移动通信网络智能优化研究

摘要：面对日益复杂的移动通信网络，智能化是未来网络自适应优化技术的发展方向。在自适应优化方案中采用机器学习算法，使网络具有智能，能够根据环境和状态的变化协调各种优化目标，实现最优参数配置。本文在分析常用的机器学习算法的基础上，结合对未来网络数据特征的梳理，提出了初步的网络智能优化技术框架和步骤，并对各种网络优化功能下所适合采用的机器学习算法进行分类整理。

关键词：网络自组织；5G；机器学习；自适应优化；智能优化

1引言

移动通信与人们的工作和生活密切相关，而人们对于更高性能的移动通信网络的需求也在不断提升。根据预测，未来移动通信网络，例如第五代移动通信系统（5G），将能够提供可媲美光纤的数据传输速率，并且在端到端时延上希望能够达到“无感知”的程度。为了实现这样的性能要求，不仅需要从物理层和网络结构上进行革新，例如采用大规模天线以及密集部署各种类型的低功率节点（LowPowerNodes，LPNs）形成异构超密集网络（Ultra-denseNetwork，UDN）等，也对现有的网络自适应优化（Networkself-optimization）理论和方法提出了严峻挑战。现有的网络自适应优化理论和方法是网络自组织（Self-organizingNetwork）的一个重要组成部分，指的是网络在运行过程中，通过监测网络重要性能指标随时间的变化，自适应地调整基站和其它网络设备的参数配置或相关的资源管理策略，以尽可能达到提升网络性能的目的。然而，现有的网络自适应优化理论和方法在面对日益复杂的移动通信网络时，为了实现超高数据速率和超低时延的性能要求，却存在诸多问题，面临诸多挑战，主要表现为：现有网络自适应优化理论和方法基于被动响应方式，无法满足未来通信网络超低时延的需求。现有网络自适应优化理论和方法中，优化目标和网络参数之间的适配关系通常是预先设定的，无法满足未来网络复杂多变的网络状态特性。现有网络自适应优化理论和方法通常针对某一特定的单一优化目标进行，无法满足未来通信网络多目标协同优化的需求。现有网络自适应优化理论和方法对网络中的数据利用不充分，利用的数据资源过于单一，缺乏智能性。为了解决上述问题，需要对现有的网络自适应优化理论和方法进行革新。

2现有网络自适应优化技术

所有的移动网络运营都会设置某种形式的网络管理系统来维持网络的正常运行。一个典型的网管系统连接所有的网元和子网元，甚至可以到达基站的单板，并在运维人员的介入干预和指挥下，有针对性地解决网络出现的问题和故障。移动网络的巨大规模决定了网管系统经常同时运行数百个网络故障检测处理进程和基于关键性能指标（KeyPerformanceIndicators，KPIs）的质量管理进程。同时，还要有许多的有经验的工程师和维护人员控制操作维护中心（OperationandMaintenanceCenter，OMC），使得移动网络的运行平稳正常。随着网络规模的持续增长和技术复杂度的提高，单纯靠人工方式运维移动通信网络的复杂度和成本变得越来越高。此外，针对经常快速变化的网络运行状况，网络运维参数的人工调整过程将不可避免地导致较长时延，使得无线网络不能提供最优的性能。为了降低运维成本，提高运维效率，网络自组织（Self-organizingNetwork，SON）技术应运而生。广义的SON一般被定义为运营商用来管理和控制移动宽带网络的一系列功能和特征，不需要人为干预的自动化操作来提升运营效率，降低运营复杂度。狭义的SON被定义为用于第三代移动通信合作伙伴计划（ThirdGenerationPartnershipProject，3GPP）和LTE（LongTermEvolution）中的自动化网络运营功能，由3GPP来对SON进行标准化，由“下一代移动网络联盟”（NextGenerationMobileNetwork，NGMN）从运营商角度对SON的长期目标和远景进行规划和展望。自组织网络包括自配置（Self-configuration）、自优化（Self-optimization）和自治愈（Self-healing）三大功能。本文主要讨论网络自优化。网络自优化是指网络在运行过程中通过监测网络重要性能指标随时间的变化，自适应地调整基站和其他网络设备的参数配置或相关的资源管理策略，以尽可能达到扩大覆盖范围、增加系统平均和边缘容量、抑制干扰、减少能耗、提高切换和随机接入成功率、满足用户QoS需求等目的。根据3GPP协议TS32.521的描述，对于特定的优化目标（如容量、覆盖自优化等），网络自优化的总体流程如图1所示。自组织网络在无线网络的覆盖和容量优化、无线干扰优化、切换和负载均衡优化、节能优化等方面都有广泛应用。由图1可以看出，目前的网络自优化通常采用被动响应的方式，智能化程度不高。但是，自组织技术的终极目标则是能够高效地实现对自身进行完全自动化的组织和管理。因此，提高自组织技术的智能性是自组织网络的一个重要发展方向。

