贾 磊，张璐岩

(1.中国移动通信集团陕西有限公司 汉中分公司，陕西 汉中 723099；2.中国移动通信集团陕西有限公司 网络优化中心，陕西 西安 710077)

目前5G网络已经商用，但仍有大部分用户驻留在4G网络，尤其是在密集场景下，持续的4G网络高负荷会严重影响感知体验[1]，造成不必要的网络拥塞和资源调度不足。在密集场景的负荷优化中，存在网络负荷预测不准确、负荷分析成本高和缺乏可靠全面的自适应优化方法，影响优化效率。为了能及时、精准地识别网络负荷、监控用户感知问题，亟需一套能精准预测密集场景下网络负荷，并能实现自适应优化的方法[2]。

相关研究者针对密集场景下感知问题展开研究，通过用户体验速率和小区流量构建了基于用户感知的网络负荷模型[3]，根据流量和体验的变化率寻优,实现了网络负荷、利用率、流量和用户数之间的最优配置关系,但上述研究没有考虑4G/5G协同优化的情况。在4G/5G协同组网的情况下，提出了5G反向开通3D-MIMO、4G/5G均衡优化及现网资源动态调整等具体提升举措，建立基于网络多端口的客户感知量化评估方式，以及总结了影响用户感知的因素[4-6]。但是，以上研究没有考虑4G/5G带宽资源的协同、用户网络感知保障的情况及4G/5G带宽资源的协同等问题，导致出现上下行物理资源块(Physical Resource Block，PRB)利用率持续偏高的问题。

考虑目前4G/5G共存组网下出现的网络高负荷问题，拟提出密集场景下4G/5G带宽自适应的负荷优化方法，通过提取日常和活动期间的网络信息进行分析研究，采用机器学习方法建立业务模型和预测网络负荷，再利用目前4G/5G网络共存的方式，实现4G/5G小区带宽自适应优化，提升用户感知。

1 基本问题描述

目前4G和5G网络将长期协同发展，但在热点高容量的密集场景下，持续保障用户网络体验不下降存在一定困难。在大量用户的不断冲击下，导致网络长期处在高负荷状态，容易造成用户感知不佳的问题[7-9]。为了有效地解决密集场景下网络高负荷问题，保证用户良好的网络体验，提出了密集场景下网络负荷优化和用户感知保障的方法。

针对密集场景下网络高负荷问题，容易导致用户网络感知不佳的结果，制定了网络负荷优化和用户感知保障的总体优化思路，具体如图1所示。该方法通过采集用户当前和历史数据的业务类型、用户数及站点配置等数据。利用Apriori算法对采集的大数据进行清洗和计算，得到用户业务占比和业务组合模型，进而建立感知模型。结合小区不同时间段的用户变化情况和业务感知速率门限，计算出小区最低速率需求。再通过均值漂移算法得到小区分时段业务感知速率模型，输出小区带宽配置方案。通过指令下发基站进行4G/5G带宽配置自适应调整，实现有效缓解4G/5G网络负荷的目的。

图1 总体优化思路

2 密集场景下基于网络负荷预测模型

为更好地识别密集场景下网络感知负荷情况，构建了基于网络负荷预测模型[10]，对基础信息、感知类指标等数据进行整理计算，完成用户业务占比识别和业务组合模型的输出。

2.1 数据采集与处理

该系统对时间、ENODEBID、 Cell Id、小区名、在线用户数、连接用户数、用户感知业务占比及业务时长、站点经纬度、是否与5G共站、4G/5G站点带宽配置信息及有源天线处理单元(Active Antenna Unit，AAU)设备型号等数据进行采集。其中，业务时长包括视频业务、直播业务、及时通讯业务等8项感知指标。对采集的数据进行清洗，识别密集场景下4G/5G共站小区、带宽配置信息及远程无线电装置(Remote Radio Unit，RRU)型号等信息，对用户日常数据和重大活动数据分时段用户数变化情况、业务占比进行整理汇聚[11]，输出可用于分析、建模应用的数据库文件，存储到数据单元。

