郝志峰　陳薇　蔡瑞初　黃瑞慧　溫雯　王麗娟

摘要：現(xiàn)有的無線網(wǎng)絡(luò)性能優(yōu)化方法主要基于指標(biāo)間的相關(guān)關(guān)系分析，無法有效指導(dǎo)網(wǎng)絡(luò)優(yōu)化等干預(yù)行為。為此，提出典型因果推斷（CCI）算法，并將其應(yīng)用于無線網(wǎng)絡(luò)性能優(yōu)化。首先，針對(duì)無線網(wǎng)絡(luò)性能由大量相關(guān)指標(biāo)體現(xiàn)這一特性，采用典型相關(guān)分析（CCA）方法，提取指標(biāo)中蘊(yùn)含的原子事件；然后再采用因果推斷方法，構(gòu)建原子事件間的因果關(guān)系網(wǎng)絡(luò)。通過上述兩個(gè)階段反復(fù)迭代，確定原子事件間的因果關(guān)系網(wǎng)絡(luò)，為無線網(wǎng)絡(luò)性能優(yōu)化提出一個(gè)較為可靠和有效的依據(jù)。最后通過模擬實(shí)驗(yàn)驗(yàn)證了CCI算法的有效性，在某城市3萬多個(gè)移動(dòng)基站數(shù)據(jù)上發(fā)現(xiàn)了一批有意義的無線網(wǎng)絡(luò)指標(biāo)間的因果關(guān)系。

關(guān)鍵詞：典型相關(guān)分析；因果推斷；線性非高斯非循環(huán)模型；無線網(wǎng)絡(luò)性能優(yōu)化

中圖分類號(hào)：TP181

文獻(xiàn)標(biāo)志碼：A

0引言

隨著信息技術(shù)的不斷發(fā)展，無線通信網(wǎng)絡(luò)逐漸普及，用戶對(duì)網(wǎng)絡(luò)服務(wù)質(zhì)量的要求也越來越高，市場(chǎng)競(jìng)爭(zhēng)也越來越激烈，如何對(duì)無線網(wǎng)絡(luò)性能進(jìn)行優(yōu)化，并在網(wǎng)絡(luò)出現(xiàn)問題之前進(jìn)行有效的預(yù)警，是當(dāng)前電信營運(yùn)商和設(shè)備供應(yīng)商非常關(guān)注的問題，同時(shí)也受到越來越多用戶的重視。目前，無線網(wǎng)絡(luò)性能的問題可以通過撥打測(cè)試、用戶反映和網(wǎng)絡(luò)指標(biāo)等分析出來，其中，網(wǎng)絡(luò)指標(biāo)比較客觀、全面地反映了無線網(wǎng)絡(luò)性能的好壞程度。盧昶[1]對(duì)網(wǎng)絡(luò)優(yōu)化主要是通過分析全球移動(dòng)通信系統(tǒng)（Global System for Mobile communication， GSM）中采集到的運(yùn)行數(shù)據(jù)和指標(biāo)，來找出移動(dòng)通信系統(tǒng)中存在的問題；劉臣巍[2]對(duì)無線網(wǎng)絡(luò)中移動(dòng)交換中心（Mobile Switching Center， MSC）、基站控制器（Base Station Controller， BSC）分別進(jìn)行了優(yōu)化，用追蹤選擇錯(cuò)誤（Error of Selection， EOS）代碼的方式來解決網(wǎng)絡(luò)問題，通過分析網(wǎng)絡(luò)中性能指標(biāo)來判斷網(wǎng)絡(luò)中可以優(yōu)化的部分；劉占軍[3]結(jié)合GSM運(yùn)行原理與成都聯(lián)通GSM的實(shí)際情況，針對(duì)性地提出了切合實(shí)際的網(wǎng)絡(luò)優(yōu)化方案。針對(duì)無線網(wǎng)絡(luò)優(yōu)化問題，當(dāng)前主要是通過參數(shù)采集統(tǒng)計(jì)分析，信令跟蹤[4]、路測(cè)信息采集分析等方法對(duì)整個(gè)無線網(wǎng)絡(luò)進(jìn)行綜合分析，以得出無線網(wǎng)絡(luò)性能的優(yōu)化方案[5]。

