基于多源數據的鐵路5G-R運用質量評估系統設計

梁軼群，李 輝，歐陽智輝，王文華

(1.中國鐵道科學研究院研究生部,北京 100081; 2.中國鐵道科學研究院集團有限公司通信信號研究所,北京 100081;3.國家鐵路智能運輸系統工程技術研究中心,北京 100081; 4.國鐵鐵道試驗中心,北京 100015)

引言

2020年8月,國鐵集團發布《新時代交通強國鐵路先行規劃綱要》[1],要求加大5G通信網絡等新型基礎設施建設應用,統籌推進新一代移動通信專網建設。在這一背景下,我國鐵路系統、科學地開展了5G-R的規劃、科研攻關、裝備研發、標準制定以及實驗驗證等工作。規劃方面,國鐵集團2020年發布規劃,圍繞貫徹落實黨中央關于加快5G網絡等新型基礎設施建設的決策部署,為加快推進鐵路5G技術應用科技攻關工作,促進鐵路5G技術應用發展,以保安全、提效率、增效益為目標,統籌規劃了未來三年的科技攻關重點工作。科研攻關方面,立項《基于2 100 MHz頻率的鐵路5G專網技術體系及關鍵技術研究》系統性重大課題,從電波傳播特性、裝備研發、承載關鍵業務、檢測技術等方面開展研究工作。裝備研發方面,5G-R 13類主體系統及應用裝備基本研發完畢,即將進入東郊環線試驗評審階段。標準制定方面,已發布《鐵路5G專網業務和功能需求暫行規范》《鐵路5G專用移動通信(5G-R)系統需求暫行規范》。實驗驗證方面,依托《東郊環行鐵道5G專用移動通信系統技術試驗》課題,已完成試驗大綱和動靜態試驗案例的編制工作,正在開展實驗室設備功能、性能以及接口互聯測試和試驗評審準備工作。

隨著后續東郊環線國家鐵道試驗中心動態試驗、現場試驗線高速試驗、試用考核等工作的穩步、高質量推進[2],5G-R系統的部署和運維將逐步提上日程,未來5G-R將承擔更多的鐵路業務,成為智能鐵路[3]高質量發展的重要支撐平臺。其在運行過程中的功能、性能以及可靠性(運用質量)直接關系到鐵路運營生產的安全,隨著5G-R相關工作的全面推進,有必要提前開展5G-R運用質量評估分析技術的研究。

針對移動通信網絡運維相關工作和概念,整理了相關學者的研究成果。王銓等[4]介紹了各級維護管理單位在GSM-R維護工作中的分工及存在問題,闡述了GSM-R全網運維支撐系統的起源及功能目標。王買智等[5]開展了GSM-R網絡全網運維支撐系統總體架構設計,提出了設計原則、實現目標,并提出國鐵集團、路局兩級架構的系統架構方案。楊銳等[6]結合CTCS-3級列控系統無線超時分析闡述了GSM-R網絡運行數據綜合分析系統的作用。楊銳、郭桂芳等[7]結合5G服務化架構和網絡功能虛擬化、切片技術應用等特點,針對鐵路5G-R架構,設計了包括網管、服務/切片管理、終端安全、應用商店等模塊的2級運維支撐系統架構。綜上可知,目前針對5G-R運用質量評估分析的研究甚少,未見對其數據源運用、關鍵技術及架構設計的描述或分析。

從5G-R運用質量分析數據源研究入手,結合劣化度分析和機器學習理論開展了運用質量評估分析關鍵技術研究,在歸納總結5G-R運用質量分析的功能需求基礎上,基于微服務技術,設計了5G-R運用質量評估系統的架構。

1 5G-R運用質量評估數據源研究

5G-R網絡各接口、路測、網管、天線姿態等數據源是網絡運用質量評估的重要輸入,是運用質量評估、故障預警和故障定位準確與否的基礎和關鍵,也面臨著獲取難度大的問題。本節對5G-R運用質量DPI、空口、網管北向接口、路測、天線姿態等數據的構成以及獲取方式進行了深入分析。

1.1 DPI數據

深度包檢測(Deep Packet Inspection,DPI)[8-10]是對5G-R核心網(5GC)的主要接口信令及業務進行采集識別,DPI數據包括生成的相應xDR文件、原始信令文件等。xDR是從CDR(Call Detail Record,呼叫詳細記錄)延伸的概念和術語,其中x表示任意應用,xDR表示任意應用的詳細記錄。

