程 喬，王映華，李 冉，劉文雯（中國(guó)聯(lián)通廣西分公司，廣西南寧 530028）

1 概述

移動(dòng)互聯(lián)網(wǎng)數(shù)據(jù)業(yè)務(wù)流量呈爆炸式增長(zhǎng)態(tài)勢(shì)，各類業(yè)務(wù)層出不窮，業(yè)務(wù)感知性能已成為運(yùn)營(yíng)商網(wǎng)絡(luò)優(yōu)化的重中之重，當(dāng)前網(wǎng)絡(luò)優(yōu)化的工作模式在實(shí)時(shí)性、準(zhǔn)確性、效率、成本等方面的弊端進(jìn)一步凸顯，即傳統(tǒng)的網(wǎng)絡(luò)優(yōu)化以人工為主，無(wú)法適應(yīng)日益復(fù)雜的網(wǎng)優(yōu)工作需求，因此需要加快優(yōu)化工作轉(zhuǎn)型。本次廣西聯(lián)通結(jié)合現(xiàn)有的重點(diǎn)業(yè)務(wù)感知分析優(yōu)化的工作場(chǎng)景，基于機(jī)器學(xué)習(xí)、軟件編排、互聯(lián)網(wǎng)等技術(shù)，充分挖掘豐富的網(wǎng)絡(luò)數(shù)據(jù)資源，并設(shè)計(jì)開(kāi)發(fā)出“重點(diǎn)業(yè)務(wù)感知監(jiān)測(cè)分析機(jī)器人”來(lái)優(yōu)化重點(diǎn)業(yè)務(wù)感知，為未來(lái)的網(wǎng)優(yōu)智能化轉(zhuǎn)型積累優(yōu)化經(jīng)驗(yàn)。移動(dòng)網(wǎng)絡(luò)運(yùn)維網(wǎng)優(yōu)發(fā)展趨勢(shì)如圖1所示。

2 重點(diǎn)業(yè)務(wù)感知監(jiān)測(cè)分析機(jī)器人實(shí)現(xiàn)流程

重點(diǎn)業(yè)務(wù)感知監(jiān)測(cè)分析機(jī)器人的設(shè)計(jì)與實(shí)現(xiàn)，主要基于機(jī)器學(xué)習(xí)從歷史數(shù)據(jù)中學(xué)習(xí)和建模，分析得出影響業(yè)務(wù)感知的規(guī)律特征，并通過(guò)軟件設(shè)計(jì)編排等實(shí)現(xiàn)自動(dòng)化、智能化的“機(jī)器工作”來(lái)代替“人工工作”，以提升工作效率和準(zhǔn)確率。

2.1 重點(diǎn)業(yè)務(wù)感知監(jiān)測(cè)分析機(jī)器人的流程框架設(shè)計(jì)

圖1 AI+移動(dòng)網(wǎng)絡(luò)運(yùn)維網(wǎng)優(yōu)發(fā)展趨勢(shì)

結(jié)合廣西聯(lián)通上網(wǎng)業(yè)務(wù)人數(shù)、流量、業(yè)務(wù)請(qǐng)求次數(shù)等情況，最終選擇以微信、騰訊視頻、淘寶、王者榮耀、高德地圖等6 類15 種重點(diǎn)業(yè)務(wù)進(jìn)行監(jiān)測(cè)分析，如表1所示。

表1 重點(diǎn)業(yè)務(wù)監(jiān)測(cè)指標(biāo)

重點(diǎn)業(yè)務(wù)感知監(jiān)測(cè)分析機(jī)器人主要通過(guò)R語(yǔ)言與數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)交互和邏輯運(yùn)算，實(shí)現(xiàn)對(duì)業(yè)務(wù)的KQI實(shí)時(shí)監(jiān)控和提前預(yù)測(cè)，并快速對(duì)監(jiān)控到的告警問(wèn)題進(jìn)行智能分析定界，然后自動(dòng)輸出報(bào)告，并下發(fā)告警郵件推送通知。本次以微信業(yè)務(wù)為例進(jìn)行說(shuō)明。其框架如圖2所示。

