賈 磊，張璐巖

(1.中國移動通信集團陜西有限公司 漢中分公司，陜西 漢中 723099；2.中國移動通信集團陜西有限公司 網(wǎng)絡優(yōu)化中心，陜西 西安 710077)

目前5G網(wǎng)絡已經(jīng)商用，但仍有大部分用戶駐留在4G網(wǎng)絡，尤其是在密集場景下，持續(xù)的4G網(wǎng)絡高負荷會嚴重影響感知體驗[1]，造成不必要的網(wǎng)絡擁塞和資源調(diào)度不足。在密集場景的負荷優(yōu)化中，存在網(wǎng)絡負荷預測不準確、負荷分析成本高和缺乏可靠全面的自適應優(yōu)化方法，影響優(yōu)化效率。為了能及時、精準地識別網(wǎng)絡負荷、監(jiān)控用戶感知問題，亟需一套能精準預測密集場景下網(wǎng)絡負荷，并能實現(xiàn)自適應優(yōu)化的方法[2]。

相關研究者針對密集場景下感知問題展開研究，通過用戶體驗速率和小區(qū)流量構(gòu)建了基于用戶感知的網(wǎng)絡負荷模型[3]，根據(jù)流量和體驗的變化率尋優(yōu),實現(xiàn)了網(wǎng)絡負荷、利用率、流量和用戶數(shù)之間的最優(yōu)配置關系,但上述研究沒有考慮4G/5G協(xié)同優(yōu)化的情況。在4G/5G協(xié)同組網(wǎng)的情況下，提出了5G反向開通3D-MIMO、4G/5G均衡優(yōu)化及現(xiàn)網(wǎng)資源動態(tài)調(diào)整等具體提升舉措，建立基于網(wǎng)絡多端口的客戶感知量化評估方式，以及總結(jié)了影響用戶感知的因素[4-6]。但是，以上研究沒有考慮4G/5G帶寬資源的協(xié)同、用戶網(wǎng)絡感知保障的情況及4G/5G帶寬資源的協(xié)同等問題，導致出現(xiàn)上下行物理資源塊(Physical Resource Block，PRB)利用率持續(xù)偏高的問題。

考慮目前4G/5G共存組網(wǎng)下出現(xiàn)的網(wǎng)絡高負荷問題，擬提出密集場景下4G/5G帶寬自適應的負荷優(yōu)化方法，通過提取日常和活動期間的網(wǎng)絡信息進行分析研究，采用機器學習方法建立業(yè)務模型和預測網(wǎng)絡負荷，再利用目前4G/5G網(wǎng)絡共存的方式，實現(xiàn)4G/5G小區(qū)帶寬自適應優(yōu)化，提升用戶感知。

1 基本問題描述

目前4G和5G網(wǎng)絡將長期協(xié)同發(fā)展，但在熱點高容量的密集場景下，持續(xù)保障用戶網(wǎng)絡體驗不下降存在一定困難。在大量用戶的不斷沖擊下，導致網(wǎng)絡長期處在高負荷狀態(tài)，容易造成用戶感知不佳的問題[7-9]。為了有效地解決密集場景下網(wǎng)絡高負荷問題，保證用戶良好的網(wǎng)絡體驗，提出了密集場景下網(wǎng)絡負荷優(yōu)化和用戶感知保障的方法。

針對密集場景下網(wǎng)絡高負荷問題，容易導致用戶網(wǎng)絡感知不佳的結(jié)果，制定了網(wǎng)絡負荷優(yōu)化和用戶感知保障的總體優(yōu)化思路，具體如圖1所示。該方法通過采集用戶當前和歷史數(shù)據(jù)的業(yè)務類型、用戶數(shù)及站點配置等數(shù)據(jù)。利用Apriori算法對采集的大數(shù)據(jù)進行清洗和計算，得到用戶業(yè)務占比和業(yè)務組合模型，進而建立感知模型。結(jié)合小區(qū)不同時間段的用戶變化情況和業(yè)務感知速率門限，計算出小區(qū)最低速率需求。再通過均值漂移算法得到小區(qū)分時段業(yè)務感知速率模型，輸出小區(qū)帶寬配置方案。通過指令下發(fā)基站進行4G/5G帶寬配置自適應調(diào)整，實現(xiàn)有效緩解4G/5G網(wǎng)絡負荷的目的。

