中如何实现图3中模块功能的:
1)巡检工具中的基本元素是巡检项,巡检项包含多个指标(大多与CNO2中性能指标对应)、用户参数信息(如指标门限、指标值、巡检时间等),实现了各种供框架调用的接口,当巡检项执行时,框架将调用这些接口。
巡检工具中有默认场景,场景包含多个巡检项,用户可以自定义场景。容量预测场景包含16个巡检项,可分为以下4种类型。
现网话务模型:1X语音话务模型、1X短消息话务模型、1X数据话务模型、PTT话务模型、DO话务模型。
现网容量分析:BHCA容量分析、话务量容量分析、吞吐量容量分析。
预测话务模型:1X语音话务模型(预测)、1X短消息话务模型(预测)、1X数据话务模型(预测)、PTT话务模型(预测)、DO话务模型(预测)。
预测容量分析:BHCA容量分析(预测)、话务量容量分析(预测)、吞吐量容量分析(预测)。
如下所示:以上四种类型的巡检项向上依赖,即预测容量分析依赖预测话务模型,预测话务模型依赖现网容量分析和现网话务模型,现网容量分析依赖现网话务模型。所以,在执行容量预测场景时,巡检项的执行顺序必须遵守表一中的依赖关系,例如:如果巡检项A依赖B和C,若要执行A,则必须首先成功执行B和C,否则A不能执行。
<predictdependency>
<indicatoritemid=”11000009”desc=”BHCA容量分析”>
<dependitemid=”11000012”desc=”1X语音话务模块”/>
<dependitemid=”11000013”desc=”1X短消息话务模型”/>
<dependitemid=”11000014”desc=”1X数据话务模型”/>
<dependitemid=”11000015”desc=”PTT话务模型”/>
<dependitemid=”11000016”desc=”DO话务模块”/>
</indicatoritem>
<indicatoritemid=”11000017”desc=”1X语音话务模型(预测)”>
<dependitemid=”11000009”desc=”BHCA容量分析”/>
<dependitemid=”11000010”desc=”话务量容量分析”/>
<dependitemid=”11000011”desc=”吞吐量容量分析”/>
<dependitemid=”11000012”desc=”1X语音话务模块”/>
<dependitemid=”11000013”desc=”1X短消息话务模型”/>
<dependitemid=”11000014”desc=”1X数据话务模型”/>
<dependitemid=”11000015”desc=”PTT话务模型”/>
<dependitemid=”11000016”desc=”DO话务模块”/>
</indicatoritem>
<indicatoritemid=”11000018”desc=”1X短消息话务模型(预测)”>
<dependitemid=”11000009”desc=”BHCA容量分析”/>
<dependitemid=”11000010”desc=”话务量容量分析”/>
<dependitemid=”11000011”desc=”吞吐量容量分析”/>
<dependitemid=”11000012”desc=”1X语音话务模块”/>
<dependitemid=”11000013”desc=”1X短消息话务模型”/>
<dependitemid=”11000014”desc=”1X数据话务模型”/>
<dependitemid=”11000015”desc=”PTT话务模型”/>
<dependitemid=”11000016”desc=”DO话务模块”/>
</indicatoritem>
<indicatoritemid=”11000019”desc=”1X数据话务模型(预测)”>
<dependitemid=”11000009”desc=”BHCA容量分析”/>
<dependitemid=”11000010”desc=”话务量容量分析”/>
<dependitemid=”11000011”desc=”吞吐量容量分析”/>
<dependitemid=”11000012”desc=”1X语音话务模块”/>
<dependitemid=”11000013”desc=”1X短消息话务模型”/>
<dependitemid=”11000014”desc=”1X数据话务模型”/>
<dependitemid=”11000015”desc=”PTT话务模型”/>
<dependitemid=”11000016”desc=”DO话务模块”/>
</indicatoritem>
<indicatoritemid=”11000020”desc=”PTT话务模型(预测)”>
<dependitemid=”11000009”desc=”BHCA容量分析”/>
<dependitemid=”11000010”desc=”话务量容量分析”/>
<dependitemid=”11000011”desc=”吞吐量容量分析”/>
<dependitemid=”11000012”desc=”1X语音话务模块”/>
