摘要：文章提出了一種利用數據挖掘的自適應優(yōu)化方法。該方法將自優(yōu)化問題與數據挖掘技術相結合，利用數據挖掘技術對海量數據進行處理，找出表示其中內在規(guī)律的知識，利用這些知識進行網絡自適應優(yōu)化。文章以通話業(yè)務時長預測分析為例進行分析，結果表明利用數據挖掘進行業(yè)務預測的精度高于傳統(tǒng)的統(tǒng)計分析方法，論文分析在C-RAN架構下利用數據挖掘對網絡狀態(tài)進行預測是可行的。

關鍵詞：自優(yōu)化；數據挖掘；C-RAN架構網絡；基帶資源池

Abstract：In this paper， we propose a self-optimization method based on data mining. With this method， mass data can be processed and laws can be found for self-optimization. We analyze call service prediction and show that using data mining to predict services is more accurate than using statistical methods to predict services. We present data mining technology that can be used for network prediction in a C-RAN architecture.

Key words：self-optimization； data mining； C-RAN networks； baseband resource pool

自組織（Self-organizing）一詞來自于物理學中，指的是這樣的一類物理現(xiàn)象：系統(tǒng)無需外界指令，而能自行組織，自行創(chuàng)生，自行演化。根據物理學家的研究成果，系統(tǒng)演化的動力是系統(tǒng)中各個個體之間通過競爭，使得個體與個體存在協(xié)同性，從而使系統(tǒng)表現(xiàn)出一個或幾個趨勢。也就是說，是系統(tǒng)中的不同個體之間的相互作用，形成了整體的一種規(guī)律的表現(xiàn)[1]。

在文獻[2]中，Christian Prehofer和Christian Bettstetter首先將自組織的概念引入到通信網絡中，通過通信網絡中的個體感知網絡中可以感知的環(huán)境，并且對環(huán)境進行自適應的調整，以這種網絡中單個實體的行為來實現(xiàn)網絡的整體優(yōu)化。在該文獻中還闡述了自組織網絡應該具有自配置、自優(yōu)化和自愈合3個功能，其后，學術界多從這3個方面開展自組織網絡的研究。

網絡自優(yōu)化問題顯然是自組織網絡中的一個重要的方面，是指網絡設備在網絡的運行過程中，自適應地調整自身的參數或者相關的資源管理策略，以達到提高網絡性能的目的。自優(yōu)化技術對于節(jié)省優(yōu)化人員工作，降低網絡的運營維護成本具有重要的意義。

目前已經有網絡的自優(yōu)化方法的相關研究，比如在文獻[3]中已經指出，自組織網絡中的自優(yōu)化內容可以是容量、無線網絡的覆蓋優(yōu)化，并且給出了無線網絡中容量與小區(qū)覆蓋的自組織優(yōu)化流程。它包括3個步驟：容量和覆蓋問題檢測、做出參數調整決策、調整決策的執(zhí)行。其中容量和覆蓋問題檢測是檢測網絡狀態(tài)，而參數調整決策則是通過一定的算法來對參數調整方案進行求解，調整決策執(zhí)行包括功率發(fā)射參數、小區(qū)重選優(yōu)先級以及天線下傾角以及天線俯仰角等參數的優(yōu)化；在文獻[3]中還指出了自組織移動健壯優(yōu)化，包括切換管理與負載均衡的優(yōu)化，指出從接入策略的角度可以實現(xiàn)快速移動、慢速移動用戶的區(qū)別對待，從而使得網絡資源利用更加優(yōu)化。

上述提出的這些自組織優(yōu)化具很高的價值，然而在演進型基站（eNodeB）中，單純地通過一個小區(qū)中的數據來進行優(yōu)化顯然是不足的。比如，針對移動用戶的覆蓋與容量自組織優(yōu)化，不僅需要鄰居小區(qū)列表，而且需要鄰居小區(qū)的覆蓋情況信息；再比如切換與負載問題中，單純地從一個小區(qū)的信息來進行優(yōu)化，顯然不能夠對終端的移動性進行預測，小區(qū)之間的負載均衡也會因此而性能不夠理想，這就需要不同小區(qū)之間信息的相互交互，但是這樣就會增加網絡開銷。

