面向QoE的LTE网络故障定位和优化技术.pdfVIP

面向QoE的LTE网络故障定位与优化技术 胡亚辉 (中国科学院声学研究所，北京市100190) 摘要：为了保障LTE网络流媒体业务的用户体验质量(Quality ofExperience，QoE)，需要实 时监测终端用户的用户体验质量，且需要在用户体验质量下降时，实施网络故障定位与优化。 使其恢复到正常水平。但随着移动网络的规模的扩大，网络参数种类和数据量的增加，人工 的方式已经不能满足日常运维的工作需要。针对这一问题，提出了一种面向QoE的LTE网 络故障定位和优化方法，提出了基于K．近邻机器学习算法的故障定位模型，并针对网络带宽 Bit 不足故障，提出了基于保证比特率(GuaranteedRate，GBR)的带宽保障方法。仿真结果 表明，所提故障定位和优化系统能够很好的实现移动终端流媒体业务的用户体验质量的监测 和用户体验质量下降后的自动定位和优化。 关键词：QoE，LTE，故障定位，优化，GBR 1 引言 传统的故障定位与优化技术是由网络专家主导的人工诊断模式下，网管专家 Performance 通过观察网络关键性能指标(Key Indicator，KPI)主观判断出现故障 的网络设备或系统参数。但这种模式效率较低，且过于依赖网管专家的经验，已 经不适用于现代复杂的网络部署环境。目前研究者主要关注于基于知识型的自动 化故障诊断系统，智能的学习杂乱数据中的关联关系，发掘出更多的故障匹配准 则，大大减轻网管人员的负担，提高了故障诊断的效率，增强故障诊断系统的学 习能力【1】-【2】。K-近邻算法是一种简单有效的无监督分类算法，具有分类准确度高 的优势。同时，随着体验经济的到来，用户体验越来越重要。针对用户体验质量 of (QualityExperience，QoE)【3】的智能故障定位与优化技术的研究对于网络运维 和优化具有重要的指导意义。本文首先介绍面向QoE的LTE网络故障定位与优化 技术结构及各个子模块的功能；然后介绍基于K．近邻算法的故障定位模型，并分 析了三种网络KPI参数和两种故障的关联关系；接下来介绍了针对系统带宽参数 优化过程；最后对算法进行了仿真验证。 2 总体结构 面向QoE的LTE网络故障定位与优化技术主要包括两个部分，第一部分是移 动终端的QoE实时评价，第二部分是LTE系统基站侧的控制中心，系统结构图如 图1所示。 ．537． 图1系统结构图 小区内移动终端节点包括用户使用的智能手机、平板电脑等可以使用流媒体 点播或直播业务的智能设备，移动终端从流媒体服务器获取业务数据流，并把评 故障恢复的功能，故障恢复模块流媒体业务QoE优化措施，和移动终端形成闭环 的优化回路。 3基于K-近邻算法的故障定位方法 K．近邻算法是一种简单的监督学习算法，通过测量不同特征值之间的距离来 对输入数据分类。其基本工作原理是：训练样本集为X；k如…一)，数据属性值 集合为c={c1、c2、…％)，标签集合￡={ll、，2…．‘)，×中每一个样本数据条目Xt都有 一个m个属性值和一个标签。输入没有标签的数据X。后，K．近邻算法将新数据的 每个属性值和样本集X中对应的属性值进行比较，算法提取样本集中属性值最相 似的分类标签。相似性计算采用欧式距离来度量，算法只选择样本数据集中前K 个与X。最接近的样本，最后的分类结果是K个最相似数据中出现次数最多的分类 标签。 在无线网络流媒体业务中，影响用户体验质量的接入网参数主要有基站发送 功率、带宽配置、切换门限、天线模式和无线资源管理参数等。本文把故障具体 分为信号强度过低和网络带宽不足两种，在应用K．近邻算法时，标签集合L为 L={，1：信号强度过低如：网络带宽不足} 、‘ 一 ，o 4流媒体业务QoE优化策略