圖1 總體優(yōu)化思路

2 密集場景下基于網(wǎng)絡負荷預測模型

為更好地識別密集場景下網(wǎng)絡感知負荷情況，構(gòu)建了基于網(wǎng)絡負荷預測模型[10]，對基礎信息、感知類指標等數(shù)據(jù)進行整理計算，完成用戶業(yè)務占比識別和業(yè)務組合模型的輸出。

2.1 數(shù)據(jù)采集與處理

該系統(tǒng)對時間、ENODEBID、 Cell Id、小區(qū)名、在線用戶數(shù)、連接用戶數(shù)、用戶感知業(yè)務占比及業(yè)務時長、站點經(jīng)緯度、是否與5G共站、4G/5G站點帶寬配置信息及有源天線處理單元(Active Antenna Unit，AAU)設備型號等數(shù)據(jù)進行采集。其中，業(yè)務時長包括視頻業(yè)務、直播業(yè)務、及時通訊業(yè)務等8項感知指標。對采集的數(shù)據(jù)進行清洗，識別密集場景下4G/5G共站小區(qū)、帶寬配置信息及遠程無線電裝置(Remote Radio Unit，RRU)型號等信息，對用戶日常數(shù)據(jù)和重大活動數(shù)據(jù)分時段用戶數(shù)變化情況、業(yè)務占比進行整理匯聚[11]，輸出可用于分析、建模應用的數(shù)據(jù)庫文件，存儲到數(shù)據(jù)單元。

2.2 感知模型建立

對采集樣本數(shù)據(jù)進行清洗，去除干擾樣本數(shù)據(jù)，應用Apriori算法中的生成頻繁項集和生成強關聯(lián)規(guī)則，對原始數(shù)據(jù)進行建模，輸出不同小區(qū)各時段業(yè)務占比數(shù)據(jù)。其中，Apriori算法是一種挖掘頻繁項集和關聯(lián)規(guī)則的算法，通過掃描數(shù)據(jù)庫，累計每個項的計數(shù)，并收集滿足最小支持度的項，找出頻繁1項集的集合，該集合記為L1。然后，使用L1找出頻繁2項集的集合L2，使用L2找出L3，直到不能再找到頻繁k項集。

2.2.1 用戶業(yè)務占比識別

獲取小區(qū)下所有用戶分時段涉及的視頻業(yè)務、直播業(yè)務、及時通訊業(yè)務等上述8項業(yè)務占用數(shù)據(jù)進行業(yè)務占比統(tǒng)計，輸出業(yè)務占比前5的數(shù)據(jù)，具體如圖2所示。

圖2 業(yè)務占比識別

其中：T為時間，t1、t2、t3和t4分別表示4個不同的時間段；L項為業(yè)務類型，表示獲取全量小區(qū)不同時間業(yè)務分布情況；I為子項業(yè)務類型，其取值范圍為{I1，I2，I3，I4，I5}；C1表示對獲取的時間及指標項出現(xiàn)頻次較低的數(shù)據(jù)進行剔除；L1表示輸出剔除后各類業(yè)務出現(xiàn)頻次集合；C2表示由繁瑣項集L1生成的候選項集，再次遍歷數(shù)據(jù)集計算全部候選兩項集C2的支持度；L2表示輸出剔除后各類業(yè)務出現(xiàn)頻次集合；L3表示輸出前5指標集。

2.2.2 業(yè)務組合模型輸出

根據(jù)Apriori算法中強關聯(lián)規(guī)則，結(jié)合不同時間的頻繁項集，對不同時間段的數(shù)據(jù)進行劃分，輸出多個業(yè)務組合模型，并對各類業(yè)務類型進行計算，繁瑣項集示意圖如圖3所示。

圖3 繁瑣項集示意圖

采用Apriori算法中強關聯(lián)規(guī)則算法，對不同時間段數(shù)據(jù)進行計算，進而輸出小區(qū)日常和活動期間各類業(yè)務組合模型。

3 業(yè)務感知的帶寬自適應預測方法

首先計算出業(yè)務感知速率門限[12]，并結(jié)合日常和活動期間各時段的小區(qū)用戶數(shù)、業(yè)務模型及最低保障速率，輸出小區(qū)各業(yè)務的用戶數(shù)和感知最低保障速率。通過均值漂移算法建立不同帶寬的業(yè)務感知模型，如10 MHz帶寬、20 MHz帶寬等。再根據(jù)預測小區(qū)用戶數(shù)信息及業(yè)務模型，輸出保障速率，并與模型進行匹配，輸出小區(qū)的帶寬需求，結(jié)合現(xiàn)網(wǎng)4G/5G共站小區(qū)帶寬配置進行自適應優(yōu)化。

