基于VoLTE失败原因分析的定性定量研究方法探索

刘兵

摘 要：在现阶段的网优工作中，各大运营商越来越重视从数据中挖掘相关的知识，特别是在如VoLTE优化这种涉及众多网元和协议，告警信息繁多，出处与发生时间错综复杂相互交织，并缺乏相关错误流程分析的统一认知和经验的情况下，产生了利用定性定量的统计分析方法解决通信优化疑难问题的应用背景。本文即针对VoLTE的SIP-503错误尝试使用定性定量的统计方法对问题发生的原因进行探索性的描述和解释。

关键词：VoLTE 优化;定性研究;定量研究;统计建模

1 概述

随着LTE网络的大规模建设，LTE网络承载了越来越多的手机用户业务，基于IP传输的VoLTE业务也迅猛发展，截止2018上半年，中国移动全网VoLTE用户数已超过2.5亿，VoLTE用户在4G的占比为30.9%;支持VoLTE终端已达600余款，芯片平台已达到29款，VoLTE迎来了加速发展时期，但也同时面临着巨大的优化压力。特别是与无线侧原因关联较大的SIP-503错误，由于其原因复杂，如外部邻区、帧头偏移未对齐导致的干扰，传输时延、切换并发等问题都会导致SIP消息报错，尤其是SIP消息报错的时间点之前eNB就发起了异常的信令释放，给问题的排查又增添了难度。本文聚焦于VoLTE SIP-503错误分析，希望借由传统统计领域的定性定量分析方法探索新的观察问题的视角，启发新的思路。

2 传统的VoLTE失败分析现状

移动传输网络不断演进，目前主流的是LTE网络，一方面LTE网络为手机用户提供了更大的上网带宽，另一方面LTE网络本身并没有传统2、3G网络所具有CS域，只能借助IP化的VoLTE满足用户的语音通话需求，但是对于LTE网络覆盖薄弱的地区，为了使通话用户正常通话，不发生通话失败，必须能使用户的通话从LTE网络切换到传统的2、3G网络CS域，这就不可避免的出现多代网络设备叠加互通的情况，往往发生通话失败时，无法简单的从一点甚至从一个网络域内发现失败发生的原因，传统的VoLTE失败分析主要借助建立相关的场景对问题进行分类，一个场景下可以关联多个网络域的结点，利用工程师的业务知识和常年积累的对移动通信网络核心测以及无线侧的经验，综合判断，以解析问题发生的原因，这种方法不失目前最有效的方法，但是问题定位的准确度和时效度，都严重依赖于优化工程师基于经验的主观判断，而其中的问题发生时是否蕴含着某些量化规律，目前即使最有经验的优化工程师也无法给出答案。本文的主旨就是针对这种量化规则的发现做一些有益的探索和尝试。

3 定性研究与定量研究概述

定性分析法是是对事物的质的规定性进行分析研究的一种科学分析方法，定性分析方法与定量分析方法相对的。定量分析法（quantitative analysis method）是对现象的数量特征、数量关系与数量变化进行分析的方法。主要要分为以下几类：比率分析法、趋势分析法、结构分析法、相互对比法、数学模型法。我们将使用定性分析之聚类方法以及定量分析之数学模型方法分别对小区及行政区两个维度的VoLTE SIP-503错误原因进行分析。

4 VoLTE失败原因的定性定量分析

4.1 观测数据生成

此次采用的VoLTE相关数据体量非常庞大，而缺失数据频繁出现，数据字段类型多样，，尤其是数据中存在大量分类字段，包含较长的文字性描述信息，所以必须在使用之前对数据进行必要的清洗、抽取、过滤、编码、以及汇总（统计频次）。我们汇总的数据分别为小区和行政区维度两批数据，之所以分为两批数据，是由于以下两个原因：①将小区维度的数据应用于聚类分析，正好契合传统分析方法在分析无线侧原因时习惯将小区作为分析对象，以快速定位小区资源分配以及参数配置的问题;②将行政区维度的数据应用于数学模型方法是由于小区维度的数据在进行503过滤后较难形成饱满的观测数据，行政区维度的数据恰好可以满足我们从更宏观的角度理解失败原因的数量规律。由于失败原因等信息是较冗长的文字描述，而且本文主要是一种方法的介绍，在本文后面的内容将统一引用编号来来代替实际的数据字段。

