本站原创摘 要 ：提供了一种基于无线网络性能数据的用户业务分类方法,同时提供完备的感知分析技术.通过研究各类应用的具体资源占用特征,研究人员设计出有效的业务类型区分方法；同时考察不同应用对各种KPI的敏感程度以制订准确的感知评估规则.经过大量测试验证,该方法具有分类评估准确,效率高,处理开销小等优点.
关 键 词 ： 业务分类；感知评估；无线网络性能；资源占用
Abstract： In this paper, we describe a method for classifying user services. This method is based on wireless work performance and a plete-perception technique. By analyzing the resource occupation feature, we design a method for roughly determining the service type. Using this method, we measure applications against various KPIs in order to build up the accurate perception estimate regulation. Through testing, we verify that this method is capable of accurate classification and high efficiency. It also is not costly to the process.
Key words： service classification； perception evaluation； wireless work performance； resource occupation.
随着3G应用的推广,无线网络的怎么写作主体逐渐向数据业务转移,越来越多的用户使用无线终端享受数据怎么写作,例如观看视频,浏览网页、或MSN等.每种数据业务的特征不同,对于无线网络的资源占用情况也有很大差异：使用MSN的用户,在线时长往往大于下载文件的用户,但是其流量可能只有下载用户的百分之一,同时不同的业务对于无线环境的要求也不一致.
用户使用业务满意度,是无线网络怎么写作质量的重要指标.为了改善用户使用感受,我们需要了解无线网元上的现有资源是否能够满足用户业务的需要,也就是依赖于用户业务分类和感知评估的方法.传统技术无法做到用户业务分类与无线网络资源分配的无缝关联,例如IP网络监控工具可以在核心网侧监控IP网络的应用协议类型、流量变化等信息,但是却无法获取无线网元资源变化；传统的无线资源管理工具正好相反,它们能够有效地监控所有无线网元的资源分配,却不能探知本网元无线用户的应用业务种类.
文章讨论了一种基于无线网络数据分析的技术,用于区分网络用户应用的业务类型,并且对其使用感知进行评估[1].
1.业务占用资源特征
目前主流的网络应用主要有：网页浏览/微博、网络视频、文件传输协议（FTP）/BT下载、视频通话、数据上传以及/MSN等,在此简单例举几种典型网络应用的IP速率变化曲线图,看看这些应用之间是否存在明显差异.
图1描述了多种应用的IP速率变化情况,FTP下载业务的前向IP速率维持在较高水平（>100 kbit/s）,反向速率则一般处在低水平（<20 kbit/s）,整个下载过程中,前反向速率的变化不大,比较稳定.
图1显示的各类应用的IP速率差异还是比较明显的,当用户进行网页浏览时,IP速率并非持续保持高水平,这与下载应用差别很大；只有在打开新网页或者新的网络资源时,IP速率才会突发到较高水平,整个过程的总前向吞吐量相对下载要小很多.IM即时通讯应用（在此仅限定文字聊天）与网络浏览的特征很像,也存在较长的低速率区间,区别在于IM业务的突发速率要小于网页浏览.因为文字所占的流量非常小,按照两字节的国际标编码计算,一段500字的记录只占约1 kB,而一般门户网站的主页大小都在MB级别.
在视频对话时,前反向速率非常接近,而且都维持在一个“安全”的水平（能够保证对话双方数据正常交互）,前向流量一般低于下载业务但是比网页业务要高,反向流量则非常接近前向[2].
最后,再来比较当下很火的Youku视频应用.它与FTP下载的变化曲线很像,但是仔细研究后发现在几个大“矩形”之间都会存在或多或少的间隔,这是由于网络视频的缓存技术以及用户观看行为导致的.用户在观看网络视频,特别是超长视频时,并不是一次性下载完成整个文件,而是下载分割好了的视频小文件（对于总大小不大的视频不需分割）,用户在观看当前文件内容时,有可能该文件早已下载完成,而下一个小文件尚未开始下载,此时就会出现速率间隔.
基于以上分析,可以将网络应用分门别类划分为如下类型.
（1）下载类
主要应用：FTP连续下载、网络视频、BT下载等.
资源占用特征：前向流量大,连接时长较长,需长时间保持高速率.
（2）较大速率突发类
主要应用：Http网页访问、微博等.
资源占用特征：前向流量较大,连接时长短,无需长时间保持高速.
（3）较小速率突发类
主要应用：、MSN文字聊天等IM应用.
资源占用特征：前向流量小,连接时长短,不需要长时间保持高速.
（4）前反向对称类
主要应用：视频、MSN视频、网络（VOIP）,可视等.
资源占用特征：前反向流量相当,连接时长较长,需要长时间保持前反向速率. （5）上传类
主要应用：反向文件上传,外发邮件等.
资源占用特征：反向流量大,连接时长较长,需长时间保持高速率.
（6）其他类.
主要应用：不属于以上的业务.
资源占用特征：无法归类到前面几项.
