舒荣 聂祥松 王龙龙

（贵州航天计量测试技术研究所，贵州贵阳 550000）

0.引言

据GSMA统计，截至2021年4月，我国5G通信基站建设总数达到819000个，商用规模位居全球首位。在5G时代全面到来背景下，需进一步加快5G技术与大数据技术的融合进程，聚焦数据采集、筛选、挖掘、分析、存储、管理以及可视化等层面强化技术支持，更好地满足数据增长需求，提升数据资源利用价值。

1.5G通信网络建构面临的难题

1.1 数据类型繁多

将5G技术应用于通信网络建构中，涉及数据访问层、基础数据层、运营商日志数据群等不同结构，拓宽原有数据传输容量、使得数据类型日渐复杂化，需围绕若干环节进行数据采集，相应对于不同类型数据的分析与处理能力提出更高要求[1]。然而5G通信技术自身缺乏数据分析处理能力，仍需依托大数据提供技术支持，适应复杂网络环境下的数据捕捉、分析处理需要，为5G通信网络的正常运营提供保障。

1.2 数据收集不完整

将超密集组网技术应用于5G通信网络建构环节，形成异构的超密集组网架构，但受其结构特征影响，这种组网架构不具备对边缘数据的良好感知能力，局限于依托主体架构进行数据采集，增加边界通信数据被截取的几率，进而影响到数据采集结果的完整性，不利于后续进行通信数据分析及有效利用。

1.3 数据传输质量差

当前5G网络建设需应用大规模智能天线、完成高密度基站的部署，但在实际通信网络建构环节，大规模天线、基站间将产生信号干扰，削弱数据传输质量，造成网络卡顿、延迟等问题。基于此，还需引入大数据技术进行不同类型传输数据的分类处理，消除信号干扰，提升数据传输质量与响应速度。

2.大数据技术支持通信网络建设的具体应用

2.1 基于CS架构的数据采集方法

鉴于5G通信网络中的数据传输总量较大，需引入数据采集技术实现对通信网络中不同数据源数据的分别采集，配合数据筛选技术进行海量数据的筛选、提取以及清洗，滤除错误数据，使得数据结构更加明晰，为下一阶段的数据分析与挖掘创设良好条件。在IoT规模化部署背景下，可引入mMTC技术建构5G典型应用场景，支持海量数据连接，配合CS技术的应用提升数据传输性能，满足5G应用mMTC场景下的数据采集需求[2]。

例如基于CS架构进行数据采集方案的设计，主要包含以下3种类型：（1）正则化子空间追踪算法（RSP），先对通信数据进行预处理，消除由原始稀疏信号x的加性噪声引发的噪声叠加问题，再以正规矩阵为基准进行相应列的选择，确认原始稀疏信号中的非零元素指数及其具体位置，最后通过保留最小均方根误差获取估计信号、达到最大的估计量，完成估计信号的更新处理。（2）基于随机循环矩阵的模拟压缩传感采样矩阵（SCM-ACS），以Zadoff-Chu循环序列为基准，先选取基准数列进行循环移位，获取若干个循环序列，利用该序列在自相关性上占据的优势将m个并行的子信道数量减少至1个，完成数据的筛选与处理。（3）随机循环正交矩阵（RCOMACS），该矩阵采用模拟CS架构建设，能够有效简化移动通信网络架构在硬件配置上的复杂程度，利用Matlab求余函数循环移位模型，以m为周期实现周期延拓，借此减少并行子信道数量，优化信号恢复效果。

2.2 基于聚类的数据挖掘技术

在5G通信网络建构过程中预先完成数据采集、筛选后，需从海量模糊数据中挖掘、提取出具有潜在价值的数据信息，应用聚类算法、机器学习等技术开展大数据分析，获取到用户的行为特征与需求信息，在此基础上生成数据挖掘模型或序列模型，为后续5G通信网络系统的完善与更新奠定良好基础[3]。

