李光宇，梁燕萍，余立，王昆，陳揚銘，劉思佳

（中國移動通信有限公司研究院，北京 100053）

1 引言

長期以來，作為運營商的自營業(yè)務(wù)，語音業(yè)務(wù)一直是運營商需要重點保障的核心業(yè)務(wù)。隨著LTE網(wǎng)絡(luò)、5G NR網(wǎng)絡(luò)的建設(shè)和發(fā)展，運營商用戶數(shù)的持續(xù)增加，VoLTE業(yè)務(wù)量也在逐年增長，業(yè)務(wù)質(zhì)量保障需要投入的人力也隨之增加。傳統(tǒng)的VoLTE業(yè)務(wù)質(zhì)量保障工作通常由用戶的語音業(yè)務(wù)質(zhì)差投訴觸發(fā)，優(yōu)化人員需要在業(yè)務(wù)質(zhì)差位置附近區(qū)域進行道路測試，使用收發(fā)終端撥打語音業(yè)務(wù)并播放通用語料庫，通過測試工具對比分析收發(fā)端的語料質(zhì)量差異計算得到POLQA（感知客觀聽力質(zhì)量評估）MOS（mean opinion score）作為語音質(zhì)量的評分，針對MOS值較低的情況進行信令分析、問題定位及解決。傳統(tǒng)的問題排查及優(yōu)化手段存在覆蓋面窄、投入資源高、解決周期長的問題，且需要同時拿到收發(fā)端語料內(nèi)容，無法滿足運營商的日常優(yōu)化需求。為了在不獲取收發(fā)端語音內(nèi)容的前提下進行質(zhì)量評估，ITU提出了多種通過業(yè)務(wù)性能指標分析運算得出業(yè)務(wù)質(zhì)量結(jié)果的無參考方案，以E-model為代表，通過業(yè)務(wù)丟包率、相對時延等業(yè)務(wù)傳輸同步、時延引起的質(zhì)量損傷作為計算因子，估算得出MOS，但估算精度不夠理想。

本文介紹了一套通過網(wǎng)絡(luò)側(cè)數(shù)據(jù)包傳輸特征數(shù)據(jù)、用戶測量數(shù)據(jù)進行VoLTE業(yè)務(wù)質(zhì)量評估及保障的技術(shù)方案，該方案基于網(wǎng)絡(luò)中全量語音業(yè)務(wù)通信特征數(shù)據(jù)，通過人工智能算法建模并利用模型進行業(yè)務(wù)質(zhì)量評估，可針對運營商全量語音業(yè)務(wù)進行高精度質(zhì)量分析及質(zhì)差定位解決，以滿足運營商實際生產(chǎn)環(huán)節(jié)中的優(yōu)化工作需求。該方案由網(wǎng)絡(luò)數(shù)據(jù)采集、數(shù)據(jù)特征分析、質(zhì)量評估、業(yè)務(wù)質(zhì)差定位及解決4部分組成，目前已取得較好的保障效果。

2 語音業(yè)務(wù)質(zhì)量保障方案

相對于傳統(tǒng)的語音業(yè)務(wù)質(zhì)量評估工作，本文提出的方案通過在業(yè)務(wù)特征的設(shè)計與生成、業(yè)務(wù)特征的分析與選擇、業(yè)務(wù)評估模型的搭建與優(yōu)化3方面的重點優(yōu)化與創(chuàng)新，大幅提升了質(zhì)量評估的準確性，保證了業(yè)務(wù)質(zhì)差的發(fā)現(xiàn)成功率。

