基于用户群模型及体验构建自主型网优系统

熊珊

【摘 要】为了应对通信网络每天数亿级DPI数据的秒级响应，减少依靠专家经验的优化工作量，实现网络维度实时分析，提升互联网用户对网络的满意度。通过对移动互联网各用户各业务的调研和信令分析，回溯用户的历史感知，研究多元线性回归方法在用户群模型定位异常网络事件的应用，同时与传统专家预判式的优化方式进行对比，提出了基于用户群模型采用xDR信令关联分析方法、NAE地理栅格化和网络可视化等手段创新网优工作模式，构建自主型网优系统。

【关键词】用户群模型 多元线性 信令关联 自主型 网优系统

1 引言

目前，我国三大运营商积极推进国家提速降费政策的落实，促使4G互联网用户发展迅猛，导致用户体验度持续下降。为了防止用户流失，运营商采取了大量的创新性优化手段来提升网络性能，但收效甚微。本文旨在通过对用户群体模型及体验的研究，分析用户对网络满意度评判分值低的主导因素，运用多元线性回归数学算法迭代和递推出用户满意度的权重因子。首先从理论研究到调研全流程式对用户群模型进行了拟合；然后对比传统专家预判式优化方法，提出了构建基于用户群模型及体验做优化的新模式；再结合用户群模型中的变量权重因子，详细分解了系统采取xDR（External Data Representation）信令關联分析方法、NAE（Network Anomaly Events，网络异常事件）地理栅格化等创新性的优化手段；最后通过运营商3期用户满意度的调研案例，验证了用户体验模型的稳定性及自主型网优系统的有效性。

2 理论研究方法

2.1 分析满意度调研用户群及抽样客观性

根据尼尔森调研公司对移动用户的调查报告，将用户对网络的满意度分成三类：差感用户、客观用户和好感用户。其中，差感用户定义为无通话异常事件，通话质量打分低；客观用户定义为存在通话异常事件，通话质量打分较客观；好感用户定义为有通话异常事件，通话质量打分高。调查报告中客观用户占比约为70%，并验证了客观用户打分与网络感知基本一致，在排除抱有好感和偏见的用户后，绝大部分用户（65%～75%）的满意度打分与其所遇到的异常事件呈现很强的相关性，这一结论经与后端调取历史通话录音的结果基本一致。

筛选出三类用户群中的客观用户，将调研用户数结合网络制式维度进行细分，确定2G/3G用户和4G用户的分布比例。

2.2 构建满意度概念模型

结合上文确定的客观用户各网络制式分布比例进行外呼深访，选取客观用户深访的原因是由于客观用户能够准确评价网络提供的服务。以深访结果构建如图1所示的用户满意度概念模型，语音模型中影响用户满意度的主要因素是掉话和质差（MOS），数据模型中网络不稳定是影响手机上网满意度的最主要原因。

2.3 根据深访后的概念模型构建用户满意度数学模型

针对用户满意度概念模型中影响语音和数据的主要因素，从性能管理系统中提取用户实际使用行为数据，采用多元线性逐步回归方法，建立用户满意度与异常感知事件的关联模型，找到提升网络满意度的抓手。当由多种因素共同决定一个现象时，使用多元线性回归（Multivariate Linear Regression）方法将多个自变量形成最优组合共同来预测或估计因变量：

yi=β0+β1xi1+β2xi2+…+βpxip+εi （1）

其中，yi为因变量；β0为常数项；β1…p为偏回归系数；xi1…ip为自变量；εi为随机误差。

在概念模型中，多个网络异常事件指标共同决定用户满意度，系数即该指标的影响权重。经数据推导和递归形成的语音及数据模型公式如下（下列各影响因子取值已经过逐步非线性变换并标准化）：

