无线大数据与智慧5G.pdf

无线大数据与智慧 5G 1 摘 要 随着 5G时代的到来， 移动互联网、物联网、云计算等各类通信及处理技术的快速发展导致 了数据流量的爆炸式增长，无线通信网络已进入大数据时代。 海量无线大数据蕴藏着巨大的价 值。电信运营商可以利用这些数据分析来进行 “精细化 ”运营，并进一步结合行业大数据，构建 新的价值链，实现大数据变现。此外，无线大数据和人工智能技术为网络本身的管理及网络性 能的优化提供智能化和自动化的可能性。 5G网络将支持多种业务和应用场景，网络架构、空口技术等的不断演进创新，网络变得更 加灵活 和复杂。 为更好的满足差异化的应用需求，提供 一致性的用户体验， 需要更加高效的无 线资源调配，包括频谱、帧结构、物理层过程、高层处理流程等 。此外，面对复杂的网络环境 变化 和 网络规模及用户的成倍增长， 网络的管理和运维的效率也需要进一步提升。 智慧 5G概念的提出是希望未来 5G网络能够具备一定的自动化和智能化的能力，能够从业 务体验，用户感受，网络质量，网络效率和网络成本等各个方面 自主 优化网络 并 提升网络性能 。 面对传统 工具 在实际复杂网络环境中的乏力， 我们认为 未来 使能 智慧 5G的基础是无线大数据 和 人工智能技术。 以 大量 真实可信 的 网络 数据为 驱动 ，结合 基于 数据挖掘、 统计分析， 深度学 习、通信理论和专家系统等诸多技术 的人工智能应用 从而实现智慧 5G。 本白皮书从无线大数据的概要出发，简要介绍了无线大数据的来源、分类、特征和无线大 数据的基础处理流程和分析方法。结合已有的无线大数据分析了无线大数据的典型应用场景， 具体包含：运营及服务，现网运维及优化，智能网络设计和物理层新兴技术。依据不同的应用 场景，分别介绍了具体的用例。基于典型用例，提出无线大数据使能的层级式、分布式的智能 网络架构的设想，并给出对无线大数据平台能力、环境的需求。最后 介绍了 无线大数据和人工 智能技术的引入对未来 3GPP标准化 的影响。 希望本白皮书可以为无线大数据的应用及数据驱动的智能无线网络的研究提供一些参考， 引导业界共同努力为打造 智慧 5G网络而努力。 无线大数据与智慧 5G 2 无线大数据与智慧 5G 3 目 录 摘 要 . 1 1 引言 . 5 2 无线大数据概要 . 6 2.1 无线大数据来源、分类及特征 . 6 2.1.1 无线大数据的来源 . 7 2.1.2 无线大数据分类 . 8 2.1.3 无线大数据特征 . 9 2.2 无线大数据处理流程和分析方法 . 10 2.2.1 大数据采集 . 10 2.2.2 大数据认知 . 10 2.2.3 大数据决策 . 11 2.3 无线大数据的潜在价值 . 11 2.3.1 无线大数据对运营商的价值 . 11 2.3.2 无线大数据对终端用户的价值 . 11 2.3.3 无线大数据对第三方应用的价值 . 12 2.3.4 无线大数据对无线通信研究的价值 . 12 3 无线大数据的典型应用 . 12 3.1 运营及服务 . 12 3.1.1 电信业精准营销 . 13 3.1.2 跨界服务 . 13 3.2 现网问题定位、优化及部署 . 13 3.2.1 覆盖盲区定位 . 13 3.2.2 用户体验问题定位 . 14 3.2.3 网络能效优化 . 15 3.2.4 移动边缘计算部署 . 17 3.3 智能网络新特性 . 18 3.3.1 移动边缘缓存 . 18 无线大数据与智慧 5G 4 3.3.2 流量业务类型识别 . 19 3.3.3 定制化移动性管理 . 20 3.3.4 智能跨层优化 . 21 3.3.5 切片优化和资源管理 . 21 3.3.6 无线网络覆盖和容量优化 . 24 3.3.7 基于智能栅格的无线网络性能优化 . 25 3.3.8 基于用户画像的无线用户体验优化 . 27 3.4 物理层新兴技术 . 27 3.4.1 基于无线大数据分析的信道建模 . 27 3.4.2 大数据全频谱地图及应用 . 28 3.4.3 融合大数据的物理层传输技术 . 30 4 无线大数据使能的网络架构 . 31 4.1 总体架构 . 31 4.2 大数据模块功能定义 . 33 4.3 接口 . 34 5 无线大数据平台建设 . 34 5.1 平台能力需求与定义 . 34 5.2 无线大数据平台构建 . 35 5.3 无线大数据平台的数据表示 . 37 6 对标 准化的影响 . 