基于OTT数据的5G端网协同智能优化研究与实践.docxVIP

基于OTT数据的

5G端网协同智能优化研究与实践

1概述

在目前5G网络大规模部署背景下，要拉动5G业务收入增长，运营商面临的首要关键问题是5G用户的常驻区域的网络质量。保障最容易出问题的覆盖地点，是5G网络端网协同优化的重中之重。传统网络保障通过路测数据（DT）或者测量数据（MR）分析发现网络缺陷，其中DT数据只能反映点线上的问题，无法做到全网精细化评估，而MR数据虽然全面但是5GR15版本终端暂不支持带位置信息的测量数据，即使后续版本支持也存在部分终端不上报MR位置的问题，对5G网络质量的评估造成影响。

——————————

收稿日期：2022-08-26

机器学习技术作为人工智能的重要组成部分，是国家发展战略重点扶持的目标［1］和当下各行业关注应用的焦点。本文通过使用用户终端APP上产生的用户无线网络数据（OTT）来补偿5GMR的缺陷，利用神经网络算法［2］和DBSCAN聚类算法［3］构建5G用户位置模型和弱覆盖小区分布，为5G用户网络感知精细化保障奠定良好基础。

2目前5G端网协同优化方法存在的不足

在当下5G端网协同优化中，5G用户感知精细化保障始终是一个难点。由于5GMR不携带用户经纬度信息，网络分析严重依赖于人的优化经验等方面的特点，急需引入大数据和机器学习的优化方式，实现5G端网协同优化的智能化。

32 2022/10/DTPT

2.1MR经纬度缺失，网络精细化分析困难

MR是UE在网络中上报的无线网络测量数据，包含小区电平、小区质量和小区覆盖范围等无线环境指标。在4G中MR还包含了测量报告发生地点的经纬度信息，网优人员可以利用经纬度信息来评估特定地点的网络覆盖情况，对网络感知进行精细化保障。目前5G用户级MR文件不携带经纬度数据，MR平台仅有天级的小区MR指标，对感知差的特定时间、特定位置和特定用户无法进行精细化网络指标分析，造成网络优化的瓶颈。

2.2端网协同优化手段缺乏，对技术要求高

传统端网协同优化主要通过路测或者用户投诉发现无线网络覆盖问题，是目前主流的网络优化方法，其能在一定程度上解决无线覆盖问题，但对于覆盖问题不能第一时间解决，往往在问题发生后才能进行排查；解决问题阶段，目前主流分析方法为人工分析、排查收集到的质差数据，判断弱覆盖类型、弱覆盖原因并预估解决方案，分析人员的主观判断在这个过程中起主要作用，容易出现误判且消耗大量人力［4］。

3基于OTT数据的5G端网协同智能优化

5G终端MR经纬度位置信息的缺失直接影响到

5G端网协同精细化分析，只能实现小区级的网络质量

分析，另外传统根据MR采样点人工搜寻弱覆盖区域

的优化方法费时费力。面对5G网络不断壮大的规模，

亟待MR精细化智能化应用的出现。

本文通过研究OTT数据和MR数据的关联性，利

用机器学习算法基于OTT数据建立5G用户位置预测

模型，再迁移到MR数据上进行应用，预测出5G用户

MR发生位置。计算出MR的位置后，对MR的主小区

电平值进行聚类分析，得到弱覆盖小区分布。该算法

可在网络指标优化、RF优化、用户投诉分析等网优日常5G优化工作中起到积极作用。

OTT及MR数据概述

OTT数据

OTT数据来自于真实的用户在真实的应用场景下产生的真实网络状况，而且覆盖范围广，包含异网运营商甚至Wi-Fi运营商的信息。

OTT数据采集的主要内容如下。

a）数据覆盖数百个手机APP，包括视频、直播、新

闻、支付等。

b）数据覆盖中国的安卓用户，包含三大运营商及

2G/3G/4G/5G网络用户。

c）数据包含无线网质量、Wi-Fi、定位、时间、基

站、终端及APP等信息。

具体地，OTT大数据采集信息包括用户一些特定

的APP上报的终端型号、运营商标识、网络制式、网络

设备标识、网络指标（如RSRP、RSRQ及SINR）、邻区

PCI、邻区电平、经纬度、室内外标识、检测最强Wi-Fi

信息、Wi-Fi信号强度等（见表1）。

表1OTT数据采集字段信息

字段分类

字段

说明

5G

基

础参数及网络测量

基础参数

CELL_ID

小区ID

ENBID

基站ID

NR_PCI

5G小区PCI

NR_ARFCN

5G小区频点

服务小区测量值

NR_SSB_RSRP

5G下行广播信道信号强度测量值

NR_SSB_RSRQ

5