基于用戶感知的網(wǎng)絡(luò)質(zhì)量評(píng)估診斷方法研究與應(yīng)用

蘇 飛，冉 萌，蔡子龍，陸 鈞

（中國(guó)聯(lián)通網(wǎng)絡(luò)技術(shù)研究院 北京100048）

1 引言

網(wǎng)絡(luò)質(zhì)量是用戶選擇移動(dòng)通信運(yùn)營(yíng)商的最重要因素，傳統(tǒng)網(wǎng)絡(luò)質(zhì)量考核體系已經(jīng)不能夠客觀地反映出用戶感知，往往出現(xiàn)網(wǎng)絡(luò)KPI（key performance indicator，關(guān)鍵績(jī)效指標(biāo)）很好，用戶感知卻很差的情況。結(jié)合目前網(wǎng)絡(luò)現(xiàn)狀，一方面，存在很多高端用戶對(duì)網(wǎng)絡(luò)滿意度持續(xù)下降的情況，需要采取措施重點(diǎn)針對(duì)高端客戶的感知進(jìn)行基于多維度的分析和衡量；另一方面，3G用戶熱衷于參與性強(qiáng)、互動(dòng)性好、有吸引力的各類應(yīng)用，特別重視體驗(yàn)的效果，3G 成功的關(guān)鍵是看用戶感知的好壞。因此，運(yùn)營(yíng)商必須建立以用戶感知為導(dǎo)向的網(wǎng)絡(luò)質(zhì)量評(píng)價(jià)考核體系，有效地開(kāi)展網(wǎng)絡(luò)優(yōu)化工作。但從實(shí)際應(yīng)用來(lái)看，運(yùn)營(yíng)商大多僅實(shí)現(xiàn)了從KPI向用戶感知的KQI（key quality indicator，關(guān)鍵質(zhì)量指標(biāo)）的聚合，評(píng)估方法單一，實(shí)現(xiàn)力度不夠[1]，因此，如何保障用戶對(duì)網(wǎng)絡(luò)的體驗(yàn)、提升用戶對(duì)網(wǎng)絡(luò)的滿意度，是運(yùn)營(yíng)商面臨的重要課題。

2 提升用戶感知的主要方法

在提升用戶感知方面，目前存在著多種方法，主要有基于自動(dòng)路測(cè)的采集評(píng)估，基于手機(jī)植入的終端質(zhì)量監(jiān)測(cè)，基于多維指標(biāo)的業(yè)務(wù)質(zhì)量分析和基于信令數(shù)據(jù)的挖掘分析。這些分析技術(shù)在網(wǎng)絡(luò)質(zhì)量評(píng)估和網(wǎng)絡(luò)優(yōu)化過(guò)程中發(fā)揮著重要作用，下面對(duì)這些方法進(jìn)行簡(jiǎn)單論述。

（1）基于自動(dòng)路測(cè)的采集評(píng)估

基于自動(dòng)路測(cè)的采集評(píng)估系統(tǒng)是利用車載系統(tǒng)模擬用戶做撥打測(cè)試，然后通過(guò)無(wú)線調(diào)制解調(diào)器把數(shù)據(jù)傳到系統(tǒng)主服務(wù)器上。系統(tǒng)服務(wù)器主要包括收集海量測(cè)試數(shù)據(jù)的數(shù)據(jù)庫(kù)管理系統(tǒng)、LOG 文件系統(tǒng)及預(yù)處理系統(tǒng)?？蛻舳瞬糠挚梢詮南到y(tǒng)服務(wù)器中讀取數(shù)據(jù)，集成后臺(tái)分析處理功能（展示、分析、報(bào)表、撥打控制等）。

（2）基于手機(jī)植入的終端質(zhì)量監(jiān)測(cè)

UE 預(yù)先安裝相應(yīng)客戶端，在后臺(tái)運(yùn)行，自動(dòng)采集網(wǎng)絡(luò)參數(shù)，回傳到服務(wù)器；UE 能夠進(jìn)行軟件自動(dòng)升級(jí)；通信服務(wù)器用于連接客戶端與數(shù)據(jù)庫(kù)，保證穩(wěn)定的數(shù)據(jù)傳輸；數(shù)據(jù)庫(kù)服務(wù)器用于UE 遠(yuǎn)程升級(jí)，存儲(chǔ)測(cè)試數(shù)據(jù)，并進(jìn)行數(shù)據(jù)分析和報(bào)表管理；BS 客戶端用于進(jìn)行網(wǎng)絡(luò)性能分析，可以進(jìn)行用戶行為分析和話務(wù)模型分析。

