基于大數據分析的無線通信技術研究

徐全盛，葛林強，鄒勤宜

（中國電子科技集團公司第五十研究所，上海 200331）

基于大數據分析的無線通信技術研究

徐全盛，葛林強，鄒勤宜

（中國電子科技集團公司第五十研究所，上海 200331）

在未來高度信息化的社會，信息傳輸將具備海量、大連接、異構業務需求、數據空-時域分布不均勻等特征，給無線網絡的設計與建設帶來嚴峻挑戰。大數據是處理這些挑戰、優化未來無線通信網絡的關鍵技術。利用大數據技術，無線網絡可以整合各種分散的零星信息，并深入研究各數據要素之間的關系，指導新型無線通信網絡與服務平臺的搭建，提升網絡服務潛力。因此，本文初步探討大數據在無線頻譜管控、網絡規劃與優化、無線資源高效管理方面的作用，綜述國內外研究現狀，以期為未來無線通信網絡的設計和大數據在無線通信網絡的應用提供參考。

大數據分析；頻譜管控；網絡規劃與優化；無線資源管理

0 引 言

信息時代的到來，給無線通信網絡帶來了極大的挑戰[1-4]。第一，數據流量出現爆炸式增長，如圖1所示[1]。根據IMT-2020（5G）推進組的估計，全球移動數據流量從2010年到2030年將增長近2萬倍，我國的增長水平甚至會超4萬倍。第二，連網設備急劇增長。預計到2030年，全球移動終端（不含物聯網設備）將達到180億，全球物聯網設備連接數將接近1千億，如圖2所示[1]。第三，業務類型演進與數據多樣化，包括話音、數據、OTT消息、超高清視頻、增強現實、在線游戲、智能家居、環境監測、車聯網和工業控制等各種QoS需求的業務。第四，數據空-時域分布更不均勻（熱點區域業務量占70%[2]），應用場景更加多樣，如5G包括四種典型通信場景——連續廣域覆蓋、熱點高容量、低功耗大連接和低時延高可靠場景。第五，高能耗與安全性等其他一些問題。為應對這些挑戰，必須改進現有網絡規劃、設計、部署、建設、管理及維護等方式，引進一批先進技術，瞄準網絡瓶頸與關鍵問題，不斷提升網絡的各方面能力。

圖1 移動數據流量增長預測（倍）

圖2 移動終端及物聯網連接數增長預測

大數據是一種潛在的關鍵技術，其利用計算機與網絡技術，對傳統分散的、海量信息和數據進行處理，通過快速獲取、處理、分析，形成有開發價值的資料和信息[4]。作為一種新的生產要素，大數據將改變人們認知網絡的方法，包括[2,5]：可以分析更多數據，有時甚至可以處理和某個特別現象相關的所有數據，而不再依賴于隨機采樣；絕對的精確度往往不再是數據分析的主要目標，海量的數據處理往往更加注重處理效率與對事物變化趨勢的判斷；相關關系成為繼因果關系之后的重要思維方式，其可以給人們提供非常新穎且有價值的觀點。

通過大數據技術，無線通信網絡可以整合 各種分散于網絡的零星信息，并利用數據挖掘的理論與方法，深入研究無線網絡各要素之間的關系，擴展思維認知從單純的因果關系向相關關系轉變，指導新型無線通信網絡與服務平臺的構建，提升網絡服務潛力。具體地，大數據將在無線頻譜管理與控制、網絡規劃與優化、無線資源管理等方面發揮重要作用。

當前，研究人員已經對大數據在通信行業的應用展開研究，研究重點主要集中于大數據在民用移動通信網絡優化中的作用，對話費套餐策略制定的啟示，對運營商帶來的機遇與挑戰等。本文在此研究基礎上，首先對當前無線網絡存在的問題及大數據技術進行概要總結，探討大數據在無線網絡的頻譜管控、網絡規劃與優化和無線資源管理三方面的作用，并對國內外的研究現狀進行綜述，以期為未來網絡的設計和大數據在無線通信網絡方面的應用提供參考。