2.1 業(yè)務(wù)特征的設(shè)計與生成

VoLTE業(yè)務(wù)發(fā)起之前，用戶會進行網(wǎng)絡(luò)附著及IMS注冊流程。完成注冊后主被叫用戶建立路由，開始業(yè)務(wù)數(shù)據(jù)傳輸。VoLTE業(yè)務(wù)基于實時傳輸協(xié)議（real-time transport protocol，RTP）進行數(shù)據(jù)包的雙向?qū)崟r傳輸，并通過實時傳輸控制協(xié)議（real-time transport control protocol，RTCP）進行QoS（quality of service，服務(wù)質(zhì)量）控制。VoLTE語音業(yè)務(wù)在數(shù)據(jù)包傳輸過程中，通話期每20 ms發(fā)送一個語音包，包括RTP/UDP/RLC-security壓縮頭；每160 ms生成一個SID靜默幀，通過噪音提高用戶的業(yè)務(wù)感受[1-2]。

圖1 VoLTE協(xié)議棧及RTP包頭示意圖

VoLTE協(xié)議棧及RTP包頭結(jié)構(gòu)如圖1所示，在業(yè)務(wù)質(zhì)量監(jiān)控場景下，業(yè)務(wù)特征分析不能涉及用戶隱私，因此針對RTP之下的包頭信息進行分析。包頭中序列號（sequence number，SN）用于標識發(fā)送的RTP 數(shù)據(jù)包編號，在業(yè)務(wù)質(zhì)量分析中可用于計算丟包情況；時間戳（timestamp）標識RTP數(shù)據(jù)分組中第一個字節(jié)的采樣時間，可用于計算時延及抖動信息[3]。

RTP本身沒有提供任何的機制來確保實時的傳輸或其他的QoS保證，RTCP通過不同報文類型計算端到端丟包數(shù)、丟包率、包間抖動等指標，可以更準確地評估語音業(yè)務(wù)質(zhì)量信息[4]。

目前，VoLTE語音質(zhì)量主要通過丟包、時延及抖動3類特征進行分析，當(dāng)使用業(yè)務(wù)級特征數(shù)據(jù)進行網(wǎng)絡(luò)中全量語音質(zhì)量分析時，無法獲取端到端信息，因此無法獲取業(yè)務(wù)的時延特征。使用現(xiàn)有方案進行業(yè)務(wù)質(zhì)量評估時仍存在特征粒度較粗，無法精細化評估秒級業(yè)務(wù)質(zhì)量變化情況的弊端。以RTP丟包率及抖動分析為例，目前丟包對業(yè)務(wù)質(zhì)量的影響主要通過丟包率是否超過一定門限進行判斷，但針對連續(xù)丟包及間歇性丟包對業(yè)務(wù)質(zhì)量的不同影響程度未做詳細分析。間歇性丟包與連續(xù)丟包對比如圖2所示，當(dāng)語音業(yè)務(wù)中出現(xiàn)連續(xù)丟包時，雖然丟包率相同，但業(yè)務(wù)質(zhì)量會有較明顯惡化，現(xiàn)有方案無法發(fā)現(xiàn)問題。

圖2 間歇性丟包與連續(xù)丟包對比

同樣，現(xiàn)有方案針對業(yè)務(wù)抖動檢測采用滑動疊加機制，將當(dāng)前抖動絕對值與前一時刻的抖動加權(quán)相加，計算式如下：

其中，J代表當(dāng)前抖動結(jié)果，D表示兩數(shù)據(jù)包間抖動，S與R分別表示數(shù)據(jù)包的發(fā)送與接收時間。

現(xiàn)有方案沒有考慮較長時間范圍內(nèi)抖動的累加效應(yīng)，且沒有考慮正向抖動和負向抖動的抵消情況。當(dāng)數(shù)據(jù)包間隔在標準間隔上下波動時，終端會通過緩沖機制進行調(diào)整，保證業(yè)務(wù)質(zhì)量不受影響；而當(dāng)數(shù)據(jù)包間隔不斷增長時，會導(dǎo)致業(yè)務(wù)時延逐漸增大，影響業(yè)務(wù)體驗。這種情況下，現(xiàn)有方案無法區(qū)分前者與后者的差別。隨機抖動與正向抖動的對比如圖3所示，圖3（a）的情況時延正常波動，業(yè)務(wù)質(zhì)量較好，圖3（b）的情況時延由于抖動的正向累加不斷增加，業(yè)務(wù)質(zhì)量劣化明顯，但兩種情況下現(xiàn)有方案計算出的抖動值相同，無法發(fā)現(xiàn)圖3（b）的劣化問題。

