導語：移動通信網(wǎng)絡智能優(yōu)化研究一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：面對日益復雜的移動通信網(wǎng)絡，智能化是未來網(wǎng)絡自適應優(yōu)化技術的發(fā)展方向。在自適應優(yōu)化方案中采用機器學習算法，使網(wǎng)絡具有智能，能夠根據(jù)環(huán)境和狀態(tài)的變化協(xié)調(diào)各種優(yōu)化目標，實現(xiàn)最優(yōu)參數(shù)配置。本文在分析常用的機器學習算法的基礎上，結合對未來網(wǎng)絡數(shù)據(jù)特征的梳理，提出了初步的網(wǎng)絡智能優(yōu)化技術框架和步驟，并對各種網(wǎng)絡優(yōu)化功能下所適合采用的機器學習算法進行分類整理。

關鍵詞：網(wǎng)絡自組織；5G；機器學習；自適應優(yōu)化；智能優(yōu)化

1引言

移動通信與人們的工作和生活密切相關，而人們對于更高性能的移動通信網(wǎng)絡的需求也在不斷提升。根據(jù)預測，未來移動通信網(wǎng)絡，例如第五代移動通信系統(tǒng)（5G），將能夠提供可媲美光纖的數(shù)據(jù)傳輸速率，并且在端到端時延上希望能夠達到“無感知”的程度。為了實現(xiàn)這樣的性能要求，不僅需要從物理層和網(wǎng)絡結構上進行革新，例如采用大規(guī)模天線以及密集部署各種類型的低功率節(jié)點（LowPowerNodes，LPNs）形成異構超密集網(wǎng)絡（Ultra-denseNetwork，UDN）等，也對現(xiàn)有的網(wǎng)絡自適應優(yōu)化（Networkself-optimization）理論和方法提出了嚴峻挑戰(zhàn)?，F(xiàn)有的網(wǎng)絡自適應優(yōu)化理論和方法是網(wǎng)絡自組織（Self-organizingNetwork）的一個重要組成部分，指的是網(wǎng)絡在運行過程中，通過監(jiān)測網(wǎng)絡重要性能指標隨時間的變化，自適應地調(diào)整基站和其它網(wǎng)絡設備的參數(shù)配置或相關的資源管理策略，以盡可能達到提升網(wǎng)絡性能的目的。然而，現(xiàn)有的網(wǎng)絡自適應優(yōu)化理論和方法在面對日益復雜的移動通信網(wǎng)絡時，為了實現(xiàn)超高數(shù)據(jù)速率和超低時延的性能要求，卻存在諸多問題，面臨諸多挑戰(zhàn)，主要表現(xiàn)為：現(xiàn)有網(wǎng)絡自適應優(yōu)化理論和方法基于被動響應方式，無法滿足未來通信網(wǎng)絡超低時延的需求?，F(xiàn)有網(wǎng)絡自適應優(yōu)化理論和方法中，優(yōu)化目標和網(wǎng)絡參數(shù)之間的適配關系通常是預先設定的，無法滿足未來網(wǎng)絡復雜多變的網(wǎng)絡狀態(tài)特性?，F(xiàn)有網(wǎng)絡自適應優(yōu)化理論和方法通常針對某一特定的單一優(yōu)化目標進行，無法滿足未來通信網(wǎng)絡多目標協(xié)同優(yōu)化的需求?，F(xiàn)有網(wǎng)絡自適應優(yōu)化理論和方法對網(wǎng)絡中的數(shù)據(jù)利用不充分，利用的數(shù)據(jù)資源過于單一，缺乏智能性。為了解決上述問題，需要對現(xiàn)有的網(wǎng)絡自適應優(yōu)化理論和方法進行革新。