圖2 重點(diǎn)業(yè)務(wù)感知監(jiān)測(cè)分析機(jī)器人的流程框架設(shè)計(jì)圖

2.1.1 數(shù)據(jù)庫(kù)連接及數(shù)據(jù)源驗(yàn)證

數(shù)據(jù)源主要來(lái)自S1-U 信令數(shù)據(jù)，包含了URI、RTT、IP_LEN 等業(yè)務(wù)特征、業(yè)務(wù)感知有關(guān)的字段。通過(guò)搭建R 語(yǔ)言與數(shù)據(jù)庫(kù)的數(shù)據(jù)交互環(huán)境，并結(jié)合歷史數(shù)據(jù)源對(duì)當(dāng)前入庫(kù)的數(shù)據(jù)源的質(zhì)量進(jìn)行監(jiān)控驗(yàn)證，避免因數(shù)據(jù)源異常影響系統(tǒng)整體的準(zhǔn)確性。基于模型算法得出歷史同時(shí)段的數(shù)據(jù)量波動(dòng)規(guī)律，對(duì)比當(dāng)天各接口數(shù)據(jù)量差異，若超過(guò)設(shè)定的閾值則判斷該時(shí)段數(shù)據(jù)源出現(xiàn)異常，系統(tǒng)會(huì)自動(dòng)觸發(fā)“數(shù)據(jù)源異?！钡母婢]件推送。

2.1.2 指標(biāo)配置及實(shí)時(shí)監(jiān)控

在數(shù)據(jù)源無(wú)異常的前提下，通過(guò)R 語(yǔ)言的邏輯算法對(duì)關(guān)鍵指標(biāo)進(jìn)行配置和實(shí)時(shí)監(jiān)控。指標(biāo)的配置即把關(guān)鍵指標(biāo)統(tǒng)計(jì)邏輯轉(zhuǎn)換成R語(yǔ)言能識(shí)別并統(tǒng)計(jì)的機(jī)器語(yǔ)言。實(shí)時(shí)監(jiān)控即利用R語(yǔ)言設(shè)置的邏輯算法對(duì)每個(gè)關(guān)鍵指標(biāo)持續(xù)統(tǒng)計(jì)和監(jiān)控，及時(shí)發(fā)現(xiàn)指標(biāo)告警信息，并把該時(shí)段的指標(biāo)寫入本地歷史指標(biāo)變化表中。

2.1.3 指標(biāo)跟蹤及指標(biāo)預(yù)測(cè)

指標(biāo)跟蹤及指標(biāo)預(yù)測(cè)模塊主要針對(duì)本時(shí)段的指標(biāo)設(shè)置告警規(guī)則，基于時(shí)間序列模型對(duì)未來(lái)一個(gè)時(shí)段的指標(biāo)變化趨勢(shì)進(jìn)行預(yù)測(cè)。告警規(guī)則的設(shè)置主要是針對(duì)本時(shí)段統(tǒng)計(jì)到的指標(biāo)設(shè)置不同的閾值以及對(duì)應(yīng)的不同告警級(jí)別，達(dá)到告警條件則利用R 語(yǔ)言發(fā)送內(nèi)容為“本時(shí)段告警類別+級(jí)別+未來(lái)時(shí)段變化趨勢(shì)”的郵件，其中告警類別指業(yè)務(wù)類別，如視頻、游戲；級(jí)別如1 級(jí)、2 級(jí)，1 級(jí)告警級(jí)別最高。而當(dāng)告警級(jí)別高時(shí)則自動(dòng)跳轉(zhuǎn)到智能分析定界和自動(dòng)生成報(bào)告模塊，并發(fā)送“本時(shí)段告警類別+級(jí)別+未來(lái)時(shí)段變化趨勢(shì)+自動(dòng)定界報(bào)告”的告警郵件。

