LTE用戶網絡瀏覽感知KQI與無線側KPI關聯分析

黃金福

摘要：文章主要針對中國電信LTE用戶網頁瀏覽感知KQI和無線側KPI之間進行相關性分析，得到二者之間的關聯，以達到后期通過優化對應KPI能快速提升KQ[的目的。

關鍵詞：LTE；用戶感知；KQI；KPI

隨著移動互聯網業務迅猛發展，傳統的關鍵績效指標（Key Performance Indicators，KRD無法精確反映用戶真實業務感知的問題日益凸顯。部分空口、終端、結構化編程（Structured Programming，SP）、核心側等問題均可引發用戶感知問題，卻無法通過網絡KPI和路測獲取，成為網絡痛點。運營商各自針對移動互聯網主流業務搭建了評估體系，為每項業務設計了多個反映用戶不同方面的業務感知關鍵質量指標（Key Quality Indicators，KQI），建立了一整套基于大數據分析的移動互聯網用戶感知評估體系[1]。

本文主要對中國電信KQI感知指標網頁瀏覽指標和KPI指標之間進行關聯分析，嘗試得到二者之間的線性關系，以達到后期對KQI感知指標快速分析、通過優化對應的關鍵KPI指標快速提升KQI。

1KQI和KPI篩選提取

KQI聚焦于終端用戶關注的業務層面，用戶使用網絡的業務體驗指標，而KPI主要是運營商關注的網絡層面水平。

本次關聯分析中，KQI指標選取網頁瀏覽業務的網頁首包時延。網頁首包時延是指終端用戶發起瀏覽請求到請求服務器回復第一個Http200ok報文所經歷的時間，反映的是從終端側和目標服務器側之間的網絡響應水平。

本次KQI和KPI關聯分析的KPI僅為無線偵1JKPI指標，相關KPI指標數量很多，可歸為覆蓋、容量、干擾、保持性和完整性五大類。本文重點針對覆蓋、容量、干擾進行分析（見表1）。

2分析數據源獲取

本次用戶感知KQI與KPI的分析數據源主要有兩個，VMAX及移動感知APP統計話單

數據提取主要基于中興通信VMAX大數據分析系統，為了提高KQI和KPI的匯聚效果，本次篩選采用傳輸控制協議（Transmission Control Protocol，TCP）有線建鏈時延和TCP無線建鏈時延，統計福州地區所有小區的TCP時延，將TCP有線建鏈時延大于80ms的小區篩除掉。按照選定的KQI和KPI，分別統計這些小區的網頁首包時延，無線側KPI指標，統計時間為5月某一周數據，得到選定時間內選定區域的KQI和KPI的數據表。

考慮到KQI與KPI都是一個統計值，且影響用戶感知的因素非常多，除了無線側影響外，傳輸、核心網、服務器等均會對感知帶來影響，所以也提取了電信的移動感知APP上報的話單級別的數據進行統計，統計時間段為5月份可擴展標記語言（extensible Markup Language，XML）話單記錄。

3關聯分析過程

采用機器學習的分析思路，對各元素之間的數據關系進行最大程度的擬合，對采集到的數據進行分組，一部分作為擬合數據源，一部分作為評估數據，通過機器學習數據源得到估計函數，使用評估數據對估計函數進行誤差分析，通過算法調優減小誤差，如果誤差在可接受范圍內，則認為評估是有效的，即得到了準確的數據關系。

KQI和KPI數據提取完成后，進行了數據的初步預處理，將一些明顯異常的噪聲點篩選出來，一些NULL值的數據，網頁首包時延明顯低于正常值的異常點進行篩選，得到的待歸一化的數據。根據采樣點的數據分布情況，采用線性函數轉換方法進行歸一化，歸一化公式為：

同一類別指標由于是相互關聯的，內部采用加權處理，

配置的權重如表2所示。

采用通用的線性模型把特征x配上對應的權重彡之后相加，最大程度接近目標y（x），通過機器學習大量的數據，訓練得出數據關系，采用測試數據進行測試，在誤差可接受的情況下，認為得出的關系可靠。本文采用嶺回歸的回歸方法，嶺回歸是一種專用于共線性數據分析的有偏估計方法[34]，與一般的線性模型比較，優勢在于嶺回歸預測出來的圖線的方差比較小，振幅略小。

本文采用Python編程語言實現數據清洗、歸一化、機器學習和誤差分析部分，選取訓練樣本數21988，檢驗樣本數4398，3項指標覆蓋、容量、干擾分別為x2，x3，目標

首包時延為y（x）外通過嶺回歸機器學習法得到：

針對該學習結果，采用如下誤差函數進行評估：

得到誤差為0.04，所以可以認為該結果是可靠的；從權重的重要性上看，覆蓋、容量和干擾中，容量對首包時延影響最大，其次是干擾。

4網頁打開時延與關鍵KPI關聯性分析結果

覆蓋、容量和干擾中，容量對首包時延影響最大，其次是干擾。網頁瀏覽KQI與關鍵覆蓋KPI指標（RSRP，信號與干擾加噪聲比（Signalto Interferenceplus NoiseRatio，SINR））呈正相關。

（1）網頁打開時延隨著RSRP的惡化也呈現變差趨勢，當RSRP小于-104dBm時，首包時延將超過1.2s，首屏時延將超過3s，且后面的首屏惡化趨勢將更加陡峭、明顯。（2）網頁打開時延隨著RSRP的向好也呈現向好趨勢，當RSRP大于-86dBm時，首屏時延、首包時延變化波動己很小，己趨于穩定，首包時延在1s左右，而首屏時延在2.5s左右。（3）網頁打開時延隨著SINR的向好也呈現向好趨勢，當SINR低于7dB左右時，首屏時延、首包時延惡化趨勢比較明顯。

5結語

經過以上分析，網頁打開時延與關鍵覆蓋KPI指標正相關，當RSRP低于-104dBm時，網頁打開時延惡化明顯，當RSRP大于-86dBm時候，網頁打開時延趨于穩定；SINR值低于7dB時，網頁打開時延惡化趨勢較為明顯。因此，當LET的RSRP優于-104，SINR值優于7dB時，將會大大提升用戶的網頁瀏覽感知，可以作為對重要區域或VIP客戶的優化參考目標。

[參考文獻]

[1]陳森，陳超，張小勇，等基于大數據分析的移動互聯網用戶感知評估系統[J].電信科學，2015（4）：148-155.

[2]CHENS，CHENC，ZHANGXY，etal. Evaluation system of mobile internet use rexperience based on big dataanalysis[J].Telecommunications Science，2015（5）：7.

[3]米歇爾.機器學習[M].曾華軍，張銀奎，譯北京：機械工ik出版社，2003.

[4]哈林頓.機器學習實戰[M].李銳，譯北京：人民郵電出版社，2017.endprint