最近的GSM研究[6-7]提出了一些新的無線網(wǎng)絡(luò)性能優(yōu)化技術(shù)，例如，基于關(guān)鍵業(yè)績指標(biāo)（Key Performance Indication， KPI）的GSM優(yōu)化與數(shù)據(jù)挖掘分析方法[8-9]。目前這類分析方法主要停留在統(tǒng)計(jì)相關(guān)性方面，有時(shí)還需要對(duì)信令進(jìn)行跟蹤，這無疑會(huì)在一定程度上造成分析不全面、不必要的工作量增加等問題。雖然統(tǒng)計(jì)數(shù)據(jù)分析方法[10]主要是針對(duì)統(tǒng)計(jì)的各項(xiàng)數(shù)據(jù)指標(biāo)實(shí)施分析，應(yīng)用Matlab等數(shù)學(xué)工具軟件進(jìn)行數(shù)據(jù)排序以展現(xiàn)數(shù)據(jù)之間的相互關(guān)聯(lián)，從而發(fā)現(xiàn)其中的問題，但是，利用統(tǒng)計(jì)的方法只能看到數(shù)據(jù)之間的相關(guān)關(guān)系，而無法提出優(yōu)化干預(yù)措施，找出真正影響無線網(wǎng)絡(luò)性能的源頭。Cai等[11]提出的貝葉斯半監(jiān)督算法（BAyesian Semi-SUpervised Method， BASSUM）也證明了相關(guān)關(guān)系不能指導(dǎo)干預(yù)的情況。因果推斷是挖掘數(shù)據(jù)間蘊(yùn)含的因果性的一種有效的方法。因果網(wǎng)絡(luò)是一種對(duì)可觀測(cè)數(shù)據(jù)進(jìn)行強(qiáng)有力推理的工具，可以方便地表示以及分析確定性和概率性的事物，對(duì)干預(yù)行為效果進(jìn)行預(yù)測(cè)，有助于提出干預(yù)措施。根據(jù)算法模型基礎(chǔ)的不同，主流因果推斷算法可分為兩類：以IC（Inductive Causality）類算法為代表的全局結(jié)構(gòu)推斷方法[12]和以Hoyer等[13]提出的不對(duì)稱性度量方法為代表的局部結(jié)構(gòu)推斷方法。在高維數(shù)據(jù)因果推斷方面代表性工作包括Xie等[14]的遞歸分解結(jié)構(gòu)學(xué)習(xí)策略、Han等[15]的重合分解策略、Tsamardinos等[16]的最大最小爬山法和Cai等[11]的半監(jiān)督策略等。針對(duì)IC類算法在高維數(shù)據(jù)上的可靠性問題，Cai等[17]還基于V-結(jié)構(gòu)間的沖突關(guān)系，提出了V-結(jié)構(gòu)篩選和融合算法，有效提升了IC類算法的可靠性。局部因果關(guān)系模型的代表性工作則包括：基于噪聲不對(duì)稱性的加性噪聲模型（Additive Noise Model， ANM）方法[13]和線性非高斯非循環(huán)模型（Linear Non-Gaussian Acyclic Model， LiNGAM）方法[18-19]，基于數(shù)據(jù)分布不對(duì)稱性的信息幾何因果推斷（Information-Geometric Causal Inference， IGCI）[20-21]和綜合多種不對(duì)稱性度量的后非線性（Post-Nonlinear， PNL）方法[22]等。這些局部結(jié)構(gòu)學(xué)習(xí)方法突破了全局結(jié)構(gòu)推斷方法的發(fā)現(xiàn)能力限制，能夠區(qū)分任意兩個(gè)變量間的因果方向，如x→y→z， x←y←z， x←y→z等IC類方法無法判定的因果關(guān)系。

實(shí)際中的無線網(wǎng)絡(luò)性能指標(biāo)維數(shù)較大，指標(biāo)之間相關(guān)性強(qiáng)，原子事件指標(biāo)由大量指標(biāo)體現(xiàn)，若直接對(duì)其進(jìn)行因果推斷，則網(wǎng)絡(luò)指標(biāo)內(nèi)部的因果關(guān)系將變得毫無意義。Cai等[17，23]也通過研究發(fā)現(xiàn)，雖然有高維因果推斷算法應(yīng)用于高維數(shù)據(jù)的因果推斷，但是仍存在因大量因果關(guān)系集中在原子事件指標(biāo)內(nèi)部，如果直接對(duì)網(wǎng)絡(luò)指標(biāo)進(jìn)行因果推斷，原子事件指標(biāo)內(nèi)部的指標(biāo)之間的因果關(guān)系也將變得無意義。

針對(duì)上面的分析可以得出無線網(wǎng)絡(luò)性能指標(biāo)優(yōu)化面臨以下兩個(gè)挑戰(zhàn)：1）相關(guān)關(guān)系不能指導(dǎo)干預(yù)；2）直接對(duì)網(wǎng)絡(luò)指標(biāo)進(jìn)行因果推斷無法找到有意義的指標(biāo)內(nèi)部的直接因果關(guān)系。因此，本文提出典型因果推斷（Canonical Causal Inference， CCI）算法，用于分析無線網(wǎng)絡(luò)性能。該算法采用典型相關(guān)分析（Canonical Correlation Analysis， CCA）方法[24]提取無線網(wǎng)絡(luò)的指標(biāo)中蘊(yùn)含的原子指標(biāo)，并對(duì)其進(jìn)行因果推斷，經(jīng)過不斷地迭代上面提取原子事件指標(biāo)和因果推斷兩個(gè)過程，得到原子指標(biāo)間的因果網(wǎng)絡(luò)圖。通過學(xué)習(xí)到的原子指標(biāo)因果網(wǎng)絡(luò)圖，可以對(duì)無線網(wǎng)絡(luò)性能進(jìn)行全面分析，同時(shí)能對(duì)干預(yù)效果作前期預(yù)測(cè)，及時(shí)對(duì)可能發(fā)生故障或影響的網(wǎng)絡(luò)指標(biāo)進(jìn)行維護(hù)或維修。