（3）基于多維指標(biāo)的業(yè)務(wù)質(zhì)量分析

該方法需要建立“基于QoE的KQI 分類方法”，建立KPI-KQI-QoE的映射模式，針對(duì)業(yè)務(wù)或應(yīng)用進(jìn)行業(yè)務(wù)質(zhì)量分析，體現(xiàn)用戶感知QoE。

（4）基于信令數(shù)據(jù)的挖掘分析[2]

基于信令數(shù)據(jù)的挖掘分析主要包括數(shù)據(jù)采集、信令關(guān)聯(lián)、智能挖掘和問(wèn)題定位。數(shù)據(jù)采集通過(guò)高性能信令采集設(shè)備對(duì)網(wǎng)絡(luò)中各接口信令和測(cè)量報(bào)告、性能數(shù)據(jù)進(jìn)行采集和存儲(chǔ)；信令關(guān)聯(lián)通過(guò)信令數(shù)據(jù)關(guān)聯(lián)進(jìn)行數(shù)據(jù)清洗，保證數(shù)據(jù)的準(zhǔn)確性；智能挖掘?qū)W(wǎng)絡(luò)性能進(jìn)行多維度評(píng)估，如對(duì)切換失敗、掉話、位置更新異常、指派失敗、干擾、弱信號(hào)、載頻隱性故障等問(wèn)題進(jìn)行評(píng)估；問(wèn)題定位是對(duì)分析結(jié)果反映的問(wèn)題進(jìn)行定位和優(yōu)化。

每種方法各有優(yōu)劣，根據(jù)不同需求和不同場(chǎng)景，可以采用不同的評(píng)估方法?；谧詣?dòng)路測(cè)的采集評(píng)估，無(wú)法做到對(duì)整個(gè)網(wǎng)絡(luò)的測(cè)試，成本高加重了網(wǎng)絡(luò)負(fù)荷；基于手機(jī)植入的終端質(zhì)量監(jiān)測(cè)涉及用戶隱私，每類終端需單獨(dú)開(kāi)發(fā)AGENT，無(wú)法推廣到所有在網(wǎng)用戶；基于多維指標(biāo)的業(yè)務(wù)質(zhì)量分析的問(wèn)題在于難以建立QoE 與KQI的一一對(duì)應(yīng)關(guān)系，用戶的移動(dòng)性與業(yè)務(wù)多樣性導(dǎo)致業(yè)務(wù)視圖建立困難；基于信令數(shù)據(jù)的挖掘分析存在信令硬件投資巨大，系統(tǒng)建設(shè)維護(hù)工作較大，用戶隱私與安全等問(wèn)題。

3 基于用戶感知的網(wǎng)絡(luò)質(zhì)量評(píng)估方法

基于用戶感知的網(wǎng)絡(luò)質(zhì)量評(píng)估方法依托于基于信令數(shù)據(jù)的挖掘分析方法，利用核心網(wǎng)CDR（call detail record）數(shù)據(jù)，結(jié)合用戶行為和用戶體驗(yàn)，進(jìn)行網(wǎng)絡(luò)質(zhì)量的評(píng)估。

3.1 多數(shù)據(jù)源

各類數(shù)據(jù)源是用戶體驗(yàn)網(wǎng)絡(luò)質(zhì)量評(píng)估方法的基礎(chǔ)，數(shù)據(jù)源的準(zhǔn)確采集、導(dǎo)出和導(dǎo)入是優(yōu)化工作的重要前提?，F(xiàn)網(wǎng)運(yùn)維數(shù)據(jù)中存在多種數(shù)據(jù)源，如信令消息的CDR、MR（measurement report，測(cè)量報(bào)告）、設(shè)備內(nèi)部的CHR（call history record，呼叫歷史記錄）以及話統(tǒng)數(shù)據(jù)等，各種數(shù)據(jù)源可以利用關(guān)鍵字進(jìn)行關(guān)聯(lián)分析，從而實(shí)現(xiàn)對(duì)優(yōu)化工作的有力支撐。

本文主要利用核心網(wǎng)信令消息CDR 進(jìn)行異常用戶行為模型分析，如通話CDR、切換CDR 等，加以其他數(shù)據(jù)源的支撐，最終完成優(yōu)化。

3.2 方法流程

基于用戶感知的網(wǎng)絡(luò)質(zhì)量評(píng)估方法主要包括6個(gè)過(guò)程[3]，即數(shù)據(jù)理解整合提出需求、建立用戶行為模型、數(shù)據(jù)清洗、數(shù)據(jù)分析實(shí)施、多維度分析和參數(shù)調(diào)整，如圖1 所示。