4.2 小区维度失败原因定性分析

本小节我们介绍使用定性分析的一种常用方法-聚类方法来分析小区维度的频次汇总数据，我们采用的是层次聚类方法，同时也会引入几种对于聚类结果的呈现和分析的方法供大家参考。首先介绍一下层次聚类（Hierarchical clustering），层次聚类是在不同的“层次”上对样本数据集进行划分，一层一层地进行聚类。就划分策略可分为自底向上的凝聚方法（agglomerative hierarchical clustering），比如AGNES。自上向下的分裂方法（divisive hierarchical clustering），比如DIANA。下面是层次聚类的关键步骤：通过汇总我们得到2万余条待聚类的小区级观测样本数据，对于层次聚类来说：（1）初始化：把每条观测样本各自归为一类，计算每两个类之間的欧式距离，也就是观测样本之间的相似度。（2）寻找各个类之间最近的两个类，把它们归为一类，从而使总类的数量减少。（3）重新计算新生成的这个类与各个旧类之间的欧式距离。（4）重复（2）（3）步，直到所有的样本都归为一类，步骤结束。通过上面的方法得到6个较为突出的聚类，分别是Clust01至Clust06，其中Clust02是数据量占比最大的聚类，相对Clust02以及Clust3，其余的聚类数据量比较小，初步判断观测数据特征应该比较集中。这些比较集中的聚类将是我们主要的分析对象。下面我们通过聚类数据指标的均值分布图和变异系数分布来考查这几个聚类是否有各自较为显著的特征。下图是小区维度数据聚类指标均值，这种呈现方式有利于发现聚类内部的一些明显的特征。

图1是小区维度层次聚类指标均值分布图，通过对各分组数据进行统计得到各组各指标的均值，均值情况呈现在图1柱图中，图中的深度轴为clust1至clust6，横向轴为指标，高度轴为均值，从右图可以看到在clust1的小区中，主叫方向计数值和dev_VoLTE计数值呈现双高的情况，这可能意味着支持VoLTE的终端在主叫时出现503失败较多。而在clust6中，dev_IOS终端在出现跨IMS时较多出现finish_cause21的503错误，也就是Bearer Released。变异系数是在统一的量纲下考查数据离散程度的统计指标，从变异系数可以看到clust1和clust6相应指标的离散程度相对并不很高，我们初步认定通过均值观察的情况应该属于较为普遍的情况。至此我们完成以定性方法研究小区维度失败分析，下面我们要对行政区维度的失败原因进行基于数学模型的定量分析。

4.3 行政区维度失败原因定量分析

在进行数学建模之前，我们仍需回到业务逻辑，仔细审视我们的问题，通过业务专家的业务知识和经验建立指标之间的业务关系，由于VoLTE失败原因错综负载，涉及网元众多，也见于目前对于VoLTE失败有限的业务知识，为了后续的定量分析，我们不妨通过有限的业务知识大胆假设，再通过统计方法仔细求证，已达到在数据中发现知识的目的，我们的基本思路是，internetype5、direction1、direction0，以及各个终端指标都将影响finish_cause指标，而finish_cause之间也会相互影响，基于上面的假设，我们将得到指标之间的关系模型。下图是假设关系模型图。

下面利用定量分析方法对上面的指标关系假设建模，如果业务知识充分，在建模过程中需要不断利用业务知识调整假设关系。在这里我们使用混合效应方法依据假设关系模型来对数据进行拟合建模，下面是我们得到的模型方程组。

此处模型保留了影响明显的自变量系数，系数的含义是每增加或减少一单位的自变量，就会增加或减少系数倍单位的因变量，例如finish_cause19 的方程，我们看到finish_cause1对其影响很大，一单位的finish_cause1会引起1.2倍单位finish_cause19 的下降，这说明这两个指标存在明显互斥的负相关。又比如finish_cause27 和finish_cause23之间存在明显的正相关关系。至此我们成功建立了定量分析的数学模型，该模型已可以清晰的反应我们之前依据业务知识得到的假设关系模型的数量关系。

5 应用前景

本文基于VoLTE失败原因分析提出了定性定量的两种方法，方便优化人员理清思路，后一种数学模型的定量分析则在前者的基础上确立了数量模型，使问题原因更加清晰，更有利于对问题的解释，该方法将对复杂网络问题解释带来新的视角，因此有广阔的应用前景。

6 结语

一切的统计方法都不是万能的，业务经验和知识作为前提才能发挥作用，但是统计方法就如一只有力的大手能带领我们冲出重重的迷雾，带来更广阔分析问题的视野。

参考文献：

[1]楊君，李雯.VoLTE技术中基于失败定界分类的eSRVCC切换优化方法研究[J].移动通信，2016，40（18）：8-15.

[2]蔡伟祥.VoLTE关键技术及网络优化研究[J].信息通信，2017（3）.

[3]李晨阳.VoLTE网络优化中的关键问题研究与实践[D].

[4]刘满芝，周梅华，吕雪晴.基于因子分析与聚类分析复合模型的市场细分研究——以移动通信行业为例[J].管理案例研究与评论，2009，2（2）：136-141.

[5]曹均伟，李凌.经济学的定性分析与定量分析：争论与融合[J].会计与经济研究，2007，21（3）：57-64.