雙智協同網絡：理念與技術

顧軍/GU Jun，張宏濤/ZHANG Hongtao，顧健/GU Jian

（中興通訊股份有限公司，中國 深圳 518057）

隨著5G網絡的規模商用和不同速率、時延、可靠性業務的爆發式發展，在精準保障差異化用戶體驗的同時提升5G網絡資源效率、容量和收益，逐步成為網絡優化、演進與發展的核心命題。這是傳統基于比特傳輸量的流量經營向基于實際業務感知滿足度的體驗經營轉型的核心基礎，同時也對多頻多制式復雜網絡下的資源管理策略及性能、用戶體驗保障機制提出極大挑戰。作為蜂窩網絡技術的關鍵組成部分，基于覆蓋、質量、負載等網絡指標的移動性管理和資源均衡，在保持網絡連接連續性、提升資源效率等方面發揮關鍵作用，并在第3代合作伙伴計劃（3GPP）5G-Advanced的標準演進中進一步優化，持續提升網絡性能。然而，這在理念和技術上與網絡發展的核心價值訴求仍然存在一定差距。

在理念上，傳統技術目標與網絡收益目標存在差距的局面需要被打破。綜合移動網絡流量經營的現實要求、向體驗經營轉型的內在趨勢，以及實現網絡收益和用戶體驗協同最優網絡（BE-Net）的理念，都將成為網絡演進和技術發展的引擎。我們應以用戶體驗為導向打造適應多樣性業務需求的優質網絡，以服務質量的提升帶來用戶和業務的可持續增長；基于差異化的體驗需求及場景化的效能評估，實現有限資源的精準投放與分配，在保障用戶感知的基礎上獲得最佳的投資收益，以促進網絡進化的良性循環和可持續發展。

在技術上，傳統以網絡指標為準則、以平均關鍵績效指標（KPI）為目標的網絡中心化一刀切互操作策略，無法適應不同基站和小區的差異化場景，更無法滿足高清直播、擴展現實（XR）等不同業務的差異化需求，嚴重阻礙新業務的發展，不利于網絡效率的提升。因此，我們需要通過用戶中心化的范式遷移和基于無線網絡內生智能的服務能力，結合網絡級的場景優化、用戶級智能感知和服務能力拓展，更加系統性地滿足移動網絡在網絡效率與收益、用戶體驗方面的提升要求。

本文立足BE-Net的基本思想，面向多頻段多制式網絡層間協同場景，提出集用戶級智能和網絡級智能于一體的雙智協同網絡，以實現在不同網絡發展階段用戶體驗和網絡效率的雙優價值目標。

1 網絡需求與雙智矩陣

在4G和多頻段5G共存的多層次復雜網絡中，移動性管理除了要保障基本的移動性性能外，還需要滿足更加差異化的業務需求，包括更加多元化、場景化的系統要求。傳統基于網絡一刀切策略的層間互操作面臨越來越大的挑戰。具體來看，網絡在不同發展階段、不同場景中存在不同的體驗和效率雙優目標，需要定制化的雙智矩陣能力組合來實現不同時空坐標下的網絡價值，如圖1所示。

圖1 網絡收益與用戶體驗協同最優理念下的雙智矩陣

1.1 雙智體驗協同

在5G發展初期，5G網絡部署和優化的核心訴求有兩個方面：一是在4G/5G雙層網下最大化5G終端在5G網絡的駐留，實現4G流量向5G網絡的遷移，增加5G分流比（5G流量占4G和5G總流量的比值），并通過5G的大帶寬能力進一步激發用戶的流量消費，進而提升5G的網絡效率和投資回報；二是確保不同要求的用戶體驗（如大上行速率的高清直播、大下行的高速流媒體/XR等）及時得到保障，并在總體上實現用戶體驗與5G分流比和流量的雙優，持續促進5G業務和網絡的發展。

如圖2所示，為滿足差異化用戶體驗與5G分流比和流量的雙優需求，小區級互操作參數自優化智能用戶編排需要被引入，以形成網絡級與用戶級一體化的雙智體驗協同解決方案。其中，小區級參數自優化通過對異頻切換/重選門限的智能下探（如5G到4G的異頻切換門限從-110 dBm下調至-120 dBm），在不影響網絡基本KPI的基礎上擴大5G網絡層的覆蓋范圍，吸收更多用戶，增加5G業務流量及分流比。同時，更大的覆蓋范圍會引發更大概率的體驗不佳問題，尤其是在邊緣區域難以滿足高清直播等大速率業務需求。智能用戶編排以用戶為單位，基于源側體驗評估、目標側體驗預測以及智能柵格驅動下的免測量將用戶快速導引到體驗更優的頻層和小區中，精準感知并滿足個性化業務體驗需求。通過用戶體驗保障的兩級解耦，在完成從以KPI為中心的互操作到網絡級智能互操作參數優化后，基本連接體驗與用戶級智能編排下的業務體驗進行雙智協同優化，可帶來用戶體驗和網絡效率的雙重收益。