<dependitemid=”11000013”desc=”1X短消息话务模型”/>
<dependitemid=”11000014”desc=”1X数据话务模型”/>
<dependitemid=”11000015”desc=”PTT话务模型”/>
<dependitemid=”11000016”desc=”DO话务模块”/>
</indicatoritem>
<indicatoritemid=”11000021”desc=”DO话务模型(预测)”>
<indicatoritemid=”11000017”desc=”1X语音话务模型(预测)”>
<indicatoritemid=”11000018”desc=”1X短消息话务模型(预测)”>
<indicatoritemid=”11000019”desc=”1X数据话务模型(预测)”>
<indicatoritemid=”11000020”desc=”PTT话务模型(预测)”>
</indicatoritem>
<indicatoritemid=”11000022”desc=”BHCA容量分析(预测)”>
<indicatoritemid=”11000017”desc=”1X语音话务模型(预测)”>
<indicatoritemid=”11000018”desc=”1X短消息话务模型(预测)”>
<indicatoritemid=”11000019”desc=”1X数据话务模型(预测)”>
<indicatoritemid=”11000020”desc=”PTT话务模型(预测)”>
<indicatoritemid=”11000021”desc=”DO话务模型(预测)”>
</indicatoritem>
<indicatoritemid=”11000023”desc=”话务量容量分析(预测)”>
<indicatoritemid=”11000017”desc=”1X语音话务模型(预测)”>
<indicatoritemid=”11000018”desc=”1X短消息话务模型(预测)”>
<indicatoritemid=”11000019”desc=”1X数据话务模型(预测)”>
<indicatoritemid=”11000020”desc=”PTT话务模型(预测)”>
<indicatoritemid=”11000021”desc=”DO话务模型(预测)”>
</indicatoritem>
<indicatoritemid=”11000023”desc=”吞吐量容量分析(预测)”>
<indicatoritemid=”11000017”desc=”1X语音话务模型(预测)”>
<indicatoritemid=”11000018”desc=”1X短消息话务模型(预测)”>
<indicatoritemid=”11000019”desc=”1X数据话务模型(预测)”>
<indicatoritemid=”11000020”desc=”PTT话务模型(预测)”>
<indicatoritemid=”11000021”desc=”DO话务模型(预测)”>
</indicatoritem>
</predictdependency>
上述巡检项目除了上述依赖关系,还有时间约束关系,该约束没有专门的配置文件,通过所有巡检项维护一个HashMap对象来实现,规则是,现网巡检项的起始和结束日期以及小时时间必须相同,预测巡检项的起始时间必须相同。因为如果现网时间不同或预测时间不同,则查询出来的数据时间就不同,容量检测的数据将没有意义。
上述技术方案可以简单总结为:上述现网话务模型和/或上述现网容量分析在巡检周期中的起始时间和结束时间,以及巡检周期中的巡检执行时间点相同;上述预测话务模型和/或上述预测容量分析的巡检执行起始时间相同,其中,预测话务模型巡检项和现网话务模型巡检项可以产生上述实施例中提到的增长比值。
巡检工具要执行巡检项,必须首先新建工程,工程中添加要执行的巡检项所在的场景。新建工程时,需填写OMC的IP地址、局号等信息。工程建成后,用户即可运行工程(可包含多个场景)、单个场景或者单个巡检项。如果执行的是容量预测场景(属默认场景)中的巡检项,则会发送一个巡检项消息(包含CNO2进行数据查询及预处理所需的全部信息)给OMC。
2)CNO2收到来自OMC的巡检项消息(OMC转发来自巡检工具的巡检项消息给CNO2),根据消息对象中提供的信息,开始查询数据,再预处理数据(包括存储用户入参到数据库、存储模版数据到数据库、预处理单板CPU利用率、修改预测巡检项的数据时间等),最后生成excel格式的文件,并通过ftp上传至OMC,OMC再通知巡检工具来取。
3)巡检工具取到CNO2生成的excel文件后,对于现网容量分析巡检项和预测容量分析巡检项,还需进行统计处理(包括最大值、过载数、过载率、不均衡因子等),将处理后的结果写在新建的excel文件中。至此,容量预测场景中的一个巡检项的执行成功完成,当该场景中的巡检项全部成功执行完成,就标志着成功完成一次容量预测。
当然,可以通过举例BHCA容量预测分析和BHCA容量预测分析两个巡检项来说明巡检项的详细执行过程。