38 6.1 3GPP SA2标准进展 . 38 6.2 潜在 3GPP RAN3标准影响 . 39 7 总结及展望 . 39 参考文献 . 40 缩略词 . 41 致谢 . 43 无线大数据与智慧 5G 5 1 引言 大数据对几乎所有产业都 具有重要意义，数据能驱动产业发展，数字化创新将成为各行业 发展的必由之路。各国政府都对大数据产生了高度关注，如美国政府 2012年发布大数据研究 和发展倡议，投资 2亿美元发展大数据 , 用以强化国土安全、转变教育学习模式、加速科学和 工程领域的创新速度和水平。互联网企业走在大数据技术的前沿， Google， Facebook，百度、 阿里巴巴等企业已经推出了一些大数据产品和方案。电信行业在大数据领域虽然起步稍晚，却 具有其无可比拟的数据优势。越来越多的移动设备，覆盖越来越广的通信网络为运营商提供了 丰富的数据来源。在全球 的 120家运营商中，有 48%的企业开始实施大数据战略，部分企业已 卓有成效，如美国的 Verizon建成大数据分析实验室，为公司产品和服务开发提供建议，并成立 精准营销部门，依托其数据优势，分析用户的潜在商业需求，为其他公司提供商业咨询服务， 同时也作为广告投放平台，对用户开展精准营销。 借助大数据，人工智能从技术到产业也取得了长足进步。 2015年全球新增人工智能企业数 量达到了 806家，算下来平均每 10.9个小时就有一家企业诞生，同时，过去一年有近百亿美元 1200多次的 AI领域的投资。人工智能同样被中国政府高度重视 ， 2016年 “人工智能 ”一词被写入 “十三五 ”规划纲要。全球各大企业在不断加大对人工智能领域的投入， Google、百度等互联网 企业已经推出了人工智能战略，旨在将人工智能运用到日常生活中。电信运营商也不甘落后， 纷纷进军人工智能领域，利用语音识别、深度学习等技术开发新的业务服务，如日本的 NTT DOCOMO结合大数据与人工智能推出 “Smart Life”战略，为用户提供综合服务，与出租车企业 合作推出了出租车载人工智能平台，实时预测出租车需求，提高载客效率。 5G网络标准化工作正在如火如荼的开展，预期在 2020年将 实现商业部署和应用。相比于传 统以人为中心的 4G网络， 5G网络具有如下典型特征： 一是业务和应用场景更加多样化，未来 5G网络需要支持多种业务和部署场景，例如具有更高带宽、更低时延的增强移动宽带业务 ,支 持海量用户连接的物联网业务，以及超高可靠性、超低时延的工业物联网等垂直行业应用等。 不同业务具有差异化的性能需求。二是网络云化和虚拟化，整个网络将具备端到端灵活资源编 排能力和配置能力。三是业务 QoS (Quality of service)保障更加精细化，通过服务可保证的网络 切片技术可以高效匹配不同业务需求，提供极 致的用户体验。除上述典型特征以外，产业环境 还对 5G网络提出了快速灵活部署，智能化，更好的支持新的生态系统和商业模式等需求。总的 来说， 5G网络更加柔性和高效，能够提供按需的 、 定制的 、 差异化的服务。上述需求对 5G网 络从规划，配置，优化，管理运维和网络的运营都带来了巨大的挑战。 5G网络需要更加智能化 无线大数据与智慧 5G 6 和自动化。 “智慧 5G”概念的提出是希望未来 5G网络能够具备自动化和智能化的能力，能够从业务体验， 用户感受，网络质量，网络效率和网络成本等各个方面自主优化网络并提升网络性能。 无线大数据 是实现智慧 5G的基础。 目前 通过无 线网络收集并分析网络参数，运行关键性能 指标数据和网络覆盖等数据，已经在网络的规划，建设，优化，运维管理和运营方面取了一些 突破性的进展。未来通过引入 更丰富的用户 /业务等信令数据，结合基于数据挖掘、统计分析， 深度学习、通信理论和专家系统等诸多技术的人工智能应用 可进一步提升复杂网络环境下的设 备管理和资源分配能力。 随着云计算，大数据分析及人工智能技术的发展，可以预见无线大数据将在 实现智慧 5G过 程中 发挥更加重要的作用，甚至促进整个行业发生变革。本白皮书对无线大数据的整体概念进 行了介绍，进一步分析了无线大数据的典型应 用领域和具体的应用案例 。其中运营及服务、网 络规划 /优化 /运维等领域已经有许多比较成熟的应用，一些领域如：智能网络设计和优化，智 能物理层关键技术仍是未来需要重点探索的方向。基于上述典型应用领域及案例，提出无线大 数据使能的 网络 架构的设想和对无线大数据平台能力、环境的需求。