CN116319251A - 无线侧网络根因定位方法、运行控制装置及存储介质 - Google Patents
无线侧网络根因定位方法、运行控制装置及存储介质 Download PDFInfo
- Publication number
- CN116319251A CN116319251A CN202111571366.0A CN202111571366A CN116319251A CN 116319251 A CN116319251 A CN 116319251A CN 202111571366 A CN202111571366 A CN 202111571366A CN 116319251 A CN116319251 A CN 116319251A
- Authority
- CN
- China
- Prior art keywords
- kpi
- kqi
- value
- root cause
- values
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 82
- 230000006870 function Effects 0.000 claims abstract description 80
- 230000015556 catabolic process Effects 0.000 claims abstract description 47
- 238000006731 degradation reaction Methods 0.000 claims abstract description 47
- 230000008447 perception Effects 0.000 claims abstract description 45
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000007477 logistic regression Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 34
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 230
- 230000000875 corresponding effect Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 101100384355 Mus musculus Ctnnbip1 gene Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- 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
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无线侧网络根因定位方法、运行控制装置及存储介质,包括:获取预设的映射函数模型,其中,映射函数模型用于建立关键性能指标KPI值和关键质量指标KQI值之间的映射关系;获取目标小区的KPI数据,KPI数据包括多个KPI值;根据映射函数模型,计算得到多个与KPI值对应的KQI预测值,其中,KQI预测值用于反映对应的KPI值对用户感知的影响;根据映射函数模型,得到多个基于分布的KPI劣化拐点;根据KQI预测值和KPI劣化拐点确定根因KPI值。根据本发明实施例提供的方案,在映射函数模型的基础上,可以获得多个KQI预测值和KPI劣化拐点,根据KQI预测值和KPI劣化拐点可以快速定位根因KPI值,将根因KPI值作为优化指标,有利于提升用户的实际体验感知。
Description
技术领域
本发明涉及网络运维技术领域,尤其涉及一种无线侧网络根因定位方法、运行控制装置及存储介质。
背景技术
移动运营商日常运维网络包括无线侧小区,4G、5G核心网网元,通过分析移动通讯系统中控制面及用户面信令,对网络中存在的问题进行分析和评估,通过扩容、参数优化、工程实施等技术手段,可以提高移动终端用户的网络使用体验。目前在移动运营商无线运维领域,无线侧指标有上百个,针对无线侧关键性能指标(Key Performance I nd ication,KPI)专项优化的工具有具体的体系方法。当前系统优化的目标指向无线侧KPI提升,而无线侧KPI与用户的实际感知之间的关系是不明确的,当出现用户投诉或网络专项优化任务时,网络优化人员通常依据已有系统进行小区无线侧指标分析,并根据专家经验进行参数的调整,但优化操作能否提升用户的使用感知取决于专家经验,通常需要几轮优化迭代尝试,难以快速准确定位到异常根因,无法有效针对用户特定体验感知进行优化操作。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种无线侧网络根因定位方法、运行控制装置及存储介质,能够快速定位根因,有利于提升用户的实际体验感知。
