(西安郵電學院 通信與信息工程學院，西安710121)

1 引 言

近年來， 全球的移動通信網發(fā)展迅猛。2009年全球3G用戶達到6.5億，預計今年可以達到20億。截至今年6月底，中國在網3G用戶數(shù)達到2 520萬，其中TD用戶達1 046萬。未來，全球的移動通信網將由多種技術構成一個無縫的移動通信基礎設施。超3G移動通信網[1]的無線接入網絡(RAN)由不同技術、高度復雜和異構的多種網絡組成，其運行、維護和管理(OA&M)是一項艱巨的任務。同時，由于移動網絡運營商之間的競爭愈演愈烈，RAN的運行將是他們必須面對的嚴峻挑戰(zhàn)。自我管理系統(tǒng)，即自我配置、自我保護、自愈和自我優(yōu)化，是應對高度競爭環(huán)境下這些網絡所固有的高復雜性的有效解決方案。盡管文獻[2-5]等對自愈(即自我診斷)進行了大量的研究，但對自我優(yōu)化或自動優(yōu)化方面的相關研究，現(xiàn)有文獻資料幾乎很少涉及。因此，本文在給出無線網絡自動優(yōu)化系統(tǒng)結構的基礎上，提出一種通過對優(yōu)化專家的知識獲取，利用貝葉斯概率模型建立無線網絡自動優(yōu)化模型的方法和過程。

2 自動優(yōu)化

2.1 概念

無線網絡優(yōu)化的重點，一是提升用戶感知的網絡性能指標，主要包括掉話、切換、覆蓋、干擾等；二是提高網絡資源的利用率，解決網絡容量和網絡資源的均衡問題。隨著對網絡深度優(yōu)化要求的提高，目前所采用的基于路測和信令分析工具的主流優(yōu)化方式已無法滿足要求，基于OMC-R網絡統(tǒng)計數(shù)據(jù)的自動網絡優(yōu)化技術應運而生。

無線網絡自動優(yōu)化包括3項工作：一是發(fā)現(xiàn)問題，二是分析問題，三是解決問題。

首先，對網絡進行性能評估，找出關鍵性能指標(KPI)不滿足優(yōu)化目標指標要求的問題小區(qū)。問題小區(qū)是指一個小區(qū)的一個或多個KPI不滿足指標要求，從而影響服務質量。不同運營商，不同技術網絡，可能會使用不同的方法，或采用不同的KPI性能指標作為優(yōu)化目標。對于運營商而言，最嚴重的問題莫過于小區(qū)經歷了大量的掉話，因為掉話對用戶服務具有極大的負面影響。因此，掉話率是評估小區(qū)質量的最好指標之一，可以用來識別問題小區(qū)。

其次，一旦確定了問題小區(qū)，就應對每個問題小區(qū)問題產生的原因進行分析。一個原因或故障是一個小區(qū)中存在的邏輯錯誤或物理缺陷，如參數(shù)配置錯誤、硬件故障等，從而導致KPI不滿足指標要求。癥狀是一個KPI或告警，如干擾造成的切換數(shù)量，根據(jù)癥狀統(tǒng)計值可以找出問題的原因。分析問題是最復雜和最耗時的工作，目前主要是由優(yōu)化專家們借助一些輔助工具手動完成的。

最后，根據(jù)問題的原因，制定并實施優(yōu)化方案，解決問題小區(qū)存在的問題。優(yōu)化的效果可以通過對優(yōu)化后的網絡性能進行重新評估來衡量。

自動優(yōu)化的過程可概括為首先定義約束條件，然后構建模型，最后設計收斂算法。

2.2 自動優(yōu)化系統(tǒng)

