利用數(shù)據(jù)挖掘的網(wǎng)絡(luò)智能感知與自適應(yīng)優(yōu)化

摘要：文章提出了一種利用數(shù)據(jù)挖掘的自適應(yīng)優(yōu)化方法。該方法將自優(yōu)化問題與數(shù)據(jù)挖掘技術(shù)相結(jié)合，利用數(shù)據(jù)挖掘技術(shù)對海量數(shù)據(jù)進行處理，找出表示其中內(nèi)在規(guī)律的知識，利用這些知識進行網(wǎng)絡(luò)自適應(yīng)優(yōu)化。文章以通話業(yè)務(wù)時長預(yù)測分析為例進行分析，結(jié)果表明利用數(shù)據(jù)挖掘進行業(yè)務(wù)預(yù)測的精度高于傳統(tǒng)的統(tǒng)計分析方法，論文分析在C-RAN架構(gòu)下利用數(shù)據(jù)挖掘?qū)W(wǎng)絡(luò)狀態(tài)進行預(yù)測是可行的。

關(guān)鍵詞：自優(yōu)化；數(shù)據(jù)挖掘；C-RAN架構(gòu)網(wǎng)絡(luò)；基帶資源池

Abstract：In this paper， we propose a self-optimization method based on data mining. With this method， mass data can be processed and laws can be found for self-optimization. We analyze call service prediction and show that using data mining to predict services is more accurate than using statistical methods to predict services. We present data mining technology that can be used for network prediction in a C-RAN architecture.

Key words：self-optimization； data mining； C-RAN networks； baseband resource pool

自組織（Self-organizing）一詞來自于物理學(xué)中，指的是這樣的一類物理現(xiàn)象：系統(tǒng)無需外界指令，而能自行組織，自行創(chuàng)生，自行演化。根據(jù)物理學(xué)家的研究成果，系統(tǒng)演化的動力是系統(tǒng)中各個個體之間通過競爭，使得個體與個體存在協(xié)同性，從而使系統(tǒng)表現(xiàn)出一個或幾個趨勢。也就是說，是系統(tǒng)中的不同個體之間的相互作用，形成了整體的一種規(guī)律的表現(xiàn)[1]。

在文獻[2]中，Christian Prehofer和Christian Bettstetter首先將自組織的概念引入到通信網(wǎng)絡(luò)中，通過通信網(wǎng)絡(luò)中的個體感知網(wǎng)絡(luò)中可以感知的環(huán)境，并且對環(huán)境進行自適應(yīng)的調(diào)整，以這種網(wǎng)絡(luò)中單個實體的行為來實現(xiàn)網(wǎng)絡(luò)的整體優(yōu)化。在該文獻中還闡述了自組織網(wǎng)絡(luò)應(yīng)該具有自配置、自優(yōu)化和自愈合3個功能，其后，學(xué)術(shù)界多從這3個方面開展自組織網(wǎng)絡(luò)的研究。

網(wǎng)絡(luò)自優(yōu)化問題顯然是自組織網(wǎng)絡(luò)中的一個重要的方面，是指網(wǎng)絡(luò)設(shè)備在網(wǎng)絡(luò)的運行過程中，自適應(yīng)地調(diào)整自身的參數(shù)或者相關(guān)的資源管理策略，以達到提高網(wǎng)絡(luò)性能的目的。自優(yōu)化技術(shù)對于節(jié)省優(yōu)化人員工作，降低網(wǎng)絡(luò)的運營維護成本具有重要的意義。

目前已經(jīng)有網(wǎng)絡(luò)的自優(yōu)化方法的相關(guān)研究，比如在文獻[3]中已經(jīng)指出，自組織網(wǎng)絡(luò)中的自優(yōu)化內(nèi)容可以是容量、無線網(wǎng)絡(luò)的覆蓋優(yōu)化，并且給出了無線網(wǎng)絡(luò)中容量與小區(qū)覆蓋的自組織優(yōu)化流程。它包括3個步驟：容量和覆蓋問題檢測、做出參數(shù)調(diào)整決策、調(diào)整決策的執(zhí)行。其中容量和覆蓋問題檢測是檢測網(wǎng)絡(luò)狀態(tài)，而參數(shù)調(diào)整決策則是通過一定的算法來對參數(shù)調(diào)整方案進行求解，調(diào)整決策執(zhí)行包括功率發(fā)射參數(shù)、小區(qū)重選優(yōu)先級以及天線下傾角以及天線俯仰角等參數(shù)的優(yōu)化；在文獻[3]中還指出了自組織移動健壯優(yōu)化，包括切換管理與負載均衡的優(yōu)化，指出從接入策略的角度可以實現(xiàn)快速移動、慢速移動用戶的區(qū)別對待，從而使得網(wǎng)絡(luò)資源利用更加優(yōu)化。