第一方面,本发明实施例提供一种无线侧网络根因定位方法,包括:获取预设的映射函数模型,其中,所述映射函数模型用于建立关键性能指标KPI值和关键质量指标KQI值之间的映射关系;获取目标小区的KPI数据,所述KPI数据包括多个KPI值;根据所述映射函数模型,计算得到多个与所述KPI值对应的KQI预测值,其中,所述KQI预测值用于反映对应的KPI值对用户感知的影响;根据所述映射函数模型,得到多个基于分布的KPI劣化拐点;根据所述KQI预测值和所述KPI劣化拐点确定根因KPI值。
第二方面,本发明实施例提供一种运行控制装置,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如上第一方面实施例所述的无线侧网络根因定位方法。
第三方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如上第一方面实施例所述的无线侧网络根因定位方法。
本发明实施例包括:获取预设的映射函数模型,其中,所述映射函数模型用于建立关键性能指标KPI值和关键质量指标KQI值之间的映射关系;获取目标小区的KPI数据,所述KPI数据包括多个KPI值;根据所述映射函数模型,计算得到多个与所述KPI值对应的KQI预测值,其中,所述KQI预测值用于反映对应的KPI值对用户感知的影响;根据所述映射函数模型,得到多个基于分布的KPI劣化拐点;根据所述KQI预测值和所述KPI劣化拐点确定根因KPI值。根据本发明实施例提供的方案,通过获取抽象出KPI值和KQI值之间的映射函数模型,在映射函数模型的基础上,根据目标小区的KPI值可以获得多个KQI预测值,通过KQI预测值可以反映KPI值对用户感知的影响,便于快速定位影响度高的KPI值,另外,基于映射函数模型,得到多个基于分布的KPI劣化拐点,根据KQI预测值和KPI劣化拐点可以快速定位根因KPI值,将根因KPI值作为优化指标,可以制定针对性的无线指标优化策略,有利于提升用户的实际体验感知。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
下面结合附图和实施例对本发明进一步地说明;
图1是本发明的一个实施例提供的无线侧网络根因定位方法的流程图;
图2是本发明的另一个实施例提供的无线侧网络根因定位方法的流程图;
图3是本发明的另一个实施例提供的无线侧网络根因定位方法的流程图;
图4是本发明的另一个实施例提供的无线侧网络根因定位方法的流程图;
图5是本发明的另一个实施例提供的无线侧网络根因定位方法的流程图;
图6是本发明的另一个实施例提供的映射函数的示意图;
图7是本发明的另一个实施例提供的目标小区的KPI值的示意图;
图8是本发明的另一个实施例提供的KQI预测值的排序结果示意图;
图9是本发明的另一个实施例提供的KPI值按照预设业务标签进行标记分组的示意图;
图10是本发明的另一个实施例提供的龙桑寺某小区TCP指标的示意图;
图11是本发明的另一个实施例提供的龙桑寺小区根因定位结果的示意图;
图12是本发明的另一个实施例提供的运行控制装置的结构示意图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
下面结合附图,对本发明实施例作进一步阐述。
目前在移动运营商无线运维领域,无线侧指标有上百个,针对无线侧KPI专项优化的工具有具体的体系方法。当前系统优化的目标指向无线侧KPI提升,而无线侧KPI与用户的实际感知之间的关系是不明确的,当出现用户投诉或网络专项优化任务时,网络优化人员通常依据已有系统进行小区无线侧指标分析,并根据专家经验进行参数的调整,但优化操作能否提升用户的使用感知取决于专家经验,通常需要几轮优化迭代尝试,难以快速准确定位到异常根因,无法有效针对用户特定体验感知进行优化操作。
本发明实施例提供一种无线侧网络根因定位方法、运行控制装置及存储介质,能够快速定位根因,有利于提升用户的实际体验感知。
如图1所示,本发明的第一方面实施例提供一种无线侧网络根因定位方法,包括但不限于步骤S110至步骤S150:
步骤S110:获取预设的映射函数模型,其中,映射函数模型用于建立KPI值和KQI值之间的映射关系;
需要说明的是,当前网络系统优化的目标主要指向无线KPI提升,而无线KPI与用户的实际感知中间的映射关系是不明确的。关键质量指标(Key Quality Indicators,KQI)是针对不同业务提出的贴近用户感受的业务质量参数,能够反映小区无线信号质量,通过结合网优专家的经验,获取预设的映射函数模型,能够得到KPI值和KQI值之间的映射关系,从而能够根据KQI值确定关联的KPI值,通过将根因定位流程抽象为数学建模,为提升用户感知的网络优化提供有效的技术支撑工具。
步骤S120:获取目标小区的KPI数据,KPI数据包括多个KPI值;
当目标小区反映存在质差问题,对目标小区进行根因识别,首先获取目标小区的KPI数据,其中,KPI数据包括多个KPI值。
