基于典型因果推斷算法的無線網(wǎng)絡(luò)性能優(yōu)化

郝志峰　陳薇　蔡瑞初　黃瑞慧　溫雯　王麗娟

摘要：現(xiàn)有的無線網(wǎng)絡(luò)性能優(yōu)化方法主要基于指標間的相關(guān)關(guān)系分析，無法有效指導(dǎo)網(wǎng)絡(luò)優(yōu)化等干預(yù)行為。為此，提出典型因果推斷（CCI）算法，并將其應(yīng)用于無線網(wǎng)絡(luò)性能優(yōu)化。首先，針對無線網(wǎng)絡(luò)性能由大量相關(guān)指標體現(xiàn)這一特性，采用典型相關(guān)分析（CCA）方法，提取指標中蘊含的原子事件；然后再采用因果推斷方法，構(gòu)建原子事件間的因果關(guān)系網(wǎng)絡(luò)。通過上述兩個階段反復(fù)迭代，確定原子事件間的因果關(guān)系網(wǎng)絡(luò)，為無線網(wǎng)絡(luò)性能優(yōu)化提出一個較為可靠和有效的依據(jù)。最后通過模擬實驗驗證了CCI算法的有效性，在某城市3萬多個移動基站數(shù)據(jù)上發(fā)現(xiàn)了一批有意義的無線網(wǎng)絡(luò)指標間的因果關(guān)系。

關(guān)鍵詞：典型相關(guān)分析；因果推斷；線性非高斯非循環(huán)模型；無線網(wǎng)絡(luò)性能優(yōu)化

中圖分類號：TP181

文獻標志碼：A

0引言

隨著信息技術(shù)的不斷發(fā)展，無線通信網(wǎng)絡(luò)逐漸普及，用戶對網(wǎng)絡(luò)服務(wù)質(zhì)量的要求也越來越高，市場競爭也越來越激烈，如何對無線網(wǎng)絡(luò)性能進行優(yōu)化，并在網(wǎng)絡(luò)出現(xiàn)問題之前進行有效的預(yù)警，是當前電信營運商和設(shè)備供應(yīng)商非常關(guān)注的問題，同時也受到越來越多用戶的重視。目前，無線網(wǎng)絡(luò)性能的問題可以通過撥打測試、用戶反映和網(wǎng)絡(luò)指標等分析出來，其中，網(wǎng)絡(luò)指標比較客觀、全面地反映了無線網(wǎng)絡(luò)性能的好壞程度。盧昶[1]對網(wǎng)絡(luò)優(yōu)化主要是通過分析全球移動通信系統(tǒng)（Global System for Mobile communication， GSM）中采集到的運行數(shù)據(jù)和指標，來找出移動通信系統(tǒng)中存在的問題；劉臣巍[2]對無線網(wǎng)絡(luò)中移動交換中心（Mobile Switching Center， MSC）、基站控制器（Base Station Controller， BSC）分別進行了優(yōu)化，用追蹤選擇錯誤（Error of Selection， EOS）代碼的方式來解決網(wǎng)絡(luò)問題，通過分析網(wǎng)絡(luò)中性能指標來判斷網(wǎng)絡(luò)中可以優(yōu)化的部分；劉占軍[3]結(jié)合GSM運行原理與成都聯(lián)通GSM的實際情況，針對性地提出了切合實際的網(wǎng)絡(luò)優(yōu)化方案。針對無線網(wǎng)絡(luò)優(yōu)化問題，當前主要是通過參數(shù)采集統(tǒng)計分析，信令跟蹤[4]、路測信息采集分析等方法對整個無線網(wǎng)絡(luò)進行綜合分析，以得出無線網(wǎng)絡(luò)性能的優(yōu)化方案[5]。

