基于大數(shù)據(jù)的4G網(wǎng)絡(luò)弱覆蓋智能測評方案研究

許盛宏 宮云平 姚彥強

【摘? 要】為了解決弱覆蓋區(qū)域測評的工作量大且效率低、分析問題片面且準確性不高等問題，通過聚類、輪廓識別等算法對4G網(wǎng)絡(luò)數(shù)據(jù)進行分析，研究了4G網(wǎng)絡(luò)弱覆蓋智能測評方案，分析了海量MR的柵格聚合、弱柵格連片的自動識別、區(qū)域輪廓的自動勾畫、測評指標的智能關(guān)聯(lián)，實驗證實了弱覆蓋測評的高度準確性及網(wǎng)絡(luò)優(yōu)化效率的大幅提升。

【關(guān)鍵詞】4G;大數(shù)據(jù);弱覆蓋;智能測評

doi：10.3969/j.issn.1006-1010.2019.08.017? ? ? 中圖分類號：TN915.81

文獻標志碼：A? ? ? 文章編號：1006-1010（2019）08-0092-05

引用格式：許盛宏，宮云平，姚彥強. 基于大數(shù)據(jù)的4G網(wǎng)絡(luò)弱覆蓋智能測評方案研究[J]. 移動通信， 2019，43（8）： 92-96.

[Abstract]?In order to solve the problems of the evaluation of weak coverage area such as heavy workload， inefficiency， one-sided analysis and low accuracy， the solution for intelligent evaluation of poor coverage area is investigated based on the data analysis of 4G networks through the algorithms such as clustering and contour recognition. Then this paper analyzes the grid aggregation based on massive MR， automatic recognition of weak grid contiguous areas， automatic contour mapping of weak coverage area， and intelligent relation of evaluation metrics. The experiments demonstrate the high accuracy of weak coverage assessment and the substantial improvement of network optimization efficiency.

4G; big data; weak coverage; intelligent evaluation

1? ?引言

移動網(wǎng)絡(luò)的覆蓋質(zhì)量關(guān)系到用戶對運營商品牌形象的評價。隨著移動業(yè)務(wù)競爭壓力不斷加大，移動用戶感知質(zhì)量需要迫切提升，移動網(wǎng)絡(luò)覆蓋質(zhì)量是移動用戶感知質(zhì)量提升和忠誠度提升的重要保障。網(wǎng)絡(luò)設(shè)備投入的資源有限、移動網(wǎng)絡(luò)規(guī)劃站點部署不足將導(dǎo)致移動網(wǎng)絡(luò)出現(xiàn)弱覆蓋問題，這會直接影響移動用戶的業(yè)務(wù)感知和速率體驗。因此，很有必要實現(xiàn)移動網(wǎng)絡(luò)弱覆蓋區(qū)域智能測評，高效解決移動網(wǎng)絡(luò)的弱覆蓋問題，快速提升移動用戶的感知質(zhì)量。

2? ?現(xiàn)有解決方案

目前，4G網(wǎng)絡(luò)弱覆蓋區(qū)域測評方法主要依靠拉網(wǎng)路測和客戶投訴來解決。拉網(wǎng)路測需要專業(yè)車輛、專業(yè)設(shè)備的DT（Drive Test，路測）路面測試采集網(wǎng)絡(luò)覆蓋數(shù)據(jù)，然后將路測數(shù)據(jù)、地理圖層導(dǎo)入GoogleEarth、MAPINFO等專業(yè)工具進行分析，再人工估算連在一起的滿足弱覆蓋條件的測試點作為弱覆蓋區(qū)域，并結(jié)合不同廠家的4G網(wǎng)管、告警、路測、臺賬、仿真等多個系統(tǒng)兜轉(zhuǎn)人工分析，最后經(jīng)人工分析得到弱覆蓋測試范圍的測評指標。目前弱覆蓋測評方法如圖1所示，存在以下一些問題：

（1）需要人工進行路面測試，導(dǎo)致消耗大量人力和物力，工作量很大且效率低。

（2）人工進行弱覆蓋范圍識別，識別準確性不高且工作效率低，同時無法直觀呈現(xiàn)弱覆蓋區(qū)域。

（3）需要結(jié)合多個不同系統(tǒng)兜轉(zhuǎn)人工分析，分析問題片面、不準確且工作效率低。

3? ?智能測評方案

3.1 總體實現(xiàn)思路

針對目前的弱覆蓋區(qū)域測評需要消耗大量人力和物力、工作量大且效率低、分析問題片面且準確性不高等問題，提出了基于大數(shù)據(jù)的弱覆蓋區(qū)域自動測評方案。