需要说明的是,KPI数据可以包括小区上行RLC SDU平均时延(ms)、PDCCH信道CCE占用率、上行bler、上行HARQ重传比率、上行CCE分配失败率、MAC层上行残留误块率、上行使用256QAM表的平均MCS等指标值,KQI数据可以包括视频有效下载速率(kbps)、视频质量、视频MOS、视频TCP下行RTT平均时延、视频TCP连接确认平均时延、TCP连接成功率、网页TCP上行重传率、网页TCP下行重传率等指标值。
步骤S130:根据映射函数模型,计算得到多个与KPI值对应的KQI预测值,其中,KQI预测值用于反映对应的KPI值对用户感知的影响;
需要说明的是,映射函数模型包括多个映射函数,将KPI值输入映射函数中,能够计算得到对应的KQI预测值,KQI预测值可以反映KPI值对用户感知的影响,便于快速定位影响度高的KPI值。对于N个KPI值X=[xkpi1,xkpi2,...xkpin]获得N个KQI预测值Y=[ykqi1,ykqi2,...ykqin]。
步骤S140:根据映射函数模型,得到多个基于分布的KPI劣化拐点;
根据映射函数模型,能够得到多个KPI劣化拐点,其中,KPI劣化拐点为衡量用户感知的KPI临界值,能够反映用户对网络质量的接受程度。经验证,KPI劣化拐点的结合了不同地市或省份的无线基站覆盖情况、用户行为差异,在无线网络的优化工作中具有更贴合实际的指导意义。
步骤S150:根据KQI预测值和KPI劣化拐点确定根因KPI值。
结合KQI预测值和KPI劣化拐点可以快速定位根因KPI值,有效地反映用户感知,通过将根因KPI值作为优化指标,可以制定针对性地制定无线指标优化策略,有利于提升用户的实际体验感知。
在本实施例中,通过获取抽象出KPI值和KQI值之间的映射函数模型,在映射函数模型的基础上,根据目标小区的KPI值可以获得多个KQI预测值,通过KQI预测值可以反映KPI值对用户感知的影响,便于快速定位影响度高的KPI值,另外,基于映射函数模型,得到多个基于分布的KPI劣化拐点,根据KQI预测值和KPI劣化拐点可以快速定位根因KPI值,将根因KPI值作为优化指标,可以制定针对性的无线指标优化策略,有利于提升用户的实际体验感知。
如图2所示,在上述的无线侧网络根因定位方法中,步骤S150中根据KQI预测值和KPI劣化拐点确定根因KPI值,包括但不限于步骤S210至步骤S230:
步骤S210:根据KQI预测值和KPI劣化拐点得到预测KPI集合,其中,预测KPI集合包括多个引发用户感知异常的第一KPI预测值,第一KPI预测值为大于预设的KQI业务门限的KQI预测值所对应的KPI值或者为小于KPI劣化拐点的KPI值;
步骤S220:根据预设业务标签对第一KPI预测值进行标记分组,确定属于关注根因指标组别的第二预测KPI值;
步骤S230:根据第二预测KPI值确定根因KPI值。
KPI劣化拐点为衡量用户感知的KPI临界值,KPI值小于KPI劣化拐点表示KPI值劣于KPI临界值,可以理解的是,若KPI值小于KPI劣化拐点,则反映此KPI值下的业务感知是用户不能接受的,用户对当前的网络质量不满意。另外,KQI预测值可以反映KPI值对用户感知的影响,若KQI预测值大于预设的KQI业务门限,可以反映此KQI预测值所对应的KPI值引发用户感知异常。
需要说明的是,通过判断KQI预测值是否大于KQI业务门限,以及判断KPI值是否小于KPI劣化拐点,可以确定引发用户感知异常的预测KPI集合,其中,预测KPI集合包括多个第一KPI预测值,第一KPI预测值为大于KQI业务门限的KQI预测值所对应的KPI值或者为小于KPI劣化拐点的KPI值。
根据预设业务标签对第一KPI预测值做定性标签,并将第一KPI预测值进行分组,确定属于关注根因指标组别的第二预测KPI值。根据预设业务标签可以将根因指标分为容量、覆盖、干扰等基础KPI,接入、时延、速率等性能KPI,重传、质量等质量KPI等类别,将容量、覆盖、干扰类指标作为优先关注根因指标,其余指标作为辅助根因指标,通过对第一KPI预测值做定性标签,确定属于关注根因指标组别的第二预测KPI值,从第二预测KPI值中能够定位到具体的根因KPI值。
需要说明的是,关注根因指标表示此类指标在无线优化过程中可得到改善,通过对引发用户感知异常的第一KPI预测值进行分层分域标签,可以将根因聚焦在无线优化的可操作范围内,简化了专家分析过程,同时结合参考指标,能够制定针对性的无线指标优化策略。
如图3所示,在上述的无线侧网络根因定位方法中,第一KPI预测值为大于预设的KQI业务门限的KQI预测值所对应的KPI值;步骤S230中根据第二预测KPI值确定根因KPI值,包括但不限于步骤S310和步骤S320:
步骤S310:获取每个第二预测KPI值的异常影响度;
步骤S320:根据异常影响度确定根因KPI值。
需要说明的是,若第一KPI预测值为大于KQI业务门限的KQI预测值所对应的KPI值,则表示KQI预测值所对应的KPI值为引发用户感知异常的指标,根据预设业务标签对第一KPI预测值进行标记分组,确定第二预测KPI值,第二预测KPI值均为关注根因指标,进一步计算每个第二预测KPI值对用户感知的异常影响度,根据异常影响度可以识别主要引发小区KQI质差的根因KPI值,从而能够实现影响用户感知的无线根因定位。