最后简单分析了无线大数 据的引入对未来 3GPP标准化的影响。 作为白皮书第一版，本文或许还不够全面，并可能存在某些不一致的地方，欢迎提出修改 意见和建议。随着时间推移，新的研究内容可能会被加入到后续的版本中。 2 无线大数据 概要 2.1 无线大数据来源 、分类及 特征 麦肯锡全球研究所对大数据给出以下定义：一种规模大到在获取、存储、管理、分析方面 大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、 多样的数据类型和价值密度低四大特征。 计算机科学最早与大数据结合，其在大数据方面的应用包括大规模并行处理（ MPP, Massive Parallel Processing）数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、 互联网和可扩展的存储系统等。大数据与云计算密不可分，大数据处理必须采用分布式架构， 对海量数据进行分布式数据挖掘。 由于频谱的拓宽、用户与基站密度的增加以及业务的多样化，如物联网、车 联 网的迅速发 无线大数据与智慧 5G 7 展，未来无线通信具有大数据的显著特征，并具有显著的移动通信诸多特征。无线移动通信服 务对象的产生的大量数据与为其服务衍生的频谱、传输、接入、网络和应用的大量数据，统称 为无线大数据，其概念如图 2.1所示。 应用层 无线应用行为 、 用户应用需求 网络层 网络干扰 、 网络流量 、 信令交互 传输层 信道 、 频谱 、 多用户接入 数据 分布 规律 模型 统计 实验室 试验网 测试实验 外场测试 现网 新传输技术 新频谱规划 新接入方式 新网络结构 测试评估 对比 处理派生 原始采集 图 2.1 无线大数据概念图 2.1.1 无线大数据的来源 如图 2.1所示，无线大数据的来源可以分为三种：原始采集、处理派生和测试实验。 原始采集 ： 数据集由大规模的无线用户通过无线 /移动通信服务产生的，包括无线频谱占用、 无线空口接入，无线网络使用、无线应用行为等。其特点是直接由无线通信的行为得出， 可以从频谱测量仪表、用户终端、基站端与核心网设备、应用服务等处直接获得。原始无 线大数据包括物理层数据（例如信道大数据），接入层数据（例如无线接入行为），网络 层数据（包括网络流量数据），应用层数据（包括用户应用需求）等。 处理派生 ： 指通过对原始无线大数据处理而得到的数据、模型、分布、统计、规律等，如 频谱利用率分布，超密集小区的空间统计、传输信号资源分配等数据。处理派生大数据的 处理，包括实时处理与 非实时处理。实时处理的大数据可用于实时的用户接入、传输模式 的选择等。非实时处理的大数据可进行长时间的用户接入与业务行为统计，用于小区规划、 频谱规划等方面。 无线大数据与智慧 5G 8 测试实验 ： 是指在实验室、外场测试、试验网、现网等处测试和评估未知频谱的性能、新 兴传输技术、创新接入方法和革命性的网络结构的过程中产生的数据集。这些数据集可与 原始采集和处理派生大数据进行对比分析，用于评判新频谱、新技术、新接入与新网络结 构的性能。由于测试实验来源与其他两类来源的数据在体量、特征等方面存在一定差异， 因此如何设计合理的对比分析方法将是较大挑战。 2.1.2 无线大数据分类 无线大数据可以分为传输层大数据、网络层大数据与应用层大数据等，其特点与内容介绍 如下： 传输层大数据 ：包括信道大数据、频谱大数据与多用户接入大数据等，具体有不同点的信 道链路增益数据，宽频谱各条链路增益数据，及海量用户的链路增益数据等。无线信道建 模方法主要从两个角度研究：确定性模型与随机模型。确定性模型需要强大的频谱资源， 特别是对于 MIMO (Multiple-Input-Multiple-Output)，而随 机模型 则 不够准确。如何使用大数 据分析实现这两方面的权衡是全新研究课题，如采用主成 分分析（ PCA, Principal Component Analysis）提取无线信号的关键信息或特征，基于大数据分析揭示无线信道建模中 的规律。 对于频谱大数据，一个可行的方案是建立基于动态频谱接入大频谱数据分析的 LTE-A网络。 可以基于各种大数据分析方法提高集群中缓存节点的确定、分配和分配精度。针对多接入 大数据，可以将认知无线电 的无线传感器网络建模为分布式频谱接入未知环境下的大数据 信息统计问题，提高蜂窝小区接入点的性能。 