语音模型公式：

2G/3G用户语音满意度=5.5+0.75×主叫失败间隔+

0.69×被叫失败间隔+0.09×超短呼间隔+1.68×掉话间隔 （2）

4G用户语音满意度=5.5+0.49×主叫失败间隔+1.81×被叫失败间隔+0.09×超短呼间隔+0.72×掉话间隔 （3）

数据模型公式：

数据满意度=-0.84×TCP（无线）时延+0.08×

TCP（核心）成功率-0.15×DNS时延+0.11×EPS缺省

承载建立成功率+1.28×Http业务成功率-0.94×Http响应时延+0.85×Http下载速率-0.18×TAU失败次数-0.08×TAU时延-0.38×LTE流量+5.5 2.4 用户满意度数学模型拟合度验证

经递归和推导出语音及数据模型公式后，选取运营商1140人（2G/3G用户535人，4G用户605人）进行深访，根据异常事件提取xDR及网络性能数据进行满意度数学模型的拟合测试验证，验证结果显示：掉话是影响2G/3G用户通话感知的最主要因素，约占52.2%；MOS值是影响4G用户通话感知的最主要因素，约占58.1%；Http业务成功率是影响用户上网感知的最主要因素，约占26.16%。

以每月数据预测后续月份的用户满意度，经验证模型置信度为95%，拟合优度分别为98.8%和99.1%。基于模型拟合数据可知，用户满意度数学模型与实际满意度控制在5%以内，这说明模型的稳定性良好，可以应用于影响满意度的异常感知事件定位。

3 基于用户群模型及体验创新网优模式，构建自优化系统

3.1 传统性专家预判优化方法

针对用户满意度异常感知事件的定位，传统性专家预判优化采取QoE（Quality of Experience，用户感知）映射到KQI（Key Quality Indicators，关键质量指标）及KPI（Key Performance Indicators，关键绩效指标），根据KPI异常波动指标查找异常的因子来定位影响用户感知的网络问题，查找过程中将专家排查流程和判断方式固化为经验库，通过匹配经验库中设置的门限和范围值来定位用户感知问题，然后再采取现场DT（Drive Test，路测）/CQT（Call Quality Test，呼叫质量测试）测试、RF优化、后台话统分析和终端定位等优化手段解决感知问题。传统优化方法属于被动式和事后补救性优化，对用户底层的数据和信令关联不够，分析不够全面且用户历史信息回溯性不足。

3.2 基于用户群模型及信令构建自主型优化系统

为弥补传统专家预判式优化的不足，提升用户群体验，实现网络自愈合和自优化，以用户群模型与异常感知事件关联分析、xDR信令关联分析和NAE地理栅格化相融合，构建自主型网优系统。系统分成横、纵两个层面，横向从UE（User Equipment，用户终端）到E-UTRAN（Evolved UMTS Terrestrial Radio Access Network，演进的UMTS陆地无线接入网）、业务平台、服务器、提供商等方面；纵向上按照业务流程进行分段分析，实现业务端到端分析、质量分析、业务可视化及感知问题的自分析、自定位和自优化。

（1）xDR信令关联分析方法

在传统专家式分析结果的基础上，通过各网元的软硬采集xDR数据，将xDR数据与MR（Measurement Report，测量报告）进行字段关联填充、补缺和赋值，结合定位算法与地图指纹库定位用户使用环境及自动输出优化方案；主要包含基于用户定位指纹库、用户环境区分技术、3D仿真、POI自动输出、ACP（自动布站）等关键技术，利用这些技术實现对异常问题和区域的定位，再结合开户数据、经济分析数据、投诉数据分析定位价值栅格，实现面向用户的自优化与智能规划。

xDR信令关联分析的难点在于数亿级的数据处理，Hadoop在这方面具有较好的扩展性和性能，能实现海量数据处理、截取、关联和储存，并面向分布式进行TB/PB级的数据处理。Hadoop在对海量数据的萃取过程中，通过map生成数据的配对值，如：MR和xDR信令数据属关系型数据，如图2所示，在GPS信息关联并赋值中，MR与xDR字段匹配成功是获取GPS的关键，通过xDR中S1-U/MME数据解析提取出用户的GPS信息，并通过用户属性将此GPS时间点附近的MR数据进行关联，实现MR数据精确的用户环境区分和定位。

