CN109495315A - 一种大数据环境下城域网分析预测方法及可读存储介质 - Google Patents

Abstract

本发明公开了一种大数据环境下城域网分析预测方法及可读存储介质，属于网络规划技术领域，包括定时获取城域网内各网管的基础关键数据、BRAS各类型端口信息以及用户数预测信息；基于设定的网络现状参数预测模型对基础关键数据进行处理，得到城域网现状的动态表示参数；基于设定的网络能力计算模型对现状的动态表示参数和用户数预测信息进行处理，得到城域网的能力表示参数；基于城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息等，对城域网的扩容规模进行预测以构建城域网的工程建设方案。本发明通过引入大数据的思维，实现对不同区域、不同时间段、不同用户套餐等场景下的城域网流量模型的精准预测，达到对城域网进行精准规划的目的。

Description

一种大数据环境下城域网分析预测方法及可读存储介质

技术领域

本发明涉及网络规划技术领域，特别涉及一种大数据环境下城域网分析预测方法及可读存储介质。

背景技术

城域网一般指在城市范围内，以IP等电信技术为基础，以光纤作为传输媒介，满足于公众、政企等用户，集数据、语音、视频服务于一体的高带宽、多功能、多业务接入的的多媒体通信网络。城域网规划方法即为实现城域网内设备、链路、容量、流量等内容的预测与设定的方法。

如图1所示，城域网近些年随通信技术的快速发展，业务控制层的宽带网络网关控制设备（BNG）设备基本已实现了高性能的融合的多业务路由器，即仅通过高性能的BRAS或MSE设备便可取代原有的BRAS与SR的功能。而随着用户高带宽的普及，用户流量呈暴发式增长，接入层的高性能OLT设备也不再通过汇聚交换机汇聚，而逐渐采用直联BRAS的方案，实现了网络的扁平化。

本发明中仍以惯用的BRAS设备为例进行描述，其发明内容对于MSE等业务控制层的其他功能相似的宽带网络网关控制设备同样适用。

目前，普遍采用的城域网规划方法是采用观察-分析-假设-验证-结论的研究方法。其存在的缺陷在于：现有城域网规划方法对流量模型预测颗粒度较大，不够精细，且调研麻烦，测算复杂。一般情况下，变量参数只能具体到地市一级，或高层级的设备一级，无法细分农村、城市、不同用户套餐等景等（20M、50M、100M用户等……），进行差异化分析及预测。另一方面，由于城域网数据量大，各基础数据分散在多个系统当中，采集维度较多。普遍做法是通过人工方式，调研现状、做表格分析，每一次城域网规划都要经过较长时间进行数据整理。

因此，传统城域网规划方法，无论从精细化、智能化、还是版本迭代速度上，都难以适应未来的规划要求。其属于规划颗粒度较大，采用人工测算，而无法细分到各类型用户的常规方法。

发明内容

本发明的目的在于提供一种大数据环境下城域网分析预测方法及可读存储介质，以实现对不同区域、不同时间段、不同用户套餐等场景下的城域网流量模型的精准预测。

为实现以上目的，本发明采用一种大数据环境下城域网分析预测方法，包括：

定时获取城域网内各网管的基础关键数据、BRAS各类型端口信息以及用户数预测信息，该基础关键数据包括BRAS槽位及session数信息、BRAS上行峰值流量信息、OLT上联设备信息、OLT上行峰值流量信息、OLT承载用户明细、OLT所承载的各速率用户峰值流量信息以及用户签约套餐信息；

基于设定的网络现状参数预测模型对所述基础关键数据进行处理，得到城域网现状的动态表示参数；

基于设定的网络能力计算模型，对所述城域网现状的动态表示参数和所述用户数预测信息进行处理，得到所述城域网的能力表示参数；

基于所述城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息、OLT上联设备信息、OLT承载用户明细信息以及预测用户数，对所述城域网的扩容规模进行预测；

根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案。

进一步地，所述网络现状参数预测模型包括BRAS上下行收敛比预测模型、OLT上下行收敛比预测模型、不同速率用户流量模型预测模型以及单用户所占session数预测模型；

所述城域网现状的动态表示参数包括BRAS上下行收敛比、OLT上下行收敛比、不同速率用户流量模型、不同速率用户在线集中比以及单用户所占session数。

进一步地，所述基于设定的网络现状参数模型对所述基础关键数据进行处理，得到城域网现状的动态表示参数，包括：

利用所述BRAS上下行收敛比预测模型对所述BRAS上行峰值流量信息、OLT上行峰值流量信息以及OLT上联设备信息进行处理，得到BRAS上下行收敛比预测值，其中BRAS上下行收敛比预测模型为：

BRAS上下行收敛比=BRAS上行峰值流量/∑(归属该BRAS设备的OLT上行峰值流量)；

利用所述OLT上下行收敛比预测模型对所述OLT上行峰值流量信息、OLT所承载的各速率用户峰值流量信息进行处理，得到OLT上下行收敛比预测值，其中OLT上下行收敛比预测模型为：