1相關(guān)工作

1.1無線網(wǎng)絡(luò)性能分析

無線網(wǎng)絡(luò)性能的好壞主要通過網(wǎng)絡(luò)指標(biāo)來體現(xiàn)。網(wǎng)絡(luò)指標(biāo)主要包括：信令信道可用率、信令信道擁塞率、信道掉話率、話音信道可用率、話音信道擁塞率、話音信道掉話率、切換成功率、雙頻切換成功率、無線信道利用率、上下行語音質(zhì)量等。對(duì)無線網(wǎng)絡(luò)性能進(jìn)行分析，很大程度上就是對(duì)無線網(wǎng)絡(luò)運(yùn)行指標(biāo)的分析，從全網(wǎng)到小區(qū)，每個(gè)時(shí)段，進(jìn)行整體到局部的分析，通過分析，進(jìn)而找到提高無線網(wǎng)絡(luò)性能的方法。

1.2典型相關(guān)分析

典型相關(guān)分析（CCA）是一種用于分析兩組隨機(jī)變量集之間相互依賴關(guān)系的多元統(tǒng)計(jì)分析方法，是一種很有價(jià)值的多元數(shù)據(jù)處理方法。其基本思想是：分別在兩組指標(biāo)中提取有代表性的兩個(gè)綜合指標(biāo)U和V（U和V分別為兩個(gè)指標(biāo)組中各個(gè)指標(biāo)的線性組合），利用這兩個(gè)綜合指標(biāo)之間的相關(guān)關(guān)系來反映兩組指標(biāo)之間的整體相關(guān)性。其目的是識(shí)別并量化兩組指標(biāo)之間的聯(lián)系，將兩組指標(biāo)的相關(guān)關(guān)系分析，轉(zhuǎn)化為一組指標(biāo)的線性組合與另一組指標(biāo)線性組合之間的相關(guān)關(guān)系分析。其數(shù)學(xué)定義如下：

總的來說，LiNGAM算法依賴于獨(dú)立成分分析（Independent Component Analysis， ICA）方法。ICA算法是一種混合信號(hào)的分離算法。LiNGAM算法首先通過ICA算法從觀察數(shù)據(jù)中得到分離矩陣，再依據(jù)LiNGAM模型的假設(shè)對(duì)該分離矩陣進(jìn)行處理得到因果順序，最后采用最小二乘法求得系數(shù)矩陣；同時(shí)，該算法還利用剪枝算法對(duì)LiNGAM初步推斷得到的近似為全關(guān)聯(lián)的結(jié)構(gòu)進(jìn)行剪枝，得到與實(shí)際相符的較為稀疏的結(jié)構(gòu)。

2利用CCI算法優(yōu)化無線網(wǎng)絡(luò)性能

2.1問題定義

2.1.1無線網(wǎng)絡(luò)指標(biāo)因果網(wǎng)絡(luò)圖

無線網(wǎng)絡(luò)指標(biāo)是衡量無線網(wǎng)絡(luò)性能高低的一個(gè)主要標(biāo)準(zhǔn)。在無線網(wǎng)絡(luò)中，一個(gè)指標(biāo)可以由大量相關(guān)的子指標(biāo)進(jìn)行測(cè)量和表示。例如，原子指標(biāo)就是由大量指標(biāo)進(jìn)行體現(xiàn)的。因此，我們對(duì)原子指標(biāo)有如下定義：

2.2利用CCI算法優(yōu)化無線網(wǎng)絡(luò)性能的過程

利用CCI算法優(yōu)化無線網(wǎng)絡(luò)性能的基本流程為：

輸入所有無線網(wǎng)絡(luò)指標(biāo)的數(shù)據(jù)，該算法先對(duì)這些指標(biāo)進(jìn)行預(yù)處理，然后分為兩步：1）對(duì)評(píng)估同一主指標(biāo)的一組相關(guān)指標(biāo)Xti進(jìn)行組合，與其余指標(biāo)組成的一組指標(biāo)進(jìn)行典型相關(guān)分析，抽取原子指標(biāo)Xt，再對(duì)抽取出來的原子指標(biāo)集合用LiNGAM模型進(jìn)行因果網(wǎng)絡(luò)學(xué)習(xí)，得到初步的原子指標(biāo)因果網(wǎng)絡(luò)圖；2）根據(jù)前面學(xué)習(xí)到的原子指標(biāo)因果網(wǎng)絡(luò)圖，即結(jié)合原子指標(biāo)之間的因果性，重新典型分析原子指標(biāo)與其他相關(guān)指標(biāo)的指標(biāo)集合，抽取出新的原子指標(biāo)，并不斷迭代，直到學(xué)習(xí)到的因果網(wǎng)絡(luò)圖趨于穩(wěn)定狀態(tài)為止，最終得到完整的原子指標(biāo)因果網(wǎng)絡(luò)圖。根據(jù)原子指標(biāo)因果網(wǎng)絡(luò)圖中展現(xiàn)的原子指標(biāo)間的因果依賴關(guān)系，分析影響無線網(wǎng)絡(luò)性能的因素，從而得到無線網(wǎng)絡(luò)性能優(yōu)化的方案和干預(yù)措施。

