中国电信3G业务规模发展优化手册(上海贝尔分册)

中国电信

CHINATELECOM

中国电信3G业务规模发展优化手册

（XX贝尔分册）

中国电信集团公司网运部

中国电信XX公司

二零一二年六月

编写说明：

为指导3G业务规模发展情况下的网优工作，集团公司组织开展专项研究并编写了《中

国电信3G业务规模发展优化手册》（XX贝尔分册），对XX贝尔区域的终端业务模型、

网络负荷评估、网络优化应对策略和无线资源负荷预警监控机制进行说明，并附加具体案

例。

编制单位：

中国电信集团公司网运部

中国电信XX公司

中国电信XX研究院

高通公司

XX贝尔公司

中通服网优技术公司

编制历史:

版本更新日期修改更新说明主要撰写人

马丹、冯云喜、李波、姚坚、周涛、X

玉平、胡晓宇、胡宇明、李和明、王秀

V1.02012-6-27完成V1.0版

平、李留海、楼昉、陈晓芳、曹逸文、

X天韵、金益源、戴高杰、赵佳融

目录

1概述5

2终端业务模型分析6

2.1分析思路6

2.1.1业务研究6

2.1.2终端研究7

2.13用户模型7

2.2分析算法7

2.2.1用户区分标识8

2.2.2模型分类算法8

2.2.3性能分类算法11

2.2.4用户群匹配模型算法12

2.2.5时间均分算法13

2.2.6连接模型算法13

2.3模型特征14

2.3.1时域14

2.3.2地域16

2.3.3统计方式16

2.3.4智能手机(iPhone)模型19

2.4分析工具27

2.4.1终端分类工具27

2.4.2终端模型分析工具32

3网络负荷评估33

3.1分析流程33

3.2月度走势分析34

3.2.1网络侧34

3.2.2业务侧34

3.2.3终端侧35

3.3忙时分析35

3.3.1忙时定义35

3.3.2PCMD数据评估36

3.3.3KPI指标评估38

3.3.4特性分析40

3.4终端侧评估41

3.4.1分析算法41

3.4.2性能测试42

3.4.3小结A2

3.5业务侧评估43

3.5.1测试目的43

3.5.2测试方法44

3.5.3注意事项45

3.5.4测试结果45

3.5.5策略建议46

4网络问题优化策略48

4.1总体优化流程49

4.2策略应对和优化调整50

4.2.1策略应对总体分析流程50

4.2.2策略--休眠机制52

4.2.3策略二-负荷控制机制54

4.2.4策略三-切换机制55

4.2.5策略四-规划机制58

4.2.6策略五-寻呼机制60

4.2.7策略六-接入机制62

4.2.8网络基础优化应对策略65

4.3优化效果评估66

4.3.1资源占用66

4.3.2网络性能67

5网络负荷预警和负荷预测机制67

5.1分析思路67

5.2资源负荷门限分析68

5.2.1信令信道门限69

5.2.2前向业务信道71

5.2.3反向业务信道73

5.2.4设备负荷73

5.3无线资源负荷预估流程74

5.4预估结果75

6附录-案例汇总76

6.1网络优化策略实施案例76

6.1.1策略--休眠机制76

6.1.2策略二-负荷控制机制77

6.1.3策略三-切换机制78

6.1.4策略四-规划机制80

6.1.5策略五■■寻呼机制83

6.1.6策略六-接入机制86

6.1.7基础优化-DO载频边界优化88

6.2资源预估案例94

6.2.1预测用户模型94