网络层 大数据 ：网络层的无线大数据包含小区配置参数，如天线射频配置，上下行配置， 网络干 扰数据，网络负载数据，信令流程交互数据等。这些数据可应用于网络流量分析、 网络优化等。无线流量监测和分析系统能很好地支持新兴的大数据分析。从数据使用、移 动模式与应用程序使用三个方面研究移动用户行为。通过研究移动互联网中的资源消耗情 况，可发现流量重用户和高移动性用户倾向于同时消耗大量数据和无线资源。通过数据分 析为基础网络规划或资源分配调度进行改进和优化。基于从用户设备与移动网络收集的数 据特点，进行通信网络的优化设计。这些工作仍然需要在理论和实践有所突破。 应用层大数据 ：应用层大数据多种多样，如用户移动数据、社交 网络数据、物联网数据、 日常生活数据、无人飞行器 /无人汽车数据等。用户移动数据对于无线通信的资源管理、网 无线大数据与智慧 5G 9 络规划、内容分发与切换策略具有重要意义，目前研究工作主要关注在移动性提取 /分析 / 预测、 WiFi/GPS踪迹记录与蜂窝网络流量分析。从海量社交网络数据得到个体行为研究非 常有挑战性。解决的方法包括建立一个邻域中心框架，基于矩阵 SVD (singular value decomposition)与用户聚类，通过对于个体行为分析预测邻域行为。物联网大规模传感器可 收集现实空间中的大规模数据，在智能城市场景实时描述人类 行为。无人飞行器 /无人驾驶 汽车可采集和存储城市等地区的多种应用数据。 2.1.3 无线大数据 特征 无线大数据来源丰富，种类多样。无线大数据的主要特征包括： 体量大 ：无线大数据来源丰富，种类繁多且产生速度快，如传输层的数据，每 ms都会产生 大量的物理层信道数据及计算过程数据。据统计， 2015年中国移动的全网 DPI数据日增量 为百 TB级别。 维度多 ：如上所述数据来源丰富，种类繁多。用户行为可以通过多维度的数据如网络数据、 应用数据联合分析； 质量高 ： 用户信息数据可信度高，如实名制的用户数据，数据通常与手机号码关联；用户 数据与网络 数据有较好的关联性； 时效性强： 无线 大数据的采集与挖掘具有一定的实时性要求。实时无线大数据采集，指将 与无线通信相关的大数据，例如信道增益、网络流量、用户数据等，进行实时采集和发送 到大数据分析挖掘单元进行进一步处理。 无线大数据实时挖掘，指在数据到达的同时，实 时进行数据的分析与挖掘。 无线大数据的实时处理需求，给运营商和用户的处理算法设计 与数据处理能力提出了更高的挑战。对于终端侧数据处理，需要设计在移动终端可实现复 杂度和性能损失有限的前提下，设计低复杂度的数据挖掘方法；对于服务端数据处理，可 采用 大规模并行处理算法 ，提高数据处理的准确性。 关联复杂 ：为更好的利用无线大数据，需要对应用层、网络层 和传输层的数据进行关联。 如原始信道数据与应用层数据的关联分析与挖掘，可为未来的无线通信系统性能预测提供 基础。无线大数据的关联通常较为复杂。一方面，不同层的数据可能具有不同的时间颗粒 度。另外，不同的数据在不同的层可能具有不同的标识，如在无线接入网中通过 C-RNTI对 用户进行标识，在核心网以 IMEI对用户标识。在应用中，需要将不同的 IMEI、设备 ID （ AndroidID）、 Cookie、 UA、手机号等进行关联和匹配。 无线大数据与智慧 5G 10 2.2 无线大数据 处理 流程和 分析 方法 无线大数据处理流程包括 大数据采集、大数据认知与大数据 决策 三个 步骤 。大数据首先 经 过 采集和预处理，然后进行基本特性和规律的认知，最后进行分析，完成询因和决策的功能， 数据在三 者 之间流转，形成持续优化的闭环流程 ，其 关系如图 2.2所示。 采 集 手机 / P A D / 笔记本电脑 / 传感器 基站 / AP / W IF I / L IF I/ NB - IO T DP I 终 端 决 策 策略 算法 方案 推断 检验 优化 精准类 别 统计规 律 数据趋 势 时空模 式 结 果 分类 聚类 估计 预测 可视化 方 法 方 法 结 果 处 理 处 理 接入网 核心网 认知 图 2.2 无线大数据处理方法概念图 2.2.1 大数据采集 目前的无线大数据采集主要由电信运营商、电信设备提供商、应用服务提供商完成，未来 还可能扩展到其他实体采集系统，如物联网、工业系统等。采集节点包括终端侧的智能手机 、 笔记本电脑以及各类传感器等，接入侧的宏 /微基站、物联网基站等，和核心网侧的专用数据采 集单元。