基于网管性能数据的KPI优化方法分析研究 计算机专业

基于网管性能数据的KPI优化方法摘要：

结合中兴通讯在全球商用网的优化案例，讨论基于网管性能统计数据对网络KPI进行优化的思路和具体方法。对网络日常优化所需关注的主要KPI进行了介绍。概述随着商用网络规模的不断扩大，单纯采用路测优化方式已经不能满足工作需求。在网络成熟期，更多的情况是首先通过后台网管的海量数据统计和分析，初步找出异常指标，继而确定是RNC级的问题还是个别小区问题，再结合具体的优化手段进行详细分析。本文对基于后台网管性能统计数据的KPI优化手段进行初步的分析。在传统的基于DT和CQT数据的优化过程中，数据的采集是一个比较费时的过程。为了复现某个问题，可能需要进行大量的路测，之后在对长时间的路测数据进行回放分析的过程中，定位到具体需要分析的问题点，然后从不同的角度进行分析，最终找到问题的解决方案。虽然在一些智能化的工具支持下，问题的定位与分析能在一定程度上简化，但这仍然属于对个案问题进行优化的范畴，缺乏全网级的综合信息加以支撑。而基于后台网管性能数据的优化则与之相反，这种优化方法基于大量的性能统计数据，强调各KPI指标之间的关联性以及KPI指标与各种外在因素的密切联系。工程师需要做的，是在相应工具的支持下，从性能数据与配置数据、告警数据、地理信息、时间信息等入手，深入挖掘数据之间的联系，从而定位KPI相关问题发生的原因，提出相应的解决方案。常用KPI简介根据各类计数器，可定义很多种性能指标。其中一部分是一般性能指标，可称为GPI（GeneralPerformanceIndicator）。一部分是常用的用于评价网络质量的指标，可认为是网络关键指标。KPI通常分为路测部分和后台部分，本文中专门讨论后台部分的指标。后台网管统计可分为RNC级统计和Cell级统计，针对不同的指标采用不同的统计范围和粒度。从实际应用的角度，通常有以下几类KPI，分为接入类、切换类、掉话类、资源类、速率类、质量类等，其中很多指标可以进一步按业务等条件进行细分，构成复杂的KPI体系。但在日常的KPI监控和优化的过程中，通常选取最重要的几项指标，反映网络的总体性能。当有必要时，才对描述细节性能的指标进行考察。这体现了问题分解、逐步求精的分析思路。从用户的使用感受角度考虑，最重要的KPI指标应该是掉话率，包括语音、可视电话、PSR99业务以及HSPA业务的掉话率，而CS业务的掉话相对PS业务来说带来的负面体验更严重。其次一个重要的KPI类别是接入类指标，这反映了用户是否能在任何时间、任何地点及时地获取高质量的移动通信服务。接下来的重要指标包括质量类指标、速率类指标等，这些是用户直接能感受到并关心的。切换类、资源类指标则更多地为运营商所关注。需要说明的是，在基于网管的KPI体系中，部分KPI指标比较难于体现，典型的如呼叫建立时延，其信令点涉及对核心网消息的解码，通常不在RNC内完成，因此更多的是从路测途径对时延KPI进行测试评估。在基于网管数据的KPI优化方式中，典型的KPI如下图1所示。图1典型网管KPI示意图网管KPI优化网管KPI优化流程网管KPI优化是通过对OMC统计数据的分析来定位异常KPI的过程。异常KPI是指日常网络运行监控中网络质量报告输出的KPI不满足项，如接入成功率、掉话率、异系统切换成功率等。不同的KPI的分析方法可能有所不同，但总体流程是存在共性的，其分析思路是：从面到点进行问题定位和分析，即从RNC级性能到小区级(Cell)性能，结合KPI之间的横向分析，以及从KPI到相关PI的纵向分析。