移動通信網絡中數據采集與數據挖掘的應用

楊榮興

（西北民族大學，甘肅 蘭州 730030）

0 引 言

數據采集技術和數據挖掘技術都屬于當今的先進技術。將這兩項技術應用于移動通信網絡，可實現網絡信息數據的良好采集、計算和處理，進而為移動通信網絡的應用與發展提供有力的技術支撐。因此，在移動通信網絡的應用與發展中，應格外重視數據采集技術和數據挖掘技術的合理應用，以滿足移動通信網絡的實際應用需求，促進移動通信網絡良好發展。

1 數據采集技術在移動通信網絡中的應用

1.1 TD測試和數據采集

在傳統的數據采集過程中，僅僅借助于路測（Dirver Test，DT）和定點測試的方法來獲得相關信息。這種數據采集方式主要是針對空中無線網絡接口的測試，以實現語音質量數據、小區強度數據、小區識碼、切換比例、收集地理位置、移動管理、呼叫管理、業務建立成功率、臨近小區信號強度指示和信號質量指示數據等的獲取[1]。但是這種測試方法僅僅可以對重點場所和主干道進行測試，獲取到的數據信息量十分有限，所以測試結果存在一定的片面性。

1.2 MR數據采集

MR數據采集技術主要是獲取用戶設備（UE）和演進基站（eNodeB）的數據。MR數據指的是業務信道每480 ms、信令信道每470 ms進行的一次數據發送，將原始的測量數據進行統計和計算，然后將其發送給基站子系統的操作和維護中心（OMC-R），通過統計數據的形式儲存起來，最后形成MRS形式的文件；也可以直接將其報送給OMC-R，通過樣本數據的形式儲存起來，最終形成MRO形式的文件[2]。表1是MRS上的部分測量字段；圖1是測量報告數據采集的流程圖。

表1 MRS上的部分測量字段

圖1 測量報告數據采集的流程圖

借助于MR工具，可以處理采集的數據，并將其應用于無線環境的全網評價，以此替代大量的路測與定點測試工作，進一步節約運維成本。該技術是將用戶通話實際發生過程中的測量報告作為網絡評價標準，較路測和定點測量的形式更具針對性[3]。同時，該技術也可以全面挖掘采集的數據，并全面分析用戶行為模式和小區內分布情況等信息，從而為網絡優化策略的制定提供便利。

1.3 KPI數據采集

在進行移動通信網絡的優化過程中，KPI數據采集技術發揮著關鍵性作用。KPI技術的主要采集方式是OMC性能的統計和測試，將數據承載基本單元作為測量對象，將數據承載子單元作為測量類型。圖2是KPI數據采集技術具體的數據采集和上報方式。

圖2 KPI數據采集技術具體的數據采集和上報方式

2 數據挖掘技術在移動通信網絡中的應用

2.1 神經網絡技術

就長遠意義來看，要想讓數據挖掘技術在移動通信網絡中得到良好應用，并發揮良好的融合效果，首先應該全面掌握不同的數據挖掘技術類型。神經網絡技術屬于數據挖掘技術中最具代表性的一種技術，具有顯著的工作效果。將神經網絡技術應用于移動通信網絡的數據挖掘技術，可實現對濾波的自適應，借助神經網絡信號具備的復原特征等，檢測信息傳遞中產生的濾波，從而有效解決非線性濾波問題[4]。其次，實現呼叫控制。借助于神經網絡技術，可以將流量特性作為依據，通過自學方式組建一個多輸入輸出形式的非線性函數，以此實現呼叫控制，且有著非常快的處理速度。再次，優化路由選擇。在國外，已經通過CMOSVI-SI技術對8×8形式的交叉開關機路由器進行控制，運行速度可以達到120 ns[5]。另外，由于神經網絡技術有著非常快的反應速度，所以在復雜條件下的非線性問題解決中也可以發揮充分的優勢，使其在語音和圖像處理、雷達聲吶等多目標的識別、跟蹤以及保密通信等領域得到了廣泛應用。圖3為神經網絡的結構示意圖。

圖3 神經網絡結構示意圖

2.2 數據統計分析

在移動通信網絡中，數據統計分析技術需要以傳統數據統計技術作為基礎進行建立。在該技術的應用過程中，數據庫字段項之間的關系有兩種。一是函數關系，即通過函數公式的形式對確定性關系加以表示；二是相關關系，即雖然不可以通過函數公式的形式表示確定關系，但是依然具有相應的確定性[6]。在對這些數據庫字段進行關系分析的過程中，可供選擇的分析方法包括辨別分析法、相關分析法、因子分析法、最小二乘回歸分析方法以及多元回歸分析方法等[7]。當今國際上影響力最大的3個統計分析軟件為SAS軟件、SPSS軟件和BMDP軟件。表2是對這3款軟件的相關對比介紹。

表2 SAS軟件、SPSS軟件和BMDP軟件的相關對比介紹

2.3 聚類分析

在多元統計分析中，聚類分析屬于一種非常有效的方法；而在統計模式識別中，聚類分析也屬于非監督模式識別過程中的一個重要分支。就當今的統計分析和模式識別這兩大領域來看，聚類分析已經成為了一種廣泛研究的技術形式。通過相關專家學者多年以來的不斷研究，已經提出了大量的研究理論與研究方法，或得到的研究成果也十分顯著。在移動通信網絡的數據挖掘技術中，聚類分析技術的應用主要有3個途徑——隨機采樣法、距離優化法和密度估計法[8]。因為聚類分析的概念和層次都比較復雜，所以在新的分類屬性數據相似度與距離函數提出后，面向分類屬性數據并以劃分作為基礎的聚類算法也開始在數據挖掘領域中得到了越來越廣泛的應用，進而進一步提升移動通信網絡中的應用效果。圖4為聚類分析示意圖。

圖4 聚類分析示意圖

2.4 數據挖掘技術在移動通信網絡中的應用要求

將數據挖掘技術應用于移動通信網絡的優化，應該對技術方案進行科學擬定，使其表現出持續性的革新特征，充分發揮不同的技術內涵，并使其與移動通信網絡需要完成的任務有機結合[9]。這需要數據挖掘技術具備足夠高的可行性和可靠性，以此保障移動通信網絡的實際應用需求，促進移動通信網絡獲得良好應用與發展。表3為數據挖掘技術在移動通信網絡中應用的配置要求。

表3 數據挖掘技術在移動通信網絡中應用的配置要求

在應用數據挖掘技術進行移動通信網絡的優化過程中，還應保障該技術應用的持續性，并堅持定期進行技術的優化處理。具體技術優化過程中，應該將不同應用群體反饋的內容作為依據，結合社會重點研究的話題，有針對性地改善移動通信網絡，從而科學全面優化移動通信網絡，使其在當今時代社會中充分發揮其自身應用優勢。

3 結 論

綜上所述，隨著當今社會經濟和科學技術的不斷發展，移動通信網絡得到了全面普及。在移動通信網絡的應用與發展過程中，數據采集技術和數據挖掘技術可以使相關的信息數據得到更加科學合理的收集、整理、分析、處理與儲存等，并顯著提升操作質量和操作效率。因此，為保障移動通信網絡的合理應用，并使其在具體應用過程中不斷得到優化和完善，應該合理應用數據采集技術和數據挖掘技術，使這兩項技術在移動通信網絡的應用和發展中充分發揮自身作用，進一步優化移動通信網絡，使其充分滿足當今社會對移動通信網絡的實際應用需求，全面促進移動通信網絡的良好穩定發展。