3CCI算法

CCI算法是在CCA和LiNGAM算法的基礎(chǔ)上提出的，它與CCA和LiNGAM算法的不同主要體現(xiàn)如下：

1）CCA是用于分析多元變量的相關(guān)性，而CCI算法則是采用CCA的主要思想來選擇變量，抽取原子事件，有助于分析原子指標(biāo)之間的因果關(guān)系，使原子指標(biāo)內(nèi)部指標(biāo)的因果依賴也變得有意義，同時(shí)提高推斷的準(zhǔn)確度。

2）LiNGAM算法分析的數(shù)據(jù)是線性非高斯變量，而CCI算法則是用于分析多元變量典型相關(guān)分析而得到的典型變量，后者降低了變量的維度，同時(shí)降低了算法的時(shí)間復(fù)雜度。利用因果推斷算法，也有助于對(duì)采取干預(yù)行為的效果進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)性能問題出現(xiàn)前的預(yù)警，提出合理的無線網(wǎng)絡(luò)性能指標(biāo)優(yōu)化的干預(yù)方案。

根據(jù)以上分析，給定一個(gè)數(shù)據(jù)集，可以通過以下步驟利用CCI算法進(jìn)行原子事件因果網(wǎng)絡(luò)圖學(xué)習(xí)：

步驟1

抽取原子事件。

對(duì)給定的數(shù)據(jù)集，首先利用相關(guān)專業(yè)知識(shí)，將數(shù)據(jù)集中表示相同或相近類型的變量進(jìn)行分組，作為不同原子事件所對(duì)應(yīng)的變量集合；再對(duì)每一組中的變量進(jìn)行類似典型相關(guān)分析，抽取原子事件。與CCA不同的是，CCI算法的兩組相關(guān)分析的變量是由原先知識(shí)組合得到的變量集合，與數(shù)據(jù)集中其余的變量組合而成的變量集合進(jìn)行典型相關(guān)分析，找到一組wi和wj，使其滿足以下條件：

例如，圖4中的原子事件為1，其相關(guān)變量組為A={11，1.2，1.3}。它是A和A在數(shù)據(jù)集中的補(bǔ)集 的典型相關(guān)變量，并且其滿足在兩個(gè)變量組方程為1的約束下，事件1和事件1′之間的相關(guān)系數(shù)最大。

步驟2

初步因果推斷。

對(duì)抽取出來的原子事件，利用LiNGAM算法進(jìn)行因果結(jié)構(gòu)學(xué)習(xí)，得到初步的原子事件因果網(wǎng)絡(luò)圖，獲得初步的原子事件間的因果性。LiNGAM算法分為估計(jì)與剪枝兩個(gè)階段。

第一階段是估計(jì)階段，該階段能夠得出因果順序以及初步估計(jì)出整個(gè)因果結(jié)構(gòu)（即矩陣系數(shù)）。由式（1）可推出： Wx=e，W=（I-B）。其中：I為單位矩陣，W稱為混合矩陣。

第二階段是剪枝階段。剪枝算法是對(duì)LiNGAM初步推斷的近似為全關(guān)聯(lián)的結(jié)構(gòu)進(jìn)行剪枝，得到與實(shí)際相符的較為稀疏的結(jié)構(gòu)。LiNGAM模型的剪枝問題采取的剪枝算法分為兩類：一類是基于統(tǒng)計(jì)學(xué)與最優(yōu)化的相關(guān)理論，例如Resampling與Adaptive Lasso等；另一類是基于貝葉斯網(wǎng)絡(luò)判斷無向結(jié)構(gòu)的相關(guān)算法，此類算法核心點(diǎn)是條件獨(dú)立性測(cè)試，例如：PC算法[12]，基于馬爾可夫毯的BASSUM算法中的剪枝策略[11]，Mooij等[25]提出的殘差依賴最小化的方法等。

例如，在圖4中的抽取原子事件的基礎(chǔ)上，進(jìn)行因果網(wǎng)絡(luò)推斷，得到圖5所示的原子事件因果網(wǎng)絡(luò)圖。

步驟3

重新抽取原子事件，不斷迭代，得到原子事件因果網(wǎng)絡(luò)圖。

對(duì)每個(gè)原子指標(biāo)，分別求其與子節(jié)點(diǎn)指標(biāo)滿足式（2）的典型相關(guān)變量，將與它的指標(biāo)集合線性相關(guān)的典型變量作為指標(biāo)集合的原子指標(biāo)，對(duì)原子指標(biāo)進(jìn)行基于LiNGAM算法的因果網(wǎng)絡(luò)推斷，得到另一個(gè)原子指標(biāo)間的因果網(wǎng)絡(luò)圖。

例如，在圖6的基礎(chǔ)上，事件1與事件2進(jìn)行典型相關(guān)分析，得到滿足式（2）的典型變量1-1和2-1，則將變量1-1作為事件1新的原子事件。

其中：步驟3）是計(jì)算初始的原子指標(biāo)；步驟5）是通過不斷迭代，保證最終的原子指標(biāo)因果網(wǎng)絡(luò)圖趨于穩(wěn)定狀態(tài)，得到最終的原子指標(biāo)間的因果關(guān)系，Y′存儲(chǔ)了最終的原子指標(biāo)集合。