6.2.2预测门限94

6.2.3资源预估案例94

6.3终端性能分析案例及策略建议96

6.3.1终端性能分析96

6.3.2终端异常处理机制99

6.3.3特殊业务(QCHAT)终端问题分析106

6.4业务分析案例及策略建议107

6.4.1典型业务(BE)研究107

6.4.2QOS业务(QCHAT)研究114

6.5测试案例116

6.5.1业务测试案例116

6.5.2性能测试案例119

6.6RAPIDDORMANCY功能120

6.7智能手机实时监控方法121

6.7.1分析思路121

6.7.2流程123

6.73方法123

6.7.4工具125

6.8相关表格126

6.8.1统计表格126

6.8.2参数表格133

1概述

根据集团公司《2012年无线网络优化工作要点》要求，集团公司网运部组织XX公司、

XX公司和XX公司作为EvDO优化的试点省，深入分析智能手机规模发展下DO网络特

性和规律；跟踪、研究、分析终端的业务特性、对网络影响等问题，建立终端业务模型，

并根据该业务模型预测业务规模发展下网络可能存在的问题，完善各种无线资源负荷监控

预警机制等，为快速解决业务规模发展下影响网络的普遍性问题和用户集中投诉问题做提

前预研；形成一整套分析思路、流程、方法和工具手段等，并将研究成果编制形成优化手

册。总册主要概括分析3G业务规模发展下网络特性分析与问题应对的分析思路、流程、

方法等，分册分设备区（本分册为XX贝尔区域）对终端业务模型、网络负荷评估、网络

优化应对策略和无线资源负荷预警监控机制进行说明。

本分册主要从以下四方面阐述了相关分析思路和流程方法：

>终端业务模型分析

对不同终端类型的业务模型进行分析研究，以分析3G网络规模应用和智能手机

普及带来的用户使用特性变化，并掌握随着业务应用不断变化带来的网络业务模型的

变化。

>网络负荷评估

结合终端模型特征，从网络侧、终端侧、业务侧综合对网络进行全面评估，发掘

新的终端业务模型对网络带来的冲击影响。

>网络问题优化策略

针对网络评估发现的网络可能面对的问题，采取对应的优化流程，通过网络侧的

六大机制对网络资源进行全面优化。

>网络负荷预警和负荷预测机制

在解决现网问题的基础上，持续关注网络资源配置和用户变化情况，对网络资源

负荷进行监控，并针对可能存在的瓶颈及时预警并采取相应的措施。

此外，本分册还提供了相应的优化效果评估方法，并通过具体案例说明分析方法。

2终端业务模型分析

2.1分析思路

2.1.1业务研究

根据业务占用资源特性的差异，可以将业务分为连接类和流量类两大类：

>连接类：传输数据量小，有效传输包占比较小，使用这类应用时用户对资源可用

性较敏感，对带宽不敏感。如：网页浏览、即时通信、微博等应用。

>流量类：传输数据量大，有效传输包占比较大，使用这类应用时用户对资源可用

性以及带宽均较敏感。如：P2P下载、在线视频等应用。

针对近期3G多元化业务和智能手机的迅猛发展，网络业务形态和用户行为迅速转变

的现状，以及智能手机的使用业务特性，本分册选定连接类业务为主要对象。建立业务模

型和分析业务特性时，采用连接特性和流量特性两大维度，以突显不同业务对不同资源的

需求特性。

2.1.2终端研究

根据用户使用习惯和PCMD的初步分析结果，不同终端类别的用户业务模型有较大差

异。因此，本分册将终端按照主要功能分为智能手机、普通手机和数据卡三大类：

>智能手机：采用开放式的操作系统，支持多元化的网络应用程序，业务发展迅速。

