基于AI算法的VoLTE網(wǎng)絡(luò)故障預(yù)測方法研究

戴筠迪　周瑩　楊淋翔

【摘要】? ? 使用箱線算法、OCSVM算法和三次指數(shù)平滑算法，構(gòu)建出一套能準(zhǔn)確反映網(wǎng)絡(luò)運行特點的風(fēng)險預(yù)測算法模型，深挖網(wǎng)絡(luò)運行過程中的海量數(shù)據(jù)并結(jié)合數(shù)字化專家經(jīng)驗，探索“事前預(yù)測”及“事后快速定界”的維護能力構(gòu)建，構(gòu)建VoLTE業(yè)務(wù)網(wǎng)絡(luò)風(fēng)險的預(yù)測及防范能力，降低故障發(fā)生頻率，提升用戶網(wǎng)絡(luò)使用感知。

【關(guān)鍵詞】? ? 風(fēng)險預(yù)測算法模型? ? VoLTE? ? 感知

一、業(yè)務(wù)背景介紹

VoLTE作為4G和未來5G演進的主流語音解決方案，越來越多的運營商選擇了部署VoLTE技術(shù)。但是由于組網(wǎng)復(fù)雜等原因，工程師在日常維護過程中也面臨著前所未有的挑戰(zhàn)，一方面用戶對網(wǎng)絡(luò)的依賴性越來越強，對網(wǎng)絡(luò)的要求也越來越高;另一方面，VoLTE業(yè)務(wù)涉及到的網(wǎng)元類型多（30+）、接口多（50+）、組網(wǎng)復(fù)雜（CS、IMS和PS多域疊加），這對維護人員的各專業(yè)技能也有較高的要求，造成了VoLTE的問題定界定位耗時長。另外VoLTE的總體指標(biāo)多，傳統(tǒng)基于單指標(biāo)固定閾值的指標(biāo)監(jiān)控不全面，采用固定閾值監(jiān)控網(wǎng)絡(luò)感知度差，導(dǎo)致了現(xiàn)網(wǎng)的風(fēng)險隱患發(fā)現(xiàn)不及時。

所以我們需要通過大數(shù)據(jù)和AI算法，構(gòu)建“事前預(yù)測”及“事后快速定界”的維護能力，及時發(fā)現(xiàn)風(fēng)險隱患，縮短處理時間，從而降低業(yè)務(wù)損失。

二、算法基本特征及其對應(yīng)的應(yīng)用

1.箱線算法（Boxplot）：利用中位數(shù)、25%分位數(shù)、75%分位數(shù)、上邊界和下邊界等統(tǒng)計量來描述數(shù)據(jù)的整體分布情況。箱體包含了大部分的正常數(shù)據(jù)，而在箱體上邊界和下邊界之外的就是異常數(shù)據(jù)。我們可以利用該算法處理具有波動性的單指標(biāo)話統(tǒng)數(shù)據(jù)，利用箱線圖可以避免提取數(shù)據(jù)中少量異常值的影響，能夠準(zhǔn)確穩(wěn)定地描述出數(shù)據(jù)離散的分布情況，得到合理的閾值。再根據(jù)周期性的判斷，得到不同的數(shù)據(jù)范圍。

2. OSCVM（One-class SV）：單類支持向量機用來進行無監(jiān)督異常數(shù)據(jù)檢測，通過歷史數(shù)據(jù)學(xué)習(xí)出合理的邊界范圍，作為正常數(shù)據(jù)閾值。而那些超出閾值范圍的數(shù)據(jù)則視為異常數(shù)據(jù)。我們可以利用該算法處理具有波動性的多指標(biāo)話統(tǒng)數(shù)據(jù)，通過OSCVM算法，在多指標(biāo)結(jié)合計算時，降低復(fù)雜度，提升運算效率;自適應(yīng)性調(diào)整算法參數(shù)學(xué)習(xí)合理閾值邊界，提高檢測的準(zhǔn)確性。

