無線網絡自動優化模型的知識獲取

(西安郵電學院 通信與信息工程學院，西安710121)

1 引 言

近年來， 全球的移動通信網發展迅猛。2009年全球3G用戶達到6.5億，預計今年可以達到20億。截至今年6月底，中國在網3G用戶數達到2 520萬，其中TD用戶達1 046萬。未來，全球的移動通信網將由多種技術構成一個無縫的移動通信基礎設施。超3G移動通信網[1]的無線接入網絡(RAN)由不同技術、高度復雜和異構的多種網絡組成，其運行、維護和管理(OA&M)是一項艱巨的任務。同時，由于移動網絡運營商之間的競爭愈演愈烈，RAN的運行將是他們必須面對的嚴峻挑戰。自我管理系統，即自我配置、自我保護、自愈和自我優化，是應對高度競爭環境下這些網絡所固有的高復雜性的有效解決方案。盡管文獻[2-5]等對自愈(即自我診斷)進行了大量的研究，但對自我優化或自動優化方面的相關研究，現有文獻資料幾乎很少涉及。因此，本文在給出無線網絡自動優化系統結構的基礎上，提出一種通過對優化專家的知識獲取，利用貝葉斯概率模型建立無線網絡自動優化模型的方法和過程。

2 自動優化

2.1 概念

無線網絡優化的重點，一是提升用戶感知的網絡性能指標，主要包括掉話、切換、覆蓋、干擾等；二是提高網絡資源的利用率，解決網絡容量和網絡資源的均衡問題。隨著對網絡深度優化要求的提高，目前所采用的基于路測和信令分析工具的主流優化方式已無法滿足要求，基于OMC-R網絡統計數據的自動網絡優化技術應運而生。

無線網絡自動優化包括3項工作：一是發現問題，二是分析問題，三是解決問題。

首先，對網絡進行性能評估，找出關鍵性能指標(KPI)不滿足優化目標指標要求的問題小區。問題小區是指一個小區的一個或多個KPI不滿足指標要求，從而影響服務質量。不同運營商，不同技術網絡，可能會使用不同的方法，或采用不同的KPI性能指標作為優化目標。對于運營商而言，最嚴重的問題莫過于小區經歷了大量的掉話，因為掉話對用戶服務具有極大的負面影響。因此，掉話率是評估小區質量的最好指標之一，可以用來識別問題小區。

其次，一旦確定了問題小區，就應對每個問題小區問題產生的原因進行分析。一個原因或故障是一個小區中存在的邏輯錯誤或物理缺陷，如參數配置錯誤、硬件故障等，從而導致KPI不滿足指標要求。癥狀是一個KPI或告警，如干擾造成的切換數量，根據癥狀統計值可以找出問題的原因。分析問題是最復雜和最耗時的工作，目前主要是由優化專家們借助一些輔助工具手動完成的。

最后，根據問題的原因，制定并實施優化方案，解決問題小區存在的問題。優化的效果可以通過對優化后的網絡性能進行重新評估來衡量。

自動優化的過程可概括為首先定義約束條件，然后構建模型，最后設計收斂算法。

2.2 自動優化系統

為了實現無線網絡的自動優化，圖1給出了自動優化系統的體系結構。

模型定義子系統負責構建系統所需的優化模型。建立優化模型既可依據優化專家的專業知識，亦可根據OMC-R提供的網絡統計數據。模型參數可以采用兩種方式來確定：一是專家提供(基于知識的模型)，二是來自訓練數據(基于數據的模型)。目前，在移動通信網絡中，缺少歷史優化實例。在現有文獻資料中，也缺少無線網絡RAN優化的記錄。因此，在大多數情況下，網絡優化專家的知識和經驗就成為建立優化模型唯一的信息來源。下一部分將提出一種獲取知識的過程，根據優化專家無線網絡優化的知識和經驗建立概率模型。該過程的主要優點是，優化專家可以使用其專業語言傳遞其專業知識，無需了解概率模型，也可很容易地建立模型。

自動優化子系統，首先通過網絡性能分析，找出基于KPI的問題小區，然后，利用優化模型進行推理，找出問題的原因。對于給定的KPI值，采用優化模型和貝葉斯規則，計算出問題可能原因的概率。輸入是癥狀，即來自OMC-R的問題小區的KPI和告警；輸出是問題小區問題的原因和一系列優化方案。優化方案按有效性排序(有效性=優化方案的可能性/優化方案的成本)，按順序實施，直到問題解決。優化方案的實施可以是從一個遠程終端修改配置參數，也可以是派遣人員到現場更換設備故障件，甚至可以是自動地執行軟件相關的優化方案。一般來說，運營商更希望只提供優化方案，而把最后的決定權留給優化專家。最后，生成優化報告，包括原因、優化方案及其實施過程和結果。