圖2 雙智體驗協同

1.2 雙智網絡均衡

該階段5G網絡從單頻走向多頻協同，不同頻點之間互操作以及協同的主要目標逐步轉變成在保障業務需求的同時最小化用戶消耗的網絡資源，并通過層間資源使用的均衡性降低用戶的擁塞、沖突以及業務被壓抑的概率，總體上實現用戶體驗以及多頻5G網絡容量的雙優；進一步地，當總體資源出現瓶頸時，優先保障高價值用戶以及高價值業務需求是持續提升網絡價值運營能力的基礎，通過體驗與效率的最優協同最大化網絡的投資回報。

如圖3所示，在多頻5G網絡中，為了實現用戶體驗與網絡容量的雙優，并使網絡收益達到最高，傳統以網絡負荷為中心的負載均衡機制需要進行雙智重構：一是引入前文所述的用戶級智能編排，在及時感知與保障差異化用戶體驗的基礎上，確保用戶被導引到資源消耗最低、擁塞和容量抑制風險最小的頻層和小區中，從而在用戶層面間接促進多層網之間實現均衡；二是在智能化負荷評估、流量壓抑預測以及用戶選擇、個性化小區偏置等方面對負載均衡的關鍵環節進行增強，進而提升負載均衡的及時性與準確性。整體上來看，智能用戶編排與智能負載均衡協同下的雙智網絡均衡，能夠充分實現用戶體驗和多層5G網絡總體頻譜效率/容量的共同提升。

圖3 雙智網絡均衡

2 智能用戶編排

在雙智體驗協同和雙智網絡均衡中，雙優目標中的用戶級體驗需要通過智能用戶編排來實現。整體來看，智能用戶編排與傳統互操作機制有兩點不同：一是從參考信號接收功率（RSRP）、信號與干擾加噪聲比（SINR）等網絡指標觸發到用戶體驗觸發，二是在切換目標上從連續的移動性連接到連續的業務體驗及資源效率保障。

智能用戶編排包括源側體驗評估、目標測性能預測（如圖4所示）以及基于虛擬柵格的知識學習。

圖4 源側/目標測近實時監測

2.1 源側體驗評估

在移動網絡中，由于用戶位置、網絡負載以及無線環境等具有時變性，并且這種時變性會對鏈路性能產生影響，因此我們需要借助近實時的性能監測及時感知業務體驗和網絡能力的變化。

（1）體驗狀態評估

體驗狀態評估包括間接評估和直接評估兩種。

（a）基于調度阻塞率的間接體驗評估：調度阻塞率B=調度緩存數據量/當前調度數據量；

（b）基于業務感知的直接評估（以視頻為例）：

其中，VMOS為視頻用戶感知得分，Quality為視頻源質量（碼率），Loading為緩沖時長，Stallingfreq為卡頓次數，Stallingrec為卡頓恢復時長占比，W為各個因素的權重占比。

（2）體驗風險評估

服務小區可達速率與速率余量評估：基于小區負載和用戶負載兩級負載指標以及信道質量，可以計算和預測用戶當前能夠獲取的可達速率上限，如公式（2）所示。

其中，、為效率因子，可通過對速率和各個參數之間的歷史數據學習與擬合獲得；BW為系統帶寬；Load為小區整體資源負載，Load為當前用戶資源負載。根據可達速率，我們可以預測評估用戶在當前小區可達速率與業務需求速率（如1080P高清直播需要5～10 Mbit/s的速率）之間的速率余量：

若小于速率安全門限，或者調度阻塞率/業務感知得分低于目標值，則系統觸發和啟動其他頻層/小區的性能預測。

2.2 目標測性能預測

對于達到基本電平要求的異頻鄰區，我們會對頻譜效率、可達速率、壓抑距離進行預測，并計算用戶導引優先級。

（1）頻譜效率與可達速率預測

上行頻譜效率為：

其中，根據鄰區下行接收RSRP和發射功率計算獲得的路損，并結合基站間接口獲取的干擾信息，可以計算出SINR。下行頻譜效率SE通過本文2.3節描述的柵格知識庫獲得。歸一化頻譜效率SE=SE/SE，其中SE為各個候選目標小區的最大頻譜效率。根據頻譜效率、帶寬以及負載，我們能夠獲得可達速率R。

（2）壓抑距離預測

隨著用戶數及資源利用率的增長，由于存在資源擠壓、干擾加大等因素，網絡流量的升高過程為：首先呈現線性，隨后到達壓抑點并達到最大值，最后逐步下降，如圖5所示。其中，壓抑距離=-/。

圖5 流量抑制曲線

（3）用戶導引優先級計算

根據候選小區的可達速率、頻譜效率以及壓抑距離，我們計算目標小區選擇優先級={Max(,0)}×SED，其中、為加權因子。將用戶切換至優先級最高的目標小區，有助于實現用戶體驗與資源效率的平衡。

