基于MR的网络性能评估及其优化方法.ppt

基于MR的网络性能评估及其优化方法,中讯邮电咨询设计院有限公司技术研究部郭景赞,2,提纲2MR优化应用,提纲1MR基本原理,3,提纲1MR基础,提纲2MR定位,MR基本原理,4,MR基本原理,MR（MeasurementReport）即测量报告,什么是MR？,测量报告是通信过程中网络了解UE状态的手段，实现资源调度管理的依据，因此MR测量结果也就反映了用户的真实体验。,MR优势,5,MR上报机制,6,测量标识,测量命令,测量类别,测量对象,测量量,报告量,报告准则,状态有效性,报告传输模式,7,MC（测量控制）内容,MR内容,8,如何定位？,与其他数据如何关联？,MR测量类型,9,MR测量类型,同频测量,异频测量,异系统测量,业务量测量,质量测量,内部测量,位置测量,10,提纲1MR基础,提纲2MR定位,MR基本原理,MR关键技术-MR定位,11,利用传播模型进行三点定位原理,MR关键技术-MR定位,12,定位精度测试,建议：在应用中，基于MR定位分析进行的评估、优化等工作，应以小区粒度进行分析为主，而对于100*100m栅格化的，由于其置信度较低，分析结果应辅以其他手段进行使用,进行DT路测，将所有MR数据单独解析，并给出每一个GPS记录的经纬度,根据IMSI过滤DT用户的MR数据，利用定位算法对每一个MR添加经纬度,以DTGPS经纬度为参照，对RNC侧的MR数据定位结果进行比较，给出结果,13,提纲2MR优化应用,提纲1MR基本原理,14,提纲3直放站室分监控,提纲1网络评估,提纲2软切换参数优化,MR优化应用,网络评估,15,周期性VS事件性,16,周期性VS事件性,17,周期性VS事件性统计结果存在较大误差！,周期性VS事件性,18,从对比结果看：周期性与事件性MR的RSCP差值在3.56.5之间，ECNO的差值在1.53.1之间，且无确定关系。无法使用事件性MR替代周期性MR。建议：对重点区域长期开启周期性MR采集，非重点区域根据需要开启,19,提纲3直放站室分监控,提纲1网络评估,提纲2软切换参数优化,MR优化应用,利用MR进行软切换优化,20,软切换优化分析,利用MR进行软切换优化,21,软切换优化重要参数,软切换优化难点,利用MR进行软切换优化,22,利用MR进行软切换流程,利用MR进行软切换优化,23,利用MR进行软切换流程,利用MR进行软切换优化,24,利用MR进行软切换流程,现网WCDMA同频测量的MR数据分为周期性MR和事件性MR两种，由于事件性MR数据是在满足某种条件下的测量结果，如果以事件性MR统计分布区间的话，则满足软切换条件的比例会虚高。因此，应首先对MR数据进行过滤，只对周期性MR数据进行统计分析。,利用MR进行软切换优化,25,利用MR进行软切换流程,利用MR进行软切换优化,26,利用MR进行软切换流程,首先结合现网状况设定软切换比例目标值，然后根据MR分析获得的现网无线信号分布结果，确定ReportingRange(Event1a)和ReportingRange(Event1b)设定值，从而实现精确控制软切换比例的目标。,利用MR进行软切换优化,27,分析案例-城市一无线信号分布,利用MR进行软切换优化,28,分析案例-城市一无线信号分布,分析案例-城市一,如果以5dB为1b门限，则最高将会有36.65%的概率发生两路软切换，同时会有10.86%的概率发生三路软切换，其等效软切换比例为47.51%,利用MR进行软切换优化,29,分析案例-城市二无线信号分布,利用MR进行软切换优化,30,分析案例-城市二无线信号分布,分析案例-城市二,同样如果以5dB为1b门限，则最高将会有38.92%的概率发生两路软切换，同时会有16.94%的概率发生三路软切换，其等效软切换比例为55.86%,利用MR进行软切换优化,31,分析案例-参数设置,分析案例-结论,对于不同地区、不同RNC由于网络覆盖环境、站址分布、用户及业务分布等均存在较大差异，即使在软切换比例目标相同的情况下，软切换参数也需要根据各自的情况进行独立设置，而不能采用同一套默认参数，利用MR数据的统计结果可以快速准确的给出本地的软切换参数配置建议值，并给出预测的软切换比例值。,32,提纲3直放站室分监控,提纲1网络评估,提纲2软切换参数优化,MR优化应用,直放站室分监控,33,直放站监控方法分析,传统方法,MR方法,利用MR进行直放站室分监控,34,室内/外MR特征,分离难点,尽管室内外用户的MR数据特征存在差异，如何进行区分、区分门限设定却存在很大困难，而且对于不同的环境，室内室外MR数据的特征门限亦存在差异，使用门限筛选过滤方法来实现室内室外MR数据分离基本是不可实现的,利用MR进行直放站室分监控,35,神经网络简介,神经网络应用优势,具有自学习能力具有联想存储功能识；,具有高速寻优的能力能够同时处理定量、定性知识；,利用MR进行直放站室分监控,36,利用神经网络进行室内MR数据分离流程,利用MR进行直放站室分监控,37,利用神经网络进行室内MR数据分离流程,样本点要有明确的特征不能将混淆在一起无法标识室内室外的MR数据作为训练样本，所取样本应很明确的知道哪些样本点是室内MR、哪些样本点是室外MR，因此，在采集样本时候应在室内、室外分别采集。样本点要有代表性要选能够代表本地环境的样本区域进行采集。无论室内室外采样都应该结合本地特征，选择具有代表性的区域进行采集，从而使得训练后的神经网络系统在区分本地MR数据的时候准确度更高。,利用MR进行直放站室分监控,38,利用神经网络进行室内MR数据分离流程,针对符合筛选要求的训练样本点，对其分配为两部分；其一，学习数据，用来训练神经网络模型；其二，检验数据，用来检验神经网络模型区分的置信度。根据用户对置信度的要求，需要反复调整神经网络系统的参数，直至满足用户的置信度要求，即可用来对未知的MR数据进行分离，其分离的置信区间可从检验样本的检验结果获得。,利用MR进行直放站室分监控,39,利用神经网络进行室内MR数据分离流程,固化训练完成的神经网络系统的所有参数，对现网混合在一起的室内室外MR原始数据，利用已建立的神经网络系统进行判断，将室内MR数据从所有数据中分离出来,利用MR进行直放站室分监控,40,利用MR进行监控的流程,利用MR进行直放站室分监控,41,流程关键步骤处理方法,谢谢！,