采集設備從5G-R網絡中獲取原始數據,采集接口包括信令面和用戶面兩類,見表1。

表1 5G-R DPI數據采集接口Tab.1 5G-R DPI Data acquisition interfaces

DPI設備功能結構見圖1。并接分流采用分光器實現,分光位置在交換機輸入或者輸出鏈路上,分光位置選取的原則是在最少的鏈路上收斂盡可能全的數據。信令面流量和用戶面流量進入匯聚分流器后,信令面根據同源同宿,分流到信令面采集機。用戶面根據同源同宿分流到用戶面采集機。采集解析設備接收流量后進行協議解析和業務識別,分別輸出信令面xDR話單和用戶面xDR話單,在“xDR合成”模塊進行話單的合成回填,如果有指標統計需求則在“統計分析”模塊功能上進行統計和分析。xDR輸出后,通過接口服務器上傳到應用服務器。

圖1 DPI設備功能結構Fig.1 Functional structure of DPI equipment

1.2 空口數據

5G-R系統采用雙向鑒權機制,傳統類似于GSM-R系統在開放的空口采用第三方設備進行采樣監測的技術在5G系統中實現難度大。鑒于此,目前公網運營商采用從5G基站設備取得空口監測數據的方式,能夠取得的空口數據見表2。考慮5G-R無線測量和資源管理等方式與5G相同,因此該方式同樣適用于5G-R網絡。

表2 5G-R空口監測數據Tab.2 5G-R air interface monitoring data

1.3 網管北向接口數據

5G-R系統網管子系統除具有傳統的無線配置管理、網管工具操作、性能指標和告警管理功能外,為配合第三方系統掌握5G-R系統的運行狀態,網管系統應通過北向接口提供相應的狀態數據,主要包括資源數據、性能數據、告警數據三類,網管北向數據見表3。

表3 5G-R網管北向數據Tab.3 5G-R network management northbound data

1.4 路測數據

路測數據是鐵路相關部門根據工作計劃搭載綜合檢測列車或者電務檢測車,利用通信檢測系統采集鐵路沿線專用移動通信系統的場強、服務質量以及應用功能檢測指標,通過指標是否合格判斷網絡是否存在異常[11-12]。經研究,5G-R路測系統可提供的數據如表4所示。

表4 5G-R路測數據Tab.4 5G-R field test data

1.5 天線姿態

我國鐵路5G-R申請的無線頻率資源為2 100 MHz頻段2×10 MHz帶寬,較GSM-R頻段更高,電波傳播損耗加大。因此,對于基站天線的姿態更加敏感,天線姿態偏移會直接影響5G-R的無線覆蓋,進而影響網絡服務質量,傳統手工測量的方法無法滿足天線姿態測量的實時性和準確度的要求,文獻[13]提出的基于視覺、衛星定位技術的一種三維姿態測量方法,可為5G-R基站姿態三位精確姿態測量和姿態變化監測提供技術手段,天線姿態數據也可為5G-R運用質量評估提供數據支撐。

2 5G-R運用質量分析關鍵技術研究

不同層面的鐵路管理和技術人員對于5G-R網絡運用質量關注的顆粒度不同。決策層和管理層人員關注網絡運行的整體水平便于決策分析,而網絡維護技術人員更多地關注網絡運行質量變化趨勢,便于故障的提前預警以及網絡出現異常時的故障點排查。為滿足決策和維護等不同人員的關注度需求,可分為2個層次進行評估分析,基于劣化度理論得到5G-R系統的整體運用質量(健康,良好,一般,預警,故障),基于機器學習XGBoost實現網絡運用質量的趨勢分析和異常的定位。

2.1 基于劣化度的5G-R總體運用質量評估

傳統的設備或者系統的劣化度分析是將設備或系統細分為若干個子部件[14],進而建立設備狀態評價集,結合各子部件的權重系數,在部件級健康狀態評估的基礎上按隸屬度最大原則,確定設備最終的健康狀態。

5G-R系統龐大,其中,目前規劃的5GC網元有32個,無線網BBU、RRU分布廣泛,采用傳統的按部件進行分析的方式存在兩個問題,一是部件數量太大,二是各部件狀態無法直接獲取。本文研究的5種用于運用質量評估的數據源從不同側面反映5G-R的運用質量,其中DPI數據可反映5GC的各網元間接口信令及業務流狀態,空口數據可反映無線側相關流程及狀態,北向接口可以反映整個系統的資源、性能、告警狀態,路測數據是以檢測指標為抓手反映整個系統的功能、性能以及承載業務能力,天線姿態可以反映天線的俯仰角及方位角是否在合理范圍內。提出基于上述5種數據源的健康狀態{x1(t),x2(t),x3(t),x4(t),x5(t)}[15],結合各自權重,借助劣化度模糊判斷矩陣,評估5G-R網絡的整理運用質量的思路。

