CN110062393A - 一种网络差小区智能分析方法 - Google Patents

Abstract

本发明公开了一种网络差小区智能分析方法，包括如下步骤：S1.通过大数据分析建立网络差小区的网络优化经验样本库；S2.对所述网络优化经验样本库进行分析，确定特征参数；S3.对于待分析的网络差小区，以所述待分析的网络差小区的特征参数对所述网络优化经验样本库进行大数据挖掘分析，确定所述待分析的网络差小区的成因及处理方法。具有可快速对网络差小区进行智能分析，自动化、智能化程度高，可靠性好，精确性高等优点。

Description

一种网络差小区智能分析方法

技术领域

本发明涉及移动通信领域，尤其涉及一种网络差小区智能分析方法。

背景技术

在移动通信领域中，网络通信的质量越来越受关注，通过网管系统，可以根据不同小区级KPI指标（Key Performance Indication，关键业绩指标）预设好的不同告警级别阀值，在发生告警时向一线维护人员派发性能告警工单督促维护人员处理。一线维护人员接到工单后，首先是花费不少时间去网管系统或无线网络优化系统去翻查该告警小区（以下统一称谓为“网络差小区”）的其余相关性能指标以及硬件告警情况，依靠个人日常的无线网络优化经验结合查阅到的各项指标初步判断网络差小区大致存在的问题，接着安排现场测试或者上站排查，综上流程走完后，才可将网络差小区的成因弄清楚兼处理完毕。LTE（Long Term Evolution，长期演进技术）网络差小区的相关规范定义及具体工作排查LTE网络差小区的实际经验，LTE网络差小区的成因千差万别，有软件问题引起的、有硬件故障造成的、还有网优参数配置错误导致的、再者是基站小区外在环境影响而至的等等，诸多原因形成的网络差小区如仅分析成为网络差小区的一两个触动阀值的KPI指标是难以得出其成因的，需网优人员根据该网络差小区所触动阀值KPI指标关联的其余KPI指标异常状况、该网络差小区的参数配置、邻区信息、故障告警记录、异系统互操作参数配置、MR测量信息并结合以往处理问题小区的优化经验进行判断后才能初步得出该网络差小区的成因以及下一步处理方法。

据统计，一个经验丰富的网络优化人员按以上述流程排查处理一个网络差小区，其综合指标分析时长约占整个处理过程的30%，如果网络优化人员经验欠缺，耗时将会更长。因此，亟需一种网络差小区的分析方法。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种可快速对网络差小区进行智能分析，自动化、智能化程度高，可靠性好，精确性高的网络差小区智能分析方法。

为解决上述技术问题，本发明提出的技术方案为：一种网络差小区智能分析方法，包括如下步骤：

S1. 通过大数据分析建立网络差小区的网络优化经验样本库；

S2. 对所述网络优化经验样本库进行分析，确定特征参数；

S3. 对于待分析的网络差小区，以所述待分析的网络差小区的特征参数对所述网络优化经验样本库进行大数据挖掘分析，确定所述待分析的网络差小区的成因及处理方法。

进一步地，所述网络优化经验样本库通过对网络监控数据按照预设的第一指标根据预设的筛选规则筛选出网络差小区的数据，并补充完善成因及处理方法，对数据进行规范后，通过大数据分析而建立。

进一步地，所述优化经验样本库至少包括如下参数的数据：所述预设的第一指标、参数配置、告警参数、MR测量参数、邻区状态参数。

进一步地，所述预设的第一指标至少包括以下指标中的任一项：E-RAB（EvolvedRadio Access Bearer，演进的无线接入承载）建立成功率、E-RAB建立请求数、RRC（RadioResource Control，无线资源控制）连接建立成功率、RRC连接建立请求次数、切换成功率、同频切换出执行请求数、异频切换出执行请求次数、无线掉线率、初始上下文建立成功次数、遗留上下文个数。