4實(shí)驗(yàn)結(jié)果與分析

為了對(duì)本文提出的算法進(jìn)行驗(yàn)證和分析，分別用虛擬數(shù)據(jù)和真實(shí)數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)。

4.1虛擬數(shù)據(jù)實(shí)驗(yàn)

本文使用人工生成不同參數(shù)下的測(cè)試數(shù)據(jù)集，選取了典型偏相關(guān)（Canonical Partial Correlation， CPC）算法與本文算法進(jìn)行比較。虛擬數(shù)據(jù)的生成分兩階段實(shí)現(xiàn)：

1）生成原子指標(biāo)的因果網(wǎng)絡(luò)圖，其中單父親節(jié)點(diǎn)個(gè)數(shù)為雙父親節(jié)點(diǎn)個(gè)數(shù)的2倍，并依照該圖生成數(shù)據(jù)。

2）生成指標(biāo)數(shù)據(jù)：隨機(jī)生成每組指標(biāo)的個(gè)數(shù)，每個(gè)指標(biāo)的數(shù)據(jù)依照函數(shù)X=Y×Q-1生成，其中：Q為每個(gè)函數(shù)的權(quán)值，即原子指標(biāo)與指標(biāo)集合的相關(guān)系數(shù)，隨機(jī)取值于0～1；Y為原子指標(biāo)。在整個(gè)因果網(wǎng)絡(luò)生成階段，采用20維原子事件、50維指標(biāo)變量分別生成300、400、500、600、700、800樣本量的因果網(wǎng)絡(luò)圖，用來測(cè)試兩種算法在不同樣本量下的實(shí)驗(yàn)效果；采用25維原子事件和500樣本量分別生成30、40、50、80、100維指標(biāo)變量的因果網(wǎng)絡(luò)圖，用來測(cè)試兩種算法在不同指標(biāo)數(shù)下的實(shí)驗(yàn)效果；采用50維指標(biāo)變量500樣本量分別生成6、13、25、30、40維原子事件的因果網(wǎng)絡(luò)圖，用來測(cè)試兩種算法在樣本指標(biāo)變量抽取為不同原子事件下的實(shí)驗(yàn)效果。

為了有效地評(píng)價(jià)該算法的性能，本文采用正確率（Precision）、召回率（Recall）和F1值對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)估。正確率是指所有通過典型因果推斷算法學(xué)習(xí)到的原子指標(biāo)關(guān)系中正確的邊數(shù)占原始因果圖中所有邊數(shù)的比例；召回率是指所有學(xué)習(xí)到的正確的邊數(shù)占整個(gè)數(shù)據(jù)（學(xué)習(xí)到的和未學(xué)習(xí)到的）中真正正確的邊數(shù)的比例。F1值通過以下公式來計(jì)算：

正確率主要是用來衡量因果網(wǎng)絡(luò)圖中節(jié)點(diǎn)間本來不存在的邊被錯(cuò)誤添加的程度；召回率是用來衡量節(jié)點(diǎn)間存在的邊沒有被發(fā)現(xiàn)的程度；F1則綜合了前兩個(gè)評(píng)價(jià)參數(shù)，用來評(píng)價(jià)本文方法的總體優(yōu)劣。

在本節(jié)的實(shí)驗(yàn)中，用構(gòu)造出的虛擬數(shù)據(jù)網(wǎng)絡(luò)對(duì)CCI和CPC算法進(jìn)行對(duì)比實(shí)驗(yàn)。圖7表明，在25維原子事件50維指標(biāo)變量中，樣本數(shù)超過400之后，CCI算法的正確率、召回率和F1值都比CPC算法高。這說明在大量樣本量的情況下，CCI算法具有較高的穩(wěn)定性和準(zhǔn)確性。從圖8中可知，CCI算法在指標(biāo)維度逐漸增加的情況下三個(gè)評(píng)分參數(shù)都比CPC算法高。這體現(xiàn)了CCI算法在高維的適用性，以及算法抽取原子事件這一策略是十分可靠和有價(jià)值的。實(shí)際中無線網(wǎng)絡(luò)性能相關(guān)的指標(biāo)維數(shù)一般較高，CCI算法中提出的抽取原子事件能使性能優(yōu)化分析更加便捷。在同一指標(biāo)維度下，抽取的原子事件維數(shù)多少也會(huì)影響CCI在實(shí)際中應(yīng)用的正確率（如圖9所示）。雖然隨著原子事件維度的增加，CPC算法在三個(gè)評(píng)分上基本呈遞增趨勢(shì)，但是在原子事件維度越少的情況下，CCI算法體現(xiàn)了很好的效果。這體現(xiàn)了CCI算法將較多相關(guān)指標(biāo)用原子事件表示這一方法的有效性。