上述提出的這些自組織優(yōu)化具很高的價值，然而在演進型基站（eNodeB）中，單純地通過一個小區(qū)中的數(shù)據(jù)來進行優(yōu)化顯然是不足的。比如，針對移動用戶的覆蓋與容量自組織優(yōu)化，不僅需要鄰居小區(qū)列表，而且需要鄰居小區(qū)的覆蓋情況信息；再比如切換與負載問題中，單純地從一個小區(qū)的信息來進行優(yōu)化，顯然不能夠?qū)K端的移動性進行預(yù)測，小區(qū)之間的負載均衡也會因此而性能不夠理想，這就需要不同小區(qū)之間信息的相互交互，但是這樣就會增加網(wǎng)絡(luò)開銷。

1 數(shù)據(jù)挖掘技術(shù)相關(guān)背景

1.1 數(shù)據(jù)挖掘技術(shù)

最近這些年來，隨著科學(xué)技術(shù)和信息技術(shù)的發(fā)展，人們所接觸到的信息量種類越來越多，信息量越來越大。而這些海量的信息中雖然蘊含著我們所想知道的一些知識，但是需要對這些數(shù)據(jù)進行處理，將所需要的知識挖掘出來，這就是數(shù)據(jù)挖掘的產(chǎn)生背景與目的。

數(shù)據(jù)挖掘是通過仔細分析大量數(shù)據(jù)來揭示其中有意義的新關(guān)系新趨勢的過程，從大量的數(shù)據(jù)中提取其中人們所關(guān)心的一些潛在的信息知識的過程。該研究領(lǐng)域是一門將人工智能、數(shù)據(jù)庫技術(shù)、統(tǒng)計學(xué)、機器學(xué)習(xí)和模式識別等多個領(lǐng)域相互融合的技術(shù)，自20世紀(jì)80年代產(chǎn)生以來受到多個學(xué)科的研究人員關(guān)注。

數(shù)據(jù)挖掘的主要任務(wù)是發(fā)現(xiàn)隱藏在數(shù)據(jù)中的模式，從而發(fā)現(xiàn)這些模式中的一些內(nèi)在的規(guī)律和趨勢。這些數(shù)據(jù)可能是不完全的、有噪聲的、模糊的，但是一定是大量的數(shù)據(jù)。數(shù)據(jù)挖掘的流程和方法如圖1所示[4]。

圖1中數(shù)據(jù)挖掘可以分為3個階段：數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘、知識存儲。數(shù)據(jù)預(yù)處理是指將原始的數(shù)據(jù)處理成為便于挖掘的數(shù)據(jù)等操作；數(shù)據(jù)挖掘是指從預(yù)處理的數(shù)據(jù)中發(fā)現(xiàn)其中的內(nèi)在聯(lián)系和特征，形成知識；知識存儲是將挖掘出來的知識進行存儲以便于利用，具體的相關(guān)內(nèi)容請查閱數(shù)據(jù)挖掘的專業(yè)文獻。

目前，數(shù)據(jù)挖掘技術(shù)通過一段時間的發(fā)展取得了一定的成果，在分類預(yù)測模型方法上面，已經(jīng)有諸如決策樹方法、神經(jīng)網(wǎng)絡(luò)方法、規(guī)則歸納方法、支持向量機方法、貝葉斯方法、回歸分析方法、K-最近鄰方法、組合學(xué)習(xí)方法等。這表明數(shù)據(jù)挖掘技術(shù)已發(fā)展到了一定的水平，對大規(guī)模數(shù)據(jù)處理和預(yù)測已經(jīng)具有了較好的基礎(chǔ)。

1.2 C-RAN架構(gòu)及其特點

在文獻[4]中提出了一種新型的綠色節(jié)能無線接入網(wǎng)架構(gòu)——C-RAN架構(gòu)，并且中國也啟動了針對該架構(gòu)的國家科技重大專項，目前中國多家大型的移動通信企業(yè)，如中興通訊、華為、大唐都投入到該項目的研發(fā)中。無線接入網(wǎng)（RAN）架構(gòu)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示[5]。

