一种基于MR的5G NSA驻留问题识别方法

韩斌杰，赵晓晖

(中国移动通信集团河北有限公司，河北 石家庄 050000)

0 引言

5G作为近年来最具代表性的技术创新之一，在国际社会上受到极大关注，已经成为衡量国家实力的重要标志，加快5G商用步伐成为了社会各界人士的普遍共识[1]。由于目前5G网络尚未实现连续覆盖，随着5G终端的爆发性增长，在已有5G网络的地方提高5G用户驻留、保障5G用户感知，充分发挥5G网络能力和效益，对于提升5G网络口碑、助力5G网络发展具有显著作用[2-3]。赖麟[4]提出了一种基于大数据驱动的5G网络与服务优化分析，为5G网络智能优化提供参考。刘湘梅、熊力等人[5]针对4G/5G协同优化和互操作策略进行了相关研究，并进行了相关实践总结。为了实现5G用户占得上、驻留稳和体验优的目标，本文以华为基站无线侧私有CHR/MR数据为基础，借助大数据分析技术，利用4G/5G MR和S1-MME单据关联以及NSA网络下5G业务发生时信令面承载在4G的特点，对5G用户在4G和5G网络下的驻留情况进行关联分析，基于栅格、小区及用户计算驻留比指标，构建了一种基于MR的5G假哑无问题识别、分析能力，支撑5G NSA场景下5G驻留比分析及洞察，有效识别5G网络中的真假哑无问题。

1 5G假哑无的定义

为了便于理解，首先对真假哑无5G问题的概念及产生原因进行阐述。

① 真5G：5G用户驻留在5G，可以正常享受5G的服务，业务承载在5G网络中。

② 假5G：5G用户驻留在LTE锚点小区上，终端显示5G网标，业务实际承载在4G网络。

③ 哑5G：5G用户驻留在LTE非锚点小区上，终端显示4G图标，业务实际承载在4G网络，实际上该位置可能已有5G覆盖，但用户未能驻留到5G网络之中。

④ 无5G：5G用户驻留在LTE非锚点小区上，用户所在位置无5G网络资源可用，业务实际承载在4G网络上。真假哑无5G示意如图1所示。

图1 真假哑无5G示意Fig.1 5G camping problem diagram

假哑无5G驻留问题的产生原因有多种，对于“假5G”问题，协议定义：5G终端 Logo显示分为4种配置方式和6种场景，具体由各运营商和终端厂商协商在终端侧实现，如表1所示，4种配置各有利弊，实际商用网络的设定方法以实际配置为准[6-7]。除了终端显示策略导致的“假5G”问题，锚点和5G覆盖不一致也是产生“假5G”问题的重要因素。对于“哑5G”问题，主要是由于4G/5G之间的建设进度不匹配、锚点故障、参数和邻区设置错误等原因导致；对于“无5G”问题，比较容易理解，主要是由于5G用户所在区域一定范围内没有5G网络覆盖，用于帮助运营商识别5G用户相对集中但5G站点未开通的区域。

表1 5G终端Logo显示机制

根据协议定义,Config.D配置模式最宽松，只要5G终端驻留到支持NSA组网的LTE小区，终端就显示5G Logo(只是显示5G Logo，实际可能还是使用LTE网络，从而导致假5G问题)；Config.A配置模式最苛刻，只有5G终端驻留到NR小区或者核心网时才能显示5G Logo。目前5G终端主要使用Config.D模式[8-9]。

2 5G驻留关键技术

NSA组网下，5G用户在做业务时会在4G和5G网络下产生大量的单据，主要是eNodeB和gNodeB采集的无线接入网侧信令面的历史呼叫日志和测量报告[10]。本文利用NSA组网下5G业务发生时4G/5G双连接的特点，在业务发生时，设定NR与LTE的MR上报频次是相同的，假设LTE侧业务周期性MR数量(LTE_MR)，NR侧周期性MR的数量(NR_MR)，可以得出：5G驻留比= NR_MR×NR周期/( LTE_MR×LTE周期) = NR_MR/LTE_MR，即NR与LTE之间的MR的比值。本文构建的基于MR的5G驻留比分析能力，用到的关键技术主要有：

① 4G/5G MR定位和用户IMSI关联

MR定位本质是确定无线网络中UE在通话过程中上报MR时所处的具体地理位置[11]。NSA组网下5G用户使用业务过程中会同时上报4G/5G MR和CHR数据，并且NR辅站的测量是全部在LTE侧下发，LTE通过X2 RRC Transfer将测量上报信息传递给NR，如图2所示。