4.2CCI算法在實(shí)際數(shù)據(jù)中的應(yīng)用

4.2.1數(shù)據(jù)集說明

實(shí)驗(yàn)數(shù)據(jù)來源于某城市3萬多個(gè)移動(dòng)基站收集到的GSM性能指標(biāo)數(shù)據(jù)。其中包含了42個(gè)無線網(wǎng)絡(luò)性能指標(biāo)（如：業(yè)務(wù)信道（Traffic Channel， TCH）話務(wù)量、半速率話務(wù)量、分組數(shù)據(jù)信道（Packet Data Channel， PDCH）使用數(shù)占比、TCH可用率、PDCH總復(fù)用度等），總共有30406個(gè)樣本數(shù)據(jù)。由領(lǐng)域知識(shí)可知，該數(shù)據(jù)集可以提取出12個(gè)原子指標(biāo)。

4.2.2數(shù)據(jù)預(yù)處理

本文使用的指標(biāo)數(shù)據(jù)屬性包括TCH話務(wù)量、半速率話務(wù)量、PDCH使用數(shù)占比、TCH可用率、PDCH總復(fù)用度等，每個(gè)指標(biāo)對(duì)應(yīng)的數(shù)據(jù)都是經(jīng)過預(yù)處理之后，按照一定的方式作為輸入數(shù)據(jù)；同時(shí)，對(duì)指標(biāo)數(shù)據(jù)屬性根據(jù)領(lǐng)域知識(shí)和指標(biāo)間的相關(guān)性進(jìn)行歸類，可以結(jié)合為12個(gè)原子指標(biāo)。如：原子指標(biāo)“半速率話務(wù)比例”對(duì)應(yīng)的相關(guān)指標(biāo)為“TCH話務(wù)量、半速率話務(wù)量、PDCH使用數(shù)占比、TCH可用率”；原子指標(biāo)“增強(qiáng)型數(shù)據(jù)速率GSM演進(jìn)（Enhanced Data Rate for GSM Evolution， EDGE）技術(shù)和分組數(shù)據(jù)信道（PDCH）占比”對(duì)應(yīng)的相關(guān)指標(biāo)為“PDCH總復(fù)用度”等。由于采集數(shù)據(jù)過程中出現(xiàn)一些噪聲，所以對(duì)數(shù)據(jù)集中數(shù)據(jù)值的預(yù)處理方法為，將數(shù)據(jù)為“#DIV/0！”、“#N/A”及空值用“0”替換之后，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化（均值為0，方差為1）。

4.2.3實(shí)驗(yàn)結(jié)果分析

1）使用本文的方法，對(duì)42個(gè)指標(biāo)30406個(gè)樣本數(shù)據(jù)，共12個(gè)原子指標(biāo)的無線網(wǎng)絡(luò)性能指標(biāo)數(shù)據(jù)集中學(xué)習(xí)原子指標(biāo)因果網(wǎng)絡(luò)，得出無線網(wǎng)絡(luò)性能優(yōu)化的方案。算法在重新抽取原子指標(biāo)過程總共迭代了2次，說明其收斂速度很快。這也證明了CCI算法抽取原子事件的方法具有高效性和有效性。通過算法學(xué)習(xí)和推斷之后最終得到的原子指標(biāo)因果網(wǎng)絡(luò)圖如圖10所示，圖中包含12個(gè)指標(biāo)節(jié)點(diǎn)、17條邊，每條邊表示指標(biāo)之間的因果依賴關(guān)系。

2）廣東南方通信建設(shè)有限公司的專家結(jié)合其專業(yè)知識(shí)，將實(shí)驗(yàn)生成的因果網(wǎng)絡(luò)圖跟實(shí)際情況下無線網(wǎng)絡(luò)的相關(guān)數(shù)據(jù)指標(biāo)間的關(guān)系進(jìn)行對(duì)比，指出本文方法有一定的指導(dǎo)性和啟發(fā)性。例如，“獨(dú)立專用控制信道 （Stand-Alone Dedicated Control Channel， SDCCH）擁塞率與SDCCH話務(wù)量在數(shù)據(jù)統(tǒng)計(jì)上呈現(xiàn)正相關(guān)關(guān)系，即SDCCH話務(wù)量增加時(shí)，SDCCH擁塞率也隨著增長，進(jìn)而導(dǎo)致SDCCH掉話率提高”。這個(gè)專業(yè)性的結(jié)論跟因果網(wǎng)絡(luò)圖中顯示的“SDCCH擁塞率與SDCCH掉話率之間存在因果關(guān)系”的結(jié)果是相吻合的。學(xué)習(xí)到的原子指標(biāo)因果網(wǎng)絡(luò)圖經(jīng)由專家評(píng)測(cè)，足以證明本文方法具有可行性。

3）圖10表明，影響該城市GSM性能高低的源頭主要是“臨時(shí)數(shù)據(jù)快流（Temporary Block Flow， TBF）建立成功率”，這個(gè)性能指標(biāo)與“無線接入性” “EDGE流量占比”“EDGE PDCH占比”“半速率話務(wù)掉話比”這四個(gè)性能指標(biāo)之間存在因果關(guān)系。若發(fā)現(xiàn)“EDGE流量占比”這個(gè)指標(biāo)數(shù)據(jù)出現(xiàn)異常，那么可以考慮提高TBF建立的成功率。通過分析“TBF建立成功率”這個(gè)原子指標(biāo)內(nèi)部指標(biāo)的因果性，就可以很快設(shè)計(jì)出一套無線網(wǎng)絡(luò)優(yōu)化方案?；谝蚬麑?duì)干預(yù)行為效果預(yù)測(cè)的有效性，還可以提前對(duì)“EDGE流量占比”進(jìn)行預(yù)警，制定好解決“EDGE流量占比”突然增大的應(yīng)對(duì)方案，以消除其對(duì)無線網(wǎng)絡(luò)性能造成的影響。