3.1 業(yè)務感知速率門限獲取

選取空閑時段，如03∶00-05∶00，對空閑小區(qū)進行不同業(yè)務的大量測試并記錄，剔除異常數(shù)據(jù)，輸出不同業(yè)務的用戶上下行保障感知速率[13]，包括即時通信、Web網(wǎng)頁瀏覽、視頻播放和內(nèi)容傳輸?shù)葮I(yè)務類型。

3.2 多業(yè)務感知帶寬需求獲取

通過日常數(shù)據(jù)和歷史數(shù)據(jù)及不同帶寬支持的速率，計算出小區(qū)日常和活動期間不同時段、不同用戶數(shù)及占比情況下的需求小區(qū)帶寬，表達式分別為

N1(V1+V2)+N2(L)+N3(L)+N4(L)+L=10

N1(V1+V2)+N2(L)+N3(L)+N4(L)+L=20

式中：V1為視頻業(yè)務速率；V2為網(wǎng)頁速率；N表示用戶。

3.3 建立速率模型

結(jié)合不同時段、不同用戶數(shù)、業(yè)務占比及需求站點配置等，依托均值漂移算法，對包含不同站點配置的模型進行循環(huán)匯聚，建立8種模型庫，如10 MHz帶寬支持的用戶數(shù)及業(yè)務分布，20 MHz帶寬支持的用戶數(shù)及業(yè)務分布……80 MHz帶寬支持的用戶數(shù)及業(yè)務分布，根據(jù)以上不同帶寬支撐的用戶數(shù)及業(yè)務分布，計算出h半徑內(nèi)所有點的偏移均值，其表達式為

(1)

式中：X為已知所有點的中心點；h表示所有點形成高維球區(qū)域的半徑，h為變量，可根據(jù)需求調(diào)整；k表示包含在Sh范圍內(nèi)點的個數(shù)；Xi表示包含在Sh范圍內(nèi)的點。

利用式(1)得出的偏移均值，結(jié)合當前狀態(tài)下的中心，通過迭代方程計算出下一時刻的聚類中心點，其表達式為

Xt+1=Mt+Xt

(2)

式中：Mt為t狀態(tài)下所有點的偏移均值；Xt為t狀態(tài)下所有點的中心。

根據(jù)預測用戶數(shù)信息，輸出各時段用戶數(shù)增長情況[14]，結(jié)合各類日常和活動期間業(yè)務占比情況，預測出各類業(yè)務用戶數(shù)增長后各類業(yè)務占比情況。根據(jù)預測的用戶數(shù)及各類業(yè)務占比情況，計算出下個時段小區(qū)感知保障速率和帶寬需求，并將結(jié)果與帶寬配置資源進行匹配，輸出小區(qū)帶寬配置需求。

3.4 基于感知的4G/5G帶寬自適應調(diào)整

根據(jù)保障小區(qū)4G/5G站點配置信息和小區(qū)預測最低保障速率，計算出小區(qū)是否滿足用戶的業(yè)務感知需求[15]，如不滿足預測數(shù)據(jù)，則進行自適應的優(yōu)化調(diào)整。

目前，移動4G和5G網(wǎng)絡帶寬從2 515～2 675 MHz共160 MHz，其中2 515～2 575 MHz的60 MHz為5G，2 575～2 615 MHz的40 MHz為可共用帶寬，剩下2 615～2 675 MHz為4G帶寬，自適應調(diào)整就是對共有的40 MHz帶寬進行資源優(yōu)化。在實驗中，需結(jié)合基站硬件設備能力和網(wǎng)絡負荷情況，輸出如表5所示不同的4G/5G帶寬配置方案。通過通基站平臺(Operation and Maintenance Center，OMC)生成對應方案的修改指令，下發(fā)基站進行4G/5G帶寬配置自適應調(diào)整。