各數據源劣化度采用公式[16]為

(1)

式中,l為該數據源良好狀態;m為該數據源極限狀態;s為該數據源當前實際狀態;n為常數。

各類數據源在進行整體健康狀態判斷時的權重按專家打分的方式給出權重矩陣為

W={WDPI,W空口,W北向,W路測,W天線姿態}

(2)

5G-R運用質量整體健康判斷結果向量包括5種結果,作為備選判斷結果的集合為

S={S健康,S良好,S注意,S惡化,S故障}

(3)

借助模糊數學理論建立評判模糊矩陣為

權重矩陣與判決模糊矩陣相乘即可得到整體運用質量的最大隸屬度判斷結果為

R整體質量=W×R

(5)

下面進行舉例計算。設定五類數據源根據式(1)計算得到的當前劣化度為

K={0.21,0.32,0.22,0.24,0.19}

采用嶺形分布計算各健康等級隸屬度具有明顯優勢,公式如下[14]

(6)

(7)

(8)

(9)

(10)

利用式(6)～式(10)計算得到模糊矩陣如下

專家打分給出權重矩陣如下

W={0.3,0.25,0.12,0.25,0.08}

利用式(5)計算整體質量隸屬度向量為

{0.004 0, 0.844 7, 0.151 3,0,0}

根據隸屬度最大原則,該向量中第二個分量0.844 7最大。因此,此時5G-R系統屬于“良好”狀態。

2.2 基于機器學習的網絡異常檢測與故障定位

為滿足運維技術人員對于異常檢測和故障定位的需求,需研究相應的算法模型。異常檢測是通過訓練模型來尋找不符合預期行為的數據異常點。由于異常檢測是針對小概率事件,且數據集存在極大的非均衡性,因此,需要使用集成學習模型或深度學習模型等魯棒性相對較高的模型。深度學習模型參數多,需要海量的數據進行訓練,且訓練周期相對較長,并不適合本文研究的領域。因此,本文選用了在異常檢測領域應用較多的集成學習模型XGBoost[17]。XGBoost是一種基于決策樹的集成機器學習算法,具有魯棒性強、準確度高、不容易過擬合等優點[18]。其原理主要是通過多個分類器的結果相加獲取最終的預測值,每一次訓練的弱分類器用來擬合當前預測值與真實值的殘差。其目標函數如下

(11)

通過式(11)計算Lt只要達到最小就可以判定目標函數達到模型收斂。

基于XGBoost的異常檢測與故障定位流程見圖2。

在周期性模型訓練階段,為提高模型準確率,需充分了解數據特征,因此,有必要先對DPI、空口、網管北向接口、路測、天線姿態這五種數據進行探索性(EDA)數據分析。EDA數據分析主要有以下作用。

(1)查缺補漏,處理數據當中的缺失值。例如在路測時,由于人為因素或設備因素導致數據缺失,使用均值替換的方式彌補缺失值。

(2)分析不同特征的異常相關性,預先判斷影響異常檢測模型的重要特征,并與實際業務關聯,為故障定位提供參考。

(3)多源數據處理后不同特征下的數值數量級差距較大,需要對其進行歸一化處理,提高特征純度。

根據分析結果進行特征工程建模,從而有效地提取數據特征。將數據特征輸入XGBoost模型中進行訓練,以此得到用于實時預測的異常檢測模型和模型針對當前數據給出的特征重要性排序,為網絡趨勢分析和故障定位提供較為準確的參考依據。

在實時預測階段,實時數據會以消息隊列形式輸入。首先系統對實時數據進行預處理,將預處理結果輸入預測模型中,預測模型對實時數據進行預測,判斷是否出現異常。若模型判斷異常,則根據特征重要性依次進行故障預警確認或故障定位,并結合專家經驗完成預警或者故障處理。

3 基于微服務的系統架構設計

微服務將應用拆分多個小型服務,每個小型服務有自己的進程,微服務之間采用輕量級機制(API)進行通信。作為一種系統研發和部署方式,微服務具有配置簡單、開發快速和易于部署的特點[18]。而5G-R運用質量評估系統結構復雜,采用微服務架構,可大大提升系統的開發效率和可擴展性。

