基于MR大數據的EPS FB精準回落方案研究

王朝陽 袁亞男 錢國寶

1.中國移動通信集團江蘇有限公司鹽城分公司；2.揚州大學

0 引言

隨著5G SA模式組網的商用，其獨立組網下的語音解決方案也提上了日程。當前，主流的語音解決方案有三種，分別是雙待機、EPS Fallback（Evolved Packet System Fallback，演進分組核心網回落，即回落到4G）、VoNR（Voice over New Radio，基于新空口語音）。其中，第一種是雙待方案，即4G、5G同時駐留，但終端因為同時駐留兩張網絡，其終端復雜度、耗電量均較高，業內已取消該方案（主要在NSA模式下使用）；第二種方案是EPS Fallback，即平時駐留5G網絡，當打電話時，通過EPS Fallback的方式返回4G LTE網絡進行VoLTE語音業務呼叫。該方式可以解決終端耗電的問題，但同時因為流程的增加，對呼叫時延有一定影響；第三種方案是VoNR，該方案是目標解決方案，其語音業務完全在5G側實現，可以獲得更好的用戶體驗。

因為技術條件限制，當前網絡尚未實現VoNR的部署，退而求其次，集團力推EPS Fallback方案，且已經在全網進行部署。基于現有商用網絡部署情況，并考慮后續網絡設備、終端設備等升級的影響，預計EPS Fallback的過渡期語音解決方案將長期存在。

SA組網下的EPS Fallback解決方案中，NR用戶的語音業務和數據業務會同時回落到LTE網絡，一方面會造成語音呼叫建立時延變長、另一方面基于LTE網絡的數據業務速率相對于NR網絡會降低。

本文提供一種基于MR大數據分析和XGBoost機器學習算法的EPS FB智慧化解決方案，改善EPS Fallback方案的回落成功率，降低回落時延，提高回落到高感知小區的幾率，增強用戶的語音感知。

1 方案原理

1.1 技術方案

方案分為兩大模塊，第一個模塊是完成MR（Measurement Report，測量報告）大數據挖掘（主要有預處理、數據清洗、數據分析及信息提取）；第二個模塊是通過機器學習完成數據打分處理（數據訓練、模型保存、基于模型的數據打分、排序與過濾），輸出頻點優先級配置數據。最后，經過配置數據的校驗、下發后，進行結果評估，并根據評估的結果判定是否滿意來決定是否結束本次流程。當不滿意時，可以再次啟動本次流程。如圖1所示。

圖1 整體方案

1.2 技術原理

基于MR大數據和XGBoost機器學習算法的EPS FB精準回落主要包含三個任務，并主要由兩大功能模塊組成。

（1）MR大數據挖掘

MR大數據挖掘過程包含MR訂閱采集、MR數據分析兩個子任務，主要有MR數據收集、數據預處理、數據清洗、數據分析四大過程。

任務1：MR訂閱采集。在網管上完成MR任務的訂閱采集，由網管完成5G和4G的MR數據的持續采集。通過Python語言，開發數據自動采集小工具，實現數據的自動下載和解碼。

任務2：MR數據分析。該任務主要由Mr Analysis模塊完成，根據采集到MR數據，對數據進行預處理、數據清洗及分析。

數據預處理：主要完成MR數據從原始.xml.gz文件的解碼，實現數據的格式化；

數據清洗：主要完成冗余數據、無效數據的刪除，并提取有效的信息字段；

數據分析：主要完成信息字段的有效關聯分析，從而獲得頻點級的特征數據，為打分做準備。

（2）AI打分

AI打分模塊過程包含XGB模型訓練、AI打分、排序和過濾三個子任務，均在AI Score模塊中實現。

任務1：XGBoost模型訓練。根據提取到的特征數據，進行XGBoost打分模型的訓練，并保存模型數據。

任務2：AI打分。導入XGB模型，對待打分的特征數據做打分處理，輸出每個NRcell-EARFCN的打分數據。

任務3：排序和過濾。根據該XGB打分結果進行倒序排列，根據輸入條件做適當條件過濾，然后輸出打分后的頻點優先級配置方案。

（3）方案校驗與下發

對于打分輸出的方案進行數據校驗，驗證數據的合法性，然后通過網管提供的管理接口對配置數據進行下發。

（4）效果評估

完成數據配置后，需要持續跟蹤各項指標的變化，若出現指標惡化情況，需要及時回退數據。

2 應用成果

該方案在鹽城的濱海網格區域進行了區域規模試點，效果良好，基本實現預期目標。

2.1 濱海網格區域試點

試點前，已經完成基于MR大數據和XGBoost機器學習算法的流程打通。試點時，重新提取現網數據并輸出方案。

（1）準備與方案輸出

1）目標選取濱海網格區域作為試點區域，如圖2所示；

圖2 濱海網格區域圖

2）5G MR數據采集（5G和4G異頻）任務訂閱；

3）當前已完成EPS FB流程的打通，基于此采集現網有效的5G和4G數據，輸出EPS FB的打分數據；

4）根據現網的配置整理5G和4G回落優先級調整方案。

（2）拉網測試

拉網需要兩輪，分別獲取調整前、調整后的數據。前后測試路線、車速、測試計劃配置等應保持一致。

（3）測試評估

應根據測試報告，進行調整前后的拉網測試對比，尤其注意EPS FB回落成功率、回落時長、回落后小區的RSRP/SINR指標。

如表1所示，SS RSRP和LTE RSRP、SINR調整后均有所提升。VoLTE的RTP丟包率主被叫分別下降0.71pp、0.35pp，有明顯下降。整體指標較好。

表1 方案下發前后主被叫指標統計

如表2所示，EPS FB端到端呼叫建立時延均值由3.77秒下降到3.55秒，時延降低了0.22秒，效果良好。

表2 EPS FB端到端時延指標統計

如表3所示，重定向比例調整后有2.75%下降到0.91%，下降1.84pp，效果良好。

表3 重定向比例指標統計

調整后，回落頻點從1301大幅向38400遷移，符合預期目標。如圖3所示。

圖3 回落頻點分布

（4）KPI 指標

無線側KPI統計指標如表4所示，EPSFB成功率由99.59%提升到99.81%。環比上升0.21pp、同比上升0.32pp；重定向數據中，重定向比例由10.81%下降到10.31%，環比下降0.50pp，同比下降0.67pp；因定時器超時發起的重定向占比2.08%下降到1.11%，環比下降0.64pp，同比下降0.91pp。總體效果良好，符合預期目標。

表4 KPI指標統計

（5）小結

根據濱海網格區域的試點結果，濱海網格區域回落后電平提升CRS RSRP平均提升2dB、RTP丟包率下降0.35pp以上、重定向占比下降1.84pp、端到端時延下降0.22s。KPI指標整體改善明顯，達預期目標。

3 結束語

傳統的網絡部署中，一般采用大統一方案，無法做到精細化配置。該研究通過MR大數據分析方法解決了在實際網絡配置中無法做到精準配置的問題。本研究的不足之處在于僅考慮電平指標，因協議中定義的異系統MR測量數據缺少異系統的SINR指標，無法確認目標小區的無線環境質量。但考慮到EPS FB僅僅作為4G、5G網絡共存部署場景下的語音業務臨時解決方案，將會被未來的VoNR取代，值得期待。