［文錦朝 劉琳］

1 引言

隨著通信技術(shù)的不斷進步，人們對上網(wǎng)的體驗要求越來越高，而突發(fā)網(wǎng)絡(luò)異常波動對用戶的上網(wǎng)體驗尤為明顯，因此運營商第一時間發(fā)現(xiàn)、解決網(wǎng)絡(luò)問題維持網(wǎng)絡(luò)的穩(wěn)定性[1～2]成為網(wǎng)絡(luò)維護和網(wǎng)絡(luò)優(yōu)化的關(guān)鍵。而網(wǎng)絡(luò)穩(wěn)定性主要體現(xiàn)在基站是否正常運營，即是否存在故障、網(wǎng)絡(luò)性能是否穩(wěn)定等方面。目前對于網(wǎng)絡(luò)故障方面，已有維護專員監(jiān)控故障告警并派單進行維護；但部分站點/小區(qū)業(yè)務(wù)量（本文主要通過流量開展分析）會出現(xiàn)陡降的現(xiàn)象，并且部分無法通過硬件故障發(fā)現(xiàn)，現(xiàn)有廣東大數(shù)據(jù)平臺中已有流量陡降的監(jiān)控[3～4]，但目前局限于天級別流量陡降小區(qū)派單，故時效性受到限制。對于小時級實時性能的流量陡降監(jiān)控依然欠缺，因此本文通過對小區(qū)流量下降對比方法（滑動平均二階對比法）、流量下降幅度、流量下降時間段（小時粒度）、流量徒降門限、監(jiān)控時間范圍多個緯度進行流量陡降預(yù)警模型研究，提高流量陡降異常小區(qū)的監(jiān)控與處理效率，解決舊模型準確性一般實時性差的問題，更好的維持網(wǎng)絡(luò)穩(wěn)定性。從而及時發(fā)現(xiàn)流量異常小區(qū)，并派單解決，提升用戶感知。

2 新流量陡降預(yù)警模型研究

2.1 研究思路

總體思路：為解決舊預(yù)警模型[5～7]發(fā)現(xiàn)問題實時性差和準確性低的問題，本流量陡降預(yù)警模型采用基于滑動平均二階對比法，以每3 個小時為一個滑塊作為基礎(chǔ)對比單位，一是通過每小時監(jiān)控當前滑塊day（n）與前一個滑塊day（n-1）時間進行流量環(huán)比，提高輸出數(shù)據(jù)的實時性；二是當前滑塊day（n）與上一周同時間段滑塊week（n）進行流量同比，保證輸出數(shù)據(jù)的準確性。研究思路框架如圖1 所示。

圖1 研究思路框架圖

2.1.1 新模型的優(yōu)點

舊模型中，直接使用小區(qū)天粒度流量進行環(huán)比降幅大于80%時，第三天才能輸出流量陡降預(yù)警小區(qū)，輸出時效性差，并且當流量連續(xù)幾天下降80%以下時，將會出現(xiàn)真實陡降小區(qū)無法觸發(fā)預(yù)警的問題，準確性一般。

新模型采用3 小時作為滑塊區(qū)間，將滑塊區(qū)間內(nèi)的流量數(shù)據(jù)[8～9]求平均處理以達到平滑削峰的目的，做到隱性故障發(fā)生3 個小時后就可以被監(jiān)控發(fā)現(xiàn)并預(yù)警，解決了舊模型實時性差的問題，也避免了因單個小時流量偶發(fā)突變造成的準確率下降的問題。兩種模型的對比如表1 所示。

表1 新舊模型優(yōu)缺點比較

2.2 流量陡降模型建模

2.2.1 滑動平均二階對比法原理

滑動平均二階對比法是融合了滑動平均法[10～12]、環(huán)比法和同比法的綜合算法。

（1）滑動平均法：移動平均的各元素的權(quán)重都相等。

滑動平均公式：

公式1 中：

day（n）為當前滑塊平均值；

n 為移動平均的時期個數(shù)；

At-1 為前期實際值；

At-2，At-3 和At-m 分別表示前兩期、前三期直至前m 期的實際值。

（2）環(huán)比法：表示連續(xù)2 個統(tǒng)計周期（比如連續(xù)兩月）內(nèi)的量的變化比，如環(huán)比=（本期流量-上期流量）/上期流量。