2.3 基于虛擬柵格的知識學習

基于K-means等非監督機器學習算法，利用服務小區和同頻鄰區的RSRP，我們可以將覆蓋區域劃分為若干個虛擬柵格。進一步地，我們也可以通過增加終端類型、最小化路測（MDT）等維度信息來提升柵格的劃分精度，如圖6所示。對于劃分好的空白柵格庫，每個柵格的索引信息包括：服務小區身份信息（ID）和RSRP最大/最小值、同頻鄰區1的ID和RSRP最大/最小值、同頻鄰區2的ID和RSRP最大/最小值。也就是說，根據UE的同頻測量報告（服務小區ID和RSRP值、兩個同頻鄰區的ID和RSRP值）理論上系統就能定位出該UE當前處于哪個柵格位置。

圖6 基于本鄰小區覆蓋電平的智能柵格劃分

在空白柵格劃分之后，根據周期性的UE同頻測量報告，系統能夠近實時地定位出UE當前所處柵格位置，并將該UE在當前位置發生的信息記錄所屬柵格中，這就是一次有效樣本統計。信息記錄主要有兩種（都是針對異頻和異系統鄰區的）：一是在當前柵格位置上收到的異頻/異系統測量報告信息，包括頻點信息、測量報告小區ID以及測量結果RSRP/RSRQ/SINR值；二是在當前柵格位置上向某個鄰小區的切換成功率信息，以及在該鄰區上統計獲得的頻譜效率信息。當一個柵格內統計的樣本數量達到一定門限時，這個柵格就可以被其他功能查詢所使用。

3 互操作參數自優化

隨著5G網絡的逐漸成熟，運營商希望UE能夠更多駐留在5G網絡以提升用戶體驗。現網通常采用下調5G到4G互操作門限的方法來擴大5G小區的覆蓋范圍，提升5G駐留比。傳統的人工調整難以做到一站一策，而一刀切的調整方式在不同站點和不同網絡環境下，其效果可能存在巨大差異，從而難以保障較好的用戶感知和網絡性能指標。

基于對5G小區各項基礎指標和用戶感知指標的評估，在不影響網絡性能指標前提下，自動調整5G到4G的互操作參數，如連接態A2事件門限和時間觸發（TTT）、空閑態非同頻小區重選起測門限，可使5G小區的覆蓋范圍和容量得到盡可能的擴大，網絡服務能力上限得到提高，同時5G駐留比和分流比也將得到提升，如圖7所示。

圖7 互操作參數自優化

4 智能負載均衡

（1）空分因子學習

在5G網絡中，由于廣泛引入大規模多輸入多輸出（MIMO）技術，在進行資源塊（RB）利用率的統計時，我們需要借助空分因子。空間復用能力的引入能夠更加真實地體現資源的使用情況，有利于精細化計算上下行業務信道的資源利用率。PDSCH的物理資源塊（PRB）利用率=ΣUE（Σ流數×RB）/小區PDSCH可用RB數×；PUSCH的PRB利用率=ΣUE（Σ流數×RB數）/小區PDSCH可用RB數×。由于受到業務類型、干擾特性等因素的影響，不同小區在不同時間的實際空分能力存在差異，因此需要通過自動統計學習來實現的更新優化。PDSCH的RB復用因子=ΣUE（Σ流數×RB數）/小區PDSCH可用RB數；PUSCH的RB復用因子=ΣUE（Σ流數×RB數）/小區PUSCH可用RB數，如圖8所示。

圖8 智能空分因子學習

（2）智能無線資源控制（RRC）容量因子學習

同樣地，考慮到業務類型、用戶分布、干擾特征、移動性特征等因素的影響，我們需要在計算RRC連接負荷時需要引入因子，以便更加真實地反應RRC的連接容量，如圖9所示。RRC連接負荷=在線用戶數/（系統最大RRC連接數×）。其中，可以根據圖5的拐點用戶數進行學習更新，且=拐點用戶數/系統最大RRC連接數。

圖9 智能RRC容量因子學習

（3）智能負載優化

根據上述RB利用率、RRC負載以及流量壓抑距離的學習和更新，主動式與被動式相結合的方式能夠對不同頻層間的負載進行智能優化。其中，主動式優化通過學習交疊區域用戶分布對小區間的個性化切換偏置（CIO）進行優化（如圖10所示），自動實現用戶分布在不同頻層/小區間的重組；當資源負載和流量壓抑距離達到目標閾值時，被動式優化能夠識別并優先挑選覆蓋中遠點資源效率較低的用戶（規避由于各種原因剛切入本小區的用戶），并根據本文2.2節所述原則將用戶導引到能夠滿足用戶體驗需求且資源效率最高的目標頻點和小區中。

圖10 智能個性化小區偏置學習

5 結束語

本文提出一種用戶級智能與網絡級智能相結合的新型雙智協同機制，在網絡發展不同階段實現用戶體驗與網絡效率及收益的雙優，充分挖掘和釋放5G網絡價值，為面向6G的服務化網絡演進奠定理念和技術基礎。

本研究得到中興通訊股份有限公司王新臺、詹勇、李群、張健健、鄭玲霞、白煒、孫英、聶國濤、牛康、李建國等的幫助，謹致謝意！