5G模擬終端信令分析技術研究

王宛宛 段 浴

1(重慶交通職業學院大數據學院 重慶 402247) 2(重慶郵電大學通信與信息工程學院 重慶 400065)

0 引 言

隨著移動通信技術的更新換代,5G通信技術的發展備受社會各界關注[1],根據《5G愿景與需求》白皮書描述,相比于4G的各項指標,5G的性能指標極大提高[2-3]。無論是無線網絡的分析還是優化,都迫切需要更高性能的5G終端測試設備。

隨著5G技術不斷發展,通信系統的設計越來越復雜。目前傳統的系統設計的復雜性已經充分逼近移動通信系統存在的性能界限,而人工智能技術在圖像識別等領域的成功,給了5G通信技術一個突破口。目前,華為、中興、高通等世界各國著名科技公司也正在此領域深入研究,期望助力5G各個層面性能的優化,助其突破性能界限。

近年來,有部分研究人員已在此領域進行研究,文獻[4]不改變原通信系統結構,在已有的技術基礎上,提出了數據模型的雙驅動機器學習技術,在某個模塊中利用機器學習訓練系統相關參數進而提升系統各項性能。文獻[5]在無線通信信令數據分析中使用機器學習模型,通過訓練信令數據,得到系統數據之間的一種函數關系,并通過該函數關系測試輸入的信令數據,推斷對應可能的輸出值。文獻[6]運用機器學習訓練數據集,通過訓練感知器去識別信令記錄中用戶的時空狀態。然而現有研究并未具體考慮信令分析中的信令分類問題,本文在融合IT領域微服務化風格的5G模擬終端信令分析系統新型架構下,結合人工智能技術中機器學習算法,在監督學習下,提取信令數據的用戶特征,建立模型訓練信令數據,提升信令分析性能。

1 系統架構設計

1.1 總體架構設計

5G的網絡架構是由3GPP進行定義的,引入了服務化的功能性設計,網絡功能可以被定義為多個相對獨立的模塊,而且可以被靈活調用[7-8]。在5G模擬系統中,L1、L2子系統功能主要是數據采集和解碼,L3子系統主要是對信令面與業務面的數據進行解碼并合成出表,信令數據訓練子系統是完成對信令數據的機器學習模型訓練。圖1是5G模擬終端中信令分析系統框架。

圖1 5G模擬終端信令分析系統框架

在5G模擬終端信令分析系統中,基帶板以同向正交IQ的數據形式,將從天線采集獲取的數據進行存儲。將解碼結果合成信令綜合業務呼叫/事務詳細記錄(call/transaction detail record,XDR)并存放到數據庫中,通過此系統還可進行信令的反查,將解碼結果顯示到客戶端。按照功能劃分,系統分別由數據采集、解碼合成、多協議關聯和數據訓練四大模塊組成。

1.2 數據采集模塊

通過數據采集模塊可以使用采集卡采集用戶的原始信令數據。數據采集模塊主要由奇數的卡槽和偶數的卡槽基帶板分別采集得到下行數據、上行數據,掃描儀器當前位置小區,并記錄下掃描結果。在進行數據掃描前,系統需要配置板卡的參數,在系統上電時,基帶板進行自動掃描,記錄出當前出現的小區位置,并得到一個系統記錄。如圖2所示,當工程被重新建立時,將記錄到的數據返還給客戶端,并用來配置帶小區參數。

圖2 新建數據采集工程流程

新建工程時,客戶端需從服務器獲取由掃描基帶板獲取并記錄的活動小區列表,選擇要進行數據采集的小區號,進行實時采集。當數據采集模塊被啟動時,作為IQ數據的采集結果將被存儲。

1.3 解碼合成模塊

系統通過調用接口,可將從層2板所得的L2數據傳輸給解碼合成模塊,并按照信令消息類型,根據信令面和業務面的數據分別進行解碼合成,將解碼合成得到的XDR和統計表發送到多協議關聯模塊。

基帶板通過高速串行總線PCIe把傳輸塊(Transport Block,TB)及關聯信息寫入層2板的PCIe空間,層2板保存相關原始數據,同時把PCIe空間的TB數據塊拷貝到數字信號處理技術核心(Digital Signal Processing Core,DSP Core)塊解析地址,再把解析完成后的裸數據及關聯信息寫入核心板的PCIe地址空間,則完成了數據從基帶板到層2板再到核心板的數據交換。板間數據流如圖3所示,在解碼合成過程中,在通過消息標識查找L2數據的基礎上,通過MAC層獲取到相應消息的ID,根據相應消息的ID調用層2板上的原始數據,根據得到的L1、L2原始數據對L3明文數據進行比特解碼進而獲得數據的詳細字段。根據每層協議的不同,通過調用不同的解碼器對相應的解碼函數進行解碼,解碼得到的結果為L3數據。

圖3 板間數據流

1.4 多協議關聯模塊

多協議關聯分析是指將多個核心網、無線資源控制層和非接入層等不同協議的數據流進行關聯,通過將同一用戶的信令面與業務面的數據進行多協議關聯,并標注出來進行匹配關聯并合成XDR。

