基于重點端到端業務的網元感知畫像算法研究
?Labs 導讀
?隨著移動互聯網業務蓬勃發展，新的業務模式為運營商的移動網絡優化、客戶滿意度提升工作帶來了巨大挑戰，傳統的成功率、建立時延等KPI能從基本上反映用戶能否順利實現網絡的接入，但無法判斷用戶的使用業務過程是否順暢、體驗是否良好，業務的復雜性要求運營商從端到端業務感知的提升方式去優化網絡、提供服務。
1現有技術方案
目前數據端到端業務感知保障基于統一的KQI感知劣化指標門限，針對識別的感知劣化點經過定界后，以無線小區為單位聚類，進而處理無線。具體方案如下：
- 感知指標及門限制定：結合全省各類端到端業務流量，確定重點業務，根據日常用戶使用行為，確定重點感知指標KQI，經過大量業務撥測，確定KQI感知劣化門限；
- 定界方法：針對識別的感知劣化點，通過TCP相關時延指標進行無線側定界。
- 無線問題定位方法：針對定界到無線原因的感知劣化點，以無線小區為單位進行匯聚，進而處理無線質差問題。
2現有技術缺點
現有的固定端到端業務感知劣化KQI門限無法真實反映用戶端到端業務特征、變化規律，與無線質差問題關聯率較低，未能真正反饋客戶差異化業務需求及感知變化。
本申請提案提出一種客戶業務感知特征的識別算法，綜合核心網XDR數據、B域客戶價值信息、無線側性能/告警數據，通過動態感知監控門限識別客戶差異化業務需求及感知差點，針對業務特征，結合客戶價值、貶損信息，為每個小區評分，從而提供精準的優質網絡服務，提升用戶使用體驗，增進移動品牌形象。
3創新技術方案
本技術方案設計了無線小區端到端業務特征算法、小區下用戶特征方案、數據端到端業務感知劣化動態門限算法，從而實現問題根因的精準定位，確保資源優先投入及問題快速解決，從而保障客戶感知高效提升。
3.1 技術方案整體架構
3.2 無線小區端到端業務特征算法
結合我省業務特征，選定視頻、網頁瀏覽、即時通信、游戲四大類及項下TOP移動互聯網業務為研究對象，從橫、縱、劣化三個維度綜合為無線小區評分：
橫：確定小區主要業務特征，小區四類業務流量分別在小區總流量中占比；
縱：定位小區在全網的權重，小區四類業務流量分別與全網視頻、頁面、即時通信、游戲平均業務量的比值；
劣化：根據如下已確定的KQI與門限，分別判斷小區的是否存在感知劣化，如是則為1；
小區特征識別：四類業務特征，分別為視頻、頁面、即時通信（IM）、游戲，i=1.2.3.4；
判斷標準：小區i業務標簽：當i業務特征*業務權重*業務是否劣化值符合如下標桔色列，即為小區添加 i業務標簽；
3.3 無線小區下用戶特征
利用B域高價值客戶信息、端到端業務數據預測的潛在不滿意客戶信息，為無線小區建立用戶特征標簽；
高價值用戶：利用B域數據中用戶ARPU值，確定小區下ARPU≥50的用戶數；
貶損用戶預測：利用大數據深度關聯技術，識別脫網、打不通、接通慢、掉話、通話吞字斷續、網頁打開慢、視頻播放卡頓、手游實戰不流暢的不滿意或質差或投訴用戶及其常駐活躍區域(POI），面向業務、不同場景、不同網元的跨域多維匯聚解析，利用TCP/RTP定界技術實現質差用戶和問題定界。
貶損指標質差問題精準定位：基于貶損或質差用戶群的xDR+MR/CHR關聯分析及定位，匹配華為精準定位算法，實現質差問題全面準確識別，高效指導優化。
最終形成如下三類標簽：
3.4 感知劣化動態門限算法