2現(xiàn)有網(wǎng)絡自適應優(yōu)化技術

所有的移動網(wǎng)絡運營都會設置某種形式的網(wǎng)絡管理系統(tǒng)來維持網(wǎng)絡的正常運行。一個典型的網(wǎng)管系統(tǒng)連接所有的網(wǎng)元和子網(wǎng)元，甚至可以到達基站的單板，并在運維人員的介入干預和指揮下，有針對性地解決網(wǎng)絡出現(xiàn)的問題和故障。移動網(wǎng)絡的巨大規(guī)模決定了網(wǎng)管系統(tǒng)經(jīng)常同時運行數(shù)百個網(wǎng)絡故障檢測處理進程和基于關鍵性能指標（KeyPerformanceIndicators，KPIs）的質(zhì)量管理進程。同時，還要有許多的有經(jīng)驗的工程師和維護人員控制操作維護中心（OperationandMaintenanceCenter，OMC），使得移動網(wǎng)絡的運行平穩(wěn)正常。隨著網(wǎng)絡規(guī)模的持續(xù)增長和技術復雜度的提高，單純靠人工方式運維移動通信網(wǎng)絡的復雜度和成本變得越來越高。此外，針對經(jīng)?？焖僮兓木W(wǎng)絡運行狀況，網(wǎng)絡運維參數(shù)的人工調(diào)整過程將不可避免地導致較長時延，使得無線網(wǎng)絡不能提供最優(yōu)的性能。為了降低運維成本，提高運維效率，網(wǎng)絡自組織（Self-organizingNetwork，SON）技術應運而生。廣義的SON一般被定義為運營商用來管理和控制移動寬帶網(wǎng)絡的一系列功能和特征，不需要人為干預的自動化操作來提升運營效率，降低運營復雜度。狹義的SON被定義為用于第三代移動通信合作伙伴計劃（ThirdGenerationPartnershipProject，3GPP）和LTE（LongTermEvolution）中的自動化網(wǎng)絡運營功能，由3GPP來對SON進行標準化，由“下一代移動網(wǎng)絡聯(lián)盟”（NextGenerationMobileNetwork，NGMN）從運營商角度對SON的長期目標和遠景進行規(guī)劃和展望。自組織網(wǎng)絡包括自配置（Self-configuration）、自優(yōu)化（Self-optimization）和自治愈（Self-healing）三大功能。本文主要討論網(wǎng)絡自優(yōu)化。網(wǎng)絡自優(yōu)化是指網(wǎng)絡在運行過程中通過監(jiān)測網(wǎng)絡重要性能指標隨時間的變化，自適應地調(diào)整基站和其他網(wǎng)絡設備的參數(shù)配置或相關的資源管理策略，以盡可能達到擴大覆蓋范圍、增加系統(tǒng)平均和邊緣容量、抑制干擾、減少能耗、提高切換和隨機接入成功率、滿足用戶QoS需求等目的。根據(jù)3GPP協(xié)議TS32.521的描述，對于特定的優(yōu)化目標（如容量、覆蓋自優(yōu)化等），網(wǎng)絡自優(yōu)化的總體流程如圖1所示。自組織網(wǎng)絡在無線網(wǎng)絡的覆蓋和容量優(yōu)化、無線干擾優(yōu)化、切換和負載均衡優(yōu)化、節(jié)能優(yōu)化等方面都有廣泛應用。由圖1可以看出，目前的網(wǎng)絡自優(yōu)化通常采用被動響應的方式，智能化程度不高。但是，自組織技術的終極目標則是能夠高效地實現(xiàn)對自身進行完全自動化的組織和管理。因此，提高自組織技術的智能性是自組織網(wǎng)絡的一個重要發(fā)展方向。