BHCA容量分析
结合附图进行说明。图4中,“启动下一个巡检项”若为BHCA容量分析巡检项,则步骤如下。
S1:判断依赖关系是否满足。它们是1X语音话务模型、1X短消息话务模型、1X数据话务模型、PTT话务模型、DO话务模型这5个巡检项。若都已执行成功,则进入步骤S2,否则,跳至步骤S8。
S2:时间关系是否满足。如果S1中的5个依赖巡检项和BHCA容量分析巡检项的巡检时间相同,则进入步骤S3,否则,跳至步骤S8。
S3:OMC与CNO2链路是否正常。通过RMI远程调用sendMsgToCNO2()方法,若发送消息成功,则说明链路正常,进入步骤S4(分为S4-1,S4-2,S4-3),否则,跳至步骤S8。
S4-1:CNO2查询数据。CNO2收到OMC发来的巡检消息,从消息中获取巡检项ID、日期时间、指标门限、指标数值等数据。在查询数据前,会调用二次对象存储过程,将5个依赖巡检项的部分指标数据(后续巡检项需要用到的数据)存储到二次对象表中。BHCA容量分析巡检项中单板的BHCA需要用到5个现网话务模型巡检项的指标数据,所以,在查询前调用该存储过程,就能很好的解决这个问题。除了二次对象表,还有三次对象表,同样用来存储后续巡检项所需的指标数据。
S4-2:CNO2查询数据,主要是查询模板数据,模板包含巡检项的指标。每个巡检项对应的模板数量不同,BHCA容量分析巡检项对应9个模板,由图5可知,它们是(21,3000)、(21,3001)、(21,3003)、(21,3004)、(21,3005)、(21,3007)、(21,3015)、(24,31)、(24,1015)。逗号前面是网元类型,后面是模板ID。查询模板时,9个模板循环查询,每查询一个模板,都把指标数据写入txt格式的文本文件中,每个指标都有一个文件。
S4-3:在写指标数据前,还有一个数据预处理,如BHCA容量分析巡检项将以下指标数据存储到现网容量分析表中:1X全局等效BHCA,DO全局等效BHCA,PTT全局等效BHCA,PUB全局等效BHCA,1X全局DSMP等效BHCA,1X全局CMP等效BHCA,PUB全局SPCF等效BHCA。将BCTMP、ABPM1、ABPM、ABES、UIM、HGM、CC的数据存储到三次对象表中。供后续巡检项使用。
数据查询成功,且预处理完成后,进入步骤S5,否则,跳至步骤S8。
S5:产生报告文件。该步骤主要将S4中生成的txt格式的指标数据文件合并产生excel格式的报告文件。如果excel文件成功生成,则进入步骤S6,否则,跳至步骤S8。
S6:文件上传。S5中生成的excel文件上传至OMC,OMC再通知巡检工具来取。若上传成功,则进入步骤S7,否则,跳至步骤S8。
S7:巡检工具统计处理。巡检工具取到S6中的excel文件后,若巡检项需对该文件进行二次统计处理(容量分析巡检项需处理),则进行统计并生成新的excel文件,该文件中保存二次统计数据,完成后进入步骤S8。若无需进行二次统计(话务模型巡检项不需处理),则直接进入步骤S8。
S8:巡检项执行完成。若容量预测场景还有巡检项未执行,则启动下一个巡检项,循环S1~S8的步骤。
BHCA容量分析(预测)
该巡检项的执行步骤大致和BHCA容量分析差不多,区别主要在以下几个方面:
依赖巡检项不同:它们是1X语音话务模型(预测)、1X短消息话务模型(预测)、1X数据话务模型(预测)、PTT话务模型(预测)、DO话务模型(预测)。
巡检时间不同:预测巡检项的时间是未来时间,而现网巡检项的时间不能晚于当前时间。
数据预处理不同:包括对单板CPU利用率设置下限值,修改指标的数据时间等。
数据来源不同:数据很多来自二次对象表和三次对象表,而现网巡检项主要给这两个对象表插入数据。
为了更好的理解上述优选实施例的预测过程,结合以下示例对上述优选实施例进行说明:
需要说明的是,由于指标1小时的数据比较多,故只取部分数据对比现网和预测的情况。其中,2014-03-1010:00:00是现网数据时间,2014-07-2910:00:00是预测数据时间。
表一SPCF板详细数据(最底层数据)
表二SPCF板具体数据(中间层数据)
表三MP板(含SPCF)全局数据(最高层数据)
表一、表二、表三以SPCF板为例,展示了统计数据3层数据模型。
表一中:相同定位信息下,SPCF单板的最大利用率的预测值比现网值要大。
表二中:展示了所有SPCF单板的具体统计信息,包括单板过载率(%)、不均衡因子、峰均比和等效BHCA等等。当单板过载率大于0时,数据背景色将会按区间显示不同的颜色,以表示过载的不同程度,由浅至深分别是白色(=0)、黄色(>0&&<=20)、橙色(>20&&<=50)、红色(>50)。
表三中:展示所有MP板的过载率情况。SPCF板属于MP板。
在本发明实施例的另一个可选示例中,还列举一个话务量指标的对比情况
表四1X反向CE最大利用率详细数据(最底层数据)
表五1X反向CE最大利用率具体数据(中间层数据)
表六1X反向CE最大利用率全局数据(最高层数据)
表四、表五、表六以1X反向信道单元最大利用率为例,展示了3层数据模型。
表四:1X反向信道单元最大利用率的预测值比现网值大,
