王朝陽 袁亞男 錢國寶

1.中國移動通信集團江蘇有限公司鹽城分公司；2.揚州大學

0 引言

隨著5G SA模式組網(wǎng)的商用，其獨立組網(wǎng)下的語音解決方案也提上了日程。當前，主流的語音解決方案有三種，分別是雙待機、EPS Fallback（Evolved Packet System Fallback，演進分組核心網(wǎng)回落，即回落到4G）、VoNR（Voice over New Radio，基于新空口語音）。其中，第一種是雙待方案，即4G、5G同時駐留，但終端因為同時駐留兩張網(wǎng)絡(luò)，其終端復雜度、耗電量均較高，業(yè)內(nèi)已取消該方案（主要在NSA模式下使用）；第二種方案是EPS Fallback，即平時駐留5G網(wǎng)絡(luò)，當打電話時，通過EPS Fallback的方式返回4G LTE網(wǎng)絡(luò)進行VoLTE語音業(yè)務(wù)呼叫。該方式可以解決終端耗電的問題，但同時因為流程的增加，對呼叫時延有一定影響；第三種方案是VoNR，該方案是目標解決方案，其語音業(yè)務(wù)完全在5G側(cè)實現(xiàn)，可以獲得更好的用戶體驗。

因為技術(shù)條件限制，當前網(wǎng)絡(luò)尚未實現(xiàn)VoNR的部署，退而求其次，集團力推EPS Fallback方案，且已經(jīng)在全網(wǎng)進行部署?；诂F(xiàn)有商用網(wǎng)絡(luò)部署情況，并考慮后續(xù)網(wǎng)絡(luò)設(shè)備、終端設(shè)備等升級的影響，預(yù)計EPS Fallback的過渡期語音解決方案將長期存在。

SA組網(wǎng)下的EPS Fallback解決方案中，NR用戶的語音業(yè)務(wù)和數(shù)據(jù)業(yè)務(wù)會同時回落到LTE網(wǎng)絡(luò)，一方面會造成語音呼叫建立時延變長、另一方面基于LTE網(wǎng)絡(luò)的數(shù)據(jù)業(yè)務(wù)速率相對于NR網(wǎng)絡(luò)會降低。

本文提供一種基于MR大數(shù)據(jù)分析和XGBoost機器學習算法的EPS FB智慧化解決方案，改善EPS Fallback方案的回落成功率，降低回落時延，提高回落到高感知小區(qū)的幾率，增強用戶的語音感知。

1 方案原理

1.1 技術(shù)方案

方案分為兩大模塊，第一個模塊是完成MR（Measurement Report，測量報告）大數(shù)據(jù)挖掘（主要有預(yù)處理、數(shù)據(jù)清洗、數(shù)據(jù)分析及信息提?。?；第二個模塊是通過機器學習完成數(shù)據(jù)打分處理（數(shù)據(jù)訓練、模型保存、基于模型的數(shù)據(jù)打分、排序與過濾），輸出頻點優(yōu)先級配置數(shù)據(jù)。最后，經(jīng)過配置數(shù)據(jù)的校驗、下發(fā)后，進行結(jié)果評估，并根據(jù)評估的結(jié)果判定是否滿意來決定是否結(jié)束本次流程。當不滿意時，可以再次啟動本次流程。如圖1所示。

圖1 整體方案

1.2 技術(shù)原理

基于MR大數(shù)據(jù)和XGBoost機器學習算法的EPS FB精準回落主要包含三個任務(wù)，并主要由兩大功能模塊組成。

（1）MR大數(shù)據(jù)挖掘

MR大數(shù)據(jù)挖掘過程包含MR訂閱采集、MR數(shù)據(jù)分析兩個子任務(wù)，主要有MR數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)清洗、數(shù)據(jù)分析四大過程。

任務(wù)1：MR訂閱采集。在網(wǎng)管上完成MR任務(wù)的訂閱采集，由網(wǎng)管完成5G和4G的MR數(shù)據(jù)的持續(xù)采集。通過Python語言，開發(fā)數(shù)據(jù)自動采集小工具，實現(xiàn)數(shù)據(jù)的自動下載和解碼。

任務(wù)2：MR數(shù)據(jù)分析。該任務(wù)主要由Mr Analysis模塊完成，根據(jù)采集到MR數(shù)據(jù)，對數(shù)據(jù)進行預(yù)處理、數(shù)據(jù)清洗及分析。

數(shù)據(jù)預(yù)處理：主要完成MR數(shù)據(jù)從原始.xml.gz文件的解碼，實現(xiàn)數(shù)據(jù)的格式化；

數(shù)據(jù)清洗：主要完成冗余數(shù)據(jù)、無效數(shù)據(jù)的刪除，并提取有效的信息字段；

數(shù)據(jù)分析：主要完成信息字段的有效關(guān)聯(lián)分析，從而獲得頻點級的特征數(shù)據(jù)，為打分做準備。

（2）AI打分

AI打分模塊過程包含XGB模型訓練、AI打分、排序和過濾三個子任務(wù)，均在AI Score模塊中實現(xiàn)。

任務(wù)1：XGBoost模型訓練。根據(jù)提取到的特征數(shù)據(jù)，進行XGBoost打分模型的訓練，并保存模型數(shù)據(jù)。

任務(wù)2：AI打分。導入XGB模型，對待打分的特征數(shù)據(jù)做打分處理，輸出每個NRcell-EARFCN的打分數(shù)據(jù)。

任務(wù)3：排序和過濾。根據(jù)該XGB打分結(jié)果進行倒序排列，根據(jù)輸入條件做適當條件過濾，然后輸出打分后的頻點優(yōu)先級配置方案。