最近的GSM研究[6-7]提出了一些新的無線網(wǎng)絡(luò)性能優(yōu)化技術(shù)，例如，基于關(guān)鍵業(yè)績指標（Key Performance Indication， KPI）的GSM優(yōu)化與數(shù)據(jù)挖掘分析方法[8-9]。目前這類分析方法主要停留在統(tǒng)計相關(guān)性方面，有時還需要對信令進行跟蹤，這無疑會在一定程度上造成分析不全面、不必要的工作量增加等問題。雖然統(tǒng)計數(shù)據(jù)分析方法[10]主要是針對統(tǒng)計的各項數(shù)據(jù)指標實施分析，應(yīng)用Matlab等數(shù)學工具軟件進行數(shù)據(jù)排序以展現(xiàn)數(shù)據(jù)之間的相互關(guān)聯(lián)，從而發(fā)現(xiàn)其中的問題，但是，利用統(tǒng)計的方法只能看到數(shù)據(jù)之間的相關(guān)關(guān)系，而無法提出優(yōu)化干預(yù)措施，找出真正影響無線網(wǎng)絡(luò)性能的源頭。Cai等[11]提出的貝葉斯半監(jiān)督算法（BAyesian Semi-SUpervised Method， BASSUM）也證明了相關(guān)關(guān)系不能指導(dǎo)干預(yù)的情況。因果推斷是挖掘數(shù)據(jù)間蘊含的因果性的一種有效的方法。因果網(wǎng)絡(luò)是一種對可觀測數(shù)據(jù)進行強有力推理的工具，可以方便地表示以及分析確定性和概率性的事物，對干預(yù)行為效果進行預(yù)測，有助于提出干預(yù)措施。根據(jù)算法模型基礎(chǔ)的不同，主流因果推斷算法可分為兩類：以IC（Inductive Causality）類算法為代表的全局結(jié)構(gòu)推斷方法[12]和以Hoyer等[13]提出的不對稱性度量方法為代表的局部結(jié)構(gòu)推斷方法。在高維數(shù)據(jù)因果推斷方面代表性工作包括Xie等[14]的遞歸分解結(jié)構(gòu)學習策略、Han等[15]的重合分解策略、Tsamardinos等[16]的最大最小爬山法和Cai等[11]的半監(jiān)督策略等。針對IC類算法在高維數(shù)據(jù)上的可靠性問題，Cai等[17]還基于V-結(jié)構(gòu)間的沖突關(guān)系，提出了V-結(jié)構(gòu)篩選和融合算法，有效提升了IC類算法的可靠性。局部因果關(guān)系模型的代表性工作則包括：基于噪聲不對稱性的加性噪聲模型（Additive Noise Model， ANM）方法[13]和線性非高斯非循環(huán)模型（Linear Non-Gaussian Acyclic Model， LiNGAM）方法[18-19]，基于數(shù)據(jù)分布不對稱性的信息幾何因果推斷（Information-Geometric Causal Inference， IGCI）[20-21]和綜合多種不對稱性度量的后非線性（Post-Nonlinear， PNL）方法[22]等。這些局部結(jié)構(gòu)學習方法突破了全局結(jié)構(gòu)推斷方法的發(fā)現(xiàn)能力限制，能夠區(qū)分任意兩個變量間的因果方向，如x→y→z， x←y←z， x←y→z等IC類方法無法判定的因果關(guān)系。

實際中的無線網(wǎng)絡(luò)性能指標維數(shù)較大，指標之間相關(guān)性強，原子事件指標由大量指標體現(xiàn)，若直接對其進行因果推斷，則網(wǎng)絡(luò)指標內(nèi)部的因果關(guān)系將變得毫無意義。Cai等[17，23]也通過研究發(fā)現(xiàn)，雖然有高維因果推斷算法應(yīng)用于高維數(shù)據(jù)的因果推斷，但是仍存在因大量因果關(guān)系集中在原子事件指標內(nèi)部，如果直接對網(wǎng)絡(luò)指標進行因果推斷，原子事件指標內(nèi)部的指標之間的因果關(guān)系也將變得無意義。

針對上面的分析可以得出無線網(wǎng)絡(luò)性能指標優(yōu)化面臨以下兩個挑戰(zhàn)：1）相關(guān)關(guān)系不能指導(dǎo)干預(yù)；2）直接對網(wǎng)絡(luò)指標進行因果推斷無法找到有意義的指標內(nèi)部的直接因果關(guān)系。因此，本文提出典型因果推斷（Canonical Causal Inference， CCI）算法，用于分析無線網(wǎng)絡(luò)性能。該算法采用典型相關(guān)分析（Canonical Correlation Analysis， CCA）方法[24]提取無線網(wǎng)絡(luò)的指標中蘊含的原子指標，并對其進行因果推斷，經(jīng)過不斷地迭代上面提取原子事件指標和因果推斷兩個過程，得到原子指標間的因果網(wǎng)絡(luò)圖。通過學習到的原子指標因果網(wǎng)絡(luò)圖，可以對無線網(wǎng)絡(luò)性能進行全面分析，同時能對干預(yù)效果作前期預(yù)測，及時對可能發(fā)生故障或影響的網(wǎng)絡(luò)指標進行維護或維修。