OLT上下行收敛比=OLT上行峰值流量/∑(该OLT设备所承载的各速率用户峰值流量)；

利用所述不同速率用户流量预测模型对所述OLT承载用户明细、OLT所承载的各速率用户峰值流量信息以及用户签约套餐信息进行处理，得到不同速率用户流量模型，其中不同速率用户流量预测模型为：

不同速率用户流量模型=∑(各速率用户的峰值流量)/各速率用户的忙时在线数，

其中，各速率用户的峰值流量之和由所述OLT承载用户明细、OLT下行及单用户峰值流量信息进行关联得到。各速率用户忙时在线数，即为各速率用户忙时在线集中比，意为OLT设备达到峰值流量时同时在线的各速率用户数。

利用所述不同速率用户在线集中比模型对所述OLT承载用户明细及OLT所承载的各速率用户峰值流量信息进行处理，得到不同速率用户在线集中比，其中不同速率用户在线集中比模型为：

不同速率用户在线集中比=各速率用户的忙时在线数/该OLT设备所承载的各速率用户总数，

其中，忙时在线数即为达到峰值流量时同时在线用户数，设备所承载的各速率用户总数即为在该时刻此OLT设备所承载的线上及线下同一速率用户之和。

利用所述单用户所在session数预测模型对所述BRAS槽位及session数信息、OLT上联设备信息以及OLT承载用户明细进行处理，得到单用户所在session数，其中单用户所在session数预测模型为：

单用户所占session数=BRAS设备session数/∑(归属该BRAS设备的OLT所承载的在线用户数)。

进一步地，所述网络能力计算模型包括OLT下行峰值流量预测模型、OLT上行峰值流量预测模型、BRAS下行峰值流量及下行端口预测模型、BRAS上行峰值流量预测模型以及BRAS上行端口预测模型；

所述城域网的能力表示参数包括OLT下行峰值流量预测值、OLT上行峰值流量预测值、BRAS下行峰值流量、BRAS下行端口预测值、BRAS上行峰值流量预测值以及BRAS上行端口预测值。

进一步地，所述基于设定的网络能力计算模型，对所述城域网现状的动态表示参数和所述用户数预测信息进行处理，得到所述城域网的能力表示参数，包括：

利用所述OLT下行峰值流量预测模型，对所述各速率用户数预测信息、不同速率用户在线集中比以及不同速率用户流量模型进行处理，得到OLT下行峰值流量预测值，其中OLT下行峰值流量预测模型为：

OLT下行峰值流量预测值=∑(各速率用户流量模型×各速率用户数×各速率用户在线集中比)；

利用所述OLT上行峰值流量预测模型，对所述OLT上下行收敛比、OLT下行峰值流量预测值进行处理，得到OLT上行峰值流量预测值，其中OLT上行峰值流量预测模型为：

OLT上行峰值流量预测值=OLT下行峰值流量×OLT上下行收敛比；

根据所述OLT上行峰值流量预测值，计算OLT上行端口数预测值；

利用所述BRAS下行峰值流量及下行端口预测模型，对所述OLT上行峰值流量和所述OLT上联设备信息进行处理，得到BRAS下行峰值流量预测值及BRAS下行端口预测值，其中BRAS下行峰值流量及BRAS下行端口预测模型分别为：

BRAS下行峰值流量=∑(归属该BRAS设备的OLT上行峰值流量)；

BRAS下行端口预测=∑(归属该BRAS设备的OLT上行端口数)。

利用所述BRAS上行峰值流量预测模型，对所述BRAS上下行收敛比和BRAS下行峰值流量预测值进行处理，得到BRAS上行峰值流量预测值，其中BRAS上行峰值流量预测模型为：

BRAS上行峰值流量预测=BRAS下行峰值流量×BRAS上下行收敛比；

利用所述BRAS上行端口预测模型，对所述BRAS上行峰值流量预测值进行处理，得到BRAS上行端口预测值，其中BRAS上行端口预测模型为：

BRAS上行端口预测=Roundup(BRAS上行峰值流量/1024/2/60%/10,0)×2。

进一步地，所述根据所述OLT上行峰值流量预测值，计算OLT上行端口数预测值，包括：

若OLT上行链路现状为10G链路，上行峰值流量单位按Mbps计算，则OLT上行端口数=Roundup(OLT上行峰值流量/1024/2/50%/10,0)×2；

若OLT上行链路现状为GE链路，上行峰值流量单位按Mbps考虑，则OLT上行端口数=If(OLT上行峰值流量<(1024×50%×6),Roundup(OLT上行峰值流量/1024/2/50%,0)×2,Roundup(OLT上行峰值流量/1024/2/50%/10,0)×2)。

