作者|张哲 陈娟娟,单位:河北移动
Labs 导读
自工信部正式发放5G商用牌照以来,我国进入5G时代,河北移动积极投入网络建设,推进5G商用网络的发展。在5G基站大规模投入的同时伴随着一系列无线网络质量及客户满意度问题,而我们当前正处于稳4G拓5G阶段,那么如何减负、高效、准确解决问题成为工作重点挑战。在5G网络复杂度提高和场景化Pattern组合复杂的大背景下,对优化人员能力要求逐步提高,这就需要将专家的优化经验进行沉淀和迭代,并逐步实现工具智能化。河北移动通过对无线性能、告警和MR数据进行治理,建立VoNR评估体系,并使用AI预测能力对网络进行精准问题识别,构建规则引擎模块对问题进行无线根因判断,实现无线问题从识别到智能分析的能力,有效提高了5G网络问题识别的准确性和问题处理效率,助力提升5G网络质量,打造5G网络高质量形象和口碑。
1技术方案介绍
1.1 数据治理
数据治理将O域平台的数据通过资产目录、模型分层、权限管理和模型管理等将性能、告警、MR数据进行资产沉淀和总结,在使用时快速进行查看和调用。
1.2 VoNR评估体系
通过对数据治理后,有效识别VoNR关键指标,支撑VoNR商用初期网络问题发现,实现VoNR的端到端感知提升及问题快速定界,构建基于关键接口关联的全流程端到端VoNR体验保障体系。建立基于专家经验库+大数据分析的自动定界、基于规则引擎&可自定义配置的无线质差小区自动分析定位的能力以及根因推荐,支撑VoNR商用保障。
围绕注册、接入、保持、语音质量维度构筑VoNR感知评估体系,针对VoNR特性构建关键指标趋势洞察、问题定界能力以及异常问题的回溯能力,支撑VoNR商用中的网络质量监控,异常问题快速发现和定界。
1.3 无线质差问题识别
无线质差识别将VoNR评估体系的注册、接入和保持类等指标进行TOPN阈值设定,并利用智能KPI异常检测的多数据源自动关联、多窗口联动分析、基于AI算法的深度分析自动识别质差小区。同时支撑人工自定义配置识别质差小区,适用多种场景,问题发现更为快捷高效。
1.4 根因诊断与分析
1.4.1 构建规则引擎能力
定界规则引擎提供无线侧规则管理功能,在规则编排界面可自主灵活配置无线侧问题定界定位规则。规则引擎自动集成了无线MR、告警、操作日志和性能指标,可精准定位问题时段的问题原因,且支持自定义编排规则,包括新建、删除、修改等、可灵活设置规则参数门限,系统提供了700+基于专家经验形成的预置规则。
1.4.2 无线根因智能定位
规则引擎关联操作日志、告警、邻区、参数、覆盖、容量、干扰、传输信息等方便人工分析。基于TOPN识别的无线质差小区可主动调用规则引擎,并进行根因排序,输出无线质差小区的关键原因,指导问题快速处理及闭环。
2技术创新点
2.1 KPI异常检测
无线KPI具有变化的周期性、波动性、分段性等特征,监控门限难以固化,过低可能产生大量虚警,过高可能无法发现异常,而传统无线网络性能采用静态/规则阈值难以完整适配性能特征的不规则性和多样性。另外IT和CT领域网络(设备)结构越来越复杂,进而导致监控指标越来越多,传统的基于专家经验设置静态阈值的方式越来越难以完成网络(设备)的全面监控,难以适应指标的动态变化。基于AI的KPI异常检测智能生成动态阈值,并且基于漏斗原则实现大规模指标的同时监控。
通过KPI异常检测,实现异常感知时间2h->30min的缩短,提升VoNR异常感知检测效率。
2.2 告警关联汇聚
通过KPI告警汇聚和合并,快速识别VoNR问题聚集点,提升问题等级,实现问题的快速识别与闭环。
KPI告警汇聚的原则:
- 时间上同时发生。
- 空间维度相邻:必须考虑空间上是有相邻的,可以通过重要邻区、共站、相近、拓扑等来进行汇聚。
- 业务相关:需要考虑主指标的劣化对应的原因值是相同的。
KPI告警合并的原则:深度优先搜索DFS
- 所有小区及其邻区关系可视为图结构,小区为顶点,邻区关系为边;
- 从根节点开始,沿着树(图)的宽度遍历树(图)的节点,直到以vt出发的所有节点都被访问到。当前检测两个出现告警则进行聚合👇
基于上述在时间维度(同时发生)、空间维度(相邻/拓扑)、业务维度(业务相关)的分析结果,将相关的告警进行合并成同一个事件,从而提升关联准确度。
2.3 卡片式管理
支持用户灵活、直观地设计和定制Dashboard显示布局、指标和粒度,设置并保存个性化的dashboard模板以便复用。
3应用效果
定位准确率:自动诊断问题根因定位准确率达80%以上,其中SA接通率达86.52%
生产效率:无线质差VoNR Top小区处理效率由 13个/人天 提升至20个/1天 ,效率提升50%。全量top小区分析周期由周提升至天。
作业流提效:作业流效率提升明显,问题处理端到端环节工作效率提升约35.83%。
分析作业流发生变化,相比传统分析流程省去数据采集和VoNR top N识别过程,且根因分析和优化建议输出更加快捷。