2.1.4 智能分析定界及生成報(bào)告

若指標(biāo)的告警級(jí)別高，則進(jìn)入智能多維分析定界并生成報(bào)告的模塊。本模塊主要是基于R語(yǔ)言中能自動(dòng)化生成報(bào)告的Rmarkdown 腳本實(shí)現(xiàn)。實(shí)現(xiàn)原理是利用R 語(yǔ)言與數(shù)據(jù)庫(kù)交互的數(shù)據(jù)，針對(duì)告警指標(biāo)在多維度建立各自的邏輯算法聚類分析，最終定界出指標(biāo)告警的原因并自動(dòng)生成Rmarkdown報(bào)告。

2.1.5 告警及報(bào)告郵件推送

借助R 語(yǔ)言的mailR 包相關(guān)函數(shù)，把數(shù)據(jù)源是否異常、指標(biāo)預(yù)測(cè)趨勢(shì)、指標(biāo)告警及級(jí)別、自動(dòng)化定界報(bào)告等相關(guān)信息以郵件的形式自動(dòng)發(fā)送給相關(guān)人員。

2.2 基于時(shí)間序列的業(yè)務(wù)性能預(yù)測(cè)模型選擇

時(shí)間序列預(yù)測(cè)是一種基于歷史數(shù)據(jù)的延伸預(yù)測(cè)，也稱歷史引伸預(yù)測(cè)法，通過(guò)編制連續(xù)的時(shí)間序列并分析其反映出來(lái)的發(fā)展過(guò)程、周期和趨勢(shì)，進(jìn)行類推或延伸，借以預(yù)測(cè)下一段時(shí)間可能達(dá)到的水平。結(jié)合歷史數(shù)據(jù)與專家經(jīng)驗(yàn)得知業(yè)務(wù)流量、性能指標(biāo)、時(shí)間呈現(xiàn)規(guī)律性的周期變化，符合時(shí)間序列算法的應(yīng)用場(chǎng)景。因此本次主要采用“時(shí)間序列預(yù)測(cè)的指數(shù)平滑法”進(jìn)行建模。

2.2.1 指數(shù)平滑法原理與應(yīng)用

指數(shù)平滑法即根據(jù)歷史實(shí)際數(shù)據(jù)和預(yù)測(cè)值，用指數(shù)加權(quán)的辦法進(jìn)行預(yù)測(cè)。其中三次指數(shù)平滑法適用于有趨勢(shì)和季節(jié)性的序列，故本次使用此算法，以微信業(yè)務(wù)上行RRT 時(shí)延指標(biāo)（TCP 三步握手中的第一步上行連接服務(wù)器時(shí)延）為例進(jìn)行建模。

指數(shù)平滑法分為1 個(gè)預(yù)測(cè)方程（式（1））和3 個(gè)平滑方程（水平方程lt、趨勢(shì)方程bt、季節(jié)性成分方程st），其中α，β*和γ為平滑參數(shù)，m代表季節(jié)性周期。

2.2.2 建模與效果檢驗(yàn)過(guò)程

第一步對(duì)原始?xì)v史數(shù)據(jù)建立時(shí)間序列并對(duì)數(shù)化處理，其目的為了消除數(shù)據(jù)源的異方差，減少數(shù)據(jù)的波動(dòng)對(duì)預(yù)測(cè)結(jié)果的影響。

第二步采用HoltWinters算法（R語(yǔ)言包）對(duì)對(duì)數(shù)化處理后的時(shí)間序列進(jìn)行預(yù)測(cè)建模。本次建模預(yù)測(cè)的alpha 為0.60，即表明近期的觀測(cè)值的影響權(quán)重比較大，大多數(shù)預(yù)測(cè)值與真實(shí)值相差不大，具有比較高的可信度。