进一步地，所述基于所述城域网的能力表示参数、BRAS槽位及session数信息以及BRAS各类型端口信息，对所述城域网的扩容规模进行预测，包括：

基于所述用户数预测信息、OLT承载用户明细、单用户所占Session数、OLT上联设备信息、以及不同速率用户在线集中比，计算BRAS承载Session数；

根据所述OLT上行端口预测值，计算OLT改万兆需求量；

基于所述BRAS下行峰值流量预测值、BRAS下行端口预测值、BRAS上行端口预测值以及BRAS各类型端口信息，计算BRAS板卡扩容数量；

根据所述BRAS板卡扩容数量和BRAS槽位及session数信息，预测槽位到达情况。

进一步地，所述基于所述用户数预测信息、OLT承载用户明细、单用户所占Session数、OLT上联设备信息以及不同速率用户在线集中比，计算BRAS承载Session数，包括：

根据所述OLT承载用户明细将所述用户数预测信息按照趋势预测分解到每台OLT设备；根据不同速率用户在线集中比计算每台OLT的预测在线用户数；

将所述OLT上联设备信息关联到相应BRAS设备上；

按照如下公式计算BRAS承载Session数：

BRAS承载Session数=∑(归属该BRAS设备的OLT所承载的各速率用户预测值×不同速率用户在线集中比)×单用户所占Session数。

进一步地，所述根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案，包括：

根据所述BRAS板卡扩容数量和BRAS板卡单价，预测所述城域网投资数目；

根据所述BRAS承载Session数和BRAS设备槽位到达情况，构建BRAS建设方案；

根据所述BRAS上行峰值流量预测值和OLT改万兆需求量，预测所述城域网传输扩容需求量；

根据所述城域网的投资数目、BRAS建设方案以及传输扩容需求量，构建所述城域网的工程建设方案。

另一方面，提供一种计算机可读存储介质，包括与存储设备结合使用的若干条程序，所述若干条程序用于被处理器调用并执行如下步骤：

定时获取城域网内各网管的基础关键数据、BRAS各类型端口信息以及各速率用户数预测信息，该基础关键数据包括BRAS槽位及session数信息、BRAS上行峰值流量信息、OLT上联设备信息、OLT上行峰值流量信息、OLT承载用户明细、OLT所承载的各速率用户峰值流量信息以及用户签约套餐信息；

基于设定的网络现状参数预测模型对所述基础关键数据进行处理，得到城域网现状的动态表示参数；

基于设定的网络能力计算模型，对所述城域网现状的动态表示参数和所述用户数预测信息进行处理，得到所述城域网的能力表示参数；

基于所述城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息、OLT上联设备信息、OLT承载用户明细信息以及预测用户数，对所述城域网的扩容规模进行预测；

根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案。

与现有技术相比，本发明存在以下技术效果：近些年运营商宽带提速力度非常大，50M、100M、200M普及率越来越高，甚至1000M宽带已进行试点。现有城域网规划方法在面对过去低带宽用户（如2M、4M、10M）居多时缺点并不明显。但在高带宽普及的当下，不同带宽速率的流量模型差异非常大，而现有的不区分速率的将所有带宽用户混在一起统一考虑进行分析计算的粗放式的规划方法将难以满足现阶段的城域网规划和建设。本发明在传统城域网规划方法上引入大数据的思维，可按年份、季度、月份甚至更小的时间颗粒度实现对不同区域、不同时间段、不同用户套餐等场景下的城域网基础关键数据进行采集；并通过建立相互间的强逻辑关系，在大数据的系统环境下进行分析，从而实现对不同区域、不同时间段、不同用户套餐等场景下的城域网流量模型的精准预测，并能够按照每周、每月、每季度及每年度等不同时间颗粒度进行实时更新及统计，从而达到对城域网进行精准规划，集约建设，集约管控的目的。

附图说明

下面结合附图，对本发明的具体实施方式进行详细描述：

图1是背景技术部分述及的城域网结构示意图；

图2是一种大数据环境下城域网分析预测方法的流程示意图；

图3是大数据环境下城域网分析预测的总体逻辑拓扑架构。

具体实施方式

为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。

本实施例公开的一种大数据环境下城域网分析预测方法，通过引入大数据技术整合城域网相关的多个独立的网管等资源系统原始数据，并建立起各数据之间的逻辑关系，在此基础上运用公式等方法进行分析、计算，从而实现对城域网内BRAS、OLT等网元设备各数据的精准预测与规划的技术方案。如图2所示，其包括如下步骤S1至S5：

S1、定时获取城域网内各网管的基础关键数据、BRAS各类型端口信息以及用户数预测信息；

需要说明的是，基础关键数据分别为IP综合网管侧的BRAS槽位及session数信息、BRAS上行峰值流量信息；资源系统侧的OLT上联设备（即归属BRAS）信息；PON网管系统侧的OLT上行峰值流量信息、OLT承载用户明细、OLT所承载的各速率用户峰值流量信息；以及CRM系统的用户签约套餐信息。BRAS各类型端口信息由IP综合网管提供，各速率用户数预测信息由市场调研得到。

S2、基于设定的网络现状参数预测模型对所述基础关键数据进行处理，得到城域网现状的动态表示参数；

S3、基于设定的网络能力计算模型，对所述城域网现状的动态表示参数和所述用户数预测信息进行处理，得到所述城域网的能力表示参数；

S4、基于所述城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息、OLT上联设备信息、OLT承载域用户明细信息以及预测用户数，对所述城域网的扩容规模进行预测；

