基于海量数据的VoLTE用户语音感知系统研究

朱伟 艾怀丽 张桂荣 赵志扬 张晶 梅明涛

中国移动通信集团江苏有限公司

1 引言

随着移动推行“四轮驱动”融合发展战略，4G发展一直保持行业领先，2016年4G用户数和4G渗透率达到新高，2017年的目标是4G用户突破6.3亿，VoLTE用户突破1.5亿。VoLTE语音逐步成为用户通话的最基本选择。高质量的语音、更快速的接通给用户带来更好的体验的同时，对网络质量的要求也越来越高。差的VoLTE语音感知往往会引起用户投诉，一线的优化压力日趋增长。

图1 移动用户数及4G用户占比图

针对江苏多个重点城市VIP投诉详单抽样分析，语音质量类问题是影响用户感知的主要问题，占VoLTE投诉的70%+；其中4G弱覆盖、干扰等仍是影响用户感知的主要因素。

目前每天南京的VoLTE高清语音质量通话次数大约35万，未来五年随着VoLTE业务的建设和深入发展，VoLTE高清语音将成为主流，预计增长20倍到700+万通话/天，若VoLTE语音质量问题占投诉的70%，一旦等用户规模成倍增长，而VoLTE语音质量问题无法得到有效解决和闭环，等比20倍的投诉量增加将是灾难性的。

图2 VoLTE问题占比图

而目前结合现网优化经验，传统的KPI指标在网络性能较差的情况下能够反映网络问题，但是在网络质量提升到一定水平后根据KPI指标就很难真实的反映用户体验好坏，往往会出现传统KPI指标非常好的情况下用户体验并不好；更进一步的KQI指标有一定改善，但是从VIP投诉分析来看，还是存在MOS值满足要求，用户体验不好的情况。因此，针对传统KPI指标无法及时发现VoLTE语音质差并及时解决和闭环这个难题，需要一种新的方式能够识别VoLTE语音质量导致的客户感知差的问题，并能够推动促进问题高效解决。

2 基于海量数据的VoLTE语音感知系统实现原理

传统的网管指标最小粒度是5min粒度，没有反映用户听不清的指标，且无法表征真实的用户感知，本课题提出的VoLTE语音感知研究，基于反映用户听不清的吞字指标，对话音流进行切片，以5s为粒度进行分析，对比传统网管的5min粒度指标，解决了问题点因过粗的统计而湮没在样本中的问题。

2.1 关联原理

从用户体验入手，将VoLTE语音质差小区识别出来，排除终端、用户故障的干扰，并关联已有的无线侧其他系统定位的问题，实现自动派单，提供给网优部门处理。本研究课题通过三大步实现精准的质差小区定位。

图3 VoLTE语音质差小区原理图

2.2 第一步：质差用户如何表征

在3GPP LTE中，VoLTE业务编码有AMR-NB窄带和AMR-WB宽带两种编码，两种编码速率具有不同的话音质量，所以又分别称为VoLTE标清语音（或VoLTE 12.2kbps）和VoLTE高清语音（或VoLTE 23.85kbps）。

AMR-NB和AMR-WB这2种编码具有如下特点：

每20ms产生一个语音包，包括了RTP/UDP/RLC-Security压缩头；每160ms生成一个SID语音静默包。帧长20ms；普通人讲话的语速为每分钟120至180个汉字左右（新闻联播播音员的语速280到300字）。因此，普通人大概1个字占16～25个语音包。