如图4所示,在上述的无线侧网络根因定位方法中,步骤S310中获取每个第二预测KPI值的异常影响度,包括但不限于步骤S410和步骤S420:
步骤S410:计算KQI预测值和KQI业务门限的偏离差值;
步骤S420:根据偏离差值计算第二预测KPI值的异常影响度。
需要说明的是,通过计算出多个KQI预测值,确定大于KQI业务门限的KQI预测值所对应的KPI值,即第一KPI预测值,进一步确定属于关注根因指标组别的第二预测KPI值,计算每个第二预测KPI值对应的KQI预测值和KQI业务门限的差值,得到偏离差值,通过将所有偏离差值累加得到偏离总和,将第二KPI预测值对应的偏离差值除以偏离总和即得到第二预测KPI值的异常影响度,网络优化人员根据异常影响度的排序能够对影响度高的指标进行优化处理。
在上述的无线侧网络根因定位方法中,在步骤S210中根据KQI预测值和KPI劣化拐点得到预测KPI集合之前,将多个KQI预测值按照从大到小排序。
基于映射函数模型,输入目标小区维度的KPI值,得到多个对应的KQI预测值,将多个KQI预测值按照从大到小排序,结合KQI业务门限及指标分布的单边特性,能够快速确定大于KQI业务门限的KQI预测值,从而确定第一KPI预测值。
在一实施例中,通过将多个KQI预测值按照从大到小排序,将大于KQI业务门限的KQI预测值对应的KPI值记为第一KPI预测值,进一步筛选出第二KPI预测值,并计算每个第二KPI预测值的异常影响度,获取第二KPI预测值的异常影响度排名,从而快速定位根因KPI值。
在上述的无线侧网络根因定位方法中,映射函数模型包括多个映射函数;步骤S140中根据映射函数模型,得到多个基于分布的KPI劣化拐点,具体包括以下步骤:
将预设的KQI业务门限分别输入至多个映射函数中,通过函数反解得到多个基于分布的KPI劣化拐点。
需要说明的是,基于映射函数模型yKQI=f(xKPI),结合预设的KQI业务门限y’KQI,通过函数反解,可以得到多个基于分布的KPI劣化拐点x’KPI=f-1(y’KQI)。具体地,基于映射函数{KQI1=f1(KPI1),KQI1=f2(KPI2),...,KQI1=fn(KPIn)},输入相应的KQI业务门限,通过函数反解,可以得到多个KPI劣化拐点,通过获取基于用户感知的KPI劣化拐点,能够有效对目标小区的KPI值进行分析。
如图5所示,在上述的无线侧网络根因定位方法中,步骤S110中获取预设的映射函数模型,包括但不限于步骤S510至步骤S550:
步骤S510:获取无线侧数据和核心网侧数据,其中,无线侧数据包括基础KPI数据,核心网侧数据包括基础KQI数据;
需要说明的是,无线侧数据采用软采方式,uu口信令由数据采集系统上报至数据分析系统,无线侧数据包括时间信息、位置信息、自忙时,以及基础KPI数据,核心网侧数据主要通过硬探针获取用户面信息,核心网侧数据包含时间信息、行为信息、位置信息,以及基础KQI数据。
步骤S520:对无线侧数据和核心网侧数据进行数据清洗和数据关联,得到全量数据;
需要说明的是,获取基础数据后,对无线侧数据和核心网侧数据中的有效数据进行数据清洗,包括规范化、枚举化,并进行小区维度的指标聚集,进一步进行数据关联和采样,得到全量数据,便于后续数据分析。
步骤S530:根据全量数据,计算基础KPI数据和基础KQI数据的相关性系数;
步骤S540:根据相关性系数,确定影响目标KQI值的目标KPI集合,其中,目标KPI集合包括多个目标KPI值;
步骤S550:根据目标KQI值和目标KPI值,通过逻辑回归算法构建映射函数模型,其中,映射函数模型包括多个用于建立KPI值和KQI值之间的映射关系的函数。
基于关联后的全量数据,计算基础KPI数据和基础KQI数据的相关性系数,根据相关性系数的计算结果,确定影响用户感知的目标KQI值的目标KPI集合,即确定对目标KQI值有波及影响的目标KPI值,后续分别以目标KPI值为输入x,以目标KQI值为输出y,通过逻辑回归算法,求解x-y映射函数,从而构建出映射函数模型。
需要说明的是,相关性系数表征KQI值和KPI值的拟合程度,根据计算出的相关性系数,可以确定影响目标KQI值的目标KPI值。本发明实施例采用的是斯皮尔曼(spearman)相关性系数,但不限于此,还可以采用其他相关性算法。
此外,本发明实施例的映射函数模型通过逻辑回归算法计算得到,还可以使用最小二乘法、多项式拟合等函数逼近方式进行求解。
在上述的无线侧网络根因定位方法中,步骤S540中根据相关性系数,确定影响目标KQI值的目标KPI集合,具体包括以下步骤:
当相关性系数大于预设系数,确定影响目标KQI值的目标KPI集合。
具体地,根据全量数据计算基础KPI数据和基础KQI数据的相关性系数,当相关性系数大于预设系数,则确定影响目标KQI值的目标KPI集合,通过逻辑回归算法构建映射函数模型。如图6所示,以目标KQI值是TCP连接确认平均时延为例,获取存在弱相关的目标KPI值,对于相关性系数大于0.2的指标对,判定存在弱相关,确定出影响TCP连接确认平均时延的目标KPI集合{KPI1,KPI2,...,KPIi},分别以KPIi为输入x,以TCP连接确认平均时延为输入y,求解得到多个x-y映射函数。
