提要：网络优化 分析中必要使用多种网络数据，无论是数据量、数据类型，还是分析步骤都能够借鉴目前在移动互联网 领域普遍选取的大数据分析步骤。结合移动通讯网络优化的分析数据类型和大数据分析步骤，提出全局数据包办采样数据、效能优吓宗精确、有关性包办因果关系3个网络优化的大数据利用方向。

1 引言

    随着移动通讯网用户数的增长、移动终端利用的丰硕和网络运营商之问日趋强烈的竞争，用户对通讯网质量有了较高要求，移动通讯网的机能瓶颈依然是无线空口可能提供的网络机能，这对运营商的网络优化提出了更高要求。目前，各运营商都面对2G、3G、4G三张移动通讯网络的运营，无线基站规模增长迅速，各造式网络之间可通过互操作实现业务迁徙，i网间协调优化复杂，各运营商很难实现和基站增长比例一样的网络优化人员扩编或者网络优化用度增长。若何有效地利用现有网络数据提升优化工作效能成为运营商必要面对的沉要问题。

智能手机涉及的利用宽泛，用户的地位、使用行为等数据的每一点变动都成为了可被纪录和分析的数据，以此为基础，“反馈经济”等新经济、新贸易模式起头形成。数据分析公司能够通过对大数据进行分析、预测，使得决策更为精准，开释更无数据的暗藏34价值。然而，终端用户提供给运营商的不仅是利用层的数据，也蕴含非智能手机用户为运营商提供的和利用层数据同样丰硕的物理层的丈量信息和信令信息。终端的丈量信息在移动通讯网中的重要职能是实现切换和功率节造，同时，结合信令信息在系统侧周期性地进行统计均匀形成机能报表。在移动通讯网发展 早期，由于设备机能限度，出格是系统侧存储和运算单元的机能限度，用户丈量汇报(MR)信息在UE实现切换和功率节造后就被删除，随着系统侧存储和推算能力的提升，这些数据所反馈的大量用户物理层信息能够被保留，之后用于对无线网络进行分析，为网络优化提供更为有效的判断凭据。

大数据的主题是预测，这同样也是网络优化数据分析的主题。大数据之所以可能实现更为高效正确的预测，是在于分析数据时的3个转变。第一个转变，在大数据时期，能够分析更多的数据，而不再依赖于随机采样

；第二个转变，钻研数据类型足够丰硕，以至于能够不再热衷于钻营精确度

；第三个转变，冈前2个转变而促成，即不再热衷于寻找因果关系，事物间的有关性显得更沉要。这3种分析数据的转变，同样能够提升网络优化工作中优化规划预测的正确性。

2 网优数据分析转变

    网络优化是通过对现已运行的网络进行话务统计分析、机能报表分析、多网元接KI数据采集、参数分析、硬件查抄等，找出影响网络质量的原因，并且通过参数的批改、网络结构的调整、设备配置的调整和采取某些技术伎俩，确保系统高质量地运行，使现有网络资源获得很好效益，从而获得较好投资收益。

各运营商针对网优人员日常工作提供全面的优化支持平台，实现对全网优化工作的统一治理，大大提高了网优工作日常效能。早期网络优化重要使用网管数据和测试数据，随着各类优化平台的使用，更多的数据蕴含MR、A+Abis数据，Gb+Gn口等信令数据以及分组解析数据都可以为网络优化工作使用，大数据分析有了数据源和分析平台，参考当前移动互联网大数据分析的3个转变，网优优化分析可实现以下3个转变。

(1)全局数据包办采样数据

    目前，各运营商的移动通讯网络网元多，各造式网络之间互操作复杂，现网已经很难通过采样数据对网络进行分析定位，如对于用户的使用业务问题不能仅从空口的机能进行分析，还必要思考物理层和网络层的问题，能够选取多网元接口数据综合分析实现具体问题定位。

(2)效能比精确更沉要

    移动通讯网服务于通常用户，发展到LTE网络阶段网络空口已经实现全数据业务，并且接人都为智能终端，用户可能使用的业务更丰硕，单个用户占用的空口带宽更大。这就导致幼区的负荷变动周期更短，网络优化工作对幼区级同频滋扰的躲避更作难题。传统的网络优化步骤通过话务统计和路测数据分析对幼区天堑进行调整已经很难适应急剧的负载变动，对于将来LTE网络来说，调整的效能比数据分析的正确性更为沉要。