用户语音质量体验差总结起来有三种感受：

吞字：感觉对方说话吐字不清，或者漏字。

断续：感觉对方说话时断时续，有明显停顿感。

单通：完全无法听到对方说话。

通过海量数据的分析，发现丢包是影响语音质差的关键因素。但是，是否语音质差,不完全取决于整体的丢包数量和丢包率，而取决于在具体时段的丢包数量。

经过对海量样本以机器学习算法研究，一般情况下的表现如下：

吞字：连续20个包，丢12个包。

断续：连续50个包，丢30个包

单通：丢包率大于80%。

其中断续、单通是比吞字更加严重的情况，吞字是否发生能够在一定程度上表征用户语音质量体验。下图是吞字发生在语音频谱上的典型体现：

图4 吞字语音频谱图

吞字表征语音质差相比IPMOS的优势：

前期我们用IPMOS来评估语音质量，但是其实通过统计指标加权综合评分，并不能够完全表征用户语音质量感受，通过对从南京市抽取的2348份通话记录进行对比如下所示，并不是所有IPMOS好的场景都不发生吞字。

图5 产生吞字的IPMOS值分布图

2.3 第二步：问题快速定界

基于用户、终端、小区等因素排查

（1）终端因素排查

故障终端按照小区维度动态监控，通过语音质差小区信息关联其小时维度ToP质差用户终端型号，一旦出现终端型号集中，应判断为终端问题。

经过大数据样本统计分析，正常情况下终端故障不会大面积集中出现。如下图7所示，取南京全网1天数据，最差的终端故障率仅为2.9%，日常VoLTE语言质差并没有因终端原因引起的。

图6 快速定界手段图

图7 TOP终端故障率图

（2）用户因素排查

为了避免在异常情况下由于某些特定用户导致的问题出现，质差小区信息中关联该小区下的故障通话次数、故障通话用户数，一旦出现故障通话用户数远小于故障通话次数，则判断为用户因素，因某些异常用户导致了大量的故障通话。

经过大数据样本统计分析，正常情况下Top质差用户不足以影响Top质差小区的识别。

图8 TOP质差用户排除图

（3）切换因素识别

通过大数据识别，将一天内数以千万计的通话情况、语音质量、切换情况关联。

图9 切换关联原理图

如下所示，识别出在切换情况中出现的语音异常的场景，识别出切换导致的语音质差问题。

图10 切换中识别出的语音异常的场景图

2.4 第三步：质差用户Top小区识别

基于大数据的Kmeans聚类算法将质差用户按照小区位置进行聚类，识别出Top质差小区。

图11 质差用户Top小区图

3 依托大数据手段对语音质差小区的精准定位和处理

3.1 关联无线传统派单，多维度反映5s质差Top小区原因

通过统计分析，大概30%的小区在业务体验差的情况下，会在传统的无线监控指标上有体现。因此，通过关联传统的容量不足、覆盖、干扰等无线指标，从多个维度反映该5s质差Top小区的原因，避免了传统派单中仅针对单一指标进行优化而导致的资源浪费问题，并能大大提升一线优化问题的处理效率。

3.2 根据大数据OTT定位信息，栅格化呈现质差具体位置

由于传统网优手段的限制，若无法用传统的网络监控KPI指标识别的问题，处理难度大。通过人工拉网排查成本高效率低。

因此，针对70%语音质差识别的无法用传统保障措施发现的故障小区，需要采用新的方法来解决——这就是基于软采数据的大数据OTT定位信息，如下图所示，基于高铁小区进行专项试点显示，通过这个方法能够精准的识别出现语音质差的具体位置，以及无线相关的具体信息，能够有的放矢地指导网优人员做精准专项优化。

图12 基于大数据OTT定位信息的栅格化辅助定位图

实际数据显示，基于语音质差故障栅格化呈现的方式，精准地完成了语音质差小区的优化。

图13 质差用户Top小区处理效果图

4 结论

本文针对传统的无线网络质量保障无法提升用户体验的不足，提出了基于5s切片技术的基于大数据的VoLTE语音感知系统。从表征用户体验吞字入手，自动实现问题定界，依次分析终端、用户、切换因素，将VoLTE语音质差小区精准识别出来。并关联已有的无线侧其他系统定位的问题，依托OTT定位栅格化信息，实现自动派单，提供给一线现场网优处理。目前该系统已在南京上线，质差小区具有很高的准确性，能够较精准地完成语音质差小区的优化。该课题对于一线优化生产将带来很大帮助，具有全国推广的意义。