表五:展示了1X反向信道单元最大利用率具体统计信息,包括过载BTS数、CE过载率、1X:全局反向信道单元最大利用率,还有三个全局话务量指标。颜色意义同上。
表六:展示全局过载率情况。
在本发明实施例的另一个可选实施例中:一个吞吐量指标的对比情况。
表七PUBAbis接口前向带宽平均利用率详细数据(最底层数据)
表八PUBAbis接口前向带宽平均利用率具体数据(中间层数据)
表九PUBAbis接口前向带宽平均利用率全局数据(最高层数据)
表七、表八、表九以PUB:Abis接口前向带宽平均利用率为例,展示了3层数据模型。
表七。PUB:Abis接口前向带宽平均利用率的预测值比现网值大。
表八。展示了PUB:Abis接口前向带宽平均利用率具体统计信息,包括过载BTS数、过载BTS数、PUB:全局Abis口带宽过载率、PUB:全局Abis口带宽平均利用率最大值、PUB:全局Abis口配置的端口带宽、PUB:全局Abis口不均衡因子。
表九。展示全局过载率情况。
综上所述,上述实施例中描述了3种类型指标值的预测与现网变化情况(1X用户数增长比值为1.5,DO全局用户数增长比值为2.0)。可以看出:当全局用户数增长后,预测指标会相应的增长,过载率、CPU利用率等统计数据都会增大。这些现网和预测的统计数据,不仅能反映现网运行状况,更能反映网络未来状况,为系统扩容、维护系统稳定提供可靠的数据依据。
综上所述,本发明实施例提供多层结构的预测数据,用户即可直接查看预测报告文件,也可通过软件界面查看。预测数据的多层次性,方便用户从多角度查看分析网络容量的未来状况,达到提前发现问题,提前得以解决的目的。
在本实施例中还提供了一种系统容量的预测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本发明实施例的系统容量的预测装置的结构框图,如图6所示,该装置包括
获取模块60,用于获取对系统容量进行预测的预测指标,其中,上述预测指标通过移动通信网综合专家系统ⅡCNO2现有性能指标与预定值确定,上述预定值用于表征上述CNO2在待进行预测的时间段内的性能指标变化值;
其中,上述性能指标变化值包括在上述待进行预测的时间段内的用户增长数量。
预测模块62,与获取模块60连接,用于根据上述预测指标对上述系统容量进行预测。
通过上述各个模块的综合作用,采用根据获取到的用于对系统容量进行预测的预测指标,并根据预测指标对系统容量进行预测的技术手段,解决了相关技术中不能实现提前预测系统容量,进而容易导致网络不稳定的严重后果的问题,从不同网元层次展现网络未来的运行状态,运营商可以尽早发现网络问题,并及时解决,避免网络不稳定带来的严重后果。
图7是根据本发明实施例的系统容量的预测装置的结构框图,如图7所示,该装置除包括图6所示的所有模块外,还包括:
可选地,预测模块62包括:确定单元620,用于根据上述预测指标确定上述预定指标的统计数据;预测分析单元622,与确定单元620连接,用于根据上述统计数据对上述系统容量进行预测分析。
综上所述,本发明实施例达到了以下技术效果:解决了相关技术中不能实现提前预测系统容量,进而容易导致网络不稳定的严重后果的问题,从不同网元层次展现网络未来的运行状态,运营商可以尽早发现网络问题,并及时解决,避免网络不稳定带来的严重后果。
在另外一个实施例中,还提供了一种软件,该软件用于执行上述实施例及优选实施方式中描述的技术方案。
在另外一个实施例中,还提供了一种存储介质,该存储介质中存储有上述软件,该存储介质包括但不限于:光盘、软盘、硬盘、可擦写存储器等。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的对象在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种系统容量的预测方法,其特征在于,包括:
获取对系统容量进行预测的预测指标,其中,所述预测指标通过移动通信网综合专家系统ⅡCNO2现有性能指标与预定值确定,所述预定值用于表征所述CNO2在待进行预测的时间段内的性能指标变化值;
根据所述预测指标对所述系统容量进行预测。
2.根据权利要求1所述的方法,其特征在于,所述性能指标变化值包括:
在所述待进行预测的时间段内的用户增长数量。
3.根据权利要求1所述的方法,其特征在于,根据所述预测指标对所述系统容量进行预测包括:
根据所述预测指标确定所述预定指标的统计数据;
根据所述统计数据对所述系统容量进行预测分析。
4.根据权利要求3所述的方法,其特征在于,根据所述统计数据对所述系统容量进行预测分析包括:
将所述统计数据分为三层处理,所述处理过程包括:
将所述预测指标作为所述统计数据的第一层数据;
根据所述第一层数据计算出系统中当前指定预测指标,并将其作为第二层数据;
根据所述第一层数据计算出当前全局预测指标的值,其中,所述全局预测指标用于预测当前系统的容量。
5.根据权利要求3所述的方法,其特征在于,根据所述统计数据对所述系统容量进行预测分析,包括:
对所述统计数据建立巡检项目;
通过执行所述巡检项目生成对所述系统容量分析的结果。
6.根据权利要求5所述的方法,其特征在于,所述巡检项目包括:现网话务模型、现网容量分析、预测话务模型、预测容量分析,其中,