第三步對(duì)未來(lái)值進(jìn)行預(yù)測(cè)及效果檢驗(yàn)，首先預(yù)測(cè)未來(lái)N小時(shí)的上行RTT 時(shí)延，其次對(duì)預(yù)測(cè)效果進(jìn)行檢驗(yàn)，檢驗(yàn)延遲1～20 階中的預(yù)測(cè)誤差是否非零自相關(guān)。圖3 呈現(xiàn)樣本內(nèi)預(yù)測(cè)誤差在滯后9 階時(shí)超過(guò)置信邊界略明顯，其他基本在置信空間以內(nèi)。接著采用Ljung-Box 檢驗(yàn)預(yù)測(cè)誤差的隨機(jī)性，經(jīng)檢驗(yàn)得出p=0.004 919，意味著置信度有99.51%，這樣的值是可接受預(yù)測(cè)誤差在1～20 階是非零自相關(guān)的，如圖3 所示（藍(lán)色為預(yù)測(cè)部分）。因此按照以上基于HoltWinters 算法的時(shí)間序列預(yù)測(cè)模型，可以有效預(yù)測(cè)微信業(yè)務(wù)性能變化趨勢(shì)。

2.3 業(yè)務(wù)感知問(wèn)題智能分析與自動(dòng)化輸出報(bào)告流程

廣西聯(lián)通基于前期積累的網(wǎng)絡(luò)優(yōu)化經(jīng)驗(yàn)，設(shè)計(jì)編排了業(yè)務(wù)感知智能定界及自動(dòng)化輸出報(bào)告流程。

圖3 未來(lái)值的預(yù)測(cè)及效果檢驗(yàn)

2.3.1 業(yè)務(wù)感知五維分析定界法

在實(shí)時(shí)監(jiān)控重點(diǎn)業(yè)務(wù)性能時(shí)，若某時(shí)段出現(xiàn)高告警級(jí)別（1 級(jí)），系統(tǒng)將跳轉(zhuǎn)至“五維分析定界”模塊。主要思路如下。

以上數(shù)據(jù)顯示，中國(guó)房地產(chǎn)市場(chǎng)綜合實(shí)力10強(qiáng)企業(yè)的市場(chǎng)份額即CR10從2011年的10.1%上升至2017年的24%，雖然在6年的時(shí)間里增長(zhǎng)了1倍有余，但參考貝恩的市場(chǎng)結(jié)構(gòu)分類標(biāo)準(zhǔn)，當(dāng)前的市場(chǎng)集中度仍處于偏低水平。如果將考察對(duì)象從綜合實(shí)力10強(qiáng)企業(yè)擴(kuò)充至綜合實(shí)力百?gòu)?qiáng)企業(yè)，則這一分析結(jié)果更加清晰。

a）對(duì)業(yè)務(wù)多天的性能從時(shí)間維度進(jìn)行分析，得出惡化時(shí)間和惡化程度。

b）在業(yè)務(wù)維度排查該時(shí)段是否出現(xiàn)多個(gè)重點(diǎn)業(yè)務(wù)惡化，若僅出現(xiàn)單業(yè)務(wù)惡化告警，初步歸類為“云（SP）”原因，并篩選該業(yè)務(wù)惡化所對(duì)應(yīng)的IP。

c）若多個(gè)重點(diǎn)業(yè)務(wù)同時(shí)惡化，則從設(shè)備維度排查SGW/PGW 核心網(wǎng)問(wèn)題，若問(wèn)題集中則初步歸類為“管原因”。

d）排除非核心網(wǎng)因素后，則以地（市）區(qū)域維度排查，若問(wèn)題集中在某地（市），則初步歸類為“區(qū)域原因”，輸出該地（市）惡化eNodeB列表。

e）最終基于用戶維度統(tǒng)計(jì)該時(shí)段受影響用戶的占比，若受影響用戶占比小于5%，則最終均定界為“端原因”。

基于業(yè)務(wù)感知五維分析定界法，通過(guò)端、管、云智能分析出業(yè)務(wù)感知惡化的原因。業(yè)務(wù)感知五維分析定界法主要流程如圖4所示。

2.3.2 基于Rmarkdown的自動(dòng)化報(bào)告輸出

2.4 實(shí)時(shí)告警郵件推送

告警郵件推送主要是通過(guò)R 語(yǔ)言的mailR 包設(shè)置郵件標(biāo)題、正文以及附件等內(nèi)容，并發(fā)送給指定的收件人。將該模塊代碼嵌入機(jī)器監(jiān)控系統(tǒng)即可實(shí)時(shí)把告警分析內(nèi)容通過(guò)郵件推送出去。