多協議關聯的實現過程是在信令數據解碼合成之后,主要是以小區的無線網絡臨時標識C-RNTI等參數作為Key值構建哈希函數。然后使用哈希算法,將關鍵信令信息Key值映射到哈希表中。將相同用戶的相同信令流程中相互關聯的信息進行組合,進而形成整個綜合信令XDR流程[9]。關聯流程如圖4所示。

圖4 多協議關聯流程

1.5 數據訓練模塊

在5G模擬系統中,數據訓練主要就是將采集的信令數據進行分類,按標識建立起機器學習的模型。信令分析數據訓練過程中,將信令數據按專家特征有監督地進行模型訓練,學習得到一種信令數據輸入和輸出的函數關系。如圖5所示,數據采集模塊采集的原始信令數據分發為信令面數據和業務面數據,數據預處理的過程就是將一些不合理的數據進行剔除。然后對信令數據中C-RNTI用戶標識進行有監督的特征分析,建立機器學習模型進行監督學習訓練。最后對訓練模型進行性能分析。

圖5 數據訓練流程

在5G模擬終端信令分析系統中,信令關聯合成的主要操作就是查找信令消息的關鍵Key值,通過判斷用戶映射的hash表中所對應的消息,再去合成XDR。而輸入的信令數據是有專家定義的特征標簽,并且有明確標識的預測值要求[10]。因此可用監督學習的方法,根據專家特征對信令數據加以標識作為訓練集輸入,通過訓練出的模型判斷用戶信令數據的變化規律。

因此,在信令分析中引入機器學習分類算法,在用戶信令流程關聯合成之前,選取信令關鍵消息Key值中的C-RNTI作為用戶特征;根據用戶特征屬性進行人工分類訓練,將訓練得到的數據模型作為分類器模型;在信令關聯合成時,使用訓練完成的分類器模型對信令數據進行分類,對該用戶特征信令流程C-RNTI相同的概率較大的信令數據進行關聯合成,提高信令關聯效率。

2 基于機器學習的信令分析算法

2.1 算法分析

機器學習分類算法預測產生的結果是離散值,而用戶信令數據正是帶有特征標識、離散的、無序的變量值[11-12],因此可以用機器學習算法中分類的方法構建分類器模型[13]。在5G模擬終端信令分析系統中,由于樸素貝葉斯分類算法簡單直觀,計算量與所需估計的參數較少,對于缺失數據不敏感,比較適合離散無序的信令數據。

在信令數據訓練過程中,Y為信令數據關聯過程中的用戶類別,X為同一信令流程中用戶標識C-RNTI特征,對于信令數據樣本集:

(1)

信令數據中X與Y是離散無序的,因此X和Y相互獨立。其中:m表示信令數據中有m個用戶樣本;n表示信令數據有n個用戶標識C-RNTI特征。yi(i=1,2,…,m)表示樣本類別,取值為{C1,C2,…,CK}。因為信令數據相互獨立,則可以得出其條件概率為:

P(X=x|Y=Ck)=P(X1=x1,X2=x2,…,Xn=xn|Y=Ck)=

(2)

式中:條件概率P(X=x|Y=Ck)是指信令數據中,事件Y=y信令流程已經是同一個用戶的條件下,特征用戶標識C-RNTI仍然相同的事件X=x發生的概率。后驗概率是指某特征用戶標識C-RNTI相同的事件X=x已經發生,那么該事件是因為信令流程是同一個用戶的事件Y=y而發生的概率。其中:W表示X=x事件;S表示Y=y事件。

則后驗概率為:

(3)

將式(2)代入式(3)后,經過計算可得:

(4)

(5)

2.2 算法流程

在信令分析過程中,在信令消息關聯合成時,查詢用戶映射到hash表中對應的信令關鍵消息Key值。如果在信令數據中,存在相同用戶類別的特征信令流程,其用戶標識C-RNTI也相同,則關聯合成XDR。選取信令數據特征屬性C-RNTI,由人工對信令數據按特征進行分類,計算信令流程已經是同一個用戶的條件下,特征用戶標識C-RNTI仍然相同事件的條件概率P(X=x|Y=Ck),系統所需要的后驗概率是通過先驗概率和條件概率與數據一起綜合得到的。最后系統通過輸入的訓練數據集和特性屬性進行訓練,輸出訓練完成的信令分類器P(S|Wj)。

算法1信令分析數據訓練算法

輸入:信令分析訓練數據。

輸出:訓練好的分類器。

1.for對信令訓練數據集中的數據特征屬性C-RNTI和用戶類別;

2.do

計算所有劃分的條件概率P(X=x|Y=Ck);

3.and

④基礎工作薄弱，難以滿足防汛抗洪需求。嫩江、松花江、黑龍江流域防汛基礎工作相對落后，一定程度上影響防汛抗洪工作。仍有重點城市缺乏超標準洪水防御方案，近年制定的一些調度方案、防洪預案的科學性、實用性和可操作性不強。防汛物資儲備普遍不足，抗洪搶險專業隊伍建設滯后，難以滿足流域性大洪水抗洪搶險需求。