进一步地，所述预设的筛选规则至少包括以下规则中的任一项：

A. E-RAB建立成功率小于预设的E-RAB建立成功率阈值；

B. E-RAB建立请求数大于预设的E-RAB建立请求数阈值；

C. RRC连接建立成功率小于预设的RRC连接建立成功率阈值；

D. RRC连接建立请求次数大于预设的RRC连接建立请求次数阈值；

E. 切换成功率小于预设的切换成功率阈值；

F. 同频切换出执行请求数与异频切换出执行请求次数之和大于预设的第一阈值；

G. 无线掉线率大于预设的无线掉线率阈值；

H. 初始上下文建立成功次数与遗留上下文个数之和大于预设的第二阈值。

进一步地，所述预设的筛选规则优选为：同时满足所述规则A和B；或者：同时满足所述规则C和D；或者：同时满足所述规则E和F；或者：同时满足所述规则G和H。

进一步地，所述对数据进行规范包括以下规范中的至少一项：

a. 将大气波导规范为网内干扰；

b. 将4G（第四代移动通信技术）仿真站规范为网外干扰；

c. 将GPS（Global Positioning System，全球定位系统）故障或失步规范为主设备故障；

d. 将射频单元红外接口异常告警在没有明确为RRU（Radio Remote Unit，射频拉远单元）软件或硬件故障所导致时规范为传输类故障，在明确为RRU软件或硬件故障所导致时规范为主设备故障；

e. 将SCTP（Stream Control Transmission Protocol，流控制传输协议）链路故障告警规范为传输类故障；

f. 将BBU IR（Building Base band Unite Infrared，室内基带处理单元红外接口）光模块收发异常告警规范为传输类故障；

g. 将射频单元红外接口异常告警规范为传输类故障；

h. 将射频单元维护链路异常告警在没有明确为硬件故障时规范为传输类故障，在明确为硬件故障时规范为硬件故障；

i. 将明确只需要更换光模块就可解决的故障规范为传输类故障；

j. 将远程维护通道故障告警，明确不需要更换UMPT（Universal Main Processing &Transmission unit，通用主控传输单元）板可自行恢复的规范为传输类故障；

k. 将BBU（Building Base band Unite，室内基带处理单元）和RRU之间的光缆故障规范为传输类故障；

l. 将两个小区间切换出过早次数较多，可通过修改参数而解决的故障规范为参数设置故障；

m. 将小区因受相邻小区的服务能力收缩而导致成为网络差小区的，规范为邻区问题。

进一步地，所述特征参数包括：所述预设的第一指标、MR测量参数（MeasurementReport，测量报告）和邻区状态参数。

进一步地，步骤S3中所述大数据挖掘分析优选采用K最近邻算法或C&RTree分类回归树算法。

进一步地，所述网络优化经验样本库随着网络差小区数据的增加而不断更新。

与现有技术相比，本发明的优点在于：

1、本发明通过大数据分析建立的网络优化经验样本库的基础上，通过数据挖掘算法对网络差小区进行智能分析，定位确定网络差小区的故障成因及故障的处理方法，自动化、智能化程度高；可靠性好，精确性高。

2、本发明通过对网络差小区的数据进行规范，可以保证网络优化经验样本库中的数据具有统一的标准，统一化、标准化、规范化，从而可以更加精确的对网络差小区进行标准化的分析，生成标准化的结果。

3、本发明的网络优化经验样本库随着网络差小区数据的增加而不断更新，用网络管理工作中日积月累形成的网络优化经验不断的补充充实网络优化经验样本库，在具有一定数量的样本数据后，可以很好的保证分析结果的准确性。

附图说明

图1为本发明具体实施例的流程示意图。

图2为本发明具体实施例中筛选出网络差小区的数据的筛选规则示意图。

图3为本发明具体实施例分析结果准确率对比图。

具体实施方式

以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。

本实施例利用某省级移动通信运营商现有网络管理平台的监测数据对本发明的智能分析方法进行实际验证。该移动通信运营商的现用网元设备主要由中兴、华为、爱立信、诺基亚、贝尔等五家厂商供应，通过现有的网络管理平台（无线网优2.0系统平台）采集网元的性能资源数据。现有网络管理平台对网络进行了较为全面的监测，包括每小时的话务统计数据、MR测量数据和上行干扰测量数据等，采集了大量的数据，具有种类繁多、数据格式复杂、数据量大等特点，已为网络管理大数据应用作好了数据准备。采用的设备厂商为通用，采用的网络制式为LTE网络。

如图1所示，本实施例的网络差小区智能分析方法，包括如下步骤：S1. 通过大数据分析建立网络差小区的网络优化经验样本库；S2. 对网络优化经验样本库进行分析，确定特征参数；S3. 对于待分析的网络差小区，以待分析的网络差小区的特征参数对网络优化经验样本库进行大数据挖掘分析，确定待分析的网络差小区的成因及处理方法。