3.三次指數(shù)平滑算法（Holt-winters）：時間序列一般具有趨勢和季節(jié)性，趨勢描述的是時間序列的整體走勢，季節(jié)性描述的是數(shù)據(jù)周期性的波動，可以基于已有的數(shù)據(jù)來預(yù)測未來的走勢。我們可以利用該算法處理具有周期性波動性的單指標(biāo)話統(tǒng)數(shù)據(jù)，三次指數(shù)平滑算法具有自適應(yīng)性，預(yù)測模型能夠自動識別數(shù)據(jù)模式的變化而加以調(diào)整;基于時間序列的預(yù)測，對不同時間的非等權(quán)處理更符合實際情況。

三、算法的實際運用方案—VoLTE語音呼叫失敗預(yù)測預(yù)防

當(dāng)前VoLTE業(yè)務(wù)在業(yè)務(wù)維護上主要存在四大痛點：

1. VoLTE業(yè)務(wù)組網(wǎng)復(fù)雜：VoLTE業(yè)務(wù)涉及業(yè)務(wù)涉及網(wǎng)元類型多（30+）、接口多（50+），傳統(tǒng)設(shè)備和NFV設(shè)備混合組網(wǎng)。

2.故障范圍影響較大：核心網(wǎng)單網(wǎng)元容量大，覆蓋區(qū)域廣，如果現(xiàn)網(wǎng)出現(xiàn)故障，影響用戶一般會超過20萬用戶。

3.故障處理時間長：70%的問題為跨域故障，定界定位耗時長（處理時長比2/3G網(wǎng)絡(luò)高48%）。

4.現(xiàn)網(wǎng)故障隱患發(fā)現(xiàn)晚：傳統(tǒng)基于設(shè)備關(guān)鍵指標(biāo)的固定閾值進行監(jiān)控，不能基于業(yè)務(wù)進行全面體系化的監(jiān)控，不能及時發(fā)現(xiàn)現(xiàn)網(wǎng)故障風(fēng)險&隱患。

基于此背景，我們可以利用大數(shù)據(jù)及機器學(xué)習(xí)提升網(wǎng)絡(luò)風(fēng)險的預(yù)測及防范能力，通過實時監(jiān)測VoLTE業(yè)務(wù)相關(guān)的話統(tǒng)、告警、配置、CHR、操作日志&系統(tǒng)日志等數(shù)據(jù)，提前識別業(yè)務(wù)風(fēng)險及故障，縮短故障恢復(fù)時長，避免惡性事故的發(fā)生和降低事故的影響。

此方案有三大關(guān)鍵技術(shù)點。首先就是數(shù)據(jù)統(tǒng)一采集與存儲：跨領(lǐng)域拉通IMS/EPC/的話統(tǒng)、告警、配置、CHR、日志等數(shù)據(jù)統(tǒng)一采集和存儲，便于數(shù)據(jù)分析;其次是風(fēng)險預(yù)測：（1）基于VOLTE語音呼叫業(yè)務(wù)流，梳理各網(wǎng)元相關(guān)的KPI指標(biāo)和錯誤碼，建立表征VOLTE語音呼叫是否正常的全面指標(biāo)體系;（2）通過AI&大數(shù)據(jù)算法對VoLTE全面指標(biāo)和CHR&日志進行訓(xùn)練學(xué)習(xí)，建立異常預(yù)測模型， 快速識別業(yè)務(wù)異常和預(yù)警，預(yù)測準(zhǔn)確率80%;最后是風(fēng)險預(yù)防（定界定位）：基于故障信息聚類算法分析&呈現(xiàn)、全球網(wǎng)絡(luò)維護的專家經(jīng)驗規(guī)則、IP Tracert定界定位算法，對現(xiàn)網(wǎng)風(fēng)險和故障進行定界定位建議或提供有效輔助信息。覆蓋現(xiàn)場常出的4大故障場景。

風(fēng)險預(yù)測的邏輯如下圖1。

首先梳理VoLTE各網(wǎng)元相關(guān)的KPI指標(biāo)和錯誤碼（1000+），建立全面指標(biāo)監(jiān)測體系，收集呼叫失敗的CHR（呼叫日志記錄）和系統(tǒng)日志。增加現(xiàn)網(wǎng)異常發(fā)現(xiàn)的維度。