图2 4G/5G信令流程Fig.2 4G/5G signaling procedure

4G MR通过PRIVATE_SgNB_ADD事件中的各种ID与5G MR PUBLIC_INFORMATION进行关联，以确定同一用户在4G MR和5G MR的对应关系。然后对同一用户、同一次呼叫的4G/5G MR数据进行拼接，利用4G MR成熟的定位技术，将4G MR定位结果反填到5G，从而得到5G定位结果。4G/5G MR拼接示意如图3所示。

图3 4G/5G MR拼接示意Fig.3 4G/5G MR combination

② 5G终端IMSI自学习机制

由于现有5G终端库不能做到精准识别5G终端用户，为了减少由于5G终端库信息不全或者错误导致的5G驻留比统计错误，本文提出了一种5G终端IMSI自学习的机制，如图4所示。对于发生过5G业务的IMSI，将其置为5G用户，并周期性更新和累积到5G用户库，实现5G终端用户的精准识别。对于5G用户在5G、锚点和非锚点产生的MR及事件，进行大数据积累，用于指导5G网络问题分析。

图4 5G终端IMSI自学习原理示意Fig.4 5G terminal IMSI self-learning principle

③ 问题区域自动识别和汇聚

传统的评估手段只能关注到小区粒度，对于小区整体指标正常但部分区域指标异常的情况无法有效感知[12-13]。为了方便进行区域性的问题识别，本文建立了问题区域自动识别及汇聚的能力。将栅格中的“假、哑、无”认定为问题栅格，判断某个问题栅格是否与其他问题栅格相邻，而后将所有相邻的问题栅格合并计为一个问题区域(其中的问题栅格数需要超过某个阈值N)，如图5所示。

图5 问题栅格判断原理Fig.5 Problem grid determination principles

对于Polygon内问题区域识别，为确保问题区域落在Polygon内，取问题区域与Polygon的交集计算，在理想情况下，识别效果如图6所示，当边缘的栅格存在较多的锯齿状时，为了减少Polygon的顶点数，会进行平滑处理。

图6 问题区域识别示意Fig.6 Problematic area identification

3 结果与分析

基于MR的5G驻留比分析(假哑无)能力整体工作流程如图7所示，5G驻留比分析专题4G/5G邻区和同覆盖区域分析如图8所示。

为了评估问题栅格阈值N设置大小与问题识别准确率的关系，本文从栅格数量与MR定位准确率、问题识别准确率2个方面进行分析。

由于5G的MR定位准确率依赖于4G IMSI关联回填结果，MR定位准确率越高，则问题识别准确率越高。问题栅格与MR定位准确率的对比结果如图9所示。由图可以看出，问题栅格越小，MR定位准确率越低，基于实际结果，当问题栅格N=10时，MR定位准确率最高。

图7 5G驻留比分析应用流程Fig.7 5G camping ratio analysis process

图8 4G/5G邻区和同覆盖区域分析Fig.8 4G/5G neighboring cell and co-coverage area analysis

图9 问题栅格与MR定位准确率的对比Fig.9 Comparison of positioning accuracy between problem grid and MR

选取4组参数进行问题栅格阈值与识别准确率的对比分析，如图10所示，问题栅格步长及初始值均设置为5。由图10可以看出，N取值越小识别准确率越高，但识别出的问题区域也越多，对实际优化带来很大挑战。N取值越大识别出的问题区域数量较少但准确率相对也较低，综合以上分析结果，问题栅格阈值一般设置为N=10。

图10 问题栅格阈值与识别准确率对比Fig.10 Comparison between the threshold and identification accuracy of problem grids

本文问题区域识别具体参数设置如表2所示。

表2 问题区域识别参数设置

5G驻留比分析(假哑无)专题能力构建完成后，进行试点应用，累计处理107个问题，问题识别准确率84.35%，问题区域驻留比提升15%左右。基于5G驻留比分析专题能力，5G问题处理效率相比人工方式提升30%左右(基于之前的问题分析经验)，如图11和图12所示。

图11 问题识别准确率对比Fig.11 Comparison of problem identification accuracy

图12 问题处理效率对比Fig.12 Comparison of problem identification efficiency

4 结束语

随着5G终端上市节奏的加快和5G用户的快速增长，确保5G用户能够稳定驻留到5G网络并享受5G网络的高质量服务，对于提高用户满意度、支撑运营商市场发展均具有重要作用[14-15]。本文主要基于无线侧MR实现了NSA网络下5G假哑无驻留问题的识别和辅助分析，后续在4G/5G协同分析和问题定位上仍需进一步加强，同时考虑未来SA组网的建设步伐，对于5G SA网络下的用户驻留和问题分析要进行提前规划，以便更好地支撑5G网络质量提升，为用户提供更加优化的5G服务。