在該網(wǎng)絡(luò)架構(gòu)下，基帶資源池以云計算的模式對多個小區(qū)進行資源管理，從而可以較大地降低運營成本。由于網(wǎng)絡(luò)狀態(tài)信息較為集中，在提高網(wǎng)絡(luò)智能化等方面具有很好的優(yōu)勢。

在C-RAN架構(gòu)下的無線接入網(wǎng)絡(luò)具有如下特點：

（1）數(shù)據(jù)量龐大

在C-RAN架構(gòu)下，很顯然一個基帶資源池是需要處理一個較大區(qū)域網(wǎng)絡(luò)基帶資源業(yè)務(wù)，而這個區(qū)域的所有小區(qū)的基帶資源都存儲在這個基帶資源池中，這些數(shù)據(jù)的量與所覆蓋的小區(qū)數(shù)量是大致呈線性增長的。如果用最優(yōu)化的方法進行分析處理，則計算量會隨著數(shù)據(jù)量的增加而呈現(xiàn)快速增加，這對于實現(xiàn)來說帶來了很大的困難。

（2）數(shù)據(jù)更加豐富

由于在網(wǎng)絡(luò)中會采用虛擬基站集群處理一個較大區(qū)域的網(wǎng)絡(luò)業(yè)務(wù)，與單一小區(qū)分別處理和數(shù)據(jù)存儲相比較，其中所蘊含的信息更加豐富，比如由于運動所引起的移動終端切換，在原服務(wù)小區(qū)可以對目標(biāo)小區(qū)的資源優(yōu)化提供相應(yīng)的信息，從而使得目標(biāo)小區(qū)能夠更好地進行資源優(yōu)化管理。正是由于這種構(gòu)架下處理和存儲網(wǎng)絡(luò)的多個小區(qū)的網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)，所蘊含的有用的信息資源更加豐富，為實現(xiàn)多個小區(qū)之間相互協(xié)調(diào)的自適應(yīng)優(yōu)化提供了可能。

（3）小區(qū)間的數(shù)據(jù)不再需要交互

由于C-RAN架構(gòu)下虛擬基站集群處理和存儲的是各個小區(qū)的數(shù)據(jù)，采用的云計算的模式來進行處理的，換句話說其中的數(shù)據(jù)包含了多個小區(qū)的數(shù)據(jù)，因此在多個小區(qū)相互協(xié)調(diào)優(yōu)化的過程中，不需要小區(qū)之間頻繁的相互更新網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)信息。自組織的目的是通過小區(qū)對周圍環(huán)境（臨近小區(qū)）的監(jiān)測來調(diào)整自身策略，從而實現(xiàn)網(wǎng)絡(luò)優(yōu)化，而這就需要小區(qū)不斷監(jiān)測與查詢周圍小區(qū)的網(wǎng)絡(luò)狀態(tài)。在C-RAN架構(gòu)網(wǎng)絡(luò)中，因為所有的數(shù)據(jù)都存儲在虛擬基站集群當(dāng)中，因此不需要通過小區(qū)之間相互通信就能感知網(wǎng)絡(luò)情況，可以節(jié)約大量的資源。

2 C-RAN架構(gòu)下的自優(yōu)化

2.1 C-RAN架構(gòu)下的自適應(yīng)網(wǎng)絡(luò)優(yōu)化

在C-RAN架構(gòu)下，因為數(shù)據(jù)都集中在虛擬基站集群部分，因此數(shù)據(jù)挖掘也針對虛擬基站集群中所存儲的數(shù)據(jù)進行挖掘。其結(jié)構(gòu)示意圖如圖3所示。

圖3中數(shù)據(jù)預(yù)處理是指對所記錄的網(wǎng)絡(luò)狀態(tài)的數(shù)據(jù)、歷史數(shù)據(jù)等進行一個處理，是把原來不是數(shù)值化表示的參數(shù)進行數(shù)值化描述，并且對所有的參數(shù)都進行一定的映射，這樣做的目的是避免參數(shù)之間存在數(shù)量級別上的過大差距，避免在挖掘過程中出現(xiàn)某些參數(shù)被其他數(shù)量級過大的參數(shù)吞掉而不起作用。