3未來移動通信系統(tǒng)智能優(yōu)化技術

3.1機器學習算法簡介。1997年，TomM.Mitchell在“MachineLearning”一書中給出了機器學習的經(jīng)典定義“計算機利用經(jīng)驗改善系統(tǒng)自身性能的行為”。經(jīng)典的機器學習理論有很多種，一般歸為3類：有監(jiān)督學習（SupervisedLearning）、無監(jiān)督學習（UnsupervisedLearning）和半監(jiān)督學習（Semi-SupervisedLearning）。有監(jiān)督學習類似于人們在老師監(jiān)督下的學習，是一種在結果度量（OutcomeMeasurement）指導下學習的過程，訓練的學習網(wǎng)絡通過最小化定義的代價函數(shù)而得到輸入和輸出之間的映射關系。常見的有監(jiān)督學習包括貝葉斯網(wǎng)絡、神經(jīng)網(wǎng)絡、決策樹、支持向量機等。無監(jiān)督學習有時候也被稱為自組織學習，在無監(jiān)督學習中沒有結果度量，也不需要目標變量或者訓練數(shù)據(jù)集，系統(tǒng)通過與輸入的交互來優(yōu)化參數(shù)，通?；谥鞒煞址治觯≒rincipalComponentAnalysis，PCA）或者聚類分析。博弈論就是一種應用非常廣泛的無監(jiān)督的機器學習方法。此外，1981年芬蘭Helsink大學的T.Kohonen教授提出的自組織特征映射網(wǎng)（Self-OrganizingMap，SOM）也是一種無監(jiān)督的機器學習方法。在傳統(tǒng)的機器學習理論框架中是沒有半監(jiān)督機器學習的，但是半監(jiān)督的機器學來卻逐漸成為一個研究熱點。這是因為，在有監(jiān)督學習中需要利用已標識數(shù)據(jù)，而無監(jiān)督學習中只需要利用未標識數(shù)據(jù)。在大數(shù)據(jù)時代，絕大多數(shù)的數(shù)據(jù)屬于未標識數(shù)據(jù)，而已標識數(shù)據(jù)需要人的參與，耗時耗力，也容易出錯。所以，在現(xiàn)實世界中，未標識數(shù)據(jù)的數(shù)量遠大于已標識數(shù)據(jù)的數(shù)量。如果不能充分利用這些未標識數(shù)據(jù)，學到的模型的泛化能力可能會較差，還會造成數(shù)據(jù)的浪費；如果像無監(jiān)督學習一樣只使用未標識數(shù)據(jù)，就會浪費已標識數(shù)據(jù)的價值。而半監(jiān)督學習就是研究如何綜合利用少量已標識數(shù)據(jù)和大量未標識數(shù)據(jù)，獲得具有良好性能和泛化能力的學習機器。強化學習（Reinforce-mentLearning）就是一種主要的半監(jiān)督學習方式。近年來出現(xiàn)的遷移學習（Trans-ferlearning）也可以看作一種半監(jiān)督的學習方式，學習節(jié)點動態(tài)地選擇自己的“指導者”，這個指導者是和自己在網(wǎng)絡環(huán)境等方面具有最高相似度和相關性的節(jié)點。因此，“指導者”節(jié)點已經(jīng)獲得的學習結果就可以直接轉(zhuǎn)移給學習節(jié)點，從而極大地降低了復雜度和提高了收斂速度。常見的機器學習算法分類見圖2。3.2未來移動通信網(wǎng)絡數(shù)據(jù)。移動通信網(wǎng)絡中蘊含海量數(shù)據(jù)，想在未來的網(wǎng)絡自優(yōu)化技術中充分利用這些數(shù)據(jù)資源，設計更為智能的網(wǎng)絡自優(yōu)化技術框架，首先要對網(wǎng)絡中究竟存在哪些數(shù)據(jù)資源進行詳細梳理。表1列出了對移動通信網(wǎng)絡中各種數(shù)據(jù)的一個簡單分類舉例。首先，可以將其分為用戶層面和網(wǎng)絡層面（這里的網(wǎng)絡層面主要指無線網(wǎng)絡，核心網(wǎng)的內(nèi)容暫時沒有考慮）；從另一個層面，還可以將數(shù)據(jù)劃分為體現(xiàn)性能的數(shù)據(jù)、體現(xiàn)能力/配置的數(shù)據(jù)、體現(xiàn)狀態(tài)的數(shù)據(jù)3類。表1只是列出了移動通信網(wǎng)絡中可用數(shù)據(jù)資源的極小部分，但是也可以看出，可用的數(shù)據(jù)資源是非常多也非常廣泛和復雜。