基于用戶群模型及體驗構建自主型網優系統

熊珊

【摘 要】為了應對通信網絡每天數億級DPI數據的秒級響應，減少依靠專家經驗的優化工作量，實現網絡維度實時分析，提升互聯網用戶對網絡的滿意度。通過對移動互聯網各用戶各業務的調研和信令分析，回溯用戶的歷史感知，研究多元線性回歸方法在用戶群模型定位異常網絡事件的應用，同時與傳統專家預判式的優化方式進行對比，提出了基于用戶群模型采用xDR信令關聯分析方法、NAE地理柵格化和網絡可視化等手段創新網優工作模式，構建自主型網優系統。

【關鍵詞】用戶群模型 多元線性 信令關聯 自主型 網優系統

1 引言

目前，我國三大運營商積極推進國家提速降費政策的落實，促使4G互聯網用戶發展迅猛，導致用戶體驗度持續下降。為了防止用戶流失，運營商采取了大量的創新性優化手段來提升網絡性能，但收效甚微。本文旨在通過對用戶群體模型及體驗的研究，分析用戶對網絡滿意度評判分值低的主導因素，運用多元線性回歸數學算法迭代和遞推出用戶滿意度的權重因子。首先從理論研究到調研全流程式對用戶群模型進行了擬合；然后對比傳統專家預判式優化方法，提出了構建基于用戶群模型及體驗做優化的新模式；再結合用戶群模型中的變量權重因子，詳細分解了系統采取xDR（External Data Representation）信令關聯分析方法、NAE（Network Anomaly Events，網絡異常事件）地理柵格化等創新性的優化手段；最后通過運營商3期用戶滿意度的調研案例，驗證了用戶體驗模型的穩定性及自主型網優系統的有效性。

2 理論研究方法

2.1 分析滿意度調研用戶群及抽樣客觀性

根據尼爾森調研公司對移動用戶的調查報告，將用戶對網絡的滿意度分成三類：差感用戶、客觀用戶和好感用戶。其中，差感用戶定義為無通話異常事件，通話質量打分低；客觀用戶定義為存在通話異常事件，通話質量打分較客觀；好感用戶定義為有通話異常事件，通話質量打分高。調查報告中客觀用戶占比約為70%，并驗證了客觀用戶打分與網絡感知基本一致，在排除抱有好感和偏見的用戶后，絕大部分用戶（65%～75%）的滿意度打分與其所遇到的異常事件呈現很強的相關性，這一結論經與后端調取歷史通話錄音的結果基本一致。

篩選出三類用戶群中的客觀用戶，將調研用戶數結合網絡制式維度進行細分，確定2G/3G用戶和4G用戶的分布比例。

2.2 構建滿意度概念模型

結合上文確定的客觀用戶各網絡制式分布比例進行外呼深訪，選取客觀用戶深訪的原因是由于客觀用戶能夠準確評價網絡提供的服務。以深訪結果構建如圖1所示的用戶滿意度概念模型，語音模型中影響用戶滿意度的主要因素是掉話和質差（MOS），數據模型中網絡不穩定是影響手機上網滿意度的最主要原因。

2.3 根據深訪后的概念模型構建用戶滿意度數學模型

針對用戶滿意度概念模型中影響語音和數據的主要因素，從性能管理系統中提取用戶實際使用行為數據，采用多元線性逐步回歸方法，建立用戶滿意度與異常感知事件的關聯模型，找到提升網絡滿意度的抓手。當由多種因素共同決定一個現象時，使用多元線性回歸（Multivariate Linear Regression）方法將多個自變量形成最優組合共同來預測或估計因變量：

yi=β0+β1xi1+β2xi2+…+βpxip+εi （1）

其中，yi為因變量；β0為常數項；β1…p為偏回歸系數；xi1…ip為自變量；εi為隨機誤差。

在概念模型中，多個網絡異常事件指標共同決定用戶滿意度，系數即該指標的影響權重。經數據推導和遞歸形成的語音及數據模型公式如下（下列各影響因子取值已經過逐步非線性變換并標準化）：

