基于大數據技術的LTE鄰區自優化算法研究

熊匯雨　水天運　劉晨吉基于大數據技術的LTE鄰區自優化算法研究

1 引言

無線網絡優化中，鄰區優化是無線網絡業務連續性的首要保障。傳統的人為鄰區規劃方式完全依賴工參參數準確性、規劃人員技能水平和態度，且無法考慮矢量地物環境，使得多制式多層級網絡部署下，鄰區的維護工作量大、效率低、準確性不高的主要原因。

為緩解鄰區維護的不力現狀，在深度分析網絡測量報告（MR， Measurement Report）的數據信息與關聯邏輯的基礎上，筆者創新性地提出基于MR實測鄰區大數據的LTE鄰區自優化算法。算法基于現網終端實測的鄰區物理小區標識（PCI，Physical Cell ID）、工程參數、性能參數等多類數據來綜合評估網絡鄰區配置，發現疑似漏配、錯配、冗余的鄰區，并給出需添加/刪除的鄰區信息。這一算法的提出，將有效幫助網絡運維人員提高工作效率，充分保障網絡質量可靠性。

2 基于大數據的LTE鄰區自優化算法設計

基于大數據的LTE鄰區自優化算法主要由MR數據解析、多維數據關聯、鄰區自添加/刪除三部分組成。LTE鄰區自添加算法流程如圖1所示。

MR數據解析，即通過DOM（Document Object Model，文檔對象模型）技術，將XML （Extensible Markup Language，可擴展標記語言）格式的MR元素分解為序列化的對象，拆解出MR中的服務小區E-UTRAN小區標識（ECI）、鄰區參考信號接收功率（RSRP， Reference signal received power）、鄰區PCI等數據。由于服務器將MR報告存儲為多個XML格式的小文件，因此，本算法采用DOM解析技術，將XML文檔轉化為樹型結構，即建立一棵DOM樹，并將MR中的時間、ECI、RSRP、PCI等數據提取出來。

多維數據關聯，即通過Hadoop大數據集群，將解析后的MR數據中的服務小區ECI與工參經緯度，進行MapReduce Join多表關聯，獲得服務小區位置；將MR中的鄰區RSRP最強的小區PCI與工參經緯度相關聯，獲得具有該PCI的全部小區位置，并通過計算這些小區與服務小區的距離，找到距離服務小區最近的PCI所對應的小區，即該服務小區的物理鄰區。

鄰區自添加/刪除，即通過關聯結果，自動確定鄰區是否需要添減。通過將算法所得物理鄰區與服務小區ECI、操作維護中心（OMC，Operation Maintenance Center）中的鄰區參數表相關聯，判斷該物理鄰區是否已添加至服務小區的鄰區列表中；若未添加，則判斷其是否與已有鄰區列表存在PCI混淆，若存在混淆，則關聯切換性能數據，判斷已有鄰區是否存在切換，若已有鄰區與服務小區無頻繁切換關系，則將該鄰區刪除，并添加算法所得物理鄰區入鄰區列表；若無PCI混淆，即在鄰區列表未滿的情況下，添加算法所得物理鄰區入鄰區列表。相應地，程序每天自動將OMC中鄰區參數表與切換性能數據關聯，若連續7天存在鄰區與服務小區切換嘗試次數大于50次，切換成功率<50%，即將該鄰區刪除。同時配置白名單，如一些鐵路場景下僅需配置單向鄰區的站點，通過白名單篩除，防止這些站點的鄰區誤加。

3 應用實踐

基于中國移動的自有數據資源，運用上述方法，對500個小區的鄰區配置情況進行分析。經初次運行后，試點區域存量站點3天完成鄰區添加列表的基本收斂，14天結合性能數據刪除冗余/錯配鄰區，完成整個鄰區列表的收斂。圖2展示了應用本算法進行鄰區自優化的東湖花園1小區效果。算法刪除了小區背向的冗余/錯配鄰區，添加鄰區主要集中在小區覆蓋方向上，同時防止了PCI混淆和超遠鄰區的添加，動態維護了鄰區列表。算法應用后，試點區域整體切換成功率由99.22%提升至99.39%，如圖3所示。

4 結束語

本文創新性地將大數據挖掘、關聯等技術應用于無線網優化中，提出基于大數據分析的LTE鄰區自優化方法。算法充分考慮矢量地物環境因素，基于終端測量上報目標小區PCI，通過大數據關聯MR、工參、OMC、性能等數據，自動發現并添加漏配鄰區，刪除錯配、冗余鄰區。通過實踐，該算法可自收斂鄰區列表，在切換成功率提升的同時，較原有人工規劃方式效率提升50。

參考文獻：

[1]王映民.TD-LTE技術原理與系統設計[M].北京：人民郵電出版社，2010：130-196.

[2]華東師范大學數據科學與工程學院譯.Tom white.Hadoop權威指南[M].第三版.北京：清華大學出版社，2015：205-277.

作者簡介：熊匯雨（2000-），女，四川成都人，在校學生，主要研究方向為：移動通信與無線技術、計算機科學、大數據應用。