移动性较强，应用以连接类业务为主。

>普通手机：采用Brew和其他一些比较低端的操作系统，网络应用较单一，以网页

流量等基本应用为主。

>数据卡：仅作为接入终端，业务以PC应用为主。移动性弱。

业务模型和性能分析都将采用以上三类终端维度进行统计。针对近期智能手机的迅速

普及以及智能手机的使用业务特性，本分册以智能手机为主要对象。

2.1.3用户模型

多元化业务应用最终在用户粒度汇聚，为更贴近反映多元化业务应用汇聚后对无线侧

资源的占用特性。根据业务研究特点（以连接类业务为主）和终端研究特点（以智能手机

为主），确立了以用户为粒度，按终端类别进行分类，以连接类业务特征为维度，建立基

于PCMD的用户业务评估模型。

连接流量

终端类别

时长间隔前向反向

智能手机J与值、区间统计方法

2.2分析算法

结合话单、终端信息等数据建立算法，形成基于终端类型的基本用户业务模型。

2.2.1用户区分标识

在进行用户级分析之前，需要先找到区分用户的方法。在CDMA系统中存在多种码作

为区分用户的标识：

1.IMSI:移动用户识别码/国际移动用户识别码(InternationalMobileSubscriber

Identity),用于唯一识别移动用户的一个，共有15位十进制数。

2.MIN:移动台标识号(MobileIdentificationNumber),用于唯一识别移动用户的一

个，共有10位十进制数。中国CDMA移动网络的IMSI和MIN号的对应关系为

46003+MIN=IMSL

3.ESN:电子序列号(ElectronicSerialNumber)终端的唯一标识，用于唯一识别3G

移动台设备，长度32比特。

4.MDN:移动台(MobileDirectoryNumber)MDN为本网移动用户作被叫时，主叫

用户所需拨的。

5.AKEY:一个同时保存在移动台及相关交换机的鉴权中心的一个64-bit的值。它被

用作CAVE算法的输入，以生成SSD。AKEY仅在移动台与AC中保存，不能在

其它任何接口上传送。

6.MEID:移动台设备标识(MobileEquipmentIdentifiers)用于唯一识别3G移动台设

备。包含56个比特。

通过以上六类标识或定义，可以看出用户区分主要分成两类：1)移动终端区分；2)

用户区分。针对中国机卡分离的特性，需要特别关注UIM卡和终端对用户分类的影响。结

合呼叫测量记录中对IX和IXEVDO网络的用户定义，将做如下区分：

1.IX呼叫测量记录：包含MIN、IMSI、ESN,MDN

2.IXEVDO呼叫测量记录：包括MIN、IMSI、ESN、MEID

根据的唯一标识性，将选用IMSI、ESN/MEID作为分析算法中的用户索引信息。

2.2.2模型分类算法

2.2.2.1属性分类

首先，需要确定使用的主要数据来源和用户标识：

1.IXEVDO呼叫测量记录：用户信息索引为ESN/MEID,1MSI

2.IX呼叫测量记录:用户信息索引为MIN。根据MIN号提取相关信息时，选择service

option为1、3和68的语音业务，以此判断是否为手机终端用户。通过

46003+MIN=IMSI对应关系，可建立IX和IXEVDO呼叫测量记录的关联关系。

3.终端信息表：ESN/MEID与终端类型的对应表。用户信息索引为ESN/MEID。列

入此表的均为手机终端用户，并且包含此手机的具体型号。

然后，结合以上数据源将用户终端分为以下几类:

I.IMSI出现在EVDO话单中，并且在IX中进行过语音呼叫：手机

2.ESN/MEI和IMSI在终端信息表中：手机

3,不符合以上条件，但有可用IMSI：数据卡

4.不符合以上所有条件：未知

通过分类算法，可对数据卡和手机进行分类。如需要进行细致化的用户模型分析，可

以采用属性分类方式（如操作系统、套餐等）。由于智能手机是目前的一个关注焦点，因

此本分册采用了操作系统的属性分类方式，将手机终端分类需进一步细化，以判断用户行

为的差异性。具体分类如下：

1.数据卡：只使用EVDO数据业务的USB/PCMCIA卡

2.手机：产生EVDOPCMD记录，并且IXPCMD有语音呼叫记录或者所对应的

ESN/MEID和IMSI在终端信息表里存在的终端。

>智能手机：操作系统是Android,Windowsmobile,windowsCE,RIM和其他一

些高级操作系统（比如BADA）

>普通手机：Brew和其他一些比较低端的操作系统

>未知手机：终端型号和操作系统不可知的手机

根据以上关联关系，可建立区分3G用户类别区分算法计算流程图：

提取EVDOPCMD呼叫

终端信IXPCMD呼

记录中

息表叫记录

IMSI,ESN/MEID

IMSI-^ESN/MEID

组合是否出现在

终端信息表中

No

IMSI是否使用过

•No—

IX语音业务

/

EVDOPCMD

呼叫记录中

.是否有IMSI

智能手机'普通手机未知手机数据卡’未知终端

2.2.2.2未知终端

未知终端的记录是由于EVDO呼叫测量记录未出现IMSI信息。当用户关闭手机连接

重启终端后，终端进行Session协商后不会进行ANAAA鉴权，因此AN中无用户IMSI信

息，如果此时发生IdleSessionTransfer则会出现不含IMSI的话单。通过用户业务模型统

计，也可以看出此类用户基本不产生业务，这部分有HWID无IMS1,且不能在终端信息

表中找到的用户，可在用户业务模型统计中做去除处理。

2.2.2.3未知手机

计算终端类别模型时，需要使用唯一的（MEID/ESN,IMSI）进行终端信息表匹配。

但在进行用户数预估时，过多的未知手机会影响预估和评估的结果。因此，需对未知手机

做进一步的分类评估。

在进行不同终端类别的用户数统计时，对于未知手机类别区分可采用以下两种方法：

1.根据模型统计，进行用户数的划分：参考2.223.1

2.根据IMSI统计，进行用户数的划分：参考2.223.2

2.2.2.3.1模型评估

未知手机的模型，可采用统计学的理论计算，大致计算智能手机和非智能手机的比例，

采用“每用户”的方式给设备归类，这主要是由于对这三类设备的统计基本是独立的：

1.每用户连接数

2.每用户总RLP字节数

3.每用户空口连接时长

部分关键的假设：

1.在所有的“未知手机”里，只存在极小部分接近数据卡模型的手机用户。如用户

使用手机进行modem拨号上网。

2.智能手机/普通手机/数据卡用户的行为方式对于已经进行过分类统计的用户和尚

未进行过统计分类的用户是完全相同的o

步骤如下：

1.判别数据卡：通过统计''每用户总RLP字节数”，筛选出那些总的数据流量超过

阀值A的用户•阀值A主要是用于确保剩余百分之九十九的用户均为智能手机或

者普通手机的用户。如此筛选的的用户就可以被认为根据X%分布的数据卡用户

（注：之所以选择“每用户总RLP字节数”是因为它总是处于正态分布，并且在三

种“每用户”统计方式里最能够区分出手机和数据卡用户）。

2.计算智能手机和普通手机：用以下的公式来计算每种统计方式下智能手机和普通

手机的分布：

SMARTPHONE_AVG*a%+FEATUREPHONE_AVG*（1-a%-x%）=UNKNOWN_HANDSET_AVG

模型统计的区分计算方式是未知手机的一种归类算法。同时，也可根据不同需求，使

用IMSI（详见222.3.2）和HWID（详见2.2.3）进行分类算法。

.2IMSI分类

以用户类别（IMSI）作为索引的分类判断算法，可作为现网用户数的另一种估计方法。

具体算法如下：

智能手机普通手机未知手机数据卡未知终端

此类算法可最大程度将用户进行类别划分。但是由于未做HWID的匹配，有部分用户

可能使用了非天翼定制机（未上报更新后的终端类型），造成普通手机和智能手机的比例

差异。后续将继续对用户上报终端信息库的字段进行研究，完善终端类别的统计。

2.2.3性能分类算法

以终端类别HWID（MEID/ESN）作为索引的分类判断算法，可作为终端性能的估计方法。

主要使用在终端性能评估中。具体算法如下：

提取EVDOPCMD呼叫终端信

记录中

IMSI,ESN/MEID息表

ESN/MEID是否出

现在终端信息表

中

IMSI是否使用过:

IX语音业务

终端信息表中EVDOPCW

是否存在智能呼叫记录中

操作系统是否有IMSL

智能手机普通手机未知手机iI数据卡；「未知终端

V________/V.________/V________/K_________/V________y

此类算法可最大程度将终端进行类别划分。在统计终端性能时，将以HWID（MEID/ESN）

作为天翼定制机的评估分类依据。

2.2.4用户群匹配模型算法

针对特殊用户群（如iPhone）,可建立特殊用户群的跟踪算法。

提取EVDO无线侧用户呼叫记

特定用户群

录（包含IMSI,连接时长,连

IMSI列表

接流量等字段）

用户群IMSI是否存在于

EVDO话单中

每用户连接次数每用户前向流量每用户反向流量每用户连接时长

每连接前向流量每连接反向流量每连接连接时长

用户群匹配模型流程

通过特定用户群（IMSI）列表从EVDO话单中提取IMSI、流量、时长等字段，计算

用户数，连接次数，前、反向流量连接时长等用户模型。

目前智能手机用户匹配方法采用终端信息表匹配，可能存在时延和手机未上报的问题。

后续将研究其他关联方式，提高用户的匹配度。

225时间均分算法

起始时间与结束时间,计算结束时间与起始

是否为同一小时-N-时间的时间差

计算所在时段内每小

Y时的占用时长，根据

时长比例均分化流量

将话务统计（如流

量、时长）纳入对

应小时的计数器

均分化流程

由于PCMD呼叫测量记录是在每次呼叫完成后才形成记录的，并以1小时为最小保存

周期（例如，一个数据卡用户在8点10分发起数据连接，9点30分断开数据连接，记录

将保存在10点生成的1XEVDOPCMD文件中）。因此，从时域维度上进行小时化分析，

存在话务统计的滞后性。为了解决这个问题，在计算中需引入PCMD均分化算法。

目前由于话单记录不能区分业务，因此模型分析中不区分每业务的具体模型。后续将

对每业务模型特征做进一步的研究分析。

2.2.6连接模型算法

以每连接话单作为样本，对连接模型进行统计。通过对每连接时长、每连接前/反向流

量、连接间隔的计算，建立各类型用户的每连接模型。

>每连接时长：对各类用户每条话单的连接时长进行平均，得出不同类型用户的每

连接时长（可根据需求设定门限值，将连接时长超长话单或异常话单从样本中剔

除）；

>每连接前/反向流量：对各类用户每条话单的RLP层前/反向流量进行求平均，得

出不同类型用户每连接前/反向流量；

>平均连接间隔：通过将每连接的连接建立时间与连接时长求和，得出连接结束时

间。以IMSI为标识，计算同一用户时间相邻的话单中，后一条话单的连接建立时

间与前一条话单的连接结束时间的差值，并对同类用户的差值求平均，得到各类

用户的平均连接间隔。（注1：当用户在统计周期内仅存在1条话单记录，则在

统计平均连接间隔时将此用户剔去。注2：当计算跨天连接间隔时，需将后一条

话单的连接建立时间+N*24小时，其中N为相隔日期数）。

通过以上算法，可分析各类用户的连接特性，并可以通过每连接模型的分布，对心跳

机制等行为特征进行研究。

2.3模型特征

2.3.1时域

2.3.1.1同类终端不同资源

由于智能手机的应用多样性，用户不同时段应用存在差异使其不同资源占用最忙时及

24小时变化趋势存在差异。

下图为智能手机24小时流量和连接数变化趋势图：

从智能手机24小时流量和连接数变化情况可以看到，智能手机流量忙时出现在晚上

18:00-19:00,而连接忙时出现在下午14:00-15:00。反映出智能手机用户不同时段的应用特

性存在差异。因此分析同类终端的不同资源维度时，需关注不同的最忙时特性。

2.3.1.2不同终端同类资源

不同类别终端，因用户使用业务特性差异，同类资源消耗的时域特征存在差异。

下图分别为智能手机和数据卡工作日24小时流量变化趋势：