數(shù)據(jù)挖掘過程就是指根據(jù)數(shù)據(jù)挖掘的相關(guān)方法，將這些數(shù)據(jù)的特征發(fā)現(xiàn)出來，以數(shù)學(xué)的形式表達參數(shù)之間的內(nèi)在關(guān)系。

知識庫是將通過數(shù)據(jù)挖掘出來的參數(shù)特征集中存儲。使后續(xù)網(wǎng)絡(luò)自適應(yīng)優(yōu)化能直接使用。

自適應(yīng)的網(wǎng)絡(luò)優(yōu)化是指通過對網(wǎng)絡(luò)狀態(tài)參數(shù)的監(jiān)控，通過已經(jīng)觀測到的某些參數(shù)，根據(jù)知識庫中的參數(shù)特征知識來進行網(wǎng)絡(luò)狀態(tài)預(yù)測，并且根據(jù)預(yù)測結(jié)果來進行網(wǎng)絡(luò)的優(yōu)化和資源調(diào)度。利用上述方法可以實現(xiàn)網(wǎng)絡(luò)的實時的、自適應(yīng)的網(wǎng)絡(luò)優(yōu)化。

2.2 C-RAN構(gòu)架下網(wǎng)絡(luò)狀態(tài)感知與

預(yù)測

為了驗證數(shù)據(jù)挖掘方法對數(shù)據(jù)中知識挖掘的感知與預(yù)測的準(zhǔn)確性，我們對某城市中若干個小區(qū)的業(yè)務(wù)進行了分析驗證。這些數(shù)據(jù)中，每條記錄包含話務(wù)時間、接通方式、通話類型（局間/局內(nèi)）、建立延遲、指配請求時延、指配完成時延等11個參數(shù)進行數(shù)據(jù)挖掘。挖掘方法采用的是運用K-means聚類算法進行聚類方法，通過對數(shù)據(jù)分類從而實現(xiàn)數(shù)據(jù)特征提取，并根據(jù)所得到的數(shù)據(jù)特征知識對另外的通話時間長度進行預(yù)測。由于C-RAN架構(gòu)網(wǎng)絡(luò)還沒有建立，不能使用真正的C-RAN架構(gòu)下的無線網(wǎng)絡(luò)數(shù)據(jù)進行驗證，而是采用了若干個相鄰小區(qū)的業(yè)務(wù)進行分析驗證。由于條件限制，所采用的小區(qū)數(shù)量較少，所采用的記錄也嚴(yán)重存在數(shù)量不足，只對3 000多條記錄進行了挖掘，而且暫時沒有實現(xiàn)自適應(yīng)地挖掘與預(yù)測。實現(xiàn)過程概括如下：

（1）首先數(shù)據(jù)進行歸一化處理，將數(shù)據(jù)規(guī)約到0與1，消除不同屬性之間的不同量綱對結(jié)果產(chǎn)生的影響。

（2）根據(jù)K≤ n 的結(jié)論可以確定K值的范圍，得出歸一化后的數(shù)據(jù)通過上述K-means優(yōu)化算法保證代價函數(shù)在此范圍內(nèi)取值最小，計算出最優(yōu)K值。

（3）根據(jù)所得K值，運用K-means聚類算法分出K類，同時概括各類的特征。

（4）根據(jù)各類的特征對數(shù)據(jù)進行預(yù)測，對于抑制某些參數(shù)而尚不知道通話時間參量的數(shù)據(jù)，根據(jù)已知的參數(shù)，按照數(shù)據(jù)挖掘出的各個類的特征進行歸類，利用所屬類的特征來對該業(yè)務(wù)的通話時間進行預(yù)測。預(yù)測結(jié)果如圖4所示。

圖4中橫坐標(biāo)指的是我們用于數(shù)據(jù)挖掘的記錄數(shù)量，縱坐標(biāo)是對一些業(yè)務(wù)的通話長度進行預(yù)測的平均誤差，其中聚類精度指的是以統(tǒng)計的方式得到的預(yù)測平均誤差情況，統(tǒng)計精度指的是以數(shù)據(jù)挖掘方式得到的誤差情況。從圖中可以看出對于多個小區(qū)聯(lián)合的數(shù)據(jù)挖掘預(yù)測方法所產(chǎn)生的誤差，明顯低于用統(tǒng)計的方法得到的預(yù)測誤差，這表明數(shù)據(jù)挖掘?qū)W(wǎng)絡(luò)的業(yè)務(wù)預(yù)測比統(tǒng)計預(yù)測方法更加準(zhǔn)確。這說明利用數(shù)據(jù)挖掘是進行業(yè)務(wù)特征的預(yù)測是比較準(zhǔn)確的。