运用分布式关系型数据库对海量xDR数据进行map映射，主要采用大表聚合和关联，发现通过合理的索引优化技巧可以实现分秒级计算操作。因此，基于关系型map映射构建MR和xDR的关联性数据库并应用于用户群体验的提升，是构建自主型网优系统的关键所在。

（2）NAE地理栅格化

为了在自主型优化系统中直观展示用户群模型应用于定位网络异常事件方面的效果，便于网络监控和处理，将用户所处区域进行地理栅格化，以图形渲染的方式呈现异常事件的恶化程度及用户所处环境的多维网络信息。以网络异常事件——MOS值为例：经过研究与实践，采用E-mode1模型可准确快速评价4G用户语音质量，输出等效MOS值，结合xDR、MR、话统等多维数据定位异常原因，并针对不同原因开展RF、参数、信令、性能及新功能应用等多方面的优化工作，以达到切实提高用户体验、提升用户网络满意度的目的。

实现NAE地理栅格按照图3中的步骤将MOS数据与MR通过时间差、UEID进行关联，借助MR字段数据对MOS进行定位并地理栅格化显示，进行用户VIP分析、网络性能分析、网络覆盖分析等特性优化，以高效支撑4G网络的优化分析。

4 应用推广

2016年运营商委托三方公司对用户满意度进行了三期的调研，深访调研选取1140个样本（2G/3G用户535人，4G用户605人），按照用户身份属性、终端属性和消费属性的实际比例，抽取用户群和运用多元线性逐步回归方法进行异常事件跟踪（抽样置信区间95%），判断异常事件变化趋势，选取三个典型样本进行跟踪，发现全网语音掉话表现变差。

将用户群模型定位后的网络掉话变差——掉话间隔缩短，通过自优化系统定位为CN流程冲突导致，并进行了流程优先级自优化，掉话间隔拉长，完成网络自愈合，问题得到解决。经过系统反复迭代和优化，三方公司进行第3期的调研结果如图4所示。可以看出，第3期用户满意度得分较前两期上升明显，达到预期效果。

5 结束语

随着移动互联网用户终端、业务和需求的不断变化，如何保障网络服务质量、提升用户感知、保持业务持续增长，是通信运营商面临的网络难题。本文通过xDR信令关联分析和NAE地理栅格化等手段对异常事件及区域进行处理，基于用户群模型及体验构建了自主型网优系统，该技术手段能够有效提升用户感知，并改善网络质量。在以后的实际应用中，需要结合新业务、新功能和新协议逐步优化完善，以持续提升网络优化工作的智能化水平。

参考文献：

[1] 冯传跃. LTE网络MR和信令数据的联合分析方法[A]. 天津市电视技术研究会年会论文集[C]. 2016.

[2] 赵川斌，张骥，任义. 基于用户感知的网络优化体系建设探讨[J]. 移动通信， 2011，35（6）： 19-24.

[3] 胡宇辰，郭宇. 基于沙漏模型的移动互联网用户行为分析[J]. 管理世界， 2013（7）： 184-185.

[4] 肖传郊. LTE网络端到端优化系统[J]. 电信网技术， 2012（11）： 5-7.

[5] 王磊，王西点，程楠. 基于大数据技术的智能化无线网络优化体系[J]. 电信科学， 2015（12）： 159-163.

[6] 陈磊，江俊敏，袁汶雯. 自动栅格化工具的实现及其在网规网优中的应用[J]. 邮电设计技术， 2010（12）： 49-52.

[7] 郑伟. 栅格化数据在移动通信网络优化中的应用研究[D]. 北京： 北京邮电大学， 2014.

[8] 梁鹏，李兵，郭文君. 移动数据业务用户行为模型研究[J]. 中兴通讯技术， 2005（4）： 70-74.

[9] 程求江，彭艳兵. 基于用户行为模型的客流量分析与预测[J]. 计算机系统应用， 2015（3）： 275-279.

[10] 董超，杜超. 移动通信网络MOS优化方案[J]. 才智， 2011（30）： 43.