数据挖掘在网络优化中的应用

上海市浦东科技信息中心 孔佳薇 摘编 关键字：数据挖掘, 网络, 优化

2010-09-08 浏览量：7

移动通信网络发展速度惊人，移动网络始终处于大规模建设状态，用户数量的增加往往超出了专家的预计。现有的网络结构迫切需要得到及时优化和调整，然而整个网络的优化是一个庞大的系统工程，按照现有的优化方式，不仅人力物力消耗量大，而且也不能满足移动通信网络动态变化的需求，这就迫切需要充分利用现在科学技术的发展，结合计算机技术、数据挖掘技术、人工智能技术等，建立以电脑代替人脑，以机器代替人的高速、智能网络优化体系。

数据挖掘在网络优化中的应用是一个崭新的课题，数据挖掘是一门正在兴起的数据分析技术，而网络优化是一个庞大的系统工程，这一切决定了他们的结合应用需要在实践中不断探索发展，不断积累经验。数据挖掘在网络优化中的可应用方面有很多，本文简要进行了概述了。

1、数据挖掘在网络优化中应用原理

一个移动通话过程中将产生大量的测量数据（通话中手机每半秒向系统报告一次目前的无线测量结果），系统都将完全记录该部分信息数据。由于这样的数据是海量的，根据系统预先定义的KPI统计指标，网管系统将有选择地生成大量的统计报表，用来反映网络质量。以无线网络接入性能类指标为例，统计报表包括：寻呼成功率、SDCCH信道可用率、SDCCH信道拥赛率、SDCCH信道分配成功率、TCH信道可用率、TCH信道拥赛率、TCH信道分配成功率、无线接通率等，这些指标每小时对每个基站、每个小区都有个相应的数值（以上海为例，上海移动网络至少有7000以上的小区），而这些数值已经是一个经过网管统计的结果。在运营商的日常维护管理中，不可能对如此众多的数据进行观察分析，只能是对其中极少一部分报告进行追踪分析。

数据挖掘技术在网络优化系统中的作用主要表现在统计分析、关联分析和预测分析上。

现有网管统计报告是对原始数据处理后的精要概述，这些统计报告是人们多年经验的总结，但在海量原始数据中积淀了大量的有用信息被忽略了，如手机测量报告等，数据挖掘在网络优化中的第一个作用就是统计分析，找出原来因为处理能力不足而被忽

略的有用信息来进行科学决策判断。

关联分析的主要目的在于找出移动通信系统中存在的故障和缺陷，以及产生上述问题的原因。移动通信系统产生故障的原因与很多因素有关，有的因素优化人员可能已经掌握，这种掌握有的来源于技术分析，有的来源于以往的经验；有的因素是还没有挖掘出来的原因，这种因素客观存在但尚未发觉，或许有的时候优化人员根据经验知道该怎么解决，但不一定知道产生问题的真正原因。通过数据挖掘进行关联分析，一方面能够快速的为优化人员提供更准确的信息，使之能及时准确的对移动通信网络进行调整。另一方面可以挖掘出以往靠经验分析的可能产生故障原因之外的原因。同时，通过挖掘还可以为未来的优化工作提供更准确的信息，使优化人员在以后的优化工作中，能在问题发生之前，提前做好网络调整，避免问题的出现，从而减小网络优化的成本和网络质量下降带来的损失。单一的经验分析不仅和个人经验有关，而且很难及时准确的发现影响网络运行质量的原因所在，这样的优化方式不仅效率低下，而且往往成本很高，同时网络质量始终很难提高。只有准确掌握了问题发生的原因，才能把网络调整、优化工作提前，甚至在网络建设阶段就可以把很多在优化阶段所做的工作提前做完，以降低成本，提高网络服务质量。

数据挖掘的另一功能可以反映在其预测分析上。预测分析往往以时间为键值，通过对以往某一时间系统数据的分析，来得到现在及未来某一时间可能出现的情况，并提前对系统进行处理，把问题解决在出现之前。在网络优化系统中，对话务流量的预测分析是一种典型的预测分析。通过对前段时间某一区域的话务分析，来预测现在或未来该区域的话务流量，及时做好相应的网络参数调整，提高接通率，降低掉话率，提高网络质量。

2、数据挖掘在网络优化中的应用

数据挖掘技术在网络优化系统中的应用主要有站点选择分析、话务预测、覆盖分析、干扰分析、切换分析、掉话分析等。 1）数据挖掘在站点选择中的应用

移动通信无线网络设计的流程一般为根据不同技术体系的链路预算，计算每个站点在不同区域的覆盖半径，据此得出该区域的站点数目。然后工程师人为选择站点位置，将此方案在无线规划工具上仿真模拟，如果仿真结果能够满足设计目标，该设计方案就成为本期工程建设的设计方案。