S5、根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案。

需要说明的是，本方案在城域网规划中引入大数据技术，其一按照不同时间颗粒度从多个系统进行数据采集，其二是对大量数据通过内在逻辑的分析，得到众多数据间的逻辑关系及测算公式，即如何通过最简单的原始数据测算得出更有意义的目标数据的过程。并实现分时、分区域、分用户的预测，不同颗粒度的统计，达到精确的规划、建设、管控的目的。

进一步地，所述网络现状参数预测模型包括BRAS上下行收敛比预测模型、OLT上下行收敛比预测模型、不同速率用户流量模型预测模型、不同速率用户在线集中比模型以及单用户所占session数预测模型；

所述城域网现状的动态表示参数包括BRAS上下行收敛比、OLT上下行收敛比、不同速率用户流量模型以及单用户所占session数。

具体地，城域网现状的动态表示参数计算过程为：

（1）BRAS上下行收敛比

通过BRAS上行峰值流量信息、OLT上行峰值流量信息、OLT上联设备（即归属BRAS）信息3个基础关键数据得出，BRAS上下行收敛比预测模型为：

BRAS上下行收敛比=BRAS上行峰值流量/∑(归属该BRAS设备的OLT上行峰值流量)。

（2）OLT上下行收敛比

通过OLT上行峰值流量、OLT所承载的各速率用户峰值流量得出。其中，上下行收敛比预测模型：

OLT上下行收敛比=OLT上行峰值流量/∑(归属该OLT设备的各速率用户峰值流量)。

（3）不同速率用户流量模型

通过OLT承载用户明细、OLT所承载的各速率用户峰值流量信息以及用户签约套餐信息3个基础关键数据得出。通过将每台OLT设备所承载的全量的忙时在线用户与其签约套餐相关联，即可得到OLT设备上各套餐用户忙时的在线用户数量，再计算各套餐用户的峰值流量之和，按不同用户套餐即不同速率分别求值。不同速率用户流量预测模型为：

不同速率用户流量模型=∑(各速率用户的峰值流量)/各速率用户的忙时在线数。

同时，通过OLT所在位置可区分城市、近郊、农村等区域属性。因此，可同时得到分区域的不同速率用户的流量模型。解决了传统方法中模型预测最多精确到设备，无法再向下细分的难题。

（4）不同速率用户在线集中比

通过OLT承载用户明细及OLT所承载的各速率用户峰值流量信息2个基础关键数据得出。由OLT所承载的各速率用户峰值流量信息可得到忙时在线数，即为达到峰值流量时同时在线用户数。由OLT承载用户明细可得到设备所承载的各速率用户总数，即为在该时刻此OLT设备所承载的线上及线下同一速率用户之和。不同速率用户在线集中比模型为：

不同速率用户在线集中比=各速率用户的忙时在线数/该OLT设备所承载的各速率用户总数。

（5）用户所占session数

通过BRAS槽位及session数信息、OLT上联设备（即归属BRAS）信息、OLT承载用户明细3个基础关键数据得出。BRAS设备所承载的忙时在线用户数即为该BRAS下所有OLT设备所承载的忙时在线用户数之和。单用户所占session数预测模型为：

单用户所占session数=BRAS设备session数/∑(归属该BRAS设备的OLT所承载的在线用户数)。

需要说明的是，因为各基础关键数据可以按月分进行采集（也可按年份、季度，或者更小的时间颗粒度进行采集），因此各参数也将得到一组变化的数值，其变化趋势便达到了预测的效果。

进一步地，所述网络能力计算模型包括OLT下行峰值流量预测模型、OLT上行峰值流量预测模型、BRAS下行峰值流量及下行端口预测模型、BRAS上行峰值流量预测模型以及BRAS上行端口预测模型；

所述城域网的能力表示参数包括OLT下行峰值流量预测值、OLT上行峰值流量预测值、BRAS下行峰值流量、BRAS下行端口预测值、BRAS上行峰值流量预测值以及BRAS上行端口预测值。

具体地，所述城域网的能力表示参数计算过程为：

（1）OLT下行峰值量预测

通过各速率用户数预测信息、不同速率用户在线集中比以及不同速率用户流量模型3项数据得出。预测用户要区分不同速率，并匹配不同速率用户流量模型。OLT下行峰值流量预测模型为：

OLT下行峰值流量=∑(各速率用户流量模型×各速率用户数×不同速率用户在线集中比)。

（2）OLT上行峰值流量预测

通过OLT上下行收敛比、OLT下行峰值流量预测2项数据得出。OLT上行峰值流量预测模型为：

OLT上行峰值流量预测=OLT下行峰值流量×OLT上下行收敛比。

（3）OLT上行端口数量预测

根据OLT上行峰值流量及OLT上行链路现状，对OLT上行端口数量进行计算：

若OLT上行链路现状为10G链路，上行峰值流量单位按Mbps考虑，则：

OLT上行端口数=Roundup(OLT上行峰值流量/1024/2/50%/10,0)×2；

其中，50%为OLT上行控制的链路利用率（其为可调参数，各运营商规则有差异），“/2”、“×2”的含义均为上行双链路保护，流量负载均担。“Roundup“表示计算数值向上取整，参考Excel公式。

