基于VoLTE失敗原因分析的定性定量研究方法探索

劉兵

摘 要：在現階段的網優工作中，各大運營商越來越重視從數據中挖掘相關的知識，特別是在如VoLTE優化這種涉及眾多網元和協議，告警信息繁多，出處與發生時間錯綜復雜相互交織，并缺乏相關錯誤流程分析的統一認知和經驗的情況下，產生了利用定性定量的統計分析方法解決通信優化疑難問題的應用背景。本文即針對VoLTE的SIP-503錯誤嘗試使用定性定量的統計方法對問題發生的原因進行探索性的描述和解釋。

關鍵詞：VoLTE 優化;定性研究;定量研究;統計建模

1 概述

隨著LTE網絡的大規模建設，LTE網絡承載了越來越多的手機用戶業務，基于IP傳輸的VoLTE業務也迅猛發展，截止2018上半年，中國移動全網VoLTE用戶數已超過2.5億，VoLTE用戶在4G的占比為30.9%;支持VoLTE終端已達600余款，芯片平臺已達到29款，VoLTE迎來了加速發展時期，但也同時面臨著巨大的優化壓力。特別是與無線側原因關聯較大的SIP-503錯誤，由于其原因復雜，如外部鄰區、幀頭偏移未對齊導致的干擾，傳輸時延、切換并發等問題都會導致SIP消息報錯，尤其是SIP消息報錯的時間點之前eNB就發起了異常的信令釋放，給問題的排查又增添了難度。本文聚焦于VoLTE SIP-503錯誤分析，希望借由傳統統計領域的定性定量分析方法探索新的觀察問題的視角，啟發新的思路。

2 傳統的VoLTE失敗分析現狀

移動傳輸網絡不斷演進，目前主流的是LTE網絡，一方面LTE網絡為手機用戶提供了更大的上網帶寬，另一方面LTE網絡本身并沒有傳統2、3G網絡所具有CS域，只能借助IP化的VoLTE滿足用戶的語音通話需求，但是對于LTE網絡覆蓋薄弱的地區，為了使通話用戶正常通話，不發生通話失敗，必須能使用戶的通話從LTE網絡切換到傳統的2、3G網絡CS域，這就不可避免的出現多代網絡設備疊加互通的情況，往往發生通話失敗時，無法簡單的從一點甚至從一個網絡域內發現失敗發生的原因，傳統的VoLTE失敗分析主要借助建立相關的場景對問題進行分類，一個場景下可以關聯多個網絡域的結點，利用工程師的業務知識和常年積累的對移動通信網絡核心測以及無線側的經驗，綜合判斷，以解析問題發生的原因，這種方法不失目前最有效的方法，但是問題定位的準確度和時效度，都嚴重依賴于優化工程師基于經驗的主觀判斷，而其中的問題發生時是否蘊含著某些量化規律，目前即使最有經驗的優化工程師也無法給出答案。本文的主旨就是針對這種量化規則的發現做一些有益的探索和嘗試。

3 定性研究與定量研究概述

定性分析法是是對事物的質的規定性進行分析研究的一種科學分析方法，定性分析方法與定量分析方法相對的。定量分析法（quantitative analysis method）是對現象的數量特征、數量關系與數量變化進行分析的方法。主要要分為以下幾類：比率分析法、趨勢分析法、結構分析法、相互對比法、數學模型法。我們將使用定性分析之聚類方法以及定量分析之數學模型方法分別對小區及行政區兩個維度的VoLTE SIP-503錯誤原因進行分析。

4 VoLTE失敗原因的定性定量分析

4.1 觀測數據生成

此次采用的VoLTE相關數據體量非常龐大，而缺失數據頻繁出現，數據字段類型多樣，，尤其是數據中存在大量分類字段，包含較長的文字性描述信息，所以必須在使用之前對數據進行必要的清洗、抽取、過濾、編碼、以及匯總（統計頻次）。我們匯總的數據分別為小區和行政區維度兩批數據，之所以分為兩批數據，是由于以下兩個原因：①將小區維度的數據應用于聚類分析，正好契合傳統分析方法在分析無線側原因時習慣將小區作為分析對象，以快速定位小區資源分配以及參數配置的問題;②將行政區維度的數據應用于數學模型方法是由于小區維度的數據在進行503過濾后較難形成飽滿的觀測數據，行政區維度的數據恰好可以滿足我們從更宏觀的角度理解失敗原因的數量規律。由于失敗原因等信息是較冗長的文字描述，而且本文主要是一種方法的介紹，在本文后面的內容將統一引用編號來來代替實際的數據字段。