2.2 感知模型建立

对采集样本数据进行清洗，去除干扰样本数据，应用Apriori算法中的生成频繁项集和生成强关联规则，对原始数据进行建模，输出不同小区各时段业务占比数据。其中，Apriori算法是一种挖掘频繁项集和关联规则的算法，通过扫描数据库，累计每个项的计数，并收集满足最小支持度的项，找出频繁1项集的集合，该集合记为L1。然后，使用L1找出频繁2项集的集合L2，使用L2找出L3，直到不能再找到频繁k项集。

2.2.1 用户业务占比识别

获取小区下所有用户分时段涉及的视频业务、直播业务、及时通讯业务等上述8项业务占用数据进行业务占比统计，输出业务占比前5的数据，具体如图2所示。

图2 业务占比识别

其中：T为时间，t1、t2、t3和t4分别表示4个不同的时间段；L项为业务类型，表示获取全量小区不同时间业务分布情况；I为子项业务类型，其取值范围为{I1，I2，I3，I4，I5}；C1表示对获取的时间及指标项出现频次较低的数据进行剔除；L1表示输出剔除后各类业务出现频次集合；C2表示由繁琐项集L1生成的候选项集，再次遍历数据集计算全部候选两项集C2的支持度；L2表示输出剔除后各类业务出现频次集合；L3表示输出前5指标集。

2.2.2 业务组合模型输出

根据Apriori算法中强关联规则，结合不同时间的频繁项集，对不同时间段的数据进行划分，输出多个业务组合模型，并对各类业务类型进行计算，繁琐项集示意图如图3所示。

图3 繁琐项集示意图

采用Apriori算法中强关联规则算法，对不同时间段数据进行计算，进而输出小区日常和活动期间各类业务组合模型。

3 业务感知的带宽自适应预测方法

首先计算出业务感知速率门限[12]，并结合日常和活动期间各时段的小区用户数、业务模型及最低保障速率，输出小区各业务的用户数和感知最低保障速率。通过均值漂移算法建立不同带宽的业务感知模型，如10 MHz带宽、20 MHz带宽等。再根据预测小区用户数信息及业务模型，输出保障速率，并与模型进行匹配，输出小区的带宽需求，结合现网4G/5G共站小区带宽配置进行自适应优化。

3.1 业务感知速率门限获取

选取空闲时段，如03∶00-05∶00，对空闲小区进行不同业务的大量测试并记录，剔除异常数据，输出不同业务的用户上下行保障感知速率[13]，包括即时通信、Web网页浏览、视频播放和内容传输等业务类型。

3.2 多业务感知带宽需求获取

通过日常数据和历史数据及不同带宽支持的速率，计算出小区日常和活动期间不同时段、不同用户数及占比情况下的需求小区带宽，表达式分别为

N1(V1+V2)+N2(L)+N3(L)+N4(L)+L=10

N1(V1+V2)+N2(L)+N3(L)+N4(L)+L=20

式中：V1为视频业务速率；V2为网页速率；N表示用户。

3.3 建立速率模型

结合不同时段、不同用户数、业务占比及需求站点配置等，依托均值漂移算法，对包含不同站点配置的模型进行循环汇聚，建立8种模型库，如10 MHz带宽支持的用户数及业务分布，20 MHz带宽支持的用户数及业务分布……80 MHz带宽支持的用户数及业务分布，根据以上不同带宽支撑的用户数及业务分布，计算出h半径内所有点的偏移均值，其表达式为

(1)

式中：X为已知所有点的中心点；h表示所有点形成高维球区域的半径，h为变量，可根据需求调整；k表示包含在Sh范围内点的个数；Xi表示包含在Sh范围内的点。

利用式(1)得出的偏移均值，结合当前状态下的中心，通过迭代方程计算出下一时刻的聚类中心点，其表达式为

Xt+1=Mt+Xt

(2)

式中：Mt为t状态下所有点的偏移均值；Xt为t状态下所有点的中心。

根据预测用户数信息，输出各时段用户数增长情况[14]，结合各类日常和活动期间业务占比情况，预测出各类业务用户数增长后各类业务占比情况。根据预测的用户数及各类业务占比情况，计算出下个时段小区感知保障速率和带宽需求，并将结果与带宽配置资源进行匹配，输出小区带宽配置需求。