圖3 隨機抖動與正向抖動的對比

為了解決現(xiàn)有業(yè)務(wù)質(zhì)量評估方案的問題，本文介紹的方案將RTP包間抖動的正、負方向，丟包連續(xù)性等問題考慮在內(nèi)，提出了3類新指標：相對時延指標、連續(xù)丟包數(shù)指標以及最大包間指標。通過新指標的補充運用，可以解決現(xiàn)有方案問題，優(yōu)化業(yè)務(wù)質(zhì)量評估效果。

連續(xù)丟包數(shù)可以通過最大連續(xù)丟包、連續(xù)丟包較多的問題出現(xiàn)次數(shù)等維度，在整體丟包率的基礎(chǔ)上額外發(fā)現(xiàn)業(yè)務(wù)的局部性或突發(fā)性質(zhì)差問題。連續(xù)丟包的計算方式為：將所有收到的RTP數(shù)據(jù)包根據(jù)序列號從小到大排序，分別計算相鄰序列號的差值，若差值大于1，則存在連續(xù)丟包。計算式如下：

其中，CPL代表連續(xù)丟包數(shù)，SN代表排序后的RTP包序列。

相對時延代表每個數(shù)據(jù)包相對于業(yè)務(wù)過程中第一個數(shù)據(jù)包時延的變化情況，計算方式為首包時延加上當(dāng)前包與首包間所有抖動的累加結(jié)果，抖動累加時考慮正向負向。計算式如下：

其中，RD代表相對時延，J代表抖動，RD′代表校準后的相對時延，目的是避免第一個收到的包并非切片內(nèi)第一個發(fā)送包，從而影響相對時延序列的情況。

在VoLTE業(yè)務(wù)中，通過相對時延，可以準確分辨隨機抖動與連續(xù)正向抖動對通話質(zhì)量的不同影響結(jié)果。以圖4為例，圖4（a）和圖4（b）分別是平滑濾波前后的抖動情況，可以看到1 500～3 000 ms時間范圍內(nèi)是隨機抖動，由圖4（c）可見相對時延計算結(jié)果在130 ms以內(nèi)，通過圖4（d）波形圖看到收發(fā)端語音無明顯差別，此時通話過程未感受到質(zhì)量劣化；而5 000～6 500 ms時間范圍內(nèi)發(fā)生了連續(xù)正向抖動，相對時延在6 200 ms后達到200 ms以上且持續(xù)增加，通過波形圖可以看到方框標注部分有明顯的收端延后情況，此時通話質(zhì)量下降明顯。

由此可見，新特征的設(shè)計和實現(xiàn)可以有效地彌補現(xiàn)有質(zhì)量評估方案的不足，更精細地發(fā)現(xiàn)業(yè)務(wù)質(zhì)量劣化的情況，幫助提升評估效果?；谶B續(xù)丟包特征，可以設(shè)計最大連續(xù)丟包、連續(xù)丟包超過n個的次數(shù)等指標，而相對時延特征可以衍生得到最大相對時延、平均相對時延、非靜默期相對時延等指標，這些指標均為語音業(yè)務(wù)質(zhì)量評估的重要特征。

圖4 隨機抖動與正向抖動的時延分析及波形圖對比

2.2 業(yè)務(wù)特征的分析與選擇

當(dāng)完成新特征的設(shè)計與實現(xiàn)后，特征分析模塊針對基于業(yè)務(wù)知識設(shè)計、選出的重要特征進行重要性分析，目標是篩選其中對業(yè)務(wù)質(zhì)量影響程度更高的指標并通過機器學(xué)習(xí)的手段完成特征處理，促進業(yè)務(wù)質(zhì)量評估模型的精度提升。

