基于AI算法的VoLTE网络故障预测方法研究

戴筠迪　周莹　杨淋翔

【摘要】    使用箱线算法、OCSVM算法和三次指数平滑算法，构建出一套能准确反映网络运行特点的风险预测算法模型，深挖网络运行过程中的海量数据并结合数字化专家经验，探索“事前预测”及“事后快速定界”的维护能力构建，构建VoLTE业务网络风险的预测及防范能力，降低故障发生频率，提升用户网络使用感知。

【关键词】    风险预测算法模型    VoLTE    感知

一、业务背景介绍

VoLTE作为4G和未来5G演进的主流语音解决方案，越来越多的运营商选择了部署VoLTE技术。但是由于组网复杂等原因，工程师在日常维护过程中也面临着前所未有的挑战，一方面用户对网络的依赖性越来越强，对网络的要求也越来越高;另一方面，VoLTE业务涉及到的网元类型多（30+）、接口多（50+）、组网复杂（CS、IMS和PS多域叠加），这对维护人员的各专业技能也有较高的要求，造成了VoLTE的问题定界定位耗时长。另外VoLTE的总体指标多，传统基于单指标固定阈值的指标监控不全面，采用固定阈值监控网络感知度差，导致了现网的风险隐患发现不及时。

所以我们需要通过大数据和AI算法，构建“事前预测”及“事后快速定界”的维护能力，及时发现风险隐患，缩短处理时间，从而降低业务损失。

二、算法基本特征及其对应的应用

1.箱线算法（Boxplot）：利用中位数、25%分位数、75%分位数、上边界和下边界等统计量来描述数据的整体分布情况。箱体包含了大部分的正常数据，而在箱体上边界和下边界之外的就是异常数据。我们可以利用该算法处理具有波动性的单指标话统数据，利用箱线图可以避免提取数据中少量异常值的影响，能够准确稳定地描述出数据离散的分布情况，得到合理的阈值。再根据周期性的判断，得到不同的数据范围。

2. OSCVM（One-class SV）：单类支持向量机用来进行无监督异常数据检测，通过历史数据学习出合理的边界范围，作为正常数据阈值。而那些超出阈值范围的数据则视为异常数据。我们可以利用该算法处理具有波动性的多指标话统数据，通过OSCVM算法，在多指标结合计算时，降低复杂度，提升运算效率;自适应性调整算法参数学习合理阈值边界，提高检测的准确性。

3.三次指数平滑算法（Holt-winters）：時间序列一般具有趋势和季节性，趋势描述的是时间序列的整体走势，季节性描述的是数据周期性的波动，可以基于已有的数据来预测未来的走势。我们可以利用该算法处理具有周期性波动性的单指标话统数据，三次指数平滑算法具有自适应性，预测模型能够自动识别数据模式的变化而加以调整;基于时间序列的预测，对不同时间的非等权处理更符合实际情况。

三、算法的实际运用方案—VoLTE语音呼叫失败预测预防

当前VoLTE业务在业务维护上主要存在四大痛点：

1. VoLTE业务组网复杂：VoLTE业务涉及业务涉及网元类型多（30+）、接口多（50+），传统设备和NFV设备混合组网。

2.故障范围影响较大：核心网单网元容量大，覆盖区域广，如果现网出现故障，影响用户一般会超过20万用户。

3.故障处理时间长：70%的问题为跨域故障，定界定位耗时长（处理时长比2/3G网络高48%）。

4.现网故障隐患发现晚：传统基于设备关键指标的固定阈值进行监控，不能基于业务进行全面体系化的监控，不能及时发现现网故障风险&隐患。

基于此背景，我们可以利用大数据及机器学习提升网络风险的预测及防范能力，通过实时监测VoLTE业务相关的话统、告警、配置、CHR、操作日志&系统日志等数据，提前识别业务风险及故障，缩短故障恢复时长，避免恶性事故的发生和降低事故的影响。

此方案有三大关键技术点。首先就是数据统一采集与存储：跨领域拉通IMS/EPC/的话统、告警、配置、CHR、日志等数据统一采集和存储，便于数据分析;其次是风险预测：（1）基于VOLTE语音呼叫业务流，梳理各网元相关的KPI指标和错误码，建立表征VOLTE语音呼叫是否正常的全面指标体系;（2）通过AI&大数据算法对VoLTE全面指标和CHR&日志进行训练学习，建立异常预测模型， 快速识别业务异常和预警，预测准确率80%;最后是风险预防（定界定位）：基于故障信息聚类算法分析&呈现、全球网络维护的专家经验规则、IP Tracert定界定位算法，对现网风险和故障进行定界定位建议或提供有效辅助信息。覆盖现场常出的4大故障场景。

风险预测的逻辑如下图1。

首先梳理VoLTE各网元相关的KPI指标和错误码（1000+），建立全面指标监测体系，收集呼叫失败的CHR（呼叫日志记录）和系统日志。增加现网异常发现的维度。

接下来通过方差算法&自相关系数算法，自动识别不同的数据特征（比如周期性和非周期性），自动匹配不同算法。提取200+ CHR故障特征（如内部失败原因值、拆线网元等）;提取系统日志故障特征，形成日志故障分析模板（规划）。

完成特征提取后，我们构建两种模型来进行数据算法研究，单指标（通过箱线图算法学习得到动态阈值模型）和多指标（通过OCSVM算法学习得到异常检测模型）。

最后将现网实时数据与异常检测模型进行对比，实现现网风险的快速发现，对预测结果进行人工标注反馈，系统基于人工反馈和异常的统计自动触发训练和调优，模型会持续优化，并在后续的采集过程中进行修正。

四、VoLTE语音呼叫失败预测预防方案的效果

2月28日22：50分预测省内某地WUXISBG5“MT接通率”下降风险，接通率逐步下降，2.5小时后下降4%（低于95%传统手段此时可监控）。通过风险自动钻取告警信息，快速识别网络呼叫振荡问题，根据震荡号码排查最终定位到智能网设备问题。

该方案有三大关键特点：

1.动态阈值精准监控：基于历史话统数据，通过箱线图算法训练得到指标动态阈值模型。

2.多指标关联判断识别风险：结合“MT接通率”、“MT试呼次数”之间的关系，识别出网络风险隐患。

3.引入时间序列趋势判断：风险模型匹配后，根据接通率下降比例判断，对于劣化比例较小的场景，引入多周期监控，判断出劣化趋势后再进行风险上报。

五、结束语

随着数字化进程不断加快，运营商更要及时进行数字化转型。在网络日常维护过程中，需要通过大数据和AI算法能力来提升维护效率，这既能够节约维护成本，更能够大幅减少故障影响，提升用户感知，是未来通信网络维护的中坚力量。

戴筠迪（1992.12），女，汉族，江苏盐城，大学本科，中级工程师，研究方向：中国联通智网创新中心网络AI中心，从事智能运维产品研发管理工作。

周莹（1988.05.01），女，汉，江苏泰州，南京邮电大学硕士研究生，通信网络支撑系统工程师，中国联通智网创新中心网络AI中心，主要从事针对通信网络支撑软件的设计管理工作，面向运营商内部维护人员提供系统支撑能力。

杨淋翔（1992.09）， 男，汉族，江苏镇江，大学本科，中级工程师，研究方向：江苏联通IP城域网网络维护、政企业务支撑。