站点的多少直接决定运营商的投资规模，站点的位置直接决定网络质量的好坏。可以看到，上述设计过程中人为因素占了绝大的比例，站点的多少、位置选择通常根据现场人员的技术能力而变化不定，在现有设计环节中缺乏一个有效提高设计方案性能的工具和手段。方案的选择有多种多样，以上的问题实际上是一个非确定性的多项式

（nondeterministic polynomial）组合优化问题，通过穷举所有方案的计算量是个天文数字，工程中是不可行的。数据挖掘在类似的工程实践上已经有了很多好的算法，如模拟退火、遗传算法、禁忌搜索、神经网络算法等，它们在解决类似一些复杂的工程问题时大有用武之地。目前已有少数国外公司开发出自动小区规划产品，能够有效的提升设计方案的性能。

2）数据挖掘在话务预测中的应用

在网络规划阶段，需要对话务的增长进行预测，据此进行硬件设备的投资配置。话务预测过高将导致采购过多设备造成闲置，难以达到良好的投资收益比；话务预测过低将导致大量的话务溢出，白白损失可以获取的收入。

时间序列预测基于这样的一种观念：与过去需求相关的历史数据可用于预测未来的需求，通过研究对象在一定时期内的变动过程，从中寻找和分析事物的变化特征、发展趋势和规律。在移动通信的统计数据中，将记录过去几年内的话务量统计数据，这使得我们可以使用数据挖掘中的时间序列预测方法很好的预测未来的话务发展趋势。 3）数据挖掘在覆盖分析中的应用

一个网络性能好坏的最基本的判断条件就是信号覆盖是否满足接入和通话的要求。影响网络覆盖指标的主要原因有以下几点：

网络规划不合理：站址位置不合理，天线方向角、倾角不合理，信号存在阻挡等。 上下行链路不平衡：存在上下行覆盖差异，导致不能接入。

对于网络覆盖的分析，可以用数据挖掘技术中的相关性分析，对大量的采样数据进行分析，可以得到覆盖率与某个具体原因的相关性大小，从而给优化人员以提示指导。在数据挖掘算法上关联分析未必是唯一方法，可以和其他一些算法相结合进行分析，如序列分析（分析脱网前后各指标是否存在一定的预兆）、偏差分析（分析发生脱网是否和某一指标的异常相关）等。

4）数据挖掘在干扰分析中的应用

移动通信系统是个干扰受限系统，过强的干扰会使的话音质量变差乃至掉话。以下情况可能造成干扰：

频率规划和功率分配不合理

覆盖区域内存在强大的干扰源，如直放站、微波站等

用户话务分布情况

对于干扰分析最可能运用的挖掘算法为相关性搜索算法，对出现干扰严重时各参数设置的相关性分析，基本上能够得到干扰的原因所在；通过搜索算法找出更为合理的解决方案。同时根据已经掌握的情况，可以对网络的干扰做出预警，提前对网络进行调整。

5）数据挖掘在切换分析中的应用

切换是移动通信的一个重要技术，用户之所以能够进行移动通话，最根本的原因就是用户可以在不同基站间进行切换。影响切换的主要原因有： 切换参数设置不合理 邻区列表设置不合理 信号覆盖重叠带不合理

可以通过数据挖掘统计分析，可以找出系统切换成功率最高时各参数设置指标，对今后的参行预先指导。

6）数据挖掘在掉话分析中的应用

掉话率是反映用户感受的重要指标之一，影响掉话的主要原因有： 信号覆盖强度和干扰问题 系统参数和邻区设置问题 系统设备问题

通过数据挖掘的相关性分析和偏差检验等算法，可以准确定位问题的所在，从而对网络进行的调整。

7）数据挖掘在信令分析中的应用

数据挖掘也可以用来信令分析，移动台与基站间的注册、鉴权、接入、切换等都是通过信令来完成的。所以对于信令的监测和参数分析对于了解和掌握网络的运行状况和运行质量有着意义。通过对于信令的追踪，可以方便的定位故障，验证网络规划的合理性，便于具体问题析。

参考文献：

[1] 浅谈数据挖掘在网络优化中的应用 刘秀彬 硅谷 2010（15）

[2] 数据挖掘在移动通信网络优化中的应用 沈亮 上海交通大学 2009 硕士论文 [3] 数据挖掘在移动网络优化中的应用与实现 张永敏 电子科技大学 2007 硕士论文