基于K-Means聚类算法建立数据挖掘模型，辅助5G网络基站选址部署。在聚类算法流程设计上，输入量包括数据集X{x1，x2，…，xn}、邻域率rr和分裂系数α，输出量为K个质心与各样本的划分，先选定一个初始质心，完成样本的统一归类；随后将每一个质心设为ci，选取局部密度最大位置c'i进行ci密度的迁移；接下来进行分类决策，判断是否分裂ci，完成当前质心、样本的EM调整划分；待观察到当前每一个质心ci均未发生分裂现象后，即可结束算法流程，获取到最优K数值。将该聚类算法应用于用户网络需求信息的挖掘层面，通过输入用户需求画像获得聚类结果、呈三维散点图，将输入数据划分为黑色、深绿色、深蓝色、浅绿色等若干个簇。观察各簇的时长维度、上下行流量以及与原点距离，即可判断各用户簇对应的网络需求大小，可辅助供应商完成用户群体的分类、提供针对性服务。在此基础上，从中抽选出网络需求量大的用户簇进行区域位置、历史滞留位置等信息的分析，结合不同位置的需求量大小进行评分并投射在热力图上，其中颜色较深部位即对应高评分区域，由此可供网络运营商在此类区域进行5G基站的优先部署，提高基站部署效率及性价比。

2.3 大数据混合云存储模型

鉴于5G通信网络中海量数据的激增，对于存储空间的扩展性与数据分类功能提出更高需求，应实现对结构化数据、非结构化数据以及半结构化数据的分类存储与处理，还需引入大数据技术优化通信网络的管理质量，为5G通信网络运营创设良好环境。基于大数据技术建立5G网络性能模块的平面架构，主要由组件化管理模块、分布式数据模块、资源模块3部分组成，其中组件化管理模块包含NF-C、NF-U、开放网关、服务引擎、开放网关和接入模块，利用统一接口实现与分布式数据模块的连接；资源模块包含网络资源、存储资源以及运算资源，为不同场景提供通信服务。

在混合云存储模型建构上，主要由公有云、私有云与供应者3部分组成，其中公有云部分以较低成本支持数据副本的存储、存储空间占用偏小，私有云部分采用密钥进行数据加密存储、保证用户隐私安全，供应者部分利用云存储服务设备进行业务数据存储、授予使用者访问权限。在混合云存储算法实现机制上，需预先明确大数据的弹性、聚合性与粒度等指标，基于数据访问权限的等级进行混合云存储模型梯度的划分，并对照数据存储请求将数据存储至相应节点处，由此建立的混合云存储模型能够最大限度减少存储空间占用率，保证数据存储的高效性与安全性，且维护云端其他数据的顺利传输，具备良好存储性能。设存储梯度为Δ，数据弹性为ΔT(x)，则大数据混合云存储模型表示为：

2.4 数据可视化技术

在利用大数据技术筛选、提取有价值信息的基础上，通过引入大数据技术建立图标或模型，实现对海量数据的量化处理与可视化呈现，提升5G通信网络服务质量。例如引入大数据技术建立可视化互联网金融平台，利用AI摄像头捕捉顾客面部头像、自动生成ID，配合聚类分析、识别等算法的应用进行顾客类型与关键顾客的界定，利用后台管理模块呈现出人流量、顾客运动轨迹等图表数据，供相关人员完成关键顾客群体的区划、推出定制化服务项目，更好地拓宽互联网金融的线下推广机制，提升5G平台运营与服务质量。

2.5 云计算技术

将大数据连同云计算技术共同应用于5G通信网络建设中，其关键在于强化移动智能终端与云服务平台建设，保证实现终端与平台间的快速响应与稳定连接，支持远程控制数据采集、存储及利用，为用户查询相关信息创设便捷条件。

3.结论

总体来看，5G移动通信网络建设需依托大数据技术提供支撑，为有效加快5G通信网络的商用化进程，还需面向典型应用场景与网络部署过程中面临的现实问题，引入大数据技术完善现有网络架构，辅助数据采集、挖掘、存储等模块建设，进一步优化5G通信网络应用服务水平，促进数据服务价值效率的提升。