1相關(guān)工作

1.1無線網(wǎng)絡(luò)性能分析

無線網(wǎng)絡(luò)性能的好壞主要通過網(wǎng)絡(luò)指標來體現(xiàn)。網(wǎng)絡(luò)指標主要包括：信令信道可用率、信令信道擁塞率、信道掉話率、話音信道可用率、話音信道擁塞率、話音信道掉話率、切換成功率、雙頻切換成功率、無線信道利用率、上下行語音質(zhì)量等。對無線網(wǎng)絡(luò)性能進行分析，很大程度上就是對無線網(wǎng)絡(luò)運行指標的分析，從全網(wǎng)到小區(qū)，每個時段，進行整體到局部的分析，通過分析，進而找到提高無線網(wǎng)絡(luò)性能的方法。

1.2典型相關(guān)分析

典型相關(guān)分析（CCA）是一種用于分析兩組隨機變量集之間相互依賴關(guān)系的多元統(tǒng)計分析方法，是一種很有價值的多元數(shù)據(jù)處理方法。其基本思想是：分別在兩組指標中提取有代表性的兩個綜合指標U和V（U和V分別為兩個指標組中各個指標的線性組合），利用這兩個綜合指標之間的相關(guān)關(guān)系來反映兩組指標之間的整體相關(guān)性。其目的是識別并量化兩組指標之間的聯(lián)系，將兩組指標的相關(guān)關(guān)系分析，轉(zhuǎn)化為一組指標的線性組合與另一組指標線性組合之間的相關(guān)關(guān)系分析。其數(shù)學定義如下：

總的來說，LiNGAM算法依賴于獨立成分分析（Independent Component Analysis， ICA）方法。ICA算法是一種混合信號的分離算法。LiNGAM算法首先通過ICA算法從觀察數(shù)據(jù)中得到分離矩陣，再依據(jù)LiNGAM模型的假設(shè)對該分離矩陣進行處理得到因果順序，最后采用最小二乘法求得系數(shù)矩陣；同時，該算法還利用剪枝算法對LiNGAM初步推斷得到的近似為全關(guān)聯(lián)的結(jié)構(gòu)進行剪枝，得到與實際相符的較為稀疏的結(jié)構(gòu)。

2利用CCI算法優(yōu)化無線網(wǎng)絡(luò)性能

2.1問題定義

2.1.1無線網(wǎng)絡(luò)指標因果網(wǎng)絡(luò)圖

無線網(wǎng)絡(luò)指標是衡量無線網(wǎng)絡(luò)性能高低的一個主要標準。在無線網(wǎng)絡(luò)中，一個指標可以由大量相關(guān)的子指標進行測量和表示。例如，原子指標就是由大量指標進行體現(xiàn)的。因此，我們對原子指標有如下定義：

2.2利用CCI算法優(yōu)化無線網(wǎng)絡(luò)性能的過程

利用CCI算法優(yōu)化無線網(wǎng)絡(luò)性能的基本流程為：

輸入所有無線網(wǎng)絡(luò)指標的數(shù)據(jù)，該算法先對這些指標進行預(yù)處理，然后分為兩步：1）對評估同一主指標的一組相關(guān)指標Xti進行組合，與其余指標組成的一組指標進行典型相關(guān)分析，抽取原子指標Xt，再對抽取出來的原子指標集合用LiNGAM模型進行因果網(wǎng)絡(luò)學習，得到初步的原子指標因果網(wǎng)絡(luò)圖；2）根據(jù)前面學習到的原子指標因果網(wǎng)絡(luò)圖，即結(jié)合原子指標之間的因果性，重新典型分析原子指標與其他相關(guān)指標的指標集合，抽取出新的原子指標，并不斷迭代，直到學習到的因果網(wǎng)絡(luò)圖趨于穩(wěn)定狀態(tài)為止，最終得到完整的原子指標因果網(wǎng)絡(luò)圖。根據(jù)原子指標因果網(wǎng)絡(luò)圖中展現(xiàn)的原子指標間的因果依賴關(guān)系，分析影響無線網(wǎng)絡(luò)性能的因素，從而得到無線網(wǎng)絡(luò)性能優(yōu)化的方案和干預(yù)措施。

3CCI算法

CCI算法是在CCA和LiNGAM算法的基礎(chǔ)上提出的，它與CCA和LiNGAM算法的不同主要體現(xiàn)如下：

1）CCA是用于分析多元變量的相關(guān)性，而CCI算法則是采用CCA的主要思想來選擇變量，抽取原子事件，有助于分析原子指標之間的因果關(guān)系，使原子指標內(nèi)部指標的因果依賴也變得有意義，同時提高推斷的準確度。