若OLT上行链路现状为GE链路，上行峰值流量单位按Mbps考虑，则：

OLT上行端口数=If(OLT上行峰值流量<(1024×50%×6),Roundup(OLT上行峰值流量/1024/2/50%,0)×2, Roundup(OLT上行峰值流量/1024/2/50%/10,0)×2)；

其中，50%为OLT上行控制的链路利用率，为可调参数，“/2”、“×2”的含义均为上行双链路保护，流量负载均担。Roundup表示计算数值向上取整。另外，此公示参考Excel公式中的“If“，表明是一个判定公式，需要与现状流量，即GE改10GE的门限流量做比较。这里门限流量设定为“1024M×50%×6“，即每条GE链路利用率达到50%，6条GE链路的流量值之和，超出此数值改为10GE链路。此门限值也存在不用的运营商规则的差异问题，为可调变量。

（4）BRAS下行峰值流量及下行端口预测

通过OLT上联设备（即所归属BRAS）、OLT上行峰值流量预测以及OLT上行端口数量预测3项数据得出。其中：

BRAS下行峰值流量=∑(归属该BRAS设备的OLT上行峰值流量)。

BRAS下行端口预测=∑(归属该BRAS设备的OLT上行端口数)。

（5）BRAS上行峰值流量预测

通过BRAS上下行收敛比、BRAS下行峰值流量及下行端口预测2项数据得出。BRAS上行峰值流量预测模型为：

BRAS上行峰值流量预测=BRAS下行峰值流量×BRAS上下行收敛比。

（6）BRAS上行端口预测

通过BRAS上行峰值流量预测得出。BRAS上行端口预测模型为：

BRAS上行端口预测=Roundup(BRAS上行峰值流量/1024/2/60%/10,0)×2。

其中，60%为BRAS上行控制的链路利用率，各运营商规则有差异，为可调参数。“/2”、“×2”的含义均为上行双链路保护，流量负载均担。上行峰值流量单位按Mbps考虑。

进一步地，上述步骤S4：基于所述城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息、OLT上联设备信息、OLT承载用户明细信息以及预测用户数，对所述城域网的扩容规模进行预测。包括：

（1）BRAS承载Session数

通过用户数预测信息、OLT承载用户明细、单用户所占Session数、不同速率用户在线集中比、OLT上联设备（归属OLT）5项数据得出；根据OLT承载用户明细将预测各速率用户数（市场提供）按照趋势预测分解到每台OLT设备，再根据OLT上联设备（归属OLT）关联到相应BRAS设备上。BRAS承载Session数计算公式为：

BRAS承载Session数=∑(归属该BRAS设备的OLT所承载的各速率用户预测值×不同速率用户在线集中比)×单用户所占Session数。

（2）OLT改万兆需求即为OLT上行端口数预测值。

（3）BRAS扩容上下行端口数量即为BRAS上下行端口数预测值。

（4）BRAS板卡扩容数量

通过BRAS扩容上下行端口数量、BRAS各类型端口信息2项数据得出。根据BRAS各类型端口信息确定设备型号及板卡类型，进而根据端口需求测算板卡需求。本实施例以华为及中兴常用BRAS设备举例说明板卡计算方法，实际应用可根据具体设备型号进行调整。以万兆端口需求举例如下：

当BRAS设备型号为华为ME60-8或中兴M6000-16时，则有：

BRAS设备子卡预测=Roundup(BRAS上下行万兆端口预测之和/2,0)；

BRAS设备母卡预测=Roundup(BRAS设备子卡预测/2,0)；

其中，“/2“分别意为每块子卡含2个万兆端口，每块母卡配置2块子卡。

当BRAS设备型号为华为ME60-X16或NE40E-X16时，则有：

BRAS设备子卡预测=Roundup(BRAS上下行万兆端口预测之和/5,0)；

BRAS设备母卡预测=Roundup(BRAS设备子卡预测/2,0)；

其中，“/5“意为每块子卡含5个万兆端口，“/2“意为每块母卡配置2块子卡。

当BRAS设备型号为中兴M6000-18s时，则有：

BRAS设备子卡预测=Roundup(BRAS上下行万兆端口预测之和/6,0)；

BRAS设备母卡预测=Roundup(BRAS设备子卡预测/2,0)；

其中，“/6“意为每块子卡含6个万兆端口，“/2“意为每块母卡配置2块子卡。

（5）BRAS设备槽位到达

通过BRAS槽位及Session数、BRAS板卡扩容数量2项数据得出。BRAS设备一块母卡即占一个槽位，结合BRAS槽位现状，便可得到槽位到达情况。BRAS设备槽位到达情况预测公式为：