通過設(shè)備綜合網(wǎng)管獲取用戶終端上報海量的MR（Measurement Report，測量報告），系統(tǒng)根據(jù)市區(qū)、農(nóng)村等場景確定柵格大小、柵格連片數(shù)以及連片規(guī)則，再通過基于大數(shù)據(jù)的聚類算法，自動識別出弱覆蓋區(qū)域，并結(jié)合輪廓識別算法識別出區(qū)域輪廓，最后關(guān)聯(lián)DPI（Deep Packet Inspection，深度包檢測）、KPI（Key Performance Indication，性能指標）、告警等一站式輸出測評指標（如圖2所示）。

3.2? 相關(guān)算法研究

（1）聚類算法

隨著人類科學(xué)技術(shù)的發(fā)展，對分類的要求越來越高，以致有時僅憑經(jīng)驗和專業(yè)知識難以確切地進行分類，于是人們逐漸地把數(shù)學(xué)工具引用到了分類學(xué)中，形成了數(shù)值分類學(xué)，之后又將多元分析的技術(shù)引入到數(shù)值分類學(xué)形成了聚類分析。聚類分析的算法可以分為劃分法、層次法、基于密度的方法、基于網(wǎng)格的方法、基于模型的方法。DBSCAN（Density Based Spatial Clustering of Applications with Noise，基于密度的聚類算法）是一個比較有代表性的基于密度的聚類算法，與劃分和層次聚類方法不同，其將簇定義為密度相連的點的最大集合，能夠把具有足夠高密度的區(qū)域劃分為簇，并可在噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的聚類。由于弱覆蓋區(qū)域的數(shù)量和形狀不固定，本方案將采用DBSCAN算法自動識別弱覆蓋區(qū)域。

（2）輪廓識別算法

在圖像處理與分析、模式識別和計算機視覺等研究領(lǐng)域中通常需要提取目標區(qū)域的輪廓以獲得關(guān)于目標的諸多有價值的信息。其中比較有代表性的是Alpha Shapes（阿爾法形狀）算法，從離散的空間點集中抽象出其直觀形狀，即從一堆無序的點中獲取大致的輪廓，其原理可以想象成一個半徑為α的圓在點集s外滾動，當(dāng)α足夠大時，這個圓就不會滾動到點集內(nèi)部，其滾動的痕跡就是這個點集的邊界線。為了更好表征弱覆蓋區(qū)域的形狀，本方案采用Alpha Shapes算法得到弱覆蓋區(qū)域多邊形頂點來表示，作為弱覆蓋區(qū)域的地理化呈現(xiàn)。

3.3? 關(guān)鍵技術(shù)實現(xiàn)

（1）基于海量MR的柵格聚合

4G終端用戶每隔10 s上報一條MR記錄，全省每天采集260億條MR記錄，MR記錄包括位置AGPS以及覆蓋指標等信息，基于大數(shù)據(jù)構(gòu)建采集和運行框架高效實現(xiàn)MR數(shù)據(jù)聚合。然后將指定區(qū)域以網(wǎng)格的形式分成相同大小的柵格（如20 m×20 m），根據(jù)MR的經(jīng)緯度和柵格范圍對MR記錄進行柵格聚合，根據(jù)每個柵格的所有MR的RSRP計算平均值作為該柵格的覆蓋指標。當(dāng)柵格的覆蓋RSRP指標小于-105 dB即認為弱覆蓋柵格。柵格編號采用（經(jīng)度編號，緯度編號）的形式來表示，將左下角最小經(jīng)緯度（109.456 006 485 399， 20.129 790 088 470 2）對應(yīng)的柵格編號為（0， 0），并按固定柵格大小往后增加編碼，具體計算方法如下：