2）LiNGAM算法分析的數(shù)據(jù)是線性非高斯變量，而CCI算法則是用于分析多元變量典型相關(guān)分析而得到的典型變量，后者降低了變量的維度，同時降低了算法的時間復(fù)雜度。利用因果推斷算法，也有助于對采取干預(yù)行為的效果進行預(yù)測，實現(xiàn)性能問題出現(xiàn)前的預(yù)警，提出合理的無線網(wǎng)絡(luò)性能指標優(yōu)化的干預(yù)方案。

根據(jù)以上分析，給定一個數(shù)據(jù)集，可以通過以下步驟利用CCI算法進行原子事件因果網(wǎng)絡(luò)圖學習：

步驟1

抽取原子事件。

對給定的數(shù)據(jù)集，首先利用相關(guān)專業(yè)知識，將數(shù)據(jù)集中表示相同或相近類型的變量進行分組，作為不同原子事件所對應(yīng)的變量集合；再對每一組中的變量進行類似典型相關(guān)分析，抽取原子事件。與CCA不同的是，CCI算法的兩組相關(guān)分析的變量是由原先知識組合得到的變量集合，與數(shù)據(jù)集中其余的變量組合而成的變量集合進行典型相關(guān)分析，找到一組wi和wj，使其滿足以下條件：

例如，圖4中的原子事件為1，其相關(guān)變量組為A={11，1.2，1.3}。它是A和A在數(shù)據(jù)集中的補集 的典型相關(guān)變量，并且其滿足在兩個變量組方程為1的約束下，事件1和事件1′之間的相關(guān)系數(shù)最大。

步驟2

初步因果推斷。

對抽取出來的原子事件，利用LiNGAM算法進行因果結(jié)構(gòu)學習，得到初步的原子事件因果網(wǎng)絡(luò)圖，獲得初步的原子事件間的因果性。LiNGAM算法分為估計與剪枝兩個階段。

第一階段是估計階段，該階段能夠得出因果順序以及初步估計出整個因果結(jié)構(gòu)（即矩陣系數(shù)）。由式（1）可推出： Wx=e，W=（I-B）。其中：I為單位矩陣，W稱為混合矩陣。

第二階段是剪枝階段。剪枝算法是對LiNGAM初步推斷的近似為全關(guān)聯(lián)的結(jié)構(gòu)進行剪枝，得到與實際相符的較為稀疏的結(jié)構(gòu)。LiNGAM模型的剪枝問題采取的剪枝算法分為兩類：一類是基于統(tǒng)計學與最優(yōu)化的相關(guān)理論，例如Resampling與Adaptive Lasso等；另一類是基于貝葉斯網(wǎng)絡(luò)判斷無向結(jié)構(gòu)的相關(guān)算法，此類算法核心點是條件獨立性測試，例如：PC算法[12]，基于馬爾可夫毯的BASSUM算法中的剪枝策略[11]，Mooij等[25]提出的殘差依賴最小化的方法等。

例如，在圖4中的抽取原子事件的基礎(chǔ)上，進行因果網(wǎng)絡(luò)推斷，得到圖5所示的原子事件因果網(wǎng)絡(luò)圖。

步驟3

重新抽取原子事件，不斷迭代，得到原子事件因果網(wǎng)絡(luò)圖。

對每個原子指標，分別求其與子節(jié)點指標滿足式（2）的典型相關(guān)變量，將與它的指標集合線性相關(guān)的典型變量作為指標集合的原子指標，對原子指標進行基于LiNGAM算法的因果網(wǎng)絡(luò)推斷，得到另一個原子指標間的因果網(wǎng)絡(luò)圖。

例如，在圖6的基礎(chǔ)上，事件1與事件2進行典型相關(guān)分析，得到滿足式（2）的典型變量1-1和2-1，則將變量1-1作為事件1新的原子事件。

其中：步驟3）是計算初始的原子指標；步驟5）是通過不斷迭代，保證最終的原子指標因果網(wǎng)絡(luò)圖趨于穩(wěn)定狀態(tài)，得到最終的原子指標間的因果關(guān)系，Y′存儲了最終的原子指標集合。

