楊新敢

（中國移動通信集團福建有限公司網絡部，福建 福州 35000）

引言

現有5G 用戶語音投訴問題定位，一般是通過現場測試復現、問題位置基站的指標分析、大數據話單遍歷基站性能分析。傳統(tǒng)解決方案存在取數繁瑣、人工介入多，主觀因素偏差大，無法識別主次根因，且一級根因無法直接執(zhí)行，如一級根因結果為弱覆蓋，可能是主控基站故障導致，需一線人員二次分析；且“體檢式”的檢查，當小區(qū)出現多根因時，主因的判定算法不科學。本方法針對運營商在定位這一類投訴的根因需求，提出了一種采用階梯染色方法結合AHP 的算法，具有主次根因識別能力、并輸出二級根因，該根因可直接用于一線人員落地執(zhí)行，或對接參數平臺自動執(zhí)行。該算法實現了5G 用戶語音質差投訴的根因一鍵式輸出，提升投訴處理效率及自動處理能力。

1 整體架構及分析規(guī)則

1.1 整體架構

本工具根據《中國移動5G 上網日志留存系統(tǒng)技術規(guī)范》采集的各接口大數據話單，通過N1N2、4/5GMRO、指紋庫和S1MME 等大數據接口表，識別用戶通話感知異常的大數據話單特征，并下鉆至秒級“RTP 質差切片”詳單，后臺自動關聯MRO、參數、性能和故障等多維分析；研究大數據語音質差與各維度性能指標劣化拐點，科學的制定各指標劣化門限及權重，并運用AHP 算法，關聯出各項子因的置信度，根據置信度高低輸出語音質差和異常事件根因，實現用戶5G 語音質差端到端根因定位[1]。圖1 為該工具架構及原理圖。

1.2 語音異常話單識別

通過大數據話單特征與實際感知研究，制定語音異常話單識別規(guī)則將用戶投訴現象“翻譯”成網絡語言。

根據《中國移動5G 上網日志留存系統(tǒng)技術規(guī)范》采集的接口大數據話單，通過“合成VoLTE 信令接口表”表中的“Procedure_Type、Procedure_Status、dantong_D1、dantong_U1、dantong_D2、dantong_U2、tunzi_D1、tunzi_U1、tunzi_D2、tunzi_U2、5G_flag1、5G_flag2”等關鍵字段，按照以下規(guī)則識別用戶語音通話未接通、聽不清、掉話的異常話單：

1）未接通:[流程類型編碼]=(50,51,52,60,100,101,102)其中的一個值and[sip 主流程狀態(tài)]=(0,2,4)（0為異常超時，2 為呼叫建立failed，4 為timeout）and[呼叫接通時長]=0and[主叫通話時長]=0and[異常釋放原因]≠(1,16,17,19,20,21,27,28,31,48,200,401,407,487,491)。

2）掉話：[流程類型編碼]=(50,51,52,60,100,101,102)其中的一個值 and [sip 主流程狀態(tài)]=5。

3）語音質差：[流程類型編碼]=('50','51','52','60','100'','101','102')and and [主叫通話時長]>'0'and（主叫上行(dantong_U1+duanxu_U1+tunzi_U1)>2or主叫下行(dantong_D1+duanxu_D1+tunzi_D1)>2）。

1.3 異常話單定界

對識別出的語音異常話單，從“注冊問題、鑒權問題、視頻彩鈴單通、CSFB、ESRVCC、異常占用公/ 專網”進行定界，并通過“Pb_call_side、dantong_U1/U2/D1/D2、duanxu_U1/U2/D1/D2、tunzi_U1/U2/D1/D2”按照算法進一步形成“本端、對端、無線、核心網”的“二維四象”定界。

1.4 RTP 秒級切片詳單分析

對存在語音質差的通話話單，進一步通過媒體面RTP 切片級詳單，關聯用戶實時上報的MRO、性能指標分析，實現二級根因定位，較傳統(tǒng)定位方法再往前一步，如傳統(tǒng)只定位到根因為弱覆蓋（一級根因），而本算法可定位到鄰區(qū)故障導致的弱覆蓋（二級根因）。

