移動通信網絡智能優化研究

導語：移動通信網絡智能優化研究一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：面對日益復雜的移動通信網絡，智能化是未來網絡自適應優化技術的發展方向。在自適應優化方案中采用機器學習算法，使網絡具有智能，能夠根據環境和狀態的變化協調各種優化目標，實現最優參數配置。本文在分析常用的機器學習算法的基礎上，結合對未來網絡數據特征的梳理，提出了初步的網絡智能優化技術框架和步驟，并對各種網絡優化功能下所適合采用的機器學習算法進行分類整理。

關鍵詞：網絡自組織；5G；機器學習；自適應優化；智能優化

1引言

移動通信與人們的工作和生活密切相關，而人們對于更高性能的移動通信網絡的需求也在不斷提升。根據預測，未來移動通信網絡，例如第五代移動通信系統（5G），將能夠提供可媲美光纖的數據傳輸速率，并且在端到端時延上希望能夠達到“無感知”的程度。為了實現這樣的性能要求，不僅需要從物理層和網絡結構上進行革新，例如采用大規模天線以及密集部署各種類型的低功率節點（LowPowerNodes，LPNs）形成異構超密集網絡（Ultra-denseNetwork，UDN）等，也對現有的網絡自適應優化（Networkself-optimization）理論和方法提出了嚴峻挑戰?，F有的網絡自適應優化理論和方法是網絡自組織（Self-organizingNetwork）的一個重要組成部分，指的是網絡在運行過程中，通過監測網絡重要性能指標隨時間的變化，自適應地調整基站和其它網絡設備的參數配置或相關的資源管理策略，以盡可能達到提升網絡性能的目的。然而，現有的網絡自適應優化理論和方法在面對日益復雜的移動通信網絡時，為了實現超高數據速率和超低時延的性能要求，卻存在諸多問題，面臨諸多挑戰，主要表現為：現有網絡自適應優化理論和方法基于被動響應方式，無法滿足未來通信網絡超低時延的需求?，F有網絡自適應優化理論和方法中，優化目標和網絡參數之間的適配關系通常是預先設定的，無法滿足未來網絡復雜多變的網絡狀態特性?，F有網絡自適應優化理論和方法通常針對某一特定的單一優化目標進行，無法滿足未來通信網絡多目標協同優化的需求?，F有網絡自適應優化理論和方法對網絡中的數據利用不充分，利用的數據資源過于單一，缺乏智能性。為了解決上述問題，需要對現有的網絡自適應優化理論和方法進行革新。

2現有網絡自適應優化技術

所有的移動網絡運營都會設置某種形式的網絡管理系統來維持網絡的正常運行。一個典型的網管系統連接所有的網元和子網元，甚至可以到達基站的單板，并在運維人員的介入干預和指揮下，有針對性地解決網絡出現的問題和故障。移動網絡的巨大規模決定了網管系統經常同時運行數百個網絡故障檢測處理進程和基于關鍵性能指標（KeyPerformanceIndicators，KPIs）的質量管理進程。同時，還要有許多的有經驗的工程師和維護人員控制操作維護中心（OperationandMaintenanceCenter，OMC），使得移動網絡的運行平穩正常。隨著網絡規模的持續增長和技術復雜度的提高，單純靠人工方式運維移動通信網絡的復雜度和成本變得越來越高。此外，針對經?？焖僮兓木W絡運行狀況，網絡運維參數的人工調整過程將不可避免地導致較長時延，使得無線網絡不能提供最優的性能。為了降低運維成本，提高運維效率，網絡自組織（Self-organizingNetwork，SON）技術應運而生。廣義的SON一般被定義為運營商用來管理和控制移動寬帶網絡的一系列功能和特征，不需要人為干預的自動化操作來提升運營效率，降低運營復雜度。狹義的SON被定義為用于第三代移動通信合作伙伴計劃（ThirdGenerationPartnershipProject，3GPP）和LTE（LongTermEvolution）中的自動化網絡運營功能，由3GPP來對SON進行標準化，由“下一代移動網絡聯盟”（NextGenerationMobileNetwork，NGMN）從運營商角度對SON的長期目標和遠景進行規劃和展望。自組織網絡包括自配置（Self-configuration）、自優化（Self-optimization）和自治愈（Self-healing）三大功能。本文主要討論網絡自優化。網絡自優化是指網絡在運行過程中通過監測網絡重要性能指標隨時間的變化，自適應地調整基站和其他網絡設備的參數配置或相關的資源管理策略，以盡可能達到擴大覆蓋范圍、增加系統平均和邊緣容量、抑制干擾、減少能耗、提高切換和隨機接入成功率、滿足用戶QoS需求等目的。根據3GPP協議TS32.521的描述，對于特定的優化目標（如容量、覆蓋自優化等），網絡自優化的總體流程如圖1所示。自組織網絡在無線網絡的覆蓋和容量優化、無線干擾優化、切換和負載均衡優化、節能優化等方面都有廣泛應用。由圖1可以看出，目前的網絡自優化通常采用被動響應的方式，智能化程度不高。但是，自組織技術的終極目標則是能夠高效地實現對自身進行完全自動化的組織和管理。因此，提高自組織技術的智能性是自組織網絡的一個重要發展方向。