某一类业务类型中的所有应用都具有相似的资源使用特征,例如下载类业务,下载流量较大,需要长时间保持较高速率；而较小突发类业务占用的流量非常有限,并且大部分时间不要求保证高速率.如果确定了某次业务的资源占用情况,就能够明确该业务属于以上哪种类型.
2.业务类型判定方法
通过业务的资源占用特征可以推导出本次业务所属的业务类型,如果无线网元侧采集的信息能够充分描述资源占用情况,即可仅通过无线网元数据来确定应用业务类型.
无线网元侧可采集如下数据描述资源占用情况.
·空口连接时长：空口连接建立到释放之间的时长,对应于应用连接时长.
·物理层吞吐量：物理层前/反向吞吐量,可以连接用户、网元等多个维度采集.
·无线连接协议（RLP）层吞吐量：RLP层吞吐量,与物理层吞吐量一样都可表征应用的流量大小.
·前/反向占空比：高速率持续时长占总连接时长的比例,一般来说,50 kbit/s以上的前向或20 kbit/s以上的反向速率属高速率.
·前/反向有效速率：数据激活期间的前向和反向速率.
·前/反向激活时长：无线网元怎么写作时长占总连接时长的比例.
可以通过无线网元采集数据对某次连接的应用业务类型进行判断,各种业务的判定模型说明如下.
（1）下载类
判定模型组成：连接时长、前向占空比、前向流量.
（2）较大速率突发类
判定模型组成：连接时长、前向占空比、前向有效速率.
（3）较小速率突发类
判定模型组成：连接时长、前向占空比、前向有效速率.
较小速率突发业务的前向有效速率要低于较大速率突发业务.
（4）前反向对称类
判定模型组成：前反向吞吐量比例、前反向占空比.
（5）上传类
判定模型组成：反向吞吐量、反向占空比、反向有效速率.
（6）其他类
判定模型组成：不属于以上类型的业务.
可能存在同一连接,同时符合多个业务类型特征的情况,这时需要制定一套优先规则,保证同一连接只能分属一类业务.一种比较合理的优先规则设定如下：
前反向对称 > 持续下载类 > 反向上传 > 较大流量突发 > 较小流量突发 > 其他
根据该规则,检测如同一连接同时满足下载类与突发类业务特征,应当将其划分为下载类业务.至此已经确定了每次空口连接的业务类型.
与有线网络承载数据业务有所不同,无线网络资源有限,空口连接在没有数据交互的情况下会进入休眠态.如果休眠时间过长,空口连接则将释放以节约无线资源,降低整个系统的负荷.对于用户来说,仅仅使用了10 min的,可能就包括10余次空口连接.无线网元侧监控的连接与真实的用户应用存在差异.为了解决这一问题,需要通过一定规则将空口连接合并,尽可能还原用户应用的原貌[3].
图2描述了连接合并的预期效果,虽然用户进行不同应用时,空口连接的频度与时长等特征都不同,但是通过连接合并处理,可以优化从空口信息得到的业务,使其更接近真实的用户应用行为.例如在一次点对点协议（PPP）的对话中,用户进行了多种业务,其中,聊天业务一般包含多次空口连接,且每次连接的时长都很短（可能仅仅是一次文字消息的发送和接收）；而在线电影应用对应的空口连接一般时长较长,最终两类业务经过合并处理后,其结果都更加接近原始的用户应用行为.
值得推荐的一种呼叫连接合并方法是：按照如下规则将所有空口连接划分成呼叫连接集合,之后将单个集合内的所有呼叫合并为一次业务行为.
连接合并条件包括：
（1）属于同一个用户；
（2）属于同一类业务；
（3）相邻两次呼叫中,前一次呼叫释放时刻与后一次呼叫建立时刻之间的时延应当小于预设门限.
呼叫合并的效果如图2所示,相对于原始的空口连接,呼叫合并得到的业务行为更接近与用户的应用.
3.完整的业务分类流程与
准确性
文中描述的业务分类方法仅通过无线网元侧采集的空口呼叫数据即可完成,与传统IP网络监控工具不同,不需要额外监控核心网侧数据,进行深入解包（DPI）等操作.
图3展示了业务分类的完整处理流程,具体步骤说明如下：
（1）无线网元侧采集用户的空口呼叫信息；
（2）计算每次呼叫的特征关键绩效指标法（KPI）,例如呼叫时间、占空比等；
（3）将计算结果与业务模型进行比较,确定所有呼叫的业务类型；
（4）对已经分类好的单次呼叫进行合并,得到更接近用户应用的业务行为.
通过建立业务模型建立无线呼叫KPI与网络应用的对应关系,无线网元采集呼叫指标并以业务模型进行匹配的方法即可实现对业务类型的分类.分类步骤中涉及的所有信息都能够在已有的系统功能下采集完成,无需增加额外的模块设计或核心网的深度解包,开销小、数据可靠性高.