RTP 秒級詳單獲取：通過“用戶手機號碼+時間+MME_UE_S1AP_ID”字段關聯RTP_MOS 質差詳單接口表，下鉆用戶通話異質差期間秒級切片話單。

質差切片特征識別：根據RTP 質差詳單接口表中滿足[上行語音質差標識]=11 或12 或21 或31 或32 或33，標識“上行語音質差”；滿足[下行語音質差標識]=11 或12 或21 或31 或32 或33，標識“下行語音質差”；若滿足兩個相鄰間的記錄同時滿足[上行MOS]<3.0 且>0），標識“上行MOS 低”；滿足兩個相鄰間的記錄同時滿足[下行MOS]<3.0 且>0），標識“下行MOS 低”。

RTP 質差切片分析：關聯用戶級MRO、小區(qū)性能指標、網管參數、基站告警、鄰區(qū)配置等，從“切換不及時、鄰區(qū)漏配、鄰區(qū)故障、上/下行弱覆蓋、頻繁切換、小區(qū)高負荷、高干擾、高重疊覆蓋、MOD3”等多個維度分析定位，關鍵算法如下所述。

1）主服故障：判斷質差切片話單的eNode B IP，關聯S1MME，確定用戶占用的CELL ID，查詢“全量告警表”中對應時間對應小區(qū)是否存在影響業(yè)務重要告警（如駐波）。

2）鄰區(qū)故障：判斷語音質差通話時段內用戶位置周邊300 m 范圍內小區(qū)且用戶與小區(qū)的經緯度連線與正北方向的角度（0～360°）夾角在該小區(qū)方位角±60°范圍內的小區(qū)是否存在告警。

3）切換不及時：質差切片關聯的MRO 數據，滿足“[鄰區(qū)參考信號接收功率]＞35 and[鄰區(qū)參考信號接收功率]-[服務小區(qū)的參考信號接收功率]≥6 and[鄰小區(qū)ECI]不在鄰區(qū)漏配清單中”,則判定為切換不及時。

4）下行弱覆蓋：服務小區(qū)的參考信號接收功率≤30，且主服無告警、鄰區(qū)無故障、無鄰區(qū)漏配、無切換不及時則判定為下行弱覆蓋。

5）上行弱覆蓋：滿足（“服務小區(qū)參考信號功率”+0.2）-（服務小區(qū)的參考信號接收功率-140）>120，且“(鄰區(qū)的參考信號接收功率-服務小區(qū)的參考信號接收功率）≥6”則判斷為上行弱覆蓋。

6）頻繁切換：滿足RTP 語音質差切片的[上行RTP 結束時間]≥《S1-MME 接口表》中對應的[業(yè)務流程開始時間]≥[上行RTP 結束時間]-3s 的記錄中，[流程類型編碼]="14or15or16"的記錄數≥5，則判定為頻繁切換。

7）高負荷：查詢語音質差切片占用的小區(qū)的15 min 粒度負荷相關指標，若對應的max(上行PRB平均利用率，下行PRB 平均利用率,PDCCH 信道CCE占用率)≥70%，則判定為用戶當時占用的小區(qū)存在高負荷。

8）高干擾：滿足RTP 質差切片占用的小區(qū)對應時間點的小區(qū)15 min 上行平均干擾指標大于-105 dbm，或（lteScCRS+0.2-（lteScRSRP-140）<120）and（lteScPHR-23<5）任一條件則判定為上行干擾。

9）高重疊覆蓋：RTP 質差切片時間點，同時滿足主服小區(qū)與鄰區(qū)頻點絕對值<10，且(主服的參考信號接收功率-鄰區(qū)的參考信號接收功率)>-6，且主服務小區(qū)的參考信號接收功率＞30 的鄰區(qū)數量，去重后≥3 個，則判定為下行高重疊覆蓋。

10）MOD3 干擾：RTP 質差切片時間點，同時滿足主服小區(qū)與鄰區(qū)頻點絕對值<10，且（鄰區(qū)的參考信號接收功率-主服的參考信號接收功率）>-6，且主服務小區(qū)的參考信號接收功率＞30，服務小區(qū)與鄰區(qū)的物理小區(qū)識別碼mod3 取余數相等，則判定為下行MOD3 干擾。