4實驗結(jié)果與分析

為了對本文提出的算法進行驗證和分析，分別用虛擬數(shù)據(jù)和真實數(shù)據(jù)進行了實驗。

4.1虛擬數(shù)據(jù)實驗

本文使用人工生成不同參數(shù)下的測試數(shù)據(jù)集，選取了典型偏相關(guān)（Canonical Partial Correlation， CPC）算法與本文算法進行比較。虛擬數(shù)據(jù)的生成分兩階段實現(xiàn)：

1）生成原子指標的因果網(wǎng)絡(luò)圖，其中單父親節(jié)點個數(shù)為雙父親節(jié)點個數(shù)的2倍，并依照該圖生成數(shù)據(jù)。

2）生成指標數(shù)據(jù)：隨機生成每組指標的個數(shù)，每個指標的數(shù)據(jù)依照函數(shù)X=Y×Q-1生成，其中：Q為每個函數(shù)的權(quán)值，即原子指標與指標集合的相關(guān)系數(shù)，隨機取值于0～1；Y為原子指標。在整個因果網(wǎng)絡(luò)生成階段，采用20維原子事件、50維指標變量分別生成300、400、500、600、700、800樣本量的因果網(wǎng)絡(luò)圖，用來測試兩種算法在不同樣本量下的實驗效果；采用25維原子事件和500樣本量分別生成30、40、50、80、100維指標變量的因果網(wǎng)絡(luò)圖，用來測試兩種算法在不同指標數(shù)下的實驗效果；采用50維指標變量500樣本量分別生成6、13、25、30、40維原子事件的因果網(wǎng)絡(luò)圖，用來測試兩種算法在樣本指標變量抽取為不同原子事件下的實驗效果。

為了有效地評價該算法的性能，本文采用正確率（Precision）、召回率（Recall）和F1值對實驗結(jié)果進行評估。正確率是指所有通過典型因果推斷算法學習到的原子指標關(guān)系中正確的邊數(shù)占原始因果圖中所有邊數(shù)的比例；召回率是指所有學習到的正確的邊數(shù)占整個數(shù)據(jù)（學習到的和未學習到的）中真正正確的邊數(shù)的比例。F1值通過以下公式來計算：

正確率主要是用來衡量因果網(wǎng)絡(luò)圖中節(jié)點間本來不存在的邊被錯誤添加的程度；召回率是用來衡量節(jié)點間存在的邊沒有被發(fā)現(xiàn)的程度；F1則綜合了前兩個評價參數(shù)，用來評價本文方法的總體優(yōu)劣。

在本節(jié)的實驗中，用構(gòu)造出的虛擬數(shù)據(jù)網(wǎng)絡(luò)對CCI和CPC算法進行對比實驗。圖7表明，在25維原子事件50維指標變量中，樣本數(shù)超過400之后，CCI算法的正確率、召回率和F1值都比CPC算法高。這說明在大量樣本量的情況下，CCI算法具有較高的穩(wěn)定性和準確性。從圖8中可知，CCI算法在指標維度逐漸增加的情況下三個評分參數(shù)都比CPC算法高。這體現(xiàn)了CCI算法在高維的適用性，以及算法抽取原子事件這一策略是十分可靠和有價值的。實際中無線網(wǎng)絡(luò)性能相關(guān)的指標維數(shù)一般較高，CCI算法中提出的抽取原子事件能使性能優(yōu)化分析更加便捷。在同一指標維度下，抽取的原子事件維數(shù)多少也會影響CCI在實際中應(yīng)用的正確率（如圖9所示）。雖然隨著原子事件維度的增加，CPC算法在三個評分上基本呈遞增趨勢，但是在原子事件維度越少的情況下，CCI算法體現(xiàn)了很好的效果。這體現(xiàn)了CCI算法將較多相關(guān)指標用原子事件表示這一方法的有效性。

4.2CCI算法在實際數(shù)據(jù)中的應(yīng)用

4.2.1數(shù)據(jù)集說明

實驗數(shù)據(jù)來源于某城市3萬多個移動基站收集到的GSM性能指標數(shù)據(jù)。其中包含了42個無線網(wǎng)絡(luò)性能指標（如：業(yè)務(wù)信道（Traffic Channel， TCH）話務(wù)量、半速率話務(wù)量、分組數(shù)據(jù)信道（Packet Data Channel， PDCH）使用數(shù)占比、TCH可用率、PDCH總復(fù)用度等），總共有30406個樣本數(shù)據(jù)。由領(lǐng)域知識可知，該數(shù)據(jù)集可以提取出12個原子指標。