BRAS设备槽位到达=BRAS设备槽位现状+BRAS设备母卡预测。

同时，可根据各运营商网络建设规则，设备槽位预警阈值，自动预警辅助维护管理。

需要说明的是，本实施例中扩容规模是将分析层预测得到的各种能力，转化为与城域网网络实体设备相关的板卡、端口等可进行采购、扩容的物理实体的需求量。

应当理解的是，本实施例中的网络实体设备参考通信行业主流厂家设备类型的规模商用的业务板卡，实际应用中可根据具体设备选型进行调整，影响的只是板卡端口数量的变化，其方法不受影响。

进一步地，上述步骤S5：根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案中，通过扩容规模即可输出城域网工程建设方案，主要涉及投资及对承载网等其他专业的需求，具体分为投资预测、BRAS新建方案、传输扩容需求等3项内容。其中：

（1）投资预测主要由BRAS板卡扩容数量，根据各设备厂家板卡单价得出。

（2）BRAS新建方案是指当扩容板卡所需槽位需求超出限制，或者在BRAS承载Session数超出BRAS设备所能承载的最大Session数要求时（不同的运营商门限规则不同），产生的新建设备需求。

需要说明的是，通常每台BRAS设备在新入网时，均会要求配置一定量的Session数（如96K、128K等）。当该设备所承载的用户产生的Session总数大于配置时，则需对Session进行扩容。一般情况下，运营商处于网络稳定及安全的考虑，对单台BRAS设备的Session数量上限有明确的限制。因此，当扩容量超出上限时，则需新建BRAS设备用于承载新的用户需求。

（3）传输扩容需求是指OLT设备与BRAS设备之间， BRAS设备至上层设备之间的端口扩容所需要的传输链路需求。主要有BRAS上行峰值流量预测、OLT改万兆需求2项决定。

由于大多数OLT设备、BRAS设备以及BRAS上联的核心路由器设备，其物理位置不在同一机房，彼此间需要通过波分或裸光纤等传输方式进行连通。OLT、BRAS等设备的端口需求与传输链路的数量是一一对应的。因此，传输专业的扩容需求便可以此为依据。

需要说明的是，本实施例通过大数据平台从各现有网管、资源等系统中进行关键数据采集，海量数据在大数据平台环境下，对各基础关键数据进行二次架构，从而得到可反映网络现状的动态表示参数和能力表示参数。基于动态表示参数和能力表示参数等抽象概念，结合数据层的基础关键数据，转化成针对工程项目的具体建设规模，从而构建构建所述城域网的工程建设方案。

另外，本实施例提供与一种大数据环境下城域网分析预测方法对应的系统，其总体逻辑拓扑架构如图3所示，分为数据层、分析层、展示层三大模块；数据层包括与大数据平台对接的IP综合网管、资源系统、PON网管系统、CRM系统等。分析层用于对所述基础关键数据进行处理，得到城域网现状的动态表示参数和所述城域网的能力表示参数；展示层用于基于所述城域网的能力表示参数、BRAS槽位及session数信息以及BRAS各类型端口信息等，对所述城域网的扩容规模进行预测，构建所述城域网的工程建设方案。

进一步地，本实施例还公开了一种计算机可读存储介质，包括与存储设备结合使用的若干条程序，所述若干条程序用于被处理器调用并执行如下步骤：

定时获取城域网内各网管的基础关键数据、BRAS各类型端口信息以及用户数预测信息，该基础关键数据包括BRAS槽位及session数信息、BRAS上行峰值流量信息、OLT上联设备信息、OLT上行峰值流量信息、OLT承载用户明细、OLT所承载的各速率用户峰值流量信息以及用户签约套餐信息；

基于设定的网络现状参数预测模型对所述基础关键数据进行处理，得到城域网现状的动态表示参数；

基于设定的网络能力计算模型，对所述城域网现状的动态表示参数和所述用户数预测信息进行处理，得到所述城域网的能力表示参数；

基于所述城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息、OLT上联设备信息、OLT承载用户明细信息以及预测用户数，对所述城域网的扩容规模进行预测；

根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案。

需要说明的是，本实施例中的处理器可以是中央处理器，也可以是其它通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、可编程门阵列（FPGA）或其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者任何常规的处理器等。

存储器可包括只读存储器和随机存取存储器，并向处理器提供指令和数据。

需要说明的是，如图1所示，本方案更适用于演进后的城域网网络。城域网近些年随通信技术的快速发展，业务控制层的宽带网络网关控制设备（BNG）设备基本已实现了高性能的融合的多业务路由器，即仅通过高性能的BRAS或MSE设备便可取代原有的BRAS与SR的功能。而随着用户高带宽的普及，用户流量呈暴发式增长，接入层的高性能OLT设备也不再通过汇聚交换机汇聚，而逐渐采用直联BRAS的方案，实现了网络的扁平化。

本发明中仍以惯用的BRAS设备为例进行描述，其发明内容对于MSE等业务控制层的其他功能相似的宽带网络网关控制设备同样适用。

另外、业务控制层的BRAS与MSE设备是城域网中承上启下的环节，本身规模较大，且下联更为庞大复杂的接入网。所以本方案重点围绕城域网的核心环节BRAS设备展开。对于城域网的另一个重要网元CR设备，由于其规模有限，一般一个城市仅设置2台或者几台，且作为BRAS的上联设备，其规划方法相对简单。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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)