1 基于大數據分析的頻譜資源管控

1.1 必要性分析

隨著信息技術的不斷發展，頻譜資源變得越來越緊張。目前，頻譜管理制度為固定分配方式，頻率使用方式缺乏靈活性，存在如下突出矛盾。一方面，有限的頻譜資源難以滿足日益增長的頻譜使用需求；另一方面，相當數量的頻譜資源利用率非常低。以美國為例，根據聯邦通信委員會（FCC）提供的數據，已分配的頻譜利用率只有15%～85%[6]。針對此矛盾，雖然研究人員已經提出了認知無線電的頻譜管理新思路，但是受限于以往的信息處理手段（存儲、計算等），信息挖掘能力有限，各級無線電管理機構仍然難以及時從大量頻譜監測信息中獲取有價值的管理信息[7-9]。大數據技術是實現認知無線電頻譜管理的關鍵，作為目前被廣泛接受的海量信息處理手段，可以有效采集各種頻譜監測數據，充分挖掘海量監測數據中隱藏的有用信息，預測頻譜需求、評估用頻效率，實現頻譜的認知管理。

1.2 可行性分析

首先，頻譜監測數據符合大數據信息處理的特征，如海量數據、類型繁多、價值量大。隨著信息技術的不斷發展，無線電頻譜的使用范圍不斷擴展（5G已明確提出將頻率范圍擴展到100 GHz[10]），各種頻譜監測數據量極大。文獻[7]指出僅寧波地區9座監測站15分鐘內產生的數據都是GB量級。考慮到國內無線電管理部門在過去幾十年時間里積累的大量數字、圖片和影音等無線電磁監測信息，頻譜監測的大數據屬性完全不用懷疑。為解決頻譜短缺問題，滿足日后無線電管理應用和發展的需要，迫切需要利用大數據技術對海量增長的信息進行有效存儲、歸類和分析，深入挖掘數據中潛在的價值，實現頻譜需求精確預測與分析、頻率高效規劃和分配，提高頻譜資源的利用率。

其次，大數據分析與預測是實現頻譜精細化使用、認知管理的關鍵。頻譜精細化使用與認知管理的核心是動態頻譜共享。因此，部分甚至全部采用動態頻譜管理實現多種無線通信技術共享頻譜資源，是基于認知無線電頻譜管理的基本狀態。然而，在部分或全部采用動態頻譜管理時，為實現各種無線通信技術之間能夠和平共享頻譜資源，不僅需要做到海量頻譜監測數據的實時分析，還需要能夠采集不同用戶不同終端所支持的頻率信息，預測不同用戶的業務請求、不同設備使用頻率的習慣等信息，以挖掘這些信息與用戶將來一段時間內可用頻率信息之間的相關性，從而指導用戶的頻率使用。由于影響設備用頻信息的因素眾多，如不同的無線環境、網絡結構、終端參數、用戶行為、業務請求等，利用傳統的因果關系建模這些因素與用頻信息之間的關系非常困難。從目前的技術水平看，大數據這種不關注因果關系、只追求相關關系的海量信息處理方法，是一種可行的建模手段。

1.3 國內外研究現狀

當前，在大數據頻譜管理方面，國內外都處于起步階段。文獻[8]簡單描述了大數據頻譜管理的必要性及目前可能存在的一些問題。文獻[9]針對海量頻譜數據給頻譜管理帶來的挑戰，基于貝葉斯網絡設計了一種頻譜占用預測算法，通過學習歷史頻譜數據分析未來頻譜的占用情況。文獻[11]在認知C-RAN網絡中設計了一種基于大數據技術框架的未來頻譜占用預測機制，以通過機器學習方法，從長期頻譜監測數據中獲得頻譜的未來占用情況。可見，當前的研究仍主要處于通過歷史頻譜數據預測未來頻譜空洞的階段，還未兼顧考慮不同終端所支持的頻段信息、不同用戶的未來業務需求、不同用戶的用頻偏好等對頻譜空洞預測的影響，也未考慮頻譜空洞在眾多設備之間如何共享的問題。