3未来移动通信系统智能优化技术

3.1机器学习算法简介。1997年，TomM.Mitchell在“MachineLearning”一书中给出了机器学习的经典定义“计算机利用经验改善系统自身性能的行为”。经典的机器学习理论有很多种，一般归为3类：有监督学习（SupervisedLearning）、无监督学习（UnsupervisedLearning）和半监督学习（Semi-SupervisedLearning）。有监督学习类似于人们在老师监督下的学习，是一种在结果度量（OutcomeMeasurement）指导下学习的过程，训练的学习网络通过最小化定义的代价函数而得到输入和输出之间的映射关系。常见的有监督学习包括贝叶斯网络、神经网络、决策树、支持向量机等。无监督学习有时候也被称为自组织学习，在无监督学习中没有结果度量，也不需要目标变量或者训练数据集，系统通过与输入的交互来优化参数，通常基于主成分分析（PrincipalComponentAnalysis，PCA）或者聚类分析。博弈论就是一种应用非常广泛的无监督的机器学习方法。此外，1981年芬兰Helsink大学的T.Kohonen教授提出的自组织特征映射网（Self-OrganizingMap，SOM）也是一种无监督的机器学习方法。在传统的机器学习理论框架中是没有半监督机器学习的，但是半监督的机器学来却逐渐成为一个研究热点。这是因为，在有监督学习中需要利用已标识数据，而无监督学习中只需要利用未标识数据。在大数据时代，绝大多数的数据属于未标识数据，而已标识数据需要人的参与，耗时耗力，也容易出错。所以，在现实世界中，未标识数据的数量远大于已标识数据的数量。如果不能充分利用这些未标识数据，学到的模型的泛化能力可能会较差，还会造成数据的浪费；如果像无监督学习一样只使用未标识数据，就会浪费已标识数据的价值。而半监督学习就是研究如何综合利用少量已标识数据和大量未标识数据，获得具有良好性能和泛化能力的学习机器。强化学习（Reinforce-mentLearning）就是一种主要的半监督学习方式。近年来出现的迁移学习（Trans-ferlearning）也可以看作一种半监督的学习方式，学习节点动态地选择自己的“指导者”，这个指导者是和自己在网络环境等方面具有最高相似度和相关性的节点。因此，“指导者”节点已经获得的学习结果就可以直接转移给学习节点，从而极大地降低了复杂度和提高了收敛速度。常见的机器学习算法分类见图2。3.2未来移动通信网络数据。移动通信网络中蕴含海量数据，想在未来的网络自优化技术中充分利用这些数据资源，设计更为智能的网络自优化技术框架，首先要对网络中究竟存在哪些数据资源进行详细梳理。表1列出了对移动通信网络中各种数据的一个简单分类举例。首先，可以将其分为用户层面和网络层面（这里的网络层面主要指无线网络，核心网的内容暂时没有考虑）；从另一个层面，还可以将数据划分为体现性能的数据、体现能力/配置的数据、体现状态的数据3类。表1只是列出了移动通信网络中可用数据资源的极小部分，但是也可以看出，可用的数据资源是非常多也非常广泛和复杂。例如，从数据的时间维度来说，有的数据更新时间在毫秒甚至微秒的量级，例如快衰落造成的信道变化，有的则是按照天甚至月的时间量级在变化更新，例如由时间、季节等造成的小区负载的变化等。图3例举了各种不同的数据在时间维度上的区别。值得注意的是，在现有的网络自优化文献中，绝大多数利用的都是较短的时间维度的数据，对于较长时间维度的数据，利用的较为不充分（一些负载均衡的文献中有所利用，但是大部分缺乏预测性）。而充分利用这些数据，利用机器学习的理论，将有可能实现更加智能、高效的网络性能优化。3.3未来移动通信网络智能优化框架。从表1的分析可以看出，表中所列内容是相互关联的，在网络自优化功能中，实际上是根据“体现状态的数据”，调整“体现配置的数据”来实现优化“体现性能的数据”。由于数据种类众多，相互之间关系复杂。首先，性能指标和网络配置参数之间不是一对一的关系，网络的某个性能指标通过调整不同的参数都可以得到类似的结果，某些参数的调整也会影响多个性能指标；并且最优的网络参数配置是依赖于网络状态的，在不同的状态（或者状态组合）下，得到优化的性能指标所需要的配置参数是不同的。这种复杂的对应关系在大数据环境下不太可能以人工完成，需要利用数据分析、关联、聚类等机器学习理论加以解决。