所述现网话务模型包括:1X语音话务模型、1X短消息话务模型、1X数据话务模型、一键通PTT话务模型、纯媒体流数据DO话务模型;
所述现网容量分析包括:忙时试呼次数BHCA容量分析、话务量容量分析、吞吐量容量分析;
所述预测话务模型包括:1X语音预测话务模型、1X短消息预测话务模型、1X数据预测话务模型、PTT预测话务模型、DO预测话务模型;
所述预测容量分析包括:BHCA预测容量分析、话务量预测容量分析、吞吐量预测容量分析。
7.根据权利要求6所述的方法,其特征在于,所述现网话务模型和/或所述现网容量分析在巡检周期中的起始时间和结束时间,以及巡检周期中的巡检执行时间点相同;所述预测话务模型和/或所述预测容量分析的巡检执行起始时间相同。
8.一种系统容量的预测装置,其特征在于,包括:
获取模块,用于获取对系统容量进行预测的预测指标,其中,所述预测指标通过移动通信网综合专家系统ⅡCNO2现有性能指标与预定值确定,所述预定值用于表征所述CNO2在待进行预测的时间段内的性能指标变化值;
预测模块,用于根据所述预测指标对所述系统容量进行预测。
9.根据权利要求8所述的装置,其特征在于,所述获取模块用于在所述性能指标变化值包括在所述待进行预测的时间段内的用户增长数量时,获取对系统容量进行预测的预测指标。
10.根据权利要求8所述的装置,其特征在于,所述预测模块包括:
确定单元,用于根据所述预测指标确定所述预定指标的统计数据;
预测分析单元,用于根据所述统计数据对所述系统容量进行预测分析。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410615977.4A CN105636071A (zh) | 2014-11-04 | 2014-11-04 | 系统容量的预测方法及装置 |
PCT/CN2015/079411 WO2016070606A1 (zh) | 2014-11-04 | 2015-05-20 | 系统容量的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410615977.4A CN105636071A (zh) | 2014-11-04 | 2014-11-04 | 系统容量的预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105636071A true CN105636071A (zh) | 2016-06-01 |
Family
ID=55908500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410615977.4A Withdrawn CN105636071A (zh) | 2014-11-04 | 2014-11-04 | 系统容量的预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105636071A (zh) |
WO (1) | WO2016070606A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108255967B (zh) * | 2017-12-26 | 2021-03-02 | 平安科技(深圳)有限公司 | 存储过程的调用方法、装置、存储介质及终端 |
CN109543891B (zh) * | 2018-11-09 | 2022-02-01 | 深圳前海微众银行股份有限公司 | 容量预测模型的建立方法、设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101304590A (zh) * | 2008-04-14 | 2008-11-12 | 中国网络通信集团公司 | 移动通信网络的无线网络容量确定装置及方法 |
CN101778400A (zh) * | 2010-01-08 | 2010-07-14 | 哈尔滨工业大学 | 基于数据库的话务量分析与预测系统及使用该系统的话务量预测方法 |
CN103987056A (zh) * | 2014-05-30 | 2014-08-13 | 南京华苏科技有限公司 | 基于大数据统计模型的无线网络话务量预测方法 |
CN104041085A (zh) * | 2012-01-20 | 2014-09-10 | 索尼公司 | 用于帮助无线通信用户选择在预测迁移路径周围的代价或负载最优化基站的信息处理装置、方法和记录介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6973622B1 (en) * | 2000-09-25 | 2005-12-06 | Wireless Valley Communications, Inc. | System and method for design, tracking, measurement, prediction and optimization of data communication networks |
