机器学习算法在业务卡顿根因分析中的应用

徐 青，宋 琪，鲁志强

（中国联通四川省分公司，成都 201806）

1 引言

业务卡顿率是重要的端到端评判指标之一。在无线侧，如何将抽象的卡顿率映射到常用无线KPI是难点。通过深入分析发现基站下行时延指标与卡顿率相关性最强，时延越大卡顿率越高。本文重点阐述以基站下行时延为优化目标，使用决策树算法，找出影响该时延的基础指标并量化其重要度，判定合理门限，指导一线网络优化并取得了良好效果。

2 决策树算法与模型评估

决策树是一种基本的分类与回归方法。决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。主函数本质上是个递归函数，该函数主要功能是根据某种规则生长出决策树的各个分支节点，并根据终止条件结束算法。数据输入为分类的数据集和类别标签。划分过程：①依据信息增益进行特征选取和分裂，得到最优的划分特征，并创建特征的划分节点。②按照该特征的每个取值划分数据集为若干部分。③根据划分子函数的计算结果构建出新的节点，作为树生长出的新分支。④检验是否符合递归终止条件。⑤将划分的新节点包含的数据集和类别标签作为输入，递归执行上述步骤。

模型评价指标：精度Accuracy、查准率Precision、召回率Recall、F 值。

3 针对单小区的分析

3.1 特征选取

根据优化经验，选取部分基础KPI作为特征输入，如下行平均PRB利用率、上行平均PRB利用率、CQI等。

3.2 模型参数调整

自变量：多项KPI指标（特征输入）。

因变量：基站下行时延，判定门限100ms。

数据量：739条（记录来自单小区）。

通过多轮参数仿真，发现参数Criterion=’entropy’，max_depth=4，class_weight=none，仿真效果最佳。

3.3 输出

结果显示下行PRB利用率重要性68%，CQI+offset重要性15.75%，这样就直接为优化指出了方向：首先要采取措施降低下行负荷，其次优化下行无线质量。

图1 决策树图

3.4 无线优化后结果

根据分析结果，对该小区实施了针对性的优化（调整业务均衡参数，将业务分担到第2载波，降低PRB利用率；调整第一小区的方向角避免和第二小区相互干扰，增加小区最大发射功率的同时降低参考信号功率），效果良好，基站下行时延由60ms下降到30ms，卡顿率明显降低。

3.5 批量小区分析和优化

使用相同的方法，进一步选取了卡顿率较高的10个小区进行分析和优化，总体取得了良好的效果。

表1 选取卡顿率较高的10个小区进行分析和优化

4 针对全网的分析

自变量：KPI指标（4项），样本判定门限100ms。

因变量：基站下行时延。

数据量：100万条（记录来自全网所有小区）。

不论模型参数如何调整，训练集和测试集的R值和F值都很低，说明整网没有普适的模型，也说明每个小区都有不一样的参数、覆盖环境、用户分布等，需要各自建立模型。

5 结束语

基站下行时延指标可以作为日常优化中卡顿率的替代指标（仅限无线原因导致的卡顿），用决策树算法可以量化分析影响基站下行时延指标的原因，输出重要度用于指导无线优化；可以筛选出准确度较高的辨别规则门限值。整网不能作为一个统一对象进行分析，没有普适模型，需要对每个小区进行精准分析。