大數據分析在移動通信網絡優化中的應用研究

謝華 宋俊輝

摘 要：本文針對網絡優化中所面臨的資金、安全、資源浪費等問題，綜合采用文獻調查法、理論與實際相結合的分析方法，將大數據分析技術與移動通信技術相結合，提出了基于聚類分析的后臺數據優化方案，具體討論了大數據分析技術在移動通信網絡后臺數據優化具體工作中的研究應用。

關鍵詞：大數據；移動通信；聚類分析；網絡優化

中圖分類號：TN929.5 文獻標識碼：A 文章編號：2096-4706（2019）03-0050-003

Application Research of Big Data Analysis in Mobile Communication

Network Optimization

XIE Hua1，SONG Junhui2

（1.President Office of Xinyang Vocational and Technical College，Xinyang 464000，China；

2.School of Computer and Information Technology，Xinyang Normal University，Xinyang 464000，China）

Abstract：This paper aims at the problems of capital，security and waste of resources in network optimization. By using the methods of literature survey，theory and practice，this paper combines the technology of big data analysis with the technology of mobile communication，puts forward a background data optimization scheme based on clustering analysis，and discusses the research and application of big data analysis technology in the specific work of mobile communication network background data optimization.

Keywords：big data；mobile communication；cluster analysis；network optimization

0 引 言

隨著互聯網技術的迅速發展，數據產生速度越來越快，其中隱藏著巨大的機會和價值，大數據時代已經到來，“大數據”的概念已經廣為人知，并被認為是新時代的石油。在我國，目前GSM網絡是發展最為成熟的移動通信網絡系統[1]。同時，隨著TD技術的不斷發展，GSM網絡已經過渡到4G移動通信網絡系統，而且國內三大移動通信運營商都選擇了組建GSM網絡，演進GPRS網絡，普及3G網絡，建設4G網絡的發展道路，4G時代已經到來。目前，我國的移動通信網絡建設正處于快速發展階段，國內移動通信用戶數量激增，移動通信網絡用戶對網絡數據業務的要求日益提高，移動通信網絡優化工作勢在必行。日常移動通信網絡優化工作主要包括后臺數據分析、道路測試、網絡投訴處理三個方面，本文主要針對后臺數據優化工作的瓶頸問題，采用文獻調查法、理論與實際相結合的分析方法，具體討論了基于聚類分析的后臺數據優化的應用。

1 大數據與移動通信網絡概述

1.1 大數據

大數據由原有的海量數據發展演變而來，目前，國內外對大數據的定義呈多樣化的趨勢，尚未達成共識。本質上，大數據不僅意味著數據有相當大的容量，同時還體現了一些區別于海量數據和非常大的數據的特性。通過對大數據特性的一些理解，可以總結出大數據的四種基本特性：第一，數據量相當龐大。目前，大數據的最小單位已經達到10～20TB量級[2]。第二，數據類型豐富。大數據主要有三種形式，即結構化、半結構化以及非結構化的數據。第三，數據的價值密度低。第四，數據獲取速度非常迅速。

1.2 移動通信網絡優化理論

移動通信網絡主要分為無線網絡和交換網絡兩個部分，交換網絡和傳統的PSTN網絡類似，但無線網絡則是移動網絡的專有部分。與有線網絡相比，無線網絡有著很多種不確定的因素[3]。移動無線通信的移動特性和復雜惡劣的傳播環境導致其本身相對固定的無線通信而言，優化工作更為困難。比較完整的無線移動通信系統包括網絡交換子系統（Network Switch Subsystem）、基站子系統（Base Station Subsystem）、操作維護控制中心（Operation and Maintenance Center）以及移動臺子系統（Mobile Station Subsystem）。

移動通信網絡優化可以理解為對投入運營的移動通信網絡進行數據搜集，并分析相關數據，從而發現網絡運行狀況變差的主要原因，最后調整系統相關參數以及系統設備的配置數據的一系列技術手段。從而可以提高移動通信網絡運行質量，同時使當前投入使用的網絡資源的收益最大化。重新調配并合理利用各種網絡資源是移動通信網絡優化的重要目標之一。移動通信網絡優化技術主要涉及數據采集方法、網絡分析技術、數據分析技術及網絡優化方法幾個方面。移動通信網絡優化工作的前提是采集數據，這些數據主要包括OMC數據、道路測試數據、移動通信用戶投訴數據、話務統計數據及其它數據資料。