CN103763732B (zh) * | 2013-12-27 | 2017-06-06 | 上海华为技术有限公司 | 移动通信系统的容量仿真系统和方法 |
CN104010321B (zh) * | 2014-06-16 | 2017-08-04 | 南京华苏科技有限公司 | 无线网络网元割接性能和容量预测方法 |
-
2014
- 2014-11-04 CN CN201410615977.4A patent/CN105636071A/zh not_active Withdrawn
-
2015
- 2015-05-20 WO PCT/CN2015/079411 patent/WO2016070606A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101304590A (zh) * | 2008-04-14 | 2008-11-12 | 中国网络通信集团公司 | 移动通信网络的无线网络容量确定装置及方法 |
CN101778400A (zh) * | 2010-01-08 | 2010-07-14 | 哈尔滨工业大学 | 基于数据库的话务量分析与预测系统及使用该系统的话务量预测方法 |
CN104041085A (zh) * | 2012-01-20 | 2014-09-10 | 索尼公司 | 用于帮助无线通信用户选择在预测迁移路径周围的代价或负载最优化基站的信息处理装置、方法和记录介质 |
CN103987056A (zh) * | 2014-05-30 | 2014-08-13 | 南京华苏科技有限公司 | 基于大数据统计模型的无线网络话务量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2016070606A1 (zh) | 2016-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8600347B2 (en) | Idle mode notification | |
CN101491142B (zh) | 基于软决策触发无线电接入技术间切换的方法和装置 | |
CN109302719B (zh) | 一种lte小区容量预测分析方法及装置 | |
CN111132190A (zh) | 基站负荷预警方法、装置 | |
US9942779B1 (en) | Method and system for using customer analytics to detect network events | |
US8433329B2 (en) | System and method for prioritizing user communications | |
CN101296477B (zh) | 一种进行网络拓扑规划的方法及装置 | |
CN104054369A (zh) | 用于自组织网络的基于设备的架构 | |
US20160014699A1 (en) | Network selection method, apparatus, and base station | |
CN110784894B (zh) | Lte系统负载均衡方法和装置 | |
CN105430689A (zh) | 异构网络中基于业务和效用函数的负载均衡方法 | |
US20200178132A1 (en) | Load balancing method and apparatus | |
EP2524445B1 (en) | Real time event-driven automation for energy management in a wireless network | |
WO2015106450A1 (en) | Load balancing among wireless access points | |
CN113891336B (zh) | 通信网络减频退网方法、装置、计算机设备和存储介质 | |
CN104468152A (zh) | 一种网络传输方法和装置 | |
CN100566438C (zh) | 一种小区能力衡量方法、系统及无线网络控制器 | |
CN105636071A (zh) | 系统容量的预测方法及装置 | |
CN102404778B (zh) | 一种负载估测方法 | |
CN103002541A (zh) | 一种无线宽带热点设备用户接入的动态管理方法及装置 | |
CN104168601B (zh) | 无线网络拥塞控制方法及装置 | |
JP2003037553A (ja) | 移動体トラヒック予想方法および予想方式 | |
KR20120001343A (ko) | 망 부하 분산 관리 및 처리 시스템 및 그 방법 | |
CN101815250B (zh) | 一种调整寻呼分组数目的方法和设备 | |
CN103442406B (zh) | 一种接入控制方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20160601 |