接下來通過方差算法&自相關(guān)系數(shù)算法，自動識別不同的數(shù)據(jù)特征（比如周期性和非周期性），自動匹配不同算法。提取200+ CHR故障特征（如內(nèi)部失敗原因值、拆線網(wǎng)元等）;提取系統(tǒng)日志故障特征，形成日志故障分析模板（規(guī)劃）。

完成特征提取后，我們構(gòu)建兩種模型來進行數(shù)據(jù)算法研究，單指標(biāo)（通過箱線圖算法學(xué)習(xí)得到動態(tài)閾值模型）和多指標(biāo)（通過OCSVM算法學(xué)習(xí)得到異常檢測模型）。

最后將現(xiàn)網(wǎng)實時數(shù)據(jù)與異常檢測模型進行對比，實現(xiàn)現(xiàn)網(wǎng)風(fēng)險的快速發(fā)現(xiàn)，對預(yù)測結(jié)果進行人工標(biāo)注反饋，系統(tǒng)基于人工反饋和異常的統(tǒng)計自動觸發(fā)訓(xùn)練和調(diào)優(yōu)，模型會持續(xù)優(yōu)化，并在后續(xù)的采集過程中進行修正。

四、VoLTE語音呼叫失敗預(yù)測預(yù)防方案的效果

2月28日22：50分預(yù)測省內(nèi)某地WUXISBG5“MT接通率”下降風(fēng)險，接通率逐步下降，2.5小時后下降4%（低于95%傳統(tǒng)手段此時可監(jiān)控）。通過風(fēng)險自動鉆取告警信息，快速識別網(wǎng)絡(luò)呼叫振蕩問題，根據(jù)震蕩號碼排查最終定位到智能網(wǎng)設(shè)備問題。

該方案有三大關(guān)鍵特點：

1.動態(tài)閾值精準(zhǔn)監(jiān)控：基于歷史話統(tǒng)數(shù)據(jù)，通過箱線圖算法訓(xùn)練得到指標(biāo)動態(tài)閾值模型。

2.多指標(biāo)關(guān)聯(lián)判斷識別風(fēng)險：結(jié)合“MT接通率”、“MT試呼次數(shù)”之間的關(guān)系，識別出網(wǎng)絡(luò)風(fēng)險隱患。

3.引入時間序列趨勢判斷：風(fēng)險模型匹配后，根據(jù)接通率下降比例判斷，對于劣化比例較小的場景，引入多周期監(jiān)控，判斷出劣化趨勢后再進行風(fēng)險上報。

五、結(jié)束語

隨著數(shù)字化進程不斷加快，運營商更要及時進行數(shù)字化轉(zhuǎn)型。在網(wǎng)絡(luò)日常維護過程中，需要通過大數(shù)據(jù)和AI算法能力來提升維護效率，這既能夠節(jié)約維護成本，更能夠大幅減少故障影響，提升用戶感知，是未來通信網(wǎng)絡(luò)維護的中堅力量。

戴筠迪（1992.12），女，漢族，江蘇鹽城，大學(xué)本科，中級工程師，研究方向：中國聯(lián)通智網(wǎng)創(chuàng)新中心網(wǎng)絡(luò)AI中心，從事智能運維產(chǎn)品研發(fā)管理工作。

周瑩（1988.05.01），女，漢，江蘇泰州，南京郵電大學(xué)碩士研究生，通信網(wǎng)絡(luò)支撐系統(tǒng)工程師，中國聯(lián)通智網(wǎng)創(chuàng)新中心網(wǎng)絡(luò)AI中心，主要從事針對通信網(wǎng)絡(luò)支撐軟件的設(shè)計管理工作，面向運營商內(nèi)部維護人員提供系統(tǒng)支撐能力。

楊淋翔（1992.09）， 男，漢族，江蘇鎮(zhèn)江，大學(xué)本科，中級工程師，研究方向：江蘇聯(lián)通IP城域網(wǎng)網(wǎng)絡(luò)維護、政企業(yè)務(wù)支撐。