为了更清楚阐述本发明的无线侧网络根因定位方法,以下将用两个具体实施例作进一步介绍。
实施例一:山东省曲阜姜家村某小区无线侧网络根因定位。
1、网络指标采集:网络指标包括无线侧数据和核心网侧数据,无线侧数据包括时间信息、位置信息、自忙时,以及基础KPI数据,核心网侧数据包含时间信息、行为信息、位置信息,以及基础KQI数据。
2、原始数据清洗
对步骤1的原始数据中的有效信息进行清洗,除去异常数据。
3、数据关联及采样
将步骤2清洗后的无线侧数据和核心网侧数据,分别进行小区维度的指标聚集,做小时粒度的聚集汇总统计,针对山东全省数据样本,进行自忙时数据采样,得到全量数据。
4、构建映射函数模型
如图6所示,对步骤3关联采样后的全量数据计算基础KPI数据和基础KQI数据的斯皮尔曼相关性系数,对于相关性系数大于0.2的指标对,判定存在弱相关,对于业务场景明确的目标KQI值,分别获取弱相关目标KPI值。以目标KQI值是TCP连接确认平均时延为例,目标KPI值包括:无线接通率、无线掉线率、RRC连接重建比率、MAC层上行残留误块率、MAC层下行残留误块率、上行HARQ重传比率、下行HARQ重传比率、CQI优良率、下行单流占比、上行QPSK编码比例、下行QPSK编码比例、小区下行RLC SDU平均时延、小区上行RLC SDU平均时延、RRC连接最大连接用户数、下行共享信道PRB利用率、PDCCH信道CCE占用率、小区上行UEThroughput、小区下行UE Throughput、下行DTX比例,分别以KPI作为输入x,以TCP连接确认平均时延作为输出y,通过逻辑回归算法,求解x-y映射函数,从而得到多个映射函数,具体参照图6。
5、计算KPI劣化拐点
以KQI值为TCP二三次握手时延为例,该KQI业务门限设定为50ms,将50ms带入映射函数中,反向求解得到多个KPI劣化拐点。
6、计算KPI值的异常影响度
如图6至图8所示,针对特定小区业务感知异常情况,将小区的无线侧指标统计数据(目标小区的KPI值)输入到映射函数,并得到KQI预测值。如小区GLZ*****46R1_长清区大柿子园汇侨城TCP二三次握手时延(TCP连接确认平均时延)异常,将图7中各个KPI值作为x,分别输入值图6中对应的映射函数中,得到多个KQI预测值,并将KQI预测值按照从大到小排序,具体参照图8,获得KQI预测值排序结果则为KPI值对TCP二三次握手时延指标的影响度排序。需要说明的是,图中仅示出部分数据,实际数据并不限于此。
7、无线根因定位
如图9所示,当目标小区的KPI值满足小于KPI劣化拐点或者KPI值对应的KQI预测值大于预设的KQI业务门限(50ms),将满足条件的KPI值记为第一KPI预测值并形成预测KPI集合Y1,其中,第一KPI预测值为引发用户感知异常的KPI值,针对预测KPI集合Y1对应的第一KPI预测值,按照预设业务标签进行标记,具体参照图9,并根据标记进行分组,将容量、覆盖、干扰类指标作为优先关注根因指标,其余指标作为辅助根因指标,将属于关注根因指标组别的KPI值记为第二预测KPI值,通过进一步计算第二预测KPI值对应的KQI预测值和KQI业务门限的差值,得到偏离差值DIFF,并将第二KPI预测值对应的偏离差值DIFF除以偏离总和(所有偏离差值累加得到)得到第二预测KPI值的异常影响度。
从而可以分析到样例小区GLZ*****46R1_长清区大柿子园汇侨城,TCP二三次握手时延异常的根因KPI值为:分区间上行业务态用户的路损分布占比,影响度51.64%;TA大于27的占比,影响度48.35%,辅助根因指标为:上行HARQ重传比率、上行bler。
实施例二:龙桑寺某小区的视频下载有效速率低
如图10和图11所示,获取山东省龙桑寺某小区数据,该小区TCP指标情况参照图10。可以看到TCP连接确认平均时延及TCP下行平均RTT时延偏高,定界视频下载速率低,主要是无线侧网络的问题,非核心网/SP问题,对该小区进行根因定位,根因定位步骤参照上述实施例一中步骤1到7,基于映射函数模型得到的根因定位结果为:一类根因-覆盖类,二类根因-分区间上行业务态用户的路损分布(>135)占比,影响占比60.36%;TA大于27的占比贡献度39.64%;可见,质差问题主因是覆盖问题。
通过对覆盖问题优化改善后,各层的KPI/KQI均发生改善:
视频下载有效速率由10.89Mbps提升至23.48Mbps,超过感知基线15Mbps,实现了感知闭环;视频播放平均缓存时长改善262ms;页面和即时通讯业务也有不同程度的改善。
质量KPI层优化效果评估,整体各项质量层KPI改善较为明显,如:上行QPSK占比改善36%;上行HARQ重传比率16%。
性能KPI层优化效果评估,上/下行速率指标改善明显,上行速率改善1.8Mbps,下行速率改善30.9Mbps;接通率指标改善3.94%;
