基于VoLTE失敗原因分析的定性定量研究方法探索

劉兵

摘 要：在現(xiàn)階段的網(wǎng)優(yōu)工作中，各大運營商越來越重視從數(shù)據(jù)中挖掘相關(guān)的知識，特別是在如VoLTE優(yōu)化這種涉及眾多網(wǎng)元和協(xié)議，告警信息繁多，出處與發(fā)生時間錯綜復(fù)雜相互交織，并缺乏相關(guān)錯誤流程分析的統(tǒng)一認知和經(jīng)驗的情況下，產(chǎn)生了利用定性定量的統(tǒng)計分析方法解決通信優(yōu)化疑難問題的應(yīng)用背景。本文即針對VoLTE的SIP-503錯誤嘗試使用定性定量的統(tǒng)計方法對問題發(fā)生的原因進行探索性的描述和解釋。

關(guān)鍵詞：VoLTE 優(yōu)化;定性研究;定量研究;統(tǒng)計建模

1 概述

隨著LTE網(wǎng)絡(luò)的大規(guī)模建設(shè)，LTE網(wǎng)絡(luò)承載了越來越多的手機用戶業(yè)務(wù)，基于IP傳輸?shù)腣oLTE業(yè)務(wù)也迅猛發(fā)展，截止2018上半年，中國移動全網(wǎng)VoLTE用戶數(shù)已超過2.5億，VoLTE用戶在4G的占比為30.9%;支持VoLTE終端已達600余款，芯片平臺已達到29款，VoLTE迎來了加速發(fā)展時期，但也同時面臨著巨大的優(yōu)化壓力。特別是與無線側(cè)原因關(guān)聯(lián)較大的SIP-503錯誤，由于其原因復(fù)雜，如外部鄰區(qū)、幀頭偏移未對齊導(dǎo)致的干擾，傳輸時延、切換并發(fā)等問題都會導(dǎo)致SIP消息報錯，尤其是SIP消息報錯的時間點之前eNB就發(fā)起了異常的信令釋放，給問題的排查又增添了難度。本文聚焦于VoLTE SIP-503錯誤分析，希望借由傳統(tǒng)統(tǒng)計領(lǐng)域的定性定量分析方法探索新的觀察問題的視角，啟發(fā)新的思路。

2 傳統(tǒng)的VoLTE失敗分析現(xiàn)狀

移動傳輸網(wǎng)絡(luò)不斷演進，目前主流的是LTE網(wǎng)絡(luò)，一方面LTE網(wǎng)絡(luò)為手機用戶提供了更大的上網(wǎng)帶寬，另一方面LTE網(wǎng)絡(luò)本身并沒有傳統(tǒng)2、3G網(wǎng)絡(luò)所具有CS域，只能借助IP化的VoLTE滿足用戶的語音通話需求，但是對于LTE網(wǎng)絡(luò)覆蓋薄弱的地區(qū)，為了使通話用戶正常通話，不發(fā)生通話失敗，必須能使用戶的通話從LTE網(wǎng)絡(luò)切換到傳統(tǒng)的2、3G網(wǎng)絡(luò)CS域，這就不可避免的出現(xiàn)多代網(wǎng)絡(luò)設(shè)備疊加互通的情況，往往發(fā)生通話失敗時，無法簡單的從一點甚至從一個網(wǎng)絡(luò)域內(nèi)發(fā)現(xiàn)失敗發(fā)生的原因，傳統(tǒng)的VoLTE失敗分析主要借助建立相關(guān)的場景對問題進行分類，一個場景下可以關(guān)聯(lián)多個網(wǎng)絡(luò)域的結(jié)點，利用工程師的業(yè)務(wù)知識和常年積累的對移動通信網(wǎng)絡(luò)核心測以及無線側(cè)的經(jīng)驗，綜合判斷，以解析問題發(fā)生的原因，這種方法不失目前最有效的方法，但是問題定位的準確度和時效度，都嚴重依賴于優(yōu)化工程師基于經(jīng)驗的主觀判斷，而其中的問題發(fā)生時是否蘊含著某些量化規(guī)律，目前即使最有經(jīng)驗的優(yōu)化工程師也無法給出答案。本文的主旨就是針對這種量化規(guī)則的發(fā)現(xiàn)做一些有益的探索和嘗試。

