基于海量數(shù)據(jù)的VoLTE用戶語(yǔ)音感知系統(tǒng)研究

朱偉 艾懷麗 張桂榮 趙志揚(yáng) 張晶 梅明濤

中國(guó)移動(dòng)通信集團(tuán)江蘇有限公司

1 引言

隨著移動(dòng)推行“四輪驅(qū)動(dòng)”融合發(fā)展戰(zhàn)略，4G發(fā)展一直保持行業(yè)領(lǐng)先，2016年4G用戶數(shù)和4G滲透率達(dá)到新高，2017年的目標(biāo)是4G用戶突破6.3億，VoLTE用戶突破1.5億。VoLTE語(yǔ)音逐步成為用戶通話的最基本選擇。高質(zhì)量的語(yǔ)音、更快速的接通給用戶帶來(lái)更好的體驗(yàn)的同時(shí)，對(duì)網(wǎng)絡(luò)質(zhì)量的要求也越來(lái)越高。差的VoLTE語(yǔ)音感知往往會(huì)引起用戶投訴，一線的優(yōu)化壓力日趨增長(zhǎng)。

圖1 移動(dòng)用戶數(shù)及4G用戶占比圖

針對(duì)江蘇多個(gè)重點(diǎn)城市VIP投訴詳單抽樣分析，語(yǔ)音質(zhì)量類問(wèn)題是影響用戶感知的主要問(wèn)題，占VoLTE投訴的70%+；其中4G弱覆蓋、干擾等仍是影響用戶感知的主要因素。

目前每天南京的VoLTE高清語(yǔ)音質(zhì)量通話次數(shù)大約35萬(wàn)，未來(lái)五年隨著VoLTE業(yè)務(wù)的建設(shè)和深入發(fā)展，VoLTE高清語(yǔ)音將成為主流，預(yù)計(jì)增長(zhǎng)20倍到700+萬(wàn)通話/天，若VoLTE語(yǔ)音質(zhì)量問(wèn)題占投訴的70%，一旦等用戶規(guī)模成倍增長(zhǎng)，而VoLTE語(yǔ)音質(zhì)量問(wèn)題無(wú)法得到有效解決和閉環(huán)，等比20倍的投訴量增加將是災(zāi)難性的。

圖2 VoLTE問(wèn)題占比圖

而目前結(jié)合現(xiàn)網(wǎng)優(yōu)化經(jīng)驗(yàn)，傳統(tǒng)的KPI指標(biāo)在網(wǎng)絡(luò)性能較差的情況下能夠反映網(wǎng)絡(luò)問(wèn)題，但是在網(wǎng)絡(luò)質(zhì)量提升到一定水平后根據(jù)KPI指標(biāo)就很難真實(shí)的反映用戶體驗(yàn)好壞，往往會(huì)出現(xiàn)傳統(tǒng)KPI指標(biāo)非常好的情況下用戶體驗(yàn)并不好；更進(jìn)一步的KQI指標(biāo)有一定改善，但是從VIP投訴分析來(lái)看，還是存在MOS值滿足要求，用戶體驗(yàn)不好的情況。因此，針對(duì)傳統(tǒng)KPI指標(biāo)無(wú)法及時(shí)發(fā)現(xiàn)VoLTE語(yǔ)音質(zhì)差并及時(shí)解決和閉環(huán)這個(gè)難題，需要一種新的方式能夠識(shí)別VoLTE語(yǔ)音質(zhì)量導(dǎo)致的客戶感知差的問(wèn)題，并能夠推動(dòng)促進(jìn)問(wèn)題高效解決。

2 基于海量數(shù)據(jù)的VoLTE語(yǔ)音感知系統(tǒng)實(shí)現(xiàn)原理

傳統(tǒng)的網(wǎng)管指標(biāo)最小粒度是5min粒度，沒(méi)有反映用戶聽(tīng)不清的指標(biāo)，且無(wú)法表征真實(shí)的用戶感知，本課題提出的VoLTE語(yǔ)音感知研究，基于反映用戶聽(tīng)不清的吞字指標(biāo)，對(duì)話音流進(jìn)行切片，以5s為粒度進(jìn)行分析，對(duì)比傳統(tǒng)網(wǎng)管的5min粒度指標(biāo)，解決了問(wèn)題點(diǎn)因過(guò)粗的統(tǒng)計(jì)而湮沒(méi)在樣本中的問(wèn)題。

2.1 關(guān)聯(lián)原理

從用戶體驗(yàn)入手，將VoLTE語(yǔ)音質(zhì)差小區(qū)識(shí)別出來(lái)，排除終端、用戶故障的干擾，并關(guān)聯(lián)已有的無(wú)線側(cè)其他系統(tǒng)定位的問(wèn)題，實(shí)現(xiàn)自動(dòng)派單，提供給網(wǎng)優(yōu)部門處理。本研究課題通過(guò)三大步實(shí)現(xiàn)精準(zhǔn)的質(zhì)差小區(qū)定位。