（3）同比法：表示2 個不同的大周期內(nèi)相同事間段的2 個統(tǒng)計周期的變化比，如同比=（本期流量-上周同期流量）/上周同期流量×100%。

2.2.2 流量陡降預(yù)警模型研究

流量陡降預(yù)警模型基本原理是使用滑動平均二階對比法，針對小時級粒度的流量數(shù)據(jù)進行分析統(tǒng)計，并通過關(guān)聯(lián)廣東某地市的流量數(shù)據(jù)，確認模型中滑塊時長m（3 小時）、小時級數(shù)據(jù)取數(shù)時間段time（8:00～23:00）、環(huán)比陡降幅度門限a1（80%）和同比陡降幅度門限a2（80%），以保證流量陡降預(yù)警模型的實時性和準確性，提高維護處理的效率，從而提升客戶感知。

（1）滑塊時長m 主要控制模型靈敏度，嘗試用1、2、3、4、5 小時作為輸出模型后，發(fā)現(xiàn)m=1 時，模型過于靈敏，容易出現(xiàn)誤判問題；5 小時模型靈敏度降低，實時性也得不到保障。

（2）時間段time 主要控制模型的準確性，因為其他時間段受上班、凌晨參數(shù)修改等方面會導(dǎo)致流量的劇烈波動；

（3）流量陡降幅度門限a1 和a2 用于提高用戶感知的敏感度，有利于重點處理TOP 小區(qū)[13]。

滑動平均二級對比法滑塊示意圖如表2 所示。

表2 滑動平均二階對比法示意圖

day（n）：代表當天第n 時、n-1 時、n-2 時...的滑塊平均值，

day（n-1）：代表day（n）前1 個小時的滑塊平均值

week（n）：代表上周每天第n 時、n-1 時、n-2 時...的滑塊平均值，取前一周同時間段的每小時的流量，可以有效穩(wěn)定參照對象，使得模型更加準確，解決了舊模型中連續(xù)流量下降導(dǎo)致無法監(jiān)控到流量陡降小區(qū)的問題。

2.2.3 監(jiān)控小區(qū)集的確定

統(tǒng)計廣東某地市一周各小區(qū)日均流量，對流量分段統(tǒng)計小區(qū)的數(shù)量。日均流量低于20 GB 的小區(qū)有44 704 個（占全網(wǎng)46.5%），高于20 GB 小區(qū)占比為53.50%。在日常分析中，日均流量20 GB 以上的小區(qū)，用戶感知相對敏感，如果出現(xiàn)流量陡降的情況，用戶投訴的幾率大幅上升。

小結(jié)：為了減輕模型的運算量，模型確定監(jiān)控小區(qū)集確定為日均流量＞20 GB 的小區(qū)。

2.2.4 滑塊時間長度的確定

通過數(shù)據(jù)分析，當m=1 小時的流量波動較大，尖峰較多，模型不夠平滑，容易出現(xiàn)流量小區(qū)陡降的誤判。當m=3 小時，曲線平滑，達到平滑削峰的目的。因此m=3 時，靈敏度（實時性）能有一定的保證，并且準確度也較舊模型大。m=1 或m=3 時，流浪波動對比如圖2 所示。（注：橫坐標單位為時，縱坐標單位為GB）

圖2 小時級流量滑塊對比圖

2.2.5 流量陡降門限的確定

本文通過兩種方法確定流量陡降幅度門限。一是通過對現(xiàn)網(wǎng)廣東某地市A 網(wǎng)格小區(qū)的XDR 投訴數(shù)據(jù)與用戶常駐小區(qū)的流量陡降幅度進行關(guān)聯(lián)分析，確定對用戶影響最大的流量陡降幅度的門限a1 和a2；二是通過專家判斷法，對陡降50%、60%、70%、80%等門限共抽樣3 500 個小區(qū)，根據(jù)2.2.4 方法輸出波形圖進行準確行判斷。

（1）方法1：散點圖關(guān)聯(lián)法

流量陡降幅度環(huán)比門限a1：由圖3 可知，環(huán)比a1 小區(qū)流量陡降幅度達到80%時，小區(qū)投訴量快速增長，嚴重影響用戶感知，因此可確定流量陡降降幅環(huán)比門限a1 值為80%。

圖3 流量陡降幅度與小區(qū)投訴量散點圖（環(huán)比門限a1）

流量陡降幅度同比門限a2：由圖4 可知，同比a2 小區(qū)流量陡降幅度達到80%時，小區(qū)投訴量快速增長，嚴重影響用戶感知，因此可確定流量陡降幅度同比門限a2值為80%。

圖4 流量陡降幅度與小區(qū)投訴量散點圖（同比門限a2）

（2）方法2：專家判斷法

針對采用同比環(huán)比降幅大于60%以上的觸發(fā)點（3 500 個）進行人工抽查核查。從抽查的樣本305 個中存在流量陡降的有235 個。根據(jù)同比環(huán)比的分段對核驗準確率進行分析：當降幅區(qū)間為同比降幅80%以上，環(huán)比降幅80%以上時，專家判斷準確率達到80%以上。專家判斷法統(tǒng)計結(jié)果如表3 所示。