本方案中使用的特征分析與選擇方案融合了數(shù)理統(tǒng)計與機器學(xué)習(xí)領(lǐng)域常用的特征重要性分析工具。其中，數(shù)據(jù)統(tǒng)計方式通過繪制各個特征與MOS分的散點分布進行特征相關(guān)性分析[5]，結(jié)果如圖5所示。

可以看出，最大相對時延及（非靜默期）最大包間隔和MOS之間存在較明顯的負相關(guān)性，隨著兩類標簽取值的增加，MOS迅速下降，符合業(yè)務(wù)邏輯。

機器學(xué)習(xí)的特征重要性分析通過決策樹模型的構(gòu)建及訓(xùn)練，通過每個特征在質(zhì)量評估過程中被選作劃分點的次數(shù)來衡量特征指標的重要性[6-7]。基于決策樹模型得到的特征重要性排序如圖6所示，可以看出平均相對時延、最大包間隔、最大相對時延等均在預(yù)測MOS的模型中起到了比較重要的作用，證明新增特征的設(shè)計具有必要性。

2.3 業(yè)務(wù)評估模型的搭建與優(yōu)化

目前，業(yè)界公認的VoLTE業(yè)務(wù)語音質(zhì)量評估標準是POLQA MOS。該標準由ITU提出，通過對比VoLTE業(yè)務(wù)過程中收/發(fā)端語音的聲紋信息，經(jīng)過時間對齊、語音采樣分析、感知分析等操作評估手段語音相對發(fā)端語音的劣化程度[8]。在語音業(yè)務(wù)質(zhì)量評估過程中，本方案同樣使用含有POLQA MOS的語音業(yè)務(wù)路測數(shù)據(jù)建立訓(xùn)練數(shù)據(jù)集，針對訓(xùn)練數(shù)據(jù)進行特征工程及模型訓(xùn)練，獲取高精度模型。然后通過該模型評估每一通語音通話的業(yè)務(wù)質(zhì)量。

圖5 最大相對時延、（非靜默期）最大包間隔與MOS的分布關(guān)系

圖6 特征指標重要性排序

傳統(tǒng)的E-model模型[9]在進行語音業(yè)務(wù)質(zhì)量分析時，選取丟包率、時延等指標并人為制定計算式及參數(shù)，得到MOS評估結(jié)果，評估模型相對簡單粗糙。本方案使用深度神經(jīng)網(wǎng)絡(luò)建立模型，該模型參數(shù)豐富，擬合能力強，更有利于學(xué)習(xí)業(yè)務(wù)特征數(shù)據(jù)中RTP丟包、連續(xù)丟包、抖動、相對時延、包間隔等業(yè)務(wù)特征與POLQA MOS的復(fù)雜映射關(guān)系，評估效果優(yōu)于E-model模型。

本方案在進行質(zhì)量分析時，共有特征處理、建模優(yōu)化、質(zhì)量評估3個步驟。

（1）特征處理指針對上文理論分析結(jié)合特征重要性分析確定的相對時延、丟包、包間隔等重要指標，進行平方、立方、離散化等特征增強操作，增加這些指標對最終MOS分析的影響程度。

（2）建模優(yōu)化指通過模型訓(xùn)練和參數(shù)優(yōu)化，使得模型輸出盡量接近POLQA MOS，同時盡量全面地發(fā)現(xiàn)質(zhì)差業(yè)務(wù)。前者的優(yōu)化方式通過模型訓(xùn)練盡可能縮小模型輸出與POLQA MOS的均方差，計算式如下：

其中，n代表語音業(yè)務(wù)數(shù)據(jù)樣本量，MOSpredict與MOStrue分別代表模型輸出結(jié)果與POLQA MOS。

（3）質(zhì)量評估：模型發(fā)現(xiàn)質(zhì)差業(yè)務(wù)的能力通過質(zhì)差召回率衡量，質(zhì)差召回率即模型發(fā)現(xiàn)的質(zhì)差數(shù)量與所有業(yè)務(wù)質(zhì)差數(shù)量的比值。目前，本文認為MOS低于3分即質(zhì)差業(yè)務(wù)[10]。