圖3 VoLTE語(yǔ)音質(zhì)差小區(qū)原理圖

2.2 第一步：質(zhì)差用戶如何表征

在3GPP LTE中，VoLTE業(yè)務(wù)編碼有AMR-NB窄帶和AMR-WB寬帶兩種編碼，兩種編碼速率具有不同的話音質(zhì)量，所以又分別稱為VoLTE標(biāo)清語(yǔ)音（或VoLTE 12.2kbps）和VoLTE高清語(yǔ)音（或VoLTE 23.85kbps）。

AMR-NB和AMR-WB這2種編碼具有如下特點(diǎn)：

每20ms產(chǎn)生一個(gè)語(yǔ)音包，包括了RTP/UDP/RLC-Security壓縮頭；每160ms生成一個(gè)SID語(yǔ)音靜默包。幀長(zhǎng)20ms；普通人講話的語(yǔ)速為每分鐘120至180個(gè)漢字左右（新聞聯(lián)播播音員的語(yǔ)速280到300字）。因此，普通人大概1個(gè)字占16～25個(gè)語(yǔ)音包。

用戶語(yǔ)音質(zhì)量體驗(yàn)差總結(jié)起來(lái)有三種感受：

吞字：感覺(jué)對(duì)方說(shuō)話吐字不清，或者漏字。

斷續(xù)：感覺(jué)對(duì)方說(shuō)話時(shí)斷時(shí)續(xù)，有明顯停頓感。

單通：完全無(wú)法聽(tīng)到對(duì)方說(shuō)話。

通過(guò)海量數(shù)據(jù)的分析，發(fā)現(xiàn)丟包是影響語(yǔ)音質(zhì)差的關(guān)鍵因素。但是，是否語(yǔ)音質(zhì)差,不完全取決于整體的丟包數(shù)量和丟包率，而取決于在具體時(shí)段的丟包數(shù)量。

經(jīng)過(guò)對(duì)海量樣本以機(jī)器學(xué)習(xí)算法研究，一般情況下的表現(xiàn)如下：

吞字：連續(xù)20個(gè)包，丟12個(gè)包。

斷續(xù)：連續(xù)50個(gè)包，丟30個(gè)包

單通：丟包率大于80%。

其中斷續(xù)、單通是比吞字更加嚴(yán)重的情況，吞字是否發(fā)生能夠在一定程度上表征用戶語(yǔ)音質(zhì)量體驗(yàn)。下圖是吞字發(fā)生在語(yǔ)音頻譜上的典型體現(xiàn)：

圖4 吞字語(yǔ)音頻譜圖

吞字表征語(yǔ)音質(zhì)差相比IPMOS的優(yōu)勢(shì)：

前期我們用IPMOS來(lái)評(píng)估語(yǔ)音質(zhì)量，但是其實(shí)通過(guò)統(tǒng)計(jì)指標(biāo)加權(quán)綜合評(píng)分，并不能夠完全表征用戶語(yǔ)音質(zhì)量感受，通過(guò)對(duì)從南京市抽取的2348份通話記錄進(jìn)行對(duì)比如下所示，并不是所有IPMOS好的場(chǎng)景都不發(fā)生吞字。

圖5 產(chǎn)生吞字的IPMOS值分布圖

2.3 第二步：?jiǎn)栴}快速定界

基于用戶、終端、小區(qū)等因素排查

（1）終端因素排查

故障終端按照小區(qū)維度動(dòng)態(tài)監(jiān)控，通過(guò)語(yǔ)音質(zhì)差小區(qū)信息關(guān)聯(lián)其小時(shí)維度ToP質(zhì)差用戶終端型號(hào)，一旦出現(xiàn)終端型號(hào)集中，應(yīng)判斷為終端問(wèn)題。

經(jīng)過(guò)大數(shù)據(jù)樣本統(tǒng)計(jì)分析，正常情況下終端故障不會(huì)大面積集中出現(xiàn)。如下圖7所示，取南京全網(wǎng)1天數(shù)據(jù)，最差的終端故障率僅為2.9%，日常VoLTE語(yǔ)言質(zhì)差并沒(méi)有因終端原因引起的。

圖6 快速定界手段圖

圖7 TOP終端故障率圖

（2）用戶因素排查

為了避免在異常情況下由于某些特定用戶導(dǎo)致的問(wèn)題出現(xiàn)，質(zhì)差小區(qū)信息中關(guān)聯(lián)該小區(qū)下的故障通話次數(shù)、故障通話用戶數(shù)，一旦出現(xiàn)故障通話用戶數(shù)遠(yuǎn)小于故障通話次數(shù)，則判斷為用戶因素，因某些異常用戶導(dǎo)致了大量的故障通話。

經(jīng)過(guò)大數(shù)據(jù)樣本統(tǒng)計(jì)分析，正常情況下Top質(zhì)差用戶不足以影響Top質(zhì)差小區(qū)的識(shí)別。