流程中各部分具體內(nèi)容如下。

（1）數(shù)據(jù)理解整合提出需求

充分理解各類數(shù)據(jù)源（如CDR 數(shù)據(jù)、話統(tǒng)數(shù)據(jù)）的深層次含義及數(shù)據(jù)源之間的關(guān)聯(lián)性，結(jié)合現(xiàn)網(wǎng)實(shí)際情況，提出數(shù)據(jù)分析需求。

（2）建立用戶行為模型

通過(guò)用戶應(yīng)對(duì)不同話音業(yè)務(wù)問(wèn)題時(shí)所表現(xiàn)出的異常行為，利用其行為特征，如通話時(shí)長(zhǎng)、通話間隔等，建立基于異常用戶行為的話音業(yè)務(wù)問(wèn)題挖掘模型，用于后續(xù)分析。需要注意的是，在模型建立的過(guò)程中，涉及個(gè)別模型參數(shù)的選擇，參數(shù)的選擇是影響模型準(zhǔn)確與否的關(guān)鍵，因此，需要通過(guò)現(xiàn)網(wǎng)的數(shù)據(jù)分析或利用相關(guān)專家的經(jīng)驗(yàn)進(jìn)行設(shè)定。

（3）數(shù)據(jù)清洗

對(duì)于一些疑似事件，可能是由于用戶撥測(cè)或個(gè)體行為導(dǎo)致，需要對(duì)這部分?jǐn)?shù)據(jù)進(jìn)行數(shù)據(jù)清洗，從而提高數(shù)據(jù)的準(zhǔn)確性，減少其對(duì)結(jié)果的影響。如某個(gè)用戶在一段時(shí)間內(nèi)的通話時(shí)長(zhǎng)均很短，而且通話間隔較短，這可能是由于手機(jī)賣場(chǎng)撥測(cè)等情況導(dǎo)致，需要將這部分?jǐn)?shù)據(jù)從數(shù)據(jù)分析工作中清洗掉，以避免對(duì)結(jié)果產(chǎn)生影響。針對(duì)不同的業(yè)務(wù)場(chǎng)景，需要設(shè)置不同的數(shù)據(jù)清洗規(guī)則。

圖1 基于用戶感知的網(wǎng)絡(luò)質(zhì)量評(píng)估方法流程

（4）數(shù)據(jù)分析實(shí)施

利用相關(guān)數(shù)據(jù)分析工具（SQL、Modeler、SAS），對(duì)建立的數(shù)據(jù)分析模型進(jìn)行實(shí)現(xiàn)，并對(duì)數(shù)據(jù)進(jìn)行實(shí)施。

（5）多維度分析

針對(duì)檢測(cè)到的疑似事件，進(jìn)行多維度場(chǎng)景細(xì)化分析，基于多維度信息，尋找疑似性較高的疑似事件及可能的多種維度，如時(shí)間維度、地理維度、網(wǎng)絡(luò)維度、網(wǎng)元維度、呼叫類型等。如果分析結(jié)果發(fā)現(xiàn)事件在某個(gè)維度上表現(xiàn)出明顯異常，則需要重點(diǎn)關(guān)注，并列為重點(diǎn)疑似對(duì)象。

（6）參數(shù)修正

通過(guò)優(yōu)化實(shí)施后的經(jīng)驗(yàn)，對(duì)問(wèn)題檢測(cè)模型的參數(shù)進(jìn)行修正，以使模型對(duì)問(wèn)題的檢測(cè)更加準(zhǔn)確，為后續(xù)優(yōu)化提供強(qiáng)有力的支持。

3.3 關(guān)鍵問(wèn)題分析

在整個(gè)方法的實(shí)施過(guò)程中，關(guān)鍵環(huán)節(jié)的處理至關(guān)重要，可能存在以下問(wèn)題。

（1）多數(shù)據(jù)源采集

由于需要多數(shù)據(jù)源支撐，多數(shù)據(jù)的采集、關(guān)聯(lián)和準(zhǔn)確性需要一定的保證，增加了數(shù)據(jù)采集和分析的難度。

（2）分析模型誤差

方法中使用的用戶行為可能是一些用戶的正常行為，需要從模型中將這類用戶去除，從而完善模型，提高準(zhǔn)確率。

（3）問(wèn)題精確定位

篩選出的問(wèn)題實(shí)體（如小區(qū)、鏈路等）可能較多，需要將其中最具疑似性的實(shí)體挑選出進(jìn)行高效的優(yōu)化。

（4）檢測(cè)模型修正

問(wèn)題檢測(cè)模型中的參數(shù)選取盡管有數(shù)據(jù)支撐，難免與各省實(shí)際情況有出入，需要對(duì)參數(shù)進(jìn)行有效修正。