基础TCP层优化效果评估,TCP连接确认平均时延(ms)和TCP下行平均RTT时延改善较为明显,改善幅度50ms左右。
本发明以用户感知为导向,可以针对具体的用户感知给出明确的无线优化指标。将网优专家经验与统计学及机器学习算法相结合,通过模型构建及逻辑回归,抽象出KPI值与KQI值之间的映射函数模型,在量化的映射函数模型基础上,基于预设的KQI业务门限,得到基于分布的KPI劣化拐点,另外,基于映射函数模型,计算出KQI预测值,获得对应的KPI值异常影响占比,优先解决影响度占比高的指标对于网络优化具体工作的实施有重要的指导意义,通过对预设业务标签对KPI值进行标记,可以将根因聚焦在无线优化的可操作范围内,便于制定针对性的无线指标优化策略,有利于提升用户的实际体验感知。
如图12所示,本发明的第二方面实施例提供一种运行控制装置1200,包括至少一个控制处理器1210和用于与至少一个控制处理器1210通信连接的存储器1220;控制处理器1210和存储器1220可以通过总线或者其他方式连接,图12中示出通过总线连接的例子,存储器1220存储有可被至少一个控制处理器1210执行的指令,指令被至少一个控制处理器1210执行,以使至少一个控制处理器1210能够执行如上第一方面实施例的无线侧网络根因定位方法,例如,执行以上描述的图1中的方法步骤S110至S150、图2中的方法步骤S210至S230、图3中的方法步骤S310和S320、图4中的方法步骤S410和S420、以及图5中的方法步骤S510至S550。通过获取抽象出KPI值和KQI值之间的映射函数模型,在映射函数模型的基础上,根据目标小区的KPI值可以获得多个KQI预测值,通过KQI预测值可以反映KPI值对用户感知的影响,便于快速定位影响度高的KPI值,另外,基于映射函数模型,得到多个基于分布的KPI劣化拐点,根据KQI预测值和KPI劣化拐点可以快速定位根因KPI值,将根因KPI值作为优化指标,可以制定针对性的无线指标优化策略,有利于提升用户的实际体验感知。
本发明的第三方面实施例提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令可以用于使计算机执行如上第一方面实施例的无线侧网络根因定位方法,例如,执行以上描述的图1中的方法步骤S110至S150、图2中的方法步骤S210至S230、图3中的方法步骤S310和S320、图4中的方法步骤S410和S420、以及图5中的方法步骤S510至S550。通过获取抽象出KPI值和KQI值之间的映射函数模型,在映射函数模型的基础上,根据目标小区的KPI值可以获得多个KQI预测值,通过KQI预测值可以反映KPI值对用户感知的影响,便于快速定位影响度高的KPI值,另外,基于映射函数模型,得到多个基于分布的KPI劣化拐点,根据KQI预测值和KPI劣化拐点可以快速定位根因KPI值,将根因KPI值作为优化指标,可以制定针对性的无线指标优化策略,有利于提升用户的实际体验感知。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质或非暂时性介质和通信介质或暂时性介质。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息诸如计算机可读指令、数据结构、程序模块或其他数据的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘DVD或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所述技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种无线侧网络根因定位方法,其特征在于,包括:
获取预设的映射函数模型,其中,所述映射函数模型用于建立关键性能指标KPI值和关键质量指标KQI值之间的映射关系;
获取目标小区的KPI数据,所述KPI数据包括多个KPI值;
根据所述映射函数模型,计算得到多个与所述KPI值对应的KQI预测值,其中,所述KQI预测值用于反映对应的KPI值对用户感知的影响;
根据所述映射函数模型,得到多个基于分布的KPI劣化拐点;
根据所述KQI预测值和所述KPI劣化拐点确定根因KPI值。
2.根据权利要求1所述的无线侧网络根因定位方法,其特征在于,所述根据所述KQI预测值和所述KPI劣化拐点确定根因KPI值,包括:
根据所述KQI预测值和所述KPI劣化拐点得到预测KPI集合,其中,所述预测KPI集合包括多个引发用户感知异常的第一KPI预测值,所述第一KPI预测值为大于预设的KQI业务门限的所述KQI预测值所对应的KPI值或者为小于所述KPI劣化拐点的KPI值;
根据预设业务标签对所述第一KPI预测值进行标记分组,确定属于关注根因指标组别的第二预测KPI值;
根据所述第二预测KPI值确定根因KPI值。
3.根据权利要求2所述的无线侧网络根因定位方法,其特征在于,所述第一KPI预测值为大于预设的KQI业务门限的所述KQI预测值所对应的KPI值;
