基于自组织映射的无线网络性能分析*

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于自组织映射的无线网络性能分析*范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

【摘 要】为了解决缺乏适合复杂网络环境的网络性能分析方法的问题，采用基站小区的行为特征建模方法，分析实际移动通信网络性能数据，研究了自组织映射算法，并提出了一种对无线网络性能进行监控和分析的方法。通过在移动通信网络分析中实际应用，验证了该方法的可行性和实用性。

【关键词】自组织映射 无线网络 性能指标 聚类分析

1 引言

近年来，随着移动通信网络不断演进，无线网络性能数据更加丰富和复杂[1]，这为数据自动化分析工具以及基于用户行为和感知的分析方法提出了更高的要求。2007年，Guerzoni等人[2]提出使用无线网络性能数据的分布特性来监控和分析无线网络性能；2013年，Kumpulainen等人[3]基于CQI（Channel Quality Indicator，信道质量指示）[4]提出了使用模糊推理系统来监控WCDMA无线网络的性能。本文基于反映用户感知和用户行为的无线性能数据CQI及PD（Propagation Delay，传播时延）[5]，提出采用SOM（Self-Organizing Map，自组织映射）和多层聚类方法提取WCDMA基站小区的行为特征，进一步用以分析和监控基站小区的无线网络性能，并介绍在实际网络监控中如何采用新的方法来监控无线网络性能，提供一种适合大数据的网络性能监测方法。

2 无线性能分析方法

通过WCDMA专业网管系统提取出以下无线网络性能指标：

（1）CQI：反映无线信道质量，共分为31个质量等级，等级越高基站小区下行信道的无线环境质量越好；

（2）PD：用来估算移动终端与小区间的距离，共分为16个等级，等级越低距离基站越近。

本文提出了一种基于自组织映射算法的移动通信网络性能分析方法，步骤如下：

（1）将标准化[6]后的CQI和PD数据分别构建CQI和PD的SOM神经网络，确定每个样本矢量的BMU（Best Matching Unit，获胜神经元）；

（2）分别聚类CQI和PD的BMU提取小时级的行为模式，包括由CQI BMU提取的质量模式和由PD BMU提取的覆盖模式；

（3）按天统计小区质量模式和覆盖模式的分布情况，再通过第二次聚类抽象出小区行为特征。

具体算法步骤如图1所示：

2.1 自组织映射

自组织映射（SOM）是一种无监督学习的神经网络[7]，因其良好拓扑保持、聚类和可视化能力普遍用于数据挖掘。

本文基于自组织映射神经网络，对CQI和PD样本数据进行建模。样本数据包含3076个基站小区的CQI和PD指标，共1 397 794（19天×24小时）条小时数据。对标准化后的CQI和PD数据进行二维SOM训练，训练后可达到以下结果：CQI采用99×60神经元网格共5940个神经元，PD采用129×46个神经元网格共5934个神经元。

2.2 行为模式聚类

在已构建的神经网络基础上，识别出CQI和PD样本数据的BMU，再使用K均值聚类算法[8]分析得到的BMU数据[9]，聚类数量由Davies-Bouldin值[10]确定。将聚类结果定义为行为模式，即CQI聚类结果为质量模式、PD聚类结果为覆盖模式。各聚类中心如图2所示。

质量模式共分为8类，根据能够使用高阶调制方式的比例和实际优化工作的经验来确定质量模式所反映的无线信道质量，分段统计如表1所示。

表1中，质量模式1和质量模式6的CQI>25占比较高、CQI≤15占比较低，这2种模式的无线信道质量较好，小区能够提供较好的吞吐率和用户感知，将这2种质量模式定为优。质量模式5的CQI>25占比最低且CQI≤15占比最高，该质量模式提供的吞吐率和用户感知最差，将该质量模式定为差。同理，将质量模式2、8定为良，质量模式3、4和7定为中。

覆盖模式共分为5类，参考工作经验建议按照以下覆盖距离分段统计，如表2所示。其中，覆盖模式3和覆盖模式4的用户主要分布在距离小区700 m范围内，覆盖模式为近；覆盖模式1在700 m范围内占比较少，覆盖模式为远；其余覆盖模式则为中。