在本实施例中，网络优化经验样本库通过对网络监控数据按照预设的第一指标根据预设的筛选规则筛选出网络差小区的数据，并补充完善成因及处理方法，对数据进行规范后，通过大数据分析而建立。优化经验样本库至少包括如下参数的数据：预设的第一指标、参数配置、告警参数、MR测量参数、邻区状态参数。预设的第一指标至少包括以下指标中的任一项：E-RAB建立成功率、E-RAB建立请求数、RRC连接建立成功率、RRC连接建立请求次数、切换成功率、同频切换出执行请求数、异频切换出执行请求次数、无线掉线率、初始上下文建立成功次数、遗留上下文个数。

如图2所示，在本实施例中，预设的筛选规则至少包括以下规则中的任一项：A. E-RAB建立成功率小于预设的E-RAB建立成功率阈值，本实施例中阈值优选为0.8；B. E-RAB建立请求数大于预设的E-RAB建立请求数阈值，本实施例中阈值优选为200；C. RRC连接建立成功率小于预设的RRC连接建立成功率阈值，本实施例中阈值优选为0.8；D. RRC连接建立请求次数大于预设的RRC连接建立请求次数阈值，本实施例中阈值优选为500；E. 切换成功率小于预设的切换成功率阈值，本实施例中阈值优选为0.6；F. 同频切换出执行请求数与异频切换出执行请求次数之和大于预设的第一阈值，本实施例中阈值优选为200；G. 无线掉线率大于预设的无线掉线率阈值，本实施例中阈值优选为0.1；H. 初始上下文建立成功次数与遗留上下文个数之和大于预设的第二阈值，本实施例中阈值优选为500。预设的筛选规则优选为：同时满足规则A和B；或者：同时满足规则C和D；或者：同时满足规则E和F；或者：同时满足规则G和H。特征参数包括：预设的第一指标、MR测量参数（Measurement Report，测量报告）和邻区状态参数。特征参数还可以包括网络差小区的参数配置、网络差小区及其邻区故障告警记录、异系统互操作参数配置、传输网络故障告警信息和网元故障告警信息，通过增加这些特征参数，可以进一步提高预测差小区成因的准确性。

在本实施例中，通过如图2所示的规则对网络管理平台所监测的数据进行筛选，确定出LTE网络差小区的监测数据。根据对LTE网络差小区的相关规范定义及具体工作排查LTE网络差小区的实际经验，可以知道LTE网络差小区的成因千差万别，有软件问题引起的、有硬件故障造成的、还有网络优化参数配置错误导致的、再者是基站小区外在环境影响而至的等等，诸多原因形成的网络差小区如仅分析成为网络差小区的一两个触动阀值的KPI指标（Key Performance Indication，关键业绩指标）是难以得出其成因的，需网络优化人员根据该网络差小区所触动阀值KPI指标关联的其余KPI指标异常状况、该网络差小区的参数配置、邻区信息、故障告警记录、异系统互操作参数配置、MR测量信息并结合以往处理问题小区的优化经验进行判断后才能初步得出该网络差小区的成因以及下一步处理方法。本实施例中，通过网络管理平台所保存的半年的所有LTE网络差小区工单，工单都是经过各地市网络优化人员人工排查处理过，有详细的处理结果，通过工单补充完善了LTE网络差小区成因及处理方法。在本实施例中，预设的第一指标是从网络管理平台的KPI指标中选取的指标。KPI指标包括：RRC链接建立成功率、E-RAB建立成功率、无线接通率、无线掉话率（E-RAB异常释放）、小区eNodeB（Evolved Node B，演进型Node B）内切换出成功率、小区eNodeB间切换出成功率、异系统切换出成功率、上、下行业务平均吞吐量、上、下行PRB平均利用率、激活用户数、无线承载数、资源块利用率、单板CPU最大占用率、单板CPU平均占用率、无线网络退服比例、上行PRB资源使用的平均个数、下行PRB资源使用的平均个数。

由于LTE网络优化经验看不见、摸不着，很难具体化，难以直接从LTE网络差小区的原始话统数据、无线参数配置、邻区状况、MR测量等数据本身获得所需信息。因此，本实施例通过首先通过将以往处理网络差小区的大量相关信息（特征值）规范整理归纳汇总得到初始网络优化经验库，再经人工审查修正后得到最终具有极高可靠性的LTE网络优化经验样本库。样本库累计的样本条数越多，越有利于算法的训练，在此基础上得出算法的最佳参数将更贴近实际应用有利于提高算法预测准确率。