為了實現(xiàn)無線網絡的自動優(yōu)化，圖1給出了自動優(yōu)化系統(tǒng)的體系結構。

模型定義子系統(tǒng)負責構建系統(tǒng)所需的優(yōu)化模型。建立優(yōu)化模型既可依據(jù)優(yōu)化專家的專業(yè)知識，亦可根據(jù)OMC-R提供的網絡統(tǒng)計數(shù)據(jù)。模型參數(shù)可以采用兩種方式來確定：一是專家提供(基于知識的模型)，二是來自訓練數(shù)據(jù)(基于數(shù)據(jù)的模型)。目前，在移動通信網絡中，缺少歷史優(yōu)化實例。在現(xiàn)有文獻資料中，也缺少無線網絡RAN優(yōu)化的記錄。因此，在大多數(shù)情況下，網絡優(yōu)化專家的知識和經驗就成為建立優(yōu)化模型唯一的信息來源。下一部分將提出一種獲取知識的過程，根據(jù)優(yōu)化專家無線網絡優(yōu)化的知識和經驗建立概率模型。該過程的主要優(yōu)點是，優(yōu)化專家可以使用其專業(yè)語言傳遞其專業(yè)知識，無需了解概率模型，也可很容易地建立模型。

自動優(yōu)化子系統(tǒng)，首先通過網絡性能分析，找出基于KPI的問題小區(qū)，然后，利用優(yōu)化模型進行推理，找出問題的原因。對于給定的KPI值，采用優(yōu)化模型和貝葉斯規(guī)則，計算出問題可能原因的概率。輸入是癥狀，即來自OMC-R的問題小區(qū)的KPI和告警；輸出是問題小區(qū)問題的原因和一系列優(yōu)化方案。優(yōu)化方案按有效性排序(有效性=優(yōu)化方案的可能性/優(yōu)化方案的成本)，按順序實施，直到問題解決。優(yōu)化方案的實施可以是從一個遠程終端修改配置參數(shù)，也可以是派遣人員到現(xiàn)場更換設備故障件，甚至可以是自動地執(zhí)行軟件相關的優(yōu)化方案。一般來說，運營商更希望只提供優(yōu)化方案，而把最后的決定權留給優(yōu)化專家。最后，生成優(yōu)化報告，包括原因、優(yōu)化方案及其實施過程和結果。

圖1 自動優(yōu)化系統(tǒng)平臺Fig.1 Automatic optimization system platform

自動優(yōu)化子系統(tǒng)可獨立于OMC-R工作，也可以集成或嵌入到OMC-R，以發(fā)揮其最大效能，從而實現(xiàn)自我優(yōu)化。自我優(yōu)化將提供對問題分析所需OMC-R統(tǒng)計數(shù)據(jù)的直接訪問，以及運營商優(yōu)化系統(tǒng)的直接進入，對多廠商網絡和多技術網絡更有利。因此，所有有關的自動優(yōu)化的案例，可自動轉到自我優(yōu)化系統(tǒng)。如果自我優(yōu)化系統(tǒng)找到了解決方案，就清除該案件，生成報告并存檔；否則，可以將該案件轉交專家做進一步分析。最后的分析結果可納入專家系統(tǒng)的知識庫。

3 概率模型

自動優(yōu)化子系統(tǒng)包括優(yōu)化模型和推理機制兩部分，其中優(yōu)化模型是如何確定問題原因的知識，模型的組成元素是原因和癥狀，推理機制是根據(jù)癥狀值分析問題原因的算法。

構建優(yōu)化模型包括兩個階段。首先，確定定性模型，即對于給定的技術(GSM、CDMA、3G和多技術網絡等)給出優(yōu)化的癥狀和原因。原因可以模型化為具有兩種狀態(tài)的離散隨機變量：{出現(xiàn)，不出現(xiàn)}。癥狀可以概括為KPI和告警兩種類型，KPI本質上是連續(xù)的，可以模型化為連續(xù)或離散隨機變量。離散化的KPI可能有任意多個離散狀態(tài)，分別表示該KPI的連續(xù)范圍內的一個子集，如{正常，高，很高}。告警也可以模型化為具有兩種狀態(tài)的離散隨機變量：{無，有}。其次，確定定量模型，即模型的參數(shù)。在一個離散模型中，參數(shù)就是離散化KPI的閾值和概率。