例如，從數(shù)據(jù)的時間維度來說，有的數(shù)據(jù)更新時間在毫秒甚至微秒的量級，例如快衰落造成的信道變化，有的則是按照天甚至月的時間量級在變化更新，例如由時間、季節(jié)等造成的小區(qū)負載的變化等。圖3例舉了各種不同的數(shù)據(jù)在時間維度上的區(qū)別。值得注意的是，在現(xiàn)有的網(wǎng)絡自優(yōu)化文獻中，絕大多數(shù)利用的都是較短的時間維度的數(shù)據(jù)，對于較長時間維度的數(shù)據(jù)，利用的較為不充分（一些負載均衡的文獻中有所利用，但是大部分缺乏預測性）。而充分利用這些數(shù)據(jù)，利用機器學習的理論，將有可能實現(xiàn)更加智能、高效的網(wǎng)絡性能優(yōu)化。3.3未來移動通信網(wǎng)絡智能優(yōu)化框架。從表1的分析可以看出，表中所列內(nèi)容是相互關聯(lián)的，在網(wǎng)絡自優(yōu)化功能中，實際上是根據(jù)“體現(xiàn)狀態(tài)的數(shù)據(jù)”，調(diào)整“體現(xiàn)配置的數(shù)據(jù)”來實現(xiàn)優(yōu)化“體現(xiàn)性能的數(shù)據(jù)”。由于數(shù)據(jù)種類眾多，相互之間關系復雜。首先，性能指標和網(wǎng)絡配置參數(shù)之間不是一對一的關系，網(wǎng)絡的某個性能指標通過調(diào)整不同的參數(shù)都可以得到類似的結果，某些參數(shù)的調(diào)整也會影響多個性能指標；并且最優(yōu)的網(wǎng)絡參數(shù)配置是依賴于網(wǎng)絡狀態(tài)的，在不同的狀態(tài)（或者狀態(tài)組合）下，得到優(yōu)化的性能指標所需要的配置參數(shù)是不同的。這種復雜的對應關系在大數(shù)據(jù)環(huán)境下不太可能以人工完成，需要利用數(shù)據(jù)分析、關聯(lián)、聚類等機器學習理論加以解決。首先，需要在龐大而復雜的數(shù)據(jù)中建立起各種性能指標與各種配置參數(shù)之間的對應關系，而且這種對應關系是動態(tài)變化的，需要動態(tài)學習優(yōu)化；其次，需要對對應相同的性能指標的不同參數(shù)進行關聯(lián)度分析，即每種參數(shù)與這個性能指標的關聯(lián)程度分析。這也是需要動態(tài)學習優(yōu)化的，因為這也是依賴網(wǎng)絡的狀態(tài)的，在某些狀態(tài)下可能某些參數(shù)的關聯(lián)度高，在某些情況下可能另外一些參數(shù)的關聯(lián)度高。然后，要根據(jù)分析得到的關聯(lián)度進行排序，從而確定出在當前網(wǎng)絡狀態(tài)下優(yōu)化某種性能指標最優(yōu)的參數(shù)配置列表。另外，還要分析出當前最需要優(yōu)化的指標是什么。在這個過程中，需要關注沖突的協(xié)調(diào)。明確了當前的優(yōu)化指標以及要優(yōu)化這個指標所需要調(diào)整的參數(shù)列表之后，需要運用智能且高效的學習理論和方法得到最優(yōu)的參數(shù)值配置方案。根據(jù)以上分析，可以對未來移動通信系統(tǒng)中基于大數(shù)據(jù)的智能網(wǎng)絡自優(yōu)化框架進行設計（見圖4）。涉及到的步驟如下：步驟1：從未來移動通信網(wǎng)絡中收集各類數(shù)據(jù)步驟2：對收集到的各類數(shù)據(jù)所組成的大數(shù)據(jù)進行清洗和簡單的整理分類收集到的各類數(shù)據(jù)不僅數(shù)量巨大，還具有非結構化的特點，需要依靠大數(shù)據(jù)的專業(yè)技術進行初步整理。這部分工作可以選用一些大數(shù)據(jù)商用軟件進行，在本課題中不作為研究內(nèi)容。表1移動通信網(wǎng)絡中可用于網(wǎng)絡自優(yōu)化的參數(shù)舉例圖3數(shù)據(jù)的時間維度距離步驟3：建立性能指標與配置參數(shù)及狀態(tài)參數(shù)間的對應關系這一過程是框架的重點內(nèi)容之一，需要實現(xiàn)的功能包括：建立性能指標與配置參數(shù)的對應關系如前所述，網(wǎng)絡的各種性能指標與網(wǎng)絡配置參數(shù)之間的對應關系通常是多對多的復雜對應，而不是一對一的簡單對應關系。在未來基于大數(shù)據(jù)的網(wǎng)絡自優(yōu)化方案中，需要通過一些大數(shù)據(jù)分析、聚類等技術建立這種復雜的對應關系。