4.2.2數(shù)據(jù)預(yù)處理

本文使用的指標數(shù)據(jù)屬性包括TCH話務(wù)量、半速率話務(wù)量、PDCH使用數(shù)占比、TCH可用率、PDCH總復(fù)用度等，每個指標對應(yīng)的數(shù)據(jù)都是經(jīng)過預(yù)處理之后，按照一定的方式作為輸入數(shù)據(jù)；同時，對指標數(shù)據(jù)屬性根據(jù)領(lǐng)域知識和指標間的相關(guān)性進行歸類，可以結(jié)合為12個原子指標。如：原子指標“半速率話務(wù)比例”對應(yīng)的相關(guān)指標為“TCH話務(wù)量、半速率話務(wù)量、PDCH使用數(shù)占比、TCH可用率”；原子指標“增強型數(shù)據(jù)速率GSM演進（Enhanced Data Rate for GSM Evolution， EDGE）技術(shù)和分組數(shù)據(jù)信道（PDCH）占比”對應(yīng)的相關(guān)指標為“PDCH總復(fù)用度”等。由于采集數(shù)據(jù)過程中出現(xiàn)一些噪聲，所以對數(shù)據(jù)集中數(shù)據(jù)值的預(yù)處理方法為，將數(shù)據(jù)為“#DIV/0！”、“#N/A”及空值用“0”替換之后，對數(shù)據(jù)進行標準化（均值為0，方差為1）。

4.2.3實驗結(jié)果分析

1）使用本文的方法，對42個指標30406個樣本數(shù)據(jù)，共12個原子指標的無線網(wǎng)絡(luò)性能指標數(shù)據(jù)集中學習原子指標因果網(wǎng)絡(luò)，得出無線網(wǎng)絡(luò)性能優(yōu)化的方案。算法在重新抽取原子指標過程總共迭代了2次，說明其收斂速度很快。這也證明了CCI算法抽取原子事件的方法具有高效性和有效性。通過算法學習和推斷之后最終得到的原子指標因果網(wǎng)絡(luò)圖如圖10所示，圖中包含12個指標節(jié)點、17條邊，每條邊表示指標之間的因果依賴關(guān)系。

2）廣東南方通信建設(shè)有限公司的專家結(jié)合其專業(yè)知識，將實驗生成的因果網(wǎng)絡(luò)圖跟實際情況下無線網(wǎng)絡(luò)的相關(guān)數(shù)據(jù)指標間的關(guān)系進行對比，指出本文方法有一定的指導(dǎo)性和啟發(fā)性。例如，“獨立專用控制信道 （Stand-Alone Dedicated Control Channel， SDCCH）擁塞率與SDCCH話務(wù)量在數(shù)據(jù)統(tǒng)計上呈現(xiàn)正相關(guān)關(guān)系，即SDCCH話務(wù)量增加時，SDCCH擁塞率也隨著增長，進而導(dǎo)致SDCCH掉話率提高”。這個專業(yè)性的結(jié)論跟因果網(wǎng)絡(luò)圖中顯示的“SDCCH擁塞率與SDCCH掉話率之間存在因果關(guān)系”的結(jié)果是相吻合的。學習到的原子指標因果網(wǎng)絡(luò)圖經(jīng)由專家評測，足以證明本文方法具有可行性。

3）圖10表明，影響該城市GSM性能高低的源頭主要是“臨時數(shù)據(jù)快流（Temporary Block Flow， TBF）建立成功率”，這個性能指標與“無線接入性” “EDGE流量占比”“EDGE PDCH占比”“半速率話務(wù)掉話比”這四個性能指標之間存在因果關(guān)系。若發(fā)現(xiàn)“EDGE流量占比”這個指標數(shù)據(jù)出現(xiàn)異常，那么可以考慮提高TBF建立的成功率。通過分析“TBF建立成功率”這個原子指標內(nèi)部指標的因果性，就可以很快設(shè)計出一套無線網(wǎng)絡(luò)優(yōu)化方案?；谝蚬麑Ω深A(yù)行為效果預(yù)測的有效性，還可以提前對“EDGE流量占比”進行預(yù)警，制定好解決“EDGE流量占比”突然增大的應(yīng)對方案，以消除其對無線網(wǎng)絡(luò)性能造成的影響。