在本实施例中，按照预设的规范对数据进行规范，预设的规范包括以下规范中的至少一项：a. 将大气波导规范为网内干扰；b. 将4G仿真站规范为网外干扰；c. 将GPS故障或失步规范为主设备故障；d. 将射频单元红外接口异常告警在没有明确为RRU软件或硬件故障所导致时规范为传输类故障，在明确为RRU软件或硬件故障所导致时规范为主设备故障；e. 将SCTP链路故障告警规范为传输类故障；f. 将BBU IR光模块收发异常告警规范为传输类故障；g. 将射频单元红外接口异常告警规范为传输类故障；h. 将射频单元维护链路异常告警在没有明确为硬件故障时规范为传输类故障，在明确为硬件故障时规范为硬件故障；i. 将明确只需要更换光模块就可解决的故障规范为传输类故障；j. 将远程维护通道故障告警，明确不需要更换UMPT板可自行恢复的规范为传输类故障；k. 将BBU和RRU之间的光缆故障规范为传输类故障；l. 将两个小区间切换出过早次数较多，可通过修改参数而解决的故障规范为参数设置故障；m. 将小区因受相邻小区的服务能力收缩而导致成为网络差小区的，规范为邻区问题。在本实施例中，具体利用了该移动通信运营商三个月的LTE网络差小区数据，并以其中前两个月的数据进行规范、修正生成网络优化经验样本库，以第三个月的数据作为测试数据。生成的网络优化经验样本库共有8340条样本数据，测试数据798条。

在本实施例中，步骤S3中大数据挖掘分析优选采用K最近邻算法或C&RTree分类回归树算法。大数据挖掘算法种类很多，包括分类决策树、K-Means算法、SVM支持向量机、Apriori算法、最大期望算法、Google公司的PageRank、AdaBoost算法、K最近邻算法、朴素贝叶斯算法、分类与回归树等，通过大量的试验研究，最终确定C&RTree分类回归树算法和K最近邻算法在处理网络差小区智能分析方面具有较好的表现。

在本实施例中，K最近邻算法：以待分析的网络差小区为未知样本，以网络优化经验样本库中的样本为训练样本，通过计算未知样本和训练样本之间的距离来确定未知样本和训练样本之间的非相似性指标，计算确定K-最近邻样本，以K-最近邻样本中出现频率最大的样本类别作为未知样本的类别，根据类别确定未知样本的成因及处理方法。在本实施例中，通过计算样本间距离来作为各个样本之间的非相似性指标，避免了样本之间的匹配问题，且所有的特征值都进行了归一化处理，然后距离选最基本的欧氏距离。

在本实施例中，通过不同的大数据挖掘算法对测试数据进行智能分析，得出预测分析的正确率情况如图3所示。可以得出以下结论。

1、K最近邻分类算法应用对LTE网络差小区成因预测准确率最佳，达到74.81%，C&RTree分类回归树对LTE网络差小区成因预测准确率为71.05%，两种算法的预测成功率都超过70%，在工程技术领域已经达到可实际应用的水平。

2、K最近邻分类算法对于邻区问题、容量不足、网外干扰这三种LTE网络差小区成因问题的判断准确率比较高，覆盖问题、其他及主设备或传输类故障的判断准确率差强人意，而天馈故障和网内干扰这两种LTE网络差小区成因预测准确率都为0。主要原因是K最近邻分类算法在应用过程中，样本的距离是根据样本所有特征计算的，而这些特征与分类的强弱性相关，这样就有可能使得邻近间的相似度会被大量的不相关特征过多食用，导致分类产生误导。

3、C&RTree分类回归树对于邻区问题、其他、容量不足、网外干扰等四种LTE网络差小区成因问题的判断准确率比较高，覆盖问题及主设备或传输类故障的判断准确率一般，而天馈故障和网内干扰这两种LTE网络差小区成因预测准确率也为0。

4、K最近邻分类算法和C&RTree分类回归树对天馈故障和网内干扰这两种LTE网络差小区成因预测准确率都为0的原因有两个方面：其一，LTE网络差小区测试库里面天馈故障和网内干扰的样本分别只有4条和3条，样本量严重偏少，样本数量太少，而数据挖掘算法倾向于选择属性数量较多的分类，而过少的样本则被淹没了；其二，LTE网优经验样本库由于数据来源的正确性不高，特征值漏缺问题突出，虽然样本库有经过人工修正，但不能从根本上解决问题，这样对算法的预测准确率有很大的负面影响。

5、朴素贝叶斯算法对于覆盖问题、邻区问题预测准确率较高，而其他各项问题预测准确率均较低。总体的预测结果不是很令人满意，通过尝试删减部分具有很明显关联性的特征值，再使用朴素贝叶斯算法重新训练，但最终预测准确率改善并不明显。再次深入了解朴素贝叶斯算法这种简单但功能强大的线性分类器，其应用是基于假设特征之间是相互独立的，但实际应用中的LTE网络差小区的KPI指标、MR测量、邻区状况等原始数据（特征）相互间都有或显或隐的强关联性，使得朴素贝叶斯算法的假设完全不成立，导致朴素贝叶斯算法在网络差小区智能分析上的效果不理想。