3.4 基于感知的4G/5G带宽自适应调整

根据保障小区4G/5G站点配置信息和小区预测最低保障速率，计算出小区是否满足用户的业务感知需求[15]，如不满足预测数据，则进行自适应的优化调整。

目前，移动4G和5G网络带宽从2 515～2 675 MHz共160 MHz，其中2 515～2 575 MHz的60 MHz为5G，2 575～2 615 MHz的40 MHz为可共用带宽，剩下2 615～2 675 MHz为4G带宽，自适应调整就是对共有的40 MHz带宽进行资源优化。在实验中，需结合基站硬件设备能力和网络负荷情况，输出如表5所示不同的4G/5G带宽配置方案。通过通基站平台(Operation and Maintenance Center，OMC)生成对应方案的修改指令，下发基站进行4G/5G带宽配置自适应调整。

4 实验结果及分析

为了验证所提方法在实际应用中的效果，选取某高铁站候车厅覆盖小区进行验证，输出可用于分析和建模应用的数据格式，存储到数据单元，原始数据采集信息主要涉及小区名称、视频业务用户数、视频业务占用时长及即时通讯用户数等字段，如表1所示。

表1 数据采集信息表

为了获取不同业务占比对小区下所有用户的业务类型和占用时长，通过频繁项集的算法得到小区日常和活动期间各类业务占比情况如表2所示。

表2 各类业务时间粒度占比统计

由表2可以看出，该小区下所有用户进行视频播放类业务占比最高，其次是Web网页浏览和即时通讯业务。

各类业务上下行保障速率如表3所示。

表3 各类业务上下行保障速率

由表3可以看出，内容传输业务所需的上下行保障速率最高，其次是互动游戏和视频播放业务。

此次验证，涉及5G小区20个，4G小区140个，目前5G小区配置带宽为100 MHz，使用频段涉及D4/D5/D6/D1/D2。4G小区带宽配置为60 MHz，其中D3/D7/D8频段各配置20 MHz。日常小区配置情况如表4所示。

表4 4G/5G带宽配置

开启基于负荷的4G/5G带宽自适应后，根据4G/5G用户的增加增长情况，带宽也会随之进行调整，自适应小区带宽配置情况如表5所示。

表5 4G/5G带宽配置方案

由表5可以看出，自适应开启后，根据不同时段网络负荷的预测结果，结合带宽自适应模型输出分时段的3种4G/5G带宽配置方案。

根据带宽调整情况，相对应参数也随之进行调整，4G/5G参数调整包括14类基线参数、8类切换参数和16类互操作参数，主要调整参数如表6所示。

表6 4G/5G带宽同步修改参数

如图4所示，从网络质量方面看，当4G/5G带宽自适应功能开启后，4G业务量较之前提升1.25 TB，上行PRB利用率下降1.97%，下行PRB利用率下降2.05%。

图4 开启4G/5G带宽自适应功能前后网络质量对比

开启4G/5G带宽自适应功能前后用户感知对比情况如图5所示，从用户感知方面看，4G/5G带宽自适应开启后，Web页面显示时长较之前下降301 ms，视频卡顿时长占比下降2.34%，流媒体缓存时延下降971 ms。

从以上验证结果看出，基于网络负荷预测的4G/5G带宽自适应方法测试后，4G网络负荷得到明显缓解，且业务量有所提升。用户感知类的网页浏览、视频播放等关键KQI指标均提升明显，有效改善密集场景下的网络负荷，并提升用户感知。

图5 开启4G/5G带宽自适应功能前后用户感知对比

5 结语

通过现有数据，利用Apriori算法和均值漂移算法，结合不同带宽下用户数和业务模型以及用户数预测模型，获得了小区保障速率和带宽需求，解决了密集场景下的网络负荷较高和用户感知差的问题。相比传统人工感知问题定位方法，可大幅降低人力成本，提升网络优化效率，同时避免带宽资源的浪费，最大化提升基站的频谱利用效率。随着5G网络规模的增大，呈现出多场景、差异化和需求动态变化等特点，网络切片管理面临着新应用的快速增多，业务需求变化快等挑战，需考虑5G网络切片智能的优化问题。