語音模型公式：

2G/3G用戶語音滿意度=5.5+0.75×主叫失敗間隔+

0.69×被叫失敗間隔+0.09×超短呼間隔+1.68×掉話間隔 （2）

4G用戶語音滿意度=5.5+0.49×主叫失敗間隔+1.81×被叫失敗間隔+0.09×超短呼間隔+0.72×掉話間隔 （3）

數據模型公式：

數據滿意度=-0.84×TCP（無線）時延+0.08×

TCP（核心）成功率-0.15×DNS時延+0.11×EPS缺省

承載建立成功率+1.28×Http業務成功率-0.94×Http響應時延+0.85×Http下載速率-0.18×TAU失敗次數-0.08×TAU時延-0.38×LTE流量+5.5 2.4 用戶滿意度數學模型擬合度驗證

經遞歸和推導出語音及數據模型公式后，選取運營商1140人（2G/3G用戶535人，4G用戶605人）進行深訪，根據異常事件提取xDR及網絡性能數據進行滿意度數學模型的擬合測試驗證，驗證結果顯示：掉話是影響2G/3G用戶通話感知的最主要因素，約占52.2%；MOS值是影響4G用戶通話感知的最主要因素，約占58.1%；Http業務成功率是影響用戶上網感知的最主要因素，約占26.16%。

以每月數據預測后續月份的用戶滿意度，經驗證模型置信度為95%，擬合優度分別為98.8%和99.1%。基于模型擬合數據可知，用戶滿意度數學模型與實際滿意度控制在5%以內，這說明模型的穩定性良好，可以應用于影響滿意度的異常感知事件定位。

3 基于用戶群模型及體驗創新網優模式，構建自優化系統

3.1 傳統性專家預判優化方法

針對用戶滿意度異常感知事件的定位，傳統性專家預判優化采取QoE（Quality of Experience，用戶感知）映射到KQI（Key Quality Indicators，關鍵質量指標）及KPI（Key Performance Indicators，關鍵績效指標），根據KPI異常波動指標查找異常的因子來定位影響用戶感知的網絡問題，查找過程中將專家排查流程和判斷方式固化為經驗庫，通過匹配經驗庫中設置的門限和范圍值來定位用戶感知問題，然后再采取現場DT（Drive Test，路測）/CQT（Call Quality Test，呼叫質量測試）測試、RF優化、后臺話統分析和終端定位等優化手段解決感知問題。傳統優化方法屬于被動式和事后補救性優化，對用戶底層的數據和信令關聯不夠，分析不夠全面且用戶歷史信息回溯性不足。

3.2 基于用戶群模型及信令構建自主型優化系統

為彌補傳統專家預判式優化的不足，提升用戶群體驗，實現網絡自愈合和自優化，以用戶群模型與異常感知事件關聯分析、xDR信令關聯分析和NAE地理柵格化相融合，構建自主型網優系統。系統分成橫、縱兩個層面，橫向從UE（User Equipment，用戶終端）到E-UTRAN（Evolved UMTS Terrestrial Radio Access Network，演進的UMTS陸地無線接入網）、業務平臺、服務器、提供商等方面；縱向上按照業務流程進行分段分析，實現業務端到端分析、質量分析、業務可視化及感知問題的自分析、自定位和自優化。

（1）xDR信令關聯分析方法

在傳統專家式分析結果的基礎上，通過各網元的軟硬采集xDR數據，將xDR數據與MR（Measurement Report，測量報告）進行字段關聯填充、補缺和賦值，結合定位算法與地圖指紋庫定位用戶使用環境及自動輸出優化方案；主要包含基于用戶定位指紋庫、用戶環境區分技術、3D仿真、POI自動輸出、ACP（自動布站）等關鍵技術，利用這些技術實現對異常問題和區域的定位，再結合開戶數據、經濟分析數據、投訴數據分析定位價值柵格，實現面向用戶的自優化與智能規劃。

xDR信令關聯分析的難點在于數億級的數據處理，Hadoop在這方面具有較好的擴展性和性能，能實現海量數據處理、截取、關聯和儲存，并面向分布式進行TB/PB級的數據處理。Hadoop在對海量數據的萃取過程中，通過map生成數據的配對值，如：MR和xDR信令數據屬關系型數據，如圖2所示，在GPS信息關聯并賦值中，MR與xDR字段匹配成功是獲取GPS的關鍵，通過xDR中S1-U/MME數據解析提取出用戶的GPS信息，并通過用戶屬性將此GPS時間點附近的MR數據進行關聯，實現MR數據精確的用戶環境區分和定位。