为了验证业务分类的准确性,测试人员专门在多个城市进行了分类测试,主要结果如表1所示.
表1显示业务分类的判定结果都符合预期,说明使用特征KPI对用户应用进行业务划分具有着较高的准确性.
表2展示的是某基站控制器（BSC）下的全天用户行为分类结果以及各类业务的无线资源占用情况. 在表2描述的某BSC数据中,小突发业务在用户数占比与连接次数占比中都是第一,但是其他的资源占用却非常低；下载类业务虽然不足总连接次数的1%,但是却使用了约60%的前向业务资源与约40%的反向业务资源；而大突发业务各项资源占比则比较统一,基本都能够维持在30%～40%之间.通过分析各类业务的资源占用情况,一方面可以分析各类业务的使用频度,为运营商分析业务发展空间提供指导；另一方面可了解无线资源分布,为网络规划或运营咨费调整等提供帮助.
4.业务评估与用户感知
传统用户感知评估方法的一个重要困难在于不同用户的需求存在差异,同样的环境下,不同用户的感知很可能不同,甚至同一用户在同一环境中不同时段的感知也会变化.业务分类方法能够在很大程度上帮助我们了解用户的具体需求.
对于下载类业务来说,10 kbit/s的有效速率不一定能够带给用户良好的体验,特别是在下载超大文件（>1 GB）时,这种速率简直就不能忍受；但是同样的10 kbit/s有效速率,在进行IM文字聊天时,用户的使用效果却非常好.
业务分类使得准确的感知评估方法实现成为可能.业务感知评估通用公式为：
在（1）中,Eva （x ）为业务x的最终评估得分；I （x ）表示所有与业务x的感知相关的KPI,i表示某项影响x感知的性能指标,有i∈I （x ） .E （i ）表示i的得分,不同KPI的评估方法不同,某些负面KPI的评估得分有可能为负分；W （i ）为指标i的权重,不同KPI的权重也有所差异；对于所有感知KPI得分取加权平均后得到该业务的最终得分.
从不同业务的需求出发,每种业务的具体评估方法应当区别对待,选择合理的KPI组合构建评估系统.同样以下载业务和IM为例,检测设两种业务的I （x ）相同,都为（下载速率,前向重传率,Ec/Io）.
正如表3中,各类KPI对于不同业务感知的影响程度不同,因此E得分相同的不同业务感知得分也可能不同：在两组相同KPI得分的业务中,下载业务得分仅65,而IM业务却高达86.
在得到业务感知评分的基础上,可以进一步分析其用户分布.
图4展示的是某城市下载类业务用户感知分布的真实情况,有约40%的用户体验很差,不足60分,同时也有接近12%的用户下载体验非常好,达到90分以上；其他用户的下载体验处于可接受的水平.通过研究对用户感知的分布,可以分析某地区用户体验的历史变化或者验证网络优化手段是否有效等.
5.网络优化与故障排查
基于用户感知分数,可以进行多个维度的网络性能统计,例如可以查看所有网元的综合用户感知,对于排名靠后的网元进行深入分析,探索其原因；或者某一类型的终端进行感知评比,看看此类终端感知是否良好.
此外,可以设计追踪系统,从用户感知评分入手,迅速锁定导致评分差的主要感知KPI,快速定位问题.一旦发生性能类或用户感知故障,即可定位出劣质的感知KPI,并深入分析其发生原因.
例如,下载类业务的重要一项感知KPI为前向RLP速率,一旦发现该感知指标差,可通过固化的分析专题（例如空口覆盖、呼叫成功率、掉话原因等分析专题）,对影响指标的原因,包括空口环境,系统忙闲,上层资源带宽等进行深入挖掘.
基于用户感知的故障排查系统与传统排障方法的差异主要包括：
（1）传统排障方法
该方法通过用户投诉或者系统告警发现故障,属于被动式发现；主要定位手段为人工方法,通过对历史数据的排查进行分析,对于人员的业务技能要求较高,同时由于前后方数据交互的时延,故障数据采集效率等因素,定位效率较为低下.
（2）用户感知排障方法
该方法通过用户感知评估,发现体验差用户（潜在的投诉者）,目标在其投诉前就定位解决问题,属于主动式发现；在评估的同时可以监控到影响体验的劣质KPI,快速锁定故障范围；基于既有数据可设计固化的分析专题,自动化定位问题根源,摆脱了对人员技能的依赖.
对比可知,基于用户感知评估的排障方法相比传统方法效率要高得多,并能够在用户投诉或系统告警前就预先发现问题,可靠性大大提高.
6.结束语
随着无线数据业务日益扩展,准确判定无线用户业务类型与评估其使用感知的需求也日益迫切,另外传统方法侧重于有线侧深度解包,不能反映无线行为的特征,也无法有效监控用户感知.文中提供的技术实现了无线网络资源分配与数据业务之间的无缝关联,不但满足以上需求,而且有着极高的扩展性,在网络优化与系统故障排查等方面都有不俗的表现.