从RNC入手，可以了解整个WCDMA网络的整体性能。如果RNC级的指标有异常，则要分别对每个小区的指标进行分析，确认指标异常是普遍现象还是个别现象：如果是普遍现象，需要从覆盖、容量、干扰、传输、设备软硬件、无线参数等方面进行分析；如果是个别小区异常，应从相应的小区性能统计项进行详细分析。需要注意的是，在查看百分比类相对性指标时，还需要同时查看指标中的绝对次数，因为百分比指标有时会掩盖部分小区的问题。分两种情况：一是百分比指标差，但采样点少，不具备统计意义；二是失败次数（分子）多，但由于总体样本点（分母）更多，其百分比指标会很好，容易掩盖一些问题，需要特别注意。在网管KPI优化过程中，纯粹的OMC统计数据可能还不够，这时就需要多元化的数据作为分析的输入，如设备告警/设备日志数据、小区跟踪数据。如果仍然无法定位问题，则进行相关小区的DT/CQT专项测试，结合UE侧数据进行分析，直至问题的定位解决。图2是网管KPI优化流程，解析如下。（1）后台统计指标有RNC级的不合格指标时，明确是否突发性、可自愈性的异常。这类异常包括大风、大雨、冰雹等气候变化，假日、集会、体育比赛等用户集散变化，传输瞬断现象，电源故障等，通常持续时间不长，但是对统计指标可能有很大影响，需记录具体原因和提出相应的改进建议；（2）若不是突发、可自愈的指标异常，要做的第一件事是检查设备告警信息，排除可能的设备告警，这点很重要。若设备无告警或告警消除后指标没有恢复正常，进行下一步；（3）将统计指标和话务量联合起来进行过滤，列出所有指标不满足的小区，并进行地理化显示；收集网络当前的传输配置表、软硬件版本和无线参数配置信息，分析筛选出的异常小区是否存在某些共性，如有则针对其共性进行专题分析。典型的共性特征包括：CN/RNC侧重点检查近期有无版本升级、CPU负荷、链路资源占用情况等；传输侧检查是否有传输节点中断、传输误码率过高等；检查硬件更新情况；检查无线侧网元有无软件升级；查看小区上行接收功率指标，看是否存在上行干扰；检查异常小区的几个最常调整的无线参数，看参数是否异常；查看异常小区统计指标恶化发生的时间段，查找有无规律；其他暂没有列出的共性情况；图2网管KPI优化流程图（4）若异常小区没有找到共性，或优化后仍有不满足指标的小区，则进行单小区的异常指标分析。主要关注无线接通率、掉话率、软切换成功率、2/3G互操作指标、PS业务速率等几方面。（5）上面所有步骤处理完毕后，若仍然有小区异常，并且确认是设备Bug或是系统实现问题，需要设备厂商相关技术人员解决。无线接通率优化影响无线接通率的原因分析如下：（1）覆盖弱区发起接入使得信令流程无法完成导致接入失败；（2）接入时被叫手机发起位置更新使得寻呼不到手机导致接入失败；（3）小区重选不及时使得UE未在最优小区发起接入导致接入失败；（4）随机接入参数（前导功率、小区搜索窗长度等）设置不当使得RRC建立不成功导致接入失败；（5）LAC区交界处发起接入，由于小区更新导致的接入失败；（6）RAB建立失败导致的接入失败。RAB指派建立过程有两个制约，一是RB建立，这是对UE的参数配置过程，一般不会发生问题；二是无线链路重配过程，主要完成对NodeB链路参数配置，相对容易发生失败。常见的失败原因有：无线链路重配准备失败（当NodeB的资源出现问题，如发生实例吊死）；无线链路重配取消（当RNC内部资源或流程出现问题）。还有一种情况会导致RAB失败，即小区负荷较高时RNC通过接纳控制发出拒绝指令。无线掉话率优化无线掉话率优化的思路如下：（1）分析RNC的掉话率指标，主要从整个RNC的整体掉话率指标上判断掉话率指标是否正常。