Page 8 - 网络电信2020年8月刊下
P. 8
TF 融合的多频多模网络结构如图 1 所示，整体组网主要由 数据的分析处理挖掘小区的潜在相似模式。MR 数据是按 RSRP
3 部分组成：容量层、覆盖层、广深覆盖层。容量层主要用于业 （reference signal receiving power，参考信号接收功率）
务吸收，其中 D 频段覆盖能力较差，用于近点、热点话务吸收， 强度分段统计的，按照 RSRP 强度、MR 数量绘制二维曲线，具体
FDD 1800MHz 承担热点均衡效果，与 TDD 2.6GHz 的 D 频段共同 如图 3 所示。
承担容量层。F 频段覆盖次之，用于基础覆盖以及小区边缘业务 从 MR 数据中提取用于小区场景划分的关键特征，提取每条
吸收。FDD 900MHz 频段覆盖效果最好，优先级最低，用于城区 MR 数据的算术平均数、方差、峰度系数 以及偏态系数。使用提
深度覆盖或郊区广覆盖。 取的这 4 个特征进行场景划分，场景自动划分采用 K-means 聚
TF 融合组网使得网络厚度增加，可快速、有效地提升网络 类算法，定义小区数 量为 N，且每个小区的 MR 数据已提取以上
能力，但日益复杂的网络结构却给负荷优化带来了严峻的挑战。 4 个特征，则数据矩阵如下：
不同频点之间的负荷均衡与重选边界主要通过切换、重选等相
关参数控制，涉及参数可达数百个。仅依靠人工经验很难进行
精细配置，参数配置与网络质量的相关性又十分复杂，不仅耗
费大量的人力，而且很难达到精细化的效果。所以，传统的仅
依靠网络优化工程师的经验进行负荷优化的方法不能适用于多
频多模网络结构，同时，传统基于专家经验的优化方案也不具 其中，x ij 表示第 i 个扇区的第 j 个属性。
备现网大规模应用的可实施性。 首先随机从数据集中选取 K 个点作为初始聚类中心，然后
2.基于聚类分析和深度学习的负载均衡优化 计算各个样本到聚类中心点的距离，把样本归到离它最近的那
用户在多频多模网络中不同频点之间的切换、重选主要通 个聚类中心所在的类。采用欧氏距离计算数据对象间的距离：
过网络相关参数控制，如何对相关的数百个参数进行精确且有
效的配置是影响负载均衡的关键因素。本文利用机器学习技术
调整网络配置参数，以实现在容量层、覆盖层和广深覆盖层之
间按小区承载能力均匀分配网络业务负荷。同时，依据小区用 更新类簇中心：对应类簇中所有数据对象的均值，即更新
户分布特点划分小区类型，为不同类型小区生成个性化优化方 后该类簇的类簇中心。定义第 k 个类簇的类簇中心为 Center k ，
案，且负载优化方案可随网络业务发展变化实现自动化更新。 则类簇中心更新方式如下：
基于机器学习的负载均衡优化流程如图 2 所示。
图2 基于机器学习的负载均衡优化流程
其中，C k 表示第 k 个类簇，|C k | 表示第 k 个类簇中数据对
象的个数，这里的求和是指类簇 C k 中所有元素在每列属性上的
和，因此 Center k 也是一个含有 4 个属性的向量，表示为：
不断地迭代来重新划分类簇，并更新类簇中心，设定迭代
次数 T，第 T 次迭代后则终止迭代，此时所得类簇即最终聚类结
果。
（1） 原始数据处理 （3） 关系模型训练
获得的数据为一定时间段内的小区级数据，包括公参数据、 基于（2）中所划分的场景，挖掘各个场景下的配置参数
MR（measurement report，测量报告）数据、配置数据以及性 对性能指标的影响和配置数据与性能数据之间的隐含关系，调
能数据等。基于大数据平台的存储资源和计算资源完成数据的 整无线参数，改善网络性能，提高网络 KPI（key performance
ETL（extract-transform-load，抽取、转换、加载）处理，为 indicator， 关 键 性 能 指 标 ）。 利 用 DNN（deep neural
后续分析与建模提供可用的格式化数据。 network，深度神经网络）模型学习配置参数与性能指标参数的
（2） 小区场景划分 内在关系，得到训练稳定的神经网络模型。
本部分主要实现针对小区用户分布特性进行场景划分，小 定义配置参数 X 包括整个小区组的整套参数配置，包括其
区的 MR 数据可以较好地反映小区的用户分布情况，通过对 MR 所包含的各个小区的资源配置参数、频点配置参数和边界电平
配置参数等，包含 m 个频点、每个频点有 n 个参数的矩阵可表
图3 MR采样点数在RSRP强度区间的分布示例 示为：
网络电信 二零二零年六月 13