1.一种大数据环境下城域网分析预测方法，其特征在于，包括：

定时获取城域网内各网管的基础关键数据、BRAS各类型端口信息以及用户数预测信息，该基础关键数据包括BRAS槽位及session数信息、BRAS上行峰值流量信息、OLT上联设备信息、OLT上行峰值流量信息、OLT承载用户明细、OLT所承载的各速率用户峰值流量信息以及用户签约套餐信息；

基于设定的网络现状参数预测模型对所述基础关键数据进行处理，得到城域网现状的动态表示参数；

基于设定的网络能力计算模型，对所述城域网现状的动态表示参数和所述用户数预测信息进行处理，得到所述城域网的能力表示参数；

基于所述城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息、OLT上联设备信息、OLT承载用户明细信息以及预测用户数，对所述城域网的扩容规模进行预测；

根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案。

2.如权利要求1所述的大数据环境下城域网分析预测方法，其特征在于，所述网络现状参数预测模型包括BRAS上下行收敛比预测模型、OLT上下行收敛比预测模型、不同速率用户流量模型预测模型、不同速率用户在线集中比模型以及单用户所占session数预测模型；

所述城域网现状的动态表示参数包括BRAS上下行收敛比、OLT上下行收敛比、不同速率用户流量模型、不同速率用户在线集中比模型以及单用户所在session数。

3.如权利要求2所述的大数据环境下城域网分析预测方法，其特征在于，所述基于设定的网络现状参数模型对所述基础关键数据进行处理，得到城域网现状的动态表示参数，包括：

利用所述BRAS上下行收敛比预测模型对所述BRAS上行峰值流量信息、OLT上行峰值流量信息以及OLT上联设备信息进行处理，得到BRAS上下行收敛比预测值，其中BRAS上下行收敛比预测模型为：

BRAS上下行收敛比=BRAS上行峰值流量/∑(归属该BRAS设备的OLT上行峰值流量)；

利用所述OLT上下行收敛比预测模型对所述OLT上行峰值流量信息、OLT所承载的各速率用户峰值流量信息进行处理，得到OLT上下行收敛比预测值，其中OLT上下行收敛比预测模型为：

OLT上下行收敛比=OLT上行峰值流量/∑(该OLT设备所承载的各速率用户峰值流量)；

利用所述不同速率用户流量预测模型对所述OLT承载用户明细、OLT所承载的各速率用户峰值流量信息以及用户签约套餐信息进行处理，得到不同速率用户流量模型，其中不同速率用户流量预测模型为：

不同速率用户流量模型=∑(各速率用户的峰值流量)/各速率用户的忙时在线数，

其中，各速率用户的峰值流量之和由所述OLT承载用户明细、OLT所承载的各速率用户峰值流量信息及用户签约套餐进行关联得到；各速率用户忙时在线数，即为各速率用户忙时在线集中比，意为OLT设备达到峰值流量时同时在线的各速率用户数；

利用所述不同速率用户在线集中比模型对所述OLT承载用户明细及OLT所承载的各速率用户峰值流量信息进行处理，得到不同速率用户在线集中比，其中不同速率用户在线集中比模型为：

不同速率用户在线集中比=各速率用户的忙时在线数/该OLT设备所承载的各速率用户总数，

其中，忙时在线数即为达到峰值流量时同时在线用户数，设备所承载的各速率用户总数即为在该时刻此OLT设备所承载的线上及线下同一速率用户之和；

利用所述单用户所在session数预测模型对所述BRAS槽位及session数信息、OLT上联设备信息以及OLT承载用户明细进行处理，得到单用户所在session数，其中单用户所在session数预测模型为：

单用户所占session数=BRAS设备session数/∑(归属该BRAS设备的OLT所承载的在线用户数)。

4.如权利要求3所述的大数据环境下城域网分析预测方法，其特征在于，所述网络能力计算模型包括OLT下行峰值流量预测模型、OLT上行峰值流量预测模型、BRAS下行峰值流量及下行端口预测模型、BRAS上行峰值流量预测模型以及BRAS上行端口预测模型；

所述城域网的能力表示参数包括OLT下行峰值流量预测值、OLT上行峰值流量预测值、BRAS下行峰值流量、BRAS下行端口预测值、BRAS上行峰值流量预测值以及BRAS上行端口预测值。

5.如权利要求4所述的大数据环境下城域网分析预测方法，其特征在于，所述基于设定的网络能力计算模型，对所述城域网现状的动态表示参数和所述用户数预测信息进行处理，得到所述城域网的能力表示参数，包括：

利用所述OLT下行峰值流量预测模型，对所述各速率用户数预测信息、不同速率用户在线集中比以及不同速率用户流量模型进行处理，得到OLT下行峰值流量预测值，其中OLT下行峰值流量预测模型为：