圖4 業(yè)務(wù)感知五維分析定界流程圖

3 應(yīng)用效果案例

基于機(jī)器學(xué)習(xí)的重點(diǎn)業(yè)務(wù)監(jiān)控及預(yù)測(cè)分析系統(tǒng)，廣西聯(lián)通在2018 年5 月28 日的實(shí)時(shí)監(jiān)控業(yè)務(wù)感知中發(fā)現(xiàn)，微信業(yè)務(wù)當(dāng)天12時(shí)上行RTT平均時(shí)延457.59 ms，且基于時(shí)間序列模型預(yù)測(cè)此項(xiàng)業(yè)務(wù)于當(dāng)天13 時(shí)將會(huì)繼續(xù)惡化，預(yù)測(cè)值為483.23 ms，如圖5所示。

基于上述結(jié)果，系統(tǒng)自動(dòng)觸發(fā)“重點(diǎn)業(yè)務(wù)（微信）出現(xiàn)上行RTT 時(shí)延一級(jí)告警”，然后進(jìn)入到智能化分析定界模塊并自動(dòng)生成報(bào)告，并于當(dāng)天13：07：37將郵件推送給相關(guān)人員。其中報(bào)告涉及內(nèi)容主要包括索引、告警內(nèi)容、劣化業(yè)務(wù)時(shí)間維度分析、重點(diǎn)業(yè)務(wù)維度分析、核心網(wǎng)設(shè)備維度分析、地（市）維度分析、受影響用戶分析、定界結(jié)論。

結(jié)合業(yè)務(wù)感知五維分析定界法得知：近3 天的波動(dòng)系數(shù)較小，未出現(xiàn)明顯波動(dòng)，該業(yè)務(wù)在5 月28 日12時(shí)開(kāi)始惡化；未發(fā)現(xiàn)同時(shí)段其他重點(diǎn)業(yè)務(wù)出現(xiàn)明顯時(shí)延高情況；微信業(yè)務(wù)請(qǐng)求次數(shù)TOP50 涉及的IP 中，IP為58.144.137.11 至58.144.137.20 地址段的時(shí)延均大于600 ms；該時(shí)段重點(diǎn)業(yè)務(wù)時(shí)延大于安全閾值（80 ms）的受影響用戶數(shù)占比為64.56%；綜上所分析定界為云問(wèn)題。

圖5 重點(diǎn)業(yè)務(wù)上行RTT時(shí)延跟蹤與預(yù)測(cè)

結(jié)合實(shí)際人工撥測(cè)和信令問(wèn)題分析結(jié)果，發(fā)現(xiàn)主要感知問(wèn)題為用戶微信業(yè)務(wù)中的朋友圈圖片打不開(kāi)或出現(xiàn)白屏現(xiàn)象，通過(guò)信令分析得知上行RTT 時(shí)延超過(guò)100 ms。

廣西聯(lián)通與騰訊團(tuán)隊(duì)迅速成立聯(lián)合工作組，開(kāi)展微信業(yè)務(wù)感知優(yōu)化提升工作。在提供分析數(shù)據(jù)并聯(lián)合微信團(tuán)隊(duì)優(yōu)化服務(wù)器響應(yīng)機(jī)制后，上行RTT 時(shí)延從原來(lái)的457 ms 下降至36 ms，微信朋友圈白屏現(xiàn)象恢復(fù)正常，有效提升了微信用戶的上網(wǎng)感知。

廣西聯(lián)通目前基于重點(diǎn)業(yè)務(wù)感知監(jiān)測(cè)分析機(jī)器人的部署，為微信、王者榮耀游戲、淘寶、騰訊視頻、新浪微博等多個(gè)重點(diǎn)業(yè)務(wù)提供監(jiān)控保障，累計(jì)處理了32起因業(yè)務(wù)性能突發(fā)惡化而影響用戶感知的事例，有效提升了對(duì)突發(fā)性問(wèn)題的應(yīng)變能力和響應(yīng)能力，其應(yīng)用效果顯著。