經(jīng)度編號=（經(jīng)度-109.456 006485399）/（0.00000972×級別）+1001（向下取整）

緯度編號=（緯度-20.129790 0884702）/（0.00000896×級別）+1001（向下取整）

柵格編號=經(jīng)度編號×1000000+緯度編號，如果柵格為20×20，那么此處級別為20。

（2）弱柵格連片區(qū)域的自動識別

根據(jù)弱覆蓋柵格門限，篩選出符合要求的弱柵格集合，根據(jù)預(yù)先確定的弱柵格連片距離，采用DBSCAN算法，把滿足一定條件的鄰近弱柵格聚成一組，再根據(jù)柵格連片數(shù)門限過濾達不到門限值的分組，最后得到的柵格連片分組即為弱覆蓋區(qū)域。

同時，系統(tǒng)可根據(jù)不同場景的基站覆蓋范圍、站間距、用戶密度等的不同，自動計算對應(yīng)的柵格大小、柵格連片數(shù)以及連片距離門限。市區(qū)和縣城基站覆蓋范圍小、站間距密、用戶密度高，設(shè)置柵格大小為20 m×20 m（此時D=20 m），柵格連片數(shù)至少為10個，連片距離為D;鄉(xiāng)鎮(zhèn)和農(nóng)村基站覆蓋范圍大、站間距疏、用戶密度低，設(shè)置柵格大小為50 m×50 m，柵格連片數(shù)最小值為5個，連片距離為2D。如圖3所示，深色的格子表示弱柵格，當(dāng)連片距離設(shè)置為D，算法流程如下：

1）在弱柵格集合隨機拿一個柵格A，則與A柵格的連片距離滿足的弱柵格有B和C。

2）分別判斷B和C滿足連片距離的柵格，則可以找到柵格D的滿足條件。

3）再通過D查找沒有滿足距離的柵格，則該分組結(jié)束，輸出分組1（ABCD）。

4）類似上述步驟，可以輸出分組2（EFGH）。

當(dāng)連片距離設(shè)置為2D則柵格C與柵格E、F滿足距離條件，則中間有隔開不相連的柵格的成片柵格也會組成一個弱覆蓋區(qū)域（ABCDEFGH），如圖4所示。

（3）弱覆蓋區(qū)域輪廓的自動勾畫

弱柵格連片包含柵格的頂點，通過Alpha Shape算法檢測出邊緣輪廓點，從而勾畫出弱覆蓋區(qū)域輪廓。根據(jù)輪廓勾畫算法原理，采用長度跟連片距離相等的線段，選取位置最高的頂點作為初始點，線段一端首先固定在該初始點，從水平方向開始逆時針旋轉(zhuǎn)，當(dāng)相交另一個頂點，線段保持方向移動，另一端固定在該頂點，繼續(xù)逆時針旋轉(zhuǎn)，直到線段相交初始點為止，輸出線段經(jīng)歷頂點就是該區(qū)域的邊緣輪廓點。如圖5所示，當(dāng)連片距離設(shè)置為2D時，實現(xiàn)流程如下：

1）把弱區(qū)1每個柵格頂點去重，得到11個點，取經(jīng)緯度編號最大的點a作為初始點;

2）以a為圓心，連片距離為半徑，從水平方向逆時針旋轉(zhuǎn)，相交于點d，則d作為下一個頂點;

3）以d為圓心，連片距離為半徑，從a點開始逆時針旋轉(zhuǎn)，相交于點e，則e作為下一個頂點;

4）以e為圓心，連片距離為半徑，從d點開始逆時針旋轉(zhuǎn)，相交于點g，則g作為下一個頂點;

5）如此類推，當(dāng)下一個頂點是初始點的時候，就停止計算，可以輸出弱覆蓋區(qū)域1的邊界，弱覆蓋區(qū)域2也類似這么處理。

當(dāng)連片距離設(shè)置為2D，則柵格C與柵格E、F滿足距離條件，則分組1和分組2合并成一個分組，輪廓勾畫出的結(jié)果如圖6所示：

（4）測評指標的智能生成

為了提升網(wǎng)絡(luò)優(yōu)化支撐的智能化水平，減少多個系統(tǒng)兜轉(zhuǎn)人工分析，通過結(jié)合DPI、KPI、MR、CDR、基站臺賬等多系統(tǒng)全方位指標實現(xiàn)弱覆蓋區(qū)域的智能測評，測評輸出指標包括處理措施、處理優(yōu)先級、接入扇區(qū)和附近扇區(qū)。