4 實驗結(jié)果及分析

為了驗證所提方法在實際應用中的效果，選取某高鐵站候車廳覆蓋小區(qū)進行驗證，輸出可用于分析和建模應用的數(shù)據(jù)格式，存儲到數(shù)據(jù)單元，原始數(shù)據(jù)采集信息主要涉及小區(qū)名稱、視頻業(yè)務用戶數(shù)、視頻業(yè)務占用時長及即時通訊用戶數(shù)等字段，如表1所示。

表1 數(shù)據(jù)采集信息表

為了獲取不同業(yè)務占比對小區(qū)下所有用戶的業(yè)務類型和占用時長，通過頻繁項集的算法得到小區(qū)日常和活動期間各類業(yè)務占比情況如表2所示。

表2 各類業(yè)務時間粒度占比統(tǒng)計

由表2可以看出，該小區(qū)下所有用戶進行視頻播放類業(yè)務占比最高，其次是Web網(wǎng)頁瀏覽和即時通訊業(yè)務。

各類業(yè)務上下行保障速率如表3所示。

表3 各類業(yè)務上下行保障速率

由表3可以看出，內(nèi)容傳輸業(yè)務所需的上下行保障速率最高，其次是互動游戲和視頻播放業(yè)務。

此次驗證，涉及5G小區(qū)20個，4G小區(qū)140個，目前5G小區(qū)配置帶寬為100 MHz，使用頻段涉及D4/D5/D6/D1/D2。4G小區(qū)帶寬配置為60 MHz，其中D3/D7/D8頻段各配置20 MHz。日常小區(qū)配置情況如表4所示。

表4 4G/5G帶寬配置

開啟基于負荷的4G/5G帶寬自適應后，根據(jù)4G/5G用戶的增加增長情況，帶寬也會隨之進行調(diào)整，自適應小區(qū)帶寬配置情況如表5所示。

表5 4G/5G帶寬配置方案

由表5可以看出，自適應開啟后，根據(jù)不同時段網(wǎng)絡負荷的預測結(jié)果，結(jié)合帶寬自適應模型輸出分時段的3種4G/5G帶寬配置方案。

根據(jù)帶寬調(diào)整情況，相對應參數(shù)也隨之進行調(diào)整，4G/5G參數(shù)調(diào)整包括14類基線參數(shù)、8類切換參數(shù)和16類互操作參數(shù)，主要調(diào)整參數(shù)如表6所示。

表6 4G/5G帶寬同步修改參數(shù)

如圖4所示，從網(wǎng)絡質(zhì)量方面看，當4G/5G帶寬自適應功能開啟后，4G業(yè)務量較之前提升1.25 TB，上行PRB利用率下降1.97%，下行PRB利用率下降2.05%。

圖4 開啟4G/5G帶寬自適應功能前后網(wǎng)絡質(zhì)量對比

開啟4G/5G帶寬自適應功能前后用戶感知對比情況如圖5所示，從用戶感知方面看，4G/5G帶寬自適應開啟后，Web頁面顯示時長較之前下降301 ms，視頻卡頓時長占比下降2.34%，流媒體緩存時延下降971 ms。

從以上驗證結(jié)果看出，基于網(wǎng)絡負荷預測的4G/5G帶寬自適應方法測試后，4G網(wǎng)絡負荷得到明顯緩解，且業(yè)務量有所提升。用戶感知類的網(wǎng)頁瀏覽、視頻播放等關鍵KQI指標均提升明顯，有效改善密集場景下的網(wǎng)絡負荷，并提升用戶感知。

圖5 開啟4G/5G帶寬自適應功能前后用戶感知對比

5 結(jié)語

通過現(xiàn)有數(shù)據(jù)，利用Apriori算法和均值漂移算法，結(jié)合不同帶寬下用戶數(shù)和業(yè)務模型以及用戶數(shù)預測模型，獲得了小區(qū)保障速率和帶寬需求，解決了密集場景下的網(wǎng)絡負荷較高和用戶感知差的問題。相比傳統(tǒng)人工感知問題定位方法，可大幅降低人力成本，提升網(wǎng)絡優(yōu)化效率，同時避免帶寬資源的浪費，最大化提升基站的頻譜利用效率。隨著5G網(wǎng)絡規(guī)模的增大，呈現(xiàn)出多場景、差異化和需求動態(tài)變化等特點，網(wǎng)絡切片管理面臨著新應用的快速增多，業(yè)務需求變化快等挑戰(zhàn)，需考慮5G網(wǎng)絡切片智能的優(yōu)化問題。