4 智能網(wǎng)優(yōu)的探索與展望

未來(lái)AI+網(wǎng)優(yōu)智能化的應(yīng)用場(chǎng)景有著廣大的開(kāi)拓探索空間，結(jié)合不同的機(jī)器算法特點(diǎn)可用于智能場(chǎng)景的覆蓋評(píng)估、智能動(dòng)態(tài)閾值隱形故障挖掘、場(chǎng)景的參數(shù)智能優(yōu)化、智能業(yè)務(wù)或負(fù)荷預(yù)測(cè)、基站畫像管理等領(lǐng)域。廣西聯(lián)通以“聚類算法管理小區(qū)業(yè)務(wù)畫像”和“基于MR-MDT 數(shù)據(jù)發(fā)掘小區(qū)天饋問(wèn)題”的應(yīng)用場(chǎng)景作為試點(diǎn)，對(duì)網(wǎng)優(yōu)智能化應(yīng)用場(chǎng)景進(jìn)行持續(xù)探索研究，其成果初顯成效。

4.1 基于聚類算法的流媒體業(yè)務(wù)的小區(qū)畫像管理與重點(diǎn)監(jiān)控保障

結(jié)合中國(guó)聯(lián)通總公司通報(bào)的2I 流媒體業(yè)務(wù)播放小區(qū)列表，基于SPSS Modeler 大數(shù)據(jù)分析建模軟件對(duì)流媒體播放次數(shù)進(jìn)行“K-Means”聚類分析，最終按播放次數(shù)來(lái)劃分出“高”“中”“低”3 個(gè)類別。如本次聚類有319 個(gè)小區(qū)（播放次數(shù)≥185）的播放次數(shù)比較大，定義為“高”類別，流媒體業(yè)務(wù)的小區(qū)畫像聚類算法建模如圖6所示。對(duì)某地（市）為“高”類別的流媒體業(yè)務(wù)小區(qū)試點(diǎn)進(jìn)行重點(diǎn)監(jiān)控和保障，累計(jì)完成12個(gè)重點(diǎn)小區(qū)性能惡化問(wèn)題（如故障告警，高負(fù)荷均衡等）的高優(yōu)先響應(yīng)處理。通過(guò)聚焦重點(diǎn)業(yè)務(wù)小區(qū)的感知保障處理，有效避免潛在用戶投訴，維護(hù)網(wǎng)絡(luò)口碑。

4.2 基于MDT_MR大數(shù)據(jù)發(fā)掘基站小區(qū)天饋問(wèn)題

基于爬蟲獲取場(chǎng)景圖層信息，結(jié)合地理、工參、MDT 等數(shù)據(jù)，建模計(jì)算出用戶位置與正北方向的夾角∠θ，并與小區(qū)工參天線方向角∠α對(duì)比，通過(guò)異常的偏差判斷用戶位置是否在天線合理范圍內(nèi)，其中MDT_MR 發(fā)掘小區(qū)天饋問(wèn)題算法原理如圖7所示。在某地（市）試點(diǎn)累計(jì)發(fā)掘了17 處疑似天饋異常問(wèn)題并現(xiàn)場(chǎng)驗(yàn)證，其準(zhǔn)確性為70%以上。

5 結(jié)束語(yǔ)

圖6 基于聚類算法的流媒體業(yè)務(wù)的小區(qū)畫像管理

圖7 基于MDT_MR大數(shù)據(jù)發(fā)掘基站小區(qū)天饋問(wèn)題原理

廣西聯(lián)通基于前期積累的網(wǎng)絡(luò)優(yōu)化經(jīng)驗(yàn)，積極探索機(jī)器學(xué)習(xí)、軟件編排等技術(shù)，通過(guò)開(kāi)發(fā)的重點(diǎn)業(yè)務(wù)感知監(jiān)測(cè)分析機(jī)器人實(shí)現(xiàn)了15 類重點(diǎn)業(yè)務(wù)感知的智能洞察與優(yōu)化分析，在未來(lái)的網(wǎng)優(yōu)智能化轉(zhuǎn)型上進(jìn)行了積極探索，具有一定的推廣價(jià)值。