将1 397 794条数据进行关联，分析质量模式和覆盖模式间的关系，结果如表3所示。小区质量模式在中及以上比例占85%，覆盖模式为中及相近比例达90.6%，可以看出，小区的整体质量和覆盖处于较好水平。

2.3 小区行为特征

将上节中按天统计小区各行为模式次数，过滤一天不足20小时的数据后共58 129条数据，根据Davies-Bouldin值确定聚类数为5。聚类中心如图3所示。

将聚类结果映射为基站小区的行为特征，归属同一类别的基站小区具有相似的质量和覆盖行为。通过分析各行为特征中质量模式和覆盖模式的主要占比，归纳出各行为特征的特点如表4所示。

从分析结果可以看出，行为特征2覆盖近、质量好；行为特征4的覆盖模式主要占比为模式4，覆盖距离近，但质量模式主要集中在良和中，表明在覆盖近的情况下未能提供良好的吞吐率；行为特征1的覆盖模式主要是近和中，质量模式主要为良和中；行为特征3的覆盖模式主要集中在模式5和模式2，覆盖中，其质量模式分布在良、中和差，说明小区吞吐率和用户感知较差；行为特征5中覆盖模式1和质量模式5的占比高，表现出覆盖距离远和质量差的特点。

3 行为特征分析

持续观察小区行为特征的变化能够为分析小区行为提供有价值的信息。下面将进一步分析小区行为特征变化，过滤统计天数不足17天的小区后共有3058个小区，其中1192个小区表现出同一行为特征，有1419个小区在统计时间段内表现出两种行为特征，这两类小区共占整体小区的85.14%，如图4所示，表明整体网络表现平稳。

基站小区行为特征统计结果如表5所示。其中，第1列为小区在统计时间段内单一行为特征最多的天数，其余列为对应第1列的行为特征小区数。

由上述分析结果可知，行为特征2具有最好的网络质量，行为特征5的网络质量较差。结合表5的数据可以看出，共271个小区仅表现出行为特征2，这些小区运行良好，无需更多关注。同时，行为特征5的小区共136个，这部分小区可能存在覆盖过远导致质量差的问题，需重点关注。

4 结束语

CQI和PD是反映无线信道质量及用户位置的无线网络性能指标，利用该指标对小区的行为特征进行模式识别，可以对网络性能提供有效的评价标准并给出优化意见。本文通过对基站小区行为特征进行建模，提出了一种监控和分析无线网络性能的方法。该方法首先基于自组织映射算法找到CQI和PD样本数据的BMU，然后使用聚类算法对各BMU的行为模式进行分析，得到各小区的行为特征模型。使用该模型可以实现对无线网络性能的监控和分析，未来将有望在运营商网络规划优化、故障排查中得到广泛应用。

参考文献：

[1] A R Mishra. Advanced Cellular Network Planning and Optimization： 2G/2.5G/3G Evolution to 4G[M]. John Wiley & Sons， 2006.

[2] Guerzoni R， Zanier P， Suman R， et al. Signaling-based radio optimization in WCDMA networks[A]. IEEE International Symposium on World of Wireless[C]. 2007： 1-6.

[3] Kumpulainen P， S?rkioja M， Kylv?j? M， et al. Analysing 3G radio network performance with fuzzy methods[J]. Neurocomputing， 2013，107： 49-58.

[4] Chevallier， Christophe， et al. WCDMA （UMTS） deployment handbook： planning and optimization aspects[M]. John Wiley & Sons， 2006.

[5] Kreher R. UMTS performance measurement： a practical guide to KPIs for the UTRAN environ-ment[M]. John Wiley & Sons， 2006.

[6] R O Duda， P E Hart， D G Stork. Pattern Classifica-tion[M]. 2th ed. John Wiley & Sons， 2001.

[7] Kohonen T. Self-organizing maps[M]. Springer， 2001.

[8] J Macqueen. Some methods for classification and analysis of multivariate observations[J]. Proc of Berkeley Symposium on Mathematical Statistics & Probability， 1966（1）： 281-297.

[9] Vesanto J， Alhoniemi E. Clustering of the self-organizing map[J]. IEEE Transactions on Neural Networks， 2000，11（3）： 586-600.

[10] Davies D L， Bouldin D W. A cluster separation measure[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1979（2）： 224-227.