圖8 TOP質(zhì)差用戶排除圖

（3）切換因素識(shí)別

通過(guò)大數(shù)據(jù)識(shí)別，將一天內(nèi)數(shù)以千萬(wàn)計(jì)的通話情況、語(yǔ)音質(zhì)量、切換情況關(guān)聯(lián)。

圖9 切換關(guān)聯(lián)原理圖

如下所示，識(shí)別出在切換情況中出現(xiàn)的語(yǔ)音異常的場(chǎng)景，識(shí)別出切換導(dǎo)致的語(yǔ)音質(zhì)差問(wèn)題。

圖10 切換中識(shí)別出的語(yǔ)音異常的場(chǎng)景圖

2.4 第三步：質(zhì)差用戶Top小區(qū)識(shí)別

基于大數(shù)據(jù)的Kmeans聚類算法將質(zhì)差用戶按照小區(qū)位置進(jìn)行聚類，識(shí)別出Top質(zhì)差小區(qū)。

圖11 質(zhì)差用戶Top小區(qū)圖

3 依托大數(shù)據(jù)手段對(duì)語(yǔ)音質(zhì)差小區(qū)的精準(zhǔn)定位和處理

3.1 關(guān)聯(lián)無(wú)線傳統(tǒng)派單，多維度反映5s質(zhì)差Top小區(qū)原因

通過(guò)統(tǒng)計(jì)分析，大概30%的小區(qū)在業(yè)務(wù)體驗(yàn)差的情況下，會(huì)在傳統(tǒng)的無(wú)線監(jiān)控指標(biāo)上有體現(xiàn)。因此，通過(guò)關(guān)聯(lián)傳統(tǒng)的容量不足、覆蓋、干擾等無(wú)線指標(biāo)，從多個(gè)維度反映該5s質(zhì)差Top小區(qū)的原因，避免了傳統(tǒng)派單中僅針對(duì)單一指標(biāo)進(jìn)行優(yōu)化而導(dǎo)致的資源浪費(fèi)問(wèn)題，并能大大提升一線優(yōu)化問(wèn)題的處理效率。

3.2 根據(jù)大數(shù)據(jù)OTT定位信息，柵格化呈現(xiàn)質(zhì)差具體位置

由于傳統(tǒng)網(wǎng)優(yōu)手段的限制，若無(wú)法用傳統(tǒng)的網(wǎng)絡(luò)監(jiān)控KPI指標(biāo)識(shí)別的問(wèn)題，處理難度大。通過(guò)人工拉網(wǎng)排查成本高效率低。

因此，針對(duì)70%語(yǔ)音質(zhì)差識(shí)別的無(wú)法用傳統(tǒng)保障措施發(fā)現(xiàn)的故障小區(qū)，需要采用新的方法來(lái)解決——這就是基于軟采數(shù)據(jù)的大數(shù)據(jù)OTT定位信息，如下圖所示，基于高鐵小區(qū)進(jìn)行專項(xiàng)試點(diǎn)顯示，通過(guò)這個(gè)方法能夠精準(zhǔn)的識(shí)別出現(xiàn)語(yǔ)音質(zhì)差的具體位置，以及無(wú)線相關(guān)的具體信息，能夠有的放矢地指導(dǎo)網(wǎng)優(yōu)人員做精準(zhǔn)專項(xiàng)優(yōu)化。

圖12 基于大數(shù)據(jù)OTT定位信息的柵格化輔助定位圖

實(shí)際數(shù)據(jù)顯示，基于語(yǔ)音質(zhì)差故障柵格化呈現(xiàn)的方式，精準(zhǔn)地完成了語(yǔ)音質(zhì)差小區(qū)的優(yōu)化。

圖13 質(zhì)差用戶Top小區(qū)處理效果圖

4 結(jié)論

本文針對(duì)傳統(tǒng)的無(wú)線網(wǎng)絡(luò)質(zhì)量保障無(wú)法提升用戶體驗(yàn)的不足，提出了基于5s切片技術(shù)的基于大數(shù)據(jù)的VoLTE語(yǔ)音感知系統(tǒng)。從表征用戶體驗(yàn)吞字入手，自動(dòng)實(shí)現(xiàn)問(wèn)題定界，依次分析終端、用戶、切換因素，將VoLTE語(yǔ)音質(zhì)差小區(qū)精準(zhǔn)識(shí)別出來(lái)。并關(guān)聯(lián)已有的無(wú)線側(cè)其他系統(tǒng)定位的問(wèn)題，依托OTT定位柵格化信息，實(shí)現(xiàn)自動(dòng)派單，提供給一線現(xiàn)場(chǎng)網(wǎng)優(yōu)處理。目前該系統(tǒng)已在南京上線，質(zhì)差小區(qū)具有很高的準(zhǔn)確性，能夠較精準(zhǔn)地完成語(yǔ)音質(zhì)差小區(qū)的優(yōu)化。該課題對(duì)于一線優(yōu)化生產(chǎn)將帶來(lái)很大幫助，具有全國(guó)推廣的意義。