3 定性研究與定量研究概述

定性分析法是是對事物的質(zhì)的規(guī)定性進行分析研究的一種科學(xué)分析方法，定性分析方法與定量分析方法相對的。定量分析法（quantitative analysis method）是對現(xiàn)象的數(shù)量特征、數(shù)量關(guān)系與數(shù)量變化進行分析的方法。主要要分為以下幾類：比率分析法、趨勢分析法、結(jié)構(gòu)分析法、相互對比法、數(shù)學(xué)模型法。我們將使用定性分析之聚類方法以及定量分析之數(shù)學(xué)模型方法分別對小區(qū)及行政區(qū)兩個維度的VoLTE SIP-503錯誤原因進行分析。

4 VoLTE失敗原因的定性定量分析

4.1 觀測數(shù)據(jù)生成

此次采用的VoLTE相關(guān)數(shù)據(jù)體量非常龐大，而缺失數(shù)據(jù)頻繁出現(xiàn)，數(shù)據(jù)字段類型多樣，，尤其是數(shù)據(jù)中存在大量分類字段，包含較長的文字性描述信息，所以必須在使用之前對數(shù)據(jù)進行必要的清洗、抽取、過濾、編碼、以及匯總（統(tǒng)計頻次）。我們匯總的數(shù)據(jù)分別為小區(qū)和行政區(qū)維度兩批數(shù)據(jù)，之所以分為兩批數(shù)據(jù)，是由于以下兩個原因：①將小區(qū)維度的數(shù)據(jù)應(yīng)用于聚類分析，正好契合傳統(tǒng)分析方法在分析無線側(cè)原因時習(xí)慣將小區(qū)作為分析對象，以快速定位小區(qū)資源分配以及參數(shù)配置的問題;②將行政區(qū)維度的數(shù)據(jù)應(yīng)用于數(shù)學(xué)模型方法是由于小區(qū)維度的數(shù)據(jù)在進行503過濾后較難形成飽滿的觀測數(shù)據(jù)，行政區(qū)維度的數(shù)據(jù)恰好可以滿足我們從更宏觀的角度理解失敗原因的數(shù)量規(guī)律。由于失敗原因等信息是較冗長的文字描述，而且本文主要是一種方法的介紹，在本文后面的內(nèi)容將統(tǒng)一引用編號來來代替實際的數(shù)據(jù)字段。

4.2 小區(qū)維度失敗原因定性分析

本小節(jié)我們介紹使用定性分析的一種常用方法-聚類方法來分析小區(qū)維度的頻次匯總數(shù)據(jù)，我們采用的是層次聚類方法，同時也會引入幾種對于聚類結(jié)果的呈現(xiàn)和分析的方法供大家參考。首先介紹一下層次聚類（Hierarchical clustering），層次聚類是在不同的“層次”上對樣本數(shù)據(jù)集進行劃分，一層一層地進行聚類。就劃分策略可分為自底向上的凝聚方法（agglomerative hierarchical clustering），比如AGNES。自上向下的分裂方法（divisive hierarchical clustering），比如DIANA。下面是層次聚類的關(guān)鍵步驟：通過匯總我們得到2萬余條待聚類的小區(qū)級觀測樣本數(shù)據(jù)，對于層次聚類來說：（1）初始化：把每條觀測樣本各自歸為一類，計算每兩個類之間的歐式距離，也就是觀測樣本之間的相似度。（2）尋找各個類之間最近的兩個類，把它們歸為一類，從而使總類的數(shù)量減少。（3）重新計算新生成的這個類與各個舊類之間的歐式距離。（4）重復(fù)（2）（3）步，直到所有的樣本都歸為一類，步驟結(jié)束。通過上面的方法得到6個較為突出的聚類，分別是Clust01至Clust06，其中Clust02是數(shù)據(jù)量占比最大的聚類，相對Clust02以及Clust3，其余的聚類數(shù)據(jù)量比較小，初步判斷觀測數(shù)據(jù)特征應(yīng)該比較集中。這些比較集中的聚類將是我們主要的分析對象。下面我們通過聚類數(shù)據(jù)指標的均值分布圖和變異系數(shù)分布來考查這幾個聚類是否有各自較為顯著的特征。下圖是小區(qū)維度數(shù)據(jù)聚類指標均值，這種呈現(xiàn)方式有利于發(fā)現(xiàn)聚類內(nèi)部的一些明顯的特征。