3未來移動通信系統智能優化技術

3.1機器學習算法簡介。1997年，TomM.Mitchell在“MachineLearning”一書中給出了機器學習的經典定義“計算機利用經驗改善系統自身性能的行為”。經典的機器學習理論有很多種，一般歸為3類：有監督學習（SupervisedLearning）、無監督學習（UnsupervisedLearning）和半監督學習（Semi-SupervisedLearning）。有監督學習類似于人們在老師監督下的學習，是一種在結果度量（OutcomeMeasurement）指導下學習的過程，訓練的學習網絡通過最小化定義的代價函數而得到輸入和輸出之間的映射關系。常見的有監督學習包括貝葉斯網絡、神經網絡、決策樹、支持向量機等。無監督學習有時候也被稱為自組織學習，在無監督學習中沒有結果度量，也不需要目標變量或者訓練數據集，系統通過與輸入的交互來優化參數，通?；谥鞒煞址治觯≒rincipalComponentAnalysis，PCA）或者聚類分析。博弈論就是一種應用非常廣泛的無監督的機器學習方法。此外，1981年芬蘭Helsink大學的T.Kohonen教授提出的自組織特征映射網（Self-OrganizingMap，SOM）也是一種無監督的機器學習方法。在傳統的機器學習理論框架中是沒有半監督機器學習的，但是半監督的機器學來卻逐漸成為一個研究熱點。這是因為，在有監督學習中需要利用已標識數據，而無監督學習中只需要利用未標識數據。在大數據時代，絕大多數的數據屬于未標識數據，而已標識數據需要人的參與，耗時耗力，也容易出錯。所以，在現實世界中，未標識數據的數量遠大于已標識數據的數量。如果不能充分利用這些未標識數據，學到的模型的泛化能力可能會較差，還會造成數據的浪費；如果像無監督學習一樣只使用未標識數據，就會浪費已標識數據的價值。而半監督學習就是研究如何綜合利用少量已標識數據和大量未標識數據，獲得具有良好性能和泛化能力的學習機器。強化學習（Reinforce-mentLearning）就是一種主要的半監督學習方式。近年來出現的遷移學習（Trans-ferlearning）也可以看作一種半監督的學習方式，學習節點動態地選擇自己的“指導者”，這個指導者是和自己在網絡環境等方面具有最高相似度和相關性的節點。因此，“指導者”節點已經獲得的學習結果就可以直接轉移給學習節點，從而極大地降低了復雜度和提高了收斂速度。常見的機器學習算法分類見圖2。3.2未來移動通信網絡數據。移動通信網絡中蘊含海量數據，想在未來的網絡自優化技術中充分利用這些數據資源，設計更為智能的網絡自優化技術框架，首先要對網絡中究竟存在哪些數據資源進行詳細梳理。表1列出了對移動通信網絡中各種數據的一個簡單分類舉例。首先，可以將其分為用戶層面和網絡層面（這里的網絡層面主要指無線網絡，核心網的內容暫時沒有考慮）；從另一個層面，還可以將數據劃分為體現性能的數據、體現能力/配置的數據、體現狀態的數據3類。表1只是列出了移動通信網絡中可用數據資源的極小部分，但是也可以看出，可用的數據資源是非常多也非常廣泛和復雜。例如，從數據的時間維度來說，有的數據更新時間在毫秒甚至微秒的量級，例如快衰落造成的信道變化，有的則是按照天甚至月的時間量級在變化更新，例如由時間、季節等造成的小區負載的變化等。圖3例舉了各種不同的數據在時間維度上的區別。值得注意的是，在現有的網絡自優化文獻中，絕大多數利用的都是較短的時間維度的數據，對于較長時間維度的數據，利用的較為不充分（一些負載均衡的文獻中有所利用，但是大部分缺乏預測性）。而充分利用這些數據，利用機器學習的理論，將有可能實現更加智能、高效的網絡性能優化。3.3未來移動通信網絡智能優化框架。從表1的分析可以看出，表中所列內容是相互關聯的，在網絡自優化功能中，實際上是根據“體現狀態的數據”，調整“體現配置的數據”來實現優化“體現性能的數據”。由于數據種類眾多，相互之間關系復雜。首先，性能指標和網絡配置參數之間不是一對一的關系，網絡的某個性能指標通過調整不同的參數都可以得到類似的結果，某些參數的調整也會影響多個性能指標；并且最優的網絡參數配置是依賴于網絡狀態的，在不同的狀態（或者狀態組合）下，得到優化的性能指標所需要的配置參數是不同的。這種復雜的對應關系在大數據環境下不太可能以人工完成，需要利用數據分析、關聯、聚類等機器學習理論加以解決。首先，需要在龐大而復雜的數據中建立起各種性能指標與各種配置參數之間的對應關系，而且這種對應關系是動態變化的，需要動態學習優化；其次，需要對對應相同的性能指標的不同參數進行關聯度分析，即每種參數與這個性能指標的關聯程度分析。