智能手机24小时流量趋势

9,000,000

8,000.000

7,000,000

6,000,000

5,000,000

4,000,000

3,000,000

2,000,000

1,000,000

0

Ohlh2h3h4h5h6h7h8h9hlOhllh12h13h14h15h16h17h18h19h20h21h22h23h

数据卡24小时流量趋势

通过一周工作日24小时流量变化趋势对比可以看出：智能手机的流量最忙时出现在

18:00-19:00,而数据卡的流量最忙时出现在21:00-22:00。不同终端类别的流量最忙时不同，

流量变化趋势也存在差异。因此分析不同终端的同类资源维度时，同样需关注不同的最忙

时特性。

2.3.1.3忙时迁移

同类终端（尤其是智能手机），随着应用的快速发展，用户的使用习惯发生变化，也使

得终端资源占用特性在逐渐变化。

下图为3个月的智能手机24小时流量变化趋势：

■3月・5月6月

月份智能手机流量最忙时

3月18:00-19:00

5月18:00-19:00

6月21:00-22:00

通过三个月智能手机用户的流量最忙时统计可以看出，忙时从18:00-19:00迁移至6月

21:00-22:00。因此对于终端资源占用的忙时特征，需要持续跟踪分析。

2.3.2地域

由于终端特性不同，不同时段用户的移动性存在明显差异，造成地域特性的差异。通

过PCMD可以针对不同终端类型进行移动性变化分析。

下图为某智能手机24小时用户数变化趋势：

下图为某智能手机部分时段地域活跃度:

/站用El

8:00-9:002?绻*18线。21:0022:00

移动性统计8-9时17-18时21-22时

平均每用户占用小区数4.14.02.6

与24小时用户数进行对比分析，8-9点、17-18点的用户数与21-22点的用户数基本相

同，但用户分布的扇区数明显高于晚忙时，说明用户的移动性较强。

针对不同终端类别的移动性特征，将做进一步的研究。找出移动性与性能指标和呼叫

记录之间的关系，从而制定相应的优化策略研究。

2.3.3统计方式

确定资源忙时后，可通过PCMD针对相应时段各终端类别进行模型分析，按模型统计

对象不同，可分为每用户模型和每连接模型：

1.每用户模型：反映不同终端的总体资源占用特征值

2.每连接模型：反映不同终端各类资源消耗特征的聚集性

按模型统计方式不同，可分为均值模型和区间分布模型:

1.均值模型：反映不同终端的资源占用的对比特征

2.区间分布模型：反映聚集性区域数值

2.3.3.1用户模型

均值模型

各类终端主要资源类别均值模型统计维度如下:

忙时连接忙时流量忙时

指标数据卡普通手机智能手机数据卡普通手机智能手机

连接数

总连接时长(分钟)

总流量(Kbytes)忙时均值模型统计

前向流量(Kbytes)

反向流量(Kbytes)

2.3.3.1.2区间模型

40%的连接为1分钟以内的短连接，而数据卡则有超过30%的连接为30分钟以上的长连接。

下图为智能手机和数据卡的每用户流量区间分布：

智能手机每用户流量分布数据卡每用户流量分布

从流量区间分布对比可以看出，智能手机用户以低流量为主，而高流量的数据卡用户

则更多一些。

从智能手机和数据卡的均值模型对比可以看出，相较于数据卡，智能终端短连接集中，

对连接资源的要求较高，而对流量资源的需求较小。因此随着智能手机的普及，需要更多

的关注连接类资源，部署连接类资源优化的策略。

23.3.2连接模型

2.3.3.2.1均值模型

各类终端主要资源类别均值模型统计维度如下:

忙时连接忙时流量忙时

指标数据卡普通手机智能手机数据卡普通手机智能手机

每连接流量（KB）

每连接间隔（秒）忙时均值模型统计

每连接时长（秒）

2.3.3.2.2区间模型

下图为智能手机和数据卡的每连接时长的区间分布:

智能手机每连接时长区间分布

数据卡每连接时长区间分布

约60%的数据卡连接时长＞12秒，数据卡相对手机终端连接时长较长。约75%的智能

手机连接时长＜12秒，智能手机的连接时长普遍较短。同时对于智能手机约60%的连接时

长集中在2-3秒、6-7秒和11-12秒。如果减去终端rapiddormancytimer(附录7.56)或网

络的dormancytimer的时间，智能手机真正使用网络的时间在1-2秒左右。

下图为智能手机和数据卡的每连接间隔的区间分布:

智能手机每连接间隔区间分布

25.00%100.00%

20.00%80.00%

15.00%60.00%

a

d10.00%40.00%

5.00%20.00%

0.00%0.00%

数据卡每连接间隔区间分布

100.00%

80.00%

60.00%

40.00%

20.00%

0.00%

约60%的数据卡连接间隔＜10秒，约30%的智能手机连接间隔＜10秒，智能手机相对

数据卡连接频繁度较低。

通过模型分析，可以看出不同终端类别的每连接的连接时长和间隔特性有所不同。同

时，智能终端具有短连接、小流量的连接特性，需要针对此类特性制定相应的网络优化策

略。

2.3.4智能手机(iPhone)模型

智能手机(iPhone)的模型分析，主要包括智能手机的资源占用特性分析、时域地域特性

分析和总体资源占用评估：

＞资源占用特性分析：需要从每用户模型分析用户的总体特征，从每连接模型分析

其行为和业务特性。通过其特性与其它终端进行对比，找出不同终端之间在总体

特征和使用特性上的差异,从而就其对网络资源的影响等不同角度进行全面评估。

＞时域地域特性分析:综合不同时段的特性变化趋势及区域分布特性,可以从时域、

地域等角度进一步分析智能手机(iPhone)在不同时段、不同区域、不同资源维

度的影响。

>总体资源占用评估：建立模型后，通过终端的总用户数，评估其资源占用情况，

就必须了解该类终端的激活度，才能结合终端的资源占用模型，分析其对现网资

源的实际占用情况。

2.3.4.1资源占用特性

2.均值模型

统计项全天21-22时14-15时最忙时

每用户每小时连接次数15171824

每用户每小时总流量(KB)1042127912961799

每用户每小时前向流量(KB)951116411761665

每用户每小时反向流量(KB)91115120160

每用户每小时时长(s)3403853221037

2.模型对比

终端类型连接次数(次)总流量(KB)前向流量(KB)反向流量(KB)时长(S)

iPhone4s周末1524052251155237

iPhone4s工作日1614621352110257

对比样本

iPhone43612391141156421

高端机3366160259396

中端机3351245169299

低端机1527724136222

智能手机2651946750437

2.3.4.1.3每连接模型

每连接时长(秒)

■连接时长cdf

连接时长以短连接为主。

每连接前向流量(BYTE)

—前向频度cdf

连接流量以小流量为主。

统计每连接的区间和均值模型，确定智能手机(iPhone)的连接分布特性，并制定相

应的优化策略。优化策略判别流程请参见本册第421章节。

每连接连接模型

时长

均值统计

流量

用户数

■工作日■周末

工作日用户数略高于周末，两者趋势基本相同。

每用户连接次数

工作日连接数略高于周末，两者趋势基本相同。

每用户流量

周末流量明显高于工作日，工作日工作时段流量偏低。

每用户连接时长

工作日连接时长略高于周末，两者趋势基本相同。

统计智能手机(iPhone)工作日和周末的每用户24小时模型，确定变化趋势的异同点。

对均值模型的计算需考虑工作日和周末的最忙时需求。

23.4.2连接特性

各类终端连接特性对比如下:

终端类型每用户主动连接次数（次）每用户被叫连接次数（次）

数据卡15.698.27

普通手机9.9113.7

智能手机10.1415.57

iPhone4s13.955.76

iPhone46.4929.27

iPhone4s连接以AT发起的连接为主，与其他智能终端不同。

iPhone4s及智能手机24小时连接分类对比图如下:

IPHONE4s24小时连接次数变化趋势

0-j111111dli111111tl：।।।-0

123456789101112131415161718192021222324

一网络发起T-终端发起

智能机24小时连接次数变化趋势

毒

—-网络发起一^端发起

从上图对比可以看出，iPhone4s终端发起的连接在白天较平稳，终端发起的连接次数

与智能手机接近。与智能手机不同的时，iPhone4s连接次数在凌晨较低，且全天网络发起

的连接次数均远低于智能手机水平。

进一步将iPhone与几款典型终端连接特性对比如下:

对比指标iPhone4siPhone4SCH-i909MOTO-XT800HW-C8500

每用户忙时主动发起连接次数13.956.4915.2911.247.34

每用户忙时被叫发起连接次数5.7629.2718.3321.367.69

从以上对比可以看出，iPhone4s终端的连接中AT发起的连接比例远远高于其它几款

典型智能手机。

在分析iPhone4s的连接特性时，发现iPhone4s与iPhone4存在较大区别，主要是由于：

1、iPhone4s对消息推送方式进行了改进。

2、iPhone4s采用CT-WAP接入方式，与CT-NET的接入方式相比，被端口扫描的可

能性降低。端口扫描可参见本册355.1章节。

为更好的掌握iPhone4s的连接特性，需要对单机进行业务测试，以掌握统计数据的特

征。单机业务测试请参见本册3.5章节。

2.3.4.3时域地域特性

24小时趋势

（一）连接次数

24小时连接次数

S

E

U

O

q

d

一

由以上数据显示，iPhone4s用户DO连接次数与全网用户连接次数随时间段波动较一

致。

（二）连接时长

24小时连接时长（Erl）

20

00120000

00

00

00100000

15

s180000

z

u

o0

q60000%

d

-

40000

5

20000

0

iPhone4s•全网

由以上数据显示,iPhone4s用户DO连接时长与全网用户连接时长随时间段波动在上、

下班高峰时间有所差异。

(三)流量分析

24小时前向流量(MB)

s

w

u

o

q

d

一

24小时反向流量(MB)

由以上数据显示，iPhone4s用户DO流量与全网用户流量随时间段波动在晚忙时有所

差异。

统计智能手机(iPhone)与全网各维度资源的24小时趋势对比，确定变化趋势的异同点。

预估智能手机忙时段，挖掘可能存在的突发资源需求。

.2区域分布

IPHONE用户区域分布网

基站IPHOHE用闩ft

8:00-9:0017:00-18:0021:00-22:00

8-9时IPHONE用户小区占用数分布

7000

6000

5000

4000

J000■次数

2000

1000

0

12345678910>10

17-18时IPHONE用户小区占用数分布

21-22时IPHONE用户小区占用数分布

移动性统计8-9时17-18时21-22时

平均每用户占用小区数4.14.02.6

与24小时用户数进行对比分析，8-9点、17-18点的用户数与21-22点的用户数基本相

同，但用户分布的扇区数明显高于晚忙时，说明用户的移动性较强。

随着智能手机的快速增长，白天的手机终端移动性对网络产生的影响需特别关注。后

续将继续对手机终端的移动性影响进行研究。

23.4.4激活度

激活度：小时内出现的终端用户与出帐用户数的比值

用户数*实际激活度即可得到单个小时的实际激活用户。

终端类型激活度

数据卡20.32%

普通手机22.62%

智能手机23%

iPhone65%

与其他终端相比，iPhone的激活度明显高于其他终端，说明用户的活跃度较强。

网络容量预估时，针对不同终端类别的发展用户数，需乘以不同的激活度，以预测网

络资源消耗情况。

2.4分析工具

2.4.1终端分类工具

根据不同的未知手机分类方式（2.223.1和222.3.2两类算法），将终端分类工具分

为两种，通过主界面进入，如下图：

更换工具路径更换支联

算法1:基于IMS物分类工具

终端分类