從圖10中還可以看出，原子指標(biāo)“半速率話務(wù)掉話比”受到原子指標(biāo)“EDGE PDCH占比”的影響，而原子指標(biāo)“EDGE PDCH占比”對(duì)應(yīng)的相關(guān)指標(biāo)為“PDCH總復(fù)用度”。根據(jù)專業(yè)知識(shí)可知，PDCH復(fù)用度是指有多少個(gè)用戶在同一時(shí)間共同使用同一PDCH，它反映了PDCH信道的復(fù)用程度。它的值等于并發(fā)的TCH數(shù)目占用的PDCH的數(shù)目，主要是通過激活數(shù)量多少來衡量。而“半速率話務(wù)掉話比”對(duì)應(yīng)的指標(biāo)有“TCH話務(wù)量、半速率話務(wù)量、PDCH使用數(shù)占比、TCH可用率”，這說明PDCH信道的復(fù)用程度大小變化可以造成這些指標(biāo)的變化，這個(gè)結(jié)論可以為無線網(wǎng)絡(luò)性能的優(yōu)化方案的制定提供指導(dǎo)性的作用。當(dāng)發(fā)現(xiàn)TCH話務(wù)量較大時(shí)，可以對(duì)半速率比率進(jìn)行調(diào)整；同時(shí)，還可以提前設(shè)置PDCH信道比率門限，根據(jù)TCH話務(wù)量等信息進(jìn)行動(dòng)態(tài)的評(píng)估和優(yōu)化。

5結(jié)語

本文從已有的無線網(wǎng)絡(luò)性能優(yōu)化的方法和難點(diǎn)入手，提出一種基于典型因果推斷（CCI）算法的無線網(wǎng)絡(luò)性能優(yōu)化方法，通過本文提出的算法學(xué)習(xí)到的結(jié)果對(duì)無線網(wǎng)絡(luò)性能進(jìn)行分析，得出了若干個(gè)有指導(dǎo)意義的結(jié)論。與現(xiàn)有的無線網(wǎng)絡(luò)性能分析方法相比，本文采用因果推斷方法，能解決相關(guān)關(guān)系無法指導(dǎo)干預(yù)的問題；同時(shí)，本文方法將同類型的相關(guān)指標(biāo)進(jìn)行融合，抽取原子指標(biāo)，再進(jìn)行因果網(wǎng)絡(luò)學(xué)習(xí)，有助于解決無線網(wǎng)絡(luò)指標(biāo)數(shù)量多，與基于大量指標(biāo)不易體現(xiàn)原子指標(biāo)因果學(xué)習(xí)的結(jié)果，以及對(duì)原子指標(biāo)內(nèi)部指標(biāo)因果關(guān)系無意義的問題。同時(shí)，采用LiNGAM因果推斷算法，其中運(yùn)用到的ICA算法可以消除指標(biāo)間的相關(guān)性，減少指標(biāo)相關(guān)性對(duì)因果推斷的影響，提高無線網(wǎng)絡(luò)的性能分析的準(zhǔn)確性，這種方法也為無線網(wǎng)絡(luò)優(yōu)化提供了新的思路。但是，本文中對(duì)指標(biāo)的初始組合是基于無線網(wǎng)絡(luò)指標(biāo)的領(lǐng)域知識(shí)，難免會(huì)受到人為因素的影響，后期將對(duì)指標(biāo)組合的選擇展開進(jìn)一步的研究，發(fā)現(xiàn)潛在的影響無線網(wǎng)絡(luò)性能的指標(biāo)。

參考文獻(xiàn)：

[1]盧昶.GSM網(wǎng)絡(luò)優(yōu)化綜合分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2008：2-4. （LU C. The design and implementation of GSM network optimizing analysis system [D]. Beijing： Beijing University of Posts and Telecommunications， 2008： 2-4.）

[2]劉臣巍.GSM交換無線網(wǎng)絡(luò)優(yōu)化[D].長春：吉林大學(xué)，2009：1-6. （LIU C W. GSM exchange wireless network optimization [D]. Changchun： Jilin University， 2009： 1-6.）

[3]劉占軍.GSM移動(dòng)通信網(wǎng)絡(luò)優(yōu)化的研究與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2009：1-3. （LIU Z J. The design and implementation of GSM mobile network [D]. Chengdu： University of Electronic Science and Technology of China， 2009： 1-3.）

[4]白俊杰，何長艷. No.7信令網(wǎng)的網(wǎng)絡(luò)優(yōu)化[J].天津通信技術(shù)，2004（4）：52-53. （BAI J J， HE C Y. No.7 signaling network optimization [J]. Tianjin Communications Technology， 2004（4）：52-53.）