1 數據挖掘技術相關背景

1.1 數據挖掘技術

最近這些年來，隨著科學技術和信息技術的發(fā)展，人們所接觸到的信息量種類越來越多，信息量越來越大。而這些海量的信息中雖然蘊含著我們所想知道的一些知識，但是需要對這些數據進行處理，將所需要的知識挖掘出來，這就是數據挖掘的產生背景與目的。

數據挖掘是通過仔細分析大量數據來揭示其中有意義的新關系新趨勢的過程，從大量的數據中提取其中人們所關心的一些潛在的信息知識的過程。該研究領域是一門將人工智能、數據庫技術、統(tǒng)計學、機器學習和模式識別等多個領域相互融合的技術，自20世紀80年代產生以來受到多個學科的研究人員關注。

數據挖掘的主要任務是發(fā)現(xiàn)隱藏在數據中的模式，從而發(fā)現(xiàn)這些模式中的一些內在的規(guī)律和趨勢。這些數據可能是不完全的、有噪聲的、模糊的，但是一定是大量的數據。數據挖掘的流程和方法如圖1所示[4]。

圖1中數據挖掘可以分為3個階段：數據預處理、數據挖掘、知識存儲。數據預處理是指將原始的數據處理成為便于挖掘的數據等操作；數據挖掘是指從預處理的數據中發(fā)現(xiàn)其中的內在聯(lián)系和特征，形成知識；知識存儲是將挖掘出來的知識進行存儲以便于利用，具體的相關內容請查閱數據挖掘的專業(yè)文獻。

目前，數據挖掘技術通過一段時間的發(fā)展取得了一定的成果，在分類預測模型方法上面，已經有諸如決策樹方法、神經網絡方法、規(guī)則歸納方法、支持向量機方法、貝葉斯方法、回歸分析方法、K-最近鄰方法、組合學習方法等。這表明數據挖掘技術已發(fā)展到了一定的水平，對大規(guī)模數據處理和預測已經具有了較好的基礎。

1.2 C-RAN架構及其特點

在文獻[4]中提出了一種新型的綠色節(jié)能無線接入網架構——C-RAN架構，并且中國也啟動了針對該架構的國家科技重大專項，目前中國多家大型的移動通信企業(yè)，如中興通訊、華為、大唐都投入到該項目的研發(fā)中。無線接入網（RAN）架構網絡結構如圖2所示[5]。

在該網絡架構下，基帶資源池以云計算的模式對多個小區(qū)進行資源管理，從而可以較大地降低運營成本。由于網絡狀態(tài)信息較為集中，在提高網絡智能化等方面具有很好的優(yōu)勢。

在C-RAN架構下的無線接入網絡具有如下特點：

（1）數據量龐大

在C-RAN架構下，很顯然一個基帶資源池是需要處理一個較大區(qū)域網絡基帶資源業(yè)務，而這個區(qū)域的所有小區(qū)的基帶資源都存儲在這個基帶資源池中，這些數據的量與所覆蓋的小區(qū)數量是大致呈線性增長的。如果用最優(yōu)化的方法進行分析處理，則計算量會隨著數據量的增加而呈現(xiàn)快速增加，這對于實現(xiàn)來說帶來了很大的困難。

（2）數據更加豐富

由于在網絡中會采用虛擬基站集群處理一個較大區(qū)域的網絡業(yè)務，與單一小區(qū)分別處理和數據存儲相比較，其中所蘊含的信息更加豐富，比如由于運動所引起的移動終端切換，在原服務小區(qū)可以對目標小區(qū)的資源優(yōu)化提供相應的信息，從而使得目標小區(qū)能夠更好地進行資源優(yōu)化管理。正是由于這種構架下處理和存儲網絡的多個小區(qū)的網絡狀態(tài)數據，所蘊含的有用的信息資源更加豐富，為實現(xiàn)多個小區(qū)之間相互協(xié)調的自適應優(yōu)化提供了可能。