通過這樣的訓(xùn)練目標，評估模型在整體MOS評估準確性與質(zhì)差業(yè)務(wù)檢出能力之間達到均衡。模型示意圖如7所示。

圖7 語音業(yè)務(wù)質(zhì)量分析模型示意圖

完成建模優(yōu)化后，模型已經(jīng)可以較準確地完成MOS評估，并較全面地發(fā)現(xiàn)業(yè)務(wù)質(zhì)差。此時使用該模型評估網(wǎng)絡(luò)中真實發(fā)生的VoLTE業(yè)務(wù)，即可得到接近于路測工具得出的MOS，實現(xiàn)大規(guī)模的業(yè)務(wù)質(zhì)量分析。

3 系統(tǒng)應(yīng)用效果

本文提出的方案除了實驗室驗證，也應(yīng)用在真實網(wǎng)絡(luò)環(huán)境并取得了較好的效果。本節(jié)將介紹方案目前的應(yīng)用方式及效果。

3.1 質(zhì)量保障方案結(jié)構(gòu)及部署方式

本文介紹的語音業(yè)務(wù)質(zhì)量保障方案由網(wǎng)絡(luò)數(shù)據(jù)采集、數(shù)據(jù)特征分析、質(zhì)量評估、業(yè)務(wù)質(zhì)差定位及解決4個模塊組成，期間的工作流程及與外部系統(tǒng)的對接情況如圖8所示。

數(shù)據(jù)采集模塊對接網(wǎng)絡(luò)大數(shù)據(jù)平臺，獲取網(wǎng)絡(luò)真實產(chǎn)生的語音業(yè)務(wù)特征數(shù)據(jù)用于質(zhì)量評估，獲取用戶測量（MR）數(shù)據(jù)用于質(zhì)差原因定位。語音業(yè)務(wù)特征數(shù)據(jù)來源于各類業(yè)務(wù)過程中的數(shù)據(jù)包傳輸指標以及包頭信息的解析運算，涵蓋的業(yè)務(wù)特征包括基本的數(shù)據(jù)包傳輸時延、抖動、傳輸包數(shù)、丟包數(shù)及丟包率等；同時，經(jīng)過數(shù)據(jù)采集系統(tǒng)的迭代升級，目前業(yè)務(wù)特征數(shù)據(jù)中已包含第2節(jié)介紹的最大相對時延、最大連續(xù)丟包數(shù)等新指標，因此適合用于業(yè)務(wù)級質(zhì)量分析的特征數(shù)據(jù)。實際優(yōu)化工作中發(fā)現(xiàn)，VoLTE業(yè)務(wù)的質(zhì)差主要是由無線網(wǎng)絡(luò)的覆蓋、干擾、移動性參數(shù)配置等問題引起的，而MR數(shù)據(jù)包含無線網(wǎng)絡(luò)中用戶測量的服務(wù)小區(qū)及鄰小區(qū)的信號質(zhì)量，可用于覆蓋及干擾分析，因此本方案通過網(wǎng)管系統(tǒng)的MR數(shù)據(jù)進行業(yè)務(wù)質(zhì)差分析。

圖8 保障方案功能模塊結(jié)構(gòu)及與外部系統(tǒng)的對接情況示意圖

數(shù)據(jù)特征分析模塊結(jié)合不同覆蓋場景的數(shù)據(jù)特點及VoLTE業(yè)務(wù)流程特點，分析已有業(yè)務(wù)特征的重要性，并結(jié)合人工智能算法中的常用特征工程方案針對全量語音業(yè)務(wù)數(shù)據(jù)進行特征處理，輸出質(zhì)量評估模塊用于語音業(yè)務(wù)MOS評估。

質(zhì)量評估模塊通過深度學(xué)習(xí)完成建模及優(yōu)化后，在所有評估模型中挑選效果最優(yōu)的模型對網(wǎng)絡(luò)的語音業(yè)務(wù)單據(jù)進行推理，輸出語音切片級MOS、語音話單級MOS，用于判斷業(yè)務(wù)質(zhì)量情況，并將推理結(jié)果返回至大數(shù)據(jù)平臺。