這也是需要動態學習優化的，因為這也是依賴網絡的狀態的，在某些狀態下可能某些參數的關聯度高，在某些情況下可能另外一些參數的關聯度高。然后，要根據分析得到的關聯度進行排序，從而確定出在當前網絡狀態下優化某種性能指標最優的參數配置列表。另外，還要分析出當前最需要優化的指標是什么。在這個過程中，需要關注沖突的協調。明確了當前的優化指標以及要優化這個指標所需要調整的參數列表之后，需要運用智能且高效的學習理論和方法得到最優的參數值配置方案。根據以上分析，可以對未來移動通信系統中基于大數據的智能網絡自優化框架進行設計（見圖4）。涉及到的步驟如下：步驟1：從未來移動通信網絡中收集各類數據步驟2：對收集到的各類數據所組成的大數據進行清洗和簡單的整理分類收集到的各類數據不僅數量巨大，還具有非結構化的特點，需要依靠大數據的專業技術進行初步整理。這部分工作可以選用一些大數據商用軟件進行，在本課題中不作為研究內容。表1移動通信網絡中可用于網絡自優化的參數舉例圖3數據的時間維度距離步驟3：建立性能指標與配置參數及狀態參數間的對應關系這一過程是框架的重點內容之一，需要實現的功能包括：建立性能指標與配置參數的對應關系如前所述，網絡的各種性能指標與網絡配置參數之間的對應關系通常是多對多的復雜對應，而不是一對一的簡單對應關系。在未來基于大數據的網絡自優化方案中，需要通過一些大數據分析、聚類等技術建立這種復雜的對應關系。對影響相同的性能指標的多種參數進行關聯度分析雖然多個網絡配置參數都會對某一項性能指標產生影響，但是影響程度，或者說關聯程度是不同的，需要進行關聯度的分析。并且，這種關聯程度是根據網絡的狀態而改變的，也即不同狀態的情況下，關聯程度可能是不同的，因此需要進行動態的學習和分析。對影響相同的性能指標的多種參數進行關聯度排序關聯度排序的目的是為減少后續網絡優化的復雜度，通過排序，可以選擇關聯度高的參數（可以是多個）作為優化某一性能指標的途徑，實現降維。沖突協調上述步驟為沖突協調也提供了必要的準備，在此基礎上，可以根據需要進行聯合優化等沖突協調處理。步驟4：明確優化目標以及優化途徑根據網絡的狀態和性能指標，需要首先明確當前的優化目標具體是哪一項或者哪幾項。其次，還要根據步驟3的結果，確定為了優化該性能指標需要調整的網絡配置參數列表。在步驟3和步驟4中，需要利用大數據分析、聚類等算法，例如數據挖掘中的關聯分析、Apriori算法、頻繁模式增長FP-growth算法、主成分分析PCA等。具體算法將在后續研究中進行設計比較。步驟5：通過機器學習確定最優網絡參數配置在步驟4的基礎上，已經明確了要優化的性能指標，以及優化這一性能指標所需要調整的參數列表，接下來的任務就是如何根據網絡的狀態得到最優的參數配置值。這一部分需要利用機器學習的方法進行，接下來將討論在網絡自適應優化中應用各種機器學習算法時需要考慮的因素，以及各種機器學習算法所適用的自適應優化領域。步驟6：根據步驟5的結果調整網絡中的參數配置結束。3.4網絡智能優化中機器學習算法分析。各種機器學習的算法應用于不同的智能優化領域時，需要考慮可擴展性、訓練時間、響應時間、訓練數據大小、復雜度、準確性、收斂時間以及收斂可靠性等性能。而不同的優化目標下對各類性能指標要求并不相同，例如移動性管理以及切換優化對于訓練時間、響應時間以及收斂時間的要求很高，緩存優化需要準確地決定在合適的時間合適的地點緩存合適的內容，因而對算法的準確性要求較高。根據不同算法在各個性能指標方面的優劣，表2給出了目前研究中各個智能優化領域常用的機器學習算法。

4結束語

未來移動通信系統功能更加強大，網絡結構更加復雜，現有的網絡自適應優化理論和方法在面對日益復雜的移動通信網絡時，需要提高其智能性、主動性。本文分析了各類機器學習理論和未來網絡中的數據特點，提出了初步的智能優化框架，并對各類機器學習算法在不同的網絡優化領域的適用性進行了分析。

參考文獻

[1]IMT-2020推進組.5G愿景與需求白皮書.2014(5).

[2]彭木根,李勇,梁棟,等.寬帶移動通信系統的網絡自組織(SON)技術[M].北京郵電大學出版社,2013(10).

[3]3GPPTS32.500.TelecommunicationManagementSelf-Orga-nizingNetworks(SON)ConceptsandRequirementsR9[S].2009.

[4]3GPPTS36.902.EvolvedUniversalTerrestrialRadioAccessNetwork(E-UTRAN)Self-configuringandseld-optimizingnet-work(SON)usecasesandsolutionsR9[S].2010.

作者:顧昕鈺 單位:北京郵電大學