運用分布式關系型數據庫對海量xDR數據進行map映射，主要采用大表聚合和關聯，發現通過合理的索引優化技巧可以實現分秒級計算操作。因此，基于關系型map映射構建MR和xDR的關聯性數據庫并應用于用戶群體驗的提升，是構建自主型網優系統的關鍵所在。

（2）NAE地理柵格化

為了在自主型優化系統中直觀展示用戶群模型應用于定位網絡異常事件方面的效果，便于網絡監控和處理，將用戶所處區域進行地理柵格化，以圖形渲染的方式呈現異常事件的惡化程度及用戶所處環境的多維網絡信息。以網絡異常事件——MOS值為例：經過研究與實踐，采用E-mode1模型可準確快速評價4G用戶語音質量，輸出等效MOS值，結合xDR、MR、話統等多維數據定位異常原因，并針對不同原因開展RF、參數、信令、性能及新功能應用等多方面的優化工作，以達到切實提高用戶體驗、提升用戶網絡滿意度的目的。

實現NAE地理柵格按照圖3中的步驟將MOS數據與MR通過時間差、UEID進行關聯，借助MR字段數據對MOS進行定位并地理柵格化顯示，進行用戶VIP分析、網絡性能分析、網絡覆蓋分析等特性優化，以高效支撐4G網絡的優化分析。

4 應用推廣

2016年運營商委托三方公司對用戶滿意度進行了三期的調研，深訪調研選取1140個樣本（2G/3G用戶535人，4G用戶605人），按照用戶身份屬性、終端屬性和消費屬性的實際比例，抽取用戶群和運用多元線性逐步回歸方法進行異常事件跟蹤（抽樣置信區間95%），判斷異常事件變化趨勢，選取三個典型樣本進行跟蹤，發現全網語音掉話表現變差。

將用戶群模型定位后的網絡掉話變差——掉話間隔縮短，通過自優化系統定位為CN流程沖突導致，并進行了流程優先級自優化，掉話間隔拉長，完成網絡自愈合，問題得到解決。經過系統反復迭代和優化，三方公司進行第3期的調研結果如圖4所示。可以看出，第3期用戶滿意度得分較前兩期上升明顯，達到預期效果。

5 結束語

隨著移動互聯網用戶終端、業務和需求的不斷變化，如何保障網絡服務質量、提升用戶感知、保持業務持續增長，是通信運營商面臨的網絡難題。本文通過xDR信令關聯分析和NAE地理柵格化等手段對異常事件及區域進行處理，基于用戶群模型及體驗構建了自主型網優系統，該技術手段能夠有效提升用戶感知，并改善網絡質量。在以后的實際應用中，需要結合新業務、新功能和新協議逐步優化完善，以持續提升網絡優化工作的智能化水平。

參考文獻：

[1] 馮傳躍. LTE網絡MR和信令數據的聯合分析方法[A]. 天津市電視技術研究會年會論文集[C]. 2016.

[2] 趙川斌，張驥，任義. 基于用戶感知的網絡優化體系建設探討[J]. 移動通信， 2011，35（6）： 19-24.

[3] 胡宇辰，郭宇. 基于沙漏模型的移動互聯網用戶行為分析[J]. 管理世界， 2013（7）： 184-185.

[4] 肖傳郊. LTE網絡端到端優化系統[J]. 電信網技術， 2012（11）： 5-7.

[5] 王磊，王西點，程楠. 基于大數據技術的智能化無線網絡優化體系[J]. 電信科學， 2015（12）： 159-163.

[6] 陳磊，江俊敏，袁汶雯. 自動柵格化工具的實現及其在網規網優中的應用[J]. 郵電設計技術， 2010（12）： 49-52.

[7] 鄭偉. 柵格化數據在移動通信網絡優化中的應用研究[D]. 北京： 北京郵電大學， 2014.

[8] 梁鵬，李兵，郭文君. 移動數據業務用戶行為模型研究[J]. 中興通訊技術， 2005（4）： 70-74.

[9] 程求江，彭艷兵. 基于用戶行為模型的客流量分析與預測[J]. 計算機系統應用， 2015（3）： 275-279.

[10] 董超，杜超. 移動通信網絡MOS優化方案[J]. 才智， 2011（30）： 43.