3.4 典型模型

基于用戶感知的網(wǎng)絡(luò)質(zhì)量評(píng)估方法重點(diǎn)研究用戶行為，通過(guò)用戶行為特征，反映出用戶對(duì)網(wǎng)絡(luò)的體驗(yàn)感受，從而發(fā)現(xiàn)網(wǎng)絡(luò)存在的問(wèn)題。

用戶行業(yè)是指用戶在使用網(wǎng)絡(luò)開(kāi)展話音或數(shù)據(jù)業(yè)務(wù)時(shí)，行為在某一維度上表現(xiàn)出了較高的集中度，如用戶第一次通話失敗，而再次撥打成功；或用戶在某段時(shí)間內(nèi)，在某小區(qū)的通話時(shí)長(zhǎng)總是很短。這些異常的用戶行為模型背后往往隱藏著豐富的網(wǎng)絡(luò)質(zhì)量信息，如有用戶在某小區(qū)內(nèi)的通話時(shí)長(zhǎng)總是很短，可以初步判定該小區(qū)存在問(wèn)題，然后進(jìn)一步分析是無(wú)線網(wǎng)問(wèn)題，還是核心網(wǎng)問(wèn)題，最終達(dá)到對(duì)問(wèn)題進(jìn)行精確定位的目的。本文關(guān)注話音和數(shù)據(jù)業(yè)務(wù)的用戶行為模式，并研究不同模型映射出的網(wǎng)絡(luò)問(wèn)題。

3.4.1 話音業(yè)務(wù)的模型分析

（1）通話時(shí)長(zhǎng)

通話時(shí)長(zhǎng)是指用戶在通話過(guò)程中的時(shí)間長(zhǎng)短，用戶的通話時(shí)長(zhǎng)，往往能夠反映出當(dāng)時(shí)網(wǎng)絡(luò)的狀況。

如一個(gè)小區(qū)的用戶平均通話時(shí)長(zhǎng)很短，可能是這個(gè)小區(qū)的網(wǎng)絡(luò)環(huán)境相對(duì)較差，造成話音質(zhì)量不好，影響用戶感知，用戶無(wú)法完成通話，在較短的時(shí)間內(nèi)結(jié)束了通話，因此，通話時(shí)長(zhǎng)很短。

通話時(shí)間超長(zhǎng)的用戶，也是運(yùn)營(yíng)商需要重點(diǎn)關(guān)注的用戶。這類用戶對(duì)運(yùn)營(yíng)商來(lái)說(shuō)非常重要，可以重點(diǎn)分析其通話局向、對(duì)方用戶類型等信息，對(duì)市場(chǎng)推廣有著重要的參考意義。

此類用戶模型折射出的網(wǎng)絡(luò)問(wèn)題如超長(zhǎng)通話、超短通話等。

（2）通話間隔

通話間隔是指用戶通話的時(shí)間間隔，通話間隔可以輔助其他因素進(jìn)行網(wǎng)絡(luò)問(wèn)題的挖掘。

如果用戶的通話時(shí)間間隔總是較短，則可能是用戶所在小區(qū)的無(wú)線質(zhì)量很差，導(dǎo)致用戶多次短時(shí)間間隔通話。

如果用戶的通話間隔短，且較為頻繁，則可以重點(diǎn)分析用戶行為，如分析是否為惡意通話等。

此類用戶模型折射出的網(wǎng)絡(luò)問(wèn)題如超頻通話、單通等。

（3）切換頻繁

切換頻繁是指用戶在較短的時(shí)間內(nèi)，頻繁發(fā)生切換，且具有較高的集中度。

切換是由于用戶位置移動(dòng)所導(dǎo)致的正常行為，但如果切換過(guò)于頻繁，且具有較高的集中度，則將成為一種網(wǎng)絡(luò)問(wèn)題，可能會(huì)發(fā)生掉話等。

此類用戶模型折射出的網(wǎng)絡(luò)問(wèn)題如頻繁切換等。

（4）2G/3G 重選

2G/3G 重選是指用戶在空閑狀態(tài)下，進(jìn)行2G 和3G 間的異系統(tǒng)重選，從某種重選規(guī)律出發(fā)，可以挖掘出隱藏的現(xiàn)網(wǎng)問(wèn)題。

如在3G 中的用戶，重選到2G，但在很短的時(shí)間間隔后，又回到了3G，可能是當(dāng)時(shí)的3G 信號(hào)很差，重選到2G，但很快3G 信號(hào)又好轉(zhuǎn)，再次回到2G?？梢岳眠@樣的用戶行為挖掘3G 覆蓋差的小區(qū)。

