LTE网络速率瓶颈快速定位系统的设计.docVIP

LTE网络速率瓶颈快速定位系统的设计 　　优化LTE速率和容量是移动宽带化进程中的重要工作，优化过程中要考虑如何更好地定位低速率小区及分析其原因。LTE网络速率瓶颈快速定位系统通过对小区下激活用户数和UE平均速率进行大数据处理，根据对数正态分布情况构建矩阵表，定位出异常低速率小区，而后结合后台性能指标、MR数据，进行模块化处理，快速分析出小区速率瓶颈原因，并提出了优化建议。 　　TD-LTE 速率瓶颈 异常低速率LTE speed and capacity optimization is important for the mobile broadbanding process， and during the optimizing a better way to locate low speed cells and their cause analysis has to be considered. The LTE Network speed bottleneck fast positioning system located abnormal low speed cells by the statistical number of activate users and UE average speed， and constructs matrix based on normal distribution. Then backstage performance and MR data was modular processed， cell speed bottleneck causes were quickly analyzed， and optimization suggestions were proposed. 　　TD-LTE speed bottleneck abnormal low speed 　　1 引言 　　LTE作为当前移动宽带化时代下最直接的技术承载，其网络速率、容量直接反映用户感知，优化LTE速率和容量成为移动宽带化进程中的重要手段。而优化过程中存在两个关键点，一是如何定位出异常低速率小区，二是如何定位低速率产生的原因。在日常的网络维护和优化中，因网络运行产生的数据体量异常庞大，优化人员单纯凭借人工和经验已经越来越难以满足运营商网络优化的需求，实际中往往是在发现问题时已经对网络造成了影响，同时发现问题后优化人员也需要一段时间来分析确定故障源才能采取应对措施，这种长时间的处理流程可能会给运营商造成不可估量的损失。 　　针对以上传统分析方法的缺陷，通过引入大数据分析和模块化建设思想[1]，实现对异常低速率小区和低速率原因的快速定位，提升LTE网络速率和容量，从而保障网络的良性运行。具体首先通过对小区下激活用户数和UE平均速率进行数据处理，根据对数正态分布情况构建矩阵表，定位出异常低速率小区。而后对LTE网络配置参数、性能指标、MR数据进行关联，通过把日常分析流程模块化，快速定位出低速率原因。 　　2 基于大数据分析的低速率小区定位 　　在目前的网络运维中，低速率定位大都对性能指标或路测数据采用简单阈值的方法进行检测判定，这种传统的判定方法存在较大的局限性，检出率低下且存在较大的滞后性。而在网络的实际运行中，其正常运行会遵循一定的线性规律，满足对数分布正态模型，出现异常则势必会在网路参数和性能指标上有所体现。但因网络运行产生的数据体量极大，导致这些异常信息被淹没，无法被及时发现。基于此，本文提出将大数据技术引入到低速率异常检测中，充分挖掘状态数据的异常信息，实现对异常低速率小区的快速定位。 　　时间序列的自回归模型（AR，Auto Regressive-model）[2]特点是系统记忆性强，在时间t的值依赖于从前时刻的行为，这与网络运行过程中整网用户平均速率变化的普遍低动态性相符。在整个网络用户集群分布中，速率和用户数在网络运行过程中呈现一定范围内的线性规律，正常运行下的状态量变化平稳，可用一阶AR模型拟合，公式如下： 　　（1） 　　式中：xt为在线监测数据的时间序列；et为正态分布序列et～N（μe， λ2），因此xt服从N（μe， λ2）的正态分布，其中μ和λ满足如下关系： 　　μ=μe/（1-α） （2） 　　σ2=（α2μ2+λ2μ2e）/（1-α2） （3） 　　对于每个在线监测状态量，正常状态下都不应超过相应的限值，因此假设对所有的t，xt都属于区间[a， b]，即a≤xt≤b。 　　对所有a≤xt≤b，可以推导出： 　　α-αkxt≤et+k+αet+k-1+…+αk-1et+1≤b-αkxt （4） 　　由于et～N（μe， λ2），因此由公式（4）可