從圖10中還可以看出，原子指標“半速率話務(wù)掉話比”受到原子指標“EDGE PDCH占比”的影響，而原子指標“EDGE PDCH占比”對應(yīng)的相關(guān)指標為“PDCH總復(fù)用度”。根據(jù)專業(yè)知識可知，PDCH復(fù)用度是指有多少個用戶在同一時間共同使用同一PDCH，它反映了PDCH信道的復(fù)用程度。它的值等于并發(fā)的TCH數(shù)目占用的PDCH的數(shù)目，主要是通過激活數(shù)量多少來衡量。而“半速率話務(wù)掉話比”對應(yīng)的指標有“TCH話務(wù)量、半速率話務(wù)量、PDCH使用數(shù)占比、TCH可用率”，這說明PDCH信道的復(fù)用程度大小變化可以造成這些指標的變化，這個結(jié)論可以為無線網(wǎng)絡(luò)性能的優(yōu)化方案的制定提供指導(dǎo)性的作用。當發(fā)現(xiàn)TCH話務(wù)量較大時，可以對半速率比率進行調(diào)整；同時，還可以提前設(shè)置PDCH信道比率門限，根據(jù)TCH話務(wù)量等信息進行動態(tài)的評估和優(yōu)化。

5結(jié)語

本文從已有的無線網(wǎng)絡(luò)性能優(yōu)化的方法和難點入手，提出一種基于典型因果推斷（CCI）算法的無線網(wǎng)絡(luò)性能優(yōu)化方法，通過本文提出的算法學習到的結(jié)果對無線網(wǎng)絡(luò)性能進行分析，得出了若干個有指導(dǎo)意義的結(jié)論。與現(xiàn)有的無線網(wǎng)絡(luò)性能分析方法相比，本文采用因果推斷方法，能解決相關(guān)關(guān)系無法指導(dǎo)干預(yù)的問題；同時，本文方法將同類型的相關(guān)指標進行融合，抽取原子指標，再進行因果網(wǎng)絡(luò)學習，有助于解決無線網(wǎng)絡(luò)指標數(shù)量多，與基于大量指標不易體現(xiàn)原子指標因果學習的結(jié)果，以及對原子指標內(nèi)部指標因果關(guān)系無意義的問題。同時，采用LiNGAM因果推斷算法，其中運用到的ICA算法可以消除指標間的相關(guān)性，減少指標相關(guān)性對因果推斷的影響，提高無線網(wǎng)絡(luò)的性能分析的準確性，這種方法也為無線網(wǎng)絡(luò)優(yōu)化提供了新的思路。但是，本文中對指標的初始組合是基于無線網(wǎng)絡(luò)指標的領(lǐng)域知識，難免會受到人為因素的影響，后期將對指標組合的選擇展開進一步的研究，發(fā)現(xiàn)潛在的影響無線網(wǎng)絡(luò)性能的指標。

參考文獻：

[1]盧昶.GSM網(wǎng)絡(luò)優(yōu)化綜合分析系統(tǒng)的設(shè)計與實現(xiàn)[D].北京：北京郵電大學，2008：2-4. （LU C. The design and implementation of GSM network optimizing analysis system [D]. Beijing： Beijing University of Posts and Telecommunications， 2008： 2-4.）

[2]劉臣巍.GSM交換無線網(wǎng)絡(luò)優(yōu)化[D].長春：吉林大學，2009：1-6. （LIU C W. GSM exchange wireless network optimization [D]. Changchun： Jilin University， 2009： 1-6.）

[3]劉占軍.GSM移動通信網(wǎng)絡(luò)優(yōu)化的研究與實現(xiàn)[D].成都：電子科技大學，2009：1-3. （LIU Z J. The design and implementation of GSM mobile network [D]. Chengdu： University of Electronic Science and Technology of China， 2009： 1-3.）

[4]白俊杰，何長艷. No.7信令網(wǎng)的網(wǎng)絡(luò)優(yōu)化[J].天津通信技術(shù)，2004（4）：52-53. （BAI J J， HE C Y. No.7 signaling network optimization [J]. Tianjin Communications Technology， 2004（4）：52-53.）

[5]吳寶棟，肖恒輝，陸南昌，等.無線網(wǎng)絡(luò)智能優(yōu)化系統(tǒng)及其應(yīng)用[J].移動通信，2012（12）：16-20. （WU B D， XIAO H H， LU N C， et al. Wireless network intelligent optimization system and its application [J]. Mobile Communications， 2012（12）： 16-20.）

[6]盧紀宇，白波.GSM無線網(wǎng)絡(luò)的優(yōu)化[J].電信技術(shù)，2006（12）：60-62. （LU J Y， BAI B. GSM wireless network optimization [J]. Telecommunications Technology， 2006（12）：60-62.）

[7]周文靜.無線網(wǎng)絡(luò)優(yōu)化方式新思路的探討[J].廣東通信技術(shù)，2006，26（12）：2-6. （ZHOU W J. Discussion on new ideas for wireless network optimization approaches [J]. Guangdong Communication Technology， 2006， 26（12）： 60-62.）

[8]AGRAWAL R， MANNILA H， SRIKANT R， et al. Fast discovery of association rules [M]// Advances in Knowledge Discovery and Data Mining. Menlo Park， CA： American Association for Artificial Intelligence， 1996： 307-328.