此類用戶模型折射出的網(wǎng)絡(luò)問(wèn)題如3G 深度覆蓋問(wèn)題等。

（5）2G/3G 切換

用戶發(fā)生2G 和3G 之間的切換，根據(jù)用戶的某種切換類型，可以發(fā)現(xiàn)現(xiàn)網(wǎng)中存在的問(wèn)題。

在3G 環(huán)境下起呼的用戶，在通話時(shí)間很短的情況下，由3G 回落到2G，如起呼3G 切2G 事件。

此類用戶模型折射出的網(wǎng)絡(luò)問(wèn)題如起呼3G 切2G 等。

（6）標(biāo)志性用戶事件

標(biāo)志性用戶事件是指通過(guò)統(tǒng)計(jì)用戶在某些失敗事件前后，其他正常事件的相關(guān)信息，可以進(jìn)行相關(guān)問(wèn)題的定位。

用戶在某一次失敗事件后，進(jìn)行了其他成功的事件，則將那次失敗事件記為標(biāo)志性事件。

此類用戶模型折射出的網(wǎng)絡(luò)問(wèn)題如尋呼黑洞等。

3.4.2 數(shù)據(jù)業(yè)務(wù)的模型分析

（1）PDP 激活頻繁

用戶在某一段時(shí)間內(nèi)頻繁發(fā)生PDP 激活事件，且有較高的集中度。

PDP 激活是WCDMA 系統(tǒng)用戶上網(wǎng)的重要流程，如果用戶在一段時(shí)間內(nèi)頻繁進(jìn)行PDP 激活，且失敗事件較多，則反映出網(wǎng)絡(luò)存在明顯異常。

此類模型折射出類似參數(shù)不合理等問(wèn)題。

（2）開(kāi)關(guān)機(jī)

用戶在某一段時(shí)間內(nèi)，進(jìn)行頻繁開(kāi)關(guān)機(jī)操作。

在很多情況下，出現(xiàn)用戶只能進(jìn)行關(guān)機(jī)—開(kāi)機(jī)操作，才能上網(wǎng)，因此，對(duì)用戶頻繁開(kāi)關(guān)機(jī)行為進(jìn)行分析，能反映出存在問(wèn)題的地理維度。

此類模型折射出數(shù)據(jù)業(yè)務(wù)的隱性問(wèn)題。

（3）話音數(shù)據(jù)業(yè)務(wù)并發(fā)分析

用戶在話音業(yè)務(wù)過(guò)程中進(jìn)行數(shù)據(jù)業(yè)務(wù)或用戶在數(shù)據(jù)業(yè)務(wù)過(guò)程中進(jìn)行話音業(yè)務(wù)分析。

并發(fā)業(yè)務(wù)情況在現(xiàn)網(wǎng)中越來(lái)越多，其質(zhì)量的好壞，嚴(yán)重影響用戶對(duì)網(wǎng)絡(luò)的體驗(yàn)。

折射出并發(fā)業(yè)務(wù)存在的信令流程問(wèn)題。

話音業(yè)務(wù)單通問(wèn)題[4]是比較嚴(yán)重的話音質(zhì)量問(wèn)題，對(duì)用戶感知影響較大，目前在現(xiàn)網(wǎng)上普遍存在，各地客服經(jīng)常接到此方面的投訴。單通問(wèn)題可能由無(wú)線環(huán)境、鏈路接口或配置、無(wú)線/核心網(wǎng)設(shè)備內(nèi)部機(jī)制等多種原因引起，在信令流程上與正常通話一樣，理論上只有通過(guò)對(duì)比話音業(yè)務(wù)源端和接收端的用戶面數(shù)據(jù)源才能判定，不易直接從設(shè)備內(nèi)部話統(tǒng)或信令流程上判定，因此，在該類事件的問(wèn)題定位和優(yōu)化上一直缺乏系統(tǒng)性、成熟的方法和手段。

因此，需要針對(duì)單通問(wèn)題發(fā)生原因和場(chǎng)景進(jìn)行系統(tǒng)性地梳理和細(xì)分，充分利用網(wǎng)優(yōu)支撐系統(tǒng)，通過(guò)用戶行為特征、單通容易發(fā)生場(chǎng)景等經(jīng)驗(yàn)知識(shí)，提出行之有效的問(wèn)題定位方法和手段，開(kāi)展針對(duì)性的優(yōu)化，提高話音業(yè)務(wù)質(zhì)量，改善用戶感知。