1.3 大數據分析在移動通信網絡優化中的應用現狀

大數據時代的來臨，互聯網技術的不斷發展，使得移動通信網絡在大數據技術的支持下得到了很大程度的優化，但在其應用過程中，也同樣面臨來自以下三個方面的巨大挑戰。

（1）數據量過于龐大。隨著移動通信設備的普及，相關移動通信網絡基站的數量也在迅速增加，隨著用戶數量的增多，相應產生了大量的移動通信網絡數據[4]。如何更好地借助大數據技術對這些數據進行分類整理是當前移動通信網絡優化工作所面臨的重大難題。（2）資金的長期投入。在移動通信網絡優化工作中靈活運用大數據技術是一項需要消耗大量時間和資金的工作，比如說，在運用大數據技術建設移動通信網絡時，需要綜合考慮每一個區域的數據結構以及性質差異，不能同時對所有地區統一優化，因此在具體工作中就會無形延長網絡優化工作時間，增加移動通信網絡建設成本，造成資金鏈短缺問題。（3）安全問題。大數據技術所包括的數據收集、分析、處理、存儲等幾方面內容，與移動通信網絡的安全問題緊密相關。大數據技術一旦出現漏洞，就會造成移動通信網絡安全隱患問題發生。例如：在大數據技術中采用云存儲技術存儲網絡數據，將數據統一放在一個平臺上，容易造成數據丟失，影響通信網絡的安全。

2 后臺數據優化理論基礎

后臺的網絡優化工作主要包括網絡KPI分析、KPI優化、故障排除與定位、告警監控處理等方面。由于早期計算機技術發展不成熟，建網流程不完善，目前我國后臺優化工作面臨著數據共享不充分、管理平臺不統一、工作效率低等方面的巨大挑戰。因此，本節內容提出了基于聚類分析對復雜的后臺數據進行處理優化，能夠有效地提高網絡KPI、優化用戶網絡感知度。

2.1 基于聚類分析的后臺數據優化方案

數據庫是組織、管理、存儲數據的倉庫，也可以理解為數據的集合[5]。在移動通信網絡優化工作中，大量的基礎數據與測量數據都要從后臺運行的數據庫中存儲提取，網絡優化主要涉及數據庫的以下幾方面功能：建表、查詢、更新等。在基于數據庫采集存儲提取數據的基礎上，這些獲取的數據仍然是大量的、分散的、沒有規律的。在后臺優化工作中，還需要對復雜的網絡KPI數據進行聚類分析，將數據按照重要性和優先級分別進行加權計算，最終獲得一套相應的指標評估體系，從而提高數據的說服力、有效性及準確性，獲得更加合理、有效的網絡KPI評估與預測結果。

2.2 基于聚類分析的后臺數據優化模型

基于后臺數據庫存儲與聚類分析，可以建立一個簡單的后臺數據優化模型。要建立有效的數據優化模型，先要做好后臺數據的采集，這些采集數據主要包括網絡基礎信息配置數據以及有效反映網絡狀況的KPI數據。其次，要對這些大量的、無規律的數據進行分類。根據數據的不同屬性可將后臺數據分為如表1所示的四大類：業務類、容量類、質量類、感知類。

通過對后臺數據進行分類，將大量基礎網絡數據進行分類聚合，我們獲得了四組綜合數據組數據，在此基礎上對分類數據組按重要程度進行加權平均計算，最后獲得一組合理的移動通信網絡后臺數據指標評估體系，從而依此建立聚類分析模型。

如表2所示，將某地區移動通信網絡關鍵指標按各自屬性聚類統計分為網絡覆蓋類、通話質量類、網絡接入性、網絡保持性、考察類以及資源類六大類。這六類關鍵KPI指標共同構成了該地區后臺數據指標評估體系。

通過建立聚類分析模型，可以有效地定位移動通信網絡數據后臺數據問題，實現后臺數據的自動優化，為網絡優化人員提供輔助功能，減少人力資源浪費。

3 結 論

本文主要研究了大數據分析技術在移動通信網絡后臺數據優化工作中的具體應用，通過建立簡單的聚類分析優化模型，最終得出聚類分析能夠有效地分析優化大量網絡基礎數據，節省時間、人力以及資金成本的結論。綜上所述，將大數據技術綜合運用在移動通信網絡優化工作中，已經成為促進移動通信產業可持續發展的必然趨勢。

參考文獻：

[1] 黨永亮.大數據分析在移動通信網絡優化中的應用研究 [D].武漢：華中師范大學，2015.

[2] 余海波.大數據在電信移動通信網絡優化中的應用 [J].廣西通信技術，2014（4）：8-11.

[3] 張小軍，任帥，申丹丹.淺析4G環境下數據挖掘在移動通信網絡優化中的運用 [J].電子技術與軟件工程，2014（8）：208-209.

[4] 李學龍，龔海剛.大數據系統綜述 [J].中國科學：信息科學，2015，45（1）：1-44.

[5] Gantz J，Reinsel D. Extracting value from chaos [J].IDC iView，2011：1-12.

作者簡介：謝華（1982-），男，漢族，河南信陽人，講師，碩士，主要研究方向：網絡建模優化研究。