LTE用户网络浏览感知KQI与无线侧KPI关联分析
黄金福
摘要：文章主要针对中国电信LTE用户网页浏览感知KQI和无线侧KPI之间进行相关性分析，得到二者之间的关联，以达到后期通过优化对应KPI能快速提升KQ[的目的。
关键词：LTE；用户感知；KQI；KPI
随着移动互联网业务迅猛发展，传统的关键绩效指标（Key Performance Indicators，KRD无法精确反映用户真实业务感知的问题日益凸显。部分空口、终端、结构化编程（Structured Programming，SP）、核心侧等问题均可引发用户感知问题，却无法通过网络KPI和路测获取，成为网络痛点。运营商各自针对移动互联网主流业务搭建了评估体系，为每项业务设计了多个反映用户不同方面的业务感知关键质量指标（Key Quality Indicators，KQI），建立了一整套基于大数据分析的移动互联网用户感知评估体系[1]。
本文主要对中国电信KQI感知指标网页浏览指标和KPI指标之间进行关联分析，尝试得到二者之间的线性关系，以达到后期对KQI感知指标快速分析、通过优化对应的关键KPI指标快速提升KQI。
1KQI和KPI筛选提取
KQI聚焦于终端用户关注的业务层面，用户使用网络的业务体验指标，而KPI主要是运营商关注的网络层面水平。
本次关联分析中，KQI指标选取网页浏览业务的网页首包时延。网页首包时延是指终端用户发起浏览请求到请求服务器回复第一个Http200ok报文所经历的时间，反映的是从终端侧和目标服务器侧之间的网络响应水平。
本次KQI和KPI关联分析的KPI仅为无线侦1JKPI指标，相关KPI指标数量很多，可归为覆盖、容量、干扰、保持性和完整性五大类。本文重点针对覆盖、容量、干扰进行分析（见表1）。
2分析数据源获取
本次用户感知KQI与KPI的分析数据源主要有两个，VMAX及移动感知APP统计话单
数据提取主要基于中兴通信VMAX大数据分析系统，为了提高KQI和KPI的汇聚效果，本次筛选采用传输控制协议（Transmission Control Protocol，TCP）有线建链时延和TCP无线建链时延，统计福州地区所有小区的TCP时延，将TCP有线建链时延大于80ms的小区筛除掉。按照选定的KQI和KPI，分别统计这些小区的网页首包时延，无线侧KPI指标，统计时间为5月某一周數据，得到选定时间内选定区域的KQI和KPI的数据表。
考虑到KQI与KPI都是一个统计值，且影响用户感知的因素非常多，除了无线侧影响外，传输、核心网、服务器等均会对感知带来影响，所以也提取了电信的移动感知APP上报的话单级别的数据进行统计，统计时间段为5月份可扩展标记语言（extensible Markup Language，XML）话单记录。
3关联分析过程
采用机器学习的分析思路，对各元素之间的数据关系进行最大程度的拟合，对采集到的数据进行分组，一部分作为拟合数据源，一部分作为评估数据，通过机器学习数据源得到估计函数，使用评估数据对估计函数进行误差分析，通过算法调优减小误差，如果误差在可接受范围内，则认为评估是有效的，即得到了准确的数据关系。
KQI和KPI数据提取完成后，进行了数据的初步预处理，将一些明显异常的噪声点筛选出来，一些NULL值的数据，网页首包时延明显低于正常值的异常点进行筛选，得到的待归一化的数据。根据采样点的数据分布情况，采用线性函数转换方法进行归一化，归一化公式为：
同一类别指标由于是相互关联的，内部采用加权处理，
配置的权重如表2所示。
采用通用的线性模型把特征x配上对应的权重彡之后相加，最大程度接近目标y（x），通过机器学习大量的数据，训练得出数据关系，采用测试数据进行测试，在误差可接受的情况下，认为得出的关系可靠。本文采用岭回归的回归方法，岭回归是一种专用于共线性数据分析的有偏估计方法[34]，与一般的线性模型比较，优势在于岭回归预测出来的图线的方差比较小，振幅略小。
本文采用Python编程语言实现数据清洗、归一化、机器学习和误差分析部分，选取训练样本数21988，检验样本数4398，3项指标覆盖、容量、干扰分别为x2，x3，目标
首包时延为y（x）外通过岭回归机器学习法得到：
针对该学习结果，采用如下误差函数进行评估：
得到误差为0.04，所以可以认为该结果是可靠的；从权重的重要性上看，覆盖、容量和干扰中，容量对首包时延影响最大，其次是干扰。
4网页打开时延与关键KPI关联性分析结果
覆盖、容量和干扰中，容量对首包时延影响最大，其次是干扰。网页浏览KQI与关键覆盖KPI指标（RSRP，信号与干扰加噪声比（Signalto Interferenceplus NoiseRatio，SINR））呈正相关。
（1）网页打开时延随着RSRP的恶化也呈现变差趋势，当RSRP小于-104dBm时，首包时延将超过1.2s，首屏时延将超过3s，且后面的首屏恶化趋势将更加陡峭、明显。（2）网页打开时延随着RSRP的向好也呈现向好趋势，当RSRP大于-86dBm时，首屏时延、首包时延变化波动己很小，己趋于稳定，首包时延在1s左右，而首屏时延在2.5s左右。（3）网页打开时延随着SINR的向好也呈现向好趋势，当SINR低于7dB左右时，首屏时延、首包时延恶化趋势比较明显。
5结语
经过以上分析，网页打开时延与关键覆盖KPI指标正相关，当RSRP低于-104dBm时，网页打开时延恶化明显，当RSRP大于-86dBm时候，网页打开时延趋于稳定；SINR值低于7dB时，网页打开时延恶化趋势较为明显。因此，当LET的RSRP优于-104，SINR值优于7dB时，将会大大提升用户的网页浏览感知，可以作为对重要区域或VIP客户的优化参考目标。
[参考文献]
[1]陈森，陈超，张小勇，等基于大数据分析的移动互联网用户感知评估系统[J].电信科学，2015（4）：148-155.
[2]CHENS，CHENC，ZHANGXY，etal. Evaluation system of mobile internet use rexperience based on big dataanalysis[J].Telecommunications Science，2015（5）：7.
[3]米歇尔.机器学习[M].曾华军，张银奎，译北京：机械工ik出版社，2003.
[4]哈林顿.机器学习实战[M].李锐，译北京：人民邮电出版社，2017.