4.1 主要場(chǎng)景

單通問(wèn)題考慮的主要場(chǎng)景包括無(wú)線環(huán)境問(wèn)題、無(wú)線設(shè)備問(wèn)題、核心網(wǎng)鏈路問(wèn)題和核心網(wǎng)設(shè)備問(wèn)題。單通問(wèn)題細(xì)分場(chǎng)景及呈現(xiàn)特征見(jiàn)表1 所列。

針對(duì)以上各類細(xì)分場(chǎng)景導(dǎo)致的單通問(wèn)題，只有核心網(wǎng)鏈路級(jí)問(wèn)題幾乎為100%觸發(fā)，其他問(wèn)題都是以一定的概率呈現(xiàn)，因此，只有當(dāng)某個(gè)網(wǎng)元維度該類事件發(fā)生比率明顯大于同類網(wǎng)元維度時(shí)，該問(wèn)題才能發(fā)現(xiàn)并進(jìn)行處理。

表1 單通問(wèn)題細(xì)分場(chǎng)景及呈現(xiàn)特征

考慮到單通事件難以直接通過(guò)信令流程、設(shè)備話統(tǒng)進(jìn)行判定的特點(diǎn)，結(jié)合網(wǎng)優(yōu)支撐系統(tǒng)的數(shù)據(jù)源，提出的總體思路是：

· 結(jié)合單通事件中的用戶行為特征、網(wǎng)元維度集中度特點(diǎn)對(duì)現(xiàn)網(wǎng)數(shù)據(jù)進(jìn)行分析，獲取疑似單通事件評(píng)估指標(biāo)；

· 針對(duì)核心網(wǎng)鏈路級(jí)單通事件、無(wú)線小區(qū)級(jí)單通事件等2 類現(xiàn)網(wǎng)上極易發(fā)生的典型場(chǎng)景，分別進(jìn)行優(yōu)化研究。

4.2 鏈路級(jí)單通

（1）核心思路

鏈路級(jí)單通的用戶行為判定原則：以PCM/CIC為研究對(duì)象，利用用戶行為分析指標(biāo)進(jìn)行疑似鏈路級(jí)單通的判斷，鏈路級(jí)單通的判斷思路如圖2 所示。

圖2 鏈路級(jí)單通的判斷思路

鏈路級(jí)單通的判定原則：當(dāng)PCM 或者CIC的平均通話時(shí)長(zhǎng)小于指定值（暫定為30 s），且通話時(shí)長(zhǎng)分布與正常的時(shí)長(zhǎng)分布差異較大時(shí)，判斷為疑似鏈路級(jí)單通。

以某省數(shù)據(jù)為例，對(duì)參數(shù)進(jìn)行詳細(xì)說(shuō)明，E口鏈路平均通話時(shí)長(zhǎng)（全天通話次數(shù)100 次以上）鏈路數(shù)分布如圖3 所示。

從圖3 可以看出，大部分鏈路平均通話時(shí)長(zhǎng)集中在72～125 s。需要重點(diǎn)關(guān)注的對(duì)象是通話時(shí)長(zhǎng)在30 s以下的鏈路分布情況，對(duì)圖3 局部區(qū)域放大后可以得到圖4，圖4 方框中的異常突起即為需要重點(diǎn)分析的單通鏈路。

E口時(shí)隙、A口鏈路、A口時(shí)隙的分析思路同E口鏈路，下面分析內(nèi)容中不再特殊說(shuō)明。

圖3 E口鏈路平均通話時(shí)長(zhǎng)（全天通話次數(shù)100 次以上）鏈路數(shù)分布

圖4 E口鏈路平均通話時(shí)長(zhǎng)（55 s 以下）鏈路數(shù)分布

（2）優(yōu)化流程

鏈路級(jí)單通的優(yōu)化流程為：采集A口/E口CDR 數(shù)據(jù)和T 局話單數(shù)據(jù)，利用疑似鏈路級(jí)單通檢測(cè)指標(biāo)進(jìn)行檢測(cè)，對(duì)檢測(cè)的鏈路級(jí)單通進(jìn)行撥測(cè)驗(yàn)證和定位，然后進(jìn)行有針對(duì)性的優(yōu)化，最后進(jìn)行優(yōu)化的評(píng)估和模型參數(shù)修正。鏈路級(jí)單通的優(yōu)化流程如圖5 所示。