所述根据所述第二预测KPI值确定根因KPI值,包括:
获取每个所述第二预测KPI值的异常影响度;
根据所述异常影响度确定根因KPI值。
4.根据权利要求3所述的无线侧网络根因定位方法,其特征在于,所述获取每个所述第二预测KPI值的异常影响度,包括:
计算所述KQI预测值和所述KQI业务门限的偏离差值;
根据所述偏离差值计算所述第二预测KPI值的异常影响度。
5.根据权利要求2所述的无线侧网络根因定位方法,其特征在于,在根据所述KQI预测值和所述KPI劣化拐点得到预测KPI集合之前,将多个所述KQI预测值按照从大到小排序。
6.根据权利要求1所述的无线侧网络根因定位方法,其特征在于,所述映射函数模型包括多个映射函数;
所述根据所述映射函数模型,得到多个基于分布的KPI劣化拐点,包括:
将预设的KQI业务门限分别输入至多个所述映射函数中,通过函数反解得到多个基于分布的KPI劣化拐点。
7.根据权利要求1所述的无线侧网络根因定位方法,其特征在于,所述获取预设的映射函数模型,包括:
获取无线侧数据和核心网侧数据,其中,所述无线侧数据包括基础KPI数据,所述核心网侧数据包括基础KQI数据;
对所述无线侧数据和所述核心网侧数据进行数据清洗和数据关联,得到全量数据;
根据所述全量数据,计算所述基础KPI数据和所述基础KQI数据的相关性系数;
根据所述相关性系数,确定影响目标KQI值的目标KPI集合,其中,所述目标KPI集合包括多个目标KPI值;
根据所述目标KQI值和所述目标KPI值,通过逻辑回归算法构建映射函数模型,其中,所述映射函数模型包括多个用于建立KPI值和KQI值之间的映射关系的函数。
8.根据权利要求7所述的无线侧网络根因定位方法,其特征在于,所述根据所述相关性系数,确定影响目标KQI值的目标KPI集合,包括:
当所述相关性系数大于预设系数,确定影响目标KQI值的目标KPI集合。
9.一种运行控制装置,其特征在于,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至8任一项所述的无线侧网络根因定位方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至8任一项所述的无线侧网络根因定位方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111571366.0A CN116319251A (zh) | 2021-12-21 | 2021-12-21 | 无线侧网络根因定位方法、运行控制装置及存储介质 |
PCT/CN2022/127442 WO2023116178A1 (zh) | 2021-12-21 | 2022-10-25 | 无线侧网络根因定位方法、运行控制装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111571366.0A CN116319251A (zh) | 2021-12-21 | 2021-12-21 | 无线侧网络根因定位方法、运行控制装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116319251A true CN116319251A (zh) | 2023-06-23 |
Family
ID=86782027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111571366.0A Pending CN116319251A (zh) | 2021-12-21 | 2021-12-21 | 无线侧网络根因定位方法、运行控制装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116319251A (zh) |
WO (1) | WO2023116178A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117560706A (zh) * | 2024-01-12 | 2024-02-13 | 亚信科技(中国)有限公司 | 根因分析方法、装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10332056B2 (en) * | 2016-03-14 | 2019-06-25 | Futurewei Technologies, Inc. | Features selection and pattern mining for KQI prediction and cause analysis |
US10374882B2 (en) * | 2016-03-16 | 2019-08-06 | Futurewei Technologies, Inc. | Systems and methods for identifying causes of quality degradation in wireless networks |
