模擬人體指紋的小區監控技術研究

　　0 引言

　　MRR（測量報告記錄）通過收集來自客戶所使用的普通手機測量報告，對小區上下行的信號質量、信號強度、TA、路徑損耗、功率控制等級等信息進行分類統計，實際反映了服務小區無線信號測量質量。

　　在進行網絡監控和分析時具有統計全面、效率高等特點，同時也能反映客戶對網絡的真實感受。

　　傳統的MRR 主要應用于兩種場景： 一是當小區質量出現故障時，用其輔助定位故障原因；另一就是在統計無線網絡質量時，使用其中的統計數據（如上、下行信號強度，上、下行信號質量）的均值來衡量全網或局部小區覆蓋以及質量。這方面說明了MRR 具有定位網絡故障和反映小區無線網絡質量的作用。

　　筆者注意到，MRR 在網絡優化上的作用還可以深入挖掘。本文擬通過研究挖掘MRR 本身的特性，提出一種基于這些特性建立類似人體指紋的獨特性和穩定性的小區“指紋”監控模型，一旦小區“指紋”

　　發生變動，即發出變動或異常告警，幫助網絡優化人員及時發現、分析和定位網絡異常。

　　1 MRR 功能和特性簡介

　　MRR 是愛立信OSS（運營支撐系統）中的一個重要功能模塊，用于記錄特定時間和范圍內的BSC（基站控制器） 所接收的所有無線通話測量報告，測量報告包括上行和下行，具體的數據有：

　　a）上行信號強度（RXLEVUL）：基站測量到的接收信號強度。

　　b）下行信號強度（RXLEVDL）：移動臺測量到的接收信號強度。

　　c）上行信號質量（RXQUALUL）：基站測量到的接收信號質量。

　　d）下行信號質量（RXQUALDL）：移動臺測量到的接收信號質量。

　　e）上行路徑損耗：反映從移動臺到基站的路徑損耗。

　　f）下行路徑損耗：反映從基站到移動臺的路徑損耗。

　　g）移動臺的功率等級（MSPOWER）：反映移動臺發射的功率。

　　h）基站收發信臺的功率等級（BSPOWER）：反映基站的發射功率。

　　i） 時間提前量（TA）： 反映移動臺到基站的距離。

　　在無線環境和網絡硬件設備穩定的情況下，小區MRR 各參數值雖在一定范圍內變化， 但從統計上是相對穩定的， 而且各個小區由于本身的性能差異和所處無線環境的不同， 這些參數值也是非常獨立各異的，這就類似人體指紋的獨特性和穩定性。

　　2 技術方案

　　為了能夠實現利用MRR 達到對小區異常監控的目的，本文將分三個部分進行闡述：數據采集、建立小區“指紋”模型、異常告警呈現方式及處理。

　　2.1 建立小區“指紋”模型

　　建立基于MRR 的小區數據模型， 要先分析MRR 的數據結構。MRR 數據結構特征可以歸納為：

　　a）小區名：顧名思義，就是指定制了MRR 的小區識別名稱。

　　b）參數名稱：是指類似上/ 下行信號強度、TA等參數名稱。

　　c）時間段：MRR 采集的時間，可觀察到數據采集時長。

　　d）采樣總報告數：指在規定的時間內，采集到的用戶數據數目。

　　e）各個采樣點分布情況：針對不同的參數，系統依據對該參數事先設置的等級把MRR 上報的采樣點放入符合條件的等級中。

　　f）均值：取加權平均。

　　2.1.1 相關算法

　　MRR 數據本身已經直接或間接地提供了各參數在某一時間段內的均值，為了建立小區“指紋”的需要，本文提出了兩種算法。

　　1）均值算法：

　　該算法是直接取連續N 天內（根據話務模型N通常可以設置為7）MRR 參數平均值（ 這里用Ave_X （n） 代表每天MRR 參數平均值，n=1,2……N）。

　　然后再次進行算術平均，得出平均值為：

　　2）區間分布算法

　　該算法是針對MRR 中小區參數采樣點分布的變化情況而設計， 可計算出某個小區MRR 參數某兩個值之間的采樣點分布情況，如圖1 所示。

　　圖1 陰影部分表示小于或等于某個參數值y 所占全部采樣點的比例p，所對應具體算法是：

　　式（2） 中，T 表示總采樣點數，Ti表示某個采樣點。

　　進一步，根據式（2），可以得到數天內（假設為N天）p 的均值，所對應的具體算法是：

　　式（3）中，pn代表第n 天某時段p 值。

　　2.1.2 建立小區“指紋”模型

　　有了前面的基礎理論，本節將探討小區“指紋”

　　模型的組成元素以及針對各元素可設置的閾值。