計算P(Y=Ck|X=x)

4.end for

2.3 性能分析

本文使用到的系統是根據訓練模型的F1得分、精度、準確率和召回率等指標評價模型性能。

信令數據訓練模型屬于分類的監督學習,使用機器學習中的混淆矩陣去分析模型的性能,如表1所示,用一種特殊的矩陣來可視化展示算法的性能。

在信令分析系統中,信令分類可歸為一個二元分類問題,信令數據訓練模型分類器的最終結果可分為四類情況,分類結果如下:

(1) True Positive(TP):正確的正例,即同一用戶類別的特征信令流程用戶標識C-RNTI相同。

(2) False Positive(FP):錯誤的正例,即不同用戶類別的特征信令流程用戶標識C-RNTI相同。

(3) False Negative(FN):錯誤的負例,即同一用戶類別的特征信令流程用戶標識C-RNTI不同。

(4) True Negative(TN):正確的負例,即不同用戶類別的特征信令流程用戶標識C-RNTI不同。

在處理機器學習模型時,廣泛使用精度和召回率去評判模型的性能,其計算公式為:

(6)

(7)

在信令數據樸素貝葉斯分類器模型中Precision和Recall是相互影響的,F1 scores是量化兩個指標的均衡性的合成指標,實際上是調和均值(Harmonic Mean),其計算公式為:

(8)

在信令分析過程中,機器學習模型分類性能指標準確率(Accuracy)表示有多少信令數據被正確預測了,即為正確預測的正負例數與總數的比值,公式為:

(9)

本文為更加直觀表示本文信令機器學習模型分類性能,再引入ROC曲線評價系統,以其下方形成的面積來衡量分類的性能,評價信令分析機器學習分類器模型性能。

真正率TPR公式為:

(10)

假正率FPR公式為:

(11)

根據分類結果式(12)計算ROC曲線下方面積公式為:

(12)

3 測試結果與分析

3.1 測試結果

實驗過程中,根據5G的TS38.331協議,基站在信令流程中為每個UE用戶的特征動態標識。根據其003D至FFF3的取值范圍,隨機性地產生仿真數據源,再進一步賦值,就可獲得原始的數據集。然后清洗原始數據,刪除部分不合理數據得到實驗數據,將實驗數據拆分,其中數據的80%用來訓練,20%用來測試。

根據系統要求測試環境可分為內場測試與外場測試,包括模擬終端業務能力,以及在多個終端平臺部署下,模擬終端在典型場景的業務能力和覆蓋能力等驗證[14]。圖6為測試環境平臺的搭建,包括頻譜儀、綜測儀和信號源。圖7為5G模擬終端設備測試結果實物。

圖6 測試平臺環境搭建

圖7 5G模擬終端設備實物

3.2 性能分析

經過對測試結果的分析,在信令數據訓練模型中,混淆矩陣可視化如圖8所示。

在信令數據訓練機器學習分類器模型中,三種分類模型的分類結果如表1所示。

表1 模型分類結果

在信令數據訓練模型實驗結果中,NB模型、D-Tree模型與SVM模型驗證對比結果如圖9所示。可知NB模型的精度為54.3%,而D-Tree模型與SVM模型精度均未超過40%;三個模型的召回率都在50%以上,NB模型召回率達90.3%,表明NB模型的查全能力最強;NB模型的準確率達76.2%,超過其他兩個模型20百分點左右;而三個模型綜合評分F1分數分別為67.8%、49.6%和44.2%,NB模型相對于其他兩個模型是最優的。

圖9 信令數據分類模型驗證對比結果

在信令數據訓練機器學習分類器模型中,可得圖10中ROC曲線匯總,其中area表示ROC曲線下方面積。根據實驗結果,綜合以上三種模型的各項性能評價指標,使用樸素貝葉斯分類器模型分類性能較好。而且樸素貝葉斯模型有穩定的分類效率,在很多領域有廣泛的應用,因此,樸素貝葉斯分類器的機器學習信令分析算法綜合性能相對最優,該算法應用于5G模擬終端系統是可行有效的。

圖10 ROC曲線匯總對比

4 結 語

面向5G的智能無線通信技術突破傳統移動通信的應用體系,超越傳統移動通信設計理念與性能,將是后5G時代發展的主流技術之一。本文在融合IT領域微服務化風格的5G新型網絡架構基礎上,針對5G模擬終端設計一種新型信令分析系統架構,并提出該架構下一種基于機器學習的信令分析算法。實驗結果表明,采用樸素貝葉斯分類算法的信令數據訓練模型的Precision、Recall、F1 score、Accuracy和ROC曲線性能指標都相對較好,有更好的分類結果,從而減少了信令關聯過程中對一些無用數據的存儲與查找,可快速定位分析目標信令,為初步商用的5G網絡終端的優化和測試領域提供重要的理論基礎和參考意義,推動5G產業的發展。