4.2 小區維度失敗原因定性分析

本小節我們介紹使用定性分析的一種常用方法-聚類方法來分析小區維度的頻次匯總數據，我們采用的是層次聚類方法，同時也會引入幾種對于聚類結果的呈現和分析的方法供大家參考。首先介紹一下層次聚類（Hierarchical clustering），層次聚類是在不同的“層次”上對樣本數據集進行劃分，一層一層地進行聚類。就劃分策略可分為自底向上的凝聚方法（agglomerative hierarchical clustering），比如AGNES。自上向下的分裂方法（divisive hierarchical clustering），比如DIANA。下面是層次聚類的關鍵步驟：通過匯總我們得到2萬余條待聚類的小區級觀測樣本數據，對于層次聚類來說：（1）初始化：把每條觀測樣本各自歸為一類，計算每兩個類之間的歐式距離，也就是觀測樣本之間的相似度。（2）尋找各個類之間最近的兩個類，把它們歸為一類，從而使總類的數量減少。（3）重新計算新生成的這個類與各個舊類之間的歐式距離。（4）重復（2）（3）步，直到所有的樣本都歸為一類，步驟結束。通過上面的方法得到6個較為突出的聚類，分別是Clust01至Clust06，其中Clust02是數據量占比最大的聚類，相對Clust02以及Clust3，其余的聚類數據量比較小，初步判斷觀測數據特征應該比較集中。這些比較集中的聚類將是我們主要的分析對象。下面我們通過聚類數據指標的均值分布圖和變異系數分布來考查這幾個聚類是否有各自較為顯著的特征。下圖是小區維度數據聚類指標均值，這種呈現方式有利于發現聚類內部的一些明顯的特征。

圖1是小區維度層次聚類指標均值分布圖，通過對各分組數據進行統計得到各組各指標的均值，均值情況呈現在圖1柱圖中，圖中的深度軸為clust1至clust6，橫向軸為指標，高度軸為均值，從右圖可以看到在clust1的小區中，主叫方向計數值和dev_VoLTE計數值呈現雙高的情況，這可能意味著支持VoLTE的終端在主叫時出現503失敗較多。而在clust6中，dev_IOS終端在出現跨IMS時較多出現finish_cause21的503錯誤，也就是Bearer Released。變異系數是在統一的量綱下考查數據離散程度的統計指標，從變異系數可以看到clust1和clust6相應指標的離散程度相對并不很高，我們初步認定通過均值觀察的情況應該屬于較為普遍的情況。至此我們完成以定性方法研究小區維度失敗分析，下面我們要對行政區維度的失敗原因進行基于數學模型的定量分析。

4.3 行政區維度失敗原因定量分析

在進行數學建模之前，我們仍需回到業務邏輯，仔細審視我們的問題，通過業務專家的業務知識和經驗建立指標之間的業務關系，由于VoLTE失敗原因錯綜負載，涉及網元眾多，也見于目前對于VoLTE失敗有限的業務知識，為了后續的定量分析，我們不妨通過有限的業務知識大膽假設，再通過統計方法仔細求證，已達到在數據中發現知識的目的，我們的基本思路是，internetype5、direction1、direction0，以及各個終端指標都將影響finish_cause指標，而finish_cause之間也會相互影響，基于上面的假設，我們將得到指標之間的關系模型。下圖是假設關系模型圖。

下面利用定量分析方法對上面的指標關系假設建模，如果業務知識充分，在建模過程中需要不斷利用業務知識調整假設關系。在這里我們使用混合效應方法依據假設關系模型來對數據進行擬合建模，下面是我們得到的模型方程組。

此處模型保留了影響明顯的自變量系數，系數的含義是每增加或減少一單位的自變量，就會增加或減少系數倍單位的因變量，例如finish_cause19 的方程，我們看到finish_cause1對其影響很大，一單位的finish_cause1會引起1.2倍單位finish_cause19 的下降，這說明這兩個指標存在明顯互斥的負相關。又比如finish_cause27 和finish_cause23之間存在明顯的正相關關系。至此我們成功建立了定量分析的數學模型，該模型已可以清晰的反應我們之前依據業務知識得到的假設關系模型的數量關系。

5 應用前景

本文基于VoLTE失敗原因分析提出了定性定量的兩種方法，方便優化人員理清思路，后一種數學模型的定量分析則在前者的基礎上確立了數量模型，使問題原因更加清晰，更有利于對問題的解釋，該方法將對復雜網絡問題解釋帶來新的視角，因此有廣闊的應用前景。

6 結語

一切的統計方法都不是萬能的，業務經驗和知識作為前提才能發揮作用，但是統計方法就如一只有力的大手能帶領我們沖出重重的迷霧，帶來更廣闊分析問題的視野。

參考文獻：

[1]楊君，李雯.VoLTE技術中基于失敗定界分類的eSRVCC切換優化方法研究[J].移動通信，2016，40（18）：8-15.

[2]蔡偉祥.VoLTE關鍵技術及網絡優化研究[J].信息通信，2017（3）.

[3]李晨陽.VoLTE網絡優化中的關鍵問題研究與實踐[D].

[4]劉滿芝，周梅華，呂雪晴.基于因子分析與聚類分析復合模型的市場細分研究——以移動通信行業為例[J].管理案例研究與評論，2009，2（2）：136-141.

[5]曹均偉，李凌.經濟學的定性分析與定量分析：爭論與融合[J].會計與經濟研究，2007，21（3）：57-64.