（3）方案校驗與下發(fā)

對于打分輸出的方案進行數(shù)據(jù)校驗，驗證數(shù)據(jù)的合法性，然后通過網(wǎng)管提供的管理接口對配置數(shù)據(jù)進行下發(fā)。

（4）效果評估

完成數(shù)據(jù)配置后，需要持續(xù)跟蹤各項指標的變化，若出現(xiàn)指標惡化情況，需要及時回退數(shù)據(jù)。

2 應(yīng)用成果

該方案在鹽城的濱海網(wǎng)格區(qū)域進行了區(qū)域規(guī)模試點，效果良好，基本實現(xiàn)預(yù)期目標。

2.1 濱海網(wǎng)格區(qū)域試點

試點前，已經(jīng)完成基于MR大數(shù)據(jù)和XGBoost機器學習算法的流程打通。試點時，重新提取現(xiàn)網(wǎng)數(shù)據(jù)并輸出方案。

（1）準備與方案輸出

1）目標選取濱海網(wǎng)格區(qū)域作為試點區(qū)域，如圖2所示；

圖2 濱海網(wǎng)格區(qū)域圖

2）5G MR數(shù)據(jù)采集（5G和4G異頻）任務(wù)訂閱；

3）當前已完成EPS FB流程的打通，基于此采集現(xiàn)網(wǎng)有效的5G和4G數(shù)據(jù)，輸出EPS FB的打分數(shù)據(jù)；

4）根據(jù)現(xiàn)網(wǎng)的配置整理5G和4G回落優(yōu)先級調(diào)整方案。

（2）拉網(wǎng)測試

拉網(wǎng)需要兩輪，分別獲取調(diào)整前、調(diào)整后的數(shù)據(jù)。前后測試路線、車速、測試計劃配置等應(yīng)保持一致。

（3）測試評估

應(yīng)根據(jù)測試報告，進行調(diào)整前后的拉網(wǎng)測試對比，尤其注意EPS FB回落成功率、回落時長、回落后小區(qū)的RSRP/SINR指標。

如表1所示，SS RSRP和LTE RSRP、SINR調(diào)整后均有所提升。VoLTE的RTP丟包率主被叫分別下降0.71pp、0.35pp，有明顯下降。整體指標較好。

表1 方案下發(fā)前后主被叫指標統(tǒng)計

如表2所示，EPS FB端到端呼叫建立時延均值由3.77秒下降到3.55秒，時延降低了0.22秒，效果良好。

表2 EPS FB端到端時延指標統(tǒng)計

如表3所示，重定向比例調(diào)整后有2.75%下降到0.91%，下降1.84pp，效果良好。

表3 重定向比例指標統(tǒng)計

調(diào)整后，回落頻點從1301大幅向38400遷移，符合預(yù)期目標。如圖3所示。

圖3 回落頻點分布

（4）KPI 指標

無線側(cè)KPI統(tǒng)計指標如表4所示，EPSFB成功率由99.59%提升到99.81%。環(huán)比上升0.21pp、同比上升0.32pp；重定向數(shù)據(jù)中，重定向比例由10.81%下降到10.31%，環(huán)比下降0.50pp，同比下降0.67pp；因定時器超時發(fā)起的重定向占比2.08%下降到1.11%，環(huán)比下降0.64pp，同比下降0.91pp。總體效果良好，符合預(yù)期目標。

表4 KPI指標統(tǒng)計

（5）小結(jié)

根據(jù)濱海網(wǎng)格區(qū)域的試點結(jié)果，濱海網(wǎng)格區(qū)域回落后電平提升CRS RSRP平均提升2dB、RTP丟包率下降0.35pp以上、重定向占比下降1.84pp、端到端時延下降0.22s。KPI指標整體改善明顯，達預(yù)期目標。

3 結(jié)束語

傳統(tǒng)的網(wǎng)絡(luò)部署中，一般采用大統(tǒng)一方案，無法做到精細化配置。該研究通過MR大數(shù)據(jù)分析方法解決了在實際網(wǎng)絡(luò)配置中無法做到精準配置的問題。本研究的不足之處在于僅考慮電平指標，因協(xié)議中定義的異系統(tǒng)MR測量數(shù)據(jù)缺少異系統(tǒng)的SINR指標，無法確認目標小區(qū)的無線環(huán)境質(zhì)量。但考慮到EPS FB僅僅作為4G、5G網(wǎng)絡(luò)共存部署場景下的語音業(yè)務(wù)臨時解決方案，將會被未來的VoNR取代，值得期待。