上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (10)

1.一种网络差小区智能分析方法，其特征在于，包括如下步骤：

S1. 通过大数据分析建立网络差小区的网络优化经验样本库；

S2. 对所述网络优化经验样本库进行分析，确定特征参数；

S3. 对于待分析的网络差小区，以所述待分析的网络差小区的特征参数对所述网络优化经验样本库进行大数据挖掘分析，确定所述待分析的网络差小区的成因及处理方法。

2.根据权利要求1所述的网络差小区智能分析方法，其特征在于：所述网络优化经验样本库通过对网络监控数据按照预设的第一指标根据预设的筛选规则筛选出网络差小区的数据，并补充完善成因及处理方法，对数据进行规范后，通过大数据分析而建立。

3.根据权利要求2所述的网络差小区智能分析方法，其特征在于：所述优化经验样本库至少包括如下参数的数据：所述预设的第一指标、参数配置、告警参数、MR测量参数、邻区状态参数。

4.根据权利要求3所述的网络差小区智能分析方法，其特征在于：所述预设的第一指标至少包括以下指标中的任一项：E-RAB建立成功率、E-RAB建立请求数、RRC连接建立成功率、RRC连接建立请求次数、切换成功率、同频切换出执行请求数、异频切换出执行请求次数、无线掉线率、初始上下文建立成功次数、遗留上下文个数。

5.根据权利要求4所述的网络差小区智能分析方法，其特征在于：所述预设的筛选规则至少包括以下规则中的任一项：

A. E-RAB建立成功率小于预设的E-RAB建立成功率阈值；

B. E-RAB建立请求数大于预设的E-RAB建立请求数阈值；

C. RRC连接建立成功率小于预设的RRC连接建立成功率阈值；

D. RRC连接建立请求次数大于预设的RRC连接建立请求次数阈值；

E. 切换成功率小于预设的切换成功率阈值；

F. 同频切换出执行请求数与异频切换出执行请求次数之和大于预设的第一阈值；

G. 无线掉线率大于预设的无线掉线率阈值；

H. 初始上下文建立成功次数与遗留上下文个数之和大于预设的第二阈值。

6.根据权利要求5所述的网络差小区智能分析方法，其特征在于：所述预设的筛选规则优选为：同时满足所述规则A和B；或者：同时满足所述规则C和D；或者：同时满足所述规则E和F；或者：同时满足所述规则G和H。

7.根据权利要求5所述的网络差小区智能分析方法，其特征在于：所述对数据进行规范包括以下规范中的至少一项：

a. 将大气波导规范为网内干扰；

b. 将4G仿真站规范为网外干扰；

c. 将GPS故障或失步规范为主设备故障；

d. 将射频单元红外接口异常告警在没有明确为RRU软件或硬件故障所导致时规范为传输类故障，在明确为RRU软件或硬件故障所导致时规范为主设备故障；

e. 将SCTP链路故障告警规范为传输类故障；

f. 将BBU IR光模块收发异常告警规范为传输类故障；

g. 将射频单元红外接口异常告警规范为传输类故障；

h. 将射频单元维护链路异常告警在没有明确为硬件故障时规范为传输类故障，在明确为硬件故障时规范为硬件故障；

i. 将明确只需要更换光模块就可解决的故障规范为传输类故障；

j. 将远程维护通道故障告警，明确不需要更换UMPT板可自行恢复的规范为传输类故障；

k. 将BBU和RRU之间的光缆故障规范为传输类故障；

l. 将两个小区间切换出过早次数较多，可通过修改参数而解决的故障规范为参数设置故障；

m. 将小区因受相邻小区的服务能力收缩而导致成为网络差小区的，规范为邻区问题。

8.根据权利要求7所述的网络差小区智能分析方法，其特征在于，所述特征参数包括：所述预设的第一指标、MR测量参数和邻区状态参数。

9.根据权利要求8所述的网络差小区智能分析方法，其特征在于：步骤S3中所述大数据挖掘分析优选采用K最近邻算法或C&RTree分类回归树算法。

10.根据权利要求1至9任一项所述的网络差小区智能分析方法，其特征在于： 所述网络优化经验样本库随着网络差小区数据的增加而不断更新。