2 基于大數據分析的網絡規劃與優化

2.1 必要性分析

每種通信手段都有其適用的范圍與對象，不存在一種通信技術能夠適用于所有的通信場景，滿足所有用戶的傳輸需求。為此，未來網絡的異構融合特征已被人們廣泛認可[7]，這也就意味著網絡運營商將需要同時運營多張網絡。例如，當前國內幾家運營商需要同時運營2G/3G/4G移動通信網絡與WLAN網絡；戰術通信需要綜合運用散射、中長波、短波、超短波、區域寬帶、衛星、光纖、被復線等傳輸手段[12]。在網絡大融合的時代，各制式通信手段/網絡之間互操作越來越頻繁，其協調部署與優化越來越復雜，對網絡管理系統處理各項數據的能力要求不斷提高。同時，入網設備的急劇增長、業務類型多樣化、數據空-時域分布不均勻、高能耗等未來信息網絡典型特征，也給網絡規劃與優化帶來了極大挑戰。傳統的網絡規劃與優化方法已經逐漸顯示出其局限性，主要包括[12-24]：

（1）一體化程度不高。各種無線網絡獨立規劃與運維，不能實現全網統一管理；每張網絡的性能分析、周期性報表制作需要多個系統支撐；不能靈活滿足通信手段多樣、網絡規模與入網設備快速增長的需求。

（2）靈活性不高。傳統的網絡部署無法有效匹配數據空-時域分布不均勻的特征，也無法實時適配業務需求的動態變化。未來的網絡部署迫切需要實現由靜態向動態、由固定向靈活配置的轉變。

（3）海量數據的深度挖掘效率不高，預警及時性不足，缺乏多維度數據的關聯分析能力，不能先于用戶發現問題，難以實現網絡的預見性分析。

（4）網絡的精確覆蓋能力弱。傳統的無線網絡規劃方案僅僅依賴簡單的傳播模型、電子地圖與話務統計，而傳播模型和電子地圖與實際場景總會存在一定誤差，這將直接影響網絡覆蓋規劃的準確性。

（5）網絡規劃與優化缺乏智能化，數據源單一，無法真正識別價值熱點，投資收益不高；且無法區分站點規劃建設的優先級，不利于分批分階段建設，效率低、成本高，無法保證投資的有效性。

大數據是解決上述局限性，實現網絡靈活規劃與優化的關鍵技術之一。借助于大數據所具備的全信息采集能力、深度學習與數據挖掘功能，基于大數據技術的網絡規劃與優化方法，將實現對用戶需求的前瞻性預測，實現各類指標的快速統計分析，先于用戶發現問題，優化網絡規劃與優化方案，極大提升現有網絡規劃與優化方法的性能。

2.2 可行性分析

首先，大數據的核心思想正是采集各種分散的、零散的全局信息，實現各種結構化、非結構化信息的一體化統一存儲與分類（這在網絡建設方面，一般意味著網絡資源的統一管理與集中化控制，如中移動的C-RAN），并利用數據挖掘算法獲得數據之間潛在的、有價值的相關關系，以獲得某些預見性的分析結果。因此，現有網絡規劃與優化工具存在的上述瓶頸都可以通過大數據技術得到解決或緩解。當然，這一過程中也可能出現一些非技術的問題，如在戰術通信系統中，各軍兵種通信系統受到傳統煙囪式發展的影響，大量數據散落在各種業務平臺、支撐系統、網管系統等多個獨立的平臺上；各平臺之間數據模型缺乏統一規劃，較難保證各平臺間數據的一致性，數據共享困難。但是，在信息技術不斷發展的未來，相信各種體制、機制壁壘終將逐步打破，數據信息的實時共享與統一管理是大勢所驅。

其次，大數據分析也是大規模網絡規劃與優化的必然選擇。影響網絡規劃與網絡質量的因素可能成百上千，眾多因素與網絡性能之間的關系極其復雜。傳統的因果關系建模非常困難或不現實，而以建立數據間相關關系見長的大數據技術，則為這一問題的解決提供了一種新的思路。例如，在當前戰術通信網絡中，傳統的網絡規劃工具很難自主根據敵人偵察衛星、預警機的偵察頻率、戰場網絡環境以及其他各種多源情報信息，預測評估某地區未來發生戰斗時是否需要部署通信增強裝備（中繼站），實現戰術通信網絡的前瞻性規劃與部署。但是，已有的大數據預測分析應用（Google利用人們使用搜索引擎查閱流感情況，精確預測流感[5]；京東利用人們瀏覽信息，計算用戶購買商品的概率，提前進行商品調配，實現智能化物流），使人們相信基于大數據分析的網絡規劃工具將使得這種分析預測成為可能。