表3 專家判斷法統(tǒng)計結(jié)果

3 小時滑塊流量降量值確定：在專家判斷法環(huán)節(jié)的人工抽樣工作中發(fā)現(xiàn)存在同比環(huán)比降幅均大于80%但流量降量小于1 GB 的小區(qū)，因該類小區(qū)已經(jīng)觸發(fā)現(xiàn)網(wǎng)低流量小區(qū)工單的派發(fā)，此種情況會導(dǎo)致重復(fù)派單，故流量陡降門限增加一個條件，即同比和環(huán)比3 小時平均流量降量大于1 GB 以上。

2.2.6 監(jiān)控時間范圍的確定

從7 天的小時級總流量分布看，流量高峰出現(xiàn)在晚上21 點為12 萬 GB，流量低谷在凌晨5 點1.56 萬 GB，分布如圖5 所示。

圖5 小時級流量分布圖

按照2.2.3 結(jié)論，統(tǒng)計滑塊流量陡降降幅大于80%的小區(qū)，主要集中在區(qū)間0:00～7:00，時間段（分布圖如圖6所示）。主要原因有3 個：用戶晚間休息、網(wǎng)絡(luò)正常維護、載波節(jié)點功能開啟斷電退服，并且該時間段流量波動較大，數(shù)據(jù)準確性低，對用戶影響小,故0:00～7:00 不納入流量陡降預(yù)警模型，只考慮8:00～23:00 的時間區(qū)間范圍。

圖6 同比環(huán)比流量降幅時間分布圖

2.2.7 模型參數(shù)小結(jié)

根據(jù)數(shù)據(jù)的分析，流量陡降預(yù)警模型相關(guān)參數(shù)制定如下：

（1）監(jiān)控小區(qū)集：日均流量大于20 GB 的小區(qū)

（2）滑塊時間長度m=3 小時

（3）陡降門限a1=80%和a2=80%，同比和環(huán)比3 小時平均流量降量大于1G 以上

（4）監(jiān)控時間范圍：8:00～23:00

2.3 流量陡降預(yù)警模型輸出案例

如圖7 該小區(qū)（460-00-176276-11）在在當天的16:00、17:00、18:00 觸發(fā)了流量陡降預(yù)警共3 次。

圖7 流量陡降預(yù)警模型輸出案例

以16:00 為例，滿足綠色虛線框中day_cell_GB 的平均流量對比上周同時段均值流量（week_Avg_GB）降幅大于80%且降量大于1 GB；綠色虛線框中day_cell_GB的平均流量對比橙色虛線框中的day_cell_GB 的平均流量降幅大于80%且降量大于1 GB 且上周的日均流量大于20 GB，故觸發(fā)了預(yù)警。由于滑塊判別的延續(xù)性，如后續(xù)流量未能恢復(fù)正常，會持續(xù)觸發(fā)3 次告警后才不再觸發(fā)。

說明：

（1）橫坐標是0～24 點，縱坐標是流量（GB）。

（2）粉色實線是查詢小區(qū)查詢?nèi)掌诘牡?4 小時流量分布。

（3）藍色實線是查詢小區(qū)上一周5 個工作日的每小時平均流量分布。

（4）2 條藍色虛線 分別是查詢小區(qū)上一周5 個工作的每個小時最大值和最小值流量分布。

3 總結(jié)

本文創(chuàng)新性采用滑動平均二階對比法的綜合算法，結(jié)合現(xiàn)有生產(chǎn)的數(shù)據(jù)分析，搭建流量陡降預(yù)警模型。模型綜合考慮了用戶滿意度、現(xiàn)有優(yōu)化人員的生產(chǎn)力等主客觀因素，制定模型的具體參數(shù)門限值，并通過計算機語言編程實現(xiàn)流量陡降預(yù)警小區(qū)清單的輸出和派單優(yōu)化，響應(yīng)了集團降本增效的工作指引。本模型可運用于現(xiàn)有的4G 和5G網(wǎng)絡(luò)當中，具有廣泛的實用性，由于目前5G 話務(wù)較少，數(shù)據(jù)量無法滿足模型驗證，因此本文主要通過研究4G 話務(wù)分布對模型中參數(shù)進行確定，隨著5G 網(wǎng)絡(luò)的不斷建設(shè)和話務(wù)的不斷吸收，可通過本文的滑動平均二階對比法，輸出5G 的流量陡降預(yù)警模型，及時發(fā)現(xiàn)隱形故障，提升5G 網(wǎng)絡(luò)質(zhì)量，從而提供用戶滿意度。