圖1 自動優化系統平臺Fig.1 Automatic optimization system platform

自動優化子系統可獨立于OMC-R工作，也可以集成或嵌入到OMC-R，以發揮其最大效能，從而實現自我優化。自我優化將提供對問題分析所需OMC-R統計數據的直接訪問，以及運營商優化系統的直接進入，對多廠商網絡和多技術網絡更有利。因此，所有有關的自動優化的案例，可自動轉到自我優化系統。如果自我優化系統找到了解決方案，就清除該案件，生成報告并存檔；否則，可以將該案件轉交專家做進一步分析。最后的分析結果可納入專家系統的知識庫。

3 概率模型

自動優化子系統包括優化模型和推理機制兩部分，其中優化模型是如何確定問題原因的知識，模型的組成元素是原因和癥狀，推理機制是根據癥狀值分析問題原因的算法。

構建優化模型包括兩個階段。首先，確定定性模型，即對于給定的技術(GSM、CDMA、3G和多技術網絡等)給出優化的癥狀和原因。原因可以模型化為具有兩種狀態的離散隨機變量：{出現，不出現}。癥狀可以概括為KPI和告警兩種類型，KPI本質上是連續的，可以模型化為連續或離散隨機變量。離散化的KPI可能有任意多個離散狀態，分別表示該KPI的連續范圍內的一個子集，如{正常，高，很高}。告警也可以模型化為具有兩種狀態的離散隨機變量：{無，有}。其次，確定定量模型，即模型的參數。在一個離散模型中，參數就是離散化KPI的閾值和概率。

一旦確定了定性和定量模型，就可以利用推理機制來計算每個可能原因的概率。對于給定癥狀值{S1,S2,…,SNS}，應用貝葉斯規則，得到原因Ci的概率如下：

(1)

式中，P(Ci)為原因Ci的先驗概率，P(Sj|Ci)是給定原因癥狀的概率。

上式假設兩個條件：原因不能同時發生；對于給定的原因，癥狀間相互獨立。以上假設適用于無線網絡RAN，即使不適用，這種模型已經被證明能提供很好的結果[6]。

假設一個實例為問題小區的癥狀值和問題的實際原因組成的集合，那么這樣的實例既可用于訓練系統，即計算模型的參數，亦可用于測試系統，即計算優化的準確率(在測試集合中實例正確分類的百分比)。

模型的參數是閾值和概率。一方面，閾值是連續癥狀離散化的區間，即tj,k是癥狀Sj的第k個閾值，分成狀態sj,k和sj,k+1；另一方面，根據式(1)，概率如下：

(1)原因的先驗概率：P(Ci),i=1,2,3,…,NC；

(2)給定原因癥狀的條件概率：P(Sj=sj,k|Ci),i=1,2,3,…,NC；j=1,2,3,…,NS，它是給定原因Ci在狀態sj,k下癥狀Sj的概率。

4 知識獲取

知識獲取的過程就是根據優化專家的知識構建概率模型的過程，包括兩個階段：第一階段，知識收集，即獲得專家知識；第二階段，構建模型，即根據先前獲得的專家知識確定概率模型。

4.1 知識收集

知識收集的過程包括以下6個步驟。表1和表2分別匯總了優化專家應提供的定性信息和定量信息。

表1 定性信息Table 1 Qualitative information

表2 定量信息Table 2 Quantitative information

(1)問題分類

問題類型就是RAN可能遭受的各種問題，如“高掉話率”或“擁塞”。對每個問題類型，建立一種不同的模型。

(2)定義變量

應該有原因和癥狀數據庫，優化專家可以從數據庫中選擇一個變量，或定義一個新變量，然后將其納入到數據庫。首先，優化專家指定問題類型的可能原因{C1,C2,…,CNC}，即無線網絡中問題的原因，據此建立優化模型(如“高掉話率”)。建議包括一個叫做“其它原因”的原因，以涵蓋在已定義原因中沒有明確界定的問題的其它可能原因。其次，要求專家列舉癥狀{S1,S2,…,SNS}，這可能有助于確定先前定義的原因。每個癥狀Si的狀態si,j也應作出具體的規定。