CN106604290B (zh) * | 2016-12-19 | 2020-02-14 | 南京华苏科技有限公司 | 基于网页浏览的用户感知测评无线网络性能方法 |
CN109947760A (zh) * | 2017-07-26 | 2019-06-28 | 华为技术有限公司 | 一种挖掘kpi根因的方法及装置 |
-
2021
- 2021-12-21 CN CN202111571366.0A patent/CN116319251A/zh active Pending
-
2022
- 2022-10-25 WO PCT/CN2022/127442 patent/WO2023116178A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117560706A (zh) * | 2024-01-12 | 2024-02-13 | 亚信科技(中国)有限公司 | 根因分析方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023116178A1 (zh) | 2023-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1142377B1 (en) | Method of performing handoff in a wireless communication system | |
US11716636B2 (en) | Methods and systems for data-driven roll-out planning optimization | |
CN102077530B (zh) | 检查无线业务及减缓分组删除以避免无线饱和的方法和设备 | |
CN111242225A (zh) | 一种基于卷积神经网络的故障检测与诊断方法 | |
US9125226B2 (en) | Wireless communication system, neighbor cell list optimization system, base station, and neighbor cell list update method | |
US20120164955A1 (en) | Method and Apparatus for Cell Control | |
WO2022268095A1 (zh) | 传输信息的方法和装置 | |
EP4329358A1 (en) | Network slice self-optimization method, base station, and storage medium | |
CN116319251A (zh) | 无线侧网络根因定位方法、运行控制装置及存储介质 | |
CN115843048A (zh) | 干扰检测方法、装置、可读存储介质、用户终端和服务器 | |
EP3849231B1 (en) | Configuration of a communication network | |
CN102740277B (zh) | 一种切换时终端测量上报的控制方法及系统 | |
WO2020215282A1 (en) | Method and apparatus for evaluate data traffic depressed by radio issues | |
CN116436906A (zh) | 一种分布式光伏数据采集传输方法及系统 | |
CN106961694B (zh) | 一种评估ptn接入环传输带宽的方法及装置 | |
WO2021077866A1 (zh) | 一种切换控制方法及相关设备 | |
JP7083130B2 (ja) | 通信管理システム及びプログラム | |
CN103249068A (zh) | 基于群组用户终端的下行链路质量检测方法、设备和系统 | |
WO2022121513A1 (zh) | 性能指标至差值的生成方法、装置、电子设备及存储介质 | |
US20240064532A1 (en) | Using a Classification Model to Make Network Configuration Recommendations for Improved Mobility Performance | |
WO2023151454A1 (zh) | 模型监控方法、监控端、装置及存储介质 | |
KR20160115072A (ko) | 무선 접속 시스템에서의 예측기반 무선 자원 할당 방법 | |
CN117560719A (zh) | 负载均衡方法、基站及oam | |
CN117042004A (zh) | 提升高速公路上的用户的上网速度的方法及装置 | |
CN118354459A (zh) | 基于无线网络的虚拟隧道带宽控制方法、系统及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |