基于感知高负荷小区的快速响应策略研究

［肖小潮 王臣昊］

1 引言

随着4G网络建设和业务推广，网络的主要问题已经从覆盖转为容量，用户在使用网络过程中更多的因为容量感知而产生投诉。以S市为例，自2018年下半年新增用户不限量套餐推出后，4G日均流量增长了近100%，无线利用率高达45%，日均高负荷小区数达2000多个。后续随着流量经营及新业务的发展，预计网络流量仍将持续增长，网络负荷问题将更加严峻。如图1所示。

图1 网络负荷及无线利用率情况

另外，由于用户业务分布的潮汐波动性，导致高负荷小区也存在较大的时间和空间上的波动性[1]。每周出现频次小于3次的高负荷小区约占40%，且每天出现高负荷的小区时段也不固定；地理分布上没有明显的地域特性，较为分散。目前对高负荷小区的处理主要依赖人工手动核查问题站点的软硬件资源、临时调整软件资源做脚本扩容，处理效率低极，平均每天每个人仅能处理高负荷小区13个左右；对涉及到软件资源腾挪调整的，单小区扩容时长需近4个小时。由于高负荷小区数量多、突发波动性强、处理时长长，如何从众多高负荷小区中挑选出对用户感知影响最为严重的小区并进行快速处理成为我们亟需解决的难题。

2 感知高负荷小区的处理思路

2.1 感知高负荷小区的选取

对高负荷小区进行性能分析，不难从中挑选出8个网络指标与用户感知强相关：小区内的最大用户数U、小区内的平均用户数U'、上行信道PRB平均利用率R、下行信道PRB平均利用率R'、控制信道CCE利用率E、空口上行流量（GB）D、空口下行流量（GB）D'、小区用户面下行平均时延（ms）L。

基于上述8个指标对用户感知的不同影响程度，在一般场景下，我们对众多高负荷小区进行加权打分计算：

考虑到各个维度的指标在不同场景下对用户感知的影响程度不同，为此，我们在上述打分的基础上，根据不同场景下用户感知最易受限维度的差异性，对相关的受限维度进行不同的比例加权修正，如表1所示。

表1 不同场景下各感知指标的加权比例

加权后各场景下高负荷打分公式为：

（1）农村宏站：

（2）密集高校：

（3）节假日景区、交通枢纽：

（4）居民区：

如表2，根据分值β对众多高负荷小区进行打分及高/中/低优先级分类，从而完成从众多高负荷小区中挑选出对用户感知影响最为严重的小区。

表2 高负荷处理优先级与β打分值的关系表

2.2 感知高负荷小区的处理

对β值高于1.5的感知高负荷小区的出现时间段进行规律分析，发现大部分小区出现时间段集中在晚间且较为稳定，白天出现的感知高负荷小区数较少且多为突发。为此，对高优先级感知高负荷小区的处理，可以根据出现的时间段采取不同的处理手段。白天出现的少量突发的感知高负荷小区应通过缩小监控粒度，及时进行小区均衡及动态扩容[2]；晚间出现的感知高负荷小区在参考白天高负荷小区处理方法的基础上，重点应提前做好软硬件资源准备并进行固化，在高负荷瓶颈出现前提前做好预前处理，如图2所示。

图2 高优先级感知高负荷小区的时间分布

2.2.1 小区均衡

随着网络资源的逐渐加厚，感知高负荷小区所服务的高业务区往往存在多个基站小区同覆盖的情况。为了快速地缓解高负荷现象，要求我们需快速地找出与感知高负荷小区相关联的周边邻区并做好均衡操作[3]。为此，我们从小区间的关联性出发，定义了业务相关性Z和干扰相关性T两个系数，并依据这两个相关性系数做出相应的小区间均衡操作。

综合考虑小区间业务相关性在网络侧的体现[4]，我们根据测量报告（MR）数据获取感知高负荷小区下上报的某一特定邻区的次数为A，A次数越多代表该邻区与感知高负荷小区同覆盖的采样点越多，能够帮高负荷小区分担更多的业务；邻区上报中的总邻区次数为A'；网管数据获取感知高负荷小区与某一特定邻区的切换次数为C，C次数越多代表该邻区与感知高负荷小区的互操作相关性越强；网管数据获取感知高负荷小区总的切换次数为C'；通过基站经纬度获取两个小区间的距离为D（km）。对上述几个维度的指标进行如下计算，便可得到感知高负荷小区与某一特定邻区的业务相关性：

如表3所示，以感知高负荷小区（PCI 267，频点38400）为例，计算得到的周边邻区的业务相关性系数如下：

表3 某一感知高负荷小区与周边邻区的业务相关性系数

基于不同的业务相关性系数Z，我们对相应的小区做出如下操作：对于Z大于0.3的小区，优先进行功率调整及邻区核查，确保该小区与高负荷小区的邻区关系已添加，通过进一步调整邻区的功率来吸收更多的同覆盖业务；对于Z值介于0.15和0.3之间的小区，优先进行负载均衡及互操作参数调整，旨在该小区能为感知高负荷小区承担更多业务；对于Z值小于0.15的小区优先进行小区参数核查，查看是否能进一步增强跟感知高负荷小区的关联性从而进行相关均衡操作；

综合考虑小区间干扰相关性在网络侧的体现[5]，我们根据测量报告（MR）数据获取感知高负荷小区下上报的某一特定邻区的采样点中，满足邻区的电平与高负荷小区的电平值相差小于6 dB的采样点个数为L，L次数越多代表该邻区与感知高负荷小区的电平差异性越小，邻区对高负荷小区的高业务信道干扰风险越大；A为感知高负荷小区下上报的某一特定邻区的次数；另假定感知高负荷小区PCI为P1，邻区PCI为P2，若P2与P1存在MOD 3干扰的，则认为邻区对高负荷小区有高CRS干扰。对上述几个维度的指标进行如下计算，便可得到感知高负荷小区与某一特定小区的干扰相关性：

以感知高负荷小区（PCI 267，频点38400）为例，计算得到的周边邻区的干扰相关性系数如表4所示。

基于不同的干扰相关性系数T，我们对相应的小区做出如下操作：对于T大于0.25的小区，考虑主要为邻区对高负荷小区存在模3干扰，优先进行频点或者PCI的优化调整；对于T小于0.25大于0.05的小区，考虑主要为存在重叠覆盖的干扰因素，优先进行天馈及功率调整。

2.2.2 快速扩容

对感知高负荷小区的快速扩容，主要涉及到扩容所需软硬件资源的核实、软硬件资源的准备、扩容脚本的制作执行三大环节。其中，扩容所需软硬件资源的核实，目前我们已基于小区的基础工参、物理拓扑结构等信息，对所需的软硬件资源实现实时呈现；对扩容脚本的生成制作，目前已通过winform平台开发相关工具实现智能生成和执行；为此，为实现对感知高负荷小区的快速扩容，重点在于解决软硬件资源的准备环节。

表4 某一感知高负荷小区与周边邻区的干扰相关性系数

对软件资源的准备，往往需先由网优工程师从现网其他空闲站点缩出相应资源到共享资源池，再通过产品工程师线上申请，将对应资源重新加载到感知高负荷待扩容小区上。整个环节涉及到的时间较长，约为2～3小时。鉴于软件资源的跨站调整费时较长，为此，我们将软件资源的调度由全网式站点搜索调整为共站不同小区间。借助共站小区间的潮汐效应，实现站点内软件资源的快速复用调度。

如表5所示，以X站为例，其长期存在感知高负荷且业务量较高，但对X站的不同小区不同时段进行β值打分分析，发现X站6_1小区的忙时为11点～14点，X站4_3小区的忙时为1点～4点，两个小区间存在潮汐效应。为此，通过潮汐调度软件资源的方法，即11点前将X站4_3小区的软件资源调给X站6_1小区，1点前将X站6_1小区的软件资源调回给X站4_3小区，我们实现了对两个小区的快速扩容，有效解决了用户感知差问题，新增激发了140 GB流量。