[5]吳寶棟，肖恒輝，陸南昌，等.無線網(wǎng)絡(luò)智能優(yōu)化系統(tǒng)及其應(yīng)用[J].移動(dòng)通信，2012（12）：16-20. （WU B D， XIAO H H， LU N C， et al. Wireless network intelligent optimization system and its application [J]. Mobile Communications， 2012（12）： 16-20.）

[6]盧紀(jì)宇，白波.GSM無線網(wǎng)絡(luò)的優(yōu)化[J].電信技術(shù)，2006（12）：60-62. （LU J Y， BAI B. GSM wireless network optimization [J]. Telecommunications Technology， 2006（12）：60-62.）

[7]周文靜.無線網(wǎng)絡(luò)優(yōu)化方式新思路的探討[J].廣東通信技術(shù)，2006，26（12）：2-6. （ZHOU W J. Discussion on new ideas for wireless network optimization approaches [J]. Guangdong Communication Technology， 2006， 26（12）： 60-62.）

[8]AGRAWAL R， MANNILA H， SRIKANT R， et al. Fast discovery of association rules [M]// Advances in Knowledge Discovery and Data Mining. Menlo Park， CA： American Association for Artificial Intelligence， 1996： 307-328.

[9]王華奎，李艷萍，張立毅，等.移動(dòng)通信原理與技術(shù)[M].北京：清華大學(xué)出版社，2009：1. （WANG H K， LI Y P， ZHANG L Y， et al. Mobile Communication Principle and Technology [M]. Beijing： Tsinghua University Press， 2009：1.）

[10]劉穎.GSM無線網(wǎng)絡(luò)優(yōu)化研究[J].中國新技術(shù)新產(chǎn)品，2012（4）：36-36. （LIU Y. GSM wireless network optimization research [J]. China New Technologies and Products， 2012（4）： 36-36.）

[11]CAI R， ZHANG Z， HAO Z. BASSUM： a Bayesian semi-supervised method for classification feature selection [J]. Pattern Recognition， 2011， 44（4）： 811-820.

[12]PEARL J. Causality： Models， Reasoning and Inference [M]. 2nd ed. Cambridge， UK： Cambridge University Press， 2009： 49-51.

[13]HOYER P O， JANZING D， MOOIJ J M， et al. Nonlinear causal discovery with additive noise models [C]// Advances in Neural Information Processing Systems 21. Cambridge， MA： MIT Press， 2008： 689-696.

http：//machinelearning.wustl.edu/mlpapers/papers/NIPS2008_0266

[14]XIE X， GENG Z. A recursive method for structural learning of directed acyclic graphs [J]. Journal of Machine Learning Research， 2008， 9： 459-483.

[15]HAN L， SONG G， CONG G， et al. Overlapping decomposition for causal graphical modeling [C]// KDD 12： Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2012： 114-122.

[16]TSAMARDINOS I， BROWN L E， ALIFERIS C F. The max-min hill-climbing Bayesian network structure learning algorithm [J]. Machine Learning， 2006， 65（1）： 31-78.

[17]CAI R， ZHANG Z， HAO Z. Causal gene identification using combinatorial V-structure search [J]. Neural Networks， 2013， 43： 63-71.

[18]SHIMIZU S， HOYER P O， HYVRINEN A， et al. A linear non-Gaussian acyclic model for causal discovery [J]. Journal of Machine Learning Research， 2006， 7： 2003-2030.

[19]SHIMIZU S， INAZUMI T， SOGAWA Y， et al. DirectLiNGAM： a direct method for learning a linear non-Gaussian structural equation model [J]. Journal of Machine Learning Research， 2011， 12： 1225-1248.

[20]JANZING D， MOOIJ J， ZHANG K， et al. Information-geometric approach to inferring causal directions [J]. Artificial Intelligence， 2012， 182/183： 1-31.

[21]JANZING D， STEUDEL B， SHAJARISALES N， et al. Justifying information-geometric causal inference [M]// Measures of Complexity. Berlin： Springer-Verlag， 2015： 253-265.

[22]ZHANG K， HYVRINEN A. On the identifiability of the post-nonlinear causal model [C]// UAI 09： Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence. Arlington： AUAI Press， 2009： 647-655.

[23]CAI R， ZHANG Z， HAO Z. SADA： a general framework to support robust causation discovery [C]// Proceedings of the 30th International Conference on Machine Learning. [S.l.]： JMLR： W&CP， 2013， 28： 208-216.

http：//jmlr.org/proceedings/papers/v28/cai13.html

http：//jmlr.org/proceedings/papers/v28/cai13.pdf

[24]胡國定，張潤楚.多元數(shù)據(jù)分析方法：純代數(shù)處理[M].天津：南開大學(xué)出版社，1990：507-527. （HU G D， ZHANG R C. Multivariate Data Analysis Method： Pure Algebra Processing [M]. Tianjin： Nankai University Press， 1990： 507-527.）

[25]MOOIJ J， JANZING D， PETERS J， et al. Regression by dependence minimization and its application to causal inference in additive noise models [C]// ICML 2009： Proceedings of the 26th Annual International Conference on Machine Learning. New York： ACM， 2009： 745-752.