同時圖中也存在著一些平均誤差的波動情況，這是由于用來進行數(shù)據(jù)挖掘的業(yè)務(wù)記錄數(shù)量較小造成的。

另外一方面，由于此次分析驗證采用的業(yè)務(wù)量數(shù)據(jù)太少，不能對網(wǎng)絡(luò)中終端的切換性能、負載均衡等方面的預(yù)測與優(yōu)化進行性能分析。

3 結(jié)束語

網(wǎng)絡(luò)的自組織技術(shù)中自優(yōu)化技術(shù)是其中的關(guān)鍵技術(shù)之一，針對C-RAN架構(gòu)的無線通信網(wǎng)絡(luò)特點進行分析，得出在C-RAN架構(gòu)的無線網(wǎng)絡(luò)下，由于采用的是云計算分析模式，其中存儲著多個小區(qū)的網(wǎng)絡(luò)狀態(tài)信息，數(shù)據(jù)量非常巨大，而且其中也蘊含著表征小區(qū)內(nèi)部、小區(qū)之間相互聯(lián)系的一些知識信息。針對這個特點，提出在C-RAN網(wǎng)絡(luò)架構(gòu)下將自優(yōu)化問題與數(shù)據(jù)挖掘技術(shù)相結(jié)合，利用數(shù)據(jù)挖掘技術(shù)對海量數(shù)據(jù)進行挖掘，找出表示其中內(nèi)在規(guī)律的知識，網(wǎng)絡(luò)利用這些知識進行自適應(yīng)優(yōu)化。本文僅僅是對網(wǎng)絡(luò)中的通信業(yè)務(wù)時長進行了分析，而在實際的C-RAN架構(gòu)網(wǎng)絡(luò)中，在虛擬基站集群的模式下，網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)更加龐大、更加復(fù)雜，對基帶信號等進行數(shù)據(jù)挖掘?qū)⒏訌?fù)雜，也可能會有更有意義的知識被挖掘出來。

然而目前的殊絕挖掘雖然具有較為完備的技術(shù)，但是這些技術(shù)在C-RAN構(gòu)架無線網(wǎng)絡(luò)下進行應(yīng)用，仍然是需要進一步研究的關(guān)鍵技術(shù)之一；另外一方面，C-RAN構(gòu)架無線網(wǎng)絡(luò)的狀態(tài)數(shù)據(jù)是動態(tài)變化的，如何實現(xiàn)動態(tài)的自適應(yīng)的挖掘，以及如何對所挖掘的知識進行應(yīng)用也是很有意義的研究內(nèi)容。

參考文獻

[1] 哈肯 H. 協(xié)同學(xué)， 引論： 物理學(xué)、化學(xué)和生物學(xué)中的非平衡相變和自組織 [M]. 徐錫申， 陳式剛， 陳雅深， 等， 譯. 北京： 原子能出版社， 1984.

[2] PREHOFER C， BETTSTETTER C. Self-organization in communication networks： Principles and design paradigms [J]. Communications Magazine， 2005，43（7）：78-85.

[3] 張軍， 張平. IMT_Advanced系統(tǒng)中的自組織網(wǎng)絡(luò)技術(shù) [J]. 中興通訊技術(shù)， 2011，17（5）：1-4.

[4] 朱明. 數(shù)據(jù)挖掘 [M]. 合肥：中國科學(xué)技術(shù)大學(xué)出版社， 2002.

[5] 王曉云， 黃宇紅， 崔春風(fēng)， 等. C-RAN：面向綠色的未來無線接入網(wǎng)演進 [J]. 中國通信， 2010（3）：107-112.

收稿日期：2012-11-05

作者簡介

劉占軍，重慶郵電大學(xué)在讀博士研究生，重慶郵電大學(xué)副教授、碩士生導(dǎo)師；主要研究方向無線接入網(wǎng)絡(luò)。

陳前斌，重慶郵電大學(xué)教授，博士研究生導(dǎo)師；主要研究方向為多媒體傳輸技術(shù)、下一代網(wǎng)絡(luò)技術(shù)。