采集手段包括原始数据记录和深度包解析（ DPI, Deep Packet Inspection）。在室内工 业复杂环境采集则面临实时大数据采集数据的挑战。 2.2.2 大数据认知 大数据认知是指从采集到海量数据中通过分类、聚类、估计、预测与可视化等方法认识其 内在的精准类别、统计规律、数据趋势和时空模式等。认知的主要目的是从统计意义上分析和 无线大数据与智慧 5G 11 挖掘数据中隐藏的正常与异常、类别间的关联等，借助可视化技术，数据科学家可快速获取无 线通信系统中 的上述数据信息，发现其中的问题、故障、错误、异常等。例如将信道增益与网 络流量等数据可视化，方便用户直观看到信道增益与网络流量等随时间与空间的变化关系；对 于用户位置信息进行挖掘，预测用户在未来某个时刻的行为，提取用户的行为特征等。 2.2.3 大数据 决策 大数据决策包括推断、检验和优化等，其中，推断是寻求和确认问题原因，检验是指针对 认知得到的结论进行验证，而优化是指对解决方案和待解决系统进行持续优化。将借助可视化 分析、统计推断、假设检验、优化方法等技术手段给出解决方案、优化措施等，并反馈到系统 中进行实施，完成闭环优化过程 。 2.3 无线大数据的潜在价值 2.3.1 无线大数据对运营商的价值 无线大数据是运营商智慧运营的核心资源，做好无线大数据应用，可以有效支撑智慧运营 和对外数据服务。通过推进全网数据采集、汇聚和有效关联，建设企业级大数据平台，形成企 业公共数据环境，能够面向不同服务对象提供数据服务如数据开放服务、数据产品服务等。 对内部用户数据、业务数据的挖掘与分析，完成用户的精准画像与行为预测，能够使运营 商感知终端用户的服务需求和偏好、改进产品、制定营销策略及提供增值服务等多方面注智， 更好地开展精准营销、精细服务，提高营销成功率与服务质量。通 过对现网用户行为使用数据 挖掘以及热力图分析等手段，可分析特定区域是否需要增加网络覆盖以提升用户体验，开展网 络优化或基站建设。对内外部数据进行整合，共享数据工具，推进数据跨域关联和建模挖掘分 析。主动联合跨界突围，与垂直行业展开合作，可以打破数据孤岛，分析数据内容，打造成果 共享生态圈。为企业发展与社会公共服务等多方面做贡献。 2.3.2 无线大数据对 终端用户的价值 无线大数据对终端用户的重要价值体现在两个方面。首先，终端用户通过分享数据，自身 可获得更好的无线服务体验。未来随着相关应用的普及和法律法规的成熟，终端用户可通过分 享数据进一步获得经济回报。其次，随着终端硬件性能的持续提升，终端用户可更主动和积极 地参与无线大数据产业链中，如分享终端处理能力、预处理原始数据、开发数据创新应用等。 无线大数据与智慧 5G 12 2.3.3 无线大数据对 第三方应用 的价值 无线大数据对第三方应用的重要价值首先表现为，无线大数据可为企业在客户精准画像、 客户信用感知、企业决策辅助和企业创新研发等方面，提高管理和运营效率，提升服务质量。 第三方应用还可主动与无线大数据产业展开合作，基于内部数据推进数据跨域关联和建模挖掘 分析，打破数据孤岛，打造成果共享生态圈，探索创新业务和商业模式，实现企业升 级。 2.3.4 无线大数据对无线通信研究的价值 无线物理层传输的大数据，包括信道大数据、业务大数据等。基于信道输入，通过建立深 度学习网络可进行信息比特的挖掘与推理，进行逼近信道容量码的译码。频谱大数据可以用于 进行宽频带信道的建模与分析。基于数据分析，可以进行宽频谱信道的降维处理，进一步分析 信道传输速率的相关性，得到传输速率的预测，基于降维处理的结果，进行宽频谱信道的传输 优化，如毫米波波段与光波波段的宽频谱信道。大数据可以用于通信系统的传输模式选择。针 对多种多节点的传输模式，可基于信道参数、用户业务参数等进行选择。得出 不同信道与用户 业务参数情况下不同传输模式的增益，然后通过强化学习，使得系统推断出不同传输参数下对 应的较优传输模式。随着未来智能网络的不断发展，通过数据分析能够更好地进行用户业务与 轨迹的感知与预测，实现定制化移动性管理、资源的精确配置、网络的能耗优化等。无线大数 据分析还可能预测无线网络的变化趋势，揭示未来无线网络的发展趋势。 3 无线大数据 的 典型应用 3.1 运营及服务 随着我国经济的快速增长，信息消费需求与日俱增，电信运营商的网络规模、业务规模、 客户服务等各方面均不断发展，其业务也从传统的单一业务运营向全业务运营转变 ，网络运维 进一步发展，从以网络为中心向以业务质量和用户感知为中心转型。