表5 共站感知高负荷小区间的潮汐效应

对硬件资源的准备，主要包括两种情况：一种为有F频段无D频段设备的需增补D频段RRU；另一种为有D频段设备但前传网络资源不够需扩双光纤解决的。考虑到增补D频段设备的周期较长，为此，对有F频段无D频段设备的待扩容小区，我们选择将F频段的能力发挥到最大化，如图3所示，通过虚拟软劈裂F频段[7]，实现对一台F频段主设备虚拟分裂出2*F1+1*F2+1*A合计4个小区；对于由于前传传输网络资源不足需扩双光纤的，我们通过对D频段设备进行降通道扩容操作来缓解传输瓶颈，从而实现单光纤开3载波的快速扩容方案，其中3载波为2个20 M带宽的4T4R小区以及1个20 M带宽的8T8R“假”双拼小区。

图3 感知高负荷小区虚拟软劈裂示意

另外，对于晚间出现的大部分感知高负荷小区，考虑其出现频次较高且较为稳定，为此，在采取类似于白天突发高负荷小区的处理手段基础上，可以考虑优先对这部分小区进行扩容硬件资源的固化，主要包含增加双光纤、基带板等操作，其中，常遇见的瓶颈主要在于基带板的缺口较大。事实上，现网各个站点在开通的过程中，基带部分往往是集中放置在几个机房内的，且配置的基带板卡资源是按照单站点来匹配的。若把同个机房内的几个站点的基带资源作为一个整体进行规划，则可以节省出相应的基带板卡[5]。

如图4所示，假设同一机房内有3个满配站点，即单站均配置为3个小区*单小区（3*D+2*F），合计15个载波。为了满足上述配置，在单基带板卡默认支持6个载波的情况下，每个站点的基带部分均配置了3块基带板。现将同一机房作为一个整体来看，机房内合计有45个载波，配置了9块基带板卡，而实际上45个载波仅需8块（ 45/6 取上整）基带板，可节省出1块基带板。

图4 机房合并省基带板的示意

为此，我们针对感知高负荷小区所属的机房进行梳理，按照整体规划进行合并，并在此基础上优先将流量互补性高的站点集中放置在同一基带池下，这样在最大化节省出基带板卡资源的情况下，可通过潮汐软件动态调整来实现软硬件资源在小区间的共享。

3 研究成果应用

基于影响用户感知的8维指标搭建起的β打分法，对S市小区进行分类，共梳理了2765个不同优先级的感知高负荷小区。对这些小区经过机房基带池整合，合计节省出500块基带板硬件资源，潮汐调度节省了1478个软件资源。通过上述均衡、快速扩容等手段合计解决了2572个小区，使全网流量成倍增长的同时，感知高负荷小区占比保持基本不变，很好的改善了用户感知。同时，结合多维度智能化、自动化举措，目前对感知高负荷小区的处理能力已从平均每天每个人仅能处理高负荷小区13个左右提升到300个，效率提升了220%。

图5 策略应用效果

4 总结

近年来随着4G网络建设和业务推广，网络的主要问题已经从覆盖转为容量，用户在使用网络过程中更多的因为容量感知差而产生投诉。而网络容量负荷小区由于数量多、突发波动性强、处理时长长等因素，要求我们必须精准挑选出那些对用户感知产生影响较为严重的小区并进行快速处理。为此，我们基于影响用户感知的8个维度指标搭建了小区容量打分模型，梳理出最为影响用户感知的高负荷小区。为实现对这些小区的快速处理，在监控智能化、执行脚本自动化的基础上，我们重点聚焦在如何做好小区间均衡、解决好软硬件扩容瓶颈。在小区间均衡方面，我们通过定义业务相关性和干扰相关性两个指标将小区间的均衡动作标准化；在快速扩容的软件资源准备方面，将全网式站点搜索调度调整为站内软件资源的潮汐动态调度，极大地降低了软件资源准备时长；在硬件资源准备方面，对突发高负荷小区通过虚拟软劈裂单层网实现效能最大化来弥补新增主设备周期长的问题、通过降设备通道数缓解前传传输对扩容载频数的瓶颈；对持续稳定的高负荷小区通过提前固化软硬件资源的方式，尤其是通过对同一机房内的基带板卡进行整合来解决硬件资源上的缺口。通过上述对感知高负荷小区的精准挑选及快速扩容操作，实现了全网业务量翻倍，感知高负荷小区基本稳定，人工处理高负荷小区效率由日均13个提升到日均300个，效率提升了220%。