首先，需要在庞大而复杂的数据中建立起各种性能指标与各种配置参数之间的对应关系，而且这种对应关系是动态变化的，需要动态学习优化；其次，需要对对应相同的性能指标的不同参数进行关联度分析，即每种参数与这个性能指标的关联程度分析。这也是需要动态学习优化的，因为这也是依赖网络的状态的，在某些状态下可能某些参数的关联度高，在某些情况下可能另外一些参数的关联度高。然后，要根据分析得到的关联度进行排序，从而确定出在当前网络状态下优化某种性能指标最优的参数配置列表。另外，还要分析出当前最需要优化的指标是什么。在这个过程中，需要关注冲突的协调。明确了当前的优化指标以及要优化这个指标所需要调整的参数列表之后，需要运用智能且高效的学习理论和方法得到最优的参数值配置方案。根据以上分析，可以对未来移动通信系统中基于大数据的智能网络自优化框架进行设计（见图4）。涉及到的步骤如下：步骤1：从未来移动通信网络中收集各类数据步骤2：对收集到的各类数据所组成的大数据进行清洗和简单的整理分类收集到的各类数据不仅数量巨大，还具有非结构化的特点，需要依靠大数据的专业技术进行初步整理。这部分工作可以选用一些大数据商用软件进行，在本课题中不作为研究内容。表1移动通信网络中可用于网络自优化的参数举例图3数据的时间维度距离步骤3：建立性能指标与配置参数及状态参数间的对应关系这一过程是框架的重点内容之一，需要实现的功能包括：建立性能指标与配置参数的对应关系如前所述，网络的各种性能指标与网络配置参数之间的对应关系通常是多对多的复杂对应，而不是一对一的简单对应关系。在未来基于大数据的网络自优化方案中，需要通过一些大数据分析、聚类等技术建立这种复杂的对应关系。对影响相同的性能指标的多种参数进行关联度分析虽然多个网络配置参数都会对某一项性能指标产生影响，但是影响程度，或者说关联程度是不同的，需要进行关联度的分析。并且，这种关联程度是根据网络的状态而改变的，也即不同状态的情况下，关联程度可能是不同的，因此需要进行动态的学习和分析。对影响相同的性能指标的多种参数进行关联度排序关联度排序的目的是为减少后续网络优化的复杂度，通过排序，可以选择关联度高的参数（可以是多个）作为优化某一性能指标的途径，实现降维。冲突协调上述步骤为冲突协调也提供了必要的准备，在此基础上，可以根据需要进行联合优化等冲突协调处理。步骤4：明确优化目标以及优化途径根据网络的状态和性能指标，需要首先明确当前的优化目标具体是哪一项或者哪几项。其次，还要根据步骤3的结果，确定为了优化该性能指标需要调整的网络配置参数列表。在步骤3和步骤4中，需要利用大数据分析、聚类等算法，例如数据挖掘中的关联分析、Apriori算法、频繁模式增长FP-growth算法、主成分分析PCA等。具体算法将在后续研究中进行设计比较。步骤5：通过机器学习确定最优网络参数配置在步骤4的基础上，已经明确了要优化的性能指标，以及优化这一性能指标所需要调整的参数列表，接下来的任务就是如何根据网络的状态得到最优的参数配置值。这一部分需要利用机器学习的方法进行，接下来将讨论在网络自适应优化中应用各种机器学习算法时需要考虑的因素，以及各种机器学习算法所适用的自适应优化领域。步骤6：根据步骤5的结果调整网络中的参数配置结束。3.4网络智能优化中机器学习算法分析。各种机器学习的算法应用于不同的智能优化领域时，需要考虑可扩展性、训练时间、响应时间、训练数据大小、复杂度、准确性、收敛时间以及收敛可靠性等性能。而不同的优化目标下对各类性能指标要求并不相同，例如移动性管理以及切换优化对于训练时间、响应时间以及收敛时间的要求很高，缓存优化需要准确地决定在合适的时间合适的地点缓存合适的内容，因而对算法的准确性要求较高。根据不同算法在各个性能指标方面的优劣，表2给出了目前研究中各个智能优化领域常用的机器学习算法。

4结束语

未来移动通信系统功能更加强大，网络结构更加复杂，现有的网络自适应优化理论和方法在面对日益复杂的移动通信网络时，需要提高其智能性、主动性。本文分析了各类机器学习理论和未来网络中的数据特点，提出了初步的智能优化框架，并对各类机器学习算法在不同的网络优化领域的适用性进行了分析。

参考文献

[1]IMT-2020推进组.5G愿景与需求白皮书.2014(5).

[2]彭木根,李勇,梁栋,等.宽带移动通信系统的网络自组织(SON)技术[M].北京邮电大学出版社,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:顾昕钰 单位:北京邮电大学