處理措施：根據(jù)附近基站扇區(qū)狀況以及場景，輸出規(guī)劃、維護、工程和優(yōu)化建議。

處理優(yōu)先級：根據(jù)弱柵格數(shù)、4G切3G次數(shù)、4G用戶數(shù)、4G流量、4G感知優(yōu)良率等指標進行計算。

接入扇區(qū)：弱覆蓋區(qū)域MR數(shù)量最多的5個主服務(wù)接入扇區(qū)，用于分析弱覆蓋區(qū)域接入小區(qū)原因。

附近扇區(qū)：距離弱覆蓋區(qū)域中心點最近的5個扇區(qū)，用于分析弱覆蓋區(qū)域附近小區(qū)原因。

4? ?方案應(yīng)用驗證

人工路測與本方案測評結(jié)果對比如表1所示，路測弱路段表示至少連續(xù)100 m弱覆蓋路段，而系統(tǒng)弱覆蓋區(qū)域表示至少10個20 m×20 m弱柵格連片的區(qū)域，驗證了75個路段覆蓋情況，整體匹配準確率為93.33%，其中區(qū)域A驗證情況如圖7所示，該區(qū)域路測總?cè)趼范螢?1段，其中系統(tǒng)只有編號18路段沒有匹配上，匹配準確率為95.24%。

同時，基于本方案實現(xiàn)了弱覆蓋區(qū)域的自動精準識別、基站扇區(qū)覆蓋地理化分析及重要場景弱覆蓋智能測評功能，經(jīng)過實際推廣應(yīng)用，可準確發(fā)現(xiàn)并快速解決4G網(wǎng)絡(luò)弱覆蓋問題，使得工作效率大幅提升，路測費用大幅下降。某地市每條城中村網(wǎng)絡(luò)測評耗時由原來2～3天縮短至10分鐘，提供工作效率百倍以上。初步估算可取代80%的路測工作，某地市每年需要投入800萬路測費用，即每年可節(jié)省640萬元。

5? ?結(jié)束語

為解決目前弱覆蓋區(qū)域測評需要消耗大量資源、工作量大且效率低、分析問題片面且準確性不高等問題，提出了基于大數(shù)據(jù)的4G網(wǎng)絡(luò)弱覆蓋測評方案，實現(xiàn)快、全、準的一站式智能測評，使得網(wǎng)絡(luò)優(yōu)化效率大幅提升，路測費用大幅下降以及客戶感知有效提升，具有良好的推廣應(yīng)用價值。后續(xù)結(jié)合人工智能和大數(shù)據(jù)技術(shù)不斷完善功能，進一步推進原因定位智能化分析，更有力支撐智慧化運營。

參考文獻：

[1] 劉通，施兆陽，陳燦，等. 基于LTE MR大數(shù)據(jù)分析的虛擬化路測應(yīng)用探討[J]. 移動通信， 2017，41（12）： 1-5.

[2] 張臻. 大數(shù)據(jù)在移動通信網(wǎng)絡(luò)優(yōu)化中的應(yīng)用研究[J]. 移動通信， 2017，41（5）： 27-30.

[3] 劉帆. LTE網(wǎng)絡(luò)優(yōu)化方法[J]. 網(wǎng)絡(luò)安全技術(shù)與應(yīng)用， 2017（6）： 1-2.

[4] 張振剛，金瑞. 基于MR和信令數(shù)據(jù)的LTE網(wǎng)絡(luò)覆蓋評估及盲區(qū)識別[J]. 山東通信技術(shù)， 2016（3）： 1-3.

[5] 李勇，李果，衛(wèi)鈺. 一種基于信令和MR數(shù)據(jù)的LTE網(wǎng)絡(luò)質(zhì)量監(jiān)測方法研究[J]. 移動通信， 2016，40（24）： 1-4.

[6] 李穎. 4G網(wǎng)絡(luò)覆蓋分析及解決方案[J]. 通訊世界， 2016（24）： 1-2.

[7] 熊瑋. LTE弱覆蓋問題分析與優(yōu)化[J]. 信息通信， 2015（2）： 1-2.

[8] 王博. LTE覆蓋的評估、定位和優(yōu)化[J]. 移動通信， 2014，38（17）： 1.

[9] 周飛. 利用Alpha Shapes算法提取離散點輪廓線[J]. 湖北廣播電視大學(xué)學(xué)報， 2010（2）： 1-2.

[10] 陳濤，李光耀. 平面離散點集的邊界搜索算法[J]. 計算機仿真， 2004（3）： 1-4.