利用信息化手段进行建设 与管理，运营商可以有效提升工作效率。互联网产业和 应用 服务提供商的飞速发展，也使得通 信市场的竞争格局不断变化。对此，电信运营商要立足技术创新、产品创新，不断提高自身服 务管理水平，以确保在竞争激烈的市场中巩固既有市场并抢占新的领域。 电信运营商作为基础网络服务提供商，在大数据来源上具有天然优势，对无线大数据的合 无线大数据与智慧 5G 13 理利用，可以有效提高企业竞争力。在激烈的市场竞争形势下，跨界合作正是运营商不能错过 的发展机遇。运营商应主动参与跨 界应用，以管道资源、流量、大数据等优势，置换 OTT的应 用、内容、线上平台、线上传播与渠道优势，通力合作，打造成果共享生态圈。依托海量真实 用户信息，运营商能够与金融、地产、互联网、酒店、交通、医疗等各行各业的数据进行关联， 从而打破数据孤岛，整合数据资源，提供更为丰富的数据产品服务，形成真正意义上的大数据 云。基于无线大数据，运营商既能提升自身服务水平，如通过大数据分析挖掘客户的潜在需求， 从而进行关联推荐与精准营销，提高营销成功率，也能开展跨界合作进而拓展服务内容，如在 公共交通方面与政府合作，通过对海量手机数据的 分析掌握大量个体的活动特征，为城市公共 交通线路的规划与优化，以及城市道路的建设提供指导意见。 3.1.1 电信业精准营销 电信行业传统的业务推送方面，往往采用一刀切的方式，从用户的个性化需求角度考虑， 营销人员在给用户推荐时针对性不强。而结合用户行为数据和大数据分析手段可以有效提高营 销的针对性。深挖用户行为数据，提取出关键影响特征，通过聚类算法、二次聚类算法、决策 树算法等将客户根据其行为进行细分，对细分群体匹配针对性的营销策略，采用关联推荐与精 准推荐，通过设置合理的置信度与支持度，挖掘出哪些业务之间存在重大关联性，可以 进行捆 绑推荐与销售，设计更具吸引力的促销方案，从而实现精细化营销，提高营销成功率。 3.1.2 跨界服务 在跨界服务中，运营商的大数据优势在公共服务方面展露无疑。实时的基站信令数据反映 出大量用户的实时位置信息，通过分析城市整体人流特征，特别是大范围空间位置移动特征， 可以实时监控区域人流量，进而为保障社会公共安全提供支持。基站信令数据还可以记录下大 量用户的移动轨迹，利用用户移动序列检测技术、用户关键地点挖掘算法、移动设备时空轨迹 的实时精准路网匹配算法等关键技术，可以实时呈现城市交通路况，为城市道路建设提供建议。 3.2 现网 问题 定位 、优化及 部署 3.2.1 覆盖盲区定位 无线通信网络是保障通讯的基础设施，传统的网络优化更倾向于关注 KPI（即网络关键性 无线大数据与智慧 5G 14 能指标），是运营商用来监控网络运行的性能指标， 包括 接入成功率、掉话率、切换成功率、 网络资源利用率、吞吐量等。 无线网络的覆盖好坏对 KPI有决定性的影响，有效识别出覆盖盲区并加以优化，对于提升 网络 KPI的效果最明显。依靠常规的网优路测寻找盲区，费时费力见效慢。利用无线大数据平 台分析采集到的网络日志及终端测量报告、位置信息，可以即时有效发现覆盖盲区。 从基站的角度，如果没有开通定位功能，网络将无法获得 终端的准确位置信息。常规的方 法是通过基站的位置、天线朝向以及收集到的终端测量报告（ RSRP/RSRQ），使用三角定位的 方法来进行粗略的位置计算。在监督模式下结合路测数据，使用隐式马尔科夫模型的指纹匹配 算法对数据进行训练，可以将终端定位精度范围从误差 100米提升到 20米 1。在此算法中，大 数据平台基于收集到手机上报的测量报告，计算出移动速度和方向，结合路测数据估算出新的 位置概率。结合其他 KPI如掉话、小区切换失败、无线连接重建事件，可以将弱覆盖及盲区显 示到地图上，供工程维护人员进行定向优化。 现有的数据收集 方法是各厂家将自定义的日志通过运维接口形式上报至数据采集平台。在 无线大数据网络架构中， 可以 增加无线设备和大数据平台的专用数据采集通路，规范日志的结 构化输出，以提升平台的数据收集及处理效率。 3.2.2 用户体验问题定位 伴随着数据业务的增长 , 丰富多样的创新应用的出现，用户越来越关注所用业务的使用体 验。因此，运营商的关注点也从 KPI转向 QoE/KQI（即用户感知指标）。 QoE/KQI是更偏重于用 户体验，同时也受客户主观影响的指标。 