2 KQI 與KPI 質差門限擬合研究

傳統(tǒng)根據專家經驗確定的門限，并不是最優(yōu)最合理值，通過專項研究，基于大數據、性能指標的質差門限擬合，算法規(guī)則與曲線趨勢特征，制定各性能指標門限，科學制定劣化拐點門限及影響權重。通過大數據分析上行MOS、上行丟包率、上行平均時延（ms）與覆蓋、干擾、負荷的關系曲線，制定不同指標不同劣化程度的分區(qū)間影響權重，如根據曲線結果將覆蓋指標RSRP分為五個區(qū)間（-130、-125、-120、115、-110dbm），分別置于單項最高(10、8、6、4、2）的分數用于表征當前RSRP 值對質差切片的影響權重。

3 主次根因識別算法

通過RTP 質差切片話單聚合，對集合內的各條話單子因，采用階梯染色評分法及AHP 算法權重判斷，最終自動輸出每通異常通話的主根因、次根因。

AHP 層次分析法：是一種將定性與定量分析方法相結合的多目標決策分析方法。該法的主要思想是通過將復雜問題分解為若干層次和若干因素，對兩兩指標之間的重要程度作出比較判斷，建立判斷矩陣,通過計算判斷矩陣的最大特征值以及對應特征向量,就可得出不同方案重要性程度的權重，為最佳方案的選擇提供依據。AHP 層次分析法用于多根因判斷的簡要示例如下。

1）待決策問題：某個地點存在兩種根因：RSRP 差和RRC 重建比例質差，請找出主根因。

2）建立評判指標：上行MOS 上行丟包率上行平均時延。

3）根據該地點RSRP 和RRC 重建比例的具體打分，構建判斷矩陣，生成一致矩陣，計算每個根因的具體得分。

4 工具創(chuàng)新點

本工具將大數據、性能、MRO 等多數據源一站式關聯分析一鍵式操作，實現基于信息安全的根因定位分析。創(chuàng)新性的實現秒級切片大數據分析，大幅提升了問題的分析精度[2]；主次因識別算法，讓解決方案更突顯，也提升了網絡自動駕駛能力；該算法模塊化封裝，可移值嵌套至手機APP 端，實現隨時隨地一部商用終端既可完成投訴根因定位。

4.1 秒級切片大數據二級根因分析

較傳統(tǒng)分析方法，本工具算法下鉆至秒級切片，并對關聯用戶級弱覆蓋，深度分析是否鄰區(qū)漏配、參數配置、主服小區(qū)故障等導致，識別弱覆蓋真正原因，突破原有的覆蓋、干擾、容量根因歸類，實現語音質差二級根因定位能力，優(yōu)化人員無需二次分析。重要場景感知、用戶信令異常分析模塊均應用到大數據。

4.2 大數據與KPI 質差門限擬合

本工具在制定KPI 質差門限及影響權重時，通過分析大數據感知與性能指標的曲線趨勢，以及更加科學的研究指標拐點值，將研究結果采用區(qū)間評分制，既實現對各子因的全面分析，又實現了各因素的影響大小，為后續(xù)的主次根因識別提供樣本。

4.3 主次因識別算法

本工具采用階梯染色法、AHP 層次分析算法，對各質差話單、各維度子因進行全面評估，自動輸出問題主根因，解決了智能化分析中有多個原因但主因不確定的問題，輸出的主根因可進一步轉化為優(yōu)化措施，一線人員可直接根據該方案執(zhí)行，對參數類也可直接調整智能參數平臺自動優(yōu)化。

4.4 可移植性強

本工具及算法可作一個模塊移植到日常優(yōu)化測試、投訴處理工單流程中，自動定位語音質差問題，并回填最終主根因及優(yōu)化措施，供處理人員查看，提升日常生產效率；同時該算法可通過接口形式調用或嵌套到手機APP 中部署，一線前端生產人員僅通過一部普通商用手機即可完成用戶語音質差定位，為優(yōu)化人員提供有力的支撐。

5 結語

本工具實現了秒級大數據切片分析，通過用戶級大數據回溯，精準復盤用戶問題，并研究感知與質差門限擬合，科學制定劣化門限與權重。引入階梯染色法、AHP 算法，精準識別語音通話異常的主次根因，更有效的指導一線優(yōu)化人員解決問題。在便捷安全方面，所有數據后臺集成、一鍵操作，并采取用戶授權安全策略，在高效的同時保證了用戶隱私。為日常語音質差問題優(yōu)化提供了有效支撐，也大幅提升了網絡自動駕駛能力。