2.3 國內外研究現狀

大數據的出現，為人們理解與分析網絡提供了一個更好的機會。鑒于大數據運用于網絡規劃與優化方面的技術優勢，國內外對此展開了大量研究。

文獻[13]指出大數據應用于移動通信網絡可幫助實現自動化的網絡優化，建立基于大數據的網絡操作。針對現有網絡架構不便于移動大數據的分析與存儲，文獻[14]提出了一種基于軟件定義（SDN）的網絡架構，并在此基礎上提出了一種有效的網絡管理方法，驗證了大數據分析對于網絡優化管理的作用。文獻[1 5]指出大數據與SDN存在密切關系，SDN可以為大數據提供基礎，而大數據可以在流量工程、跨層設計、克服網絡攻擊、數據中心網絡等方面提升SDN網絡的性能。文獻[16]基于大數據分析方法，提出全局數據代替采樣數據、效率優先于精確、相關關系代替因果關系的三個網絡優化大數據應用方向。文獻[17]指出大數據是C-RAN的關鍵技術，歸功于快速發展的大數據挖掘技術和強大的計算能力，可以極大提升C-RAN網絡的容量。

文獻[18]基于云的MapReduce框架提出了一種虛擬網絡的拓撲優化機制，仿真實驗表明，所提機制可以極大提升網絡的整體性能。文獻[19]給出了一種大數據驅動的移動網絡優化框架，設計討論了其中的數據收集與分析算法，并驗證了所提框架對于提升網絡性能的作用。文獻[20]利用大數據提出了3G網絡覆蓋分析方法，通過挖掘運營商存儲的大量網絡測試數據，優化了現有網絡的覆蓋性能。文獻[21]針對以往網絡規劃與優化數據來源單一、無法辨別價值熱點等問題，通過價值評估、干擾評估、覆蓋評估等多維度的評估體系，利用大數據挖掘技術，優化了LTE網絡規劃，提升了網絡的建設質量。文獻[22]通過大數據模型的自動學習和訓練功能，實現了對每個小區級無線網絡質量趨勢的預測，實現網絡優化工作從事后處理向預先評估與預警模式的轉變。文獻[23]鑒于現有數據存儲分散、利用率低和使用不便等問題，提出了大數據共享平臺的架構設計，整合分散的網絡數據，制定統一的共享接口，以提高數據利用效率、網絡優化效率和質量。文獻[24]提出了基于大數據分析的網絡優化體系，介紹了中國聯通在大數據網絡規劃與優化方面的相關進展。

3 基于大數據分析的無線資源管理

3.1 必要性分析

一方面，新型業務類型的不斷涌現、數據多樣化、應用場景差異化與數據空-時域不均勻特性，給傳統資源管理框架帶來了極大挑戰。以移動通信系統為例，為適應信息高速增長與業務多樣化的需求，當前以資源集中化配置為特征的“云-管-端（網-云-端）”無線接入網架構已被廣泛認可，如C-RAN。在這種架構下，傳統的資源管理體系將面臨極大問題[3,25-26]。第一，從資源管理研究單位看，傳統方法以小區為基本單位，對全局資源的管理效率較低，這與海量數據空-時域不均勻的分布特征嚴重不符，未來資源管理須從以小區為中心向以用戶體驗為中心轉變。第二，從資源管理的目標看，傳統資源管理一般以網絡吞吐量、能量效率為主要優化目標，無法實現基于異構業務需求的差異化控制，資源管理靈活性較低。第三，從計算復雜性分析，未來無線網絡資源的維度不斷增加（空、時、頻、碼、功率等），數據多樣化和業務需求異構化導致資源管理的約束/因素也大幅增加，資源管理優化策略的制定和優化目標的求解變得異常復雜。第四，資源管理的智能化程度較低，很難適應移動互聯網新業務的不斷創新，如現有無線網絡的承載方式對QQ、微信等量大、數據小、突發性強的業務考慮不足，信令開銷較高。根據Oracle的預測，從2013年到2018年，全球LTE Di ameter信令將以78%的年復合平均增長率快速增長[26]，如圖3所示。