（3）小區(qū)間的數據不再需要交互

由于C-RAN架構下虛擬基站集群處理和存儲的是各個小區(qū)的數據，采用的云計算的模式來進行處理的，換句話說其中的數據包含了多個小區(qū)的數據，因此在多個小區(qū)相互協(xié)調優(yōu)化的過程中，不需要小區(qū)之間頻繁的相互更新網絡狀態(tài)數據信息。自組織的目的是通過小區(qū)對周圍環(huán)境（臨近小區(qū)）的監(jiān)測來調整自身策略，從而實現(xiàn)網絡優(yōu)化，而這就需要小區(qū)不斷監(jiān)測與查詢周圍小區(qū)的網絡狀態(tài)。在C-RAN架構網絡中，因為所有的數據都存儲在虛擬基站集群當中，因此不需要通過小區(qū)之間相互通信就能感知網絡情況，可以節(jié)約大量的資源。

2 C-RAN架構下的自優(yōu)化

2.1 C-RAN架構下的自適應網絡優(yōu)化

在C-RAN架構下，因為數據都集中在虛擬基站集群部分，因此數據挖掘也針對虛擬基站集群中所存儲的數據進行挖掘。其結構示意圖如圖3所示。

圖3中數據預處理是指對所記錄的網絡狀態(tài)的數據、歷史數據等進行一個處理，是把原來不是數值化表示的參數進行數值化描述，并且對所有的參數都進行一定的映射，這樣做的目的是避免參數之間存在數量級別上的過大差距，避免在挖掘過程中出現(xiàn)某些參數被其他數量級過大的參數吞掉而不起作用。

數據挖掘過程就是指根據數據挖掘的相關方法，將這些數據的特征發(fā)現(xiàn)出來，以數學的形式表達參數之間的內在關系。

知識庫是將通過數據挖掘出來的參數特征集中存儲。使后續(xù)網絡自適應優(yōu)化能直接使用。

自適應的網絡優(yōu)化是指通過對網絡狀態(tài)參數的監(jiān)控，通過已經觀測到的某些參數，根據知識庫中的參數特征知識來進行網絡狀態(tài)預測，并且根據預測結果來進行網絡的優(yōu)化和資源調度。利用上述方法可以實現(xiàn)網絡的實時的、自適應的網絡優(yōu)化。

2.2 C-RAN構架下網絡狀態(tài)感知與

預測

為了驗證數據挖掘方法對數據中知識挖掘的感知與預測的準確性，我們對某城市中若干個小區(qū)的業(yè)務進行了分析驗證。這些數據中，每條記錄包含話務時間、接通方式、通話類型（局間/局內）、建立延遲、指配請求時延、指配完成時延等11個參數進行數據挖掘。挖掘方法采用的是運用K-means聚類算法進行聚類方法，通過對數據分類從而實現(xiàn)數據特征提取，并根據所得到的數據特征知識對另外的通話時間長度進行預測。由于C-RAN架構網絡還沒有建立，不能使用真正的C-RAN架構下的無線網絡數據進行驗證，而是采用了若干個相鄰小區(qū)的業(yè)務進行分析驗證。由于條件限制，所采用的小區(qū)數量較少，所采用的記錄也嚴重存在數量不足，只對3 000多條記錄進行了挖掘，而且暫時沒有實現(xiàn)自適應地挖掘與預測。實現(xiàn)過程概括如下：

（1）首先數據進行歸一化處理，將數據規(guī)約到0與1，消除不同屬性之間的不同量綱對結果產生的影響。

（2）根據K≤ n 的結論可以確定K值的范圍，得出歸一化后的數據通過上述K-means優(yōu)化算法保證代價函數在此范圍內取值最小，計算出最優(yōu)K值。