(3)定義關系

(4)確定閾值

對于每個連續的癥狀Si，確定每個定義區間范圍(即閾值)tj,k。

(5 )確定概率

(6)將癥狀映射到數據庫(OMC-R)

將模型中癥狀映射到OMC-R中的數據，每個癥狀應該與OMC-R中的一個參數(KPI、計數器等)或一組參數相關聯。

4.2 構建模型

根據式(1)，建立模型所需的概率為原因的先驗概率P(Ci)和給定原因下癥狀的概率P(Sj|Ci)。因此，優化專家所提供的數據(表1和表2)應轉化為式(1)所需的概率。優化專家所給出的概率PCi直接作為原因的概率P(Ci)。考慮到該模型假設原因是互斥的，所以原因的概率之和應為1。有兩種方式處理該約束條件：一是由專家檢查其給出的概率是否正確；二是允許給出的概率不符合約束條件，然后采用下列方法自動修正：

(1)如果概率之和大于1，那么就對每個概率進行歸一化處理；

(2)如果概率之和小于1，那么就添加一個稱為“其它”的原因CNC+1，表示專家未考慮到的問題的所有其它原因，其概率等于1減去原來原因的概率之和。

對于癥狀的概率P(Sj=sj,k|Ci)，Sj對于相關原因的條件概率已經由專家明確給出：

(2)

對于所有非相關原因，癥狀的條件概率都是相同的，即：

(3)

4.3 實證分析

知識獲取所建立的優化概率模型，是一種基于知識的模型，需要經過靈敏度分析和實際網絡使用來驗證其有效性。

根據文獻[8]中靈敏度分析顯示，基于知識的模型對閾值的界定不準確尤其敏感。實驗也證明，當訓練實例數目有限或缺乏時，基于知識的模型是最好的選擇。反之，當擁有一個大型的訓練實例數據庫時，基于數據的模型應該是首選。

由于缺乏且很難得到訓練實例，所以在大多數情況下，基于知識的模型是3G和B3G無線網絡RAN的唯一選擇。建立基于知識的模型需要很長時間，特別是參數必須在實際網絡中反復測試調整。對現行網絡而言，可行的方法是先從基于知識的模型開始。每解決一個問題，就將相關的癥狀和實際原因保存到數據庫，這樣，訓練實例數據庫將會不斷擴展，不久即可使用基于數據的模型。

5 結 論

無論對于當前還是未來的移動通信無線網絡(包括GSM、CDMA、WLAN、3G、B3G網絡等)，實現自我優化是必由之路。本文從理論上研究了移動通信無線網絡的自動優化，給出了無線網絡RAN自動優化的系統體系結構，提出了一種從優化專家進行知識獲取建立系統所需優化模型的方法和過程。理論分析表明該方法和過程的可行性，對于自我優化系統的實現具有一定的理論指導意義和實際應用價值。未來的進一步研究工作，一是選擇一種現行網絡驗證優化概率模型的實際有效性，二是研究如何實現基于知識的優化模型和基于數據的優化模型在同一個自我優化系統的有機結合。

參考文獻：

[1] Jamalipour A, Wada T, Yamazato T. A tutorial on multiple access technologies for beyond 3G mobile networks[J]. IEEE Communications Magazine, 2005, 43(2): 110-117.

[2] Barco R, Wille V, Díez V. System for automated diagnosis in cellular networks based on performance indicators[J]. European Transactions on Telecommunications, 2005, 16(5): 399-409.

[3] Wietgrefe H.Investigation and practical assessment of alarm correlation methods for the use in GSM access networks [C]//Proceedings of the IEEE/IFIP network operations and management symposium.Florence,Italy：IEEE,2002:391-403.

[4] Laiho J, Raivio K, Lehtimki P, et al. Advanced analysis methods for 3G cellular networks[J]. IEEE Transactions on Wireless Communication, 2005, 4(3): 930-942.

[6] Rish I.An Empirical Study of the Naive Bayes Classifier[R]//IJCAI-01 Workshop on Empirical Methods in Artificial Intelligence Technical Reports.[S.l.]:IJCAI-01 Workshop:2001:41-46.

[7] Renooij S, Witteman C. Talking probabilities: Communicating probabilistic information with words and numbers[J]. International Journal of Approximate Reasoning, 1999, 22(3): 169-194.

[8] Barco Raquel,Lázaro Pedro,Wille Volker,et al. Knowledge acquisition for diagnosis model in wireless networks[J]. Expert Systems with Applications, 2009, 36(3):4745-4752.