圖3 Oracle預測的LTE Diameter信令增長情況

另一方面，在無線網絡側可獲得多種特征的大數據。物理層有信號強度、信噪比（SNR）、接入經緯度、運行速度、多普勒頻移、載波頻點、所有服務的基站等無線特征數據；MAC層有用戶級別、業務類型、請求速率、調度優先級、單次接入時延、信道可用率、掉話率、阻塞率（接通率）、話務量和切換成功率等具有服務質量（QoS）特征的數據；應用層有用戶業務習慣（如平均通信時長）、用戶感知體驗（ 如時延容忍度）、用戶套餐（如付費習慣、續約習慣、消費分析）等具有用戶行為特征的數據信息。這些海量、差異化的數據對于網絡資源管理具有重要作用。如何利用大數據技術有效利用這些數據，挖掘其中有價值的信息服務于無線網絡，是值得人們研究的重要內容。

3.2 可行性分析

首先，大數據本身天然具備適應以資源集中化配置的“云-管-端”無線接入網架構，其高效的數據采集能力、分布式處理能力、信息挖掘能力以及由此帶來的精確預測能力，是傳統資源管理解決上述問題的基礎，也是實現資源精細化管理與精準投放，滿足用戶差異化需求的關鍵。比如：一個資源集中化配置的無線網絡，可以通過采集每個用戶的運動軌跡、興趣愛好及其最新資訊、訂閱的內容APP、用戶辦公及居住地點等信息，結合歷史數據，利用機器學習算法建立相關模型，預測每時刻每個區域大概需要的無線網絡基礎設施、無線資源數量，實現基站節點的自動開關、無線資源的精確投放與全域調度。又如，網絡可以根據用戶接入位置、運行狀態、信號強弱、當前業務情況、通信習慣等信息，預測用戶將來將要經歷的小區、發起的業務請求，實現小區資源的精預留；甚至虛擬一個小區，以時刻跟蹤用戶運動來為用戶提供服務。

其次，資源管理優化目標和約束條件與無線網絡側各種大數據之間的關系復雜，建模極其困難。例如，人們很難建模傳統資源管理經典優化目標——網絡傳輸速率與信道可用率之間的精確數學關系、網絡傳輸速率與用戶感知體驗之間的精確關系等。然而，大數據為人們認知無線資源管理提供了一種新方法，如在資源管理問題建模時，人們不必追求數據之間嚴格的因果關系，而只需知道其相互關系；獲取的數據如此之多，網絡動態性如此之高，資源管理策略也不需要熱衷于追求精確度。這將極大簡化資源管理目標與海量數據之間的數學建模，為資源的精確利用提供可能。

3.3 國內外研究現狀

當前，在基于大數據的無線資源管理研究方面，國內仍處于起步階段。文獻[3]梳理了在無線接入網絡側可以收集到的各種監測數據，并提出了基于大數據挖掘的無線網絡資源精準投放思想，以應對移動大數據時代數據空-時域分布不均勻的特點。文獻[27]基于MapReduce數據處理技術，提出了一種資源分配機制，以從網絡記錄文件、配置文件、數據庫條目、監控警報等大量信息中挖掘有用的信息，從而優化每個用戶的資源分配，解決現有無線接入網資源分配存在的諸多問題。

4 結 語

在面向未來的無線通信網絡中，海量信息傳輸、大量設備連接、異構業務需求以及數據空-時域分布不均勻等特征，給無線網絡的設計與建設帶來了嚴峻挑戰。大數據技術是未來無線通信網絡設計與建設的關鍵技術之一，可以有效解決或緩解無線網絡面臨的上述挑戰。本文初步探討大數據在無線網絡的頻譜管控、網絡規劃與優化和無線資源管理方面的作用，并對大數據在這三個領域的國內外研究現狀進行綜述，以為未來無線通信網絡的設計以及大數據在無線通信網絡的應用提供一定的參考。

[1] IMT-2020(5G) Promotion Group.White Paper on 5G Vision and Requirements[EB/OL].(2014-05-28) [2016-08-20].http://www.imt-2020.cn/zh/documents/ listByQuery? currentPage=1&content=.