QoE/KQI的监控是以用户体验为中心，把用户感知数 值化，以便近似衡量客户真实体验和满意度 ，指标如用户网页访问成功率、响应时间、会话级 别的时延、抖动、丢包率等。 在无线大数据平台，汇聚了接入网、核心网网元的控制面信令、用户面数据以及各种即时 的测量数据。通过时间戳、用户在网元接口的唯一标识，可以将用户的信息关联起来，使得系 统可以对用户行为进行细致的分析。利用机器学习算法，以决策树的形式将需要人工分析的性 能问题交由系统自动识别，并通过大数据对结果进行聚类、分类。 用户在使用数据业务时，若网络访问请求在 1秒 之内返回，用户感觉良好，当时延大于 5秒 时，体验就很糟糕。在 无线 大数据平台，可以将速率低于 64 kbps（下行） /32kbps（上行）的所 有用户进行分类，通过决策树来识别出是网络覆盖问题、设备问题、终端问题还是应用服务 器 无线大数据与智慧 5G 15 问题。并将相关用户记录按问题汇总，方便维护人员进行相应处理。 图 3.2.2就展示了使用决策 树进行问题归类的过程。 信 令 检 查 掉 话 /切 换 /重 建 ？ 是否 相 同 位 置 其 他 用 户 表 现 相 同 ？ 是 覆 盖 优 化 否 特 定 终 端 类 型 相 关 ？ 是 终 端 问 题 否 研 发 排 查 是否 无 线 信 道 条 件 差 ？ 小 区 同 时 在 线 用 户 数 高 于 门 限 ？ 是 负 载 均 衡 工 作 正 常 ？ 否 设 备 问 题 用 户 缓 存 数 据 量 足 够 ？ 是 否 否 应 用 服 务 器 相 关 ？ 是 应 用 服 务 器 问 题 否 是 是 设 备 问 题 否 研 发 排 查 速 率 低 设 备 调 度 /功 控 行 为 正 常 ？ 图 3.2.2 应用决策树排查速率低的 问题 3.2.3 网络能效优化 载频动态开关 通过传统的 KPI监控网络的数据流量、资源利用率的分时统计，可以发现存在明显的规律 性，即日间的忙时与夜晚的闲时，与人体的作息规律一致。而随着 4G网络的 成熟和智能终端的 应用，夜晚的闲时开始时间向后推迟。商务办公区与居民区也存在明显的潮汐效应。 为了提升覆盖及用户体验，运营商通过部署多个载频，使用载波聚合技术来提高吞吐量。 在大数据平台，通过对资源利用率、业务量的历史数据统计，找出周期性，结合位置信息，识 别出各种类型覆盖区域进行聚类划分，再根据当前收集的用户网络使用情况，通过点面结合的 方法，为部署超过一个载频的区域，动态开关第二载频来实现节能减耗。相比基站根据实时的 资源利用率、在线用户数的方法管理额外载频开关，大数据平台能够结合地理位置信息，以区 域为关注点，更 准确的预测资源需求。 无线大数据与智慧 5G 16 图 3.2.3 网络数据量分时统计 多网协作节能 为了应对移动网络规模不断扩大带来的日益严峻的网络能耗问题，中国移动自主开发了能 够显著提升网络能效的多网协作节能系统（ MCES , Multi-RAT Cooperation Energy-Saving System）。 MCES系统是一种基于与网络设备适时交互的系统，能同时支持多种主流厂商的 2G/3G/4G设备。 MCES系统能够在小区间重叠覆盖场景中智能筛选，适时关闭部分重叠覆盖小 区以实现网络能耗的降低。通过分析海量测量报告信息，如参 考信号接收功率数据， MCES系 统能分析网络的重叠覆盖度，发现网络中的节能小区及其补偿小区。通过历史业务量数据，如 小区上 /下行资源占用率，可预测业务变化趋势。当节能小区处于低业务负荷状态时， MCES系 统将把节能小区的业务迁移至其补偿小区，并将节能小区休眠。同时，通过业务预测和实时监 控功能， MCES系统能够在业务尖峰到来时及时唤醒休眠的节能小区以保证网络质量。截至目 前， MCES已在国内多个地市进行试应用，累计应用规模超过 8万小区，实现每万小区年节电 40 万度。 为进一步提升网络节能效果，可基于网络收集到的测量报告 数据，利用大数据分析及机器 学习算法对小区业务负荷的进行更精确的预测。基于预测结果，可更及时的对小区进行休眠和 唤醒，在不影响用户业务的情况下进一步降低网络功耗。 无线大数据与智慧 5G 17 图 3.2.3 MCES系统示意图 3.2.4 移动边缘计算部署 移动边缘计算即 MEC (Multi-Access Edge Computing)是 5G面向应用的核心创新技术之一。 从 MEC的功能定义来看，是要将位于网络的云上的业务功能，下沉来到网络的边缘，尽可能地 靠近移动用户的位置。