圖1是小區(qū)維度層次聚類指標均值分布圖，通過對各分組數(shù)據(jù)進行統(tǒng)計得到各組各指標的均值，均值情況呈現(xiàn)在圖1柱圖中，圖中的深度軸為clust1至clust6，橫向軸為指標，高度軸為均值，從右圖可以看到在clust1的小區(qū)中，主叫方向計數(shù)值和dev_VoLTE計數(shù)值呈現(xiàn)雙高的情況，這可能意味著支持VoLTE的終端在主叫時出現(xiàn)503失敗較多。而在clust6中，dev_IOS終端在出現(xiàn)跨IMS時較多出現(xiàn)finish_cause21的503錯誤，也就是Bearer Released。變異系數(shù)是在統(tǒng)一的量綱下考查數(shù)據(jù)離散程度的統(tǒng)計指標，從變異系數(shù)可以看到clust1和clust6相應(yīng)指標的離散程度相對并不很高，我們初步認定通過均值觀察的情況應(yīng)該屬于較為普遍的情況。至此我們完成以定性方法研究小區(qū)維度失敗分析，下面我們要對行政區(qū)維度的失敗原因進行基于數(shù)學(xué)模型的定量分析。

4.3 行政區(qū)維度失敗原因定量分析

在進行數(shù)學(xué)建模之前，我們?nèi)孕杌氐綐I(yè)務(wù)邏輯，仔細審視我們的問題，通過業(yè)務(wù)專家的業(yè)務(wù)知識和經(jīng)驗建立指標之間的業(yè)務(wù)關(guān)系，由于VoLTE失敗原因錯綜負載，涉及網(wǎng)元眾多，也見于目前對于VoLTE失敗有限的業(yè)務(wù)知識，為了后續(xù)的定量分析，我們不妨通過有限的業(yè)務(wù)知識大膽假設(shè)，再通過統(tǒng)計方法仔細求證，已達到在數(shù)據(jù)中發(fā)現(xiàn)知識的目的，我們的基本思路是，internetype5、direction1、direction0，以及各個終端指標都將影響finish_cause指標，而finish_cause之間也會相互影響，基于上面的假設(shè)，我們將得到指標之間的關(guān)系模型。下圖是假設(shè)關(guān)系模型圖。

下面利用定量分析方法對上面的指標關(guān)系假設(shè)建模，如果業(yè)務(wù)知識充分，在建模過程中需要不斷利用業(yè)務(wù)知識調(diào)整假設(shè)關(guān)系。在這里我們使用混合效應(yīng)方法依據(jù)假設(shè)關(guān)系模型來對數(shù)據(jù)進行擬合建模，下面是我們得到的模型方程組。

此處模型保留了影響明顯的自變量系數(shù)，系數(shù)的含義是每增加或減少一單位的自變量，就會增加或減少系數(shù)倍單位的因變量，例如finish_cause19 的方程，我們看到finish_cause1對其影響很大，一單位的finish_cause1會引起1.2倍單位finish_cause19 的下降，這說明這兩個指標存在明顯互斥的負相關(guān)。又比如finish_cause27 和finish_cause23之間存在明顯的正相關(guān)關(guān)系。至此我們成功建立了定量分析的數(shù)學(xué)模型，該模型已可以清晰的反應(yīng)我們之前依據(jù)業(yè)務(wù)知識得到的假設(shè)關(guān)系模型的數(shù)量關(guān)系。

5 應(yīng)用前景

本文基于VoLTE失敗原因分析提出了定性定量的兩種方法，方便優(yōu)化人員理清思路，后一種數(shù)學(xué)模型的定量分析則在前者的基礎(chǔ)上確立了數(shù)量模型，使問題原因更加清晰，更有利于對問題的解釋，該方法將對復(fù)雜網(wǎng)絡(luò)問題解釋帶來新的視角，因此有廣闊的應(yīng)用前景。

6 結(jié)語

一切的統(tǒng)計方法都不是萬能的，業(yè)務(wù)經(jīng)驗和知識作為前提才能發(fā)揮作用，但是統(tǒng)計方法就如一只有力的大手能帶領(lǐng)我們沖出重重的迷霧，帶來更廣闊分析問題的視野。

參考文獻：

[1]楊君，李雯.VoLTE技術(shù)中基于失敗定界分類的eSRVCC切換優(yōu)化方法研究[J].移動通信，2016，40（18）：8-15.

[2]蔡偉祥.VoLTE關(guān)鍵技術(shù)及網(wǎng)絡(luò)優(yōu)化研究[J].信息通信，2017（3）.

[3]李晨陽.VoLTE網(wǎng)絡(luò)優(yōu)化中的關(guān)鍵問題研究與實踐[D].

[4]劉滿芝，周梅華，呂雪晴.基于因子分析與聚類分析復(fù)合模型的市場細分研究——以移動通信行業(yè)為例[J].管理案例研究與評論，2009，2（2）：136-141.

[5]曹均偉，李凌.經(jīng)濟學(xué)的定性分析與定量分析：爭論與融合[J].會計與經(jīng)濟研究，2007，21（3）：57-64.