一旦確定了定性和定量模型，就可以利用推理機制來計算每個可能原因的概率。對于給定癥狀值{S1,S2,…,SNS}，應用貝葉斯規(guī)則，得到原因Ci的概率如下：

(1)

式中，P(Ci)為原因Ci的先驗概率，P(Sj|Ci)是給定原因癥狀的概率。

上式假設兩個條件：原因不能同時發(fā)生；對于給定的原因，癥狀間相互獨立。以上假設適用于無線網絡RAN，即使不適用，這種模型已經被證明能提供很好的結果[6]。

假設一個實例為問題小區(qū)的癥狀值和問題的實際原因組成的集合，那么這樣的實例既可用于訓練系統(tǒng)，即計算模型的參數(shù)，亦可用于測試系統(tǒng)，即計算優(yōu)化的準確率(在測試集合中實例正確分類的百分比)。

模型的參數(shù)是閾值和概率。一方面，閾值是連續(xù)癥狀離散化的區(qū)間，即tj,k是癥狀Sj的第k個閾值，分成狀態(tài)sj,k和sj,k+1；另一方面，根據(jù)式(1)，概率如下：

(1)原因的先驗概率：P(Ci),i=1,2,3,…,NC；

(2)給定原因癥狀的條件概率：P(Sj=sj,k|Ci),i=1,2,3,…,NC；j=1,2,3,…,NS，它是給定原因Ci在狀態(tài)sj,k下癥狀Sj的概率。

4 知識獲取

知識獲取的過程就是根據(jù)優(yōu)化專家的知識構建概率模型的過程，包括兩個階段：第一階段，知識收集，即獲得專家知識；第二階段，構建模型，即根據(jù)先前獲得的專家知識確定概率模型。

4.1 知識收集

知識收集的過程包括以下6個步驟。表1和表2分別匯總了優(yōu)化專家應提供的定性信息和定量信息。

表1 定性信息Table 1 Qualitative information

表2 定量信息Table 2 Quantitative information

(1)問題分類

問題類型就是RAN可能遭受的各種問題，如“高掉話率”或“擁塞”。對每個問題類型，建立一種不同的模型。

(2)定義變量

應該有原因和癥狀數(shù)據(jù)庫，優(yōu)化專家可以從數(shù)據(jù)庫中選擇一個變量，或定義一個新變量，然后將其納入到數(shù)據(jù)庫。首先，優(yōu)化專家指定問題類型的可能原因{C1,C2,…,CNC}，即無線網絡中問題的原因，據(jù)此建立優(yōu)化模型(如“高掉話率”)。建議包括一個叫做“其它原因”的原因，以涵蓋在已定義原因中沒有明確界定的問題的其它可能原因。其次，要求專家列舉癥狀{S1,S2,…,SNS}，這可能有助于確定先前定義的原因。每個癥狀Si的狀態(tài)si,j也應作出具體的規(guī)定。

(3)定義關系

(4)確定閾值

對于每個連續(xù)的癥狀Si，確定每個定義區(qū)間范圍(即閾值)tj,k。

(5 )確定概率

(6)將癥狀映射到數(shù)據(jù)庫(OMC-R)

將模型中癥狀映射到OMC-R中的數(shù)據(jù)，每個癥狀應該與OMC-R中的一個參數(shù)(KPI、計數(shù)器等)或一組參數(shù)相關聯(lián)。

4.2 構建模型

根據(jù)式(1)，建立模型所需的概率為原因的先驗概率P(Ci)和給定原因下癥狀的概率P(Sj|Ci)。因此，優(yōu)化專家所提供的數(shù)據(jù)(表1和表2)應轉化為式(1)所需的概率。優(yōu)化專家所給出的概率PCi直接作為原因的概率P(Ci)?？紤]到該模型假設原因是互斥的，所以原因的概率之和應為1。有兩種方式處理該約束條件：一是由專家檢查其給出的概率是否正確；二是允許給出的概率不符合約束條件，然后采用下列方法自動修正：