（3）現(xiàn)網(wǎng)實(shí)施

針對(duì)鏈路級(jí)單通，分別在省一和省二進(jìn)行了現(xiàn)網(wǎng)驗(yàn)證實(shí)施。

在省一，采用全網(wǎng)一天的A口/E口CDR 數(shù)據(jù)，其中：

· E口鏈路46 466條，疑似單通鏈路37條；

· E口時(shí)隙約10 000個(gè)，疑似單通時(shí)隙21個(gè)；

· A口鏈路29 553條，疑似單通鏈路0條；

· A口時(shí)隙913 290個(gè)，疑似單通時(shí)隙49個(gè)。

單通鏈路中，7條為省內(nèi)鏈路，經(jīng)撥測(cè)驗(yàn)證，全部為單通，已臨時(shí)閉塞；19條省際鏈路，需要集團(tuán)協(xié)助定位；11條平臺(tái)鏈路確認(rèn)為語(yǔ)音信箱/秘書臺(tái)等業(yè)務(wù)，通話時(shí)長(zhǎng)由業(yè)務(wù)特性決定較短。

單通時(shí)隙中，28個(gè)A 類時(shí)隙，2個(gè)網(wǎng)元間的時(shí)隙配置有誤，導(dǎo)致這2個(gè)網(wǎng)元間所有鏈路的16 時(shí)隙都為單通時(shí)隙；42個(gè)B 類時(shí)隙，特定鏈路的特定時(shí)隙存在問(wèn)題，與網(wǎng)元沒(méi)有強(qiáng)相關(guān)性。

在省二，采用全網(wǎng)一天的A口/E口CDR 數(shù)據(jù)，其中：

· E口鏈路19 069條，疑似單通鏈路17條；

· E口時(shí)隙約282 790個(gè)，疑似單通時(shí)隙36個(gè)；

· A口鏈路2 542條，疑似單通鏈路0條；

· A口時(shí)隙76 269個(gè)，疑似單通時(shí)隙49個(gè)。

除此之外，還對(duì)疑似單通鏈路對(duì)局向通話占比的影響進(jìn)行了分析，如圖6 所示。從圖中的第一個(gè)柱狀條可以看到，鏈路1（即省二TMSC1-1 到省二MSS4之間）中有9.2%的單通比例，即幾乎每10 次通話中就有1 次是單通，嚴(yán)重影響用戶感知。

4.3 小區(qū)級(jí)單通

（1）優(yōu)化流程

小區(qū)級(jí)單通的用戶行為判定原則：雙方第一次通話后，在很短時(shí)間內(nèi)發(fā)起第二次通話。具體條件為：第一次通話時(shí)長(zhǎng)≥T1（暫定5 s）、≤T2（暫定20 s），時(shí)間間隔≥T3（暫定0 s）、≤T4（暫定20 s）（主被叫可互換；時(shí)間T1、T2、T3、T4 可調(diào)）。

圖5 鏈路級(jí)單通的優(yōu)化流程

圖6 疑似單通鏈路對(duì)局向通話占比的影響

小區(qū)級(jí)單通優(yōu)化流程主要分為5個(gè)階段：?jiǎn)瓮Ｐ蜆?gòu)建、單通模型實(shí)現(xiàn)、多數(shù)據(jù)源聯(lián)合判定、指標(biāo)生成和目標(biāo)小區(qū)判斷以及現(xiàn)網(wǎng)優(yōu)化實(shí)施，具體如圖7 所示。

（2）現(xiàn)網(wǎng)實(shí)施

針對(duì)小區(qū)級(jí)單通，在省三、省四和省五進(jìn)行了現(xiàn)網(wǎng)驗(yàn)證實(shí)施。

在省三，采用全網(wǎng)一周的綜合話單CDR 數(shù)據(jù)，利用小區(qū)級(jí)單通判斷原則進(jìn)行小區(qū)級(jí)單通檢測(cè)，共得到疑似小區(qū)級(jí)單通個(gè)數(shù)為39 704個(gè)，小區(qū)級(jí)單通占比分布如圖8 所示。

針對(duì)這些疑似單通小區(qū)，對(duì)其進(jìn)行了數(shù)據(jù)清洗，首先對(duì)現(xiàn)網(wǎng)采集過(guò)程中的異常數(shù)據(jù)進(jìn)行了清洗；然后進(jìn)行了城市維度、網(wǎng)絡(luò)類型維度、站點(diǎn)維度分析，討論了不同維度下疑似單通小區(qū)在單通占比上的分布。

為了有針對(duì)性地對(duì)單通小區(qū)進(jìn)行優(yōu)化，定義了TOPN 小區(qū)，即疑似性較高的N個(gè)小區(qū)。TOPN 小區(qū)的篩選原則為：

· 計(jì)算小區(qū)7天總的疑似單通占比；

· 選擇總通話次數(shù)大于100 次（統(tǒng)計(jì)意義上）的小區(qū)，對(duì)總的疑似單通占比進(jìn)行降序排序，挑選出TOPN 小區(qū)；