3.1 5G-R運用質量評估功能設計

運用質量評估系統可以實現5G-R網絡運用質量的趨勢分析以及出現故障時的問題分析和定位,此外結合5G-R專網的特點,運用質量評估系統需要解決的問題包括基于云服務化架構NFV模式下故障網元的定位、端到端切片故障的故障點定位等。歸納功能清單如表5所示。

表5 5G-R運用質量評估功能設計Tab.5 Function design of operation quality evaluation for 5G-R

3.2 運用質量評估系統架構設計

5G-R運用質量評估系統需要滿足國鐵集團、局集團公司、站段工區等三級業務及管理需要。為更好適應該系統的實際需求,運用質量評估系統把數據收集和處理、業務服務軟件架構分開設計。

3.2.1 以業務服務為核心的業務功能架構設計

5G-R運用質量評估系統業務架構分為前端展示層、核心功能層、數據存儲層(圖3),其中核心功能層采用SpringCloud微服務架構[19],國鐵集團和各鐵路局根據需要可獨立部署公共功能,也可根據國鐵集團和各鐵路局的個性化需求,單獨訂制開發個性化功能。同時,國鐵集團和各路局之間在完成安全認證下可實現數據的共享。站段工區隸屬于鐵路局,通過路局系統的角色定義,實現自己的業務功能。

圖3 業務功能架構Fig.3 Service and function architecture

業務架構的數據功能是通過調用大數據平臺的API完成數據分析、訂閱、共享。

運用質量評估系統的核心功能包括總體評價、故障預警、故障定位、輔助功能均拆分的獨立微服務,可單獨開發和部署。其中總體評價和故障預警、定位采用第2章中設計的算法和流程。各服務通過Eureka注冊中心完成服務注冊和發現,通過Feign實現遠程服務調用,借助Ribbon完成服務調用的負載均衡,通過Hystrix實現分布式服務的熔斷器,保證服務調用失敗時不會出現整體服務故障,避免服務雪崩,提高系統的彈性和可靠性。

3.2.2 以數據服務為核心的數據平臺架構設計

運用質量評估系統大數據架構[20]分為數據收集層、數據存儲層、數據分析層、數據中臺層,如圖4所示。

圖4 大數據平臺軟件架構Fig.4 Software architecture of Big-data platform

數據收集層對DPI數據、空口數據、網管北向數據、路測數據、天線姿態數據收集,對數據分成實時數據和批量上傳數據,分別進行數據清理、校驗。

數據存儲層分為批量數據和實時數據,批量數據為非實時數據,直接存儲在HDFS分布式文件系統中。實時數據通過Kafka分布式消息系統處理,存入HBase或數據緩存中。

數據分析層利用大數據處理的各種算法,進行數據查詢、分析和處理。

數據中臺層完成數據平臺的數據管理、集群配置、租戶管理、安全管理等功能。

數據平臺架構設計充分考慮了業務功能架構需求,并在數據分析層嵌入了本文提出的劣化度和機器學習等相關算法,實現了整個鐵路5G-R運用質量評估系統架構的數據底座。

4 結語

5G-R網絡作為我國智能鐵路架構中“智能傳輸層”的重要組成部分,其泛在互聯和可靠傳遞屬性的實現直接關系到智能鐵路的高質量發展,將在我國智能鐵路體系架構2.0中發揮重要作用,而5G-R運用質量評估技術的研究,有利于更好地提升5G-R系統的運用、維護技術水平。針對鐵路5G-R運用質量評估開展研究,主要結論如下。

(1)深度剖析了作為評估輸入的DPI、空口、NMS北向接口、路測、天線姿態等主要數據構成和特點,并對各類數據的獲取方式進行了介紹。

(2)為滿足不同層面的鐵路通信管理和維護人員的需求,分層對5G-R運用質量進行評估。一方面針對管理層對5G-R健康狀態整體把控的需求,利用劣化度理論提出了5G-R整體運用質量的評估算法;另一方面針對運維技術人員對于網絡運行趨勢分析和故障定位的需求,利用機器學習算法,結合本文提出的多源數據,提出了相應分析流程。

(3)對5G-R運用質量評估系統進行功能設計,充分考慮了5G-R基于云服務化架構NFV模式下故障網元的定位、端到端切片故障的故障點定位等需求并進行了功能設計。系統架構方面的工作主要包括基于大數據的數據清洗、存儲、分析、配置以及基于Spring Cloud微服務的業務核心功能模塊設計。

后續可進一步完善相關算法,用于5G-R運維支撐系統的研發,與此同時,也可在目前的裝備研發階段對5G-R系統裝備廠家提出相應北向接口運維數據配合需求,提前布局,保障后續研發的順利進行。