對影響相同的性能指標的多種參數(shù)進行關聯(lián)度分析雖然多個網(wǎng)絡配置參數(shù)都會對某一項性能指標產(chǎn)生影響，但是影響程度，或者說關聯(lián)程度是不同的，需要進行關聯(lián)度的分析。并且，這種關聯(lián)程度是根據(jù)網(wǎng)絡的狀態(tài)而改變的，也即不同狀態(tài)的情況下，關聯(lián)程度可能是不同的，因此需要進行動態(tài)的學習和分析。對影響相同的性能指標的多種參數(shù)進行關聯(lián)度排序關聯(lián)度排序的目的是為減少后續(xù)網(wǎng)絡優(yōu)化的復雜度，通過排序，可以選擇關聯(lián)度高的參數(shù)（可以是多個）作為優(yōu)化某一性能指標的途徑，實現(xiàn)降維。沖突協(xié)調(diào)上述步驟為沖突協(xié)調(diào)也提供了必要的準備，在此基礎上，可以根據(jù)需要進行聯(lián)合優(yōu)化等沖突協(xié)調(diào)處理。步驟4：明確優(yōu)化目標以及優(yōu)化途徑根據(jù)網(wǎng)絡的狀態(tài)和性能指標，需要首先明確當前的優(yōu)化目標具體是哪一項或者哪幾項。其次，還要根據(jù)步驟3的結果，確定為了優(yōu)化該性能指標需要調(diào)整的網(wǎng)絡配置參數(shù)列表。在步驟3和步驟4中，需要利用大數(shù)據(jù)分析、聚類等算法，例如數(shù)據(jù)挖掘中的關聯(lián)分析、Apriori算法、頻繁模式增長FP-growth算法、主成分分析PCA等。具體算法將在后續(xù)研究中進行設計比較。步驟5：通過機器學習確定最優(yōu)網(wǎng)絡參數(shù)配置在步驟4的基礎上，已經(jīng)明確了要優(yōu)化的性能指標，以及優(yōu)化這一性能指標所需要調(diào)整的參數(shù)列表，接下來的任務就是如何根據(jù)網(wǎng)絡的狀態(tài)得到最優(yōu)的參數(shù)配置值。這一部分需要利用機器學習的方法進行，接下來將討論在網(wǎng)絡自適應優(yōu)化中應用各種機器學習算法時需要考慮的因素，以及各種機器學習算法所適用的自適應優(yōu)化領域。步驟6：根據(jù)步驟5的結果調(diào)整網(wǎng)絡中的參數(shù)配置結束。3.4網(wǎng)絡智能優(yōu)化中機器學習算法分析。各種機器學習的算法應用于不同的智能優(yōu)化領域時，需要考慮可擴展性、訓練時間、響應時間、訓練數(shù)據(jù)大小、復雜度、準確性、收斂時間以及收斂可靠性等性能。而不同的優(yōu)化目標下對各類性能指標要求并不相同，例如移動性管理以及切換優(yōu)化對于訓練時間、響應時間以及收斂時間的要求很高，緩存優(yōu)化需要準確地決定在合適的時間合適的地點緩存合適的內(nèi)容，因而對算法的準確性要求較高。根據(jù)不同算法在各個性能指標方面的優(yōu)劣，表2給出了目前研究中各個智能優(yōu)化領域常用的機器學習算法。

4結束語

未來移動通信系統(tǒng)功能更加強大，網(wǎng)絡結構更加復雜，現(xiàn)有的網(wǎng)絡自適應優(yōu)化理論和方法在面對日益復雜的移動通信網(wǎng)絡時，需要提高其智能性、主動性。本文分析了各類機器學習理論和未來網(wǎng)絡中的數(shù)據(jù)特點，提出了初步的智能優(yōu)化框架，并對各類機器學習算法在不同的網(wǎng)絡優(yōu)化領域的適用性進行了分析。

參考文獻

[1]IMT-2020推進組.5G愿景與需求白皮書.2014(5).

[2]彭木根,李勇,梁棟,等.寬帶移動通信系統(tǒng)的網(wǎng)絡自組織(SON)技術[M].北京郵電大學出版社,2013(10).

[3]3GPPTS32.500.TelecommunicationManagementSelf-Orga-nizingNetworks(SON)ConceptsandRequirementsR9[S].2009.

[4]3GPPTS36.902.EvolvedUniversalTerrestrialRadioAccessNetwork(E-UTRAN)Self-configuringandseld-optimizingnet-work(SON)usecasesandsolutionsR9[S].2010.

作者:顧昕鈺 單位:北京郵電大學