Labs 导读
随着移动互联网业务蓬勃发展，新的业务模式为运营商的移动网络优化、客户满意度提升工作带来了巨大挑战，传统的成功率、建立时延等KPI能从基本上反映用户能否顺利实现网络的接入，但无法判断用户的使用业务过程是否顺畅、体验是否良好，业务的复杂性要求运营商从端到端业务感知的提升方式去优化网络、提供服务。
1现有技术方案
目前数据端到端业务感知保障基于统一的KQI感知劣化指标门限，针对识别的感知劣化点经过定界后，以无线小区为单位聚类，进而处理无线。具体方案如下：
- 感知指标及门限制定：结合全省各类端到端业务流量，确定重点业务，根据日常用户使用行为，确定重点感知指标KQI，经过大量业务拨测，确定KQI感知劣化门限；
- 定界方法：针对识别的感知劣化点，通过TCP相关时延指标进行无线侧定界。
- 无线问题定位方法：针对定界到无线原因的感知劣化点，以无线小区为单位进行汇聚，进而处理无线质差问题。
2现有技术缺点
现有的固定端到端业务感知劣化KQI门限无法真实反映用户端到端业务特征、变化规律，与无线质差问题关联率较低，未能真正反馈客户差异化业务需求及感知变化。
本申请提案提出一种客户业务感知特征的识别算法，综合核心网XDR数据、B域客户价值信息、无线侧性能/告警数据，通过动态感知监控门限识别客户差异化业务需求及感知差点，针对业务特征，结合客户价值、贬损信息，为每个小区评分，从而提供精准的优质网络服务，提升用户使用体验，增进移动品牌形象。
3创新技术方案
本技术方案设计了无线小区端到端业务特征算法、小区下用户特征方案、数据端到端业务感知劣化动态门限算法，从而实现问题根因的精准定位，确保资源优先投入及问题快速解决，从而保障客户感知高效提升。
3.1 技术方案整体架构
3.2 无线小区端到端业务特征算法
结合我省业务特征，选定视频、网页浏览、即时通信、游戏四大类及项下TOP移动互联网业务为研究对象，从横、纵、劣化三个维度综合为无线小区评分：
横：确定小区主要业务特征，小区四类业务流量分别在小区总流量中占比；
纵：定位小区在全网的权重，小区四类业务流量分别与全网视频、页面、即时通信、游戏平均业务量的比值；
劣化：根据如下已确定的KQI与门限，分别判断小区的是否存在感知劣化，如是则为1；
小区特征识别：四类业务特征，分别为视频、页面、即时通信（IM）、游戏，i=1.2.3.4；
判断标准：小区i业务标签：当i业务特征*业务权重*业务是否劣化值符合如下标桔色列，即为小区添加 i业务标签；
3.3 无线小区下用户特征
利用B域高价值客户信息、端到端业务数据预测的潜在不满意客户信息，为无线小区建立用户特征标签；
高价值用户：利用B域数据中用户ARPU值，确定小区下ARPU≥50的用户数；
贬损用户预测：利用大数据深度关联技术，识别脱网、打不通、接通慢、掉话、通话吞字断续、网页打开慢、视频播放卡顿、手游实战不流畅的不满意或质差或投诉用户及其常驻活跃区域(POI），面向业务、不同场景、不同网元的跨域多维汇聚解析，利用TCP/RTP定界技术实现质差用户和问题定界。
贬损指标质差问题精准定位：基于贬损或质差用户群的xDR+MR/CHR关联分析及定位，匹配华为精准定位算法，实现质差问题全面准确识别，高效指导优化。
最终形成如下三类标签：
3.4 感知劣化动态门限算法
针对视频、网页浏览、即时通信、游戏四大类及项下TOP移动互联网业务为研究对象，以移动通信技术、信令原理为理论基础，结合客户体验感知，通过模拟用户使用进行业务质量测试APP，对影响端到端感知的质量的因素进行分析研究，确定如下１２项最贴近客户感知的KQI，从而评估日常生产工作成效、客户感知提升情况，详情的如下：
已确定12项感知指标：
❖ 判断影响客户感知的KQI门限
静态门限
针对已选定的12项指标，利用已有DPI数据采集平台，收集基于全网用户XDR话单的业务KQI，利用正态分布函数，分别计算各指标的平均值u、标准差σ,结合其概率分布规律，选择劣于平均值的15%，即分布在（-∞，u-σ）或(u+σ，+∞)的值，为劣化值，如下为详细算法；
正态分布概率分布：
KQI劣化门限
动态门限
方案描述：基于全网小区每小时每指标历史30天XDR和PM数据，通过机器大数据学习，输出每个小区的动态门限和KQI/KPI关联知识库。提供全网小区小时级准实时监控和天粒度趋势分析两种体验管理功能。实时数据通过KQI与KPI关联知识库对告警进行关联分析，关联结果将协助网优工程师定位问题并闭环。
核心能力：
（1）大数据学习，全网小区历史30天数据（N个指标*20万*30天*24小时=N*1.44亿量级）。
（2）小区动态门限，PAM聚类算法将指标分布特征相似的时刻划分为一组，有2-6类，每个小区有自己的动态门限，比传统的早/晚忙时指标的不同更精细更准确。
（3）KQI&KPI关联知识库，检测每小时异常的KQI和同时刻的异常KPI，通过机器智能FP-Growth频繁项集挖掘算法形成KQI&KPI关联知识库，用于KQI实时监测时关联异常的KPI，指导体验指标分析优化。
KQI和KPI指标联合异常检测，当KQI指标满足异常检测规则，并且KPI指标同时满足异常检测规则，为一次异常事件。以下为页面、视频、网页、IM和游戏的动态门限制定原则。
动态门限学习规则：
KQI异常规则同时满足：（指标越大越差>max()；指标越小越差<min()）
- 指标越大越差：“KQI指标”>max(分时段门限_分位数，全时段门限，分时段门限_均值+ 2*分时段标准偏差)
- 指标越小越差：“KQI指标”<min（分时段门限_分位数，全时段门限，分时段门限_均值 - 2*分时段标准偏差)
- “KQI指标差话单占比”>全时段门限KQI指标差话单占比 或“KQI指标差用户占比”>全时段门限KQI指标差用户占比
- “KQI指标差用户数”>全时段门限KQI指标差用户数
- “KQI指标差话单数”>全时段门限KQI指标差话单数
4技术亮点总结
小区端到端业务特征算法
结合四大类端到端业务量，通过横纵向对比计算，评估小区下不同业务权重及在全网占比，从而输出小区业务特征得分；
小区下用户特征
结合高价值（ARPU≥50）用户数及贬损预测用户数情况，确定小区用户特征标签。
感知劣化动态门限算法
通过机器大数据学习，输出差异化感知劣化预警门限，更贴近实际客户感知。
5方案生产应用
针对日常业务感知监控识别的劣化/质差小区，设计如下评分算法，为全网小区进行打分画像，针对监控到的感知劣化质差小区，进行优先级判断，最终生成以客户感知为指导的带优先级的工单，确保问题小区高效闭环，实现客户感知提升。
- 基于数据端到端业务的网元画像算法改变原有固定门限，通过历史数据学习，实现当前时段感知劣化门限的精准判断及劣化点识别，提升问题处理能效；
- 本研究首创综合网元重点业务特征、高价值用户数、潜在贬损用户数三类特征标签，形成网元感知画像，有效支撑日常生产有的放矢；
- 制定优先级规则，确保严重影响客户感知的重要问题优先快速闭环，从而保障客户感知。