[9]王華奎，李艷萍，張立毅，等.移動通信原理與技術(shù)[M].北京：清華大學出版社，2009：1. （WANG H K， LI Y P， ZHANG L Y， et al. Mobile Communication Principle and Technology [M]. Beijing： Tsinghua University Press， 2009：1.）

[10]劉穎.GSM無線網(wǎng)絡(luò)優(yōu)化研究[J].中國新技術(shù)新產(chǎn)品，2012（4）：36-36. （LIU Y. GSM wireless network optimization research [J]. China New Technologies and Products， 2012（4）： 36-36.）

[11]CAI R， ZHANG Z， HAO Z. BASSUM： a Bayesian semi-supervised method for classification feature selection [J]. Pattern Recognition， 2011， 44（4）： 811-820.

[12]PEARL J. Causality： Models， Reasoning and Inference [M]. 2nd ed. Cambridge， UK： Cambridge University Press， 2009： 49-51.

[13]HOYER P O， JANZING D， MOOIJ J M， et al. Nonlinear causal discovery with additive noise models [C]// Advances in Neural Information Processing Systems 21. Cambridge， MA： MIT Press， 2008： 689-696.

http：//machinelearning.wustl.edu/mlpapers/papers/NIPS2008_0266

[14]XIE X， GENG Z. A recursive method for structural learning of directed acyclic graphs [J]. Journal of Machine Learning Research， 2008， 9： 459-483.

[15]HAN L， SONG G， CONG G， et al. Overlapping decomposition for causal graphical modeling [C]// KDD 12： Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2012： 114-122.

[16]TSAMARDINOS I， BROWN L E， ALIFERIS C F. The max-min hill-climbing Bayesian network structure learning algorithm [J]. Machine Learning， 2006， 65（1）： 31-78.

[17]CAI R， ZHANG Z， HAO Z. Causal gene identification using combinatorial V-structure search [J]. Neural Networks， 2013， 43： 63-71.

[18]SHIMIZU S， HOYER P O， HYVRINEN A， et al. A linear non-Gaussian acyclic model for causal discovery [J]. Journal of Machine Learning Research， 2006， 7： 2003-2030.

[19]SHIMIZU S， INAZUMI T， SOGAWA Y， et al. DirectLiNGAM： a direct method for learning a linear non-Gaussian structural equation model [J]. Journal of Machine Learning Research， 2011， 12： 1225-1248.

[20]JANZING D， MOOIJ J， ZHANG K， et al. Information-geometric approach to inferring causal directions [J]. Artificial Intelligence， 2012， 182/183： 1-31.

[21]JANZING D， STEUDEL B， SHAJARISALES N， et al. Justifying information-geometric causal inference [M]// Measures of Complexity. Berlin： Springer-Verlag， 2015： 253-265.

[22]ZHANG K， HYVRINEN A. On the identifiability of the post-nonlinear causal model [C]// UAI 09： Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence. Arlington： AUAI Press， 2009： 647-655.

[23]CAI R， ZHANG Z， HAO Z. SADA： a general framework to support robust causation discovery [C]// Proceedings of the 30th International Conference on Machine Learning. [S.l.]： JMLR： W&CP， 2013， 28： 208-216.

http：//jmlr.org/proceedings/papers/v28/cai13.html

http：//jmlr.org/proceedings/papers/v28/cai13.pdf

[24]胡國定，張潤楚.多元數(shù)據(jù)分析方法：純代數(shù)處理[M].天津：南開大學出版社，1990：507-527. （HU G D， ZHANG R C. Multivariate Data Analysis Method： Pure Algebra Processing [M]. Tianjin： Nankai University Press， 1990： 507-527.）

[25]MOOIJ J， JANZING D， PETERS J， et al. Regression by dependence minimization and its application to causal inference in additive noise models [C]// ICML 2009： Proceedings of the 26th Annual International Conference on Machine Learning. New York： ACM， 2009： 745-752.