· 結(jié)合小區(qū)的每天疑似單通占比輔助判定；

· 結(jié)合每個(gè)小區(qū)不重復(fù)的疑似單通號(hào)碼個(gè)數(shù)和單通次數(shù)輔助判定；

圖7 小區(qū)級(jí)單通的優(yōu)化流程

圖8 小區(qū)級(jí)單通占比分布

表2 多數(shù)據(jù)源聯(lián)合判斷結(jié)果

表3 BSC 疑似單通占比分布

· 結(jié)合小區(qū)掉話率進(jìn)行輔助判定；

· 結(jié)合主叫號(hào)碼平均單通次數(shù)和被叫號(hào)碼平均單通次數(shù)輔助判定。

在省四，重點(diǎn)對(duì)連續(xù)7天發(fā)生疑似的1 723個(gè)單通小區(qū)進(jìn)行單通次數(shù)占比分析，其中，占比大于1%的小區(qū)達(dá)214個(gè)，占比大于1.5%的小區(qū)18個(gè)。對(duì)占比大于1.5%的疑似單通小區(qū)進(jìn)行地理維度分析，給出了相應(yīng)的GIS 圖，如圖9 所示。

圖9 7天疑似單通占比高小區(qū)分布

在省五，采集了一周的綜合話單CDR，挖掘出疑似單通小區(qū)，并將這些小區(qū)和多數(shù)據(jù)源進(jìn)行聯(lián)合分析，聯(lián)合的數(shù)據(jù)源有設(shè)備告警信息、指標(biāo)數(shù)據(jù)和用戶投訴信息。重點(diǎn)分析了單通比例在2%以上且單通發(fā)生4天（含4天）以上的小區(qū)，共337個(gè)，映射到其他數(shù)據(jù)源反映出的問(wèn)題見(jiàn)表2 所列。

337個(gè)小區(qū)中存在明顯問(wèn)題的小區(qū)個(gè)數(shù)為142個(gè)，占比43.1%，其余小區(qū)為存在疑似隱性問(wèn)題的小區(qū)，后續(xù)可重點(diǎn)進(jìn)行單通撥測(cè)。

除了對(duì)TOPN 小區(qū)進(jìn)行分析之外，還對(duì)基站/RNC/BSC 疑似單通占比進(jìn)行了分析，篩選出疑似基站、RNC和BSC。BSC 疑似單通占比分布見(jiàn)表3 所列。

從圖中可以看出，67152 和68832 兩個(gè)BSC的疑似單通占比大于2%的小區(qū)分別達(dá)到了38%和50%，基本確定其有問(wèn)題。

此外，在現(xiàn)網(wǎng)的驗(yàn)證過(guò)程中發(fā)現(xiàn)，有些小區(qū)的異常信息淹沒(méi)在一天的數(shù)據(jù)信息中，還需要將時(shí)間粒度縮小，分析每個(gè)時(shí)段小區(qū)的疑似單通占比情況，從而能夠更加有針對(duì)性地對(duì)單通進(jìn)行分析。

本文研究了目前針對(duì)用戶體驗(yàn)評(píng)估的主要方法，對(duì)每類方法的優(yōu)缺點(diǎn)進(jìn)行了分析，在基于信令數(shù)據(jù)挖掘分析的基礎(chǔ)上，結(jié)合用戶行為，提出了基于用戶感知的網(wǎng)絡(luò)質(zhì)量評(píng)估方法，利用此方法，確立了現(xiàn)網(wǎng)鏈路級(jí)單通和小區(qū)級(jí)單通的思路，利用核心網(wǎng)CDR，分析了現(xiàn)網(wǎng)中的單通問(wèn)題，并進(jìn)行了多維度分析，給優(yōu)化提供了更多渠道。

1 韓振東，蔡子龍，程曉軍.基于用戶行為數(shù)據(jù)挖掘的網(wǎng)絡(luò)質(zhì)量?jī)?yōu)化.數(shù)據(jù)通信,2012（1）

2 郭喆.基于用戶行為的無(wú)線通信網(wǎng)絡(luò)綜合優(yōu)化研究.華中科技大學(xué)博士學(xué)位論文，2011

3 王睿，蘇飛，韓振東等.基于用戶行為的語(yǔ)音業(yè)務(wù)隱性問(wèn)題挖掘及優(yōu)化研究.郵電設(shè)計(jì)技術(shù),2013（6）

4 丁賽平，黃燕華.GSM用戶單通問(wèn)題的分析及解決方案.中國(guó)聯(lián)通佛山分公司，2011