（3）根據所得K值，運用K-means聚類算法分出K類，同時概括各類的特征。

（4）根據各類的特征對數據進行預測，對于抑制某些參數而尚不知道通話時間參量的數據，根據已知的參數，按照數據挖掘出的各個類的特征進行歸類，利用所屬類的特征來對該業(yè)務的通話時間進行預測。預測結果如圖4所示。

圖4中橫坐標指的是我們用于數據挖掘的記錄數量，縱坐標是對一些業(yè)務的通話長度進行預測的平均誤差，其中聚類精度指的是以統(tǒng)計的方式得到的預測平均誤差情況，統(tǒng)計精度指的是以數據挖掘方式得到的誤差情況。從圖中可以看出對于多個小區(qū)聯(lián)合的數據挖掘預測方法所產生的誤差，明顯低于用統(tǒng)計的方法得到的預測誤差，這表明數據挖掘對網絡的業(yè)務預測比統(tǒng)計預測方法更加準確。這說明利用數據挖掘是進行業(yè)務特征的預測是比較準確的。

同時圖中也存在著一些平均誤差的波動情況，這是由于用來進行數據挖掘的業(yè)務記錄數量較小造成的。

另外一方面，由于此次分析驗證采用的業(yè)務量數據太少，不能對網絡中終端的切換性能、負載均衡等方面的預測與優(yōu)化進行性能分析。

3 結束語

網絡的自組織技術中自優(yōu)化技術是其中的關鍵技術之一，針對C-RAN架構的無線通信網絡特點進行分析，得出在C-RAN架構的無線網絡下，由于采用的是云計算分析模式，其中存儲著多個小區(qū)的網絡狀態(tài)信息，數據量非常巨大，而且其中也蘊含著表征小區(qū)內部、小區(qū)之間相互聯(lián)系的一些知識信息。針對這個特點，提出在C-RAN網絡架構下將自優(yōu)化問題與數據挖掘技術相結合，利用數據挖掘技術對海量數據進行挖掘，找出表示其中內在規(guī)律的知識，網絡利用這些知識進行自適應優(yōu)化。本文僅僅是對網絡中的通信業(yè)務時長進行了分析，而在實際的C-RAN架構網絡中，在虛擬基站集群的模式下，網絡狀態(tài)數據更加龐大、更加復雜，對基帶信號等進行數據挖掘將更加復雜，也可能會有更有意義的知識被挖掘出來。

然而目前的殊絕挖掘雖然具有較為完備的技術，但是這些技術在C-RAN構架無線網絡下進行應用，仍然是需要進一步研究的關鍵技術之一；另外一方面，C-RAN構架無線網絡的狀態(tài)數據是動態(tài)變化的，如何實現(xiàn)動態(tài)的自適應的挖掘，以及如何對所挖掘的知識進行應用也是很有意義的研究內容。

參考文獻

[1] 哈肯 H. 協(xié)同學， 引論： 物理學、化學和生物學中的非平衡相變和自組織 [M]. 徐錫申， 陳式剛， 陳雅深， 等， 譯. 北京： 原子能出版社， 1984.

[2] PREHOFER C， BETTSTETTER C. Self-organization in communication networks： Principles and design paradigms [J]. Communications Magazine， 2005，43（7）：78-85.

[3] 張軍， 張平. IMT_Advanced系統(tǒng)中的自組織網絡技術 [J]. 中興通訊技術， 2011，17（5）：1-4.

[4] 朱明. 數據挖掘 [M]. 合肥：中國科學技術大學出版社， 2002.

[5] 王曉云， 黃宇紅， 崔春風， 等. C-RAN：面向綠色的未來無線接入網演進 [J]. 中國通信， 2010（3）：107-112.

收稿日期：2012-11-05

作者簡介

劉占軍，重慶郵電大學在讀博士研究生，重慶郵電大學副教授、碩士生導師；主要研究方向無線接入網絡。

陳前斌，重慶郵電大學教授，博士研究生導師；主要研究方向為多媒體傳輸技術、下一代網絡技術。