(3)有关性分析包办因果关系

    移动通讯中终端用户的带宽瓶颈依然为空I

；1的资源限度，载波的频点、幼区的扰码和PCI等资源都必要合理分配来降低系统内滋扰。目前，现网依然选取路路测试中业务测试的方式，定位路路中对服务幼区产生滋扰的邻区并进行资源调整，这种步骤在原有滋扰区域能够看到显著的优化成效提升，但是对区域的整体机能提升短缺评估，因而，必要通过分歧的数据源成立幼区问的有关性，即幼区滋扰矩阵，通过滋扰矩阵对某幼区与周边幼区的有关性进行排序，实现资源的优质分配。

3 全局数据代替采样数据

    统计学已经证明，采样分析的精确性随着采样随机性的增长而大幅提高，但与样本数量增长的关系不大，较为单一的诠释就是，当样本数量达到了某个值后，从这个数据起源得到的信息会越来越少。随机采样获得了巨大成功，已经宽泛利用到现代社会各类丈量领域，、随机采样只是一条捷径，是在不成网络和分析全数数据情况下的选择，它自身存在很多固有的缺点，它的正确性依赖于采样的绝对随机性，但是实现采样的随机性极度难题，一旦采样过程中存在职何私见，分析了局就会相差甚远。

    网络优化中的覆盖分析和移动性失败定位就是典型的、能够通过全局数据分析包办采样数据的方式。网络覆盖分析一赶以来重要依附路路测试采样的方式，通过移动终端路路测试中所测得的下行信号功率来对网络覆盖机能进行评估，这种采样数据的受限成分重要来自于采样区域的限度。在建网初期，这种优化方式比力可能急剧地评估网络机能，但是，将来的网络业务重要是数据业务，用户在室内使用高带宽业务的功夫占比提高，室内、街路角落等路路测试无法达到区域的机能，也就是说，全网面状的覆盖很难通过一种数据起源暗示。

    目前，现网中多个厂家设备都能够采集MR数据。以TD —SCDMA 系统为例，MR是在UE和NodeB的物理层、RLC层以及RNC在无线资源治理过程中推算产生的。原始丈量数据或者经过统计推算(能够在RNC或OMC—R上实现统计)报送到OMC—R以统计数据大局进行存储，丈量汇报统计数据采集如图l所示。目前，2G／3G网络已经能够通过MR上报数据中的下行丈量功率对幼区级的覆盖机能进行定位，LTE网络若是获得丈量数据依然能够对全网，蕴含室内用户的覆盖机能进行定位。覆盖优化中另一个复杂的问题是处置用户投诉。现网50％以上的用户投诉来自于室内覆盖用户的弱覆盖投诉，若是要正确定位用户的投诉原因，就必要携带测试仪表到用户投诉区域进行测试获取下行丈量信息，这样的处置流程对资源亏损大，处置流程慢，对用户现场协调难题。，若是通过对MR数据和A+Abis接口数据的综合分析，就能够从系统测试定位指定用户的丈量信息，并通过MR的定位分析？槿范ㄓ没У牡匚。

4 效能比精确更沉要

    传统网络优化工作对网络的意识比力静态。除非有大量新加基站、载波调配或者用户投诉，网络优化工作更注沉数据分析的正确性而不太注沉优化处置过程中的效能问题。如优化调整2个幼区间的邻区关系，通常来说，能够通过话务网管统计肯定周期内的切换统计次数，当发现2个幼区间没有肯定量的切换次数时删除邻区关系，为BA list留出空余。增长邻区的优化步骤更为复杂，必要通过大量路路测试中未界说邻区导致的掉话，或者路路扫频中路路信号散布来进行邻区增长，这部门的工作效能取决于路路测试的工作周期以及工程 师对数据进行人为分析的正确性。通过MR丈量中界说邻区和非界说邻区的丈量进行基站邻区的增长和删除，将会大幅度地提高邻区优化效率，凭据系统侧对某个幼区中所有效户丈量上报信息中服务幼区和邻区的关系，能够删除那些很少呈此刻邻区上报的邻区。通过开启非界说邻区的丈量上报，能够发现那些不在邻区列表中，但是终端却丈量到信号较强的幼区。