OLT下行峰值流量预测值=∑(各速率用户流量模型×各速率用户数×各速率用户在线集中比)；

利用所述OLT上行峰值流量预测模型，对所述OLT上下行收敛比、OLT下行峰值流量预测值进行处理，得到OLT上行峰值流量预测值，其中OLT上行峰值流量预测模型为：

OLT上行峰值流量预测值=OLT下行峰值流量×OLT上下行收敛比；

根据所述OLT上行峰值流量预测值，计算OLT上行端口数预测值；

利用所述BRAS下行峰值流量及下行端口预测模型，对所述OLT上行峰值流量和所述OLT上联设备信息进行处理，得到BRAS下行峰值流量预测值及BRAS下行端口预测值，其中BRAS下行峰值流量及BRAS下行端口预测模型分别为：

BRAS下行峰值流量=∑(归属该BRAS设备的OLT上行峰值流量)；

BRAS下行端口预测=∑(归属该BRAS设备的OLT上行端口数)；

利用所述BRAS上行峰值流量预测模型，对所述BRAS上下行收敛比和BRAS下行峰值流量预测值进行处理，得到BRAS上行峰值流量预测值，其中BRAS上行峰值流量预测模型为：

BRAS上行峰值流量预测=BRAS下行峰值流量×BRAS上下行收敛比；

利用所述BRAS上行端口预测模型，对所述BRAS上行峰值流量预测值进行处理，得到BRAS上行端口预测值，其中BRAS上行端口预测模型为：

BRAS上行端口预测=Roundup(BRAS上行峰值流量/1024/2/60%/10,0)×2。

6.如权利要求5所述的大数据环境下城域网分析预测方法，其特征在于，所述根据所述OLT上行峰值流量预测值，计算OLT上行端口数预测值，包括：

若OLT上行链路现状为10G链路，上行峰值流量单位按Mbps计算，则OLT上行端口数=Roundup(OLT上行峰值流量/1024/2/50%/10,0)×2；

若OLT上行链路现状为GE链路，上行峰值流量单位按Mbps考虑，则OLT上行端口数=If(OLT上行峰值流量<(1024×50%×6),Roundup(OLT上行峰值流量/1024/2/50%,0)×2,Roundup(OLT上行峰值流量/1024/2/50%/10,0)×2)。

7.如权利要求6所述的大数据环境下城域网分析预测方法，其特征在于，所述基于所述城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息、OLT上联设备信息、OLT承载用户明细信息以及预测用户数，对所述城域网的扩容规模进行预测，包括：

基于所述用户数预测信息、OLT承载用户明细、单用户所占Session数、OLT上联设备信息以及不用速率用户在线集中比，计算BRAS承载Session数；

根据所述OLT上行端口预测值，计算OLT改万兆需求量；

基于所述BRAS下行峰值流量预测值、BRAS下行端口预测值、BRAS上行端口预测值以及BRAS各类型端口信息，计算BRAS板卡扩容数量；

根据所述BRAS板卡扩容数量和BRAS槽位及session数信息，预测槽位到达情况。

8.如权利要求7所述的大数据环境下城域网分析预测方法，其特征在于，所述基于所述用户数预测信息、OLT承载用户明细、单用户所占Session数、OLT上联设备信息以及不同速率用户在线集中比，计算BRAS承载Session数，包括：

根据所述OLT承载用户明细将所述用户数预测信息按照趋势预测分解到每台OLT设备；根据不同速率用户在线集中比计算每台OLT的预测在线用户数；

将所述OLT上联设备信息关联到相应BRAS设备上；

按照如下公式计算BRAS承载Session数：

BRAS承载Session数=∑(归属该BRAS设备的OLT所承载的各速率用户预测值×不同速率用户在线集中比)×单用户所占Session数。

9.如权利要求7所述的大数据环境下城域网分析预测方法，其特征在于，所述根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案，包括：

根据所述BRAS板卡扩容数量和BRAS板卡单价，预测所述城域网投资数目；

根据所述BRAS承载Session数和BRAS设备槽位到达情况，构建BRAS建设方案；

根据所述BRAS上行峰值流量预测值和OLT改万兆需求量，预测所述城域网传输扩容需求量；

根据所述城域网的投资数目、BRAS建设方案以及传输扩容需求量，构建所述城域网的工程建设方案。

10.一种计算机可读存储介质，其特征在于，包括与存储设备结合使用的若干条程序，所述若干条程序用于被处理器调用并执行如下步骤：

定时获取城域网内各网管的基础关键数据、BRAS各类型端口信息以及各速率用户数预测信息，该基础关键数据包括BRAS槽位及session数信息、BRAS上行峰值流量信息、OLT上联设备信息、OLT上行峰值流量信息、OLT承载用户明细、OLT所承载的各速率用户峰值流量信息以及用户签约套餐信息；

基于设定的网络现状参数预测模型对所述基础关键数据进行处理，得到城域网现状的动态表示参数；

基于设定的网络能力计算模型，对所述城域网现状的动态表示参数和所述用户数预测信息进行处理，得到所述城域网的能力表示参数；

基于所述城域网的能力表示参数、BRAS槽位及session数信息以及BRAS各类型端口信息、OLT上联设备信息以及OLT承载用户明细信息，对所述城域网的扩容规模进行预测；

根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案。