只有把 IT服务、环境和计算的能力，推送到更靠近用户、更靠近基站的 且更为合理的 位置，将 5G的应用服务和内容部署在高分布式的环境，才能应对 5G网络面临的 来自增强移动宽带、海量连接和数据、超低时延和高可靠等方面的挑战。 针对不同行业的用户的业务需求，需要通过大数据分析的方法，获取准确的用户及行为画 像，进而获得 MEC的部署需求。边缘网络更靠近用户，能够实时获得用户真实数据。这些数据 维度全，包括位置、时间、终端、行为等等。对这些可靠的实名制数据进行分析后，可以获得 准确的用户的兴趣爱好、社交关系和各种行为的时间和分布等，进而通过定制化、灵活、高效 的 MEC部署，实现个性化的服务提供。例如，基于大 数据分析， OTT运营商可以面向特定的区 域有针对性的进行视频类业务的 MEC服务部署、商业服务提供商可以在某些特定的网络边缘 展开定向、精准的营销活动。 无线大数据与智慧 5G 18 以面向车联网应用为例，通过对道路、车辆、人等运动物体的行为进行大数据分析，并相 应将车联网的服务器进行靠近数据来源进行按需部署，可以更方便的提供更低时延、更可靠的 车联网创新服务。车联网的 MEC服务器，能够提供刹车的提醒、交叉路口防撞的提醒、道路两 侧施工的提醒，行人和故障车的提醒、安全驾驶的提醒，针对高优先级的车如救护车等还可提 供最优化行车路线信息等。通过本地化的海 量数据收集、分析和结果分享，还可以辅助实现自 动驾驶（雷达不但昂贵，而且无法实现全程感知）。另外，把一些在网络边缘获得的实时数据， 包括雷达采集的数据和和视频信号，进行实时本地计算，也将有助于开发出更多的车联网应用。 3.3 智能 网络 新特性 3.3.1 移动边缘缓存 从未来技术的演进趋势来看，传统内容网络（ Cache/CDN/IDC）逐步向网络边缘下沉 （ mCDN/MEC），传统云计算也向更贴近用户的雾计算和为个人服务的小型云演进。 内容网络（ Cache/CDN/mCDN/IDC）和边缘计算节点（ MEC）可提供诸如边缘缓存、本地 转发 、业务优化、能力开放等服务。其中，边缘缓存具备内容自动化分布及流量集中化调度控 制能力，通过将内容引入网内，并推送至更靠近用户的边缘节点，可减少网络中冗余数据的重 复传输，减轻骨干网的带宽压力，缩短用户的访问距离和时延，提升用户体验和服务质量。 然而，现有内容网络和边缘计算节点，在边缘缓存方面尚存在下沉位置受限、应用场景受 限、服务范围受限、运营能力受限等问题。为了解决现有内容网络和边缘计算节点存在的问题， 提出一种面向移动边缘缓存的 “个人云 ”（ Personalized Cloud）理念：采用灵活的分布式计算和 存储 能力，为下一代用户为中心的网络（ UCN）提供最佳体验质量（ QoE）以及个性化的服务 访问，将现有云计算、雾计算和霾计算的概念进一步个性化到极致、灵活化到极致、最优化到 极致，从而实现内容上的按需推送和动态跟踪，资源上的折中分配和优化管理，架构上的灵活 多样和分级响应。 以用户一天中的活动为例，随着时空轨迹的转换，用户行为（在家、通勤、办公、购物 ） 及发生的通信业务也在时刻变化（娱乐类、资讯类、社交类、电商类 ），个人云能够随时随 地为用户提供最接近网络边缘的最佳服务，达到网络资源定制化分配和个体需求充分满足，如 下图 3.4所示： 无线大数据与智慧 5G 19 图 3.4 用户一天行为活动示意图 个人云的核心在于基于行为轨迹预测的边缘缓存策略。通过预测用户未来在时空两维的业 务需求，设计满足业务时空两维、个性化需求的边缘缓存全面解决方案。其中，缓存方案需满 足 “个性化 ”和 “移动性 ”的要求： 个性化：将边缘缓存的服务对象个性化到极致，面向个人需求为用户提供定制化最佳 服务。 移动性：以用户移动的时空轨迹作为关联，实时、动态调整边缘缓存内容、方式和部 署策略。 为了提高 移动 边缘缓存的效率，需要利用大数据预测和分析来确定预先存储的内容。然而， 传统有线网络中是将 内容存储在服务器端。由于服务器有较大容量，并且能够覆盖到较大时空 范围内的用户，因此需要通过大数据分析文件流行度。然而在无线边缘存储中，由于基站接入 用户范围，以及基站存储容量的限制，根据文件流行度去设计缓存策略并不能有效提高增益。 这是由于流行度主要反映了用户的总体行为、很少能反映个体的用户需要或者喜欢什么，这将 导致现有方法的命中率降低，从而减小缓存给网络性能和用户满意率带