[2] 李國杰,程學旗.大數據研究:未來科技及 經濟社會發展的重大戰略領域—大數據的研究現狀與科學思考[J].中國科學院院刊,2012,27(06):647-657. LI Guo-jie,CHENG Xue-qi.Research Status and Scientific Thinking of Big Data[J].Bulletin of Chinese Academy of Sciences,2012,27(06):647-657.

[3] 張平,崔琪楣,侯延昭等.移動大數據時代:無線網絡的挑戰與機遇[J].科學通報,201 5(Z1):433-438. ZHANG Ping,CUI Qi-mei,HOU Yan-zhao,et al.Opportunities and Challenges of Wireless Networks in the Era of Mobile Big Data[J].Chinese Science Bulletin,2015(Z1):433-438.

[4] BI S Z,ZHANG R,DING Z,et al.Wireless Communications in the Era of Big Data[J].IEEE Communications Magazine,2015,53(10):190-199.

[5] VIKTOR M S,KENNETH C.大數據時代[M].盛楊燕,周濤,譯.杭州:浙江人民出版社,2006. VIKTOR M S,KENNETH C.Big Data:A Revolution That Will Transform How We Live, Work and Think[M].SHENG Yang-yan, ZHOU Tao,Translated. Hangzhou:Zhejiang People’s Publishing House, 2006.

[6] FCC.ET Docket,No 03-222.Notice of Proposed Rulemaking and Order[EB/OL].(2003-12-31) [2016-08-20].https:// www.researchgate.net/publication/235559018_ET_Docket_ No_03-322_Notice_of_Proposed_Rule_Making_and_ Order.

[7] 朱加榮,張振偉,吳兆根等.基于大數據、網格化與云計算 的頻譜資源決策架構[J].中國無線電, 2015(01):23. ZHU Jia-rong,ZHANG Zhen-wei,WU Zhao-gen,et al.The Framework of Spectrum Decision based on Big Data,Grid and Cloud Computing[J].China Radio,2015(01):23.

[8] 薛楠,楊雄.借力大數據技術解決頻譜短缺難題[J].上海信息化,2016(05):24-27. XUE Nan,YANG Xiong.Solve Spectru m Shortage Problem with Big Data Technology[J].Shanghai Informatization,2016(05):24-27.

[9] LI D.Appli cation of Spectrum Data Management based on Bayesian Network[J].International Journal of Future Generation Communication and Networking,2015,8(07):13-24.

[10] IMT-2020(5G) Promotion Group.White Paper on 5G Wireless Technology Architecture[EB/OL].(2015- 05-29) [2016-08-20].http://www.imt-2020.cn/zh/documents/listBy Query?currentPage=1&content=.

[11] PAVEL B,ILIA I,BOIAN K,et al.Long-term Spectrum Monitoring with Big Data Analysis and Machine Learning for Cloud-based Radio Access Networks[J].Wireless Personal Communications,2016,87(03):815-835.

[12] 于全.戰術通信理論 與技術[M].北京:電子工業出版社,2009. YU Quan.Tactical Communication Theory and Technology[M].Beijing:Publishing House of Electronics Industry,2009.

[13] CHIH-LIN I,LIU Y L,HAN S F,et al.On Big Data Analytics for Greener and Softer RAN[J].IEEE Access,2015(03): 3068-3075.

[14] WEN J Y,LI V O K.Big-data-enabled Software-defined Cellular Network Management[C].2016 Inte rnational Conference on Software Networking (ICSN),2016:1-5.

[15] CUI L Z,YU F R,YAN Q.When Big Data Meets Softwaredefined Networking:SDN for Big Data and Big Data for SDN[J].IEEE Network, 2016, 30(01):58-65.

[16] 侯優優,隋嚴峰.網 絡優化中的大數據應用[J].互聯網天地,2014(01):34-37. HOU You-you,SUI Yan-feng.Application of Big Data in Network Optimization[J].China Internet, 2014(01):34-37.

[17] PENG M G,SUN Y H,LI X L,et al.Recent Advances in Cloud Radio Access Networks:System Architectures,Key Techniques,and Open Issues[J].IEEE Communications Surveys & Tutorials,2016,18(03):2282-2308.