(1)如果概率之和大于1，那么就對每個概率進行歸一化處理；

(2)如果概率之和小于1，那么就添加一個稱為“其它”的原因CNC+1，表示專家未考慮到的問題的所有其它原因，其概率等于1減去原來原因的概率之和。

對于癥狀的概率P(Sj=sj,k|Ci)，Sj對于相關原因的條件概率已經由專家明確給出：

(2)

對于所有非相關原因，癥狀的條件概率都是相同的，即：

(3)

4.3 實證分析

知識獲取所建立的優(yōu)化概率模型，是一種基于知識的模型，需要經過靈敏度分析和實際網絡使用來驗證其有效性。

根據(jù)文獻[8]中靈敏度分析顯示，基于知識的模型對閾值的界定不準確尤其敏感。實驗也證明，當訓練實例數(shù)目有限或缺乏時，基于知識的模型是最好的選擇。反之，當擁有一個大型的訓練實例數(shù)據(jù)庫時，基于數(shù)據(jù)的模型應該是首選。

由于缺乏且很難得到訓練實例，所以在大多數(shù)情況下，基于知識的模型是3G和B3G無線網絡RAN的唯一選擇。建立基于知識的模型需要很長時間，特別是參數(shù)必須在實際網絡中反復測試調整。對現(xiàn)行網絡而言，可行的方法是先從基于知識的模型開始。每解決一個問題，就將相關的癥狀和實際原因保存到數(shù)據(jù)庫，這樣，訓練實例數(shù)據(jù)庫將會不斷擴展，不久即可使用基于數(shù)據(jù)的模型。

5 結 論

無論對于當前還是未來的移動通信無線網絡(包括GSM、CDMA、WLAN、3G、B3G網絡等)，實現(xiàn)自我優(yōu)化是必由之路。本文從理論上研究了移動通信無線網絡的自動優(yōu)化，給出了無線網絡RAN自動優(yōu)化的系統(tǒng)體系結構，提出了一種從優(yōu)化專家進行知識獲取建立系統(tǒng)所需優(yōu)化模型的方法和過程。理論分析表明該方法和過程的可行性，對于自我優(yōu)化系統(tǒng)的實現(xiàn)具有一定的理論指導意義和實際應用價值。未來的進一步研究工作，一是選擇一種現(xiàn)行網絡驗證優(yōu)化概率模型的實際有效性，二是研究如何實現(xiàn)基于知識的優(yōu)化模型和基于數(shù)據(jù)的優(yōu)化模型在同一個自我優(yōu)化系統(tǒng)的有機結合。

參考文獻：

[1] Jamalipour A, Wada T, Yamazato T. A tutorial on multiple access technologies for beyond 3G mobile networks[J]. IEEE Communications Magazine, 2005, 43(2): 110-117.

[2] Barco R, Wille V, Díez V. System for automated diagnosis in cellular networks based on performance indicators[J]. European Transactions on Telecommunications, 2005, 16(5): 399-409.

[3] Wietgrefe H.Investigation and practical assessment of alarm correlation methods for the use in GSM access networks [C]//Proceedings of the IEEE/IFIP network operations and management symposium.Florence,Italy：IEEE,2002:391-403.

[4] Laiho J, Raivio K, Lehtimki P, et al. Advanced analysis methods for 3G cellular networks[J]. IEEE Transactions on Wireless Communication, 2005, 4(3): 930-942.

[6] Rish I.An Empirical Study of the Naive Bayes Classifier[R]//IJCAI-01 Workshop on Empirical Methods in Artificial Intelligence Technical Reports.[S.l.]:IJCAI-01 Workshop:2001:41-46.

[7] Renooij S, Witteman C. Talking probabilities: Communicating probabilistic information with words and numbers[J]. International Journal of Approximate Reasoning, 1999, 22(3): 169-194.

[8] Barco Raquel,Lázaro Pedro,Wille Volker,et al. Knowledge acquisition for diagnosis model in wireless networks[J]. Expert Systems with Applications, 2009, 36(3):4745-4752.