    通过MR进行邻区优化的重要问题是用户散布和话务散布的不规定性，很难保障2个强有关幼区间肯定会有效户驻留并提议业务，从而获得2个幼区间的电平关系，但是当网络中用户较多且网络利用率较高时，能够忽略MR数据的不精确性而更注沉这种优化步骤在全网执行 的高效能优势。

    由于LTE网络阶段网络空口已经实现全数据业务，并且接入终端都为智能终端，用户可能使用的业务更丰硕，单个用户占用的空口带宽更大，这就导致幼区的负荷变动周期更短，网络优化工作对幼区级同频滋扰的躲避更作难题。传统的网络优化步骤通过话务统计和路测数据分析对邻区进行调整已经很难适应急剧的负载变动，合理的切换关系可能降低系统滋扰，加上将来LTE网络异构网组网方式中可能出现的大量家庭基站的开启和关关，原有的邻区关系优化步骤已经很难适应系统的变动，对于将来LTE网络来说，优化调整的效能比数据分析的正确性更为沉要。

5 有关性包办因果关系

    传统网络优化分析极度注沉数据之间的因果关系，如对于GSM 网络一个质差幼区的原因分析，首先必要思考的问题就是是否出现了系统内滋扰，若是这个幼区和邻区之间产生了同邻频碰撞就必要进行本幼区或者滋扰幼区的频点调整。对于TD，SCDMA 网络类似情况的频率和扰码优化分配，大量网络问题分析仅限于追求线性关系而忽略了幼区间的有关关系。

    有关关系的主题是量化2个事物之间的数理关系。有关关系强是指当一个数据值增长时，另一个数据值很有可能也会随之增长。在同频组网的移动通讯网络中，典型的案例就是当2个幼区间沉叠覆盖过大时产生的幼区间滋扰是相互的。在量化幼区间有关性时引人了滋扰矩阵的分析步骤。在2G／3G／4G网络中，都能够利用切换统计、扫频数据或者MR成立滋扰矩阵，区别是必要获得在分歧的采样点下推算邻区电平与主服务幼区电平的差值，凭据电平差值获得邻区对主服务幼区的滋扰概率。

    在无线网络优化 工程中能够构建无线网络滋扰矩阵来量化描述幼区之间的覆盖沉叠关系。如一个服务幼区内专用模式状态下的很多MS大量上报某邻幼区较强接管功率，如一60 dBm以上的丈量，注明2个幼区间存在较大面积的功率沉叠覆盖区域。通过对丈量数据、扫频数据等基础数据的统计处置和整合，能够得到服务幼区和相邻幼区功率沉叠覆盖大幼的量化关系——滋扰矩阵。与GSM网络分歧，3G／4G无线网络滋扰矩阵不用思考邻载频滋扰成分。滋扰矩阵在2G／3G网络资源分配和网络结构评估中已经宽泛使用，同样，在LTE网络的PCI分配中也能够参考滋扰矩阵得到的幼区级滋扰值进行MOD 3和MOD 30的滋扰躲避。利用滋扰矩阵的优化效能远高于通过路路测试和网管机能指标分析进行有关优化工作。

6 实现语

        LTE网络建设开明后运营商将会晤对更多的基站、更复杂的幼区级统计报表、更频仍的频问和异频切换，甚至更丰硕的用户业务模型。若何从纷繁复杂的数据中找到网络问题，并可能高效地实现问题分析和优化调整，提升网络机能，是运营商网络优化部门将要面对的问题。本文借鉴移动互联网领域的大数据分析步骤提出了网络优化的大数据分析方向。移动互联网领域的数据重要是用户级的业务数据和位相信息，网络优化的数据源中能够通过网元间接口数据采集统计分析得到用户级的业务数据，将来的LTE网络还能够凭据MDT(最幼化路测)的丈量上报定位用户地位，网络优化能够使用的数据从数据类型上看，甚至超过了移动互联网领域。借助目前已经布放的各类网管和网优数据平台，若是实现有关的数据共享，大数据分析步骤将可能更宽泛地利用。

（文章起源：互联网）