（2）分析小区的掉话率指标。主要需要分析小区“AMR掉话率”、“VP掉话率”、“PS掉话率”、“硬切换掉话率”、“系统间切换掉话率”，对所有小区分别用以上的指标进行排序，选择指标特别差的小区或者最差的一些小区，进一步分析掉话原因。（3）检查小区是否异常。检查小区告警，排除小区异常方面的原因。（4）分析掉话原因，从覆盖、切换、干扰几方面考虑。如果失败信令显示用户面或无线链路失败，并且原因是“RLC不可恢复错误”的话，可能是覆盖导致的掉话问题；分析该小区相关的切换指标（分析小区的切入成功率和切出成功率），确认是否由于切换失败导致的掉话；通过分析小区总带宽接收功率相关指标，分析在掉话率高的时段，是否相应的上行干扰指标也很高，进一步确认是否上行干扰导致的掉话问题。（5）通过路测重现问题。当通过后台网管数据分析无法进一步解决掉话问题的时候，需要针对小区进行路测，跟踪手机侧和RNC的信令流程进行分析。切换成功率优化影响切换成功率主要有以下几个因素：切换区过小，切换参数设置不当，邻区漏配。（1）切换区过小。切换区过小会使UE没有足够的时间完成切换；（2）切换参数设置不当。会导致邻区增加/删除不及时，或乒乓切换；（3）邻区漏配。这种情况是最常见的导致切换失败的原因，而且对网络性能影响较大。漏配的邻区不但会直接造成掉话，还会给网络带来额外干扰，降低网络容量。其他指标下面的这些指标不是优化最关心的，但有时也需要结合它们对具体问题进行分析。尤其是当网络用户数达到一定程度后，会更经常用到这些指标的统计。（1）话务量与掉话率单纯从掉话率统计的绝对值无法准确判断小区是否存在问题，必须结合小区话务量指标。只有小区话务量（呼叫次数）足够多时统计结果才有参考价值。（2）RTWP基站空载时，RTWP（ReceivedTotalWidebandPower，宽带接收总功率）均值在-106~-104dBm之间属正常；按照50%负载对应3dB噪声抬升，可知RTWP小于-100dBm基本属于正常范围。分析这个指标需要结合话务量。若在话务量正常的情况下出现RTWP异常抬升，则有可能是存在较严重的外部干扰，这是提示干扰存在的重要手段之一。（3）码资源利用率码资源利用率太高或太低都不好，现实中常见的是边缘站点的码资源利用率较低，而密集社区、写字楼、商业区等地域的站点码资源利用率很高，需要保持关注，防止因码资源受限发生的网络问题。地理化分析方法随着GoogleEarth等现代GIS工具的广泛普及，越来越多的优化工具从中受益，使得优化过程中能尽最大可能地利用地理化信息，辅助优化方案的制订。在KPI优化的过程中，常见的地理化分析方法包括：（1）利用各小区的关键KPI值对小区颜色进行渲染，直观表达全网的KPI分布情况。统计指标的图形化显示对大规模网络优化分析的好处显而易见，图形化的分析结果直观、清晰，且能够表示出站点的相对位置，可以从宏观层面来分析问题，便于分层次实施优化。如图3所示是某网络中各小区的掉话率分布情况，不同颜色代表不同的掉话率等级。图3小区掉话率分布图（2）对TopN问题小区的地理化关联分析，就是将有问题的小区重点集中呈现，以便发现地理上的共性。这样不但有助于整理优化思路，也有助于对一些隐藏问题的判断，如潜在干扰的发现、传输问题的发现等。图4是一个典型案例。黄色区域中包含的是12个掉话率最高的站点，红色区域中的3个站点则是掉话率在前三位的，这表明这些站点在拓扑结构上的很强的关联性。后经查实，这些站点是通过共同的传输接口板接入RNC的，接口板的安插不良导致了掉话率的突然提高，重新连接问题即告解决。图4