業(yè)務(wù)質(zhì)差定位及解決模塊，通過關(guān)聯(lián)分析質(zhì)差業(yè)務(wù)對應(yīng)的用戶MR數(shù)據(jù)，將業(yè)務(wù)質(zhì)差原因歸納為上下行弱覆蓋、干擾、鄰區(qū)漏配等9類問題，并針對每類問題制定解決方案，作為網(wǎng)絡(luò)問題排查解決建議[11]。目前，該模塊與網(wǎng)絡(luò)優(yōu)化平臺對接，在故障工單派發(fā)過程中將定位的質(zhì)差原因及解決方案以備注信息的形式隨單下發(fā)，幫助一線網(wǎng)優(yōu)人員迅速定位解決問題，保障用戶業(yè)務(wù)體驗。

3.2 質(zhì)量保障方案應(yīng)用效果

目前，本文提出的保障方案已在北京、浙江、湖南等多地應(yīng)用，面向全省、市的全量VoLTE語音業(yè)務(wù)進行質(zhì)量評估及質(zhì)差保障。目前該方案每日評估的語音業(yè)務(wù)超過3億條，經(jīng)過實地測試驗證，質(zhì)量評估的效果相對于傳統(tǒng)的E-model模型有明顯提升，本文方案中語音業(yè)務(wù)質(zhì)量評估效果與傳統(tǒng)E-model評估結(jié)果對比見表1。

表1 本文方案中語音業(yè)務(wù)質(zhì)量評估效果與傳統(tǒng)E-model評估結(jié)果對比

圖9 MOS評估結(jié)果對比（節(jié)選）

業(yè)務(wù)質(zhì)量較差部分的MOS評估結(jié)果對比如圖9所示，可以看到本文介紹的方案評估的MOS（MOS_AI）相對于E-model模型的評估結(jié)果（MOS_E-model）更貼近于真實MOS。表1中統(tǒng)計結(jié)果顯示本文提出的保障方案對MOS的預(yù)測結(jié)果與POLQA MOS的誤差相對E-model預(yù)測結(jié)果更小。目前，本方案將MOS預(yù)測結(jié)果與真實結(jié)果誤差±0.25范圍內(nèi)認定為準確預(yù)測，表1結(jié)果顯示業(yè)務(wù)保障方案評估準確率達到84.7%，明顯優(yōu)于E-model模型的72.1%。

完成質(zhì)量評估后，質(zhì)差定位及解決模塊通過工單派發(fā)的形式已經(jīng)輔助完成數(shù)千個質(zhì)差小區(qū)的問題解決，對應(yīng)小區(qū)的業(yè)務(wù)質(zhì)差數(shù)量明顯降低。

4 結(jié)束語

本文介紹了一套基于網(wǎng)絡(luò)側(cè)獲取的語音業(yè)務(wù)數(shù)據(jù)進行業(yè)務(wù)質(zhì)量保障的方案，該方案通過在業(yè)務(wù)特征的設(shè)計與生成、特征的重要性分析與選擇、業(yè)務(wù)質(zhì)量分析建模與優(yōu)化工作上的創(chuàng)新與改進，達到了比傳統(tǒng)無參考評估方案有較大提升的業(yè)務(wù)質(zhì)量評估效果，同時針對業(yè)務(wù)質(zhì)差進行原因定位及方案輸出，提升了實際生產(chǎn)中問題排查解決工作的效率，改善了用戶語音業(yè)務(wù)質(zhì)差感知。

該方案的設(shè)計思路同樣適用于VoNR、VoIP等語音業(yè)務(wù)，隨著5G NR用戶數(shù)的快速增長及對應(yīng)數(shù)據(jù)采集系統(tǒng)功能的逐漸完善，后續(xù)也會將本文方案結(jié)合VoNR等業(yè)務(wù)特征進行適配優(yōu)化，使能更廣泛的語音業(yè)務(wù)質(zhì)量保障。