[18] XU C,YANG J H,YU H,et al.Optimizing the Topologies of Virtual Networks for Cloud-based Big Data Processing[C]. IEEE Intl Conf on High Performance Computing and Communications,IEEE 6th Intl Symp on Cyberspace Safety and Security,IEEE 11th Intl Conf on Embedded Software and Syst (HPCC,CSS,ICESS), 2014:189-196.

[19] ZHENG K,YANG Z,ZHANG K,et al.Big Data-driven Optimization for Mobile Networks Toward 5G[J].IEEE Network,2016,30(01):44-51.

[20] ?MER F C,ENGIN Z,?MER F K,et al.On Use of Big Data for Enhancing Network Coverage Analysis[C].2013 20th International Conference on Telecommunications(I CT),2013:1-5.

[21] 劉毅,劉珂,孔建 坤.基于大數據挖掘的LTE網絡規劃研究[J].通信技術,2015,48(02):194-198. LIU Yi,LIU Ke,KONG Jian-kun.TD-LTE Network Planning based on Big-data Mining[J]. Communications Technology,2015,48(02):194-198.

[22] 王磊,王西點,程楠.基于大數據技術的智能化無線網絡優化體系[J].電信科學,2015(12):2015252. WANG Lei,WANG Xi-dian,CHENG Nan.Intelligent System of Wireless Network Optimization based on Big Data Technology[J].Telecommunication Science,2015(12):2015252.

[23] 許汝鵬,崔晶也,關則洛等.網優大數據共享架構設計及應用實踐[J].電信科學,2016(04):2016134. XU Ru-peng,CUI Jing-ye,GUAN Ze-luo,et al.Design and Application of Wireless Network Optimal Data Sharing Architecture[J].Telecommunication Science,2016(04):2016134.

[24] 商冶,程曉軍,李德屹等.移動互聯網時代基于大數據分析的網絡優化體系研究[J].郵電設計技術,2014(03): 58-6 2. SHANG Ye,CHENG Xiao-jun,LI De-yi,et al.Research on Network Optimization Framework based on Big Data Analysis in Mobile Internet Times[J].Designing Techniques of Posts and Telecommunications,2014(03):58-62.

[25] XU Q S,LI X,JI H,et al.Energy-efficient Resource Allocation for Heterogeneous Services in OFDMA Downlink Networks:Systematic Perspective[J].IEEE Transaction on Vehicular Technology, 2014,63(05):2071-2082.

[26] Oracle.LTE Diameter Signaling Index,3rd Edition [EB/ OL].(2014-09-28)[2016-10-20].http://www.oracle.com/ us/industries/communications/lte-diameter-signaling-3rd-wp-2331962.pdf.

[27] KIRAN P,JIBUKUMAR M G,PREMKUMAR C.Resource Allocation Optimization in LTE-A/5G Networks Using Big Data Analytics[C].2016 International Conference on Information Networking(ICOIN), 2016:254-259.

徐全盛（1988—），男，博士，工程師，主要研究方向為移動通信、民用通信軍用化研究、戰術無線通信；

葛林強（1980—），男，碩士，高級工程師，主要研究方向為戰術無線通信、通信抗干擾技術；

鄒勤宜（1965—），男，碩士，研究員，主要研究方向為戰術通信、天地一體化網絡、軍用抗干擾技術。

Wireless Communication Technology based on Big-Data Analysis

XU Quan-sheng, GE Lin-qiang, ZOU Qin-yi
(No.50 Institute of CETC, Shanghai 200331, China)

In the future highly information-based society, information transmission, characterized by high volume, massive-connections, variety services, and non-uniform distribution in the time and space domains, etc., would bring great challenges to the design and construction of wireless network. Big data is an effective technology to handle these challenges and optimize the future networks. With big data, wireless network could integrate the scattered information, and analyze deeply the relation of between various data elements, thus to guide the construction of novel wireless network and service platform, improve the potential ability of network service. This paper discusses the applications of big data in spectrum management, network planning and optimization, radio resource management, including its research status both at home and abroad, thus providing some references for the design of future wireless networks and the application of big data in wireless networks.

big data; spectrum management; network planning and optimization; radio resource management

TN929

A

1002-0802(2016)-12-1635-07

10.3969/j.issn.1002-0802.2016.12.012

2016-08-14

2016-11-12 Received date:2016-08-14;Revised date:2016-11-12