針對視頻、網頁瀏覽、即時通信、游戲四大類及項下TOP移動互聯網業務為研究對象，以移動通信技術、信令原理為理論基礎，結合客戶體驗感知，通過模擬用戶使用進行業務質量測試APP，對影響端到端感知的質量的因素進行分析研究，確定如下１２項最貼近客戶感知的KQI，從而評估日常生產工作成效、客戶感知提升情況，詳情的如下：
已確定12項感知指標：
? 判斷影響客戶感知的KQI門限
靜態門限
針對已選定的12項指標，利用已有DPI數據采集平臺，收集基于全網用戶XDR話單的業務KQI，利用正態分布函數，分別計算各指標的平均值u、標準差σ,結合其概率分布規律，選擇劣于平均值的15%，即分布在（-∞，u-σ）或(u+σ，+∞)的值，為劣化值，如下為詳細算法；
正態分布概率分布：
KQI劣化門限
動態門限
方案描述：基于全網小區每小時每指標歷史30天XDR和PM數據，通過機器大數據學習，輸出每個小區的動態門限和KQI/KPI關聯知識庫。提供全網小區小時級準實時監控和天粒度趨勢分析兩種體驗管理功能。實時數據通過KQI與KPI關聯知識庫對告警進行關聯分析，關聯結果將協助網優工程師定位問題并閉環。
核心能力：
（1）大數據學習，全網小區歷史30天數據（N個指標*20萬*30天*24小時=N*1.44億量級）。
（2）小區動態門限，PAM聚類算法將指標分布特征相似的時刻劃分為一組，有2-6類，每個小區有自己的動態門限，比傳統的早/晚忙時指標的不同更精細更準確。
（3）KQI&KPI關聯知識庫，檢測每小時異常的KQI和同時刻的異常KPI，通過機器智能FP-Growth頻繁項集挖掘算法形成KQI&KPI關聯知識庫，用于KQI實時監測時關聯異常的KPI，指導體驗指標分析優化。
KQI和KPI指標聯合異常檢測，當KQI指標滿足異常檢測規則，并且KPI指標同時滿足異常檢測規則，為一次異常事件。以下為頁面、視頻、網頁、IM和游戲的動態門限制定原則。
動態門限學習規則：
KQI異常規則同時滿足：（指標越大越差>max()；指標越小越差<min()）
- 指標越大越差：“KQI指標”>max(分時段門限_分位數，全時段門限，分時段門限_均值+ 2*分時段標準偏差)
- 指標越小越差：“KQI指標”<min（分時段門限_分位數，全時段門限，分時段門限_均值 - 2*分時段標準偏差)
- “KQI指標差話單占比”>全時段門限KQI指標差話單占比 或“KQI指標差用戶占比”>全時段門限KQI指標差用戶占比
- “KQI指標差用戶數”>全時段門限KQI指標差用戶數
- “KQI指標差話單數”>全時段門限KQI指標差話單數
4技術亮點總結
小區端到端業務特征算法
結合四大類端到端業務量，通過橫縱向對比計算，評估小區下不同業務權重及在全網占比，從而輸出小區業務特征得分；
小區下用戶特征
結合高價值（ARPU≥50）用戶數及貶損預測用戶數情況，確定小區用戶特征標簽。
感知劣化動態門限算法
通過機器大數據學習，輸出差異化感知劣化預警門限，更貼近實際客戶感知。
5方案生產應用
針對日常業務感知監控識別的劣化/質差小區，設計如下評分算法，為全網小區進行打分畫像，針對監控到的感知劣化質差小區，進行優先級判斷，最終生成以客戶感知為指導的帶優先級的工單，確保問題小區高效閉環，實現客戶感知提升。
- 基于數據端到端業務的網元畫像算法改變原有固定門限，通過歷史數據學習，實現當前時段感知劣化門限的精準判斷及劣化點識別，提升問題處理能效；
- 本研究首創綜合網元重點業務特征、高價值用戶數、潛在貶損用戶數三類特征標簽，形成網元感知畫像，有效支撐日常生產有的放矢；
- 制定優先級規則，確保嚴重影響客戶感知的重要問題優先快速閉環，從而保障客戶感知。
